-
公开(公告)号：CN105652429B
公开(公告)日：2018-07-17
申请号：CN201610165283.4
申请日：2016-03-22
Applicant: 哈尔滨理工大学
IPC: G02B21/24
Abstract: 一种基于机器学习的显微镜细胞载玻片扫描自动聚焦方法，本发明涉及基于机器学习的显微镜细胞载玻片扫描自动聚焦方法。本发明的目的是为了解决现有聚焦速度慢、计算量大、计算速度慢的问题。具体过程为：一、开始；二、根据载玻片情况选择螺旋扫描、蛇形扫描或随机蛇形扫描以及待扫描区域的数量；三、计算出低灰度值统计法的阈值、门限和三个步长大小；四、按照选择扫描方式控制载物平台沿XY轴移动到下一个待采集图像区域；五、控制载物平台到达焦点；摄像头采集当前区域图像；六、判断采集当前区域图像数量是否满足步骤二中待扫描区域的数量，若满足，则执行七，若没满足，则执行四；七、结束。本发明应用于显微镜聚焦领域。
-
公开(公告)号：CN104050242A
公开(公告)日：2014-09-17
申请号：CN201410228055.8
申请日：2014-05-27
Applicant: 哈尔滨理工大学
CPC classification number: G06F17/30598 , G06F17/30705
Abstract: 本发明涉及一种基于最大信息系数的特征选择、分类方法及其装置，所述特征选择方法包括：S1，基于互信息准则将原始特征进行排序，将相关度低于阈值的特征删除，并将所述相关度高于阈值的特征形成初始特征子集；S2，计算在所述初始特征子集中的特征之间的最大信息系数；S3，根据所述最大信息系数，删除所述初始特征子集中的冗余特征，得到低维特征子集。本发明所述的特征选择方法通过使用互信息以及最大信息系数的方式进行特征选择，从而去除冗余特征，降低了数据的维度。
-
公开(公告)号：CN115147459A
公开(公告)日：2022-10-04
申请号：CN202210913007.7
申请日：2022-07-31
Applicant: 哈尔滨理工大学
Abstract: 基于Swin Transformer的无人机跟踪目标方法，本发明涉及无人机自动驾驶过程中，现有的目标追踪算法对目标追踪效果不好的问题。传统的目标追踪算法存在着目标丢失再检测无法算作同一单位，目标遮挡无法识别，数据整体时序性能利用不强等问题；为解决上述问题，本发明提出了基于Swin Transformer的无人机目标追方法；该方法将语音领域的算法应用到目标追踪算法上，首先利用Swin Transformer将数据进行特征的提取，将图像特征进行两两拼接，之后使用改进的Transformer进行目标追踪算法特征的增强，之后在自注意力模块中输入上述两两拼接的特征，增强帧与帧之间的特征学习；经过充分的实验验证得知，该方法在无人机目标追踪上取得了很好的效果。本发明应用于无人机自动驾驶的目标追踪领域。
-
公开(公告)号：CN115082420A
公开(公告)日：2022-09-20
申请号：CN202210832755.2
申请日：2022-07-15
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06N3/04 , G06N3/08 , G06T7/11 , G06T7/187 , G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 一种基于深度学习的组织病理细胞核的实例分割方法，本发明涉及组织病理图像分析中，组织病理细胞核实例的精准分割问题。组织病理细胞核的实例分割不仅要将细胞核与图片的背景区分开，还要精准的分割出每一个单独的细胞核轮廓。由于图像背景复杂、核之间缺乏清晰的边界、以及较大的核大小和形态变化，这都为组织病理细胞核实例的精准分割提出了挑战。本发明提出一种基于CondInst模型的组织病理细胞核实例分割方法。实验表明，该方法有效的解决了组织病理细胞核漏分割或者是误分割的情况，并且细胞核的轮廓更加贴合真实细胞核轮廓。本发明应用于组织病理细胞核实例的精准分割。
-
公开(公告)号：CN113012167B
公开(公告)日：2022-06-21
申请号：CN202110313933.6
申请日：2021-03-24
Applicant: 哈尔滨理工大学
Abstract: 一种细胞核与细胞质的联合分割方法，本发明涉及细胞病理图片分析诊断技术中，细胞核与细胞质难以分割的问题。提取细胞核与细胞质的形态、纹理和外观特征，为异常细胞的分类和检测提供依据，是细胞病理图像分析诊断的关键工作之一。细胞核的精确分割是提取细胞特征的关键所在。但是由于细胞间存在重叠，细胞形态差异大，细胞质边界对比度较差等，使得目前仍然没有一个较好的分割方法。针对这一问题，结合任务的特点，设计了模型和损失函数，并利用自监督学习对模型参数进行初始化，以引入先验知识。实验表明，这种方法能够有效地实现细胞核与细胞质在细胞病理分析过程中的精确分割。该方法主要应用于细胞分析任务中的细胞核和细胞质的分割任务。
-
Patent Agency Ranking
公开(公告)号：CN114639372A
公开(公告)日：2022-06-17
申请号：CN202210221484.7
申请日：2022-03-07
Applicant: 哈尔滨理工大学
IPC: G10L15/00 , G10L15/02 , G10L15/06 , G10L21/0216 , G10L25/18 , G10L25/24 , G10L25/27 , G10L25/45
Abstract: 本发明公开了一种基于调整余弦互信息估计的语种识别方法，解决了在复杂的声音环境下以分类损失为目标函数提取到的embedding(嵌入特征)区分能力不强的问题。在训练阶段，先将训练集的声学特征做预处理，输入TDNN‑F网络；然后将网络中输出的embeddings根据半困难负样本挖掘策略，选择出正负样本对进行基于调整余弦相似度的互信息估计，并以此作为目标函数进行网络训练。在识别阶段，先将注册集和测试集的声学特征输入训练好的TDNN‑F网络得到对应的embeddings；然后将注册集与测试集的embeddings进行线性判别分析、减平均、零相位成分分析白化以及向量长度归一化；最后使用逻辑回归(LR)分类器进行评分。该方法能够有效利用正负样本对语言嵌入特征之间的互信息，以此优化网络训练并降低系统的错误率。本发明可以应用于语种识别领域。
-
公开(公告)号：CN113409254B
公开(公告)日：2022-06-07
申请号：CN202110624234.3
申请日：2021-06-04
Applicant: 哈尔滨理工大学
Abstract: 一种针对模糊成像环境的印刷品缺陷检测方法，本发明涉及印刷品缺陷检测技术。为了解决缺陷检测任务中复杂环境和镜头畸变所导致的误检和漏检问题。基于机器视觉的表面缺陷检测技术被广泛应用，然而高精度的印刷产品表面缺陷检测依赖于高质量的图像。在目标快速移动、相机摇晃、失焦等影响下，相机捕捉的图像会有一定程度的模糊和失真，从根本上阻碍了印刷品缺陷检测精度的提升。本发明提出一种针对模糊成像环境的印刷品缺陷检测方法。实验表明，该方法可以有效地提升图像的清晰度和缺陷检测的鲁棒性，减少复杂环境和镜头畸变所导致的误检和漏检情况。本发明主要应用于模糊成像环境的印刷品缺陷检测。
-
公开(公告)号：CN112381794B
公开(公告)日：2022-05-31
申请号：CN202011276148.X
申请日：2020-11-16
Applicant: 哈尔滨理工大学
Abstract: 一种基于深度卷积生成网络的印刷缺陷检测方法，本发明涉及缺陷检测技术中，印刷品微小缺陷准确检测的问题。近年来，深度学习被广泛用于缺陷检测。虽然目前的方法在简单背景下的缺陷检测任务上取得了进展，但对于细微缺陷还是无法准确检测。针对这一问题，本发明提出了一种基于深度卷积生成网络的印刷缺陷检测方法。首先，加入上采样模块，减少上采样中的损失。其次，提出一种自注意力机制，从而使得网络可以生成结构性更为复杂和细节更为准确的图像。最后，拟合生成器生成图像的噪声分布，去除噪声，获得缺陷图像。在保证准确率的基础上，提高了检测精度。本发明应用于无监督的印刷微小缺陷检测。
-
公开(公告)号：CN113158722A
公开(公告)日：2021-07-23
申请号：CN202011550309.X
申请日：2020-12-24
Applicant: 哈尔滨理工大学
Abstract: 基于多尺度深度神经网络的旋转机械故障诊断方法，本发明涉及轴承等旋转机械故障诊断领域中，靠人工诊断准确率和效率不高的问题。深度学习技术在机械故障诊断中表现出了巨大潜力。目前的方法虽然取得了一定的效果，但由于特征的表达能力不足导致鲁棒性不好、准确率差。为解决这一问题，本发明提出了基于多尺度深度神经网络的旋转机械故障诊断方法。该方法将时域信号进行不同尺度的下采样，然后利用基于注意力机制的长短时记忆网络和多尺度卷积神经网络实现特征提取，并融合多尺度特征，最后利用多分类器实现故障诊断。经过充分的实验验证得知，在轴承的故障诊断上取得了很好的效果。本发明应用于轴承等旋转机械的故障诊断。
-
公开(公告)号：CN107492084B
公开(公告)日：2021-06-25
申请号：CN201710544900.6
申请日：2017-07-06
Applicant: 哈尔滨理工大学
Abstract: 基于随机性的成团细胞核图像合成方法，本发明涉及DNA倍体分析技术中，由于成团细胞核图像稀少导致细胞分类正确率急剧下降的问题。细胞DNA倍体分析技术是一种自动化的病理诊断技术，准确识别各类细胞图像是这一技术的关键。然而，重叠细胞核的训练样本稀少（训练集失衡）导致重叠细胞核图片的识别率较低。为解决这一问题，本发明提出了一种合成重叠细胞图像的方法。该方法采用样本选择使合成的样本更具有代表性；引入随机性控制合成源图像的随机旋转角度和随机重叠程度；根据朗伯比尔定律重构重叠部分的像素，使合成的样本更接近真实样本；最后将合成的样本用于模型训练。本发明应用于解决重叠细胞核的训练样本稀少（训练集失衡）问题。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.08 seconds)
