公开(公告)号：CN114511798B

公开(公告)日：2024-04-26

申请号：CN202111509227.5

申请日：2021-12-10

Applicant: 安徽大学 ,  安徽中科星联信息技术有限公司

Inventor： 陈杰 ,  王海涛 ,  李兵 ,  程子晗 ,  席静敏 ,  邓英剑

IPC: G06V20/40 ,  G06V20/59 ,  G06N3/0464 ,  G06V10/82 ,  G06N3/08 ,  G06V10/80 ,  G06V10/764

Abstract: 本发明提供了一种基于transformer的驾驶员分心检测方法及装置，属于驾驶行为分析领域，包括采集分心驾驶图像数据；搭建驾驶员分心检测模型FPT；将采集到的分心驾驶图像数据输入驾驶员分心检测模型FPT中，利用驾驶员分心检测模型FPT对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态。本发明在Swin，Twins等模型的基础上提出一种新的网络模型驾驶员分心检测模型FPT，该这种模型与深度学习模型相比弥补了深度学习模型只能提取局部特征的缺点，与变压器transformer模型相比，提高了分类的精度，并且降低了参数量和运算量；对整个网络的损失函数进行了调整，在交叉熵损失函数的基础上添加了标签平滑，增加分类的准确度，有效抑制过拟合，提高了检测精度。

公开(公告)号：CN114511798A

公开(公告)日：2022-05-17

申请号：CN202111509227.5

申请日：2021-12-10

Applicant: 安徽大学 ,  安徽中科星联信息技术有限公司

Inventor： 陈杰 ,  王海涛 ,  李兵 ,  程子晗 ,  席静敏 ,  邓英剑

IPC: G06V20/40 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V20/59 ,  G06V10/80 ,  G06V10/764

Abstract: 本发明提供了一种基于transformer的驾驶员分心检测方法及装置，属于驾驶行为分析领域，包括采集分心驾驶图像数据；搭建驾驶员分心检测模型FPT；将采集到的分心驾驶图像数据输入驾驶员分心检测模型FPT中，利用驾驶员分心检测模型FPT对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态。本发明在Swin，Twins等模型的基础上提出一种新的网络模型驾驶员分心检测模型FPT，该这种模型与深度学习模型相比弥补了深度学习模型只能提取局部特征的缺点，与变压器transformer模型相比，提高了分类的精度，并且降低了参数量和运算量；对整个网络的损失函数进行了调整，在交叉熵损失函数的基础上添加了标签平滑，增加分类的准确度，有效抑制过拟合，提高了检测精度。

公开(公告)号：CN114187581B

公开(公告)日：2024-04-09

申请号：CN202111527027.2

申请日：2021-12-14

Applicant: 安徽大学 ,  安徽中科星联信息技术有限公司

Inventor： 陈杰 ,  李兵 ,  程子晗 ,  王海涛 ,  席静敏 ,  邓英剑

IPC: G06V20/59 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/764

Abstract: 本发明提供了一种基于无监督学习的驾驶员分心细粒度检测方法，属于驾驶行为分析领域，包括：采集分心驾驶图像数据；将采集到的分心驾驶图像数据输入无监督学习检测模型中，利用无监督学习检测模型对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态；无监督学习检测模型包括骨干网络、投影头和损失函数；骨干网络为融入多层感知机MLP的RepMLP网络结构；投影头为将融入残差结构的多层感知机MLP；损失函数为基于对比学习和stop‑gradient策略的损失函数。本发明弥补了传统卷积层所堆积的CNN模型全局感知能力较差的问题，具备了较强的局部感知能力及良好的全局感知性能，可以使无监督学习检测模型对应用场景的泛化能力得到了加强。

公开(公告)号：CN114187581A

公开(公告)日：2022-03-15

申请号：CN202111527027.2

申请日：2021-12-14

Applicant: 安徽大学 ,  安徽中科星联信息技术有限公司

Inventor： 陈杰 ,  李兵 ,  程子晗 ,  王海涛 ,  席静敏 ,  邓英剑

IPC: G06V20/59 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V10/764

Abstract: 本发明提供了一种基于无监督学习的驾驶员分心细粒度检测方法，属于驾驶行为分析领域，包括：采集分心驾驶图像数据；将采集到的分心驾驶图像数据输入无监督学习检测模型中，利用无监督学习检测模型对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态；无监督学习检测模型包括骨干网络、投影头和损失函数；骨干网络为融入多层感知机MLP的RepMLP网络结构；投影头为将融入残差结构的多层感知机MLP；损失函数为基于对比学习和stop‑gradient策略的损失函数。本发明弥补了传统卷积层所堆积的CNN模型全局感知能力较差的问题，具备了较强的局部感知能力及良好的全局感知性能，可以使无监督学习检测模型对应用场景的泛化能力得到了加强。

公开(公告)号：CN217638735U

公开(公告)日：2022-10-21

申请号：CN202221166454.2

申请日：2022-05-16

Applicant: 安徽大学

Inventor： 陈杰 ,  席静敏 ,  杜文天 ,  邓英剑 ,  于敬仟 ,  吕建明

IPC: G01N21/88

Abstract: 本实用新型公开了一种钻孔倒角缺陷机器视觉检测装置，包括安装有摄像头以及光学检测仪的壳体，所述壳体上安装有显示屏，所述壳体上转动设置有转动轴，所述转动轴上端固定连接有安装板；所述安装板上设置有转动组件，所述转动组件包括固定设置在所述安装板上的两个矩形板，两个所述矩形板之间转动安装有转动块，所述转动块上固定连接有支撑板，所述安装板上固定连接有固定块，所述固定块通过固定杆和所述支撑板连接。本实用新型不会出现漏检的问题，对零件钻孔倒角面的质量检测更加彻底，并且经过长时间的质量检测后，也不会造成错检情况的发生，工作人员的工作量较小，对零件质量检测的效率较高。