-
公开(公告)号：CN119992502A
公开(公告)日：2025-05-13
申请号：CN202510465508.7
申请日：2025-04-15
Applicant: 烟台大学
IPC: G06V20/56 , G06V10/52 , G06V10/80 , G06V10/82 , G06V10/77 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明涉及3D图像生成技术领域，具体为基于频率感知特征融合的3D车道线生成方法和系统；通过设计包括用于提取图像不同深度尺度特征的多尺度特征提取网络，用于从高分辨率特征中提取高频信息、并与低分辨率特征进行融合以增强低分辨率特征的表达能力的频率金字塔网络，用于提取更稳健、更高级的BEV特征的空间转化融合网络，用于生成3D车道线的车道线提取网络的3D车道线生成模型，来提高了3D车道线生成的准确性和鲁棒性，能够更好地应对复杂环境中的变化，同时保持良好的实时性，适用于自动驾驶和辅助驾驶系统，展现出广阔的应用前景。
-
公开(公告)号：CN119780025A
公开(公告)日：2025-04-08
申请号：CN202411877714.0
申请日：2024-12-19
Applicant: 烟台大学
IPC: G01N21/3577 , G01N21/359 , G06N3/084 , G06N3/0985 , G06N3/0464 , G06N3/086
Abstract: 本发明涉及海洋溢油监测技术领域，尤其是涉及一种基于近红外吸收光谱的海水含油浓度检测方法及系统。方法，包括获取不同油样的不同浓度的光谱样本；采集不同浓度下光谱样本的原始近红外光谱；基于不同浓度近红外光谱强度差选取特征波段，对特征波段内光谱数据进行提取；对特征波段内光谱数据进行归一化预处理；利用特征波段内光谱数据训练深度学习模型，得到含有浓度结果；本发明能够有效反演海水含油的浓度，为海洋溢油监测与船舶含油海水排放的浓度检测提供了新的方法。
-
公开(公告)号：CN119676094A
公开(公告)日：2025-03-21
申请号：CN202510185592.7
申请日：2025-02-20
Applicant: 烟台大学
IPC: H04L41/12 , H04L41/142 , H04L41/16 , H04L41/0631 , H04L67/12 , G06N3/04 , G06N3/08 , G06N5/022
Abstract: 本发明涉及工业物联网检测技术领域，尤其是涉及一种基于联邦图神经网络工业物联网设备检测方法及系统。所述方法，包括获取每个设备的实时运行状态数据和传感器的测量值，利用输入数据作为设备节点特征构建拓扑图，并基于拓扑图引入知识图谱，将客户端设备状态与知识图谱信息进行融合，引入注意力机制对客户端本地模型的权重进行自适应调整；基于融合后的节点特征进行特征增强，建立基于强化学习的联邦图神经网络客户端动态调度策略，利用全局模型进行图结构数据的节点分类任务，本发明基于融合后的节点特征进行特征增强、引入投影头和计算对比损失，提升了模型在缺乏标注数据下的性能，使模型学习到更稳健特征，增强了对设备故障的判断准确性。
-
公开(公告)号：CN119130801B
公开(公告)日：2025-03-14
申请号：CN202411603889.2
申请日：2024-11-12
Applicant: 烟台大学
IPC: G06T3/4046 , G06T3/4076 , G06T3/4023 , G06N3/0464
Abstract: 本发明属于图像处理技术领域，具体涉及一种遥感图像重建模型的构建及训练方法、系统，该遥感图像重建模型以先验特征为指导，提取局部特征和全局特征并进行自适应特征融合，对低分辨率图像进行重建，其中先验特征为图像的结构、纹理和边缘等提供了额外信息，使得模型能够更精确地重建高分辨率图像的细节；且提取局部特征和全局特征时，充分利用先验特征和全局上下文关系，并采用自适应特征融合处理将局部特征和全局特征融合，增强了模型在超分辨率重建任务中的表现。
-
公开(公告)号：CN118229764B
公开(公告)日：2025-02-25
申请号：CN202410424179.7
申请日：2024-04-10
Applicant: 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) , 烟台大学
IPC: G06T7/62 , G06T7/11 , G06T7/136 , G06T5/50 , G06V20/10 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/52
Abstract: 本发明涉及图像处理技术领域，具体为基于多尺度图卷积的海草床面积获取方法、系统和设备，为解决目前获取海草床面积结果的准确度和稳定性较低的问题，本发明首先将邻域通道差异度小于邻域通道差异度阈值的像素点，作为种子像素点进行超像素生长处理，得到超像素海草床图；然后，将超像素海草床图进行残差处理和分割后，获取多尺度邻接矩阵，将多尺度邻接矩阵分别与超像素海草床分割图进行图卷积处理后进行融合，得到海草床融合特征图；最后，将海草床融合特征图进行分类处理，获取海草像素点数后，与海草床图像面积结合计算得到海草床面积；该获取方法应用在海草床面积计算领域，不仅省时省力，还能提高海草床面积获取的准确度以及稳定性。
-
Patent Agency Ranking
公开(公告)号：CN119339245A
公开(公告)日：2025-01-21
申请号：CN202411863953.0
申请日：2024-12-18
Applicant: 烟台大学
Abstract: 本发明涉及海洋赤潮预测技术领域，尤其是涉及一种基于双通道时空图神经网络的赤潮异常预测方法及系统。方法，包括将预处理后的海洋环境监测数据转换成图结构，其中节点表示海洋监测站；并基于皮尔逊相关系数构造邻接矩阵，邻接矩阵元素表示节点之间的空间相关性；利用时空图神经网络对图结构进行空间和时间特征提取；本发明结合了时空图神经网络与遥感图像数据的深度特征提取能力，通过图卷积和卷积神经网络（CNN）多层操作，实现了海洋赤潮异常的精准预测。
-
公开(公告)号：CN118893636B
公开(公告)日：2025-01-21
申请号：CN202411396563.7
申请日：2024-10-09
Applicant: 烟台大学
IPC: B25J9/16
Abstract: 本发明涉及神经网络技术领域，尤其是涉及一种基于卷积神经网络的机器人姿态估计方法及系统。方法，包括获取工业机器人姿态信息数据；对获取的工业机器人姿态信息数据进行自动化标注，得到数据集；对数据集进行预处理；利用预处理后的数据集训练卷积神经网络模型；利用训练好的卷积神经网络模型对机器人进行姿态估计。本发明通过自动化标注与手工校准相结合的方法，生成高精度的工业机器人臂姿态数据集，克服了传统方法中手工标注耗时和不精确的问题。
-
公开(公告)号：CN118841979B
公开(公告)日：2025-01-21
申请号：CN202411311278.0
申请日：2024-09-20
Applicant: 烟台大学
IPC: H02J3/00 , G06F18/2415 , G06F18/10 , G06N3/094 , G06F17/16
Abstract: 本发明涉及模型运算技术领域，尤其是涉及一种基于多尺度异常检测的电力系统负荷预测方法及系统。方法，包括构建Transformer‑XL与生成对抗网络相结合的负荷预测模型；基于负荷预测模型对电力系统多源数据进行预测，得到负荷预测数据；基于多尺度卷积变分自编码器对电力系统多源数据进行异常检测，得到异常检测结果；将异常检测结果和负荷预测结果相融合，生成综合评分；根据生成的综合评分，利用贝叶斯优化自动调整关键超参数。本发明能够更好地处理电力负荷数据中的非线性和多维度变化，从而显著提升了负荷预测的精度。
-
公开(公告)号：CN118820296A
公开(公告)日：2024-10-22
申请号：CN202411311276.1
申请日：2024-09-20
Applicant: 烟台大学
IPC: G06F16/2453 , G06F16/2455
Abstract: 本发明涉及最短路线查询技术领域，尤其是涉及一种动态图top‑k最优路线的分布式查询方法及系统。所述方法，包括获取动态图；基于动态图建立分布式动态两级索引结构，即DTLP索引；基于DTLP索引，利用DG‑KSP算法计算得到top‑k最优路径。本发明采用的面向大型动态图上top‑k最优路径查询的分布式计算平台具备分布式的子图管理模块和查询处理模块，能够很好地支撑本发明所提出的分布式动态两级索引结构，满足大型动态图上top‑k最优路径查询的分布式访问需求。
-
公开(公告)号：CN118365646B
公开(公告)日：2024-10-01
申请号：CN202410796193.X
申请日：2024-06-20
Applicant: 烟台大学
IPC: G06T7/00 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/042 , G06N3/0464
Abstract: 本发明涉及缺陷检测技术领域，尤其是涉及一种基于生成对抗网络的异型衬套缺陷检测方法及系统。所述方法，包括获取包含异型衬套外表面的图像数据，并利用图像数据生成点云数据；对生成的点云数据进行预处理，包括利用欧式聚类算法对点云数据进行去噪处理；利用预处理后的点云数据构建对抗网络模型，包括构建生成器、判别器和损失函数；基于构建完成的对抗网络模型进行模型训练，包括对生成器和判别器进行训练；利用预处理后的点云数据和对抗网络模型进行模型的缺陷检测；根据缺陷检测结果进行缺陷记录。本发明通过引入注意力机制的生成对抗网络能够更好地关注和利用点云数据中的重要信息，提高缺陷检测的准确性和效率。
-
-
-
-
-
-
-
-
-
Search Results
192
records
(took 0.025 seconds)
