-
公开(公告)号：CN118781654A
公开(公告)日：2024-10-15
申请号：CN202410905416.1
申请日：2024-07-08
Applicant: 安徽大学
IPC: G06V40/20 , G06V20/40 , G06V20/52 , G06V40/10 , G06V10/82 , G06V10/764 , G06V10/40 , G06V10/80 , G06V10/25 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于人体骨骼关键点检测的ICU患者体动视频识别方法，与现有技术相比解决了难以针对视频检测人体体动的缺陷。本发明包括以下步骤：数据集的获取与预处理；人体骨骼关键点识别模型的构建；人体骨骼关键点识别模型的训练；待识别视频流数据的获取；人体关键点检测及关键点坐标信息入库；人体原子动作识别；基于CPOT评分的体动量化分类。本发明在骨干网络中引入了CA注意力模块，增强了模型对关键点位置信息的识别能力，提高了关键点检测的精度。同时，通过引入深度可分离卷积，有效降低了模型参数量，提高了检测速度，解决了原始算法在自制ICU患者数据集上收敛效果差、关键点丢失的问题。
-
公开(公告)号：CN118446369A
公开(公告)日：2024-08-06
申请号：CN202410623474.5
申请日：2024-05-20
Applicant: 安徽大学
IPC: G06Q10/04 , G06Q50/26 , G06Q50/06 , G06F18/2433 , G06F18/243 , G06F18/15 , G06N3/0442 , G06N3/08 , G06N3/006 , G06N5/01 , G06N20/20
Abstract: 本发明公开了一种基于VMD‑SSA‑GRU组合模型的短期碳排放预测系统，包括短期碳排放预测系统包括数据采集系统、模型建立系统、算法设计系统和预测分析系统，GRU神经网络通过算法设计系统优化建立组合模型，算法设计系统包括拉格朗日插值法、孤立森林算法、变分模态分解法和麻雀搜索算法，预测分析系统根据模型建立系统和算法设计系统分析预测电力负荷与碳排放之间的关系。本发明用短期碳排放预测系统的设置方式，通过分析区域电力负荷与碳排放的关系，为区域级别的碳排放研究提供新的视角，且将能源使用与环境影响之间的关系结合起来，这种跨学科的方法能够为气候变化和可持续发展提供更全面的见解。
-
公开(公告)号：CN117629635A
公开(公告)日：2024-03-01
申请号：CN202311623407.5
申请日：2023-11-30
Applicant: 安徽大学
IPC: G01M13/045 , G06T7/00 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种基于深度迁移学习的轴承变工况故障诊断方法，步骤包括：步骤1、获取轴承的源域、目标域；步骤2、得到源域、目标域的时频图；步骤3、利用源域时频图对CNN模型进行预训练得到预训练CNN模型，以及源域深度特征集；步骤4、将预训练CNN模型迁移得到迁移CNN模型；步骤5、利用少量目标域时频图对迁移CNN模型训练，由训练好的迁移CNN模型得到目标域深度特征集；步骤6、采用基于融合边际准则的平衡分布域适应方法对源域、目标域深度特征集进行处理，得到新源域、目标域深度特征集；步骤7、利用新源域深度特征集训练机器学习分类器，利用训练好的机器学习分类器实现故障诊断。本发明能够取得理想的故障诊断性能。
-
公开(公告)号：CN116010883A
公开(公告)日：2023-04-25
申请号：CN202310112737.1
申请日：2023-02-14
Applicant: 安徽大学
IPC: G06F18/2415 , G01M13/045 , G06F18/2431 , G06N3/0464 , G06N3/047 , G06N3/096 , G06N3/09 , G06N3/084
Abstract: 本发明公开了一种基于改进联合分布适配的轴承故障诊断方法、设备和存储介质，涉及轴承故障诊断方法领域。方法包括以下步骤：步骤1、根据轴承振动信号建立源域特征集、目标域特征集；步骤2、构建特征可迁移性量化指标后建立源域特征样本集、目标域特征样本集；步骤3、对源域特征样本集进行流形子空间学习，得到源域特征子集以及特征映射矩阵；基于特征映射矩阵将目标域特征样本集转换为目标域特征子集后进行联合分布适应算法求解，获得分布适应的源域特征集、目标域特征集；步骤4、采用分布适应后的源域特征集对分类器进行训练，并利用训练好的分类器基于分布适应后的目标域特征集得到故障诊断结果；设备和存储介质用于实现该方法。
-
公开(公告)号：CN112884025B
公开(公告)日：2022-11-04
申请号：CN202110141168.4
申请日：2021-02-01
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多特征分段式训练的茶叶病害分类系统，包含以下阶段：第一阶段、数据预处理；第二阶段、最优网络训练；第三阶段、图像分类功能；所述的第一阶段、数据预处理包括病害图片的裁切和数据的扩充两步；所述的第二阶段、最优网络训练包括数据划分和特征学习网络迭代训练两步本发明通过深度学习的方法设计了一种茶叶病害特征学习网络对茶叶病害数据进行训练，然后及那个已训练好的网络模型进行迁移，将最终的茶叶病害分类智能化，并且排除人为主观因素，使得到的结果较好。
-
Patent Agency Ranking
公开(公告)号：CN112884025A
公开(公告)日：2021-06-01
申请号：CN202110141168.4
申请日：2021-02-01
Applicant: 安徽大学
Abstract: 本发明公开了一种基于多特征分段式训练的茶叶病害分类系统，包含以下阶段：第一阶段、数据预处理；第二阶段、最优网络训练；第三阶段、图像分类功能；所述的第一阶段、数据预处理包括病害图片的裁切和数据的扩充两步；所述的第二阶段、最优网络训练包括数据划分和特征学习网络迭代训练两步本发明通过深度学习的方法设计了一种茶叶病害特征学习网络对茶叶病害数据进行训练，然后及那个已训练好的网络模型进行迁移，将最终的茶叶病害分类智能化，并且排除人为主观因素，使得到的结果较好。
-
公开(公告)号：CN119417743B
公开(公告)日：2025-04-08
申请号：CN202510013130.7
申请日：2025-01-06
Applicant: 安徽大学
Abstract: 本发明涉及一种多尺度表征光学影像低频定位误差自适应补偿方法，与现有技术相比实现了从时间、组成等维度考虑对低频误差解耦表征，适应构建低频误差补偿模型。本发明包括以下步骤：多尺度表征光学影像低频定位误差自适应补偿准备工作；对光学影像低频定位误差进行多时间尺度表征；考虑动态、静态误差解耦的光学影像低频定位误差模型自适应构建；利用非共线控制点对补偿模型进行偏最小二乘求解与补偿参数应用。本发明采用变分模态分解方法将低频误差表征成周期项、趋势项以及噪声项，根据其组份间量级大小关系，自适应构建低频误差补偿模型。
-
公开(公告)号：CN119444875A
公开(公告)日：2025-02-14
申请号：CN202510027732.8
申请日：2025-01-08
Applicant: 安徽大学
IPC: G06T7/80 , G01S13/90 , G06V20/13 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 本发明涉及一种提示学习和SAR数据辅助光学影像外参数自主标定方法，与现有技术相比实现了摆脱地面控制点依赖和融合多源信息，构建光学影像外参数补偿模型。本发明包括以下步骤：提示学习和SAR辅助的光学影像外参数自主标定方法准备工作；SAR卫星影像转换伪光学影像；基于提示学习的光学影像外参数自主标定模型构建；基于提示学习的光学影像外参数自主标定模型训练；光学影像外参数自主标定模型的应用。本发明通过引入SAR影像和提示学习技术，在传统标定方法无法覆盖的区域，如极地、沙漠和山林区域中外参数定标性能表现尤为突出。
-
公开(公告)号：CN119418212A
公开(公告)日：2025-02-11
申请号：CN202510013147.2
申请日：2025-01-06
Applicant: 安徽大学
IPC: G06V20/10 , G06V20/17 , G06V10/44 , G06V10/52 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0495 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及农业无人机遥感影像处理技术，与现有技术相比，采用轻量化网络架构，便于部署在无人机硬件设备上实现实时检测，同时通过引入小尺度检测头和多头注意力机制，显著提升对无人机拍摄小目标麦穗的检测精度。本发明包括以下步骤：轻量级Yolov10的无人机遥感麦穗实时检测数据集处理；构建轻量级Yolov10的无人机遥感麦穗实时检测模型；轻量级Yolov10的无人机遥感麦穗实时检测模型的训练；轻量级Yolov10的无人机遥感麦穗实时检测模型的验证。本发明为利用无人机进行麦穗检测和小麦产量估计提供了一种可靠的技术框架。
-
公开(公告)号：CN119418176A
公开(公告)日：2025-02-11
申请号：CN202510014546.0
申请日：2025-01-06
Applicant: 安徽大学
IPC: G06V20/00 , G06V10/42 , G06V10/44 , G06V10/25 , G06V10/74 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种结合CNN曼巴的对比预训练云检测方法，所述方法包括以下步骤：构建与处理遥感影像云检测数据集、构建CNN曼巴云检测网络、CNN曼巴云检测网络的云雪像素对比预训练、微调CNN曼巴云检测网络、对CNN曼巴云检测网络进行测试。与现有技术相比，CNN方法能提取图像的局部特征，曼巴方法能提取图像的全局特征，结合CNN和曼巴方法既可以留意图像中云的边缘细节，又能从整幅图像上看到云的区域，提高云检测的精度。同时利用云雪数据对网络进行预训练，让网络区分云和雪之间的差异，在后续微调阶段不会把雪错分成云，实现更精准的云检测任务。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.018 seconds)
