-
公开(公告)号:CN118429837A
公开(公告)日:2024-08-02
申请号:CN202410523193.2
申请日:2024-04-28
IPC分类号: G06V20/17 , G06V10/40 , G06V10/766 , G06V10/774 , G06V10/764
摘要: 本发明属于图像识别与处理技术领域,更具体地,涉及一种基于近地遥感与改进YOLOv8s的玉米植株检测方法、装置及计算机可读存储介质,包括通过近地遥感技术获取待处理图像;对待处理图像进行重建,得到重建图像;对重建图像进行自适应切割,适应模型能够处理的最佳尺寸;当重建图像不能被整个切割时,将不足部分使用空白图层填充,最终得到自适应图像;对自适应图像进行标注、数据划分和格式导出,得到数据集;建立玉米植株检测模型,并进行训练;将数据集输入玉米植株检测模型进行检测。本发明解决现有技术中传统模型使用的CIoU计算较为复杂,收敛速度慢,对于小目标检测以及密集目标检测并不能有效地检测。
-
公开(公告)号:CN117975442A
公开(公告)日:2024-05-03
申请号:CN202410167173.6
申请日:2024-02-06
IPC分类号: G06V20/68 , G06V10/25 , G06V10/52 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0495 , G06N3/082
摘要: 本发明属于果蔬检测特定计算机模型的技术领域,更具体地,涉及一种基于改进YOLOv5s的轻量化番茄成熟度检测系统及方法。所述系统包括骨干网络、颈部结构和头部结构;所述骨干网络中包括Ghostconv模块、C3Ghost模块和SPPF模块,将原C3模块内部的Bott leneck模块替换为GhostBott leneck模块;所述颈部结构的PANet使用加权双向特征金字塔网络BiFPN进行代替;所述头部结构使用EIoU损失函数替换CIoU损失函数。本发明解决了现有技术中YOLOv5s模型的PANet结构在特征融合过程中未考虑到不同特征信息在融合过程中的不同贡献,且没有横向连接充分融合特征信息,导致多尺度特征的表达能力减弱,检测精度降低的问题。
-
公开(公告)号:CN117168814A
公开(公告)日:2023-12-05
申请号:CN202311133629.9
申请日:2023-09-04
IPC分类号: G01M13/045 , G06F18/213 , G06F18/214 , G06F18/2433 , G06N3/0455 , G06N3/0475 , G06N3/0464 , G06N3/094 , G06N3/084 , G06N3/0985 , G06F123/02
摘要: 本发明涉及轴承故障诊断技术领域,具体涉及一种基于复合生成对抗网络的轴承故障诊断方法;包含如下步骤:采集原始真实轴承故障数据作为训练样本数据;构建由两组生成器、两组判别器和目标攻击网络组成的复合生成对抗网络模型;交替训练两组生成器、两组判别器,将训练后的对抗样本加入原始数据集进行数据扩充,然后使用扩充后的原始数据集训练故障分类器,最后进行故障诊断。本发明提供的轴承故障诊断方法生成的故障对抗样本可有效扩充数据集,使用组合数据集对故障分类器进行训练,能提高故障分类器的泛化能力,很好地解决了故障诊断中数据样本不足的问题。
-
公开(公告)号:CN118094421A
公开(公告)日:2024-05-28
申请号:CN202311873284.0
申请日:2023-12-29
IPC分类号: G06F18/2433 , G06N3/045 , G06N3/0455 , G06N3/0475 , G06N3/0499 , G06N3/094
摘要: 本发明属于基于特定计算机模型的数据监测技术领域,更具体地,涉及面向机械状态监测的异常数据检测方法。所述方法包括获取机械监测数据的历史数据,并分为训练集和测试集;将训练集和测试集数据进行分段,并提取每一段的时域特征属性信息;构建机械监测数据异常检测模型:所述机械监测数据异常检测模型包括生成器和判别器,所述生成器和判别器均包括编码器和解码器;将训练集时域特征属性信息输入模型中并训练;将测试集时域特征属性信息输入模型中实现监测数据的异常检测。本发明解决了现有技术中在处理海量数据时,出现的识别速度慢、准确率低的问题。
-
公开(公告)号:CN116894187A
公开(公告)日:2023-10-17
申请号:CN202310855348.8
申请日:2023-07-12
IPC分类号: G06F18/214 , G06F18/2131 , G06F18/2415 , G06N3/0464 , G06N3/08
摘要: 本发明属于基于迁移学习的故障诊断的技术领域,更具体地,涉及一种基于深度迁移学习的齿轮箱故障诊断方法。所述方法包括用加速度计采集齿轮箱在不同运行工况下的原始振动信号;将采集的数据划分为源域数据和目标域数据并进行预处理;构建预训练模型并输入源域训练集和目标域训练集进行预训练,并保存准确率最高的最佳预训练模型;读取所述最佳预训练模型,在特征提取器后构建域判别器、辅助判别模块和多标签分类器得到故障诊断模型并进行对抗训练;将源域测试集和目标域测试集输入到故障诊断模型,并得出故障诊断结果。本发明解决了现有技术中两个领域之间齿轮箱的故障类型必须相同的限制、受限于数据集要大且标记良好和对抗训练过程中存在的梯度消失和爆炸的问题。
-
公开(公告)号:CN118427713A
公开(公告)日:2024-08-02
申请号:CN202410570232.4
申请日:2024-05-09
IPC分类号: G06F18/2415 , G06F18/2431 , G06F18/214 , G06F18/10 , G06N3/0455 , G06F18/2131 , G06N3/0464 , G06N3/084 , G06N3/0895 , G06N3/047 , G06N3/096
摘要: 本发明属于基于深度迁移学习的故障诊断的技术领域,更具体地,涉及一种基于联合对抗深度迁移学习的滚动轴承故障诊断方法。所述方法包括采集原始振动信号;将采集的数据进行预处理;依据多层深度卷积网络提取的不同层次特征;构建一种伪标签模型,通过半监督学习生成目标域故障数据样本伪标签值;构建一种联合对抗深度迁移模型,利用联合广义切片Wasserstein距离准则计算联合分布;将边缘特征和条件分布输入域判别器,区分不同的域;然后输入分类器预测最终的标签。本发明解决了以解决现有技术中受限于需要大量的故障数据来训练以及滚动轴承在实际工作中工况时刻发生变化、故障数据稀缺及无标签样本等问题。
-
公开(公告)号:CN117992777A
公开(公告)日:2024-05-07
申请号:CN202410167172.1
申请日:2024-02-06
IPC分类号: G06F18/2131 , G01R19/00 , G01R23/16 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G06Q50/06
摘要: 本发明属于工业故障诊断的技术领域,更具体地,涉及一种基于图像融合的电机电气故障诊断方法,包括分别获取电机正常运行、故障运行时的三相电流时序数据和三相电压时序数据;将三相电流时序数据、三相电压时序数据使用短时傅里叶变换转换成时频图像;再进行三相电流时频图像融合和三相电压时频图像融合,将融合后的电流时频图像与融合后的电压时频图像融合,形成时频融合特征图像:整合所有时频融合特征图像作为特征集;构建时频融合特征图像的故障诊断网络模型;对时频融合特征图像的故障诊断网络模型训练后进行电机电气故障诊断。本发明解决了现有技术中故障诊断模型计算复杂度较高、故障预测精度较低,电机故障特征提取造成困难的问题。
-
公开(公告)号:CN117191396A
公开(公告)日:2023-12-08
申请号:CN202311100936.7
申请日:2023-08-29
IPC分类号: G01M13/045 , G01M13/022 , G01M13/028
摘要: 本发明属于机械设备故障诊断的技术领域,更具体地,涉及一种基于两阶段迁移的齿轮箱故障诊断方法。所述方法包括用加速度计采集齿轮箱在不同运行工况下的原始振动信号;将采集的数据进行预处理,设定为源域数据集和目标域数据集,并将预处理后的源域和目标域数据集划分为训练集和测试集;构建基于两阶段迁移的齿轮箱故障诊断模型;将训练集样本输入构建的基于两阶段迁移的齿轮箱故障诊断模型;将测试集输入到训练后的基于两阶段迁移的齿轮箱故障诊断模型中得到故障诊断结果。本发明解决了现有技术中目标域中包含源域中未能出现的未标记的新类故障类型并检测出新类个数的问题。
-
公开(公告)号:CN115049896A
公开(公告)日:2022-09-13
申请号:CN202210692398.4
申请日:2022-06-17
申请人: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学 , 山东山科智控数字化科技有限公司
IPC分类号: G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
摘要: 本发明涉及基于深度学习的计算机视觉技术领域,具体涉及一种应用于计算机视觉的软阈值注意力机制,借鉴深度残差收缩网络的思想,使用同时考虑通道和位置信息的CA注意力机制来代替SENet与软阈值化方法结合,提出一种新的软阈值注意力模块:融合传统信号降噪算法中的软阈值化函数与CA注意力机制,利用CA注意力机制确定垂直和水平两个方向上的两组软阈值化函数所需的阈值,再分别进行软阈值化处理并对输入的特征图进行加权;能够更好的适用于计算机视觉领域的检测任务,并且可以方便的集成到现有的神经网络架构中,通过将不重要的特征置为零,来降低噪声或冗余信息的干扰,加强神经网络提取重要特征的能力,达到提升网络预测精度的目的。
-
公开(公告)号:CN115131342A
公开(公告)日:2022-09-30
申请号:CN202210924642.5
申请日:2022-08-02
IPC分类号: G06T7/00 , G06V10/72 , G06V10/26 , G06V10/82 , G06V10/40 , G06V10/764 , G06T7/62 , G06N3/04 , G06N3/08
摘要: 一种桉木单板缺陷图像检测系统及检测方法,实现对桉木单板缺陷识别,其中所述缺陷类别的辨识采用Bbox‑cover方法进行平衡,并且使用设计的聚合模块AGM将YOLOv5进行通道信息与像素信息进行有效融合,从而提高桉木缺陷的检测的精度,最后通过设计一种缺陷面积的计算方式,以满足用户筛选并统计不同缺陷大小的需求。
-
-
-
-
-
-
-
-
-