-
公开(公告)号：CN119106379A
公开(公告)日：2024-12-10
申请号：CN202411168275.6
申请日：2024-08-23
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F18/2433 , G06F18/15 , G06F18/25 , G06F18/21 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/048
Abstract: 本发明公开的一种基于时频特征交互的设备异常检测方法及系统，包括：获取设备运行过程中所产生的时间序列数据；对时间序列数据进行编码，获得初步嵌入表示及初步嵌入表示的局部嵌入数据和全局嵌入数据；分别提取局部嵌入数据和全局嵌入数据的时频特征，获得局部时频特征和全局时频特征；将局部时频特征和全局时频特征进行相加，获得拼接后特征；将拼接后特征进行特征提取后与初步嵌入表示相加，获得重构数据；根据重构数据，获得设备异常检测结果。提高了设备异常检测的准确率。
-
公开(公告)号：CN118941555A
公开(公告)日：2024-11-12
申请号：CN202411388056.9
申请日：2024-10-08
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 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明提供了一种基于概率掩码的工业产品缺陷检测方法及系统，涉及缺陷检测技术领域，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，获得缺陷检测结果；缺陷检测模型的输入包括有标注的缺陷图像、无标注的缺陷图像和混合中间图像，混合中间图像根据有标注的缺陷图像和无标注的缺陷图像混合得到，缺陷检测模型提取输入的图像的特征图，获取各特征图对应的概率掩码筛选信息，根据概率掩码筛选信息得到对应的交互信息，根据交互信息得到对应的缺陷检测结果。本发明能够在保证准确率的前提下提高模型部署效率。
-
公开(公告)号：CN118864454A
公开(公告)日：2024-10-29
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：CN118781086A
公开(公告)日：2024-10-15
申请号：CN202410937329.4
申请日：2024-07-12
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明提供了基于概率分布优化和协同进化的缺陷检测方法及系统，涉及缺陷检测技术领域，包括，获取待检测的缺陷图像；利用训练好的缺陷检测网络对待检测的缺陷图像进行检测，得到缺陷检测结果。其中，缺陷检测网络包括边缘进化模块、上下文进化模块、特征融合模块和检测模块；边缘进化模块利用上下文特征作为条件，调整边缘特征概率分布，对边缘特征进行进化；上下文进化模块利用边缘进化模块输出的边缘特征作为约束，调整上下文进化的定义域范围，对上下文特征进行进化；特征融合模块融合边缘进化特征和上下文进化特征，得到融合特征；检测模块对融合特征进行检测。本发明能够提高在特征模糊和背景干扰环境下的缺陷检测精度。
-
公开(公告)号：CN118196089B
公开(公告)日：2024-08-06
申请号：CN202410605255.4
申请日：2024-05-16
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/096
Abstract: 本发明属于视觉缺陷检测领域，提供了一种基于知识蒸馏的玻璃容器缺陷检测网络轻量化方法及系统，包括对玻璃容器缺陷图片进行缺陷类别筛选、标注和数据预处理；采用搭建置信度蒸馏分支，训练教师模型得到教师模型权重，将训练好的教师模型进行推理，从教师模型取出置信度最高且互不重叠的多个预测框并训练学生模型进行置信度蒸馏；搭建全局蒸馏分支，训练教师模型得到教师模型权重，将训练好的教师模型进行推理，从教师模型取出多尺度特征并重新加载和训练好的学生模型权重进行全局蒸馏；利用置信度蒸馏分支和全局蒸馏分支实现对缺陷检测网络的轻量化。
-
Patent Agency Ranking
公开(公告)号：CN117975176B
公开(公告)日：2024-06-04
申请号：CN202410392385.4
申请日：2024-04-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 一种基于工业动态视觉自我提示的钢铁缺陷检测方法，涉及数字图像处理中的目标识别技术领域，对工业图片进行缺陷类别筛选、标注和数据预处理；搭建卷积模块，搭建自我提示ViT模块，搭建下采样模块，搭建检测头并将卷积模块、自我提示ViT模块、下采样模块、检测头按顺序级联并进行训练，训练结束后选择优化后的模型进行封装部署。提升了工业缺陷的检测精度，对工业缺陷检测具有应用能力。
-
公开(公告)号：CN117934980B
公开(公告)日：2024-05-31
申请号：CN202410338088.1
申请日：2024-03-25
Applicant: 山东山科数字经济研究院有限公司 , 山东省计算中心(国家超级计算济南中心)
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06T7/00 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 本发明涉及工业检测技术领域，公开一种基于注意力监督调整的玻璃容器缺陷检测方法及系统，所述方法包括以下步骤：（1）获取玻璃容器瓶身、瓶颈、瓶口和瓶底的图像，得到玻璃容器图像数据集B；（2）对玻璃容器图像数据集B进行标注，得到图像数据集中缺陷的真实方框，并划分成训练集、验证集和测试集；（3）搭建玻璃容器缺陷检测模型；（4）将玻璃容器图像输入到训练好的玻璃容器缺陷检测模型中，输出缺陷检测结果。所述系统包括玻璃容器图像采集模块和玻璃容器缺陷检测模块。本发明提高了玻璃容器缺陷检测的准确率，且具有较高的鲁棒性。
-
公开(公告)号：CN117975176A
公开(公告)日：2024-05-03
申请号：CN202410392385.4
申请日：2024-04-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 一种基于工业动态视觉自我提示的钢铁缺陷检测方法，涉及数字图像处理中的目标识别技术领域，对工业图片进行缺陷类别筛选、标注和数据预处理；搭建卷积模块，搭建自我提示ViT模块，搭建下采样模块，搭建检测头并将卷积模块、自我提示ViT模块、下采样模块、检测头按顺序级联并进行训练，训练结束后选择优化后的模型进行封装部署。提升了工业缺陷的检测精度，对工业缺陷检测具有应用能力。
-
公开(公告)号：CN116110081A
公开(公告)日：2023-05-12
申请号：CN202310382275.5
申请日：2023-04-12
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明涉及作业安全监测的技术领域，具体涉及基于深度学习的安全帽佩戴的检测方法及系统。本发明将图像采集，挑选，标注，预处理后进行模型训练与封装，控制中心部署封装好的模型。控制中心接收监控探头和无人机云台相机监控图像，调用头部区域检测算法，计算头部检测框像素总和。对低于100像素的区域提取中心坐标，使用噪声覆盖后。将监控图像送入安全帽佩戴检测模型检测。对提取出的所有中心坐标计算中心点，此中心点作为摄像头锁定跟踪算法的输入，调节摄像头方向并调整镜头放大倍数。再次获取图像进行检测。若检测到未佩戴安全帽则示警。本方案对工地未佩戴安全帽和有易坠落风险的行为进行分析识别，并及时示警，降低工地安全风险。
-
公开(公告)号：CN115510975A
公开(公告)日：2022-12-23
申请号：CN202211189813.0
申请日：2022-09-28
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: 本发明提供了一种多变量时序异常检测方法及系统，包括以下过程：首先将数据进行预处理输入到特征提取模块中；利用T‑Transformer‑GRU提取时序数据的时间信息;利用F‑Transformer‑GRU提取数据的全局特征关联性;然后将两者进行结合形成新的数据维度作为异常检测模块的输入；通过GRU将新特征分别输入到重构模块和预测模块中，识别数据中的异常；将两者结果进行最优化组合得到异常检测分数；最后，将分数与提前设定好的阈值进行对比输入检测结果。本系统包括数据预处理、特征提取模块和异常检测模块。本发明既捕获数据的时间信息又捕获特征之间的关联性，并将预测和重构两种方式进行最优化结合，提高异常检测精度，增强系统的稳定性，能够处理多种时序数据异常检测任务。
-
-
-
-
-
-
-
-
-
Search Results
109
records
(took 0.044 seconds)
