-
公开(公告)号：CN102545847B
公开(公告)日：2014-12-03
申请号：CN201210021810.6
申请日：2012-01-31
Applicant: 哈尔滨工业大学 , 北京航天自动控制研究所
IPC: H03K5/19
Abstract: 智能火工品等效器及脉冲时序信号测量方法，属于供电通路检测领域，涉及时序信号处理、FPGA和虚拟仪器技术。为了解决在等效火工品中不能测量时序指令、弹上仪器不安全、信号采集不及时问题。它包括高、低压时序输入端子、等效器高、低压输入级电路、高低压切换电路、状态指示灯、I/O控制电路、5V和24V电源；高低脉宽时序测量电路、光电隔离数字输入输出模块、104总线、PC104主机和PC104主机电源；脉冲时序信号测量方法为：初始化；板卡自检，自检完成执行下一步，否则重复执行；高、低压自检，高、低压自检没完成返回板卡自检，高、低压自检完成进行高、低压检测；完成后将数据进行显示和存储。用于火工品等效器制造中。
-
公开(公告)号：CN102944361A
公开(公告)日：2013-02-27
申请号：CN201210520642.5
申请日：2012-12-06
Applicant: 哈尔滨工业大学
IPC: G01M1/16
Abstract: 直升机旋翼桨叶动平衡参数校准装置，涉及直升机旋翼桨叶的测试及校准技术，为了解决背景技术中的直升机旋翼桨叶动平衡试验校准存在测量结果的误差较大、可靠性差的问题。利用动平衡试验台的三束激光器组成一个激光测量平台，通过桨叶切割激光光束的方法非接触测量旋翼桨叶的挥舞参数，以CPLD和DSP为核心设计脉冲时序测量和控制系统，测量旋翼桨叶挥舞和摆振特性参数。标定装置采用固定高度差的模拟桨叶，通过伺服马达以稳定的转速转动，由模拟桨叶切割激光光束的方法现场对旋翼桨叶动平衡试验台进行标定，将标定结果溯源到国家长度标准，保证测量结果的准确性和溯源性，为直升机旋翼桨叶的研制和实验提供计量保障。
-
公开(公告)号：CN102410781A
公开(公告)日：2012-04-11
申请号：CN201110231463.5
申请日：2011-08-12
Applicant: 哈尔滨工业大学
IPC: F41A19/01
Abstract: 火炮发射次数检测装置及检测方法，属于炮台发射弹丸的检测技术领域。它解决了火炮发射采用人工计数准确性差的问题。本发明装置包括振动传感器、声音传感器、信号调理模块、单片机微控制器、键盘和数码显示器，振动传感器用于检测火炮发射的振动信号，声音传感器用于检测火炮发射的声音信号，本发明方法为首先设定阈值电压和阈值时间，信号调理模块对其输入的信号进行处理后输入给单片机微控制器，单片机微控制器对输入的信号进行判断，实现计数。本发明用于火炮发射现场对发射次数计数。
-
公开(公告)号：CN101382439B
公开(公告)日：2010-12-29
申请号：CN200810137401.6
申请日：2008-10-27
Applicant: 哈尔滨工业大学
Abstract: 多参数自确认传感器及其状态自确认方法，它涉及传感器领域，它解决了现有多参数传感器不能够对自身状态进行评估的问题，以及发生故障时，不能判断故障类型、不能得到正确数据的缺点。本发明是将多个被测物理量经敏感元件和传统的分析处理单元得到原始数据，这些原始测量数据经故障诊断单元后，再经输出数据生成单元得到更加丰富的输出信息。多参数传感器比单一参数传感器输出更多的物理量测量值，其中一些物理量之间通常存在着相关性，这些相关性是故障诊断和状态确认的重要条件。本发明能够在线评估工作状态和输出数据不确定度，使系统能清晰了解传感器的在线工作状态和输出数据的可信度，并在发生故障时，能够诊断出故障类型，实现数据重构。
-
公开(公告)号：CN118781434A
公开(公告)日：2024-10-15
申请号：CN202410997246.4
申请日：2024-07-24
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/25 , G06N3/0455 , G06N3/0464 , G06V10/80
Abstract: 一种基于流式感知的在线目标检测方法，属于自动驾驶中基于计算机视觉的物体检测技术领域。本发明针对现有目标检测模型的计算量大并且不能准确检测变化环境中连续目标物体的问题。包括对当前帧图像采用目标检测模型进行检测获得当前帧检测结果；结合前一帧检测结果进行关联帧损失的计算，并调整目标检测模型的模型参数，得到训练后目标检测模型；将训练后目标检测模型用于车辆行驶过程中的在线目标检测；所述目标检测模型包括特征编码加速模块、混合查询选择模块和解码层；将前一帧检测结果通过投影模块投影到当前帧检测结果上，根据当前帧检测结果和前一帧检测结果的投影计算得到关联帧损失。本发明用于自动驾驶中在线目标检测。
-
Patent Agency Ranking
公开(公告)号：CN118570526A
公开(公告)日：2024-08-30
申请号：CN202410639659.5
申请日：2024-05-22
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/766 , G06T9/00
Abstract: 一种基于区域感知与测试时自适应的弱监督物体检测方法，属于计算机视觉中的物体检测技术领域。本发明针对现有弱监督检测中过多的候选区域造成计算复杂度高，并且保留高分类分数候选区域易造成区域内检测物体不完整的问题。包括采用区域感知框架获得初步完整目标候选区域：基于初级候选区域与原始图像特征图获得初级候选区域空间特征图；再得到高维非线性特征，进而得到区域嵌入；结合类别嵌入获得相似度图，再确定初步完整目标候选区域；再采用弱监督检测器进行目标位置预测，获得检测目标的查询区域和键区域；查询区域与键区域再经过无监督对比学习模块的融合过程得到物体检测结果。本发明用于训练数据标注信息稀缺情况下的物体检测。
-
公开(公告)号：CN118247488A
公开(公告)日：2024-06-25
申请号：CN202410448616.9
申请日：2024-04-15
Applicant: 哈尔滨工业大学
IPC: G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 一种基于知识蒸馏和样本重放的连续开放世界目标检测方法，它属于计算机视觉中的目标检测技术领域。本发明解决了现有对真值标签不存在的未知新类别造成误检、漏检，对之前已知类别的灾难性遗忘问题。本发明为基础模型Deformable‑DETR新引入一个类别不可知的二分类头，将全部已知类别的目标划分为T个任务，针对每个任务分别进行两阶段训练。第一阶段为预训练，二分类头将所有预测输出二分类为前景或者背景，促进模型学习无偏特征。第二阶段为训练，基于当前已知类别的数据集微调模型的投影层、分类头和二分类头的参数，冻结其他类别不可知模块的参数，并基于知识蒸馏和样本重放技术缓解模型对已知类别的灾难性遗忘问题。本发明方法可以应用于开放世界目标检测。
-
公开(公告)号：CN114415254B
公开(公告)日：2023-02-07
申请号：CN202210072417.3
申请日：2022-01-21
Applicant: 哈尔滨工业大学
Abstract: 基于在线学习的多事例弱监督火星表面形态检测方法，属于机器视觉物体检测领域。本发明针对现有弱监督物体检测方法检测精度低和收敛于局部最优解的问题。包括对火星远景图像采用选择性搜索算法生成多个侯选框；采用VGG16网络模型对火星远景图像进行图像特征的提取；进而得到每个候选框的全连接特征；弱监督检测网络中，输入候选框的全连接特征，通过分类和检测分支判断每个候选框的类别和对候选框的位置信息进行打分，最后将两分支的得分相乘得到候选框的得分作为事例级标签；K级精细化网络层以多事例学习网络或者前一级分支的每个候选框的得分作为监督信息，对网络其他优化分支进行训练，并进行后向传播计算。本发明用于火星表面地形和目标的检测。
-
公开(公告)号：CN114387485A
公开(公告)日：2022-04-22
申请号：CN202210043031.X
申请日：2022-01-14
Applicant: 哈尔滨工业大学
IPC: G06V10/774 , G06V10/764 , G06V10/44 , G06V10/54 , G06V10/56 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种基于生成对抗网络的火星图像增广方法，属于计算机视觉中图像增广技术领域。针对现有火星图像增广方法获得的火星图像分辨率低、无法控制图像类别以及训练不稳定的问题。包括：基于DCGAN的图像生成网络，针对DCGAN难以生成优质的高分辨率火星图像的问题，使用渐进式的网络训练方法进行精细地图像生成；针对GAN无法控制目标类火星图像生成的问题，引入风格迁移技术设计了可控的火星图像生成方法；针对DCGAN训练不稳定而难以使火星车自主完成训练的问题，基于wasserstein距离设计了新的损失函数。本发明用于火星图像增广。
-
公开(公告)号：CN107341517B
公开(公告)日：2020-08-11
申请号：CN201710551916.X
申请日：2017-07-07
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及机器视觉领域中的物体检定技术，尤其涉及一种基于深度学习层级间特征融合的多尺度小物体检测方法，本发明为了解决现有物体检测在真实场景下检测精度非常低，受尺度大小约束，对于小物体的检测非常困难的缺点，而提出一种基于深度学习层级间特征融合的多尺度小物体检测方法，本发明以真实场景下的图像为研究对象，通过构建卷积神经网络提取输入图像的特征，利用候选区域生成网络产生较少的候选区域，之后将各个候选区域映射到经卷积神经网络生成的特征图上得到每个候选区域的特征，经池化层后得到固定大小、固定维度的特征输入到全连接层，全连接层后的两个分支分别输出识别类别和回归后的位置。本发明适用于机器视觉领域中的物体检定。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.03 seconds)
