-
公开(公告)号：CN118038172B
公开(公告)日：2024-08-13
申请号：CN202410273181.9
申请日：2024-03-11
Applicant: 广东石油化工学院 , 茂名华检实验科技有限公司 , 广东华田电器有限公司 , 茂名绿色化工研究院
IPC: G06V10/764 , G06N3/0464 , G06V10/82 , G06V10/80 , G06V10/40 , G06V10/44 , G06T7/00 , G06N3/0495 , G06N3/082 , G06N3/084
Abstract: 本发明属于图像处理技术领域，公开了一种基于特征增强和深度网络的温控器质量检测方法及系统，收集温控器状态数据集，将其转化为YOLO训练格式，制作数据集的状态标签，并将其构建为训练集、测试集；优化YOLOv8检测算法，构建温控器质量检测模型；将采集的状态图像数据集的输入改进的YOLOv8网络进行训练，保存最优训练结果的检测模型；将采集的温控器状态图像作为测试集，输入保存的最优检测模型中，输出具体的检测结果；设定15分钟为温控器质量的检测时间阈值，在15分钟内，有标签为1的为不合格进行筛选，在15分钟时，有标签为0的为不合格也进行筛选。
-
公开(公告)号：CN118038172A
公开(公告)日：2024-05-14
申请号：CN202410273181.9
申请日：2024-03-11
Applicant: 广东石油化工学院 , 茂名华检实验科技有限公司 , 广东华田电器有限公司 , 茂名绿色化工研究院
IPC: G06V10/764 , G06N3/0464 , G06V10/82 , G06V10/80 , G06V10/40 , G06V10/44 , G06T7/00 , G06N3/0495 , G06N3/082 , G06N3/084
Abstract: 本发明属于图像处理技术领域，公开了一种基于特征增强和深度网络的温控器质量检测方法及系统，收集温控器状态数据集，将其转化为YOLO训练格式，制作数据集的状态标签，并将其构建为训练集、测试集；优化YOLOv8检测算法，构建温控器质量检测模型；将采集的状态图像数据集的输入改进的YOLOv8网络进行训练，保存最优训练结果的检测模型；将采集的温控器状态图像作为测试集，输入保存的最优检测模型中，输出具体的检测结果；设定15分钟为温控器质量的检测时间阈值，在15分钟内，有标签为1的为不合格进行筛选，在15分钟时，有标签为0的为不合格也进行筛选。
-
公开(公告)号：CN118037696B
公开(公告)日：2024-07-30
申请号：CN202410273178.7
申请日：2024-03-11
Applicant: 广东石油化工学院 , 茂名华检实验科技有限公司 , 广东华田电器有限公司 , 茂名绿色化工研究院
IPC: G06T7/00 , G06T7/13 , G06T7/181 , G06T3/04 , G06T7/246 , G06T7/60 , G06T7/62 , G06V10/764 , G06N3/0464 , G06N3/084
Abstract: 本发明属于计算机视觉技术领域，公开了一种基于边缘检测和S3N网络的沙粒检测与目数分类方法及系统，利用工业相机对沙粒进行最初的图像采集；通过对所采集的图像源进行灰度化处理后，再通过二值化分割，以确定每一粒沙粒的边缘像素点；进行高精度匹配，以便进一步准确定位、匹配特征点；最后使用S3N网络(选择性稀疏采样网络)对沙粒粗细进行目数分类。本技术方案的检测技术能快速准确地检测出产品的边缘信息，避免了传统人工检测速度慢、易出错的缺点，从而提高了生产效率；同时采用选择性稀疏采样网络进行目数分类，能够提高分类的准确度，更加规范生产管理和操作流程。本发明具有很好的实用性和扩展性，对沙粒目数分类具有一定的意义。
-
公开(公告)号：CN118037696A
公开(公告)日：2024-05-14
申请号：CN202410273178.7
申请日：2024-03-11
Applicant: 广东石油化工学院 , 茂名华检实验科技有限公司 , 广东华田电器有限公司 , 茂名绿色化工研究院
IPC: G06T7/00 , G06T7/13 , G06T7/181 , G06T3/04 , G06T7/246 , G06T7/60 , G06T7/62 , G06V10/764 , G06N3/0464 , G06N3/084
Abstract: 本发明属于计算机视觉技术领域，公开了一种基于边缘检测和S3N网络的沙粒检测与目数分类方法及系统，利用工业相机对沙粒进行最初的图像采集；通过对所采集的图像源进行灰度化处理后，再通过二值化分割，以确定每一粒沙粒的边缘像素点；进行高精度匹配，以便进一步准确定位、匹配特征点；最后使用S3N网络(选择性稀疏采样网络)对沙粒粗细进行目数分类。本技术方案的检测技术能快速准确地检测出产品的边缘信息，避免了传统人工检测速度慢、易出错的缺点，从而提高了生产效率；同时采用选择性稀疏采样网络进行目数分类，能够提高分类的准确度，更加规范生产管理和操作流程。本发明具有很好的实用性和扩展性，对沙粒目数分类具有一定的意义。
-
公开(公告)号：CN116242609B
公开(公告)日：2024-05-14
申请号：CN202211475471.9
申请日：2022-11-23
IPC: G01M13/045 , G06F18/2131 , G06F18/23213 , G06F18/241 , G06F18/214 , G06V10/764 , G06V10/82 , G06N3/0895 , G06N3/096
Abstract: 本发明属于轴承故障诊断技术领域，公开了一种变工况轴承故障诊断方法、系统、介质、设备及终端，给定源域和目标域振动信号并进行数据预处理，得到源域样本、目标域样本和数据增强样本；利用特征提取器分别进行源域样本、目标域样本和数据增强样本特征提取；对源域和目标域依次进行初始跨域聚类对齐；利用源域样本、目标域样本和数据增强样本特征进行故障诊断模型训练；最后利用训练得到故障诊断模型对目标工况的振动信号进行故障类型预测。本发明提供的基于振动信号聚类对齐的变工况轴承故障诊断方法，利用跨域聚类对齐识别已知故障类型并区分未知故障类型，有效提升了跨工况环境下轴承故障诊断的准确性和鲁棒性，克服现有技术中存在的缺陷。
-
Patent Agency Ranking
公开(公告)号：CN118094367A
公开(公告)日：2024-05-28
申请号：CN202410504708.4
申请日：2024-04-25
Applicant: 广东石油化工学院
IPC: G06F18/2413 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/088 , G06N3/09 , G01M13/045
Abstract: 本发明属于振动数据识别技术领域，公开了一种基于数据增强、标签平滑与特征优化的无源领域自适应轴承故障分类方法及系统，包括：利用振动信号数据集，将源域的样本以及样本标签通过数据增强模块进行数据增强；源域与新增源域样本输入卷积神经网络进行监督训练，获得基于源域的轴承故障类型分类预训练模型；将目标域样本通过故障分类模型与伪标签生成模块获得伪标签；之后利用伪标签将目标域样本通过数据增强模块进行数据增强；目标域与新增目标域样本输入卷积神经网络，使用进行无监督训练，并最后输出预测标签。
-
公开(公告)号：CN109977882B
公开(公告)日：2019-12-03
申请号：CN201910246990.X
申请日：2019-03-29
Applicant: 广东石油化工学院
Abstract: 本发明属于行人重识别技术领域，公开了一种半耦合字典对学习的行人重识别方法及系统，分别提取CGVID数据集中真彩视频和灰阶视频的时空特征；输入训练集以及参数，训练模型；然后经过多次迭代更新，训练得到字典对DC和DG、视频间映射W和V、映射矩阵P；根据学习到的模型，对测试集的灰阶视频和真彩视频分别进行稀疏表示；给定测试集中任一灰阶视频，计算它与各真彩视频的距离，并按距离值大小升序排列，最后选取距离值最小的真彩视频作为该灰阶视频的真实匹配。本发明方法不仅能够适应新的真彩和灰阶视频之间的行人重识别场景，还能有效提高识别效率。
-
公开(公告)号：CN110046669A
公开(公告)日：2019-07-23
申请号：CN201910325189.4
申请日：2019-04-22
Applicant: 广东石油化工学院
IPC: G06K9/62 , G06K9/00 , G06F16/583
Abstract: 本发明属于交通行人图像处理技术领域，公开了一种基于素描图像的半耦合度量鉴别字典学习的行人检索方法及系统，建立自己的异构行人检索数据库，然后进行特征提取，从图像中提取特征并用相应的颜色标注不同的人；对提取出来的样本特征进行处理，引入字典学习方法，学习异构数据的字典对；从素描图像集和正规图像集中学习映射矩阵；引入鉴别算法学习度量。本发明的优点在于解决了异构行人检索领域中异构行人数据集缺乏的问题以及首次提出了半耦合度量鉴别字典学习(SMD2L)技术。该技术可以从异构样本和字典对中学习半耦合映射矩阵，在一定程度上减小异构数据之间的差异。在新的SINPID数据集上取得了理想的检索效果。
-
公开(公告)号：CN109993229A
公开(公告)日：2019-07-09
申请号：CN201910261964.4
申请日：2019-04-02
Applicant: 广东石油化工学院
IPC: G06K9/62
Abstract: 本发明公开了一种严重不平衡数据分类方法，该方法将生成对抗网络引入多重集合的构建过程，使得每个子集的分布与原数据集相同，在处理数据的非线性问题上，该方法将深度度量与多重集合的特征学习相结合，并设计了一个新的判定项用于加强度量的判定性，本发明方法充分考虑了严重不平衡数据对分类结果的影响，使用深度神经网络增强了其与原有数据的相似性以及数据本身的判定性，提高了分类效率。
-
公开(公告)号：CN119441893A
公开(公告)日：2025-02-14
申请号：CN202411791027.7
申请日：2024-12-06
Applicant: 广东石油化工学院
IPC: G06F18/214 , G06N3/0895 , G06F18/213 , G06F18/25
Abstract: 本发明属于机组故障诊断技术领域，公开了一种共享和特定表示学习的故障大型机组故障诊断方法及系统。本发明不仅能够应用于大型机组的多测点故障诊断，还具有广泛的适用性。在其他多传感器系统或复杂设备中，同样能够通过多视图表示学习来提升故障检测的效果。本发明针对大型机组多测点数据的故障诊断，提出了一种加权共享‑特定多视图深度表示学习故障诊断方法。该方法由两个部分组成，即共享和特定表示学习网络以及加权的多重相似性损失和正交损失。通过共享个特定表示学习网络来应对大型机组的多测点数据故障诊断问题，使用加权的多重相似性损失和正交损失进一步提升网络的特征提取能力并降低冗余。
-
-
-
-
-
-
-
-
-
Search Results
58
records
(took 0.04 seconds)
