-
公开(公告)号：CN118799948A
公开(公告)日：2024-10-18
申请号：CN202411282724.X
申请日：2024-09-13
IPC: G06V40/16 , G06V10/774 , G06V10/84 , G06V10/80 , G06V10/82
Abstract: 本发明涉及半监督表情识别技术领域，公开了一种基于交叉融合与置信评估的情绪识别智能合约构建方法，包括获取基于区块链存储的面部图像，划分为有标签与无标签样本集；将所有面部图像分别输入初始图像分类模型，获取预测标签与标签置信度得分；基于每个有标签样本的交叉熵损失，得标签集合损失；将无标签样本划分为正确或错误样本；基于每个正确样本的交叉熵损失，获取集合无监督损失；基于每个错误样本的对比学习损失，获取集合对比损失；基于前述三种损失，构建模型总损失函数，训练初始图像分类模型，获取训练好的图像分类模型，输入待识别面部图像，获取多个置信度得分，以其中得分最高的所表示的情绪类型，作为待识别面部图像的预测标签。
-
公开(公告)号：CN116778156A
公开(公告)日：2023-09-19
申请号：CN202310658391.5
申请日：2023-06-05
Applicant: 苏州大学
IPC: G06V10/26 , G06V10/764 , G06V10/762 , G06V10/82 , G06V20/64 , G06N3/04
Abstract: 本申请公开了一种基于深度学习的三维测量分割方法，使用深度模型自动分割识别工件点云，在深度学习网络模型上，为了将全局特征和局部特征融合学习，深度学习网络模型基于特征融合的思想，使用U‑Net网络结构，在采样层使用基于点云相似度的差异度下采样，旨在解决选取编码层每层特征最为突出的感受域来学习点云特征的问题；深度学习网络模型通过自注意力机制提取优化感受域局部特征，借鉴多层感知机混合器里的空间混合多层感知机建立感受域之间的全局联系提取感受域全局特征，在此基础上通过卷积网络进行局部特征和全局特征的特征融合学习，以提高工件点云自动识别分割的准确性。
-
公开(公告)号：CN119556636A
公开(公告)日：2025-03-04
申请号：CN202510124010.4
申请日：2025-01-26
Applicant: 苏州大学
IPC: G05B19/19
Abstract: 本发明公开了一种面向多轴数控机床的时间最优速度曲线规划方法，包括：建立约束的适应度模型和整体速度适应度模型；将刀具轨迹速度曲线进行划分得到多个分段的速度曲线；基于约束适应度模型和整体速度适应度模型，对多个分段的速度曲线顺次进行独立优化，得到各个分段的最优速度曲线；对相邻分段之间的连接段的速度曲线进行独立优化，得到各个连接段的最优速度曲线；基于各个分段和连接段的最优速度曲线，得到刀具轨迹最优速度曲线；本发明能够跳出局部最优，并且在满足数控机床动力学约束、加工精度约束、刀尖末端速度约束，加工效率要求的基础上，降低速度曲线的优化时间，提高优化计算效率。
-
公开(公告)号：CN119458155A
公开(公告)日：2025-02-18
申请号：CN202411662033.2
申请日：2024-11-20
Applicant: 苏州大学
Abstract: 本发明属于流道加工技术领域，涉及液态金属在磨料液中的运动控制方法及系统：获取磨粒粒度、磨粒浓度、液态金属液滴质量、k时刻液态金属液滴的位置和运动速度、k+1时刻液态金属液滴的目标位置；拟合磨粒粒度和磨粒浓度与阻尼系数的关系，并构建阻尼系数方程、k时刻的粘性力方程、k时刻的净外力方程、k时刻的反馈力方程和k时刻的恢复力方程；基于k时刻的粘性力方程、k时刻的净外力方程、k时刻的反馈力方程和k时刻的恢复力方程之和为0，构建k时刻液态金属液滴运动控制方程，对k时刻液态金属液滴运动控制方程求解得到k时刻液态金属液滴的运动加速度，从而控制液态金属液滴的运动速度。
-
公开(公告)号：CN118781298A
公开(公告)日：2024-10-15
申请号：CN202411282621.3
申请日：2024-09-13
IPC: G06T17/20 , G06T15/00 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06N3/0475
Abstract: 本发明涉及计算机视觉技术领域，尤其是指一种基于多视图采样和渐进式生成的深度智能3D重建方法，包括：构建数据集；构建网格生成器，所述网格生成器为编码器‑解码器架构；利用数据集训练所述网格生成器；利用经过训练的网格生成器对残缺手绘图和噪声手绘图进行3D建模，得到目标网格3D模型。本发明利用2D卷积形状鉴别器训练网格生成器，并通过逐步增加2D卷积形状鉴别器的复杂度和多尺度轮廓图对的分辨率，逐步细化2D卷积形状鉴别器的判别能力，从而更有效地引导网格生成器生成高质量的预测网格3D模型，提高了预测网格3D模型的质量。
-
Patent Agency Ranking
公开(公告)号：CN115541453A
公开(公告)日：2022-12-30
申请号：CN202211166626.0
申请日：2022-09-23
Applicant: 苏州大学
Abstract: 本申请公开了一种定点喷丸的测量装置、移动喷丸的控制方法和装置，控制方法包括获取目标丸粒覆盖质量；确定所述单位区域的定点喷丸驻留时长参数；确定所述单位区域的定点喷丸质量分布参数；确定所述单位区域的丸粒覆盖质量参数；建立优化函数，基于所述优化函数优化所述移动喷丸的控制参数。本申请能够基于测量装置测量得到的给定参数下的定点喷丸丸粒质量分布参数，计算得到移动喷丸过程中单位区域的丸粒覆盖质量参数；基于该单位区域的丸粒覆盖质量参数，能够与目标丸粒覆盖质量参数进行比较，从而构建优化函数，基于优化函数获取优化后的移动喷丸参数，有助于实现工件表面丸粒的均匀覆盖，对提高工件疲劳强度具有重要意义。
-
公开(公告)号：CN118781298B
公开(公告)日：2025-01-03
申请号：CN202411282621.3
申请日：2024-09-13
IPC: G06T17/00 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06V10/74
Abstract: 本发明涉及计算机视觉技术领域，尤其是指一种基于多视图采样和渐进式生成的深度智能3D重建方法，包括：构建数据集；构建网格生成器，所述网格生成器为编码器‑解码器架构；利用数据集训练所述网格生成器；利用经过训练的网格生成器对残缺手绘图和噪声手绘图进行3D建模，得到目标网格3D模型。本发明利用2D卷积形状鉴别器训练网格生成器，并通过逐步增加2D卷积形状鉴别器的复杂度和多尺度轮廓图对的分辨率，逐步细化2D卷积形状鉴别器的判别能力，从而更有效地引导网格生成器生成高质量的预测网格3D模型，提高了预测网格3D模型的质量。
-
公开(公告)号：CN118927026A
公开(公告)日：2024-11-12
申请号：CN202410980480.6
申请日：2024-07-22
Applicant: 苏州大学
Abstract: 本发明属于抛光轨迹规划技术领域，涉及一种曲面抛光轨迹均匀覆盖方法、装置及可读存储介质：将待加工曲面的I圈平面抛光轨迹映射至网格模型，得到I圈曲面轨迹；在第1圈曲面轨迹中选取基准点，对第1圈曲面轨迹中每个轨迹点进行调整，直到每个轨迹点与基准点之间的欧式距离等于目标距离，得到第1条抛光轨迹；初始化i＝2；对于第i圈曲面轨迹中每个轨迹点，在第i‑1条抛光轨迹中选取相应基准点，并对各个轨迹点进行调整，直到第i圈曲面轨迹中每个轨迹点与其相应的基准点之间的欧式距离等于目标距离，得到第i条抛光轨迹；更新i＝i+1，并对第i圈曲面轨迹中的轨迹点进行调整，直到i＝I，得到目标抛光轨迹。
-
公开(公告)号：CN118918445A
公开(公告)日：2024-11-08
申请号：CN202411405238.2
申请日：2024-10-10
IPC: G06V10/82 , G06N3/0455 , G06N3/09 , G06V10/22 , G06V10/42 , G06V10/44 , G06V10/774 , G06V10/80
Abstract: 本发明涉及异常决策技术领域，公开了一种基于多尺度特征融合差分的轻量化智能异常决策方法，包括选取多个正常图像作为记忆样本；获取待检测图像；获取每个记忆样本与待检测图像的多个具有不同分辨率的阶段特征，组成每个记忆样本的样本存储信息与待检测图像的实时存储信息；计算实时存储信息与每个样本存储信息之间的欧几里得距离，获取距离最小的作为目标样本存储信息与目标记忆样本；获取目标记忆样本与待检测图像在各个分辨率下的x轴、y轴卷积阶段特征，计算各个分辨率下目标记忆样本与待检测图像之间的差分信息；获取基于金字塔结构的多尺度特征差分中每一层的差分输出，进行通道拼接后，输入解码器中，获取待检测图像中的缺陷定位结果。
-
公开(公告)号：CN118797448A
公开(公告)日：2024-10-18
申请号：CN202411284257.4
申请日：2024-09-13
IPC: G06F18/241 , G06N3/0455 , G06N3/0464 , G06N3/096 , G06F18/10 , G06F18/2131 , G06F123/02
Abstract: 本发明涉及机器故障诊断技术领域，公开了一种基于迁移学习的多尺度智能决策方法，包括：获取源域与目标域中的机械故障振动时序长信号，构建源域训练集与目标域训练集；在源域训练集中，对时序分信号进行预处理后，提取时域特征与频域特征，并映射为低维时域特征与低维频域特征；计算特征之间的互相关矩阵，构建互相关损失函数，来训练编码器，获取源域优化时域信号编码器，并迁移至目标域，与初始分类器，组成初始多尺度智能决策模型；对目标域时序分信号进行预测，与其真实标签，构建交叉熵损失函数，训练获取目标多尺度智能决策模型；将实时采集的机械故障振动时序长信号，预处理后分别输入目标多尺度智能决策模型中，获取对应的故障类别。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.026 seconds)
