-
公开(公告)号：CN1633216A
公开(公告)日：2005-06-29
申请号：CN200410072698.4
申请日：2004-11-11
Applicant: 南开大学
Abstract: 本发明涉及一种加热设备，特别是利用微波谐振腔进行加热的谐振腔的结构，主要应用于化学反应，属于微波化学技术领域。传统的加热方法，要有一个高温热源，采用的是表面加热源，效率低、操作时间长，加热过程中无选择性。本发明提供了一种内部与表面同时进行加热的微波谐振腔的新设计。它包括谐振腔、截止波导、耦合波导等；谐振腔是一个立式空心圆柱体，磁控管产生微波，通过波导进入谐振腔，在谐振腔中加热物料，使化学反应在谐振腔中进行。本发明的有益效果是：与现有技术的对比，系统中安装微波泄漏检测传感器，实现微波泄漏的在线实时检测，配上显示仪器，即可实现微波泄漏的在线实时显示。带有视窗，便于及时观察。
-
公开(公告)号：CN120003601A
公开(公告)日：2025-05-16
申请号：CN202510286756.5
申请日：2025-03-12
Applicant: 南开大学
Abstract: 本发明公开了一种面向地震搜救的多源协同摇臂—履带机器人复合机械结构，属于智能救援设备技术领域。创新性地设计了摇臂—履带—轮子三维运动结构系统，机器人中部采用舵机驱动的多自由度摇臂结构，底部配置电机驱动的双履带差速驱动模块；前部设置摆臂平衡轮组辅助攀爬作业。该复合结构通过质心动力学模型建立姿态稳定控制算法，可实现轮式高速机动、履带越障和摇臂攀爬三种运动模式的智能切换。经测试，该结构可使机器人稳定跨越100mm垂直障碍，在碎石、瓦砾等非结构化地形中保持良好的姿态稳定性，同时通过多种传感器感知环境。相比传统单一运动结构，本设计通过机械结构创新实现了复杂灾后环境下的多维度机动能力，有效提升救援装备的地形适应性。
-
公开(公告)号：CN118134779A
公开(公告)日：2024-06-04
申请号：CN202410291558.3
申请日：2024-03-14
Applicant: 南开大学
IPC: G06T5/50 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于多尺度重构Transformer与多维注意力的红外和可见光图像融合方法，包括两个阶段：第一阶段为训练阶段，构建基于UNet++结构的编解码器并训练，利用多尺度重构Transformer补偿下采样时的全局依赖信息，将高维注意力加入到编码器横向密集连接的卷积块中，强化其对有效信息的关注能力；第二阶段为融合阶段，将融合模块添加到编码器和解码器之间，使用空间和通道注意力加权融合编码器特征，解码器重构出融合图像；本发明能够增强特征提取与重构能力，保留图像更多纹理细节；与现有方法相比，在信息熵、互信息、融合质量、标准差和视觉保真度这五种常用融合图像指标上具有优势。
-
公开(公告)号：CN118012530A
公开(公告)日：2024-05-10
申请号：CN202410195680.0
申请日：2024-02-22
Applicant: 南开大学
Abstract: 本发明属于车联网和移动边缘计算领域，具体涉及一种应用于车联网的移动边缘节点卸载方法。本发明针对移动边缘计算在车联网的应用场景，提出了一种多移动终端、多址边缘节点的计算任务卸载策略优化方法，采用联合优化策略让处于同一车联网系统场景中的车辆移动终端，在与分布在场景中的边缘节点实现计算任务卸载的过程中降低系统的任务完成总耗时。本发明基于凸优化原理，分别从计算任务卸载策略和车辆移动终端传播功率两方面作为优化思路，构建了基于移动边缘计算的任务卸载时耗数学模型，考虑计算任务发布的随机性和任务处理的并行性，保证通信质量的前提下，将发布计算任务的车辆移动终端坐标、任务大小和边缘节点状态输入上述模型中，进而求解出接近全局最小耗时的计算任务卸载策略。本发明相较于常见的就近节点卸载方法，以调整传播功率和合理分配卸载权重的方式，提出了有效降低时耗的移动边缘计算卸载策略求解方法，同时通过对非凸约束进行转换方法，能够有效实现复杂车联网环境下对移动边缘计算任务卸载时耗的显著降低，具有广阔的应用前景。
-
公开(公告)号：CN117745852A
公开(公告)日：2024-03-22
申请号：CN202410078634.2
申请日：2024-01-19
Applicant: 南开大学
IPC: G06T9/00 , G06N3/0464 , G06N3/0499 , G06N3/084
Abstract: 本发明属于信号处理和深度学习技术领域，具体涉及一种基于Transformer模型与大核卷积的自然图像压缩感知方法。针对如何实现自然图像的稀疏采样与高质量恢复这一问题，本发明提出了一种混合Vision Transformer和大核卷积的展开网络架构，实现了图像压缩感知的可解释性重构。该网络为端到端的两段式架构，一是使用数据驱动的预训练编码器完成图像信息的稀疏表示与基本特征提取；二是设计了一种基于优化启发的模块，将其迭代过程视为网络展开过程，引入双通道大核注意力机制捕获局部结构与长程依赖，逐阶段重构原始图像。实验结果显示，本发明提出的图像压缩感知方法与现有方法相比，可以在保持重构速度的同时，降低网络内存占用并提升图像的重构质量。
-
Patent Agency Ranking
公开(公告)号：CN117710899A
公开(公告)日：2024-03-15
申请号：CN202410035226.9
申请日：2024-01-10
Applicant: 南开大学
IPC: G06V20/52 , G06V20/54 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明属于图像处理和深度学习技术领域，具体涉及一种应用于车联网的多光谱行人检测方法。针对智能交通系统全天候监测的需求，为了弥补传统可见光单模态图像对光照环境依赖性强的缺点，本发明提出采用可见光‑红外双模态图像实现行人目标检测，构建了稳定、快速、精准的多光谱行人检测模型。本发明基于VGG‑16双流特征提取网络，分别捕获两模态特征，构建了基于差分注意力增强和频域融合的跨模态特征融合模块，充分融合跨模态特征，将融合特征组送入基于SSD的检测头中，进而输出行人目标位置信息。本发明创新地提出了有效增强两模态对检测有益的互补信息，抑制冗余背景特征的特征融合方法，能够实现复杂环境下的行人目标检测，具有广阔的应用前景。
-
公开(公告)号：CN108388177B
公开(公告)日：2023-10-10
申请号：CN201810173025.X
申请日：2018-02-27
Applicant: 南开大学
IPC: G05B19/042 , G05B11/42
Abstract: 一种半尺寸电脑鼠运动控制系统，属于自动控制技术领域。本发明采用STM32微控制器作为处理单元，普通空心杯电机作为动力装置，磁编码器作为测速装置，通过PID反馈控制算法驱动半尺寸电脑鼠平稳运动。该控制系统包括处理器、左右控制器、左右空心杯电机和左右磁编码测速器。由处理器向左右控制器分别发送期望速度，控制器通过测速器反馈调节电机转速，达到期望速度。本发明采用非接触式的磁编码器测速，达到节省空间、降低成本和减小阻力的效果；设计自适应参数PID控制算法，解决小型空心杯电机功率不足的问题。
-
公开(公告)号：CN115578480A
公开(公告)日：2023-01-06
申请号：CN202211411200.7
申请日：2022-11-16
Applicant: 南开大学
Abstract: 本发明属于图像处理和深度学习技术领域，具体涉及一种应用于车联网智能监测的道路场景红外图像生成方法。针对在深度学习模型搭建中，如何稳定、快速和高质量生成难获取的数据集图像问题，本发明提出了一种基于Pix2Pix和跨尺度注意力模块的红外图像生成方法。该方法通过构建跨尺度跨层级的深度特征提取注意力模块，实现横纵向注意力传递，一定程度上弥补了生成对抗网络模型复杂、数据量庞大、收敛难的问题，且实验结果表明，本发明提出的红外图像生成方法可降低模型参数量并提升生成图像质量，能够有效解决智慧交通领域中数据标签不足的问题，具有广阔的应用前景。
-
公开(公告)号：CN115512323A
公开(公告)日：2022-12-23
申请号：CN202211219292.9
申请日：2022-10-08
Applicant: 南开大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于深度学习的自动驾驶视野外车辆轨迹预测方法。本发明充分发掘自动驾驶轨迹预测任务中小特征目标的特点，提出了一种深度学习神经网络训练方法。该方法结合编解码器架构、扩张卷积网络和自注意力机制，将深度学习神经网络训练过程通过编码器、自注意力单元和解码器三个可学习的神经网络完成。本发明与传统方法相比，可更有效地捕捉可能突然冲入关键区域的视野外车辆，帮助无人驾驶车辆快速做出相应决策。实验结果表明，本发明提出的深度学习神经网络训练方法与现有方法相比，在提升对视野外危险车辆在不同阈值下的召回率、降低遗漏概率和误报率的同时，所需时间大大减少。
-
公开(公告)号：CN108509382B
公开(公告)日：2022-06-07
申请号：CN201810276062.3
申请日：2018-03-27
Applicant: 南开大学
Abstract: 本发明公开了一种基于FPGA实现超长序列快速卷积运算的方法。首先通过AD采样模块对两路信号进行采集，然后将采集到的两路数据按顺序分别存入FPGA外部的两片随机存储器(SRAM)中，之后在突发长度内按相反的顺序从两片SRAM中取出数据进行快速卷积运算，同时将运算得出的大量数据存入FPGA外部的DDR2中，最终实现了基于FPGA对两路信号的快速卷积运算。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.017 seconds)
