-
公开(公告)号：CN109344838B
公开(公告)日：2023-11-24
申请号：CN201811298388.2
申请日：2018-11-02
Applicant: 长江大学
IPC: G06V30/148 , G06V30/18 , G06N3/0464 , G07D11/14
Abstract: 本发明公开一种发票信息自动快速识别方法、系统以及装置，其通过创建目标区域模板，将发票图像中待将待识别的字符区域分别提取出来，从而减小图像识别的复杂度，提高图像识别的速率，接着将提取的字符区域输入至Alexnet深度卷积神经网络模型中，由Alexnet深度卷积神经网络模型对字符区域的信息进行图像特征提取识别，进一步提高了发票信息识别的精准度，因此，本发明基于数字图像处理技术和深度学习技术的OCR文字识别具有较好的抗干扰能力和鲁棒性，不仅能够提高发票的识别效率，同时极大提高了OCR文字识别的准确率；且能够自动(56)对比文件Shi-Cho Cha et al..Ensuring theintegrity and non-repudiation ofremitting e-invoices in conventionalchannels with commercially available NFCdevices.15th IEEE/ACIS InternationalConference on Software Engineering,Artificial Intelligence, Networking andParallel/Distributed Computing (SNPD).2014,第1-6页.
-
公开(公告)号：CN110210296B
公开(公告)日：2021-09-17
申请号：CN201910336622.4
申请日：2019-04-25
Applicant: 长江大学
Abstract: 本发明提供了一种结合U‑net网络和DenseNet网络的微地震有效信号检测方法，包括：(1)生成原始数据集；(2)标定数据集；(3)构建MSNet网络；(4)调整网络参数；(5)信号学习后标定初至点。本发明还提供了一种结合U‑net网络和DenseNet网络的微地震有效信号检测系统，包括：原始数据集生成模块，数据集标定模块，MSNet网络构建模块，网络参数调整模块，学习后初至点标定模块。本发明基于U‑net网络对CNN网络在信号特征的学习和提取，结合所述DenseNet网络，达到进一步优化信号特征的学习和提取的目的。本发明在微地震监测中具有更深层次特征提取、更精细的信号分割的特点，可以广泛应用于地下状态监测领域。
-
公开(公告)号：CN110082821B
公开(公告)日：2020-10-02
申请号：CN201910233675.3
申请日：2019-03-26
Applicant: 长江大学
IPC: G01V1/28
Abstract: 本发明提出一种无标签框微地震信号检测方法及装置，所述方法包括：从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并做预处理；通过卷积神经网络进行图像特征提取；通过Faster‑RCNN中的RPN层分别在所述数据特征图上生成候选框；通过对抗生成网络的判别器分辨候选框的相似性，鉴别出相似度超过预设阈值的候选框；通过ROI Align调整候选框，生成尺寸大小一致的特征图；通过Faster‑RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号。本发明可通过无标签框数据集实现微地震信号检测，提高检测精度。
-
公开(公告)号：CN110619264A
公开(公告)日：2019-12-27
申请号：CN201910694037.1
申请日：2019-07-30
Applicant: 长江大学
Abstract: 本发明提出一种基于UNet++的微地震有效信号识别方法及装置，所述方法包括：获取微地震原始信号集，并制作训练数据集；构造深度卷积生成对抗网络DCGAN，将所述训练数据集输入所述DCGAN网络中训练，通过生成器和判别器的相互作用生成与输入数据集相似度高的样本集，通过所述样本集对所述训练数据集进行扩充；将所述扩充后的训练数据集输入到端对端的UNet++网络中进行训练，得到训练好的UNet++网络模型；通过所述训练好的UNet++网络模型对待检测信号进行分类，获取有效信号初至点。本发明的方法可以实现对小样本数据集中的微地震信号进行有效检测，利用UNet++网络模型实现像素级的特征提取，提高检测精度。
-
公开(公告)号：CN110334567A
公开(公告)日：2019-10-15
申请号：CN201910222578.4
申请日：2019-03-22
Applicant: 长江大学
Abstract: 本发明实施例公开了一种微地震有效信号检测方法，属于信号处理领域。该方法包括：采集低噪比环境的微地震信号制作训练集和测试集，训练循环神经网络得到有效信号识别模型，将检测到的有效信号输入到inception网络中得到特征图，再在所述特征图中标注预定义框，通过计算预定义框的边框回归及前后背景区分，生成区域建议框，对区域建议框进行ROI池化后得到固定大小的特征图，分别对所述特征图进行分类打分及边框回归加权求取所述有效信号识别模型的损失值，最后优化损失值，利用有效信号识别模型检测低噪比环境的微地震信号。通过该方案，可以快速准确地对低信噪比环境下的微地震信号进行检测，大大提高了检测精度。
-
Patent Agency Ranking
公开(公告)号：CN110059541A
公开(公告)日：2019-07-26
申请号：CN201910148552.X
申请日：2019-02-28
Applicant: 长江大学
Abstract: 本发明公开了一种驾驶中的手机使用行为检测方法及装置，适用于图像处理领域。本发明提供的方法包括：采集车辆行驶中驾驶员使用手机的图片样张，框选所述图片样张中的手机，并将所有框选后的图片样张转换成LMDB格式；将LMDB格式的图片样张作为训练集，对所述Mobilenet模型进行训练；批量化归一处理所述Mobilenet模型得到caffe_model；利用所述caffe_model检测行驶中的驾驶员是否使用手机。本发明可以缩短训练时间，并提高了检测精度和速度，降低硬件成本的同时保证交通安全。
-
公开(公告)号：CN109344838A
公开(公告)日：2019-02-15
申请号：CN201811298388.2
申请日：2018-11-02
Applicant: 长江大学
Abstract: 本发明公开一种发票信息自动快速识别方法、系统以及装置，其通过创建目标区域模板，将发票图像中待将待识别的字符区域分别提取出来，从而减小图像识别的复杂度，提高图像识别的速率，接着将提取的字符区域输入至Alexnet深度卷积神经网络模型中，由Alexnet深度卷积神经网络模型对字符区域的信息进行图像特征提取识别，进一步提高了发票信息识别的精准度，因此，本发明基于数字图像处理技术和深度学习技术的OCR文字识别具有较好的抗干扰能力和鲁棒性，不仅能够提高发票的识别效率，同时极大提高了OCR文字识别的准确率；且能够自动完成发票的自动识别分类工作，极大的降低了人工分类的工作量。
-
公开(公告)号：CN109031416A
公开(公告)日：2018-12-18
申请号：CN201810651692.4
申请日：2018-06-22
Applicant: 长江大学
CPC classification number: G01V1/306 , G01V1/50 , G01V2210/6169 , G01V2210/624
Abstract: 本发明公开了一种微地震P波初至拾取的方法，其利用Shearlet变换对微地震信号进行分解，综合考虑微地震信号与噪音在尺度与方向上的关系，先在一定程度上将噪音与信号剥离，提高微地震资料的信噪比，再利用高阶统计量抑制高斯噪音方面的优势，拾取微地震P波初至，从而提高微地震P波初至拾取的精度与效率。
-
公开(公告)号：CN103969685B
公开(公告)日：2016-07-13
申请号：CN201410164364.3
申请日：2014-04-23
Applicant: 长江大学
Abstract: 本发明涉及一种薄互层地震信号的处理方法，属石油地震勘探数据处理技术领域，其特征在于包括如下步骤：1、将二维地震剖面的地震道数据作为输入信号：2、对输入信号进行分解求取本征模态函数：3、将二维地震剖面中的所有地震道数据进行处理，并进行重构和合并，就可以得到重构后的二维地震剖面；4、在重构后的二维地震剖面上进行薄互层的划分。本发明通过对原始地震道信号进行逐次分解，获取不同使用频段的本征模态函数，然后由分解后的本征模态函数重构地震道信号，剔除了地震信号中的噪声，可以大大提高地震信号的纵向分辨率，便于薄互层的划分和分析；与精细勘探相比，节约了勘探成本，使用方便，经济效益好。
-
公开(公告)号：CN110007341B
公开(公告)日：2020-10-20
申请号：CN201910151946.0
申请日：2019-02-28
Applicant: 长江大学
Abstract: 本发明涉及一种基于IfnoGAN和SSD模型的微地震有效信号的识别方法及系统，本方法通过采用最大互信息化生成对抗神经网络InfoGAN结合SSD模型，实现对小样本微地震数据集中的信号进行微地震有效检测，通过生成器、分类器和判别器的相互作用，提高生成数据集样本的质量和精确度，将经过InfoGAN中分类器分离出的特征结合SSD预训练模型进行再次训练，准确识别有效信号。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.023 seconds)
