-
公开(公告)号：CN111488889A
公开(公告)日：2020-08-04
申请号：CN202010292008.5
申请日：2020-04-14
Applicant: 郑州轻工业大学
Abstract: 本发明公开了一种用于图像边缘提取的智能图像处理仪，具体涉及图像处理领域，包括图像集获取模块和FPGA芯片，图像集获取模块的输出端电性连接有AD转换电路，AD转换电路的输出端电性连接有矩阵信息提取器，矩阵信息提取器的输出端电性连接有特征提取模块和原图像数据输出，特征提取模块的内部设有图像信息分析模块、深度神经网络、比对模块和图像分类输出。本发明设置人工智能尽心预先的图像分类，对待提取的图像进行大批量的分类，并将图像信息数据化，无需图像边缘提取算法进行图像识别和图像优化，且利用FPGA芯片作为处理电路，可提高图像的定位精度，同时减少图像后续处理中的数据量，方便图像边缘提取的有效快速运行。
-
公开(公告)号：CN114266301B
公开(公告)日：2024-09-27
申请号：CN202111542143.1
申请日：2021-12-16
Applicant: 郑州轻工业大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/08 , G06Q50/06
Abstract: 本发明提出了一种基于图卷积神经网络的电力设备故障智能预测方法，步骤如下：采集待预测的电力设备的历史监测信息，对历史监测信息进行预处理，预处理后的监测信息和电力数据中心采集的数据集组成训练样本；构建图卷积神经网络，初始化神经网络参数；将监测信息作为图卷积神经网络的每个节点的输入，利用图卷积神经网络对监测信息进行故障分类；利用训练样本对步骤二构建的图卷积神经网络进行训练，得到优化图卷积神经网络模型；采集待检测设备的实时监测信息并进行预处理，将预处理后的监测信息输入到优化图卷积神经网络模型，获得故障预测结果。本发明具有较好的通用性，预测准确率较高，使用、部署和升级维护简单，无需硬件设备的升级改造。
-
公开(公告)号：CN118212403A
公开(公告)日：2024-06-18
申请号：CN202410448486.9
申请日：2024-04-15
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于空间上下文特征金字塔的小目标检测方法，其步骤如下：在空间金字塔上增加一条聚合路线构建空间上下文金字塔块模块；构建动态感知上采样模块；在基础网络Yolov5s的骨干网络之后以及颈部网络3个输出的特征图之后融合空间上下文金字塔块模块；在基础网络Yolov5s的颈部网络的前两个卷积层之后添加动态感知上采样模块，生成三个尺寸的特征图输入检测头网络，得到小目标检测模型；采用EIoU损失函数对小目标检测模型进行训练，得到训练后的小目标检测模型；将待检测的图像输入训练后的小目标检测模型，得到小目标检测结果。本发明充分提取了小目标物体的上下文特征信息，在较大的感受野中将空间信息与语义信息充分聚合，更加全面的区分小目标物体与背景信息，提高了小目标检测的检测精度。
-
公开(公告)号：CN111488889B
公开(公告)日：2023-11-07
申请号：CN202010292008.5
申请日：2020-04-14
Applicant: 郑州轻工业大学
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/063 , G06N20/00
Abstract: 本发明公开了一种用于图像边缘提取的智能图像处理仪，具体涉及图像处理领域，包括图像集获取模块和FPGA芯片，图像集获取模块的输出端电性连接有AD转换电路，AD转换电路的输出端电性连接有矩阵信息提取器，矩阵信息提取器的输出端电性连接有特征提取模块和原图像数据输出，特征提取模块的内部设有图像信息分析模块、深度神经网络、比对模块和图像分类输出。本发明设置人工智能尽心预先的图像分类，对待提取的图像进行大批量的分类，并将图像信息数据化，无需图像边缘提取算法进行图像识别和图像优化，且利用FPGA芯片作为处理电路，可提高图像的定位精度，同时减少图像后续处理中的数据量，方便图像边缘提取的有效快速运行。
-
公开(公告)号：CN116824845A
公开(公告)日：2023-09-29
申请号：CN202310638419.9
申请日：2023-06-01
Applicant: 郑州轻工业大学
Abstract: 本发明涉及交通调度技术领域，且公开了包括分布式交通信息采集模块、信息融合模块、大数据处理核心平台和智能调度模块，所述分布式交通信息采集模块设置于各个道路的路口处用于采集并分析道路上的车辆信息，分布式交通信息采集模块的输出端与信息融合模块的输入端通过5G的方式无线连接，所述信息融合模块用于收集所采集的车辆信息并进行统一的整合处理，所述新型融合模块的输出端与大数据处理核心平台的输出端电性连接，所述大数据处理核心平台包括数据分析模块、数据存储模块和数据传输模块。该基于大数据的交通调度系统，通过实时收集和分析交通信息，以优化城市交通流量，改善城市居民的出行体验，提高道路使用效率。
-
Patent Agency Ranking
公开(公告)号：CN115037628A
公开(公告)日：2022-09-09
申请号：CN202210562305.6
申请日：2022-05-23
Applicant: 郑州轻工业大学
IPC: H04L41/0895 , H04L41/16
Abstract: 本发明提出了一种基于深度强化学习的自适应服务功能链映射方法，步骤为：建立SFC映射模型，将SFC映射过程分为三层结构并进行抽象参数表示；搭建SFCR映射学习神经网络，并将抽象参数映射至SFCR映射学习神经网络中的状态、动作、奖励值；构建经验回放池并对网络参数更新；基于经验回放池中数据，统计不同VNF的请求率、使用率及现有部署数量和未激活个数；设计VNF再部署策略，根据统计的数据对VNF再部署。本发明具有维持网络环境稳定、提高用户服务质量的优势，能够有效解决现有映射方法随时间动态变化造成有效服务成本占比小及服务映射效率低问题；具有良好的自适应性，能提高不同时间段处理用户服务请求的有效服务成本率和请求映射率。
-
公开(公告)号：CN111582327A
公开(公告)日：2020-08-25
申请号：CN202010321829.7
申请日：2020-04-22
Applicant: 郑州轻工业大学
IPC: G06K9/62
Abstract: 本发明提供了一种面向智能终端的动作识别训练样本自动标注方法，包括：获取目标用户的未标注动作样本集；对获取到的所述未标注动作样本集进行层次聚类，以得到目标聚类集合，其中，目标聚类集合中每个元素记为一个聚类簇的聚心；基于预定动作识别模型对所述未标注动作样本集中的样本进行分类，以得到分类权值的归一化向量；基于所述归一化向量对所述目标聚类集合中的聚心进行标签投票，以得到聚心标签；基于所述聚心标签对所述未标注动作样本集中的样本进行标注，以得到所述目标用户的标注动作样本集。
-
公开(公告)号：CN111445425A
公开(公告)日：2020-07-24
申请号：CN202010378343.7
申请日：2020-05-07
Applicant: 郑州轻工业大学
Abstract: 本发明涉及AI芯片技术领域，且公开了一种用于AI芯片的智能图像处理方法，包括如下步骤：S1.工作现场获取场景图像，对图像进行采集；S2.将模拟图像信号数字化后传输给计算机处理并存储；S3.将S2中获取得到的模拟图像进行重建，进而获取模态图像；S4.根据S3中重建得到的模态图像进行噪声消除处理；S5.根据S4中得到的模态图像进行几何形变处理；S6.根据S5中的得到的模态图像进行彩色失调处理；S7.对S6中获取的模态图像进行几何校正。该用于AI芯片的智能图像处理方法，解决了因受到设备和环境因素的影响，往往会受到不同程度的干扰，如噪声、几何形变、彩色失调等，都会妨碍接下来的处理环节的问题，满足了使用的需要。
-
公开(公告)号：CN114884895B
公开(公告)日：2023-08-22
申请号：CN202210483572.4
申请日：2022-05-05
Applicant: 郑州轻工业大学
IPC: H04L47/2441 , H04L45/30 , H04L45/00 , G06N3/0464
Abstract: 本发明提出了一种基于深度强化学习的智能流量调度方法，其步骤为：实时采集数据中心网络拓扑中的流，根据不同类型的流特征将流分成大象流或老鼠流；分别建立大象流和老鼠流的节能和性能为联合优化目标的流量调度模型；建立基于CNN改进的DDPG智能路由流量调度框架并进行环境交互；状态映射：将三种状态信息共同作为状态集合CNN进行训练；动作映射：动作设置为流在时间和空间上均匀传输情况下每条路径节能和性能综合的权重，根据权重分别选取大象流或老鼠流的传输路径；奖励值映射：分别设计大象流和老鼠流的奖励值函数。本发明具有较好的收敛效率，有效提高了节能百分比和时延、吞吐量、丢包率等网络性能。
-
公开(公告)号：CN111198959B
公开(公告)日：2023-03-28
申请号：CN201911396473.7
申请日：2019-12-30
Applicant: 郑州轻工业大学
IPC: G06F16/51 , G06F16/55 , G06N3/0464 , G06N3/084
Abstract: 本发明提出了一种基于卷积神经网络的两阶段图像检索方法，其步骤如下：在VGG16网络的卷积层和密集连接层之间添加特征提取层构建卷积神经网络模型；利用训练集和验证集对卷积神经网络模型进行训练，利用反向传播调整卷积神经网络模型的参数；将测试集输入训练好的卷积神经网络模型，利用哈希函数映射将特征向量映射得到二进制哈希码，利用softmax分类函数对密集连接层输出的向量进行分类，构建二级索引库；将待检索图像输入训练好的卷积神经网络模型，进行第一阶段的检索，进行第二阶段检索。本发明在相应的图像类别下进一步搜索，通过分类优化检索实现了图像的精确分类和快速检索，加快了相似特征的检索速度，提高了查询效率。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.022 seconds)
