公开(公告)号：CN118097128A

公开(公告)日：2024-05-28

申请号：CN202410006401.1

申请日：2024-01-02

Applicant: 淮阴工学院

Inventor： 秦雨新 ,  邱军林 ,  邵鹤帅 ,  高丽 ,  蒋晓玲 ,  杨健 ,  雷恒聃 ,  李明辉 ,  沈泳杉 ,  侍磊磊 ,  张硕

IPC: G06V10/26 ,  G06V10/44 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/082 ,  G06N3/0895

Abstract: 本发明公开了一种基于改进的U‑Net的半监督肺部图像分割方法，对预先获取的肺部医学图像数据集进行数据预处理；构建改进的U‑Net网络，在特征编码器和特征解码器中引入注意力机制和空洞卷积，在扩大感受野的同时保持分辨率，并增强模型对肺部边界等关键区域的注意力；特征解码器采用ESPCN进行上采样，以减小模型参数；在跳跃连接中插入MFC模块，用于融合高级特征和低级特征，从而提取更丰富准确的特征表示；此外，还对模型进行半监督训练策略，通过融合有标注样本和无标注样本进行训练，充分利用了未标注样本的信息来提高分割性能。本发明本发明对肺部图像分割实现了更准确的分割结果和更高分辨率恢复效果，对医学图像分割具有积极的影响。

公开(公告)号：CN119477792A

公开(公告)日：2025-02-18

申请号：CN202411324455.9

申请日：2024-09-23

Applicant: 淮阴工学院

Inventor： 张硕 ,  邱军林 ,  邱奕瑶 ,  崔静娴 ,  侍磊磊 ,  杨健 ,  雷恒聃 ,  秦雨新 ,  李明辉 ,  龚琦乐 ,  贾恩玲

IPC: G06T7/00 ,  G06V10/30 ,  G06V10/774 ,  G06V10/776 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于改进YOLOv9的工业缺陷小目标检测方法，包括：收集工业缺陷数据集并进行数据增强；构建自定义RepNCSPELAN4_DSConv模块并替换Backbone中的RepNCSPELAN4模块；构建自定义融合特征下采样模块FFDown替换Backbone和Head中的部分AConv模块进行下采样；在Head中添加自定义FEConv特征增强卷积模块，利用小波变换的方法，提高模型对缺陷小目标重要特征的捕捉能力；将构建TinyScaled‑CIoU边界框损失函数替换原边界框损失函数；对改进YOLOv9模型进行训练，得到训练好的目标检测模型。本发明在原有模型的基础上，在保证实时检测速度的同时，提高了对缺陷小目标的检测效果，检测精度在工业油污缺陷数据集和热轧带钢表面缺陷数据集上分别提高了2.9％和1.9％。

公开(公告)号：CN118279272A

公开(公告)日：2024-07-02

申请号：CN202410420082.9

申请日：2024-04-09

Applicant: 淮阴工学院

Inventor： 雷恒聃 ,  邱军林 ,  李明辉 ,  杨健 ,  秦雨新 ,  侍磊磊 ,  张硕 ,  邵鹤帅 ,  高丽 ,  蒋晓玲

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/82 ,  G06V10/77 ,  G06V10/52 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/048

Abstract: 本发明公开了一种基于改进YOLOv8的钢板表面缺陷检测方法，对预先获取的钢板表面缺陷图像数据进行预处理和标注生成钢板表面缺陷图像数据集；在YOLOv8检测层增加一个小目标检测头；将YOLOv8网络中标准卷积替换为SPDConv；在C2f模块中引入iRMB注意力机制并将其所在模块；增加一个上采样层，并用BiFPN结构替换原有的FPN和PAN结构，通过BiFPN网络利用加权特征融合和跨尺度连接得到多级特征网络；将原上采样层替换为DySample上采样算子；将YOLOv8的原损失函数替换为MPDIoU边界损失函数；训练并生成改进的YOLOv8模型，将验证集输入最终模型，输出检测结果。本发明可大大提高检测效率，排除不合格材料，减少因材料质量问题导致的产品废品率和返工率，降低生产成本，确保产品的质量。

公开(公告)号：CN119107824A

公开(公告)日：2024-12-10

申请号：CN202411157772.6

申请日：2024-08-22

Applicant: 淮阴工学院

Inventor： 侍磊磊 ,  邱军林 ,  张硕 ,  杨健 ,  雷恒聃 ,  秦雨新 ,  李明辉

IPC: G08G1/083 ,  G08G1/042 ,  G08G1/04 ,  G06N3/0464 ,  G06N3/082 ,  G06F17/10

Abstract: 本发明公开了一种基于改进Faster‑RCNN的交通信号灯自适应配时方法，对采集到车辆信息进行人工标注以及数据增强；构建基于改进Faster‑RCNN的交通信息检测模型，在第一层卷积层后面添加方向感知模块SEMA，加强对重要特征的学习能力；并采用独特的卷积结构并添加注意力机制SCB；将FPN每层的结果分别传入H‑RPN并通过EIOU‑NMS去除重复边界框；采用改进的感兴趣区域对齐方式refROIAlign提高区域对齐的准确性；采用模型剪枝的方法对Faster‑RCNN模型进行参数压缩；对每个车道设置独自的虚拟线圈，实现对不同车道的车辆进行检测。本发明可以更精确的检测路口内的车辆以及离路口较远的小目标车辆，检测速度快并且更加精确，能够高效的为交通信号灯配时提供实时的交通信息，提高了交叉路口的通行效率。

公开(公告)号：CN118411706A

公开(公告)日：2024-07-30

申请号：CN202410489524.5

申请日：2024-04-23

Applicant: 淮阴工学院

Inventor： 李明辉 ,  邱军林 ,  雷恒聃 ,  杨健 ,  秦雨新 ,  侍磊磊 ,  张硕 ,  邵鹤帅 ,  高丽 ,  蒋晓玲

IPC: G06V20/58 ,  G06V10/82 ,  G06V10/774 ,  G06V10/776 ,  G06V10/72 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于改进卷积神经网络的行车障碍检测方法，采集并保存常见的行车过程中的障碍图像；进行数据处理并制作成数据集；构建基于改进卷积神经网络的行车障碍检测模型，包括主干网络、特征融合模块和检测头；所述主干网络包括编码模、浅层特征信息提取模块、轻量化特征提取模块、下采样模块、迭代模块；所述特征融合模块是将Yolov8的特征融合模块中的c2f模块替换为Rep_block模块；所述检测头为多尺度解耦检测头；引入了MPDIoU损失函数来提高模型的回归和分类精度，并获得更快的收敛速度和更准确的回归结果。本发明能在不降低行车障碍精度的同时，提高检测速度，提高了行车障碍检测的实时性。