-
公开(公告)号：CN101900585B
公开(公告)日：2012-07-04
申请号：CN201010117482.0
申请日：2010-02-02
Applicant: 哈尔滨理工大学
IPC: G01F1/58
Abstract: 电磁流量计采用窄带滤波信号调理的方法及设备。现有技术对流量信号的放大普遍采用峰值采样保持信号调理电路，其宽带信号放大电路，使干扰噪声随流量信号一同被放大，把噪声频谱移频或混叠到流量信号的频带内，导致信噪比低、分辨率差、流量的测量下限难以扩展。本发明的首先进行窄带滤波信号调理，在信号达到稳态时进行采样，恰好避开微分噪声的干扰从而抑制微分噪声，在每个周期内电流平均值恒定的恒均值激磁电流源，产生满足窄带滤波调理技术所需的恒均值磁场，即通过取样、比较实现闭环反馈调节的恒均值电流源。本发明用于滤除流量信号叠加的干扰噪声，提高电磁流量计的性能，从而扩展流量测量下限，实现微流量准确测量。
-
公开(公告)号：CN101900587A
公开(公告)日：2010-12-01
申请号：CN200910072134.3
申请日：2009-05-26
Applicant: 哈尔滨理工大学
Abstract: 电磁流量计恒均值激磁电流源。随着现代工业的发展，对流量计的性能指标提出了更高的要求。在公知的电磁流量计中，对流量信号的放大普遍采用峰值采样保持信号调理技术，其宽带信号放大电路，把多种干扰噪声随流量信号一同放大，导致信噪比低、分辨率差。本发明包括：变压电路(1)、整流滤波电路(2)、功率管(3)、基准电路(4)、比较放大器(5)和采样电路(6)，所述的变压电路(1)与整流滤波电路(2)连接，所述的功率管(3)、基准电路(4)、采样电路(6)分别与比较放大器(5)连接。本产品用作电磁流量计的激磁电流源。
-
公开(公告)号：CN101303229A
公开(公告)日：2008-11-12
申请号：CN200710072183.8
申请日：2007-05-09
Applicant: 哈尔滨理工大学
Abstract: 基于边缘格雷码和线移的结构光3D测量技术，光学三维测量技术是获取物体三维信息最有效的手段之一，它属于非接触测量，不需接触被测物表面和高采样密度是其主要优点，光学三维测量技术中，结构光编码法以其准确度高、测量速度快、成本低等优点在三维重构、工业测量等领域有着广泛的应用前景，本发明基于边缘格雷码和线移的结构光3D测量方法，采用亚像素定位技术提取的各幅强度二值化前图像中的条纹边缘和中心，将边缘和中心上点作为图像采样点，然后按其在强度二值化后图像中的灰度值0或1求取格雷码，利用格雷码码值找到强度图像和编码图案中边缘的对应关系。本发明应用于三维测量技术中。
-
公开(公告)号：CN119048878A
公开(公告)日：2024-11-29
申请号：CN202411061740.6
申请日：2024-11-02
Applicant: 哈尔滨理工大学
IPC: G06V10/82 , G06V10/80 , G06V10/764 , G06N3/0464 , G06N3/0985 , G06N3/0455
Abstract: 本发明属于目标检测技术领域，具体涉及一种改进YOLOv8的X射线安检图像危险品检测系统；该方法依次执行以下步骤：获取X射线危险品图像数据集并进行数据增强；搭建改进的YOLO‑GEMA网络模型，包括：在YOLOv8的Backbone和Neck中添加GELAN(Generalized Efficient Layer Aggregation Network)；在YOLOv8的Neck中加入EMA(Efficient Multi‑ScaleAttention)注意力机制；最后采用inner‑CIoU改进损失函数加快收敛速度。利用训练集对改进的YOLOv8模型进行训练得到X射线安检图像检测模型；利用测试集对训练好的模型进行测试得到危险品检测结果。本发明通过使用改进的YOLOv8算法进行X射线安检图像的检测，能够更加精确的检测出危险品，提高安检效率。
-
公开(公告)号：CN119027727A
公开(公告)日：2024-11-26
申请号：CN202411061275.6
申请日：2024-08-03
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/80 , G06V10/44 , G06V10/58 , G06V20/10 , G06V20/64 , G06N3/042 , G06N3/0464 , G06N3/0455
Abstract: 本发明涉及一种高光谱图像(HSI)与LiDAR数据语义协同的联合分类方法，属于图像分类技术领域。该方法依次执行以下步骤：步骤a：输入待分类的HSI图像和LiDAR数据；步骤b：通过向大型语言模型提出指令，构建类别描述符文本(Text)；步骤c：对HSI和LiDAR进行patch提取，形成训练、验证和测试样本集；步骤d：将HSI、LiDAR数据输入ModaUnion编码器，提取共性特征；步骤e：将HSI、LiDAR共性特征和Text输入混合专家编码器，得到特性特征表示；步骤f：将三个特征表示输入基于集成HSI与Text对比学习和HSI与LiDAR对比学习的联合分类器，进行联合分类训练，得到协同分类结果。本发明充分挖掘HSI、LiDAR及Text表示信息，协同构建了对地物属性更为全面且精细的多维度表征，实现了卓越的协同分类效果。
-
Patent Agency Ranking
公开(公告)号：CN114429565B
公开(公告)日：2024-11-26
申请号：CN202210018149.7
申请日：2022-01-08
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/771 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明一种基于跨场景自适应学习的高光谱图像分类方法属于图像处理技术领域；该方法依次执行输入待分类的原始高光谱数据集、对输入的高光谱图像原始数据集进行划分、对SD和TD进行特征提取，输入至改进的深度可分离嵌入模型，获得每层输出的特征图、将深度可分离嵌入模型的输出进行聚类、将聚类后的输入样本输入到判别器模型中，并区分SD和TD，获得只含有TD的嵌入空间、通过改进的加权K近邻分类器WKNN进行分类；本发明可以减少分类模型对样本的依赖，并增强模型对数据类别不平衡问题的处理能力，明显提高了分类精度，为实现小样本或无样本情况下高光谱图像精准分类的研究以及工程应用提供新的思路。
-
公开(公告)号：CN118865099A
公开(公告)日：2024-10-29
申请号：CN202410816594.7
申请日：2024-06-21
Applicant: 哈尔滨理工大学
IPC: G06V20/10 , G06V10/42 , G06V10/44 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明CNN结合Transformer的HSI和LiDAR多模态数据的精细地物分类方法属于图像分类技术领域。首先，输入待分类的高光谱图像(HSI)和激光雷达(LiDAR)数据，形成训练集、验证集和测试集；采用主成分分析法降低HSI训练集的光谱维数，然后输入由卷积神经网络(CNN)和Transformer并联构成的特征提取模块，再通过特征交互模块实现局部特征与全局信息之间的交互；将LiDAR训练集输入卷积神经网络提取特征，并与HSI支路提取的特征实现特征对齐；将HSI和LiDAR双支路的对齐特征进行拼接，输入跨通道重构机制中实现多模态数据特征的高效融合；通过优化总体损失函数更新网络参数，再将双支路交叉融合之后的特征输入softmax分类器进行分类；将测试数据输入到训练好的网络模型，使用softmax分类器进行分类，得到HSI和LiDAR多模态数据的协同分类结果；本发明利用CNN强大的局部特征提取能力与Transformer的全局特征提取能力，通过特征交互模块与跨通道重构机制实现更优异的地物精细分类的效果。
-
公开(公告)号：CN118624249A
公开(公告)日：2024-09-10
申请号：CN202411094578.8
申请日：2022-10-10
Applicant: 哈尔滨理工大学
IPC: G01M17/007 , B07C5/34 , B07C5/38
Abstract: 本发明一种回力车测试方法属于回力车质检技术领域；所述回力车测试方法在回力车测试装置上实现，依次执行小车抓取、小车蓄力、小车换向、小车释放和小车回力测试五个步骤；所述回力车测试装置包括：测试台、蓄力机构和回收台，所述的测试台上端设置有蓄力机构，测试台的侧面设置有回收台；此结构能够实现，测试台为小车的滑动蓄能提供平台，通过蓄力机构对小车进行拖动蓄力，蓄力后的小车被释放至回收台进行测试，实现了回力车的自动质量检测，避免了专人手动测试，降低了劳动强度，提高了生产效率。
-
公开(公告)号：CN115524142B
公开(公告)日：2024-08-27
申请号：CN202211235863.8
申请日：2022-10-10
Applicant: 哈尔滨理工大学
IPC: G01M17/007 , B07C5/02 , B07C5/34 , B07C5/36
Abstract: 本发明属于回力车质检技术领域，尤其涉及一种回力车测试装置及其蓄力机构、回收台和测试方法，所述的测试装置，包括：测试台、蓄力机构和回收台，所述的测试台上端设置有蓄力机构，测试台的侧面设置有回收台；由此结构，能够实现，测试台为小车的滑动蓄能提供平台，通过蓄力机构对小车进行拖动蓄力，蓄力后的小车被释放至回收台进行测试，实现了回力车的自动质量检测，避免了专人手动测试，降低了劳动强度，提高了生产效率。
-
公开(公告)号：CN117953259A
公开(公告)日：2024-04-30
申请号：CN202311282162.4
申请日：2023-10-07
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06N3/0464 , G06N3/045 , G06V10/774 , G06V10/776 , G06V10/82 , G06V10/40 , G06V20/10
Abstract: 本发明基于双支路CNN‑Transformer的高光谱与LiDAR协同的农作物精准分类方法属于图像分类技术领域；该方法依次执行以下步骤：输入待分类的高光谱图像和激光雷达数据；对HSI和LiDAR数据进行patch提取，形成各自的训练、验证和测试样本集；将HSI、LiDAR的patch数据输入由卷积神经网络构成的UniFeat Block共有特征提取模块，获得共性特征；将HSI和LiDAR的共性特征对齐后，输入改进的Transformer编码器，得到HSI、LiDAR的特征表示；将HSI、LiDAR的特征表示，输入基于集成对比学习的HSI‑LiDAR联合分类器进行训练，得到协同分类结果；本发明利用CNN强大的特征提取能力与Transformer的长程依赖建模能力，通过异构传感数据的多模态特征对齐与融合，实现更优异的协同分类效果。
-
-
-
-
-
-
-
-
-
Search Results
162
records
(took 0.027 seconds)
