申请/专利权人：浙江大学

申请日：2024-01-09

公开（公告）日：2024-04-09

公开（公告）号：CN117853849A

主分类号：G06V10/776

分类号：G06V10/776;G06V10/774;G06V10/25;G06V10/30;G06V10/44;G06V10/82;G06T5/92;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开一种基于Yolov5的毛笔笔尖检测方法，包括1收集不同类型毛笔的图像数据及对这些数据进行预处理；2对需要标注的数据集进行标注，生成训练需要的数据集；3使用标注好的数据集对Yolov5模型进行训练；4对训练好的模型进行优化和验证；5将优化好的模型部署到实际情况中进行应用。本发明具有快速检测、高精度、适应不同书写状态和光照条件的优势，可用于书法教学软件、智能书写辅助装置等产品，有望提升学习者的书写技艺和规律把握，具备良好的商业化前景。

主权项：1.一种基于Yolov5的毛笔笔尖检测方法，其特征在于，包括以下步骤：1收集不同类型毛笔的图像数据及对这些数据进行预处理，具体包括：1.1从多个角度和不同光照条件下拍摄毛笔，以确保图像能够反映笔尖在各种书写状态下的形态变化；1.2对拍摄的图像进行裁剪和旋转，剔除背景噪声，强化毛笔笔尖的视觉特征，便于算法识别；1.3利用图像处理技术调整对比度和饱和度，通过边缘检测等方法进一步清晰地突出毛笔笔尖的轮廓；1.4应用数据增强技术，增加训练数据的多样性，提高模型对于笔尖检测的鲁棒性；2对需要标注的数据集进行标注，生成训练需要的数据集，具体包括：2.1通过专业的标注团队对图像中的毛笔和毛笔笔尖进行精确标注；2.2生成和导出Yolo形式的标注信息文件；3使用标注好的数据集对Yolov5模型进行训练，具体包括：3.1选择合适的网络结构参数和超参数，使用图像增强后的标注数据集进行深度学习模型的训练；3.2通过交叉验证方法选择最优的模型，并使用GPU加速计算，确保训练过程的高效性；4对训练好的模型进行优化和验证，具体包括：4.1使用不同的测试集评估模型的泛化能力，分析模型在各种笔尖检测场景下的表现；4.2根据测试结果调整模型参数，采用fine-tuning的方法提高模型的精确度和检测速度；5将优化好的模型部署到实际情况中进行应用，具体包括：5.1将训练和优化好的Yolov5模型部署到实际应用中，实现对毛笔笔尖的实时检测；5.2设计结果输出模块，将检测到的笔尖位置以图形或数据形式实时反馈给用户。

全文数据：

权利要求：

百度查询： 浙江大学 一种基于Yolov5的毛笔笔尖检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD