公开(公告)号：CN118887409A

公开(公告)日：2024-11-01

申请号：CN202411394782.1

申请日：2024-10-08

Applicant: 江南大学 ,  大连理工大学 ,  吉林大学 ,  苏州大学

Inventor： 钱鹏江 ,  张洁 ,  张振宇 ,  张冠宇 ,  樊成 ,  姚健 ,  方伟 ,  蒋亦樟 ,  赵枫 ,  王闯 ,  王士同 ,  张梁 ,  刘丽

IPC: G06V10/26 ,  G06N3/0455 ,  G06N3/082 ,  G06N3/084 ,  G06N3/09 ,  G06V10/82

Abstract: 本发明涉及计算机视觉技术领域，尤其是指一种基于归纳偏置和动态特征聚合的深度智能分割方法，包括：构建图像智能分割模型，包括初始层、编码器、瓶颈层、解码器、空间注意力模块以及输出层；将原始图像输入至图像智能分割模型，输出分割预测图像。所述图像智能分割模型应用DConvNeXt模块，结合具有动态特征建模能力的可变形卷积v4算子与高效局部注意力机制作为令牌混合器，在有效提升模型的特征建模能力的同时，显著增强了特征表示的灵活性和动态性。本发明能够有效处理复杂图像分割任务，显著提高了在多样化应用场景中的适应性和处理复杂图像的分割精度。

公开(公告)号：CN119371682A

公开(公告)日：2025-01-28

申请号：CN202411491942.4

申请日：2024-10-24

Applicant: 苏州大学

Inventor： 赵荟菁 ,  刘丽 ,  刘雨 ,  孟凯 ,  李明忠

IPC: C08J3/075 ,  C08L87/00 ,  C08L5/08 ,  C08G81/00 ,  C08B37/08 ,  A61L27/22 ,  A61L27/20 ,  A61L27/52 ,  A61L27/54 ,  A61L27/58 ,  A61L26/00

Abstract: 本发明公开了一种阳离子化丝素蛋白/氧化透明质酸钠可注射水凝胶及其制备方法与应用，本发明以丝素蛋白(SF)和透明质酸钠(SH)为主要原料，对SF进行阳离子化修饰得到CSF，对SH进行氧化处理得到OSH，利用CSF中含有的氨基与OSH中含有的醛基之间的席夫碱反应，无需添加任何交联剂，即可交联形成一种具有良好的粘附性、机械性能、自愈合性、生物相容性和抗菌性的CSF/OSH可注射水凝胶。本发明提供的CSF/OSH可注射水凝胶在伤口愈合、骨缺损、心血管疾病和脑部疾病等治疗领域可发挥重要作用，在生物医学与组织工程领域具有广阔的应用前景。

公开(公告)号：CN118797448B

公开(公告)日：2024-11-15

申请号：CN202411284257.4

申请日：2024-09-13

Applicant: 江南大学 ,  吉林大学 ,  苏州大学

Inventor： 钱鹏江 ,  张冠宇 ,  姚健 ,  樊成 ,  蒋鑫 ,  蒋亦樟 ,  方伟 ,  刘丽 ,  刘洋 ,  梁福生 ,  顾逸 ,  张欣 ,  王闯

IPC: G06F18/241 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/096 ,  G06F18/10 ,  G06F18/2131 ,  G06F123/02

Abstract: 本发明涉及机器故障诊断技术领域，公开了一种基于迁移学习的多尺度智能决策方法，包括：获取源域与目标域中的机械故障振动时序长信号，构建源域训练集与目标域训练集；在源域训练集中，对时序分信号进行预处理后，提取时域特征与频域特征，并映射为低维时域特征与低维频域特征；计算特征之间的互相关矩阵，构建互相关损失函数，来训练编码器，获取源域优化时域信号编码器，并迁移至目标域，与初始分类器，组成初始多尺度智能决策模型；对目标域时序分信号进行预测，与其真实标签，构建交叉熵损失函数，训练获取目标多尺度智能决策模型；将实时采集的机械故障振动时序长信号，预处理后分别输入目标多尺度智能决策模型中，获取对应的故障类别。

公开(公告)号：CN118887409B

公开(公告)日：2025-02-07

申请号：CN202411394782.1

申请日：2024-10-08

Applicant: 江南大学 ,  大连理工大学 ,  吉林大学 ,  苏州大学

Inventor： 钱鹏江 ,  张洁 ,  张振宇 ,  张冠宇 ,  樊成 ,  姚健 ,  方伟 ,  蒋亦樟 ,  赵枫 ,  王闯 ,  王士同 ,  张梁 ,  刘丽

IPC: G06V10/26 ,  G06N3/0455 ,  G06N3/082 ,  G06N3/084 ,  G06N3/09 ,  G06V10/82

Abstract: 本发明涉及计算机视觉技术领域，尤其是指一种基于归纳偏置和动态特征聚合的深度智能分割方法，包括：构建图像智能分割模型，包括初始层、编码器、瓶颈层、解码器、空间注意力模块以及输出层；将原始图像输入至图像智能分割模型，输出分割预测图像。所述图像智能分割模型应用DConvNeXt模块，结合具有动态特征建模能力的可变形卷积v4算子与高效局部注意力机制作为令牌混合器，在有效提升模型的特征建模能力的同时，显著增强了特征表示的灵活性和动态性。本发明能够有效处理复杂图像分割任务，显著提高了在多样化应用场景中的适应性和处理复杂图像的分割精度。

公开(公告)号：CN118797448A

公开(公告)日：2024-10-18

申请号：CN202411284257.4

申请日：2024-09-13

Applicant: 江南大学 ,  吉林大学 ,  苏州大学

Inventor： 钱鹏江 ,  张冠宇 ,  姚健 ,  樊成 ,  蒋鑫 ,  蒋亦樟 ,  方伟 ,  刘丽 ,  刘洋 ,  梁福生 ,  顾逸 ,  张欣 ,  王闯

IPC: G06F18/241 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/096 ,  G06F18/10 ,  G06F18/2131 ,  G06F123/02

Abstract: 本发明涉及机器故障诊断技术领域，公开了一种基于迁移学习的多尺度智能决策方法，包括：获取源域与目标域中的机械故障振动时序长信号，构建源域训练集与目标域训练集；在源域训练集中，对时序分信号进行预处理后，提取时域特征与频域特征，并映射为低维时域特征与低维频域特征；计算特征之间的互相关矩阵，构建互相关损失函数，来训练编码器，获取源域优化时域信号编码器，并迁移至目标域，与初始分类器，组成初始多尺度智能决策模型；对目标域时序分信号进行预测，与其真实标签，构建交叉熵损失函数，训练获取目标多尺度智能决策模型；将实时采集的机械故障振动时序长信号，预处理后分别输入目标多尺度智能决策模型中，获取对应的故障类别。