-
公开(公告)号:CN117746086A
公开(公告)日:2024-03-22
申请号:CN202211110601.9
申请日:2022-09-13
申请人: 四川中烟工业有限责任公司 , 西南科技大学
IPC分类号: G06V10/764 , G06V10/774
摘要: 本发明公开了一种基于自适应类属性模糊度感知的目标检测方法,包括以下步骤:步骤1、定义ACBA值,感知目标类属正负样本的属性模糊度;步骤2、基于交叉熵损失和ACBA值构建置信度损失ACBA Loss,抑制低置信度信息,并设计聚焦参数平衡正负样本的置信度信息:步骤3、通过惩罚因子、约束因子改进ACBA值得到I_ACBA,补偿置信度信息并平衡损失中类属性模糊度的贡献占比;步骤4、在YOLO V4、RetinaNet与Faster RCNN框架上引入改进的I_ACBA Loss损失搭建目标检测框架,并与聚焦损失和交叉熵置信度损失进行对比分析。本发明提出的I_ACBA Loss结合三种框架搭建的算法模型,可有效抑制低置信度信息,缓解高置信度样本的信息淹没问题,从而提升模型的检测精度。
-
公开(公告)号:CN113808122B
公开(公告)日:2024-03-12
申请号:CN202111130292.7
申请日:2021-09-26
申请人: 四川中烟工业有限责任公司 , 西南科技大学
摘要: 本发明公开了一种基于椭圆特征金字塔的烟草甲虫识别方法,包括如下步骤:搭建Faster R‑CNN网络;搭建由Resnet50作为骨干网络的特征金字塔网络,作为Faster R‑CNN的特征提取网络;结合椭圆表达式构建椭圆特征提取模块,并嵌入到由Resnet50作为骨干网络的特征金字塔网络中形成椭圆特征金字塔网络;在烟草甲虫数据集上以椭圆特征金字塔网络进行烟草甲虫识别检测。本发明以FPN网络作为Faster R‑CNN的特征提取网络,使用多层次特征图,以解决单一层次特征图不能同时获取小目标检测所需要的细节和语义特征信息的问题。在FPN网络中加入了椭圆特征提取模块,显著提高烟草甲虫的检测精度。本发明针对卷烟厂中的烟草甲虫进行检测,提高了检测精度,更具实用性。
-
公开(公告)号:CN113239825B
公开(公告)日:2022-08-19
申请号:CN202110545421.2
申请日:2021-05-19
申请人: 四川中烟工业有限责任公司 , 西南科技大学
IPC分类号: G06V20/50 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/774 , G06V20/70 , G06V10/44 , G06N3/04 , G06N3/08
摘要: 本发明公开一种复杂场景下高精度烟草甲虫检测方法,包括构建拟合复杂环境和多分布场景的烟草甲虫数据集;搭建结合多尺度可变形卷积和双重注意力的DCA模块;搭建基于DCA模块的特征金字塔网络,以及由特征提取网络Resnet50、特征金字塔网络DCA‑FPN和目标检测框架FasterR‑CNN构成的复杂场景烟草甲虫小目标检测网络;在自建数据集上对提出的网络模型进行训练和测试。本发明使用多尺度可变形卷积能够拟合多场景下烟草甲虫空间几何形变特征,获取烟草甲虫的多种形状和姿态等有效特征,针对性地减少了复杂环境的背景内容或前景区域的无效信息的影响。还利用双重注意力DCA模块进行冗余特征的消除,实现局部跨通道和空间的信息交互,提高烟草甲虫检测在复杂场境下的分类性能。
-
公开(公告)号:CN113239825A
公开(公告)日:2021-08-10
申请号:CN202110545421.2
申请日:2021-05-19
申请人: 四川中烟工业有限责任公司 , 西南科技大学
摘要: 本发明公开一种复杂场景下高精度烟草甲虫检测方法,包括构建拟合复杂环境和多分布场景的烟草甲虫数据集;搭建结合多尺度可变形卷积和双重注意力的DCA模块;搭建基于DCA模块的特征金字塔网络,以及由特征提取网络Resnet50、特征金字塔网络DCA‑FPN和目标检测框架FasterR‑CNN构成的复杂场景烟草甲虫小目标检测网络;在自建数据集上对提出的网络模型进行训练和测试。本发明使用多尺度可变形卷积能够拟合多场景下烟草甲虫空间几何形变特征,获取烟草甲虫的多种形状和姿态等有效特征,针对性地减少了复杂环境的背景内容或前景区域的无效信息的影响。还利用双重注意力DCA模块进行冗余特征的消除,实现局部跨通道和空间的信息交互,提高烟草甲虫检测在复杂场境下的分类性能。
-
公开(公告)号:CN112801117A
公开(公告)日:2021-05-14
申请号:CN202110148501.4
申请日:2021-02-03
申请人: 四川中烟工业有限责任公司 , 西南科技大学
摘要: 本发明公开了一种多路感受野引导的特征金字塔小目标检测网络,包括依次连接的获取目标图片特征的骨干网络、融合扩大感受野模块的特征金字塔网络以及具有两个分支的检测头网络,其中:骨干网络用于提取不同层次的特征信息;融合扩大感受野模块的特征金字塔网络用于将不同层次的特征信息经过扩大感受野模块后再进行特征融合,以引导网络获得不同层次感受野下的上下文信息,同时获取足够的语义信息和丰富的细节信息;两个分支的检测头网络用于得到目标的预测框以及分类置信度;本发明还提供了一种多路感受野引导的特征金字塔小目标检测方法;本发明优于目前主流的目标检测方法。
-
公开(公告)号:CN112801117B
公开(公告)日:2022-07-12
申请号:CN202110148501.4
申请日:2021-02-03
申请人: 四川中烟工业有限责任公司 , 西南科技大学
摘要: 本发明公开了一种多路感受野引导的特征金字塔小目标检测网络,包括依次连接的获取目标图片特征的骨干网络、融合扩大感受野模块的特征金字塔网络以及具有两个分支的检测头网络,其中:骨干网络用于提取不同层次的特征信息;融合扩大感受野模块的特征金字塔网络用于将不同层次的特征信息经过扩大感受野模块后再进行特征融合,以引导网络获得不同层次感受野下的上下文信息,同时获取足够的语义信息和丰富的细节信息;两个分支的检测头网络用于得到目标的预测框以及分类置信度;本发明还提供了一种多路感受野引导的特征金字塔小目标检测方法;本发明优于目前主流的目标检测方法。
-
公开(公告)号:CN113808122A
公开(公告)日:2021-12-17
申请号:CN202111130292.7
申请日:2021-09-26
申请人: 四川中烟工业有限责任公司 , 西南科技大学
摘要: 本发明公开了一种基于椭圆特征金字塔的烟草甲虫识别方法,包括如下步骤:搭建Faster R‑CNN网络;搭建由Resnet50作为骨干网络的特征金字塔网络,作为Faster R‑CNN的特征提取网络;结合椭圆表达式构建椭圆特征提取模块,并嵌入到由Resnet50作为骨干网络的特征金字塔网络中形成椭圆特征金字塔网络;在烟草甲虫数据集上以椭圆特征金字塔网络进行烟草甲虫识别检测。本发明以FPN网络作为Faster R‑CNN的特征提取网络,使用多层次特征图,以解决单一层次特征图不能同时获取小目标检测所需要的细节和语义特征信息的问题。在FPN网络中加入了椭圆特征提取模块,显著提高烟草甲虫的检测精度。本发明针对卷烟厂中的烟草甲虫进行检测,提高了检测精度,更具实用性。
-
公开(公告)号:CN117036679A
公开(公告)日:2023-11-10
申请号:CN202311019207.9
申请日:2023-08-14
申请人: 四川中烟工业有限责任公司
摘要: 本发明公开了一种自适应全局池化注意力方法、装置、电子设备及存储介质,方法包括:通过并联全局特征提取模块对输入特征图进行全局平均池化和全局最大池化,以提取输入特征图的全局特征;将全局特征送入自适应学习模块,由自适应学习模块学习到优化后的全局池化特征;利用优化后的全局池化特征引导输入特征图以获得优化后的输出特征。本发明自适应全局池化注意力方法采用全局最大池化和全局平均池化相结合的方式,并引入自适应学习机制,动态调整全局最大特征和全局平均特征在引导输入时所占的权重大小。在考虑图像的整体特征分布的同时强调重要的局部特征,可提供更鲁棒的特征表示。能将注意力集中在对图像有重要影响的关键特征上。
-
公开(公告)号:CN118376930B
公开(公告)日:2024-08-23
申请号:CN202410832296.7
申请日:2024-06-26
申请人: 西南科技大学 , 四川文理学院 , 四川泽丰锂能新能源科技有限公司
IPC分类号: G01R31/367 , G01R31/374 , G01R31/385 , G01R31/378 , G01R31/396
摘要: 本发明公开了一种储能锂电池电压功能状态评估方法及其系统,属于锂电池状态预测技术领域,包括:设定储能锂电池的循环工况,获取所述循环工况的检测数据,所述检测数据包括:放电电压和计时时间;基于所述检测数据,计算循环工况特征值,所述循环工况特征值包括:首次工况特征值、截止工况特征值和运行工况特征值;基于所述循环工况特征值,通过特征值商计算公式,计算得到电压功能状态值;对所述电压功能状态值进行异常判断,得到电压功能状态的评估结果。本发明主要用于储能锂电池电压功能状态评估,基于循环工况特征值计算与特征值商处理,实现了电压功能状态评估,降低了电压功能状态评估难度,增强了电压功能状态评估准确度。
-
公开(公告)号:CN110390646B
公开(公告)日:2023-10-17
申请号:CN201910503633.7
申请日:2019-06-12
申请人: 西南科技大学
IPC分类号: G06T5/00
摘要: 本发明提出一种细节保持图像去噪方法。针对去噪后的图像由于大量缺失细节信息造成的模糊视觉效果和伪影现象,提出一种细节保持卷积神经网络(DRCNN)去噪模型。本方法包括如下步骤:步骤1,分析一个最小化问题并构建去噪数学模型;步骤2,搭建DRCNN的产生模块(GM)和细节保持模块(DRM);步骤3,利用GM学习图像的噪声,并与噪声图像减相减获得中间特征图(IFM);步骤4,利用DRM学习IFM所损失的细节信息,并与IFM相加获得去噪后的图像;步骤5,将实验结果与目前先进的图像去噪方法作比较分析。实验结果表明,DNCNN既能有效保持图像细节信息,表现出突出的视觉效果,同时还具有很强的泛化能力,可扩展到超声和激光图像等真实图像去噪任务中。
-
-
-
-
-
-
-
-
-