-
公开(公告)号：CN117744425A
公开(公告)日：2024-03-22
申请号：CN202311528340.7
申请日：2023-11-16
Applicant: 北京航空航天大学
IPC: G06F30/23 , G06F30/25 , A61M36/00 , G06F119/14
Abstract: 本发明公开了一种腔道内放射性粒子布源仿真方法及装置，包括：在影像空间中标记靶区和腔道目标，在三维空间建立包含所述区域的三维模型；基于腔道中心线和靶区所致的腔道狭窄选取支架长度和直径，在三维空间建立支架模型；模拟支架植入腔道扩张靶区和腔道的支架‑腔道‑靶区模型，待所述模型稳定后，提取所述模型模拟结果；计算影像空间和三维空间之间的关系矩阵，将支架‑腔道‑靶区模拟结果逆向勾画至影像，得到术后模拟CT；栅格化支架展开面，得到候选粒子坐标；基于术后靶区和候选粒子坐标，建立目标函数并利用一种启发式方法进行剂量和粒子数的计划优化。本发明缓解了传统支架粒子布源技术所得剂量适形度低、依赖医师经验的问题。
-
公开(公告)号：CN117474864A
公开(公告)日：2024-01-30
申请号：CN202311432932.9
申请日：2023-11-01
Applicant: 北京航空航天大学
IPC: G06T7/00 , G06T7/11 , G06T3/4007 , G06V10/26 , G06V10/40 , G06V10/74 , G06V10/771 , G06V10/77 , G06V10/774 , G06V10/82 , G06N3/088 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种无监督表面异常检测方法，网络结构主要包括预训练网络以及特征筛选模块两部分，其中预训练网络是在ImageNet等大型数据集上进行预训练好的，作为一个特征提取器使用。本发明首先利用预训练网络提取训练数据集中所有样本的不同尺度的特征，并保存起来作为一个特征池。考虑到数据集中的样本可能存在缺陷样本，因此之后计算特征池中的统计分布，利用马氏距离作为判据来筛除那些异常可能性高的样本。特征筛选完成之后，为了减少测试时间，对特征池进行核心集采样。进行异常检测时，利用预训练网络提取待测试样本的特征，在特征池中进行KNN搜索，并依据搜索结果进行判定样本是否存在缺陷并对缺陷进行定位。本发明结合了深度学习中预训练策略，结合统计学中的分布采样，解决了当前主流无监督表面异常检测方法对训练数据要求高、鲁棒性差的问题。
-
公开(公告)号：CN116824209A
公开(公告)日：2023-09-29
申请号：CN202310488169.5
申请日：2023-05-04
Applicant: 北京航空航天大学
IPC: G06V10/764 , G06N20/00 , G06V10/774
Abstract: 本申请公开了一种骨窗预测方法及系统，该方法包括：根据人体颅骨的解剖结构，建立归一化的球面坐标系；模型训练，将已确定骨窗的第一人体颅骨医学影像投影到球面坐标系得到第一影像数据集合；在提取球面坐标系下，计算第一影像数据集合中的点的几何特征向量；以第一影像数据集合中的点的几何特征向量为输入，及点是否属于骨窗为标签，送入机器学习分类模型进行训练；骨窗预测，将未确定骨窗的第二人体颅骨医学影像投影到球面坐标系得到第二影像数据集合；将第二影像数据集合中的点的几何特征向量送入机器学习分类模型，获得点确定的骨窗。本申请提出的技术方案，实现了自动化的骨窗预测仿真结果，缓解对医师经验的依赖、降低人为错误的产生。
-
公开(公告)号：CN116630616A
公开(公告)日：2023-08-22
申请号：CN202310470514.2
申请日：2023-04-27
Applicant: 北京航空航天大学
IPC: G06V10/26 , G06V10/82 , G06V10/762 , G06V10/774 , G06N3/0442 , G06N3/0464 , G06N3/084 , G06T7/00
Abstract: 本发明公开了基于MUCL框架的车漆缺陷分割方法，包括：获取目标车漆图像；将目标车漆图像输入至训练好的车漆缺陷分割模型中，输出目标车漆图像对应的车漆缺陷分割图像；车漆缺陷分割模型采用MobileUnetConvLSTM框架，且包括编码器和解码器。该方法可以有效完成车漆缺陷分割任务。
-
公开(公告)号：CN116245843A
公开(公告)日：2023-06-09
申请号：CN202310210939.X
申请日：2023-03-07
Applicant: 北京航空航天大学
IPC: G06T7/00 , G06T7/10 , G06V10/762 , G06V10/80 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于YOLOv5框架的车漆缺陷检测与分割一体化方法，包括：获取目标车漆图像；将目标车漆图像输入至训练好的车漆缺陷检测与分割模型中，输出目标车漆图像对应的车漆缺陷检测图像与分割图像；车漆缺陷检测与分割模型采用YOLOv5框架构建而成，且包括分割分支和检测分支。通过该方法可以在对车漆进行检测和分割时，提高检测和分割效率，同时增强检测和分割精度。
-
Patent Agency Ranking
公开(公告)号：CN115607269A
公开(公告)日：2023-01-17
申请号：CN202211283312.9
申请日：2022-10-20
Applicant: 北京航空航天大学
IPC: A61B18/18
Abstract: 本发明公开了一种微波消融热场仿真方法及系统，该仿真方法包括：根据消融针的针型、消融时间及消融功率，计算消融针的微波消融热场；计算消融针的微波消融热场的步骤包括，计算消融针产生的电磁场，根据电磁场产生的热量分布，及非均匀介质热传导模型计算血液流动产生的热量传导与沉积，形成消融针的消融热场；根据预置的微波消融热场的边界阈值，确定微波消融热场的覆盖区域；判别覆盖区域是否包络目标区域，如果不包络，调整消融时间和/或消融功率，重新计算消融针的微波消融热场。本发明提出的技术方案缓解了现有微波消融热场仿真精度较低的技术问题。
-
公开(公告)号：CN114972313A
公开(公告)日：2022-08-30
申请号：CN202210710807.9
申请日：2022-06-22
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种图像分割网络预训练方法及装置，该方法包括：获取无标注图像的集合S，对集合S中的图像进行裁切和图像增强后形成集合T，将集合T中图像的像素区域进行随机掩膜后，送入第一网络分支进行训练，第一网络分支包含第一语义编码器和第一语义解码器；对集合T中图像进行像素的随机修改后，送入第二网络分支的第一通道和第二通道进行训练，第二网络分支还包含第二语义编码器和第二语义解码器，第二语义编码器共享第一语义编码器的参数，通过对比损失函数约束第二网络分支的训练。本发明提供的技术方案稀释了预训练阶段学习到的无用特征，缓解了现有技术中自监督学习下游任务训练的工作量大的问题。
-
公开(公告)号：CN114913472A
公开(公告)日：2022-08-16
申请号：CN202210167951.2
申请日：2022-02-23
Applicant: 北京航空航天大学
IPC: G06V20/52 , G06V20/40 , G06V10/26 , G06V10/762 , G06T7/11 , G06T7/136 , G06T7/187 , G06T7/246 , G06T7/269
Abstract: 本发明公开了一种联合图学习与概率传播的红外视频行人显著性检测方法，能够在红外视频中自动定位红外行人区域，并准确地将行人与背景区分开。其步骤如下：一：基于布尔图的候选区域生成；二：计算各帧图像的运动显著性；三：构建多视角时空图结构；四：构建结合图自学习和显著性传播的能量函数并求解。通过以上步骤，本方法能够从杂乱背景及多重复杂运动中准确且鲁棒地提取出红外行人目标的时空显著性，并将背景几乎完全抑制，在其他图像处理领域如目标分割、目标跟踪和目标检索等都有实际应用价值。
-
公开(公告)号：CN111260702B
公开(公告)日：2022-05-17
申请号：CN202010091558.0
申请日：2020-02-13
Applicant: 北京航空航天大学
IPC: G06T7/33
Abstract: 本发明公开了一种激光三维点云与CT三维点云配准方法，包括：对患者体表激光三维点云数据进行统计滤波、点云区域生长处理和体素滤波，将患者的4D‑CT数据重建为CT三维点云数据；从激光三维点云数据选取点集合S1，从CT三维点云数据选取点集合S2；利用PointRegNet网络，从S1提取特征点集合Q，从S2提取特征点集合V；设置Q中所有特征点相互连接形成特征边的集合ES，设置V中所有特征点与K近邻的特征点连接形成特征边的集合E，将图(V,E)与图(Q,ES)进行配准；利用运动幅度信息对S1中的点分配权重，以S2为基础建立GMM模型，GMM模型结合分配权重后的S1中的点构造概率似然函数。本发明技术方案缓解了现有技术无法直接应用于体表点云配准的问题。
-
公开(公告)号：CN112102472B
公开(公告)日：2022-04-29
申请号：CN202010901125.7
申请日：2020-09-01
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种稀疏三维点云稠密化方法，方法包括：获取同一场景的三维点云和二维图像；将三维点云向二维图像所在平面进行投影，获取稀疏深度图；将稀疏深度图与二维图像经过深度神经网络融合为稠密深度图；将稠密深度图反投影形成稠密化三维点云。此外，还公开了训练深度神经网络的步骤，包括：获取至少一组三维点云样本、二维图像样本及稠密深度图样本；将三维点云样本向同一组内的二维图像样本所在平面进行投影，获取稀疏深度图样本；将稀疏深度图样本作为输入，稠密深度图样本作为输出，训练深度神经网络。相比于现有技术，本发明方案通过组合稀疏深度图与二维图像两者所包含的信息，得到稠密深度图，从而达到稀疏三维点云的稠密化。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.03 seconds)
