-
公开(公告)号：CN119672717A
公开(公告)日：2025-03-21
申请号：CN202510195361.4
申请日：2025-02-21
Applicant: 安徽大学
IPC: G06V20/70 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种基于目标检测的构件预埋件的图像识别与定位方法，对YOLOV8深度学习网络模型进行改进，在Backbone网络中添加CBAM注意力机制模块，并将SPPF模块替换为Improve_SPPF模块；在Neck网络中将Conv模块替换成GSConv模块；在Head网络中对边界框回归损失函数进行优化；利用改进的YOLOV8深度学习网络模型对预制构件的平面图像数据集进行预埋件的识别与定位，并利用二维码像素尺寸标定技术标定预埋件中心位置的实际坐标。本发明利用上述改进有效提高了对预制构件中线盒及预埋管等预埋件的识别效率和精度，并实现对预埋件的精准定位。
-
公开(公告)号：CN118233461B
公开(公告)日：2024-08-30
申请号：CN202410463303.0
申请日：2024-04-17
Applicant: 安徽大学
IPC: H04L67/10 , H04L41/0663 , H04L67/1097 , H04L41/0896 , H04L47/283
Abstract: 本发明公开了一种基于边云协同计算的数据放置方法，首先私有云服务器存储来自终端设备的数据请求，将私有数据集和共享数据集进行标记分类，私有云服务器将共享数据集发送到公有云服务器，将私有数据集发送到离数据集上传者最近的边缘服务器上，然后当私有数据集放置完成后，进行环境动态变化检测，当检测到存储私有数据集的边缘服务器故障后，私有云服务器通过动态数据放置算法生成动态数据放置方案，私有云服务器通过动态数据放置方案将私有数据集放传输至新的边缘服务器中。本发明针对智慧系统中服务器设备故障等动态变化，通过动态数据放置算法生成最优的数据集放置方案，在保证边缘服务器存储容量足够的同时，节省数据集传输的时间。
-
公开(公告)号：CN118229681B
公开(公告)日：2024-07-30
申请号：CN202410637905.3
申请日：2024-05-22
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/0455 , G06N3/0464 , G06T7/13 , G06T7/194 , G06V10/44 , G06V10/764 , G06V10/82 , G01S13/88
Abstract: 本发明公开了一种结合PVT和U‑Net深度学习的道路缺陷检测方法，首先获取原始探地雷达数据集，然后进行数据的预处理，构建标准化的探地雷达图像数据集；然后构建结合PVT和U‑Net的深度学习网络、添加符号距离函数的损失函数，基于损失函数、采用深度学习网络对探地雷达图像数据集中的训练集进行训练，得到训练好的深度学习网络；最后采用训练好的深度学习网络对探地雷达图像数据集中的测试集进行检测，提取到道路缺陷特征。本发明采用结合PVT和U‑Net的深度学习网络，能更好的提取和分割出道路的缺陷特征，并采用添加符号距离函数的损失函数进行训练，有效增强前景背景区域特征的可分性，提高了图像边缘部分的预测精度。
-
公开(公告)号：CN118194733B
公开(公告)日：2024-07-19
申请号：CN202410617373.7
申请日：2024-05-17
Applicant: 安徽大学
IPC: G06F30/27 , G06N3/126 , G06Q10/04 , G06Q50/04 , G06F111/06
Abstract: 本发明公开了一种装配式建筑构件模具的智能排版双目标优化方法，首先构建生产所需数据集；然后基于资源约束和时间约束，构建智能排版双目标优化模型；再提取生产所需数据集中的构件数据和模台数据，采用最大剩余空间法将构件模具在模台上组合放置，得到构件模具的排版方案，每个构件模具的排版方案作为一个个体；最后将多个个体构建得到初始种群，设置适应度函数并采用遗传算法对初始种群进行迭代优化，得到满足优化目标的全局最优解。本发明构建智能排版双目标优化模型，以最大模台利用率与产线负载均衡为优化目标，得到最优的构件模具排版方案，提高排版效率和生产效率，为装配式建筑构件的生产和应用提供了有力技术支持。
-
公开(公告)号：CN118229681A
公开(公告)日：2024-06-21
申请号：CN202410637905.3
申请日：2024-05-22
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/0455 , G06N3/0464 , G06T7/13 , G06T7/194 , G06V10/44 , G06V10/764 , G06V10/82 , G01S13/88
Abstract: 本发明公开了一种结合PVT和U‑Net深度学习的道路缺陷检测方法，首先获取原始探地雷达数据集，然后进行数据的预处理，构建标准化的探地雷达图像数据集；然后构建结合PVT和U‑Net的深度学习网络、添加符号距离函数的损失函数，基于损失函数、采用深度学习网络对探地雷达图像数据集中的训练集进行训练，得到训练好的深度学习网络；最后采用训练好的深度学习网络对探地雷达图像数据集中的测试集进行检测，提取到道路缺陷特征。本发明采用结合PVT和U‑Net的深度学习网络，能更好的提取和分割出道路的缺陷特征，并采用添加符号距离函数的损失函数进行训练，有效增强前景背景区域特征的可分性，提高了图像边缘部分的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN114327526B
公开(公告)日：2024-05-28
申请号：CN202210006091.4
申请日：2022-01-05
Applicant: 安徽大学
Abstract: 本发明属于边缘计算领域，具体涉及一种移动边缘计算环境中的任务卸载方法及其应用。该方法包括如下步骤：S1：将完整的工作任务划分为不同的环节，进而构建表征工作任务的工作流依赖图WDG；S2：确定WDG中各个任务结点的属性集；S3：创建表征工作任务的能耗传递全图ETG；S4：将不可卸载的任务结点对应的入度边和出度边删除，生成简化能耗传递图ETG1；S5：根据ETG1生成对应的线性能耗传递图ETG2；S6：以满足时间约束且最小化终端的设备能耗为优化目标，得到具有最小化设备能耗的路径，并进行任务卸载。本发明解决了现有MEC环境无法完成对复杂的非线性任务进行计算任务卸载，且容易造成任务处理过程的能耗升高，实时性降低的问题。
-
公开(公告)号：CN115600774B
公开(公告)日：2023-03-10
申请号：CN202211600382.2
申请日：2022-12-14
Applicant: 安徽大学绿色产业创新研究院
IPC: G06Q10/04 , G06Q10/0631
Abstract: 本发明属于建筑工业领域，具体涉及一种装配式建筑构件产线的多目标生产调度优化方法、系统与装置。该多目标生产调度优化方法包括如下步骤：S1：对企业的订单数据、产线数据、生产资料数据和工艺数据进行标准化处理，构成企业运营数据集。S2：以均衡各条产线的负载为目标，生成若干个可行的调度网络图。S3：对调度网络图进行解析获得生产工序图。S4：构建用于评价生产工序图效能的优化函数。S5：采用遗传算法对初始化种群进行迭代优化，得到最佳调度网络图。S6：根据最佳调度网络图解析出当前订单的最佳排产方案。本发明解决了现有方案无法有根据企业产能的变化对产线进行合理调度，进而导致订单加工时长延长、产品生产成本升高等问题。
-
公开(公告)号：CN113269718B
公开(公告)日：2022-09-16
申请号：CN202110406927.5
申请日：2021-04-15
Applicant: 安徽大学
Abstract: 本发明涉及计算机视觉、深度学习技术领域，具体涉及一种基于深度学习的混凝土预制构件裂缝检测方法，该方法包括：采集裂缝图像数据，将采集的裂缝图像样本进行预处理，并对其进行人工标注；将标注后的数据样本进行数据增广，并划分为训练集、验证集和测试集；搭建卷积神经网络模型；对卷积神经网络模型进行训练、验证和测试，以得到最终的算法模型；利用所述的算法模型对待检测的裂缝图像进行检测，得到检测结果。本发明相较于传统的人工检测方法，大大降低了人工成本并且提高了检测的精度。此外，相对于现有的图像处理检测方法，本发明可对高分辨率图像进行检测，具有可操作性强和检测精度较高的优点。
-
公开(公告)号：CN113723841A
公开(公告)日：2021-11-30
申请号：CN202111030371.0
申请日：2021-09-03
Applicant: 安徽大学绿色产业创新研究院
Abstract: 本发明涉及建筑工业领域，特别是涉及一种装配式预制构件中工装缺失的在线检测方法。方法包括如下步骤：S1：构建一个基于实时视频的工装检测网络；S2：获取载有预制构件的模台运动状态的实时视频。S3：设置一个执行在线检测的矩形的目标感应区。S4：采用工装检测网络对实时视频进行目标检测和目标跟踪，依次获取实时视频中出现的各个预制构件中的类型信息，以及预制构件中的工装的数量信号和位置信息；S5：根据类型信息查询云端数据库，获取该型预制构件中的工装的数量信息和位置信息的参考值；并将参考值实测值进行对比，判断产品是否合格。本发明解决了预制构件人工质量检测效率低，自动化检测的检测精度和实时性较差，难以满足要求的问题。
-
公开(公告)号：CN113487503A
公开(公告)日：2021-10-08
申请号：CN202110749087.2
申请日：2021-07-01
Applicant: 安徽大学
Abstract: 本发明提供了一种基于通道注意力生成对抗网络的PET超分辨率方法。该方法包括：步骤一.获取高分辨率的训练数据集和测试数据集；步骤二.获取低分辨率的训练数据集和测试数据集；步骤三.在超分辨率生成对抗网络(Super Reso l ut i on Generat i ve Adversar i a l Network，SRGAN)的生成器中用残差通道注意力块取代残差块，得到通道注意力超分辨率生成对抗网络；步骤四.用像素级的均方误差损失改进SRGAN的感知损失；步骤五.对网络进行训练；步骤六.用图像质量评价指标对网络进行评价。本发明在SRGAN的基础上加入了通道注意力机制，使得生成器网络更加关注含有丰富高频信息的通道，增加了卷积神经网络的表征能力。同时，用像素级的均方误差损失改进SRGAN的感知损失，进一步提高了重建图像的质量。
-
-
-
-
-
-
-
-
-
Search Results
90
records
(took 0.026 seconds)
