-
公开(公告)号：CN115761428A
公开(公告)日：2023-03-07
申请号：CN202211525616.1
申请日：2022-11-30
Applicant: 国网安徽省电力有限公司超高压分公司 , 安徽大学
Inventor： 李腾 , 樊培培 , 朱涛 , 李冀 , 董翔宇 , 廖军 , 赵梦露 , 蒋欣峰 , 卢一相 , 高清维 , 罗沙 , 张学友 , 景瑶 , 张晨晨 , 竺德 , 孙冬 , 张啸宇 , 秦孜 , 吴冬晖
IPC: G06V10/80 , G06V10/143 , G06V10/20 , G06V10/34
Abstract: 本发明实施例提供一种特高压换流变压器套管红外与可见光图像融合方法，属于图像处理领域。所述方法包括：获取同一套管的红外光图像和可见光图像；对所述红外光图像和所述可见光图像进行预处理；对预处理后的所述红外光图像和所述可见光图像进行图像分割；对分割后的所述红外光图像和可见光图像进行的细化处理，以形成对应的权重图；对预处理后的所述红外光图像和可见光图像进行亮度提取；将预处理后的所述红外光图像和可见光图像与对应的权重图进行单尺度加权，以形成预融合图像；将所述预融合图像与亮度提取后的亮度层相加以得到最终的融合图像。该方法可以有效的融合红外光和可见光图像。
-
公开(公告)号：CN115758124A
公开(公告)日：2023-03-07
申请号：CN202211543994.2
申请日：2022-11-30
Applicant: 国网安徽省电力有限公司超高压分公司 , 安徽大学
Inventor： 李腾 , 樊培培 , 朱涛 , 葛健 , 杜鹏 , 董翔宇 , 廖军 , 蒋欣峰 , 张军 , 卢一相 , 高清维 , 谢佳 , 张学友 , 方晶晶 , 竺德 , 孙冬 , 陈辽语 , 张晗 , 刘一畅 , 孙健
IPC: G06F18/213 , G06Q10/20 , G06Q50/06 , G06F17/16
Abstract: 本发明实施例提供一种自适应加权多视图学习的特高压换流变压器状态监测方法，属于振动信号的状态监测技术领域。所述监测方法包括：对振动信号进行多个维度的特征提取，将提取出的特征作为视图；初始化权重系数；将提取出的特征映射到核空间，以得到权重系数；判断当前的迭代次数是否达到预设的次数阈值；在判断所述迭代次数达到所述次数阈值的情况下，根据所述预测值实现对换流变压器的状态检测；在判断所述迭代次数未达到所述次数阈值的情况下，返回执行更新权重参数和学习率矩阵的步骤。该监测方法能够在具有更高鲁棒性的情况下准确监测变压器的状态。
-
公开(公告)号：CN115662578A
公开(公告)日：2023-01-31
申请号：CN202211317165.2
申请日：2022-10-26
Applicant: 安徽大学
Abstract: 本发明公开一种基于深度学习的宫颈癌放疗剂量预测方法，包括步骤一、获取数据集并划分训练集和测试集，步骤二、对训练集数据进行预处理，步骤三、构建深度学习的AC3DUnet剂量预测模型，步骤四、预处理后的训练集对模型进行训练，步骤五、利用训练后的模型预测新病例的放疗剂量；本发明通过对数据进行与处理的方法可以有效处理大范围剂量变化和剂量不均匀分布，提出的CSA通道空间注意力提取卷积模块可以使预测更加有偏向性，使预测模型预测结果更加准确，构建的级联网络模块可以增强模型的多尺度特征提取能力，配合加权loss使有监督的网络模型的优化难度降低，增加了模型面对不同器官形状和剂量分布的输入的时的适用性。
-
公开(公告)号：CN109614907B
公开(公告)日：2022-04-19
申请号：CN201811469353.0
申请日：2018-11-28
Applicant: 安徽大学
Abstract: 基于特征强化引导卷积神经网络的行人再识别方法及装置，方法包括：1)收集行人图像数据并做好分类标签，并将分类后的行人图像数据分为训练集和测试集；2)构建特征强化引导的卷积神经网络；3)将步骤1)中的训练集特征强化引导的卷积神经网络，训练得到行人再识别的预训练模型；4)用步骤1)中的测试集测试步骤3)中训练得到的预训练模型，根据测试结果调整训练参数重新训练，得到最佳预训练模型；5)使用目标场景中的部分目标行人图像训练最佳预训练模型，得到目标模型，再使用目标模型对行人库中的图像进行检测，得到含有目标行人的目标图像。应用本发明实施例，可以解决现有技术中存在的误差较大的技术问题。
-
公开(公告)号：CN107203788B
公开(公告)日：2020-06-23
申请号：CN201710467335.8
申请日：2017-06-20
Applicant: 安徽大学
Abstract: 本发明公开了一种中级视觉毒品图像识别方法，获取毒品的图像与非毒品图像，获得有效的方形训练图像；从训练集中选取图像，将每一张图像分割成不同的部分，将中级视觉图进行自主学习，经过多次迭代，最后分配给每个中级视觉图不同的权重值即概率；将中层视觉图及其概率，放入到贝叶斯中分类器中进行分类，经过多次迭代最后得到模型；将得到的模型在测试集上进行测试，输出结果判断是哪一种毒品。本发明把中层视觉和概率很好的结合在一起，为后面训练优化的模型做了铺垫，构建中层视觉和概率结合的框架，最后可以很好地训练出一个模型；中层视觉概率框架和训练紧密的链接在一起，提高了模型识别的准确性。
-
Patent Agency Ranking
公开(公告)号：CN109543764A
公开(公告)日：2019-03-29
申请号：CN201811438885.8
申请日：2018-11-28
Applicant: 安徽省公共气象服务中心 , 安徽大学
Abstract: 本发明提供一种基于智能语义感知的预警信息合法性检测方法及检测系统，包括：S1：基于深度学习的垂直领域预警文本多标准分词算法；S2：基于人机耦合形式的白名单构建与实时更新方法；S3：在线非法字符匹配算法：利用多标准分词算法对待发布预警信息进行多标准分词获得候选字符集合，结合倒排索引与树状数据结构，设计大规模文本数据层级搜索与比对算法，通过与白名单的语义对比实现预警信息文本中的非法字符的快速定位与判断。优点为：以正向合法字(词)智能感知算法取代传统的反向非法字(词)搜索算法，可以达到非法字(词)100％检测效果。基于人机耦合形式的白名单构建与实时更新，可随着预警发布系统的不断使用逐步减少对人工的依赖。
-
公开(公告)号：CN108647619A
公开(公告)日：2018-10-12
申请号：CN201810411342.0
申请日：2018-05-02
Applicant: 安徽大学
Abstract: 本发明公开了一种基于深度学习的视频中安全帽佩戴的检测方法及装置，方法包括：从搜集的视频数据中取M张图片；将M张中的N张图片进行标注，对M张图片进行标注获取行人正样本数据、行人负样本数据、安全帽正样本数据、安全帽负样本数据；使用行人正样本数据和行人负样本数据训练行人检测网络，使用安全帽正样本数据和安全帽负样本数据训练安全帽检测网络；获取待检测图片，通过背景差分法获取待检测区域；将待检测区域输入到训练后的行人检测网络，判断待检测区域中是否存在行人；若是，执行将所述存在行人的待检测区域中的预设区域输入到训练后的安全帽检测网络中进行检测；若未检测到，发出警报。应用本发明实施例，可以提高检测效率。
-
公开(公告)号：CN108039044A
公开(公告)日：2018-05-15
申请号：CN201711270260.0
申请日：2017-12-05
Applicant: 安徽大学
Abstract: 本发明公开了一种基于多尺度卷积神经网络的车辆智能排队的系统及方法，首先搜集样本数据并进行筛选；将筛选的图片进行增强，通过背景减法得到一组有关运动信息的数据；不同类型的图片分别送入外观、运动信息全卷积神经网络；将上述网络训练的两个模型特征融合和决策融合，得到最终的检测模型；将待检测图片输入到训练后的网络，获得各个通道上的车辆排队的车辆数，以及预测排队的时间；通过前方电子屏幕，实时引导车辆进入，排队时间相对较短的服务车道，提高通行效率。本发明将运动特征和外观特征很好的结合在一起。有利于对运动物体的准确检测，同时采用多尺度卷积神经网络，能有效的获取不同大小车型的特征，提高了模型结果的准确性。
-
公开(公告)号：CN104992223B
公开(公告)日：2018-02-16
申请号：CN201510336483.7
申请日：2015-06-12
Applicant: 安徽大学
Abstract: 本发明涉及一种基于深度学习的密集人数估计方法，包括以下步骤：选择一幅密集场景的图像作为测试图像，然后对测试图像进行分块操作，分块的比例要保证与原图像的宽高比近似相同；将分得的图像块进行归一化操作，归一化成32×32的像素块，作为我们的测试样本，并附上对应的真实人数标签；将像素块批量送入已经训练好的深度网络中，对于每个像素块，网络都会反馈一个预测结果；将每个像素块的预测结果求和，所得到的结果就是我们需要估计的测试图像中的总人数。本发明的有益效果是：将深度学习的方法引入到了人数统计这一具体问题之中；构造的包含两路信号的回归模型，从一定程度上降低了出现过拟合的可能性。
-
公开(公告)号：CN119339883A
公开(公告)日：2025-01-21
申请号：CN202411406057.1
申请日：2024-10-10
Applicant: 安徽大学
IPC: G16H20/40 , G16H50/70 , G16H50/20 , G06N3/0455 , G06N3/08
Abstract: 本发明公开一种脑胶质瘤近距离植入治疗剂量预测方法，涉及治疗剂量预测技术领域，包括以下步骤：获取患者数据并提取患者的关键数据、构建网络CDC Transformer模型、对网络CDC Transformer模型进行训练、通过网络CDC Transformer模型输出治疗剂量预测结果；本发明通过构建基于Transformer模型的网络CDC Transformer模型实现对脑胶质瘤近距离植入治疗剂量的自动化预测，在原Trans former的模型的下采样过程前加入了通道空间注意力，以自动分配通道的权重，增强预测结果，无需依赖医生和物理式的个人经验，能较为准确的预测出剂量分布。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.032 seconds)
