公开(公告)号：CN116740050A

公开(公告)日：2023-09-12

申请号：CN202310857463.9

申请日：2023-07-13

申请人： 淮阴工学院

发明人： 孙可可 ,  邱军林 ,  邵鹤帅 ,  沈泳杉 ,  张浩东 ,  李明辉 ,  秦雨新 ,  杨健 ,  雷恒聃 ,  高丽 ,  蒋晓玲 ,  李敏

IPC分类号： G06T7/00 ,  G06V10/40 ,  G06V10/762 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464

摘要： 本发明公开一种基于改进的YOLOv5的织物瑕疵检测方法及装置，收集织物瑕疵数据集并对数据集进行预处理，对数据集进行数据增强以及均衡扩充；使用Kmeans++聚类算法对织物数据集瑕疵GT框聚类获得先验框；数据集按比例划分训练集和验证集；对模型进行改进，使用moscio‑9替换原来的moscio‑4进行在线数据增强，在特征提取的主干网络backbone中引入可变形卷积,提高模型的特征提取能力，在特征融合的颈部网络Neck中加入注意力机制，在检测网络的Head中引入Decoupled‑Detect；将织物瑕疵数据集通过搭建好的YOLOv5+DCN+BiFormer+Decoupled织物瑕疵检测网络进行训练获得模型预训练权重；将预处理后的待检测织物瑕疵图片输入最优权重模型进行瑕疵检测。本发明有助于提高织物瑕疵检测的准确性和检测模型的鲁棒性。

公开(公告)号：CN116432647A

公开(公告)日：2023-07-14

申请号：CN202310257028.2

申请日：2023-03-16

申请人： 淮阴工学院

发明人： 张浩东 ,  邱军林 ,  邵鹤帅 ,  高丽 ,  蒋晓玲 ,  王兰芳 ,  李敏 ,  沈泳杉 ,  孙可可

IPC分类号： G06F40/295 ,  G06F40/284 ,  G06F40/242 ,  G06F16/35 ,  G06F16/36 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/082 ,  G06N3/048 ,  G06N3/047 ,  G06F40/35

摘要： 本发明公开了一种融合多特征的BERT‑BiLSTM‑CRF危险化学品命名实体识别方法，包括获取危险化学品数据进行清洗和预处理，包括去除噪声数据、对数据进行分词、标注命名实体；构建基于3D‑CNN框架来提取上下文形态特征，引入拼音、部首、笔画数作为汉字特征；构建BiLSTM模型，用于提取上下文语义特征，引入注意力机制，学习更复杂的上下文序列特征；通过构建的CRF部分，解码命名实体标签序列，识别危险化学品命名实体。本发明通过构建的融合多特征的BERT‑BiLSTM‑CRF模型，从而实现准确识别危险化学品命名实体，有助于提取危险化学品信息，是化工领域知识图谱可视化构建等问题的重要基础。

公开(公告)号：CN116071331A

公开(公告)日：2023-05-05

申请号：CN202310108176.8

申请日：2023-02-13

申请人： 淮阴工学院

发明人： 沈泳杉 ,  邱军林 ,  邵鹤帅 ,  高丽 ,  蒋晓玲 ,  王兰芳 ,  李敏 ,  张浩东 ,  孙可可

IPC分类号： G06T7/00 ,  G06V10/762 ,  G06V10/774 ,  G06V10/776 ,  G06V10/82 ,  G06V10/80 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/082

摘要： 本发明公开了一种基于改进SSD算法的工件表面缺陷检测方法，采用数据集增强算法对预先获取的工件表面缺陷数据集进行预处理；搭建基于改进SSD算法的工件表面缺陷检测模型，包括基础网络层、特征映射层、特征预测层和非极大值抑制模块；基础网络层是将轻量级神经网络MobileNetv2替换VGG‑16作为SSD的基础网络；在特征映射层增加两个并行卷积模块，引入深度可分离卷积、空洞卷积、跳跃连接和像素加法操作，并且进行小、中目标预测层的特征融合；使用K‑means聚类算法对训练集真实框高宽比进行聚类分析，调整候选框的高宽比，使候选框尺寸更适用于检测工件表面缺陷目标。本发明增加模型对多尺度缺陷目标的检测精度，提高对小缺陷目标的检测能力。

公开(公告)号：CN116777853A

公开(公告)日：2023-09-19

申请号：CN202310685562.3

申请日：2023-06-09

申请人： 淮阴工学院

发明人： 邱军林 ,  沈泳杉 ,  邵鹤帅 ,  高丽 ,  蒋晓玲 ,  王兰芳 ,  李敏 ,  张浩东 ,  孙可可 ,  秦雨新 ,  雷恒聃 ,  李明辉 ,  杨健

IPC分类号： G06T7/00 ,  G06V10/40 ,  G06V10/80 ,  G06V10/82 ,  G06V10/764 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

摘要： 本发明公开了一种基于注意力机制的工件表面缺陷检测方法及装置，以EfficientDet‑d0为基线网络，主干特征提取网络采用EfficientNetv2中的Fused‑MBConv结构和MBConv结构，使用卷积注意力模块CBAM代替结构中的SENet模块，并且在结构中使用Hardmish激活函数，得到更快计算速度的同时提高模型的鲁棒性，在特征提取网络的最后引入快速空间金字塔池化模块SPPF，对特征图进行不同尺度的最大池化，增加网络的感受野；然后将提取到的特征送入改进的加权双向特征金字塔网络Improved‑BiFPN进行特征融合，提高模型的检测效果；最后将融合后的特征输入到类别和定位预测网络完成工件表面缺陷检测。本发明能克服现有的检测精度低和误检、漏检的问题。

公开(公告)号：CN116977725A

公开(公告)日：2023-10-31

申请号：CN202310919495.7

申请日：2023-07-25

申请人： 淮阴工学院

发明人： 杨健 ,  邱军林 ,  邵鹤帅 ,  高丽 ,  蒋晓玲 ,  雷恒聃 ,  李明辉 ,  秦雨新 ,  沈泳杉 ,  张浩东 ,  孙可可 ,  李敏

IPC分类号： G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种基于改进卷积神经网络的异常行为识别方法及装置，采集常见的异常行为图像，对异常行为数据进人工标注以及预处理，并划分成训练集、验证集以及测试集，将Inception模块中4条分支上的传统卷积替换成分组卷积GConv；在特征提取的骨干网络中的每条分支上的分组卷积操作之后引入通道重排ChannelShuffle；在特征融合颈部网络中引入多头注意力机制Multi‑Head Attention；在特征融合尾部网络中引入残差Residual结构和多尺度金字塔FPN结构，用来处理不同尺度的图片数据，最后通过全连接FC层和Softmax层得到异常识别结果。本发明可准确识别和分类异常行为，构建的识别模型具有更高的鲁棒性，识别速度更快，识别率更高。