-
公开(公告)号：CN116206135A
公开(公告)日：2023-06-02
申请号：CN202211422760.2
申请日：2022-11-15
Applicant: 重庆科技学院
IPC: G06V10/58 , G06V10/56 , G06V10/22 , G06T7/00 , G06T5/30 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本申请涉及一种基于高光谱图像的溢油区域确定方法和装置，属深度学习及计算机视觉技术领域领域，通过对某些溢油区域明显的波段图像进行裁剪，标注溢油与非溢油区域形成原始训练、测试数据集，保证了前期算法所需的数据的准确性，进而保证算法的科学性，利用卷积神经网络的计算能力，采集数据集中不同程度的图像特征，最后将不同的特征层进行融合，作为最终分割溢油区域的判断依据，进一步检验算法的准确性以及数据集制作的标准性，从而提高识别精度。
-
公开(公告)号：CN115048978A
公开(公告)日：2022-09-13
申请号：CN202210449172.1
申请日：2022-04-27
Applicant: 重庆科技学院
Abstract: 本发明涉及车内婴幼儿的安全检测技术领域，具体公开了一种基于多源信息融合的车内婴幼儿安全检测系统，包括感知层、传输层和应用层，感知层包括主控模块及连接主控模块的惯性传感器、麦克风阵列及双目摄像头；传输层包括连接主控模块的NB‑IoT无线通信模块；应用层包括后台服务器以及连接后台服务器的IoT云平台和移动终端，IoT云平台与NB‑IoT无线通信模块无线连接。本系统采用嵌入式的神经网络对婴幼儿哭声、车内婴幼儿形态进行检测和识别，对婴幼儿滞留车内的识别准确性高、识别速度快、工作效率高，可基本杜绝婴儿被困车内的情况发生，系统通过软硬件集成设计后，可大幅降低功耗，增长待机时间，同时能对车辆进行全方面监测、定位等，功能多样化。
-
公开(公告)号：CN112200251A
公开(公告)日：2021-01-08
申请号：CN202011103345.1
申请日：2020-10-15
Applicant: 重庆科技学院
Abstract: 本发明提供一种基于多尺度卷积神经网络的监测系统数据评估方法,包括以下步骤，S1选择数据集；S2对数据集进行预处理；S3标签制作；S4搭建基于多尺度卷积神经网络的健康状态评估模型。本发明的有益效果是：基于多尺度卷积神经网络的监测系统数据评估模型为辅助监测系统提供一种非接触式的评估办法，根据多种监测数据的特征设计特定的多尺度卷积模型，减少现有办法在自然条件下物体状态评估的不确定性，提高评估准确率，为相关问题的科学研究奠定了数据基础。
-
公开(公告)号：CN116746942A
公开(公告)日：2023-09-15
申请号：CN202310522195.5
申请日：2023-05-10
Applicant: 重庆科技学院
IPC: A61B5/346 , A61B5/366 , A61B5/00 , G06F18/10 , G06F18/241 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明涉及信号分类技术领域，具体公开了一种基于时频域融合与卷积神经网络的心电信号分类方法，通过小波分解完成对心电信号滤波；通过每个心跳周期的R波位置对单个心跳周期进行提取；提取的心跳信号被快速傅里叶变换后获得其频域信息；时域信号与频域信号进行拼接之后输入一维卷积神经网络进行融合并提取特征；特征矩阵被输入全连接神经网络完成分类。本发明通过CNN融合单心跳周期在时域和频域两个视角的表现，综合地对心电信号进行分类，提高了对单心跳周期心电信号的分类准确率；提出了一种新颖的心跳周期定位方法，该方法可同时对正常与病变心电信号的R波波峰位置进行标定，使每个心跳周期信号都能较好地被分割，提升后续分类的准确性。
-
公开(公告)号：CN114595712A
公开(公告)日：2022-06-07
申请号：CN202210024914.6
申请日：2022-01-11
Applicant: 重庆科技学院
Abstract: 本发明涉及城市轨道交通安全技术领域，具体公开了一种基于深度神经网络的城轨邻域施工监测方法及系统，该监测方法通过在预设位置处采集固体传导的声音时域信号，并通过训练完成的第一深度神经网络对该声音时域信号进行判断，在存在钻探声时进一步判断该钻探声是否属于在该预设位置处的保护邻域内发出，若是则触发告警，而训练的第一深度神经网络对钻探声的识别准确率高达99.6％，综合后续的步骤，该方法能有效检测出城轨保护邻域存在违规施工的情形，并且还具有及时、全面、节省人力等益处。该监测系统通过设置声音感知判别模块、通讯模块和服务端，能实现上述方法的效果，除此之外，该系统易搭建、成本低，且便于融合在现有城轨管理系统中。
-
Patent Agency Ranking
公开(公告)号：CN114052682A
公开(公告)日：2022-02-18
申请号：CN202111526304.8
申请日：2021-12-14
Applicant: 重庆科技学院
IPC: A61B5/0205 , A61B5/1455 , A61B5/00 , A61B5/318
Abstract: 本发明公开了一种基于树莓派的生理参数监测系统，属于医疗设备领域。将本系统携带在使用者身上，通过心电采集模块对使用者身上的心电信号进行采集，脉搏采集模块采集使用者身上的脉搏波信号，使用控制电路可以基于这两种信号得到心率以及血氧饱和度，然后通过显示模块可以实时显示出来，实现实时监测和记录用户在日常生活状态下的生理信息数据的变化，达到长时间、连续监测的目的，提高了用户对自身身体状况的了解以及医生对患者病情的诊断准确性。
-
公开(公告)号：CN115190033B
公开(公告)日：2024-02-20
申请号：CN202210563457.8
申请日：2022-05-22
Applicant: 重庆科技学院
IPC: H04L41/142 , H04L67/10 , G06N20/00
Abstract: 本发明提供一种基于强化学习的云边融合网络任务卸载方法，包括以下步骤：S1：各个智能设备在当前边缘场景下向本地边缘服务器发送任务请求；S2：本地边缘网关实时感知本地边缘服务器的计算资源，当计算资源不足时，向企业云服务器发送任务卸载请求，由企业云服务器通过强化学习算法确定最优任务卸载策略；S3：本地边缘网关根据最优任务卸载策略获取指定的临近边缘服务器的控制权限，并将任务拆分到对应的临近边缘服务器上辅助执行；S4：各个临近边缘服务器将执行结果回传到本地边缘服务器，由本地边缘服务器汇总形成任务执行结果反馈至发送任务请求的智能设备。其效果是：可以以最短时延和最小计算成本为优化目标，实现卸载策略的优化。
-
公开(公告)号：CN114998831A
公开(公告)日：2022-09-02
申请号：CN202210559677.3
申请日：2022-05-23
Applicant: 重庆科技学院
IPC: G06V20/52 , G06V10/52 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明提供一种基于边缘计算及改进的YOLOv3的火灾检测方法及系统，图像经过随机裁剪和扩容，增加模型的泛化能力，能够更好地学习到目标特征；在YOLOv3的基础上对算法进行改进，将骨干网络Darknet‑53替换为ResNet50‑vd网络，并采用可变形的卷积层替换了ResNet50‑vd中的一部分卷积层，在多尺度检测中添加104×104尺度的检测以及扩展步长2，4，8，使之可以对火灾进行更好的检测。计算差别区域的损失值，继而调整下一次迭代的模型参数，提升了模型对火灾区域的检测精度，最终得到最优的模型效果，并保存。与同类火灾检测算法相比具有更好的鲁棒性，无论是在准确度还是速度上都有良好的表现。不仅在大火灾区域的图像上有良好的检测结果，在小火灾区域都可适用，通用性强。
-
公开(公告)号：CN114052682B
公开(公告)日：2023-10-24
申请号：CN202111526304.8
申请日：2021-12-14
Applicant: 重庆科技学院
IPC: A61B5/0205 , A61B5/1455 , A61B5/00 , A61B5/318
Abstract: 本发明公开了一种基于树莓派的生理参数监测系统，属于医疗设备领域。将本系统携带在使用者身上，通过心电采集模块对使用者身上的心电信号进行采集，脉搏采集模块采集使用者身上的脉搏波信号，使用控制电路可以基于这两种信号得到心率以及血氧饱和度，然后通过显示模块可以实时显示出来，实现实时监测和记录用户在日常生活状态下的生理信息数据的变化，达到长时间、连续监测的目的，提高了用户对自身身体状况的了解以及医生对患者病情的诊断准确性。
-
公开(公告)号：CN115190033A
公开(公告)日：2022-10-14
申请号：CN202210563457.8
申请日：2022-05-22
Applicant: 重庆科技学院
IPC: H04L41/142 , H04L67/10 , G06N20/00
Abstract: 本发明提供一种基于强化学习的云边融合网络任务卸载方法，包括以下步骤：S1：各个智能设备在当前边缘场景下向本地边缘服务器发送任务请求；S2：本地边缘网关实时感知本地边缘服务器的计算资源，当计算资源不足时，向企业云服务器发送任务卸载请求，由企业云服务器通过强化学习算法确定最优任务卸载策略；S3：本地边缘网关根据最优任务卸载策略获取指定的临近边缘服务器的控制权限，并将任务拆分到对应的临近边缘服务器上辅助执行；S4：各个临近边缘服务器将执行结果回传到本地边缘服务器，由本地边缘服务器汇总形成任务执行结果反馈至发送任务请求的智能设备。其效果是：可以以最短时延和最小计算成本为优化目标，实现卸载策略的优化。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
