-
公开(公告)号：CN103091593A
公开(公告)日：2013-05-08
申请号：CN201310044798.5
申请日：2013-02-04
Applicant: 广东电网公司电力调度控制中心 , 华南理工大学
Abstract: 本发明涉及电力通信设备相关技术领域，特别是涉及电力通信设备的故障监测方法及装置，故障监测方法包括：获取所述电力通信设备的至少一个电源故障参数，根据所述电源故障参数得到电源故障率；获取所述电力通信设备的至少一个通信设备家族性故障参数，根据所述通信设备家族性故障参数得到通信设备家族性故障率；根据所述电源故障率和通信设备家族性故障率得到所述电力通信设备故障率；根据所述电力通信设备故障率对所述电力通信设备进行故障监测。本发明利用设备历史运行统计数据和家族性问题统计数据来主导故障率的计算，根据电力通信设备故障率对电力通信设备进行监测，使到电力通信网所承载的业务不受损失。
-
公开(公告)号：CN103091593B
公开(公告)日：2015-10-21
申请号：CN201310044798.5
申请日：2013-02-04
Applicant: 广东电网公司电力调度控制中心 , 华南理工大学
Abstract: 本发明涉及电力通信设备相关技术领域，特别是涉及电力通信设备的故障监测方法及装置，故障监测方法包括：获取所述电力通信设备的多个电源故障参数，根据所述电源故障参数得到电源故障率；获取所述电力通信设备的多个通信设备家族性故障参数，根据所述通信设备家族性故障参数得到通信设备家族性故障率；根据所述电源故障率和通信设备家族性故障率得到所述电力通信设备故障率；根据所述电力通信设备故障率对所述电力通信设备进行故障监测。本发明利用设备历史运行统计数据和家族性问题统计数据来主导故障率的计算，根据电力通信设备故障率对电力通信设备进行监测，使到电力通信网所承载的业务不受损失。
-
公开(公告)号：CN119965848A
公开(公告)日：2025-05-09
申请号：CN202510083066.X
申请日：2025-01-20
Applicant: 华南理工大学
IPC: H02J3/00 , G06Q50/06 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/096 , G06N3/0895 , G06N3/09 , G06N3/048 , G06F18/24 , G06F18/213
Abstract: 本发明公开了一种基于深度学习的居民家电用电负荷预测方法、设备及介质，其中方法包括：收集居民用户用电设备负荷数据；根据收集到的数据构建训练集；搭建基于深度学习的具有长短时间视野的多任务预测模型，用于预测用电设备是否工作和预测该设备的用电负荷；设计多任务预测模型的三阶段训练策略，并采用训练集对模型进行训练；使用训练后的多任务预测模型用于预测接入虚拟电网的各居民用户的各用电设备在未来短期内的工作状态和用电负荷。本发明搭建多任务预测模型，通过三阶段策略训练模型，能够高效提取历史用电数据的长时间与短时间内的关键信息，具备多任务关联特征提取能力，动态适应不同场景，精准预测用电设备工作状态及负荷变化。
-
公开(公告)号：CN118447429A
公开(公告)日：2024-08-06
申请号：CN202410465287.9
申请日：2024-04-18
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于前景目标密集特征强化的自监督视频目标分割方法及系统，该方法包括下述步骤：获取视频目标分割数据集，将视频目标分割数据集划分为数据集A和数据集B，基于数据集A对ResNet‑18进行预训练，提取样本对的前景目标密集特征图，并输入至密集投影头得到密集特征向量；基于Huber Loss和Mask‑IoU Loss构建像素引导损失函数；基于数据集B进行帧间关系训练，最小化像素引导损失函数的计算结果以训练ResNet‑18，根据前一帧图像重构出下一帧图像；将前一帧图像的分割结果输入训练后的ResNet‑18，得到下一帧图像的分割结果。本发明能够提升模型视频目标分割的性能。
-
公开(公告)号：CN117788479A
公开(公告)日：2024-03-29
申请号：CN202410138739.2
申请日：2024-02-01
Applicant: 华南理工大学
Abstract: 本发明公开了一种自适应变分水平集图像分割方法，包括以下步骤：将待分割图像转换为灰度图像；基于灰度图像，构建自适应尺度函数，结合全局项和局部项，引入去噪项和正则项，建立灰度图像的能量函数；通过梯度下降流方法求解灰度图像的能量函数，得到迭代函数；利用迭代函数对灰度图像的初始轮廓进行迭代，当能量函数达到最小值时，得到灰度图像的目标对象的边界。本发明通过构建自适应函数，为每一个局部选择合适的局部大小，得到准确的分割图像，克服图像强度不均匀带来的影响。本发明通过结合全局项和局部项，能够同时利用全局项分割快和局部项克服强度不均匀性的优点，引入的去噪项能够克服噪声给图像分割带来的影响，极大地提高分割准确率。
-
Patent Agency Ranking
公开(公告)号：CN117333778A
公开(公告)日：2024-01-02
申请号：CN202311635737.6
申请日：2023-12-01
Applicant: 华南理工大学
IPC: G06V20/10 , G06F40/30 , G06V10/764 , G06V20/70 , G06F16/36
Abstract: 本发明公开的用于植物科普教育的基于知识图谱的零样本植物识别方法，包括以下步骤：（1）训练数据集获取，训练数据包括常见植物物种的视觉特征和描述性的语义信息，以及濒危植物物种描述性的语义信息；（2）模型训练，利用知识图谱建模语义信息的关联关系，通过结构保留约束促使学习语义空间到潜在空间的映射时保持结构信息，并学习视觉特征空间与潜在空间的循环映射，施加判别性约束，利用交替优化求得视觉特征空间和语义空间到潜在空间的映射；（3）零样本植物识别，将待识别的视觉特征映射到潜在空间，与映射后的濒危植物物种的语义信息相比较，得到识别结果。本发明将濒危植物识别归结为零样本学习问题，实现对濒危植物的自动识别。
-
公开(公告)号：CN112800951B
公开(公告)日：2023-08-08
申请号：CN202110109736.2
申请日：2021-01-27
Applicant: 华南理工大学 , 广州视声智能股份有限公司
IPC: G06V40/16 , G06V10/774 , G06V10/764
Abstract: 本发明公开了一种基于局部基特征的微表情识别方法、系统、装置及介质，其中方法包括以下步骤：获取微表情视频；将所述微表情视频转换为微表情图像序列，对所述微表情图像序列进行预处理，获得灰度人脸图像；提取所述灰度人脸图像的局部基特征，局部基包括左眼、右眼和嘴巴，局部基特征包括动态特征和静态特征；将所述局部基特征输入训练好的分类器进行识别，获得微表情识别结果。本发明提出一种新颖的特征提取框架，可有效识别各种强度范围内的表情，以及对帧速率几乎不敏感。本发明可广泛应用于图像处理技术领域。
-
公开(公告)号：CN111104929B
公开(公告)日：2023-05-09
申请号：CN201911423353.1
申请日：2019-12-31
Applicant: 广州视声智能科技有限公司 , 华南理工大学
IPC: G06V40/20 , G06T7/269 , G06V10/40 , G06V10/42 , G06V10/44 , G06V10/62 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于3D卷积和SPP的多模态动态手势识别方法，包括如下步骤：数据预处理，从RGB视频序列中提取光流特征和灰度特征，分别得到光流序列样本和灰度序列样本，并将每个光流序列样本和灰度序列样本及深度序列样本规整为32帧，每个样本维度为32×112×112；数据增强，通过平移、翻转、加噪及仿射变换，扩增序列样本数据集；神经网络训练，将灰度序列样本、光流序列样本、深度序列样本分别输入相同的网络结构，分别训练三个网络进行手势判别；模型集成，将三个网络对序列样本的分类结果进行集成，得到最终的判别结果；采用本发明技术方案能够提高手势识别的准确度。
-
公开(公告)号：CN110717513B
公开(公告)日：2023-04-07
申请号：CN201910836905.5
申请日：2019-09-05
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/774
Abstract: 本发明公开了一种基于多分类器的零样本深海生物图片分类方法，包括以下步骤：(1)图像特征数据导入，数据集由可见类别和不可见类别的视觉特征、语义及标签信息组成，以有标签的常见海洋生物种类为可见类别，以数据匮乏的深海生物种类为不可见类别；(2)类别具体分类器训练，利用可见类别数据训练，在保留流形结构的基础上，为不同类别建立不同的视觉语义映射，以提高可见类别的分类准确率；(3)不可见类别推断，通过将可见类别与不可见类别语义之间的权重进行迁移，使用可见类别的映射矩阵合成不可见类别的映射矩阵，根据距离得出不可见类别的标签。本发明在一定程度上降低了映射域漂移的影响，准确易行。
-
公开(公告)号：CN113673313A
公开(公告)日：2021-11-19
申请号：CN202110769676.7
申请日：2021-07-07
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于分层卷积神经网络的手势姿态识别方法，包括如下步骤：S1、训练数据集与模型预测数据准备；S2、手势姿态估计网络构建；主要包含：手势掩码分割网络、手势初步姿态估计网络和手势分层结构网络；S3、将训练数据输入所述手势姿态估计网络进行学习，输出预测姿态结果；S4、将手势姿态估计网络预测的结果与训练数据集中的对应标签数据进行不断对比，计算对应的损失值；将所述损失值反馈至手势姿态估计网络中并对网络进行不断参数修正；根据视频帧对应的预测手势姿态，确定目标所对应的手势姿态识别结果。本发明具有精度高的优点，在人机交互、虚拟现实与手语识别等领域具有巨大的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
164
records
(took 0.059 seconds)
