公开(公告)号：CN110426136A

公开(公告)日：2019-11-08

申请号：CN201910731928.X

申请日：2019-08-08

Applicant: 安徽大学 ,  江苏大学

Inventor： 潘天红 ,  樊苏皖 ,  陈山 ,  邹小波

IPC: G01K7/16 ,  G05B19/414

Abstract: 本发明公开了一种固态分层发酵移动式温度检测装置，涉及温度检测领域，包括AGV小车、测温装置；测温装置固定连接在AGV小车上；测温装置包括底座、X轴机械臂、X轴电机、Y轴机械臂、Y轴传动机构、Y轴电机、Z轴机械臂、Z轴传动机构、Z轴电机、热电阻；X轴电机固定连接在底座上，X轴电机连接X轴机械臂；Y轴机械臂固定连接在X轴机械臂上，Y轴传动机构设在Y轴机械臂上，Y轴电机连接Y轴传动机构；Z轴机械臂固定连接在Y轴传动机构上，Z轴传动机构设在Z轴机械臂上，Z轴电机连接Z轴传动机构；热电阻固定连接在Z轴传动机构上。本发明的优点在于：能够实现在不同位置实时测量不同深度的温度。

公开(公告)号：CN109447045A

公开(公告)日：2019-03-08

申请号：CN201811599542.X

申请日：2018-12-26

Applicant: 安徽大学 ,  江苏大学

Inventor： 潘天红 ,  李鱼强 ,  陈山 ,  邹小波

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明属于人工智能技术领域，具体涉及一种基于深度学习卷积神经网络的食用菌快速识别系统及方法；该系统包括深度学习卷积神经网络模块、消费者终端模块和控制端模块；深度学习卷积神经网络模块包括样本收集中心、数据采集中心及深度学习卷积网络模型构建及优化中心；控制端模块用于存储数据信息，还具备整理分析的功能，并将数据信息分享至消费者终端模块；消费者终端模块是指消费者直接接触的APP访问控制端；消费者通过APP访问控制端获取食用菌的相关信息；本发明采用图片信息输入提高了样本的有效信息，提高了系统的准确性；采用卷积神经网络，能够完成多变量同时测量，实现检测时间成倍地缩减。

公开(公告)号：CN112102898B

公开(公告)日：2022-09-23

申请号：CN202011001457.6

申请日：2020-09-22

Applicant: 安徽大学

Inventor： 潘天红 ,  李鱼强 ,  邹小波 ,  李国权 ,  李胜虎

IPC: G16C20/30 ,  G16C60/00

Abstract: 一种醋醅固态发酵过程谱图模态辨识方法及系统，包括采集醋醅样本，建立近红外光谱基线校正函数，并初始化校正函数参数，计算拟合基线，计算原始数据和拟合基线之间的差值，得到校正误差，根据校正误差大小确定基线区间和特征区间，对比间隔最大校正误差值与设定平均校正误差，由参数优化函数计算间隔平滑系数，基于校正误差计算权重系数，根据所计算的权重系数和间隔平滑系数进行基线更新，计算原始数据和拟合基线的相对拟合误差及当前迭代次数，判定是否终止，基于校正基线，获得醋醅发酵过程近红外光谱的校正数据；根据校正数据进行固体发酵阶段的模态辨识；本发明通过校正数据对醋醅固体发酵过程中的模态进行辨识，提高了模态识别的准确度。

公开(公告)号：CN112102898A

公开(公告)日：2020-12-18

申请号：CN202011001457.6

申请日：2020-09-22

Applicant: 安徽大学

Inventor： 潘天红 ,  李鱼强 ,  邹小波 ,  李国权 ,  李胜虎

IPC: G16C20/30 ,  G16C60/00

Abstract: 一种醋醅固态发酵过程谱图模态辨识方法及系统，包括采集醋醅样本，建立近红外光谱基线校正函数，并初始化校正函数参数，计算拟合基线，计算原始数据和拟合基线之间的差值，得到校正误差，根据校正误差大小确定基线区间和特征区间，对比间隔最大校正误差值与设定平均校正误差，由参数优化函数计算间隔平滑系数，基于校正误差计算权重系数，根据所计算的权重系数和间隔平滑系数进行基线更新，计算原始数据和拟合基线的相对拟合误差及当前迭代次数，判定是否终止，基于校正基线，获得醋醅发酵过程近红外光谱的校正数据；根据校正数据进行固体发酵阶段的模态辨识；本发明通过校正数据对醋醅固体发酵过程中的模态进行辨识，提高了模态识别的准确度。

公开(公告)号：CN110006844A

公开(公告)日：2019-07-12

申请号：CN201910427265.2

申请日：2019-05-22

Applicant: 安徽大学

Inventor： 潘天红 ,  李浩然 ,  陈山 ,  邹小波

IPC: G01N21/359 ,  G01N21/3563

Abstract: 本发明涉及一种基于函数性主元分析的近红外光谱特征提取方法，步骤为：S1、采集多种样本中近红外光谱的数据；S2、采用标准正态变换对所述近红外光谱的数据进行预处理；S3、获取处理后近红外光谱数据的样条函数；S4、对所述样条函数进行中心化处理；S5、计算中心化处理后的样条函数在不同波段函数之间的协方差；S6、计算协方差的第j个特征值；S7、计算累计贡献度；S8、计算不同波段的方程中函数形主元得分；本发明还公开了一种基于函数性主元分析的近红外光谱特征提取系统。本发明既增强了定标模型的稳健性，又改善了定标模型的预测能力，为近红外光谱数据提供了一种新的特征提取方法，具有很高的实用价值。

公开(公告)号：CN110100774A

公开(公告)日：2019-08-09

申请号：CN201910380544.8

申请日：2019-05-08

Applicant: 安徽大学

Inventor： 潘天红 ,  崔艳海 ,  陈山 ,  邹小波

IPC: A01K61/50 ,  G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于卷积神经网络的河蟹雌雄识别方法，涉及模式识别领域，包括以下步骤：收集雌河蟹和雄河蟹的腹部和蟹壳的原始图像，建立原始图像数据集，将原始图像数据集分为训练集和测试集；对训练集中的河蟹图像进行数据扩增处理，增加训练集中的河蟹图像的数量；对扩充处理后的训练集进行预处理；构建卷积神经网络模型；将预处理后的数据输入构建的卷积神经网络模型，对卷积神经网络模型进行训练；将测试集输入训练好的卷积神经网络模型，识别测试集中河蟹的雌雄。本发明的优点在于：有效提高了河蟹雌雄识别的准确率和生产效率。