-
公开(公告)号：CN114972721B
公开(公告)日：2025-02-07
申请号：CN202210660158.6
申请日：2022-06-13
Applicant: 中国科学院沈阳自动化研究所 , 南京南瑞信息通信科技有限公司
IPC: G06V10/22 , G06V10/82 , G06V10/764 , G06V10/766 , G06V10/762 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于深度学习的输电线路绝缘子串识别定位方法，通过结合Faster R‑CNN网络模型和YOLOv3网络模型，能够有效解决绝缘子串识别以及缺陷定位问题。同时，通过数据增强方法并对方法进行定量分析，能够有效解决绝缘子串数据集不足问题。将绝缘子串识别定位任务分为两个阶段，第一阶段利用Faster R‑CNN网络模型进行绝缘子串识别，第二阶段利用YOLOv3网络模型进行缺陷定位，全面考虑任务中的多种因素并设计了基于Faster R‑CNN网络模型的绝缘子串识别网络以及基于YOLOv3网络模型的绝缘子串缺陷定位网络。使方案具有目前更高正确率和更高召回率的优点。
-
公开(公告)号：CN114972721A
公开(公告)日：2022-08-30
申请号：CN202210660158.6
申请日：2022-06-13
Applicant: 中国科学院沈阳自动化研究所 , 南京南瑞信息通信科技有限公司
IPC: G06V10/22 , G06V10/82 , G06V10/764 , G06V10/766 , G06V10/762 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于深度学习的输电线路绝缘子串识别定位方法，通过结合Faster R‑CNN网络模型和YOLOv3网络模型，能够有效解决绝缘子串识别以及缺陷定位问题。同时，通过数据增强方法并对方法进行定量分析，能够有效解决绝缘子串数据集不足问题。将绝缘子串识别定位任务分为两个阶段，第一阶段利用Faster R‑CNN网络模型进行绝缘子串识别，第二阶段利用YOLOv3网络模型进行缺陷定位，全面考虑任务中的多种因素并设计了基于Faster R‑CNN网络模型的绝缘子串识别网络以及基于YOLOv3网络模型的绝缘子串缺陷定位网络。使方案具有目前更高正确率和更高召回率的优点。
-
Patent Agency Ranking
公开(公告)号：CN118070778A
公开(公告)日：2024-05-24
申请号：CN202410212467.6
申请日：2024-02-27
Applicant: 中国科学院沈阳自动化研究所
IPC: G06F40/205 , G06F40/12 , G06F40/18 , G06T11/20 , G06N5/04
Abstract: 本发明属于人工智能大模型训练微调领域，具体涉及工业领域图文推理多模态大模型的微调方法、装置、设备及介质系统。包括以下步骤：对工程图纸进行解析，得到工程图纸中的元器件信息和元器件连接关系；基于解析结果构建标准格式的元器件库表格和元器件连接关系表格；基于自定义的元器件连接规则，生成随机元器件连接关系表格；根据随机生成的元器件连接关系表格生成对应的工程图纸；建立工程图文映射的数据库；基于数据库，构建大模型训练语料库；使用大模型训练语料库，基于LoRA方法对预训练大模型进行微调训练；将微调训练后的大模型部署到服务器中进行推理。本发明相比传统的基于工程图纸的人工解析和标注方式，大大节省了人工标注的时间和成本。
-
公开(公告)号：CN118097102A
公开(公告)日：2024-05-28
申请号：CN202211452052.3
申请日：2022-11-21
Applicant: 中国科学院沈阳自动化研究所
IPC: G06V10/25 , G06V10/75 , G06V10/762 , G06V10/77 , G06V10/80 , G06V10/774 , G06N20/00
Abstract: 本发明涉及一种智能多类型工业仪表在线识别方法，首先基于YOLOv5的目标检测方法对工业仪表图像数据进行4种类型仪表识别，再通过模板匹配方法对指针类型表中指针数字进行识别。本发明采用深度学习yolov5模型实现对四种工业仪表目标识别，模型参数量小，识别率高，可适用于工业仪表的实时在线识别。
-
公开(公告)号：CN118095514A
公开(公告)日：2024-05-28
申请号：CN202211452061.2
申请日：2022-11-21
Applicant: 中国科学院沈阳自动化研究所
IPC: G06Q10/04 , G06Q50/06 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于深度学习的居民用电量预测与窃电识别方法，采集用电量数据，并进行预处理，并构成数据集，利用深度学习网络进行训练；采用用电量测试数据，进行预处理后，通过训练后的深度学习网络，进行未来时间的电量预测与窃电识别。本发明采用深度学习方法，可以自动提取数据特征，同时CNN对于数据的局部特征更加敏感，相较于传统机器学习方法及人工识别准确率高。
-
公开(公告)号：CN117237662A
公开(公告)日：2023-12-15
申请号：CN202311090931.0
申请日：2023-08-29
Applicant: 中国科学院沈阳自动化研究所
IPC: G06V10/44 , G06V10/80 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08 , G06V10/25 , G06T7/00
Abstract: 本发明属于深度学习工业机器视觉领域，具体说是一种基于深度学习的钢管小目标缺陷识别定位方法，包括以下步骤：通过Yolo5的骨干层对目标图像的特征信息进行提取，在提取过程中引入Transformer网络，进一步对目标图像中多个小目标缺陷的位置和特征信息进行再提取，将提取到的目标图像中多个小目标缺陷位置的特征信息输入至网络层；对网络层中网络结构进行优化，对骨干层提取到目标图像的特征信息进行特征进行融合，得到网络层提取到的特征信息；将网络层提取到的特征信息进行特征筛选，得到钢管缺陷的目标大小，最终输出目标图像中钢管缺陷识别结果。本发明使钢管小目标缺陷的识别的准确率以及精确度更高。
-
公开(公告)号：CN117202326A
公开(公告)日：2023-12-08
申请号：CN202311090929.3
申请日：2023-08-29
Applicant: 中国科学院沈阳自动化研究所
IPC: H04W52/02 , H04W16/22 , H04W72/50 , H04W48/20 , H04W72/044
Abstract: 本发明属于无线通信技术领域，具体说是一种在边缘计算中降低物联网设备能耗的方法，包括以下步骤：建立物联网设备通信网络模型；预测物联网设备通信网络模型中每个基站的MEC服务器的CPU频率；根据建立的物联网设备通信网络模型，获取到基站的计算总消耗时间，并确定最优基站的服务器；基于最优资源分配策略，确定最小化运行时间的长期运行的目标下的最优基站的服务器发送功率；确定最优基站的服务器发送功率后，物联网设备向确定最优基站发送计算任务，确定物联网设备所获得的能量，并更新电池容量状态。本发明提出利用DDPG算法对基站实时变化的CPU频率进行评估，与李亚普洛夫算法相结合得到对基站的最优决策。
-
-
-
-
-
-
Search Results
7
records
(took 0.059 seconds)
