-
公开(公告)号：CN119580177A
公开(公告)日：2025-03-07
申请号：CN202411383325.2
申请日：2024-09-30
Applicant: 南通大学
Abstract: 本发明提供了一种基于改进的YOLOv8的安全帽规范佩戴检测方法，属于计算机视觉目标检测技术领域。解决了现有检测算法无法判断安全帽是否规范佩戴的技术问题。其技术方案为：包括以下步骤：S1、样本数据采集；S2、采用可变性卷积Deformable ConvolutionV2替换传统卷积；S3、基于MPCA的DCNV2改进；S4、改进的多尺度特征融合模块；S5、利用安全帽规范佩戴数据集对改进的YOLOv8网络模型进行训练，得到训练后的模型。本发明的有益效果为：本发明方法不仅帮助管理人员对作业现场的安全帽佩戴情况进行有效监管，还为基于深度学习的目标检测技术在安全帽检测领域提供了新的思路和范例。
-
公开(公告)号：CN118781396A
公开(公告)日：2024-10-15
申请号：CN202410775192.7
申请日：2024-06-17
Applicant: 南通大学
IPC: G06V10/764 , G06V10/80 , G06V10/42 , G06V10/44 , G06V10/774 , G06N3/0464 , G06N3/09 , G06N3/0895 , G06N3/098 , G06N3/084
Abstract: 本发明公开了一种基于局部和全局特征多阶段融合的小样本图像分类方法，首先构建局部和全局特征网络，利用深度互学习在训练阶段对它们进行融合，然后使用局部和全局特征网络对支持样本集和查询集中的图像提取特征并进行串行融合，最后利用支持样本特征训练逻辑回归分类器完成对查询样本的分类决策。本发明采用相互学习的并行融合方法，最小化二者输出概率分布之间的Kullback‑Leibler散度值。而在小样本图像分类测试阶段采用拼接的串行融合方法，将样本映射到高维特征空间，增加分类任务的线性可分性，从而提高小样本图像分类性能。
-
公开(公告)号：CN116385353A
公开(公告)日：2023-07-04
申请号：CN202310105941.0
申请日：2023-02-10
Applicant: 南通大学
IPC: G06T7/00 , G06T7/73 , G06N3/08 , G06N3/0464
Abstract: 本发明提供了一种摄像头模组异常检测方法，属于人工智能技术领域。解决了模组异常样本不足、深度学习模型检测精度低、速度慢的问题。其技术方案为：包括以下步骤：S1、采用模板匹配方法定位图片中的模组及其相关组件的位置；S2、基于图像处理完成模组中螺丝、标签、布线、划痕脏污异常情况的检测；S3、基于特征配准网络框架完成模组中的划痕和镜头脏污检测；S4、通过QT Creator开发异常检测程序，用于模组异常情况的自动检测。本发明的有益效果为：本发明结合图像处理方法和神经网络框架，实现摄像头模组的多种异常情况的检测，通过构建孪生神经网络框架，插入空间变换网络实现特征配准，可以精准检测出模组上的划痕。
-
公开(公告)号：CN118351481A
公开(公告)日：2024-07-16
申请号：CN202410427913.5
申请日：2024-04-10
Applicant: 南通大学
IPC: G06V20/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/80 , G06N3/0495 , G06N3/082 , G06N3/045
Abstract: 本发明提供了一种复杂背景下的反光背心检测方法，属于计算机视觉目标检测技术领域。解决了目前建筑工地目标密集、背景错综复杂的情况下检测精度低的技术问题。其技术方案为：包括以下步骤：S1、样本数据采集；S2、引入MSDA注意力模块；S3、替换检测头为DC‑Dyhead；S4、模型剪枝获得轻量化模型；S5、将待检测图像和视频输入训练好的模型中进行推理预测，得到工人是否规范穿着反光背心的结果。本发明的有益效果为：本发明对模型进行压缩，提高检测精度和推理速度，更好的保障了建筑工地工人的安全，减少事故发生。
-
公开(公告)号：CN118334630A
公开(公告)日：2024-07-12
申请号：CN202410365820.4
申请日：2024-03-28
Applicant: 南通大学
Abstract: 本发明提供了一种低光环境下的疲劳驾驶检测方法，属于计算机视觉技术领域。解决了在低光环境下对疲劳驾驶检测性能低的技术问题。其技术方案为：包括以下步骤：S1：先获得数据集，DARK FACE数据集、WFLW数据集；S2：构建低光增强网络Illumination Adaptive Transformer；S3：对YOLOv8目标检测网络进行改进；S4：对PFLD网络进行改进，构建人脸关键点检测模型；S5：建立疲劳判断指标；S6：通过疲劳判断指标对驾驶员的疲劳状态判断。本发明的有益效果为：提高模型在低光下的检测能力，减少在夜晚对疲劳驾驶检测的漏检和误检，使模型更具有鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN116385353B
公开(公告)日：2024-01-30
申请号：CN202310105941.0
申请日：2023-02-10
Applicant: 南通大学
IPC: G06T7/00 , G06T7/73 , G06N3/08 , G06N3/0464
Abstract: 本发明提供了一种摄像头模组异常检测方法，属于人工智能技术领域。解决了模组异常样本不足、深度学习模型检测精度低、速度慢的问题。其技术方案为：包括以下步骤：S1、采用模板匹配方法定位图片中的模组及其相关组件的位置；S2、基于图像处理完成模组中螺丝、标签、布线、划痕脏污异常情况的检测；S3、基于特征配准网络框架完成模组中的划痕和镜头脏污检测；S4、通过QT Creator开发异常检测程序，用于模组异常情况的自动检测。本发明的有益效果为：本发明结合图像处理方法和神经网络框架，实现摄像头模组的多种异常情况的检测，通过构建孪生神经网络框架，插入空间变换网络实现特征配准，可以精准检测出模组上的划痕。(56)对比文件原振方.基于机器视觉FPC缺陷检测系统的研究与应用《.中国优秀硕士学位论文全文数据库》.2016,1-64.梁雄.基于机器视觉的摄像头模组缺陷检测系统研究《.中国优秀硕士学位论文全文数据库》.2015,第三、四章.Chaoqin Huang et al..Registrationbased Few-Shot Anomaly Detection《.arXiv》.2022,第2-9页.
-
公开(公告)号：CN119904845A
公开(公告)日：2025-04-29
申请号：CN202411806509.5
申请日：2024-12-10
Applicant: 南通大学
IPC: G06V20/59 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/22 , G06V10/776
Abstract: 本发明提供了一种轻量级的驾驶员分心行为检测方法，属于计算机视觉技术领域。解决了分心驾驶检测算法模型结构复杂，参数量大，以及模型轻量化与检测精度之间的不平衡技术问题。其技术方案为：包括以下步骤：S1：采集分心驾驶行为数据图片，构建分心驾驶行为数据集；S2：以YOLOv8n模型为基础构建轻量级的分心驾驶检测网络ASU‑YOLO；S3：使用制作的分心驾驶行为数据集对构建的ASU‑YOLO网络模型进行训练，得到轻量级的分心驾驶检测模型；S4：通过训练好的模型对分心驾驶行为进行检测。本发明的有益效果为：本发明在减少算法的参数量与计算量的同时提高模型的检测精度，实现模型的轻量化，满足实时检测的需求。
-
公开(公告)号：CN115880676B
公开(公告)日：2024-04-09
申请号：CN202211649911.8
申请日：2022-12-21
Applicant: 南通大学
Abstract: 本发明提供了一种基于深度学习的自助售货机商品识别方法，属于目标识别技术领域。解决了现有的自助售货机结构复杂、故障率高、商品种类受限制和成本高的问题。其技术方案为：包括以下步骤：S1、采集真实场景下物品数据形成商品检测数据集，并对训练集图片中的商品进行标注；S2、基于yolov5和BFCNN搭建网络框架；S3、根据搭建好的yolov5和BFCNN网络框架分别训练商品数据集；S4、使用训练好的网络验证识别商品，得到识别结果。本发明的有益效果为：本发明减小了自助售货机的占地面积以及成本，消除了售货机的商品种类限制，提高了检测速率和精度。
-
公开(公告)号：CN117423062A
公开(公告)日：2024-01-19
申请号：CN202311509438.8
申请日：2023-11-13
Applicant: 南通大学
IPC: G06V20/52 , G06V20/40 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V40/10
Abstract: 本发明提供了一种基于改进的YOLOv5的建筑工地安全帽检测方法，属于计算机视觉目标检测技术领域。解决了目前检测精度低、小目标误检漏检、遮挡目标检测难度较大的技术问题。其技术方案为：包括以下步骤：S1、样本数据采集；S2、在Neck网络中使用AFPN结构代替FPN结构；S3、采用Slide Loss替换BCE‑loss；S4、边界框回归损失函数替换；S5、得到工人是否佩戴安全帽的结果。本发明的有益效果为：通过改进YOLOv5网络结构，分配更多的注意力给难样本，提取更多目标的特征信息，优化回归损失函数来提升检测精度和速度，减少建筑工地危险事故的发生。
-
公开(公告)号：CN116485749A
公开(公告)日：2023-07-25
申请号：CN202310440421.5
申请日：2023-04-23
Applicant: 南通大学
IPC: G06T7/00 , G06T7/13 , G06V10/764 , G06V10/774 , G06T7/62 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及摄像头检测技术领域，尤其涉及一种基于自编码器的镜头模组中脏污识别方法。解决了在采集镜片图像时，需要人工干预，不适用于产线自动化生产的问题。其技术方案为：包括以下步骤：S1：收集若干张干净镜片的样本图片；S2：构建自编码神经网络，神经网络结构由编码器和解码器组成；S3：对输入图像进行预处理，截取图中的镜片区域；S4：自编码网络训练；S5：镜片脏污分类器训练。本发明的有益效果为：本发明能够自动识别成品模组中的镜片是否存在脏污，无需人工干预。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.022 seconds)
