-
公开(公告)号：CN108006992A
公开(公告)日：2018-05-08
申请号：CN201711446284.7
申请日：2017-12-27
Abstract: 一种远程温度测量装置及方法，所述方法包括控制系统和两个分别设置在热水锅炉的进水管处和出水管处的温度采集箱，所述温度采集箱包括箱体以及设置在箱体内的竖直进水管、两个倾斜连接管、两个温度测量管、废水收集管和电磁排污阀，所述竖直进水管的底端与废水收集管连接，两个竖直进水管的顶端分别与进水管和出水管连接，所述温度测量管的顶端通过倾斜连接管与竖直进水管连接，底端与废水收集管连接，所述废水收集管的一端封闭，另一端与电磁排污阀连接，所述温度测量管上部设置有进水电磁截止阀，下部设置有排水电磁截止阀，进水电磁截止阀和排水电磁截止阀之间设置有固定安装在温度测量管内壁上的温度传感器。
-
公开(公告)号：CN107872088A
公开(公告)日：2018-04-03
申请号：CN201711332294.8
申请日：2017-12-13
CPC classification number: H02J7/0019 , H01M10/441 , H02J7/0054
Abstract: 本发明公开了一种电池组主动均衡电路及均衡方法，所述电路包括电池组与均衡器，所述电池组包括有一个或多个电池模块，各电池模块内设置有多个电池单体，各电池模块的正输入端和负输入端分别连接有开关Sma和开关Smb，均衡器的正输入端和输入端分别通过开关Smc和开关Smd与电池模块的正输出端和负输出端连接，均衡器的正输出端和负输出端分别通过开关Sme和开关Smf与电池模块的正输出端和负输出端连接，均衡器的正输出端和输出端还分别通过开关Smg和开关Smh与电池模块的正输入端和负输入端连接。本发明提供的主动均衡电路及均衡方法，其具有均衡效率高、均衡速度快以及可扩展性强等优点。
-
公开(公告)号：CN107301387A
公开(公告)日：2017-10-27
申请号：CN201710457548.2
申请日：2017-06-16
Applicant: 华南理工大学
CPC classification number: G06K9/00778 , G06N3/08 , G06T3/40 , G06T3/60 , G06T2207/20016 , G06T2207/20081
Abstract: 本发明公开了一种基于深度学习的图像高密度人群计数方法，包括下述步骤：S1、利用深度学习框架caffe建立深浅互补卷积神经网络；S2、对图像按角度旋转、图像的多尺度缩放、图像的镜像以及图像金字塔缩放的操作实现图像数据增强；S3、将增强后的图像数据进行Gaussian核模糊归一化处理后得到真实的人群密度图，网络输出估计密度图与真实密度图按照损失函数不断迭代训练优化整个网络结构；S4、将人群图片和标签图片输入给网络训练，不断迭代优化最终得到训练好的网络模型。本发明设计了一个端到端的卷积神经网络，通过给定一张图片用于输入，输出该图片对应的估计的密度图，进而得到估计的人群的数目，通过输出密度图，保留了更多的有用的信息。
-
公开(公告)号：CN106683049A
公开(公告)日：2017-05-17
申请号：CN201611189524.5
申请日：2016-12-21
Applicant: 华南理工大学
IPC: G06T3/40
CPC classification number: G06T3/4053
Abstract: 本发明公开了一种基于显著图和稀疏表示的图像超分辨率重构方法，基于全局对比度的FT算法，与超分辨率重构算法相互结合，通过对低分辨率图像进行插值分块得到低分辨率图像块，以及采取FT算法检测得到的显著图进行二值化，按照图像块是否包含二值化显著图的显著点来判定是否为图像的显著区域，然后对图像的显著区域通过来联合训练方法对高低分辨率的字典对进行训练，并采取基于稀疏表示的超分辨率重构算法进行重构，非显著区域则采取双三次插值法，最后将各个图像块合并连接，得到最终的高分辨率图像。与现有的技术相比，本发明具有更快速的重构速率、有针对性地重构显著区域的优点。
-
公开(公告)号：CN114721673B
公开(公告)日：2025-03-07
申请号：CN202210403130.4
申请日：2022-04-18
Applicant: 华南理工大学
IPC: G06F8/60 , G06N3/045 , G06N3/0464 , G06N3/082 , G06N5/04
Abstract: 本发明公开了一种用于智能无人售货系统的嵌入式部署方法及系统，涉及嵌入式部署技术领域。具体步骤包括如下：构建并训练好无人售货系统的检测和追踪模型；对所述检测和追踪模型进行剪枝操作，得到第一模型；对所述第一模型进行量化操作，得到第二模型；将所述第二模型转化为嵌入式设备可识别的中间文件；对所述中间文件进行模型推理，将无人售货系统部署到嵌入式设备。本方法提出将智能无人售货系统的模型进行优化，使其能够部署到嵌入式设备上，实现本地化的分析计算，避免了将图像或视频数据传输到云端服务器的操作，解决了传统方案容易产生处理时延的问题，保证系统的实时性。
-
Patent Agency Ranking
公开(公告)号：CN118982869A
公开(公告)日：2024-11-19
申请号：CN202411069987.2
申请日：2024-08-06
Applicant: 华南理工大学
IPC: G06V40/20 , G06V20/40 , G06V10/764 , G06V10/77 , G06V10/52 , G06V10/44 , G06V10/62 , G06V10/82 , G06V10/774 , G06N3/0895 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/047
Abstract: 本发明公开了基于Soft‑Teacher的半监督学习视频行为识别方法，涉及视频处理技术领域。获取视频样本数据，将视频样本数据划分为有标签数据和无标签数据；将有标签数据和无标签数据输入至训练好的视频行为识别模型中，得到最终视频行为类别的分类结果。本发明依赖少量标注数据以及大部分标注数据进行训练的方法，降低了视频数据标注任务的工作量；针对Transformer的丢失空间偏置问题，引入局部特征学习模块，同时为了更好地利用整个序列的数据，引入了序列池化技术来优化预测值。
-
公开(公告)号：CN114582002B
公开(公告)日：2024-07-09
申请号：CN202210403298.5
申请日：2022-04-18
Applicant: 华南理工大学
IPC: G06V40/16 , G06N3/045 , G06N3/0464 , G06N3/08 , G06V10/82
Abstract: 本发明公开了一种结合注意力模块与二阶池化机制的人脸表情识别方法，涉及深度学习领域。本发明包括以下步骤：获取人脸图像；对人脸图像预处理，所述人脸图像预处理包括人脸检测与对齐，数据增强以及图像归一化；将预处理后的人脸图像进行特征提取，并完成表情分类。本发明有效地将自然环境下受光照、头部姿态、遮挡等因素干扰的人脸图片转为对比度合适、无遮挡的正脸图片，从而解决了真实世界环境下其他与表情无关因素变量对表情识别效果带来的干扰问题。
-
公开(公告)号：CN114721673A
公开(公告)日：2022-07-08
申请号：CN202210403130.4
申请日：2022-04-18
Applicant: 华南理工大学
Abstract: 本发明公开了一种用于智能无人售货系统的嵌入式部署方法及系统，涉及嵌入式部署技术领域。具体步骤包括如下：构建并训练好无人售货系统的检测和追踪模型；对所述检测和追踪模型进行剪枝操作，得到第一模型；对所述第一模型进行量化操作，得到第二模型；将所述第二模型转化为嵌入式设备可识别的中间文件；对所述中间文件进行模型推理，将无人售货系统部署到嵌入式设备。本方法提出将智能无人售货系统的模型进行优化，使其能够部署到嵌入式设备上，实现本地化的分析计算，避免了将图像或视频数据传输到云端服务器的操作，解决了传统方案容易产生处理时延的问题，保证系统的实时性。
-
公开(公告)号：CN114582002A
公开(公告)日：2022-06-03
申请号：CN202210403298.5
申请日：2022-04-18
Applicant: 华南理工大学
Abstract: 本发明公开了一种结合注意力模块与二阶池化机制的人脸表情识别方法，涉及深度学习领域。本发明包括以下步骤：获取人脸图像；对人脸图像预处理，所述人脸图像预处理包括人脸检测与对齐，数据增强以及图像归一化；将预处理后的人脸图像进行特征提取，并完成表情分类。本发明有效地将自然环境下受光照、头部姿态、遮挡等因素干扰的人脸图片转为对比度合适、无遮挡的正脸图片，从而解决了真实世界环境下其他与表情无关因素变量对表情识别效果带来的干扰问题。
-
公开(公告)号：CN108681692B
公开(公告)日：2022-03-25
申请号：CN201810314895.4
申请日：2018-04-10
Applicant: 华南理工大学
IPC: G06V20/10 , G06V10/34 , G06V10/82 , G06V10/774 , G06V10/764 , G06V10/26 , G06N3/04
Abstract: 本发明公开了一种基于深度学习的遥感图像内新增建筑识别方法，包括下述步骤：获取样本图像：两时间段遥感图像和新增建筑背景图像；将具有原始尺寸的样本图像分别进行裁剪切割，得到小尺寸图像；对所有小尺寸图像进行数据增强处理；再将增强后的小尺寸两时间段遥感图像进行中心化及全局对比归一化，完成后再一一对应相减，得到遥感差异图；将遥感差异图和小尺寸新增建筑背景图像输入修改后的两种深度神经网络进行网络参数训练；再将待测遥感图像输入训练所得的两种深度神经网络，在网络的softmax输出层处进行模型融合，再对输出的初步结果进行修饰处理，得到最终的新增建筑识别图像。本发明方法具有遥感图像内新增建筑识别准确率高以及适用性广的优点。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.019 seconds)
