-
公开(公告)号：CN116612444A
公开(公告)日：2023-08-18
申请号：CN202310609251.9
申请日：2023-05-26
Applicant: 大连海事大学
IPC: G06V20/54 , G06V20/40 , G06V10/774 , G06V10/82 , G06V10/776 , G06N3/0464 , G06N3/082
Abstract: 本发明提出一种基于视频监控图像的船舶多尺度检测方法及系统，涉及目标检测技术领域。包括：采集船舶图像，制作船舶图像数据集，采用标注工具对数据集中船舶的种类和位置进行标注，分为训练集，验证集和测试集；对数据集进行数据增强；构建基于Yolov5改进的多尺度船舶检测模型Yolov5‑MSD；设置训练参数，使用训练集训练改进的船舶检测模型；基于训练完成的目标检测模型，对船舶测试集图像进行分类和定位。本发明将Yolov5作为船舶检测的基模型，采用重参数化的方法改进特征提取网络的宽度和深度，在Yolov5的特征提取网络中结合设计的新模块。最终获得的检测网络Yolov5‑MSD结构简洁，检测速度快，对不同尺度大小船舶的检测能力强，解决了由船舶多尺度引起的漏检和误检问题。
-
公开(公告)号：CN111652247A
公开(公告)日：2020-09-11
申请号：CN202010471036.3
申请日：2020-05-28
Applicant: 大连海事大学
Abstract: 本发明提供一种基于深度卷积神经网络的双翅目昆虫识别方法，包括以下步骤：采集双翅目昆虫图像，制作双翅目昆虫图像的数据集；对所述数据集进行数据增强；构建改进的RetinaNet目标检测模型；设置训练参数，通过所述数据集训练所述RetinaNet目标检测模型；基于训练完成的目标检测模型，对所述双翅目昆虫的测试集图像进行分类和定位。本发明提供了一种基于深度卷积神经网络的双翅目昆虫识别方法，采用RetinaNet目标检测模型，同时加入改进的卷积块注意力模块，改进特征金字塔网络，使得不需要耗费大量的人力物力，也能够解决对手工设计特征依赖的问题，图像采集方法操作简单。
-
公开(公告)号：CN117876679A
公开(公告)日：2024-04-12
申请号：CN202410025811.0
申请日：2024-01-08
Applicant: 大连海事大学
IPC: G06V10/26 , G06V20/13 , G06V20/70 , G06V10/82 , G06V10/774 , G06V10/30 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于卷积神经网络的遥感图像场景分割方法，包括：构建遥感场景图像数据集，对场景目标进行标注；对遥感场景图像数据集进行数据增强，划分为训练集、验证集和测试集；基于改进的TransUNet网络，构建图像分割网络；对图像分割网络进行初始化，设置训练参数，使用训练集训练图像分割网络；将测试集输入至图像分割网络，预测场景目标分割结果。本发明在跳跃连接上使用前景优化方法，关联地理空间场景相关上下文，提高前景特征识别能力，解决前景背景不平衡问题。在级联上采样时嵌入点流模块，选择背景突出区域点和目标边界点作为关键点来传播上下文信息，解决语义差距问题，得到高语义的高分辨率特征，在保持效率的同时降低背景引入噪声。
-
公开(公告)号：CN111723709B
公开(公告)日：2023-07-11
申请号：CN202010520156.8
申请日：2020-06-09
Applicant: 大连海事大学
IPC: G06V40/10 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047
Abstract: 本发明提供一种基于深度卷积神经网络的蝇类面部识别方法，包含：优化多任务卷积神经网络MTCNN对蝇类图像进行面部定位和特征点检测；通过定位和检测得到蝇类面部特征点图像进行蝇类面部对齐；将对齐后的蝇类面部图像制作成数据集；搭建蝇类面部深度卷积神经网络模型；将蝇类面部深度卷积神经网络中粗细提取的两组特征向量串接成一组特征向量；通过测试集对蝇类面部深度卷积神经网络模型进行测试，验证蝇类识别效果。本发明采用蝇类面部深度卷积神经网络，首先使用大量卷积池化粗提取出图像的轮廓特征，然后使用Inception‑ResNet和Reduction网络提取蝇类复眼中的小眼等具体部位特征。此网络可以简化学习目标和难度，在防止梯度散失的同时，可以提取更加丰富的特征向量。
-
公开(公告)号：CN109447905B
公开(公告)日：2022-11-18
申请号：CN201811314691.7
申请日：2018-11-06
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于判别字典的海上图像超分辨率重建方法。通过构建图像特征表征之间的内在结构关联，实现更加清晰鲁棒的海上图像超分辨率重建。本发明利用压缩感知理论，在稀疏编码框架下，针对图像超分辨率重建过程中由于缺乏结构关联分析导致重建结果不准确的问题，构建判别字典学习求解过程。根据图像特征的空间距离，构建组字典和共有字典表达；进一步引入组稀疏约束项，局部限制性稀疏约束项和不一致惩罚项，通过在字典学习过程中，保存图像特征表征的固有结构特性，进而获得更加准确的海上图像超分辨率重建结果。
-
Patent Agency Ranking
公开(公告)号：CN112784748A
公开(公告)日：2021-05-11
申请号：CN202110089255.X
申请日：2021-01-22
Applicant: 大连海事大学
Abstract: 本发明提供一种基于改进的YOLOv3的微藻识别方法，包括：采集微藻显微图像，制作微藻图像的数据集；对数据集进行数据增强；将增强后的数据集分为训练集、验证集和测试集，对数据集中的微藻进行标注，生成标注图像；构建改进的YOLOv3目标检测模型；设置训练参数，基于数据集对构建的YOLOv3目标检测模型进行训练；基于训练完成的YOLOv3目标检测模型，对测试集图像进行分类和定位。本发明采用改进的YOLOv3目标检测模型，使用轻量级Mobilenet网络代替YOLOv3的原始特征提取网络darknet53，能够显著提高运行速度，大大减少网络参数，同时引入空间金字塔池结构SPP，能够在同一卷积层中以不同尺度合并和连接区域特征，使得在检测小物体时位置误差较小，使用CIoU优化损耗功能进一步提高检测精度。
-
公开(公告)号：CN111723709A
公开(公告)日：2020-09-29
申请号：CN202010520156.8
申请日：2020-06-09
Applicant: 大连海事大学
Abstract: 本发明提供一种基于深度卷积神经网络的蝇类面部识别方法，包含：优化多任务卷积神经网络MTCNN对蝇类图像进行面部定位和特征点检测；通过定位和检测得到蝇类面部特征点图像进行蝇类面部对齐；将对齐后的蝇类面部图像制作成数据集；搭建蝇类面部深度卷积神经网络模型；将蝇类面部深度卷积神经网络中粗细提取的两组特征向量串接成一组特征向量；通过测试集对蝇类面部深度卷积神经网络模型进行测试，验证蝇类识别效果。本发明采用蝇类面部深度卷积神经网络，首先使用大量卷积池化粗提取出图像的轮廓特征，然后使用Inception-ResNet和Reduction网络提取蝇类复眼中的小眼等具体部位特征。此网络可以简化学习目标和难度，在防止梯度散失的同时，可以提取更加丰富的特征向量。
-
公开(公告)号：CN107938260A
公开(公告)日：2018-04-20
申请号：CN201711433974.9
申请日：2017-12-26
Applicant: 大连海事大学
CPC classification number: D06F39/004 , D06F33/02 , D06F37/42 , D06F2202/02 , D06F2204/084 , D06F2204/086
Abstract: 本发明提供一种洗涤实时监测系统，包括电源、控制器、水质检测单元、入水阀、排水阀、显示屏及语音报警器。水质检测单元包括检测入水与排水浑浊度的三基色LED浑浊度检测器，三基色LED浑浊度检测器为可装配于水管内的环形结构，包括红色LED灯、绿色LED灯、蓝色LED灯、光敏传感器及微处理器，三基色LED灯、光敏传感器与微处理器均采用透光材料密封。实时监测系统对比分析两处浑浊度判断被洗衣物的洁净程度，而且当洗衣机内衣物发生脱色时，水对三色光的吸收程度发生变化，通过光敏传感器检测透光的光线波长，分析何种颜色的衣物发生脱色，依据分析判断的结果调控洗涤方案并通过显示屏或语音报警器通知用户。
-
公开(公告)号：CN116563726A
公开(公告)日：2023-08-08
申请号：CN202310520115.2
申请日：2023-05-08
Applicant: 大连海事大学
IPC: G06V20/13 , G06V20/54 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/46 , G06V10/764 , G06V10/766 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供一种基于卷积神经网络的遥感图像舰船目标检测方法，包括构建遥感舰船图像数据集，对舰船目标进行标注；对数据集进行数据增强，划分训练集、验证集和测试集；构建基于改进RetinaNet的目标检测网络模型；初始化网络，设置训练参数，使用训练集训练目标检测网络模型；将测试集图像输入训练后的目标检测网络模型，预测舰船目标的分类和回归结果。本发明基于改进RetinaNet进行舰船目标检测；通过在特征金字塔中嵌入坐标注意力模块，强化多尺度特征融合过程，增加网络对复杂目标的关注度；通过构建方向不变模型，生成深度旋转不变特征，提高网络对旋转目标的适应能力；通过定义基于KLD的回归损失函数，解决边界不连续性问题，提升网络对密集目标的检测能力。
-
公开(公告)号：CN109447905A
公开(公告)日：2019-03-08
申请号：CN201811314691.7
申请日：2018-11-06
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于判别字典的海上图像超分辨率重建方法。通过构建图像特征表征之间的内在结构关联，实现更加清晰鲁棒的海上图像超分辨率重建。本发明利用压缩感知理论，在稀疏编码框架下，针对图像超分辨率重建过程中由于缺乏结构关联分析导致重建结果不准确的问题，构建判别字典学习求解过程。根据图像特征的空间距离，构建组字典和共有字典表达；进一步引入组稀疏约束项，局部限制性稀疏约束项和不一致惩罚项，通过在字典学习过程中，保存图像特征表征的固有结构特性，进而获得更加准确的海上图像超分辨率重建结果。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
