-
公开(公告)号：CN114332053A
公开(公告)日：2022-04-12
申请号：CN202111675203.7
申请日：2021-12-31
Applicant: 上海交通大学
Abstract: 本发明公开了一种多模态两阶段无监督异常视频检测方法。该方法充分利用了视频光流信息和记忆网络模块，实现了端到端无监督视频异常检测方法。其中，两阶段是指先使用多尺度记忆增强自编码器网络模块分别的输入视频的图像序列和光流序列进行重建，再使用重建后的图像序列和光流序列，以及光流的记忆网络特征信息输入光流特征融合自编码器网络模块，输出预测的视频图像，根据预测图像与真实图像的误差，重建光流和真实光流的误差来检测视频异常。该方法解决了目前针对视频异常检测的深度自编码器方法常见的漏检率高，鲁棒性不足等问题。
-
公开(公告)号：CN112649037A
公开(公告)日：2021-04-13
申请号：CN201910963836.4
申请日：2019-10-11
Applicant: 上海交通大学烟台信息技术研究院
Abstract: 本发明提供一种基于NB‑IoT的超低功耗温湿度传感器，包括PCB板，固定在PCB板上的主控芯片、温湿度传感器模块和NB‑IoT通信模块；主控芯片设有定时唤醒模块和报警模块；NB‑IoT通信模块连接有物联网卡和天线模块；电池模块；温湿度传感器模块用于采集环境温湿度信息，并将采集的信息传递给主控芯片，NB‑IoT通信模块接收主控芯片发送的数据，并将接收的数据转化成NB‑IoT协议，通过天线模块把数据发送至云服务器。本发明集数据采集与传输为一体，信号覆盖强，功率消耗小，产品待机时间长，设备安装无需布线、操作简单且无需维护，具有低成本、分布式、易安装等特点，有明显的部署优势和维护优势，可以广泛应用在智慧农业、环境检测、气象检测、冷链运输等领域。
-
公开(公告)号：CN111901413A
公开(公告)日：2020-11-06
申请号：CN202010730088.8
申请日：2020-07-27
Applicant: 上海交通大学烟台信息技术研究院
IPC: H04L29/08 , H04W4/38 , H04W4/70 , H04W52/02 , H04N5/225 , H04N7/18 , G01D21/02 , G08B21/18 , E02D29/14
Abstract: 本发明为基于图像处理和NBIOT低功耗嵌入式智能井盖感知终端，包括摄像头、气体传感器、加速度传感器、光照传感器、环境传感器、MCU微控制单元、存储器以及电池；所述MCU微控制单元通过NBIOT信号传输给所述摄像头、所述气体传感器、所述环境传感器、所述光照传感器、所述加速度传感器、所述电池、所述存储器传输定时采集数据指令和定时休眠指令，控制所述摄像头和传感器采集井下数据，通过MCU微控制单元对比上传数据进行异常报警，同时将上传数据进行自动上报。
-
公开(公告)号：CN101493942B
公开(公告)日：2010-11-03
申请号：CN200910046691.8
申请日：2009-02-26
Applicant: 上海交通大学
IPC: G06T7/00
Abstract: 一种图像分割技术领域的基于空间矩的水平集图像分割方法，包括如下步骤：首先，在原始图像上进行空间矩的提取，获得图像的局部信息。然后，利用获得的图像的局部信息，为原始图像的每个像素进行能量模型。最后，利用图像的全局信息，在每个像素的能量模型的基础上，对所有像素的建立总的能量模型，利用水平集方法最小化能量模型，进行图像的分割。本发明解决了LBF主动轮廓模型的的缺陷，在分割中利用空间矩引入了图像自身的局部信息，充分利用了图像的细节特征，使其彻底解决了初始化依赖的问题，对灰度不均匀图像进行了很好的应用，大大提高了分割的速度和精确性。
-
公开(公告)号：CN114332053B
公开(公告)日：2024-07-19
申请号：CN202111675203.7
申请日：2021-12-31
Applicant: 上海交通大学
IPC: G06V20/40 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/098
Abstract: 本发明公开了一种多模态两阶段无监督异常视频检测方法。该方法充分利用了视频光流信息和记忆网络模块，实现了端到端无监督视频异常检测方法。其中，两阶段是指先使用多尺度记忆增强自编码器网络模块分别的输入视频的图像序列和光流序列进行重建，再使用重建后的图像序列和光流序列，以及光流的记忆网络特征信息输入光流特征融合自编码器网络模块，输出预测的视频图像，根据预测图像与真实图像的误差，重建光流和真实光流的误差来检测视频异常。该方法解决了目前针对视频异常检测的深度自编码器方法常见的漏检率高，鲁棒性不足等问题。
-
Patent Agency Ranking
公开(公告)号：CN107525797A
公开(公告)日：2017-12-29
申请号：CN201710625260.1
申请日：2017-07-27
Applicant: 上海交通大学
CPC classification number: G01N21/73 , G01N1/28 , G01N1/2813 , G01N2001/2893
Abstract: 本发明提供了一种微米量级粉末物质中微量元素的激光诱导击穿光谱(LIBS)分析方法。该方法包括样品制备，测试装置的优化及其参数的选择，和测试实验的具体方案。我们的实验测试表明了该方法较传统的粉末压饼进行LIBS测量的方法具有以下优势：1)样品制备简单，在粉末样品的基础上无需笨重压饼机及某些粉末压饼所需的粘合剂；2)在很大程度上减弱甚至消除了饼状粉末样品LIBS分析所固有的基体效应；3)保持了LIBS技术的灵敏性。本发明所提供的方法适用于各种粉末状(颗粒粒径在35微米以下)物质，和可以通过机械碾磨机粉碎至上述粉末状物质的任何固态状物质。方法的应用领域可以包括但不局限于：工业、材料、环保、食品、医药、化妆品等。
-
公开(公告)号：CN116434132A
公开(公告)日：2023-07-14
申请号：CN202111660804.0
申请日：2021-12-31
Applicant: 上海交通大学
IPC: G06V20/52 , G06V10/82 , G06V10/774 , G06V10/80 , G06V10/764 , G06N3/0464 , G06N3/088
Abstract: 本发明提供一种基于自动编码器和记忆网络的监控视频异常检测方法，包括：输入图片序列和单张图片至编码器模块进行下采样和特征融合，输出编码器特征图；编码器特征图输入记忆网络模块，由其存储的正常视频训练集中的特征向量进行组合加权表示，获得记忆网络特征图；编码器特征图和记忆网络特征图合并后输入至解码器模块进行上采样生成图像，将生成图像与输入图像比较误差进行视频异常检测。本发明基于深度自动编码器和记忆网络的监控视频异常检测方法，通过在模型训练阶段，只使用无需标注的正常监控视频训练集，无需标注异常数据的无监督学习的深度自动编码器方法，克服异常行为标注困难问题的同时充分利用了正常监控视频资源。
-
公开(公告)号：CN112664182A
公开(公告)日：2021-04-16
申请号：CN201910983964.5
申请日：2019-10-16
Applicant: 上海交通大学烟台信息技术研究院
IPC: E21B47/008 , G01P13/00 , G01P15/18
Abstract: 本发明提供一种设备停机报警器，包括主控芯片、加速度传感器模块、无线通讯模块、报警模块，还包括用于识别磁卡信息打卡模块和供电模块；所述主控芯片具有存储模块、故障监控模块、故障互通管理模块、故障信息处理模块。当设备停机报警器发送故障时，故障监控模块能够同时向电脑终端和故障互通网内其他报警器发送故障信号，使电脑终端的工作人员和处于维修工位的维修人员同时接收到故障信息，确保在最快的时间内找到距离故障报警器最近的维修工人，采取必要的措施，防止事故的发生，避免了采用单个报警器直接与电脑终端相连的模式，需要设备将停机信号报告至终端的操作人员，终端操作人员再进行任务分配造成的维修延长和生产损失。
-
公开(公告)号：CN118500381A
公开(公告)日：2024-08-16
申请号：CN202410637391.1
申请日：2024-05-22
Applicant: 上海交通大学 , 上海航天控制技术研究所
Abstract: 本发明涉及一种面向空海协同的异构多智能体协同SLAM方法和系统，方法应用于无人平台，包括如下步骤：获取传感器信息，通过第一阶段的位置估计得到初步位姿，提取关键帧和地图点并发送至后端服务器；从后端服务器接收共定位因子，基于共定位因子和传感器信息，通过因子图优化进行第二阶段的位置估计，实现位姿和局部地图的更新，其中，共定位因子的生成过程包括：接收每个无人平台的关键帧和地图点，通过闭环检测和全局优化，将全局优化后的关键帧的位姿作为共定位因子发送至对应的无人平台。与现有技术相比，本发明具有定位精度高、抗干扰能力强、成本较低等优点。
-
公开(公告)号：CN118169572A
公开(公告)日：2024-06-11
申请号：CN202410277564.3
申请日：2024-03-12
Applicant: 江苏科技大学 , 上海交通大学 , 中国船舶集团有限公司第七〇四研究所 , 招商局重工(江苏)有限公司
IPC: G01R31/367 , G01R31/382 , G06N3/0455 , G06N3/044 , G06F18/15 , G06F18/213 , G06F18/2433 , G06F123/02
Abstract: 本发明公开了一种基于Extro‑Transformer深度学习神经网络的纯电船舶动力电池SOC估计方法，包括如下步骤：从传感器中生成电池数据集，根据电池数据集获得电荷数据；使用动态异常值剔除法对电荷数据进行处理，剔除掉数据中的异常值；将处理后的电荷数据分割为训练集与测试集；将训练集与测试集输入到构建好的Extro‑Transformer深度学习模型中进行训练和测试，得到训练好的Extro‑Transformer深度学习模型；通过训练好的Extro‑Transformer深度学习模型来预测新序列的SOC，输出得到SOC估计结果。本发明利用Transformer深度学习神经网络模型的强大表达能力和自适应性，结合外部的解码器和编码器，捕捉提取更复杂、更高级的特征，提高评估模型的性能，不仅具有较高的准确性和鲁棒性，还具有广泛的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.03 seconds)
