-
公开(公告)号：CN119676417A
公开(公告)日：2025-03-21
申请号：CN202311226482.8
申请日：2023-09-21
Applicant: 吉林大学
IPC: H04N9/31
Abstract: 本发明涉及投影仪技术领域，具体提供一种基于颜色矫正和深度矫正的智能投影仪控制方法，通过光学感知设备采集投影平面的图像和深度信息，并计算其与理想平面间的颜色偏差张量和深度偏差张量，依据颜色偏差张量和深度偏差张量对预投影图像进行颜色矫正和深度矫正，使投影出的图像不会受到投影平面上的颜色和平整度的影响。本发明避免了投影平面的颜色干扰和平整度影响，保证投影仪在平面及空间非规则、颜色污迹等极端情况下，实现视觉效果下的平整、无色差投影，解决现有投影映射应用上的精度受限、场景单一且成本高昂等问题。
-
公开(公告)号：CN116340881A
公开(公告)日：2023-06-27
申请号：CN202310311007.4
申请日：2023-03-28
Applicant: 吉林大学
IPC: G06F18/25 , G06F18/214 , G06N3/0455
Abstract: 本发明公开了一种气体传感器阵列自适应后融合检测方法，属于传感器智能检测技术领域，包括数据集准备及预处理；基于深度学习、补偿矫正算法和MASK算子的神经网络模型的构建与训练；采用上述训练好的神经网络模型检测出实际浓度值与阵列传感器件状态。本发明采用后融合算法，首先基于同类型的传感器进行标定补偿和数据融合，再将各类型传感器的融合结果进行最终融合。该融合算法按照不同数据之间相关性的强弱进行分阶段融合，有利于控制算法的复杂度、提升算法的可解释性和执行效率，并降低模型训练过程中对数据集规模的要求。该类算法的成功构建，有助于推进气体传感系统通用性算法框架的构建和自动化的算法优化。
-
公开(公告)号：CN119676900A
公开(公告)日：2025-03-21
申请号：CN202311226044.1
申请日：2023-09-21
Applicant: 吉林大学
IPC: H05B45/30 , H05B45/20 , H05B45/10 , H05B47/105 , H05B47/165 , G03B21/14 , B60Q1/26 , F21S43/00 , F21V23/04 , F21W103/60 , F21W107/10
Abstract: 本发明涉及智能车灯控制技术领域，具体提供一种基于颜色矫正和深度矫正的智能车灯控制方法，通过光学感知设备采集车辆行驶路面的视觉图像和深度信息，并计算处理获得颜色偏差张量和深度偏差张量，依据深度偏差张量计算投影平面上的任意线段与驾驶员的视野空间内对应线段的实际比值，并将其与理论比值进行比较，依据比较结果调整投影尺寸；再通过调整多项式模型中的系数矫正预投影图像的颜色，直至消除颜色偏差向量，即获得投影图像。本发明实现对车灯照射范围和光照强度及颜色的自适应调节，使车灯投影不会受到路面颜色干扰，保证了在坑洼路面上，投影依旧完整连续，避免了投影图像出现撕裂、不连续等问题。
-
公开(公告)号：CN119676416A
公开(公告)日：2025-03-21
申请号：CN202311226429.8
申请日：2023-09-21
Applicant: 吉林大学
IPC: H04N9/31
Abstract: 本发明涉及投影仪技术领域，具体提供一种基于颜色规避和深度矫正的智能投影仪控制方法，依据投影平面与全域颜色拟合平面的颜色偏差张量，确定出预投影图像上的候选区域，根据预投影图像的形状在候选区域划分出投影区域，依据投影区域与全域深度拟合平面的深度偏差张量，对投影区域进行深度矫正，将完成深度矫正的预投影图像投影在经过颜色规避划分得到的投影区域上。本发明避免了颜色干扰和平整度的影响，保证投影仪在平面及空间非规则、颜色污迹等极端情况下，实现视觉效果下的平整、无色差投影，解决现有投影映射应用上的精度受限、场景单一且成本高昂等问题。
-
公开(公告)号：CN116304912A
公开(公告)日：2023-06-23
申请号：CN202310311018.2
申请日：2023-03-28
Applicant: 吉林大学
IPC: G06F18/2415 , G06N3/08 , G06F18/15 , G06N3/0499
Abstract: 本发明公开了一种基于深度学习transformer神经网络的传感器气体浓度检测方法，属于传感器智能检测技术领域，包括数据集准备及预处理；Transformer神经网络模型的构建；Transformer神经网络模型的训练；用上述训练好的Transformer神经网络模型估算出实际环境参数值与气体浓度值。该算法通过已有的数据集训练过后的模型，实现气体传感器在快速，少样本条件下，对环境中的气体浓度快速检测；具有精度高、通用性强、鲁棒性好、实时性强等优点，可以克服传统方法存在的问题，实现更好的气体浓度检测效果。
-
Patent Agency Ranking
公开(公告)号：CN117058249A
公开(公告)日：2023-11-14
申请号：CN202311043493.2
申请日：2023-08-18
Applicant: 吉林大学
Abstract: 本发明涉及自动驾驶领域，具体提供一种黑暗条件下激光雷达和相机的联合标定方法，将激光雷达和相机进行刚性连接，利用暗光增强模型对相机采集的图像进行暗光增强处理，通过激光雷达采集的点云数据拟合点云平面，利用Candy边缘检测算法提取图像边缘，对点云平面的拟合相交位置提取点云边缘，并将图像边缘和点云边缘进行对应匹配，通过PNP算法求解激光雷达和相机的转移矩阵，完成联合标定。本发明的标定方法无需特定的标定板或已知的物体，适用于无目标环境下的高分辨率LiDAR和相机系统，解决了现有标定方法在黑暗条件下不适用的问题，具有极强的实际意义。
-
公开(公告)号：CN116340882A
公开(公告)日：2023-06-27
申请号：CN202310311009.3
申请日：2023-03-28
Applicant: 吉林大学
IPC: G06F18/25 , G06F18/214 , G06N3/0455
Abstract: 本发明公开了一种气体传感器阵列自适应前融合检测方法，属于传感器智能检测技术领域，包括：数据集准备及预处理；基于深度学习和MASK算子的神经网络模型的构建；基于深度学习和MASK算子的神经网络模型的训练；采用上述训练好的神经网络模型检测出实际浓度值与阵列传感器件状态。本发明将阵列传感器和干扰气体传感器完整的纳入计算，输入数据为从各传感器采集到的原始数据，经算法融合分析后得到的输出数据为气体浓度值和各传感器件的工作状态，实现真正意义上的端到端信息提取；该算法的成功构建，有助于推进气体传感系统通用性算法框架的构建和自动化的算法优化。
-
公开(公告)号：CN116486287A
公开(公告)日：2023-07-25
申请号：CN202310349405.5
申请日：2023-04-04
Applicant: 吉林大学
Abstract: 本发明公开了基于环境自适应机器人视觉系统的目标检测方法及系统，属于目标检测技术领域，所述系统包括数据获取模块、图像处理模块、点云处理模块及数据融合模块；本发明利用相机和激光雷达具有互补性，可以相互弥补各自的局限性，将图像信息与点云信息进行了决策级融合；并采用训练好的图像自适应YOLOV5(IA‑YOLOV5)网络模型，先对RGB图像数据进行预处理，后利用YOLOV5网络进行目标检测，提高了低照度条件下目标检测精度。本发明在数据融合模块使用CLOCS算法进行决策级数据融合，两种模态的目标检测网络结构之间互不干扰该，可以独自训练和组合以应对各种环境和场景，具有更强的鲁棒性。
-
公开(公告)号：CN116485905A
公开(公告)日：2023-07-25
申请号：CN202310318830.8
申请日：2023-03-29
Applicant: 吉林大学
Abstract: 本发明公开了一种暗光环境下相机与激光雷达的联合标定方法，属于传感器联合标定技术领域，包括：数据获取；图像增强；相机与激光雷达联合标定；利用张氏标定法计算相机的内参矩阵和畸变系数，完成相机标定；确定激光雷达点云在激光雷达世界坐标系到相机像素坐标系的矩阵变换关系，根据该矩阵变换关系使用多个点进行映射，完成相机与激光雷达的联合标定。本发明的联合标定方法可有效改善由于相机拍图片不清晰、噪声高，导致激光雷达相机外参标定不准确等问题，最终提高联合标定的精度和效率。
-
公开(公告)号：CN116467671A
公开(公告)日：2023-07-21
申请号：CN202310311010.6
申请日：2023-03-28
Applicant: 吉林大学
Abstract: 本发明公开了基于深度学习和MASK算子的阵列传感器自适应参数检测方法，属于传感器智能检测技术领域，包括：数据集准备及预处理；基于深度学习和MASK算子的神经网络模型的构建；基于深度学习和MASK算子的神经网络模型的训练；采用上述训练好的神经网络模型检测出实际浓度值与阵列传感器件状态。该检测方法通过MASK算子，可自适应动态处理阵列传感器输入时间序列，并且能充分利用暂失能状态下传感器数据，结合深度神经网络算法进一步提高运算效率与测量精度。该检测方法通过MASK算子，可自适应动态处理阵列传感器输入时间序列，并且能充分利用暂失能状态下传感器数据，结合深度神经网络算法进一步提高运算效率与测量精度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
