-
公开(公告)号：CN118194198A
公开(公告)日：2024-06-14
申请号：CN202410380712.4
申请日：2024-03-31
申请人： 江苏海洋大学 , 连云港鲸鸣信息科技有限公司
IPC分类号： G06F18/2433 , G06F18/23213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/08 , G06N3/006
摘要： 本发明实施例涉及一种基于改进K‑means聚类算法模型的海域异常监测方法和装置，该方法包括：获取数据，所述数据为数据采集装置获取的、或者从用户输入的数据集中抽取的；并对提取的数据进行最小关联度判断，通过数据间的内在关系将样本划分为若干类别，构建基于原始样本范围的数据集Dataset‑1；引入预训练提示模型，不断对数据进行参数标准化及异常点过滤，取得局部优化条件下的全局最优化，实现对海域异常样本点的精准判断。通过本发明可以给出一种基于改进数学模型的海域异常数值预报方法，并通过选择提示机制来达到矫正海域状况报错率、提高异常监测精度的目的，对于提高海域异常位置准确性、预防海洋气象灾害具有重要的实用价值。
-
公开(公告)号：CN118537277A
公开(公告)日：2024-08-23
申请号：CN202410032474.8
申请日：2024-01-09
申请人： 江苏海洋大学 , 连云港鲸鸣信息科技有限公司
摘要： 本发明提出了一种基于改进型Retinex的暗光条件下水下图像增强方法，基于改进型Retinex，解决在暗光环境下传统Retinex技术的局限性。首先，本发明实施了噪声抑制和预处理，采用了独特的色彩校正技术，精确地考虑到水体对颜色通道的影响。在多尺度Retinex的基础上，结合了多亮度模型，能够更有效地分离和分析图像中的光照变化和反射特性。通过深度学习技术对光照部分进行智能估计和动态调整。最后，通过图像纹理增强、色彩平衡调整后期优化手段，保证色彩恒常性和视觉自然性。为水下观测、科研和工程应用提供了更为清晰、真实和有价值的视觉数据，具有广泛的应用前景。
-
公开(公告)号：CN118115791A
公开(公告)日：2024-05-31
申请号：CN202410212079.8
申请日：2024-02-27
申请人： 江苏海洋大学 , 连云港鲸鸣信息科技有限公司
IPC分类号： G06V10/764 , G06V10/82 , G06V10/74 , G06V10/80
摘要： 本发明提出了一种基于BiFormer与CARAFE海洋垃圾分类识别模型构建方法对海洋垃圾图像分类的识别方法，同时配合轻量级上采样算子CARAFE，提升置信度与准确率。在8种常见的海洋垃圾数据集上进行分类训练，实验结果表明添加BiFormer注意力机制的边界框回归损失，目标物体损失，类别损失三类值有明显的下降，与传统YOLOv5模型进行对比，结果表明BiFormer与CARAFE的配合识别效果更好，从而验证了本发明提出的海洋垃圾分类识别模型的有效性，凸显了本发明在损失函数值上的明显优势。
-
公开(公告)号：CN117854109A
公开(公告)日：2024-04-09
申请号：CN202410035775.6
申请日：2024-01-09
申请人： 江苏海洋大学 , 连云港鲸鸣信息科技有限公司
IPC分类号： G06V40/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
摘要： 本发明提出了一种基于ResNet50的海洋生物分类识别方法，重定义卷积层并使用批量正则化，避免梯度参数紊乱。在神经网络中使用残差连接实现瓶颈层，利用迁移学习的方法构建了残差网络ResNet50。在19种常见的海洋动物数据集上进行分类训练，实验结果表明ResNet50的识别达到90％左右，与传统卷积神经网络VGG19进行对比，结果表明ResNet50识别效果更好，从而验证了本发明提出的海洋生物分类识别模型的有效性，凸显了本发明在准确率上的明显优势。
-
公开(公告)号：CN117830622A
公开(公告)日：2024-04-05
申请号：CN202410020918.6
申请日：2024-01-05
申请人： 江苏海洋大学 , 连云港鲸鸣信息科技有限公司
IPC分类号： G06V10/25 , G06V10/44 , G06V10/52 , G06V10/77 , G06V10/80 , G06V10/764 , G06V10/766 , G06V20/54 , G06V20/70 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/048
摘要： 本发明提出了一种基于YOLOv8的舰船目标旋转检测方法，以往的研究主要是从海事图像序列中进行水平船舶检测的方式。由于一些背景像素可能被错误地识别为船舶轮廓，这可能导致船舶检测性能不满意。为了解决这个问题，我们提出了一种新的基于YOLO的旋转模型(RTM)，通过考虑船舶旋转角度，从海事图像中准确而快速地检测船舶。提出的RTM模型通过BiFPN特征融合方法、注意力机制和损失函数GIoU从图像中检测倾斜船，本发明为海洋舰船的高效精确检测提供了创新的方法，具有重要的实际应用价值，可以应用于实时船舶检测任务。
-
公开(公告)号：CN118608437A
公开(公告)日：2024-09-06
申请号：CN202410657609.X
申请日：2024-05-26
申请人： 江苏海洋大学 , 连云港鲸鸣信息科技有限公司
IPC分类号： G06T5/90 , G06T5/70 , G06T7/90 , G06T5/50 , G06T5/60 , G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/0499 , G06N3/094 , G06N7/01
摘要： 随着对海洋探索的不断深入，水下图像增强与恢复技术备受关注。针对水下图像对比度低，噪声大和色彩偏差等问题，本发明提出一种基于改进Swin Transformer的生成对抗网络水下图像增强模型(SwinGAN)。在输入生成器前对水下图像进行双三次插值预处理，在瓶颈层将输入的特征图分割成多个不重叠的局部窗口，再使用双路窗口多头自注意力机制，在加强捕获全局信息和距离依赖关系的同时，增强局部注意力。最后，在解码器经过多个窗口重新组合成原始尺寸的特征图，对抗网络中的判别网络采用改进马尔科夫判别器。使用Charbonnier损失函数，边缘损失函数，对抗损失函数和MS‑SSIM+L1损失函数提升图像结构和视觉质量。本发明在改善水下图像的色彩偏差和模糊问题取得显著效果。
-
公开(公告)号：CN118193982A
公开(公告)日：2024-06-14
申请号：CN202410380465.8
申请日：2024-03-30
申请人： 连云港鲸鸣信息科技有限公司 , 江苏海洋大学
IPC分类号： G06F18/20 , G06F18/10 , G06F18/25 , G06F16/215 , G06F16/2458 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094 , G06F123/02
摘要： 本发明实施例涉及一种面向海洋监测的多任务处理及感知决策大模型，所述大模型通过控制多型号水下机器人和深度结合人工智能算法，打造全天候、多维度、高效率和高精度的智能化实时立体监测平台；所述大模型整合卫星遥感技术、水声遥测技术、浮标观测技术和船载观测技术，全面捕捉海洋信息，并利用先进的大数据处理和异构数据融合方法，深刻理解海洋环境，提供精准的预测和分析。所述大模型具备多传感器同步获取信息的能力以实现对海洋环境全方位、多任务、实时监测与预警。
-
公开(公告)号：CN118365857A
公开(公告)日：2024-07-19
申请号：CN202410516138.0
申请日：2024-04-27
申请人： 江苏海洋大学 , 连云港鲸鸣信息科技有限公司
IPC分类号： G06V10/25 , G06N3/0464 , G06V10/82 , G06N5/04 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/77
摘要： 本发明提出了一种基于BC‑YOLOv5的违禁品目标检测方法，以往的研究主要是行李包裹安全检查主要依靠安检人员观察、分析X光安检机扫描得到的图像，判断行李中是否夹带易燃易爆物、管制刀具等违禁品，会存在漏判的现象。为了解决这个问题，提出一种基于改进型YOLOv5的违禁品检测模型。通过使用Bottleneck CSP模块用于提高多尺度目标的精度，交叉卷积模块用于减少参数数量并提高模型的推理速度。图像通过自动定向和调整大小进行预处理。然后，将处理后的图像输入BC‑YOLOv5以提取其深层特征。
-
公开(公告)号：CN117523381A
公开(公告)日：2024-02-06
申请号：CN202311576479.9
申请日：2023-11-23
申请人： 江苏海洋大学 , 连云港鲸鸣信息科技有限公司
IPC分类号： G06V20/05 , G06V10/82 , G06V10/766 , G06V10/764 , G06N3/0464 , G06N3/0455 , G06N3/045 , G06N3/08
摘要： 本发明提出了一种改进的YOLOv5海洋生物目标检测方法，由于海洋生物的种类繁多，其识别需要大量的专业知识，而本发明的应用大幅度节约了人力和时间成本，本发明通过在YOLOv5的基础上引入基于残差连接的Bottleneck Tr ansformer构造的CTR3模块，优化了YOLOv5的Head部分，从而提升了模型的识别性能，在自制的15类海洋生物数据集上的实验结果表明，与传统YOLOv5相比，BoTR‑YOLOv5在召回率和mAP(平均精度均值)上各提高了1％，验证了本发明提供的目标检查算法在海洋生物场景下的应用效果，更重要的是BoTR‑YOL Ov5在训练过程中比传统YOLOv5节省了时间，凸显了本发明在计算成本上的明显优势，本发明为海洋生物的高效精确检测提供了创新的方法，具有重要的实际应用价值。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.03 秒)
