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
本发明公开了一种混合注意力卷积神经网络与XGBoost算法的工业过程性能评估方法，包括如下步骤：步骤1、以一定频率采集工业过程中系统变量的运行数据，建立包含多变量，多类型故障的数据集，并对其进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后对故障类型和标签划分相应的训练集和测试集；步骤2、构建注意力卷积神经网络故障诊断模型；步骤3：利用划分好的训练集训练注意力卷积网络模型；步骤4：将模型性能最好时所提取到的特征输入到XGBoost分类器中拟合提升树；步骤5：故障诊断：将测试集输入到ACNN‑XGBoost模型中，XGBoost分类器的输出可以反映模型最终的诊断结果。
📄 2021116828680
📂 G05B19_418
👤 杭州电子科技大学
📅 2021-12-30
本发明公开了工业过程的多尺度残差卷积与LSTM融合性能评估方法，包括如下步骤：步骤一、采集多类型故障的数据集，并对其进行数据预处理，在此基础上对故障类型进行编号打标签，设置对应的关系，之后对故障类型和标签划分相应的训练集和测试集；步骤二、构建多尺度残差卷积与LSTM网络故障诊断模型，包括残差模块、多尺度残差模块、LSTM模块以及分类模块；步骤三、利用训练集训练模型，以故障类型标签作为所述模型的输出，将输出标签与真实标签的交叉熵作为损失函数，利用优化器进行反向传播，更新整个模型的参数，优化损失函数；步骤四、将测试集输入训练好的模型中，进行故障识别，输出诊断结果。
📄 2021102780582
📂 G06V10_764
👤 杭州电子科技大学
📅 2021-03-15
本发明公开了一种饮料生产线CIP工艺参数的深度学习方法及装置，所述方法包括采集CIP工艺步骤的生产过程数据；降低CIP过程数据集合的规模；计算生产过程数据中各因素的皮尔逊系数；通过正交实验结果，寻找最佳工艺参数组合；对上述工艺参数组合结果进行归一化，通过神经网络模型，训练出最优的工艺参数组合，达到更优的清洗方案，解决了现有的CIP清洗工艺参数主要依赖质量检验和人工经验进行静态设定，对实际清洗过程中的针对性较差，导致出现CIP过度清洗、CIP效率低下、酸碱液耗用浪费等问题，在保证清洗效果的前提下，节约清洗时间，提高CIP清洗的效率。
📄 2023108442288
📂 B08B3_08
👤 浙江理工大学
📅 2023-07-10
本发明公开了一种CNN‑LAE‑LSTM混合网络离心泵空化诊断方法及装置，包括：采集不同程度空化数据，包括空化压力信号及空化视觉图像；对空化压力信号进行卡尔曼滤波及模态时频分解；对空化视觉图像进行灰度处理；将处理后的空化数据组合形成训练集和测试集；构建基于CNN‑LAE‑LSTM的离心泵空化诊断模型，所述CNN用于提取空化压力信号及空化视觉图像的局部关键特征；所述LAE用于特征降维去冗余并抑制噪声；所述LSTM用于捕捉信号时序关联，适配泵运行动态特性；利用所述训练集对所述离心泵空化诊断模型进行训练并利用测试集进行模型精度验证；将待测数据输入训练好的离心泵空化诊断模型中，得到故障诊断结果。
📄 2026101289971
📂 G06V10_44
👤 浙江理工大学
📅 2026-01-30
本发明公开了一种基于深度学习的板坯实时检测及宏跟踪方法，属于连铸生产过程信息化领域，包括：结合现场辊道实际，分区段安装若干个摄像头拍摄整个辊道；采集连铸板坯传输线运行图像，并进行板坯、天车的标注；使用标注的数据集训练改进YOLOV5模型得到用于板坯检测的优化模型；用板坯检测模型对现场辊道上的各板坯进行实时检测，并将板坯检测结果配合多目标跟踪算法生成各板坯的跟踪ID；将板坯调度系统中的板坯号与该跟踪ID进行匹配，实现板坯在全部摄像头下的实时检测及宏跟踪，并能识别板坯的上下线。本发明能够实现连铸板坯在辊道上的实时检测和宏跟踪，解决板坯运动过程中信息丢失等问题，为连铸连轧高效生产奠定了坚实基础。
📄 2022105770500
📂 G06T7_00
👤 燕山大学,唐山惠唐物联科技有限公司,河钢集团有限公司
📅 2022-05-25
本发明提出一种工业环境中实时PCB缺陷检测的深度学习方法与系统，该方法包括：将输入特征图输入特征提取融合模块，通过特征提取融合模块内的混合增强模块和压缩激励模块处理，得到压缩激励模块的输出特征图，得到中间特征；将中间特征输入预测模型的检测器，同时结合检测器内的评分机制，输出回归和分类结果；将回归和分类结果作为训练样本，通过置信度学习模块更新预测模型，将输入特征图输入更新后的预测模型得到预测结果。本发明通过结合组卷积和通道混洗两种技术，对卷积神经网络结构进行了重新设计，大幅减少了模型的参数数量，显著提升了推理速度，进一步提升了网络的整体性能。
📄 2024111495340
📂 G06N3_082
👤 华东交通大学
📅 2024-08-21
本发明公开了一种基于深度学习的二维轮廓排样定序方法，具体包括：获取排样历史大数据并预处理，对历史数据中所有已排样的零件进行标定得到排样顺序矩阵Y；提取每个已排样零件的几何特征，得到几何特征矩阵X；整理得到排样定序数据集PRD‑T；建立深度学习模型Packing‑Sort‑Model；输入PRD‑T数据集，训练得到能够输出待排样零件排样顺序的模型Packing‑Sort‑Model；提取待排样零件几何特征，得到待排样零件的几何特征矩阵A；将待排样零件的几何特征矩阵输入到已训练完成的深度学习模型中；计算得待排样零件的排样顺序矩阵B；按照排样顺序对待排样零件进行逐一靠接排样，完成排样。本发明能实现排样过程中待排零件的定序，排样效果好、效率高。
📄 201811384644X
📂 G16Z99_00
👤 燕山大学
📅 2018-11-20
柿子坊 · 知识产权运营
柿子坊知识产权运营平台