-
公开(公告)号：CN113065480B
公开(公告)日：2023-07-07
申请号：CN202110382382.9
申请日：2021-04-09
Applicant: 暨南大学
IPC: G06V30/22 , G06V30/16 , G06V30/162 , G06V30/146 , G06V30/164 , G06V30/18 , G06V30/19 , G06V10/764 , G06V10/34
Abstract: 本申请涉及书法作品风格的识别方法、装置、电子装置和存储介质，其中，该书法作品风格的识别方法包括：通过获取待识别的书法作品图像；对书法作品图像进行预处理，并对预处理后的图像进行书法字定位裁剪，得到至少一幅字图像，其中，预处理包括：中值滤波降噪处理、二值化处理、腐蚀膨胀的形态学图像处理；利用胶囊网络模型处理至少一幅字图像，获得每一幅字图像对应的第一分类标签，其中，胶囊网络模型被训练为用于根据字图像得到与该字图像对应的分类标签；根据第一分类标签确定书法作品图像的风格识别结果。通过本申请，解决了相关技术中书法作品风格的识别准确率低、效率不高的问题，实现了书法作品风格的快速准确识别。
-
公开(公告)号：CN113239639B
公开(公告)日：2022-08-26
申请号：CN202110728541.6
申请日：2021-06-29
Applicant: 暨南大学
Abstract: 本申请涉及策略信息生成方法、装置、电子装置和存储介质，其中，该策略信息生成方法包括：从预设仿真模型中，获取对应的生产运行状态数据，其中，预设仿真模型用于表征工业生产线的运行；对生产运行状态数据进行处理，得到工业生产线的设备所对应的设备状态信息及第一动作策略信息，其中，第一动作策略信息用于指示设备按预设的运行参数进行工作；在接收到策略信息生成请求的情况下，获取工业生产线当前设备状态信息，并通过预设的强化训练模型对当前设备状态信息进行处理，生成对应的策略信息。通过本申请，解决了相关技术中对包括离散任务的生产线自动化优化配置效果差的问题，实现了利用人工智能进行各类不同生产线的优化策略。
-
公开(公告)号：CN114066232A
公开(公告)日：2022-02-18
申请号：CN202111349982.1
申请日：2021-11-15
Applicant: 内蒙古北方重工业集团有限公司 , 暨南大学 , 内蒙古工业大学
Abstract: 本发明属于工业物联网技术领域，公开了基于分布式强化学习和边缘计算的工厂调度方法及系统。所述系统包括本地动作模型、边缘设备、云端数据存储器和云端策略模型。方法为：初始化本地动作模型和边缘设备；本地动作模型实时生成适配不同流水线的调度规则；边缘设备对实时产生的生产信息进行编码，生成两参数元组和五参数元组分别发送至本地动作模型和云端数据存储器；云端策略模型对云端存储的数据进行优先级采样、重要性排序和更新；同步云端策略模型和本地动作模型。本发明将边缘计算与分布式强化学习算法结合应用于工业生产，实现了数据实时传输和工业生产实时调度，并通过本地设备与云端设备的交互，不断提高模型准确性，优化工业生产效率。
-
公开(公告)号：CN113393495B
公开(公告)日：2022-02-01
申请号：CN202110685692.8
申请日：2021-06-21
Applicant: 暨南大学
IPC: G06T7/246 , G06T7/277 , G06T5/00 , G06T5/50 , G06T3/00 , G06V20/10 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于强化学习的高空抛物轨迹识别方法。所述方法包括：通过图像传感器采集被监控窗户区域的高空抛物轨迹图像；对所述高空抛物轨迹图像进行预处理得到预处理图像信息；根据所述预处理图像信息判断所述图像传感器是否被遮挡；在判断所述图像传感器未被遮挡时，将所述预处理图像信息输入至处理器，所述处理器获取经过强化学习后的预训练目标模型，并通过所述预训练目标模型对所述预处理图像信息进行高空抛物识别得到高空抛物识别结果信息；所述处理器将高空抛物识别结果信息存储至数据存储单元和云服务器及储存器中，以对所述预训练目标模型进行训练及更新。本发明通过强化学习模型对高空抛物轨迹进行识别，提高了识别准确率。
-
公开(公告)号：CN113360618A
公开(公告)日：2021-09-07
申请号：CN202110633919.4
申请日：2021-06-07
Applicant: 暨南大学
IPC: G06F16/332 , G06F16/33 , G06N3/04
Abstract: 本发明提出一种基于离线强化学习的智能机器人对话方法及系统，方法包括获取已有的对话数据信息，基于对话数据构建训练集；在训练集抽取预设关键信息，对关键信息进行数据处理,引入非策略的批量强化学习算法；构建基于对话预判模型，并利用基于关键信息得到的数据对模型进行训练；获取待交流对话的数据信息；从数据信息中抽取预设关键信息，通过数据处理得到第一向量；利用已训练的模型处理第一向量，得到对应的第一标签，根据第一向量和第一标签进行决策输出；基于决策与用户进行对话。系统包括GPU服务器、模型存储器、存储模块、语言数据库、离线强化学习处理器、CPU处理器、语言收集模块和智能对话执行模块。
-
Patent Agency Ranking
公开(公告)号：CN113284613A
公开(公告)日：2021-08-20
申请号：CN202110565687.3
申请日：2021-05-24
Applicant: 暨南大学
Abstract: 本发明公开一种基于深度学习的人脸诊断系统，人脸诊断系统包括模型构建模块和模型应用模块，模型构建模块包括中央处理器、GPU服务器和模型构建存储器，模型构建存储器中存储有可以被中央处理器运行的程序，并且可以存储相关疾病患者的面部图像，模型应用模块包括神经网络芯片和摄像头，摄像头用于采集患者的面部照片，神经网络芯片可以搭载辅助诊断模型，辅助诊断模型基于深度卷积神经网络，通过训练、验证和优化得到，可基于人脸图像预测出特定疾病的患病概率。本发明采用上述基于深度学习的人脸诊断系统，可预测出某些疾病的患病概率，从而协助医生进行疾病的筛查工作，提高了诊断准确率和效率。
-
公开(公告)号：CN113065480A
公开(公告)日：2021-07-02
申请号：CN202110382382.9
申请日：2021-04-09
Applicant: 暨南大学
IPC: G06K9/00 , G06K9/32 , G06K9/34 , G06K9/62 , G06N3/08 , G06T3/40 , G06T5/00 , G06T5/20 , G06T5/30
Abstract: 本申请涉及书法作品风格的识别方法、装置、电子装置和存储介质，其中，该书法作品风格的识别方法包括：通过获取待识别的书法作品图像；对书法作品图像进行预处理，并对预处理后的图像进行书法字定位裁剪，得到至少一幅字图像，其中，预处理包括：中值滤波降噪处理、二值化处理、腐蚀膨胀的形态学图像处理；利用胶囊网络模型处理至少一幅字图像，获得每一幅字图像对应的第一分类标签，其中，胶囊网络模型被训练为用于根据字图像得到与该字图像对应的分类标签；根据第一分类标签确定书法作品图像的风格识别结果。通过本申请，解决了相关技术中书法作品风格的识别准确率低、效率不高的问题，实现了书法作品风格的快速准确识别。
-
公开(公告)号：CN113010849A
公开(公告)日：2021-06-22
申请号：CN202110208156.9
申请日：2021-02-24
Applicant: 暨南大学
IPC: G06F17/18 , G06F17/16 , G06K9/00 , G01D21/02 , G06F16/901 , G06F16/9035 , G06F16/907 , H04W4/38 , G16Y10/05 , G16Y20/10 , G16Y40/10 , G16Y40/20
Abstract: 本发明提供了一种基于物联网的草场环境评价方法，属于生态环境监测技术领域。本发明提出了基于物联网的草场环境评价方法，草场信息中的各种环境因素对牧民放牧的权重不同，分析对比各因素特征，采用了一种多传感器数据融合算法，对草场环境数据进行分析处理，构建评价矩阵，对草场环境等级作出科学的评价。
-
公开(公告)号：CN118535875B
公开(公告)日：2025-03-28
申请号：CN202410657000.2
申请日：2024-05-24
Applicant: 暨南大学
Abstract: 本发明公开了一种工序随机失效的退役机电产品拆解方法、装置及设备，所述方法包括：利用贝叶斯网络对退役机电产品拆解过程中的各工序间失效因果关联进行分析，确定失效状态转移的概率；根据退役机电产品拆解过程中的失效样本数据，估计各拆解工序随机失效条件概率；结合遗传算法，根据工序的失效条件概率优化拆解工艺路线，搜索退役机电产品拆解的全局近似最优解；根据设计好的失效修复策略，针对已发生失效的工序采取相应修复操作，确保退役机电产品拆解过程中拆解序列的连续性。本发明能够深入探究拆解工序失效行为机理，并基于拆解工序之间的失效因果关联决策出全局最优拆解工艺路线。
-
公开(公告)号：CN117574762B
公开(公告)日：2024-12-10
申请号：CN202311534220.8
申请日：2023-11-17
Applicant: 暨南大学 , 内蒙古科学技术研究院
IPC: G06F30/27 , G01R31/367 , G01R31/378 , G01R31/382 , G06N3/0455 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种动力电池数字孪生模型的构建方法，该构建方法包括以下步骤：动力电池多尺度映像模型的构建；数据驱动模型的构建；以动力电池多尺度映像模型为基础，叠加数据驱动模型，构建动力电池数字孪生模型；针对动力电池数字孪生模型的数据进行处理，优化动力电池数字孪生模型；通过针对动力电池服役周期数字孪生模型的精准构建，采用数据驱动方法对实时监测的数据进行信息提取，并将提取的信息数据补充到多尺度映像模型中，优化了初始多尺度映像模型的精度，以及针对动力电池服役周期孪生数据处理方法的研究，通过多尺度数字孪生模型构件加上孪生数据的优化处理，使得动力电池孪生数据得到高精度表达。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.028 seconds)
