-
公开(公告)号：CN114463411A
公开(公告)日：2022-05-10
申请号：CN202210060605.4
申请日：2022-01-19
Applicant: 无锡学院
IPC: G06T7/62 , G06T7/66 , G06T7/11 , G06T7/13 , G06T7/136 , G06T7/187 , G06T7/50 , G01B11/00 , G01B11/02 , G01B11/06 , G01N9/02
Abstract: 本发明公开了基于三维相机的目标体积、质量与密度测量方法，利用三维相机、电子秤与亚克力板搭建质量体积测量系统；将目标置于体积测量展台上，利用电子秤测量得出目标质量M；利用质量体积测量系统对展台上目标进行成像，得到目标的点云图像与灰度图像；对点云图像进行滤波处理并对灰度图像进行图像自适应阈值二值化操作与边缘检测处理，得到目标的深度信息以及像素区域信息，进而推导出目标体积测量公式；根据目标体积测量公式计算得到目标体积；通过计算得出目标平均密度。本发明所提方法可利用灰度图像计算选定圆柱类目标底面半径，利用深度信息计算选定圆柱类目标体积与密度，对选定圆柱类目标的体积、质量与密度可进行较为准确的估计。
-
公开(公告)号：CN119810063A
公开(公告)日：2025-04-11
申请号：CN202411886913.8
申请日：2024-12-20
Applicant: 无锡学院
IPC: G06T7/00 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提供一种基于轻量化多尺度晶圆缺陷检测模型的晶圆缺陷检测方法，首先，获取待检测晶圆图像并进行预处理；接着，构建并训练轻量化多尺度晶圆缺陷检测模型；所述轻量化多尺度晶圆缺陷检测模型包括：用于初次晶圆图像特征提取的轻量化Stem‑Dense特征提取模块、在初次晶圆图像特征提取的基础上进行多尺度特征提取，并与初次晶圆图像特征融合的多尺度特征提取融合模块、用于再次特征提取的CNN特征提取模块和缺陷分类模块；最后，将步骤S1进行预处理后的待检测晶圆图像输入至训练好的轻量化多尺度晶圆缺陷检测模型，进行晶圆缺陷检测。本发明提高了晶圆缺陷检测的效率和对晶圆缺陷类型分类的准确率。
-
公开(公告)号：CN119809976A
公开(公告)日：2025-04-11
申请号：CN202411835494.5
申请日：2024-12-13
Applicant: 无锡学院
IPC: G06T5/73 , G06T5/60 , G06T5/90 , G06N3/0464 , G06N3/045
Abstract: 本发明公开一种雾霾图像增强方法及装置，所述方法包括如下步骤：构建雾霾图像增强网络；其中，所述雾霾图像增强网络中包括去雾子网络及色度增强子网络；根据预设联合损失函数对所述雾霾图像增强网络进行训练，得到雾霾图像重构模型；通过所述雾霾图像重构模型对待增强图像进行去雾增强处理，得到重构图像。本发明能够提高雾霾图像图像增强后的视觉感知效果。
-
公开(公告)号：CN118820964A
公开(公告)日：2024-10-22
申请号：CN202410853069.2
申请日：2024-06-28
Applicant: 无锡学院
IPC: G06F18/243 , G06F18/2135 , G06N3/006 , G06F18/22 , G06F18/214 , G06F18/21
Abstract: 本发明公开了一种基于拉曼激光雷达数据的智能云相态识别方法，包括以下步骤：通过主成分分析法对拉曼激光雷达数据进行特征提取，得到特征向量；将拉曼激光雷达数据的特征向量和毫米波雷达数据进行时空匹配，得到云相态标签；所述云相态标签为云相态数据集构成的标签，将云相态识别为水云、冰云、冰水混合云、过冷水云四种类型；结合河马优化算法对验证集上进行模型调优，得到最优的参数组合；将测试集输入到训练好的极端随机树分类模型，得到云相态的分类结果。本发明优化后的极端随机树分类模型具有更高的预测精度、鲁棒性和较高的分类准确率，进一步提高极端随机树分类模型的稳定性和泛化能力。
-
公开(公告)号：CN118818472A
公开(公告)日：2024-10-22
申请号：CN202410864630.7
申请日：2024-06-28
Applicant: 无锡学院
Abstract: 本发明公开了一种基于LMD‑SVMD的激光雷达回波信号去噪方法，涉及激光雷达数据处理技术领域，利用样本熵计算回波信号和局部均值分解LMD分解后每个模态分量的熵值，有效区分高频信号和低频信号；利用冠豪猪优化算法得到最优平衡参数，有效避免因平衡参数选取不当对逐次变分模态分解SVMD结果造成的不利影响；将局部均值分解LMD、样本熵以及逐次变分模态分解SVMD相结合，对激光雷达回波信号进行去噪处理，在保证信号的完整性的前提下能够有效降低回波信号中的噪声，提高激光雷达探测的精度，与现有技术中的其他去噪方法相比具有明显的优势。
-
Patent Agency Ranking
公开(公告)号：CN116596743A
公开(公告)日：2023-08-15
申请号：CN202310403404.4
申请日：2023-04-14
Applicant: 无锡学院
IPC: G06T3/00 , G06T5/00 , G06N3/0475 , G06N3/045
Abstract: 本发明公开了一种模拟雨场图像生成方法及系统，所述方法包括以下步骤：S1：获取有雨图像数据集，将有雨图像数据集进行预处理得到预处理图像；S2：对预处理图像进行归一化处理，得到归一化样本，所述归一化样本划分为训练集图像和测试集图像；S3：构建模拟雨场生成网络；S4：使用训练集图像对模拟雨场生成网络进行训练，对鉴别器使用频谱归一化、自注意力机制，改善训练能力；S5：通过大量训练和优化超参数，得到训练后的模拟雨场生成网络；将待处理的有雨图像输入训练后的模拟雨场生成网络，生成模拟雨场图像。通过本发明方法，所生成的模拟雨场图像分布更加自然。
-
公开(公告)号：CN119477753A
公开(公告)日：2025-02-18
申请号：CN202411683410.0
申请日：2024-11-22
Applicant: 无锡学院
Abstract: 本发明公开一种基于灰度空间先验的水下图像视觉增强方法及装置，包括如下步骤：对待增强水下图像进行像素更新，得到均衡图像；计算所述均衡图像的图像透射率和环境光值，并根据均衡图像的所述图像投射率和环境光值复原得到灰度清晰图像；根据所述待增强水下图像映射得到灰度雾状图像，并根据所述灰度雾状图像和所述灰度清晰图像，对所述待增强水下图像进行去雾处理，得到增强图像。本发明能够提高水下图像的视觉增强效果。
-
公开(公告)号：CN118446918A
公开(公告)日：2024-08-06
申请号：CN202410511465.7
申请日：2024-04-26
Applicant: 无锡学院
IPC: G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种基于改进动态U型网络的真实图像去噪算法。该网络采用U型编码器‑解码器结构，通过结合使用动态卷积提取丰富上下文的信息；利用可变形卷积和动态卷积生成共享自适应核以更好地学习和处理高频信息；将非线性无激活块与多尺度动态卷积块模块顺序连接，充分利用共享自适应核和扩张卷积的思想，实现多尺度特征的捕获和利用。在真实噪声图像数据集上的实验结果表明，本发明提出的算法相较于现有算法在去噪性能上有着明显的提升。
-
公开(公告)号：CN118024093A
公开(公告)日：2024-05-14
申请号：CN202410326683.3
申请日：2024-03-21
Applicant: 无锡学院
Abstract: 本发明公开了一种基于自定义曲线的热磨机磨片及其设计方法，属于热磨机磨片的技术领域；其中，基于自定义曲线的热磨机磨片的设计方法包括以下步骤：S1、确定热磨机磨片的内圆半径R1和外圆半径R2；S2、确定自定义曲线的原点为热磨机磨片的圆心O；S3、定义自定义曲线上的任意一点P、磨齿起始点P1、磨齿终止点P2、磨齿起始点所在的回转半径ρ1、自定义曲线上的任意一点的滑切角α、自定义曲线上的任意一点的极角t；S4、求得热磨机磨片的自定义曲线方程。本发明提供一种基于自定义曲线的热磨机磨片及其设计方法，将热磨机磨片的齿刃轮廓设计成了自定义的函数表达式，便于加工，便于用数学方法分析齿刃上任意一点的受力情况。
-
公开(公告)号：CN116709546A
公开(公告)日：2023-09-05
申请号：CN202310429288.3
申请日：2023-04-20
Applicant: 无锡学院
IPC: H04W72/40
Abstract: 本发明公开了一种基于强化学习的能量收集D2D通信资源分配方法及存储介质，涉及无线通信技术领域。所述方法包括：构建无线网络模型；构建无线网络模型的优化问题；将优化问题转化为马尔可夫决策过程，确定智能体、状态空间、动作空间及奖励函数；采用深度强化学习方法，对每个智能体进行自主学习，得到通信资源分配方案；其中，所述深度强化学习方法中引入PPO算法限制更新幅度。相较于现有技术，本发明克服了传统通信终端仅依靠电池功能的限制，在高速传输信息的同时，通过PPO算法应对复杂多变的通信场景。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.025 seconds)
