-
公开(公告)号：CN113985879A
公开(公告)日：2022-01-28
申请号：CN202111260761.7
申请日：2021-10-28
Applicant: 安徽安宠宠物用品有限公司 , 安徽农业大学
IPC: G05D1/02
Abstract: 本发明公开了基于历史数据动态优化的智能移动巡检系统及方法，结合巡检数据采用多目标蚱蜢优化模型动态优化出不同时间段下不同生产车间和仓库的巡检项目及关键点；优化后的巡检项目及关键点再次采用多目标蚱蜢优化模型训练学习，进一步动态优化出不同生产车间和仓库的巡检点优先级、巡检次数和巡检时间；再进一步采用二维(2D)网格模型的路径规划算法优化出巡检路线；在巡检过程中，采用基于YOLOX模型的图像识别技术和三维激光雷达，获取巡检车的实时行驶数据和实时巡检数据，对此数据进行处理，实现巡检车实时自动行驶、自动巡检。解决不同时间段、生产车间、仓库的巡检点、巡检项目、巡检次数和巡检路线等动态优化问题，提高巡检的效率和准确性。
-
公开(公告)号：CN113988786A
公开(公告)日：2022-01-28
申请号：CN202111233057.2
申请日：2021-10-22
Applicant: 安徽农业大学 , 安徽安宠宠物用品有限公司
Abstract: 本发明公开了一种基于双层异构图神经网络的企业协同制造决策方法，采用图神经网络对产业链以及企业内部工作关系进行建模，并利用企业数据进行训练。相较于传统的针对单一领域的工作流建模方法，本发明可获得应用范围更广，覆盖多个产业流程的关系模型。采用双层异构图神经网络，首先将产业链模型训练产生粗粒度的生产决策，然后将粗粒度决策与企业内部协同网络进行耦合，进一步产生细粒度的生产决策。采用双层异构图神经网络方法可直接对其中复杂企业关系和企业内部关系进行耦合分析,针对所做出的决策，将其输入决策评价系统进行分析，得到决策的综合质量评估，形成对最终决策结果的反馈优化，较传统人工决策和单一行业决策更全面，可行度更高。
-
公开(公告)号：CN113988786B
公开(公告)日：2024-08-13
申请号：CN202111233057.2
申请日：2021-10-22
Applicant: 安徽农业大学 , 安徽安宠宠物用品有限公司
IPC: G06Q10/101 , G06Q50/04 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于双层异构图神经网络的企业协同制造决策方法，采用图神经网络对产业链以及企业内部工作关系进行建模，并利用企业数据进行训练。相较于传统的针对单一领域的工作流建模方法，本发明可获得应用范围更广，覆盖多个产业流程的关系模型。采用双层异构图神经网络，首先将产业链模型训练产生粗粒度的生产决策，然后将粗粒度决策与企业内部协同网络进行耦合，进一步产生细粒度的生产决策。采用双层异构图神经网络方法可直接对其中复杂企业关系和企业内部关系进行耦合分析,针对所做出的决策，将其输入决策评价系统进行分析，得到决策的综合质量评估，形成对最终决策结果的反馈优化，较传统人工决策和单一行业决策更全面，可行度更高。
-
公开(公告)号：CN113985879B
公开(公告)日：2024-02-02
申请号：CN202111260761.7
申请日：2021-10-28
Applicant: 安徽安宠宠物用品有限公司 , 安徽农业大学
Abstract: 本发明公开了基于历史数据动态优化的智能移动巡检系统及方法，结合巡检数据采用多目标蚱蜢优化模型动态优化出不同时间段下不同生产车间和仓库的巡检项目及关键点；优化后的巡检项目及关键点再次采用多目标蚱蜢优化模型训练学习，进一步动态优化出不同生产车间和仓库的巡检点优先级、巡检次数和巡检时间；再进一步采用二维(2D)网格模型的路径规划算法优化出巡检路线；在巡检过程中，采用基于YOLOX模型的图像识别技术和三维激光雷达，获取巡检车的实时行驶数据和实时巡检数据，对此数据进行处理，实现巡检车实时自动行驶、自动巡检。解决不同时间段、生产车间、仓库的巡检点、巡检项
-
公开(公告)号：CN119942248A
公开(公告)日：2025-05-06
申请号：CN202510428216.6
申请日：2025-04-08
Applicant: 安徽农业大学
IPC: G06V10/764 , G06V20/10 , G06V10/44 , G06V10/772 , G06V10/80 , G06V10/42 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种高光谱图像的分类方法及系统，涉及高光谱图像分类技术领域，包括：将高光谱图像数据集经特征提取获取多尺度特征；使用ADMM构建联合优化目标函数，作为联合优化模型；将字典矩阵设置为可训练参数,以端到端方式隐式学习动态字典;将多尺度特征输入联合优化模型迭代求解各变量；采用模态分解策略对辅助变量Z进行多维解构，并通过基于Mamba状态空间模型的双分支先验网络优化辅助变量#imgabs0#的求解；联合优化模型输出稀疏系数矩阵与隐式字典特征；将稀疏系数特征与字典特征进行拼接，获得融合特征；将融合特征输入分类器，获得高光谱图像的分类结果。本发明能提升高光谱数据分类结果的准确性。
-
Patent Agency Ranking
公开(公告)号：CN119670724B
公开(公告)日：2025-04-29
申请号：CN202510192298.9
申请日：2025-02-21
Applicant: 安徽农业大学
IPC: G06F40/194 , G06F40/117 , G06F40/126 , G06F40/169 , G06F40/226
Abstract: 本申请涉及一种合同文本的对比检测方法、装置和电子设备，其中，该对比检测方法包括：确定两份合同文本之间的字符对，分别判断各个字符对中两个字符是否相同，若否则将字符对确定为异常字符对，字符由至少一个八比特位的字节表示；计算任意异常字符对的信息熵值和相似度，对相似度小于阈值的异常字符对附加第一标记，第一标记用于标注两份合同文本之间的差异字符。本发明可以在一定程度上将OCR识别错误造成的异常字符对进行校正，从而提高了合同文本的对比检测准确度，解决了现有的合同文本的对比检测方法无法校正字符识别误差的问题。
-
公开(公告)号：CN119360123A
公开(公告)日：2025-01-24
申请号：CN202411650652.X
申请日：2024-11-19
Applicant: 安徽农业大学
IPC: G06V10/764 , G06V10/774 , G06V10/776 , G06V10/70 , G06V10/82 , G06N3/049 , G06N3/084 , G06N5/04
Abstract: 本发明公开了一种基于测试时间自适应的图像分类方法，涉及计算机视觉技术领域，具体包括：步骤1：对测试图像数据集合进行破坏性转换；步骤2：通过预训练的分类器f得到伪标签概率分布，构建伪标签概率差异损失；步骤3：计算伪标签概率差异分数，根据伪标签概率差异分数筛选测试图像集合，步骤4：将筛选后的图像输入能量模型，从而得到能量分数和概率密度；步骤5：构建能量优化目标；步骤6：通过伪标签概率差异损失和能量优化目标构建联合优化目标，用于训练测试时间自适应模型，以实现图像分类。本发明将伪标签概率差异引入能量模型，分别从能量和形状信息两个角度对测试数据进行感知，提高了模型在测试图像集合上的分类准确度。
-
公开(公告)号：CN118590112A
公开(公告)日：2024-09-03
申请号：CN202410817598.7
申请日：2024-06-24
Applicant: 安徽农业大学
Abstract: 本发明公开了一种感知与隐蔽通信一体化系统的波束成形设计方法，属于无线通信技术领域；本发明在基站、接收机模型、雷达探测目标和监测者模型，构建了以最小化平均克拉美罗界为目标函数，以通信速率需求以及隐蔽需求等为约束的优化问题。首先推导了克拉美罗界以及相应的平均克拉美罗界的解析表达式，分析了监测者的检测性能，并给出其最小检测错误概率的下界表达式。所构建的问题的目标函数和约束集是非凸的，通过引入松弛变量以及分析隐蔽约束与接收信号能量的单调性来简化目标函数和隐蔽约束，进而推出最优的波束成形。
-
公开(公告)号：CN118447024A
公开(公告)日：2024-08-06
申请号：CN202410906025.1
申请日：2024-07-08
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于级联图特征的图像篡改检测方法及装置，方法包括：获取待检测图像并对待检测图像进行预处理；对预处理后的待检测图像进行特征提取，得到所述待检测图像的不同尺度的特征信息；对所述特征信息进行图特征学习，得到不同尺度的第一图特征;对所述特征信息和所述第一图特征进行图特征级联，得到级联后的第二图特征;获取所述第二图特征的篡改区域掩码，以实现图像篡改检测。利用本发明实施例，能够有效提升图像篡改检测性能。
-
公开(公告)号：CN117953374A
公开(公告)日：2024-04-30
申请号：CN202410098762.3
申请日：2024-01-24
Applicant: 安徽农业大学
IPC: G06V20/10 , G06V20/40 , G06V10/764 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/045 , G06T7/277
Abstract: 本发明公开了一种灌木型农作物生长质量智能监测方法及系统，属于农作物生长监测技术领域。本发明包括如下步骤：S1、构建茶叶图像数据集；S2、设计算法及灌木型农作物目标检测；S3、构建灌木型农作物叶芽跟踪数据集：基于S1中所采集的茶树视频资料，对视频帧内每一叶芽目标进行逐帧标注，构建灌木型农作物叶芽跟踪数据集；S4、设计灌木型农作物叶芽跟踪方法；S5、设计灌木型农作物叶芽计数方法。本发明还进一步提出了与方法相匹配的智能监测系统。本发明应用了深度学习对灌木型农作物的生长状况进行监控，解决了大多依赖于农业从业者的经验判断，避免了人工检测劳动强度大，结果易受个人主观判断的影响，确保了评估的准确性和时效性。
-
-
-
-
-
-
-
-
-
Search Results
151
records
(took 0.034 seconds)
