本发明公开了一种基于神经网络的变压器局部放电检测方法,包括:S1:采集变压器历史运行时局部放电的信号数据,根据风险类型对信号数据分别进行标记,以此构建数据集,对数据集进行预处理获取特征数据集;S2:构建概率神经网络模型,导入S1中的特征数据集至概率神经网络模型进行训练,在训练过程中,通过苦鱼算法优化概率神经网络模型的平滑因子,获取最优的平滑因子;S3:采集变压器实时运行时局部放电的信号数据并进行预处理,将其导入训练后的概率神经网络模型进行检测,输出变压器实时的局部放电的风险类型。本发明采用改良的苦鱼算法优化概率神经网络的方法,极大地提高了检测的准确性。
📄 2024110669006
📂 G06F18_2415
👤 江西水利电力大学
📅 2024-08-06
本发明公开了一种基于可能性聚类和卷积神经网络的道路交通标识识别方法,包括以下步骤对图像数据集进行预处理,所述预处理包括归一化操作、数据增强、色彩增强以及使用极大化类间距离的可能性聚类算法与Hu不变矩相结合进行降噪和特征提取,得到训练数据集;构建卷积神经网络模型,并利用所述训练数据集对所述卷积神经网络模型进行充分训练,利用训练后的网络模型对图像进行分类识别。效果:采用归一化与数据增强对数据集进行预先操作使得满足卷积神经网络模型结构对数据集的要求,能够减少了网络模型训练时间并保证了识别的准确率。
📄 2019100926258
📂 G06K9_00
👤 江南大学
📅 2019-01-30
基于条件对抗自编码网络的特征学习方法,其通过标签变量来控制生成结果,生成具有标签的样本用以辅助其他学习任务,提高图像识别效率;同时本发明还公开了基于条件对抗自编码网络的特征学习方法的图像识别方法,其能够在复杂的对象布局以及多标签图像场景时,获得高精度的图像识别效果。其包括S1选定训练集;S2选定先验分布函数;S3以对抗自编码网络模型为基础,在网络模型中的判别器或者编码器的输入数据中引入样本数据的标签信息,构建网络模型;S4训练网络模型,以优化网络模型中的参数;S5通过训练好的网络模型中的判别器进行数据特征的提取、或者利用训练好的生成器生成原始输入的重构。
📄 2018113799006
📂 G06K9_62
👤 江南大学
📅 2018-11-20
本发明提供基于多路卷积神经网络的语音识别方法,其能够提取更充分的语音信息,且处理数据量较大的音频数据时,具有更好的拟合性。其包括:S1:输入原始语音并进行处理;S2:提取出反映语音信号特征的关键特征参数,形成特征矢量序列;S3:基于多路卷积神经网络模型为基础、CTC作为损失函数,构建声学模型;多路卷积神经网络的结构包括依次设置的子网络结构、连续的全连接层、CTC损失函数;S4:训练声学模型,得到训练好的声学模型;S5:将待识别的特征矢量序列输入到训练好的声学模型中得到识别结果;S6:以步骤S5中得到的识别结果为基础进行后续的运算,即得到能够以最大概率输出该语音信号的词串,词串即原始语音被识别后的语言文字。
📄 2018111558132
📂 G10L15_02
👤 江南大学
📅 2018-09-30
本发明提供基于卷积神经网络的语音识别方法,其更加擅长提取高层特征,建模过程简单、容易训练、模型的泛化性能更佳,能够更广泛的应用到各种语音识别的场景中。其包括:S1:对输入的原始语音信号进行预处理;S2:提取出反映语音信号特征的关键特征参数,形成特征矢量序列;S3:基于DCNN网络模型为基础、以联结主义时间分类器CTC作为损失函数,构建端对端方式的声学模型;S4:训练声学模型,得到训练好的声学模型;S5:将步骤S2中得到的待识别的特征矢量序列输入到训练好的声学模型中得到识别结果;S6:以步骤S5中得到的识别结果为基础进行后续的运算,即得到能够以最大概率输出该语音信号的词串,词串即原始语音被识别后的语言文字。
📄 2018111125066
📂 G10L15_06
👤 江南大学
📅 2018-09-25
本发明提供一种基于竹节纱织物的竹节纱工艺参数半自动识别方法,属于新型纺织自动化技术领域。首先对来样织物进行图像采集,其次利用图像旋转将织物同一根纱线上的竹节尽可能处于一条线上,然后利用图像拼接将多个织物图像连接起来,再利用坐标定位方法对织物中竹节进行标记连接并自动记录竹节坐标位置,最后对坐标位置数据进行分析,实现对竹节长度、竹节间距、竹节周期的识别,从而克服现有的人工检测方法的不足,提高织物中竹节纱检测的准确性,同时解放生产力,与现代纺织自动化生产相适应。
📄 2018104095371
📂 G06T7_30
👤 江南大学
📅 2018-04-28
本发明提供一种激光诱导击穿光谱谱峰元素自动识别方法,包括以下步骤:采集待识别的激光诱导击穿光谱,并对光谱进行连续背景的校正;利用Voigt函数对背景校正后的光谱进行谱峰拟合和分解,构建待识别谱峰信号的特征参数向量;依据标准数据库,获取与待识别光谱相同波段下的所有元素的光谱信息,并构建元素的特征参数向量;分别将待识别的每个谱峰信号的特征参数向量与标准数据库中的元素谱峰的特征向量进行相似度分析;依据相似度大小,将与标准数据库中相似度最大的谱峰对应的元素判断为该待识别谱峰所属的元素。本发明能快速、准确的适用于简单和复杂光谱的谱峰识别。
📄 2018101747585
📂 G01N21_71
👤 江南大学
📅 2018-03-02
本发明公开了基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法,包含训练阶段和检测阶段两部分。模型训练阶段中采用无疵点织物图像,通过图像预处理得到训练样本集,然后训练深度神经网络中的参数。检测时,首先得到待测图像的检测样本集,然后采用深度神经网络得到网络输出,最后得到疵点检测结果。本发明采用Gabor滤波器提取织物纹理特征,根据Fisher准则计算代价函数值,能够提取图像中各个方向大小的纹理,提高检测准确率。采用深度神经网络自动选择图像特征,解决现有基于机器视觉疵点检测方法人为选择特征的缺陷和不足。
📄 2017113927584
📂 G06T7_00
👤 江南大学
📅 2017-12-21
本发明提供了一种基于卷积神经网络的易拉罐罐底喷码字符在线视觉检测方法,包括离线状态下对图像中字符进行分割,并归类构建字符库,采用改进后的卷积神经网络学习法进行训练,形成稳定的分类器;在线检测中实时拍摄图片,分割字符,并用分类器进行分类,对存在瑕疵不合格的产品进行剔除;在保证实时性的同时极大的提高了检测精度,完全可以满足易拉罐罐底喷码字符在线检测过程高实时性、高准确性的要求。
📄 2014101738592
📂 G06K9_20
👤 无锡信捷电气股份有限公司, 江南大学
📅 2014-04-26
本发明公开了一种基于深度神经网络的影像三维组织分割与测定方法,包括,采集活体猪的CT图像,划分为训练集与测试集并在训练集上进行标注;构建CT床分割网络和内脏分割网络,并利用所述标注好的训练集进行训练得到CT床分割模型和内脏分割模型;利用所述CT床分割模型和所述内脏分割模型预测其掩膜图并去除所述CT床和内脏;结合所述活体猪的CT图像提取出猪体的脂肪、肌肉与骨骼部分并计算猪体的总体质量及各个组织的占比。可以自动、快速、准确分割出种猪的脂肪、肌肉和骨骼等组织,并且本方法适用于任何形状、任何大小的种猪。
📄 2020109992563
📂 G06T7_11
👤 江南大学, 安徽工大信息技术有限公司
📅 2020-09-22
本发明涉及一种融合模块和多尺度特征融合卷积神经网络及图像识别方法,包括上一层、融合层以及级联层,所述上一层将输入图片通过所述融合层运算,再将运算完成的结果通过所述级联层进行合并输出,所述融合层由在原始模块中加入瓶颈结构和空洞卷积结构共同组合而成。本发明不但错误率低,而且有效减少网络的参数量,有利于提升模型泛化能力。
📄 2020108887682
📂 G06V10_80
👤 江南大学
📅 2020-08-28
本发明涉及图像识别算法技术领域,具体公开了一种用于解魔方机器人中的图像识别算法,其中,包括:获取魔方图像,其中魔方图像为魔方打乱后的图像;对所述魔方图像进行图像分割处理,得到魔方每相邻两个平面之间的面边界点;根据所述面边界点做透视变换,得到变换图像;根据所述变换图像捕捉每个独立色块;对每个所述独立色块进行图像颜色识别。本发明提供的用于解魔方机器人中的图像识别算法,由于通过将魔方图像进行透视变换,根据透视变换后的图像进行处理并进行颜色识别,可以有效提高识别准确率与鲁棒性。
📄 2020108136024
📂 G06V20_20
👤 江南大学
📅 2020-08-12