-
公开(公告)号：CN113094464B
公开(公告)日：2024-05-28
申请号：CN202110351566.9
申请日：2021-03-31
Applicant: 哈尔滨理工大学
Inventor： 杨锦锋
Abstract: 可扩展的农作物病害分析库的建立以及辅助鉴定方法。作物病虫害的识别是一个很大的挑战，因为在大小和颜色上有很多可变因素，从而无法直观地去区分病害种类。本发明采用基于文本检索和基于图像检索相结合，基础检索框架采用Lucene实现文本索引和检索、使用LIRE实现图像索引和检索，根据用户的反馈优化诊断方法和融合方法。本发明用于可扩展的农作物病害分析库的建立以及辅助鉴定。
-
公开(公告)号：CN113094464A
公开(公告)日：2021-07-09
申请号：CN202110351566.9
申请日：2021-03-31
Applicant: 哈尔滨理工大学
Inventor： 杨锦锋
Abstract: 可扩展的农作物病害分析库的建立以及辅助鉴定方法。作物病虫害的识别是一个很大的挑战，因为在大小和颜色上有很多可变因素，从而无法直观地去区分病害种类。本发明采用基于文本检索和基于图像检索相结合，基础检索框架采用Lucene实现文本索引和检索、使用LIRE实现图像索引和检索，根据用户的反馈优化诊断方法和融合方法。本发明用于可扩展的农作物病害分析库的建立以及辅助鉴定。
-
公开(公告)号：CN118967944A
公开(公告)日：2024-11-15
申请号：CN202411182646.6
申请日：2024-08-27
Applicant: 哈尔滨理工大学
IPC: G06T17/00 , G06V10/774 , G06N3/0455 , G06N3/08 , G06F40/289 , G06V10/82
Abstract: 一种基于一致性扩散模型的三维CT影像合成方法及系统，它属于三维CT影像生成技术领域。本发明解决了目前可用于模型训练的三维CT影像和医学报告配对数据的数据量不足的问题。本发明搭建包括预训练的医学报告编码模型、一致性扩散模型和变分自编码器的模型，对获取的三维CT影像与医学报告配对数据集中的医学报告进行预处理，再利用预处理后的数据集对搭建的模型进行训练，利用训练好的模型和公开的医学报告就可以生成医学报告对应的三维CT影像，可以解决公开的三维CT影像和医学报告配对数据不足的问题，从而提升计算影像学对三维CT影像方面的研究能力。本发明方法可以应用于三维CT影像合成领域。
-
公开(公告)号：CN114005549A
公开(公告)日：2022-02-01
申请号：CN202111320994.1
申请日：2021-11-09
Applicant: 哈尔滨理工大学
Abstract: 一种基于深度学习的增强型自动医疗诊断对话系统，它属于自然语言处理与深度学习相结合的学科交叉领域。本发明解决了由于现有系统对医疗词汇、医疗问题不敏感，导致采用现有系统输出诊断结果的准确率低的问题。本发明通过使用医疗类的数据集对模型进行预训练、微调，使模型能够对医疗类对话进行更加有效的建模，同时通过词汇级系统融合对于多系统的结果进行重排序以增强原有的对话结果。对用户提出的问题，能够更好地捕捉到相关信息，然后做出相应回答，有利于提高输出诊断结果的准确率。本发明可以应用于自动医疗诊断对话。
-
公开(公告)号：CN118781342A
公开(公告)日：2024-10-15
申请号：CN202410883862.7
申请日：2024-07-02
Applicant: 哈尔滨理工大学
IPC: G06V10/26 , G06V10/22 , G06V10/774 , G06N3/0464 , G06N3/045 , G06V10/82 , G06N3/08 , G06T5/30 , G06T5/70 , G06T5/80 , G06V10/44
Abstract: 本发明涉及大田作物农机作业导航技术领域，提出了一种基于机器视觉的智能农业导航方法。首先，采集不同环境和长势的大田作物行图像，使用标注工具进行数据处理，并通过数据增强生成用于模型训练的数据集。其次，基于U‑Net架构和Swin Transformer构建轻量级图像分割网络，通过特征提取和损失比较，获得最优的作物行分割模型。最后，通过形态学处理和透视变换矩阵进行中心线提取及视角变换，结合摄像头标定信息计算实际的作物行偏移量，并传递给机械系统以完成导航任务。本发明通过图像分割网络的构建和数据训练，得到了适用于常规大田作物的分割模型，结合后处理操作获取真实偏移信息，从而实现农机导航，在实际应用中具有重要价值。
-
Patent Agency Ranking
公开(公告)号：CN117010411A
公开(公告)日：2023-11-07
申请号：CN202310796126.3
申请日：2023-07-01
Applicant: 哈尔滨理工大学
IPC: G06F40/35 , G06N3/0455 , G06N3/042 , G06N3/098
Abstract: 本发明涉及对话系统领域，具体为一种基于显式双向交互联合模型的对话系统自然语言理解方法，主要包括三部分。(1)编码层：采用预训练模型BERT、意图端Transformer‑Encoder和槽端Transformer‑Encoder进行语义编码。(2)联合学习层：在意图端和槽端实施多层门控交叉注意力单元，分别得到经过多层交叉注意力加权的槽和意图交互信息表示，进行残差链接和层归一化，得到深层次的联合任务级别的语义编码。(3)任务输出层：采用最大池化操作、sigmoid激活等方式得到多意图标签；使用自适应意图‑槽位图交互模块，利用预测的意图指导槽位的预测，采用了图注意力网络建模意图和槽位之间的交互，并扩展使用多头注意力机制和掩码机制。最后由CRF层对槽标签之间的依赖关系建模，预测槽标记序列。
-
公开(公告)号：CN114139531A
公开(公告)日：2022-03-04
申请号：CN202111449176.1
申请日：2021-11-30
Applicant: 哈尔滨理工大学
IPC: G06F40/242 , G06F40/284 , G06F40/295 , G06N3/08 , G16H50/70
Abstract: 一种基于深度学习的医疗实体预测方法及系统，它属于自然语言处理与深度学习交叉技术领域。本发明解决了现有医疗实体预测方法存在预测效率低以及预测准确率低的问题。本发明方法具体包括以下步骤：步骤S1、获取原始医患对话数据并进行实体标注；步骤S2、获得对话数据文本字向量以及实体标签向量；步骤S3、基于获得的对话数据文本字向量以及实体标签向量对庞加莱模型和预训练好的深度学习模型进行训练；步骤S4、对于待进行实体预测的医患对话文本，采用步骤S2的方法获得对话文本字向量，对话文本字向量经过词典融合后，依次经过训练好的深度学习模型和庞加莱模型，得到实体预测结果。本发明可以应用于医疗实体预测。
-
公开(公告)号：CN119272863A
公开(公告)日：2025-01-07
申请号：CN202411387553.7
申请日：2024-10-04
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种面向糖尿病健康管理的知识图谱融合方法，包括：步骤1，获取两个源知识图谱并将其存储到Neo4J数据库中；步骤2，确定糖尿病知识图谱的目标Scheme，并根据Scheme进行数据预处理；步骤3，通过相似度算法和大语言模型实现实体对齐操作，建立实体间的对应关系，根据模型的输出不断进行调整，找到最匹配的对应实体；步骤4，基于实体对齐的结果及Scheme规范进行实体插入，将一个知识图谱中存在但另一个中缺失的实体添加到相应的位置；步骤5，对插入的实体及关系根据Schema进行调整，消除冗余与冲突，完成知识图谱的融合。本发明提出的方法解决了一般融合过程周期长、成本高的问题，不仅适用于糖尿病领域，还可以应用于其他领域的知识图谱融合。
-
公开(公告)号：CN114005549B
公开(公告)日：2024-06-18
申请号：CN202111320994.1
申请日：2021-11-09
Applicant: 哈尔滨理工大学
IPC: G16H80/00 , G06F40/35 , G06N3/0499 , G06N3/08
Abstract: 一种基于深度学习的增强型自动医疗诊断对话系统，它属于自然语言处理与深度学习相结合的学科交叉领域。本发明解决了由于现有系统对医疗词汇、医疗问题不敏感，导致采用现有系统输出诊断结果的准确率低的问题。本发明通过使用医疗类的数据集对模型进行预训练、微调，使模型能够对医疗类对话进行更加有效的建模，同时通过词汇级系统融合对于多系统的结果进行重排序以增强原有的对话结果。对用户提出的问题，能够更好地捕捉到相关信息，然后做出相应回答，有利于提高输出诊断结果的准确率。本发明可以应用于自动医疗诊断对话。
-
公开(公告)号：CN114139531B
公开(公告)日：2024-05-14
申请号：CN202111449176.1
申请日：2021-11-30
Applicant: 哈尔滨理工大学
IPC: G06F40/242 , G06F40/284 , G06F40/295 , G06N3/084 , G16H50/70
Abstract: 一种基于深度学习的医疗实体预测方法及系统，它属于自然语言处理与深度学习交叉技术领域。本发明解决了现有医疗实体预测方法存在预测效率低以及预测准确率低的问题。本发明方法具体包括以下步骤：步骤S1、获取原始医患对话数据并进行实体标注；步骤S2、获得对话数据文本字向量以及实体标签向量；步骤S3、基于获得的对话数据文本字向量以及实体标签向量对庞加莱模型和预训练好的深度学习模型进行训练；步骤S4、对于待进行实体预测的医患对话文本，采用步骤S2的方法获得对话文本字向量，对话文本字向量经过词典融合后，依次经过训练好的深度学习模型和庞加莱模型，得到实体预测结果。本发明可以应用于医疗实体预测。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.033 seconds)
