一种汽车动力电池组智能化测试系统

    公开(公告)号:CN103278774A

    公开(公告)日:2013-09-04

    申请号:CN201310144001.9

    申请日:2013-04-24

    申请人: 常州大学

    IPC分类号: G01R31/36

    摘要: 本发明公开了一种汽车动力电池组智能化测试系统,包括主控制器模块、测量模块和无线局域网模块,主控制器模块和测量模块相连接,并控制无线局域网模块接入因特网,测量模块基于CPLD技术完成电池电压和内阻测量,无线局域网模块使用Wi-Fi无线局域网技术接入因特网,实现测试数据的远程综合分析。本发明的测量模块不仅能测试低值电阻,还能测量电感量、相位角、电抗等参量;在测试电池内阻和超级电容ESR的同时,也能对其他指标作出评估;提高了产品可靠性,使传输更可靠;通过网络传输,不仅能实现正真意义上的快速、远程通讯而且可以通过在线系统编程技术,实现系统功能扩展和测试软件升级。

    基于改进YOLOv9和双流网络的结节检测方法

    公开(公告)号:CN118781391A

    公开(公告)日:2024-10-15

    申请号:CN202410767851.2

    申请日:2024-06-14

    申请人: 常州大学

    摘要: 本发明涉及图像处理技术领域,尤其涉及基于改进YOLOv9和双流网络的结节检测方法,包括获取超声甲状腺结节图像,并标注结节位置和划分若干等级;将图像输入去噪模块,得到去噪后的图像;将去噪后的图像输入YOLOv9模型,进行结节位置检测,得到结节检测框图像;并利用双流网络模块中的结节图提取模块和原图提取模块进行特征提取,得到原图特征图和结节特征提取图,并利用特征融合模块将原图特征图和结节特征提取图进行特征融合,经过分类模块后输出结节的等级。本发明利用改进的YOLOv9模型对结节进行定位检测;利用双流识别模块对甲状腺结节的分险等级进行评估。

    一种果园幼果检测及生长角度预测方法及系统

    公开(公告)号:CN117953280A

    公开(公告)日:2024-04-30

    申请号:CN202410058197.8

    申请日:2024-01-16

    申请人: 常州大学

    摘要: 本发明涉及图像检测技术领域,尤其涉及一种果园幼果检测及生长角度预测方法及系统,包括采集幼果图像数据;获取伪标签数据;YOLOv8n‑seg网络的backbone采用MobileNetv3结构,利用Conv_BN_HSwish层对图像进行降维,并对十个Bottleneck模块进行改进;neck采用CARAFE上采样特征提取模块;优化边界框损失;采用标注数据和伪标签数据对幼果检测模型进行训练,并利用对幼果图像进行生长角度估算。本发明利用半监督学习通过少量已标注数据和大量未标注数据,提高模型的泛化能力;利用改进YOLOv8n‑seg网络提高幼果的识别率;以及解决现有方法套袋的精准性不足的问题。

    一种基于穿越动作和交通场景上下文因素的行人穿越马路意图识别方法

    公开(公告)号:CN112329682B

    公开(公告)日:2024-01-26

    申请号:CN202011276593.6

    申请日:2020-11-16

    申请人: 常州大学

    摘要: 本发明涉及一种基于穿越动作和交通场景上下文因素的行人穿越马路意图识别方法,首先通过faster‑RCNN进行行人检测,进一步利用行人的运动信息搜索感兴趣目标,提取感兴趣目标的运动序列、周围交通场景序列以及轨迹位置;其次设计了一种三维卷积神经网络来处理感兴趣目标的运动序列,得到与行人穿越马路意图相关的行为特征;然后本发明根据行人所处的局部交通场景的要素以及车辆行驶速度得到两个权重,来修正人‑车距离,并将修正后的距离送到多层感知机进行编码,得到与行人穿越马路意图相关的距离特征;最后将行为特征和距离特征进行信息融合,利用全连接层将融合后的特征降维,并通过softmax操作得到行人是否穿越马路的结

    一种用于果实采摘的被遮挡果实识别的装置及方法

    公开(公告)号:CN117337693A

    公开(公告)日:2024-01-05

    申请号:CN202311555685.1

    申请日:2023-11-21

    IPC分类号: A01D46/30

    摘要: 本发明公开了一种用于果实采摘的被遮挡果实识别的装置,涉及到果实采摘技术领域,包括行走底座、支撑组件、采摘组件、液压支架以及收料斗。本发明还提供了一种用于果实采摘的被遮挡果实识别的装置使用方法,包括以下步骤:设备调试,角度调整,果实采摘与枝叶分离以及果实收集。本发明通过设置行走底座,行走底座的上方设置有支撑组件,支撑组件的一侧设置有采摘组件,采摘组件包括转杆和螺旋叶片,在对果实进行采摘时,转杆和螺旋叶片可以直接插入枝叶中,螺旋叶片可以对枝叶中被遮挡的果实进行牵引,使得果实被采摘下来,从而无需对枝叶下隐藏的果实进行精确定位,进而解决了枝叶遮挡果实难以进行定位采摘的问题。

    一种基于卷积神经网络的果实生长形态视觉辨识方法

    公开(公告)号:CN113837039B

    公开(公告)日:2023-10-24

    申请号:CN202111067533.8

    申请日:2021-09-13

    申请人: 常州大学

    摘要: 本发明涉及卷积神经网络技术领域,涉及一种基于卷积神经网络的果实生长形态视觉辨识方法,包括以下步骤:S1、图像采集:采集果园不同形态的果实图像,并对图像进行标注;S2、图像增强:将采集到的图像进行数据增强以扩充数据集;S3、搭建卷积神经网络模型;S4、使用SGD优化器对网络参数进行优化;S5、使用训练完的最优模型对测试集进行检测,给出每个目标的预测框、类别和置信度。本发明基于深度学习技术提出了果实生长形态的辨识方法,该方法与Faster‑RCNN、YOLO算法相比,有更高的识别准确率和更快的识别速度,同时模型参数量也更少。

    一种果园图像中近大果实目标的获取方法

    公开(公告)号:CN109544572B

    公开(公告)日:2023-07-25

    申请号:CN201811373577.1

    申请日:2018-11-19

    申请人: 常州大学

    摘要: 本发明公开了一种果园图像中近大果实目标的获取方法,包括:1、RGB图像采集;2、色差图像获取:对RGB图像提取R‑G色差图像;3、图像形态学运算:对R‑G色差图像依次进行腐蚀、一次孔洞填充、小区域去除、膨胀、二次孔洞填充操作;4、果实区域获取:基于图像中物体边缘信息进行阈值分割获取果实区域;5、各果实区域等面积圆半径获取:计算各果实区域面积,在此基础上计算出等面积圆的半径;6、获取近大果实区域:对果实图像以半径变化的圆盘形结构元素进行迭代开运算操作,以此获取近大果实目标区域图像。本发明为单臂采摘机器人采摘目标的确定提供了一种简单有效的方法。

    一种果实采摘运输用储存装置

    公开(公告)号:CN114906450B

    公开(公告)日:2023-05-26

    申请号:CN202210236885.X

    申请日:2022-03-11

    摘要: 本发明公开了一种果实采摘运输用储存装置,涉及到果实采摘运输技术领域,包括安装组件、调节组件、连接组件、排列组件和周转箱,所述安装组件的下方设置有调节组件,所述安装组件和调节组件之间设置有连接组件,所述调节组件的内侧设置有排列组件,所述连接组件的外侧设置有周转箱。本发明通过设置安装组件、调节组件、连接组件和排列组件,安装组件可以卡接在周转箱的上方,调节组件可以调整排列组件的位置,而连接组件可以控制调节组件的高度,果实在放入排列组件上方时,排列组件内的多个橡胶块和连接杆配合,可以将果实引导排列成矩形阵列,从而可以实现对果实的快速排列,方便了周转箱对果实的运输。

    一种非均一颜色果实区域的获取方法

    公开(公告)号:CN109584301B

    公开(公告)日:2023-05-23

    申请号:CN201811430186.9

    申请日:2018-11-28

    申请人: 常州大学

    IPC分类号: G06T7/73 G06T7/11 G06T7/90

    摘要: 本发明公开一种非均一颜色果实区域的获取方法,包括图像采集:采集果园果实RGB图像;图像预处理:突出非均一颜色果实中的颜色显著区域;种块区域提取:提取图像果实中的颜色显著区域,作为后续区域生长的种块区域;计算区域框定:框定后续种块区域生长的计算区域;小类别区域划分:将各个除种块以外的计算区域划分为同色、多色和异色小区域;异色小区域细分:将异色小区域近一步细分为同色和多色小区域;种块区域生长:基于种块区域依据位置邻近和纹理相近原则生长合并同色区域,由此获得非均一颜色果实的整个区域。该发明对于像水蜜桃青里泛白、白里透红等非均一颜色类果实区域的获取提供一种有效方法,为其机器人采摘视觉识别奠定基础。

    一种基于DM-DQN的移动机器人路径规划方法

    公开(公告)号:CN115047878A

    公开(公告)日:2022-09-13

    申请号:CN202210673628.2

    申请日:2022-06-13

    申请人: 常州大学

    IPC分类号: G05D1/02

    摘要: 本发明涉及DQN算法技术领域,尤其涉及一种基于DM‑DQN的移动机器人路径规划方法,包括建立基于DM‑DQN的移动机器人路径规划模型;设计DM‑DQN算法的状态空间、动作空间、DM‑DQN网络模型和奖励函数;对DM‑DQN算法进行训练,获得了经验奖励值,完成机器人无碰撞的路径规划。本发明引入了竞争网络结构,将网络结构分解为价值函数和优势函数,从而将动作选择和动作评估进行解耦,使得状态不再完全依赖于动作的价值来进行判断,可以进行单独的价值预测,解决了其收敛速度慢的问题;并通过设计基于人工势场的奖励函数,解决了机器人过于靠近障碍物边缘的问题。