-
公开(公告)号：CN102957660A
公开(公告)日：2013-03-06
申请号：CN201210454504.1
申请日：2012-11-14
Applicant: 西南石油大学
IPC: H04L27/26
Abstract: 本发明公开了一种OFDM系统最优限幅率迭代限幅滤波方法。本发明通过研究了一种根据每个OFDM符号限幅后频域信息的改变情况计算该OFDM符号限幅率的方法，并将该法用于迭代限幅滤波算法中。由于传统迭代限幅滤波方法的限幅率（Clipping Ratio，CR）是固定的，这对于个别OFDM符号往往得不到理想的效果，该迭代限幅滤波法（IterativeClipping andFiltering，ICF）是一种简单而且有效的降低OFDM系统峰均功率比（PAPR）的方法。理论和仿真表明，改进后的算法与传统方法相比能够更有效地降低PAPR。
-
公开(公告)号：CN102251770A
公开(公告)日：2011-11-23
申请号：CN201110169795.5
申请日：2011-06-23
Applicant: 西南石油大学
Abstract: 本发明提出了一种实现气体钻井中井下信息与地面信息高速无线双工通信的方法，该方法在井下通过传感器采集信号，经过正交频分复用调制技术形成OFDM信号，通过OFDM无线网桥、无线网络中继器、双向天线和钻杆等基本结构单元传输信号到地面，再经过解调，获得井下所采集的信号，并由此判断井下压力、温度、地层出水、井眼倾角状况等，通过分析这些数据，形成地面控制指令，并通过该传输系统将指令信号传到井下，指导井下工作。该方法与目前的同类技术相比较而言，具有传输数据量大、传输速率高、实时性强、双向通信等优点。
-
公开(公告)号：CN116433680B
公开(公告)日：2025-05-16
申请号：CN202310370170.8
申请日：2023-04-10
Applicant: 西南石油大学
IPC: G06T7/10 , G06T5/50 , G06T5/70 , G06T3/4038 , G06T3/4046 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出一种基于深度学习的骨显像病灶分割方法。该方法先对采集到的骨显像图像进行预处理，首先构建Encoder模块，对采用Swin Transformer编码部分对骨显像图像进行编码提取病灶特征，然后构建注意力汇聚模块对编码器输出的特征图注意力进行汇聚，减少注意力分散，提高局部的特征提取能力；然后构建Decoder模块对注意力汇聚模块输出的特征图进行逐步特征融合减少特征差异，同时将不同分辨率的特征图信息进行融合；最后将融合后的特征图输入线性预测层中得到分割的结果。本发明能够提高骨显像病灶分割的精度。
-
公开(公告)号：CN118115379A
公开(公告)日：2024-05-31
申请号：CN202410235665.4
申请日：2024-03-01
Applicant: 西南石油大学
IPC: G06T5/70 , G01V1/36 , G01V1/34 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455
Abstract: 本发明提出一种基于深度学习的两阶段地震资料多次波噪声压制方法。该图像去噪方法，首先对真实工区含多次波噪声数据集按比例划分为训练数据和测试数据；训练过程分为两个阶段，第一阶段对训练数据进行目标检测，框选出含多次波噪声的部分，然后对无噪声部分进行MASK掩码处理，达到数据增强目的；第二阶段先将处理过后的数据分为含强、弱多次波噪声图片两类，然后自适应的输入到基于改进的Swin‑Transformer强、弱去噪模型中进行去噪。节约训练时间，节省计算成本，且本方法具有较好的去噪精度以及很强的适应性，特别是在一些多次波噪声强、弱等级相差较大的数据中有非常好的表现。
-
公开(公告)号：CN116894825A
公开(公告)日：2023-10-17
申请号：CN202310877840.5
申请日：2023-07-18
Applicant: 西南石油大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/047 , G06V10/25 , G06V10/764 , G06V10/762 , G06V10/40 , G06N3/084
Abstract: 本发明所提供的一种基于深度学习的X射线图像焊缝缺陷检测方法，利用FasterRCNN网络对X射线图像进行焊缝缺陷检测，相较于传统FasterRCNN，本发明改进了主干网络的ResNet50模块，在Bottleneck中最后一个卷积层后面增加了gi信息增益模块，提升特征提取能力，同时，对RPN网络中的预设锚框生成比例进行修改，使用K‑Means++算法对待检测的目标长宽比例进行聚类，得到更符合当前检测数据集的缺陷特征长宽比例分布，提升缺陷检测效果。
-
Patent Agency Ranking
公开(公告)号：CN116468747A
公开(公告)日：2023-07-21
申请号：CN202310392119.7
申请日：2023-04-13
Applicant: 西南石油大学
IPC: G06T7/12 , G06T7/13 , G06T7/11 , G06T7/136 , G06V10/764
Abstract: 本发明所提供的一种基于改进分水岭算法的图像分割算法。对灰度化后的图像进行帽变换，增强了图像的明暗对比度。在此基础上，使用高斯滤波对图像做卷积处理，凸显出图像边缘。最后使用分水岭算法得到最终的分割图像。本发明的相较于传统的分水岭算法，具有更好的分割效果，具有广泛的应用价值。
-
公开(公告)号：CN116433629A
公开(公告)日：2023-07-14
申请号：CN202310386523.3
申请日：2023-04-12
Applicant: 西南石油大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06T1/00 , G06V10/764 , G06V10/54 , G06V10/776 , G06N3/0455 , G06N3/0464 , G06N3/048
Abstract: 本发明提出了一种基于GA‑Unet的机场道面缺陷识别方法，该模型使用GFM模块丰富了模型的输入信息，使模型的可用特征信息增加；然后，该模型使用MRCM和CAM模块实现了网络模型中的各层级特征的有效利用，提升了模型的特征识别能力。在模型训练过程中，采用Focal损失函数使模型更加关注图像中的裂缝等难分类的小样本的特征，进一步提升模型的裂缝、灌缝和板缝的识别性能。实验结果表明，现有的深度学习图像识别技术很有希望在机场道面图像识别领域落地应用，为机场道面管理人员减少工作量以及对机场道面科学养护与管理提供了理论依据。
-
公开(公告)号：CN116029929A
公开(公告)日：2023-04-28
申请号：CN202310021230.5
申请日：2023-01-07
Applicant: 西南石油大学
IPC: G06T5/00 , G06V10/774 , G06V10/82 , G06V40/20 , G06N3/0464 , G06N3/084
Abstract: 本发明提出一种基于滑动掩膜的视频行为数据增强方法。该方法先对原有视频行为训练样本进行增强，构建新的增强样本，具体实施方法为：首先从全部数据集中随机提取出连续的视频图片并进行预处理作为训练样本；然后获取到模型训练的训练轮次信息，并计算数据增强算法的触发概率；然后根据触发概率判断是否对训练样本进行数据增强；判断为不需要增强时，直接使用训练样本对视频行为识别模型进行训练；判断为需要增强时，获取训练样本的长度、宽度、帧数信息，并据此产生对应的随机掩膜；最后将随机掩膜与训练样本进行合并得到增强样本，最后使用增强样本对视频行为识别模型进行训练。与现有技术相比，本发明具有提升效果好、效率优、简单等优点。
-
公开(公告)号：CN115953387A
公开(公告)日：2023-04-11
申请号：CN202310093032.X
申请日：2023-02-10
Applicant: 西南石油大学
IPC: G06T7/00 , G06T7/194 , G06V10/20 , G06V10/764 , G06V10/82 , G06V10/774 , G06V10/40 , G06V10/25 , G06N3/08
Abstract: 本发明所提供的一种基于深度学习的射线图像焊缝缺陷检测方法，利用Faster RCNN网络对射线图像进行目标检测，在传统Faster RCNN的基础上，本发明增加背景减去网络层，得到五个模块的Faster RCNN网络结构，该背景减去网络层具有带更新的参数，能随着网络训练不断优化降低背景的效果，突出缺陷特点，同时，利用三支路区域推荐网络层代替传统区域推荐网络，它具有的两个回归分支使预测缺陷位置信息的任务得到细分，一个分支负责预测缺陷的中心点横坐标和宽，一个分支负责预测缺陷的中心点纵坐标和高，增强缺陷位置预测的准确度。
-
公开(公告)号：CN115909175A
公开(公告)日：2023-04-04
申请号：CN202310021223.5
申请日：2023-01-07
Applicant: 西南石油大学
IPC: G06V20/40 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于注意力特征门控的视频异常行为识别方法，该方法对多维训练进行特征降维，构建效率更高的识别网络，具体实施方法为：首先从全部数据集中随机提取出连续的视频图片并进行预处理作为训练样本；然后送入本发明提出的网络模型AFG‑NET中进行训练；然后模型对训练样本的帧率维度进信道分离，利用二维卷积对多个信道进行特征提取，然后使用信道特征稀疏化函数对特征进行缩放求和，并与训练样本的全局特征相乘得到输出；然后模型的后续部分对特征进行提取识别，最终得到网络模型的预测结果；最后使用加权稀疏化惩罚和交叉熵损失相结合的联合损失，并使用随机梯度下降对模型的联合损失进行反向传播，优化网络模型的参数，以达到全局最优。
-
-
-
-
-
-
-
-
-
Search Results
129
records
(took 0.026 seconds)
