公开(公告)号：CN115116137B

公开(公告)日：2025-05-09

申请号：CN202210756317.2

申请日：2022-06-29

Applicant: 河北工业大学

Inventor： 陈海永 ,  史世杰 ,  谭江恒

IPC: G06V40/20 ,  G06V10/82 ,  G06V10/80 ,  G06V10/764 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/082 ,  G06N3/084 ,  G06N3/0495

Abstract: 本发明公开了一种基于轻量化YOLO v5网络模型与时空记忆机制的行人检测方法，该行人检测方法采用轻量化YOLO v5网络，将原版YOLO v5模型的Foucs层替换为卷积层以及将主干网络中的卷积替换为通道随机混合的分组卷积来轻量化模型，并利用时空记忆机制对网络检测结果进行修正，减少误识别，利用修正的检测结果进行行人位置检测，降低了模型的误识别率且减少了模型的硬件开销并提高了处理速度。采用本发明行人检测方法在数据集测试结果为：误识别率从7％降低至1％，处理速度从56FPS提升到74FPS。

公开(公告)号：CN116721291A

公开(公告)日：2023-09-08

申请号：CN202310674124.7

申请日：2023-06-08

Applicant: 河北工业大学

Inventor： 高彰辉 ,  陈曦 ,  谭江恒 ,  马征

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08 ,  G06T7/00

Abstract: 基于改进YOLO v7模型的金属表面缺陷检测方法，包括以下步骤：1)采集缺陷金属表面图像，对图像进行数据增强和归一化处理；对图像进行标注，添加缺陷类型标签，得到缺陷金属表面数据集；2)基于改进YOLOv7模型构建缺陷检测模型；YOLOv7模型包括特征提取、特征融合和分类回归三部分，对YOLOv7模型的改进为在YOLOv7模型的特征融合部分修改跨尺度融合支路，通过F‑cat操作分别对浅层和深层特征进行融合，得到缺陷检测模型；3)利用步骤1)获得的图像对缺陷检测模型进行训练，训练后的缺陷检测模型用于金属表面缺陷检测。

公开(公告)号：CN116051530A

公开(公告)日：2023-05-02

申请号：CN202310101607.8

申请日：2023-02-13

Applicant: 河北工业大学

Inventor： 陈海永 ,  谭江恒 ,  史世杰

IPC: G06T7/00 ,  G06T7/11 ,  G06T7/40 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明为基于图像修复的半监督光伏电池表面异常检测方法，该方法使用的异常检测模型包括修复子网络和分割子网络，修复子网络用于将输入图像修复为无异常图像，分割子网络用于判别输入图像是否为异常图像并进行异常区域定位；通过对无异常图像进行处理，采用混合掩码策略生成异常掩码图，同时生成模拟异常图像，将无异常图像、模拟异常图像和异常掩码图输入到初始化后的模型中，修复子网络输出修复图像，修复图像与模拟异常图像拼接后再输入分割子网络中，对模型进行训练；将训练后的异常检测模型用于光伏电池异常检测。该方法引入异常先验知识，训练修复子网络将模拟异常修复为正常的能力，同时通过CAM模块捕获长、短距离信息，提升图像修复质量，提高异常检测和定位精度。

公开(公告)号：CN116758001A

公开(公告)日：2023-09-15

申请号：CN202310517669.7

申请日：2023-05-10

Applicant: 河北工业大学

Inventor： 宋梦园 ,  陈海永 ,  谭江恒 ,  吴文箫 ,  史世杰 ,  李佳奇

IPC: G06T7/00 ,  G06V10/26 ,  G06V10/44 ,  G06V10/52 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明为一种太阳能电池片外观缺陷检测方法，该方法使用的模型包括多尺度特征提取网络、跨级并行特征融合网络和分类回归网络；多尺度特征提取网络由多个多尺度残差特征提取模块串接而成，倒数第三、二、一个多尺度残差特征提取模块输出的特征图为多尺度特征提取网络得到的多尺度特征图；跨级并行特征融合网络在横向上分为两个阶段，在纵向上分为三个并行分支，每个分支的信息相互融合，使特征的表达能力更强。多尺度特征提取网络可以保留不同尺度的缺陷特征，避免随着网络的伸入，池化、卷积等操作导致微小微弱缺陷信息丢失；跨级并行特征融合网络结合了浅层和深层之间的双向多尺度特征，同样防止浅层特征中的微小微弱缺陷信息在特征融合过程中丢失，因而提高了模型对光伏电池片外观中微小微弱缺陷的检测能力。

公开(公告)号：CN115116137A

公开(公告)日：2022-09-27

申请号：CN202210756317.2

申请日：2022-06-29

Applicant: 河北工业大学

Inventor： 陈海永 ,  史世杰 ,  谭江恒

IPC: G06V40/20 ,  G06V10/82 ,  G06V10/80 ,  G06V10/764 ,  G06V10/774 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于轻量化YOLO v5网络模型与时空记忆机制的行人检测方法，该行人检测方法采用轻量化YOLO v5网络，将原版YOLO v5模型的Foucs层替换为卷积层以及将主干网络中的卷积替换为通道随机混合的分组卷积来轻量化模型，并利用时空记忆机制对网络检测结果进行修正，减少误识别，利用修正的检测结果进行行人位置检测，降低了模型的误识别率且减少了模型的硬件开销并提高了处理速度。采用本发明行人检测方法在数据集测试结果为：误识别率从7％降低至1％，处理速度从56FPS提升到74FPS。