-
Patent Agency Ranking
公开(公告)号：CN118571253A
公开(公告)日：2024-08-30
申请号：CN202411054510.7
申请日：2024-08-02
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G10L25/30 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06F17/14 , G06F17/15 , G01M3/24 , F17D5/02
Abstract: 本发明提供一种基于时序变分自编码TS‑VAE的数据增强方法及系统，属于数据增强处理领域。为解决利用现有变分自编码器进行数据扩充时，声波信号不能直接输入，对提取长时间序列的时频特征的能力弱，计算效率低、扩充数据质量不佳问题。通过短时傅里叶变换将声波信号的波形图转化为频谱图；构建基于时间序列的变分自编码器TS‑VAE生成模型，在输入数据中增加时序窗口维度，分别在编码器和解码器中引入残差网络和时序趋势估计参数，利用频谱图对模型进行训练，通过皮尔逊相关系数评价并筛选生成信号。可提高模型对泄漏信号识别准确性和鲁棒性，实现管道泄漏数据扩充，为管道泄漏检测识别提供丰富样本。
-
公开(公告)号：CN118571253B
公开(公告)日：2024-10-25
申请号：CN202411054510.7
申请日：2024-08-02
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G10L25/30 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06F17/14 , G06F17/15 , G01M3/24 , F17D5/02
Abstract: 本发明提供一种基于时序变分自编码TS‑VAE的数据增强方法及系统，属于数据增强处理领域。为解决利用现有变分自编码器进行数据扩充时，声波信号不能直接输入，对提取长时间序列的时频特征的能力弱，计算效率低、扩充数据质量不佳问题。通过短时傅里叶变换将声波信号的波形图转化为频谱图；构建基于时间序列的变分自编码器TS‑VAE生成模型，在输入数据中增加时序窗口维度，分别在编码器和解码器中引入残差网络和时序趋势估计参数，利用频谱图对模型进行训练，通过皮尔逊相关系数评价并筛选生成信号。可提高模型对泄漏信号识别准确性和鲁棒性，实现管道泄漏数据扩充，为管道泄漏检测识别提供丰富样本。
-
公开(公告)号：CN118552828B
公开(公告)日：2024-11-08
申请号：CN202411002429.4
申请日：2024-07-25
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G06V10/82 , G08B17/12 , G06N3/045 , G06N3/0464 , G06N3/082 , G06V10/25 , G06V10/774 , G06V10/776
Abstract: 本发明一种基于深度学习的火灾检测方法、系统及存储介质，涉及目标检测技术领域，为解决现有的针对多变性的火灾进行目标检测存在提取特征困难、对小目标火焰的检测效果较差的问题。本发明的火灾检测网络模型包含特征提取主干网络、多尺度加权特征融合颈部网络和目标分类回归网络；特征提取主干网络引入拥有多个不同的分支的MCA注意力模块，以提取到多层次化的特征，且特征提取主干网络的前端卷积采用RepVB模块以降低模型参数量；通过多尺度加权特征融合颈部网络将骨干网络中多个阶段提取的特征加权融合进颈部网路，并且对颈部网路输出的多个特征也进行多层次化融合，再进行多个方向的权重回传以有效地融合高低维度的信息，以获取密集小目标信息。
-
公开(公告)号：CN118552828A
公开(公告)日：2024-08-27
申请号：CN202411002429.4
申请日：2024-07-25
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G06V10/82 , G08B17/12 , G06N3/045 , G06N3/0464 , G06N3/082 , G06V10/25 , G06V10/774 , G06V10/776
Abstract: 本发明一种基于深度学习的火灾检测方法、系统及存储介质，涉及目标检测技术领域，为解决现有的针对多变性的火灾进行目标检测存在提取特征困难、对小目标火焰的检测效果较差的问题。本发明的火灾检测网络模型包含特征提取主干网络、多尺度加权特征融合颈部网络和目标分类回归网络；特征提取主干网络引入拥有多个不同的分支的MCA注意力模块，以提取到多层次化的特征，且特征提取主干网络的前端卷积采用RepVB模块以降低模型参数量；通过多尺度加权特征融合颈部网络将骨干网络中多个阶段提取的特征加权融合进颈部网路，并且对颈部网路输出的多个特征也进行多层次化融合，再进行多个方向的权重回传以有效地融合高低维度的信息，以获取密集小目标信息。
-
公开(公告)号：CN116659767A
公开(公告)日：2023-08-29
申请号：CN202310394623.0
申请日：2023-04-13
Applicant: 东北石油大学三亚海洋油气研究院
IPC: G01M3/24 , G06N3/0464 , G06N3/048 , G06F18/2411 , G06F18/213 , G06F18/214 , G06N3/006
Abstract: 本发明涉及的是改进1DCNN的油气管道信息物理融合系统泄漏检测方法，它包括通过油气管道信息物理融合系统中的声波传感器获取油气管道数据同时上传至系统云端；通过调整网络结构和参数构建一维卷积神经网络1DCNN管道泄漏检测模型；构建1DCNN‑TSNE‑SVM模型，提取1DCNN网络各层特征并进行特征融合，通过TSNE算法对其进行降维，并采用粒子群优化PSO算法优化后的支持向量机SVM分类器进行分类识别；从系统云端下载各类管道信号构建训练样本和测试样本，进行训练及测试模型，对管道异常情况实时监测。本发明可以准确地发现管道发生泄漏并及时报警，减少经济损失。
-
-
-
-
Search Results
5
records
(took 0.044 seconds)
