基于ARM-FPGA协处理器异构平台的时间估算协同处理方法

    公开(公告)号:CN111966571B

    公开(公告)日:2023-05-12

    申请号:CN202010807124.6

    申请日:2020-08-12

    Abstract: 本发明请求保护一种基于ARM‑FPGA协处理器异构平台的时间估算协同处理方法,应用于大数据存储单元和计算单元分离的场景中。通过AXI协议接口将高性能硬件FPGA协处理器部署于存储单元中,以增强存储单元结点处的数据处理能力,为海量数据的预处理提供算力。当源数据中冗余信息过少时,如果再进行源数据预处理,反而会增加存储单元数据交互时间和数据预处理的时间,并不能合理减少整个过程的时延问题。因此,通过概率方式对源数据预处理量多少的预估,从而决策是否需要进行数据预处理。再通过时间估算法对整个过程中时间开销进行预估,其包含源数据提取,传输通信和计算等时延的总和。最终,选择合适处理器进行数据处理,使得效率最大化,提升系统整体性能。

    一种三频带六单元异面5G终端天线

    公开(公告)号:CN112467367B

    公开(公告)日:2023-03-28

    申请号:CN202011240945.2

    申请日:2020-11-09

    Abstract: 本发明请求保护一种三频带六单元异面5G终端天线,属于天线技术领域,包括:介质基板、六个天线单元、微带馈电线及金属接地板,其中介质基板包括第一介质基板、第二介质基板、第三介质基板,第一介质基板水平放置,第二介质基板、第三介质基板分别垂直于第一介质基板的两个长边且相互平行放置,天线单元分为第一天线单元、第二天线单元、第三天线单元、第四天线单元、第五天线单元、第六天线单元,第一、第四天线单元位于第一介质基板的顶端和底端,第二、第三天线单元位于第二介质基板,第五、第六天线单元位于第三介质基板,第一、第四天线单元工作于低频段,第二、第五天线单元工作于中频段,第三、第六天线单元工作于高频段。

    一种用于异构的医疗器械标识解析方法、系统及存储介质

    公开(公告)号:CN113128592B

    公开(公告)日:2022-10-18

    申请号:CN202110425155.X

    申请日:2021-04-20

    Abstract: 本发明请求保护一种用于异构的医疗器械标识解析方法、系统及存储介质,包括以下步骤:U1、获取医疗器械的异构标识,并将异构标识信息上传到标识解析系统;标识解析系统由多个区块链对等节点构成,区块链对等节点具有共识机制、信息广播机制和区块投票机制;U2、对异构标识传入过滤器进行信息过滤;U3、对过滤后的标识采用基于文本相似度的异构标识分类算法,实现对异构标识的分类;U4、对分类后的标识使用基于后缀树的单模式标识解析算法进行匹配;U5、根据单模式匹配算法,从而得出标识解析结果。本发明实现了对异构的医疗器械异构标识进行统一化的解析并获取标识的信息。

    一种基于卷积神经网络的机械零件增强现实跟踪注册方法

    公开(公告)号:CN112365577B

    公开(公告)日:2022-08-23

    申请号:CN202011251397.3

    申请日:2020-11-09

    Abstract: 本发明请求保护一种基于卷积神经网络的机械零件增强现实跟踪注册方法,具体包括如下步骤:U1、采用深度相机进行机械零件的三维建模,采集真实环境下的机械零件不同角度的位姿作为真实环境下的数据集。U2、对已建立的真实环境下的机械零件位姿数据集进行补充,将建模产生的3D模型导入Blender引擎建立物理和行为模型,生成三维场景,将模型与不同的场景图片进行融合,从而产生虚拟环境下我们深度学习需要机械零件6D位姿的数据。U3、对于卷积神经网络的训练,采用过往训练过的机械零件数据进行迁移学习;U4、结合深度可分离卷积的方式对深度学习网络框架轻量化来,对原本的卷积层进行改进,将训练参数减少四分之一以上。

    一种基于数字孪生的机床切削工艺参数优化方法

    公开(公告)号:CN114758064A

    公开(公告)日:2022-07-15

    申请号:CN202210280090.9

    申请日:2022-03-21

    Abstract: 本发明请求保护一种基于数字孪生的机床切削工艺参数优化方法,其包括以下步骤:通过三维建模软件和虚拟平台实现机床实际切削过程的特性、功能、行为在内的多维度的表达;基于JSON格式的文本数据传输,减少底层代码的复杂程度,对机床的在切削过程中的工艺数据进行实时采集,并通过灰色关联理论分析工艺数据对切削力的影响权重;基于unity3D的可视化映射方式调用封装好的数字孪生切削力预测模型,进行实时调用分析切削力动态变化情况;根据影响因子权重和数字孪生预测模型对切削力波动情况实时生成优化方案,并通过工艺参数来实现切削力的相对稳定,确保加工过程中机械产品的质量。

    一种基于边缘模型的增强现实无标识跟踪注册方法及装置

    公开(公告)号:CN110689573B

    公开(公告)日:2022-07-01

    申请号:CN201910841769.9

    申请日:2019-09-06

    Abstract: 本发明请求保护一种基于边缘模型的增强现实无标识跟踪注册方法及装置,涉及领域在增强现实无标识中跟踪注册的实时性和鲁棒性问题。目前针对三维物体表面缺少足够的纹理特征,因特征点少而引起的位姿抖动或扰动,并且算法搜索空间太大的缺陷。针对这些问题,该方法是采用保持旋转和尺度不变形的线性并行多模态LINE‑MOD模板匹配方法快速识别目标物体、获取与当前视角接近的参考视图而完成相机位姿的估计,并将该位姿作为基于边缘模型跟踪注册方法的初始化位姿,从而避免人工手动给定初始化位姿。因此,本发明能够进行快速跟踪注册,具有良好的实时性和鲁棒性。

    一种基于滑动窗口优化的RGBD和IMU混合跟踪注册方法

    公开(公告)号:CN114529576A

    公开(公告)日:2022-05-24

    申请号:CN202210002435.4

    申请日:2022-01-04

    Abstract: 本发明请求保护一种基于滑动窗口优化的RGBD和IMU混合跟踪注册方法,其包括以下步骤:视觉测量前端步骤:首先,通过RGBD相机获取RGB信息与深度信息,进行特征提取与跟踪;对三个传感器的外参、偏置、绝对尺度进行标定,通过PnP、ICP算法估计滑动窗口内所有帧的位姿及观测点的逆深度,并与IMU预积分结果进行对齐求解相关参数;采用基于滑动窗口的方法对将视觉测量前端传过来的初始位姿信息做进一步优化,通过先验信息约束、视觉约束、IMU约束构建目标误差函数,通过基于滑动窗口的图优化算法不断优化所有帧的位姿及偏置信息;回环检测与优化步骤:利用DboW算法进行回环检测,如果检测到回环产生,则通过重定位的方式对整个轨迹进行闭环优化。

    一种基于点云和视觉特征融合的虚实注册方法

    公开(公告)号:CN109960402B

    公开(公告)日:2022-04-01

    申请号:CN201811549587.6

    申请日:2018-12-18

    Abstract: 本发明请求保护一种基于点云和视觉特征融合的虚实注册方法,整个过程分为离线和在线两个阶段完成,具体包括以下步骤:在离线阶段,在CAD环境中将参考对象零件三维CAD模型生成三维点云模型,为装配绝对坐标系的建立和后续的虚实注册做准备,为了加快点云配准及装配坐标系建立过程,在此阶段需要对参考对象零件的点云模型进行精简;在在线阶段,采集装配现场视频流并生成点云,利用参考对象点云和装配现场点云之间的配准完成装配绝对坐标系的定义,基于点云的虚实注册在迭代配准过程中需要一个初始配准阶段,设置初始点云相对位置,获得绝对坐标系下精确的跟踪注册矩阵。本发明既避免了相机移动速度过快时导致的“丢帧”情况,又提高了虚实注册精度。

    基于条件匿名环签名和隐私计算的联盟链隐私保护方法

    公开(公告)号:CN114124406A

    公开(公告)日:2022-03-01

    申请号:CN202111401060.0

    申请日:2021-11-19

    Abstract: 本发明涉及一种基于条件匿名环签名和隐私计算的联盟链隐私保护方法,属于联盟链隐私保护技术领域。该方法包括:加入联盟链时,用户需要向证书授权中心注册,证书授权中心为该用户颁发含有条件匿名环签名的公私密钥对的数字证书;接到用户的请求后,客户端构建一笔含有条件匿名环签名的有效交易,其接收地址为隐私合约地址;联盟链内节点通过隐私计算网关获取隐私合约及交易数据,合约执行器执行隐私合约,若执行隐私合约成功则将该执行结果准备上链,否则丢弃该执行结果;使用条件匿名环签名保护交易生产者的隐私;结合智能合约与隐私计算网关隔离隐私合约环境,保护交易数据的隐私。本发明能够保证隐私合约在执行时的数据隐私安全。

    一种基于卷积神经网络的机械零件增强现实跟踪注册方法

    公开(公告)号:CN112365577A

    公开(公告)日:2021-02-12

    申请号:CN202011251397.3

    申请日:2020-11-09

    Abstract: 本发明请求保护一种基于卷积神经网络的机械零件增强现实跟踪注册方法,具体包括如下步骤:U1、采用深度相机进行机械零件的三维建模,采集真实环境下的机械零件不同角度的位姿作为真实环境下的数据集。U2、对已建立的真实环境下的机械零件位姿数据集进行补充,将建模产生的3D模型导入Blender引擎建立物理和行为模型,生成三维场景,将模型与不同的场景图片进行融合,从而产生虚拟环境下我们深度学习需要机械零件6D位姿的数据。U3、对于卷积神经网络的训练,采用过往训练过的机械零件数据进行迁移学习;U4、结合深度可分离卷积的方式对深度学习网络框架轻量化来,对原本的卷积层进行改进,将训练参数减少四分之一以上。

Patent Agency Ranking