-
公开(公告)号：CN118863647A
公开(公告)日：2024-10-29
申请号：CN202410915657.4
申请日：2024-07-09
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06Q10/0639 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/042 , G06F18/213 , G06F18/211 , G06F18/243
Abstract: 本发明涉及印刷电路板生产加工技术领域，公开了一种基于图注意力神经网络的印刷电路板质量预测方法，包括：获取印刷电路板的生产数据以及功能测试数据，得到总质量得分；每条生产数据包括多个特征，选择出对总质量得分影响最大的前几个特征，使用生成对抗网络生成总质量得分为0的生产数据，将生成的生产数据加入训练集中；以所有印刷电路板的生产数据为节点构建图，并按照序号序列构建印刷电路板之间的邻接矩阵；利用图注意力神经网络提取生产数据的时间特征和空间特征；根据提取到的时间和空间特征以及生产数据进行质量预测，输出预测结果。可以克服PCB生产数据维度高、数量多、高度不平衡的特点，实现准确预测PCB生产质量。
-
公开(公告)号：CN115049581B
公开(公告)日：2024-10-18
申请号：CN202111338786.4
申请日：2021-11-12
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明的一种笔记本屏幕缺陷检测方法、系统及设备，其中方法包括采集笔记本外观生产线高清摄像头下的检测视频，获取待检测图片，送入训练好的两阶段的分类器，获得检测结果并输出；其中模型训练步骤如下：采集图像并进行预处理，构建训练样本集，建立两阶段网络模型结构和在KolektorSDD数据集预训练网络模型，调整模型参数；两阶段网络模型参数迁移，将源域两阶段的结构和参数迁移至笔记本屏幕缺陷检测目标域，并通过输入目标域样本微调两阶段网络模型参数，以获得分类和检测网络。本发明所采用的两阶段网络模型不仅具有较小的网络模型参数，需要较低的硬件支持，降低成本问题和训练时间，而且在分类准确率也有所提高。
-
公开(公告)号：CN118552491A
公开(公告)日：2024-08-27
申请号：CN202410624123.6
申请日：2024-05-20
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) , 安徽大学
IPC: G06T7/00 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06V30/18 , G06V30/19 , G06N3/0464 , G06N3/0985
Abstract: 本发明涉及环境检测技术领域，公开了一种基于跨模态提示学习的红外目标小样本检测方法，包括：制作包含VOCs气体排放场景的基类数据集，并利用共享权重的视觉骨干网络提取目标特征；利用跨模态生成器建立文本模态与图像模态之间的联系，并生成融合模态特征；使用ROI网络分别提取查询特征和支持特征，且支持特征再次使用跨模态生成器建立模态联系；对候选区域进行分类和回归预测。用小样本检测来实现对未知场景下的VOCs气体检测，并通过提示学习减低过拟合现象，并以蒸馏学习的方式实现小样本少标注或零标注，提升了对于迁移到实际应用的效率。
-
公开(公告)号：CN113919233B
公开(公告)日：2024-08-02
申请号：CN202111269823.0
申请日：2021-10-29
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06F30/27 , G06F17/16 , G06N3/08 , G06F111/08
Abstract: 本发明的一种城市VOCs污染总量时序预测方法、系统、存储介质及设备，其方法包括：对总挥发性有机化合物监测数据预处理，使数据能嵌入投影，包含位置信息，其不仅包含年月日信息，还包含了节假日这些设定信息；先对得到数据进行卷积池化操作，降低冗余数据，在编码器中，通过稀疏全自注意力机制来生成注意力概率矩阵得到特征图，再将特征图输入重复一次，得到特征图，传入解码器；同时将数据截断一半输入，进行同样的操作，将两次得到的特征图拼接形成最终得到的特征图传入解码器；对数据进行掩盖处理，输入进解码器，解码器根据掩盖后的输入以及上一步得到的得到预测结果。本发明能够处理更长的时间序列，能更有效地提取时间序列的信息。
-
公开(公告)号：CN118194059A
公开(公告)日：2024-06-14
申请号：CN202410163563.6
申请日：2024-02-05
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明公开了一种基于相关性分析与密度峰值聚类的测项选择方法，包括如下步骤：步骤一、获取m个测项的测试样本数据集，将测试样本数据集的数据特征以及测项的机理信息融合，得到测项相关性度量结果；步骤二、基于测项相关性度量改进密度峰值聚类算法中局部密度与相对距离的计算方法，并完成测项聚类；步骤三、基于相关性聚类计算测项返修估计成本，将测项返修估计成本与测项的测试成本之间差值大于等于0的测项移入到保持测试测项中，完成测项选择工作并输出最终测试策略；该测项选择方法有效增强了测项选择方法的可靠性，在降低主板功能测试环节返修成本的同时控制测试成本，实现输出一个最大化效益的测试策略。
-
Patent Agency Ranking
公开(公告)号：CN113822181B
公开(公告)日：2024-05-24
申请号：CN202111050931.9
申请日：2021-09-08
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06V20/40 , G06V10/774 , G06V10/764 , G06F17/10 , G06F17/16
Abstract: 本发明公开了一种基于肢体活跃度的行为心理异常检测方法，属于计算机视觉技术领域，包括采集待预测个体在时间段T内的视频数据；基于时间段T内的视频数据，计算整段视频数据的身体活跃度，将待预测个体ID、时间段T以及对应的身体活跃度组成待预测数据项；将待预测数据项作为预先构建的身体活跃度异常等级预测模型，预测所述待预测个体的身体活跃度异常等级。本发明以人体关键点识别深度学习模型为基础，对所需要监测的人员进行长时间观测，建立身体活跃度异常等级预测模型，对需要监测人员以后的行为进行监测，根据模型判断哪些行为存在异常，达到提前预警、防止危害发生的目的。
-
公开(公告)号：CN117743898A
公开(公告)日：2024-03-22
申请号：CN202311766314.8
申请日：2023-12-20
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06F18/24 , G06F18/214
Abstract: 本发明涉及在线学习技术领域，公开了涉及一种面向流式数据复杂场景的动态集成分类方法，包括以下步骤：通过循环缓存数组连续捕获实例，将流式数据转换为一系列的数据块；对每个数据块的实例数量进行统计，判断数据块是否平衡；通过过采样技术对每个不平衡的数据块进行处理，将原本平衡的数据块，以及过采样处理后得到的平衡的数据块组成训练数据；根据训练数据生成候选分类器池；根据改进的选择策略为每个查询实例建立最优的集成分类模型，并输出查询实例的分类结果。本发明可以解决流式数据的不平衡问题，提高了分类预测的准确性。
-
公开(公告)号：CN117522381A
公开(公告)日：2024-02-06
申请号：CN202311576813.0
申请日：2023-11-20
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明涉及数字孪生与智能制造技术领域，公开了一种基于数字孪生驱动的跨层级智能系统预测性维护决策方法，包括以下步骤：分析智能制造系统整体结构和层次；根据智能制造系统整体结构和层次建立智能制造系统的数字孪生模型；在数字孪生模型中，根据智能制造系统的运行数据对预测性维护问题进行数学建模，得到预测性维护的数学模型；将智能制造系统实时运行数据传入数学模型，对预测性维护的数学模型的输入参数进行赋值，利用VNS‑ILP算法计算数学模型的输出参数，得到最佳的维护决策。本发明通过分析数据流，比较具有不同规模的最佳解决方案，输出决策，为相关人员提供参考，提高系统效率。
-
公开(公告)号：CN117370091A
公开(公告)日：2024-01-09
申请号：CN202311499195.4
申请日：2023-11-08
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明涉及智能制造技术领域，公开了一种基于故障树和相关性分析的动态测项良率计算方法，包括：建立主板测项故障树，基于建立的测项故障树构造测项的相关性矩阵，并利用该相关性矩阵初步筛选出一个或多个与动态测项相关性强的必测项；比较测项间的相关系数与人为设定的阈值之间的大小，从而筛选出与动态测项关联性最强的必测项；用必测项的良率作为动态测项的良率；本发明提供一种更加科学、合理的方法，从而达到优化主板功能测试策略的目的，提高测试效率。
-
公开(公告)号：CN117218414A
公开(公告)日：2023-12-12
申请号：CN202311124039.X
申请日：2023-09-01
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) , 长三角哈特机器人产业技术研究院
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06T7/00 , G06N3/048 , G06N3/08
Abstract: 本发明的一种基于线性样本压缩的表面组装板缺陷检测方法及存储介质，包括以下步骤，步骤1：从存储模块中随机取出一组SMT缺陷样本图像；步骤2：同时使用输入的SMT缺陷样本图像和从存储模块中随机取出的SMT缺陷样本图像来训练分类器；步骤3：使用线性样本压缩技术以频率K对输入的小批量SMT缺陷样本图像进行压缩；步骤4：利用压缩后的SMT缺陷样本图像更新存储模块，最终得到的分类器用来完成SMT缺陷检测任务。本发明提出的一种基于线性样本压缩的表面组装板缺陷检测方法，将不同的样本通过线性组合压缩在一起，而不是删除它们，从而在提高算法的精确性的同时有效地降低了计算成本。
-
-
-
-
-
-
-
-
-
Search Results
98
records
(took 0.08 seconds)
