-
公开(公告)号：CN113663920B
公开(公告)日：2023-01-06
申请号：CN202110725659.3
申请日：2021-06-29
Applicant: 安徽理工大学
IPC: B07C3/00 , B07C3/06 , B07C3/08 , B07C3/10 , B65G41/00 , B65G43/08 , B65G45/14 , B65G47/42 , B65G65/40
Abstract: 本发明涉及物流分拣技术领域，具体公开了一种物流用智能识别分拣车，包括车体、备用箱、传送带、分拣机构、整理机构、收集机构、清扫机构。所述分拣机构包括扫描器、第一揽件箱、第四顶杆。所述整理机构包括晃动电机、凸块、第一推杆、第二推杆、平台。所述收集机构包括斜板、出料门、收集箱。所述清扫机构包括第一横杆、第二横杆、支板、清扫板。通过设置分拣装置，有利于对快件进行智能识别分拣，提高了对快件的分拣速度。通过设置整理机构，有利于使揽件箱的空间被充分利用。通过设置收集机构，有利于对分拣完成的快件进行收集，可以大大提高揽件箱的容量。通过设置清扫机构，有利于对传送带进行清扫。
-
公开(公告)号：CN110348538B
公开(公告)日：2023-01-03
申请号：CN201910652387.1
申请日：2019-07-18
Applicant: 安徽理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种多光谱光谱信息和1D‑CNN的煤矸识别方法，包括以下步骤：(1)煤和矸石多光谱光谱信息获取；(2)煤和矸石光谱信息的样本划分；(3)一维卷积神经网络光谱特征提取；(4)概率神经网络煤矸识别模型构建。本发明采用1D CNN‑PNN进行煤和矸石多光谱光谱信息的识别模型构建，提出一种新的一维卷积神经网络模型能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，非常适用于煤和矸石的实时、精准识别。
-
公开(公告)号：CN110378295B
公开(公告)日：2022-12-20
申请号：CN201910663782.X
申请日：2019-07-22
Applicant: 安徽理工大学
IPC: G06V20/00 , G06V20/13 , G06V10/80 , G06V10/82 , G06N3/04 , G06N5/00 , G01N21/17 , G01N21/31 , G01J3/28
Abstract: 本发明公开了一种多光谱图像信息和光谱信息异构融合的煤矸识别方法，包括以下步骤：(1)煤和矸石多光谱数据的获取；(2)构造煤和矸石的多光谱数据库；(3)二维卷积神经网络图像信息的特征提取；(4)一维卷积神经网络光谱信息的特征提取；(5)图像特征和光谱特征的融合；(6)随机森林煤矸识别模型构建。本发明采用2D‑CNN和1D‑CNN分别提取图像特征和光谱特征，特征融合后进行煤和矸石多光谱的识别模型构建，提出一种可用于图像信息和光谱信息特征提取、融合的异构融合框架能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，非常适用于煤和矸石的实时、精准识别。
-
公开(公告)号：CN109902558B
公开(公告)日：2022-12-20
申请号：CN201910035483.1
申请日：2019-01-15
Applicant: 安徽理工大学
Abstract: 本发明涉及一种基于CNN‑LSTM的人体健康深度学习预测方法，将先进的深度学习模型结合摄像头用于识别行人的病理步态，进而预测其健康状态。对行人步态的识别采用动态方式，用CNN提取视频图像中行人的步态特征，然后利用LSTM基于时序识别步态特征，进而判别其步态类型。为实现多人在线实时检测，在系统中加入一个视频行人检测模块，并构建一个轻量且特征映射能力强的复用型CNN模型，既用于视频检测中行人的识别，也用于行人步态的特征提取。本发明基于图像采用动态方式识别步态，硬件实现简单，但技术先进，对步态的识别准确率高，应用前景广阔，即可用于区域人体健康监测与分析，也可用于家庭，做到订制化服务。
-
公开(公告)号：CN115207911A
公开(公告)日：2022-10-18
申请号：CN202210891806.9
申请日：2022-07-27
Applicant: 安徽理工大学 , 国网安徽省电力有限公司
IPC: H02J3/00 , H02J3/46 , H02J3/38 , H02J3/32 , H02J3/14 , G06Q10/04 , G06Q10/06 , G06Q50/06 , G06N3/12
Abstract: 一种基于电价激励的工业厂级及微网负荷优化调度方法，包括：获取企业内多个用电负荷，并根据用电负荷计算每日总负荷；根据每日总负荷构建在预设的负荷时间调度约束条件下的电费计算模型，并根据计算最低电费下的负荷需求曲线；电费计算模型的目标函数为：minC＝Wj·Cj‑x·ΔPa·Ca其中，Cj为对应j时段电价；ΔPa为企业参与电网削峰或填谷响应动作的功率；x表示电力公司发布响应需求的情况；输入得到的负荷需求曲线，根据预先构建的微电网负荷优化调度模型计算每个时刻的经济成本和燃料排放，并采用遗传算法计算最优解；本发明能够将需求响应电价补贴及工业用户采用生产过程中的余热发电融入优化调度模型中，实现对工业用户参与大电网削峰填谷和进一步优化自身用电经济性。
-
Patent Agency Ranking
公开(公告)号：CN115131712A
公开(公告)日：2022-09-30
申请号：CN202210817578.0
申请日：2022-07-12
Applicant: 安徽理工大学
Abstract: 本发明公开了一种计算机视觉驱动的钻杆智能计数方法。本发明基于计算机视觉，将目标检测结合信号处理实现的钻杆智能计数。通过打钻过程的实时视频结合深度学习算法检测每帧图像中的钻杆，实时评估钻杆的相对大小，利用信号处理技术获得钻杆相对大小的实时平滑曲线，二值化平滑处理的钻杆的相对大小的实时曲线，得到图像中钻杆的编码二值曲线，统计矩形波形个数既可实现钻杆智能计数。本发明基于先进的深度学习算法和轻便的信号处理技术实现瓦斯抽采钻杆实时智能计数，对煤炭安全开采和煤矿智能化建设具有重要意义。
-
公开(公告)号：CN111487211B
公开(公告)日：2022-09-30
申请号：CN202010394233.X
申请日：2020-05-11
Applicant: 安徽理工大学
Abstract: 本发明公布了一种非相干宽带腔增强吸收光谱拟合波段选择方法，利用BP神经网络机器学习方法确定拟合波段的宽度和中心波长这两个参数与相对拟合不确定度和拟合残差标准偏差之间的非线性关系，然后根据期望的相对拟合不确定度和拟合残差标准偏差确定拟合波段，具体包括以下步骤：确定一个宽的光谱波段；将宽的光谱波段划分成若个具有不同宽度和中心波长的子波段；对子波段吸收光谱进行拟合；归一化拟合结果，形成数据样本；建立BP神经网络，并进行网络学习；利用学习后的BP神经网络得到待选波段的宽度和中心波长，最终得到光谱拟合波段。与现有方法相比，本发明可以获得最佳的光谱拟合波段，避免了现有方法拟合结果产生较大偏差的可能。
-
公开(公告)号：CN114970961A
公开(公告)日：2022-08-30
申请号：CN202210435958.8
申请日：2022-04-24
Applicant: 安徽理工大学
Abstract: 本发明公开了一种基于峰谷值特征下TSA‑LSTM模型的短期电力负荷预测方法。该方法包括：对收集到的原始负荷数据进行预处理，并划分训练集和测试集；然后根据训练集日负荷特性将一天24小时划分为k个时间段，得出各时间段内的峰谷值，并归一化；利用TSA优化算法对LSTM的参数进行寻优，构建TSA‑LSTM模型对目标日进行峰谷值预测；计算出训练集前一周(168h)实际负荷，峰值和谷值的滞后负荷，计算MIC值，筛选出MIC＞0.6的特征向量；将MIC＞0.6的特征、小时(1‑24)和星期类型(1‑7)作为预测模型的输入，并归一化，再次构建TSA‑LSTM模型，实现短期电力负荷预测。
-
公开(公告)号：CN113743345A
公开(公告)日：2021-12-03
申请号：CN202111065561.6
申请日：2021-09-09
Applicant: 安徽理工大学
IPC: G06K9/00 , G06K9/40 , G06K9/62 , G16H10/60 , G16H50/20 , G16H50/30 , A61B5/00 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于CEEMDAN‑SAE的矿工疑似职业病识别方法，包含以下步骤：(1)搭建矿工职业健康检测系统用于矿工健康数据的采集；(2)利用职业健康检测系统采集矿工职业健康数据，加入人工标记的标签，建立矿工健康标准数据库；(3)采用CEEMDAN对原始脑电、心电、肌电信号进行去噪处理，避免数据中噪声信号的干扰；(4)采用留出法(hold‑out)按一定比例将预处理数据划分成训练集和测试集；(5)将SAE用于数据的特征提取工作，降低数据的维度，提取出重要特征；(6)利用重要特征优选的数据建立基于LVQ的矿工疑似职业病识别模型，并评估模型的识别性能。本发明采用CEEMDAN‑SAE结合LVQ用于矿工疑似职业病的识别，适用于职业健康智能识别领域的研究。
-
公开(公告)号：CN113707320A
公开(公告)日：2021-11-26
申请号：CN202111005792.8
申请日：2021-08-30
Applicant: 安徽理工大学
Abstract: 本发明涉及一种基于相关性分析的EN结合MPA‑SVM的异常体征矿工判别方法，包括以下步骤：(1)收集矿工职业健康体检数据，构造矿工体征参数数据集合；(2)将矿工体征数据随机划分成训练集和预测集；(3)将训练集和预测集数据进行归一化处理；(4)采用皮尔逊相关系数分析并删除相关性较高的体征数据；(5)利用EN去除冗余体征信息；(6)建立MPA‑SVM矿工异常体征判别模型，预测集数据的评价指标用于模型性能的分析与评估。本发明将相关性分析的EN结合MPA‑SVM用于异常体征矿工的辨识，为矿工职业病和疑似职业病的检测做到前期精准筛查目的，适用于职业健康辅助诊断领域。
-
-
-
-
-
-
-
-
-
Search Results
179
records
(took 0.064 seconds)
