公开(公告)号：CN118840322A

公开(公告)日：2024-10-25

申请号：CN202410825920.0

申请日：2024-06-25

Applicant: 广东工业大学

Inventor： 谢国波 ,  林松泽 ,  梁立辉 ,  苏庆 ,  林志毅 ,  黄剑锋 ,  陈浩畅 ,  刘伟松

IPC: G06T7/00 ,  G06V20/17 ,  G06V20/10 ,  G06V10/25 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明公开的属于道路病害检测技术领域，具体为一种基于深度学习的道路病害检测方法，包括利用RDDA算法进行检测的步骤，具体如下：道路病害数据集构建、构建图像特征提取模块、设计深度可分离无参注意力机制卷积模块、提取特征图深层特征、设计空间金字塔自适应池化融合模块、使用FPN模块进行特征融合、设计NWD‑EIoU损失函数、使用Head检测头检测、模型的训练和验证、将模型进行应用，本发明有效的解决了当前道路病害检测算法参数量大、小目标病害检测精度不足、复杂背景下道路病害检测效果差的问题，从而使得本发明的算法参数量更低，能够适合边缘设备的部署，满足道路病害检测的轻量化和实时性需求。

公开(公告)号：CN118840322B

公开(公告)日：2025-02-14

申请号：CN202410825920.0

申请日：2024-06-25

Applicant: 广东工业大学

Inventor： 谢国波 ,  林松泽 ,  梁立辉 ,  苏庆 ,  林志毅 ,  黄剑锋 ,  陈浩畅 ,  刘伟松

IPC: G06T7/00 ,  G06V20/17 ,  G06V20/10 ,  G06V10/25 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明公开的属于道路病害检测技术领域，具体为一种基于深度学习的道路病害检测方法，包括利用RDDA算法进行检测的步骤，具体如下：道路病害数据集构建、构建图像特征提取模块、设计深度可分离无参注意力机制卷积模块、提取特征图深层特征、设计空间金字塔自适应池化融合模块、使用FPN模块进行特征融合、设计NWD‑EIoU损失函数、使用Head检测头检测、模型的训练和验证、将模型进行应用，本发明有效的解决了当前道路病害检测算法参数量大、小目标病害检测精度不足、复杂背景下道路病害检测效果差的问题，从而使得本发明的算法参数量更低，能够适合边缘设备的部署，满足道路病害检测的轻量化和实时性需求。

公开(公告)号：CN117216656A

公开(公告)日：2023-12-12

申请号：CN202311156905.3

申请日：2023-09-07

Applicant: 广东工业大学

Inventor： 谢国波 ,  余意 ,  林志毅 ,  顾国生 ,  夏炜 ,  刘汉林 ,  林松泽 ,  黄晓锋

IPC: G06F18/241 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/045 ,  G06N3/082

Abstract: 本发明提供了一种基于剪枝预训练模型与人工特征编码融合的4mC位点识别算法，包括以下步骤：S1：获取DNA‑4mC的核苷酸序列集L，通过Kmer编码将序列集L转化为数值向量集M；S2：将预训练模型DNABert进行剪枝压缩操作得到的模型DNABert‑Pruning作为基准模型，训练得到序列集L的深层特征信息；S3：根据CKSNAP编码特征方式扩充各核苷酸在序列集L中的特征表示空间，通过双向LSTM网络训练得到序列集L的浅层特征信息；S4：将上述训练得到的浅层信息与深层信息特征同时输入到特征融合注意力模块中，得到更为准确的融合特征表征；S5：对融合后的表征特征使用前馈神经网络和Sigmoid函数输出识别预测，计算其分类评分，本发明可以更准确地预测DNA‑4mC的位点识别信息。