空间、频域联合的任意尺度多模态遥感图像的超分辨率重建方法

    公开(公告)号:CN118799183A

    公开(公告)日:2024-10-18

    申请号:CN202411027238.3

    申请日:2024-07-30

    Applicant: 安徽大学

    Abstract: 本发明公开了一种空间、频域联合的任意尺度多模态遥感图像的超分辨率重建方法,包括:1、获取低分辨率的多模态遥感图像集与高分辨率图像,2、构建超分辨率重建网络,包括:上采样模块、浅层特征提取模块、N个级联的编码器模块、多模态融合模块、中间模块和N个级联的解码器模块以及通道映射模块,3、通过反向传播算法对所述超分辨率重建网络进行训练,并使用损失函数计算网络损失以更新网络参数,直至损失函数收敛为止,从而得到训练好的超分辨率重建模型。本发明能在大因子退化的场景下,解决重建结果语义错误和模糊效果的问题,从而能提高重建图像质量。

    一种改进模拟退火算法的二维矩形件排料方法

    公开(公告)号:CN118674091A

    公开(公告)日:2024-09-20

    申请号:CN202410629430.3

    申请日:2024-05-21

    Applicant: 安徽大学

    Abstract: 本发明涉及矩形件排料领域,本发明公开了一种改进模拟退火算法的二维矩形件排料方法,基于Metropoli准则选择毛胚编号,该方法包括以下步骤:Step1:给当前要生产的毛胚进行编号,按照其型号分别编号为1,2,3…M;本发明将改进后的自适应模拟退火算法和贪心算法相结合,转而提出一种基于概率搜索的随机切割模型,从而进一步降低板材数的使用,提高板材利用率,使得算法更快收敛,缩减排样方案数量,更符合工厂需求,在自适应模拟退火算法模块,将模拟退火中的重要参数用订单的毛胚种类,订单数量等代替,并且在订单数量或者板材无法在被利用时主动退出降温过程,使得大型订单具有更大的搜索范围,小型订单适当降低搜索范围。

    基于改进遗传算法的单规格一维下料方法及装置

    公开(公告)号:CN115829030A

    公开(公告)日:2023-03-21

    申请号:CN202211537673.1

    申请日:2022-12-01

    Applicant: 安徽大学

    Abstract: 本发明涉及计算机应用技术领域,解决了型材优化率低且排样方式多从而导致工厂加工不便的技术问题,尤其涉及一种基于改进遗传算法的单规格一维下料方法及装置,包括:根据基因编码方式生成初始种群,并调用深度搜索对初始种群进行寻优得到不完整种群;采用启发式算法对不完整种群中的个体进行基因修复,根据适应度函数计算各个修复后的个体的适应度并将适应度值最大的个体作为优势种群;对优势种群调用启发式算法进行多样化处理,并从中提取适应度值最大的个体作为当代种群;最后将进行交叉和变异得到的最优种群视为一维下料方案。本发明通过将深度搜索融合至遗传算法,在保证利用率不降低的前提下,大幅缩减排样方案,更加符合工厂加工需求。

    一种基于红外图像的电力杆塔局部放电检测方法及装置

    公开(公告)号:CN115616356A

    公开(公告)日:2023-01-17

    申请号:CN202211278196.1

    申请日:2022-10-19

    Applicant: 安徽大学

    Abstract: 本发明涉及局部放电检测技术领域,解决了对电力杆塔进行局部放电现象检测困难的技术问题,尤其涉及一种基于红外图像的电力杆塔局部放电检测方法,包括以下步骤:S1、获取带有温度数据的电力杆塔的红外图像;S2、对红外图像进行温度检测,获取红外图像中的最高温度值和最低温度值;S3、将红外图像转为灰度图片,根据最高温度值和最低温度值计算灰度图片中温度值与灰度值的线性关系;S4、设定温度突变检测阈值,使用斑点检测算法检测红外图像温度值与灰度值的关系中的温度异常突变点,温度异常突变点即为局部放电区域。本发明通过红外摄像头拍摄的带有温度数据的图像,经过检测能够对所拍摄的电力杆塔判断是否存在局部放电现象。

    一种基于偏多标记学习的图像标注方法

    公开(公告)号:CN118334466A

    公开(公告)日:2024-07-12

    申请号:CN202410442240.0

    申请日:2024-04-12

    Applicant: 安徽大学

    Abstract: 本发明公开了一种基于偏多标记学习的图像标注方法,包括:1)构建特征信息矩阵和逻辑标记矩阵;2)建模分类器相关性和噪声标记矩阵;3)学习全局标记相关性和局部标记相关性,基于最小生成树(MST)技术来获得特征空间的全局流形结构信息,然后将其转换为标记空间,作为全局标记相关性,同时引入一个局部标记流形正则器来捕获局部标记相关性;4)通过迭代优化策略求解模型;5)利用训练好的模型对新的图像进行标记预测,实现对未见图像的标注。本发明使用偏多标记学习来解决图像标注任务,同时利用了全局和局部标记相关性,通过一个协方差正则项来学习分类器相关性,从而有效的提高了图像标注的准确性。

    一种基于选择性部分特征融合的步态识别方法

    公开(公告)号:CN116798125A

    公开(公告)日:2023-09-22

    申请号:CN202310798381.1

    申请日:2023-07-03

    Applicant: 安徽大学

    Abstract: 本发明公开了一种基于选择性部分特征融合的步态识别方法,属于步态识别技术领域,具体包括以下步骤:对步态识别数据集样本进行预处理,生成步态视频轮廓序列,将所述步态识别视频轮廓序列分批次输入3D卷积网络中进行特征提取;将提取到的特征输入到多尺度局部时间聚合模块中捕获区分性的运动特征;将所述运动特征再次输入3D卷积网络中提取细粒度的步态特征;将所述步态特征输入空间注意力模块中提取判别性的空间特征;将所述空间特征输入全连接层获取每个样本的预测概率;当训练次数达到预设次数时,输出符合要求的步态识别模型;本发明得到的步态特征更具有判别性,大大提高了对于不同个体的识别效果。

    一种基于改进遗传算法的单规格板材二维下料方法

    公开(公告)号:CN116680861A

    公开(公告)日:2023-09-01

    申请号:CN202310386393.3

    申请日:2023-04-12

    Applicant: 安徽大学

    Abstract: 本发明涉及板材下料技术领域,解决了现有技术中相应算法的时间以及复杂度高,同时对排样方式组合限制的技术问题,尤其涉及一种基于改进遗传算法的单规格板材二维下料方法,包括以下步骤:S1、根据毛坯数据生成每种毛坯对应的所有的同质块组合和规范尺寸;S2、根据所有的同质块组合和规范尺寸计算得出当前条件下的最优排样方式;S3、根据最优排样方式生成板材排样图,板材排样图即为最优的板材二维下料方式。本发明提出的单规格板材二维下料方法能得到高利用率的最优板材排样方式,同时对最优段、最优排样方式的分级求解方式可以很巧妙的避免无用的排样方式的生成,从而也能减少算法的运行时间。

Patent Agency Ranking