-
公开(公告)号：CN107478598A
公开(公告)日：2017-12-15
申请号：CN201710780270.2
申请日：2017-09-01
申请人： 广东省智能制造研究所
IPC分类号： G01N21/359
CPC分类号： G01N21/359
摘要： 本发明公开了一种基于一维卷积神经网络的近红外光谱分析方法，具体包括以下步骤：S1、采集训练集样本的近红外光谱数据，并进行预处理；S2、利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外光谱校正模型；S3、采集测试集样本的近红外光谱数据，并进行预处理；S4、将预处理后的测试集数据代入近红外光谱校正模型，获得预测结果。采用本发明的方法可有效提取近红外光谱中较为陡峭的和较为平缓的吸收峰信息，得到不同分辨率的特征信息，从而能够有效提升利用近红外光谱校正模型的预测精度。本发明在食品药品成分分析、非法化学添加物检测、纺织品成分分析等领域具有良好的应用前景。
-
公开(公告)号：CN107909015A
公开(公告)日：2018-04-13
申请号：CN201711056964.8
申请日：2017-10-27
申请人： 广东省智能制造研究所
CPC分类号： G06K9/0063 , G06K9/6256 , G06K9/6265 , G06K2009/00644 , G06N3/08
摘要： 本发明公开了一种基于卷积神经网络与空谱信息融合的高光谱图像分类方法，包括如下步骤：S1、提取高光谱图像每一像素点的X、Y轴坐标作为空间信息，并将空间信息与光谱信息合并，作为一个样品的特征信息；S2、随机划分训练集与测试集数据；S3、将包括空间信息与光谱信息的训练集样本放入一维卷积神经网络，训练分类模型；S4、将包括空间信息和光谱信息的训练集样本放入分类模型，进行分类预测。其中卷积神经网络采用不同大小的卷积核进行卷积操作，可有效提取高光谱中光谱维中不同分辨率的特征信息；此外，同时将光谱维信息与空间维信息输入神经网络进行学习，充分利用了高光谱“双高分辨率”的特征，算法结构简单且能够显著提升分类精度。
-
公开(公告)号：CN107798348B
公开(公告)日：2020-02-18
申请号：CN201711056924.3
申请日：2017-10-27
申请人： 广东省智能制造研究所
摘要： 本发明公开了一种基于邻域信息深度学习的高光谱数据分类方法，包括如下步骤：对高光谱图像数据，随机划分训练集与测试集；以每一像素点n×n邻域内训练集样本的类归属与n×n邻域内所有样本的前l个主成分得分，作为每一样本的空间信息；将训练集每一样本的光谱信息与空间信息共同放入卷积神经网络，进行模型训练；将测试集每一样本的光谱信息与空间信息共同放入模型，进行分类结果预测。本发明将每一像素点在图片中n×n邻域的训练集类归属与邻域内所有样本的主成分分布作为空间信息，并采用二维卷积神经网络对此邻域图像进行进一步的空间特征提取，再与光谱维信息进行融合，可显著提升分类精度，在高光谱数据分类领域具有良好的应用前景。
-
公开(公告)号：CN110320162B
公开(公告)日：2021-04-23
申请号：CN201910420079.6
申请日：2019-05-20
申请人： 广东省智能制造研究所
摘要： 本发明公开一种基于生成对抗网络的半监督高光谱数据定量分析方法，其步骤如下：(1)获取高光谱样本数据；(2)构建样本训练集与预测集，其中无标签的预测集样本也用于半监督训练；(3)构建基于生成对抗网络的回归网络，包括一个生成样本的生成器网络，和一个同时具有判别样本真伪与输出定量分析值功能的判别器/回归器网络；(4)构建生成对抗网络的损失函数，包括判别器损失函数，回归器损失函数，及具备样本分布匹配功能的生成器损失函数；(5)训练生成对抗网络；(6)采用训练好的回归器进行定量分析值的预测。本发明采用生成对抗网络来生成样本，并使用样本分布匹配策略来补充现有无标签样本集，提升了高光谱定量分析的精度。
-
公开(公告)号：CN110320162A
公开(公告)日：2019-10-11
申请号：CN201910420079.6
申请日：2019-05-20
申请人： 广东省智能制造研究所
摘要： 本发明公开一种基于生成对抗网络的半监督高光谱数据定量分析方法，其步骤如下：(1)获取高光谱样本数据；(2)构建样本训练集与预测集，其中无标签的预测集样本也用于半监督训练；(3)构建基于生成对抗网络的回归网络，包括一个生成样本的生成器网络，和一个同时具有判别样本真伪与输出定量分析值功能的判别器/回归器网络；(4)构建生成对抗网络的损失函数，包括判别器损失函数，回归器损失函数，及具备样本分布匹配功能的生成器损失函数；(5)训练生成对抗网络；(6)采用训练好的回归器进行定量分析值的预测。本发明采用生成对抗网络来生成样本，并使用样本分布匹配策略来补充现有无标签样本集，提升了高光谱定量分析的精度。
-
公开(公告)号：CN107798348A
公开(公告)日：2018-03-13
申请号：CN201711056924.3
申请日：2017-10-27
申请人： 广东省智能制造研究所
摘要： 本发明公开了一种基于邻域信息深度学习的高光谱数据分类方法，包括如下步骤：对高光谱图像数据，随机划分训练集与测试集；以每一像素点n×n邻域内训练集样本的类归属与n×n邻域内所有样本的前l个主成分得分，作为每一样本的空间信息；将训练集每一样本的光谱信息与空间信息共同放入卷积神经网络，进行模型训练；将测试集每一样本的光谱信息与空间信息共同放入模型，进行分类结果预测。本发明将每一像素点在图片中n×n邻域的训练集类归属与邻域内所有样本的主成分分布作为空间信息，并采用二维卷积神经网络对此邻域图像进行进一步的空间特征提取，再与光谱维信息进行融合，可显著提升分类精度，在高光谱数据分类领域具有良好的应用前景。
-
公开(公告)号：CN105067706B
公开(公告)日：2018-11-23
申请号：CN201510474704.7
申请日：2015-08-05
申请人： 广东省智能制造研究所
摘要： 本发明涉及一种基于空气耦合超声的热封软包装密封性检测方法和系统，其系统包括主控分析模块、空气耦合超声激励模块、空气耦合超声接收模块、运动控制模块、样品探测模块和分拣模块。所述运动控制模块用于运送样品，并将样品送到超声检测范围；所述样品探测模块用于探测样品是否在超声检测范围内；所述分拣模块用于将检测不合格的样品从运动控制模块上剔除；本发明提供了高速、无损、可在线的软包装热封封口密封性检测装置及检测方法，相对于传统破坏式抽检方法，具有非接触、无污染无破坏的特点，并且检测效率更高，可用于各类软包装食品、药品、日化产品的包装密封性在线检测，具有广泛的应用价值。
-
公开(公告)号：CN105783692B
公开(公告)日：2018-08-24
申请号：CN201610328082.1
申请日：2016-05-17
申请人： 广东省智能制造研究所
IPC分类号： G01B7/02
摘要： 本发明公开了一种大量程高精度高动态响应电涡流位移传感器及实现方法。该传感器包括交流谐振升压电桥、稳幅电路、幅度补偿与加法电路、正交采样触发信号生成电路和高速采样处理器；所述方法包括：通过双路采样方法进行双路采样数据，根据双路采样数据(S1、S2)计算谐振电路损耗电阻；根据电路损耗电阻计算线圈位移；根据温度S3，计算温度补偿后的位移温飘。本发明通过线圈升压，稳幅激励，幅度补偿的方法提高了传感器的灵敏度和测量范围；通过正交采样，数字处理的方法减小了外界干扰，提高了动态响应与稳定性。
-
公开(公告)号：CN105572224B
公开(公告)日：2018-08-24
申请号：CN201510971620.4
申请日：2015-12-21
申请人： 广东省智能制造研究所
摘要： 本发明公开了一种基于小波分析与相关算法的空气耦合超声成像方法。以子频带的小波系数与参考信号的相关系数作为特征量进行成像，可有效消除测量引入的高斯白噪声与空气耦合超声透射信号的强度波动噪声，提高图像信噪比。同时，通过相关系数最小值判断是否存在小尺寸缺陷，进而对平滑滤波窗口进行自适应调节，缺陷尺寸大时加大平滑窗口尺寸，降低背景噪声，缺陷尺寸小时减小窗口尺寸，突出信号细节，从而实现“自适应对焦”，达到提升小缺陷检出能力的目的。该成像方法在空气耦合超声检测领域具有良好的应用前景。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.033 秒)
