-
公开(公告)号：CN110188705A
公开(公告)日：2019-08-30
申请号：CN201910474059.7
申请日：2019-06-02
Applicant: 东北石油大学
Abstract: 本发明涉及的是一种适用于车载系统的远距离交通标志检测识别方法，它包括：1.对交通标志图像样本集进行预处理；2.构建轻量型卷积神经网络，完成交通标志的卷积特征抽取；3.通过嵌入到轻量型卷积神经网络中的通道-空间关注力模块，构建关注力特征图；4.采用区域生成网络RPN产生目标的候选区域；5.对RPN产生的目标候选区域，引入上下文区域信息，增强标志分类特征；6.将特征向量送入全连接层，输出交通标志的类别和位置；7.建立关注力损失函数，训练FL-CNN模型；8.重复2至7，完成FL-CNN模型的样本训练；9.重复2至6，完成实际场景的交通标志检测识别。本发明实现了远距离交通标志检测识别，精度达92%。
-
公开(公告)号：CN110163187A
公开(公告)日：2019-08-23
申请号：CN201910474058.2
申请日：2019-06-02
Applicant: 东北石油大学
Abstract: 本发明涉及的是基于F-RCNN的远距离交通标志检测识别方法，它包括：一.对交通标志图像样本集进行预处理；二.对F-RCNN中的VGG-16进行预训练；三.将交通标志训练数据集输入到VGG-16，完成特征提取；四.构建融合特征图；五.F-RCNN中的区域生成网络RPN根据融合特征图进行区域生成，得到交通标志的候选区域；六.所有候选区域输入到F-RCNN中的RoI-Pooling层，生成固定尺寸的特征向量；七.将特征向量送入极限学习机网络，输出交通标志的类别和位置；八.采用贡献自适应损失函数，训练F-RCNN模型；九.完成实际场景的交通标志检测识别。本发明实现了远距离交通标志检测识别，识别精度高。
-
公开(公告)号：CN109737079A
公开(公告)日：2019-05-10
申请号：CN201910018230.3
申请日：2019-01-09
Applicant: 东北石油大学
IPC: F04D25/08 , F04D25/16 , F04D29/66 , H02K5/24 , F16H1/20 , F16H57/021 , F16H57/023
Abstract: 一种基于物联网的低噪声智能管道风机，涉及管道风机设备与设施，包括机体，机体上设有四组压紧装置，四组压紧装置均匀分布在机体外壁上，相邻两组压紧装置之间所成的角度为90度，机体内部设有传动装置，传动装置上连接有抽风装置，传动装置与旋转杆B连接，旋转杆B与动力装置连接，在此装置上装有四组抽风装置，同时此四组抽风装置又围绕同一中心继续旋转，四组抽风装置形成一个风墙，实现全面抽风的效果；管道风机在使用过程中的噪音产生主要是电动机的震动，带动机体与管壁的碰撞产生的，为了避免上述情况，在此装置上案子有压紧装置，通过压紧装置对电动机的震动进行缓冲，从而实现避免机体与管壁的碰撞，实现减小噪音的效果。
-
公开(公告)号：CN115035596A
公开(公告)日：2022-09-09
申请号：CN202210629456.9
申请日：2022-06-05
Applicant: 东北石油大学
Abstract: 本公开涉及一种行为检测的方法及装置、电子设备和存储介质，涉及行为检测技术领域。其中，所述的行为检测的方法，包括：提取获取的待处理视频图像中多时刻视频帧的感兴趣目标对应的关节点信息序列及关节点的运动速度信息序列；分别对关节点信息序列及运动速度信息序列进行空间特征提取，得到对应的第一空间特征及第二空间特征；并对第一空间特征及第二空间特征进行特征融合，得到初始融合特征；利用获取的设定滑动时空窗口对初始融合特征进行滑动空间卷积操作，得到第一时空图及第一邻接矩阵；并基于第一邻接矩阵对初始融合特征进行空间卷积操作，得到第一卷积图；对第一时空图及第一卷积图进行融合，得到行为特征；基于行为特征完成行为检测。
-
公开(公告)号：CN113297803A
公开(公告)日：2021-08-24
申请号：CN202110669648.8
申请日：2021-06-17
Applicant: 东北石油大学
IPC: G06F30/27 , G06F119/22
Abstract: 本申请公开了一种油气产量智能模拟预估方法和系统，该方法包括:获取预定地区的含油气的岩石的第一属性信息；至少根据所述第一属性信息查找与所述第一属性信息对应的已知岩石，其中，所述已知岩石为已知产量的油气田中的岩石，所述已知岩石的属性信息与所述第一属性信息的差值在预定范围之内；获取所述已知岩石对应的油气田；将所述已知岩石对应的油气田的产量作为所述预定地区的油气产量。通过本申请解决了现有技术中在精细预估之前没有办法进行粗略预估所产生的问题，从而降低了油气产量预估的成本并在一定程度上提高了预估的效率。
-
Patent Agency Ranking
公开(公告)号：CN111632370A
公开(公告)日：2020-09-08
申请号：CN202010430342.2
申请日：2020-05-20
Applicant: 东北石油大学
IPC: A63F13/285
Abstract: 本申请公开了虚拟现实中手部阻力处理方法和装置，该方法包括：确定虚拟现实游戏场景中出现手部受到阻力的场景；获取所述场景对应的阻力系数，其中，所述阻力系数是预先配置的；根据阻力系数计算马达驱动绳子所需要的参数值；所述绳子的另一端连接在用户的手指上，所述马达驱动所述绳子的收缩用于模拟所述手部收到的阻力；用所述参数值驱动所述马达。通过本申请解决了解决相关技术中虚拟现实游戏中玩家的手部无法感知游戏中的场景的问题，使手部能够通过绳子的拉力感受虚拟现实游戏中的场景。
-
公开(公告)号：CN109606427A
公开(公告)日：2019-04-12
申请号：CN201910025514.5
申请日：2019-01-11
Applicant: 东北石油大学
IPC: B61L15/00
CPC classification number: B61L15/00 , B61L15/0018 , B61L15/0072 , B61L15/009
Abstract: 本申请公开了一种基于ZigBee的列车车厢安全警告方法。该方法包括：在列车的每节车厢均设置多个声音传感器；在每个声音传感器中设置ZigBee模块，该ZigBee路由器还用于与服务器连接；ZigBee路由器判断接收到的声音信息中是否有分贝数超过第一阈值的，如果有，则收集到的超过第一阈值的声音信息的声音传感器的数量占该节车厢内所有声音传感器的比例是否超过第二阈值，在比例超过第二阈值的情况下，向服务器发送告警信息；在每个列车中设置一个服务器，服务器与每节车厢中的ZigBee路由器连接，用于从ZigBee路由器接收信息。通过本申请解决了相关技术中列车监控措施不完善所可能带来存在安全隐患的问题，为监控设施的完善做出了贡献。
-
公开(公告)号：CN115035596B
公开(公告)日：2023-09-08
申请号：CN202210629456.9
申请日：2022-06-05
Applicant: 东北石油大学
Abstract: 本公开涉及一种行为检测的方法及装置、电子设备和存储介质，涉及行为检测技术领域。其中，所述的行为检测的方法，包括：提取获取的待处理视频图像中多时刻视频帧的感兴趣目标对应的关节点信息序列及关节点的运动速度信息序列；分别对关节点信息序列及运动速度信息序列进行空间特征提取，得到对应的第一空间特征及第二空间特征；并对第一空间特征及第二空间特征进行特征融合，得到初始融合特征；利用获取的设定滑动时空窗口对初始融合特征进行滑动空间卷积操作，得到第一时空图及第一邻接矩阵；并基于第一邻接矩阵对初始融合特征进行空间卷积操作，得到第一卷积图；对第一时空图及第一卷积图进行融合，得到行为特征；基于行为特征完成行为检测。
-
公开(公告)号：CN110188705B
公开(公告)日：2022-05-06
申请号：CN201910474059.7
申请日：2019-06-02
Applicant: 东北石油大学
IPC: G06V20/58 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明涉及的是一种适用于车载系统的远距离交通标志检测识别方法，它包括：1.对交通标志图像样本集进行预处理；2.构建轻量型卷积神经网络，完成交通标志的卷积特征抽取；3.通过嵌入到轻量型卷积神经网络中的通道‑空间关注力模块，构建关注力特征图；4.采用区域生成网络RPN产生目标的候选区域；5.对RPN产生的目标候选区域，引入上下文区域信息，增强标志分类特征；6.将特征向量送入全连接层，输出交通标志的类别和位置；7.建立关注力损失函数，训练FL‑CNN模型；8.重复2至7，完成FL‑CNN模型的样本训练；9.重复2至6，完成实际场景的交通标志检测识别。本发明实现了远距离交通标志检测识别，精度达92%。
-
公开(公告)号：CN110163302B
公开(公告)日：2022-03-22
申请号：CN201910474060.X
申请日：2019-06-02
Applicant: 东北石油大学
IPC: G06V10/25 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明涉及的是基于正则化注意力卷积神经网络的示功图识别方法，它包括：一、建立数据预处理模块，对抽油机的工况样本集进行量纲和灰度图处理；二、建立正则化注意力卷积模块，对自主学习的卷积特征进行加强、抑制和失活；三、将正则化注意力卷积模块嵌入到卷积神经网络中，形成正则化注意力卷积神经网络；四、建立示功图识别模块，将示功图的灰度图像输入到正则化注意力卷积神经网络中识别；五、建立注意力损失函数，训练正则化注意力卷积神经网络模型；六、将实时采集到的抽油机工况数据，输入示功图识别模型中，重复二‑四；七、以基于RA‑CNN的示功图识别方法为核心，构建抽油机工况的智能诊断系统。本发明可有效提升示功图的识别精度。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.02 seconds)
