-
公开(公告)号：CN118781086A
公开(公告)日：2024-10-15
申请号：CN202410937329.4
申请日：2024-07-12
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明提供了基于概率分布优化和协同进化的缺陷检测方法及系统，涉及缺陷检测技术领域，包括，获取待检测的缺陷图像；利用训练好的缺陷检测网络对待检测的缺陷图像进行检测，得到缺陷检测结果。其中，缺陷检测网络包括边缘进化模块、上下文进化模块、特征融合模块和检测模块；边缘进化模块利用上下文特征作为条件，调整边缘特征概率分布，对边缘特征进行进化；上下文进化模块利用边缘进化模块输出的边缘特征作为约束，调整上下文进化的定义域范围，对上下文特征进行进化；特征融合模块融合边缘进化特征和上下文进化特征，得到融合特征；检测模块对融合特征进行检测。本发明能够提高在特征模糊和背景干扰环境下的缺陷检测精度。
-
公开(公告)号：CN118196089B
公开(公告)日：2024-08-06
申请号：CN202410605255.4
申请日：2024-05-16
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/096
Abstract: 本发明属于视觉缺陷检测领域，提供了一种基于知识蒸馏的玻璃容器缺陷检测网络轻量化方法及系统，包括对玻璃容器缺陷图片进行缺陷类别筛选、标注和数据预处理；采用搭建置信度蒸馏分支，训练教师模型得到教师模型权重，将训练好的教师模型进行推理，从教师模型取出置信度最高且互不重叠的多个预测框并训练学生模型进行置信度蒸馏；搭建全局蒸馏分支，训练教师模型得到教师模型权重，将训练好的教师模型进行推理，从教师模型取出多尺度特征并重新加载和训练好的学生模型权重进行全局蒸馏；利用置信度蒸馏分支和全局蒸馏分支实现对缺陷检测网络的轻量化。
-
公开(公告)号：CN116110081A
公开(公告)日：2023-05-12
申请号：CN202310382275.5
申请日：2023-04-12
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明涉及作业安全监测的技术领域，具体涉及基于深度学习的安全帽佩戴的检测方法及系统。本发明将图像采集，挑选，标注，预处理后进行模型训练与封装，控制中心部署封装好的模型。控制中心接收监控探头和无人机云台相机监控图像，调用头部区域检测算法，计算头部检测框像素总和。对低于100像素的区域提取中心坐标，使用噪声覆盖后。将监控图像送入安全帽佩戴检测模型检测。对提取出的所有中心坐标计算中心点，此中心点作为摄像头锁定跟踪算法的输入，调节摄像头方向并调整镜头放大倍数。再次获取图像进行检测。若检测到未佩戴安全帽则示警。本方案对工地未佩戴安全帽和有易坠落风险的行为进行分析识别，并及时示警，降低工地安全风险。
-
公开(公告)号：CN115510975A
公开(公告)日：2022-12-23
申请号：CN202211189813.0
申请日：2022-09-28
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
Abstract: 本发明提供了一种多变量时序异常检测方法及系统，包括以下过程：首先将数据进行预处理输入到特征提取模块中；利用T‑Transformer‑GRU提取时序数据的时间信息;利用F‑Transformer‑GRU提取数据的全局特征关联性;然后将两者进行结合形成新的数据维度作为异常检测模块的输入；通过GRU将新特征分别输入到重构模块和预测模块中，识别数据中的异常；将两者结果进行最优化组合得到异常检测分数；最后，将分数与提前设定好的阈值进行对比输入检测结果。本系统包括数据预处理、特征提取模块和异常检测模块。本发明既捕获数据的时间信息又捕获特征之间的关联性，并将预测和重构两种方式进行最优化结合，提高异常检测精度，增强系统的稳定性，能够处理多种时序数据异常检测任务。
-
公开(公告)号：CN115049635A
公开(公告)日：2022-09-13
申请号：CN202210796619.2
申请日：2022-07-06
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
Abstract: 本发明提供了一种基于Faster RCNN改进的芯片缺陷检测方法，涉及工业目标检测领域，该方法包括：对数据集进行预处理，采集训练样本集，把样本集导入Faster RCNN，通过特征提取网络对图像样本集进行特征提取，将提取到的特征输入到RPN模块进行训练生成建议框，通过样本集训练和微调得到Faster RCNN模型，使用Faster RCNN模块保存的训练参数对待检测芯片图像进行芯片缺陷检测；该样本集是使用公共合成PCB（印刷电路板）数据集训练所得出的模型，改进了特征提取网络，并使用权重自适应器进行加强学习，在一定程度上提高了检测速度和准确率，使得该发明具有更高的灵活性和识别精度，在电子信息产业中具有更好的实用价值和应用前景。
-
Patent Agency Ranking
公开(公告)号：CN116992870B
公开(公告)日：2023-12-19
申请号：CN202311242919.7
申请日：2023-09-26
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F40/279 , G06F16/28 , G06F17/16 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于非对称核函数的文本信息实体关系抽取方法及系统，涉及实体关系抽取技术领域，包括：获取目标文本的句子向量、实体掩码和关系掩码；所述关系掩码中包括实体词的掩码、处于实体词窗口内的周围词的动态掩码和处于实体词窗口外的边缘词的掩码；对句子向量进行特征编码；根据得到的特征向量和实体掩码得到实体向量，根据特征向量和关系掩码得到关系向量，将实体向量和关系向量作为参数以构建非对称核函数；根据非对称核函数确定目标实体对与每个关系的关联度，由此确定目标实体对在目标文本中的关系。实现对关系语义的聚焦，
-
公开(公告)号：CN116935221A
公开(公告)日：2023-10-24
申请号：CN202310901025.8
申请日：2023-07-21
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06V20/10 , G06V20/70 , G06V10/25 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08 , G06Q50/02 , G16Y10/05
Abstract: 一种基于物联网的植保无人机杂草深度学习检测方法，涉及图像识别技术领域，植保无人机对农田进行数据采集，进行挑选制作农作物与杂草数据集，利用农作物与杂草数据集进行分析标注并转换标注格式，图像预处理，特征提取网络模型搭建，特征融合网络模型搭建，图像训练及测试验证，对训练结果进行封装，构建物联网系统。解决了杂草识别准确率低的问题，具有鲁棒性高，泛化能力强，准确度高的特点。
-
公开(公告)号：CN116110081B
公开(公告)日：2023-06-30
申请号：CN202310382275.5
申请日：2023-04-12
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明涉及作业安全监测的技术领域，具体涉及基于深度学习的安全帽佩戴的检测方法及系统。本发明将图像采集，挑选，标注，预处理后进行模型训练与封装，控制中心部署封装好的模型。控制中心接收监控探头和无人机云台相机监控图像，调用头部区域检测算法，计算头部检测框像素总和。对低于100像素的区域提取中心坐标，使用噪声覆盖后。将监控图像送入安全帽佩戴检测模型检测。对提取出的所有中心坐标计算中心点，此中心点作为摄像头锁定跟踪算法的输入，调节摄像头方向并调整镜头放大倍数。再次获取图像进行检测。若检测到未佩戴安全帽则示警。本方案对工地未佩戴安全帽和有易坠落风险的行为进行分析识别，并及时示警，降低工地安全风险。
-
公开(公告)号：CN116307022A
公开(公告)日：2023-06-23
申请号：CN202211244827.8
申请日：2022-10-12
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学 , 山东山科数字经济研究院有限公司
IPC: G06Q10/04 , G06Q50/00 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08 , G06F16/901
Abstract: 本发明公开了一种针对于舆情热点信息预测的方法及系统，应用于网络信息安全领域。该系统合理应用深度学习方法将热点信息的转发过程进行建模，充分考虑了结构和时间信息，实现了端到端的预测。所述系统包括：将热点信息的转发过程转化为图结构；级联注意卷积网络（CAC）提取转发图信息；Dynamic Routing‑AT聚合CAC提取的信息；门控循环单元（GRU）处理时间信息；最后使用多层感知器（MLP）进行预测；模型测试。本发明为该领域提供了全新的针对社交平台复杂数据预测的系统CAC‑G，并且还提出了一种全新的转发图处理方法和聚合方式，解决了该领域对嘈杂的社交媒体数据利用率低，预测效率低等问题，满足了舆情热点信息的动态捕捉和快速精准预测的需求。
-
公开(公告)号：CN116092040A
公开(公告)日：2023-05-09
申请号：CN202310382096.1
申请日：2023-04-12
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06V20/56 , G06V10/82 , G06T7/00 , G06N3/084 , G06N3/0455
Abstract: 本发明涉及自动驾驶领域，具体涉及一种车道线预测和车道线缺陷检测方法，包括如下步骤：调节车载摄像头的角度获取各种情况下的真实的道路车道线正视图，对图片中的车道线进行准确的标注，构成训练数据集，并对训练数据集进行数据增强；模型搭建，在编码器中设计MBMA注意力模块，获得车道线特征信息特征图；利用步骤1中处理后的数据对步骤2中搭建好的模型进行训练；模型训练完成后，测试模型，取超过设定阈值的模型进行封装部署，将部署好的模型用于车道线预测和缺陷检测。本方案实现了对现有场景中车道线模糊、严重退化的精准预测；在预测车道线的同时，对车道线进行缺陷检测。
-
-
-
-
-
-
-
-
-
Search Results
120
records
(took 0.051 seconds)
