-
公开(公告)号：CN113673672A
公开(公告)日：2021-11-19
申请号：CN202110774457.8
申请日：2021-07-08
Applicant: 哈尔滨工业大学
Abstract: 本发明公开一种基于蒙特卡洛强化学习的冰壶比赛策略生成方法。步骤1：基于冰壶比赛状态及冰壶发球动作设计策略价值网络模型及价值网络模型的输入及输出；步骤2：基于步骤1策略价值网络的输出与改进的蒙特卡洛树搜索算法结合；步骤3：利用步骤2改进的蒙特卡洛树搜索算法通过自我对弈生成策略及奖励数据更新策略价值网络；步骤4：利用步骤3更新的策略价值网络，指导蒙特卡洛树搜索；步骤5：重复步骤3‑步骤4得到训练好的策略价值网络。本发明用以解决难以获得有效数据集的策略决策的问题。
-
公开(公告)号：CN110538439B
公开(公告)日：2021-01-05
申请号：CN201910796101.7
申请日：2019-08-27
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种冰壶机器人的投掷方法，属于人工智能与控制技术领域。本方法包括：确定大本营内外双方冰壶的数量和位置：获取冰壶比赛场地图像，进行图像校正，并进行冰壶识别、分割与定位，确定大本营内外双方冰壶的数量和位置；设计冰壶比赛己方得分函数St：设冰壶半径为rc，将双方冰壶中心到大本营中心点的距离与大本营半径r做比较，确定大本营内已方冰壶数量为K，对方冰壶数量为H，以及得分St；确定投掷方法：根据当前时刻得分情况St、不同位置双方冰壶的数量，设计冰壶投掷过程中的评价函数，再根据评价函数确定投掷方法。本发明大大降低了冰壶机器人的投掷策略算法的复杂性，为冰壶机器人进一步开展决策与控制提供了依据。
-
公开(公告)号：CN119499624A
公开(公告)日：2025-02-25
申请号：CN202411671570.3
申请日：2024-11-21
Applicant: 哈尔滨工业大学
IPC: A63B24/00 , G06V10/766 , G06V10/82 , G06T7/73 , G06N3/0455 , G06N3/08 , G06N5/01 , A63B69/00
Abstract: 本发明提出一种冰壶机器人的运动控制方法。所述方法通过深度学习技术精确获取冰壶球的位置信息，并结合自适应优化算法，基于实时场景动态生成投掷策略，提升冰壶机器人的控制精度和策略决策能力。所述方法通过优化过程求得的目标位置具有更高的最优性概率，能够显著提升冰壶机器人训练和比赛能力，为冰壶机器人的精准投掷奠定基础，并为冰壶运动员提供更为有效的投掷策略学习，帮助其在比赛中投出更高得分率的冰壶球，促进冰壶运动发展。
-
公开(公告)号：CN117032691A
公开(公告)日：2023-11-10
申请号：CN202310843186.6
申请日：2023-07-11
Applicant: 哈尔滨工业大学
IPC: G06F8/38 , G16H30/20 , G16H30/40 , G06N3/0475 , G06N3/045 , G06V10/764 , G06V10/82 , G06T7/00 , A61B8/08 , A61B8/00
Abstract: 一种基于改进GAN网络的卵巢疾病超声图像的生成算法，它涉及一种卵巢疾病超声图像的生成算法。本发明为了解决基于超声图像的卵巢疾病智能诊断研究中数据量小、疾病样本不均衡的问题。本发明的步骤包括：步骤一、对卵巢疾病超声图像进行预处理；步骤二、构建基于TGAN的三架构网络，实现卵巢疾病超声图像的合成；步骤三、基于定性和定量评估卵巢疾病合成图像；步骤四、实现端到端的卵巢疾病智能合成GUI界面。本发明属于图像处理技术与医学辅助诊断技术领域。
-
公开(公告)号：CN116740100A
公开(公告)日：2023-09-12
申请号：CN202310405975.1
申请日：2023-04-17
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于离散小波变换和边缘特征的半监督甲状腺超声图像分割方法。该方法包括五个步骤：1)图像预处理；2)基于卷积和小波变换的特征提取；3)基于Mean‑Teacher构建半监督深度学习模型；4)基于凸度的边缘特征评估；5)基于主动轮廓的边缘特征评估。本发明利用小波变换抑制超声图像斑点噪声，解决甲状腺超声图像斑点噪声的问题，利用凸度损失函数和主动轮廓损失函数对半监督语义分割边缘特征进行评估，能够高精度地从超声图像中对甲状腺器官进行分割。
-
Patent Agency Ranking
公开(公告)号：CN109063712B
公开(公告)日：2021-10-15
申请号：CN201810658611.3
申请日：2018-06-22
Applicant: 哈尔滨工业大学
Abstract: 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及系统，具体涉及利用深度学习算法提取图像特征与图像纹理特征相结合并应用XGBoost算法在超声图像上实现肝脏弥漫性疾病智能诊断的方法，它是人工智能方法在基于超声图像的诊断中的应用，可以为医生的疾病诊断提供辅助建议。本发明的步骤为：一、对肝脏超声图像进行预处理；二、基于卷积神经网络实现肝脏弥漫性疾病的初步分类；三、将卷积神经网络特征和图像纹理特征相结合形成多模型特征，应用XGBoost算法实现肝脏弥漫性疾病的最终分类。本发明结合深度学习算法和传统的特征提取算法，兼顾图像的形状特征与纹理特征，并应用XGBoost算法提高了分类算法的准确度，适用于基于超声图像的肝脏弥漫性疾病辅助诊断。
-
公开(公告)号：CN110477956A
公开(公告)日：2019-11-22
申请号：CN201910925312.6
申请日：2019-09-27
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于超声图像引导的机器人诊断系统的智能扫查方法，所述方法通过夹持装置将超声探头安装到六自由度机器臂末端，通过双目摄像头确定人体与六自由度机械臂末端超声探头的相对位姿，然后，六自由度机械臂带动超声探头到达人体的初始相对零位置，随后，超声诊断仪接收超声探头输入的扫描信号成像，并发送至智能识别装置，最后，智能识别装置进行超声图像的分类与分割来确定器官及其位置，根据器官成像面积的大小控制六自由度机器臂的运动，实现对人体各个器官的智能扫查。
-
公开(公告)号：CN109063712A
公开(公告)日：2018-12-21
申请号：CN201810658611.3
申请日：2018-06-22
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/4676 , G06K9/6256 , G06K9/6267 , G06N3/0454 , G06N3/08 , G06T7/41 , G06T2207/10132
Abstract: 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及系统，具体涉及利用深度学习算法提取图像特征与图像纹理特征相结合并应用XGBoost算法在超声图像上实现肝脏弥漫性疾病智能诊断的方法，它是人工智能方法在基于超声图像的诊断中的应用，可以为医生的疾病诊断提供辅助建议。本发明的步骤为：一、对肝脏超声图像进行预处理；二、基于卷积神经网络实现肝脏弥漫性疾病的初步分类；三、将卷积神经网络特征和图像纹理特征相结合形成多模型特征，应用XGBoost算法实现肝脏弥漫性疾病的最终分类。本发明结合深度学习算法和传统的特征提取算法，兼顾图像的形状特征与纹理特征，并应用XGBoost算法提高了分类算法的准确度，适用于基于超声图像的肝脏弥漫性疾病辅助诊断。
-
公开(公告)号：CN108241865A
公开(公告)日：2018-07-03
申请号：CN201611214165.4
申请日：2016-12-26
Applicant: 哈尔滨工业大学
Abstract: 一种基于超声图像的多尺度多子图肝纤维化多级量化分期方法，它涉及基于多尺度灰度共生矩阵和小波多子图共生矩阵的多级分期方法，它解决了当前基于超声图像的肝纤维化分期方法分期粗糙且准确度低的问题。本发明的步骤为：一、ROI的自动选择和预处理；二、构造多尺度灰度共生矩阵并提取纹理特征；三、构造小波多子图共生矩阵并提取纹理特征；四、利用基于SVM的不完全穷举封装式特征选择方法选择特征；五、基于SVM进行多级分类。本发明利用多尺度灰度共生矩阵全面提取图像纹理信息，并结合小波多子图共生矩阵在滤波的同时兼顾图像纹理细节信息，使用不完全穷举特征选择方法和多级分类器提高肝纤维化的分类精度，适用于基于超声图像的肝纤维化辅助诊断。
-
公开(公告)号：CN104504654B
公开(公告)日：2017-02-01
申请号：CN201410675313.7
申请日：2014-11-21
Applicant: 哈尔滨工业大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于方向性梯度的高分辨率图像重构方法，包括如下步骤：步骤一：获得输入低分辨率图像 的主纹理方向θ；步骤二：利用双三次插值方法将低分辨率图像I插值成一幅高维度的插值图像IL；步骤三：变量初始化以及参数的选取；步骤四：获得模糊算子矩阵Fh和共轭模糊算子矩阵FHh；步骤五：更新xij的值；步骤六：更新IH的值；步骤七：更新 的值；步骤八：判别是否收敛。本发明通过引入方向性梯度正则项，更好的表示和挖掘隐含在图像中的方向纹理信息，从而为病态的高分辨率重构问题引入更有价值的先验信息，得到效果更佳的高分辨率图像。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.025 seconds)
