一种水样采集系统
    51.
    发明公开

    公开(公告)号:CN105910851A

    公开(公告)日:2016-08-31

    申请号:CN201610443264.3

    申请日:2016-06-20

    CPC classification number: G01N1/14 G01N1/16 G01N2001/1418

    Abstract: 本发明涉及一种水样采集系统,包括电源、开关、若干个水下集水系统、支撑架、拉杆,若干个水下集水系统设置在支撑架上,支撑架上端连接拉杆,所述水下集水系统包括集水瓶、电磁阀、过滤网、真空泵、污水瓶,集水瓶下端依次连接电磁阀、过滤网,集水瓶上端连接真空泵,集水瓶一侧通过导管连接污水瓶,所述电源与开关连接,开关分别与若干个水下集水系统上的电磁阀连接,本发明解决了采集水样时效性、可靠性、灵活性差和对于大型湖泊或海洋等大区域水域采集水样困难的问题。

    一种基于Android平台的实时人脸关键点定位方法

    公开(公告)号:CN105224935A

    公开(公告)日:2016-01-06

    申请号:CN201510713055.1

    申请日:2015-10-28

    Abstract: 本发明公开了一种基于Android平台的实时人脸关键点定位方法,属于计算机视觉技术领域。本发明方法包括以下步骤:收集人脸训练图片集,并标定关键点;随机选取训练集中的n个样本作为每一个训练样本的初始形状;计算每一个训练样本标准化目标;提取每一个关键点的形状索引特征;采用相关性分析方法选择适量的特征;采用两层增强回归结构(外部层和内部层);计算每一个阶段的回归器;使用人脸检测的方法估计人脸窗口,根据训练好的回归模型预测人脸关键点位置。目前已有的方法计算复杂度较高,在移动平台上运行过慢;而且对噪声敏感,定位的精度低。本发明以样本的线性组合来约束形状,应用基于回归的方法提高了人脸关键点定位的精度和效率。

    一种基于卷积神经网络的服装分类方法

    公开(公告)号:CN105117739A

    公开(公告)日:2015-12-02

    申请号:CN201510457010.2

    申请日:2015-07-29

    CPC classification number: G06K9/66

    Abstract: 本发明公开了一种基于卷积神经网络的服装分类方法,包括以下步骤:获取服装图像样本,并分为训练样本和测试样本;对训练样本和测试样本进行预处理;构建卷积神经网络模型;利用预处理后的训练样本对卷积神经网络模型进行前向传播和后向传播两个阶段的训练,当后向传播训练计算出的误差达到期望值时,训练结束,并得到卷积神经网络模型的参数;利用训练结束的卷积神经网络模型对预处理后的测试样本进行测试,并输出最终服装分类结果。本发明设计的卷积神经网络框架可以把服装图像直接作为网络的输入,隐式地对图像的特征进行提取,建立全局的特征表达,相比于人工设计的特征提取更加方便和精确,解决了现有算法对衣服分类准确率低的问题。

    一种基于卷积神经网络的卫星云量计算方法

    公开(公告)号:CN104504389A

    公开(公告)日:2015-04-08

    申请号:CN201410798632.7

    申请日:2014-12-18

    CPC classification number: G06K9/6268 G06N3/08

    Abstract: 本发明公开了一种基于卷积神经网络的为卫星云量计算方法,先建立包含6000~8000训练样本的卫星云图训练样本,手动在卫星云图中标注出各2000~3000样本的厚云,薄云和晴空云图块,以此作为卷积神经网络的训练样本;再将训练样本和卫星云图进行预处理作为卷积神经网络的数据输入,然后进行卷积神经网络检测,以此检测云图中各厚云,薄云和晴空区域所在位置;最后根据云图中厚云、薄云和晴空的位置,分别计算其灰度值,根据其灰度值来进行卫星云图的云量计算。本发明可以把卫星云图图像直接作为CNN的输入,而且将特征提取功能融入神经网络,隐式的对图像的特征进行提取,比现有技术更加方便和精确,具有重要的应用价值。

    一种基于自适应极限学习机的地基云分类方法

    公开(公告)号:CN104463252A

    公开(公告)日:2015-03-25

    申请号:CN201410795221.2

    申请日:2014-12-18

    CPC classification number: G06K9/6276

    Abstract: 本发明公开了一种地基云图云分类方法,属于图像信息处理和气象技术领域。本发明方法包括以下步骤:(1)提取云图的纹理特征、形状特征以及颜色特征形成一个21维的特征向量;(2)对21维的特征向量的每一位进行归一化处理;(3)建立自适应极限学习机模型,利用训练样本进行网络训练;(4)以归一化的21维特征向量作为自适应极限学习机的输入,云的种类作为输出进行云的分类。本发明综合利用云图的纹理特征、形状特征以及颜色特征,建立一种基于k近邻和极限学习机的自适应极限学习机模型,实现地基云的准确分类,该方法可获得比现有的方法更加准确的分类性能,具有重要应用价值。

    一种任意形状软组织表皮上受拉力/变形的模拟方法

    公开(公告)号:CN103745058A

    公开(公告)日:2014-04-23

    申请号:CN201410009090.0

    申请日:2014-01-09

    Abstract: 本发明公开了一种任意形状软组织表皮受拉力/变形的模拟方法,该方法以平行于软组织表皮所在平面轴方向取条直线,以平行轴方向取条直线,从而将任意形状的软组织表皮分割成一系列网格区域;在原点处施加轴方向上的拉力,使其产生位移形变量,采用微型圆柱紧密螺旋弹簧模型来表现软组织表皮上受力点位移形变量与方向上的所受拉力关系,通过实验获得关键点的位移形变量,由遗传算法优化神经网络训练数据库得到准确度较高的关键点位移形变量与平面原点处轴方向上的拉力,关键点到原点间距离之间关系函数,得到软组织表皮上任意点受力情况和位移形变量,进而更新软组织上受力后更加准确的网格模型,该模拟方法准确,快速,交互效果逼真。

    基于移动平台的人脸特征点定位跟踪方法

    公开(公告)号:CN103514441A

    公开(公告)日:2014-01-15

    申请号:CN201310429774.1

    申请日:2013-09-21

    Abstract: 本发明公开了一种改进的人脸特征点定位跟踪方法,力图在多个方面全面提升算法的性能,具体体现在特征选取,模型训练以及定位跟踪等方面做了较大改进,使算法运行效率大幅提升,并同时保证了定位跟踪的准确性,能够实现在移动平台上实时进行人脸特征点的检测定位。本发明分为训练和匹配两个阶段,训练阶段主要学习全局形状模型,角点形状模型,眼睛形状模型,嘴唇形状模型,角点局部纹理模型,特征点局部纹理模型。匹配过程采用分层的机制,形状投影采取加权投影的方式。本发明的效率大幅提升,每秒可以定位跟踪二十五帧以上,在移动平台上实现了实时定位跟踪。

    一种带半圆槽的圆截面弹性柱体自由扭转/变形的模拟方法

    公开(公告)号:CN103488866A

    公开(公告)日:2014-01-01

    申请号:CN201310283766.0

    申请日:2013-07-08

    Abstract: 本发明公开了一种带半圆槽的圆截面弹性柱体自由扭转/变形的模拟方法,其特征是以带半圆槽的圆截面弹性柱体的棱线为经线,以截面线为纬线,通过相邻的经线、相邻的纬线将带半圆槽的圆截面弹性柱体侧面分割成一系列块状区域;在带半圆槽的圆截面弹性柱体自由端施加扭矩作用下,使其产生自由扭转变形,利用扭转应力函数与单位长度的相对扭转角及扭矩之间的对应关系可求出任一关键点在扭矩作用下的变形量;采用基于质心的三维插值算法可计算任意块状区域内任意一点的变形量,进而更新绘制扭转后的弹性柱体模型;该模拟方法计算简单,能准确快速的计算扭转变形,实现对弹性柱体的实时变形仿真。

    自适应多视图和时序特征融合的单人三维姿态估计方法

    公开(公告)号:CN114511629B

    公开(公告)日:2025-03-21

    申请号:CN202111649445.9

    申请日:2021-12-30

    Abstract: 本发明公开了一种自适应多视图和时序特征融合的单人三维姿态估计方法,基于多相机的视频序列图片为输入,设计了一个鲁棒的特征提取器来提取2D姿态特征;基于2D姿态特征为输入,在相机维度上设计了一种自适应的视图自注意力变换网络,通过相对相机位置编码和自注意力机制来融合任意数量的未标定相机下的二维姿态,获取多目融合的姿态特征;基于多目融合的姿态特征为输入,在时间维度上设计一种时序自注意力变换网络,通过自注意力机制自适应地融合多帧特征,获得最终的3D姿态。本发明设计合理,无需重新训练可以直接应用到有任意数量的未标定相机的场景下且网络计算量很小。

    一种鲁棒的增量低光图像增强方法及装置

    公开(公告)号:CN117808683B

    公开(公告)日:2025-01-21

    申请号:CN202311861793.1

    申请日:2023-12-29

    Abstract: 本发明公开了一种鲁棒的增量低光图像增强方法及装置,本发明采集一系列低光图像数据集以及相应的正常光图像,以构建增量样本库;构建域增量低光图像增强模型;按照训练顺序获取当前需要训练的样本域,实时对样本域进行预处理;利用经过预处理的训练数据集,对域增量低光图像增强模型进行训练;训练完后采用当前样本域验证集筛选出在测评指标上最高的域增量低光图像增强模型并保存;然后,采用所有旧域和当前域测试集对模型进行全面测试,评估增强效果和遗忘率,并使用当前模型参数更新下一增量阶段模型参数;完成针对所有域的训练,获得最终的域增量低光图像增强模型。本发明对动态变化的低光图像域进行自适应增强,增强后的图像效果相比现有技术更好。

Patent Agency Ranking