-
公开(公告)号：CN119338912A
公开(公告)日：2025-01-21
申请号：CN202411864989.0
申请日：2024-12-18
Applicant: 无锡学院
Abstract: 本发明提供基于视觉检测的起重机小车定位校验系统及校验方法，涉及起重机小车定位技术领域，该方法通过将深度学习算法应用于图像识别，能够有效提高小车在复杂环境下的定位精度，同时利用激光测距提供实时的距离信息，从而实现更为精准的定位校验。核心步骤包括图像数据的实时采集与去噪处理、深度学习模型的训练以及基于卡尔曼滤波的多传感器数据融合，这些步骤共同构成了一个高效的定位系统。再依据与目标位置的偏差进行速度和角度的修正。本发明不仅减少了在起重机操作中可能出现的安全隐患和经济损失，还提高了小车作业的整体效率。
-
公开(公告)号：CN119314144A
公开(公告)日：2025-01-14
申请号：CN202411359381.2
申请日：2024-09-27
Applicant: 无锡学院
IPC: G06V20/58 , G06V10/25 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0985
Abstract: 本发明公开了一种基于改进RT‑DETR的自动驾驶目标检测方法，涉及目标检测和自动驾驶领域技术领域，获取公开的自动驾驶目标检测数据集SODA10M；构建FSSD‑DETR算法的主干网络，使用FDC模块替换P5层中的BasicBlock优化特征提取过程；在RT‑DETR算法的颈部网络中引入小目标检测层提升对于远处小目标的检测性能；构建FSSD‑DETR算法的颈部网络，使用Zoom_cat模块和ScalSeq模块优化特征融合过程；构建FSSD‑DETR算法的上采样算子，使用DySample上采样算子替换最近邻插值法以提升图像质量；从而在处理小目标、密集车辆和遮挡等复杂交通场景时保持良好的性能。
-
公开(公告)号：CN119313717A
公开(公告)日：2025-01-14
申请号：CN202411858244.3
申请日：2024-12-17
Applicant: 无锡学院
IPC: G06T7/50 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开一种车载摄像头能见度反演方法、装置、介质及电子设备，其中，车载摄像头能见度反演方法，包括：获取车载摄像头拍摄的图像帧数据集，并进行预处理，构建能见度反演数据集；构建能见度反演模型，该能见度反演模型以能见度真值为输出，经训练优化网络权重获得；将车载摄像头实时拍摄的照片，输入到优化后的能见度反演模型，获得当前能见度真值。本发明可以较为准确地估算出相应的能见度，实现高精度的能见度实时反演。
-
公开(公告)号：CN119270441A
公开(公告)日：2025-01-07
申请号：CN202411378710.8
申请日：2024-09-30
Applicant: 无锡学院 , 无锡市德科立光电子技术股份有限公司
Abstract: 本发明公开了一种半导体光放大器和石墨烯的散热阵列微结构及其制备方法，包括从上到下依次设置的半导体光放大器芯片、石墨烯散热基板和热沉，所述半导体光放大器芯片的下表面与石墨烯散热基板的上表面通过第一键合层进行键合，所述石墨烯散热基板的下表面通过第二键合层进行键合。本发明采用二维石墨烯材料，其热导率为2000‑5000 W/m•k，可以大大提高SOA散热能力；同时，对键合面采取了独特的微型阵列结构处理，可至少增大20%左右的接触面积，大大提高了热传递速率；本发明改善了SOA的散热能力，进一步提高了SOA的性能和可靠性，为5G时代的光纤通信发展增加技术保障。
-
公开(公告)号：CN118762339B
公开(公告)日：2025-01-03
申请号：CN202411215008.X
申请日：2024-09-02
Applicant: 无锡学院
IPC: G06V20/54 , G06N3/0464 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: WPIoU损失函数构建方法及YOLOv8检测方法，属于图像信息检测技术领域，解决了现有的YOLOv8n在复杂环境下无法实现对车流图像的精准检测的问题。包括以下步骤：步骤S1，对WIoUv1损失函数做梯度增益的处理后，获取WIoUv3损失函数；步骤S2，PIoU损失函数自定义了自适应的惩罚因子；步骤S3，基于步骤S2所述的惩罚因子对步骤S1所述的WIoUv3损失函数进行改进后，获取WPIoU损失函数；步骤S4，基于PIOUv2损失函数的非单调注意力函数对步骤S3所述的WPIoU损失函数做进一步改进后，获取最终的WPIoU损失函数。
-
Patent Agency Ranking
公开(公告)号：CN119152344A
公开(公告)日：2024-12-17
申请号：CN202411527852.6
申请日：2024-10-30
Applicant: 无锡学院
Abstract: 本发明公开了一种基于改进YOLOv8的异常行为检测方法、设备及存储介质；该方法提出了一种新的FDPN结构，替代原YOLOv8模型的颈部网络架构；FDPN的优势在于特征聚焦模块和特征扩散机制，特征聚焦模块通过并行的深度卷积操作有效捕捉并整合跨尺度特征信息，扩散机制则促进上下文信息在各尺度间流动，使每个特征图都包含详尽的语义信息，从而提升小目标检测精度，并增强网络对遮挡和复杂背景的适应能力。此外，本发明还引入RCSOSA模块和DyHead动态预测头；RCSOSA模块通过RepVGG模块提取和增强多样化特征，并通过多个RCS模块优化特征选择和通道混洗，增强通道间的特征融合；使用DyHead动态预测头能提高对被遮挡人群的识别能力。本发明显著提高了复杂场景下的异常行为检测的鲁棒性和精度。
-
公开(公告)号：CN119152257A
公开(公告)日：2024-12-17
申请号：CN202411180098.3
申请日：2024-08-27
Applicant: 无锡学院
IPC: G06V10/764 , G06V10/72 , G06V10/774 , G06V10/776
Abstract: 本发明公开了一种基于柔性因子的竞争非负表示分类方法及系统，涉及图像模式分类的技术领域。所述方法包括以下步骤：获取用于图像模式分类的测试样本与训练样本集，并对所述训练样本集中的样本进行预处理；基于预处理后的训练样本集，计算测试样本在训练样本集上的表示系数；基于所述表示系数对测试样本进行分类，得到测试样本被识别为最小残差对应的类别。通过本发明所提供的方法与系统，能够同时约束子空间竞争表示项和类别表示向量，增加各类别表示向量的贡献，基于所述表示系数对测试样本进行分类，得到测试样本被识别为最小残差对应的类别，有效完成对各种图像分类任务并提高图像分类的准确率。
-
公开(公告)号：CN119068352A
公开(公告)日：2024-12-03
申请号：CN202411105189.0
申请日：2024-08-12
Applicant: 无锡学院
IPC: G06V20/13 , G06V10/774 , G06V10/75 , G06V10/82
Abstract: 本发明公开了一种基于PAP‑UNet++网络的遥感图像变化检测方法，涉及遥感图像处理技术领域，包括如下步骤：首先对原始数据集进行预处理，将训练集图像统一缩放为512×512大小的图像块作为输入，在编码器阶段利用混合空洞卷积模块实现逐级提取多尺度特征并进行下采样操作，在解码器阶段插入并行空洞金字塔模块以提升模型对全局上下文特征的捕获能力，此外，在同层级的跳跃连接过程中引入CBAM注意力机制从而提高对变化区域的识别与区分能力，最终生成与输入尺寸一致的像素级分类预测结果，通过上述方法能够有效地解决网络对多尺度特征信息利用不足的问题，准确地检测变化细节信息。
-
公开(公告)号：CN118921475A
公开(公告)日：2024-11-08
申请号：CN202411405439.2
申请日：2024-10-10
Applicant: 无锡学院
Abstract: 图像目标检测方法、视频流压缩方法及装置，涉及视频流压缩技术领域，解决了现有技术缺少基于先进的编码技术和人工智能技术优化交通监控视频流的问题。视频流拆分为多个图像；改进的YOLOv8对一个图像的感兴趣区域进行目标检测；一个图像生成最终的二值化掩码图；最终的二值化掩码图将一个具有感兴趣区域的图像提取出感兴趣图像和背景图像；重复上述操作，直至多个图像均提取出感兴趣图像和背景图像后，继续执行操作；多个感兴趣图像组合形成感兴趣视频流，多个背景图像组合形成背景视频流；对于感兴趣视频流和背景视频流分别采用不同的压缩层级合并压缩，合并压缩后的感兴趣视频流和背景视频流得到压缩后的视频流。
-
公开(公告)号：CN118762339A
公开(公告)日：2024-10-11
申请号：CN202411215008.X
申请日：2024-09-02
Applicant: 无锡学院
IPC: G06V20/54 , G06N3/0464 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: WPIoU损失函数构建方法及YOLOv8检测方法，属于图像信息检测技术领域，解决了现有的YOLOv8n在复杂环境下无法实现对车流图像的精准检测的问题。包括以下步骤：步骤S1，对WIoUv1损失函数做梯度增益的处理后，获取WIoUv3损失函数；步骤S2，PIoU损失函数自定义了自适应的惩罚因子；步骤S3，基于步骤S2所述的惩罚因子对步骤S1所述的WIoUv3损失函数进行改进后，获取WPIoU损失函数；步骤S4，基于PIOUv2损失函数的非单调注意力函数对步骤S3所述的WPIoU损失函数做进一步改进后，获取最终的WPIoU损失函数。
-
-
-
-
-
-
-
-
-
Search Results
231
records
(took 0.048 seconds)
