公开(公告)号：CN119625056A

公开(公告)日：2025-03-14

申请号：CN202411584621.9

申请日：2024-11-07

Applicant: 三峡大学

Inventor： 汤永恒 ,  吴自宁 ,  张晶 ,  杨丽清 ,  孙水发

IPC: G06T7/73 ,  G06T7/00 ,  G06N3/082 ,  G06N3/0464 ,  G06N3/045

Abstract: 本申请提供一种绝缘子检测方法，包括以下步骤：S1、构建多姿态绝缘子串目标检测数据集；S2、构建绝缘子检测网络模型；S3、选定合适的位置进行网络剪枝，使得绝缘子检测网络模型轻量化；S4、训练绝缘子检测网络模型；S5、对待检测绝缘子串目标进行检测，将含有绝缘子串目标的图片输入训练好的绝缘子检测网络模型，输出图片中绝缘子串目标所在的每个外接矩形框位置的检测结果，通过以上步骤解决了现有目标检测方法在完成绝缘子目标检测任务时存在的多姿态的绝缘子串目标不能精确识别、复杂环境下的绝缘子目标识别效果差和大长宽比的绝缘子串识别准确率低等问题。

公开(公告)号：CN118247249A

公开(公告)日：2024-06-25

申请号：CN202410379392.0

申请日：2024-03-29

Applicant: 三峡大学

Inventor： 杨丽清 ,  吴自宁 ,  吴江锋 ,  汤永恒 ,  张晶 ,  胡晓雯 ,  李雪涛

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/25 ,  G06V10/26 ,  G06V10/42 ,  G06V10/44 ,  G06V10/764 ,  G06N3/045 ,  G06N3/0464

Abstract: 本申请提供一种融合空洞空间卷积和注意力机制的龋齿检测方法，包括：S1、构建龋齿检测的数据集；S2、构建CAASN‑dcDet龋齿检测网络模型；S3、训练CAAS N‑dcDet网络；S4、对待检测目标进行检测。本发明所述的CAASN‑dcDet网络模型由Backbone Network、Neck Network和Head Network三个主要模块化网络构成。其中，骨干特征提取网络采用的是cs3darknet_m网络，提取出丰富有效的龋齿图像特征。在Neck Network首部引入Coordinate Attention注意力机制，使网络模型更加关注于小面积龋齿特征信息，同时在较小计算开销的前提下更加精准的定位龋齿。在Neck Network中部加入ASPP_Nonlocal module模块，使网络拥丰富的全局信息，提高整体网络对大面积龋齿的识别与分割准确率。CAASN‑dcDet网络模型将识别与分割融合为一个整体，可以同时有效的实现龋齿的识别与分割功能。

公开(公告)号：CN119888385A

公开(公告)日：2025-04-25

申请号：CN202411882395.2

申请日：2024-12-19

Applicant: 三峡大学

Inventor： 汤永恒 ,  吴自宁 ,  孙水发 ,  杨丽清 ,  张晶

IPC: G06V10/766 ,  G06V10/80 ,  G06V10/25 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0464

Abstract: 本申请提供一种基于跨层特征聚合的电力线实例检测方法，包括以下步骤：S1、构建多形态电力线检测数据集；S2、基于跨层特征聚合网络构建电力线实例检测网络模型；S3、训练电力线实例检测网络模型；S4、对待检测多形态电力线目标进行检测。本申请中的方法检测精度高、效果良好，可以有效检测多形态电力线目标等问题。