-
公开(公告)号:CN117853514A
公开(公告)日:2024-04-09
申请号:CN202410061620.X
申请日:2024-01-16
申请人: 杭州博钊科技有限公司 , 中山大学
IPC分类号: G06T7/13 , G06T7/00 , G06N3/0464
摘要: 本发明提供了一种脊椎椎体轮廓提取方法、系统、设备及介质,包括,获取待检图像,并将待检图像输入预先训练的椎体轮廓提取模型中的轮廓提取模块,采用轮廓提取模块于待检图像内获取多个初始椎体轮廓;采用椎体轮廓提取模型中的轮廓演化模块的卷积神经网络获取待检图像的能量特征信息,并根据能量特征信息获取任一初始椎体轮廓的轮廓引力项,轮廓引力项表示初始椎体轮廓中的任一像素点与待检图像中所有像素点的引力关系;根据轮廓引力项对任一初始椎体轮廓进行迭代演化,得到任一初始椎体轮廓所对应的目标椎体轮廓;将多个目标椎体轮廓映射到待检图像中,得到输出图像。采用本发明技术方案后,能够在复杂的图像中自动准确地提取椎体的轮廓。
-
公开(公告)号:CN117853467A
公开(公告)日:2024-04-09
申请号:CN202410061621.4
申请日:2024-01-16
申请人: 杭州博钊科技有限公司 , 中山大学
IPC分类号: G06T7/00 , G06V10/25 , G06V10/44 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0495
摘要: 本发明提供了一种脊椎椎体识别方法、设备及介质,包括,获取待检图像并输入预先训练的椎体识别模型;锚框生成模块于待检图像中生成多个锚框;特征提取模块于待检图像中提取多个特征张量,根据任一锚框的框体大小得到锚框与特征张量的对应关系;同级检测模块获取目标存在性分数并筛选多个优选锚框,以表示待检图像内多个椎体的位置;标签分类模块得到任一优选锚框的特征向量,以学习任一优选锚框的稀疏编码,根据任一优选锚框的稀疏编码计算获取任一优选锚框的类概率向量;根据任一优选锚框的类概率向量获取优选锚框的标签,得到待检图像内任一椎体的椎体类型。采用本发明技术方案后,能够在具有不同图像特性和视场角的图像中均有效识别椎体。
-
公开(公告)号:CN113902195A
公开(公告)日:2022-01-07
申请号:CN202111187180.5
申请日:2021-10-12
申请人: 杭州博钊科技有限公司
摘要: 本说明书实施例提供一种电力销售金额预测方法和系统,该电力销售金额预测方法包括:获取多个历史时间点对应的用电历史信息,所述用电历史信息包括用电特征、缴费特征和历史天气特征;将所述多个历史时间点对应的用电历史信息输入预测模型,确定至少一个待预测时间点的电力销售金额。所述预测模型包括特征构建层和预测层;所述特征构建层基于所述多个历史时间点对应的所述用电历史信息,获取所述多个历史时间点对应的电力销售特征;所述预测层基于所述电力销售特征预测层,确定至少一个待预测时间点的电力销售金额。
-
公开(公告)号:CN109978230B
公开(公告)日:2021-08-10
申请号:CN201910117873.3
申请日:2019-02-15
申请人: 杭州博钊科技有限公司
摘要: 本发明涉及大数据处理,旨在提供一种基于深度卷积神经网络的电力销售金额智能预测方法。包括:读取电力部门销售流水和用电量的历史数据,预处理后进行信息挖掘和分析,评估金额到账时间与用户支付时间的关系,得出每天缴费用户的分布信息,并按照设定数据结构进行数据组织;对历史数据结构进行组织;进行交叉检验,利用深度卷积神经网络进行未来定期金额预测的回归训练,并将剩下的一组作为检验集,对模型进行性能测试;采用网格法得到神经网络的最佳超参数,最终确定深度卷积神经网络模型,并利用其进行电力销售金额的预测。本发明预测更加准确、合理,准确度有所提升;可以较少的人工干预,结果更加鲁棒,更适应大数据,并可以自动学习。
-
公开(公告)号:CN118247213A
公开(公告)日:2024-06-25
申请号:CN202410061622.9
申请日:2024-01-16
申请人: 杭州博钊科技有限公司 , 中山大学
摘要: 本发明提供了一种脊椎椎体识别方法、系统、设备及介质。包括获取待检图像,并将待检图像输入预先训练的椎体识别模型,椎体识别模型包括区域提取网络、累积稀疏表示模块、分类模块;采用区域提取网络于待检图像内获取多个待检框体,以及任一待检框体的特征信息;采用累积稀疏表示模块根据任一待检框体的特征信息迭代获取任一待检框体的累积特征,以生成任一待检框体的累积稀疏编码;采用分类模块根据任一待检框体的累积稀疏编码输出任一待检框体的椎体类型。采用本发明技术方案后,能够在具有不同图像特性和视场角的图像中均有效分辨类型不同但外观近似的椎体、类型相同但外观相异的椎体。
-
公开(公告)号:CN117893852A
公开(公告)日:2024-04-16
申请号:CN202410061818.8
申请日:2024-01-16
申请人: 杭州博钊科技有限公司 , 中山大学
IPC分类号: G06V10/774 , G06V10/764 , G06V10/77 , G06V10/82 , G06T7/00
摘要: 本发明提供了基于图像识别的椎骨滑脱分级方法、装置、设备及介质,涉及医学图像识别技术领域,包括:建立初始模型,生成训练数据,以训练所述初始模型,获得目标模型,其中,所述目标模型包括分层特征提取网络、区域建议网络和多任务检测网络;获取待处理图像,对所述待处理图像进行预处理,获得初始图像;将所述初始图像输入至所述目标模型,采用分层特征提取网络进行特征提取,采用区域建议网络确定椎骨区域,采用多任务检测网络基于椎骨区域进行椎骨定位和滑脱分级,以获得目标结果,解决现有椎骨滑脱分级通过手动确定,效率较低的问题。
-
公开(公告)号:CN110348744A
公开(公告)日:2019-10-18
申请号:CN201910633398.5
申请日:2019-07-12
申请人: 国网浙江省电力有限公司经济技术研究院 , 国网浙江省电力有限公司 , 杭州博钊科技有限公司 , 浙江华云信息科技有限公司
IPC分类号: G06Q10/06 , G06Q30/02 , G06Q50/06 , G06F16/215
摘要: 本发明涉及电网可控费用数据测算与数据处理分析领域,旨在提供一种基于可控费用外生变量空间直和分解的可控费用测算方法。本发明通过对给定可控费用外生变量空间进行直和分解,得到可控费用外生变量的无关分类;并测算每一类外生变量对可控费用变量的影响:弱关联关系给出关联规则;强关联关系建立近似逼近多项式模型。进一步针对出每一外生变量空间的无关类内部强交叉关联规则建立近似逼近模型;针对分属不同外生变量空间的强交叉关联规则建立近似逼近模型,完成外生变量空间对可控费用空间影响的测算。本发明提出了普适的方法,解决了引入的电网系统外部外生变量无关性分类问题,并能测算出电网系统外部外生变量各类别对可控费用的影响关系。
-
公开(公告)号:CN110264251A
公开(公告)日:2019-09-20
申请号:CN201910466692.1
申请日:2019-05-31
申请人: 杭州博钊科技有限公司
摘要: 本发明涉及大数据处理技术,旨在提供一种表征现金流的数据组织形式与基于多任务学习的预测方法。包括:对电力部门销售流水和用电量的历史数据进行信息挖掘和统计分析;建立与回归分析有关的多个任务,建立多维数据标签;按时间序列进行交叉检验,利用深度卷积神经网络或者递归神经网络进行多任务学习,对模型进行性能测试;采用网格法得到神经网络的最佳超参数,最终确定神经网络模型的配置,并将该神经网络模型用于电力销售金额的预测。本发明构建了联合这些信息的新的数据组织形式,能够刻画日现金流来源。通过本发明构建的多任务学习相比传统统计模型有较少的人工干预,结果更加鲁棒,更适应大数据。
-
公开(公告)号:CN117853872A
公开(公告)日:2024-04-09
申请号:CN202410063072.4
申请日:2024-01-16
申请人: 杭州博钊科技有限公司 , 中山大学
IPC分类号: G06V10/82 , G06V10/774 , G06V10/764 , G06N5/04 , G06N3/045 , G06N3/08
摘要: 本发明提供了一种医学图像识别方法,涉及图像处理技术领域,包括:建立初始模型,采用训练样本对所述初始模型进行训练,获得目标模型;其中,所述目标模型包括特征提取网络、监督识别网络以及推理诊断网络;获取初始图像,在所述目标模型中,采用特征提取网络对所述初始图像进行分层特征提取,确定若干椎骨区域和非椎骨区域,采用监督识别网络基于提取出的分层特征、所述椎骨区域和非椎骨区域确定椎骨位置并进行分类,采用推理诊断网络基于所述椎骨区域和椎骨位置进行特征交互后预测是否存在椎骨肿瘤,以输出包含椎骨位置、椎骨类型以及椎骨肿瘤预测结论的目标图像,解决现有医学图像识别中对椎骨以及椎骨肿瘤识别依赖人工,工作量较大的问题。
-
公开(公告)号:CN116542700A
公开(公告)日:2023-08-04
申请号:CN202310044347.5
申请日:2023-01-11
申请人: 国网浙江省电力有限公司经济技术研究院 , 国网浙江省电力有限公司 , 杭州博钊科技有限公司 , 浙江华云信息科技有限公司
IPC分类号: G06Q30/0202 , G06Q50/06 , G06N3/045 , G06N3/0464 , G06N3/09
摘要: 本发明提供了基于注意力机制的电力费用预测方法、装置、设备及介质,涉及数据处理技术领域,包括:获取历史电力可控费用数据,预处理后获得具有时间序列的费用数据;预先生成相关的变量编码信息;基于所述具有时间序列的费用数据进行波动性分类,以获得处理数据;基于Transformer网络建立初始模型,进行训练;在所述初始模型的编码器中,对所述处理数据中某一时刻的费用数据进行自注意力机制学习,并分别结合其前一时刻、后一时刻的费用数据进行交叉注意力机制学习,将各个注意力机制学习输出的特征信息融合后进行编码输出;迭代训练获得目标模型;采用所述目标模型进行预测,获得目标结果,用于解决现有对于电力可控费用预测结果不够准确的问题。
-
-
-
-
-
-
-
-
-