-
公开(公告)号：CN106707034A
公开(公告)日：2017-05-24
申请号：CN201611219594.0
申请日：2016-12-26
Applicant: 哈尔滨工业大学
CPC classification number: G01R29/023 , G01R19/04
Abstract: 基于Windows系统函数和多线程技术的脉冲信号检测方法，本发明涉及脉冲信号检测方法。本发明的目的是为了解决现有定时/计数器卡通道数较少，而且成本很高以及FPGA检测脉冲信号脉宽开发周期比较长的问题。一、利用多线程技术创建并启动独立辅助线程；二、循环不间断读取AD卡或数字IO卡采集的数据；三、判断采集的数据是否存在脉冲信号，如果存在执行五；否则执行四；四、Sleep函数休眠1ms执行三；五、基于Windows系统函数计算出脉冲信号的脉宽和电平、脉宽和幅值或脉宽、电平和幅值，执行六；六、发送至主线程，判断所有采集的数据是否检测完，如果检测完则结束；否则执行四。本发明用于数据采集和信号处理领域。
-
公开(公告)号：CN119831963A
公开(公告)日：2025-04-15
申请号：CN202411914324.6
申请日：2024-12-24
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06T7/10 , G06T5/50 , G06T3/4038 , G06V10/80 , G06V10/82 , G06F40/126 , G06N3/045 , G06N3/08
Abstract: 基于多模态先验知识融合的少样本工业异常检测方法，属于计算机视觉中的工业异常检测领域。解决了传统的异常检测方法未能充分考虑不同样本间的细微差异、以及缺乏对全局信息的有效利用的问题。本发明引入了一种创新的视觉‑语言先验融合方法，这一方法的核心在于两项主要创新：构建视觉‑语言先验融合模块和类内平衡模块。通过对视觉‑语言信息以及参考样本图像所对应的图像级参考特征和图块级参考特征图的有效利用，引入视觉‑语言先验融合和类内特征平衡两个核心创新组件，融合视觉先验与语言先验信息、并平衡类内的变化，实现更精准的工业异常检测。本发明主要应用在工业异常检测。
-
公开(公告)号：CN118865407A
公开(公告)日：2024-10-29
申请号：CN202411151077.9
申请日：2024-08-21
Applicant: 哈尔滨工业大学
Abstract: 用于图像分割的基于文本的贝叶斯零样本域适应训练方法，属于计算机视觉中的零样本域适应领域。解决了现有的零样本域适应方法主要集中于优化经验风险最小化目标，通常依赖于基于有限提示的离散增强训练，难以充分捕捉目标域的复杂性，从而削弱了迁移模型的有效性的问题。本发明从贝叶斯角度将零样本域适应中的参数的学习过程视为变分推理问题，具体通过对源域和目标域之间的残差进行概率性的建模，引入与域间隙相关的不确定性，进而减少了模型对特定权重的依赖，从而提高模型在目标域的性能。本发明主要用于对图像进行语义分割。
-
公开(公告)号：CN116704314A
公开(公告)日：2023-09-05
申请号：CN202310707104.5
申请日：2023-06-14
Applicant: 哈尔滨工业大学
Abstract: 基于分布外样本检测的双路数据增广方法，涉及数据增广领域。解决了现有数据增广方法中无法同时兼顾增加样本多样性和降低分布外数据的问题。本发明分别通过两种不同增广强度对原始图像阵列进行数据增广，实现双路数据增广的同时，依赖于数据混合策略，智能地融合来自基础增广分支和强增广分支中的增广图像，融合过程中通过阈值τ对强增广分支图像阵列中的样本进行筛选，筛选出分布外样本，并对其进行替换，替换成相同索引下基础增广分支图像阵列中分布内样本，生成混合增广图像阵列，实现对原始图像阵列的双路数据增广。本发明主要用于增强神经网络训练时所使用样本的多样性，以提高神经网络性能。
-
公开(公告)号：CN107833213B
公开(公告)日：2020-09-22
申请号：CN201711066445.X
申请日：2017-11-02
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种基于伪真值自适应法的弱监督物体检测方法，是为了解决现有的全监督物体检测器需依靠大量有标注信息的数据库，以及当图片中含多个物体且物体相互遮挡时物体位置检测不准确的缺点而提出的，包括：将图片输入到弱监督物体检测器中，将检测器输出结果进行非极大抑制处理，在处理结果中选取每种物体得分最高的边界框；根据选出的边界框的位置信息训练候选区域产生网络，并保留与得分最高的边界框重合面积大于一定值的边界框，将对应于同一个物体的候选区域的像素坐标求平均值，根据计算结果确定每个物体的唯一边界框；将边界框信息作为伪真值输入给全监督物体检测器。本发明适用于物体检测技术，尤其是真实场景中的一般物体检测技术。
-
Patent Agency Ranking
公开(公告)号：CN107730553B
公开(公告)日：2020-09-15
申请号：CN201711065776.1
申请日：2017-11-02
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种基于伪真值搜寻法的弱监督物体检测方法，是为了解决现有的全监督物体检测器需要依靠大量的有标注信息的数据库，以及当图片中含有多个物体且物体相互遮挡时物体位置检测不准确而提出的，包括：将训练样本中的图片输入到弱监督物体检测器中；将弱监督物体检测器的输出结果进行非极大抑制处理(NMS)，将超过预定的得分阈值的边界框保留；在保留下来的边界框中，删除被完全包含在其他边界框中的边界框；计算该边界框与其他边界框的重合面积，将重合面积大于一定阈值的边界框进行融合；将融合后的边界框的信息作为伪真值信息输入给全监督物体检测器，得到检测结果。本发明适用于物体检测技术，尤其是真实场景中的一般物体检测技术。
-
公开(公告)号：CN106843847B
公开(公告)日：2020-05-26
申请号：CN201611223171.6
申请日：2016-12-26
Applicant: 哈尔滨工业大学
Abstract: 基于窗体间数据传递的可在线配置通用化软件的开发方法，涉及一种通用化软件的开发方法。为了解决现有的软件开发方法在软件开发过程中对软件测试时需要先将通用配置项保存至第三方软件并需要加载第三方软件保存的通用配置项才能开展测试工作、且不支持在线修改配置项而存在的测试效率低的问题，本发明将所有硬件资源及其对应的属性参数按照编号合理分配在配置界面上，开始测试任务时利用窗体间数据传递技术在线实时将所述的有效配置结果传递给测试界面，测试界面根据接收当前最新的有效配置结果对总硬件资源进行重构，测试界面通过与重构后硬件资源进行信息交互，实现并完成测试任务，进而实现通用化软件的开发。本发明适用通用化软件的开发。
-
公开(公告)号：CN111144423A
公开(公告)日：2020-05-12
申请号：CN201911369736.5
申请日：2019-12-26
Applicant: 哈尔滨工业大学
Abstract: 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法，属于遥感数据特征提取技术领域。为了解决现有基于卷积神经网络高光谱遥感数据的光谱特征提取尺度单一的问题，同时解决高光谱遥感数据的高维度信号造成的维数灾难的问题。本发明中以每个尺度值减一后的值与对应的分组数的乘积相等为原则，直接将高维的高光谱向量信号在光谱波段维度上等分成若干组，每个尺度利用多个不同的滤波器对每段高维的高光谱向量信号进行单独的一维常规卷积操作，通过若干组操作实现快速降低光谱向量的特征维度。本发明适用于高光谱遥感数据的多尺度光谱特征提取。
-
公开(公告)号：CN109145958B
公开(公告)日：2019-11-08
申请号：CN201810842331.8
申请日：2018-07-27
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于多任务生成对抗网络的真实场景小物体检测方法，属于计算机视觉领域中的物体检测技术领域。所述检测方法将多任务生成对抗网络引入到物体检测中，通过让多任务生成对抗网络中的生成器网络和鉴别器网络相互博弈的方式进行学习，实现小物体检测网络的建立进而完成图像的小物体检测。所述小物体检测方法克服了现阶段的物体检测方法在真实场景中检测正确率低的困难，促进了基于深度学习的物体检测方法在真实场景下的应用。
-
公开(公告)号：CN106586041A
公开(公告)日：2017-04-26
申请号：CN201611237960.5
申请日：2016-12-28
Applicant: 哈尔滨工业大学
IPC: B64G7/00
CPC classification number: B64G7/00
Abstract: 本发明涉及一种用于深空探测的火星目标模拟方法，属于深空探测应用领域。为了解决现有现有技术缺少一种能够对火星的位置、大小、轮廓、成像方位、成像灰度进行模拟的方法，在工程实践中存在技术空白的缺点，而提出一种用于深空探测的火星目标模拟方法。包括：将火星中心坐标从日心黄道坐标系变换到显示器平面坐标系和投影仪坐标系；根据火星探测器的成像视场和火星与火星探测器的相对距离关系计算出火星的成像大小；模拟火星被太阳照亮的区域以及未被照亮的区域；根据太阳、火星、探测器的相对位置关系计算火星轮廓的成像方位；将火星的星等映射到计算机的灰度，以显示在界面上。本发明适用于深空探测模拟软件。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.01 seconds)
