-
公开(公告)号：CN118254169A
公开(公告)日：2024-06-28
申请号：CN202410334795.3
申请日：2024-03-22
Applicant: 河南大学
IPC: B25J9/16 , G06N3/0455 , G06N3/0464 , G06N3/0495 , G06N3/08
Abstract: 本发明公开了一种基于稀疏卷积神经网络的机械臂无序抓取方法、存储介质和电子设备，包括:在Pybullet物理仿真环境中搭建抓取场景；仿真环境中根据场景点云进行抓取点采样，生成训练样本及标签；构建PointGrasp‑Net模型，对PointGrasp‑Net模型进行训练，得到最优权重参数。本发明在仿真环境中采集数据，摆脱真实环境的限制，节省成本。本发明中PointGrasp‑Net网络模型只对有效的3D场景点进行处理而非整个点云空间，计算速度快，能够实时生成抓取姿态，并且根据点云数据的特点，融入了点云的曲率和法线信息，提高抓取成功率。在物体的表面点云上随机生成抓取姿态，不受物体形状结构的影响，随机无序抓取，适用于非结构化场景。
-
公开(公告)号：CN113733088B
公开(公告)日：2024-05-14
申请号：CN202111045806.9
申请日：2021-09-07
Applicant: 河南大学
Abstract: 本发明涉及自适应控制领域，具体涉及一种基于双目视觉的机械臂运动学自标定方法。首先采集数据，通过双目相机获得机械臂末端位置信息、机械臂各关节实际转动角度及理论转动角度。然后将DH理论和手眼标定理论相融合，建立机械臂运动学混合模型。运用多种群自适应差分算法进行模型的训练，求解混合模型参数。最后通过拟合多项式的方法建立起各伺服电机模型，使用最小二乘法进行多项式参数的求解以及补偿预测。本发明所提出的混合模型和伺服电机模型可以极大的降低机械臂所受几何误差的影响，计算出更加实际的模型参数。不需要额外通过示教器建立手眼标定过程中所需的机械臂底座坐标系，可以在保证绝对定位精度的前提下实现标定全程的自动化。
-
公开(公告)号：CN118015707A
公开(公告)日：2024-05-10
申请号：CN202410334773.7
申请日：2024-03-22
Applicant: 河南大学
IPC: G06V40/20 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种手语识别系统中手语动作与非手语动作辨别分类方法、存储介质和电子设备，基于原手语分类网络的预测分数对手语动作进行辨别分类，具体步骤为：分别将若干已训练的手语动作样本和若干非手语动作样本输入手语识别系统的预测网络中得到预测分数；对预测分数进行预处理；搭建用于分类预测分数的分类网络；将预处理后的预测分数输入神经网络中进行训练，将训练好的分类网络置入手语识别系统的手语分类模型输出与最终预测之间，将手语分类模型输出的预测分数进行处理后输入分类网络中，根据分类网络的分类结果判断目标是否为已训练的手语动作。通过本发明可以弥补现有手语识别系统的缺陷，使手语识别系统能够准确地区分。
-
公开(公告)号：CN113933807B
公开(公告)日：2024-05-07
申请号：CN202111063834.3
申请日：2021-09-10
Applicant: 河南大学 , 河南宙合网络科技有限公司
IPC: G01S7/41
Abstract: 本发明提出了一种海杂波背景下基于图像处理的目标检测方法，以数学形态学运算为基础，进行模板匹配和特征点检测，实现岸‑舰双基高频地波雷达的图像域目标检测，为高频地波雷达海杂波背景下的海面目标检测提供了一种新的有效方式。针对海杂波背景下的高频地波雷达回波信号，本发明从图像处理角度匹配检测目标：以岸‑舰双基高频地波雷达方位‑多普勒二维谱图为处理对象，先从图像层面分析二维谱图中海杂波的特征，并据此采用形态学闭运算对二维谱图进行预处理，然后使用基于区域的模板匹配算法匹配检测目标，再根据颜色特征进行特征点检测以排除错误检测区域，从而实现二维谱图中的目标检测。相比于传统的直接抑制或从回波信号中对消海杂波的非图像类处理方式，本发明的目标检测准确率更高，目标检测速度更快，并适用于多目标检测。
-
公开(公告)号：CN111145276A
公开(公告)日：2020-05-12
申请号：CN201911313423.8
申请日：2019-12-18
Applicant: 河南大学
Abstract: 本发明提供了一种基于深度学习和分布式信源编码的高光谱图像压缩方法，包括以下步骤：步骤1：构建高光谱图像显著性检测深度学习网络模型；步骤2：提取待压缩的高光谱图像的谱段分组与关键帧；步骤3：提取待压缩的高光谱图像的谱段组局部显著性特征；步骤4：得到该谱段组的全局显著性映射图；步骤5：得到待压缩的高光谱图像的谱段组的感兴趣区域；步骤6：对谱段组的感兴趣区域进行分布式压缩；步骤7：得到高光谱图像的压缩编码；本发明克服了现有技术中难以解决的场景显著性深层次表征问题的缺点，具有精确压缩有用信息的优点；本发明克服了现有技术中高光谱图像压缩效率低缺点，具有快速实现压缩的优点。
-
Patent Agency Ranking
公开(公告)号：CN118254170A
公开(公告)日：2024-06-28
申请号：CN202410338659.1
申请日：2024-03-22
Applicant: 河南大学
Abstract: 本发明公开了一种基于深度强化学习的机械臂渐进式训练方法、存储介质和电子设备,具体包括如下步骤：根据现实场景构建机械臂仿真工作环境，采用无模型算法完成渐进式训练系统的第一阶段训练任务；采用世界模型算法完成渐进式训练系统的第二阶段训练任务；采用训练后的无模型算法和用世界模型算法对机械臂进行具体的任务执行。本发明通过对复杂任务作分解，将工作空间由外向内分为粗操作区与精操作区，对机械臂的训练也据此按先后分为粗训练阶段和精训练阶段，通过结合了非端到端方式和端到端方式，系统中的训练方案在训练时间和训练精度上都优于单独采用无模型算法或世界模型算法，大大提升了机械臂训练效率。
-
公开(公告)号：CN113933807A
公开(公告)日：2022-01-14
申请号：CN202111063834.3
申请日：2021-09-10
Applicant: 河南大学 , 河南宙合网络科技有限公司
IPC: G01S7/41
Abstract: 本发明提出了一种海杂波背景下基于图像处理的目标检测方法，以数学形态学运算为基础，进行模板匹配和特征点检测，实现岸‑舰双基高频地波雷达的图像域目标检测，为高频地波雷达海杂波背景下的海面目标检测提供了一种新的有效方式。针对海杂波背景下的高频地波雷达回波信号，本发明从图像处理角度匹配检测目标：以岸‑舰双基高频地波雷达方位‑多普勒二维谱图为处理对象，先从图像层面分析二维谱图中海杂波的特征，并据此采用形态学闭运算对二维谱图进行预处理，然后使用基于区域的模板匹配算法匹配检测目标，再根据颜色特征进行特征点检测以排除错误检测区域，从而实现二维谱图中的目标检测。相比于传统的直接抑制或从回波信号中对消海杂波的非图像类处理方式，本发明的目标检测准确率更高，目标检测速度更快，并适用于多目标检测。
-
公开(公告)号：CN111145276B
公开(公告)日：2023-03-24
申请号：CN201911313423.8
申请日：2019-12-18
Applicant: 河南大学
IPC: G06T9/00 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于深度学习和分布式信源编码的高光谱图像压缩方法，包括以下步骤：步骤1：构建高光谱图像显著性检测深度学习网络模型；步骤2：提取待压缩的高光谱图像的谱段分组与关键帧；步骤3：提取待压缩的高光谱图像的谱段组局部显著性特征；步骤4：得到该谱段组的全局显著性映射图；步骤5：得到待压缩的高光谱图像的谱段组的感兴趣区域；步骤6：对谱段组的感兴趣区域进行分布式压缩；步骤7：得到高光谱图像的压缩编码；本发明克服了现有技术中难以解决的场景显著性深层次表征问题的缺点，具有精确压缩有用信息的优点；本发明克服了现有技术中高光谱图像压缩效率低缺点，具有快速实现压缩的优点。
-
公开(公告)号：CN113627437A
公开(公告)日：2021-11-09
申请号：CN202110902065.5
申请日：2021-08-06
Applicant: 河南大学
Abstract: 一种快速识别石墨电极标签的方法，涉及计算机视觉领域。本发明针对石墨电极标签自动识别问题，提出了一种标签自动快速识别方法。本方法使用了新的快速语义分割网络AL‑UNet，保留了UNet网络所具有的高精度分割能力，同时又结合了MobileNet的轻量化特点，大幅提升了网络速度。为了提高网络的鲁棒性，网络使用扩充的数据集，使其能够适应更多的环境。语义分割后，使用新型的校正方法校正字符图像的角度；使用投影法切分字符，送入LeNet‑5识别网络，获得识别结果。本发明所提出的方法实现了石墨电极标签的自动识别。
-
公开(公告)号：CN111726633B
公开(公告)日：2021-03-26
申请号：CN202010394906.1
申请日：2020-05-11
Applicant: 河南大学
IPC: H04N19/61 , H04N19/625 , H04N19/177 , H04N19/124
Abstract: 本发明提供了基于深度学习和显著性感知的压缩视频流再编码方法，包括以下步骤：构建和训练压缩域视频图像显著性检测深度学习模型；将待再编码的压缩视频图像X输入步骤1训练好的压缩域视频图像显著性检测深度学习模型CDVNet；利用压缩域视频图像显著性检测深度学习模型CDVNet对待再编码的压缩视频图像X部分解码；使用HEVC编码技术，结合每一编码单元更新后的量化参数进行视频图像再编码；本发明采用基于压缩域的显著性特征提取，在压缩码流中利用部分解码得到的数据信息进行显著性检测，克服了现有技术中基于像素域的显著性检测必须先全部解压这些压缩视频到像素域，然后才能进行特征提取和显著性检测的缺点，使得本发明具有计算量小、耗时低的优点。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.02 seconds)
