-
公开(公告)号：CN114681716B
公开(公告)日：2023-05-23
申请号：CN202210306430.0
申请日：2022-03-25
Applicant: 南通大学
Abstract: 本发明涉及智能输液监控技术领域，尤其涉及一种智能监控输液装置及其使用方法，包括依次连接的输液瓶、改进型墨菲式滴管、改进型流速调节器和针头及输液管，改进型墨菲式滴管内置有压电陶瓷环形振动片。本发明使用时，将相邻两滴液体间隔时间的倒数称为液滴频率，以液滴频率来表征液滴的滴速，并在液滴频率或液滴滴至液面的振幅较偏差过大时，判定此时受到了干扰，在受到连续干扰时通过控制超声波电机调节液滴滴速。同时，控制电路板中的控制器根据已经滴下的液体总数自动计算剩余输液时间，并在剩余时间较低时自动报警。本发明能够实现输液时剩余液体的自动估算以及液滴的滴速的自动调节，从而减少人力消耗，在一定程度上降低输液的安全隐患。
-
公开(公告)号：CN111024820B
公开(公告)日：2023-01-31
申请号：CN201911316865.8
申请日：2019-12-19
Applicant: 南通大学
Abstract: 本发明公开一种海上风电叶片健康监测系统及其数据处理方法，该系统基于物联网和虚拟仪器技术设计，包括应用层、网络层和感知层三部分，感知层部分主要完成传感检测与数据采集，通过数据传输单元(DTU)将采集到的信号传输到服务器，DTU内置GPRS模块，实现网络数据传输，远程监控计算机可通过英特网连接到服务器，并运用LabVIEW虚拟仪器软件实现远程监控界面设计。该系统综合运用物联网、虚拟仪器、声发射、数据压缩等技术实现对海上风电叶片状态的实时远程在线监控，为海上风电设备安全运行提供了重要的依据和指导。
-
公开(公告)号：CN115302043A
公开(公告)日：2022-11-08
申请号：CN202211132711.5
申请日：2022-09-17
Applicant: 南通大学
Abstract: 本发明属于焊接设备技术领域，具体涉及一种自动焊条更换装置及其更换方法。本发明包括焊条储存装置，焊条给进装置，底座，电机一、电机三；焊条储存装置底部有一圆形开口槽，并与焊条给进装置连接；底座安装在自动焊条更换装置的下方；焊条储存装置用于焊条的存储，并可通过电机一驱动齿轮组将焊条储存舱中的焊条依次有序排出，送至焊条给进装置中；焊条给进装置通过电机三给进焊条，并使用焊条固定装置固定焊条，通过焊接电极进行焊接；底座便于自动焊条更换装置安装于执行机构上，随执行机构运动到焊接目标附近。本发明的焊条储存装置使用独立的焊条储存舱压住焊条，可保证焊条运动规则，同时方便取下，减少维修与更换成本。
-
公开(公告)号：CN114676769A
公开(公告)日：2022-06-28
申请号：CN202210282073.9
申请日：2022-03-22
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V40/10 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开一种基于视觉Transformer的小样本昆虫图像识别方法，首先利用搜索引擎搜索各种昆虫的图像，对图像人工标注标签；然后构建以视觉Transformer为核心的预训练模型，并利用训练集对预训练模型中的参数进行优化训练；接下来移除预训练模型中的分类器，在训练集和测试集中随机抽取每类昆虫的少量图像样本，输入到视觉Transformer中提取图像特征，计算每类样本的平均值作为每类昆虫图像原型特征进行存储；最后在线采集昆虫图像，输入到Transformer中提取图像特征，计算其与每类昆虫图像表征之间的距离，其距离最近的昆虫类别就为此幅图像的类别输出。本发明使用少量训练样本对昆虫完成分类识别，能够克服目前昆虫识别中所使用的卷积神经网络训练时需要大量的图像样本的技术问题。
-
公开(公告)号：CN114626504A
公开(公告)日：2022-06-14
申请号：CN202210030247.2
申请日：2022-01-11
Applicant: 南通大学
IPC: G06N3/04 , G06N3/08 , G06N5/02 , G06V10/764 , G06V10/762 , G06V10/774 , G06V10/82 , G06K9/62
Abstract: 本发明公开一种基于群组关系知识蒸馏的模型压缩方法，该方法在完成对数据集的预处理之后，随机初始化一个大容量的卷积神经网络作为教师网络，利用交叉熵损失函数对该网络进行预训练；随后在知识蒸馏阶段，随机初始化一个小容量的卷积神经网络作为学生网络，教师网络和学生网络分别对图像样本特征进行K均值聚类，并利用最大均值差异计算各组之间的关系，利用交叉熵与群组关系损失函数的加权和对学生网络进行训练。最后利用训练好的网络对测试图像进行分类决策。该方法能够指导学生网络模仿老师对样本的分组能力，从而使得学生网络的性能逼近老师网络的性能。
-
Patent Agency Ranking
公开(公告)号：CN114580553A
公开(公告)日：2022-06-03
申请号：CN202210228722.7
申请日：2022-03-10
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明公开一种基于深度卷积神经网络的珍稀花卉自动识别方法，本发明方法利用图像搜索常见的普通花卉图像构建源域图像数据集，然后利用Vgg16深度卷积神经网络以及线性分类构建分类识别模型，利用源域图像以及对应的类别标签计算损失函数并使用SGD优化器对网络中的参数进行优化；接下来固定深度卷积网络中主干神经网络的参数并替换线性分类器，收集珍稀花卉图像构建目标域图像数据集，利用目标域图像以及对应的类别标签计算损失函数对网络分类器进行微调；最后利用训练好的深度卷积网络模型对珍稀花卉图像进行自动识别。本发明通过上述方式，能够大大提高对珍稀花卉的保护效率。
-
公开(公告)号：CN114580552A
公开(公告)日：2022-06-03
申请号：CN202210228607.X
申请日：2022-03-10
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开一种基于迁移模型的小样本茶叶图像分类方法，该方法首先利用摄像头采集茶叶图像构建茶叶图像分类数据集，然后构建迁移模型，并利用茶叶基类图像数据基于交叉熵损失函数与监督损失函数的加权和利用梯度下降法对迁移模型进行训练，最后将迁移模型中基类分类器、旋转预测分类以及Softmax层移除，使用原型分类器完成小样本茶叶图像分类测试。本发明在卷积神经网络训练过程中引入自监督任务提高模型的迁移性，将此迁移模型应用到小样本茶叶图像分类任务中，能够提高小样本茶叶图像分类识别的性能。
-
公开(公告)号：CN114580551A
公开(公告)日：2022-06-03
申请号：CN202210228594.6
申请日：2022-03-10
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/762 , G06V10/774 , G06V10/82
Abstract: 本发明公开一种基于深度聚类的小样本电气设备图像分类方法，该方法首先网络搜索和现场进行实地拍摄的方式收集若干电气设备图像，创建电气设备图像数据集；然后将将数据集随机分为两部分，分别被用于分类模型的预训练和小样本电气分类的训练与测试；接下来利用C均值聚类算法图像样本的特征进行聚类，将聚类结果作为图像的标签值，基于标签值与类别概率输出值计算交叉熵损失函数，利用梯度下降算法对深度卷积神经网络模型中的参数进行优化；最后利用训练好的网络对小样本电气图像完成训练和测试。该方法能够在只对电气设备图像进行少量人工标注的情况下完成对电气设备的自动分类识别。
-
公开(公告)号：CN114548268A
公开(公告)日：2022-05-27
申请号：CN202210159436.X
申请日：2022-02-16
Applicant: 南通大学
IPC: G06K9/62 , G06V10/764 , G06V10/74 , G06V10/774
Abstract: 本发明公开了一种基于原型网络的小样本垃圾图像分类方法，该方法需要少量垃圾图像样本就能完成对垃圾图像的自动分类识别，能够提高垃圾处理过程中的自动分拣效率。包括：首先使用摄像头采集若干垃圾图像构建垃圾分类数据集并使用伽马校正方法对图像进行预处理，然后使用四层卷积神经网络构建原型网络，接着计算查询样本类别概率输出值与真实标签值之间的损失函数对原型网络进行训练，最后固定原型网络中的参数对垃圾图像进行分类测试。
-
公开(公告)号：CN114548256A
公开(公告)日：2022-05-27
申请号：CN202210148817.8
申请日：2022-02-18
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82
Abstract: 本发明公开一种基于对比学习的小样本珍稀鸟类识别方法，该方法首先收集普通鸟类图像构建预训练图像数据集，然后在预训练图像数据集随机抽取一批图像输入到预训练模型中，提取正例图像样本和负例图像样本的投影向量特征，计算正例图像样本特征与负例图像样本特征之间的对比损失函数，利用梯度下降法完成预训练过程。接下来固定预训练模型中主干神经网络的参数，移除投影器并添加线性分类器以及Softmax层，利用收集的珍稀鸟类图像使用交叉损失函数对线性分类器参数进行优化，完成识别模型的训练，最后利用识别模型对珍稀鸟类图像进行在线分类识别。该方法通过对比学习对卷积神经网络进行训练来提高网络的迁移性，从而提高小样本珍稀鸟类识别方法的性能。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.039 seconds)
