-
公开(公告)号：CN119540351A
公开(公告)日：2025-02-28
申请号：CN202411597485.7
申请日：2024-11-08
Applicant: 东北大学
IPC: G06T7/73 , G06V10/82 , G06V10/25 , G06V10/762
Abstract: 本发明的一种真实环境下基于消费级深度相机的目标位姿估计方法与其他依赖高精度数据集的位姿估计方法不同，其可以应用于低成本的RGB‑D传感器。该方法由两个阶段组成：第一阶段，我们使用YOLO网络得到的最小包围框从场景中提取目标点云，然后使用欧式聚类分割方法得到纯净的目标点云，以及使用MLS平滑以获得优化的表面点云。在第二阶段，我们从表面点云均匀采样，模型点云中提取ISS特征点，并选择3DSC描述符作为特征描述符，然后引入异构空间向量的RANSAC算法进行粗对准，并使用ICP算法优化精对准以实现精确快速的位姿估计。本发明方法解决了传统的方法在特征点丢失以及深度学习方法上数据集难制作以及算力要求高等问题。
-
公开(公告)号：CN118334444A
公开(公告)日：2024-07-12
申请号：CN202410535350.1
申请日：2024-04-29
Applicant: 东北大学
IPC: G06V10/764 , G06V10/30 , G06V10/40 , G06V10/774 , G06N3/047 , G06N3/0499 , G06N3/048 , G06N3/0455 , G06N3/08
Abstract: 本发明的一种基于扩散学习与小波变换的B超医学影像分类方法是将扩散去噪模型与小波变换频域分量重分配相结合的一种新的医学影像分类方法，能够在包含冗余信息的小数据集上进行训练，并得到较高的准确率。在图像去噪阶段利用扩散模型加噪去噪并学习还原图像能力的特点，将输入图像优化为更适合机器捕捉特征的特征增强图像，此外，保留传统的TNT分类模型的ViT嵌套方法，通过线性层投影后，将像素嵌入信息加入到图像块嵌入向量中，进一步增强模型的特征提取能力。同时在两次图像化分阶段中，分别使用小波频域分量重分配，增强对特征的捕捉。本发明方法解决了其他传统医学影像分类方法对数据集数量级及裁剪精度要求高、分类不够准确的问题。
-
公开(公告)号：CN116558804A
公开(公告)日：2023-08-08
申请号：CN202310537767.7
申请日：2023-05-12
Applicant: 东北大学
Abstract: 本发明的一种基于麦克风阵列的非接触式机械故障定位算法，包括：步骤1：使用麦克风阵列进行多个声音信号的采集；步骤2：对采集的多个声音信号进行数据预处理；步骤3：对预处理后的多个声音信号进行傅里叶变换获得频域信号，再对频域信号进行时移、加权求和获得波束形成器的输出向量；步骤4：将波束形成器的输出向量的协方差矩阵进行去对角化处理，得到去对角后的空间伪频谱；步骤5：通过去除接收信号子空间，不断更新接收信号的协方差矩阵的估计值，得到新的去对角后的空间伪频谱，通过归一化响应求和获得最终的去对角化后的空间伪频谱，整个频谱的宽带伪频谱的高能量峰值表示声源位置。
-
公开(公告)号：CN113219903A
公开(公告)日：2021-08-06
申请号：CN202110497213.X
申请日：2021-05-07
Applicant: 东北大学
Abstract: 本发明提供一种基于深度视觉的钢坯最优剪切控制方法及系统。本发明包括将深度相机设置好，设定世界坐标系；标定深度相机的参数；采集钢坯的RGB和深度视图；通过针孔相机模型，得到每个像素点的三维坐标，然后通过直通滤波和离群点去除进行预处理；使用随机采样一致性算法拟合出钢坯上表面的平面，然后将平面投影到2D平面，再采用中心扩展法计算出最优剪切线；根据钢坯的移动速度与待剪切位置头部坐标，获得头部和剪切刀口的距离，计算出控制剪切头剪切的时刻。本发明利用图像信息解决钢坯头尾部的剪切线检测问题，达到节约能源和材料的目的，深度相机得到的世界坐标精度高，省却了复杂的标定过程，布置简单。
-
公开(公告)号：CN108007681B
公开(公告)日：2019-06-18
申请号：CN201711287310.6
申请日：2017-12-07
Applicant: 东北大学
IPC: G01M13/00 , G01M13/045
Abstract: 本发明涉及一种利用麦克风阵列进行机械故障检测的方法，步骤为：在机械设备的正上方布置麦克风阵列；通过麦克风阵列采集被测信号，获得电压信号；求得电压信号映射到平面空间测试点的导向矩阵；对时域信号做FFT变换，获得频率信息；进行初步的故障检测定位；利用映射关系和iFFT求逆变换求得每一个机器平面上的测试点的时间序列；对测试点的时间序列进行谱峭度的特征提取，谱峭度的大小做为波束形成定位算法的权重；根据数值的相对大小进行成像，获得故障声源产生的位置。本发明利用声源定位技术，将波束形成算法和谱峭度特征提取方法相结合，能够检测出可能淹没在设备工作时产生的噪声中的冲击信号，从而更好地定位出机械故障发生位置。
-
Patent Agency Ranking
公开(公告)号：CN108020818A
公开(公告)日：2018-05-11
申请号：CN201711285776.2
申请日：2017-12-07
Applicant: 东北大学
IPC: G01S7/282
CPC classification number: G01S7/282
Abstract: 本发明一种在噪声下基于滑动DFT的正弦脉冲信号测距方法，步骤为：将收集到的信号进行滤波预处理，得到正弦脉冲信号；对得到的正弦脉冲信号进行滑动DFT函数处理，选取滑动窗函数来分析信号，并执行(n‑N)次DFT运算，得到经过DFT运算后幅值的最大值，用最大值的横坐标除以fs得到近似的时间延迟t0；fs为信号的采样频率；通过到达信号在处的相位信息和信号周期τ来对近似时间延迟t0进行修正和补偿；求得最终的时间延迟，将时间延迟乘以声速的得到距离值。本发明方法避免使用高奈奎斯特频率和将接收信号与参考信号或发送信号进行互相关的需要，采用基于相位信息的方法替代原始方法，降低了系统的复杂性，简化了算法，在实践中可操作性强。
-
公开(公告)号：CN119963794A
公开(公告)日：2025-05-09
申请号：CN202510053694.3
申请日：2025-01-13
Applicant: 东北大学
IPC: G06V10/22 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明的一种基于轻量化Yolov8的6‑Dof姿态估计方法，为使6‑Dof姿态估计任务更加准确快速，首先提出了基于Yolov8的6‑Dof姿态估计方法Yolov8‑6D达到了较好的准确率。在Yolov8‑6D的基础上提出了轻量化模型Yolov8‑lite‑6D‑v1，在保留原始网络大部分性能的同时，大幅减少了计算参数，实现了更快的姿态估计。为了最大程度地保持轻量化地特性并提高轻量化网络的准确率，采用基于内容引导的注意力机制进行特征融合设计了模型Yolov8‑lite‑6D‑v2。本发明具有较好的现实意义，轻量化的特性使得模型易于部署到各种平台，包括云服务、边缘设备和移动设备等。
-
公开(公告)号：CN118939980A
公开(公告)日：2024-11-12
申请号：CN202411320774.2
申请日：2024-09-23
Applicant: 东北大学
IPC: G06F18/21 , G06F17/14 , G06F17/16 , G06F18/213 , G06F18/25 , G06F18/28 , G01M13/00 , G01M13/04 , G01M13/045
Abstract: 本发明的一种基于视听信息融合的旋转机械故障信号分离和诊断方法，将基于视觉信息辅助的声源定位方法与非负矩阵分解相结合实现对旋转机械故障信号源的定位、对故障信号的分离和特征提取。本发明提出的基于视觉信息辅助的声源定位方法，在多个声源之间角度差较小的情况下能够克服传统GCC声源定位算法的缺点，对目标故障源的角度进行更加准确的估计，得到源信号到达不同阵元的时间差，从而实现故障源的准确定位。实验表明，本发明的信号分离和诊断方法对故障信号的分离效果较好，且能够对故障类型做出准确的判断。
-
公开(公告)号：CN116689503A
公开(公告)日：2023-09-05
申请号：CN202310427981.7
申请日：2023-04-20
Applicant: 东北大学
IPC: B21B37/16
Abstract: 本发明的一种基于记忆性功能网络的带钢全长厚度预测方法，包括：每间隔相等时间采集一次实时过程轧制数据和带钢出口厚度的实测值，构成输入特征数据集；将输入特征数据集按比例、按时间顺序分为训练集和测试集并进行归一化处理；构建带钢厚度点预测的GLSTM网络，并训练得到点预测的GLSTM网络各层的连接权重和偏置；利用粒子群算法优化点预测的GLSTM网络的输出层的连接权重，得到最佳的输出层的连接权重Wopt；基于除去输出层之外的各层的连接权重和偏置以及Wopt，构建带钢厚度区间预测的GLSTM网络，根据评价指标确定区间预测的GLSTM网络的最佳参数；利用最优区间预测的GLSTM网络进行带钢全长厚度预测。
-
公开(公告)号：CN114021290B
公开(公告)日：2022-04-05
申请号：CN202210000389.4
申请日：2022-01-04
Applicant: 东北大学
IPC: G06F30/17 , G06F30/27 , G06N3/04 , G06N3/08 , B21B37/28 , B21B1/26 , G06F119/08 , G06F119/14
Abstract: 本发明属于带钢产品品质控制技术领域，涉及一种基于数据驱动和机理模型融合的板带钢凸度预测方法，通过建立热连轧出口板凸度机理模型，将机理模型与DNN模型结合建立带钢凸度预测DNN模型，以机理模型计算值作为出口板凸度的基准值，并将基准值与出口板凸度的实际值的偏差量作为带钢凸度预测DNN模型的输出，再将基于带钢凸度预测DNN模型的预测值与基准值的和作为最终的板带钢凸度预测值。本发明方法将计算值和实际值的偏差作为DNN模型输出，可减小预测误差范围，为更精准的板形控制提供保障。现阶段热连轧生产线在工业数据的收集与存储方面皆较为完善，因此本发明有较强的推广能力，为提高板带钢出口板凸度的精度提供新方法。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.019 seconds)
