-
公开(公告)号：CN113158829A
公开(公告)日：2021-07-23
申请号：CN202110343840.8
申请日：2021-03-31
Applicant: 安徽大学
Abstract: 本发明公开了一种基于EfficientDet网络的深度学习矿石测量方法及应用系统，其中包括：通过高帧率摄像头获取流动皮带上的矿石图像；预处理矿石图像：标记图像中所有矿石，去除异常数据，对图像进行数据增强；将标记后的样本按7：2：1分为训练集，验证集和测试集；使用EfficientDet网络进行训练得到网络模型；在测试的时候使用EfficientDet网络模型得到的预测框定位出矿石的位置并通过摄像头的焦距以及图像像素大小计算出矿石的大小；根据系统预设阈值，发现有矿石大小超过系统阈值时发出提醒。本发明可以的高效的检测矿石的大小，相对于其他网络模型，使用更少的参数，有更快的检测速度，极大地降低了对人工的依赖。
-
公开(公告)号：CN113032917A
公开(公告)日：2021-06-25
申请号：CN202110236892.5
申请日：2021-03-03
Applicant: 安徽大学
IPC: G06F30/17 , G06F30/27 , G06F119/02 , G06F119/04
Abstract: 本发明公开了一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，本方法设计计算机视觉领域，主要解决工业生产中故障轴承数据量少，故障样本不平衡，成功检测率低的问题。应用生成对抗网络提高样本容量，在通过卷积循环神经网络训练样本，以达到对轴承故障的分类，提高检测准确率。
-
Patent Agency Ranking
公开(公告)号：CN114038027A
公开(公告)日：2022-02-11
申请号：CN202111064921.0
申请日：2021-09-11
Applicant: 安徽大学
Abstract: 本发明公开了一种基于人脸识别的眼镜试戴方法，本方法涉及计算机视觉领域与在线试戴领域，主要解决通过人脸识别算法，定位双眼位置，对用户选择的眼镜图片进行实时处理，从而实现线上眼镜实时试戴，灵活解决眼镜试戴依赖于线下实体店问题。
-
公开(公告)号：CN113496061A
公开(公告)日：2021-10-12
申请号：CN202110236874.7
申请日：2021-03-03
Applicant: 安徽大学
IPC: G06F30/17 , G06F30/27 , G06F119/02 , G06F119/04
Abstract: 本发明涉及迁移学习和自适应神经网络聚类轴承故障分析技术领域，公开了一种基于迁移学习和流形距离的SOM网络聚类机电设备轴承故障分析方法。具体过程如下：原始采集信号经过CEEDAN及FastICA技术除噪处理形成重构原信号，将其作为SOM自适应神经网络的输入；在SOM网络中，考虑利用流形距离计算相似度矩阵，并引入迁移学习模型机制，将数据样本的源域和目标域的SOM神经网络节点的权重参数共享，通过源域训练结果优化目标域聚类任务函数及神经元权重；通过SOM神经网络目标域输出层结果完成目标域样本的聚类任务，得到聚类结果，输出机械故障诊断类型。
-
公开(公告)号：CN113158827A
公开(公告)日：2021-07-23
申请号：CN202110342699.X
申请日：2021-03-30
Applicant: 安徽大学
Abstract: 本申请公开了一种基于深度学习的矿石尺寸监测预警系统及方法，其中方法包括：通过高清高帧率摄像头采集爆破大块矿石的图像数据集，通过Labelme工具对图像数据集进行标注并保存为json格式；对图像数据集进行数据增强，提高模型的泛化能力；将图像扩充数据集分为：训练集和验证集；设置RetinaNet网络结构识别模型的特征提取层为ResNet50，设置Retinanet网络结构识别模型的特征融合网络层为FPN（特征金字塔网络）仍需采取人工搬运的低效现状，该方法可以高效且准确地完成矿石尺寸的监测预警。
-
公开(公告)号：CN113158769A
公开(公告)日：2021-07-23
申请号：CN202110236563.0
申请日：2021-03-03
Applicant: 安徽大学
IPC: G06K9/00 , G06K9/62 , G01M13/045
Abstract: 本发明涉及自适应噪声的完备经验模态分解CEEMDAN和固定点算法FastICA技术领域，公开了一种基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法。具体过程如下：通过放置在机电设备上的传感器采集设备振动信号作为原始数据样本；根据采集数据样本，利用CEEMDAN自适应噪声的完备经验模态分解方法对其进行分解，得到若干本征模态函数IMF，将其作为观测信号X(t)；再通过FastICA算法得出源信号估计S(t)；再利用ICA逆变换得出新的IMF，将IMF直接累加达到所需重构信号；利用深度学习网络模型分类识别，实现对轴承状态的诊断。通过本发明的技术方案，使得信号提取效果显著提升，识别准确率明显提高。
-
公开(公告)号：CN113032916A
公开(公告)日：2021-06-25
申请号：CN202110236878.5
申请日：2021-03-03
Applicant: 安徽大学
IPC: G06F30/17 , G06F30/27 , G06F119/02 , G06F119/04
Abstract: 本发明公开了一种基于迁移学习的贝叶斯网络的机电设备轴承故障预测方法，具体过程如下：原始采集信号经过CEEMDAN及FastICA技术除噪处理形成重构原信号；引入迁移学习，将原信号经过神经网络聚类得到按照故障类型分类的信号集，将该信号集作为目标域数据集，成为贝叶斯网络的输入，在源域中选取参照样本集作为源域贝叶斯网络的训练集；基于协变量移位理论，利用源域的训练数据完成对目标域上的参数损失值的最小化的目标，实现对目标域上的贝叶斯网络的极大似然估计的优化；通过目标域上贝叶斯网络的输出返回结果，并进行可视化体现，若非正常状态下则发出警告，衰退状态下给机械设备返回参数信息，指示机器在一定范围内调整转速等可自调参数。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
