-
公开(公告)号：CN114742508B
公开(公告)日：2023-08-22
申请号：CN202210452817.7
申请日：2022-04-27
Applicant: 安徽工业大学芜湖技术创新研究院
IPC: G06Q10/0833 , G16H40/20
Abstract: 本发明公开了基于北斗定位与人工智能的医废收运追踪与监管方法，涉及电子信息技术领域。包括：建立服务器与医疗废物收运车无线通信模块及医疗废物转运APP的联网系统；医疗废物收运车进行医疗废物收集，并实现待转运医疗废物与医疗废物收运车关联；医疗废物收运车进行医疗废物运输，并获取医疗废物收运车的运行信息；医疗废物收运车到达医疗废物处置中心，进行医疗废物交接。本发明通过北斗定位模块实现医疗废物收运车位置和速度等信息实时获取与展示，通过医疗废物收运车车辆监控模块实现基于人工智能的非法闯入等异常行为识别，使得医疗废物收运的安全得到进一步保障，有效杜绝医废运输过程中发生的沿途丢失或损坏而无法举证辨别责任的问题。
-
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：CN116225888A
公开(公告)日：2023-06-06
申请号：CN202211089102.6
申请日：2022-09-07
Applicant: 安徽工业大学
IPC: G06F11/36
Abstract: 本发明公开了智能交通技术领域的基于移动机器人的V2X室内仿真平台，包括有输入端、V2X车载设备端与显示终端；输入端主要包括机器人的信息处理过程；机器人在运行过程中，会对外广播坐标系之间的TF变换和发送速度相关话题，通过监听map坐标系至base_link坐标系之间的TF变换和订阅/cmd_vel话题的方式，可以获取机器人在自身所建地图中的实时坐标、偏航角和速度等数据信息；然后对数据信息进行滤波和校准处理后，转换为GNSS数据类型，并通过网络通信发送给V2X设备，可以在实现V2X安全场景应用的前提下，降低应用程序测试的复杂性，提高程序开发的效率，以及避免了车辆路测可能存在的安全风险。
-
公开(公告)号：CN114999480A
公开(公告)日：2022-09-02
申请号：CN202210594274.2
申请日：2022-05-27
Applicant: 安徽工业大学芜湖技术创新研究院
Abstract: 本发明公开了一种医废分类暂存系统及方法，属于电子信息技术领域，包括无线通信模块、语音交互模块、人脸与二维码识别模块、存储模块、触摸显示模块、消毒模块、控制处理模块。本发明通过语音交互模块对医废分类暂存终端进行相应控制，并通过语音对医废入库暂存和出库过程中出现的预警信息进行实时播报与提示，提高了在医院内进行医废入库暂存和出库操作的简便性，提高了医废暂存地管理员对于预警信息响应的实时性；通过设置的人脸与二维码识别模块，实现了操作人员身份认证以及医废与暂存箱的智能关联，提高了医废入库暂存和出库过程中信息采集的规范性；通过无线通信模块实现了医废分类暂存终端与服务器端的信息实时交互。
-
公开(公告)号：CN114944050A
公开(公告)日：2022-08-26
申请号：CN202210469374.2
申请日：2022-04-28
Applicant: 安徽工业大学芜湖技术创新研究院
Abstract: 本发明公开了一种基于语音交互的智能医疗废物收集系统，涉及电子信息技术领域。包括：无线通信模块将医疗废物收集终端所收集信息实时地无线发送至服务器，并接收服务器发送的实时预警信息；语音交互模块通过识别医疗废物收集者的语音指令，将指令发送至控制处理模块实现对医疗废物收集终端的控制；还包括与控制处理模块电连接的语音交互模块、人脸与二维码识别模块、蓝牙通信模块、存储模块、智能触控显示模块。提高医疗废物收集操作的简便性与舒适性，提高医疗废物收集者对于预警信息响应的实时性；通过人脸识别与二维码识别，提高了医疗废物收集过程中信息采集的规范性和真实性。本发明具备应用价值高、应用前景好的优良特性，值得被推广使用。
-
Patent Agency Ranking
公开(公告)号：CN113706897B
公开(公告)日：2022-07-22
申请号：CN202111163005.2
申请日：2021-09-30
Applicant: 安徽工业大学
Abstract: 本发明涉及智能交通技术领域，方案为基于V2X的公交优先动态反馈控制方法，该方法包括基于Kalman滤波的行程时间预测、公交优先初步引导方案以及动态反馈控制模块；本发明提出的基于V2X的公交优先动态反馈控制方法，从公交车在路口的实际运行状态，以及存在的干扰，同时基于V2X通信的实时性；该方法具有良好的冗余度以及抗干扰能力，不过分依赖公交车的行程时间预测的精度，同时在公交车受到较大的干扰下，实际行程时间和预测时间产生较大误差的情况下，也能够很好地通过交叉口；大大提高了出行效率，有广泛的社会效益和实用价值。
-
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：CN113538445A
公开(公告)日：2021-10-22
申请号：CN202110872834.1
申请日：2021-07-30
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于加权鲁棒FCM聚类的图像分割方法及系统，属于图像分割技术领域，包括以下步骤：S1：输入待分割图像矩阵，定义目标函数并初始化优化模糊聚类方法目标函数中的各参数；S2：基于目标函数最小化，计算更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵；S3：判断优化的模糊聚类方法是否满足迭代停止条件，否则继续迭代执行步骤S2，是则根据隶属度最大准则标记每个像素点，完成图像分割。本发明考虑了每个像素点属于不同类别的不同重要性，大大增强了算法对噪声点和奇异点的鲁棒性，从而提高了聚类的精度，解决了传统FCM算法在较高噪声环境下无法有效进行图像分割的技术问题，具有鲁棒性强和稳定性高的优点。
-
公开(公告)号：CN110378435B
公开(公告)日：2021-09-10
申请号：CN201910674376.3
申请日：2019-07-25
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于卷积神经网络的苹果叶片病害识别的方法，属于计算机视觉领域。该方法包括以下步骤：S1：对样本进行预处理；S2：搭建卷积神经网络，基于VGG16卷积神经网络模型，搭建包含归一化层和全局平均池化层的改进的卷积神经网络模型，并采用Adam算法对模型进行求解；S3：训练卷积神经网络模型，卷积基层的初始参数采用VGG16模型在ImageNet数据集上训练好的参数；S4：对测试样本进行预测并输出。本发明提出的改进的卷积神经网络提高了对苹果叶片病害的识别准确率，并且新型卷积神经网络极大地减少了训练参数，训练时间短、效率高，对苹果叶片病害的识别奠定了较好的基础。
-
-
-
-
-
-
-
-
-
Search Results
132
records
(took 0.029 seconds)
