-
公开(公告)号：CN119169017A
公开(公告)日：2024-12-20
申请号：CN202411241686.3
申请日：2024-09-05
Applicant: 中南大学
IPC: G06T7/10 , G06V10/80 , G06N3/084 , G06N3/0985 , G06N3/0464
Abstract: 本发明提供了一种管状结构图像分割方法及相关设备，通过获取管状结构图像数据输入分割模型进行训练，得到管状结构图像分割模型；将目标管状结构图像输入管状结构图像分割模型进行分割，得到分割结果；分割模型包括特征提取模块、特征增强模块和输出模块；与现有技术相比，本发明改进了特征提取、融合和增强方式，通过特征提取模块提取管状结构包括水平、垂直、全局在内的不同方向特征，通过特征融合模块融合来自不同方向的特征，充分利用不同方向的空间信息，通过特征增强模块进一步强化管状结构特征，从而提高管状结构图像的分割精度。
-
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：CN117952389A
公开(公告)日：2024-04-30
申请号：CN202410249762.9
申请日：2024-03-05
Applicant: 中南大学
IPC: G06Q10/0631 , G06N3/006 , G06Q10/047
Abstract: 本公开实施例中提供了一种天车双层规划智能调度优化方法、装置、设备及介质，属于控制技术领域，具体包括：步骤1，获取排产作业计划所包含的任务计划表数据；步骤2，以最小最大化完工时间为目标，以天车时空特性为约束条件，构建天车调度模型；步骤3，在上层规划中，基于任务计划表数据，利用改进的鲸鱼优化算法求解天车调度模型，生成天车任务序列；步骤4，在下层规划中，基于优先级动态调整策略和动态时间间隔策略，对天车任务序列进行路径规划，获取天车运行轨迹；步骤5，重复步骤2至步骤4，直至达到终止条件，得到多台天车的最优调运轨迹和任务分配方案。通过本公开的方案，提高了调度效率、精准度和协同性。
-
Patent Agency Ranking
公开(公告)号：CN113283339B
公开(公告)日：2023-04-07
申请号：CN202110570240.5
申请日：2021-05-25
Applicant: 中南大学
Abstract: 本发明提供了一种基于机器视觉的工业矿料运输皮带少料异常监测方法，获取工业运输皮带监测视频图像，复杂环境下异常监测图像的特征增强，采用融合两区域特征的皮带感兴趣区域两步提取方法，提取皮带感兴趣区域，采用边缘检测方法提取皮带表面矿料边缘，采用灰度共生矩阵对皮带表面纹理信息进行分析，采用基于Grubbs准则法的粗大误差处理方法对提取的图像特征量进行数据预处理，采用加权排序雷达图的方法将皮带表面纹理信息与矿料边缘信息进行融合，对工业矿料运输皮带少料异常进行判断。本发明实现对工业矿料运输皮带少料异常进行更快、更准、更全面的判断，对提高生产效率，减少异常影响范围具有重大意义。
-
公开(公告)号：CN113283339A
公开(公告)日：2021-08-20
申请号：CN202110570240.5
申请日：2021-05-25
Applicant: 中南大学
Abstract: 本发明提供了一种基于机器视觉的工业矿料运输皮带少料异常监测方法，获取工业运输皮带监测视频图像，复杂环境下异常监测图像的特征增强，采用融合两区域特征的皮带感兴趣区域两步提取方法，提取皮带感兴趣区域，采用边缘检测方法提取皮带表面矿料边缘，采用灰度共生矩阵对皮带表面纹理信息进行分析，采用基于Grubbs准则法的粗大误差处理方法对提取的图像特征量进行数据预处理，采用加权排序雷达图的方法将皮带表面纹理信息与矿料边缘信息进行融合，对工业矿料运输皮带少料异常进行判断。本发明实现对工业矿料运输皮带少料异常进行更快、更准、更全面的判断，对提高生产效率，减少异常影响范围具有重大意义。
-
公开(公告)号：CN114510970B
公开(公告)日：2025-04-04
申请号：CN202210092432.4
申请日：2022-01-26
Applicant: 中南大学
IPC: G10L25/51 , G10L25/30 , G10L25/18 , G06N3/0464 , G06N3/0895 , G06N3/096
Abstract: 本发明提供了一种基于音频信号特征的浮选过程工况识别方法，包括：步骤1，数据准备与数据预处理，具体包括数据的获取、降噪和工况类别划分；步骤2，根据梅尔声谱图纵轴代表的频率物理意义，放大浮选音频信号中关键频段所占比例，减小不重要频段的影响，构建基于特征注意力机制的浮选音频梅尔声谱图。本发明通过观察梅尔谱图中不同频段对识别结果的影响，找出关键频段，构建基于注意力机制的浮选音频梅尔声谱图，进行特征的初步提取，在建立模型时引入迁移学习，通过模型本身的输出特性筛选出最可能识别正确的测试集数据并打上伪标签，同时对齐数据的边缘分布和条件分布来确保迁移时仍能产生良好的分类界限，达到提高模型泛化性能的目的。
-
公开(公告)号：CN119313577A
公开(公告)日：2025-01-14
申请号：CN202411454319.1
申请日：2024-10-17
Applicant: 中南大学
IPC: G06T5/60 , G06T5/77 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供了一种图像修复方法及相关设备，采集现实工业恶劣环境图像和清晰环境图像，并利用清晰环境图像得到合成恶劣环境图像与现实工业恶劣环境图像输入构建的半监督模块进行训练数据筛选，得到新数据集并输入构建的师生模型分三个阶段进行训练，得到工业恶劣环境修复模型；将获取的目标工业环境图像输入工业恶劣环境修复模型进行修复，得到与目标工业环境图像对应的清晰图像；与现有技术相比，本发明通过通过半监督模块筛选训练数据，以提高模型在不同环境下的性能与泛化性；从三个不同阶段对师生模型进行训练，让模型充分学习各个恶劣环境之间的独有特征和公共特征，防止特征学习不充分，从而提高工业恶劣环境图像修复的鲁棒性。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.02 seconds)
