-
公开(公告)号：CN116342511A
公开(公告)日：2023-06-27
申请号：CN202310241680.5
申请日：2023-03-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习与色差评定的PWS自动选区评分方法，至少包括以下步骤：S1：获取激光前后图片；S2：激光前后图片进行透视变换矫正位置；S3：激光前图片通过U‑Net分割获取得到病灶区域掩膜图片，并病灶区域掩膜图片与人脸特征点进行其他皮肤区域的自动选区；S4：计算得到激光前后病灶区域与其他皮肤区域的LAB色差值，前后色差值变化情况量化得到最终结果。本发明实现了对激光前后鲜红斑痣(port‑wine stains，PWS)的自动量化评分，具有成本低、适应性强、效率高等特点，为后续激光方案确定提高更可靠的医学解释。
-
公开(公告)号：CN114898080A
公开(公告)日：2022-08-12
申请号：CN202210408143.0
申请日：2022-04-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于ViT网络的图像成像设备识别方法，至少包括以下步骤：预先训练得到图像成像设备识别模型；将待识别图像输入图像成像设备识别模型并输出识别结果。在模型训练中，本发明首先根据相机拍摄的校色板和原始校色板的真值获得出当前环境条件下的相机色彩校正矩阵；其次，使用视觉ViT网络进行色彩校正矩阵特征的提取，将第一步提取出的相机色彩校正矩阵作为网络的收敛目标与网络提取的色彩校正矩阵使用损失距离的计算，经过训练得到可以提取色彩校正矩阵特征的ViT网络。训练完成得到性能优异的ViT网络，当新的图像送入网络时，训练好的ViT网络便能够提取该图像的色彩校正矩阵特征向量，结合KNN分类算法得到最终的图像相机设备型号预测类别。
-
公开(公告)号：CN110991274A
公开(公告)日：2020-04-10
申请号：CN201911130289.8
申请日：2019-11-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于混合高斯模型和神经网络的行人摔倒检测方法。现有的基于硬件传感器和基于视频图像的摔倒检测方案检测准确率和泛化能力较差。本发明结合了混合高斯模型和神经网络，采用alphapose神经网络能对运动的物体区域进行行人目标检测和骨骼提取，单人骨骼提取的训练集采用人工合成三维人体模型的方法，之后的浅层卷积神经网络会对提取的骨骼进行分类，完成摔倒检测。高斯混合模型能快速的定位运动的前景，过滤视频帧中大量的非运动物体，减少神经网络的计算量。本发明方法检测速度快，且神经网络有较强的泛化性，能应用于实时的视频监控。
-
公开(公告)号：CN105791876B
公开(公告)日：2018-11-13
申请号：CN201610144343.4
申请日：2016-03-14
Applicant: 杭州电子科技大学
IPC: H04N19/80 , H04N19/523 , H04N19/53 , H04N19/117
Abstract: 本发明公开了一种基于低复杂度分层插值的HEVC分像素运动估计方法。该方法包括：在整像素精度上对感兴趣区域初始化；线性变换将像素原始值转换成对应整型的中间值；1/2分像素采用8抽头滤波器进行插值计算；线性逆变换获得原始值1/2分像素插值滤波结果；运动矢量精炼至1/2分像素精度；对垂直方向上的1/2分像素中间值采用6抽头滤波器进行插值计算；根据不同抽头滤波获得的1/2分像素中间值，利用其均值求解1/4分像素中间值；对1/4分像素中间值进行逆变换获得最终1/4分像素插值结果；运动矢量精炼至1/4分像素精度。本发明能够加快HEVC分像素运动估计过程以提高编码速度，进而提升编码器对实时编码需求的满足。
-
公开(公告)号：CN105789676A
公开(公告)日：2016-07-20
申请号：CN201610179156.X
申请日：2016-03-25
Applicant: 杭州电子科技大学
CPC classification number: H01M10/04 , H01M10/446
Abstract: 本发明涉及一种基于消息传播的动力电池配组方法。现有配组方法劳动强度大，易受检测人员主观因素的影响，容易造成误测量和误匹配的现象。本发明方法首先获取动力电池充放电回路中所有电池的充放电电压数据，然后计算所有电池充放电序列两两间的距离，获得电池两两间的相似度度量，采用消息传播算法对电池进行聚类，最终根据聚类结果，完成电池配组。本发明方法的电池配组结果与传统人工配组相比，可以大大提高组内电池的一致性，从而大大提高成组电池的品质。
-
Patent Agency Ranking
公开(公告)号：CN118379445A
公开(公告)日：2024-07-23
申请号：CN202410459537.8
申请日：2024-04-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于双目视觉与深度学习的深海表生矿产地形重建方法，包括以下步骤：S10，通过固定基线距离的双目相机拍摄原始RGB图像；S20，通过绿色线激光扫描获得深度真值数据；S30，将原始RGB图像与深度真值数据经过对齐算法对齐；S40，使得原始RGB图像与深度真值数据之间进行像素级配准，从而获得一套完整的RGB‑D数据集；S50，将RGB‑D数据集用于三维双目深度感知网络的训练与测试；S60，生成深海表生矿产三维点云数据，从而恢复出深海表生矿产三维地形图。本发明针对深海表生矿产密集分布的特性，设计了一个可以精细化特征提取过程的水下双目深度感知网络，并最终利用该网络以及RGB‑D数据集获得精准的深海表生矿产三维地形点云数据。
-
公开(公告)号：CN112098874B
公开(公告)日：2023-09-22
申请号：CN202010848730.2
申请日：2020-08-21
Applicant: 杭州电子科技大学
IPC: G01R31/392 , G01R31/389 , G01R31/396 , G01R31/367
Abstract: 本发明公开了一种考虑老化情况的锂离子电池电量预测方法；本发明的输入数据包括充放电循环次数和内阻是电池的老化指标，建立五维度数据集，并经验小波分解对电池数据进行预处理，经验小波分解用于分离电池容量的整体退化和局部再生；然后设计并训练各分解分量的CNN‑GRU网络，CNN提取五维度数据之间的关系，GRU提取数据前后的历史关系，完成数据的特征捕捉；并使用注意力机制完成权重分配，将更多权重分配给关键特征并减少干扰。最后将所有模型的预测结果进行组合和重构，得到最终的电量预测结果。本发明能够实现锂离子电池电量的预测，并考虑了电池的老化情况，使网络不需要经常更改重新训练以适应电池在使用一段时间后的性能改变。
-
公开(公告)号：CN113378636A
公开(公告)日：2021-09-10
申请号：CN202110499450.X
申请日：2021-04-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度图匹配的车辆行人检测方法，至少包括以下步骤：步骤S1：使用平面激光雷达采集道路信息，形成原始点云数据库；步骤S2：基于点云数据生成图像，通过图像处理初步检测行人和车辆；步骤S3：使用狄洛尼三角剖分法构建黑色车辆的图结构；步骤S4：通过深度图匹配框架实现黑色车辆的检测追踪。本发明的技术方案针对激光雷达对黑色物体反射率低，导致黑色车辆检测不完整，采用了深度图匹配模型，对黑色车辆建立图结构进行匹配检测，有效解决了激光雷达检测黑色车辆效果差的问题，明显提高了平面激光雷达检测行人和车辆的准确率。
-
公开(公告)号：CN112098874A
公开(公告)日：2020-12-18
申请号：CN202010848730.2
申请日：2020-08-21
Applicant: 杭州电子科技大学
IPC: G01R31/392 , G01R31/389 , G01R31/396 , G01R31/367
Abstract: 本发明公开了一种考虑老化情况的锂离子电池电量预测方法；本发明的输入数据包括充放电循环次数和内阻是电池的老化指标，建立五维度数据集，并经验小波分解对电池数据进行预处理，经验小波分解用于分离电池容量的整体退化和局部再生；然后设计并训练各分解分量的CNN‑GRU网络，CNN提取五维度数据之间的关系，GRU提取数据前后的历史关系，完成数据的特征捕捉；并使用注意力机制完成权重分配，将更多权重分配给关键特征并减少干扰。最后将所有模型的预测结果进行组合和重构，得到最终的电量预测结果。本发明能够实现锂离子电池电量的预测，并考虑了电池的老化情况，使网络不需要经常更改重新训练以适应电池在使用一段时间后的性能改变。
-
公开(公告)号：CN111537903A
公开(公告)日：2020-08-14
申请号：CN202010467271.3
申请日：2020-05-28
Applicant: 杭州电子科技大学
IPC: G01R31/388 , G01R31/389 , G01R31/367 , G01R31/36
Abstract: 本发明公开一种基于HCKF的电池SOC估计方法。在电池电化学模型的基础上，通过最小二乘法辨识参数，CKF作为确定采样型滤波算法，处理非线性方程时根据系统状态先验概率密度分布的均值和协方差按照一定的采样策略生成点集，然后将点集中的每个采样点直接进行非线性传播，最后通过加权求和计算出系统状态后验概率密度分布的均值和协方差。不需要对非线性方程进行线性化，消除了线性化误差，滤波算法迭代过程中也不需要计算EKF中的雅各比矩阵，更容易在实际中使用。提出将CKF和H_∞滤波器结合的HCKF算法用于估计SOC，有效避免了当存在电池模型误差和未知的测量噪声特性等问题时SOC估计不够准确的情况，大大提高了鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.054 seconds)
