-
公开(公告)号：CN118587512A
公开(公告)日：2024-09-03
申请号：CN202411060859.1
申请日：2024-08-05
Applicant: 常熟理工学院
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/043 , G06V10/25 , G06V10/46
Abstract: 本公开涉及图像分类技术领域，提供一种图像分类方法及装置、电子设备、存储介质，方法包括：获取待分类图像；将待分类图像输入图像分类模型，得到对应的分类结果；图像分类模型基于卷积神经网络模型构建得到，卷积神经网络模型中的池化层均基于二次模糊重要性机制构建得到。本公开可有效利用模糊逻辑技术的特点，抑制图像中的噪声在模型中的逐层传递，降低噪声对图像识别的影响，提高模型对噪声的鲁棒性和图像识别的准确性，还可有效利用重要性机制，优化模型对图像中感兴趣区域关键特征的提取，提高模型的泛化性能和图像分类的准确性，使得在利用该图像分类模型对待分类图像进行分类时，有效提高图像分类的准确性，使图像分类结果更精确。
-
公开(公告)号：CN117906595B
公开(公告)日：2024-06-21
申请号：CN202410317058.2
申请日：2024-03-20
Applicant: 常熟理工学院
Abstract: 本发明公开了一种基于特征点法视觉SLAM的场景理解导航方法及系统，包括：获取相机的实时位姿信息并通过ROS发布；将获取的RGB图和深度图合成3D点云；根据语义和深度信息，获取机器人与物体的相对位置关系；根据位姿信息将3D点云中每一帧点云拼接成全局点云地图，并发布到ROS中；获取地图点信息，并转换为点云，得到点云地图，将点云地图数据发布到ROS中，将点云地图转换为三维八叉树地图和二维栅格地图；将ORB‑SLAM3模块和实例分割网络的结果通过ROS系统以话题的形式发布订阅进行通讯传输，使用ROS导航包实施导航操作。将ORB‑SLAM3与实时实例分割方法结合建立了稠密的语义地图，能够进行场景理解。
-
公开(公告)号：CN118053045B
公开(公告)日：2024-06-14
申请号：CN202410395653.8
申请日：2024-04-02
Applicant: 常熟理工学院
IPC: G06V10/764 , G06V10/762 , G06V10/82 , G06N3/043 , G06N3/088
Abstract: 本公开的实施例提供一种图片风格分类方法、系统、电子设备及存储介质。所述图片风格分类方法包括：获取待分类图片数据集；其中，所述待分类图片数据集包括一张或多张图片的图片数据；将所述待分类图片数据集输入预先构建的图片风格分类模型，得到预测分类结果；其中，所述图片风格分类模型包括预先建立的TSK模糊规则。本公开实施例的一种图片风格分类方法、系统、电子设备及存储介质，基于模糊规则的模糊推理，同时考虑样本的风格特征，产生了新型的TSK模糊规则，解决了现有的大多数聚类算法在挖掘样本潜在知识的过程中未考虑不同类样本风格特征的问题，并提升了聚类分析过程的可解释性。
-
公开(公告)号：CN118053045A
公开(公告)日：2024-05-17
申请号：CN202410395653.8
申请日：2024-04-02
Applicant: 常熟理工学院
IPC: G06V10/764 , G06V10/762 , G06V10/82 , G06N3/043 , G06N3/088
Abstract: 本公开的实施例提供一种图片风格分类方法、系统、电子设备及存储介质。所述图片风格分类方法包括：获取待分类图片数据集；其中，所述待分类图片数据集包括一张或多张图片的图片数据；将所述待分类图片数据集输入预先构建的图片风格分类模型，得到预测分类结果；其中，所述图片风格分类模型包括预先建立的TSK模糊规则。本公开实施例的一种图片风格分类方法、系统、电子设备及存储介质，基于模糊规则的模糊推理，同时考虑样本的风格特征，产生了新型的TSK模糊规则，解决了现有的大多数聚类算法在挖掘样本潜在知识的过程中未考虑不同类样本风格特征的问题，并提升了聚类分析过程的可解释性。
-
公开(公告)号：CN117669992A
公开(公告)日：2024-03-08
申请号：CN202410117249.4
申请日：2024-01-29
Applicant: 常熟理工学院
IPC: G06Q10/0631 , G06N3/006 , G06Q10/087 , G06Q50/04
Abstract: 本发明公开了一种面向智能仓储多移动机器人实时两阶段调度方法及系统，包括：建立多个机器人任务分配约束模型；根据建立的模型使用分层蚁群遗传算法进行预分配求解，得到各个机器人的任务执行序列；使用拍卖算法进行任务动态重分配，调节任务平衡。本发明充分考虑了任务之间的关联性和动态变化，通过分层遗传蚁群算法和拍卖算法的结合，实现了任务的合理分配和动态调整。这一创新性的方法更切合实际仓储工作场景中的需求，能够更好地应对复杂多变的情况，提高仓储运营的效率和质量。
-
Patent Agency Ranking
公开(公告)号：CN116662834A
公开(公告)日：2023-08-29
申请号：CN202310658659.5
申请日：2023-06-05
Applicant: 常熟理工学院
IPC: G06F18/23
Abstract: 本公开实施例涉及机器学习领域，提供一种基于样本风格特征的模糊超平面聚类方法及装置，方法包括：建立保留样本的物理特征同时挖掘样本的风格特征的表征形式；基于表征形式和给定的数据集，建立基于物理特征和风格特征的模糊超平面聚类模型的初始目标函数；利用表征形式对应的正则化项和关于不同聚类中心的软间隔，对初始目标函数进行优化，得到更新后的目标函数；将更新后的目标函数的优化问题分解为基于表征形式的一系列子问题；基于一系列子问题确定更新后的目标函数的参数，求解出表征形式；基于求解出的表征形式对数据集中的样本进行聚类分析，得到数据集对应的预测类别标签集。本公开可有效识别聚类流形结构交叉情况下的不同聚类样本。
-
公开(公告)号：CN116628537A
公开(公告)日：2023-08-22
申请号：CN202310580205.0
申请日：2023-05-22
Applicant: 常熟理工学院
IPC: G06F18/2323 , G06F16/22 , G06F16/23 , G06F17/16 , G06N20/00
Abstract: 本发明公开了一种多视图聚类方法、装置、存储介质及电子设备，所述方法包括：获取目标数据集，所述目标数据集是对所述多视图数据集进行预处理得到的；利用AP聚类算法的二元模型对所述目标数据集学习每个视图，在视图间增加视图外部参数，用于连接不同的视图以及更新视图内部参数，得到多视图聚类结果。这样，一方面，AP聚类算法中涉及到的模型参数较少，降低了聚类的计算量，另一方面，AP聚类算法相比其他算法，聚类结果的平方差小，提高了聚类的准确性。同时，AP聚类算法可以关联不同视图间的信息，提高了聚类的稳定性和聚类性能。
-
公开(公告)号：CN113537096B
公开(公告)日：2023-08-15
申请号：CN202110824995.3
申请日：2021-07-21
Applicant: 常熟理工学院
IPC: G06V20/10 , G06V10/44 , G06V10/764 , G06N3/0464 , G06V10/82 , G06N3/08 , G06T7/62 , G06T7/66 , G06T7/73 , B66F9/075
Abstract: 本发明公开了一种基于ROS的AGV叉车库位托盘识别及辅助定位方法及系统，包括对库位中托盘的检测识别步骤，使用深度学习训练好的模型预测图像中托盘支撑柱及其像素位置，利用深度相机计算出各根支撑柱中心在相机坐标系下的三维坐标；托盘位姿计算步骤，通过对深度相机坐标系、AGV叉车货叉坐标系、AGV叉车本体坐标系之间的坐标转化关系计算，求解托盘相对于AGV叉车本体的位姿；控制AGV叉车及货叉运动至可插取位置步骤，使得AGV叉车的货叉能够正对托盘的空洞。本发明检测速度更快，能够实时对库位中的托盘进行精确检测与定位，提升了工作效率，更好的辅助叉车插取托盘。
-
公开(公告)号：CN116543015A
公开(公告)日：2023-08-04
申请号：CN202310459708.2
申请日：2023-04-26
Applicant: 常熟理工学院
IPC: G06T7/246 , G06T7/73 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/006
Abstract: 本发明公开了一种基于深度学习的细胞谱系树的构建方法和系统，该方法包括以下步骤：采用目标检测函数对原始细胞图像进行细胞检测以获取细胞候选量测集；根据细胞候选量测集对细胞分裂事件进行预测，以预测细胞分裂位置以及相应的细胞分裂概率；采用多贝努利蚁群搜索行为根据预测细胞分裂位置以及相应的细胞分裂概率建立上一帧细胞估计与下一帧细胞测量候选集的路径信息素场，并根据路径信息素场构建细胞谱系树；在利用标签贝努利子蚁群的搜索目标像素的过程中构建状态信息素场，并根据状态信息素场对标签贝努利子蚁群的多贝努利参数进行近似，以估计细胞位置及形态学参数。
-
公开(公告)号：CN115511075A
公开(公告)日：2022-12-23
申请号：CN202211187887.0
申请日：2022-09-28
Applicant: 常熟理工学院
Abstract: 本发明公开了一种基于特征随机加噪的神经网络模型对抗训练方法，包括：获取一部分训练样本，并获得训练样本的特征，将生成的噪声加入到所选择训练样本的特征中；获取一部分训练样本，利用真实标签集中的其他标签替换所选择训练样本的真实标签；构建神经网络模型，将构建的神经网络模型在生成的对抗样本的训练集上进行训练，生成对抗神经网络模型。特征随机加噪及改变样本真实标签的方式使得神经网络模型能够进行新型的全对抗样本学习，从而取得改善模型泛化性能的效果。与传统神经网络模型相比，本发明的方法能够更好地学习并利用噪声样本。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.025 seconds)
