-
公开(公告)号：CN119762956A
公开(公告)日：2025-04-04
申请号：CN202510098099.1
申请日：2025-01-22
Applicant: 徐州高新区安全应急装备产业技术研究院 , 中国矿业大学
IPC: G06V20/00 , G06V10/24 , G06V10/25 , G06V10/46 , G06V10/52 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/092
Abstract: 本发明公开一种复杂场景小目标检测装置和方法、系统、存储介质，包括：自适应增强模块，用于提高对复杂场景下不同类型目标的关键特征聚焦与提取能力，包含对低质量图像进行自适应增强预处理和增强对不同类型目标的关键特征提取；特征提取模块，用于从增强处理后的图像中自适应挖掘出表征小目标关键特征的多尺度特征图；特征融合模块，用于根据多尺度特征，将包含目标细节信息的浅层特征图和蕴含类别语义信息的深层特征图进行融合，并提高对复杂且不规则小目标特征的敏感性；预测模块，用于根据从特征融合模块获取的融合特征图进行目标分类和定位。采用本发明的技术方案，实现对小目标的高精度识别与定位的同时具备多复杂场景的自适应能力。
-
公开(公告)号：CN118397357A
公开(公告)日：2024-07-26
申请号：CN202410549290.9
申请日：2024-05-06
Applicant: 徐州高新区安全应急装备产业技术研究院
IPC: G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及改进BIFPN与注意力机制的轻量化小目标检测方法，包括：获取待检测图像，将待检测图像输入改进的小目标检测模型，获取目标检测结果；其中，改进的小目标检测模型利用训练集训练获得，训练集包括VOC数据集和M‑Helmet自制数据集，改进的小目标检测模型通过基于CA注意力机制的小目标特征提取网络模块进行特征提取，基于BIFPN的小目标特征融合强化网络模块进行多尺度特征融合，同时利用EIOU损失函数优化改进的小目标检测模型的目标函数。本发明能够实现较高的目标检测精度，还具有实时性好、模型轻量化的优点。
-
公开(公告)号：CN217931594U
公开(公告)日：2022-11-29
申请号：CN202221948553.6
申请日：2022-07-27
Applicant: 徐州高新区安全应急装备产业技术研究院
Abstract: 本实用新型公开了一种井下重载辅助作业机器人，属于机器人技术领域，包括机体，机体内安装有多个第一气缸，第一气缸的机轴顶部穿出机体的上端面并插接固定有缓冲柱，缓冲柱上套有第一弹簧，多个缓冲柱与第一弹簧共同支撑有防护斗，防护斗的下端面固定有检测箱，检测箱内开设有第一安装腔与第二安装腔，第二安装腔内安装有气体检测仪，第一安装腔内升降安装有固定盒，固定盒的下端穿出检测箱的下端面，并转动安装有摄像头。该井下重载辅助作业机器人，能够利用气体检测仪与摄像头进行井内状况检测辅助，并配合防护斗与缓冲槽来对检测箱进行保护，从而相对于传统的人工检测来辅助重载作业，更加安全方便、检测结果更加精确。
-
公开(公告)号：CN112036301B
公开(公告)日：2021-06-22
申请号：CN202010895235.7
申请日：2020-08-31
Applicant: 中国矿业大学
Abstract: 本发明提供一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，首先提出了一种改进的分层迁移学习方法MSTL，不仅考虑了类内样本间近邻关系，保持类内数据的局部流形结构，还能够提高经迁移学习后域数据对不同类别的可分性，以提升故障诊断模型的对不同分布域样本的适应能力，同时可以降低特征集维度，提升故障诊断模型在变工况下的故障诊断性能。此外，针对单个传感器采集信号会存在一定的不确定因素的问题，采用D‑S证据理论进行驱动电机多源信息决策层融合，对振动和电流信号在模型上的诊断结果进行二级D‑S证据融合。本发明所提出的特征迁移学习方法MSTL和多源信息融合诊断模型能够提高故障诊断准确率，具有一定的实用价值。
-
公开(公告)号：CN112577743A
公开(公告)日：2021-03-30
申请号：CN202011231967.2
申请日：2020-11-06
Applicant: 中国矿业大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于最大局部边界准则的轴承故障诊断方法。具体包含采用双树复小波包变换DTCWPT对轴承振动信号分析，构建原始特征集，其次，提出故障敏感特征选取方法FSKNN，选取敏感特征集，然后，提出一种特征降维方法MLMC，通过矩阵映射变换获得高维敏感特征集的低维表达，输出低维特征集。最后构建轴承故障诊断模型OFS‑FSKNN‑MLMC‑SVM。本发明实施结果表明，故障敏感特征选取方法FSKNN方法能够有效选取敏感特征，MLMC方法一方面可以保留原敏感特征向量的局部流行结构和类别信息，另一方面可以实现特征降维，达到去除信息干扰和冗余的目的。基于故障试验台的实验结果表明，所提出的诊断模型能够明显提高不同工况下滚动轴承故障诊断的准确率。
-
Patent Agency Ranking
公开(公告)号：CN112229632A
公开(公告)日：2021-01-15
申请号：CN202010841331.3
申请日：2020-08-20
Applicant: 中国矿业大学
IPC: G01M13/045 , G06K9/62
Abstract: 本发明公开了一种基于敏感特征迁移学习的轴承故障诊断方法，属于故障诊断技术领域，具体包含采用双树复小波包变换DTCWPT对轴承振动信号分析，构建原始特征集，其次，使用故障敏感特征选取方法FSFCC,选取敏感特集，然后，提出一种改进TCA的特征迁移学习方法MTCA，处理有标签源域数据集与无标签目标域数据集，输出低维特征集。最后构建轴承故障诊断模型OFS‑FSFCC‑MTCA‑SVM。本发明实施结果表明所提出的MTCA方法能够有效降低不同域间分布差异，增强域数据的判别性能，提高使用源域数据训练的故障诊断模型的域适应能力，使故障诊断模型在不同工况下的故障诊断能够取得理想的性能。
-
公开(公告)号：CN112036301A
公开(公告)日：2020-12-04
申请号：CN202010895235.7
申请日：2020-08-31
Applicant: 中国矿业大学
Abstract: 本发明提供一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，首先提出了一种改进的分层迁移学习方法MSTL，不仅考虑了类内样本间近邻关系，保持类内数据的局部流形结构，还能够提高经迁移学习后域数据对不同类别的可分性，以提升故障诊断模型的对不同分布域样本的适应能力，同时可以降低特征集维度，提升故障诊断模型在变工况下的故障诊断性能。此外，针对单个传感器采集信号会存在一定的不确定因素的问题，采用D-S证据理论进行驱动电机多源信息决策层融合，对振动和电流信号在模型上的诊断结果进行二级D-S证据融合。本发明所提出的特征迁移学习方法MSTL和多源信息融合诊断模型能够提高故障诊断准确率，具有一定的实用价值。
-
公开(公告)号：CN112577743B
公开(公告)日：2021-08-17
申请号：CN202011231967.2
申请日：2020-11-06
Applicant: 中国矿业大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于最大局部边界准则的轴承故障诊断方法。具体包含采用双树复小波包变换DTCWPT对轴承振动信号分析，构建原始特征集，其次，提出故障敏感特征选取方法FSKNN，选取敏感特征集，然后，提出一种特征降维方法MLMC，通过矩阵映射变换获得高维敏感特征集的低维表达，输出低维特征集。最后构建轴承故障诊断模型OFS‑FSKNN‑MLMC‑SVM。本发明实施结果表明，故障敏感特征选取方法FSKNN方法能够有效选取敏感特征，MLMC方法一方面可以保留原敏感特征向量的局部流行结构和类别信息，另一方面可以实现特征降维，达到去除信息干扰和冗余的目的。基于故障试验台的实验结果表明，所提出的诊断模型能够明显提高不同工况下滚动轴承故障诊断的准确率。
-
公开(公告)号：CN113673346A
公开(公告)日：2021-11-19
申请号：CN202110818587.7
申请日：2021-07-20
Applicant: 中国矿业大学
Abstract: 本发明提出了一种基于多尺度SE‑Resnet的电机振动数据处理与状态识别方法，涉及故障诊断领域，首先，利用变分自编码器VAE对输入原始振动信号的特征概率分布进行学习，通过采样重构隐含变量作为深度特征，其次，将深度特征输入多尺度注意力残差网络SE‑Resnet，通过对不同尺度核的卷积特征的融合，输出多尺度特征，来提升输出特征空间的抗噪能力；最后，采用随机森林RF作为电机故障分类器，将得到的多尺度特征输入RF分类器中，实现电机故障状态识别。本发明所提出的方法可以利用多尺度特征提升模型识别精度的，能够减少对专家知识的依赖，尤其是提升模型在电机变工况和噪声干扰情况下的识别准确率，符合现实生产过程中的实际需要。
-
公开(公告)号：CN113159226B
公开(公告)日：2021-11-16
申请号：CN202110537216.1
申请日：2021-05-18
Applicant: 中国矿业大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G01R31/54 , G01R31/327
Abstract: 本发明公开了一种深度特征和统计特征融合的逆变器故障诊断方法，首先采用SE‑DenseNet方法提取逆变器三相输出电流信号的深度特征，并利用希尔伯特黄变换HHT方法提取电流信号样本的统计特征，将深度特征和统计特征进行组合；其次，利用局部Fisher判别分析算法LFDA对组合的高维特征进行降维，得到能够表达逆变器故障特征的低维特征，实现深度特征与统计特征的融合；最后，采用极限学习机ELM分类器，以低维特征为输入实现三电平逆变器故障状态识别。相比于传统的诊断方法，本发明所提出的诊断方法故障识别准确率更高，在不同工况下的故障诊断能够取得理想的性能，对实际工业场景具有更强的适应能力和泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.039 seconds)
