-
公开(公告)号：CN119493106A
公开(公告)日：2025-02-21
申请号：CN202411633688.7
申请日：2024-11-15
Applicant: 浙江工业大学
Abstract: 一种探测通信一体化的避碰声纳信号设计方法和装置，其方法包括：调制连续频率相位键控信号CFPSK，生成初始频率和Chirp信号；调制连续频率相位键控信号，BPSK信号通过相位调制分两路调制到Chirp上，再将两路信号相加，得到最终的发射信号；将CFPSK信号进行脉冲宽度调制后通过避碰声纳的换能器发射；采集避碰声呐原始回波信号，得到原始回波数据；对采集到的原始数据进行预处理，得到虚实两路信号；将信号压缩成短脉冲带宽的信号，生成正交的两组匹配滤波器的冲激响应参数，每组分别与虚实两路信号进行匹配得到四组匹配结果，再从实数域还原到复数域得到最终的匹配输出；通过检测匹配滤波输出的峰值位置，确定CFPSK信号的起点，从接收信号中精确截取出回波信号用于通信解码，对接收信号与参考载波进行相干检测。本发明实现探测与通信功能的协同工作。
-
公开(公告)号：CN119027988A
公开(公告)日：2024-11-26
申请号：CN202411153540.3
申请日：2024-08-21
Applicant: 浙江工业大学
IPC: G06V40/12 , G06V10/10 , G06V10/26 , G06V10/28 , G06V10/44 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于深度压缩神经网络的手指汗腺提取方法，首先将OCT指纹体数据进行分割，将分割得到的系列子块输入到深度压缩神经网络；然后经过连续的扩张深度压缩模块，利用扩张卷积提升对汗腺的感受野，提取汗腺初步特征；通过连续的基础深度压缩模块，提取汗腺细化特征；汗腺细化特征在随机失活后，经过连续的卷积层，输出汗孔特征图，将汗孔特征图经过二值化后得到表面汗孔图片，将所有子块对应的表面汗孔图片进行拼接，得到手指汗孔图。本发明能够对OCT原始数据直接进行处理。通过深度压缩模块来提取汗腺特征，无需去噪和映射操作，直接从OCT原始数据中提取汗腺，压缩生成准确的表面汗孔图像，提升了提取精度和速度。
-
公开(公告)号：CN118444477B
公开(公告)日：2024-10-01
申请号：CN202410904632.4
申请日：2024-07-08
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于FPGA的同步信号控制系统，包括上位机、FPGA模块、振镜、光学图像传感器和采集卡，其中FPGA模块包括BRAM模块、帧解析器、3D扫描模块和2D扫描模块，且3D扫描模块和2D扫描模块均包括操作单元，以及与振镜、光学图像传感器和采集卡依次对应的第一子控制单元、第二子控制单元和第三子控制单元。本发明通过FPGA实现对OCT外设振镜、CCD和采集卡的时序控制，实现了对外设的通用同步控制，解决了传统OCT系统由于控制精度不足导致的图像畸变问题；本发明通过单独配置外设振镜、CCD和采集卡的延迟，在几乎不消耗任何资源的情况下实现了对外设固有延迟的精确补偿，解决了采集的OCT图像的错位问题，且简单有效。
-
公开(公告)号：CN118090699B
公开(公告)日：2024-09-24
申请号：CN202410093578.X
申请日：2024-01-23
Applicant: 浙江工业大学
IPC: G01N21/65 , G06V10/764 , G06V10/82 , G06V10/52 , G06V10/26 , G06N3/0464 , G06N3/048 , G06N3/082 , G06N3/084
Abstract: 本发明涉及到差分拉曼光谱技术，特别涉及一种结合差分拉曼光谱和SE‑Res2Net的黄曲霉素检测方法。测得含有黄曲霉素以及不含有黄曲霉素的待测物的差分拉曼光谱；构建模型，初始化模型参数；将黄曲霉素的差分拉曼光谱和待测物的差分拉曼光谱输入模型得到特征图X；将特征图X输入Res2Net模块，得到特征图Y5；将特征图Y5输入SE模块，得到特征图f'；通过跳跃连接的方式将特征图X连接到特征图f'上，得到特征图f；得到待测物中是否含有黄曲霉素的概率，完成模型的训练；验证模型并更新参数。本发明有效去除拉曼光谱中的荧光、环境光等干扰，增强拉曼光谱中的特征峰，提高检测准确率。
-
公开(公告)号：CN112149521B
公开(公告)日：2024-05-07
申请号：CN202010916060.3
申请日：2020-09-03
Applicant: 浙江工业大学
IPC: G06V40/10 , G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06T5/70 , G06T5/10
Abstract: 一种基于多任务卷积神经网络的掌纹ROI提取与增强的方法，包括如下步骤：1)对样本进行训练前的准备工作，先将样本复制成两份，分别为A和B，对样本A进行BM3D去噪和Gabor小波滤波，以此来对样本进行图像增强处理；对样本B进行标记，分别标记训练样本的两个指间谷点和掌纹ROI区域；最后对标记后的训练样本进行数据扩充；2)用步骤1)生成的训练样本来训练多任务卷积神经网络，得到用于掌纹ROI提取与增强的网络模型；3)通过验证集验证训练好的多任务卷积神经网络模型并输出结果，并对结果进行矫正。本发明能够以更高的准确性和鲁棒性实现从一般掌纹中提取到具备图像增强的掌纹感兴趣区域。
-
Patent Agency Ranking
公开(公告)号：CN113378890B
公开(公告)日：2024-03-22
申请号：CN202110533245.0
申请日：2021-05-17
Applicant: 浙江工业大学
IPC: G06V10/82 , G06V10/762 , G06V10/74 , G06V10/80 , G06V10/40 , G06N3/0464 , G06N3/045 , G06N3/08 , G06V20/58
Abstract: 一种基于改进YOLO v4的轻量级行人车辆检测方法，包括以下步骤：1)将数据集划分为训练集、验证集和测试集；2)对数据集标签中的真实目标框进行聚类分析，获得先验框尺寸；3)利用Ghost模块搭建主干网络，用于提取数据集的视觉特征，在保证特征质量的同时缩减参数量；4)使用不同扩张率的空洞卷积提升网络的多尺度感知能力；5)对提取到的特征进行特征聚合；6)将聚合后的特征输入检测头，对目标的位置和类别进行预测，利用损失函数训练模型；7)将测试集图像输入训练得到的网络模型进行检测，输出目标的检测结果。本发明在保证行人车辆检测精度的同时，拥有较小的模型参数量，检测速度较快，降低了对于硬件设备性能的需求。
-
-
公开(公告)号：CN113378890A
公开(公告)日：2021-09-10
申请号：CN202110533245.0
申请日：2021-05-17
Applicant: 浙江工业大学
Abstract: 一种基于改进YOLO v4的轻量级行人车辆检测方法，包括以下步骤：1)将数据集划分为训练集、验证集和测试集；2)对数据集标签中的真实目标框进行聚类分析，获得先验框尺寸；3)利用Ghost模块搭建主干网络，用于提取数据集的视觉特征，在保证特征质量的同时缩减参数量；4)使用不同扩张率的空洞卷积提升网络的多尺度感知能力；5)对提取到的特征进行特征聚合；6)将聚合后的特征输入检测头，对目标的位置和类别进行预测，利用损失函数训练模型；7)将测试集图像输入训练得到的网络模型进行检测，输出目标的检测结果。本发明在保证行人车辆检测精度的同时，拥有较小的模型参数量，检测速度较快，降低了对于硬件设备性能的需求。
-
公开(公告)号：CN111242949B
公开(公告)日：2021-06-18
申请号：CN202010002508.0
申请日：2020-01-02
Applicant: 浙江工业大学
Abstract: 一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法，包括以下步骤：1)对眼底视网膜图像进行预处理；2)将预处理后的图像分割成图像块进行数据扩充；3)构建卷积神经网络模型，并利用扩充后的数据进行网络训练；4)将训练好的模型进行测试，得到分割结果。本发明通过连接一种编码和两种不同的解码结构，并采用多种跳过连接，可以克服血管图像数据集数量少、图像质量低导致的分割精度低等缺点，更加充分地融合不同深度的特征，并且有效缓解由网络深度增加导致的梯度消失问题，与传统分割方法相比，拥有更高的准确率与较高的鲁棒性。
-
公开(公告)号：CN108759826B
公开(公告)日：2020-10-27
申请号：CN201810323707.4
申请日：2018-04-12
Applicant: 浙江工业大学
IPC: G01C21/18
Abstract: 一种基于手机和无人机多传感参数融合的无人机运动跟踪方法包括以下步骤：1)设计Android应用程序，获取手机的加速度计和陀螺仪参数，并将IMU参数制成ROS信息格式，最后通过Wi‑Fi发送至无人机端；2)获取手机和无人机的IMU参数，建立IMU状态模型，误差状态模型；3)根据获取到的图像提取运动目标；4)使用多速率扩展卡尔曼滤波对相对位姿进行滤波。本发明提出一种基于手机和无人机多传感参数融合的无人机运动跟踪方法，大大提高了跟踪的精度和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.031 seconds)
