-
公开(公告)号：CN114707415A
公开(公告)日：2022-07-05
申请号：CN202210378973.3
申请日：2022-04-12
Applicant: 北京理工大学 , 北京航宇天穹科技有限公司
IPC: G06F30/27 , G06F17/15 , G06F17/16 , F41A31/00 , F42B35/00 , G06F111/04 , G06F119/02
Abstract: 本发明涉及一种基于相关模型的ESA测试系统设计方法，其特征在于，包括如下步骤：(1)分析建立典型ESA架构，划分系统模块；(2)运用多信号流模型进行ESA相关性分析；(3)将各阶段安全系统失效率的约束加载到贪婪算法数学模型中；(4)基于上述模型，得到适用于ESA的测试方案和测试系统设计方法。通过采用多信号流模型结合改进的贪婪算法对ESA进行测试系统设计，将系统的安全系统失效率和高危害故障模式的数学描述引入到测试系统设计中，提出了一种新的适用于ESA的测试系统设计方法，并且与现有方法或通用方法相比，具备更强针对性，特别针对测试性要求和安全性要求高的系统。
-
公开(公告)号：CN103512558B
公开(公告)日：2016-08-17
申请号：CN201310464816.5
申请日：2013-10-08
Applicant: 北京理工大学 , 北京宇航系统工程研究所
IPC: G01C11/36
Abstract: 本发明涉及一种锥形目标的双目视频位姿测量方法，以及锥形目标的靶标图案。使得锥形目标位于两摄像机的公共视场中，从两摄像机的图像中确定靶标图案的公共子扇区，并提取特征点的图像坐标，再利用三角测量原理求出特征点在摄像机坐标系下的三维坐标，解算出锥形目标的位姿。锥形目标的表面设置靶标图案以圆锥形顶点为中心，将圆锥表面等分成灰黑色间隔的六个子扇区，圆锥顶端区域设置为白色。子扇区内设置编码区域，编码区域的颜色与其所在子扇区的颜色有较大对比度。使靶标图案在两摄像机的公共视场中有3个以上公共特征点。本发明的靶标图案的主特征点分布位置达到最优，使靶标成像对锥形目标位姿变化的响应最强。
-
公开(公告)号：CN119559463A
公开(公告)日：2025-03-04
申请号：CN202411661215.8
申请日：2024-11-20
Applicant: 北京理工大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06V10/44 , G06N3/0464 , G06N3/044 , G06N3/045 , G06N3/096 , G06N3/09
Abstract: 本申请提出一种模型训练方法、目标检测方法、设备及存储介质，包括：将样本图像输入目标检测模型，输出包括目标对象的目标边框图；将目标边框图输入识别模型，获取目标边框图的预测分类结果以及预测掩膜；基于预测分类结果和预测掩膜，确定识别模型的损失函数值；基于损失函数值调整识别模型的模型参数，继续训练直至满足预设的训练完成条件，得到训练好的识别模型。本申请实施例通过基于预测分类结果和预测掩膜确定识别模型的损失函数值，以便在模型训练的过程中同时注意分类和掩膜提取的目标间辨别性强的轮廓特征，从而提高了识别模型的识别精准度。
-
公开(公告)号：CN118154694A
公开(公告)日：2024-06-07
申请号：CN202410133463.9
申请日：2024-01-31
Applicant: 北京航宇天穹科技有限公司 , 北京理工大学
Abstract: 本申请涉及视觉测量技术领域，尤其涉及大尺寸装备对接的视觉测量方法、装置、设备及介质。所述方法包括：从目标大尺寸装备中确定两个待对接目标；对预先标定好内部参数的多个摄像设备标定外部参数；使用外部参数标定好的多个摄像设备拍摄所述两个待对接目标的对接面，得到多个局部图像，其中，所述多个局部图像对应于所述对接面的多个不同区域；基于所述多个局部图像中对接孔的成像特征，测量所述两个待对接目标的位姿参数。本申请实现了不需要靶标的情况下对两个大尺寸装备中待对接目标的对接，且利用对接面图像中对接孔的成像特征获得待对接目标的位姿参数，使测量的误差小，精准度高。
-
公开(公告)号：CN117237420A
公开(公告)日：2023-12-15
申请号：CN202311211240.1
申请日：2023-09-19
Applicant: 北京理工大学 , 北京航宇天穹科技有限公司
Abstract: 本申请公开了一种图像配准方法、图像配准装置、电子设备及存储介质。本申请实施例提供的图像配准方法，分别对建筑物毁伤前图像与建筑物毁伤后图像进行局部图割、主动轮廓分割和形态学处理，获得毁伤前二值化图像和毁伤后二值化图像，分别对毁伤前二值化图像和毁伤后二值化图像中的建筑物区域进行分组，得到毁伤前区域组和毁伤后区域组，分别构建毁伤前区域组特征描述符和毁伤后区域组特征描述符，计算毁伤前区域组特征描述符和毁伤后区域组特征描述符的相似度，根据所述相似度进行区域匹配，毁伤前图像与毁伤后图像的配准结果准确度较高，能够较好地满足实际应用准确度需求。
-
Patent Agency Ranking
公开(公告)号：CN116684640A
公开(公告)日：2023-09-01
申请号：CN202310699701.8
申请日：2023-06-13
Applicant: 北京理工大学
IPC: H04N19/60 , H04N19/124
Abstract: 本申请公开了一种无熵编码的图像压缩方法、装置、电子设备及存储介质。该无熵编码的图像压缩方法包括：采用卷积变换处理原始图像获得压缩量；将所述压缩量通过量化映射到服从均匀分布的二进制码流，得到图像压缩数据。本申请实施例提供的无熵编码的图像压缩方法，实现了无熵编码的图像压缩，缩短了图像压缩耗时，提高了图像压缩效率，改善了相关技术中存在的熵编码导致图像压缩耗时较长，导致相关技术的图像压缩方法在效率上难以满足实际应用的需要的状况。
-
公开(公告)号：CN114663488A
公开(公告)日：2022-06-24
申请号：CN202210276958.8
申请日：2022-03-16
Applicant: 北京理工大学 , 北京航宇天穹科技有限公司
Abstract: 本发明涉及一种基于深度学习的火箭助推器分离运动参数测量方法。该方法包括：对接收的图像或视频数据进行归一化、标准化的预处理；将预处理后的数据输入至特征提取网络，对图片进行下采样，得到特征图；利用卷积层和激活函数组成的解码网络分别对中心点、尺度、深度以及姿态进行回归，得到输出；计算火箭助推器中心的三维位置；若接收数据为视频或同一视频的顺序图像序列，则对预测得到的三维位置和姿态分别进行平滑处理；计算得到火箭助推器分离时的速度和角速度。本发明将所得数据输入至网络模型中，实现端到端的单步位姿测量算法，无需非极大值抑制等后处理，提高算法的运行速度，随后通过计算得出火箭助推器分离的运动参数。与现有方法相比，位姿测量时无需特定的几何特征，所需已知条件较少，具有处理速度快，精度高，在复杂环境下鲁棒性强的优点。
-
公开(公告)号：CN101807215B
公开(公告)日：2011-11-30
申请号：CN200810187804.1
申请日：2008-12-23
Applicant: 北京理工大学
Abstract: 本发明属于图像处理领域，提供了一种采用现场可编程门阵列(FPGA)实现高光谱图像混合像元实时分解的芯片，该芯片采用超高速集成电路硬件描述语言(VHDL)完成，它是由(1)数据读入模块、(2)矩阵自相关计算模块、(3)矩阵奇异值分解模块、(4)矩阵伪逆计算模块、(5)像元投影分解端元模块五个部分组成。本发明采用SYSTEM ON CHIP的设计思想，FPGA内部产生各种控制信号，使整个芯片响应速度快；它可以完成高光谱图像数据的实时处理，可用于半导体加工，开发周期短，设计费用低，研发风险小。
-
公开(公告)号：CN114693512B
公开(公告)日：2025-04-18
申请号：CN202210257960.0
申请日：2022-03-16
Applicant: 北京理工大学 , 北京航宇天穹科技有限公司
Abstract: 本发明涉及一种基于近场图像的远场遥感图像转化方法。该方法包括：对近场高分辨率图像进行像素级分割，得到目标区域地物材质类别信息和几何结构信息；建立地物反射模型并以地物材质类别信息和几何结构信息为输入得到地面端元反射率信息；建立地物反射及大气散射的耦合非线性混合模型，以地面端元反射率信息和太阳辐射作为输入并结合遥感平台辐射定标系数得到远场遥感图像；同时，基于近场相机辐射定标系数及地面实测数据反演地面端元反射率，并经上述耦合非线性混合模型及远场平台辐射定标系数得到远场遥感图像，与上述远场图像进行校准，完成远场遥感图像的转化。本发明以近场图像和太阳辐射作为输入得到远场遥感图像，与现有遥感图像仿真生成方法相比，本发明可实现无需地面目标区域的高精度三维数字模型，并同时能够提高图像转化生成的质量和速度。
-
公开(公告)号：CN119559464A
公开(公告)日：2025-03-04
申请号：CN202411661454.3
申请日：2024-11-20
Applicant: 北京理工大学
IPC: G06V10/774 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本申请提出一种模型训练方法、目标检测方法、设备及存储介质，包括：将第一样本图像输入第一网络模型以及将第二样本图像输入第二网络模型，其中第二样本图像为第一样本图像添加退化参数生成的；将第一网络模型输出的第一特征图像和第二网络模型输出的第二特征图像输入至退化参数预测模块；获取退化参数预测模块输出的退化参数预测结果；基于退化参数和退化参数预测结果计算第一损失函数值；基于第一损失函数值调整第二网络模型的模型参数，继续训练直至满足预设的训练完成条件，得到训练好的第二网络模型。本申请实施例通过计算退化参数损失函数，基于该损失函数优化网络参数，使其能够识别不同退化程度下的辨别性特征，提高检测精度。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.018 seconds)
