河流突发水污染应急管理系统
    4.
    发明公开

    公开(公告)号:CN115984068A

    公开(公告)日:2023-04-18

    申请号:CN202211690254.1

    申请日:2022-12-27

    Abstract: 本发明涉及水污染应急管理领域,具体涉及河流突发水污染应急管理系统,包括处理模块、污染识别模块、辅助决策模块和案例模块,处理模块将获取水质监测数据并发送至污染识别模块,污染识别模块对水质监测数据进行污染识别,并在识别到水质污染时向处理模块发送污染信号;处理模块根据收到的污染信号判断是否产生突发污染事件,当判断到产生突发污染事件时,处理模块向辅助决策模块发送决策信号,辅助决策模块根据决策信号从案例模块调取水污染应急处理案例形成辅助决策方案,并发送至处理模块进行处理模拟展示,辅助决策方案包括应急处理方式和应急模拟过程。本发明从应急处理方式和预先模拟两个方面出发,保证辅助决策方案的时效性。

    地表水环境质量智慧监测的水样采样系统

    公开(公告)号:CN115773903A

    公开(公告)日:2023-03-10

    申请号:CN202211543586.7

    申请日:2022-11-29

    Abstract: 本发明涉及水质监测方法领域,具体涉及地表水环境质量智慧监测的水样采样系统,包括后台处理器和位于监测点处的水质取样站;还包括对水质取样站的水样进行监测的若干水质监测设备,水质监测设备与后台处理器无线通信连接,并向后台处理器传送监测数据;水质取样站对监测点处的水样进行连续抽取存储并自动溢出多余的水样,水质取样站向水质监测设备分别输送水样进行水质分析得到监测数据。本发明用于连续监测水质的原水,使所采集的监测水样更均匀,提高水质情况的稳定性,减小监测误差,让水质监测结果更准确。

    一种半监督小样本深度学习图像模式分类识别方法

    公开(公告)号:CN107451565B

    公开(公告)日:2020-12-11

    申请号:CN201710647312.5

    申请日:2017-08-01

    Applicant: 重庆大学

    Abstract: 本发明涉及一种半监督小样本深度学习图像模式分类识别方法,属于图像识别领域。该方法包括步骤:S1:对图像样本进行预处理;S2:将预处理得到的数据输入训练好的网络中,网络通过3D卷积层进行特征提取,得到特征图层;S3:每个卷积层后接一个池化层,用于缩小特征图层的大小以减少网络中参数的数目;S4:将经过多层卷积层和池化层提取后的特征与一个全连接层相连,以提取和重新排列需要分类的特征;该层引入局部保邻的正则化操作;S5:输入待测样本,得到分类准确度。本发明利用了大量采集的无标签样本之间的位置相关性,提高了算法在小样本集合下的适用性与准确度。

    一种基于深度学习的超声造影肿瘤自动识别与检测方法

    公开(公告)号:CN106991445A

    公开(公告)日:2017-07-28

    申请号:CN201710219065.9

    申请日:2017-04-05

    Applicant: 重庆大学

    CPC classification number: G06K9/6268 G06N3/0454 G06N3/084

    Abstract: 本发明公开了一种基于深度学习的超声造影肿瘤自动识别与检测方法,包括以下步骤:获取目标区域的特征视频数据;对所述特征视频数据进行数据预处理:将预处理后的特征视频数据进行分块得到若干视频块;将视频块作输入到3D卷积神经网络中进行数据处理得到特征图层;将特征图层输入到全连接层中进行特征分类,最终判断分类是否为肿瘤。本发明提供的方法,利用3D卷积神经网络,能有效提取超声造影视频数据帧内与帧间的时间空间有效血流特征,并基于肿瘤组织与正常组织的差异性,结合了视频数据的时空特性,使用了3DCNN算法进行肿瘤分割,实现肿瘤组织的检测,比传统机器学习算法取得了更好的分割准确率。

    一种半监督小样本深度学习图像模式分类识别方法

    公开(公告)号:CN107451565A

    公开(公告)日:2017-12-08

    申请号:CN201710647312.5

    申请日:2017-08-01

    Applicant: 重庆大学

    Abstract: 本发明涉及一种半监督小样本深度学习图像模式分类识别方法,属于图像识别领域。该方法包括步骤:S1:对图像样本进行预处理;S2:将预处理得到的数据输入训练好的网络中,网络通过3D卷积层进行特征提取,得到特征图层;S3:每个卷积层后接一个池化层,用于缩小特征图层的大小以减少网络中参数的数目;S4:将经过多层卷积层和池化层提取后的特征与一个全连接层相连,以提取和重新排列需要分类的特征;该层引入局部保邻的正则化操作;S5:输入待测样本,得到分类准确度。本发明利用了大量采集的无标签样本之间的位置相关性,提高了算法在小样本集合下的适用性与准确度。

Patent Agency Ranking