-
公开(公告)号：CN115081920B
公开(公告)日：2024-07-12
申请号：CN202210799441.7
申请日：2022-07-08
Applicant: 华南农业大学
IPC: G06Q10/0631 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/084 , G06V10/82 , G06Q10/10
Abstract: 本发明公开了一种考勤签到调度管理方法、系统、设备及存储介质，系统包括：实时采集考勤地点区域的天气数据，并对采集到的天气数据进行预处理得到初始样本集；基于改进的生成对抗网络构建预测模型；计算预测目标与真实目标图像之间的损失函数；通过损失函数对预测模型进行训练，训练中，判别器D的目标正确地识别出真实样本和正确地剔除生成的假样本，生成器G的目标是使生成的预测值被判别器D剔除的概率最小化，直至输出训练好的预测模型；将所述天气数据输入训练好的预测模型中得到预测值，根据预测值执行相应的考勤操作。本发明采用改进的GAN网络实时监测考勤地的天气情况，及时自动调整考勤方式与考勤制度，提高办事效率，避免数据出错。
-
公开(公告)号：CN114638814B
公开(公告)日：2024-04-16
申请号：CN202210315512.1
申请日：2022-03-29
Applicant: 华南农业大学
IPC: G06T7/00 , G06T7/11 , G06T3/4038 , G06T3/4046 , G06T5/60 , G06T5/92 , G06T5/30 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于CT图像的结直肠癌自动分期方法、系统、介质及设备，该方法包括下述步骤：CT图像预处理构建初始数据集；进行数据清洗，修正数据集中的正负样本比例；数据集进行数据增强；利用CBAM注意力机制对通道特征和空间特征进行重要性筛选，并使用残差连接；选择预测概率最大的类别作为每个元素的最终预测类别，以确定输出图像的结直肠肿瘤区域和非直肠肿瘤区域的位置；对预测图像使用分块推理方法；基于数据融合思想将包含肿瘤区域的CT图像和原始CT图像进行通道维度的合并，输入到优化3D U‑Net分割模型中进行推理，得到最终的结直肠癌分期结果。本发明能更好地利用CT图像的空间信息，提高对分期结果的识别精度。
-
公开(公告)号：CN115762748A
公开(公告)日：2023-03-07
申请号：CN202211150941.4
申请日：2022-09-21
Applicant: 中山大学附属第六医院 , 华南农业大学
IPC: G16H50/20 , G06N3/0464 , G06N3/084 , G06T7/00 , G06V10/82
Abstract: 本发明提供结直肠癌CRS根治程度预测模型的训练、使用方法及系统，包括：获取结直肠癌病例的病历数据；对每个结直肠癌病例的腹膜转移相关指标进行筛选，得到第一训练集；将第一训练集输入到第一深度学习模型进行训练；将每个结直肠癌病例的CT图像作为第二训练集输入第二深度学习模型进行训练；将每个结直肠癌病例对应的第一特征向量和第二特征向量进行拼接得到第三特征向量集；将第三特征向量集划分为训练集和验证集；将训练集输入第三深度学习模型训练，得到收敛的第三深度学习模型；将验证集输入收敛的第三深度学习模型进行验证，根据验证结果进行优化。本发明融合多模态特征预测，能有效地对结直肠癌CRS根治程度进行评分。
-
公开(公告)号：CN113282756B
公开(公告)日：2023-01-10
申请号：CN202110731348.8
申请日：2021-06-29
Applicant: 华南农业大学
IPC: G06F16/35 , G06F40/216 , G06N3/00
Abstract: 本发明公开一种基于混合聚类的文本聚类智能评估方法，该方法包括下述步骤：对文本集预处理得到原始文本集内所有特征词；删除文本集中高频和低频的特征词得到预选择后的特征子集；采用TF‑IDF方法计算原始文本集中所有文本对应权重；对特征子集中的每个特征词进行二进制编码，对文本特征预选择后的特征词生成矩阵；设定适应值函数，对特征子集进行特征再选择，选取适应值最优的全局最优个体；对全局最优个体进行解码，得到最终特征子集T；采用TF‑IDF方法表示成T上的向量并进行归一化、标准化，采用混合聚类方法进行文本聚类，选出聚类的最终结果；为聚类结果中的每个簇生成词云。本发明具有聚类效果好，计算量较小的优点。
-
公开(公告)号：CN115358966A
公开(公告)日：2022-11-18
申请号：CN202210809340.3
申请日：2022-07-11
Applicant: 华南农业大学
IPC: G06T7/00 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于3D Grad‑CAM的直肠癌等级分类的可解释方法、系统、设备及介质，方法包括：对获取的直肠癌患者的磁共振MRI图像进行训练前的预处理；将预处理后的MRI图像划分为训练集、验证集和测试集，并将训练集放入使用迁移学习得到的MedicalNet预训练模型3D‑ResNet50网络中进行训练，并加入注意力机制提升性能，得到训练好的3D‑ResNet50网络；将测试集输入到训练好的3D‑ResNet50网络中进行分类，得到分类结果；利用改进的Grad‑CAM方法生成热力图，基于热力图对分类结果进行解释，并且定位分类依据；通过导向反向传播和3D Grad‑CAM方法结合起来的Guided Grad‑CAM方法对肿瘤位置进行定位。本发明可有效提高直肠癌T分期的可解释性，同时不会改变分类网络的结构，具有非常好的可泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN115100165A
公开(公告)日：2022-09-23
申请号：CN202210787519.3
申请日：2022-07-06
Applicant: 华南农业大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于肿瘤区域CT图像的结直肠癌T分期方法及系统，该方法包括下述步骤：对CT图像标注并构建原始数据集；利用标注的掩膜图像提取肿瘤区域CT图像，并对肿瘤区域CT图像进行预处理；将肿瘤区域CT图像与T分期结果一一对应，进行数据集的构建；构建一个由多注意力机制融合的改进DenseNet三维卷积分类网络，提高密集层的通道筛选能力和过渡块的信息筛选能力，从而提高结直肠癌T分期模型的训练效果；本发明利用测试数据增强思想，从多角度进行模型预测，提高结直肠癌T分期的预测效果。
-
公开(公告)号：CN113109108B
公开(公告)日：2022-08-09
申请号：CN202110330802.9
申请日：2021-03-26
Applicant: 中国科学院合肥物质科学研究院 , 华南农业大学
Abstract: 本发明公开了一种高效在线浸提获取土壤溶液的取样方法，步骤如下：将硼砂加入至氢氧化钠溶液中配置得到碱性缓冲溶液；将螯合剂加入至柠檬酸钠溶液中得到混合溶液；向混合溶液中加入生物表面活性剂、碱性缓冲溶液，混合均匀后得到浸提剂；通过取样装置将浸提剂与待检测土壤样本进行混合，利用浸提剂对土壤的浸渍作用，将待检测土壤样本中的重金属元素分离至浸提剂中，得到土壤溶液。本发明提供的取样方法通过对浸提剂和浸提装置两个方面进行同时改进，能够脱离实验室环境，快速便捷地取得土壤溶液样本，提高土壤中重金属离子检测效率。
-
公开(公告)号：CN112887994B
公开(公告)日：2022-03-25
申请号：CN202110072556.1
申请日：2021-01-20
Applicant: 华南农业大学
Abstract: 本发明公开一种基于改进二进制粒子群的无线传感器网络优化方法及应用，该方法步骤包括：初始化总体矩阵；设置速度范围，初始化每个粒子的最佳历史位置，设置最大迭代次数；设计适应度函数；根据适应度函数计算每个粒子的适应度值，初始化全局最优位置的值和位置；根据优化二进制粒子群算法更新个体的速度和位置；计算每个个体的适应度值，若当前个体的适应度值高于个体最优位置的适应度值，则用该个体更新个体最优位置；比较当前个体的最佳适合度值和全局最优位置的适合度值后更新全局最优位置；重复迭代直至满足迭代终止条件后输出当前的全局最优位置。本发明实现对无线传感器网络进行优化，合理分配网络的空间资源，提高数据测量的准确性和有效性。
-
公开(公告)号：CN113282756A
公开(公告)日：2021-08-20
申请号：CN202110731348.8
申请日：2021-06-29
Applicant: 华南农业大学
IPC: G06F16/35 , G06F40/216 , G06K9/62 , G06N3/00
Abstract: 本发明公开一种基于混合聚类的文本聚类智能评估方法，该方法包括下述步骤：对文本集预处理得到原始文本集内所有特征词；删除文本集中高频和低频的特征词得到预选择后的特征子集；采用TF‑IDF方法计算原始文本集中所有文本对应权重；对特征子集中的每个特征词进行二进制编码，对文本特征预选择后的特征词生成矩阵；设定适应值函数，对特征子集进行特征再选择，选取适应值最优的全局最优个体；对全局最优个体进行解码，得到最终特征子集T；采用TF‑IDF方法表示成T上的向量并进行归一化、标准化，采用混合聚类方法进行文本聚类，选出聚类的最终结果；为聚类结果中的每个簇生成词云。本发明具有聚类效果好，计算量较小的优点。
-
公开(公告)号：CN111768027A
公开(公告)日：2020-10-13
申请号：CN202010463027.X
申请日：2020-05-27
Applicant: 华南农业大学
Abstract: 本发明公开了基于强化学习的再犯罪风险预测方法、介质和计算设备，首先构建训练样本集，针对训练样本集进行聚类；针对于聚类得到的N个类，分别构建N个BP神经网络；将各训练样本属性，输入到对应的BP神经网络中，对BP神经网络进行训练，得到再犯罪风险预测模型；针对于需要预测再犯罪风险的测试样本，计算测试样本与各聚类中心之间的距离，选取出与测试样本之间距离最小的聚类中心，将该聚类中心所属聚类对应的训练好的神经网络作为测试样本的再犯罪风险预测模型，将测试样本的属性，输入到测试样本的再犯罪风险预测模型中，通过该模型对测试样本的再犯罪行为进行预测。本发明使得再犯罪预测的效果更加真实有效、准确以及计算速度更快。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.024 seconds)
