公开(公告)号：CN116934627A

公开(公告)日：2023-10-24

申请号：CN202310959818.5

申请日：2023-07-28

Applicant: 重庆大学

Inventor： 王磊 ,  陈家伟 ,  滕洲 ,  李子龙 ,  尹锐 ,  任颜萍

IPC: G06T5/00 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明弱光环境下的目标检测方法，其包括步骤：一)创建弱光环境目标检测数据集；二)对弱光环境目标检测数据集中的图像进行图像增强预处理，然后对图像增强预处理后的弱光环境图像进行数据增强处理；三)对目标检测模型的参数量进行缩减；四)用经步骤二)处理后的图像数据训练经步骤三)处理的目标检测模型，得到训练合格的目标检测模型；五)用经步骤四)训练得到的目标检测模型对弱光环境目标进行检测。本发明提高了对弱光环境下目标检测的准确率、模型泛化能力更强，检测效率更高。

公开(公告)号：CN119939501A

公开(公告)日：2025-05-06

申请号：CN202411950434.8

申请日：2024-12-27

Applicant: 重庆大学

Inventor： 王磊 ,  赵向阳 ,  林凯 ,  古燿明 ,  李子龙 ,  滕洲

IPC: G06F18/25 ,  G06F18/2111 ,  G06N3/126 ,  G06N7/01

Abstract: 本发明公开了一种低可信度多传感器信息融合方法，其包括步骤：一)获取多传感器系统中同步测量参数的传感器的观测信号，从而得到每个传感器的观测数据；二)将步骤1)获得的观测信号建模为包含噪声的高斯过程分布；三)利用历史数据集对传感器在时间点t*的真实观测信号进行平滑处理；四)对经平滑处理的传感器信息进行可信度评估；五)对经置信度评估后的传感器信息进行加权融合。本发明通过引入高斯过程回归实现对传感器数据的去噪和平滑，并通过置信度评估为每个传感器的信息分配融合权重，有效减弱了噪声干扰和误差积累，提高了数据的可靠性和环境适应能力，因此本方法具有良好的鲁棒性和融合可信度。

公开(公告)号：CN118447451A

公开(公告)日：2024-08-06

申请号：CN202410620616.2

申请日：2024-05-20

Applicant: 重庆大学

Inventor： 王磊 ,  赵向阳 ,  李子龙 ,  滕洲 ,  任颜萍

IPC: G06V20/52 ,  G06V10/82 ,  G06V10/766 ,  G06V10/80 ,  G06T5/80 ,  G06T5/60 ,  G06N3/0455 ,  G06N3/0475 ,  G06N3/094

Abstract: 本发明面向复杂环境下小目标的机场跑道异物检测方法，其包括通过摄像机对机场跑道采集的图像，对采集的图像进行畸变矫正，还包括创建机场跑道图像数据集并对图像数据集进行优化，还包括对选取的目标检测模型进行优化，再用创建的图像数据集对目标检测模型进行训练和测试，最后用训练及测试合格的目标检测模型对经步畸变矫正后的图像进行异物检测。本发明通过对图像畸变进行矫正，通过对目标检测网络及机场跑道图像数据集进行丰富和优化，提高了目标检测模型对机场跑道小目标的检测准确率。

公开(公告)号：CN116652967A

公开(公告)日：2023-08-29

申请号：CN202310890466.2

申请日：2023-07-20

Applicant: 重庆大学

Inventor： 王磊 ,  陈家伟 ,  尹锐 ,  滕洲 ,  李子龙 ,  余知朋

IPC: B25J9/16

Abstract: 本发明工业机器人动力学参数辨识方法，包括通过牛顿‑欧拉法建立工业机器人动力学模型，设计指导工业机器人运动的激励轨迹，基于差分进化算法优化激励轨迹，对工业机器人的输入数据和输出数据进行采样，并通过多周期采样再平均的方法优化输入数输出数据集；将工业机器人要辨识的参数分离，采用卷积神经网络参数进行辨识。本发明方法有效提高了对工业机器人动力学参数辨识准确性，能为后续开展工业机器人高精度控制打下良好基础。

公开(公告)号：CN116935196A

公开(公告)日：2023-10-24

申请号：CN202310963809.3

申请日：2023-08-02

Applicant: 重庆大学

Inventor： 王磊 ,  陈家伟 ,  李秀敏 ,  李子龙 ,  尹锐 ,  滕洲 ,  任颜萍

IPC: G06V20/00 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明面向复杂环境下被遮挡目标的新型脑启发目标检测方法，其包括构建目标检查模型，所述目标检测模型包括脑启发模型和DETR模型；将被检测图像输入脑启发模型，得到关于目标的若干个预测框及类标签，并输入DETR模型；DETR模型通过对图像数据预设参考点，标定预测框针对参考点的侧距和框位置，并给出查询对象，以二部匹配实现类标签匹配，通过计算预测框的侧距和框位置，并迭代至设定的偏移幅度阈值范围内，然后选择预测框中目标最高置信度对应的类别和坐标。本发明中脑启发模型能在学习中不断地提取知识以更好更快地学习新任务,对于已有训练样本的特征数据进行释义储存与解构释放，使得混乱数据流可模拟为稳定的动态数据流，减缓了遗忘问题。