-
公开(公告)号：CN116740456A
公开(公告)日：2023-09-12
申请号：CN202310760848.3
申请日：2023-06-25
Applicant: 安徽工业大学芜湖技术创新研究院 , 安徽工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06V10/80 , G06V10/20 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于Mobile ViT网络的角膜溃疡分类识别方法，属于角膜溃疡分类识别技术领域，包括以下步骤：S1：样本预处理；S2：增加注意力机制；S3：特征拼接；S4：网络搭建；S5：网络训练；S6：分类识别。本发明通过在原始Mobile ViT网络中添加SE注意力模块，增强了网络提取重要特征的能力，同时抑制了不必要的特征；从原始Mobile ViT网络中提取局部特征图，并将其与全局特征图融合，以提取更有效的特征，同时增加了各种特征之间的信息交换；通过各种比较实验证明了改进的有效性，并成功地将准确率从88.7％提高到91.5％。
-
公开(公告)号：CN118863631A
公开(公告)日：2024-10-29
申请号：CN202410864766.8
申请日：2024-07-01
Applicant: 安徽工业大学
IPC: G06Q10/0639 , G06Q50/06 , G06F18/15 , G06F18/213 , G06F18/2431 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种基于格拉姆角场和改进轻量级残差网络的电能质量扰动识别方法，属于扰动识别技术领域，包括以下步骤：S1：获取电能质量扰动数据，归一化时间序列数据；S2：将归一化后的数据映射到极坐标系，计算格拉姆矩阵，转换为图像；S3：利用改进的轻量级残差网络对图像特征进行提取；S4：对提取的特征通过全局平均池化计算所有元素的平均值，转化为一个固定长度的向量，最后通过分类层进行分类。本发明基于格拉姆角场将电能质量扰动一维数据转换成二维图像；将原始ResNet34网络中的残差块结构进行改进，提高了特征提取能力，降低了模型的复杂度，提高了训练和推理效率，参数量与训练耗时都减少了一半。
-
公开(公告)号：CN117542172A
公开(公告)日：2024-02-09
申请号：CN202311683138.1
申请日：2022-04-28
Applicant: 安徽工业大学芜湖技术创新研究院
Abstract: 本发明提供了一种基于语音交互的智能医疗废物收集系统，涉及电子信息技术领域。包括：无线通信模块将医疗废物收集终端所收集信息实时地无线发送至服务器，并接收服务器发送的实时预警信息；语音交互模块通过识别医疗废物收集者的语音指令，将指令发送至控制处理模块实现对医疗废物收集终端的控制；还包括与控制处理模块电连接的语音交互模块、人脸与二维码识别模块、蓝牙通信模块、存储模块、智能触控显示模块。提高医疗废物收集操作的简便性与舒适性，提高医疗废物收集者对于预警信息响应的实时性；通过人脸识别与二维码识别，提高了医疗废物收集过程中信息采集的规范性和真实性。本发明具备应用价值高、应用前景好的优良特性，值得被推广使用。
-
公开(公告)号：CN116977681A
公开(公告)日：2023-10-31
申请号：CN202311089243.2
申请日：2023-08-28
Applicant: 安徽工业大学
IPC: G06V10/762 , G06V10/774 , G06V40/16
Abstract: 本发明公开了一种基于数据差异性增强的数据聚类方法及系统，属于数据处理技术领域，包括获取待聚类数据集；将待聚类数据输入多个不同深度的堆叠自编码器进行特征提取，基于输入样本与重构输出样本误差最小化，构建堆叠自编码器损失函数，并对不同深度的堆叠自编码器模型进行训练，得到多个原始数据的编码特征等步骤。本发明通过不同深度的堆叠自编码器获取鲁棒的低维特征表示，采用基于数据差异性增强的数据聚类算法进行聚类，获得基聚类结果，能有效区分特征的不同重要性，并且能同时增强数据差异，提高了基聚类分析的聚类性能，最后利用聚类集成共识函数获取最终聚类结果，有效提高了聚类最终结果的质量，具备适用性强和聚类性能高的优良特性。
-
公开(公告)号：CN119905168A
公开(公告)日：2025-04-29
申请号：CN202411959726.8
申请日：2024-12-30
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于图神经网络与卷积神经网络的药物反应预测方法，属于药物反应预测技术领域，包括以下步骤：S1：数据预处理；S2：网络构建；S3：网络训练；S4：药物反应预测。本发明采用了卷积神经网络与图神经网络结合的方法，加入了药物分子图数据，引入了药物分子的结构特征，使得最终的回归预测更佳精准；对于来源于序列的药物分子指纹全局特征使用堆叠的一维卷积模块进行特征提取，强化了邻域信息；通过设计的信息交互融合分支，不仅实现了对药物特征与细胞系特征的信息交互，同样实现了药物反应信息与药物smiles序列信息之间的交互，得到的新特征向量提高了模型的预测性能。
-
Patent Agency Ranking
公开(公告)号：CN118864378A
公开(公告)日：2024-10-29
申请号：CN202410871840.9
申请日：2024-07-01
Applicant: 安徽工业大学
IPC: G06T7/00 , G06V10/25 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种PCB缺陷检测方法，属于印刷电路板表面缺陷检测技术领域，包括以下步骤：S1：样本预处理；S2：网络模型搭建；S3：损失函数优化；S4：输出检测结果。本发明通过在原始YOLOv8网络中添加两种新型卷积模块：SCConv模块以及可变形卷积模块，可以更有效地提取空间特征，同时，在减少计算成本的基础上，还能提高模型的检测精度；然后，将原有的损失函数替换为新的SIoU函数，有助于更好地训练目标，促进模型更快地收敛，从而提高了模型的性能。
-
公开(公告)号：CN118840345A
公开(公告)日：2024-10-25
申请号：CN202410952226.5
申请日：2024-07-16
Applicant: 安徽工业大学
IPC: G06T7/00 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/045 , G06N3/0495 , G06N3/084
Abstract: 本发明公开了一种基于FPDNet的钢铁产品表面缺陷检测方法，属于钢材表面缺陷检测技术领域，包括：在带钢表面缺陷图像数据集中采集数据样本，并对样本进行预处理；基于YOLOv8目标检测框架，设计包含可变形卷积和注意力机制的热轧带钢表面缺陷目标检测模型，并选择HGNetv2网络作为目标检测模型的特征提取器，同时采用GhostConv对骨干网络进行轻量化；利用训练集对模型进行训练，获取最优检测模型；在测试集上测试并输出检测结果与检测速度。本发明基于YOLOv8目标检测框架，选择参数量较少的卷积神经网络HGNetv2作为特征提取网络，同时设计了基于调制可变形卷积和MPCA注意力机制的CEDLAM模块，并选择SIoU损失函数，在提高模型的检测准确度和速度的同时大大降低了模型的参数量。
-
公开(公告)号：CN118488174A
公开(公告)日：2024-08-13
申请号：CN202410607806.0
申请日：2024-05-16
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于人工智能的工业安全空‑地一体化监测方法、设备及产品，属于电子信息技术领域。本发明基于无人机实现区域环境参数及视频图像的实时采集，基于地面视频监控终端实现地面视频图像的实时采集；构建基于YoloV8的不安全因素轻量化检测算法；运行轻量化检测算法对巡检视频实时分析，实现不安全因素实时监测；融合空‑地多模态信息，通过服务器综合判断是否存在不安全因素，“是”则实时预警。本发明基于人工智能技术，对工业生产过程中不安全因素进行全方位、多角度的实时监测与预警，构建了基于YoloV8的不安全因素轻量化检测算法，检测精度高，速度快，能有效避免视频传输延时或丢失所导致的不安全因素漏检或检测不及时。
-
公开(公告)号：CN118197603A
公开(公告)日：2024-06-14
申请号：CN202410366139.1
申请日：2024-03-28
Applicant: 安徽工业大学
Abstract: 本发明公开了一种利用胃癌病理图像预测胃癌分子亚型的方法，属于胃癌组织病理学图像技术领域，包括以下步骤：S1：胃癌基因表达数据处理分析；S2：肿瘤免疫微环境对比分析；S3：病理图像预处理以及特征提取与分析；S4：分子亚型识别。本发明先对胃癌基因表达数据预处理以及分析，然后根据基因表达数据计算肿瘤免疫微环境数据进行分析，接着对搜集到的病理图像经过一系列筛选、注释、切割、质控、归一化并提取特征进行分析，最后采用基于focal loss的Resnet18模型对胃癌分子亚型进行预测，实验结果证明本发明可以使用胃癌图像精确预测胃癌分子亚型，未来有望应用于医学图像识别。
-
公开(公告)号：CN117710382A
公开(公告)日：2024-03-15
申请号：CN202311711776.X
申请日：2023-12-13
Applicant: 安徽工业大学
IPC: G06T7/10 , G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于改进U‑Net模型的医学图像分割方法，属于医学图像分割技术领域，包括以下步骤：数据集预处理；搭建分割网络模型并训练，得到改进U‑Net模型；利用改进U‑Net模型进行医学图像分割工作。本发明将原始单一卷积模块替换成多尺度特征提取模块，使得模型能够有效的捕获医学图像上不同的尺度和结构的特征，有助于更全面的理解图像内容，从而提高模型分割的准确性；同时也能够适应不同尺度的分辨率和尺寸，提高模型的鲁棒性和泛化性；在模型关键的位置分别增加自注意力机制和残差注意力机制，使得模型能够在关键位置建立权重连接，从而更好的捕获和理解图像中上下文的信息以及图像不同区域之间的关系，以及捕获图像中的目标细节和边界。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.029 seconds)
