-
公开(公告)号：CN111524068A
公开(公告)日：2020-08-11
申请号：CN202010290657.1
申请日：2020-04-14
Applicant: 长安大学
Abstract: 本发明公开了本发明提供一种基于深度学习的变长输入超分辨率视频重建方法；包括以下步骤：构建随机长度的训练样本，获取训练集；建立超分辨率视频重建网络模型：包含依次连接的特征提取器、渐对齐融合模块、深度残差模块和叠加模块；采用训练集对超分辨率视频重建网络模型进行训练，得到训练后的超分辨率视频重建网络；将待处理视频顺序输入训练后的超分辨率视频重建网络进行视频重建，得到对应的超分辨率重建视频。本发明采用渐对齐融合机制可以逐帧地对齐和融合，对齐操作只作用于相邻两帧图像，这使得模型能够处理更长的时序关系，使用更多相邻的视频帧，这意味着输入含有更多的场景信息，可以有效提高重建效果。
-
公开(公告)号：CN110471368A
公开(公告)日：2019-11-19
申请号：CN201910813680.1
申请日：2019-08-30
Applicant: 长安大学
IPC: G05B19/41
Abstract: 本发明公开了一种高速数控机床加工速度自适应的前瞻插补方法，该方法首先用NURBS曲线对加工曲线进行描述，并根据NURBS曲线中插补点曲率的变化确定了速度突变点的位置；接着提出基于弓高误差和三次多项式加减速算法计算突变点速度的局部最优解；然后分析突变点处速度的嵌套关系，给出了前瞻距离的有效计算方法；最后根据减速点的位置，在前瞻距离范围内进行反向插补，提出了进给速度的实时优化方案。本发明既能满足柔性加工的要求，又能提前发现加工中存在的速度突变点，从而优化进给速度，实现高精度加工。
-
公开(公告)号：CN111524068B
公开(公告)日：2023-06-02
申请号：CN202010290657.1
申请日：2020-04-14
Applicant: 长安大学
IPC: G06T3/40 , G06T3/60 , G06T5/50 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了本发明提供一种基于深度学习的变长输入超分辨率视频重建方法；包括以下步骤：构建随机长度的训练样本，获取训练集；建立超分辨率视频重建网络模型：包含依次连接的特征提取器、渐对齐融合模块、深度残差模块和叠加模块；采用训练集对超分辨率视频重建网络模型进行训练，得到训练后的超分辨率视频重建网络；将待处理视频顺序输入训练后的超分辨率视频重建网络进行视频重建，得到对应的超分辨率重建视频。本发明采用渐对齐融合机制可以逐帧地对齐和融合，对齐操作只作用于相邻两帧图像，这使得模型能够处理更长的时序关系，使用更多相邻的视频帧，这意味着输入含有更多的场景信息，可以有效提高重建效果。
-
公开(公告)号：CN104627842B
公开(公告)日：2016-08-31
申请号：CN201410720138.9
申请日：2014-12-01
Applicant: 长安大学
Abstract: 本发明公开了一种臂架式起重机吊装作业防碰撞方法及系统，该系统建立障碍物分类模型，采用吊臂臂头自主探测学习方法，准确采集作业区障碍物的外形与位置信息。建立起重机圆柱坐标系，作业区按回转角度分成不同扇区，扇区按距回转中心距离分成不同扇格，以扇格精确存贮作业区环境数据，利用扇格数据生成吊装安全作业三维边界墙。以吊臂最近的20个时刻位置信息，用加权线性回归模型预测下一时刻吊臂的动作与位置参数。针对吊臂的预测动作及与边界墙的不同距离，采取不干预、限速、微动与禁止等吊臂控制策略。实际作业环境下的功能测试表明，该系统能有效地防止吊臂与作业区障碍物发生碰撞。
-
公开(公告)号：CN104528540A
公开(公告)日：2015-04-22
申请号：CN201410722487.4
申请日：2014-12-01
Applicant: 长安大学
CPC classification number: B66C23/62 , B66C13/18 , B66C2700/03
Abstract: 本发明公开了一种臂架式起重机车载控制器内吊装方案实时生成方法及系统，采用吊臂臂头自主探测学习的方法，准确采集作业区障碍物的外形与位置信息，以扇格数据表精确存贮作业区环境数据；采用吊臂臂头采集吊装物体的源位置与目标位置信息，依据吊装作业区环境数据表，再结合起重机吊装性能表，在车载控制器内实时生成包括吊臂长度、旋转方向以及每个转角下仰角等参数的吊装方案，并对生成的吊装方案进行优化与仿真。实际吊装应用表明，该系统能准确采集作业区内的环境数据，并能优化生成的吊装方案。
-
Patent Agency Ranking
公开(公告)号：CN111784576A
公开(公告)日：2020-10-16
申请号：CN202010529312.7
申请日：2020-06-11
Applicant: 长安大学
Abstract: 本发明公开了本发明提供一种基于改进ORB特征算法的图像拼接方法；包括以下步骤：构建Hessian矩阵，确定每个待拼接图像的特征点；使用BRIEF二进制特征描述符提取每个待拼接图像的特征描述子；使用Hamming距离进行粗匹配，并使用网格运动特征算法区分正确匹配和错误匹配点对；使用改进后的随机采样一致性算法去除错误匹配特征点对；搜索最佳缝合线；重叠区域划分；分段融合，完成图像拼接。本发明通过多尺度空间理论，使用Hessian矩阵和高斯金字塔对配准方法进行改进，达到尺度不变的目的，同时提高了匹配点对的匹配精度。
-
公开(公告)号：CN104528540B
公开(公告)日：2016-06-08
申请号：CN201410722487.4
申请日：2014-12-01
Applicant: 长安大学
Abstract: 本发明公开了一种臂架式起重机车载控制器内吊装方案实时生成方法及系统，采用吊臂臂头自主探测学习的方法，准确采集作业区障碍物的外形与位置信息，以扇格数据表精确存贮作业区环境数据；采用吊臂臂头采集吊装物体的源位置与目标位置信息，依据吊装作业区环境数据表，再结合起重机吊装性能表，在车载控制器内实时生成包括吊臂长度、旋转方向以及每个转角下仰角等参数的吊装方案，并对生成的吊装方案进行优化与仿真。实际吊装应用表明，该系统能准确采集作业区内的环境数据，并能优化生成的吊装方案。
-
公开(公告)号：CN104627842A
公开(公告)日：2015-05-20
申请号：CN201410720138.9
申请日：2014-12-01
Applicant: 长安大学
CPC classification number: B66C15/00 , B66C13/16 , B66C2700/0392
Abstract: 本发明公开了一种臂架式起重机吊装作业防碰撞方法及系统，该系统建立障碍物分类模型，采用吊臂臂头自主探测学习方法，准确采集作业区障碍物的外形与位置信息。建立起重机圆柱坐标系，作业区按回转角度分成不同扇区，扇区按距回转中心距离分成不同扇格，以扇格精确存贮作业区环境数据，利用扇格数据生成吊装安全作业三维边界墙。以吊臂最近的20个时刻位置信息，用加权线性回归模型预测下一时刻吊臂的动作与位置参数。针对吊臂的预测动作及与边界墙的不同距离，采取不干预、限速、微动与禁止等吊臂控制策略。实际作业环境下的功能测试表明，该系统能有效地防止吊臂与作业区障碍物发生碰撞。
-
公开(公告)号：CN110533084B
公开(公告)日：2022-09-30
申请号：CN201910738932.9
申请日：2019-08-12
Applicant: 长安大学
IPC: G06V10/774 , G06V10/82 , G06V10/80 , G06N3/04 , G06T7/00
Abstract: 本发明公开了一种基于自注意力机制的多尺度目标检测方法，采用基于自注意力特征选择模块的自下而上和自上而下两种多尺度特征融合方式能够结合目标的低层特征和高层特征，增强特征图的表示能力和捕捉上下文信息的能力，提高目标检测阶段的稳定性与鲁棒性；而且本发明利用自注意力模块进行特征的重标定，计算量更小，兼顾了检测精度和速度，对解决目标检测中密集物体、小目标和遮挡目标等的检测问题具有重要意义。
-
公开(公告)号：CN110533084A
公开(公告)日：2019-12-03
申请号：CN201910738932.9
申请日：2019-08-12
Applicant: 长安大学
Abstract: 本发明公开了一种基于自注意力机制的多尺度目标检测方法，采用基于自注意力特征选择模块的自下而上和自上而下两种多尺度特征融合方式能够结合目标的低层特征和高层特征，增强特征图的表示能力和捕捉上下文信息的能力，提高目标检测阶段的稳定性与鲁棒性；而且本发明利用自注意力模块进行特征的重标定，计算量更小，兼顾了检测精度和速度，对解决目标检测中密集物体、小目标和遮挡目标等的检测问题具有重要意义。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.027 seconds)
