-
公开(公告)号：CN119887727A
公开(公告)日：2025-04-25
申请号：CN202510043312.9
申请日：2025-01-10
Applicant: 安徽工业大学
IPC: G06T7/00 , G06V10/25 , G06V10/82 , G06V10/774 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/045 , G06N3/0495 , G06N3/096
Abstract: 本发明公开了一种基于SAPC‑Net网络的瓷砖产品表面缺陷检测方法，属于瓷砖表面缺陷检测技术领域。本发明基于YOLOv8目标检测框架，设计了一种基于Sobel卷积的空间边缘信息融合模块SEIF，并将其引入骨干网络中的C2f模块，形成C2f‑SEIF模块，从而增强了骨干网络的特征提取能力；进一步引入ASF‑YOLO网络的颈部网络，并在此基础上进行改进和优化，设计出带有200×200的小目标检测层的改进颈部网络improved_neck，显著提升了模型对瓷砖小目标缺陷的检测性能；此外，引入PIOU_V2损失函数替代CIOU作为回归框损失函数，加快了模型的收敛速度，并增强了目标缺陷的定位能力；最后，采用通道蒸馏策略CWD，在保持模型轻量化的同时，进一步提升了检测性能。
-
公开(公告)号：CN113643756B
公开(公告)日：2024-08-16
申请号：CN202110909991.5
申请日：2021-08-09
Applicant: 安徽工业大学
IPC: G16B20/30 , G16B15/20 , G16B40/30 , G06F18/214 , G06F18/25 , G06F18/241 , G06N3/0455 , G06N3/088
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：CN113628178B
公开(公告)日：2024-03-15
申请号：CN202110872859.1
申请日：2021-07-30
Applicant: 安徽工业大学
IPC: G06T7/00 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06V10/42 , G06V10/44
Abstract: 本发明公开了一种速度与精度平衡的钢铁产品表面缺陷检测方法，属于钢材表面缺陷检测技术领域，包括以下步骤：S1：从数据库中获取热轧带钢表面缺陷典型图像样本，并对样本进行预处理；S2：基于CenterNet目标检测模型，设计包含跳层连接和金字塔特征融合模块的热轧带钢表面缺陷目标检测模型，并选择骨干网络作为目标检测模型的特征提取器；S3：对目标检测模型中骨干网络结构部分的参数采用在ImageNet数据集上训练好的参数进行初始化，并用训练样本训练目标检测模型；S4：用训练后的目标检测模型对测试样本进行测试，并输出检测结果。本发明检测热轧带钢表面缺陷目标位置的准确率高，检测速度快，能够有效地应用于现场实时检测热轧带钢的表面缺陷。
-
公开(公告)号：CN116977681A
公开(公告)日：2023-10-31
申请号：CN202311089243.2
申请日：2023-08-28
Applicant: 安徽工业大学
IPC: G06V10/762 , G06V10/774 , G06V40/16
Abstract: 本发明公开了一种基于数据差异性增强的数据聚类方法及系统，属于数据处理技术领域，包括获取待聚类数据集；将待聚类数据输入多个不同深度的堆叠自编码器进行特征提取，基于输入样本与重构输出样本误差最小化，构建堆叠自编码器损失函数，并对不同深度的堆叠自编码器模型进行训练，得到多个原始数据的编码特征等步骤。本发明通过不同深度的堆叠自编码器获取鲁棒的低维特征表示，采用基于数据差异性增强的数据聚类算法进行聚类，获得基聚类结果，能有效区分特征的不同重要性，并且能同时增强数据差异，提高了基聚类分析的聚类性能，最后利用聚类集成共识函数获取最终聚类结果，有效提高了聚类最终结果的质量，具备适用性强和聚类性能高的优良特性。
-
公开(公告)号：CN116342542A
公开(公告)日：2023-06-27
申请号：CN202310318437.9
申请日：2023-03-28
Applicant: 安徽工业大学
IPC: G06T7/00 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于轻量级神经网络的钢铁产品表面缺陷检测方法，属于钢材表面缺陷检测技术领域，包括以下步骤：从数据库中获取钢铁产品表面缺陷样本，并对样本进行预处理；基于YOLOv4‑tiny模型，选取特征提取网络，构建包含改进的金字塔特征融合模块的钢铁产品表面缺陷目标检测模型；对钢铁产品表面缺陷目标检测模型中特征提取网络的参数采用在ImageNet数据集上训练好的参数进行初始化，并用训练样本训练钢铁产品表面缺陷目标检测模型，保存训练后的钢铁产品表面缺陷目标检测模型；用保存的目标检测模型对测试样本进行测试，并输出检测结果。本发明检测钢铁产品表面缺陷目标位置的准确率高，检测速度快，能够有效地应用于现场实时检测钢铁产品的表面缺陷。
-
Patent Agency Ranking
公开(公告)号：CN113628178A
公开(公告)日：2021-11-09
申请号：CN202110872859.1
申请日：2021-07-30
Applicant: 安徽工业大学
Abstract: 本发明公开了一种速度与精度平衡的钢铁产品表面缺陷检测方法，属于钢材表面缺陷检测技术领域，包括以下步骤：S1：从数据库中获取热轧带钢表面缺陷典型图像样本，并对样本进行预处理；S2：基于CenterNet目标检测模型，设计包含跳层连接和金字塔特征融合模块的热轧带钢表面缺陷目标检测模型，并选择骨干网络作为目标检测模型的特征提取器；S3：对目标检测模型中骨干网络结构部分的参数采用在ImageNet数据集上训练好的参数进行初始化，并用训练样本训练目标检测模型；S4：用训练后的目标检测模型对测试样本进行测试，并输出检测结果。本发明检测热轧带钢表面缺陷目标位置的准确率高，检测速度快，能够有效地应用于现场实时检测热轧带钢的表面缺陷。
-
公开(公告)号：CN107818915B
公开(公告)日：2020-02-21
申请号：CN201711135993.3
申请日：2015-09-28
Applicant: 安徽工业大学
Abstract: 本发明公开了用氮和硼改善4H‑SiC MOSFET反型层迁移率的方法，属于微电子技术领域。步骤如下：A、采用离子注入工艺将五价元素氮植入到4H‑SiC外延层表面；B、采用湿氧氧化工艺形成栅氧化层；C、采用扩散工艺将三价元素硼植入到外延层与氧化层的界面；扩散工艺的扩散温度为950℃，时间为1.5‑2.5小时，确保硼掺杂剂在热动力的驱使下能穿透栅氧化层到达4H‑SiC/SiO2界面；硼扩散工艺后，在惰性气体的保护下退火。该方法能大大减小4H‑SiC/SiO2的界面态密度、提高4H‑SiC MOSFET的反型层迁移率，同时稳定4H‑SiC MOSFET的阈值电压。
-
公开(公告)号：CN107818915A
公开(公告)日：2018-03-20
申请号：CN201711135993.3
申请日：2015-09-28
Applicant: 安徽工业大学
Abstract: 本发明公开了用氮和硼改善4H-SiC MOSFET反型层迁移率的方法，属于微电子技术领域。步骤如下：A、采用离子注入工艺将五价元素氮植入到4H-SiC外延层表面；B、采用湿氧氧化工艺形成栅氧化层；C、采用扩散工艺将三价元素硼植入到外延层与氧化层的界面；扩散工艺的扩散温度为950℃，时间为1.5-2.5小时，确保硼掺杂剂在热动力的驱使下能穿透栅氧化层到达4H-SiC/SiO2界面；硼扩散工艺后，在惰性气体的保护下退火。该方法能大大减小4H-SiC/SiO2的界面态密度、提高4H-SiC MOSFET的反型层迁移率，同时稳定4H-SiC MOSFET的阈值电压。
-
公开(公告)号：CN119889427A
公开(公告)日：2025-04-25
申请号：CN202510043314.8
申请日：2025-01-10
Applicant: 安徽工业大学
IPC: G16B15/30 , G16B40/00 , G16B30/00 , G06F18/241 , G06F18/10 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于混合图注意力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：蛋白质数据的预处理；提取并融合蛋白质的特征；构建TCN神经网络；构建混合图注意力神经网络；模型训练；蛋白质间相互作用预测。本发明将两种特征融合作为蛋白质特征表达，采用TCN网络提取蛋白质全局特征，无需通过卷积神经网络提取全局特征；采样GAT和GCN网络提取蛋白质的局部特征，无需通过滑动窗口技术对局部特征进行单独提取。
-
公开(公告)号：CN117556317A
公开(公告)日：2024-02-13
申请号：CN202311500690.2
申请日：2023-11-09
Applicant: 安徽工业大学
IPC: G06F18/241 , G06F18/2131 , G06F18/15 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/44 , G06N3/0455 , G06N3/08 , G01M13/045
Abstract: 本发明公开了一种基于时频图像的转动轴承故障诊断方法，属于轴承故障诊断技术领域。本发明步骤为：S1：采集信号数据并进行数据预处理；S2：生成小波时频图数据集；S3：构建改进CNN‑SiT网络模型；S4：训练网络模型的ResNet‑50分支网络和Swin Transformer分支网络；S5：微调网络模型顶层结构，确定模型的最优超参数；S6：转动轴承故障诊断。本发明融合了CNN网络提取局部特征的优势和Swin Transformer获取图像全局表示的特点，可以自动发掘信号样本中的有效信息，摆脱了对大量信号处理知识和诊断工程经验的依赖，节省了人工成本和时间，具有比现有技术更强的故障分类和泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.019 seconds)
