本发明公开了基于深度学习和支持向量数据描述的织物疵点检测方法,包含学习过程和检测过程。网络的学习是建立在无疵点图像基础上,通过图像预处理得到训练样本特征向量集,然后训练深度神经网络层叠自编码器(SAE)中的参数得到降维后的特征向量集,最后采用随机漂移粒子群优化(RDPSO)算法优化支持向量数据描述(SVDD)的参数。检测时,首先得到待检测图像的特征向量集,然后采用SAE得到降维后的特征向量集,最后输入到SVDD中得到疵点检测结果。本发明的方法能够解决现有疵点检测方法人为选择特征的缺陷和不足,提高检测效果的准确度和精度。
📄 2017114478366
📂 G06T7_00
👤 江南大学
📅 2017-12-27
本发明请求保护一种基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障诊断方法,其包括以下步骤:首先,通过对原始轴承振动信号进行CEEMD降噪处理,以降低信号冗余信息;基于降噪信号,进行角域重采样来获取角域信号;采用希尔伯特变换对角域信号进行处理来获取包络谱信号,将降噪信号、角域信号和包络谱信号融合成R‑G‑B彩色图像,以降低信号冗余信息,提升故障特征。然后,在ShuffleNetV2中加入SE注意力模块,并将ReLU激活函数替换为H‑Swish激活函数,以此来提升目标检测中的准确率同时避免神经元“坏死”现象。最后将处理好的信号输入到改进的ShuffleNetV2中实现故障诊断识别。
📄 2022115507780
📂 G06F18_24
👤 重庆邮电大学
📅 2022-12-05
本发明属于图像处理技术领域,公开了一种基于特征增强和深度网络的温控器质量检测方法及系统,收集温控器状态数据集,将其转化为YOLO训练格式,制作数据集的状态标签,并将其构建为训练集、测试集;优化YOLOv8检测算法,构建温控器质量检测模型;将采集的状态图像数据集的输入改进的YOLOv8网络进行训练,保存最优训练结果的检测模型;将采集的温控器状态图像作为测试集,输入保存的最优检测模型中,输出具体的检测结果;设定15分钟为温控器质量的检测时间阈值,在15分钟内,有标签为1的为不合格进行筛选,在15分钟时,有标签为0的为不合格也进行筛选。
📄 2024102731819
📂 G06V10_764
👤 陈春梅
📅 2024-03-11
本发明实施例提供了一种基于深度学习的纺织提花检测方法及系统,根据纺织提花检测数据通过第一纺织提花检测模型生成多个具有第一缺陷类别属性的纺织提花缺陷定位对象的第一纺织提花缺陷信息,然后根据纺织提花检测数据通过第二纺织提花检测模型生成包括与多个具有第一缺陷类别属性的纺织提花缺陷定位对象一一对应的多个具有第二缺陷类别属性的纺织提花缺陷定位对象的第二纺织提花缺陷信息,从而通过第一纺织提花缺陷信息和第二纺织提花缺陷信息生成包括多个具有目标缺陷类别属性的纺织提花缺陷定位对象的第三纺织提花缺陷信息。如此,能够提高纺织提花检测过程的效率,准确自动区分各种缺陷情况。
📄 2021106121141
📂 G06F30_27
👤 江苏盛邦纺织品有限公司
📅 2021-06-02
本发明涉及一种基于LSTM和MLP结合的化工过程故障诊断方法。本发明首先将原始一维数据通过降维,去掉部分冗余数据点。其次将得到的一维数据输入堆叠的LSTM,提取得到具有时间特性的特征信息。然后通过Flatten层将LSTM的输出数据展开,输入到由全连接层堆叠而成的MLP中。最后由最后一层全连接层中的Softmax分类器进行故障类别的分类。本发明充分利用了LSTM与MLP网络在时间与空间方面特征提取的优势,在两层LSTM后使用MLP网络去进行整体的特征提取与学习,本发明运用于非线性、高耦合、时变以及多特征点的化工过程数据,诊断效果较好。
📄 201911392603X
📂 G05B23_02
👤 杭州电子科技大学
📅 2019-12-30
本发明公开了一种基于深度学习驱动的生产过程质量智能监控方法及系统,涉及人工智能技术领域,包括:首先获取目标产品多模态质检指标状态与多个待匹配指标状态类别,抽取状态特征得到相应特征向量;依据多模态特征向量计算状态置信度分布;获取各复合异常质检状况的关系拓扑结构;结合置信度分布与拓扑结构对类别特征向量嵌入处理,得深度类别特征向量;据此确定匹配系数,最终依匹配系数确定目标指标状态类别作为质量监控结果,实现对生产过程质量的智能监控。
📄 2025105551390
📂 G06Q10_0639
👤 中泰智云(北京)科技有限公司
📅 2025-04-29
本发明公开了一种基于深度学习的无油超高速离心压缩机自动优化系统,属于离心压缩机的调节控制技术领域,包括:采集模块,用于采集压缩机的运行数据;预处理模块,用于对运行数据进行预处理;构建模块,用于构建基于长短时记忆网络的目标预测模型;划分模块,用于将运行数据划分为训练集和验证集;寻优模块,用于用训练集对目标预测模型训练,对目标预测模型进行超参数寻优;验证模块,用于利用验证集对目标预测模型进行预测准确率验证;获取模块,获取当前输入数据,利用训练后的目标预测模型给出当前目标数据,否则,调用寻优模块;优化模块,用于按当前目标数据对压缩机进行调整优化。提升自动化优化能力和优化准确性。
📄 2024103103588
📂 G06N3_0985
👤 宜兴市购乐网络科技有限公司
📅 2024-03-19
一种基于深度学习的填料塔液泛状态在线辨识方法,首先运行填料塔设备,获取其运行过程中的视频数据和标签数据;然后对数据进行预处理,包括视频截取和图像的时序化处理,并利用处理后的数据和标签数据制作数据集,将数据集分为训练集、验证集和测试集三部分;随后建立卷积长短期记忆神经网络模型并利用自适应矩估计训练模型;最后利用测试集评估训练后的网络模型是否满足辨识要求。本发明相较于传统方法更加准确且直观,利用深度学习技术对填料塔运行过程中的视频数据进行处理和分析,最终实现对其运行状态的在线辨识。
📄 2018104458002
📂 G06K9_00
👤 浙江工业大学
📅 2018-05-11
本发明公开了一种基于注意力机制的CNN‑GRU合模拉杆应变预测方法,包括:采集注塑机合模机构装调过程数据并进行预处理,用预处理后的合模机构装调过程数据构建样本数据集,将样本数据集划分为训练集和测试集;采用CNN‑GRU网络结构结合SE注意力机制构建多输入多输出合模机构拉杆应变预测模型,使用训练集对合模机构拉杆应变预测模型进行训练;使用测试集通过训练好的合模机构拉杆应变预测模型对合模机构装调过程进行预测,然后对最终预测结果进行评估;将训练好的合模机构拉杆应变预测模型部署到实际生产现场,输出当前装调操作后的拉杆应变预测值。本发明实现了对合模机构装调过程中拉杆应变的精准预测,提升了装配效率与质量。
📄 2024117969340
📂 G06N3_045
👤 浙江工业大学
📅 2024-12-09
本发明公开了一种装配机器人零件深度学习识别方法,包括如下步骤,先使用工业相机获取待识别工件的图像,再采用YOLOv3网络对图像进行识别,输出零件类别和位置信息;所述YOLOv3网络包括5个残差网络块,其特征在于,对每个残差网络块后引入CFENet模块,将CFENet模块融入到Darknet‑53特征提取网络进行图像特征提取。本发明具有不仅能够识别正常位姿下的工件,而且对相机过度曝光和工件相互遮挡等复杂情况中的零件具有较好的检测效果,识别准确率高等优点。
📄 2019104160110
📂 G06V10_762
👤 重庆理工大学
📅 2019-05-19
本申请提供了一种基于深度学习的直拉法单晶硅热场估计方法、装置和产品,涉及单晶硅制备技术领域,所述方法包括:获取直拉法制备单晶硅过程中的历史工况数据;基于本轮训练的共享参数,训练热场估计模型,得到本轮训练的输出结果;根据本轮训练的共享参数,以及具有高斯分布的动量变量,更新得到下一轮训练的共享参数;根据损失函数值对热场估计模型进行参数优化;基于下一轮训练的共享参数,对热场估计模型进行下一轮训练,直至达到预设训练次数;将最后S轮训练所得到的输出数据中的温度预测值的平均值,确定为对应位置的温度值,根据最后S轮训练所得到的输出数据中的温度预测值的标准差,确定热场估计模型的不确定性衡量值。
📄 2024104689835
📂 G06F30_27
👤 西安交通大学
📅 2024-04-18
本发明属于印刷品检测技术领域,本发明公开了一种基于深度学习的印刷品检测方法及系统,包括采集印刷品图像数据并进行多维拓扑映射匹配,利用基于特征分布形态与多尺度曲率半径对比方法,计算印刷品图像特征匹配度;将匹配度结果存储于检测记忆库,通过基于重放记忆的记忆更新机制,结合检测记忆库,对检测记忆进行动态增强与修正;将匹配度结果按照香农信息理论进行多通道信息熵路径建模,通过特征分维压缩与熵增重整方法进行自适应特征传输优化,采用动态余量冗余重传机制进行重传验证,得到高质量特征数据;提升了印刷品缺陷检测的准确率和实时响应能力,适应复杂多变的印刷品检测需求。
📄 2025107562101
📂 G06T7_00
👤 安徽浙一南预印科技有限公司
📅 2025-06-08