公开(公告)号：CN112926685A

公开(公告)日：2021-06-08

申请号：CN202110337542.8

申请日：2021-03-30

Applicant: 济南大学

Inventor： 李忠涛 ,  姜琳琳 ,  赵帅 ,  赵富 ,  袁朕鑫 ,  肖鑫 ,  程衍泽 ,  张玉璘 ,  赵秀阳 ,  孔祥玉 ,  郭庆北

IPC: G06K9/62 ,  G06N3/08 ,  G06T3/40

Abstract: 本申请公开了一种工业中钢材氧化带目标检测方法、系统及设备，采集不同光照强度下不同钢材类型的氧化带样本图像，进行图像预处理以获得初始氧化带样本数据集；按预设比例划分为训练集、验证集、测试集；基于原始YOLOv4‑tiny算法改进其网络结构，得到钢材氧化带目标检测算法；利用训练集对优化后的网络训练，选取mAP最优的权重文件；将训练完成的网络集成在检测系统中，检测钢材氧化带图像得到氧化带的位置信息。优化后的网络减少了计算参数，提高了网络提取有效特征的能力，能够减少检测中的误判和漏检。压缩后的模型能够部署在小型嵌入式设备端实现在线检测，提高检测方法对复杂工业环境的鲁棒性，为工业智能制造提供了技术保障。

公开(公告)号：CN113128465A

公开(公告)日：2021-07-16

申请号：CN202110508078.4

申请日：2021-05-11

Applicant: 济南大学

Inventor： 李忠涛 ,  袁朕鑫 ,  赵帅 ,  赵富 ,  孙豪坤 ,  菅国栋 ,  李帅 ,  姜琳琳 ,  肖鑫 ,  程衍泽 ,  张玉璘 ,  赵秀阳 ,  孔祥玉 ,  郭庆北 ,  王凯

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种针对工业场景基于改进YOLOv4的小目标检测方法，包括以下步骤：通过工业摄像头采集现场数据集；对采集数据集进行标注，划分训练集和测试集；通过K‑Means++聚类算法，对数据集中真实目标框计算出针对本数据集的不同大小的先验框大小；对YOLOv4模型中网络进行修改，得到YOLOv4‑head2网络模型；将训练集输入YOLOv4‑head2模型训练，并使用验证集不断优化模型效果；在YOLOv4的特征融合层，添加与低特征层的特征融合，得到YOLOv4‑head2‑L网络结构；将评价较高的模型经过转换，采用TensorRT技术进行前向推理以达到提高检测速度和部署小型边缘计算设备目标。本发明具备保留与真实目标尺度接近的检测尺度，充分利用模型的网络结构，充分计算，增加低层和高层的跨层连接，更加轻量和简洁高效的优点。

公开(公告)号：CN113409276A

公开(公告)日：2021-09-17

申请号：CN202110689843.7

申请日：2021-06-22

Applicant: 济南大学

Inventor： 李忠涛 ,  袁朕鑫 ,  赵帅 ,  赵富 ,  肖鑫

IPC: G06T7/00 ,  G06T7/30 ,  G06K9/38 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提出了基于互信息配准消除冗余背景的模型加速方法，在采集设备固定的基础上，生产环境光线多样性下，采集工业场景下目标检测任务的数据集；选取批量数据集，在现场确定摄像头位置后，选取一张图像为参照，其中，以下均称为参照图，将数据集中样本与参照图进行互信息图像配准；互信息图像配准时，将参照图和某个样本图转换为灰度图像，构建两个灰度图像的二维向量；参照图和样本图为刚性配准，使用直方图估计法计算两个灰度图像二维向量的联合概率密度，以确定并跳过冗余背景进行推理计算。本发明提高卷积神经网络的计算效率，满足工业生产线目标检测的实时性。

公开(公告)号：CN114359742B

公开(公告)日：2022-09-16

申请号：CN202210274690.4

申请日：2022-03-21

Applicant: 济南大学

Inventor： 李忠涛 ,  袁朕鑫 ,  赵帅 ,  赵富 ,  马涛 ,  严冬 ,  姜琳琳 ,  肖鑫 ,  刘圣勇 ,  程文轩

IPC: G06V20/10 ,  G06V10/40 ,  G06V10/75 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种优化小目标检测的加权损失函数计算方法，涉及图像识别目标检测领域。本发明在基于深度学习目标检测模型的基础上，针对小目标检测精度低的挑战，结合目标检测模型的输出预测框和真实框的匹配，对目标检测模型的预测框损失计算函数采用加权惩罚，提高目标检测模型对小目标的学习能力，提高目标检测的精度。相比增加模型参数和增强特征融合等方法，本发明在不提升模型参数量和不影响模型推理速度的条件下，提高图像识别中目标检测的精度，具备高效性。

公开(公告)号：CN114359742A

公开(公告)日：2022-04-15

申请号：CN202210274690.4

申请日：2022-03-21

Applicant: 济南大学

Inventor： 李忠涛 ,  袁朕鑫 ,  赵帅 ,  赵富 ,  马涛 ,  严冬 ,  姜琳琳 ,  肖鑫 ,  刘圣勇 ,  程文轩

IPC: G06V20/10 ,  G06V10/40 ,  G06V10/75 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种优化小目标检测的加权损失函数计算方法，涉及图像识别目标检测领域。本发明在基于深度学习目标检测模型的基础上，针对小目标检测精度低的挑战，结合目标检测模型的输出预测框和真实框的匹配，对目标检测模型的预测框损失计算函数采用加权惩罚，提高目标检测模型对小目标的学习能力，提高目标检测的精度。相比增加模型参数和增强特征融合等方法，本发明在不提升模型参数量和不影响模型推理速度的条件下，提高图像识别中目标检测的精度，具备高效性。