-
公开(公告)号：CN113643756A
公开(公告)日：2021-11-12
申请号：CN202110909991.5
申请日：2021-08-09
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于深度学习的蛋白质相互作用位点预测方法，属于生物信息学分析技术领域，首先，从PDB数据库获取公开的蛋白质数据集，基于数据集中蛋白质的序列信息生成位置特异性得分矩阵并提取给定蛋白质序列的物理化学特征，从而形成蛋白质中每一个氨基酸残基的表示。由于蛋白质序列中非相互作用残基远远多于相互作用残基，采用下采样策略来消除类别不平衡性以获得高质量且低偏差的数据集。将平衡后的数据集分为训练集和测试集，对于训练集利用变分自编码器进一步提取蛋白质序列的高级抽象特征，再利用多层感知机对氨基酸残基进行分类。将训练好的模型在测试集上测试，得到预测结果。本发明计算成本低且预测精度较高。
-
公开(公告)号：CN113610163B
公开(公告)日：2024-08-09
申请号：CN202110908681.1
申请日：2021-08-09
Applicant: 安徽工业大学
IPC: G06V20/10 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/042 , G06N3/045 , G06N3/096
Abstract: 本发明公开了一种基于知识蒸馏的轻量级苹果叶片病害识别方法，属于图像处理技术领域，包括：数据集处理；改进经典SqueezeNet结构；教师网络指导；低精度教师网络进修；苹果叶片病害识别。本发明所采用的主干网络是一种轻量且高效的卷积神经网络模型，并对其结构进行设计和修改，获取更加轻量化的模型；同时利用知识蒸馏方法在显著减少模型参数同时使模型性能保持在较高的水平，将更加有利于模型部署在移动终端等嵌入式资源有限的设备上，有助于实现对苹果叶片病害的实时准确识别；还提出一种“进修”思想，可以有效解决教师网络指导效果差的问题。
-
公开(公告)号：CN113610163A
公开(公告)日：2021-11-05
申请号：CN202110908681.1
申请日：2021-08-09
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于知识蒸馏的轻量级苹果叶片病害识别方法，属于图像处理技术领域，包括：数据集处理；改进经典SqueezeNet结构；教师网络指导；低精度教师网络进修；苹果叶片病害识别。本发明所采用的主干网络是一种轻量且高效的卷积神经网络模型，并对其结构进行设计和修改，获取更加轻量化的模型；同时利用知识蒸馏方法在显著减少模型参数同时使模型性能保持在较高的水平，将更加有利于模型部署在移动终端等嵌入式资源有限的设备上，有助于实现对苹果叶片病害的实时准确识别；还提出一种“进修”思想，可以有效解决教师网络指导效果差的问题。
-
公开(公告)号：CN113643756B
公开(公告)日：2024-08-16
申请号：CN202110909991.5
申请日：2021-08-09
Applicant: 安徽工业大学
IPC: G16B20/30 , G16B15/20 , G16B40/30 , G06F18/214 , G06F18/25 , G06F18/241 , G06N3/0455 , G06N3/088
Abstract: 本发明公开了一种基于深度学习的蛋白质相互作用位点预测方法，属于生物信息学分析技术领域，首先，从PDB数据库获取公开的蛋白质数据集，基于数据集中蛋白质的序列信息生成位置特异性得分矩阵并提取给定蛋白质序列的物理化学特征，从而形成蛋白质中每一个氨基酸残基的表示。由于蛋白质序列中非相互作用残基远远多于相互作用残基，采用下采样策略来消除类别不平衡性以获得高质量且低偏差的数据集。将平衡后的数据集分为训练集和测试集，对于训练集利用变分自编码器进一步提取蛋白质序列的高级抽象特征，再利用多层感知机对氨基酸残基进行分类。将训练好的模型在测试集上测试，得到预测结果。本发明计算成本低且预测精度较高。
-
Patent Agency Ranking
公开(公告)号：CN113628178B
公开(公告)日：2024-03-15
申请号：CN202110872859.1
申请日：2021-07-30
Applicant: 安徽工业大学
IPC: G06T7/00 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06V10/42 , G06V10/44
Abstract: 本发明公开了一种速度与精度平衡的钢铁产品表面缺陷检测方法，属于钢材表面缺陷检测技术领域，包括以下步骤：S1：从数据库中获取热轧带钢表面缺陷典型图像样本，并对样本进行预处理；S2：基于CenterNet目标检测模型，设计包含跳层连接和金字塔特征融合模块的热轧带钢表面缺陷目标检测模型，并选择骨干网络作为目标检测模型的特征提取器；S3：对目标检测模型中骨干网络结构部分的参数采用在ImageNet数据集上训练好的参数进行初始化，并用训练样本训练目标检测模型；S4：用训练后的目标检测模型对测试样本进行测试，并输出检测结果。本发明检测热轧带钢表面缺陷目标位置的准确率高，检测速度快，能够有效地应用于现场实时检测热轧带钢的表面缺陷。
-
公开(公告)号：CN113628178A
公开(公告)日：2021-11-09
申请号：CN202110872859.1
申请日：2021-07-30
Applicant: 安徽工业大学
Abstract: 本发明公开了一种速度与精度平衡的钢铁产品表面缺陷检测方法，属于钢材表面缺陷检测技术领域，包括以下步骤：S1：从数据库中获取热轧带钢表面缺陷典型图像样本，并对样本进行预处理；S2：基于CenterNet目标检测模型，设计包含跳层连接和金字塔特征融合模块的热轧带钢表面缺陷目标检测模型，并选择骨干网络作为目标检测模型的特征提取器；S3：对目标检测模型中骨干网络结构部分的参数采用在ImageNet数据集上训练好的参数进行初始化，并用训练样本训练目标检测模型；S4：用训练后的目标检测模型对测试样本进行测试，并输出检测结果。本发明检测热轧带钢表面缺陷目标位置的准确率高，检测速度快，能够有效地应用于现场实时检测热轧带钢的表面缺陷。
-
公开(公告)号：CN113627317A
公开(公告)日：2021-11-09
申请号：CN202110902959.4
申请日：2021-08-06
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于单样本学习的电机轴承故障诊断方法，属于计算机技术领域，包括以下步骤：设置每类不同样本数量和添加不同噪声强度；对已有的电机轴承一维振动信号进行数据扩充；将处理后的数据作为输入送入网络中进行训练和网络参数迭代更新；对测试样本进行故障诊断从而判别模型性能。本发明基于孪生网络的单样本进行学习，能够很好地解决在电机轴承故障诊断时数据匮乏而出现的精度过低问题；能够解决工况环境中经常出现的工业噪音的现象，可更好地提取信号的特征信息，采用了改进的多尺度一维卷积网络融合并与LSTM相结合的方法用于提取信号的全局特征和局部特征从而更好的进行故障诊断，具有适用性强和稳定性高的优点。
-
公开(公告)号：CN113570145A
公开(公告)日：2021-10-29
申请号：CN202110870941.0
申请日：2021-07-30
Applicant: 安徽工业大学
Abstract: 本发明公开了一种炼铁高炉炉芯死料柱温度的预测方法，属于冶金信息处理技术领域，包括采集样本数据并预处理，基于最大信息系数提取特征划分训练集与测试集得到数据集1，将数据集1每一列在时序上的变化趋势用1或‑1表示出来，得到数据集2；在数据集1上使用岭回归方法拟合参数与炉芯死料柱温度的回归模型，使用高斯核支持向量机在数据集2上分析时序上变化趋势的关联；结合对变化趋势的分析合理调整回归模型的预测结果，进一步减小预测误差。本发明将单一岭回归模型与分析变化趋势的方法结合，利用数据时序信息对模型进行优化，进一步减小了对炉芯死料柱温度的预测误差，提高了计算精度，具有很高的实际应用价值。
-
公开(公告)号：CN113706471A
公开(公告)日：2021-11-26
申请号：CN202110870944.4
申请日：2021-07-30
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于模型压缩的钢铁产品表面缺陷检测方法，属于钢材表面缺陷检测技术领域，包括以下步骤：S1：对热轧带钢表面缺陷图像样本进行预处理；S2：基于anchor‑free目标检测框架，搭建热轧带钢表面缺陷检测网络；S3：对缺陷检测网络进行模型压缩，并采用线性策略及训练样本训练模型；S4：在独立验证集上测试缺陷检测网络并输出检测速度与检测结果。本发明先搭建用于识别与定位的钢铁表面缺陷检测网络，再移除缺陷检测网络中冗余的参数，减少模型高额的存储空间以及计算资源消耗，将缺陷检测网络更稳定、高效的落地在硬件平台上。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
