-
公开(公告)号：CN119762940A
公开(公告)日：2025-04-04
申请号：CN202411900524.6
申请日：2024-12-23
Applicant: 电子科技大学
IPC: G06V10/82 , G06V10/56 , G06V10/62 , G06T7/90 , G06N3/0464 , G06N3/0442 , G06N3/084 , G01N21/01 , G01N21/78
Abstract: 本发明公开了一种基于CNN‑LSTM模型的化学显色反应时序特征分析方法，旨在建立化学反应颜色特征信号与时间变化的关系。首先，通过邻菲啰啉试剂对PAD(纸基分析装置)进行预处理，随后滴加不同浓度梯度的铁离子溶液。在单一光源、全黑环境下，采集反应过程中的连续图像数据，获取丰富的数据集。对获取的图像数据进行预处理，包括裁剪、去噪、增强及归一化等操作，提取有效图像信息。利用卷积神经网络(CNN)提取每一帧图像的空间特征，并将这些特征输入长短期记忆网络(LSTM)，学习颜色变化的时间动态特征，最终输出颜色特征随时间的变化规律或预测结果。本发明提供了一种高效、准确的化学显色反应动态分析方法，可广泛应用于化学反应监测与分析领域。
-
公开(公告)号：CN114965329B
公开(公告)日：2025-03-14
申请号：CN202210441422.7
申请日：2022-04-25
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明提供了一种利用顶空单滴微萃取‑分光移液管法测定天然水体中的砷含量的方法，属于检测技术领域。本发明检测方法中采用的设备成本低，便携性好，容易操作，可以适时调整采样策略以适应任何特定环境的需要，在现场得到5min‑1的典型样品吞吐量。本发明的检测方法灵敏、稳健、可靠、简单、实用，可以在野外快速测量天然水体中不同形态砷的纳摩尔浓度。本发明的检测方法对砷的线性检测范围是0.3‑65nM(R2＝0.9980)，检出限是0.1nM，对于25nM As(III)测量的RSDs
-
公开(公告)号：CN117668476B
公开(公告)日：2024-12-27
申请号：CN202311677514.6
申请日：2023-12-07
Applicant: 电子科技大学
IPC: G06F18/15 , G06F18/2135 , G06F18/27 , G06N3/096 , G01N21/3563 , G01N21/359
Abstract: 一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法，涉及土壤分析技术领域，包括下述主要步骤：获取包含有土壤碳酸盐数据及对应土壤近红外光谱数据的源域数据及目标域数据；对源域和目标域光谱数据进行预处理，再进行迁移成分分析光谱变换，对经过迁移成分分析光谱变换后的源域和目标域数据进行支持向量机回归建模，得到训练好的土壤光谱数据与土壤碳酸盐含量的支持向量机回归预测模型；将待测土壤的近红外光谱数据经过与用于建模的光谱数据相同的预处理方法处理过后，投入支持向量机回归预测模型中，即可得到待测土壤的碳酸盐预测结果。本发明提供了一种快速、准确、成本低且能够普遍适用的土壤碳酸盐含量预测方法。
-
公开(公告)号：CN117668476A
公开(公告)日：2024-03-08
申请号：CN202311677514.6
申请日：2023-12-07
Applicant: 电子科技大学
IPC: G06F18/15 , G06F18/2135 , G06F18/27 , G06N3/096 , G01N21/3563 , G01N21/359
Abstract: 一种基于近红外光谱和迁移学习的土壤碳酸盐预测方法，涉及土壤分析技术领域，包括下述主要步骤：获取包含有土壤碳酸盐数据及对应土壤近红外光谱数据的源域数据及目标域数据；对源域和目标域光谱数据进行预处理，再进行迁移成分分析光谱变换，对经过迁移成分分析光谱变换后的源域和目标域数据进行支持向量机回归建模，得到训练好的土壤光谱数据与土壤碳酸盐含量的支持向量机回归预测模型；将待测土壤的近红外光谱数据经过与用于建模的光谱数据相同的预处理方法处理过后，投入支持向量机回归预测模型中，即可得到待测土壤的碳酸盐预测结果。本发明提供了一种快速、准确、成本低且能够普遍适用的土壤碳酸盐含量预测方法。
-
公开(公告)号：CN116009435A
公开(公告)日：2023-04-25
申请号：CN202211547022.0
申请日：2022-12-05
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G05B19/042 , H04W4/38
Abstract: 本发明公开了一种基于树莓派的语音智能节能系统的终端设计方法。该发明借助树莓派自身优势，设计了一个多重传感数据作为依据综合判断人员活动状态的智能监控系统。其中，需要采集的数据包括室内外环境温湿度、室内外光照值、人体红外传感器数值、噪声发生次数、图像人体识别等。多重传感器检测记录线程并行执行，通过调用Wring Pi开发库与树莓派上的GPIO设备，主要是传感器和红外收发器通信，实现高效率、低延迟的硬件层驱动程序。所得数据在终端临时存储，再利用Python程序Pandas、Numpy、tensorflow等AI库对数据进行预处理和格式化。最后，通过TCP/IP协议将规范化数据发给计算核心云服务器集群。终端自带一个单机版终端系统，可以通过局域网直接访问管理。
-
Patent Agency Ranking
公开(公告)号：CN115830311A
公开(公告)日：2023-03-21
申请号：CN202211378833.2
申请日：2022-11-04
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于点云数据自动增强的三维点云语义分割方法。该发明可以进一步增强以PointNet++为代表的点云语义分割算法在不同应用场景下的泛化性能。以往点云语义分割算法通常存在两个问题：一是利用传统的数据增强方法；二是将数据增强与网络训练分为两个阶段。本发明提出的基于点云数据自动增强的三维点云语义分割方法，通过考虑样本的基本几何结构，为每个输入样本回归一个特定的增强函数，同时学习点云样本的形状变换和逐点位移，并联合优化增强函数和优化器，解决网络中输入样本多样性不足的问题，增强网络的泛化能力。
-
公开(公告)号：CN115688786A
公开(公告)日：2023-02-03
申请号：CN202211386894.3
申请日：2022-11-07
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F40/295 , G06F18/214 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于Bi‑LSTM的法律命名实体识别方法，属于自然语言处理领域。本发明结合词向量训练和深度学习方法，对自然语言处理领域的命名实体识别任务进行了深度的改进和优化，使其兼顾准确性与模型复杂度地问题。本发明首先进行文本预处理，减少原始文本数据中大量干扰信息；然后对处理后的语料进行词向量训练，基于skip‑gram模型训练词向量。本发明提出利用Bi‑LSTM完成语料特征提取地方法，结合CRF限制标签间的关系以及进行结果校正，解决法律领域命名实体识别问题。
-
公开(公告)号：CN115661805A
公开(公告)日：2023-01-31
申请号：CN202211368439.0
申请日：2022-11-03
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V20/62 , G06N3/0464 , G06N3/08 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于改进的Faster RCNN的车牌识别方法，包括以下步骤：步骤1：选择VGG16作为提取车牌字符特征的主干网络，将获取的图片输入特征网络，进行卷积和池化，得到共享特征特征图；步骤2：采用RPN网络检测车牌位置的候选框；步骤3：通过以Fast RCNN检测器为基础的车牌检测网络获得车牌图片，车牌检测网络的目标在于精修ROI(Region of Interests)候选框的坐标，获得车牌的最终边框；步骤4：将提取的车牌边框内的信息输入LPRNet网络模型，提取车牌信息。本发明利用Faster RCNN网络模型识别出图片中的车牌边框的位置，再通过LPRNet网络模型对车牌边框内的图像进行整体卷积形成识别序列，提取车牌信息，识别的精准度更高。
-
公开(公告)号：CN115565699A
公开(公告)日：2023-01-03
申请号：CN202211387474.7
申请日：2022-11-07
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G16H80/00 , G06F40/289 , G06N3/04 , G06N3/08 , G06Q10/06
Abstract: 本发明公开了一种基于BERT的临床医学对话的意图识别办法，本发明涉及自然语言处理和问答系统领域，结合BERT模型与BiLSTM模型，形成新的IEBERT‑BiLSTM算法来进行问答系统意图的分类。本发明对传统的BERT模型进行了优化。引入记忆模块，将上一轮或者多轮的意图结果存储到记忆单元，在当前语句进行词向量之前，嵌入记忆单元的历史意图状态，再进行词向量化，增强了对邻次的输入数据进行综合考虑，保留了上下文的依赖关系；对传统的BiLSTM模型引入注意力机制，通过计算词与词之间的相似度去挖掘信息，在一定程度上降低噪点影响并提升用户意图的特征信息权值，提高模型的分类和预测效果。
-
公开(公告)号：CN114581363A
公开(公告)日：2022-06-03
申请号：CN202111478910.7
申请日：2021-12-04
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于多尺度级联残差卷积神经网络的海岸线变化检测方法。目前对于海岸线的变化检测的传统方法具有效率低下且费时费力的缺点，所以该发明是基于深度学习的一种海岸线变化检测方法。该方法分为背景卷积神经网络模块，残差处理模块以及分割卷积神经网络模块。本文为了更好的获取到海岸线的变化检测结果，添加了残差处理模块，并将残差处理模块处理后的结果深度连接到分割卷积神经网络模块中，实现特征融合，提取到更多的特征信息，来达到更好变化检测的效果。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.031 seconds)
