-
公开(公告)号：CN115035055A
公开(公告)日：2022-09-09
申请号：CN202210588370.6
申请日：2022-05-27
Applicant: 中国地质大学(武汉) , 华中科技大学同济医学院附属同济医院
IPC: G06T7/00 , G06T5/50 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种基于注意力机制的循环一致性对抗网络的肺炎检测方法，包括图像合成和图像检测步骤；合成模块由AttenCycleGAN构成，包括：随机数据增强单元、注意力引导合成的生成器和判别器；检测模块包括：自动数据增强单元、特征提取单元、基于注意力引导的数据增强单元、BAP特征融合单元；利用图像模型对肺炎X光射线进行合成以实现数据集的扩充：将正常的图像输入合成模块中，经生成器得到合成的肺炎X光射线图像，并增加到肺部医学原始图像得到扩充后的肺部医学数据集；然后输入至检测模块，得到最终的肺部X射线图像。本发明极大地提高了基于注意力卷积神经网络的肺炎X射线图像检测模型的性能，同时提高了肺炎检测的精度和效率。
-
公开(公告)号：CN113610757A
公开(公告)日：2021-11-05
申请号：CN202110751986.6
申请日：2021-07-02
Applicant: 华中科技大学同济医学院附属同济医院 , 中国地质大学(武汉)
Abstract: 本发明提供了一种基于细粒度的医学x射线肺部图像检测方法，包括以下：构建检测模型，包括：特征提取模块、注意力引导数据增强模块、BAP特征融合模块；利用检测模型实现肺部图像检测：获取原始肺部图像样本数据，将原始数据输入至特征提取模块，得到图像特征和注意力地图；将注意力地图输入至注意力引导数据增强模块进行数据增强；将增强数据和原始数据输入至所述特征提取模块中进行训练，得到训练后的注意力地图和图像特征；利用BAP特征融合模块进行融合，得到融合特征；将融合特征输入全连接层，得到最终的检测结果。本发明大大提高了医学x射线图像检测的精度和效率，避免了因为环境条件或是主观判断等因素影响检测结果的准确性。
-
公开(公告)号：CN113963778A
公开(公告)日：2022-01-21
申请号：CN202111181151.8
申请日：2021-10-11
Applicant: 中国地质大学(武汉) , 华中科技大学同济医学院附属同济医院
IPC: G16H30/20 , G16H30/40 , G06T7/00 , G06T7/10 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种新的基于注意力卷积神经网络的胸部x射线图像检测(AT‑XDD)方法，包括以下：构建检测模型，所述检测模型包括：数据预处理模块、注意力卷积神经网络AT‑CNN模块；所述注意力卷积神经网络AT‑CNN模块包括特征提取单元、特征融合单元和基于注意力引导的数据增强单元；利用检测模型实现对胸部x射线图像的检测：将胸部医学原始数据输入至数据预处理模块，得到预处理后的数据；将预处理后的数据输入至注意力卷积神经网络AT‑CNN模块，得到最终的胸部x射线图像。本发明大大增强了基于注意力卷积神经网络(CNN)的胸部x射线图像检测(AT‑XDD)模型的性能，同时提高了胸部x射线图像检测的精度和效率。
-
公开(公告)号：CN115035055B
公开(公告)日：2025-01-03
申请号：CN202210588370.6
申请日：2022-05-27
Applicant: 中国地质大学(武汉) , 华中科技大学同济医学院附属同济医院
IPC: G06T7/00 , G06T5/50 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种基于注意力机制的循环一致性对抗网络的肺炎检测方法，包括图像合成和图像检测步骤；合成模块由AttenCycleGAN构成，包括：随机数据增强单元、注意力引导合成的生成器和判别器；检测模块包括：自动数据增强单元、特征提取单元、基于注意力引导的数据增强单元、BAP特征融合单元；利用图像模型对肺炎X光射线进行合成以实现数据集的扩充：将正常的图像输入合成模块中，经生成器得到合成的肺炎X光射线图像，并增加到肺部医学原始图像得到扩充后的肺部医学数据集；然后输入至检测模块，得到最终的肺部X射线图像。本发明极大地提高了基于注意力卷积神经网络的肺炎X射线图像检测模型的性能，同时提高了肺炎检测的精度和效率。
-
公开(公告)号：CN119792798A
公开(公告)日：2025-04-11
申请号：CN202411756663.6
申请日：2024-12-03
Applicant: 华中科技大学同济医学院附属同济医院
Abstract: 本发明公开了一种用于无线电疗炎症的可生物降解电容耦合神经刺激器，该电容耦合神经刺激器包括神经刺激元件和封装元件，封装元件位于所述神经刺激元件表面，所述封装元件为弹性体SBPUE，弹性体SBPUE的制备方法包括以下步骤：S1：将PCL和PTMEG放入容器中混合，将混合物在真空100℃的油浴中加热以去除水分，然后冷却至70℃；S2：将溶解在DMAc中的异佛尔酮二异氰酸酯和DBTDL逐滴加入容器中并在氮气氛围下搅拌，合成预聚物后冷却至室温；S3：加入溶解在DMAc中的二甲基乙二肟作为链延长剂，密封反应；S4：反应完成后，添加DMAc将产物的浓度调整为30wt％，即得弹性体SBPUE。本发明通过对幼年大鼠模型中的迷走神经进行慢性电刺激，证明了其在电子药物抗炎治疗PIBD中的成功应用。
-
Patent Agency Ranking
公开(公告)号：CN119216313A
公开(公告)日：2024-12-31
申请号：CN202411304804.0
申请日：2024-09-19
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供一种管道清淤机器人，涉及管道清淤装置技术领域，包括液压摆线马达、套壳体、连接转轴以及切割盘。套壳体套于液压摆线马达外，套壳体外壁设有支架杆，支架杆两端设有支撑滚轮；套壳体上端设有出水端盖，套壳体下端设有进水端盖，出水端盖上设有多个喷水孔，所有喷水孔均与所述液压摆线马达的出水口连通，连接转轴连接于液压摆线马达的输出轴上，连接转轴端部设有切割盘。本发明的有益效果为：该管道清淤机器人的进水端盖可向套壳体内通入高压水流，高压水流可驱动液压摆线马达转动，以带动切割盘转动，从而使切割盘切割破碎管道内壁附着的坚固杂质，并且出水端盖上喷水孔喷出的水可以冲洗排水管管道的内壁，从而完成管道清淤过程。
-
公开(公告)号：CN116882295A
公开(公告)日：2023-10-13
申请号：CN202310904773.1
申请日：2023-07-21
Applicant: 中国地质大学(武汉)
IPC: G06F30/27 , G06N3/0442 , G06N3/048 , G06N3/0895 , G06F18/213 , G06F18/2433 , G06F119/04
Abstract: 本发明公开了一种旋转机械剩余使用寿命预测方法、装置及电子设备，包括：将采集的数据进行包络变换并计算统计指标；挑选相关特征并降维得到健康指标；对健康指标进行异常值剔除和单调性增强并计算故障阈值；将弱注意力融入GRU网络得到预测模型；利用历史信息完成预测模型的训练；利用训练完成的模型完成剩余使用寿命预测的任务。本发明通过对包络谱的敏感性增强和特征计算与挑选，构造出敏感的健康指标，有利于设备的健康监测；对GRU网络集成弱注意力，有效改善了经典网络长期预测能力不足的问题。该方法通过对健康指标和神经网络的改善，有利于设备的健康监测和进行剩余使用寿命的长期预测，且适用性较好，有利于在实际应用中推广使用。
-
公开(公告)号：CN111625992B
公开(公告)日：2023-06-27
申请号：CN202010437200.9
申请日：2020-05-21
Applicant: 中国地质大学(武汉) , 华中科技大学
IPC: G06F18/2415 , G06F18/2131 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/092 , G06N3/0985
Abstract: 本发明提供了一种基于自调优深度学习的机械故障预测方法，方法包括：构建基于CNN的故障诊断模型；利用所述故障诊断模型构建强化学习模型；训练所述强化学习模型，并利用所述强化学习模型自适应调节所述故障诊断模型的学习率；利用自适应调节学习率的所述故障诊断模型进行故障诊断。本发明的有益效果是：构建了一个卷积神经网络强化学习混合模型，该模型根据基于CNN的故障诊断模型的实时状态，实现对学习率的自动调节，进而提高该故障诊断模型的学习效率和学习效果，提高故障诊断性能。
-
公开(公告)号：CN113239980B
公开(公告)日：2022-07-05
申请号：CN202110442031.2
申请日：2021-04-23
Applicant: 华中科技大学 , 中国地质大学(武汉)
Abstract: 本发明提供了一种基于小样本机器学习与超参数优化的水下目标检测方法，包括：构建基于Cascade‑RCNN的小样本目标检测模型；预训练数据集；利用预训练数据集对小样本目标检测模型进行预训练，获得小样本目标检测模型的预训练权重θ′；构建待检测的目标数据集；将目标数据集划分为有标记的支持集和无标记的查询集；对目标数据集进行预处理；对小样本目标检测模型进行微调，得到最终训练完成的小样本目标检测模型；采用基于TPE的贝叶斯优化模型对训练完成的小样本目标检测模型进行超参数优化，得到优化后的小样本目标检测模型；输入预处理后的查询集至优化后的目标检测模型，得到目标检测结果。本发明实现了不依赖于大样本、可以自动调节超参数的目标检测。
-
公开(公告)号：CN111397870B
公开(公告)日：2021-05-14
申请号：CN202010154764.1
申请日：2020-03-08
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供一种基于多样化集成卷积神经网络的机械故障预测方法，包括一以下步骤：数据预处理；构造基于多样性指标的集成深度学习故障预测模型；训练基于多样性指标的集成深度学习故障预测模型。本发明通过设定该模型的学习率为循环余弦学习率机制，使其能在训练过程中多次逼近局部最优值后，通过热重启实现继续搜索，同时在训练模型阶段，构造多样性指标和多样性损失函数，促使该模型发现与原有局部最优值差异化更大的新局部最优值。最后对所有局部最优值的卷积神经网络模型进行集成。本发明的有益效果是：该方法提高了故障预测的精度及效率，且适用性较好，有利于在实际应用中推广使用。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.061 seconds)
