-
公开(公告)号：CN114219989B
公开(公告)日：2024-09-27
申请号：CN202111411500.0
申请日：2021-11-25
Applicant: 哈尔滨工程大学
IPC: G06V10/26 , G06V20/54 , G06V10/46 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/0985 , G06N3/048
Abstract: 本发明提供了一种基于干扰抑制和动态轮廓的雾天场景船舶实例分割方法，包括以下步骤：步骤1：建立雾天场景下船舶实例分割网络；步骤2：训练雾天船舶实例分割网络；步骤3：测试雾天船舶实例分割效果。本发明解决了现有技术无法准确分割雾天场景船舶的问题，全面提升了雾天场景下船舶实例分割的准确度，减少了船舶漏检。
-
公开(公告)号：CN111768415A
公开(公告)日：2020-10-13
申请号：CN202010542619.0
申请日：2020-06-15
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种无量化池化的图像实例分割方法，包括如下步骤：S1：将任意大小二维图像输入深层特征提取网络获得多层特征图，经过区域推荐网络提取候选区域；S2:使用无量化池化层将上述具有不同的尺寸候选区域特征图池化到相同的大小；S3:输入两个检测分支预测每个候选区域的类别以及位置，同时并行连接掩码分支对每个候选区域进行前景和背景掩码分割，还原到原图尺寸。本发明解决了现有技术中对不同大小候选区域的特征图进行池化时像素空间信息缺失问题，使用无量化池化层，在不引入任何参数条件下，使得特征图像素与原图像像素一一对应，保证了目标位置的准确性，进而提升了图像实例分割的准确度。
-
公开(公告)号：CN112685974A
公开(公告)日：2021-04-20
申请号：CN202011627182.7
申请日：2020-12-31
Applicant: 哈尔滨工程大学
IPC: G06F30/28 , G06F30/15 , G06F111/10 , G06F119/14
Abstract: 本发明公开了一种基于CFD的船舶参数辨识方法，包括：S1，在CFD仿真软件中导入船舶的几何模型；S2，基于所导入几何模型，设置背景域以及分别包含船、螺旋桨和船舵的局部区域和边界条件；S3，建立背景域与船域、船域与螺旋桨域和船舵域之间的多层次嵌套重叠关系；S4，生成重叠网格，设置计算模型和船舶运动条件；S5，迭代计算；S6，将从CFD得到的数据进行处理，辨识得到船舶在某一固定航速下的K、T参数。本发明针对带舵浆船舶的运动提出了一种简单有效的数值计算方法，通过重叠网格处理螺旋桨和船舵的大幅度运动问题，实现准确的数值计算和参数辨识求解。本方法辨识结果准确高效，具有较强的实际应用性。
-
公开(公告)号：CN111898204A
公开(公告)日：2020-11-06
申请号：CN202010667166.4
申请日：2020-07-13
Applicant: 哈尔滨工程大学
IPC: G06F30/15 , G06F30/28 , G06T17/20 , G06F111/10 , G06F113/08 , G06F119/14
Abstract: 本发明提供一种用于带舵桨船舶的数值计算方法，包括：S1，在CFD仿真软件中导入船舶主体、螺旋桨和船舵的几何模型；S2，基于所导入几何模型，设置背景域以及分别包含船、螺旋桨和船舵的局部区域；S3，将S2中所建区域分别与其对应的船、螺旋桨和船舵进行布尔减运算，建立船域、螺旋桨域和船舵域；S4，设置边界条件；S5，建立背景域与船域、船域与螺旋桨域和船舵域之间的多层次嵌套重叠关系；S6，生成重叠网格；S7，设置计算模型和刚体运动条件；S8，计算求解。本发明针对带舵桨船舶的运动提出了一种简单有效的数值计算方法，通过重叠网格处理螺旋桨和船舵的大幅度运动问题，实现稳定、精确的数值计算。本方法高效准确，具有较强的实际应用性。
-
Patent Agency Ranking
公开(公告)号：CN111145116A
公开(公告)日：2020-05-12
申请号：CN201911336661.0
申请日：2019-12-23
Applicant: 哈尔滨工程大学
Abstract: 本发明属于神经网络深度学习技术领域，具体涉及一种基于生成对抗网络的海面雨天图像样本增广方法。本发明基于生成对抗网络，采用传统的L1损失和GAN损失相结合的方法来训练网络，在训练生成器的过程中除了传统的GAN损失外还加上了生成的假的雨天图片与真实雨天图片之间的L1损失；生成器采用残差网络，判别器采用Patch-D，通过对图像分成N*N个小块分别进行判别来计算损失，提高图像的清晰度以及细节保持能力，生成样本时仍采用深度学习框架中的训练模式，即不对批归一化层的参数进行固定，继续启用dropout层。本发明中通过利用成对的图片来训练生成器，从而由多数类样本生成其对应的少数类样本，达到增广样本的目的。
-
公开(公告)号：CN110989628A
公开(公告)日：2020-04-10
申请号：CN201911373629.X
申请日：2019-12-27
Applicant: 哈尔滨工程大学
IPC: G05D1/02
Abstract: 本发明属于船舶水动力和船舶控制领域，具体涉及一种基于CFD的欠驱动水面船舶航向控制方法。本发明包括CFD数值分析、水动力计算、数学建模以及镇定控制设计四部分本发明通过水动力方程分析和水动力导数计算建立欠驱动船舶三自由度数学模型，从而获取推进力矩阵控制律和转向力矩阵控制律，采用镇定控制方法对欠驱动船舶的航向角进行控制。本发明针对模型未知的欠驱动船舶的航向控制问题提出了一种简单有效的解决方法，能够对欠驱动船舶操纵过程中的状态变化进行观测，实现快速、稳定的航向控制。
-
公开(公告)号：CN111145116B
公开(公告)日：2022-05-20
申请号：CN201911336661.0
申请日：2019-12-23
Applicant: 哈尔滨工程大学
Abstract: 本发明属于神经网络深度学习技术领域，具体涉及一种基于生成对抗网络的海面雨天图像样本增广方法。本发明基于生成对抗网络，采用传统的L1损失和GAN损失相结合的方法来训练网络，在训练生成器的过程中除了传统的GAN损失外还加上了生成的假的雨天图片与真实雨天图片之间的L1损失；生成器采用残差网络，判别器采用Patch‑D，通过对图像分成N*N个小块分别进行判别来计算损失，提高图像的清晰度以及细节保持能力，生成样本时仍采用深度学习框架中的训练模式，即不对批归一化层的参数进行固定，继续启用dropout层。本发明中通过利用成对的图片来训练生成器，从而由多数类样本生成其对应的少数类样本，达到增广样本的目的。
-
公开(公告)号：CN112051742A
公开(公告)日：2020-12-08
申请号：CN202010979717.0
申请日：2020-09-17
Applicant: 哈尔滨工程大学
IPC: G05B13/04
Abstract: 本发明提供一种基于MPC的全驱动船舶航迹跟踪方法，所述方法包括建立船舶数学模型、针对船舶运动模型的线性化和离散化、未来时域预测以及MPC在线求解，在控制器的设计中考虑了系统约束、环境干扰等因素，从而实现了全驱动船舶的航迹跟踪控制。最后，在仿真中对船舶沿圆轨迹的跟踪性能进行测试，并进行误差分析。结果表明，根据全驱动实船模型所设计的控制器能够在一定程度的环境干扰下较好地满足航迹跟踪功能。
-
公开(公告)号：CN111596670A
公开(公告)日：2020-08-28
申请号：CN202010577617.5
申请日：2020-06-23
Applicant: 哈尔滨工程大学
IPC: G05D1/02
Abstract: 本发明一种基于镇定控制的欠驱动水面艇自动靠泊方法，包括如下步骤：S1，构建水面艇三自由度运动数学模型；S2，将所建立的数学模型展开并进行微分同胚变换；S3，采用状态反馈线性化对数学模型进行反馈变换；S4，根据变换后的系统进行控制器的设计。本发明将欠驱动船舶的动态系统转换成一种拓展的链式结构，最终实现了欠驱动水面艇的全局渐进点镇定控制，从而实现其自动靠泊的功能；本发明能对欠驱动水面艇实现较为精确、稳定的控制，能够满足欠驱动水面艇控制系统的全局渐进稳定性，并使水面艇的位置、速度和艏向角等物理量指数收敛。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
