-
公开(公告)号：CN106952354A
公开(公告)日：2017-07-14
申请号：CN201710048819.9
申请日：2017-01-23
Applicant: 南通大学
CPC classification number: G07C1/10 , G06Q50/205
Abstract: 本发明公开了一种针对高校课堂的智能辅助管理系统，由考勤装置、教室客户端和服务器三大部分组成；所述考勤装置包括单片机核心模块、射频模块、图像采集模块、GSM模块、无线通信模块、触摸显示模块、数据存储模块等七个模块。本发明运用先进的计算机、网络、单片机、图像采集与处理等技术解决高校课堂上存在的问题，不仅能够提高课堂效率，还能有效纠正学生懒散旷课的习惯。
-
公开(公告)号：CN105645339A
公开(公告)日：2016-06-08
申请号：CN201610018643.8
申请日：2014-09-17
Applicant: 南通大学
IPC: B67C9/00
Abstract: 本发明公开了一种提高实验效率的高压舱细胞培养试剂自动倾倒装置，高压舱的舱门设在顶部，舱体侧面设置电气贯穿件，电气控制系统包括位于舱外的驱动机构以及位于舱内的两相混合式步进电机，通过电气贯穿件将舱外的信号线连接到电机的信号端上；传动机构连接器将两相混合式步进电机的电机轴与储液机构连接起来，连接器带动储液机构旋转相同的角度，从而将其中一组试管中的试剂成功倒入细胞培养皿中；储液架上有多个试管放置位，相连两组储液架呈一定角度放置，并且不同组的试管放置位错开分布。本发明结构合理，能够在高压舱内正常运行并自动倾倒细胞培养试剂、可以同时添加多种试剂也可以在不同时刻添加不同试剂，提高了实验效率。
-
公开(公告)号：CN104353387A
公开(公告)日：2015-02-18
申请号：CN201410617064.6
申请日：2014-11-06
Applicant: 南通大学
Abstract: 本发明公开了一种智能柱式料斗混合机的控制方法，通过控制装置控制料斗混合机的工作；所述控制装置包括PLC，PLC连接有触摸屏、微型打印机、光电开关传感器及模数转换模块，模数转换模块与激光位移传感器及数模转换模块连接，数模转换模块与变频器连接，变频器与智能柱式料斗混合机的混合电机连接。本发明自动化程度高、测控系统结构合理且智能化程度高。
-
公开(公告)号：CN111024820B
公开(公告)日：2023-01-31
申请号：CN201911316865.8
申请日：2019-12-19
Applicant: 南通大学
Abstract: 本发明公开一种海上风电叶片健康监测系统及其数据处理方法，该系统基于物联网和虚拟仪器技术设计，包括应用层、网络层和感知层三部分，感知层部分主要完成传感检测与数据采集，通过数据传输单元(DTU)将采集到的信号传输到服务器，DTU内置GPRS模块，实现网络数据传输，远程监控计算机可通过英特网连接到服务器，并运用LabVIEW虚拟仪器软件实现远程监控界面设计。该系统综合运用物联网、虚拟仪器、声发射、数据压缩等技术实现对海上风电叶片状态的实时远程在线监控，为海上风电设备安全运行提供了重要的依据和指导。
-
公开(公告)号：CN113742638B
公开(公告)日：2022-08-02
申请号：CN202111001201.X
申请日：2021-08-30
Applicant: 南通大学
Abstract: 本发明涉及一种基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法，包括：首先采用基于峭度的FastICA分离信号和梅尔倒谱系数对电机轴承振动信号进行特征提取；其次通过逼近求解域的方法，结合BPNN初次训练决定网络结构参数和TLBO初始化种群的上界和下界；最后融合自适应动态学习因子的TLBO修正算法，迭代寻找最优权值和阈值输入到BPNN中。本发明能够增强信号特征，降低噪声干扰，提高故障诊断的识别率；对于未知源，不需要过多先验的知识和理论储备，具有很强的泛化性；相比多种优化算法，不需要设定特定的参数，同时根据当前迭代次数动态变化学习因子，能够提高算法的收敛速度，同时避免陷入局部收敛，调试方便，计算简单。
-
Patent Agency Ranking
公开(公告)号：CN114676769A
公开(公告)日：2022-06-28
申请号：CN202210282073.9
申请日：2022-03-22
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V40/10 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开一种基于视觉Transformer的小样本昆虫图像识别方法，首先利用搜索引擎搜索各种昆虫的图像，对图像人工标注标签；然后构建以视觉Transformer为核心的预训练模型，并利用训练集对预训练模型中的参数进行优化训练；接下来移除预训练模型中的分类器，在训练集和测试集中随机抽取每类昆虫的少量图像样本，输入到视觉Transformer中提取图像特征，计算每类样本的平均值作为每类昆虫图像原型特征进行存储；最后在线采集昆虫图像，输入到Transformer中提取图像特征，计算其与每类昆虫图像表征之间的距离，其距离最近的昆虫类别就为此幅图像的类别输出。本发明使用少量训练样本对昆虫完成分类识别，能够克服目前昆虫识别中所使用的卷积神经网络训练时需要大量的图像样本的技术问题。
-
公开(公告)号：CN114626504A
公开(公告)日：2022-06-14
申请号：CN202210030247.2
申请日：2022-01-11
Applicant: 南通大学
IPC: G06N3/04 , G06N3/08 , G06N5/02 , G06V10/764 , G06V10/762 , G06V10/774 , G06V10/82 , G06K9/62
Abstract: 本发明公开一种基于群组关系知识蒸馏的模型压缩方法，该方法在完成对数据集的预处理之后，随机初始化一个大容量的卷积神经网络作为教师网络，利用交叉熵损失函数对该网络进行预训练；随后在知识蒸馏阶段，随机初始化一个小容量的卷积神经网络作为学生网络，教师网络和学生网络分别对图像样本特征进行K均值聚类，并利用最大均值差异计算各组之间的关系，利用交叉熵与群组关系损失函数的加权和对学生网络进行训练。最后利用训练好的网络对测试图像进行分类决策。该方法能够指导学生网络模仿老师对样本的分组能力，从而使得学生网络的性能逼近老师网络的性能。
-
公开(公告)号：CN114626009A
公开(公告)日：2022-06-14
申请号：CN202210254779.4
申请日：2022-03-15
Applicant: 南通大学
Abstract: 本发明涉及矢量集合匹配寻优技术领域，尤其涉及一种基于几何代数的多维矢量的快速空间寻优方法，具体步骤如下：S1、将矢量集迁移到几何代数运算空间；S2、设定存在一个未知几何代数旋转算子可实现矢量集的空间最佳匹配；S3、以几何代数内积作为距离测度；S4、构造目标函数为矢量集内积和最小；S5、采用单一约束条件的拉格朗日函数求解；S6、基于矩阵计算理论得到目标函数的最优解。本发明不需要迭代运算，可直接计算得到空间寻优路径的最优解，计算便捷，同时不受矢量集维数限制，不仅可以进行矢量转置，还可以用于高维复杂几何体的旋转拟合和空间寻优，具有不改变目标结构和几何特征性等优点。
-
公开(公告)号：CN114580553A
公开(公告)日：2022-06-03
申请号：CN202210228722.7
申请日：2022-03-10
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明公开一种基于深度卷积神经网络的珍稀花卉自动识别方法，本发明方法利用图像搜索常见的普通花卉图像构建源域图像数据集，然后利用Vgg16深度卷积神经网络以及线性分类构建分类识别模型，利用源域图像以及对应的类别标签计算损失函数并使用SGD优化器对网络中的参数进行优化；接下来固定深度卷积网络中主干神经网络的参数并替换线性分类器，收集珍稀花卉图像构建目标域图像数据集，利用目标域图像以及对应的类别标签计算损失函数对网络分类器进行微调；最后利用训练好的深度卷积网络模型对珍稀花卉图像进行自动识别。本发明通过上述方式，能够大大提高对珍稀花卉的保护效率。
-
公开(公告)号：CN114580552A
公开(公告)日：2022-06-03
申请号：CN202210228607.X
申请日：2022-03-10
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开一种基于迁移模型的小样本茶叶图像分类方法，该方法首先利用摄像头采集茶叶图像构建茶叶图像分类数据集，然后构建迁移模型，并利用茶叶基类图像数据基于交叉熵损失函数与监督损失函数的加权和利用梯度下降法对迁移模型进行训练，最后将迁移模型中基类分类器、旋转预测分类以及Softmax层移除，使用原型分类器完成小样本茶叶图像分类测试。本发明在卷积神经网络训练过程中引入自监督任务提高模型的迁移性，将此迁移模型应用到小样本茶叶图像分类任务中，能够提高小样本茶叶图像分类识别的性能。
-
-
-
-
-
-
-
-
-
Search Results
63
records
(took 0.028 seconds)
