-
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
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：CN119596233A
公开(公告)日：2025-03-11
申请号：CN202411933576.3
申请日：2024-12-26
Applicant: 河北工业大学
Abstract: 本发明属于无源定位技术领域，具体是一种基于改进鲸鱼优化算法的多站相位差无源定位方法。首先，建立无源相位差定位模型；然后，根据定位模型，基于最大似然估计建立目标函数；最后，对鲸鱼优化算法进行改进，将概率参数阈值改进成动态概率阈值，将收敛因子改进为随适应度值而自适应调整，利用改进的鲸鱼优化算法求解目标函数，将鲸鱼个体位置作为目标源位置，根据目标函数计算每条鲸鱼的适应度值，在每次迭代后根据适应度值调整鲸鱼个体位置，达到设置的迭代次数后，目标源的位置即为最小适应度值的鲸鱼个体的位置。该方法将求解目标源位置问题转化为以目标源位置为变量的最优化问题，提高定位精度的同时降低了计算复杂度，节约了造价成本。
-
公开(公告)号：CN118552770A
公开(公告)日：2024-08-27
申请号：CN202410601074.4
申请日：2024-05-15
Applicant: 河北工业大学
IPC: G06V10/764 , G06V10/766 , G06V10/762 , G06V10/774 , G06V10/52 , G06V10/44 , G06V10/82 , G06N3/0455 , G06T7/00
Abstract: 本发明为基于基础检测模型的面向非静态数据流的增量检测方法，首先建立由骨干网络、编码器、解码器和预测头组成的检测模型，对检测模型进行基础训练，得到能够识别旧类别和旧域的基础检测模型；然后，对基础检测模型进行增量训练，在类增量训练阶段，将基础检测模型分别作为教师模型和学生模型，依次基于标签冲突性、信息量以及置信度对教师模型预测结果进行筛选，得到语义过滤后的教师模型预测结果并作为伪标签；将伪标签与新增类别的地面真值标签组合形成真值监督标签，利用真值监督标签筛选正预测，用于计算训练损失；对于域增量，建立高效域调节器对基础检测模型进行扩展；最后，对增量训练后的基础检测模型进行测试，在域测试阶段，激活与测试样本对应的最佳匹配域的高效域调节器，冻结其余域的高效域调节器。实现了非静态数据流的增量检测，提高了语义和分布偏移下的持续检测能力。
-
公开(公告)号：CN118334491A
公开(公告)日：2024-07-12
申请号：CN202410748557.7
申请日：2024-06-12
Applicant: 河北工业大学
IPC: G06V10/82 , G06N3/0455 , G06N3/0499 , G06N3/082 , G06V10/50 , G06V10/774 , G06V10/776
Abstract: 本发明为面向多场景智能制造缺陷检测大模型训练方法。该方法采用掩码自编码的ViTDeT主干预训练、DINO检测头对比预训练、有监督数据标注图像端到端微调；ViTDeT主干预训练的训练任务是生成被遮掩部分的HOG特征描述符，在预训练完成后，舍弃掩码解码器部分，保留ViTDeT主干的权重；对比以ViTDeT主干构成的孪生网络中，两个DINO检测头输出的特征，使其尽可能相似的同时，拟合伪边界框的位置。采用有标注的图像数据微调此预训练缺陷检测模型。将训练后的缺陷检测模型用于不同场景下智能制造产品的缺陷检测。采用分阶段的方式对多场景智能制造缺陷检测大模型进行训练，提升了大模型对大规模无标注数据的利用率，同时提高了其对不同场景缺陷的检测精度。
-
公开(公告)号：CN113920498B
公开(公告)日：2024-05-24
申请号：CN202111193973.8
申请日：2021-10-13
Applicant: 河北工业大学
Abstract: 本发明为一种基于多层特征金字塔的点云3D物体检测方法，该检测方法包括以下内容：在VoteNet网络的基础上，同样是以点云作为输入，在PointNet++骨干网络上产生多层特征金字塔来获得多个点云特征层，这些点云特征层分别配备一个投票模块，获得深度霍夫投票的同时也将其映射到同一个特征空间，然后进行特征融合形成投票簇。通过多层特征的获取以及多层特征信息的合理使用，提高对不同尺寸的物体检测的鲁棒性和准确率。在所搭建的特征金字塔的最下面一层，同时也是点的数量最多的一层进行前背景点分割，根据前背景的得分判定属于该点属于前景点还是背景点，来得到前景点，进一步地提取了这些前景点的特征，来减小杂乱的背景点对检测结果的干扰。
-
Patent Agency Ranking
公开(公告)号：CN113781466B
公开(公告)日：2024-01-19
申请号：CN202111106218.1
申请日：2021-09-22
Applicant: 河北工业大学
IPC: G06T7/00 , G06V10/44 , G06V10/82 , G06V10/764 , G06N3/048 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于多尺度注意力密集网络的太阳能电池板缺陷识别方法，包括：划分太阳能电池板缺陷图像、构建多尺度融合注意力机制的密集网络、训练阶段和测试阶段。本发明在原本的密集网络中加入空间组增强模块、多尺度融合思想以及注意力机制，使得改进后的网络针对太阳能电池板缺陷识别的准确率得到极大提升。采用多尺度融合，将不同层级中的特征聚合到一起提高了网络模型的表达能力，有效地提高了网络模型的识别准确率。在网络中注入注意力机制，使得网络能够专注于要识别的缺陷，抑制背景信息，解决类间相似性过高，难以辨别的问题。采用空间组增强策略，增强不同种类缺陷的特征，解决缺陷种类多。
-
公开(公告)号：CN116433633A
公开(公告)日：2023-07-14
申请号：CN202310411951.7
申请日：2023-04-18
Applicant: 河北工业大学
IPC: G06T7/00 , G06N3/0464 , G06N3/096
Abstract: 本发明为基于知识蒸馏的光伏电池类增量缺陷检测方法，首先建立光伏电池基类别缺陷数据集，构建原缺陷检测模型并对模型进行训练；然后，建立光伏电池新类别缺陷数据集；将训练后的原缺陷检测模型作为教师模型，学生模型与教师模型的架构相同，利用教师模型的参数对学生模型进行初始化；最后，将光伏电池新类别缺陷数据集同时输入到教师模型和初始化后的学生模型中，基于知识蒸馏对学生模型进行增量训练，将训练后的学生模型作为最终的缺陷检测模型，用于光伏电池的缺陷检测；当待检测的缺陷类别增加时，重复建立光伏电池新类别缺陷数据集并对学生模型进行重新训练。当待检测缺陷类别增加时，对学生模型进行增量训练，使模型具备持续学习的能力，在不牺牲模型检测性能的同时降低时间成本。
-
公开(公告)号：CN111553433B
公开(公告)日：2023-04-18
申请号：CN202010364878.9
申请日：2020-04-30
Applicant: 河北工业大学
IPC: G06V10/764 , G06T7/00 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/088 , G01N21/88
Abstract: 本发明公开一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法，该方法基于多尺度卷积特征融合网络模型，该模型引入了跨通道深度卷积，分别在原始图像的三通道上进行卷积，加强了模型的光谱不变性。还引入了具有不同感受野大小的多尺度卷积，加强了模型多尺度特征表达能力。对于每张图片都提取三通道及其标签作为模型输入值进行训练，同时还引入maxout刺激了不同神经元之间的竞争，提高了网络的学习能力，增强模型的非线性拟合能力，大幅提升了网络在多类别锂电池片表面缺陷数据集上的分类精确度及速度。
-
公开(公告)号：CN114897857A
公开(公告)日：2022-08-12
申请号：CN202210569308.2
申请日：2022-05-24
Applicant: 河北工业大学
Abstract: 本发明为基于轻量型神经网络的太阳能电池缺陷检测方法，该方法搭建的表面缺陷检测模型以轻量型注意力YOLOv5网络基础，由输入端、骨干网络、特征增强部分和输出端组成；输入端用于数据增强，骨干网络由Shufflenetv2网络和全局上下文信息模块构成，Shufflenetv2网络首先将特征图进行一次卷积、批归一化、ReLU激活函数、池化操作，然后依次交替进入空间下采样单元和基本单元组成的阶段模块中，重复三次，获得最终的输出特征图；特征增强部分由特征金字塔和路径增强网络组成，采用自下而上和自上而下的路径对信息作进一步的融合增强；输出端用于计算模型的训练损失。该模型的参数量少，降低模型的计算复杂度，能够在移动端部署。
-
公开(公告)号：CN111598877B
公开(公告)日：2022-08-09
申请号：CN202010417852.6
申请日：2020-05-18
Applicant: 河北工业大学
Abstract: 本发明一种基于生成对抗网络的锂电池表面缺陷检测方法，主要用于软包锂离子电池表面图像缺陷检测。该方法根据高精度CMOS工业相机采集到的锂离子表面图像，利用生成对抗网络对其正常表面进行拟合。针对锂离子电池表面多种缺陷的检测，通过将预训练的生成器用于测试图像重构，并利用重构图像与测试图像进行差分操作，得到感兴趣区域；之后通过二值化差分图像，并进行连通域大小筛选，排除误检区域。通过以上所述方法，能够准确判断锂离子电池表面存在的缺陷区域，实现缺陷检测。
-
-
-
-
-
-
-
-
-
Search Results
199
records
(took 0.159 seconds)
