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：CN117789270A

公开(公告)日：2024-03-29

申请号：CN202311672421.4

申请日：2023-12-05

Applicant: 三峡大学

Inventor： 王华峥 ,  王华铭 ,  汤永恒 ,  江越 ,  安林涛

IPC: G06V40/16 ,  G06V40/12 ,  G06V40/40 ,  G06V10/25 ,  G06V10/82

Abstract: 一种改进ShufflenetV2网络的指纹活性检测方法，它包括以下步骤：步骤1：获取指纹图像数据集并将其划分为训练集和测试集，做相应的图像预处理；步骤2：搭建EMK模块，BIM‑1模块，BIM‑2模块；步骤3：基于步骤2的BIM模块，搭建网络中First‑level层、Second‑level层、Third‑level层。卷积运算搭建Conv1，Conv5层，基于池化运算搭建最大重叠池化层，搭建全连接层。步骤4：按照顺序组合Conv1层、最大重叠池化层、First‑level层、Second‑level层、Third‑level层、Conv5层、EMK模块、全连接层，得到改进后的shuffleNetV2网络；步骤5：将步骤1中处理好的指纹图像送入搭建好的网络架构中，检测其指纹活性；步骤6：输出指纹图像识别结果。本发明的指纹活性检测模型，与现有深度学习网络相比，得到了最佳的实验结果，说明本发明的模型具有更优异的性能。

公开(公告)号：CN119884639A

公开(公告)日：2025-04-25

申请号：CN202411831144.1

申请日：2024-12-12

Applicant: 三峡大学

Inventor： 吴自宁 ,  汤永恒 ,  张晶 ,  孙水发

IPC: G06F18/20 ,  G06F18/214 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/045 ,  G06Q50/06

Abstract: 本申请提供一种输电线路隐患检测方法，包括以下步骤：S1、构建输电线路隐患目标检测数据集；S2、构建输电线路隐患检测网络模型；S3、训练基于输电线路隐患检测网络模型；S4、对待检测输电线路隐患目标进行检测，将含有输电线路隐患目标的图片输入训练好的输电线路隐患检测网络模型，输出图片中输电线路隐患目标所在位置的检测结果。该方法能够通过深度学习技术，实现对输电线路中潜在隐患的高精度、快速检测。

公开(公告)号：CN118262387A

公开(公告)日：2024-06-28

申请号：CN202410219254.6

申请日：2024-02-27

Applicant: 三峡大学

Inventor： 孙水发 ,  王华峥 ,  饶哲 ,  汤永恒 ,  王逸飞

IPC: G06V40/12 ,  G06V40/40 ,  G06V10/25 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于分组特征分析的指纹活性检测方法，涉及生物特征识别的技术领域。本发明包括：获取指纹数据集，并进行图像预处理；搭建GAFA‑Net(Group feature analysis fusion Network，分组特征分析融合网络)检测模型；将数据集划分训练集，采用训练集训练模型并保存；将待检测图片进行图像预处理后，输入最优模型，最优模型对图片进行判别分类。本发明用于区分伪造指纹和真实的指纹，以EfficientNetV2‑S模型为基础，对该网络进行了整体的缩放，并在此基础上加入了分组特征分析模块。首先对图像进行提取；将提取出的区域送入所提出的网络中训练；根据训练结果获取最终的识别结果，大大提升了指纹活性识别的识别分类精度。

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。

公开(公告)号：CN117541541A

公开(公告)日：2024-02-09

申请号：CN202311442319.5

申请日：2023-11-01

Applicant: 三峡大学

Inventor： 汤永恒 ,  吴自宁 ,  孙水发 ,  张晶

IPC: G06T7/00 ,  G06V10/80 ,  G06V10/766 ,  G06V20/13 ,  G06V10/82 ,  G06V10/764

Abstract: 本申请提供一种基于跨级特征融合的多尺度船舶旋转检测方法，S1、构建用于遥感图像中船舶检测的HRSC2016数据集；S2、构建跨级特征融合网络模型；S3、训练跨级特征融合网络；S4、对待检测目标进行检测；其中，跨级特征融合网络模型包括依次连接的骨干特征提取模块、特征融合模块、注意力机制模块以及识别和定位模块。该发明提供的方法解决了现有目标检测方法在完成船舶目标检测任务时存在的精度低、实时性差等问题。

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：CN119027330A

公开(公告)日：2024-11-26

申请号：CN202410991708.1

申请日：2024-07-23

Applicant: 三峡大学

Inventor： 崔文超 ,  李小龙 ,  汤永恒 ,  吴义熔

IPC: G06T5/60 ,  G06T5/70 ,  G06N7/01 ,  G06N5/04 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0985

Abstract: 本发明公开了一种基于成像模型引导的深度变分超声图像散斑消减方法，包括：（1）利用超声图像成像的物理模型及相关参量的统计先验分布，构建超声图像散斑消减的完全贝叶斯模型；（2）基于变分推断原理，利用两个深度卷积网络分别参数化噪声方差和无噪图像的变分后验分布，且两个深度网络通过创建的证据下界ELBO损失和图像物理重建损失来联合训练优化，预训练的网络能同时估计噪声方差和推断散斑消减图像。本发明方法作为一种深度变分框架，既具有模型驱动方法的物理可解释性，又具有数据驱动方法的通用性和灵活性，且能获得优秀的超声散斑消减性能。

公开(公告)号：CN118506409A

公开(公告)日：2024-08-16

申请号：CN202410121230.7

申请日：2024-01-29

Applicant: 三峡大学

Inventor： 王华峥 ,  王华铭 ,  汤永恒 ,  王帅 ,  薛凡超 ,  王亿楠

IPC: G06V40/12 ,  G06V10/82 ,  G06N3/0464 ,  G06V10/774 ,  G06V10/25

Abstract: 一种改进FasterNet网络的指纹活性检测方法，它包括以下步骤：步骤1：获取指纹图像数据集并将其划分为训练集和测试集；步骤2：对训练集和测试集做预处理，包括ROI提取，裁剪，翻转，归一化；步骤3：搭建GMF模块，搭建basic block模块；步骤4：基于步骤3的GMF模块以及basic block模块，搭建改进的FasterNet网络架构，包括Embeding层，Stage1层，第一Merging层，Stage2层，第二Merging层，Stage3层，第三Merging层，Stage4层，最大平均池化层，卷积层，全连接层；步骤5：将步骤2中处理好的指纹图像送入搭建好的网络架构中，进行特征提取并分类指纹图像；步骤6：输出指纹图像识别结果。本发明的目的是为了解决现有指纹活性检测技术中存在的识别正确率低，人工图像预处理效率低，网络参数量过大而导致的冗余化的技术问题，而提供的一种改进FasterNet网络的指纹活性检测方法。