-
公开(公告)号：CN116503478A
公开(公告)日：2023-07-28
申请号：CN202310393148.5
申请日：2023-04-13
Applicant: 中山大学 , 珠海一微半导体股份有限公司
Abstract: 本发明公开基于标签图案的视觉定位控制方法，包括：步骤A、机器人对其摄像头采集的图像进行预处理，再在预处理后的图像内搜索出标签图案的图形属性和顶点；步骤B、基于标签图案的图形属性和顶点，利用单目测距原理计算标签图案与摄像头之间的距离、以及标签图案相对于摄像头的偏转角度；步骤C、判断标签图案与摄像头之间的距离、以及标签图案相对于摄像头的偏转角度是否都满足预设定位条件，是则确定完成对待定位装置的视觉定位，否则执行步骤D；步骤D、根据标签图案与摄像头之间的距离、以及标签图案相对于摄像头的偏转角度，机器人移动至预测位置点，再使用摄像头采集标签图案的图像，然后执行步骤A至步骤C。
-
公开(公告)号：CN116533802A
公开(公告)日：2023-08-04
申请号：CN202310393111.2
申请日：2023-04-13
Applicant: 中山大学 , 珠海一微半导体股份有限公司
Abstract: 本申请公开充电装置、基于标签识别的充电接口对接方法及充电系统，充电装置中设置有供机器人充电的充电接口，充电装置的表面设置一个目标图形标签和多个方向修正标签；目标图形标签用于表示充电装置的充电接口的标签，多个方向修正标签分布在目标图形标签的两侧，以引导机器人从两侧的方向修正标签往目标图形标签移动；目标图形标签所在平面的垂直方向表示充电接口的朝向，以对应机器人对接充电接口的方向。所述充电接口对接方法用于控制机器人对所述充电装置进行定位和对接上所述充电装置的充电接口。所述充电系统包括机器人与所述充电装置。
-
公开(公告)号：CN116503477A
公开(公告)日：2023-07-28
申请号：CN202310393086.8
申请日：2023-04-13
Applicant: 中山大学 , 珠海一微半导体股份有限公司
Abstract: 本发明公开基于矩形标签的视觉定位方法，包括：步骤A、机器人对其摄像头采集的图像进行预处理，再在预处理后的图像内搜索出矩形标签的图形属性和矩形标签的顶点；步骤B、根据矩形标签的图形属性和矩形标签的顶点，利用单目测距原理计算矩形标签与摄像头之间的距离、矩形标签相对于摄像头的偏向角度、以及矩形标签所在平面的倾斜角度，以使在矩形标签所在平面与摄像头的针孔平面不平行的情况下，矩形标签与摄像头之间的距离是摄像头到矩形标签中与目标交线平行的边的距离；然后将矩形标签与摄像头之间的距离、以及矩形标签相对于摄像头的偏向角度设置为机器人对待定位装置或矩形标签的视觉定位结果。
-
公开(公告)号：CN119601225A
公开(公告)日：2025-03-11
申请号：CN202411445397.5
申请日：2024-10-16
Applicant: 中山大学附属第五医院 , 中山大学
IPC: G16H50/30 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于房树人绘画与深度学习的抑郁症识别方法、计算机装置和存储介质，基于房树人绘画与深度学习的抑郁症识别方法包括将房树人绘画信息输入到绘画基特征编码器进行处理获取多个组基特征信息，将组基特征信息输入到导向性基特征门控单元进行处理获取组门信息和基向量，将组门信息与基向量输入到自适应信道特征融合网络进行处理获取抑郁症识别结果等步骤。本发明提供了一种基于人工智能深度学习的抑郁症早期自我识别工具，在无需人与人之间的交互和遵守严格的条件下，实现抑郁症的早期识别，可以降低被识别人的隐私信息泄露的风险；本发明应用条件宽松，容易推广应用到不同年龄段的被识别人。本发明广泛应用于图像处理技术领域。
-
公开(公告)号：CN117113140A
公开(公告)日：2023-11-24
申请号：CN202311033877.6
申请日：2023-08-14
Applicant: 中山大学
IPC: G06F18/24 , G06F18/2133 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0985 , H04L25/02 , G06F123/02
Abstract: 本发明公开了基于深度非负矩阵分解的CSI动作识别方法及系统，该方法包括：采集CSI信号数据并对所述CSI信号数据进行子载波振幅计算处理，得到CSI的子载波振幅；通过深度非负矩阵分解方法对所述CSI的子载波振幅进行特征提取处理，得到低维特征系数矩阵；引入位置编码，通过自注意力机制分类器对所述低维特征系数矩阵进行分类处理，得到CSI信号数据分类结果。本发明通过深度非负矩阵分解方法与自注意力机制分类器的结合从而实现有效的捕捉CSI信号数据全局特征，提高分类的精度。本发明作为基于深度非负矩阵分解的CSI动作识别方法及系统，可广泛应用于人体动作识别技术领域。
-
Patent Agency Ranking
公开(公告)号：CN113660014A
公开(公告)日：2021-11-16
申请号：CN202110886466.6
申请日：2021-08-03
Applicant: 中山大学
IPC: H04B7/0413 , H04B7/0426 , H04B7/0456 , H04B17/391 , H04B17/382
Abstract: 本发明公开了一种基于多谐振频率的信道容量优化方法及装置，包括：计算磁感应通信系统中的互感矩阵；获取磁感应通信系统的第一等效电路模型和第二等效电路模型；根据基尔霍夫电压定律以及第一等效电路模型计算磁感应通信系统的通信信道；根据基尔霍夫电压定律以及第二等效电路模型计算磁感应通信系统的谐振频率；根据通信信道计算磁感应通信系统的接收信号向量以及谐振频率，并计算得到磁感应通信系统的信道容量；根据谐振频率对信道容量进行优化，得到最优信道容量。本实施例基于磁感应通信系统的等效电路模型计算通信信道和谐振频率，能够准确确定由于多线圈分频而产生的多共振频率，使得系统能够选择多个频率作为子载波信道，有效提高信道容量。
-
公开(公告)号：CN117372448A
公开(公告)日：2024-01-09
申请号：CN202311165108.1
申请日：2023-09-08
Applicant: 中山大学
Abstract: 本发明公开了基于移动方差自适应阈值的混合活动数据分割方法及系统，该方法包括：获取CSI数据并进行数据预处理，构建预处理后的CSI矩阵；对预处理后的CSI矩阵依次进行滑动窗口方差计算与平滑处理，得到多个平滑后的滑动窗口线性差值；通过移动方差自适应阈值算法对多个平滑后的滑动窗口线性差值进行分割处理，得到分割后的CSI数据。本发明通过移动方差自适应阈值算法能够准确识别不同活动的开始点和结束点，提高活动数据的分割精度。本发明作为基于移动方差自适应阈值的混合活动数据分割方法及系统，可广泛应用于活动数据分割技术领域。
-
公开(公告)号：CN113660014B
公开(公告)日：2023-03-24
申请号：CN202110886466.6
申请日：2021-08-03
Applicant: 中山大学
IPC: H04B7/0413 , H04B7/0426 , H04B7/0456 , H04B17/391 , H04B17/382
Abstract: 本发明公开了一种基于多谐振频率的信道容量优化方法及装置，包括：计算磁感应通信系统中的互感矩阵；获取磁感应通信系统的第一等效电路模型和第二等效电路模型；根据基尔霍夫电压定律以及第一等效电路模型计算磁感应通信系统的通信信道；根据基尔霍夫电压定律以及第二等效电路模型计算磁感应通信系统的谐振频率；根据通信信道计算磁感应通信系统的接收信号向量以及谐振频率，并计算得到磁感应通信系统的信道容量；根据谐振频率对信道容量进行优化，得到最优信道容量。本实施例基于磁感应通信系统的等效电路模型计算通信信道和谐振频率，能够准确确定由于多线圈分频而产生的多共振频率，使得系统能够选择多个频率作为子载波信道，有效提高信道容量。
-
公开(公告)号：CN117041881A
公开(公告)日：2023-11-10
申请号：CN202310885758.7
申请日：2023-07-18
Applicant: 中山大学
Abstract: 本发明公开了一种多移动目标定位方法、系统、电子设备及存储介质，方法包括：根据基站的坐标矩阵和粒子的坐标计算粒子到基站的距离，得到第一距离向量；获取基站测得各个目标到基站的距离，得到第二距离向量；采用高斯核函数对第一距离向量和第二距离向量进行相似性计算，得到第一粒子权重向量；配置权重阈值，根据第一粒子权重向量和权重阈值，确定第一粒子集合；按照预设比例，在第一粒子集合中确定第二粒子集合，并确定第二粒子权重向量；根据第二粒子集合和第二粒子权重向量，确定最终估计位置。本发明能够准确计算粒子的权重，同时对多个目标进行定位，适配多个目标的运动模型，并且保留粒子的多样性，可广泛应用于多目标定位技术领域。
-
公开(公告)号：CN117034007A
公开(公告)日：2023-11-10
申请号：CN202310912680.3
申请日：2023-07-24
Applicant: 中山大学
IPC: G06F18/214 , G06F18/15 , G06F18/2135 , G06N3/0464 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种跌倒检测模型训练方法、跌倒检测方法、装置及设备，训练方法包括：获取训练CSI信号，对训练CSI信号进行数据预处理；再根据训练CSI信号获取训练特征矩阵和训练频谱图；将标注有标签的训练特征矩阵和训练频谱图分别作为第一训练数据和第二训练数据，以第一、第二训练数据和交叉熵损失函数训练预设的深度学习模型，得到初始深度学习模型；将初始深度学习模型中的卷积层和全连接层的参数类型从浮点型变更为整数型，再以第一、第二训练数据和交叉熵损失函数训练初始深度学习模型，得到目标深度学习模型。本发明可以提高跌倒检测模型的训练效率，并提高跌倒检测的性能和减少计算资源，可广泛应用于模型训练和动作检测领域。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.033 seconds)
