公开(公告)号：CN118736505A

公开(公告)日：2024-10-01

申请号：CN202410738662.2

申请日：2024-06-07

申请人： 淮阴工学院

发明人： 罗嘉辰 ,  宗慧 ,  王辰斌 ,  石超楠 ,  倪天龙 ,  安雯龙 ,  周恒 ,  陈鑫 ,  刘向超 ,  杨占辉 ,  丁继凡 ,  杨文俊 ,  张乐 ,  王健

IPC分类号： G06V20/54 ,  G06V10/25 ,  G06V10/40 ,  G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种改装电动车检测方法，通过改进YOLOv9c模型，在特征提取的Backbone中将YOLOv9c下采样阶段中的跨步卷积Conv改进为SPDPConv，进一步强调特征保留和减少信息丢失，提高模型整体识别改装电动车精准度；使用多分支金字塔MbSPP模块进行特征提取与融合，替换原有的SPPELAN模块，在不同尺度上进行池化操作，从而捕获图像的多尺度特征，进一步提高模型在复杂背景或有遮挡情况下的表现；于上采样环节，采用双卷积增强上采样CPSample，实现更加清晰和稳定的细节输出，进一步提高改进模型在改装电动车识别方面的精准度。本发明通过上述方法对YOLOv9c模型进行进一步改进，在收敛性，鲁棒性，针对改装电动车识别精准性方面，都有理想的提升。

公开(公告)号：CN118628789A

公开(公告)日：2024-09-10

申请号：CN202410596819.2

申请日：2024-05-14

申请人： 淮阴工学院

发明人： 刘向超 ,  宗慧 ,  安雯龙 ,  陈鑫 ,  周恒 ,  杨占辉 ,  王辰斌 ,  罗嘉辰 ,  王健 ,  张乐 ,  杨文俊

IPC分类号： G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/80 ,  G16H50/20 ,  G16H50/70 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0985

摘要： 本发明公开了一种基于裂隙灯图像的角膜溃疡诊断分类方法，获取角膜溃疡数据集，对图片进行标签设置；将数据集按照一定比例划分为训练集和测试集并且对角膜溃疡图像进行预处理；构建MSConv模块，并对提取的角膜溃疡特征进行信息融合；改进并构建ResNet和ViT相结合的深度学习网络模型，利用预处理数据集对该网络进行训练和验证，得到角膜溃疡分类模型；通过所述的角膜溃疡分类模型对待分类的角膜溃疡进行分类识别。本发明首先在不同尺度下提取角膜溃疡的初步特征，其次通过融合卷积的ViT将局部和全局的特征图进行融合，解决了角膜溃疡病理特征变化大、病灶分布不规则、尺度多变的问题，从而能够提高角膜溃疡的识别准确性。

公开(公告)号：CN118396933A

公开(公告)日：2024-07-26

申请号：CN202410352827.2

申请日：2024-03-25

申请人： 淮阴工学院

发明人： 安雯龙 ,  宗慧 ,  陈鑫 ,  刘向超 ,  杨占辉 ,  周恒 ,  王辰斌 ,  罗嘉辰 ,  石超楠 ,  倪天龙

IPC分类号： G06T7/00 ,  G06T7/73 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06V10/44 ,  G06V10/80

摘要： 本发明涉及目标检测技术领域，公开了一种基于YOLO‑IRLSK轻量级模型的皮肤病检测方法，包括：获取待检测的皮肤病图像数据集；在YOLO模型基础上，设计YOLO‑IRLSK模型，该模型是由MC模块，双层内部融合块IRLSK组合而成，双层内部融合块可以更完备的提取图片的内部特征，采用模型优化技术使得主干网络更加轻量化。将训练数据集中的数据输入检测模型中，得到区域预测图，并进行迭代训练。输入待识别的皮肤病害图片，通过训练得到的YOLO‑IRLSK网络模型对皮肤病进行检测识别。与现有技术相比，本发明可以准确地识别出良性和恶性的皮肤病，从而提高了人们的生活健康，有助于辅佐医生检测皮肤病害的级别。

公开(公告)号：CN117853723A

公开(公告)日：2024-04-09

申请号：CN202311748285.2

申请日：2023-12-18

申请人： 淮阴工学院

发明人： 陈鑫 ,  宗慧 ,  安雯龙 ,  刘向超 ,  杨占辉 ,  周恒 ,  孙居辉 ,  张浩 ,  王健 ,  张乐 ,  丁瑾 ,  谢乾 ,  陈伟 ,  汪涛

IPC分类号： G06V10/26 ,  G06V10/42 ,  G06V10/44 ,  G06V10/80 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0455

摘要： 本发明公开了一种基于SBM‑Net模型的视网膜血管图像分割方法，包括：构建眼部数字视网膜血管的图像数据集；构建视网膜血管图像分割模型，包括编码器和解码器两部分，编码器部分包括局部特征提取模块和全局特征提取模块以及将局部特征和全局特征进行融合的MCE模块；局部特征提取模块包括依次连接的5个ISB模块；全局特征提取模块包括一个Patch Embedding模块、Linear Embedding模块以及4个Swin Transformer Block模块；解码器部分包括4个MSE模块、5个Feature map以及一个Conv 1x1像素级分类器；利用视网膜血管图像分割模型对眼部数字视网膜血管的图像进行图像分割。本发明可以有效地实现血管的分割，提高了诊断、筛选、治疗和评估各种心血管和眼科疾病的准确率，解决了视网膜血管分割困难的问题。

公开(公告)号：CN118429699A

公开(公告)日：2024-08-02

申请号：CN202410497419.6

申请日：2024-04-24

申请人： 淮阴工学院

发明人： 杨占辉 ,  宗慧 ,  安雯龙 ,  刘向超 ,  周恒 ,  陈鑫 ,  王辰斌 ,  罗嘉辰 ,  石超楠 ,  倪天龙

IPC分类号： G06V10/764 ,  G06V10/44 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/096 ,  G06N20/20 ,  G06N3/082

摘要： 本发明公开了一种基于GCT‑Net集成多网络模型的蛋白质晶体识别方法，该方法凭借GCT‑Net集成多网络模型的独特优势，实现了高精度的识别效果。GCT‑Net网络结构采用Transformer架构，由GroupConv Block、KLA Block和GroupAttention三个核心组件构成，深度融合卷积和Transformer技术，优化特征提取，利用深度可分离卷积控制模型参数量，通过迁移学习和集成学习技术，从六个主流深度学习模型中筛选出三个最优模型，与GCT‑Net结合形成高效集成模型。采用硬投票策略，选择每轮预测中准确率最高的结果作为最终输出，确保模型识别准确率和稳定性。集成模型处理后，蛋白质晶体识别精度达到98％，显著高于单一模型。本发明为蛋白质晶体结构的培养和识别提供了高效、准确的技术手段，对化学药物设计等研究领域具有重要意义。

公开(公告)号：CN117315478A

公开(公告)日：2023-12-29

申请号：CN202311351039.3

申请日：2023-10-18

申请人： 淮阴工学院

发明人： 宗慧 ,  杨占辉 ,  蒋东山 ,  安雯龙 ,  周恒 ,  陈鑫 ,  刘向超 ,  赵云 ,  孙居辉 ,  魏鹏 ,  张浩 ,  王健 ,  张乐

IPC分类号： G06V20/10 ,  G06V10/44 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084 ,  G06V10/30 ,  G06V10/74

摘要： 本发明公开了一种基于VC‑Net和穆勒算法的番茄叶病识别方法，包括：对番茄叶病图片的预处理；构建基于改进视觉Transformer番茄叶病识别模型和基于穆勒算法的训练模块，先进行patch embedding层进行分块，然后再进行初步卷积特征提取，之后进行位置嵌入Position Embedding，在特征提取后使用高斯去噪技术对其产生的噪声进行去噪处理。在视觉Transformer的Attention中使用LSA局部自注意力机制并引入零掩码矩阵。通过穆勒算法模块进行训练，得到最优的番茄叶病识别模型权重，实现对番茄叶病的分类。与现有技术相比，本发明通过先分类后识别的方法来确定番茄叶病类别，训练时间短，识别精度高。

公开(公告)号：CN117115524A

公开(公告)日：2023-11-24

申请号：CN202311040814.3

申请日：2023-08-17

申请人： 淮阴工学院

发明人： 宗慧 ,  周恒 ,  唐宇诚 ,  周宇 ,  杨占辉 ,  陈鑫 ,  安雯龙 ,  刘向超 ,  邹佳辰 ,  宗美晨 ,  朱俊勋

IPC分类号： G06V10/764 ,  G06V10/774 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464

摘要： 本发明公开了一种基于稀疏增强和鉴别字典学习的高维图像分类方法，预先获取图像分类数据集，并进行预处理；从鉴别稀疏表示分类模型DSRC，获得一个密集且有鉴别性的表示系数利用已知OMP算法从稀疏表示函数模型获取一个稀疏的表示系数 根据有序位置保持算法OLP，实现图像维度简约；采用Fisher准则来约束字典中的原子；采用交替优化策略更新变量低维空间中学习到的字典Dr、编码矩阵Ar、样本从高维空间转换到低维空间的特征转换矩阵P；再从高维到低维投影进行线性判别，利用线性分类器算法分类，最后对待预测物体图像进行分类，得出分类可信度最高的图像分类结果。本发明对低分辨率、噪声大等质量不合格的低质图像识别鲁棒性更高，且识别精度更好和速度更快。

公开(公告)号：CN118570839A

公开(公告)日：2024-08-30

申请号：CN202410699988.9

申请日：2024-05-31

申请人： 淮阴工学院

发明人： 宗慧 ,  王辰斌 ,  朱全银 ,  王琳静 ,  石超楠 ,  罗嘉辰 ,  安雯龙 ,  刘向超 ,  杨占辉 ,  卫智利 ,  马军斋 ,  王建 ,  张乐 ,  杨文俊

IPC分类号： G06V40/10 ,  G06V10/82 ,  G06V10/774 ,  G06V10/80 ,  G06V10/25

摘要： 本发明公开了一种叉车搭载人员检测方法，通过对YOLOv9目标检测算法进行改进并训练加以实现，改进方法包括：在原始算法的基础上构建自定义RN4_SCConv模块并替换Backbone中的第三层、第五层RepNCSPELAN4模块，将ADown下采样模块引入SPDconv构建自定义SPD_ADown模块并替换Backbone、Head中的ADown模块，对Backbone和Head部分引入iRMB倒置残差块注意力机制,采用自定义损失函数ISCIoU，根据训练检测结果和目标真实标签计算预测损失，并利用预测损失对目标检测模型进行优化，重复迭代直至达到设定的迭代次数输出训练好的目标检测模型；本发明在原有模型基础上，在保证实时检测速度的同时，加强对叉车搭载人员的检测效果，检测精度在叉车搭载人员的数据集中提高了4.9%。

公开(公告)号：CN116681938A

公开(公告)日：2023-09-01

申请号：CN202310659379.6

申请日：2023-06-05

申请人： 淮阴工学院

发明人： 宗慧 ,  安雯龙 ,  蒋东山 ,  刘向超 ,  陈婷 ,  陈鑫 ,  杨占辉 ,  周恒 ,  张乐 ,  王健

IPC分类号： G06V10/764 ,  G06V10/82 ,  G06V20/10 ,  G06N3/0464 ,  G06V10/77 ,  G06N3/048 ,  G06N3/08

摘要： 本发明涉及计算机技术图像识别技术领域，公开了一种基于DS‑Net模型的茶叶病识别方法。包含以下阶段：训练阶段：采取茶叶病害图片并制作成数据集，将数据集划分为训练集和测试集并对数据进行预处理；在DS‑Net模型中引入了多尺度分支提取模块、改进后的自校正卷积MSC‑Conv和空间注意力CA，构建DS‑Net模型；将训练数据集输入到DS‑Net模型中，经过多次训练保存训练最好的权重；测试阶段：输入待识别的茶叶病害图片，通过训练得到的DS‑Net网络模型对茶叶病害进行分类识别。与现有技术相比，本发明可以准确地识别出早期的茶叶病害，提高了茶叶生产，解决了早期茶叶病害出现的问题。

公开(公告)号：CN118397542A

公开(公告)日：2024-07-26

申请号：CN202410513930.0

申请日：2024-04-26

申请人： 淮阴工学院

发明人： 王辰斌 ,  宗慧 ,  罗嘉辰 ,  石超楠 ,  安雯龙 ,  刘向超 ,  杨占辉 ,  卫智利 ,  王琳静 ,  马军斋 ,  周恒 ,  陈鑫 ,  王建 ,  张乐 ,  杨文俊 ,  杨乐楠 ,  徐阳

IPC分类号： G06V20/52 ,  G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

摘要： 本发明公开了一种基于改进YOLOv9电焊施工场景下灭火器的检测方法，包括：利用训练数据集对改进后的YOLOv9目标检测算法进行训练，该算法为在原始算法的基础上，将Backbone主干网中的部分RepNCSPELAN4模块替换为C3Attention模块，其中C3Attention是C3模块融合了SE注意力机制提高骨干网络中的目标检测能力和效率，并且在Head中分别融入了SE注意力机制、LSKBlock,根据训练检测结果和目标真实标签计算预测损失，并利用预测损失对目标检测模型进行优化，重复迭代直至达到设定的迭代次数输出训练好的目标检测模型；本发明能够保证检测速度的实时性，同时充分提取浅层信息，加强对灭火器的检测效果，进一步提高了模型检测精度。