公开(公告)号：CN119024700A

公开(公告)日：2024-11-26

申请号：CN202411163759.1

申请日：2024-08-23

Applicant: 广东工业大学

Inventor： 谢国波 ,  徐志军 ,  林志毅 ,  苏庆

IPC: G05B13/04

Abstract: 本发明公开的属于自动控制与智能系统技术领域，具体为基于自适应最优控制方法和Voronoi分布运动协调算法的多目标系统跟踪方法，包括具体步骤如下：计算多目标系统的初始概率密度函数和动态障碍物的空间分布；获取多目标系统的状态演化路径，所述路径由时变高斯混合模型表示；构建包含多目标系统和动态障碍物的障碍地图函数，通过自适应最优控制方法计算系统的最优密度路径。本发明引入了自适应最优控制方法和Voronoi分布运动协调算法，通过高斯混合模型(GMM)和障碍地图函数的构建，能够准确地描述和预测大规模多目标系统在动态环境中的状态演化。

公开(公告)号：CN119024700B

公开(公告)日：2025-02-18

申请号：CN202411163759.1

申请日：2024-08-23

Applicant: 广东工业大学

Inventor： 谢国波 ,  徐志军 ,  林志毅 ,  苏庆

IPC: G05B13/04

Abstract: 本发明公开的属于自动控制与智能系统技术领域，具体为基于自适应最优控制方法和Voronoi分布运动协调算法的多目标系统跟踪方法，包括具体步骤如下：计算多目标系统的初始概率密度函数和动态障碍物的空间分布；获取多目标系统的状态演化路径，所述路径由时变高斯混合模型表示；构建包含多目标系统和动态障碍物的障碍地图函数，通过自适应最优控制方法计算系统的最优密度路径。本发明引入了自适应最优控制方法和Voronoi分布运动协调算法，通过高斯混合模型(GMM)和障碍地图函数的构建，能够准确地描述和预测大规模多目标系统在动态环境中的状态演化。

公开(公告)号：CN119229237A

公开(公告)日：2024-12-31

申请号：CN202411434575.4

申请日：2024-10-15

Applicant: 广东工业大学

Inventor： 林烈青 ,  徐志军 ,  傅旸

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/096

Abstract: 本发明公开了一种基于深度迁移学习的垃圾桶内危险物检测系统及方法，涉及机器学习技术领域，系统包括：图像采集模块、模型构建模块、危险物检测模块和报警模块；图像采集模块用于实时采集桶内的实时图像数据；模型构建模块基于迁移学习训练基础的神经网络模型，通过数据增强技术构建训练用数据集，并利用训练用数据集对神经网络模型中的可训练层进行训练及更新，得到危险物检测模型；危险物检测模块利用危险物检测模型对实时图像数据进行识别检测，得到危险物检测结果；报警模块基于危险物检测结果发出警告信息。本发明能够有效利用深度学习模型的多分类能力，精确区分垃圾桶内的各类物体，包括隐藏的危险物，从而提高公共安全。

公开(公告)号：CN118485996A

公开(公告)日：2024-08-13

申请号：CN202410649757.7

申请日：2024-05-24

Applicant: 广东工业大学

Inventor： 林志毅 ,  徐志军 ,  谢国波

IPC: G06V20/58 ,  G06V10/44 ,  G06V10/80 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06V10/75 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开的属于深度学习目标检测与交通标志结合技术领域，具体为一种基于GRFS‑YOLOv8的复杂背景下小型交通标志检测算法，包括具体步骤如下：获取公开的交通标志数据集，按9：1的比例分为训练集和测试集，在实际训练中，训练集按9：1的比例分为训练集和验证集；使用重新设计的GRF‑SPPF替换原网络中SPPF模块；引入两条快捷路径和额外的较小目标检测层设计了新的SPANet；将C2fGhost与GhostConv集成到特征提取和融合网络中；将数据集输入网络进行迭代训练。本发明通过将GRF‑SPPF模块引入以替代传统的SPPF模块，显著提升了模型从图像特征图中捕获多尺度信息的能力。这一改进使模型在处理复杂背景下的小型交通标志时具有更强的感知能力。