公开(公告)号：CN118797515A

公开(公告)日：2024-10-18

申请号：CN202410780475.0

申请日：2024-06-18

Applicant: 哈尔滨理工大学

Inventor： 张郑 ,  张凤斌 ,  安兴 ,  张渝曼

IPC: G06F18/2433 ,  G06F18/25 ,  G06N3/084 ,  G06N3/0464 ,  G06F123/02

Abstract: 本发明是一种基于多分量相关性融合的多元时间序列数据异常检测方法。本发明涉及在多元时序异常检测技术领域，本发明进行数据预处理，对数据进行标准化和数据集的划分；进行序列分解与特征提取，对多分量的时序数据进行特征提取，提取的特征输入模型中；进行多分量融合，将提取到的多个分量特征使用一个融合矩阵进行融合；进行模型训练，使用多分量相关性融合的时间序列数据异常检测方法进行训练，训练对时间序列数据进行异常检测的模型；进行模型测试，使用训练好的模型测试数据。本发明能够很好地处理高维数据，无需手动选取数据特征。只要训练好模型，就可以获得较好的检测效果。同时经过多尺度序列分解操作，能够提取更充分的时序特征。

公开(公告)号：CN118212629A

公开(公告)日：2024-06-18

申请号：CN202410310999.3

申请日：2024-03-19

Applicant: 哈尔滨理工大学

Inventor： 张渝曼 ,  裴树军

IPC: G06V20/62 ,  G06V10/774 ,  G06V10/776 ,  G06V10/82 ,  G06N3/084

Abstract: 本文介绍了一个使用最先进的目标检测框架YOLOv8在图像中检测车牌的系统。针对传统模型对车牌识别效果欠佳的问题，提出一种基于改进YOLOv8的车辆识别方法。该方法包括数据收集、预处理、模型训练和微调，以及车牌定位和识别算法。对具有基本注释的数据集进行评估，mAP达到98.4％。对替代方法进行基准测试可以证明性能有所提高。讨论了实现中遇到的困难，包括数据标签和处理不同的制版格式。阐明了YOLOv8模型在车牌检测中的有效性。在不同地区本地化车牌，它能够适应不同的版式外观，包括字体、比例、旋转和轮廓的异质性。证实了YOLOv8在准确性和便捷性方面的优势。从而显著提高模型的鲁棒性和车牌识别的准确率。