-
公开(公告)号：CN118351481A
公开(公告)日：2024-07-16
申请号：CN202410427913.5
申请日：2024-04-10
Applicant: 南通大学
IPC: G06V20/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/80 , G06N3/0495 , G06N3/082 , G06N3/045
Abstract: 本发明提供了一种复杂背景下的反光背心检测方法，属于计算机视觉目标检测技术领域。解决了目前建筑工地目标密集、背景错综复杂的情况下检测精度低的技术问题。其技术方案为：包括以下步骤：S1、样本数据采集；S2、引入MSDA注意力模块；S3、替换检测头为DC‑Dyhead；S4、模型剪枝获得轻量化模型；S5、将待检测图像和视频输入训练好的模型中进行推理预测，得到工人是否规范穿着反光背心的结果。本发明的有益效果为：本发明对模型进行压缩，提高检测精度和推理速度，更好的保障了建筑工地工人的安全，减少事故发生。
-
公开(公告)号：CN118334630A
公开(公告)日：2024-07-12
申请号：CN202410365820.4
申请日：2024-03-28
Applicant: 南通大学
Abstract: 本发明提供了一种低光环境下的疲劳驾驶检测方法，属于计算机视觉技术领域。解决了在低光环境下对疲劳驾驶检测性能低的技术问题。其技术方案为：包括以下步骤：S1：先获得数据集，DARK FACE数据集、WFLW数据集；S2：构建低光增强网络Illumination Adaptive Transformer；S3：对YOLOv8目标检测网络进行改进；S4：对PFLD网络进行改进，构建人脸关键点检测模型；S5：建立疲劳判断指标；S6：通过疲劳判断指标对驾驶员的疲劳状态判断。本发明的有益效果为：提高模型在低光下的检测能力，减少在夜晚对疲劳驾驶检测的漏检和误检，使模型更具有鲁棒性。
-
公开(公告)号：CN117831005A
公开(公告)日：2024-04-05
申请号：CN202311418793.4
申请日：2023-10-30
Applicant: 南通大学
IPC: G06V20/59 , G06V10/774 , G06V10/82 , G06V10/40 , G06V10/766 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于改进的YOLOv5s的分心驾驶行为检测方法，属于计算机视觉技术领域。解决了驾驶行为中抽烟、喝水及接打电话行为检测精度低的技术问题。其技术方案为：包括以下步骤：S1：获取分心驾驶行为数据图片，得到对应的分心驾驶行为数据集，并将该数据集按照9：1的比例分为训练集和验证集；S2：构建分心驾驶行为检测模型；S3：使用分心驾驶行为数据集对改进后的YOLOv5s模型进行训练；S4：通过训练好的模型对分心驾驶行为进行检测。本发明的有益效果为：本发明增强对烟头等小目标物体的检测能力，以及模型的特征融合能力，提高模型的检测精度。
-
公开(公告)号：CN116385353B
公开(公告)日：2024-01-30
申请号：CN202310105941.0
申请日：2023-02-10
Applicant: 南通大学
IPC: G06T7/00 , G06T7/73 , G06N3/08 , G06N3/0464
Abstract: 本发明提供了一种摄像头模组异常检测方法，属于人工智能技术领域。解决了模组异常样本不足、深度学习模型检测精度低、速度慢的问题。其技术方案为：包括以下步骤：S1、采用模板匹配方法定位图片中的模组及其相关组件的位置；S2、基于图像处理完成模组中螺丝、标签、布线、划痕脏污异常情况的检测；S3、基于特征配准网络框架完成模组中的划痕和镜头脏污检测；S4、通过QT Creator开发异常检测程序，用于模组异常情况的自动检测。本发明的有益效果为：本发明结合图像处理方法和神经网络框架，实现摄像头模组的多种异常情况的检测，通过构建孪生神经网络框架，插入空间变换网络实现特征配准，可以精准检测出模组上的划痕。(56)对比文件原振方.基于机器视觉FPC缺陷检测系统的研究与应用《.中国优秀硕士学位论文全文数据库》.2016,1-64.梁雄.基于机器视觉的摄像头模组缺陷检测系统研究《.中国优秀硕士学位论文全文数据库》.2015,第三、四章.Chaoqin Huang et al..Registrationbased Few-Shot Anomaly Detection《.arXiv》.2022,第2-9页.
-
公开(公告)号：CN116721149A
公开(公告)日：2023-09-08
申请号：CN202310724496.6
申请日：2023-06-16
Applicant: 南通大学
Abstract: 本发明提供了一种基于双目视觉的杂草定位方法，属于计算机视觉技术领域。解决了农业领域中准确、高效的定位杂草的技术问题。其技术方案为：包括以下步骤：S1、双目相机标定，获取相机的详细参数；S2、双目相机立体校正；S3、立体匹配；S4、得出杂草中心点的三维坐标。本发明的有益效果为：本发明利用双目视觉技术构建杂草定位算法，实现杂草的精准定位，为激光除草机器人提供可以实际应用的精准除草方案。
-
Patent Agency Ranking
公开(公告)号：CN115016482A
公开(公告)日：2022-09-06
申请号：CN202210690562.8
申请日：2022-06-17
Applicant: 南通大学
IPC: G05D1/02
Abstract: 本发明提供了一种改进室内移动机器人全局和局部路径协调优化方法，属于移动机器人路径规划技术领域。解决了室内移动机器人的全局路径规划靠障碍物过近、路径规划拐点过多、局部路径缺少引导以及室内移动机器人行进时速度不平稳的问题。其技术方案为：包括以下步骤：S1、载入已经建好的栅格地图；S2、使用改进后的A*算法在栅格地图上进行全局路径规划；S3、采用Bezier曲线路径平滑策略对全局规划路径进行平滑处理；S4、通过改进的DWA算法选择实体机器人的具体行进路线。本发明的有益效果为：通过改进室内移动机器人全局和局部路径协调优化方法，提高机器人行进路线的安全性和平滑度、保证行进速度的同时提高其平稳性。
-
公开(公告)号：CN110676922B
公开(公告)日：2022-04-29
申请号：CN201911006159.3
申请日：2019-10-22
Applicant: 南通大学
Abstract: 本发明提供了一种光伏组件清扫机器人接触式光储快速充电系统及方法，包括光伏组件、清扫小车、换行小车、光储电源、换行轨道、轨道框、光储电源系统、换行小车充电系统和清扫小车充电系统；还包括光伏组件清扫机器人接触式光储快速充电系统的充电方法。本发明的有益效果为：本发明提供一种光伏组件清扫机器人接触式光储快速充电系统及方法的接触式充电方案，充电功率大，提高了机器人充电速度；机器人电力来源于光伏电站现场的光储电源，光储电源容量大，储存电能充足，可为机器人快速地充电，清扫机器人系统中的换行小车和清扫小车在运行过程中自动进行充电，无需外界人员的手动参与；触点分离距离大，充电安全。
-
公开(公告)号：CN111031495B
公开(公告)日：2021-07-30
申请号：CN202010010277.8
申请日：2020-01-06
Abstract: 本发明提供了一种用于6LowPAN物联网通信网络的组播通信系统及方法，其技术方案为：该通信系统包括IPv6服务器，物联网网关和6LowPAN节点；该通信方法内容为：IPv6服务器上维护一个组播组号池，物联网网关有一张组播组表，组播MAC地址通过对组播组号进行运算得到，物联网网关节点上维护着一个组播MAC地址，物联网网关节点通过该地址接收组播组信息。本发明的有益效果为：本发明是针对目前6LowPAN网络组播通信存在的问题，提出了用于6LowPAN物联网通信网络的组播通信系统及方法，该通讯系统主要由IPv6服务器、物联网网关、6LowPAN节点组成；解决了网络负载重，数据量太大的问题。
-
公开(公告)号：CN112802006A
公开(公告)日：2021-05-14
申请号：CN202110176958.6
申请日：2021-02-07
Applicant: 南通大学
Abstract: 本发明公开了一种基于深度学习的边缘计算电机油污识别方法，包含S1.制作样本数据集；S2.在Amazon SageMaker中完成深度学习模型的训练及裁剪，即在YOLOv3算法的置信度损失函数中引入Focal loss，利用损失函数来训练及修剪深度学习模型；S3.远程部署深度学习模型到搭建AWS IoT Greengrass环境的边缘设备中；S4.在边缘设备中导入实时拍摄的工业机器图片，通过深度学习模型自动识别是否发生油液渗漏并输出结果。所述油污识别方法实现了深度学习模型训练、裁剪和推理预测分离的目的，在云端训练及裁剪深度学习模型，上述剪裁后的深度学习模型适应边缘设备的资源和算力；在本地边缘设备使用深度学习模型进行油污检测，满足了油污识别数据实时处理的需求，所述深度学习模型小且精度高。
-
公开(公告)号：CN112233085A
公开(公告)日：2021-01-15
申请号：CN202011095289.1
申请日：2020-10-14
Applicant: 南通大学
Abstract: 本发明提供一种基于像素预测增强的宫颈细胞图像分割方法，包括如下步骤：(1)输入单个宫颈细胞原始图像；(2)将宫颈细胞原始图像转换到CIELAB空间，再抽取L*通道，得到灰度细胞图像；(3)使用自适应形态学滤波法对图像进行降噪处理；(4)采用U‑net网络对去噪后的图像分别进行细胞核和细胞质的区域分割；(5)利用算子提取图像边缘，再根据细胞边缘线，确定边缘搜索区；(6)对边缘搜索区像素再采用DenseNet网络进行判别，得到更为准确的细胞核和细胞质分割结果。本发明能够准确高效地对单细胞彩色宫颈图像进行分割，具有更高的分割准确率。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.025 seconds)
