-
公开(公告)号：CN119478911B
公开(公告)日：2025-03-18
申请号：CN202510060730.9
申请日：2025-01-15
Applicant: 南开大学
IPC: G06V20/60 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/082
Abstract: 本发明涉及红外图像检测技术领域，提供一种改进型红外小目标检测方法、系统及装置。获取并预处理图像，获得预处理后的图像；基于YOLOv9框架建立网络模型，预处理后的图像输入网络模型后，依次经过主干网络、多尺度特征融合网络处理，并由检测头模块检验合格后输出；主干网络包括SD_BS模块，多尺度特征融合网络包括GSELAN模块。本发明通过引入了SD_BS模块和GSELAN模块，解决了深度卷积造成的浅层信息的丢失的技术问题，达到了缓解深度卷积造成的浅层信息的丢失，同时减小模型复杂度与计算量，增强特征的非线性表达能力，更高效地捕获和利用特征中的信息的技术效果。
-
公开(公告)号：CN118570625B
公开(公告)日：2024-11-15
申请号：CN202411052999.4
申请日：2024-08-02
Applicant: 南开大学
IPC: G06V20/05 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06V10/25 , G06V10/34 , G06V10/77 , G06V10/82
Abstract: 本发明提供一种基于二次降质的水下显著物体目标检测方法，涉及目标检测技术领域，该方法包括：基于媒介透射分支及导向滤波法对原始图像进行卷积，并通过四叉树算法计算所述原始图像的全局背景光，获得水下增强图；对所述水下增强图进行二次降质无监督学习，获得二次增强图；对所述二次增强图及所述二次增强图对应的二次传输图进行多流特征提取，获得检测网络；通过所述检测网络对待检测图像进行水下显著物体目标检测。本发明能够提升了在复杂水下环境中显著性目标检测的适应性，提高了检测精度及鲁棒性。
-
公开(公告)号：CN118611377B
公开(公告)日：2024-10-29
申请号：CN202411069919.6
申请日：2024-08-06
Applicant: 南开大学
Abstract: 本发明涉及能源技术领域，尤其涉及一种基于流致振动的电磁式能量收集装置，包括钝体部，钝体部包括柱体和外翼，外翼设置于柱体的侧壁上，外翼与柱体形成翼状钝体结构；其中，外翼包括第一外翼和第二外翼，第一外翼和第二外翼相连，第一外翼和第二外翼在柱体的高度方向上对称设置；电磁能量转换部设置两个，两个电磁能量转换部对称地设置于柱体的顶端和底端，电磁能量转换部的朝向与外翼的朝向相反。翼状钝体结构可以有效地增大流致振动的振幅，相较于传统的钝体结构，翼状钝体能够提高流体能量到机械振动能量的转化率，进而有利于实现能量收集装置的微小型化。
-
公开(公告)号：CN118607613A
公开(公告)日：2024-09-06
申请号：CN202411075546.3
申请日：2024-08-07
Applicant: 南开大学
Abstract: 本发明提供一种基于最大熵强化学习算法的模型训练方法及规划制导方法，包括：构建动作评论模型，动作评论模型包括行动网络模块和评论网络模块；动作评论模型根据状态向量得到决策过程向量组，状态向量为从预设环境中得到的；根据决策过程向量组，在最大化熵原则下更新行动网络模块和所述评论网络模块，输出最优策略结果。本发明在最大化熵原则下，避免对整体空间进行计算，大大减少了学习的复杂性。
-
公开(公告)号：CN117951615A
公开(公告)日：2024-04-30
申请号：CN202410348327.1
申请日：2024-03-26
Applicant: 南开大学
IPC: G06F18/2431 , G06F18/214 , G06F18/21 , G06F18/241 , G06N3/0464 , G06N3/082
Abstract: 本发明涉及电数字处理技术领域，尤其涉及一种多类别时序信号的分类识别方法，包括如下步骤：对原始多类别时序信号进行采集，并根据所属类别赋予不同的标签；提取时域信息，并对每一个原始多类别时序信号提取出与每一个时域信息对应的频域信息，形成相应的特征矩阵；将特征矩阵导入相应的加载器中；搭建多类别时序信号分类识别网络模型并进行参数设置；对模型进行训练并验证，得到最佳多类别时序信号分类识别网络模型；对最佳多类别时序信号分类识别网络模型进行测试，并计算分类识别的准确率。本发明提供的方法既没有损耗原始数据信息，又能获得比现有技术更好的信号分类效果。
-
Patent Agency Ranking
公开(公告)号：CN117315453B
公开(公告)日：2024-02-20
申请号：CN202311552299.7
申请日：2023-11-21
Applicant: 南开大学
Abstract: 本发明涉及图像通讯技术领域，尤其涉及一种基于水下声纳图像的水下小目标检测方法，包括如下步骤：搭建目标检测深度神经网络并组建可见光目标检测训练集与验证集，并进行第一阶段的训练；模型训练；组建带噪声的可见光数据集和水下声纳数据集并进行第二阶段的训练；噪声滤除训练；组建水下声纳图像目标检测训练集与验证集并进行第三阶段的训练，得到最终的目标检测深度神经网络。本发明提供的方法适用于水下小目标的精准检测，并且训练检测速度比较快。
-
公开(公告)号：CN117274779A
公开(公告)日：2023-12-22
申请号：CN202311552387.7
申请日：2023-11-21
Applicant: 南开大学
IPC: G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明涉及神经网络技术领域，提供一种基于模态自适应门控重编码网络的目标检测方法。该方法包括：通过多个编码器分别提取单模态图像的多级特征，拼接多个编码器的最深阶层输出的特征获得语义特征；建立模态自适应门控单元，以多级特征和语义特征为输入，计算获得平衡权重，以抑制低价值特征；融合抑制低价值特征后的多级特征，获得模态自适应平衡特征；建立多个重编码器进行重新编码；建立融合平行式结构及渐进式结构的混合解码器，对重编码后的模态自适应平衡特征解码，并建立边缘导引结构输出边缘导引流，进行边缘噪声抑制；选取主干网络整合结构进行目标检测，获得检测结果。本发明有效平衡了多模态多层级特征，避免了低价值特征的干扰。
-
公开(公告)号：CN117021857A
公开(公告)日：2023-11-10
申请号：CN202311163661.1
申请日：2023-09-11
Applicant: 南开大学
IPC: B60F3/00
Abstract: 本发明涉及机器人技术领域，提供一种复合仿生两栖机器人。该机器人包括本体、舵机、多个波动鳍及万向轮；所述本体为轴对称结构，多个所述舵机呈轴对称的分别连接于所述本体两侧，所述万向轮设于所述本体的底部；所述波动鳍包括多个鳍骨、鳍面及蛇形机构，所述鳍骨的首端与所述舵机的舵盘连接，所述鳍骨的缘端与所述蛇形机构连接，多个所述鳍骨的骨体等间距的连接于所述鳍面。本发明实现了两栖功能及水下翻转功能，且内部应力小、受侧向力小，整体机器人的推进功耗较低，另外系统结构稳定性强，使用寿命长。
-
公开(公告)号：CN116974207A
公开(公告)日：2023-10-31
申请号：CN202311218229.8
申请日：2023-09-21
Applicant: 南开大学
Abstract: 本发明涉及无人飞行器控制技术领域，提供一种伞翼无人机串级控制方法。该方法包括：对伞翼无人机进行动力学建模获取运动信息；根据运动信息计算伞翼无人机的导引律输出伞翼无人机的期望航向；根据期望航向计算获得以航向为控制量的伞翼无人机的外环控制器，外环控制器输出定义为所述伞翼无人机的期望加速度；将期望加速度转换为滚转角并计算获得以滚转角为控制量的伞翼无人机的内环控制器；根据运动信息设置伞翼无人机的纵向控制器；以外环控制器和内环控制器为伞翼无人机的航向控制器的双通道，对航向控制器与纵向控制器进行数字仿真分析获得优化后的控制参数以控制伞翼无人机。本发明有效提高了伞翼无人机控制系统的航迹控制能力。
-
公开(公告)号：CN119986710A
公开(公告)日：2025-05-13
申请号：CN202510466747.4
申请日：2025-04-15
Applicant: 南开大学
IPC: G01S19/21 , G06F18/25 , G06F18/213 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06F123/02
Abstract: 本发明涉及GNSS欺骗检测技术领域，提供一种基于动态加权的多模态GNSS欺骗检测方法，包括获取一维SQM时间序列和二维相关函数并进行预处理；通过Transformer通道对标准化二维相关函数进行特征提取，获得全局特征；通过CNN通道对标准化二维相关函数进行特征提取，获得局部特征；通过一维SQM时间序列获得Transformer通道动态权重矩阵以及CNN通道动态权重矩阵；将全局特征和局部特征和对应权重相乘并相加，获得融合特征；对融合特征进行全局平均池化，并通过全连接网络映射为欺骗概率；根据欺骗概率和概率阈值检测欺骗。本发明显著提高了在复杂环境中检测的准确率，增强了系统的安全性和可靠性。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.025 seconds)
