-
公开(公告)号：CN117593604A
公开(公告)日：2024-02-23
申请号：CN202311608733.9
申请日：2023-11-28
Applicant: 哈尔滨工业大学重庆研究院 , 哈尔滨工业大学
Abstract: 本发明涉及半导体检测技术领域，公开了一种自适应晶圆正样本筛选方法，包括：阶段1，采用缺陷模拟策略，生成模拟缺陷样本；阶段2，设置训练集和测试集；所述训练集中包括由整片晶圆分割而成的多个Die；所述测试集中包括模拟缺陷样本和正样本；采用预设迭代算法，基于测试集对训练集中的样本进行数据清洗，并筛选得到训练集中的正样本。本发明无需人工干预即可实现对晶圆样本的正样本筛选，能够为后续基于正样本的无监督异常检测模型提供大规模的正样本训练集，有助于降低样本采集成本，提高采集效率和精准度。
-
公开(公告)号：CN114298973A
公开(公告)日：2022-04-08
申请号：CN202111457519.9
申请日：2021-12-01
Applicant: 哈尔滨工业大学 , 哈尔滨工业大学人工智能研究院有限公司
Abstract: 本发明公开了一种基于红外图像分割的智能供热监测方法，属于智能供热监测技术领域，解决现有技术用户接受度低、设备成本高且难以管理和鲁棒性差的问题。本发明的方法包括：采集建筑热力图，选取用于预测室内温度的目标区域；利用标注后的建筑热力图对图像分割模型进行训练，获得基于深度学习的红外图像分割模型，利用基于深度学习的红外图像分割模型获取若干个目标区域热力图；采集目标区域热力图对应的室内温度；选取与室内温度最接近线性变化规律的温度数据为室外温度采集数据；建立室外温度采集数据和室内温度的温度拟合方程；根据室外温度采集数据和温度拟合方程，获取室内温度预测值。本发明适用于智能供热中对室内温度的监测。
-
公开(公告)号：CN118488322B
公开(公告)日：2024-11-01
申请号：CN202410951152.3
申请日：2024-07-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: H04N23/84 , H04N23/86 , H04N25/47 , G06T5/60 , G06T3/4015 , G06T3/4046 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及发明一种图像去马赛克方法及系统。其中方法包括：获取包括应用混合事件图像传感器采集的RGB颜色信息的马赛克图像；根据所述马赛克图像获取Quad Bayer排列位置图和事件位置掩码图；根据将所述马赛克图像、所述Quad Bayer排列位置图和所述事件位置掩码图应用基于深度神经网络的两阶段去马赛克模型进行处理，获取去马赛克后的重建图像。通过以上方式，能够同时考虑颜色信息和位置信息，通过二者的共同编码实现高质量的去马赛克效果，重建出去马赛克的高质量的RGB图像。
-
公开(公告)号：CN118488322A
公开(公告)日：2024-08-13
申请号：CN202410951152.3
申请日：2024-07-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: H04N23/84 , H04N23/86 , H04N25/47 , G06T5/60 , G06T3/4015 , G06T3/4046 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及发明一种图像去马赛克方法及系统。其中方法包括：获取包括应用混合事件图像传感器采集的RGB颜色信息的马赛克图像；根据所述马赛克图像获取Quad Bayer排列位置图和事件位置掩码图；根据将所述马赛克图像、所述Quad Bayer排列位置图和所述事件位置掩码图应用基于深度神经网络的两阶段去马赛克模型进行处理，获取去马赛克后的重建图像。通过以上方式，能够同时考虑颜色信息和位置信息，通过二者的共同编码实现高质量的去马赛克效果，重建出去马赛克的高质量的RGB图像。
-
公开(公告)号：CN115827239A
公开(公告)日：2023-03-21
申请号：CN202211603470.8
申请日：2022-12-13
Applicant: 哈尔滨工业大学 , 哈尔滨工业大学(深圳)
IPC: G06F9/50
Abstract: 本发明提出了一种基于深度强化学习的动态频率和深度学习模型卸载联合调节方法及系统，首先建立边缘设备能耗最小化模型；然后构建基于DVFS的边云协同推理框架，以联合优化边缘设备的能耗和端到端延迟；再构建基于DRL的增强型DVFS优化算法DVFO，通过联合优化边缘设备的计算频率和特征图的卸载比例来减少边缘设备的整体能耗；最后建立卸载机制，以解决特征图的卸载瓶颈问题，避免特征图的大小直接影响边云协同推理的端到端延迟；本发明用于云边协同推理中的DNN特征图卸载，使用“边移动边思考”并发策略的强化学习算法为每个任务计算特征图的最佳卸载比和边缘设备的计算频率，以最小化边缘设备的能耗。
-
Patent Agency Ranking
公开(公告)号：CN116331709B
公开(公告)日：2025-05-16
申请号：CN202310210594.8
申请日：2023-03-07
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种四全向轮驱动的传输系统及其控制方法。所述传输系统采用全向轮构建的平台进行包裹运输，同时，该系统基于分布式多智能体设备进行基本的控制指令下发，并且通过视觉定位模块定位包裹位置。所述传输系统可以将传统的单出入口的传送带替换为本发明所提出的四轮驱动的全向轮传输系统，将不同来源的包裹通过多入口运输至传送平台，再利用多出口运输至不同的目的地，这样能够有效地提高货物的分拣效率，达到货物仓库的最大化利用。
-
公开(公告)号：CN118414945A
公开(公告)日：2024-08-02
申请号：CN202310077239.8
申请日：2023-02-01
Applicant: 哈尔滨工业大学人工智能研究院有限公司
Abstract: 本发明公布了一种智能网联旱作水稻小麦播种施肥一体机，包括机架，所述机架的右端通过螺栓连接有压土辊调节支腿，所述压土辊调节支腿的下端安装有轴承，所述轴承中转动连接有压土辊，所述机架的左端连接有覆土板，所述机架的底壁右侧通过螺栓连接有开沟器连接梁，所述开沟器连接梁的下端安装有开沟器，所述机架的底部左侧固定有连接法兰，所述连接法兰的下端通过四连杆机构连接有镇压轮与覆土焊筒；本发明结构设计合理，播种深度一致性好，避免了漏播情况的产生，能够让农户更加科学的种植。
-
公开(公告)号：CN118246601A
公开(公告)日：2024-06-25
申请号：CN202410412380.3
申请日：2024-04-08
Applicant: 哈尔滨工业大学
IPC: G06Q10/04 , G06Q50/02 , G06F18/15 , G06F18/213 , G06N3/0455 , G06N3/0442 , G06N3/08 , G06F123/02
Abstract: 本发明涉及数据处理技术领域，提供一种作物生长相关趋势预测方法、装置、电子设备及存储介质，包括：对预先获取的作物生长趋势时序进行修补处理，为时序中每个变量配置对应的通道和相同的权重，根据权重对处理后的时序进行转化得到深层特征；利用编码器和解码器对深层特征进行编码及解码，得到第二特征，并进行后处理，得到目标预测结果。通过对作物生长趋势时序进行修补处理及通道分配得到深层特征，利用编码器、解码器依次对转化后的深化特征进行编码及解码及后处理得到目标预测结果，提高时序预测准确性和预测效率，同时使得处理后的深层特征适配不同的编码器和解码器，有效提高了时序预测的通用性。
-
公开(公告)号：CN112580481B
公开(公告)日：2024-05-28
申请号：CN202011466467.7
申请日：2020-12-14
Applicant: 康佳集团股份有限公司 , 哈尔滨工业大学(深圳) , 深圳哈工大科技创新产业发展有限公司
IPC: G06V20/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , H04N19/42 , H04N19/70
Abstract: 本发明公开了基于边缘节点和云端协同视频处理方法、装置、服务器，方法包括：获取边缘节点进行视频图像压缩编码处理后的视频图像像素数据；对视频图像像素数据进行视频图像解码，得到图像解码数据；将图像解码数据进行基于卷积神经网络模型的视觉特征分析训练，得到视频图像视觉特征分析数据。本实施例中通过将边缘节点和云端服务器协同来处理视频数据，使得算力需求较低的任务在边缘节点运行，而算力需求高的任务在云端服务器运行，结合了云端服务器计算的高性能和边缘节点计算的低延迟和私密性，同时使用流水线机制来提高计算任务的吞吐率，从而提高运算效率。
-
公开(公告)号：CN117197450A
公开(公告)日：2023-12-08
申请号：CN202310895082.X
申请日：2023-07-20
Applicant: 哈尔滨工业大学人工智能研究院有限公司
IPC: G06V10/26 , G06V10/764 , G06V10/25 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明提供一种基于SAM模型的地块分割方法，涉及地块分割技术领域。该基于SAM模型的地块分割方法，具体包括以下步骤，S1.分类器训练，S2.中分辨率遥感图像处理，S3.高分辨率卫星图像处理，S4.分割结果处理，S5.结果输出。通过采用中分辨率遥感影像的时空特征生成提示点，指导SAM模型进行分割的方法，避免了传统的地块分割方法在进行使用时监督学习对训练数据有较强的依赖性，导致目前的算法更多还是对某一地区某一类型的耕地定制化的，需要使用者根据特定应用场景采集数据、进行模型的设计和训练的问题，使得该方法可以在大范围内进行有效的地块分割工作，并使工作流程具有低成本、零样本的特点，确保该方法具有较低的成本和较好的泛化性能。
-
-
-
-
-
-
-
-
-
Search Results
111
records
(took 0.03 seconds)
