公开(公告)号：CN116758407A

公开(公告)日：2023-09-15

申请号：CN202310648940.0

申请日：2023-06-02

Applicant: 南京信息工程大学

Inventor： 鲍正位 ,  郭颖 ,  王季宇 ,  严舒 ,  朱琳琳 ,  黄骏

IPC: G06V20/05 ,  G06V10/40 ,  G06V10/82 ,  G06V10/10 ,  G06T5/00 ,  G06T5/40 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供一种基于CenterNet的水下小目标检测方法及装置，涉及人工智能领域。该水下小目标检测方法，包括以下步骤：对获取的原始图像利用局部信息来增强图像，并对原始图像对比度进行优化；利用HRNet骨干网络提取原始图像的特征得到初始特征图，引入了通道空间注意力模块在空间维度及通道维度对初始特征图进行特征增强得到中间特征图，基于预设的感受野模块融合中间特征图得到最终特征图；对最终特征图进行预测，得到检测结果。解决了现有的方法采用了数据增强的方式来增加样本量，从而提高模型的泛化性能，但同时也增加了参数量，影响了计算速度的问题，相比centernet使用的沙漏网络hourglass，本发明降低了参数量，提升了计算速度。

公开(公告)号：CN115272846A

公开(公告)日：2022-11-01

申请号：CN202210827268.7

申请日：2022-07-13

Applicant: 南京信息工程大学

Inventor： 王友伟 ,  郭颖 ,  邵香迎 ,  鲍正位 ,  王季宇

IPC: G06V20/10 ,  G06V10/82 ,  G06V10/80 ,  G06V10/764 ,  G06V10/774 ,  G06V10/40 ,  G06V10/25 ,  G06V10/32 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及旋转图像目标检测技术领域，具体是一种基于改进Orientedrcnn的旋转目标检测方法，包括以下步骤：输入图像；图像预处理：将每张图片调整到固定尺寸，对固定尺寸图片进行归一化处理，并划分为训练集、验证集、测试集；输入网络模型进行训练：将训练集输入到改进的Oriented rcnn模型进行训练；输入测试集，输出检测结果；本发明使用了不同于现有技术中的六参数法来定义旋转锚框，并且使用不同的极化函数分别提取分类任务与定位任务所需的不同特征，此外引入SPP模块实现局部特征与全局特征之间的融合，能够克服分类和回归之间所需特征的不一致性带来的检测干扰，有效提取不同任务所需的不同特征，可以更准确地对遥感图像目标进行分类和定位。

公开(公告)号：CN115760734A

公开(公告)日：2023-03-07

申请号：CN202211390496.9

申请日：2022-11-08

Applicant: 南京信息工程大学

Inventor： 王季宇 ,  郭颖 ,  鲍正位 ,  邵香迎 ,  王友伟 ,  朱琳琳 ,  严舒 ,  黄骏

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明公开了一种基于改进retinanet算法的带钢表面缺陷检测方法，包括：获得缺陷图像并对其进行加载以形成缺陷样本，通过数据增方法对所述缺陷样本进行扩充以增加数据集样本，所述数据集样本包括训练集样本、验证集样本和测试集样本；根据retinanet模型搭建表面缺陷检测网络，通过对所述表面缺陷检测网络依次进行参数初始化、设置超参、加载训练集样本以及设置迭代次数的方式，实现模型训练以获得最优检测模型；将所述测试集样本导入所述检测模型中进行测试，并对测试集样本进行类别分类和位置回归，得到最终检测结果；本发明与其他主流检测网络模型相比，在检测钢铁表面缺陷上取得了良好的检测效果。

公开(公告)号：CN117635521A

公开(公告)日：2024-03-01

申请号：CN202310678915.7

申请日：2023-06-09

Applicant: 南京信息工程大学

Inventor： 王季宇 ,  郭颖 ,  鲍正位 ,  黄骏 ,  严舒 ,  朱琳琳

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/774 ,  G06V10/40 ,  G06V10/80

Abstract: 本发明公开了基于改进YOLOX的金属表面缺陷检测方法及系统，涉及制品表面目标缺陷检测技术领域，包括：接收带有标注的金属缺陷检测样本，对带有标注的金属缺陷检测样本进行预处理，得到金属缺陷数据集，将训练集输入至预先建立的主干网络内，得到三个原始有效特征图，进行增强，得到增强特征图；将增强特征图输入至预先建立的特征融合网络内进行信息融合，得到融合特征图，将融合特征图进行特征细化操作，得到细化特征图；将细化特征图输入至预先建立的解耦头内进行缺陷初步定位和分类，并进行筛选，得到筛选结果；将筛选结果输入至预先建立的改进模型内，得到最优网络模型，将训练集输入至最优网络模型内，得到检测结果。

公开(公告)号：CN115272819A

公开(公告)日：2022-11-01

申请号：CN202210836139.4

申请日：2022-07-15

Applicant: 南京信息工程大学

Inventor： 邵香迎 ,  郭颖 ,  王友伟 ,  王季宇 ,  鲍正位

IPC: G06V10/82 ,  G06V10/764 ,  G06V10/80 ,  G06V10/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及计算机视觉技术领域，具体是一种基于改进Faster‑RCNN的小目标检测方法，包括以下步骤：数据预处理：将研究数据加载，进行数据增强处理；模型训练：将增强处理过的数据送入检测网络中，经过多次迭代训练，获得最优的网络模型；模型测试：加载训练好的网络模型，提取测试集中的目标特征信息，判断其位置及对应类别，得到最终的检测结果；本发明提出将全局与局部特征进行交互，得到全局‑局部特征信息，送入检测头进行检测，解决误检、漏检问题。此外，主干网络特征经过横向增强模块送入FPN中，加强对通道目标信息的关注，提升小目标检测效果。