-
公开(公告)号：CN113610126B
公开(公告)日：2023-12-05
申请号：CN202110838933.8
申请日：2021-07-23
Applicant: 武汉工程大学
IPC: G06F18/2415 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于多目标检测模型无标签的知识蒸馏方法及存储介质，属于计算机视觉目标检测领域，该方法包括以下步骤：S1、获取多类别数据集；S2、利用不同类别的数据集训练出不同的教师网络，将无标签的图片输入至学生网络和多个教师网络，引导学生网络训练；学生网络的类别为多个教师网络类别的组合；S3、设计全局蒸馏损失以及自适应损失，平衡多个不同教师网络和学生网络之间的蒸馏损失，平衡不同教师网络之间的语言特性，优化学生网络训练过程。本发明能够有效提炼出不同教师网络中的多类别信息，进行完整类别的目标检测，并且在单一数据集的制定类别上与教师网络持平甚至超越。
-
公开(公告)号：CN113793299B
公开(公告)日：2023-11-17
申请号：CN202110947750.X
申请日：2021-08-18
Applicant: 武汉工程大学
Abstract: 本发明公开了一种巷道岩爆风险监测方法及监测装置，所述巷道岩爆风险监测方法包括如下步骤：在巷道内分别获取巷道内同一视场内围岩的红外图像和可见光图像，并测量视场内围岩至测量位点之间的间距L；经步骤1拍摄后,再在巷道内旋转角度为α，并测量视场内围岩至测量位点之间的间距L1；计算出配准图像中单个像素点所对应的围岩的测量面积为S0,再根据可见光图像和红外图像拍摄的倾斜角度θ计算出配准图像中单个像素点所对应的围岩的实际面积为S；设定所述巷道围岩温度异常阈值，统计配准图像中每个温度异常区域内的像素点个数N，计算出配准图像内每个温度异常区域的实际面积S2，其中，S2＝N×S,其可精准的识别巷道岩爆风险点及其面积尺寸。
-
公开(公告)号：CN117036985A
公开(公告)日：2023-11-10
申请号：CN202311299444.5
申请日：2023-10-09
Applicant: 武汉工程大学
IPC: G06V20/13 , G06V10/762 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种面向视频卫星图像的小目标检测方法及装置，包括：获取待检测图像，对所述待检测图像进行预处理，得到目标图像；获取预设的标注框，基于K‑means聚类算法，利用所述标注框自适应计算目标图像的锚框；基于YOLOv5模型，构建边缘感知模块；其中边缘感知模块由通道注意力模块和空间注意力模块组成；为所述边缘感知模块构建边角对齐交并比损失函数；对所述锚框进行调整得到目标图像的预测框，基于所述交并比损失函数，通过具有预测框的目标图像对所述边缘感知模块进行训练，得到小目标检测模型；将所述待检测图像输入所述小目标检测模型，得到待检测图像的小目标检测结果。
-
公开(公告)号：CN113657225B
公开(公告)日：2023-09-26
申请号：CN202110898055.9
申请日：2021-08-05
Applicant: 武汉工程大学 , 武汉烽火技术服务有限公司
IPC: G06V10/82 , G06V10/80 , G06V10/52 , G06V10/764 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 本发明提供一种目标检测方法，包括步骤：提取图像特征生成特征图；将特征图上采样，获得放大特征图；将放大特征图连接到类别预测头、宽高预测头和中心点偏移量预测头；在类别预测头中加入类别注意力网络，挖掘类内和类间的相距较远但语义相关的目标之间的有效信息；通过对真实目标框编码产生监督信息监督各预测头的训练；由各预测头输出的结果在待检测图像中框选识别对象并标记分类结果。本发明结合对目标类别作进一步判断的类别注意力和对边框回归的尺度自适应编码，使得网络在能关联类内和类间的特征，挖掘类内和类间的相距较远但语义相关的目标之间的有效信息的同时，还能根据检测目标的尺度变换进行更精准的框选，提升检测的准度和框选精度。
-
公开(公告)号：CN111488520B
公开(公告)日：2023-09-26
申请号：CN202010198233.2
申请日：2020-03-19
Applicant: 武汉工程大学
IPC: G06F16/9535 , G06F16/906 , G06Q50/02
Abstract: 本发明提供一种农作物种植种类推荐信息处理装置、方法及存储介质，装置包括：土壤原始数据采集模块、合成处理模块、土壤合成数据集计算模块、目标参数计算模块和推荐信息获得模块，土壤原始数据采集模块用于从待测土壤中采集多个土壤原始数据，根据多个土壤原始数据得到土壤原始数据集；合成处理模块用于将土壤原始数据集进行合成处理，得到土壤合成数据集；土壤合成数据集计算模块用于对土壤合成数据集进行计算，得到目标参数，目标参数用于计算目标平面Z；目标参数计算模块用于对目标参数进行计算，得到目标平面Z。本发明解决了土壤数据不平衡问题、小样本多分类问题，减少种植决策者的主观意向和其他客观因素影响。
-
Patent Agency Ranking
公开(公告)号：CN112611376B
公开(公告)日：2023-08-01
申请号：CN202011373126.5
申请日：2020-11-30
Applicant: 武汉工程大学
Abstract: 本发明公开了一种RGI‑Lidar/SINS紧耦合AUV水下导航定位方法与系统，包括：通过捷联解算得到相应时刻包含AUV位置信息、姿态信息的导航信息；获取水下远距离、高清晰度的选通图像；对IMU输出信息进行预积分，获取AUV在不同时刻的IMU位姿约束；对当前帧的选通图像进行特征提取，并将上一帧选通图像作为参考帧与之进行特征匹配，获取视觉里程计约束；对当前帧选通图像进行回环检测，若检测到符合条件的回环帧图像，则将当前帧选通图像与相应回环帧图像进行特征匹配，获取回环检测约束；将上述三种约束作为约束关系加入到位姿图中进行联合优化，获取并输出优化后的AUV位姿；优化后的AUV位姿可作为惯性数据输入。本发明能满足广泛、长时间、远距离的水下导航定位的需求。
-
公开(公告)号：CN111531580B
公开(公告)日：2023-02-07
申请号：CN202010342977.7
申请日：2020-04-27
Applicant: 武汉工程大学
Abstract: 本发明提供一种基于视觉的多工业机器人故障检测方法及系统，其中，一种基于视觉的多工业机器人故障检测方法，包括以下步骤，S1：采集多工业机器人标准作业视频，建立多个单工业机器人标准作业模式视频帧序列A13，执行S2；S2：实时采集多工业机器人作业视频，建立多个单工业机器人实时作业视频帧序列A22，执行S3；S3：将单工业机器人实时动作图像与对应的单工业机器人标准作业模式视频帧序列A13中的图像进行匹配，采用两阶段法检测单工业机器人是否动作异常，若是，执行S4，若否，执行S2；S4：控制该工业机器人急停。本发明具有采用非接触式的方式发现工业机器人本体突发故障，避免在人机协作时发生机器人伤人的安全事故、检测过程简单准确的优点。
-
公开(公告)号：CN115330997A
公开(公告)日：2022-11-11
申请号：CN202210742355.2
申请日：2022-06-27
Applicant: 武汉工程大学 , 武汉引行科技有限公司
IPC: G06V10/25 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于YOLOv4神经网络的控制箱装配缺陷检测方法、装置及存储介质，包括如下步骤：构建多个类别零部件的样本训练集和样本测试集，基于YOLOv4神经网络构建初始卷积神经网络检测模型，并通过样本训练集进行训练，通过样本测试集测试卷积神经网络检测模型；对正确装配控制箱内多个类别零部件进行图像拍摄，并从零部件图像得到标准参数；对待检测控制箱内多个类别零部件进行图像拍摄，得到待检测零部件图像；将待检测零部件图像输入最终的卷积神经网络检测模型，输出待检测零部件图像的检测参数，通过标准参数校验检测参数，得到待检测控制箱是否存在装配缺陷的检测结果。本发明能够在复杂环境下快速、高效地完成控制箱装配缺陷检测任务。
-
公开(公告)号：CN115239643A
公开(公告)日：2022-10-25
申请号：CN202210781655.1
申请日：2022-07-04
Applicant: 武汉工程大学 , 武汉引行科技有限公司
Abstract: 本发明提供一种基于G‑YOLO神经网络的工业零件检测方法、装置及存储介质，通过拍摄设备对工业零件进行拍摄，并制作工业零件初始数据集，构建样本训练集和样本测试集，基于G‑YOLO神经网络构建初始G‑YOLO工业零件检测模型，并通过预处理后的样本训练集和样本测试集分别对初始G‑YOLO工业零件检测模型进行模型训练和性能测试，得到G‑YOLO工业零件检测模型，G‑YOLO工业零件检测模型泛化能力强，可以满足多种工业零件的检测，解决了现有方法对于工业零件在复杂环境下检测速度慢的问题，极大提高检测速度，满足工业环境下的零件实时检测需求。
-
公开(公告)号：CN114863937A
公开(公告)日：2022-08-05
申请号：CN202210536031.3
申请日：2022-05-17
Applicant: 武汉工程大学
Abstract: 本发明提供了基于深度迁移学习与XGBoost的混合鸟鸣识别方法，通过计算log‑Mel频谱图的一阶差分系数和二阶差分系数，反映鸟鸣信号的变化过程，在保留物种有效信息的同时减少环境噪声等无关因素的影响，提升了识别鸟类物种的准确率；减少了环境背景噪声等无关因素的影响，有效识别了自然场景下的多种鸟类物种。本发明采用深度迁移学习微调VGG16模型构建特征提取器，提升了少样本训练数据下深度卷积神经网络的泛化能力，减少了参数训练，提升了运行效率。本发明将鸟鸣信号更准确的映射为鸟类物种，对自然环境中多种鸟类鸣声均具有良好的识别性能。
-
-
-
-
-
-
-
-
-
Search Results
189
records
(took 0.029 seconds)
