-
公开(公告)号：CN119027665A
公开(公告)日：2024-11-26
申请号：CN202411137583.2
申请日：2024-08-19
Applicant: 东北林业大学
IPC: G06V10/26 , G06V10/44 , G06V10/80 , G06V10/82 , G06T3/4007 , G06N3/0464 , G06N3/047
Abstract: 一种基于改进YOLOv8模型的林下立木实例分割方法，它属于图像识别与深度学习领域。本发明解决了现有立木实例分割方法的成本高且不适用于大规模分割任务的问题。本发明方法具体为：步骤一、创建林下立木实例分割的训练数据集；步骤二、对原始YOLOv8模型进行改进，即将原始YOLOv8模型的C2f模块替换为ParC模块，将原始YOLOv8模型中的SPPF模块替换为SPPF‑LSKA模块，在原始YOLOv8模型的骨干网络的末尾添加DAT模块，获得改进的YOLOv8模型；步骤三、利用训练数据集对改进的YOLOv8模型进行训练；步骤四、利用训练好的改进YOLOv8模型对待分割图像进行林下立木实例分割。本发明方法可以应用于林下立木实例分割。
-
公开(公告)号：CN116908565B
公开(公告)日：2024-11-05
申请号：CN202310859594.0
申请日：2023-07-13
Applicant: 东北林业大学
Abstract: 基于卡尔曼滤波的检验质量块电荷估计方法，解决了如何提高检验质量块电荷估计精度的问题，属于高精度惯性传感器领域。本发明包括：以检验质量块运动和电荷变化参数作为状态量，建立检验质量块的运动和电荷变化之间的关系方程；将关系方程进行线性化及离散化，得到离散状态方程；根据k‑1时刻的量测及离散状态方程，利用卡尔曼滤波器进行预测，得到k时刻的检验质量块电荷估计值。本发明可以实行高精度的检验质量块的无接触式电荷检测，且易于实现，可以进行实时递归计算，从而实现电荷的实时检测。
-
公开(公告)号：CN118379334B
公开(公告)日：2024-09-10
申请号：CN202410512743.0
申请日：2024-04-26
Applicant: 东北林业大学
Abstract: 一种基于局部特征和欧式空间距离的深度神经网络点云配准系统及其构建方法，属于图像处理技术领域。为求解刚体运动参数估计，本发明包括点云特征学习模块、特征空间聚集模块、特征空间相似性度量模块和刚体运动参数估计模块，点云特征学习模块包括SPNet主干网络和LoF局部特征提取网络。本发明利用局部邻域特征模块来充分学习点及其邻域之间的几何关系以此获取点云的局部几何特征。利用深度学习和迭代优化的方法对抗点云配准的初始扰动问题，将局部邻域信息及其欧几里得空间位置进行联合信息编码，将联合的编码信息整合到点对的匹配过程中，以此寻找置信度更高的对应关系映射，进而求解刚体运动参数估计。本发明刚体运动参数估计较准确。
-
公开(公告)号：CN118379334A
公开(公告)日：2024-07-23
申请号：CN202410512743.0
申请日：2024-04-26
Applicant: 东北林业大学
Abstract: 一种基于局部特征和欧式空间距离的深度神经网络点云配准系统及其构建方法，属于图像处理技术领域。为求解刚体运动参数估计，本发明包括点云特征学习模块、特征空间聚集模块、特征空间相似性度量模块和刚体运动参数估计模块，点云特征学习模块包括SPNet主干网络和LoF局部特征提取网络。本发明利用局部邻域特征模块来充分学习点及其邻域之间的几何关系以此获取点云的局部几何特征。利用深度学习和迭代优化的方法对抗点云配准的初始扰动问题，将局部邻域信息及其欧几里得空间位置进行联合信息编码，将联合的编码信息整合到点对的匹配过程中，以此寻找置信度更高的对应关系映射，进而求解刚体运动参数估计。本发明刚体运动参数估计较准确。
-
公开(公告)号：CN118244018B
公开(公告)日：2024-12-13
申请号：CN202410400901.3
申请日：2024-04-03
Applicant: 东北林业大学
Abstract: 基于自适应扩展卡尔曼滤波的检验质量块状态估计方法，涉及高精度空间惯性传感器领域。本发明是为了解决现有基于模型的卡尔曼滤波的检验质量块状态估计方法在处理模型的非线性特性方面效果不佳，且对模型和噪声先验信息有较强的依赖性，限制了其在不同环境条件下的适应能力的问题。本发明所述的基于自适应扩展卡尔曼滤波的检验质量块状态估计方法，能够实行高精度的检验质量块的无接触式状态估计，尤其在应对电荷突变方面，能够提高扩展卡尔曼滤波估计方法的无偏性和稳定性。
-
Patent Agency Ranking
公开(公告)号：CN118938834A
公开(公告)日：2024-11-12
申请号：CN202411113624.4
申请日：2024-08-14
Applicant: 东北林业大学
IPC: G05B19/418
Abstract: 基于改进果蝇优化动态滑模的检验质量电荷控制方法，涉及检验质量电荷控制领域。本发明是为了解决电荷管理系统进行电荷控制时，不同应用场景下对控制器的要求不同，导致固定的控制器参数无法长时间保持最优状态的问题。本发明将用于构建动态滑模控制律的参数作为果蝇位置，利用改进的果蝇优化算法计算果蝇最优个体，将所述果蝇最优个体的位置作为t时刻最优参数；将t时刻跟踪误差代入t时刻动态滑模控制律中计算电荷控制系统的控制信号，利用电荷控制系统的控制信号对检验质量电荷控制系统进行电荷控制。
-
公开(公告)号：CN113051314A
公开(公告)日：2021-06-29
申请号：CN202110320130.3
申请日：2021-03-25
Applicant: 东北林业大学
IPC: G06F16/2458 , G06N3/04 , G06N3/08 , G06Q50/26
Abstract: 本发明属于松材线虫传播因子技术领域，具体涉及基于数据采集分析的松材线虫传播因子确定装置及其方法，通过设置松材线虫病的传播是多重因素互相作用的结果，采用数据收集分析，阐明可能引起松材线虫发生的传播因子，以期引起林业管理部门的重视，为研究有效的检疫防控方法提供理论参考，为制定科学的防治对策提供新思路。综合以上优点，松材线虫传播因子确定方法可以推断病虫害传播的动态规律，是做好防治工作的前提，根据各传播因子影响比重建立模型，基于模型对松材线虫传播的潜在规律进行探索，能够帮助人们在未来提前预知病虫害传播途径，从而在松材线虫的预防和治理工作中，做到快速和提前发现灾害，节省人力和成本，减少经济损失。
-
公开(公告)号：CN112710975A
公开(公告)日：2021-04-27
申请号：CN202110098931.X
申请日：2021-01-25
Applicant: 东北林业大学
IPC: G01R33/563 , A61B5/055
Abstract: 本发明基于稀疏和局部低秩矩阵分解的磁共振扩散图像重建方法属于数字图像处理技术领域，具体涉及一种磁共振扩散加权成像技术；该磁共振扩散图像重建方法首先获得k空间欠采样数据，并计算初始重建图像，然后构建基于稀疏和局部低秩矩阵分解的磁共振扩散图像压缩感知重建模型，再采用奇异值软阈值法求解磁共振扩散图像背景成分，并采用软阈值算法求解稀疏成分，接着采用数据一致性更新重建图像，最后根据是否满足收敛条件来判断继续迭代或得到重建图像的最终结果；本发明基于稀疏和局部低秩矩阵分解的磁共振扩散图像重建方法，能够保留图像的细节信息，实现多个不同扩散方向的DW图像的高质量重建，加快心脏磁共振扩散成像速度。
-
公开(公告)号：CN216131709U
公开(公告)日：2022-03-25
申请号：CN202122712620.6
申请日：2021-11-08
Applicant: 东北林业大学
Abstract: 本实用新型提供一种用于植物病害识别的叶片采集和保存装置，属于叶片采集和保存装置技术领域。为解决研究人员在土壤上行走摔倒易损坏叶片，携带不便，不能保证叶片处于最鲜活状态，影响研究结果的问题。包括依次设置的移动底盘、升降机构和叶片保存机构，移动底盘包括通过支撑柱连接的底板和顶板，顶板和底板之间设置有至少两个转轴，转轴两端连接滚轮；升降机构包括伸缩杆和承物台，叶片保存机构设置有隔板，隔板下方设置有叶片单元保存抽屉，隔板上方设置有粘贴板和图像采集装置。移动底盘可防止研究人员行走不稳摔倒，便于推动；图像采集装置保证采集到的图像信息处于叶片正常生长时的状态，叶片单元保存抽屉便于叶片的统一储存。
-
公开(公告)号：CN215335447U
公开(公告)日：2021-12-28
申请号：CN202121805871.2
申请日：2021-08-04
Applicant: 东北林业大学
Abstract: 本实用新型提供一种可调式低矮植物图像采集装置，属于低矮植物图像采集装置技术领域。为了解决现有图像采集装置需要手动测量，测量时需不断弯腰，测量效率较低的问题。包括车体、行走机构和测量机构，车体下端设置行走机构，测量机构包括伸缩杆、伸缩杆电机和图像采集连杆，伸缩杆电机与伸缩杆连接，伸缩杆一端与车体连接，另一端与图像采集连杆连接，图像采集连杆设置有支架，图像采集连杆和支架均设置有摄像头，车体一侧设置有植物固定机构。设置行走机构免测量人员反复弯腰，可根据不同品种植物调节高度，可通过不同角度对低矮植物的图像进行采集，通过对植物进行固定，避免采集效果不佳，提高测量效率。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.04 seconds)
