-
公开(公告)号：CN118884439A
公开(公告)日：2024-11-01
申请号：CN202411375836.X
申请日：2024-09-30
Applicant: 无锡学院
IPC: G01S13/90 , G06V20/10 , G06V10/25 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于多尺度特征提取与FRFT卷积的SAR船舰检测方法，包括：获取SSDD合成孔径雷达图像数据集及HRSID数据集，对数据集进行预处理后划分为训练集、验证集和测试集；搭建基于多尺度特征提取与FRFT卷积网络，包括输入端、主干网络、Neck网络和探测头部分，主干网络和Neck网络协同处理特征；将经过预处理的训练集和验证集的SAR图像输入至MEFTNet网络中训练，计算损失函数并进行反向传播，更新网络参数，获取最佳参数模型；将经过预处理的测试集输入到训练好的最佳参数模型中，输出SAR图像的精确识别图。本发明能更好的获取船舰特征，降低检测的误检率，提高检测的准确率以及各种场景下的适应效果。
-
公开(公告)号：CN119494961A
公开(公告)日：2025-02-21
申请号：CN202510059627.2
申请日：2025-01-15
Applicant: 无锡学院
IPC: G06V10/26 , G06V10/80 , G06V10/774 , G06V20/10 , G06N3/0464
Abstract: 本发明公开了一种高分辨率遥感图像双分支分割方法，包括：获取高分辨率遥感图像数据集并预处理后，划分为训练集、验证集和测试集；构建高分辨率遥感图像语义分割网络模型，包括细节分支、语义分支以及上采样部分；将训练集输入至高分辨率遥感图像语义分割网络模型中进行训练，计算损失函数并反向传播，更新网络模型参数，获取最佳参数网络模型，并利用验证集对最佳参数网络模型进行验证；将测试集输入到训练好的最佳参数网络模型中，输出高分辨率遥感图像的精确分割图。本发明通过捕获高分辨率遥感图像中不同类型和尺度的目标信息，多层次、多尺度进行特征提取与融合，从而提高高分辨率遥感图像的分割精度。
-
公开(公告)号：CN118261926A
公开(公告)日：2024-06-28
申请号：CN202410473561.7
申请日：2024-04-19
Applicant: 无锡学院
IPC: G06T7/11 , G06V10/26 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于多层特征信息融合的滑坡图像分割方法，具体为：获取滑坡图像数据集，并进行预处理后划分为训练集和验证集；构建基于多层特征信息融合的滑坡图像语义分割网络模型，包括编码器和解码器两部分，其中，编码器由主干网络、级联带状空间金字塔池化模块和高效通道注意力模块构成，解码器由多层特征信息融合结构构成；利用训练集和验证集分别对网络模型进行训练和验证，计算损失函数并进行反向传播，更新网络模型参数，得到训练好的滑坡图像语义分割网络模型；将待分割的滑坡图像输入到训练好的滑坡图像语义分割网络模型中，得到待分割滑坡图像的分割结果。本发明通过增强滑坡图像的边缘信息提升对滑坡区域的检测能力。
-
公开(公告)号：CN119579592A
公开(公告)日：2025-03-07
申请号：CN202510132145.5
申请日：2025-02-06
Applicant: 无锡学院
IPC: G06T7/00 , G06N3/0464 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种基于残差式特征融合网络的风机叶片缺陷检测方法，包括：步骤1，获取风力发电机叶片缺陷多目标数据集和多分类数据集，划分为训练集、验证集和测试集；步骤2，搭建基于残差式特征融合网络RFFNet的风力发电机叶片缺陷检测模型；步骤3，将训练集和验证集中的风力发电机叶片缺陷图像输入至风力发电机叶片缺陷检测模型中训练，获取最佳参数模型；步骤4，将测试集输入到步骤3中训练好的最佳参数模型中，输出风力发电机叶片缺陷图像的精确识别图。本发明所提出的网络在检测风力发电机叶片缺陷，改善误检漏检等方面具有显著优势，有效应对复杂环境以及多目标缺陷检测中存在的问题，并且具有较快的检测速度。
-
Patent Agency Ranking
公开(公告)号：CN119444685A
公开(公告)日：2025-02-14
申请号：CN202411473794.3
申请日：2024-10-22
Applicant: 无锡学院
IPC: G06T7/00 , G06V10/20 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种风力发电机表面缺陷检测方法，包括：获取风力发电机叶片表面缺陷图像，并对图像进行预处理；搭建风力发电机表面缺陷检测模型；利用训练集内数据对缺陷检测模型进行训练，计算损失函数并更新网络参数，获取最佳参数的缺陷检测模型；利用最佳参数的缺陷检测模型对风力发电机的表面缺陷进行检测，得到缺陷位置、缺陷类别和缺陷大小。本发明提高了对风机表面细小且与背景相似缺陷的检测精确度，以适应复杂环境下的应用需求，从而提高风力发电的运维效率和安全性，支持风电行业的可持续发展。
-
公开(公告)号：CN118887406B
公开(公告)日：2025-01-28
申请号：CN202411375916.5
申请日：2024-09-30
Applicant: 无锡学院
IPC: G06V10/26 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/80 , G06V10/82
Abstract: 本发明公开了基于高低语义信息融合的滑坡图像分割方法，属于滑坡图像处理技术领域。本发明通过构建基于高低语义信息融合的滑坡遥感图像语义分割网络，在网络中通过构建增强全局信息池化模块获取滑坡图像的多尺度信息；在编码器与解码器之间构建了不同特征交互模块从而提升模型的信息交互能力，并通过增强目标信息注意力模块关注图像目标区域特征；设计了多级语义信息融合模块细化图像的边界信息，提高模型对滑坡区域的识别能力，提升模型的分割效果。
-
公开(公告)号：CN119313583A
公开(公告)日：2025-01-14
申请号：CN202411373397.9
申请日：2024-09-29
Applicant: 无锡学院
Abstract: 本申请公开了一种基于双分支特征融合的图像去噪方法，具体为：步骤1：进行图像收集，并对收集的图像进行预处理；步骤2：搭建双分支特征融合的去噪网络，该网络包括生成网络和判别网络，将生成网络生成的去噪图像和真实的图像通过判别网络进行真假判别；步骤3：对生成网络和判别网络进行对抗训练，得到训练好的双分支特征融合的去噪网络；步骤4：采用训练好的生成网络对图像进行去噪处理。本方法在去噪质量、模型泛化能力和运算时间上均显著优于传统去噪方法，能够有效去除不同类型的噪声，保留更多图像细节和结构信息。
-
公开(公告)号：CN118887406A
公开(公告)日：2024-11-01
申请号：CN202411375916.5
申请日：2024-09-30
Applicant: 无锡学院
IPC: G06V10/26 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/80 , G06V10/82
Abstract: 本发明公开了基于高低语义信息融合的滑坡图像分割方法，属于滑坡图像处理技术领域。本发明通过构建基于高低语义信息融合的滑坡遥感图像语义分割网络，在网络中通过构建增强全局信息池化模块获取滑坡图像的多尺度信息；在编码器与解码器之间构建了不同特征交互模块从而提升模型的信息交互能力，并通过增强目标信息注意力模块关注图像目标区域特征；设计了多级语义信息融合模块细化图像的边界信息，提高模型对滑坡区域的识别能力，提升模型的分割效果。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
