-
公开(公告)号：CN118334351A
公开(公告)日：2024-07-12
申请号：CN202410749519.3
申请日：2024-06-12
Applicant: 广东工业大学
IPC: G06V10/26 , G06N3/0464 , G06N3/0985 , G06V10/44 , G06V10/776 , G06V10/80
Abstract: 本发明公开了一种基于深度学习的指针仪表读数识别方法，包括：获取原始指针仪表图像并进行预处理，获得处理后的指针仪表数据集；构建初始指尺提取网络模型，基于处理后的指针仪表数据集对指尺提取网络模型进行训练，获得目标指尺提取网络模型；基于训练后的指尺提取网络模型对待识别指针仪表图像进行识别，获得无背景指针与尺度仪表的图像识别结果。本发明采用深度学习机器视觉技术代替人工阅读，不仅提高了工作场所的安全性，降低了人力资源的耗费，而且通过自动化数据收集过程提高了效率和准确性。
-
公开(公告)号：CN118314442A
公开(公告)日：2024-07-09
申请号：CN202410741672.1
申请日：2024-06-11
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于深度学习的输电杆塔异物隐患识别方法，包括：构建输电杆塔异物原始数据集并进行预处理，获得处理后的输电杆塔异物数据集；构建基于深度学习的输电杆塔异物隐患识别模型，基于处理后的输电杆塔异物数据集对输电杆塔异物隐患识别模型进行训练，获得训练后的输电杆塔异物隐患识别模型；基于训练后的输电杆塔异物隐患识别模型对输电杆塔中的异物进行识别，获得识别结果。本发明有效提升了在复杂环境下的异物检测准确率和系统的计算效率，还增强了模型在处理不规则和多尺度特征时的适应性和鲁棒性，显著提高了输电杆塔异物隐患别模型的实用性和可靠性。
-
公开(公告)号：CN119723333A
公开(公告)日：2025-03-28
申请号：CN202411771670.3
申请日：2024-12-04
Applicant: 广东工业大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开一种高分辨率遥感图像滑坡识别方法和装置、系统、存储介质，包括：步骤S1、获取高分辨率遥感滑坡数据集；步骤S2、根据高分辨率遥感滑坡数据集，构建高分辨率遥感滑坡提取网络HRLE‑Net；步骤S3、划分高分辨率遥感滑坡数据集，得到训练集和测试集；步骤S4、根据训练集训练高分辨率遥感滑坡提取网络HRLE‑Net；步骤S5、将测试集输入到训练好的高分辨率遥感滑坡提取网络HRLE‑Net中，提取滑坡区域。采用本发明的技术方案，实现对滑坡区域的准确识别。
-
Patent Agency Ranking
公开(公告)号：CN118887543A
公开(公告)日：2024-11-01
申请号：CN202410957334.1
申请日：2024-07-17
Applicant: 广东工业大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明公开的属于输电走廊山火识别技术领域，具体为一种基于深度学习的输电走廊山火识别方法，包括具体步骤如下：构建输电走廊山火图像数据集；对输电走廊山火图像数据集中的输电走廊山火图像进行特征增强；构建了一种基于深度学习的输电走廊山火识别模型，将输电走廊山火图像输入模型中，模型自动识别输电走廊图像中的山火；划分输电走廊山火图像数据集，训练并验证输电走廊山火识别模型；应用输电走廊山火识别模型，本发明通过多层次特征图信息提取，使得模型能够更准确地提取山火特征从而有效提升了在复杂的输电走廊环境下的山火识别准确率，并且通过不断的学习和训练，可以进一步提高山火识别的准确性和效率。
-
公开(公告)号：CN118781479A
公开(公告)日：2024-10-15
申请号：CN202410716377.0
申请日：2024-06-04
Applicant: 广东工业大学
IPC: G06V20/10 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于位置注意力和多尺度残差特征的遥感影像建筑物提取方法，涉及建筑物提取技术领域。本发明包括以下步骤：Step1：预处理遥感影像数据集，获取遥感影像数据集，根据得到的遥感影像数据集制作遥感影像样本标签，将RGB遥感影像数据集与对应的遥感影像单通道数字标签分别进行垂直翻转的数据增强操作。本发明通过遥感影像建筑物提取模型FCM‑Net构建的特征解码模块中使用跳跃连接和深度监督设计。跳跃连接将来自不同尺度特征图的高级语义和低级语义相结合，减少编码器和解码器之间的语义差距；深度监督设计为在特征解码模块的第0层的每一个输出块(X0,1、X0,2、X0,3和和X0,4)后添加1×1卷积和FPReLu激活函数，以缓解梯度消失问题，加快收敛速度。
-
公开(公告)号：CN118394661B
公开(公告)日：2024-09-10
申请号：CN202410815533.9
申请日：2024-06-24
Applicant: 广东工业大学
Abstract: 本发明属于代码可读性评价技术领域，并公开了一种代码可读性评价方法、系统、设备及介质，包括：获取待评价代码片段及对应可读性标签；基于所述待评价代码片段及对应可读性标签构建可读性评价数据集；将所述可读性评价数据集输入代码可读性评价模型中进行评价预测，得到可读性评价分数；其中，所述代码可读性评价模型包括依次连接的特征提取模块、基学习器模块和代码特征堆叠模块。本发明所述技术方案能够全面提取特征，提高了代码可读性评价的准确性和稳定性。
-
公开(公告)号：CN118314442B
公开(公告)日：2024-09-20
申请号：CN202410741672.1
申请日：2024-06-11
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于深度学习的输电杆塔异物隐患识别方法，包括：构建输电杆塔异物原始数据集并进行预处理，获得处理后的输电杆塔异物数据集；构建基于深度学习的输电杆塔异物隐患识别模型，基于处理后的输电杆塔异物数据集对输电杆塔异物隐患识别模型进行训练，获得训练后的输电杆塔异物隐患识别模型；基于训练后的输电杆塔异物隐患识别模型对输电杆塔中的异物进行识别，获得识别结果。本发明有效提升了在复杂环境下的异物检测准确率和系统的计算效率，还增强了模型在处理不规则和多尺度特征时的适应性和鲁棒性，显著提高了输电杆塔异物隐患别模型的实用性和可靠性。
-
公开(公告)号：CN118314532A
公开(公告)日：2024-07-09
申请号：CN202410741819.7
申请日：2024-06-11
Applicant: 广东工业大学
IPC: G06V20/52 , G06N3/045 , G06N3/0464 , G06N3/084 , G06V10/40 , G06V10/764 , G06V10/766 , G06V10/82
Abstract: 本发明公开了一种基于深度学习的变电站红外图像老鼠识别方法，属于深度学习技术领域，包括以下步骤：获取变电站内老鼠的红外图像数据集，并进行预处理；基于特征提取模块、空间金字塔池化结构以及多感知目标检测头，构建变电站红外图像老鼠检测算法；基于预处理后的红外图像数据集对所述变电站红外图像老鼠检测算法进行训练；将训练后的变电站红外图像老鼠检测算法部署在变电站的红外摄像头中，对变电站内老鼠进行实时监控和预警。本发明建立了易于训练的变电站红外图像老鼠目标检测网络，具有高准确率和高泛化性的特点，建模完成后可以部署在各个变电站场景中的红外摄像头内，并建立相对应的预警与监控系统，实现对老鼠目标的实时监控。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.029 seconds)
