“魏湘国”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]基于深度学习的水冷机组节能降费方法和装置-CN202310607769.9在审
发明人： 魏湘国;张国华;陈晓;陈寿明 -专利权人：北京亿阳信通科技有限公司
申请日： 2023-05-26 - 公布日： 2023-09-15 - 主分类号： G06Q10/04 文献下载
摘要：本发明提供了一种基于深度学习的水冷机组节能降费方法，其包括：将数据集的数据划分为训练集和测试集。构造用于制冷系统的制冷量估算的时序卷积网络，以及采用划分后的数据来训练时序卷积网络。根据水冷机组的实际能耗数据来拟合水冷机组的部分负荷效率曲线。按照预设粒度来对水冷机组的部分负荷效率曲线进行分割，从而获取相应分割点的性能数据。分配制冷量，以及结合水冷机组的性能数据与阶梯电价来制定满足相应机房需求冷量下的最低成本的制冷方案。本发明能够优化机房水冷机组的耗电量和电费花销，进而使得该机房水冷机组的能耗下降3.34％，水冷机组的电费下降20.91％。
基于深度学习水冷机组节能方法装置

[发明专利]可自校图的光交箱端口状态自识别方法和装置-CN202310607768.4在审
发明人： 魏湘国;张国华;熊钦;陈寿明 -专利权人：北京亿阳信通科技有限公司
申请日： 2023-05-26 - 公布日： 2023-09-15 - 主分类号： G06V10/764 文献下载
摘要：一种可自校图的光交箱端口状态自识别方法和装置，方法包括：将数据集内的光交箱图像划分为训练集、验证集和测试集；构建计算每一行端口所在直线角度、每一个端口的尺度，及绘制端口的目标热图；构造卷积神经网络。通过训练集的图像来训练卷积神经网络，对模型的参数进行优化；通过验证集的验证效果来确定该模型训练的超参数；生成端口的目标热图及端口相关信息预测；通过倾斜校正算法对端口预测降噪模块得到的端口的坐标、类别、角度和尺度进行输入图像的倾斜校正；通过行列匹配来判定行内是否存在遗漏端口，补全该遗漏端口。本发明不仅能够自动完成光交箱端口图像的倾斜矫正，还能够实现光交箱端口图像校正后的光交箱的端口识别和行列划分。
光交箱端口状态识别方法装置

[发明专利]一种基于深度特征聚合的乳腺癌病理图像分类方法-CN201811652854.2有效
发明人：张建新;魏湘国;张强;魏小鹏 -专利权人：大连大学
申请日： 2018-12-29 - 公布日： 2022-12-06 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了一种基于深度特征聚合的乳腺癌病理图像分类方法，属于医疗图像分类领域。该方法包括：构造乳腺癌病理图像数据集，获取原始病理图像数据和标签信息，对原始病理图像进行数据增强；借助随机梯度下降法训练深度特征提取模块，优化深度特征提取模块的参数；采用深度特征提取模块获得的深度特征来训练特征聚合模块，并计算出训练集的深度特征聚合编码；使用训练集的深度特征聚合编码训练预分类模块。在方法测试上，首先将测试集样本输入串联的深度特征提取模块、特征聚合模块和预分类模块，来获得测试集预分类标签；投票模块对测试集预分类标签进行统计，来获得预测标签。本发明提升了在乳腺癌病理图像上的分类性能。
一种基于深度特征聚合乳腺癌病理图像分类方法

[发明专利]一种病理图像分类装置、方法及装置的使用方法-CN202011227352.2在审
发明人： 魏湘国 -专利权人：北京亿阳信通科技有限公司
申请日： 2020-11-06 - 公布日： 2022-05-24 - 主分类号： G06V10/764 文献下载
摘要：本发明公开一种病理图像分类装置，所述装置包含：图像数据集生成单元，用于对形态学数字切片采样，生成小块图像数据集一；还用于对形态学数字切片采样，结合设定的数据集规则，生成小块图像数据集二；区域分类单元，用于计算出小块图像数据集一中小块图像数据的预测区域分类标签；结合预定的区域分类规则，将小块图像在形态学数字切片上合成区域；病理分类单元，用于计算出小块图像数据集二中小块异常图像数据的预测病理分类标签；再通过计算位于同一异常区域内的小块异常图像数据的预测病理分类标签，获得所述异常区域的病理分类标签。本发明还公开一种病理图像分类方法；一种病理图像分类装置的使用方法。通过本发明可实现更加快速、准确的病理图像分类。
一种病理图像分类装置方法使用方法

[发明专利]一种基于深度特征融合的病理图像分类装置、方法及装置的使用方法-CN202010818297.8在审
发明人： 魏湘国;高翔;钟飞;江伟;李明睿 -专利权人：北京亿阳信通科技有限公司
申请日： 2020-08-14 - 公布日： 2022-03-04 - 主分类号： G06K9/62 文献下载
摘要：本发明公开一种基于深度特征融合的病理图像分类装置，所述装置包含：图像数据集获取单元，获取小块图像数据集；特定数量的集成单元，用于接收所述小块图像数据集中的小块图像，根据设定的网络训练参数使所述小块图像通过卷积核与加权通道的运算、维度深化的级联，重复获取进一步加权和深化的图像卷积特征，提取深层图像卷积特征和浅层图像卷积特征；特征融合单元，用于对获取的所述深层图像卷积特征和所述浅层图像卷积特征进行运算后与向量化的深层图像卷积特征进行级联，获得图像深度融合特征；分类器，用于根据所述特征融合模块获取的图像深度融合特征，结合预置分类标准，获得图像的分类标签。本发明还公开一种基于深度特征融合的病理图像分类方法；一种基于深度特征融合的病理图像分类装置的使用方法。通过本发明可实现更加准确的病理图像分类。
一种基于深度特征融合病理图像分类装置方法使用方法