公开(公告)号：CN119942091A

公开(公告)日：2025-05-06

申请号：CN202510389441.3

申请日：2025-03-31

Applicant: 南京信息工程大学

Inventor： 丁正龙 ,  岳开科 ,  崔志清 ,  尹文静 ,  张晶

IPC: G06V10/25 ,  G06N3/045 ,  G06N3/0464 ,  G06V10/44 ,  G06V10/82 ,  G06V20/00

Abstract: 本发明公开了一种实时轻量级小目标检测方法，属于目标检测技术领域，该方法包括：首先获取交通路况图像；然后构建基础的YOLOv8s模型并进行优化，具体为：在骨干网络中构建DWR_C2F模块，在颈部网络中构建C_BiFPN模块，在头部网络中构建Detect_LSCD检测头；接下来采用训练集对优化后的YOLOv8s模型进行迭代训练，得到目标检测模型；最后利用训练之后的目标检测模型检测城市交通目标。本发明在检测精度方面显著提高，特别是在小目标和复杂场景的检测中表现出色；改进后YOLOv8s模型的计算复杂度大幅降低，参数数量显著减少，从而提高了模型的运行速度和效率。

公开(公告)号：CN120030910A

公开(公告)日：2025-05-23

申请号：CN202510465994.2

申请日：2025-04-15

Applicant: 南京信息工程大学

Inventor： 丁正龙 ,  王昊 ,  王诗蝉 ,  吴睿欣 ,  张琳洁

IPC: G06F30/27 ,  G06F30/23 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/094 ,  G06T7/33 ,  G06T5/50 ,  G06V10/774 ,  G06V20/64 ,  G06V10/44 ,  G06V10/46 ,  G06V10/54 ,  G06V10/56 ,  G06V10/58 ,  G06V10/60 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/049 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0442 ,  G06N3/092 ,  G06N3/096 ,  D05C11/00 ,  G01D21/02 ,  G06F111/10 ,  G06F111/04 ,  G06F111/06 ,  G06F113/12 ,  G06F119/14

Abstract: 本发明公开了基于深度学习的刺绣针法逆推及动态复现方法，属于刺绣针法识别技术领域，该方法包括：采集针脚数据；利用点云配准算法将多视角采集的三维点云数据进行融合，构建多模态数据集；构建动态图时空交互网络，基于动态图时空交互网络提取多模态数据中的特征向量；构建针法逆推模型，得到针法空间布局指令、动态工艺参数以及优化后的阵法序列；构建动态复现模型，得到实际的绣制动作序列。本发明能够自动学习刺绣图像中绣法的深层次特征，在绣法逆推的准确性和动态复现的真实性方面有了显著提升；能够在复杂纹理、不同光照条件以及多样的绣制角度下，实现对多种刺绣绣法的精准逆推。

公开(公告)号：CN120014368A

公开(公告)日：2025-05-16

申请号：CN202510452471.4

申请日：2025-04-11

Applicant: 南京信息工程大学

Inventor： 丁正龙 ,  王诗蝉 ,  王昊 ,  岳开科 ,  袁杰 ,  张琳洁

IPC: G06V10/764 ,  G06N3/0464 ,  G06V10/44 ,  G06V10/52 ,  G06V10/54 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明提供了一种基于深度学习的刺绣针法识别方法，包括：步骤1，确定针法并收集相关图片，根据需要的针法找到对应的针法图片；步骤2，对图片进行预处理和标注，得到刺绣数据集；步骤3，将刺绣数据集划分为训练集，验证集和测试集，进行配置撰写；步骤4，对YOLO模型进行改进；步骤5，使用训练集训练改进的YOLO模型；步骤6，对改进的YOLO模型进行评估，如果不满足条件，调整模型结构和模型训练参数，返回步骤5；如果满足条件，将测试集输入改进的YOLO模型，得到预测结果。本发明能够在复杂纹理、光照变化和绣制角度多样性的情况下保持较高的识别准确率和鲁棒性，适用于多种刺绣针法。

公开(公告)号：CN119992075A

公开(公告)日：2025-05-13

申请号：CN202510452405.7

申请日：2025-04-11

Applicant: 南京信息工程大学

Inventor： 丁正龙 ,  岳开科 ,  王诗蝉 ,  袁杰

IPC: G06V10/25 ,  G06N3/0464 ,  G06N3/084 ,  G06V10/44 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06V20/54

Abstract: 本发明提供了一种基于深度学习的轻量级小目标检测方法，包括以下步骤：步骤1，数据预处理：使用一个脚本对公开数据集visdrone2019进行处理，得到训练集、验证集和测试集；步骤2，构建改进的yolo11s模型，并输入训练集进行训练；步骤3，采用训练好的yolo11s模型，对小目标进行检测。本发明通过结合逐点卷积和深度可分离卷积，高效地进行特征图下采样，减少了计算资源的消耗，同时保持了特征信息的完整性。