-
公开(公告)号：CN111260614B
公开(公告)日：2022-03-25
申请号：CN202010030557.5
申请日：2020-01-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于极限学习机的卷积神经网络布匹瑕疵检测方法，该方法通过构造一个卷积神经网络进行特征提取，并对提取的特征进行融合，在融合后的特征层上进行布匹瑕疵候选框的提取，在布匹瑕疵检测阶段，使用卷积神经网络对提取得到的布匹瑕疵候选框进行回归，使用极限学习机对布匹瑕疵候选框进行分类，对分类和回归结果结合样本图片的真实标签计算损失，基于得到的损失使用随机梯度下降法更新网络中的权重，不断进行迭代训练，直到网络的损失收敛到一个极小值或者达到预设的训练轮数，便得到训练好的基于极限学习机的布匹瑕疵检测的网络模型，即可进行布匹瑕疵检测，有效提高布匹瑕疵检测的整体性能，本发明具有更高的布匹瑕疵检测准确率。
-
公开(公告)号：CN110009030B
公开(公告)日：2021-03-30
申请号：CN201910246706.9
申请日：2019-03-29
Applicant: 华南理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于stacking元学习策略的污水处理故障诊断方法，该方法是用均值法补全污水数据中属性不完整的样本的缺陷项，将其归一化到[0,1]区间中；设置基分类器隐层节点数、正则化系数、核宽度的最优参数；利用处理好的训练样本对基分类器进行3折交叉验证，获得基分类器的原始输出；将基分类器的原始输出转化为概率型输出，并构造出元训练集；利用元训练集对元分类器进行训练，得到最终的分类决策模型。本发明通过元学习策略融合了不同的基分类器提高了算法的多样性和稳定性，进一步提高了污水处理过程中故障诊断的整体性能。
-
公开(公告)号：CN111161243A
公开(公告)日：2020-05-15
申请号：CN201911390407.9
申请日：2019-12-30
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于样本增强的工业产品表面缺陷检测方法，包括步骤：1)对工业产品表面图像进行尺寸标准化、归一化，切割并分类；2)带缺陷的图片进行随机翻转的数据增强；3)将带缺陷图片和正常图片进行随机拼接增强；4)使用Cascade-RCNN算法进行迭代训练；5)得到Cascade-RCNN检测模型；6)通过Cascade-RCNN检测模型对需要检测的工业产品表面图片和确定无缺陷的纹理模板图片进行滑窗检测，对滑窗检测到的结果进行拼接，并对二者得到的结果进行比较，最终得到待检测图片的缺陷类别及区域标注。本发明可有效降低光照、曝光和位移等条件对缺陷检测的影响，提高了检测稳定性，同时提高了二阶段目标检测器对花纹和背景的分辨能力，降低了误检率。
-
公开(公告)号：CN110992311A
公开(公告)日：2020-04-10
申请号：CN201911104107.X
申请日：2019-11-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于特征融合的卷积神经网络瑕疵检测方法，包括步骤：1)对数据集进行预处理；2)对输入到模型卷积网络中的图片，进行resize、padding和归一化操作；3)将瑕疵图片和模板图片输入到Resnet101卷积网络中进行特征提取，并分别构建出瑕疵图片和模板图片的FPN网络；4)将瑕疵图片和模板图片的FPN网络中对应的特征层的通道进行叠加，采用卷积的方式进行融合；5)基于融合后的特征层进行初步的候选区域提取，再进行ROI池化操作；6)级联多个ROI池化层和分类、回归层构成Cascade R-CNN网络，对输入的候选区域进行分类和回归；7)选定优化器，对模型进行训练；8)将待预测图片输入到训练好的模型中，输出瑕疵检测结果。本发明可提高瑕疵检测过程中对瑕疵的分类准确率和mAP值。
-
公开(公告)号：CN110009030A
公开(公告)日：2019-07-12
申请号：CN201910246706.9
申请日：2019-03-29
Applicant: 华南理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于stacking元学习策略的污水处理故障诊断方法，该方法是用均值法补全污水数据中属性不完整的样本的缺陷项，将其归一化到[0,1]区间中；设置基分类器隐层节点数、正则化系数、核宽度的最优参数；利用处理好的训练样本对基分类器进行3折交叉验证，获得基分类器的原始输出；将基分类器的原始输出转化为概率型输出，并构造出元训练集；利用元训练集对元分类器进行训练，得到最终的分类决策模型。本发明通过元学习策略融合了不同的基分类器提高了算法的多样性和稳定性，进一步提高了污水处理过程中故障诊断的整体性能。
-
Patent Agency Ranking
公开(公告)号：CN109558893A
公开(公告)日：2019-04-02
申请号：CN201811283829.1
申请日：2018-10-31
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于重采样池的快速集成污水处理故障诊断方法，包括步骤：1)用均值法补全污水数据中属性不完整的样本的缺陷项，将其归一化到[0,1]区间中；2)对训练数据集中的少数类样本进行进行SMOTE过采样处理，对各类少数类样本构造对应的人工合成虚拟样本池3)设置基分类器个数及其隐层节点数的最优参数；4)结合所有样本池抽样得到的人工合成虚拟样本和初始训练数据，获得单个基分类器的训练样本集，训练基分类器；5)完成对所有基分类器的训练，将其进行集成，得到最终的集成分类器。本发明在有效地降低污水数据的不平衡性的同时提高了基分类器间的多样性，并提高了污水处理过程中故障诊断的整体性能。
-
公开(公告)号：CN104914227A
公开(公告)日：2015-09-16
申请号：CN201510332330.5
申请日：2015-06-16
Applicant: 华南理工大学
IPC: G01N33/18
Abstract: 本发明公开了一种基于多高斯核自优化相关向量机的污水水质软测量方法，包括以下步骤：1)剔除污水输入和输出的数据中的异常点，由于各输入变量量纲的不同，对其进行归一化处理，归一化到[0,1]区间中；2)多高斯核函数相关向量机软测量模型模块；3)多高斯核函数核参数自优化算法；4)遗传优化算法对初始参数寻优模块；5)多高斯核函数自优化相关向量机软测量模型建模。本发明通过自优化方法确定各尺度上的核参数，运用遗传优化算法对初始参数寻优，建立最优模型，在保证模型收敛性和稀疏性的情况下，有效提高污水中BOD输出精度。
-
公开(公告)号：CN101694586A
公开(公告)日：2010-04-14
申请号：CN200910193206.X
申请日：2009-10-20
Applicant: 华南理工大学
IPC: G05B19/418 , G05B13/02
CPC classification number: Y02P80/114 , Y02P90/02 , Y02P90/18 , Y02P90/20
Abstract: 本发明提供了基于混沌优化的支持向量机预测污水处理节能控制系统，包括用于实现管理与控制一体化的计算机网络系统、活性污泥污水处理系统模型模块、生产过程控制模块、生产管理调度模块，所述生产管理调度模块、生产过程控制模块、活性污泥污水处理系统模型模块通过计算机网络系统依次连接。本发明用于污水处理厂运行时，不仅可以使污水处理厂的能耗降低15％-25％，还可以将污水处理厂的处理效果在原设计的基础上提高一个等级，潜力巨大。
-
公开(公告)号：CN109558893B
公开(公告)日：2022-12-16
申请号：CN201811283829.1
申请日：2018-10-31
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于重采样池的快速集成污水处理故障诊断方法，包括步骤：1)用均值法补全污水数据中属性不完整的样本的缺陷项，将其归一化到[0,1]区间中；2)对训练数据集中的少数类样本进行进行SMOTE过采样处理，对各类少数类样本构造对应的人工合成虚拟样本池3)设置基分类器个数及其隐层节点数的最优参数；4)结合所有样本池抽样得到的人工合成虚拟样本和初始训练数据，获得单个基分类器的训练样本集，训练基分类器；5)完成对所有基分类器的训练，将其进行集成，得到最终的集成分类器。本发明在有效地降低污水数据的不平衡性的同时提高了基分类器间的多样性，并提高了污水处理过程中故障诊断的整体性能。
-
公开(公告)号：CN110363230B
公开(公告)日：2021-07-20
申请号：CN201910566728.3
申请日：2019-06-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于加权基分类器的stacking集成污水处理故障诊断方法，用均值法补全污水数据中属性不完整的样本的缺陷项，将其归一化到[0,1]区间中；设置基分类器隐层节点数、正则化系数、核宽度的最优参数；利用处理好的训练样本对基分类器进行3折交叉验证，获得基分类器的原始输出，并得到每个基分类器对于训练样本集的G‑mean值；根据基分类器G‑mean值，定义权值计算公式，得到每个基分类器的输出权值；将基分类器的原始输出转化为概率型输出，结合其输出权值，构造出元训练集；利用元训练集对元分类器进行训练，得到最终的诊断模型。本发明可以提高污水处理过程中故障诊断的整体性能。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.032 seconds)
