-
公开(公告)号：CN119006434A
公开(公告)日：2024-11-22
申请号：CN202411201826.4
申请日：2024-08-29
Applicant: 北京科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/42 , G06V10/44
Abstract: 本发明公开一种基于双重视觉状态空间模型的皮带撕裂检测方法和系统，包括：将待检测皮带表面图像输入训练完成的皮带撕裂图像缺陷检测主干网络，这个主干网络由图像序列化模块、双重视觉状态空间皮带撕裂图像特征提取网络、多尺度特征融合模块和双分支目标检测输出模块组成；图像序列化模块，将图像进行序列化，输出图像序列和图像微序列；双重视觉状态空间皮带撕裂图像特征提取网络，提取皮带撕裂小目标缺陷全局语义类别信息和局部细节信息；多尺度特征融合模块，进行多尺度特征融合得到三种尺寸的图像融合特征；双分支目标检测输出模块，使用两个分支分别做目标识别和分类任务，并输出最终的目标检测结果。本发明可以对皮带撕裂进行精准检测。
-
公开(公告)号：CN117474818A
公开(公告)日：2024-01-30
申请号：CN202311817383.7
申请日：2023-12-27
Applicant: 北京科技大学
Abstract: 本发明提供一种基于非参数贝叶斯景深估计的水下图像增强方法及装置，属于图像处理技术领域。所述方法包括：输入原始水下降质图像；采用基于归一化统计的颜色修正方法对所述原始水下降质图像进行预处理，以得到颜色修正水下图像；采用基于暗通道先验的自然图像去雾方法计算所述颜色修正水下图像的初始传输率与初始景深；构建非参数贝叶斯模型，对水下图像景深进行稀疏建模与估计；采用基于暗通道先验的自然图像去雾方法计算获得水下增强图像；将景深估计所计算的传输率与获得的水下增强图像进行多尺度融合，得到多尺度精细化的融合图像；将所述多尺度精细化的融合图像作为输出结果。本发明能够提升水下图像增强的性能。
-
公开(公告)号：CN117076931B
公开(公告)日：2024-01-12
申请号：CN202311315844.0
申请日：2023-10-12
Applicant: 北京科技大学
IPC: G06F18/214 , G06F18/25 , G06N3/0455 , G06N3/08
Abstract: 本发明提供一种基于条件扩散模型的时间序列数据预测方法和系统，包括：将训练集内天动态时序数据，经过特征编码器得到高维动态时序数据；搭建以条件输入Transformer为主干的条件扩散模型，将训练集内 天高维动态时序数据作为加噪数据，以及 天的高维动态时序数据与静态数据融合后的条件特征，输入条件扩散模型进行训练；将待预测的第一动态时序数据升维后的高维动态时序数据与第一静态数据融合后的条件特征，输入条件扩散模型，执行去噪操作，预测高维动态时序特征输入特征解码器，获得预测的第二动态时序数据。本发明支持长时间维度建模，构建识别精度高泛化性好的产量预测方法。
-
公开(公告)号：CN117076931A
公开(公告)日：2023-11-17
申请号：CN202311315844.0
申请日：2023-10-12
Applicant: 北京科技大学
IPC: G06F18/214 , G06F18/25 , G06N3/0455 , G06N3/08
Abstract: 本发明提供一种基于条件扩散模型的时间序列数据预测方法和系统，包括：将训练集内#imgabs0#天动态时序数据，经过特征编码器得到高维动态时序数据；搭建以条件输入Transformer为主干的条件扩散模型，将训练集内#imgabs1#天高维动态时序数据作为加噪数据，以及#imgabs2#天的高维动态时序数据与静态数据融合后的条件特征，输入条件扩散模型进行训练；将待预测的第一动态时序数据升维后的高维动态时序数据与第一静态数据融合后的条件特征，输入条件扩散模型，执行去噪操作，预测高维动态时序特征输入特征解码器，获得预测的第二动态时序数据。本发明支持长时间维度建模，构建识别精度高泛化性好的产量预测方法。
-
公开(公告)号：CN116433662B
公开(公告)日：2023-09-05
申请号：CN202310690490.1
申请日：2023-06-12
Applicant: 北京科技大学
Abstract: 本发明公开一种基于稀疏分解与景深估计的神经元提取方法及装置，方法包括：输入原始图像视频数据；利用鲁棒性主成分分析方法分解原始图像视频数据，以得到神经元信号、背景和噪声；计算神经元信号数据的亮暗通道先验，利用两种先验估计神经元信号数据景深对应的传输率；将神经元信号数据以像素为单位点除景深对应的传输率，构建并求解约束性非负矩阵分解的神经元提取框架；输出神经元的提取信息，包括：空间位置及形状大小、动作电位和时序变化。本发明能够高效地分解背景及噪声等干扰信息，快速估计神经元信号景深以去除数据散射，准确有效地提取神经元的空间位置及形状大小、动作电位和时序变化等特征信息。
-
Patent Agency Ranking
公开(公告)号：CN115239034B
公开(公告)日：2022-11-29
申请号：CN202211169343.1
申请日：2022-09-26
Applicant: 北京科技大学
Abstract: 本发明公开了一种风力发电机叶片早期缺陷预测方法及系统，属于风力发电设备领域。所述方法先收集叶片早中晚期场景的图像，对晚期图像进行人工标注作为反演语义分割训练集样本；将对应的叶片早中期图像集作为模型样本集划分自监督训练集和验证集，并对验证集进行人工标注；构建基网络及早期缺陷自监督学习模型，采用自监督训练集进行训练，得到成熟模型，获得模型权重；构建分割头模型，基网络加载权重，并将基网络与分割头模型进行连接，输入反演语义分割训练集进行训练，输出语义分割标签，得到成熟的下游任务分割模型；获取待预测叶片的早期图像输入下游任务分割模型，输出早期缺陷的位置信息。本发明提高了叶片早期缺陷预测准确度。
-
公开(公告)号：CN119370519B
公开(公告)日：2025-04-04
申请号：CN202510000364.8
申请日：2025-01-02
Applicant: 北京科技大学
Abstract: 本发明公开一种智能视觉感知的多变量自适应皮带纠偏控制方法和系统，所述方法包括：S1、通过智能视觉感知总模块检测皮带实际位置；S2、将检测的皮带实际位置和皮带位置设定值进行比较，获得位置偏差，将所述位置偏差输入PI控制器得到准确的位置偏差控制输出；S3、将所述位置偏差控制输出和通过状态观测器观测纠偏电机的电流得到的皮带偏移量进行比较，获得实际纠偏量，并进而获得输入控制律；S4、将所述输入控制律输入状态空间模型，获得所述纠偏电机的纠偏信号；S5、根据所述纠偏信号输出电机电流，通过转矩系数计算得到所述纠偏电机的转矩，以驱动皮带纠偏装置对皮带进行纠偏。本发明，可以对皮带进行高效准确地纠偏。
-
公开(公告)号：CN118333979B
公开(公告)日：2025-02-11
申请号：CN202410478844.0
申请日：2024-04-20
Applicant: 北京科技大学
Abstract: 本发明提供一种基于离散状态可选空间模型的皮带撕裂检测方法和系统，包括：收集多张皮带运行现场的图像；对每张图像上的撕裂目标进行标注，得到一个图像‑标签对，将所有图像‑标签对按比例划分为训练集和验证集；对训练集里的图像数据进行预处理以扩充训练集，得到输入图像I与标签L；使用输入图像I和输入的语言指导文本训练皮带撕裂开放域检测主干网络，得到训练完成的皮带撕裂开放域检测主干网络，皮带撕裂开放域检测主干网络由基于离散状态可选空间模型M的多个模块构成；使用训练完成的皮带撕裂开放域检测主干网络，对待检测皮带运行现场的图像进行检测，输出待检测皮带运行现场的图像的撕裂检测结果。本发明能高效地对皮带撕裂进行检测。
-
公开(公告)号：CN118522000A
公开(公告)日：2024-08-20
申请号：CN202410556807.7
申请日：2024-05-07
Applicant: 北京科技大学
Abstract: 本发明提供一种融合多模态信息的智能通用水尺精读方法和系统，包括：对RGB图像与DN值进行预处理；通过阈值驱动的orb算法进行特征点提取，定位特征点稀疏区域，并生成虚拟特征点对；通过仿射变换实现配准对齐，之后进行通道叠加，生成融合多光谱数据的四通道图像，利用深度学习模型得到每张四通道图像中的水线分割掩码图与字符识别数据；采用微波测距相机确定水线俯视角，拟合出不同水线俯视角下实际吨数和水线俯视角的拟合关系，进而得到船舶的实际吨数，作为水线的第一读值；利用设计的等距水尺图，通过相应仿射变换，实现水尺贴合，得到水线的第二读值；将水线的第一、第二读值求取平均，得到水线的精确读值。本发明可以对通用水尺进行精读。
-
公开(公告)号：CN116543166B
公开(公告)日：2023-09-05
申请号：CN202310808414.6
申请日：2023-07-04
Applicant: 北京科技大学
IPC: G06V10/26 , G06V10/34 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/048 , G06N3/0442 , G06N3/0464 , G06N3/0455 , G06N3/096
Abstract: 本发明公开了一种早期脑部肿瘤分割方法和系统，包括：收集并预处理不同脑部肿瘤患者不同时期的MRI影像数据；划分为早期与中、晚期数据，进行标注并排序；将中、晚期脑部肿瘤数据作为源域输入基于3D‑GRU、3D‑CNN和Transformer融合设计的语义分割基模型进行预训练，提取中、晚期肿瘤的时序变化特征与肿瘤的形态学特征信息，获得预训练权重；将预训练权重作为先验知识，早期肿瘤训练集数据作为目标域进行迁移学习模型的训练，利用中、晚期肿瘤特征反演早期肿瘤特征，从源域进行参数高效迁移目标域；将待分割的早期肿瘤MRI影像数据预处理后，输入训练完成的迁移学习模型，生成早期脑部肿瘤病灶区域的分割结果。采用本发明，能在肿瘤尚处于早期的时候就将其准确分割。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.022 seconds)
