公开(公告)号：CN117874431A

公开(公告)日：2024-04-12

申请号：CN202410165894.3

申请日：2024-02-05

Applicant: 贵州大学

Inventor： 张良 ,  刘争光 ,  喻名彪 ,  孙远航 ,  邓炬锋 ,  陈家兑

IPC: G06F18/10 ,  G06F18/241 ,  G06N3/0464 ,  G06F18/214

Abstract: 本发明公开了基于CBAM的AMT多分量噪声识别、降噪方法及系统，该方法聚焦于AMT信号的特征，从样本集的建立、神经网络的搭建、去噪流程的设计这三个方面进行改进：基于人文噪声的相关性，采取多分量的形式建立样本集，让神经网络在训练过程中可以寻找AMT各分量的潜在联系，构建更强的网络映射关系；②在神经网络的搭建中，在ResNet的基础上引入了CBAM结构，以提高网络的特征学习能力；③在去噪流程的设计中，根据短周期噪声的局部集中性，采用先识别后去噪的流程，以保护无噪数据段在去噪过程中不被破坏。最后，通过模拟实际实验、实际数据实验、对比实验证明了本发明技术方案可以取得比常规深度学习方法更高的去噪精度。

公开(公告)号：CN118839552A

公开(公告)日：2024-10-25

申请号：CN202410824236.0

申请日：2024-06-25

Applicant: 贵州大学

Inventor： 喻名彪 ,  赵伟 ,  孙远航 ,  张良 ,  赵雨皓

IPC: G06F30/23 ,  G06T17/20 ,  G06F30/17 ,  G01V7/00 ,  G06F111/10 ,  G06F111/20 ,  G06F119/14

Abstract: 本发明公开一种动基座重力梯度测量系统的自梯度确定、应用方法及系统，该方法通过网格剖分将用于机械制造的动基座重力梯度测量系统三维模型离散为体积微元，并根据体积微元的属性以及梯度仪的姿态更新体积微元在重力梯度仪测量坐标系中的坐标；根据体积微元的质量和中心坐标以及梯度仪的测量原理，计算每个时刻的所有体积微元对重力梯度仪的响应，并进行正交幅值解调，得到动基座重力梯度测量系统不同姿态下的自梯度。基于本发明的技术方案，构建了以动基座重力梯度测量系统机械设计三维模型数据、重力梯度仪的姿态为输入，同时考虑二阶及高阶梯度张量的自梯度数字孪生体，为梯度仪智能制造中梯度测量系统三维模型和自梯度的一体化设计奠定基础。

公开(公告)号：CN116645721B

公开(公告)日：2024-03-15

申请号：CN202310458735.8

申请日：2023-04-26

Applicant: 贵州大学

Inventor： 杨观赐 ,  李林翰 ,  李杨 ,  朱东莹 ,  何玲 ,  张良 ,  罗可欣 ,  蓝善根 ,  杨静 ,  胡丙齐

IPC: G06V40/20 ,  G06V10/774 ,  G06V10/46 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/44

Abstract: 本发明的一种基于深度学习的坐姿识别方法及系统，其特征在于：该方法包括如下步骤：S1、采集视频数据，构建包含人体骨骼关键点时空序列数据和局部骨骼夹角时空序列数据的多维度特征的人体异常坐姿训练数据集；S2、将基于图卷积神经网络的人体异常坐姿多时空尺度特征提取模型和基于循环神经网络的人体异常坐姿局部骨骼夹角特征提取模型提取的特征进行融合，并结合人体异常坐姿训练数据集，进行训练，获得人体异常坐姿识别神经网络模型；S3、采用Faster‑RCNN目标检测模型、HRNet人体姿态估计模型、人体异常坐姿识别神经网络模型，预测异常坐姿种类。本发明具有不易丢失坐姿特征、人体异常坐姿识别准确性高的特点。

公开(公告)号：CN116543908A

公开(公告)日：2023-08-04

申请号：CN202310686766.9

申请日：2023-06-12

Applicant: 贵州大学

Inventor： 杨观赐 ,  何宗霖 ,  张昌福 ,  邓炬锋 ,  张良 ,  王阳 ,  李杨 ,  罗可欣 ,  何玲 ,  刘丹 ,  蓝善根 ,  胡丙齐

IPC: G16H50/30 ,  G06V40/20 ,  G06V20/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明的一种基于时空双流网络的动作识别方法，包括如下步骤：确定动作类别；视频数据Dv采集；基于关键帧处理视频数据并构建动作类别数据集；构建时空双流网络Nst，空间特征提取模块Ms由9层三维卷积和5层三维池化以及一个全连接神经网络构成，时间特征提取模块由二维卷积分片单元和Transformer编码器以及全连接神经网络构成，将空间特征提取模块Ms获得的空间特征Fs与时间特征提取模块Mt获得的时间特征Ft融合，获得融合特征Ffusion；基于时空双流网络进行动作识别，将融合特征Ffusion输入至softmax分类器，获得动作类别概率分布Ap，输出动作类别Aresult。本发明具有能提高识别精度的特征。

公开(公告)号：CN119691361A

公开(公告)日：2025-03-25

申请号：CN202411867910.X

申请日：2024-12-18

Applicant: 贵州大学

Inventor： 徐军 ,  张良 ,  张浩 ,  孙远航 ,  喻名彪 ,  陈家兑 ,  梁璐娜

IPC: G06F18/10 ,  G01M13/04 ,  G06F17/16 ,  G06F17/18 ,  G06F17/14

Abstract: 本发明公开了基于双稀疏字典自适应的降噪方法、轴承故障诊断方法及系统，该方法对待降噪信号进行小波分解得到高频信号和低频信号并构建出高频矩阵和低频矩阵；再对高频矩阵和低频矩阵均进行基于阈值自适应的DDTF字典学习，即设置初始字典并进行学习得到初始稀疏系数矩阵，对初始稀疏系数矩阵使用自适应阈值更新，即从初始稀疏系数矩阵中按照从大到小的顺序，在迭代过程中选择稀疏系数作为动态阈值，用以更新初始稀疏系数；确定最终阈值后得到最终的稀疏系数矩阵，进而再次更新字典，得到子信号，最后对得到子信号进行逆变换和矩阵重排逆运算得到降噪信号。本发明结合小波分解以及DDTF，构建出双稀疏模式，有效提高固定基的稀疏表示能力。

公开(公告)号：CN116645721A

公开(公告)日：2023-08-25

申请号：CN202310458735.8

申请日：2023-04-26

Applicant: 贵州大学

Inventor： 杨观赐 ,  李林翰 ,  李杨 ,  朱东莹 ,  何玲 ,  张良 ,  罗可欣 ,  蓝善根 ,  杨静 ,  胡丙齐

IPC: G06V40/20 ,  G06V10/774 ,  G06V10/46 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/44

Abstract: 本发明的一种基于深度学习的坐姿识别方法及系统，其特征在于：该方法包括如下步骤：S1、采集视频数据，构建包含人体骨骼关键点时空序列数据和局部骨骼夹角时空序列数据的多维度特征的人体异常坐姿训练数据集；S2、将基于图卷积神经网络的人体异常坐姿多时空尺度特征提取模型和基于循环神经网络的人体异常坐姿局部骨骼夹角特征提取模型提取的特征进行融合，并结合人体异常坐姿训练数据集，进行训练，获得人体异常坐姿识别神经网络模型；S3、采用Faster‑RCNN目标检测模型、HRNet人体姿态估计模型、人体异常坐姿识别神经网络模型，预测异常坐姿种类。本发明具有不易丢失坐姿特征、人体异常坐姿识别准确性高的特点。