-
公开(公告)号：CN109451634B
公开(公告)日：2020-11-03
申请号：CN201811219587.X
申请日：2018-10-19
Applicant: 厦门理工学院
IPC: H05B47/105 , G06K9/00 , G06K9/62
Abstract: 本发明公开了一种基于手势控制电灯的方法及其智能电灯系统，该方法是通过摄像头获得手部图像；通过YCr’Cb’椭圆模型以及K‑means均值聚类法将由该手部图像进行手势分割，获得手势分割图，并提取手势轮廓，根据手势轮廓图获得手势图像特征；最后，通过对手势特征与数据库中的初始特征进行对比，分析识别出对应的手势；而后，根据识别出的手势信息，将特定手势设定的电灯控制信号输出到外设的智能电灯上，并对智能电灯进行控制。本发明相对于现有其它手势识别的识别率更高、且更准确。本发明还公开了一种基于手势控制电灯的智能电灯系统及其控制方法。
-
公开(公告)号：CN111832395A
公开(公告)日：2020-10-27
申请号：CN202010483888.4
申请日：2020-06-01
Applicant: 厦门理工学院
Inventor： 黄江茵
Abstract: 本发明公开一种基于人脸识别的教室节能综合控制系统，包括电脑端、下位机及手机端，其中，下位机设于教室，包括用于采集视频图像的摄像头模块、用于检测教室温度的温度模块，以及实现对教室设备进行控制的控制模块，所述摄像头模块采集的视频图像发送至电脑端，温度模块检测的教室温度发送至控制模块；电脑端用于对摄像头模块发送的视频图像进行识别，得到人数并发送给控制模块，所述控制模块根据温度及人数产生控制指令，对教室设备进行控制，所述控制模块还将温度及人数发送到云数据库；手机端用于通过网络访问云数据库，查看教室的温度及人数。此种系统可达到节能的目的。
-
公开(公告)号：CN117668601A
公开(公告)日：2024-03-08
申请号：CN202311363558.1
申请日：2023-10-20
Applicant: 厦门理工学院
Abstract: 本发明实施例提供一种基于遗传算法的脑电信号识别方法、装置、设备和介质，涉及脑电信号识别技术领域。其包含步骤S1至步骤S5。S1、获取控制人员的多个通道的脑电信号。S2、分别对多个通道的脑电信号进行滤波处理，获取多个通道的滤波信号。S3、根据多个通道的滤波信号，以通道被选择与否进行二进制编码生成初始种群，并根据初始种群通过遗传算法进行通道选择，获取多个最优通道。S4、根据多个最优通道的滤波信号，分别通过离散小波变换算法提取时频域特征，以及通过共空间模式算法提取空间域特征。S5、根据时频域特征和空间域特征，通过支持向量机算法进行特征分类，获取脑电信号的具体指令。
-
公开(公告)号：CN107272518A
公开(公告)日：2017-10-20
申请号：CN201710657363.6
申请日：2017-08-03
Applicant: 厦门理工学院
IPC: G05B19/042
CPC classification number: G05B19/0423 , G05B2219/25257
Abstract: 本发明公开了一种智能备忘提醒收纳盒，包括盒体、盒盖、机架、电源设备、感应和控制设备、备忘提醒设备、人机交互设备，所述盒盖盖合在所述盒体上，所述机架位于盒体内，所述电源设备、感应和控制设备、备忘提醒设备以及人机交互设备位于所述机架上，所述电源设备包括带开关品字插座和变压器，所述感应和控制设备用于设定物品保质期或者取用时间，所述备忘提醒设备用于对用户进行时间提醒，所述人机交互设备用于用户与设备间的相互交流。本发明提供的智能备忘提醒收纳盒，具有记录存放物品保质期和感应提醒的功能，当临近物品的保质期或者已经过期时，及时对用户进行相应的提醒。
-
公开(公告)号：CN109615635A
公开(公告)日：2019-04-12
申请号：CN201811486271.7
申请日：2018-12-06
Applicant: 厦门理工学院
Abstract: 本发明公开了一种基于图像识别对草莓进行品质分拣的方法及装置，通过图像采集装置采集流水线上草莓图像，对草莓图像进行处理得到草莓边缘图像，根据草莓边缘图像获得草莓图像中心点坐标，计算草莓边缘每个像素点到中心点的距离均值及距离方差，通过判断距离均值是否满足大小阈值进行草莓大小分拣，通过判断距离方差是否满足畸形阈值进行草莓畸形分拣。本发明基于图像识别技术，无需学习，通过品质衡量标准阈值即可进行畸形外观等草莓品质判断，并据此进行分拣。本发明还可综合多种品质特征对草莓品质进行分拣。
-
Patent Agency Ranking
公开(公告)号：CN107280644A
公开(公告)日：2017-10-24
申请号：CN201710657361.7
申请日：2017-08-03
Applicant: 厦门理工学院
Inventor： 黄江茵
IPC: A61B5/00
Abstract: 本发明属于医学技术领域，公开了一种基于近红外光的膝骨性关节炎病程检测方法，首先采用图像分割处理技术对临床膝关节CT图片进行处理，留下肌肉和骨骼组织部分并进行灰度对比值加强和边缘提取；随后基于处理后的CT图片，采用蒙特卡洛方法，通过分析关节腔滑液的光学特性参数，分别模拟近红外光子在患关节炎早期、中期和晚期的膝关节内部运动轨迹，最后通过高斯函数拟合不同病程下的红外光子出射分布特征，以有效光子出射率和拟合函数的对称轴坐标作为双重指标判定患者病情。本发明实验结果表明该方法的准确率达到92％以上，且近红外光检测为无损检测手段，在膝骨性关节炎的临床检测应用上具有较大的应用价值。
-
公开(公告)号：CN118861652A
公开(公告)日：2024-10-29
申请号：CN202411345408.2
申请日：2024-09-26
Applicant: 厦门理工学院
IPC: G06F18/213 , G06F18/241 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/043
Abstract: 一种基于模糊大脑和混合专家的多模态信息融合的情感识别方法、装置、设备和介质，涉及情感识别领域。方法包含：获取初始数据。将数据输入深度特征提取融合模型获取融合特征。将特征输入混合专家识别模型获取情感识别结果。混合专家识别模型包括专家网络、门控网络和融合网络。专家网络包含多个专家模型。门控网络包含门控模型。专家模型和门控模型均为区间二型模糊大脑情感学习网络。区间二型模糊大脑情感学习网络包括输入层、杏仁核网络、眶额皮质网络和输出层。输入层将输入信号传递给杏仁核网络和眶额皮质网络，二者共同调节输出。杏仁核网络包括感知层和激励层。感知层将输入层信号转为模糊集。激励层将感知层信号模糊推理获取激励信号。
-
公开(公告)号：CN117462145A
公开(公告)日：2024-01-30
申请号：CN202311249916.6
申请日：2023-09-26
Applicant: 厦门理工学院
IPC: A61B5/369 , A61B5/372 , A61B5/00 , G06F18/10 , G06F18/2134 , G06F18/23213 , G06F18/241
Abstract: 本发明提供了基于FastICA的眼电伪迹自识别清除方法、装置、设备及介质，涉及眼电伪迹识别清除技术领域，结合完全集合经验模态分解和小波阈值去噪的(FastICA‑K‑means‑CEEMDAN‑WTD)模型，能够对多通道EEG数据完成OA的自识别校正。该模型相较于一些基于独立成分分析(ICA)的OA去噪模型具有以下优势：1.能够实现自识别，不需要大量先验知识。2.不需要通过进行预先训练。3.不需要增加额外的眼电信号作为参考4.能最大程度的防止EEG信号丢失。基于上述方法，本文对实验室采集的运动想象脑电信号进行识别处理，能获得94.78％的准确率。
-
公开(公告)号：CN107280644B
公开(公告)日：2020-11-03
申请号：CN201710657361.7
申请日：2017-08-03
Applicant: 厦门理工学院
Inventor： 黄江茵
IPC: A61B5/00
Abstract: 本发明属于医学技术领域，公开了一种基于近红外光的膝骨性关节炎病程检测方法，首先采用图像分割处理技术对临床膝关节CT图片进行处理，留下肌肉和骨骼组织部分并进行灰度对比值加强和边缘提取；随后基于处理后的CT图片，采用蒙特卡洛方法，通过分析关节腔滑液的光学特性参数，分别模拟近红外光子在患关节炎早期、中期和晚期的膝关节内部运动轨迹，最后通过高斯函数拟合不同病程下的红外光子出射分布特征，以有效光子出射率和拟合函数的对称轴坐标作为双重指标判定患者病情。本发明实验结果表明该方法的准确率达到92％以上，且近红外光检测为无损检测手段，在膝骨性关节炎的临床检测应用上具有较大的应用价值。
-
公开(公告)号：CN120067843A
公开(公告)日：2025-05-30
申请号：CN202510550978.3
申请日：2025-04-29
Applicant: 厦门理工学院
IPC: G06F18/2413 , G06F18/2136 , G06F18/25 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 基于聚合感知增强卷积Transformer网络的EEG信号解码方法、装置、设备和介质，涉及EEG信号解码技术领域。EEG信号解码方法包含S1、获取离线数据。S2、根据EEG数据提取多尺度浅层局部特征。S3、对多尺度浅层局部特征进行交互式强化学习，获取重校准后的多个特征。S4、将重校准后的多个特征进行融合，获取第一融合特征。S5、将第一融合特征输入到位置感知增强模块，获取位置感知增强特征。S6、精细化特征长程依赖与局部关联，获取全面的特征表达。S7、将全局精细化特征输入分类器，以完成对模型的训练，得到可用于实时预测的预训练模型。S8、获取实时数据。S9、将实时数据输入预训练模型，获取解码结果。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.019 seconds)
