一种智能控制的蒸汽锅炉系统

    公开(公告)号:CN109253441A

    公开(公告)日:2019-01-22

    申请号:CN201810816492.X

    申请日:2017-05-22

    Applicant: 中北大学

    Abstract: 发明提供了一种锅炉系统,所述系统根据锅炉产生的蒸汽量和输入锅炉的水量进行自动控制,所述锅炉定期进行排污,所述汽包还包括水质分析仪,以测量汽包内的水质,所述水质分析仪与监控诊断控制器进行数据连接,以便接受测量的数据;所述锅炉还具有根据测量汽包内的水质自动修正基准数据的功能,排污量根据测量的数据自动进行控制。本发明的锅炉自动计算锅炉的排污量,根据排污量来调整排污时间和排污速度。

    一种基于Leap Motion手势识别的沙画制作方法

    公开(公告)号:CN107024989A

    公开(公告)日:2017-08-08

    申请号:CN201710182342.3

    申请日:2017-03-24

    Applicant: 中北大学

    CPC classification number: G06F3/017

    Abstract: 本发明属于沙画制作方法技术领域,具体涉及一种基于Leap Motion手势识别的沙画制作方法。本发明主要解决了现有的基于视觉的手势识别整体实现过程繁琐,易受到光线、复杂环境的影响而导致识别不精确、实时性较差的技术问题,并且解决了现阶段沙画表演不具备传播及存储的功能的缺陷。本发明利用Leap Motion捕捉手势精度高的特点,结合Unity 3D强大的集成功能、内置功能完成虚拟沙画绘制过程;通过改进特征提取算法、优化跟踪过程使得手势识别精度更高、跟踪效果更加稳定;加入粒子下落效果,最终实现效果逼真的沙画绘制效果。

    基于邻域旋转体积的点云配准方法

    公开(公告)号:CN106846387A

    公开(公告)日:2017-06-13

    申请号:CN201710071543.6

    申请日:2017-02-09

    Applicant: 中北大学

    CPC classification number: G06T2207/10028

    Abstract: 本发明提供一种基于邻域旋转体积的点云配准方法,属于三维图像技术领域,目的是解决现有点云配准方法存在的配准速度慢和抗噪性差等技术问题。包括:载入并分别计算视角相邻的源点云和目的点云的源关键点集合和目的关键点集合;对每个关键点,分别以n倍表面分辨率为邻域计算出邻域内点的旋转体积作为描述向量,得到源关键点描述向量集和目的关键点描述向量集;根据上一步计算结果计算旋转平移矩阵;利用旋转平移矩阵对源关键点描述向量集进行旋转平移得到中间关键点描述向量集;根据中间关键点描述向量集确定最终的旋转平移矩阵;根据最终的旋转平移矩阵将源点云变换到目的点云所在坐标系得到中间点云;利用ICP算法精确配准中间点云和目的点云。

    一种基于向量神经元网络的点云场景重建方法

    公开(公告)号:CN119904577A

    公开(公告)日:2025-04-29

    申请号:CN202411990516.5

    申请日:2024-12-31

    Applicant: 中北大学

    Abstract: 本发明公开了一种基于向量神经元网络的点云场景重建方法,属于计算机视觉和三维重建技术领域。针对目前点云场景重建方法在处理旋转变化和复杂场景重建时的不足问题,本发明利用PointNet对点云场景数据进行实例分割,识别并分割场景中的各个物体;建立一个涵盖常见室内场景物体的CAD模型库,训练VN网络,利用向量卷积层对每个点及其邻域进行特征提取;通过堆叠多个向量卷积层,并结合残差连接和跳跃连接,获取不同尺度的特征表示;随后计算点云特征与CAD模型特征之间的相似度,采用Chamfer距离进行检索,选取最相似的CAD模型作为候选;最后将CAD模型候选逐一与场景点云进行对齐,并引入物理违规检查模块,确保重建后场景的精确性和物理合规性。

    一种融合持久同调的三维点云分类方法

    公开(公告)号:CN114581718B

    公开(公告)日:2025-04-01

    申请号:CN202210233977.2

    申请日:2022-03-10

    Applicant: 中北大学

    Abstract: 本发明属于计算机视觉技术领域,具体涉及一种融合持久同调的三维点云分类方法,为解决当前三维点云分类技术中缺乏对点云拓扑特征进行表征的问题,本发明在现有基于神经网络的点云分类技术PointNet++基础上,进一步引入代数拓扑学中的持久同调方法进行点云分类。首先,构建点云witness单纯复形拓扑结构,从贝蒂数和持久图两个方面量化点云的持久同调拓扑特征。其次,定义一个基于持久同调的损失函数,据此对三维点云分类的网络模型进行训练学习,得到神经网络模型各项参数。最后,利用训练好的卷积神经网络,进行三维点云的分类任务。测试结果显示,本发明显著提升了点云分类准确率。

Patent Agency Ranking