公开(公告)号：CN118982843A

公开(公告)日：2024-11-19

申请号：CN202411062312.5

申请日：2024-08-05

Applicant: 华南农业大学

Inventor： 王国华 ,  王勋 ,  陈斯洁 ,  郑永森 ,  邓丽诗 ,  吴贤栋

IPC: G06V40/10 ,  G06V10/26 ,  G06T5/50 ,  G06V10/764 ,  G06V10/774 ,  G06T5/77 ,  G06T3/4007 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开一种基于深度学习的轻量型恶劣环境下行人检测方法，该方法包括以下步骤：(1)采集复杂道路场景下的多模态数据进行预处理和标注；(2)通过DIVFusion对采集的多模态数据进行融合以得到融合数据；(3)对融合数据进行曝光校正与降噪；(4)改进YOLO‑MS检测网络；(5)利用训练出的改进YOLO‑MS检测模型完成行人检测；该方法采用可见光与红外融合的技术，设计了语义分割模块、降噪模块和轻量型的检测模块，对于恶劣环境下的行人检测有较大的提升，尤其是对于黑暗环境和如雨、雪、雾等复杂环境下的行人检测。

公开(公告)号：CN117253154A

公开(公告)日：2023-12-19

申请号：CN202311434817.5

申请日：2023-11-01

Applicant: 华南农业大学

Inventor： 王国华 ,  王勋 ,  汪天沛 ,  黄茂霖 ,  刘璟明 ,  宋雨倩 ,  林鉴澄

IPC: G06V20/10 ,  G06V10/20 ,  G06V10/44 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开一种基于深度学习的集装箱弱小序列号目标检测识别方法，该方法对数据集通过PPOCRLabel完成半自动标注和LabelImage进行手动标注并进行Mosaic‑6数据增强获得丰富的训练样本；加入替代YOLOv5s中CSP模块的Swin‑Transformer编码器改进特征提取，引入深度可分离卷积层，提取更为充分的全局上下文特征；改进YOLOv5s中颈部网络模块的特征融合网络，并将颈部网络的Upsample层改为CARAFE，提升对微小尺度特征映射的融合能力；增加微小尺度检测头Transformer Prediction Head，引入BiFormer注意力机制层，针对性增强细粒度的细节；将损失函数CIOU LOSS换为EIOU LOSS，稳定模型的权重集。该方法增强了对于自然场景下的矩形文本框弱小目标检测识别能力，对于集装箱弱小序列号目标检测识别任务有更强的鲁棒性、准确率和效率。

公开(公告)号：CN119919771A

公开(公告)日：2025-05-02

申请号：CN202510001111.2

申请日：2025-01-02

Applicant: 华南农业大学

Inventor： 王国华 ,  陈铠浩 ,  张凯杰 ,  王勋 ,  蔡圳武 ,  卓建鹏 ,  郑伟锋 ,  张育诚 ,  郑永森 ,  杨瑩

IPC: G06V10/82 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/045 ,  G06V10/80 ,  G06V20/70

Abstract: 本发明公开了一种基于热红外识别的路面开放场景目标检测方法，该方法通过采集热红外行车记录仪前向视角场景的图像样本，通过半自动标注工具和RectLabel标注工具完成图像的标注，并采用数据增广技术获取多样化的训练样本；改进YOLOv8s中颈部的C2f模块，并引入改进的SimAM注意力机制层；设计YOLOv8s的颈部网络结构和主干网络特征提取网络，以及改进主干网络中的SPPF模块；改进YOLOv8s的头部网络，增加解耦合微小目标检测头，并在头部引入改进的SE注意力机制层。该方法显著提升了在复杂路面环境下的目标检测性能，特别是在应对光照变化、车辆灯光影响以及不同类型车辆的多样性等挑战性条件下，实现了目标检测任务的高鲁棒性、准确率和效率。

公开(公告)号：CN117253154B

公开(公告)日：2024-02-13

申请号：CN202311434817.5

申请日：2023-11-01

Applicant: 华南农业大学

Inventor： 王国华 ,  王勋 ,  汪天沛 ,  黄茂霖 ,  刘璟明 ,  宋雨倩 ,  林鉴澄

IPC: G06V20/10 ,  G06V10/20 ,  G06V10/44 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开一种基于深度学习的集装箱弱小序列号目标检测识别方法，该方法对数据集通过PPOCRLabel完成半自动标注和LabelImage进行手动标注并进行Mosaic‑6数据增强获得丰富的训练样本；加入替代YOLOv5s中CSP模块的Swin‑Transformer编码器改进特征提取，引入深度可分离卷积层，提取更为充分的全局上下文特征；改进YOLOv5s中颈部网络模块的特征融合网络，并将颈部网络的Upsample层改为CARAFE，提升对微小尺度特征映射的融合能力；增加微小尺度检测头Transformer Prediction Head，引入BiFormer注意力机制层，针对性增强细粒度的细节；将损失函数CIOU LOSS换为EIOU LOSS，稳定模型的权重集。该方法增强了对于自然场景下的矩形文本框弱小目标检测识别能力，对于集装箱弱小序列号目标检测识别任务有更强的鲁棒性、准确率和效率。

公开(公告)号：CN119107484A

公开(公告)日：2024-12-10

申请号：CN202411062384.X

申请日：2024-08-05

Applicant: 华南农业大学

Inventor： 王国华 ,  王勋 ,  陈斯洁 ,  郑永森 ,  吴嘉东 ,  林明涛

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/74 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明设计了一种基于深度学习的零样本图像目标检测方法，属于基于大模型的图像目标检测领域。本发明设计的视觉语言模型包含RO‑Yolo‑Backbone、HWD‑RepVL‑PAN、MCJ‑Text Contrastive Head和回归边界框目标检测模块，通过对卷积核参数共享、感受野范围的优化，增强特征提取能力，利用小波变换减少下采样纹理损失，引入多距离公式弱化类内差异和增强类间差异，旨在有效提升大数据时代下的零样本图像目标检测能力。