-
公开(公告)号：CN118015062A
公开(公告)日：2024-05-10
申请号：CN202410029486.5
申请日：2024-01-09
Abstract: 一种基于深度相机与实例分割算法的牲畜体尺测量方法，它涉及一种牲畜体尺测量方法，本发明为解决传统牲畜体尺测量方法耗时耗力、测量精度低、且容易令动物产生应激性反应的问题，本发明的步骤如下：1：使用深度相机采集RGB图像与深度图像数据进行预处理并标注；2：基于DeepSnake实例分割算法训练分割模型实现目标物体轮廓的获取；3：结合深度相机采集的深度数据，获取轮廓上各个采样点的空间坐标；4：设计以轮廓点为数据基础的体尺测量算法。本发明采用基于轮廓的实例分割算法自动分割图像中的目标物体，并根据其轮廓的采样点坐标结合深度图像数据计算牲畜体尺，从而为牲畜自动体尺测量提供了理论依据与技术支撑。本发明属于智慧畜牧业技术领域。
-
公开(公告)号：CN114004883B
公开(公告)日：2024-05-03
申请号：CN202111162254.X
申请日：2021-09-30
Applicant: 哈尔滨工业大学
Abstract: 本发明是一种冰壶球的视觉感知方法、装置、计算机设备和存储介质。本发明涉及冰壶球的视觉感知技术领域，本发明基于仿真环境生成的位姿估计训练数据，搭建并训练位姿估计网络，对冰壶球在相机坐标系下的位姿进行预测；搭建冰壶球位姿估计网络结构，对输入的冰壶球彩色图像对应的分割图像进行重建，对三维位置和姿态信息进行回归；通过深度相机获取深度图像，提取冰壶球的点云数据，以位姿估计网络的输出结果作为初值，将测量得到的冰壶球点云数据和冰壶球模型点云进行配准，对相机外参数的标定，对定位结果进行坐标转换，获得冰壶球在世界坐标系下的三维位姿。
-
公开(公告)号：CN114004883A
公开(公告)日：2022-02-01
申请号：CN202111162254.X
申请日：2021-09-30
Applicant: 哈尔滨工业大学
Abstract: 本发明是一种冰壶球的视觉感知方法、装置、计算机设备和存储介质。本发明涉及冰壶球的视觉感知技术领域，本发明基于仿真环境生成的位姿估计训练数据，搭建并训练位姿估计网络，对冰壶球在相机坐标系下的位姿进行预测；搭建冰壶球位姿估计网络结构，对输入的冰壶球彩色图像对应的分割图像进行重建，对三维位置和姿态信息进行回归；通过深度相机获取深度图像，提取冰壶球的点云数据，以位姿估计网络的输出结果作为初值，将测量得到的冰壶球点云数据和冰壶球模型点云进行配准，对相机外参数的标定，对定位结果进行坐标转换，获得冰壶球在世界坐标系下的三维位姿。
-
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：CN105631879A
公开(公告)日：2016-06-01
申请号：CN201511022842.8
申请日：2015-12-30
Applicant: 哈尔滨工业大学
CPC classification number: G06T7/0012 , G06T5/002 , G06T5/10 , G06T11/00 , G06T2207/10081 , G06T2207/10124 , G06T2207/10132 , G06T2207/10136 , G06T2207/30068 , G06T2207/30096 , G06T2211/416
Abstract: 本发明公开了一种基于线型阵列的超声层析成像系统及方法，所述系统由控制模块、由线型超声传感器阵列组成的闭合型超声波信号发射与接收模块、信号采集模块、信号传输模块、信号处理模块、图像重建与显示模块构成，其中：控制模块分别与信号发射与接收模块、信号采集模块和信号传输模块相连，控制超声波发射偏置角、信号采集与传输的时序；信号传输模块分别连接信号采集装置与后端处理装置，实现数据的实时传输。本发明不仅克服了环形阵列加工复杂、数据处理量大、系统控制复杂度高等不足，而且有效降低了制造加工成本，便于超声CT乳腺癌筛查系统在临床应用上的推广。
-
Patent Agency Ranking
公开(公告)号：CN119478393A
公开(公告)日：2025-02-18
申请号：CN202411414532.X
申请日：2024-10-11
Applicant: 哈尔滨工业大学
IPC: G06V10/26 , G06V10/44 , G06V10/54 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/00 , G06T7/11 , G06T7/13 , G06T7/40
Abstract: 一种基于超声图像的甲状腺结节智能分割和自动评级方法，它涉及一种图像智能分割和自动评级方法。本发明为了解决现有甲状腺结节超声图像无法实现智能分割、自动评级的问题。本发明包括利用提出的基于GADRU‑Net网络的甲状腺结节分割方法对超声图片进行分割；对分割的结节图像进行预处理操作；根据C‑TIRADS规定的评级指标对结节提取6个诊断特征；使用支持向量机或卷积网络进行分类，根据指标进行评级。本发明属于超声医学图像处理技术领域。
-
公开(公告)号：CN118537646A
公开(公告)日：2024-08-23
申请号：CN202410670833.2
申请日：2024-05-28
Applicant: 国网黑龙江省电力有限公司伊春供电公司 , 哈尔滨工业大学 , 国家电网有限公司
IPC: G06V10/764 , G06V20/40 , G06V10/82 , G06N3/0464 , G06N3/082 , G06V10/774 , G06N3/08 , G06N5/04 , G06T7/00
Abstract: 基于通道剪枝的Yolov4‑Tiny网络的寒地绝缘子故障视频图像检测方法，属于计算机视觉技术领域。解决了传统的绝缘子故障检测模型训练收敛速率慢、具有结构和参数冗余、以及仅能对绝缘子图像进行故障检测，无法对视频进行检测的问题。本发明先根据寒地绝缘子图像构建数据集，依次进行Yolov4‑Tiny网络基础训练、稀疏训练、通道剪枝及微调训练，得到最终故障检测模型。通过通道剪枝及所构建的多种损失函数下的模型训练，压缩了模型大小，提高了寒地绝缘子故障视频和图像的检测速。本发明主要用于寒地绝缘子故障检测。
-
公开(公告)号：CN108537817B
公开(公告)日：2021-06-22
申请号：CN201710119417.3
申请日：2017-03-02
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于多尺度球状增强滤波器和水平集算法的运动估计方法，它涉及到超声自由呼吸序列的肝肿瘤跟踪问题。其特征在于有效地解决了在自由呼吸下的肝肿瘤运动跟踪方法不稳定，实时性差的问题。本发明的步骤如下：步骤一、对得到的超声图像序列进行预处理；步骤二、使用多尺度球状增强滤波器对目标区域进行边缘粗提取；步骤三、基于目标区域的粗提取边缘，利用基于水平集算法的CV模型提取清晰的边界信息；步骤四、确定目标的几何中心并对搜寻区域进行更新。本发明利用多尺度球状增强滤波器和基于水平集算法的CV模型处理已有超声图像序列，提取出目标区域清晰的边界信息，适用于自由呼吸序列，保证了肝肿瘤运动跟踪过程的稳定性和实时性。
-
公开(公告)号：CN105631899A
公开(公告)日：2016-06-01
申请号：CN201511003335.X
申请日：2015-12-28
Applicant: 哈尔滨工业大学
CPC classification number: G06N3/084 , G06T2207/10132 , G06T2207/20032
Abstract: 本发明公开了一种基于灰度纹理特征的超声图像运动目标跟踪方法，其步骤如下：步骤一、对包括训练集与运动估计序列图像在内的所有图像进行预处理；步骤二、抽取训练集图片模板，划分网格并提取灰度纹理信息作为特征，建立训练数据；步骤三、建立反向传播神经网络结构，利用步骤二得到的训练集训练BP前馈神经网络，建立特征与结果的联系；步骤四、开始跟踪目标，从第一帧起，提取目标区域，对下一帧的搜索区域进行互相关匹配，得到预选坐标并提取灰度纹理特征，输入神经网络，得到目标最佳位置。本发明充分利用已有超声图像的纹理信息训练神经网络，使用已训练的神经网络在线校正模板，改进现有的运动跟踪方法，提高运动目标跟踪的精确度。
-
公开(公告)号：CN119919431A
公开(公告)日：2025-05-02
申请号：CN202411833353.X
申请日：2024-12-13
Applicant: 哈尔滨工业大学
IPC: G06T7/11 , G06T5/70 , G06T5/60 , G06V10/52 , G06V10/776 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/09 , G06N5/04
Abstract: 一种基于多模态超声图像的乳腺肿瘤分割方法，为解决现有乳腺超声图像分割技术易将伪影和低回声区域错误识别为肿瘤、肿瘤边界分割精度低的问题，包括1、获取配对的B型超声图像和应变弹性图像，构造多模态乳腺超声图像数据集；2、搭建基于特征矫正对齐和边界不确定性增强的多模态图像分割模型算法；3、采用五折交叉验证的方式训练基于特征矫正对齐和边界不确定性增强的多模态图像分割模型，保存表现最优模型参数；4、加载最优模型参数，对验证集内图像进行推理预测，计算在验证集上的评价指标，与当前其他先进算法进行对比。本发明能有效提高超声图像中乳腺肿瘤的分割精度，提高网络预测的准确性。本发明属于计算机视觉、深度学习和医学图像分割领域。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.063 seconds)
