-
公开(公告)号：CN116958052A
公开(公告)日：2023-10-27
申请号：CN202310741649.8
申请日：2023-06-21
Applicant: 安徽工业大学
IPC: G06T7/00 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于YOLO和注意力机制的印刷电路板缺陷检测方法，属于印刷电路板表面缺陷识别技术领域，包括以下步骤：S1：图像处理；S2：对比并融合不同的注意力机制；S3：损失函数优化；S4：缺陷识别。本发明在印刷电路板独立测试集上获得了97.8％mAP以及80.1FPS的成绩，优于其他现有方法；使用CA注意力机制优化YOLO v5m，使其计算复杂度由49.0GFLOPs下降到了41.0GFLOPs，而在独立测试集上的精度反而有所提高；本发明提出的模型具有良好的鲁棒性，能够同时准确识别并定位多种类型的缺陷。
-
公开(公告)号：CN116304879A
公开(公告)日：2023-06-23
申请号：CN202310318542.2
申请日：2023-03-28
Applicant: 安徽工业大学
IPC: G06F18/241 , G01M13/045 , G06F18/24 , G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于软阈值的电机轴承故障诊断方法，属于电机轴承故障诊断技术领域。本发明提出了基于软阈值的深度卷积神经网络，能够快速、高效、准确地对含有强噪声的电机轴承信号进行故障诊断，具备更强的适用性；能自适应的滤除噪声，有效提高故障识别精度，提升了故障诊断的效率；提出的基于软阈值的深度卷积神经网络，其网络结构中第一层使用一个宽的卷积核用来做特征提取，能提高特征提取效率；提出的基于软阈值的深度卷积神经网络满足在不需要人工提取特征的前提下，自动提取识别电机轴承在强噪声情况下的故障特征的需求，实现了端到端的故障诊断。
-
公开(公告)号：CN113706471A
公开(公告)日：2021-11-26
申请号：CN202110870944.4
申请日：2021-07-30
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于模型压缩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：对热轧带钢表面缺陷图像样本进行预处理；S2：基于anchor‑free目标检测框架，搭建热轧带钢表面缺陷检测网络；S3：对缺陷检测网络进行模型压缩，并采用线性策略及训练样本训练模型；S4：在独立验证集上测试缺陷检测网络并输出检测速度与检测结果。本发明先搭建用于识别与定位的钢铁表面缺陷检测网络，再移除缺陷检测网络中冗余的参数，减少模型高额的存储空间以及计算资源消耗，将缺陷检测网络更稳定、高效的落地在硬件平台上。
-
公开(公告)号：CN106097307B
公开(公告)日：2018-10-23
申请号：CN201610374573.X
申请日：2016-05-26
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于人工鱼群算法的圆形工件检测方法，属于计算机信息图像处理技术领域。本发明首先对待检测图像进行预处理，获取圆形工件的边缘信息，然后根据待测工件图像的尺寸确定一个三维解空间并初始化人工鱼群，使每条人工鱼随机分布在该解空间中，最后人工鱼群采用自适应视野和步长，通过不断交互并协调行为，在解空间中启发式搜索经过边缘点数目最多的圆，从而得到工件的圆心和半径；本发明与传统霍夫变换检测圆的方法相比，可以实现在参数空间中并行搜索且不需要遍历整个空间，较大地减少了空间和时间开销，也提高了检测的精度，具有快速、准确和鲁棒的特点。
-
公开(公告)号：CN120014340A
公开(公告)日：2025-05-16
申请号：CN202510085655.1
申请日：2025-01-20
Applicant: 安徽工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/08 , G06V10/774 , G06V10/44 , G06V10/42 , G06V10/80 , G06T7/00
Abstract: 本发明公开了一种基于YOLOv8网络与Transformer结合的PCB缺陷分类方法，属于印刷电路板表面缺陷识别技术领域，包括以下步骤：S1：样本预处理；S2：网络构建；S3：网络结构优化；S4：模型训练；S5：检测结果输出。本发明该基于YOLOv8网络与Transformer结合的PCB缺陷分类方法，建立了基于YOLOv8分类网络和Transformer的PCB缺陷分类模型，结合了两者的优势；通过对输入通道的合理分配来加强特征提取的能力以及提高计算效率，并通过添加自适应细粒度通道注意力机制增强模型全局与局部信息融合的能力；利用卷积门控线性单元降低计算复杂度的同时增强Transformer非线性特征表达的能力，显著提升了模型的准确率。
-
Patent Agency Ranking
公开(公告)号：CN119905168A
公开(公告)日：2025-04-29
申请号：CN202411959726.8
申请日：2024-12-30
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于图神经网络与卷积神经网络的药物反应预测方法，属于药物反应预测技术领域，包括以下步骤：S1：数据预处理；S2：网络构建；S3：网络训练；S4：药物反应预测。本发明采用了卷积神经网络与图神经网络结合的方法，加入了药物分子图数据，引入了药物分子的结构特征，使得最终的回归预测更佳精准；对于来源于序列的药物分子指纹全局特征使用堆叠的一维卷积模块进行特征提取，强化了邻域信息；通过设计的信息交互融合分支，不仅实现了对药物特征与细胞系特征的信息交互，同样实现了药物反应信息与药物smiles序列信息之间的交互，得到的新特征向量提高了模型的预测性能。
-
公开(公告)号：CN119049543A
公开(公告)日：2024-11-29
申请号：CN202411234959.1
申请日：2024-09-04
Applicant: 安徽工业大学
IPC: G16B15/30 , G16B40/00 , G06V10/40 , G06N3/0464 , G06N3/045 , G06V10/74 , G06V10/80 , G06N3/08 , G06V10/82
Abstract: 本发明公开了基于图神经网络的多视图特征融合药物重定位预测方法，属于药物‑疾病相互作用预测技术领域。本发明通过将多种关系数据构建为不同视图的图网络，并构建适用于图网络性质的图神经网络来提取对应视图包含的独特信息；在提取多视图特征后，采用最大值选取策略保留了最显著的特征并降低了噪声带来的影响，同时利用多层图神经网络和层注意力机制提取了多层次特征并自动调整了其对最终结果的贡献。
-
公开(公告)号：CN118864378A
公开(公告)日：2024-10-29
申请号：CN202410871840.9
申请日：2024-07-01
Applicant: 安徽工业大学
IPC: G06T7/00 , G06V10/25 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种PCB缺陷检测方法，属于印刷电路板表面缺陷检测技术领域，包括以下步骤：S1：样本预处理；S2：网络模型搭建；S3：损失函数优化；S4：输出检测结果。本发明通过在原始YOLOv8网络中添加两种新型卷积模块：SCConv模块以及可变形卷积模块，可以更有效地提取空间特征，同时，在减少计算成本的基础上，还能提高模型的检测精度；然后，将原有的损失函数替换为新的SIoU函数，有助于更好地训练目标，促进模型更快地收敛，从而提高了模型的性能。
-
公开(公告)号：CN118840345A
公开(公告)日：2024-10-25
申请号：CN202410952226.5
申请日：2024-07-16
Applicant: 安徽工业大学
IPC: G06T7/00 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/045 , G06N3/0495 , G06N3/084
Abstract: 本发明公开了一种基于FPDNet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：在带钢表面缺陷图像数据集中采集数据样本，并对样本进行预处理；基于YOLOv8目标检测框架，设计包含可变形卷积和注意力机制的热轧带钢表面缺陷目标检测模型，并选择HGNetv2网络作为目标检测模型的特征提取器，同时采用GhostConv对骨干网络进行轻量化；利用训练集对模型进行训练，获取最优检测模型；在测试集上测试并输出检测结果与检测速度。本发明基于YOLOv8目标检测框架，选择参数量较少的卷积神经网络HGNetv2作为特征提取网络，同时设计了基于调制可变形卷积和MPCA注意力机制的CEDLAM模块，并选择SIoU损失函数，在提高模型的检测准确度和速度的同时大大降低了模型的参数量。
-
公开(公告)号：CN118197603A
公开(公告)日：2024-06-14
申请号：CN202410366139.1
申请日：2024-03-28
Applicant: 安徽工业大学
Abstract: 本发明公开了一种利用胃癌病理图像预测胃癌分子亚型的方法，属于胃癌组织病理学图像技术领域，包括以下步骤：S1：胃癌基因表达数据处理分析；S2：肿瘤免疫微环境对比分析；S3：病理图像预处理以及特征提取与分析；S4：分子亚型识别。本发明先对胃癌基因表达数据预处理以及分析，然后根据基因表达数据计算肿瘤免疫微环境数据进行分析，接着对搜集到的病理图像经过一系列筛选、注释、切割、质控、归一化并提取特征进行分析，最后采用基于focal loss的Resnet18模型对胃癌分子亚型进行预测，实验结果证明本发明可以使用胃癌图像精确预测胃癌分子亚型，未来有望应用于医学图像识别。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.028 seconds)
