-
公开(公告)号：CN116704268B
公开(公告)日：2023-11-10
申请号：CN202310974647.3
申请日：2023-08-04
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: G06V10/764 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了面向动态变化复杂场景的强鲁棒目标检测方法，涉及计算机视觉技术领域。具体包括以下步骤：S1、基于目标图像中的前景目标和背景信息，定义背景建模求解优化问题的代价函数；S2、构建连续帧图像中各个像素点在不同时刻的时序关系，并根据所述时序关系对目标背景进行更新；S3、通过有限状态机提取所述连续帧图像的前景掩膜；S4、通过所述前景掩膜对所述目标图像进行切割，获得目标区域，将所述目标区域输入深度卷积神经网络进行特征提取，并完成目标区域检测分类。旨在采用背景剔除方法进行图像识别时，不提高算力，同时提高图像检测在复杂背景下的鲁棒性。
-
公开(公告)号：CN116893055A
公开(公告)日：2023-10-17
申请号：CN202311050585.3
申请日：2023-08-18
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: G01M13/04 , G06F18/213 , G06F18/24 , G06F18/214
Abstract: 本发明涉及设备预测性维护技术领域，公开了一种基于特征迁移的轴承剩余使用寿命预测方法，包括：获取设备故障数据和设备全周期退化数据，进行数据预处理；构建源网络，源网络包括故障特征提取模块、故障分类器；设计故障分类损失函数，并利用设备故障数据对源网络进行训练；构建目标网络，目标网络包括退化特征提取器和剩余使用寿命预测器；设计剩余使用寿命预测损失函数，并利用设备全周期退化数据对目标网络进行训练；设计故障特征迁移损失函数，进行故障特征迁移。本发明通过对设备进行故障诊断获取故障特征以及特征迁移，从而降低已有方法对设备全周期退化数据的需求，并得到较好的结果。
-
公开(公告)号：CN112131523B
公开(公告)日：2023-09-26
申请号：CN202010953119.6
申请日：2020-09-11
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: G06N3/0475 , G06N3/0464 , G06N3/094 , G06N3/084 , G06F16/9537 , G06Q10/04 , G06Q50/26
Abstract: 本发明的一种基于有限监测点位的时空数据生成方法及系统，包括以下步骤：S100、获取尾气遥测数据和车辆基本信息数据；S200、把获取到的数据输入事先构建并训练好的尾气监测数据生成对抗网络模型，生成对应的时空数据。所述对抗网络模型的构建和训练步骤如下：S201、获取尾气遥测数据和车辆基本信息数据，并进行关联影响分析；S202、根据关联影响因素设计尾气排放先验修正模型；S203、根据尾气遥测数据和尾气排放先验修正模型设计尾气监测数据生成对抗网络模型；S204、训练尾气监测数据生成对抗网络模型。本发明可克服由于有限监测点位导致尾气观测数据的数据空间稀疏性及监测数据本身存在空间异质性等问题，实现对城市区域的车辆尾气排放态势进行全局估计。
-
公开(公告)号：CN116309434A
公开(公告)日：2023-06-23
申请号：CN202310244772.9
申请日：2023-03-09
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: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及工业质检技术领域，公开了一种基于多任务学习机制的PCB缺陷检测方法，将缺陷图像输入至PCB缺陷检测模型，得到缺陷图像对应的缺陷区域；PCB缺陷检测模型的训练方法，包括以下步骤：获取缺陷图像后，进行数据预处理，获得缺陷样本数据集；缺陷图像中缺陷的类型包括偏移缺陷、缺件缺陷；构建基于U‑Net结构的PCB缺陷检测模型：对偏移缺陷检测任务、缺件缺陷检测任务、二分类缺陷检测任务分别设置损失函数，并通过参数搜索方式为每个任务的损失函数设置不同的权重；能够利用任务间的信息互补性，降低过拟合风险，充分利用多层次贴片元件缺陷信息。
-
公开(公告)号：CN115439956A
公开(公告)日：2022-12-06
申请号：CN202211066771.1
申请日：2022-09-01
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)
Abstract: 本发明的一种基于自监督表征网络的异常时序序列检测方法及存储介质，包括以下步骤，S1：抽取道路移动源OBD数据集，并预处理；S2：构建时序行驶工况数据集；将污染物NOx浓度和其他特征属性组成多维度的OBD工况时序数据集，按照时间戳整理出连续时间段的排放序列；S3：构建高排放浓度序列识别模型，具体为构建一种基于自监督表征网络的异常时序序列检测模型。本发明结合OBD数据集中多元车辆运行属性信息，避免了外界因素对监测环境的干扰，为获取真实排放状况数据提供了前提。同时，采用基于重构的方法划分高排放的和正常排放的序列的表征。解决同类的基于深度学习方法因行驶工况丰富多变、排放表征学习能力不足而造成的高排放源识别准确率低的问题。
-
Patent Agency Ranking
公开(公告)号：CN113744541B
公开(公告)日：2022-07-19
申请号：CN202110536188.1
申请日：2021-05-17
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: 本发明的一种对抗图卷积网络的路网排放缺失时空分布重构方法及系统，包括采集车辆污染排放和瞬时工况数据，构建单车路段典型工况排放模型；结合遥感监测点位的车流量数据和典型工况排放模型构建路网移动源排放缺失时空图序列；基于网移动源排放缺失时空图序列，构建路网排放时空分布对抗图卷积生成模型,对监测缺失路段排放进行估计。本发明采用多头自注意力图卷积网络可捕获气象、交通状态变化和基础路网空间差异对不同路段排放的影响；采用图卷积生成对抗学习机制，构建融合路网拓扑以及多源监测信息的路网排放时空分布生成模型，实现完全路网排放图序列重构。与已有方法相比，本方法有望解决监测信息缺失路段的排放时空分布估计问题。
-
公开(公告)号：CN112819218B
公开(公告)日：2022-05-06
申请号：CN202110110653.5
申请日：2021-01-27
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: 本发明的一种高分辨率城市移动源污染时空预测方法、系统及存储介质，包括对历史移动源污染监测数据和外部环境因素数据按指定空间分辨率处理成低分辨率移动源污染、外部环境因素观测序列，以及高分辨率移动源污染观测序列；对上述进行标准化处理；将标准化后的低分辨率历史移动源污染数据按指定时间间隔长度进行切分与当前时刻外部环境因素数据、高分辨率移动源污染数据组合构建历史移动源污染数据样本集；构建高分辨率城市移动源污染时空预测模型，训练模型，利用训练好的预测模型对未来时段的高分辨率移动源污染时空分布进行预测。本发明可以有效处理不同空间尺度下排放清单的空间结构约束，实现在稀疏监测下的高精度排放清单时空分布预测。
-
公开(公告)号：CN113657651A
公开(公告)日：2021-11-16
申请号：CN202110852663.6
申请日：2021-07-27
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: 本发明的一种基于深度迁移学习的柴油车排放预测方法、介质及设备，包括利用计算机设备构建柴油车排放预测模型，然后使用该模型预测目标域车辆的NOx排放；预测模型构建步骤如下：S10：获取源域车辆相关数据和目标域车辆行驶时相关数据并对采集数据进行预处理；S20：预训练特征投影模块，将源域车辆特征和目标域车辆特征投影到一个公共子空间中；S30：预训练尾气预测模块，使用重构后的源域数据特征和标签搭建一个双隐藏层的全连接神经网络预测模型；S40：将预训练的投影模块和预测模块合并构建迁移模型，考虑源域车辆和目标域车辆之间的数据分布差异，在损失函数部分加入源域和目标域之间的KL散度，使目标域数据分布靠近源域数据分布，微调整个模型。
-
公开(公告)号：CN113435471A
公开(公告)日：2021-09-24
申请号：CN202110534816.2
申请日：2021-05-17
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: 本发明的一种深度特征聚类的高排放移动源污染识别方法及系统，包括将收集的车辆年检数据和尾气遥测数据预处理；利用随机森林特征选择算法对移动源排放气体中主要成分CO、HC、NO气体浓度产生影响的外部属性进行重要性评估，选择出各污染气体的主要影响特征因素；利用多种聚类算法对特征选择后的数据进行聚类，得到高排放机动车标签；利用深度森林对高排放类别标签数据训练得到自动分类识别模型。本发明综合考虑外部实际因素对污染检测的影响，对不同的尾气成分筛选出主要影响因素，再分别建模进行识别，有效的提高了预测精度，为有关部门对高排放移动污染源的监测和管控提供有效的技术方法。
-
公开(公告)号：CN119722611A
公开(公告)日：2025-03-28
申请号：CN202411782293.3
申请日：2024-12-05
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)
IPC: G06T7/00 , G06V10/77 , G06V10/764 , G06V10/82 , G06N3/09
Abstract: 本发明涉及深度学习技术领域，公开了一种基于异常提示学习的工业缺陷检测方法及存储介质，该基于异常提示学习的工业缺陷检测方法包括：利用CLIP网络，提取正常PCB样本的全局特征以及局部特征；利用语义连接在PCB正常样本的基础上，设计多个关于表面贴装缺陷的异常提示；利用显式异常边界进行提示学习，以获得足量的缺陷异常提示；根据缺陷异常提示，进行表面贴装缺陷异常检测。本发明提出的语义连接，将PCB正常样本的提示，转为工业上难以获得的缺陷异常提示，还提出显示异常边界以获取精确的缺陷异常提示，并拉开缺陷异常提示特征与正常样本提示和正常视觉特征之间的距离，从而有利于实现在无法提供异常样本图像情况下的异常检测。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.074 seconds)
