-
公开(公告)号：CN116740456A
公开(公告)日：2023-09-12
申请号：CN202310760848.3
申请日：2023-06-25
Applicant: 安徽工业大学芜湖技术创新研究院 , 安徽工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06V10/80 , G06V10/20 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于Mobile ViT网络的角膜溃疡分类识别方法，属于角膜溃疡分类识别技术领域，包括以下步骤：S1：样本预处理；S2：增加注意力机制；S3：特征拼接；S4：网络搭建；S5：网络训练；S6：分类识别。本发明通过在原始Mobile ViT网络中添加SE注意力模块，增强了网络提取重要特征的能力，同时抑制了不必要的特征；从原始Mobile ViT网络中提取局部特征图，并将其与全局特征图融合，以提取更有效的特征，同时增加了各种特征之间的信息交换；通过各种比较实验证明了改进的有效性，并成功地将准确率从88.7％提高到91.5％。
-
公开(公告)号：CN116740037A
公开(公告)日：2023-09-12
申请号：CN202310760285.8
申请日：2023-06-25
Applicant: 安徽工业大学芜湖技术创新研究院 , 安徽工业大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06V10/20 , G06V10/40 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的混凝土多标签缺陷识别方法，属于混凝土缺陷识别技术领域，包括以下步骤：S1：样本预处理；S2：网络搭建；S3：网络训练；S4：缺陷识别。本发明将原始EfficientNetV2网络的MBConv模块中的SE注意力模块替换为CA注意力模块来提高特征提取能力，从而提高模型的表现能力，采用了SPP层可以让网络输入不同长宽比的图片进行训练，并且在保留了长宽比的信息；实验证明，改进后的模型在本发明数据集上有效的提升了识别水平。
-
公开(公告)号：CN119006928A
公开(公告)日：2024-11-22
申请号：CN202411234860.1
申请日：2024-09-04
Applicant: 安徽工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/776 , G06N3/048 , G06V10/80 , G06T7/00
Abstract: 本发明公开了一种基于改进后EfficientNetV2模型的桥梁混凝土缺陷多标签分类方法，属于混凝土缺陷分类技术领域。本发明通过在原始的EfficientNetV2网络中加入SCARM模块，实现对网络提取的特征图进行空间和通道上的冗余信息的去除，以减少模型训练过程中的冗余信息，并通过注意力机制促进代表性特征的学习；鉴于数据集中的图像具有不同的尺寸和高宽比，在分类层之前采用了SPPF模块进行多尺度特征融合，可以帮助网络提取各种尺寸的空间特征信息，从而提高模型对物体变形的鲁棒性；为了解决数据集中正负样本不平衡的问题，采用了不对称损失函数进行训练，能够动态调整权重和硬阈值，以减少简单负样本的影响，并且可以过滤可能被错误标记的样本。
-
公开(公告)号：CN118866115A
公开(公告)日：2024-10-29
申请号：CN202410885587.2
申请日：2024-07-03
Applicant: 安徽工业大学
IPC: G16B40/00 , G16B15/20 , G06F18/25 , G06F18/214 , G06F18/21 , G06N3/042 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于图神经网络的蛋白质相互作用预测方法，属于蛋白质相互作用预测技术领域，包括以下步骤：S1：氨基酸序列预处理；S2：提取蛋白质结构信息和序列信息；S3：结构信息与特征信息融合；S4：构建图神经网络；S5：模型网络训练；S6：蛋白质间相互作用预测。本发明采用将两种特征融合作为蛋白质特征表达；采用ESM‑2模块利用蛋白质的氨基酸序列提取蛋白质结构特征，无需提供单独的结构特征；采用非对称损失函数，能够有效解决蛋白质之间的相互作用中存在的样本标签不平衡问题。
-
公开(公告)号：CN117197896A
公开(公告)日：2023-12-08
申请号：CN202311222629.6
申请日：2023-09-21
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法，涉及异常检测技术领域。本发明使用MobileNetV3网络结构代替传统Yolo V7的Backbone模块，使用改进NAS‑FPN网络和CoAtNet网络代替传统Yolo V7的Neck模块，构建基于改进Yolo V7的异常行为检测模型；利用异常行为数据集对检测模型进行训练，获得深度学习模型；将预处理后的待检测图像输入深度学习模型进行异常行为实时检测，并对异常行为实时预警。本发明中改进的Yolo V7检测模型具有轻量化的特点，对医疗废弃物暂存站异常行为检测具有较快的检测速度和较高的检测精度，可有效杜绝因异常行为所导致的医疗废弃物损坏、污染或丢失而无法辨别责任问题。
-
Patent Agency Ranking
公开(公告)号：CN116468686A
公开(公告)日：2023-07-21
申请号：CN202310398023.1
申请日：2023-04-10
Applicant: 安徽工业大学
IPC: G06T7/00 , G06V10/778 , G06V10/774
Abstract: 本发明公开了一种基于软优化知识蒸馏的带钢表面缺陷识别方法，属于表面缺陷识别技术领域，包括以下步骤：S1：图像样本处理；S2：构建并训练教师网络；S3：软优化知识蒸馏训练；S3：软优化知识蒸馏训练。本发明先训练了一个大规模但识别精度高的大模型(教师模型)，再从教师网络中提取出一个子结构(学生网络)，最后以软优化知识蒸馏方案对学生网络进行训练，得到了一个高精度的缺陷识别模型，减少了模型高额的存储空间以及计算资源消耗，将缺陷识别模型更稳定、高效的落地在硬件平台上。
-
公开(公告)号：CN110070074B
公开(公告)日：2022-06-14
申请号：CN201910377894.9
申请日：2019-05-07
Applicant: 安徽工业大学
IPC: G06V40/10 , G06V40/16 , G06V20/52 , G06V10/762 , G06V10/774 , G06V10/82 , G06K9/62
Abstract: 本发明公开了一种构建行人检测模型的方法，属于图形处理技术领域。本发明的一种构建行人检测模型的方法，先从数据库中随机选取行人图像并对行人图像的头部进行标注作为标签文件，再将选取的行人图像划分为训练集、测试集和验证集；而后对训练集进行聚类分析得到新的先验框，再对YOLOv3网络进行网络结构调整；然后利用YOLOv3网络对训练集进行训练得到行人检测模型，再利用验证集对行人检测模型进行评估，最后利用测试集对行人检测模型进行测试。本发明的目的在于克服现有技术中，当监控场景下的行人处于密集状态时，行人检测结果不准确的不足，提供了一种构建行人检测模型的方法，可以解决行人检测时的行人遮挡问题，提高行人检测的准确性。
-
公开(公告)号：CN113643756A
公开(公告)日：2021-11-12
申请号：CN202110909991.5
申请日：2021-08-09
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于深度学习的蛋白质相互作用位点预测方法，属于生物信息学分析技术领域，首先，从PDB数据库获取公开的蛋白质数据集，基于数据集中蛋白质的序列信息生成位置特异性得分矩阵并提取给定蛋白质序列的物理化学特征，从而形成蛋白质中每一个氨基酸残基的表示。由于蛋白质序列中非相互作用残基远远多于相互作用残基，采用下采样策略来消除类别不平衡性以获得高质量且低偏差的数据集。将平衡后的数据集分为训练集和测试集，对于训练集利用变分自编码器进一步提取蛋白质序列的高级抽象特征，再利用多层感知机对氨基酸残基进行分类。将训练好的模型在测试集上测试，得到预测结果。本发明计算成本低且预测精度较高。
-
公开(公告)号：CN110070074A
公开(公告)日：2019-07-30
申请号：CN201910377894.9
申请日：2019-05-07
Applicant: 安徽工业大学
Abstract: 本发明公开了一种构建行人检测模型的方法，属于图形处理技术领域。本发明的一种构建行人检测模型的方法，先从数据库中随机选取行人图像并对行人图像的头部进行标注作为标签文件，再将选取的行人图像划分为训练集、测试集和验证集；而后对训练集进行聚类分析得到新的先验框，再对YOLOv3网络进行网络结构调整；然后利用YOLOv3网络对训练集进行训练得到行人检测模型，再利用验证集对行人检测模型进行评估，最后利用测试集对行人检测模型进行测试。本发明的目的在于克服现有技术中，当监控场景下的行人处于密集状态时，行人检测结果不准确的不足，提供了一种构建行人检测模型的方法，可以解决行人检测时的行人遮挡问题，提高行人检测的准确性。
-
公开(公告)号：CN109280726A
公开(公告)日：2019-01-29
申请号：CN201811086634.8
申请日：2018-09-18
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于多元线性回归算法预测炼铁高炉炉芯死料柱温度的方法，属于冶金信息处理技术领域。本发明首先进行炉芯死料柱温度目标值DMTgoal的计算，接着对该数据进行处理，对经过处理得到的数据样本做Pearson相关性分析，根据相关性分析的结果初步选取条件变量。再对各条件变量进行Pearson相关性分析，依据相关性分析的结果尽可能选择互相独立的条件变量建立模型。接着通过最小二乘法以及基于AIC的变量筛选准则筛选条件变量，再检验初步多元线性回归方程的拟优合度与回归系数，得到多元线性回归模型。本发明第一次提出使用多元线性回归算法来预测炉芯死料柱温度，可以实现高精度预测未来五天内的炉芯死料柱温度，而且可以实现炉芯死料柱温度的预警功能。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.023 seconds)
