-
公开(公告)号：CN113269067B
公开(公告)日：2023-04-07
申请号：CN202110532120.6
申请日：2021-05-17
Applicant: 中南大学
IPC: G06V20/40 , G06V20/52 , G06V10/26 , G06V10/74 , G06Q10/0631 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于深度学习的周期性工业视频片段关键帧两阶段提取方法。该方法包括：获取工业视频图像，提取感兴趣区域，预处理，得到预处理后图像序列；构建基于深度学习的语义分割网络模型，提取所述预处理后图像的目标区域；第一阶段，构建卷积神经网络对所述预处理后图像进行分类，并对其时间序列进行分割，得候选关键帧序列集合；第二阶段，构建所述目标区域相似度矩阵，对所述候选关键帧序列进行聚类、筛选和融合，得关键帧。本发明针对工业视频特征复杂，当前方法缺乏全局性和局部性的问题，引入深度学习技术，以“先全局后局部”的两阶段思想，更快、更准确地提取了工业视频关键帧，对优化生产，实现提质增产具有指导意义。
-
公开(公告)号：CN118469225A
公开(公告)日：2024-08-09
申请号：CN202410646177.2
申请日：2024-05-23
Applicant: 中南大学
IPC: G06Q10/0631 , G06Q10/047 , G06Q10/083 , G06N3/126 , G06N3/08 , G06N3/0464 , G06N3/047 , G06N3/048 , G06F18/2415
Abstract: 本公开实施例中提供了一种基于双层协同优化的产业链资源智能决策方法，属于运输技术领域，具体包括：建立双层优化数学模型；将货位摆放货品种类和货品量作为上层优化的初始解，将车皮到站目的地排序作为下层优化的初始解；生成上层优化的上层种群；求出各上层个体对应的下层解和适应度值；根据适应度值对初始数据集中的个体添加标签；对神经网络进行训练；生成新的上层种群和下层种群；将归档集中的个体根据适应度值进行排序，重新对个体优劣分类；将新归档集训练神经网络；迭代至满足预设迭代终止条件，以最后一次迭代产生的归档集中适应度最大的个体以及该个体对应的下层解为双层优化的最优解。通过本公开的方案，提高了优化效率和精准度。
-
公开(公告)号：CN117333069A
公开(公告)日：2024-01-02
申请号：CN202311342483.9
申请日：2023-10-17
Applicant: 中南大学
Abstract: 本公开实施例中提供了一种云边协同质量预测方法，属于数据处理技术领域，具体包括：获取预设时段内的历史工业过程数据；对预处理后的历史工业过程数据按时间窗进行分割，得到时间窗数据；在云端构建Koopman约束分层深度状态空间模型并利用时间窗数据训练；将深度状态空间模型在云端进行简化并重新训练；根据简化后模型的隐变量和预测的观测值计算统计量估计分别确定统计量Tz2,Tx2的监测阈值ηz,Tηzx2；,将简化后的模型Tx2；利用核密度部署到边端设备；在边端设备，对实际工业过程在线数据进行预处理，并得到新的时间窗数据，输入至简化模型，在线进行质量预测并计算统计量来判断模型是否适配并予以解决。通过本公开的方案，提高了模型预测精准度和可靠性。
-
公开(公告)号：CN118521213A
公开(公告)日：2024-08-20
申请号：CN202410677478.1
申请日：2024-05-29
Applicant: 国投新疆罗布泊钾盐有限责任公司 , 中南大学
IPC: G06Q10/0639 , G06Q50/04 , G06F18/10 , G06F18/213 , G06F18/214
Abstract: 本公开实施例中提供了一种时序长短期依赖的工业关键质量指标预测方法，属于数据处理技术领域，具体包括：确定关键质量指标，并筛选出建模辅助变量；训练辅助变量隐空间嵌入模型；构建渐进式自校正的深度条件扩散模型框架；构建时序长短期依赖噪声预测模型；以噪声预测误差为损失函数进行训练；逐步去除从高斯分布采样所得数据中的噪声，得到无噪目标信息并将其关键质量指标部分的中位数作为指标预测值；将无噪目标信息中辅助变量部分还原至样本空间，将所得数据中位数作为辅助变量预测值；利用带噪数据训练辅助变量预测模型；渐进式获得辅助变量实际值，利用其与带噪数据间映射关系引导反向去噪。通过本公开的方案，提高了预测精度和适应性。
-
公开(公告)号：CN113269067A
公开(公告)日：2021-08-17
申请号：CN202110532120.6
申请日：2021-05-17
Applicant: 中南大学
Abstract: 本发明涉及一种基于深度学习的周期性工业视频片段关键帧两阶段提取方法。该方法包括：获取工业视频图像，提取感兴趣区域，预处理，得到预处理后图像序列；构建基于深度学习的语义分割网络模型，提取所述预处理后图像的目标区域；第一阶段，构建卷积神经网络对所述预处理后图像进行分类，并对其时间序列进行分割，得候选关键帧序列集合；第二阶段，构建所述目标区域相似度矩阵，对所述候选关键帧序列进行聚类、筛选和融合，得关键帧。本发明针对工业视频特征复杂，当前方法缺乏全局性和局部性的问题，引入深度学习技术，以“先全局后局部”的两阶段思想，更快、更准确地提取了工业视频关键帧，对优化生产，实现提质增产具有指导意义。
-
Patent Agency Ranking
公开(公告)号：CN119168454A
公开(公告)日：2024-12-20
申请号：CN202411191442.9
申请日：2024-08-28
Applicant: 中南大学
IPC: G06Q10/0639 , G06Q50/04 , G06F18/213
Abstract: 本申请适用于数据处理技术领域，提供了一种基于多层级时空关联特征的工业关键质量指标预测方法，包括：确定与关键质量指标相关的过程变量，并获取训练样本；将全流程、每个子流程分别作为一目标流程，并分别针对每个目标流程执行：从确定出的所有过程变量中筛选出目标流程对应的目标过程变量，并利用邻接矩阵模型和目标过程变量数据，获取目标流程的图邻接矩阵；利用时空依赖感知特征提取模型获取目标流程对应于训练样本的时空特征表示；基于得到的时空特征表示对邻接矩阵模型、时空依赖感知特征提取模型和预测模型进行优化；利用参数优化后的模型对预测时刻的工业关键质量指标进行预测。本申请能提升工业关键质量指标预测的精准度和可靠性。
-
公开(公告)号：CN115963788B
公开(公告)日：2024-11-22
申请号：CN202211591643.9
申请日：2022-12-12
Applicant: 中南大学 , 北京瑞太智联技术有限公司
IPC: G05B19/418
Abstract: 本申请适用于工业过程质量指标在线预测技术领域，提供了一种多采样率工业过程关键质量指标在线预测方法，包括：挑选影响工业过程关键质量指标的过程变量作为建模辅助变量；获取辅助变量时间序列集；按照采样频率从高至低的顺序，对辅助变量时间序列集中的时间序列进行排序；利用多粒度补全模型对排序后的原始输入数据进行数据补全重构；利用Transformer网络提取数据样本级相关性，输出深层特征；将深层特征输入全连接层，得到关键质量指标的预测值；对多层卷积网络、样本采样类别编码网络、编码器、解码器和全连接层构成的指标预测模型进行训练；利用训练后的指标预测模型实时预测质量指标。本申请能提高关键质量指标的预测精确度。
-
公开(公告)号：CN115131561B
公开(公告)日：2024-11-08
申请号：CN202210779475.X
申请日：2022-07-04
Applicant: 中南大学
IPC: G06V10/26 , G06V20/70 , G06V10/52 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/048
Abstract: 本公开实施例中提供了一种基于多尺度特征提取与融合的钾盐浮选泡沫图像分割方法，属于图像处理技术领域，具体包括：采集钾盐粗选过程的泡沫图像，标注泡沫图像中各个泡沫边缘的多个像素点获取泡沫所在区域，进而得到语义分割标签图像后，由泡沫图像和语义分割标签图像构建原始数据集，并扩充原始数据集的样本，划分为训练集和测试集；构建浮选泡沫图像分割深度神经网络模型；以训练集作为输入，对浮选泡沫图像分割深度神经网络模型进行训练；获取待分割的浮选泡沫图像并裁剪至指定尺寸，随后输入到训练完成的浮选泡沫图像分割深度神经网络模型，得到分割结果。通过本公开的方案，提高了钾盐浮选泡沫图像的分割精准度。
-
公开(公告)号：CN118982276A
公开(公告)日：2024-11-19
申请号：CN202411005149.9
申请日：2024-07-25
Applicant: 中南大学
IPC: G06Q10/0639 , G06Q50/04 , G06F18/15 , G06F18/213 , G06F18/214 , G06F18/21 , G06F18/22 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/09 , G06N3/0895 , G06N3/096
Abstract: 本申请适用于工业过程数据驱动建模技术领域，提供了一种基于即时学习的工业关键工艺指标自适应预测方法，包括：确定与工业关键工艺指标相关的过程参数，并获取离线训练数据；利用离线训练数据对教师模型进行训练，并根据训练后的教师模型对学生模型进行蒸馏学习；基于马氏距离实现即时学习相似样本集合的第一步筛选；利用训练后的学生模型对当前查询样本进行工艺指标预测，并根据预测结果和余弦相似度，实现即时学习相似样本集合的第二步筛选；利用即时学习相似样本集合对学生模型进行在线训练，得到工艺指标预测模型；利用工艺指标预测模型对当前查询样本进行工艺指标预测。本申请能够提高关键工艺指标的预测准确性。
-
公开(公告)号：CN118982275A
公开(公告)日：2024-11-19
申请号：CN202411005146.5
申请日：2024-07-25
Applicant: 中南大学
IPC: G06Q10/0639 , G06Q50/04 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/048
Abstract: 本申请涉及工业过程数据技术领域，提供了一种多模态感知的工业过程工艺指标预测方法。该方法包括：对非结构化数据进行特征提取得到深层特征，并对结构化数据进行编码得到浅层特征；利用第二编码器对深层特征和浅层特征进行融合得到融合特征；根据所有融合特征构建综合损失函数并对第二编码器进行优化，得到优化后的第二编码器；利用优化后的第二编码器得到最终融合特征，并利用预测模型对最终融合特征进行预测得到工艺指标预测值；基于工艺指标预测值构建预测损失函数，并对预测模型进行微调，得到优化后的预测模型；利用优化后的第二编码器、优化后的预测模型进行指标预测，得到工艺指标预测结果。本申请的方法能够提高工艺指标预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
