-
公开(公告)号：CN113359744A
公开(公告)日：2021-09-07
申请号：CN202110684879.6
申请日：2021-06-21
Applicant: 暨南大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于安全强化学习及视觉传感器的机器人避障系统，包括卷积神经模块，所述卷积神经网络模块包括长短期记忆单元；还包括加入LSTM单元、第一卷积层、第二卷积层、第一全连接层、第二全连接层、输出层。本发明采用强化学习算法的增强，使多维，连续，多约束问题能够较好的收敛于信任域内，解决了以往带约束的强化学习算法的诸多问题。可以大幅提高生产安全，普适地应用在不同场合的危险工作上，在解放劳动力的同时，提高了操作安全性、精准性。
-
公开(公告)号：CN113313063A
公开(公告)日：2021-08-27
申请号：CN202110684484.6
申请日：2021-06-21
Applicant: 暨南大学
Abstract: 本申请涉及一种麦穗检测方法、电子装置和存储介质，其中，该麦穗检测方法包括：获取待检测的第一小麦图像；分别利用第一注意力机制检测模型和第二注意力机制检测模型对其进行处理，得到第一标签数据和第二标签数据，其中，第一注意力机制检测模型是根据样本小麦图像和对应的标签数据训练得到的，第二注意力机制检测模型是根据第一标签图像和第一标签图像所对应的实测标签数据训练得到的，第一标签图像是根据样本小麦图像和第一标签数据生成的训练数据；基于预设融合算法对第一标签数据和第二标签数据进行融合处理，并确定麦穗检测结果。通过本申请，解决了相关技术中麦穗检测性能差、成本高的问题，实现了麦穗的准确检测。
-
公开(公告)号：CN113283616A
公开(公告)日：2021-08-20
申请号：CN202110398156.X
申请日：2021-04-14
Applicant: 暨南大学
Abstract: 本发明公开了一种废旧产品拆解序列与拆解深度集成决策方法，包括以下步骤，S1、构建零件回收综合评价指标体系；S2、数据收集及预处理；S3、利用Choquet积分计算零件的回收评价值；S4、构造废旧产品的拆解优先图并赋予节点对应的零件的回收评价值；S5、采用拓扑排序的方法结合零件回收评价值确定完全拆解序列；S6、构造拆解深度价值曲线；S7、进行拆解深度决策。本发明方法与传统的优化方法相比，在保证解的质量的同时极大的缩短了求解废旧产品最佳拆解序列与拆解深度的速度，并且通过合理评价零件的回收效益提高了求得解的可靠性。
-
公开(公告)号：CN118761764B
公开(公告)日：2025-04-15
申请号：CN202410748245.6
申请日：2024-06-11
IPC: G06Q10/30 , G06N7/01 , G06N20/00 , G06Q30/0207
Abstract: 本发明公开了一种考虑级联失效的退役动力电池的拆解序列规划方法及装置，所述方法包括：建立退役动力电池的Petr i网拆解模型，该模型捕获了电池的拆解优先级关系和组件拆解状态；在Petr i网拆解模型中，利用马尔科夫决策过程来描述退役动力电池的拆解序列；采用改进的Q学习算法对拆解序列的决策进行优化。本发明能够很好地对级联失效情况下的拆解序列规划进行优化与决策。
-
公开(公告)号：CN119646650A
公开(公告)日：2025-03-18
申请号：CN202411669851.5
申请日：2024-11-21
Applicant: 暨南大学
IPC: G06F18/2415 , G06F18/214 , G06F18/25 , G06N7/01 , G06F17/16
Abstract: 本发明提出了基于Dirichlet分布的废旧零部件状态映射模型构建方法，针对废旧零部件质量评估的不确定性问题，构建一种基于Dirichlet分布的损伤‑质量状态映射模型(DBMS)，该模型通过对废旧零部件失效行为分析确定主要失效特征，采用多项分布对零部件损伤量数据进行数学抽象，选取Dirichlet分布作为先验概率分布，结合贝叶斯公式更新得到后验分布参数，从而获得损伤量数据映射到不同质量等级的后验概率期望值。进一步，引入D‑S证据理论融合损伤信息，实现对废旧零部件质量状况的综合评估。为了验证模型的可行性和有效性，以废旧涡轮蜗杆为案例研究对象，并与现有文献方法进行对比，实验结果显示，该模型在预测精度和泛化能力上具有优势。
-
Patent Agency Ranking
公开(公告)号：CN118709150A
公开(公告)日：2024-09-27
申请号：CN202410719672.1
申请日：2024-06-05
IPC: G06F18/27 , G06F18/21 , G06Q10/083
Abstract: 本发明公开了一种基于超效率SBM‑SFA‑Malmquist模型的城市群绿色物流效率评价方法及装置，所述方法包括：获取城市群绿色物流的目标物流指标的相关指标数据，并进行预处理；采用超效率SBM模型，分析预处理后的相关指标数据，计算各城市群绿色物流的第一阶段评价值；将第一阶段评价值计算得到的投入冗余值作为被解释变量，将环境因素指标作为解释变量，通过SFA回归分析模型进行分析，分离出环境因素指标的影响，调整投入指标的数据；利用调整后的投入指标的数据和原始的产出指标的数据，通过超效率SBM模型和Malmquist指数模型，计算第二阶段评价值；比较第一阶段评价值和第二阶段评价值，分析城市群绿色物流效率的提升情况。本发明能够系统性地评估城市群绿色物流效率。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.033 seconds)
