-
公开(公告)号：CN117710757A
公开(公告)日：2024-03-15
申请号：CN202410159978.6
申请日：2024-02-05
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明公开了一种基于多尺度特征引导与融合的工业异常检测方法及系统，涉及计算机视觉中的工业图像异常检测技术领域。该方法包括步骤：获取工业产品表面缺陷图像并进行预处理，得到训练集和测试集；建立由模拟异常网络、多尺度特征提取网络、多尺度特征加权融合网络和像素级异常评分网络依次连接的初步异常检测模型；利用训练集对初步异常检测模型进行训练，并利用测试集对训练好的异常检测模型进行效果验证；利用训练好的异常检测模型对待检测的工业图像进行异常检测。本发明能够提高对工业图像异常的敏感性和准确性，实现对产品表面缺陷更为可靠的检测识别和定位。
-
公开(公告)号：CN117669593A
公开(公告)日：2024-03-08
申请号：CN202410128850.3
申请日：2024-01-31
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F40/30 , G06F40/295
Abstract: 本发明公开的基于等价语义的零样本关系抽取方法、系统、设备及介质，涉及零样本关系抽取技术领域，包括：获取待识别样本；提取待识别样本中句子实例的语义特征向量及关系描述的语义特征向量；对句子实例的语义特征向量和关系描述的语义特征向量，均进行正交变换，对应获得句子语义等价向量和关系语义等价向量；计算句子实例的语义特征向量和关系描述的语义特征向量的匹配分数，及句子语义等价向量和关系语义等价向量的匹配分数；将两种匹配分数加权求和，获得句子实例和关系描述的预测分数；根据句子实例和关系描述的预测分数，确定句子实例和关系描述的预测关系。提高了零样本关系抽取的准确性。
-
公开(公告)号：CN117132584B
公开(公告)日：2024-02-13
申请号：CN202311227287.7
申请日：2023-09-22
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 一种基于深度学习的液晶显示屏瑕疵检测方法及装置，涉及计算机视觉目标检测技术领域，通过设计轻量化特征提取网络，在保证液晶显示屏瑕疵特征提取能力的基础上减少计算量，提高模型的检测速度；设计跨层多尺度特征融合网络，高效的融合特征提取网络的浅层细粒度信息和深层语义信息；设计精细化预测网络，包括特征聚合器和特征提纯模块，特征聚合器融合了多层次的特征，提取更多上下文信息，增强细粒度特征的提取；特征提纯模块抑制了不同尺度特征图的冲突信息，减少语义差异，提高了模型对液晶显示屏瑕疵检测的准确率。
-
公开(公告)号：CN115454963A
公开(公告)日：2022-12-09
申请号：CN202211087142.7
申请日：2022-09-07
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
Abstract: 本发明公开了一种基于J2EE的政务公开系统的设计与实现，包括以下过程：收集政府部门数据并标记建立基本存储库；进行预交换网信息交换；进行政府业务网与预交换网之间的信息交换；进行特征对比，以确定信息的一致性和准确性；采用SOA进行数据共享；采用RBAC控制器判断用户访问。根据上述关联分析方法构建系统，该系统包括登录界面、申请模块、管理模块，信息模块留言模块。
-
公开(公告)号：CN114817644A
公开(公告)日：2022-07-29
申请号：CN202210424428.3
申请日：2022-04-21
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC: G06F16/901 , G06F16/903 , G06F16/9032 , G06F16/906 , G06F16/951
Abstract: 本发明公开了一种基于Elasticsearch的政府信息资源分类与智能化搜索方法和系统，其特征在于，主要功能包括：实现政务信息资源按主题分类和智能化搜索，方法流程包括收集政府数据，对政府信息资源按照政府信息内在相关性和与公众密切相关的主题进行划分，形成多级分类树。搭建Elasticsearch集群，基于Elasticsearch对S1底层数据进行优化，通过RabbitMQ消息中间件异步接入政府信息资源数据。接受用户查询请求并对该请求进行应答。获取用户反馈存入评价列表，并根据评价列表更新多级分类树。根据上述方法构建系统，系统分为数据收集清洗单元、存储单元、服务单元、交互单元以及展示单元。
-
Patent Agency Ranking
公开(公告)号：CN118864454B
公开(公告)日：2025-01-21
申请号：CN202411336461.6
申请日：2024-09-25
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东山科数字经济研究院有限公司 , 青岛海尔智能技术研发有限公司
Abstract: 本发明提供了一种基于记忆专家指导的无监督异常检测方法及系统，涉及异常检测技术领域，所述方法包括：获取待检测缺陷图像；将待检测缺陷图像输入训练好的缺陷检测模型中进行检测，获得玻璃容器表面缺陷检测结果；缺陷检测模型包括依次连接的用于提取差异显著特征图的特征蒸馏网络和用于根据差异显著特征图生成缺陷检测结果的异常细化网络；特征蒸馏网络基于正态记忆专家帮助去噪学生网络学习正常样本，正态记忆专家中存储有教师网络根据正态样例特征得到的记忆向量，去噪学生网络根据所述记忆向量，对根据待检测缺陷图像生成的查询特征进行更新。本发明能够提高玻璃容器表面缺陷检测的准确性。
-
公开(公告)号：CN119181105A
公开(公告)日：2024-12-24
申请号：CN202411417967.X
申请日：2024-10-11
Applicant: 山东师范大学 , 山东省计算中心(国家超级计算济南中心) , 山东山科数字经济研究院有限公司
IPC: G06V30/412 , G06V30/416 , G06V30/19 , G06V30/18 , G06N3/0464 , G06V10/82
Abstract: 本发明提供了一种基于关联实体检测的表单内容结构化提取方法及系统，包括：对于待内容提取的表单图像，通过预先构建的关联实体检测模型，获得表单中实体所对应的类别及位置信息；其中，所述关联实体检测模型中的层内特征调节模块用于将特征提取层输出的特征经卷积处理后，分别进行全局和局部特征的提取，然后通过将局部和全局特征进行拼接作为下一特征提取层的输入特征；通过对获得的不同层级的特征图进行融合，获得融合特征；基于所述融合特征，通过预设检测头，获得实体所对应的类别及位置信息；基于实体对应的类别及位置信息，通过坐标聚合，获得实体间的关联性；基于所述关联性，确定属于同一行的实体，实现表单内容的结构化提取。
-
公开(公告)号：CN118898614A
公开(公告)日：2024-11-05
申请号：CN202411397545.0
申请日：2024-10-09
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06T7/00 , G06V10/25 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明提出了基于多域高效特征聚合网络的齿轮缺陷检测方法及系统，涉及计算机视觉应用领域，用于缺陷检测的多域高效特征聚合网络包括多域混合特征提取网络、多尺度特征聚焦传播融合网络以及检测头网络；所述多域混合特征提取网络，采用多域特征无损下采样模块在频域和空间域下对齿轮图像进行下采样，构建初始特征图，利用高效混合特征感知模块从局部和全局、空间和通道的角度对初始特征图进行增强，得到多尺度特征图；所述多尺度特征聚焦传播融合网络，对多尺度特征进行融合，得到融合后的特征图；所述检测头网络，根据融合后的特征图，检测齿轮缺陷；本发明构建多域高效特征聚合网络，进行鲁棒性强、精度高的齿轮缺陷检测。
-
公开(公告)号：CN118864453A
公开(公告)日：2024-10-29
申请号：CN202411336457.X
申请日：2024-09-25
Applicant: 山东省计算中心(国家超级计算济南中心) , 青岛海尔智能技术研发有限公司 , 山东山科数字经济研究院有限公司
IPC: G06T7/00 , G06N3/0464 , G06V10/80 , G06V10/82
Abstract: 本发明提供了基于局部整体上下文感知的钢铁表面瑕疵检测方法及系统，涉及图像处理技术领域，所述方法包括：获取待检测钢铁图像；将钢铁图像输入钢铁表面瑕疵检测模型中进行检测，获得钢铁表面瑕疵检测结果；局部整体感知网络利用不同空洞率的空洞卷积提取不同尺度的局部特征，并在获取全局特征时，将查询向量、键向量和值向量均输入到卷积模块、深度卷积模块和逐点卷积模块中处理；多层级交互网络利用局部整体感知网络不同层的输出，进行跨层特征融合；强化识别网络，融合多层级交互网络的输出特征，对融合后的特征进行增强与检测，得到钢铁表面瑕疵检测结果。本发明能够提高钢铁瑕疵检测的准确率和效率。
-
公开(公告)号：CN118644359A
公开(公告)日：2024-09-13
申请号：CN202411124271.8
申请日：2024-08-16
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明涉及能源供应技术领域，具体为应用于工业园区的氢能负荷预测方法及系统，通过获取工业园区历史能源负荷数据、工业园区所在地气象站的历史气象数据以及时间数据，并进行预处理，经编码操作得到特征表示；预处理后的数据基于全局时域特征捕获网络得到频域表示，进一步得到全局周期性特征；根据得到的特征表示，利用多尺度特征融合网络提取出局部非线性特征；得到的全局周期性特征和局部非线性特征，利用自适应门控融合网络得到预测结果。利用深度神经网络的强大拟合能力和频域分析的周期性识别优势，结合多尺度特征提取技术，能够更全面、更精细地解析氢能源需求的内在规律，显著提高预测的准确性和稳定性。
-
-
-
-
-
-
-
-
-
Search Results
75
records
(took 0.048 seconds)
