-
公开(公告)号：CN115329272B
公开(公告)日：2025-05-13
申请号：CN202210906863.X
申请日：2022-07-29
Applicant: 三峡大学
IPC: G06F17/18 , G06F18/2132 , G16C20/20
Abstract: 一种基于线性判别分析的土壤重金属来源解析方法，包括以下步骤：步骤1：对研究区进行监测布点，土壤样本采集以及土壤样品处理，测量土壤样本中重金属的含量；步骤2：进行描述性统计分析；步骤3：利用地统计学方法分析研究区域土壤重金属空间分布特征，识别污染源；步骤4：采用ALDS‑MLR受体模型解析土壤重金属污染源及其贡献率；步骤5：根据地统计分析的重金属空间分布特征识别的污染源及ALDS‑MLR受体模型解析的污染源及其贡献率，得到明确的污染源及贡献率；最终实现对研究区的土壤重金属来源解析。该方法结合地统计学方法探析了土壤中重金属的来源及其贡献率，以期为当地土壤重金属污染科学防控和修复治理提供理论依据。
-
公开(公告)号：CN119785171A
公开(公告)日：2025-04-08
申请号：CN202411781983.7
申请日：2024-12-05
Applicant: 三峡大学
IPC: G06V10/82 , G06V10/77 , G06V10/80 , G06V10/25 , G06V10/764 , G06V10/766 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于YOLOv8的共享映射差异补偿的变电站设备缺陷检测网络的构建方法，它包括以下步骤：步骤S1：从相应的数据库中加载目标检测图像数据，并转换为YOLO训练格式，将数据集被划分为训练集和测试集，以准备后续的模型训练和验证；步骤S2：构建改进的YOLOv8整体架构，将三个共享映射差异补偿分别添加至YOLOv8的三个检测头前；步骤S3：设计并实现共享映射差异补偿融合模块，该模块负责在不同的特征层之间进行深度特征融合，从而更好地突出异常信号；步骤S4：将变电站设备缺陷数据集输入到构建好的变电站设备缺陷检测模型中，并通过损失约束进行模型训练，最终输出缺陷检测结果；通过以上步骤对共享映射差异补偿的变电站设备缺陷检测网络进行构建。
-
公开(公告)号：CN119784615A
公开(公告)日：2025-04-08
申请号：CN202411782141.3
申请日：2024-12-05
Applicant: 三峡大学
IPC: G06T5/60 , G06T5/73 , G06N3/0475 , G06N3/045 , G06N3/0455 , G06N3/088 , G06N3/094 , G06N5/045
Abstract: 本发明提出了一种面向物理感知的无监督去雨网络的构建方法，包括：S1、构建一个包含两个子网的雨水图像生成分支；S2、构建清晰图像生成分支；S3、由输入特征O和雨水特征R利用物理模型得到一个清晰图像特征B’，将该清晰图像B’与B计算清晰一致性损失；S4、将清晰图像B与雨水层R相加得到一个雨水图像O’，与输入图像O计算内容一致性损失；S5、利用非配对数据集和两个网络输出的图像构建出双向全局局部对比损失以达到更好的图像重建效果。本发明解决当前了大多数的无监督去雨方法没有在特征空间中充分利用物理模型进行建模，特征空间中信息的物理可解释性不足的问题。
-
公开(公告)号：CN115081335B
公开(公告)日：2024-07-16
申请号：CN202210778405.2
申请日：2022-06-30
Applicant: 三峡大学
IPC: G16C20/20 , G06F30/27 , G16C20/70 , G06N3/006 , G06N3/0499 , G06N3/084 , G01N33/24 , G06F119/02
Abstract: 一种改进深度极限学习机的土壤重金属空间分布预测方法，它包括以下步骤：步骤1：确定研究区域内的调查网格；步骤2：在研究区域内采集土壤样品；步骤3：测定采集的土壤样品重金属浓度；步骤4：确定所需多源辅助变量；步骤5：筛选多源辅助变量；步骤6：基于土壤重金属浓度数据和辅助变量数据构建深度极限学习机；步骤7：用金枪鱼群优化算法优化所构建的深度极限学习机；步骤8：获得土壤重金属空间分布图。本发明的目的是提供一种利用深度极限学习机DELM来对土壤重金属浓度空间进行预测的方法，以提高土壤重金浓度空间预测的精度，进而为更好的进行土壤重金属污染防治做准备。
-
公开(公告)号：CN116246726A
公开(公告)日：2023-06-09
申请号：CN202211564600.1
申请日：2022-12-07
Applicant: 三峡大学
Abstract: 一种土壤重金属砷空间分布预测方法及系统，其方法包括步骤1、采集空间的重金属砷含量数据和环境辅助变量数据；步骤2、通过皮尔逊相关系数方法逐一筛选影响重金属砷含量数据的环境辅助变量数据；步骤3、将环境辅助变量数据输入搭载了两个模型的双网络极限学习机中，获取两个土壤重金属砷预测含量值；步骤4、再把两个模型分别预测出的土壤重金属砷含量值分配不同的权重，结合得出最终土壤重金属砷含量值预测结果；步骤5、根据预测出来的土壤重金属砷含量数据进行空间制图。本发明在提高极限学习机预测精度的基础上还解决了极限学习机网络的过拟合问题，为土壤调查与环境保护提供更为精准的信息及对于土壤重金属砷的防控治理。
-
Patent Agency Ranking
公开(公告)号：CN115598162A
公开(公告)日：2023-01-13
申请号：CN202111586536.2
申请日：2021-12-21
Applicant: 三峡大学(CN)
IPC: G01N23/223 , G06N3/00 , G06N20/00
Abstract: 本发明涉及基于堆叠式模型的土壤重金属含量检测方法，包括：采集土壤样品，配置预定重金属浓度范围的土壤样本；获取土壤样本的光谱，形成样本光谱数据集；利用迭代保留信息法筛选出光谱中的强信息变量与弱信息变量；选出具有代表性的四种特征变量选择方法，分别构建基学习器进行训练、测试；将基学习器集成，构建元学习器，并对元学习器进行训练、测试；将待检测土壤的光谱输入基学习器，依据元学习器得到的波长点判断分析土壤重金属的含量。本发明将多种波长变量选择算法并联、集成，克服了单一特征变量选择方法的缺陷，提高了土壤重金属含量的检测精度，检测结果稳定性好。
-
公开(公告)号：CN115169222A
公开(公告)日：2022-10-11
申请号：CN202210706800.X
申请日：2022-06-21
Applicant: 三峡大学
IPC: G06F30/27 , G06N20/00 , G06N3/00 , G01N23/223
Abstract: 一种多元智能优化多核极限学习机的土壤重金属检测方法，它包括以下步骤：步骤1：采集土壤样品X射线荧光光谱数据和重金属含量值，构建样本集，将样本集分为训练样本集和测试样本集；步骤2：对样本集或待检测光谱信息进行预处理；步骤3：对预处理后的光谱数据进行光谱特征变量选择，将特征变量对应的光谱数据作为新的训练样本集和测试样本集；步骤4：建立多核极限学习机，将训练集中的数据作为多核极限学习机的输入，将训练集中的土壤重金属含量作为极限学习机的输出；步骤5：采用优化后的正则化系数C、核函数参数S和权重系数W训练多核极限学习机，得到土壤重金属检测模型，将测试集输入检测模型，得到重金属的预测值。
-
公开(公告)号：CN110197205B
公开(公告)日：2022-04-22
申请号：CN201910385039.2
申请日：2019-05-09
Applicant: 三峡大学
IPC: G06K9/62 , G06V10/774 , G06V10/764 , G06N3/04
Abstract: 本发明公开了一种多特征来源残差网络的图像识别方法，构建多特征来源残差网络模型，通过卷积层和最大池化层提取浅层特征，通过多个残差模块提取深层特征，将浅层特征和深层特征相加，作为全连接层和分类器的输入；采用样本图片集对多特征来源残差网络模型进行训练、测试，采用梯度下降法对模型参数进行训练、优化；采用多特征来源残差网络模型对待分类图片进行识别分类，输出图片属于各个分类的概率。本发明提出的多特征来源残差网络模型将图像浅层特征与深层特征结合起来，作为全连接层以及分类器的输入，使模型能够兼顾图像的轮廓和纹理信息，从多个维度去认识图像，从而得到更准确的识别结果，提高了图像识别的精度。
-
公开(公告)号：CN111879803A
公开(公告)日：2020-11-03
申请号：CN202010632325.7
申请日：2020-07-03
Applicant: 三峡大学
IPC: G01N23/223
Abstract: 本发明公开了土壤重金属含量检测装置，包括箱体、照射模块、探测模块、初级滤光组件、次级滤光组件、微处理器、显示屏、定位模块、DTU模块，箱体顶部设有盖板，盖板与箱体滑动配合，箱体上部设有隔板，隔板中心设有通孔，通孔处设有盛放土壤样本的样本区，箱体中央设有挡板。照射模块包括X光管、第一支撑板、第一驱动电机，第一支撑板的旋转轴与第一驱动电机的转轴连接；探测模块包括探测器、第二支撑板、第二驱动电机，第二支撑板的旋转轴与第二驱动电机的转轴连接。本发明还公开了一种土壤重金属含量检测方法。本发明的土壤重金属含量检测装置，体积小、便于携带、操作简单，适用于野外现场快速检测，提高了检测效率。
-
公开(公告)号：CN114359509B
公开(公告)日：2024-07-09
申请号：CN202111470312.5
申请日：2021-12-03
Applicant: 三峡大学
IPC: G06T17/20 , G06T17/10 , G06T7/55 , G06T5/50 , G06V10/74 , G06V10/44 , G06V10/56 , G06V10/82 , G06N3/0464 , G06N3/048
Abstract: 一种基于深度学习的多视图自然场景重建方法，包括以下步骤：根据相机在不同角度拍摄的场景图片序列，首先对所有场景图像进行预处理，计算每幅图像的相机参数；根据提出的基于光度一致性度量图像相似度方法和视图选择算法，将其分为参考图像与源图像并在视图间进行支持域特征匹配。在卷积网络提取特征时根据匹配视图结果，构建图像特征金字塔；将所有原始图像以及参数文件经过改进的多视图立体重建神经网络,得到参考图像深度图，并在此深度图的基础之上融合成三维点云；运用表面重建算法生成场景网格模型，完成三维场景的重建工作。提高了基于图像的三维场景重建效率，实现特征图像块在跨视图中映射，使得提取的特征更加完善。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.022 seconds)
