-
-
公开(公告)号：CN116704017A
公开(公告)日：2023-09-05
申请号：CN202310998840.0
申请日：2023-08-09
Applicant: 烟台大学 , 烟台新旧动能转换研究院暨烟台科技成果转移转化示范基地
IPC: G06T7/70 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于视觉混合的机械臂位姿检测方法，其特征在于，方法包括、S1、获取机械臂的目标检测数据与关键点检测数据，并进行预处理；S2、机械臂目标检测框选，通过神经网络模型对机械臂目标检测对应的PASCAL VOC数据集进行训练，框选出机械臂的整体信息；S3、机械臂骨架信息检测，通过神经网络模型对机械臂关键点检测对应的COCO数据集进行训练，获取机械臂的骨架信息；S4、机械臂骨架三维角度测算，利用机械臂的三维空间信息测算机械臂在不同位姿下的弯曲角度信息。本发明的一种基于视觉混合的机械臂位姿检测方法，能够实现实时检测机械臂的目标检测框选信息与骨架信息，并通过同步获取到的三维空间信息测算机械臂在不同位姿下的弯曲角度。
-
公开(公告)号：CN117292329A
公开(公告)日：2023-12-26
申请号：CN202311575138.X
申请日：2023-11-24
Applicant: 烟台大学 , 烟台新旧动能转换研究院暨烟台科技成果转移转化示范基地
Abstract: 本发明属于机器视觉领域及目标检测与关键点检领域，提供了一种建筑机器人工作异常监测方法、系统、介质及设备，其技术方案为：获取建筑机器人在建筑场景下的工作视频数据；基于视频数据和训练后的第一神经网络，获取建筑机器人在空间中的位置信息；在空间中的位置信息范围内，结合训练后的第二神经网络，将提取的不同分辨率特征图融合，基于融合后的特征图预测得到建筑机器人关键点坐标；通过预测得到的建筑机器人关键点坐标对建筑机器人的工作状态进行异常判定。不仅可以从宏观上监测建筑机器人整体，而且可以从微观上监测建筑机器人的局部是否正常运行，而且在建筑机器人上部署大量的传感器，降低了成本。
-
公开(公告)号：CN117765312A
公开(公告)日：2024-03-26
申请号：CN202311736691.7
申请日：2023-12-18
Applicant: 烟台大学 , 烟台新旧动能转换研究院暨烟台科技成果转移转化示范基地
IPC: G06V10/764 , G06V10/82 , G06V20/17 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于航拍数据集的地物图像分类方法，该方法能够解决航拍数据图像分类存在的低效率、低准确性以及难以应对大规模数据的难点问题，设计的模型与VGG16相比，准确率提升了16％，训练时间减少了约50％，推理速度是原来的4倍且参数量降低了35％；与现有的分类性能较好的轻量级网络EfficientNet‑B3相比，本文提出的模型将Top1准确率提高了5％，训练时间减少了18％。
-
公开(公告)号：CN116704017B
公开(公告)日：2023-11-14
申请号：CN202310998840.0
申请日：2023-08-09
Applicant: 烟台大学 , 烟台新旧动能转换研究院暨烟台科技成果转移转化示范基地
IPC: G06T7/70 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于视觉混合的机械臂位姿检测方法，其特征在于，方法包括、S1、获取机械臂的目标检测数据与关键点检测数据，并进行预处理；S2、机械臂目标检测框选，通过神经网络模型对机械臂目标检测对应的PASCAL VOC数据集进行训练，框选出机械臂的整体信息；S3、机械臂骨架信息检测，通过神经网络模型对机械臂关键点检测对应的COCO数据集进行训练，获取机械臂的骨架信息；S4、机械臂骨架三维角度测算，利用机械臂的三维空间信息测算机械臂在不同位姿下的弯曲角度信息。本发明的一种基于视觉混合的机械臂位姿检测方法，能够实现实时检测机械臂的目标检测框选信息与骨架信息，并通过同步获取到的三维空间信息测算机械臂在不同位姿下的弯曲角度。
-
Patent Agency Ranking
公开(公告)号：CN119992502A
公开(公告)日：2025-05-13
申请号：CN202510465508.7
申请日：2025-04-15
Applicant: 烟台大学
IPC: G06V20/56 , G06V10/52 , G06V10/80 , G06V10/82 , G06V10/77 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明涉及3D图像生成技术领域，具体为基于频率感知特征融合的3D车道线生成方法和系统；通过设计包括用于提取图像不同深度尺度特征的多尺度特征提取网络，用于从高分辨率特征中提取高频信息、并与低分辨率特征进行融合以增强低分辨率特征的表达能力的频率金字塔网络，用于提取更稳健、更高级的BEV特征的空间转化融合网络，用于生成3D车道线的车道线提取网络的3D车道线生成模型，来提高了3D车道线生成的准确性和鲁棒性，能够更好地应对复杂环境中的变化，同时保持良好的实时性，适用于自动驾驶和辅助驾驶系统，展现出广阔的应用前景。
-
公开(公告)号：CN119780025A
公开(公告)日：2025-04-08
申请号：CN202411877714.0
申请日：2024-12-19
Applicant: 烟台大学
IPC: G01N21/3577 , G01N21/359 , G06N3/084 , G06N3/0985 , G06N3/0464 , G06N3/086
Abstract: 本发明涉及海洋溢油监测技术领域，尤其是涉及一种基于近红外吸收光谱的海水含油浓度检测方法及系统。方法，包括获取不同油样的不同浓度的光谱样本；采集不同浓度下光谱样本的原始近红外光谱；基于不同浓度近红外光谱强度差选取特征波段，对特征波段内光谱数据进行提取；对特征波段内光谱数据进行归一化预处理；利用特征波段内光谱数据训练深度学习模型，得到含有浓度结果；本发明能够有效反演海水含油的浓度，为海洋溢油监测与船舶含油海水排放的浓度检测提供了新的方法。
-
公开(公告)号：CN119676094A
公开(公告)日：2025-03-21
申请号：CN202510185592.7
申请日：2025-02-20
Applicant: 烟台大学
IPC: H04L41/12 , H04L41/142 , H04L41/16 , H04L41/0631 , H04L67/12 , G06N3/04 , G06N3/08 , G06N5/022
Abstract: 本发明涉及工业物联网检测技术领域，尤其是涉及一种基于联邦图神经网络工业物联网设备检测方法及系统。所述方法，包括获取每个设备的实时运行状态数据和传感器的测量值，利用输入数据作为设备节点特征构建拓扑图，并基于拓扑图引入知识图谱，将客户端设备状态与知识图谱信息进行融合，引入注意力机制对客户端本地模型的权重进行自适应调整；基于融合后的节点特征进行特征增强，建立基于强化学习的联邦图神经网络客户端动态调度策略，利用全局模型进行图结构数据的节点分类任务，本发明基于融合后的节点特征进行特征增强、引入投影头和计算对比损失，提升了模型在缺乏标注数据下的性能，使模型学习到更稳健特征，增强了对设备故障的判断准确性。
-
公开(公告)号：CN119130801B
公开(公告)日：2025-03-14
申请号：CN202411603889.2
申请日：2024-11-12
Applicant: 烟台大学
IPC: G06T3/4046 , G06T3/4076 , G06T3/4023 , G06N3/0464
Abstract: 本发明属于图像处理技术领域，具体涉及一种遥感图像重建模型的构建及训练方法、系统，该遥感图像重建模型以先验特征为指导，提取局部特征和全局特征并进行自适应特征融合，对低分辨率图像进行重建，其中先验特征为图像的结构、纹理和边缘等提供了额外信息，使得模型能够更精确地重建高分辨率图像的细节；且提取局部特征和全局特征时，充分利用先验特征和全局上下文关系，并采用自适应特征融合处理将局部特征和全局特征融合，增强了模型在超分辨率重建任务中的表现。
-
公开(公告)号：CN118229764B
公开(公告)日：2025-02-25
申请号：CN202410424179.7
申请日：2024-04-10
Applicant: 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) , 烟台大学
IPC: G06T7/62 , G06T7/11 , G06T7/136 , G06T5/50 , G06V20/10 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/52
Abstract: 本发明涉及图像处理技术领域，具体为基于多尺度图卷积的海草床面积获取方法、系统和设备，为解决目前获取海草床面积结果的准确度和稳定性较低的问题，本发明首先将邻域通道差异度小于邻域通道差异度阈值的像素点，作为种子像素点进行超像素生长处理，得到超像素海草床图；然后，将超像素海草床图进行残差处理和分割后，获取多尺度邻接矩阵，将多尺度邻接矩阵分别与超像素海草床分割图进行图卷积处理后进行融合，得到海草床融合特征图；最后，将海草床融合特征图进行分类处理，获取海草像素点数后，与海草床图像面积结合计算得到海草床面积；该获取方法应用在海草床面积计算领域，不仅省时省力，还能提高海草床面积获取的准确度以及稳定性。
-
-
-
-
-
-
-
-
-
Search Results
192
records
(took 0.06 seconds)
