-
公开(公告)号：CN116740456A
公开(公告)日：2023-09-12
申请号：CN202310760848.3
申请日：2023-06-25
Applicant: 安徽工业大学芜湖技术创新研究院 , 安徽工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06V10/80 , G06V10/20 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于Mobile ViT网络的角膜溃疡分类识别方法，属于角膜溃疡分类识别技术领域，包括以下步骤：S1：样本预处理；S2：增加注意力机制；S3：特征拼接；S4：网络搭建；S5：网络训练；S6：分类识别。本发明通过在原始Mobile ViT网络中添加SE注意力模块，增强了网络提取重要特征的能力，同时抑制了不必要的特征；从原始Mobile ViT网络中提取局部特征图，并将其与全局特征图融合，以提取更有效的特征，同时增加了各种特征之间的信息交换；通过各种比较实验证明了改进的有效性，并成功地将准确率从88.7％提高到91.5％。
-
公开(公告)号：CN116740037A
公开(公告)日：2023-09-12
申请号：CN202310760285.8
申请日：2023-06-25
Applicant: 安徽工业大学芜湖技术创新研究院 , 安徽工业大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06V10/20 , G06V10/40 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的混凝土多标签缺陷识别方法，属于混凝土缺陷识别技术领域，包括以下步骤：S1：样本预处理；S2：网络搭建；S3：网络训练；S4：缺陷识别。本发明将原始EfficientNetV2网络的MBConv模块中的SE注意力模块替换为CA注意力模块来提高特征提取能力，从而提高模型的表现能力，采用了SPP层可以让网络输入不同长宽比的图片进行训练，并且在保留了长宽比的信息；实验证明，改进后的模型在本发明数据集上有效的提升了识别水平。
-
公开(公告)号：CN119961708A
公开(公告)日：2025-05-09
申请号：CN202510039810.6
申请日：2025-01-10
Applicant: 安徽工业大学
IPC: G06F18/23213
Abstract: 本发明公开了一种适用于混合型属性数据的自适应邻域粒聚类方法，属于机器学习技术领域。针对现有技术中存在的传统K均值聚类算法只能处理数值型属性数据以及聚类结果不稳定的问题，本发明提供了一种适用于混合型属性数据的自适应邻域粒聚类方法，其方法包括：S1、获取并输入待聚类数据；S2、通过混合型属性数据的自适应邻域粒聚类方法计算待聚类数据的邻域粒向量；S3、基于数据的相异性度量方法选取待聚类数据的初始聚类中心；S4、利用邻域粒K均值聚类算法更新聚类中心；S5、输出聚类结果。由此，通过将K均值聚类算法和粒计算相结合，实现混合型属性数据粒化，具备适用性强和聚类性能高的优良特性。
-
公开(公告)号：CN119006928A
公开(公告)日：2024-11-22
申请号：CN202411234860.1
申请日：2024-09-04
Applicant: 安徽工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/776 , G06N3/048 , G06V10/80 , G06T7/00
Abstract: 本发明公开了一种基于改进后EfficientNetV2模型的桥梁混凝土缺陷多标签分类方法，属于混凝土缺陷分类技术领域。本发明通过在原始的EfficientNetV2网络中加入SCARM模块，实现对网络提取的特征图进行空间和通道上的冗余信息的去除，以减少模型训练过程中的冗余信息，并通过注意力机制促进代表性特征的学习；鉴于数据集中的图像具有不同的尺寸和高宽比，在分类层之前采用了SPPF模块进行多尺度特征融合，可以帮助网络提取各种尺寸的空间特征信息，从而提高模型对物体变形的鲁棒性；为了解决数据集中正负样本不平衡的问题，采用了不对称损失函数进行训练，能够动态调整权重和硬阈值，以减少简单负样本的影响，并且可以过滤可能被错误标记的样本。
-
公开(公告)号：CN118866115A
公开(公告)日：2024-10-29
申请号：CN202410885587.2
申请日：2024-07-03
Applicant: 安徽工业大学
IPC: G16B40/00 , G16B15/20 , G06F18/25 , G06F18/214 , G06F18/21 , G06N3/042 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于图神经网络的蛋白质相互作用预测方法，属于蛋白质相互作用预测技术领域，包括以下步骤：S1：氨基酸序列预处理；S2：提取蛋白质结构信息和序列信息；S3：结构信息与特征信息融合；S4：构建图神经网络；S5：模型网络训练；S6：蛋白质间相互作用预测。本发明采用将两种特征融合作为蛋白质特征表达；采用ESM‑2模块利用蛋白质的氨基酸序列提取蛋白质结构特征，无需提供单独的结构特征；采用非对称损失函数，能够有效解决蛋白质之间的相互作用中存在的样本标签不平衡问题。
-
Patent Agency Ranking
公开(公告)号：CN114580479B
公开(公告)日：2024-09-06
申请号：CN202210211410.5
申请日：2022-03-04
Applicant: 安徽工业大学
IPC: G06F18/27 , G06F18/213 , B63B71/00
Abstract: 本发明公开了一种基于STFT周期性能量峰的船舶螺旋桨转速预报方法，涉及船舶航速识别技术领域。本发明的步骤为：步骤一：将螺旋桨噪声信号进行STFT变换，通过比较分析时频谱图中特征量来确定窗函数和窗口长度；步骤二：利用步骤一的窗函数及其长度参数，对螺旋桨噪声信号进行STFT变换，获得时频谱图信息；步骤三：提取螺旋桨噪声信号的时频特征，并且统计时频图出现的周期性能量峰的时间节点；步骤四：根据所获得的能量峰时间节点，采用差值平均值法求得周期时间，并与螺旋桨转速进行相关性分析。本发明利用STFT谱图的能量峰特征来预报螺旋桨的转速，是研究螺旋桨噪声特征的一种新思路，对船舶航速识别技术有重要的指向性价值。
-
公开(公告)号：CN118311867A
公开(公告)日：2024-07-09
申请号：CN202410382989.0
申请日：2024-04-01
Applicant: 安徽工业大学科技园有限公司
IPC: G05B13/04
Abstract: 本发明公开了冶金自备电厂燃气发电机组机炉协调优化控制方法及系统，定期采集的锅炉侧DCS与汽轮机侧DEH历史过程变量数据，构建并更新机炉耦合数学模型；以及基于机炉耦合数学模型设计多变量动态矩阵控制器，与锅炉、汽轮机被控对象构成机炉协调控制系统，协调控制系统至少周期性完成如下操作：实时采集机组运行数据，同设定值一起输入，计算得到当前时刻汽轮机调门开度增量和锅炉燃料增量；实时采集调节级压力与机组有功功率对系统进行反馈校正，得到下一时刻汽轮机调门开度量和锅炉燃料量，实现了锅炉与汽轮机的协同控制，有效缓解了因煤气管网波动、燃料热值波动、负荷多变和机炉分散控制导致的机组效率不高、波动较大的问题。
-
公开(公告)号：CN113721622B
公开(公告)日：2024-02-23
申请号：CN202111010704.3
申请日：2021-08-31
Applicant: 安徽工业大学
Abstract: 本发明公开了一种机器人路径规划方法，属于路径规划技术领域。它包括获取环境空间信息，根据环境空间信息生成栅格地图；其中，栅格地图中包括黑格和白格，黑格表示有障碍物，白格表示无障碍物；生成采样点集X，并利用PRM算法对采样点集X的采样点进行双向搜索生成路径集F；然后根据路径集F得到最优折线路径；之后对最优折线路径进行平滑处理得到最优规划路径。针对现有技术中利用PRM算法进行路径规划时搜索效率低的问题，本发明提供一种机器人路径规划方法，通过实现路径的双向搜索，从而提高了PRM进行路径搜索的效率，并且提高了搜索的安全性。
-
公开(公告)号：CN117197896A
公开(公告)日：2023-12-08
申请号：CN202311222629.6
申请日：2023-09-21
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法，涉及异常检测技术领域。本发明使用MobileNetV3网络结构代替传统Yolo V7的Backbone模块，使用改进NAS‑FPN网络和CoAtNet网络代替传统Yolo V7的Neck模块，构建基于改进Yolo V7的异常行为检测模型；利用异常行为数据集对检测模型进行训练，获得深度学习模型；将预处理后的待检测图像输入深度学习模型进行异常行为实时检测，并对异常行为实时预警。本发明中改进的Yolo V7检测模型具有轻量化的特点，对医疗废弃物暂存站异常行为检测具有较快的检测速度和较高的检测精度，可有效杜绝因异常行为所导致的医疗废弃物损坏、污染或丢失而无法辨别责任问题。
-
公开(公告)号：CN109740795B
公开(公告)日：2023-09-29
申请号：CN201811469397.3
申请日：2018-11-28
Applicant: 安徽工业大学
Abstract: 公开了一种基于SA‑PSO的短时交通流预测方法，属于数据预测领域，该方法基于背景值和初始条件是影响灰色建模精度的两个重要因素，根据车联网的短时交通流数据建立非等间距GM(1,1)模型，利用复化梯形公式对非等间距GM(1,1)模型中的背景值进行了优化，并基于新信息优先原理，对模型的初始条件进行了重构，利用相对误差平方和最小准则，对初始条件对应的最优时间参数进行求解，并利用基于模拟退火算法(SA)和粒子群优化算法(PSO)相结合的智能算法作为优化工具对模型背景值和初始条件中的自适应参数进行了优化提取，有效克服了现有非等间距GM(1,1)模型的不足，提高了非等间距GM(1,1)模型的预测精度，获得短时模拟交通流数据。
-
-
-
-
-
-
-
-
-
Search Results
130
records
(took 0.029 seconds)
