-
公开(公告)号：CN118747267A
公开(公告)日：2024-10-08
申请号：CN202410891207.6
申请日：2024-07-04
申请人： 广东工业大学
IPC分类号： G06F18/10 , G06F18/213 , G06N3/0464 , G06N3/042 , G06N3/049 , G06N3/048 , G06F18/25 , G06N3/047 , G06N3/08
摘要： 本发明属于自适应光学预测控制领域，公开了一种基于动态时空图模型的波前预测方法，针对自适应光学系统的时延进行预测补偿。该方法过程是，先通过仿真获取时序畸变波前的泽尼克系数数据集，对数据进行预处理。将数据输入构建的动态时空图模型，利用历史连续畸变多帧波前的泽尼克系数，预测出下一帧待校正波前的泽尼克系数。通过时空耦合的图网络结构以及注意力机制，消除相邻波前数据之间时序特征上存在的冗余信息，获得高精度的预测效果。该方法降低了自适应光学系统在应对大气湍流畸变波前时的时延校正误差，从而提高控制性能。
-
公开(公告)号：CN118709738A
公开(公告)日：2024-09-27
申请号：CN202410843723.1
申请日：2024-06-27
申请人： 广东工业大学
摘要： 本发明涉及激光相干合成技术领域，公开了一种基于连续动作强化学习的激光相干合成控制算法。该方法解决了传统相位控制方法硬件要求高、基于深度学习的相位控制方法鲁棒性低及强化学习方法训练时间长的难题。其步骤包括：将多束激光相干合成后的衍射图样输入至强化学习系统，通过Policy网络根据执行动作和奖励进行参数更新。当Policy网络训练收敛后，将光电探测器获取的衍射图输入网络，网络输出校正动作，选择最优动作并转换为校正信号传送至相位控制器，控制器调整光束相位实现高相干合成输出。本方法高效、具高鲁棒性、实时性和适应复杂环境变化的能力。
-
公开(公告)号：CN114078147B
公开(公告)日：2024-08-02
申请号：CN202111393230.5
申请日：2021-11-23
申请人： 广东工业大学
摘要： 本发明属于图像处理领域，公开了一种用于复杂背景下的图像配准方法，用于解决传统的图像配准方法无法对具有复杂背景的图像进行正确配准的难题，本发明的图像配准方法先将图像集A中的原图像放入训练好的语义分割网络中，得到分割后的图像集B；接着将图像集B中的每张图像与图像集A中对应的图像逐像素点相乘，得到配准图像集C；随后在图像集C中选择一张图像作为固定图像，且用图像配准算法提取特征点以完成其余图像与固定图像之间的特征匹配，并分别计算出其余图像与固定图像对齐的变换参数，再将变换参数应用在图像集A中的图像上，完成图像的配准。本发明的方法可以实现对具有复杂背景的图像进行配准，配准精度更高，且实时性更好。
-
公开(公告)号：CN114119687B
公开(公告)日：2024-07-19
申请号：CN202111410183.0
申请日：2021-11-23
申请人： 广东工业大学
摘要： 本发明属于图像处理领域，公开了一种用于多模态图像的无监督配准方法，用于解决现有的无监督图像配准由于多模态图像的外观差异很大，直接通过多模态图像之间的相似度损失去训练会导致误差大的难题，本发明的图像配准方法首先将浮动图像B放入一个将颜色、纹理等特征与固定图像A变得相似的卷积神经网络中，得到图像B转换后的图像C；其次将图像C和固定图像A放入无监督配准网络，输出变换参数，对图像C进行重采样后与图像A进行相似性度量，并将其作为损失函数对网络进行更新，迭代多次后得到最优的变换参数，利用变换参数对图像B进行重采样得到配准后的图像。本发明的方法可以实现对多模态图像进行无监督配准，大大提升无监督配准的精度。
-
公开(公告)号：CN114066943B
公开(公告)日：2024-06-18
申请号：CN202111393168.X
申请日：2021-11-23
申请人： 广东工业大学
IPC分类号： G06T7/246 , G06T7/66 , G06V10/143 , G06V10/46 , G06V10/762 , G06V10/82 , G06N3/0464
摘要： 本发明属于图像处理领域，公开了一种基于特征的多模态图像配准方法，用于解决传统的基于特征的图像配准算法无法同时对多张多模态的图像同时进行配准的问题，本发明的图像配准算法先获取一组多模态的图片，每张图像均采用特征提取的方法提取特征向量。将全部特征向量使用机器学习中k‑means聚类算法进行聚类，完成对不同模态的图像中表征同一个特征点的特征向量逐一匹配，再选定该组不同模态的图像的其中一张作为固定图像，将其余的图像作为浮动图像，利用聚类后的每个簇中表征同一个特征点的特征向量去求解能使浮动图像与固定图像进行对齐的单应性矩阵，最后将各自求解出来的单应性矩阵与浮动图像自身齐次坐标进行相乘，得到一组配准后的多模态图像。
-
公开(公告)号：CN117791280A
公开(公告)日：2024-03-29
申请号：CN202410011305.6
申请日：2024-01-04
申请人： 广东工业大学
摘要： 本发明属于激光相干合成领域，公开了一种基于分段式自适应增益SPGD算法的激光相干合成系统，用于解决传统SPGD算法应用于多路激光相干合成系统时收敛速度慢，泛化能力差的问题。该方法以迭代过程中性能评价函数的大小为依据将算法分为两个阶段，并在不同阶段使用不同的增益系数调整公式，实现增益系数的自适应调整；在此基础上，根据上一次迭代过程中评价函数值与施加正负扰动后的评价函数值的大小划分两种情况，引入梯度更新因子C，在不同情况下对相位控制电压进行针对性调整。本算法可以高效的控制激光光束的相位，提高算法收敛速度的同时减少陷入局部最优解的情况，并且将该算法应用于大规模的激光相干合成系统时，仍具有很好的性能。
-
公开(公告)号：CN117199984A
公开(公告)日：2023-12-08
申请号：CN202311283704.X
申请日：2023-10-07
申请人： 广东工业大学
IPC分类号： H01S3/10
摘要： 本发明涉及激光相干合成技术领域，公开了一种用于激光相干合成的智能相位控制方法，用于解决传统相位控制方法的硬件要求高、基于深度学习的相位控制方法的鲁棒性低以及基于强化学习的方法的训练时间长的难题。本发明的方法是多次将随机相位的激光进行相干合成后的衍射图样输入至强化学习系统中根据Q网络执行的动作和获得的奖励对其进行参数更新。当Q网络训练收敛后，将光电探测器获取到的衍射图输入至网络中，网络输出校正动作空间对应的Q值，选最大的Q值对应的动作并转换为校正信号至相位控制器中，控制器通过电压调整光束的相位从而获得高相干合成输出。本发明的方法可以高效地实现对激光的相位控制，并具备高鲁棒性以及实时性。
-
公开(公告)号：CN116316023A
公开(公告)日：2023-06-23
申请号：CN202310354103.7
申请日：2023-04-04
申请人： 广东工业大学
IPC分类号： H01S3/10 , G06V10/774 , G06V10/82
摘要： 本发明涉及激光相干合成技术领域，公开了一种基于强化学习的激光相干合成相位控制方法，用于解决传统的相位控制方法的控制带宽小和基于深度学习的相位控制方法的鲁棒性低的难题。本发明的相位控制方法是多次将随机相位的激光经过光学系统进行相干合成后的衍射图样输入至强化学习系统中对其中的Actor和Critic神经网络进行参数更新。当Actor神经网络训练收敛后，只需要在现实相干合成环境中光电探测器获取到的衍射图样输入至Actor神经网络中，网络就会输出相位校正信号至对应光束的相位控制器中，控制器通过电压调整每束激光的相位从而完成相位校正获得高相干合成效率。本发明的方法可以高效地实现对激光的相位控制，并具备高鲁棒性以及实时性。
-
公开(公告)号：CN117406463A
公开(公告)日：2024-01-16
申请号：CN202311439262.3
申请日：2023-11-01
申请人： 广东工业大学
摘要： 本发明属于光信息处理领域，公开了一种透过散射介质实现光场矢量调控的方法及装置，用于解决传统波前整形方法实时性差和无法进行光场调控的局限性。本发明方法首先利用数字全息术记录左旋圆偏振光场E1透过散射介质的散斑场复振幅的正交分量透过散射介质的散斑场复振幅的正交分量E1SH,和E1SV,同理记录右旋圆偏振光场E2SH,和E2SV,根据数E2字光学相位共轭技术和光场调控理论，同时将上述四个复振幅分量进行共轭回传并施加相位和振幅调控，便可以实现光场的聚焦和矢量调控。本发明的方法可以实现光束通过散射介质的实时聚焦和偏振态的调控，有益于矢量光场在散射介质成像领域的应用。
-
公开(公告)号：CN116740419A
公开(公告)日：2023-09-12
申请号：CN202310575884.2
申请日：2023-05-22
申请人： 广东工业大学
IPC分类号： G06V10/764 , G06V10/762 , G06V10/40 , G06V10/82 , G06V10/80 , G06V10/62 , G06N3/049 , G06N3/0464 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/0475
摘要： 本发明属于目标检测领域，公开了一种基于图调控网络的目标检测方法。该方法首先获取一段时间内的多光谱图像，并通过两种路径处理：一种将多光谱图像输入到编码器解码器的网络结构提取像素特征，另一种路径将多光谱图像进行将其进行降维与特征提取，然后通过图嵌入的方式提取出多光谱图像三个维度的图结构并进行融合，获得多源特征的异质图。将获取的异质图，利用时空图卷积提取图数据的时空特征，然后通过门控机制获取的像素特征和空间特征聚合，输出特征的权重。由权重获取到最终融合空间特征和像素特征的特征图。最后，将生成的特征图放入目标检测模型，对目标的类别和位置进行检测。该方法输入多帧图像获取的时空特征，提升了算法的精度。
-
-
-
-
-
-
-
-
-
搜索结果
25 条记录 (耗时 0.025 秒)
