-
公开(公告)号:CN106585526A
公开(公告)日:2017-04-26
申请号:CN201611113314.8
申请日:2016-12-07
CPC分类号: B60R16/02 , G06K9/00805 , H04N7/183
摘要: 一种车前物体识别装置及其识别方法,涉及行车安全或自动驾驶。识别装置设有探照器、摄像器和控制器;探照器安装在车前部或挡风玻璃上部,用于将红黄绿三色组成的光投射到车前方的设计区域并产生色块;摄像器安装于前挡风玻璃,用于捕捉车前方的图像并将图像数据传输给控制器;控制器安装于车内,用于分析图像的变化、控制探照器的照射区域,并将分析结果实时传输给行车安全或自动驾驶系统。识别方法:控制红黄绿三色光的配比及强度以组成不同的光源并投射到车前方的设计区域,摄像器捕捉车前方的实时图像并送至控制器,控制器分析比较探照器投射有颜色光前后的图像的变化,并将分析结果传输给行车安全设备或自动驾驶设备。可提高行车安全性。
-
公开(公告)号:CN105915425A
公开(公告)日:2016-08-31
申请号:CN201610428823.3
申请日:2016-06-16
申请人: 厦门理工学院
IPC分类号: H04L12/40 , H04L12/911 , H04L12/927
CPC分类号: H04L47/70 , H04L12/40143 , H04L47/828 , H04L2012/40215
摘要: 本发明公开一种面向车载CAN FD网络的信号分组打包方法,包括如下步骤:步骤1,依据信号的周期大小对信号进行分组,并根据周期大小对分组得到的信号组进行升序排列;步骤2,依据空闲带宽评价指标和整数线性规划算法将信号组依次打包到消息之中,得到消息集;步骤3,按照时间健壮性升序的顺序为打包后得到的消息集分配优先级并进行调度分析,如果打包后得到的消息集不可调度,则对打包后得到的消息集进行拆分以提高整个消息集的可调度性,直到打包后的消息集可调度或没有消息可被拆分为止。此种方法可在保证CAN FD网络可调度的前提下,实现网络带宽利用率的优化。
-
公开(公告)号:CN118152368A
公开(公告)日:2024-06-07
申请号:CN202410262558.0
申请日:2024-03-07
申请人: 厦门理工学院
IPC分类号: G06F16/21 , G06F16/27 , G06F16/28 , G06F11/34 , H04L67/1095 , H04L69/04 , H04L43/08 , H04L43/0829 , H04L43/0888 , H04L43/0817
摘要: 本发明涉及数据库技术领域,具体公开了一种多类型关系的数据库间的数据迁移方法,获取数据库空间状态值,并根据数据库空间状态值对数据库的状态进行识别,将数据库空间状态值最大值所对应的数据库记为数据库数据迁移最优数据库,获取发送端数据库需迁移的数据,并记为目标数据,将目标数据进行文件拆分,按拆分后的文件进行数据迁移;对数据迁移过程中的行为数据进行监测,基于行为数据得到数据迁移状态值,通过数据迁移状态值完成对数据库间的数据迁移状态识别,本发明在目标数据的传输过程中,对数据迁移过程中的行为数据进行监测,基于数据迁移状态值完成对数据库间的数据迁移状态识别。
-
公开(公告)号:CN116245818A
公开(公告)日:2023-06-09
申请号:CN202310036931.6
申请日:2023-01-10
申请人: 厦门理工学院
IPC分类号: G06T7/00 , G06T7/187 , G06T5/00 , G06T7/62 , G06V10/776 , G06V10/774 , G06V10/46 , G06N3/0464 , G06N3/08
摘要: 本发明公开一种医用针管毛发缺陷检测方法、系统、设备及介质,涉及医疗器械缺陷检测技术领域,该方法包括:获取待测医用针管图像;将所述待测医用针管图像输入至毛发缺陷分割模型中,得到若干处缺陷连通域;所述毛发缺陷分割模型是基于具有纹理增强模块层的深度神经网络确定的;所述纹理增强模块层包括分组卷积层;所述分组卷积层的卷积核是基于等价模式下的局部二值模式算子的二进制编码确定的;采用毛发检测算法,基于所有所述缺陷连通域,确定所述待测医用针管图像中的毛发缺陷。本发明能够解决普通神经网络无法有效提取毛发特征来检测毛发缺陷和噪声干扰的问题,提高对医用针管的毛发缺陷检测的准确性。
-
公开(公告)号:CN109670418B
公开(公告)日:2021-10-15
申请号:CN201811471683.3
申请日:2018-12-04
申请人: 厦门理工学院
摘要: 本发明公开一种结合多源特征学习和组稀疏约束的无监督物体识别方法,包括如下步骤:步骤1,从包含c个类别的待处理图像集中获取V种视图,并将其组成数据集X=[x1,x2,…,xn]∈Rd×n,其中d代表数据的特征维度,n代表数据集的样本数;步骤2,提取数据集X的总散度矩阵St;步骤3,在步骤2的基础上构建基于线性判别分析的KM聚类模型;步骤4,在步骤3的基础上构建基于组稀疏约束和特征选择的多源数据联合聚类模型;步骤5,求解步骤4得到的多源数据联合聚类模型的目标函数,并进行优化。此种方法可以提高聚类方法的准确度,可快速定位最优特征子集,还可有效抑制数据集中的噪声干扰,最终为机器学习、计算机视觉相关应用提供有效支持。
-
公开(公告)号:CN113232647A
公开(公告)日:2021-08-10
申请号:CN202110600874.0
申请日:2016-12-07
摘要: 一种车前物体识别方法及其识别装置,涉及行车安全或自动驾驶。识别装置设有探照器、摄像器和控制器;探照器安装在车前部或挡风玻璃上部,用于将红黄绿三色组成的光投射到车前方的设计区域并产生色块;摄像器安装于前挡风玻璃,用于捕捉车前方的图像并将图像数据传输给控制器;控制器安装于车内,用于分析图像的变化、控制探照器的照射区域,并将分析结果实时传输给行车安全或自动驾驶系统。识别方法:控制红黄绿三色光的配比及强度以组成不同的光源并投射到车前方的设计区域,摄像器捕捉车前方的实时图像并送至控制器,控制器分析比较探照器投射有颜色光前后的图像的变化,并将分析结果传输给行车安全设备或自动驾驶设备。可提高行车安全性。
-
公开(公告)号:CN109670418A
公开(公告)日:2019-04-23
申请号:CN201811471683.3
申请日:2018-12-04
申请人: 厦门理工学院
摘要: 本发明公开一种结合多源特征学习和组稀疏约束的无监督物体识别方法,包括如下步骤:步骤1,从包含c个类别的待处理图像集中获取V种视图,并将其组成数据集X=[x1,x2,…,xn]∈Rd×n,其中d代表数据的特征维度,n代表数据集的样本数;步骤2,提取数据集X的总散度矩阵St;步骤3,在步骤2的基础上构建基于线性判别分析的KM聚类模型;步骤4,在步骤3的基础上构建基于组稀疏约束和特征选择的多源数据联合聚类模型;步骤5,求解步骤4得到的多源数据联合聚类模型的目标函数,并进行优化。此种方法可以提高聚类方法的准确度,可快速定位最优特征子集,还可有效抑制数据集中的噪声干扰,最终为机器学习、计算机视觉相关应用提供有效支持。
-
公开(公告)号:CN106601235A
公开(公告)日:2017-04-26
申请号:CN201611095564.3
申请日:2016-12-02
申请人: 厦门理工学院
CPC分类号: G10L15/063 , G06N20/00 , G10L2015/0631
摘要: 本发明公开一种半监督多任务特征选择的语音识别方法,包括如下步骤:(1)获取T个相似的语音识别学习任务,每个学习任务t中包含一个数据集其中,dt为特征个数,ct为数据集Xt的分类数,nt是第t个学习任务中样本数;(2)为每个学习任务建立基于全局线性约束的特征选择模型;(3)在步骤(2)的基础上构建多个学习任务联合特征选择模型,得到目标函数;(4)利用迭代优化算法求解步骤(3)中的目标函数。此种语音识别方法可有效提高语音识别的准确度,同时可有效抑制数据集中噪声的干扰。
-
公开(公告)号:CN103279987B
公开(公告)日:2016-05-18
申请号:CN201310241266.0
申请日:2013-06-18
申请人: 厦门理工学院
IPC分类号: G06T17/00
摘要: 本发明公开一种基于Kinect的物体快速三维建模方法,其包括以下步骤:步骤1:固定各Kinect与旋转平台的相对位置,并使各Kinect分别以不同视角正对旋转平台,以获得较为完整的物体模型;步骤2:将欲重建的物体置于旋转平台中央,启动系统进行物体重建,利用三维视觉理论对Kinect输出的场景深度信息实现场景建模,将位于不同坐标系的Kinect的场景深度信息统一到同一个坐标系;步骤3:基于法线校正的外点去除方法过滤错误的三维点云,具体是:由步骤2得到稠密的场景深度信息的三维点云,提取这些三维点云的法线信息,并构建基于局部法线约束的外点判断函数,对于不满足局部法线约束的三维点云的数据则判定为外点,予以去除;步骤4:得到物体的三维模型。
-
公开(公告)号:CN105023021A
公开(公告)日:2015-11-04
申请号:CN201510398992.2
申请日:2015-07-09
申请人: 厦门理工学院
IPC分类号: G06K9/62
CPC分类号: G06K9/6211
摘要: 本发明属于图像处理技术领域,特别是涉及一种基于主方向模板的特征匹配方法。本发明包括以下步骤:步骤1:将目标图和样本图都分割为网格,且网格的大小相同,计算每个网格中的像素点的梯度值和梯度方向;步骤2:每个网格使用其最大的梯度方向进行表示,且将梯度方向和是否具有明显的梯度值使用字节进行存储;步骤3:样本图与目标图的网格模板特征按位异或匹配;步骤4:匹配结果为“111”,则两个网格模板特征匹配,并确定样本图中的匹配网格数量。本发明对模板特征进行压缩,且使用单字节进行存储,降低了内存的消耗。
-
-
-
-
-
-
-
-
-