-
公开(公告)号：CN118483614A
公开(公告)日：2024-08-13
申请号：CN202410586687.5
申请日：2024-05-13
Applicant: 安徽大学
IPC: G01R31/392 , G01R31/367 , G01R31/396 , G06F18/10 , G06F18/23213 , G06N3/0464 , G06N3/0455 , G06N3/096 , G06N3/045 , G06N3/0499
Abstract: 本发明涉及电池SOH估计及应用技术领域，解决了由于电池实际工况和实验室测试工况差异较大，导致计算的SOH值误差较大的技术问题，尤其涉及一种新能源汽车的动力电池SOH估计方法、系统、应用方法及电子设备，包括：对电池数据进行数据清洗得到电池运行数据；提取电池运行时的健康指标并进行聚合以及关联度分析得到多维度关键特征；将多维度关键特征输入至CNN‑Transformer模型中，通过迁移学习建立SOH数字孪生模型。本发明能够准确有效的实时估计电池单体及电池组的SOH，可以解决深度学习算法模型及机理模型实时性差的问题，实现实车SOH的精准估计，对电池管理系统安全可靠运行具有重要意义。
-
公开(公告)号：CN114494226B
公开(公告)日：2024-03-12
申请号：CN202210127787.2
申请日：2022-02-11
Applicant: 安徽大学
Abstract: 本发明涉及一种基于图形质心跟踪算法的纺织丝饼油污缺陷检测方法，包括：获取丝饼图像，图像降采样；图像灰度化；高斯滤波及二值化处理；边缘轮廓绘制，边缘轮廓最小外接矩形绘制；构建一张掩膜图像，与经降采样后的图像相与后得到掩膜后的图像；设定油污像素范围，对掩膜后图像进行像素处理；进行log算子运算和膨胀处理；轮廓提取，并计算轮廓质心坐标；通过轮廓质心坐标与最小外接矩形四个顶点坐标比较得到结果。本发明对纺织丝饼油污缺陷检测的准确率高、耗时短；同时可实现油污自动定位。
-
公开(公告)号：CN114547545B
公开(公告)日：2025-04-29
申请号：CN202210182533.0
申请日：2022-02-25
Applicant: 安徽大学
IPC: G06F17/16
Abstract: 本发明涉及基于CUDA加速的平滑薄板样条形变参数计算方法，与现有技术相比解决了平滑薄板样条形变在图像配准任务中控制点数较多时计算时间长的缺陷。本发明包括以下步骤：三维待配准特征点和模板特征点的处理；对待配准点矩阵进行QR分解；平滑薄板样条形变参数的计算。本发明利用GPU的并行架构对大矩阵代数运算做了并行化，实现了平滑薄板样条形变参数快速计算，有效提升了图像配准算法的运行效率。
-
公开(公告)号：CN115588032A
公开(公告)日：2023-01-10
申请号：CN202210781602.X
申请日：2022-07-01
Applicant: 安徽大学
Abstract: 本发明提供了一种基于CUDA加速的薄板样条形变参数矩阵计算及线性插值方法，通过三维仿射变换处理三维的待配准特征点、模板特征点；利用经过仿射变换矩阵处理的待配准特征点与模板特征点，并基于CUDA架构中cublas和cusolver中的函数，计算得到薄板样条形变参数矩阵；通过获得的薄板样条形变参数矩阵进行待配准三维图像坐标逆变换，并进行三线性插值。通过利用GPU的并行架构对大矩阵代数运算、线性插值做了并行化，实现了薄板样条变换形变参数矩阵计算及线性插值的快速计算，有效提升了图像配准算法的运行效率。
-
公开(公告)号：CN116152071A
公开(公告)日：2023-05-23
申请号：CN202310215727.0
申请日：2023-03-08
Applicant: 安徽大学
Abstract: 本发明涉及一种多视角各向异性三维图像的融合重建方法，包括：获取小型哺乳动物器官的三幅正交的MRI图像；使三幅正交的MRI图像的空间比例达到一致，得到图像I1、I2和I3；提取参考图像R1上的特征点；利用得出的参考图像和浮动图像对应的两组特征点对之间的对应关系计算参考图像和浮动图像的仿射变换矩阵；得到两幅生成图像R2、R3；得到过亮度调整后的三幅图像R1’、R2’和R3’；得到一幅三维各向同性图片即最终输出图像Io。本发明将不同视角的三幅图像进行精确的拼接对齐，通过对多幅正交的低层间分辨率图像的融合重建，使原本低分辨率的图像的清晰度得到很大提升，为小型哺乳动物的器官功能研究提供了高清图像数据支持。
-
Patent Agency Ranking
公开(公告)号：CN115984098A
公开(公告)日：2023-04-18
申请号：CN202310015937.5
申请日：2023-01-06
Applicant: 安徽大学
Abstract: 本发明涉及一种基于CUDA加速的超大三维图像形变方法，包括：通过仿射变换计算两组配准特征点的仿射变换矩阵；对目标图像进行分块，对分块后得到的每个小块图像块进行图像形变：利用仿射变换矩阵，通过CUDA实现三维图像体素遍历并行化操作；读取形变后的3D图像块，拼接成原始图像尺寸的2D连续序列图像。本发明利用对目标图像进行分块的原理，并利用GPU的并行架构加速图像线性插值的计算过程，在解决可以针对超大三维图像进行形变的同时又有效的提升了图像配准的运行效率；实验证明本方法在CPU为i5‑10400F、GPU为RTX‑3060、内存为16G的平台下，可以处理大于计算机内存2倍的超大三维图像数据，并获得了大约11倍的加速比，极大的缩短了形变配准的时间。
-
公开(公告)号：CN114547545A
公开(公告)日：2022-05-27
申请号：CN202210182533.0
申请日：2022-02-25
Applicant: 安徽大学
IPC: G06F17/16
Abstract: 本发明涉及基于CUDA加速的平滑薄板样条形变参数计算方法，与现有技术相比解决了平滑薄板样条形变在图像配准任务中控制点数较多时计算时间长的缺陷。本发明包括以下步骤：三维待配准特征点和模板特征点的处理；对待配准点矩阵进行QR分解；平滑薄板样条形变参数的计算。本发明利用GPU的并行架构对大矩阵代数运算做了并行化，实现了平滑薄板样条形变参数快速计算，有效提升了图像配准算法的运行效率。
-
公开(公告)号：CN118483614B
公开(公告)日：2024-11-15
申请号：CN202410586687.5
申请日：2024-05-13
Applicant: 安徽大学
IPC: G01R31/392 , G01R31/367 , G01R31/396 , G06F18/10 , G06F18/23213 , G06N3/0464 , G06N3/0455 , G06N3/096 , G06N3/045 , G06N3/0499
Abstract: 本发明涉及电池SOH估计及应用技术领域，解决了由于电池实际工况和实验室测试工况差异较大，导致计算的SOH值误差较大的技术问题，尤其涉及一种新能源汽车的动力电池SOH估计方法、系统、应用方法及电子设备，包括：对电池数据进行数据清洗得到电池运行数据；提取电池运行时的健康指标并进行聚合以及关联度分析得到多维度关键特征；将多维度关键特征输入至CNN‑Transformer模型中，通过迁移学习建立SOH数字孪生模型。本发明能够准确有效的实时估计电池单体及电池组的SOH，可以解决深度学习算法模型及机理模型实时性差的问题，实现实车SOH的精准估计，对电池管理系统安全可靠运行具有重要意义。
-
公开(公告)号：CN114494226A
公开(公告)日：2022-05-13
申请号：CN202210127787.2
申请日：2022-02-11
Applicant: 安徽大学
Abstract: 本发明涉及一种基于图形质心跟踪算法的纺织丝饼油污缺陷检测方法，包括：获取丝饼图像，图像降采样；图像灰度化；高斯滤波及二值化处理；边缘轮廓绘制，边缘轮廓最小外接矩形绘制；构建一张掩膜图像，与经降采样后的图像相与后得到掩膜后的图像；设定油污像素范围，对掩膜后图像进行像素处理；进行log算子运算和膨胀处理；轮廓提取，并计算轮廓质心坐标；通过轮廓质心坐标与最小外接矩形四个顶点坐标比较得到结果。本发明对纺织丝饼油污缺陷检测的准确率高、耗时短；同时可实现油污自动定位。
-
公开(公告)号：CN116542999A
公开(公告)日：2023-08-04
申请号：CN202310449875.9
申请日：2023-04-23
Applicant: 安徽大学 , 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明涉及一种基于DenseSIFT特征的脑区轮廓快速推荐方法，包括：获取2D序列生物脑图像，进行图像纹理增强；对图像进行脑区轮廓线标记，通过轮廓线采样轮廓点；计算脑区轮廓点法线方向上的多个像素点坐标；计算DenseSIFT特征；计算欧式距离，得到初始轮廓推荐点集S；进行初始轮廓推荐点筛选，得到矫正后的轮廓推荐点；通过贝塞尔曲线对矫正后的轮廓推荐点进行拟合得到推荐轮廓线。相较于目前流行的机器学习方法，本发明无需训练数据集即可对轮廓进行推荐，因此解决了新数据或者新脑区缺少人工标注数据集的问题，方法泛用性很强，极大降低了由于点密集导致的推荐轮廓不均匀以及速度慢的问题，准确率高，耗时短。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
