-
公开(公告)号：CN118865085A
公开(公告)日：2024-10-29
申请号：CN202410893352.8
申请日：2024-07-04
Applicant: 大连海事大学
IPC: G06V20/05 , G06V10/82 , G06V10/774 , G06N3/084 , G06V10/28 , G06N3/0464 , G06N5/04
Abstract: 本发明提供一种基于混合精度量化的水下目标检测方法，包括：采集的水下图像被划分出训练集，并对Yolo V9网络训练得到全精度目标检测模型；对全精度检测模型采用混合精度量化策略并进行训练，分别使用BSQ量化算法和PACT量化算法来量化网络中的权重值和激活值，以便在推理时使用低精度整数运算以提高计算效率；此外，还使用了BN层折叠技术，以进一步提高量化后模型的计算效率，从而使得到的最终量化检测模型具有较高的压缩率，更适用于资源受限的水下机器人，可以实现高效、实时的水下目标检测。
-
公开(公告)号：CN111674530B
公开(公告)日：2024-07-23
申请号：CN202010358027.3
申请日：2020-04-29
Applicant: 大连海事大学
Abstract: 本发明提供一种水下小目标定位抓取装置，承载体、设置于承载体两侧的多个所述推进器和用于装载目标物的网袋，还包括：机械手、第一摄像头、第二摄像头、推进器、处理单元、深度传感器、声纳和驱动机构；处理单元接收第一摄像头、第二摄像头、深度传感器、声纳各自采集的数据信息并进行处理，根据处理结果控制驱动机构驱动机械手对目标物进行抓取。本发明在机器人上方的第一摄像头成功识别到目标物后，机器人根据目标物所在位置调整自身姿态，当目标物进入第一摄像头视野盲区后，可由固定于机械手上的第二摄像头继续跟踪目标物，通过第一摄像头和第二摄像头的相互协作，以及深度传感器和声纳的配合，使机器人对目标物的抓取过程顺利完成。
-
公开(公告)号：CN117670687A
公开(公告)日：2024-03-08
申请号：CN202311731887.7
申请日：2023-12-15
Applicant: 大连海事大学
IPC: G06T5/00 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/084 , G06V10/42 , G06V10/44 , G06V10/80
Abstract: 本发明公开了一种基于CNN和Transformer混合结构的水下图像增强方法，该发明基于深度学习技术实现，公开了一种水下图像增强网络。所提出的图像增强方法包括区域化两阶段视觉Transformer模块与全尺度特征融合模块两个核心模块，区域化两阶段视觉Transformer模块针对水下图像的退化是不均匀的这一特点，在全局阶段获得每个区域的感知参考权重，并将权重与特征区域相乘。在区域阶段这些特征区域独立地对跨通道维度的依赖性进行建模。全尺度特征融合模块通过特征融合和通道调整实现了充分利用全尺度信息。在所设计的区域化两阶段视觉Transformer模块与全尺度特征融合模块的共同作用下，本文方法能够充分的提取图像的特征，鲁棒、稳定地提高恶劣环境下的图像质量。
-
公开(公告)号：CN117036837A
公开(公告)日：2023-11-10
申请号：CN202310860033.2
申请日：2023-07-13
Applicant: 大连海事大学
IPC: G06V10/771 , G06V10/77 , G06V10/58 , G06V20/10 , G06N3/126
Abstract: 本发明公开了一种用于高光谱图像目标检测的群体智能优化波段选择方法，包括以下步骤：S1：读取高光谱图像数据X、目标信号d，及所需要选择的波段数目K；S2：基于信息熵、联合谱‑空相似度和CEM误差建立多目标优化模型；S3：开始迭代，采用轮盘赌算子策略从非劣解集rep中确定全局最优解gbest，并计算得到个体最优解pbest，更新种群中每个个体的位置和速度；S4：对种群中的每个个体进行交叉和变异操作；S5：计算种群Pt+1中每个个体的适应度，更新非劣解集；S6：采用最优/次优比准则进行评估，选出最佳波段子集。本发明克服了单一准则方法的波段评估片面性问题，可以实现对高光谱图像的有效降维。
-
公开(公告)号：CN116919427A
公开(公告)日：2023-10-24
申请号：CN202310819057.3
申请日：2023-07-05
Applicant: 大连海事大学
Abstract: 本发明提供一种基于快速梯度卷积核补偿的表面肌电信号分解方法，包括：对多通道的表面肌电信号进行数学建模；对构建的多通道的表面肌电信号模型进行扩展；基于所述扩展肌电信号、发放时间序列以及噪声序列构建对应的表面肌电信号的卷积混合模型；构建表面肌电信号的互相关矩阵，并初始化活动指数；基于所述活动指数初始化互相关向量；获取梯度函数和学习率；引入指数加权移动平均模型，离线计算并迭代更新互相关向量；提取滑动窗口中的肌电信号并拓展，计算扩展后的互相关矩阵，并估算每个运动单元的发放时间序列；重新计算每个运动单元的发放时间序列，直至完成所有信号分解。本发明能够提高表面肌电信号分解效率，适用于实时分解过程。
-
Patent Agency Ranking
公开(公告)号：CN116612031A
公开(公告)日：2023-08-18
申请号：CN202310586093.X
申请日：2023-05-23
Applicant: 大连海事大学
Abstract: 本发明提供一种基于八邻域约束的偏振成像水下图像增强方法，包括：获取四张偏振图像，分别记为I0(x,y)，I45(x,y)，I90(x,y)，I135(x,y)；根据斯托克斯矢量计算图像每一像素点对应的偏振角和偏振度；选择出现频率最高的偏振角值，获取对应像素位置，进行八邻域约束；通过八邻域约束后，将通过筛选的偏振度值取平均后，作为背景光偏振度值pB；计算背景光强度和偏振部分的背景光强度；与斯托克斯矢量M作差，计算无穷远背景光强度；基于计算的无穷远背景光强度，计算透视率；采用锚亮度自适应算法对图像进行增强，得到增强图像。本发明方法增强效果稳定，能够适用于不同浑浊度的水介质，有效地增强图片的对比度和能见度。
-
公开(公告)号：CN116595318A
公开(公告)日：2023-08-15
申请号：CN202310559224.5
申请日：2023-05-17
Applicant: 大连海事大学
IPC: G06F18/10 , G06N3/0455 , G06N3/082 , G06F18/213
Abstract: 本发明提供一种基于sEMG的手指关节连续运动估计方法及系统。方法包括获取手指多关节连续运动的手臂表面肌电信号和手指关节的实时角度数据；对表面肌电信号进行时序特征均方根值计算，构建时序特征向量；对所述时序特征向量和手指关节的实时角度数据分别进行归一化处理，根据归一化后的时序特征向量和对应的手指关节实时角度构建训练数据对；将训练数据对中的时序特征向量作为输入、对应的手指关节实时角度作为输出，训练改进的Transformer神经网络模型；基于训练好的改进的Transformer神经网络模型进行手指关节运动估计。本发明能够实现对手指关节动作的精确估计，运算速度快，估计精度高。
-
公开(公告)号：CN115746546A
公开(公告)日：2023-03-07
申请号：CN202211430820.5
申请日：2022-11-15
Applicant: 大连海事大学
Abstract: 本发明属于沥青路面浅槽修补技术领域，具体涉及一种树脂基沥青路面浅槽修补材料及其制备方法和施工方法。所述修补材料按重量份计，包括：聚酰胺6(PA6)6556～80份、聚丙烯(PP)05～30份、乙烯‑乙酸乙烯酯共聚物(EVA)3～8份、马来酸酐接枝乙烯‑辛烯共聚物(POE‑g‑MAH)14～20份、抗紫外线剂0.5～1份、阻燃剂2～5份。本发明弥补了热补法和冷补法本身的缺点，并且兼顾了性能优异，施工时间短，对交通影响较小等优点，针对浅槽修补有着独特的优势，能够满足绝大多种类沥青路面。
-
公开(公告)号：CN113221985A
公开(公告)日：2021-08-06
申请号：CN202110476299.8
申请日：2021-04-29
Applicant: 大连海事大学
Abstract: 本发明公开了基于金字塔模型的融合网络来提取基础特征的方法，包括：由一个head backbone和两个assistant backbone组成基础特征提取网络，assistant backbone1和assistant backbone2每经过一次卷积下采样得到的特征图都流向两个方向，一个是各自网络模型的下一层，另一个是assistant backbone1和assistant backbone2相同位置层输出的特征图通过融合形成一个通道，然后通过反卷积、上采样操作后，与head backbone在assistant backbone1和assistant backbone2相同位置层的输入特征层进行融合，然后输入到head backbone此时的这一层，经过多层卷积网络操作，最终输出了具有更多特征细节的特征图。
-
公开(公告)号：CN113111834A
公开(公告)日：2021-07-13
申请号：CN202110443963.9
申请日：2021-04-23
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于注意力的全局局部光谱权重的波段选择方法，通过将预处理后的高光谱数据集中的像素样本输入到基于注意力的全连接神经网络中，得到像素样本的权重矩阵。然后再通过卷积神经网络来对高光谱数据进行重建，在重建的光谱与原始光谱的损失不再降低的情况下得到每个像素样本的光谱权重，再利用K‑means算法训练每个像素的光谱权重，选择每个簇中方差最大的波段，得到最终的波段选择结果。从而可以同时考虑光谱的全局信息和局部信息来进行最优波段子集的选择。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.028 seconds)
