-
公开(公告)号：CN110631499B
公开(公告)日：2020-11-10
申请号：CN201910861270.4
申请日：2019-09-11
Applicant: 北京大学
Abstract: 本发明涉及一种基于无网格方法的数字图像变形测量方法和电子设备。其中测量方法包括以下步骤：获取变形前后包含感兴趣区域的散斑图像；在感兴趣区域内布置离散的K个节点；根据变形前后对应点灰度值之差构造误差函数；选定近似函数并将任一点的位移变量用N个节点位移值近似表示，其中N为当前点支撑域内的节点个数，且N≤K；计算所述误差函数取得极小值时，各节点处位移值。本发明通过无网格方法的近似方案建立各节点之间的联系，在保证位移场连续性的同时节约了前处理时间，使用简单便捷，对复杂边界具有更好的适应性，具有更高的计算精度。
-
公开(公告)号：CN113091959B
公开(公告)日：2022-03-22
申请号：CN202110323025.5
申请日：2021-03-25
Applicant: 北京大学
IPC: G01L1/00
Abstract: 本公开提供了一种基于图像无网格的非接触式应力测量方法、装置、电子设备及存储介质。该基于图像无网格的非接触式应力测量方法包括：获取n个时刻的散斑图像I0、……、In‑1；从获取的散斑图像中读取参考图像I0和待测时刻ti对应的待测图像Ii；对参考图像I0和待测图像Ii进行预滤波，获得噪声降低后的图像布置场节点，对当前模型进行离散，构造总体刚度矩阵；对总体刚度矩阵执行正则化处理并求解离散系统方程，获得待测时刻ti的应力场分布。本公开从散斑图像出发直接获得应力场分布，操作简单；适用性广，能够处理复杂受力及非线性几何/物理模型情况；采用预滤波及正则化处理，具有更高的鲁棒性，应力精度较高。
-
公开(公告)号：CN110686610A
公开(公告)日：2020-01-14
申请号：CN201910861268.7
申请日：2019-09-11
Applicant: 北京大学
IPC: G01B11/16
Abstract: 本发明涉及一种基于自适应网格的光学变形测量方法和电子设备。其中测量方法包括：获取包含感兴趣区域的散斑图像，在感兴趣区域划分均匀网格，确定对应的系数矩阵的条件数随网格单元尺寸变化的L型曲线；以L型曲线拐点对应的尺寸作为单元尺寸下限，并以同等尺寸作为初始上限，在图像的第二区域范围划分均匀网格，该第二区域包含该感兴趣区域；以第二区域划分的均匀网格计算并更新位移场；根据更新的位移场确定感兴趣区域的应变梯度场，及根据应变梯度场确定单元尺寸上下限，通过应变梯度和单元尺寸的映射关系确定单元尺寸的分布。本发明测量方法通过自适应选定网格尺寸，减少大应变梯度位置由于形函数不匹配造成的误差及小应变梯度位置的随机误差。
-
公开(公告)号：CN114549614B
公开(公告)日：2024-11-05
申请号：CN202111575604.5
申请日：2021-12-21
Applicant: 北京大学
IPC: G06T7/62 , G06N3/0464 , G06N3/08
Abstract: 本公开提供一种基于深度学习的数字体积相关方法、装置、设备及介质。该基于深度学习的数字体积相关方法包括：生成深度学习网络训练所用的三维图像数据集；构建深度学习网络；利用三维图像数据集对深度学习网络进行训练；输入变形前和变形后的三维数字体积图像到训练好的深度学习网络并执行计算，得到亚体素精度的三维变形场。本公开利用深度学习网络直接对三维数字体积图像的变形场进行测量，避免了复杂的迭代求解，计算简单易行，测量具有高精度的同时，也极大提升了测量速度，能够实现实时的亚体素精度三维变形场预测。
-
公开(公告)号：CN116144274A
公开(公告)日：2023-05-23
申请号：CN202310077646.9
申请日：2023-01-17
Applicant: 北京大学
Abstract: 本发明公开了一种油脂界面粘附性增强方法及测试方法，其中油脂界面粘附性增强方法包括：选择两片油脂组织，在两片油脂组织之间注射水凝胶，以增强两片油脂组织界面的粘附性；其中，该水凝胶由双亲分子、生物可降解主网络以及拓扑小分子通过物理交联形成。本发明通过双亲分子在油脂粘附界面形成堆积的斑驳电荷和微纳米气泡，从而聚集诱导产生远距离的非DLVO吸引力实现瞬时脂肪粘接，同时利用拓扑小分子自发熵驱动拓扑粘接机理，依靠拓扑小分子的先驱性引领生物可降解主网络在粘附界面扩散并形成自增强拓扑网络缠结，突破油脂界面疏水势能，实现对油脂界面的瞬时、长效、高强粘附，大大增强了油脂界面的粘附性。
-
Patent Agency Ranking
公开(公告)号：CN110686610B
公开(公告)日：2020-12-22
申请号：CN201910861268.7
申请日：2019-09-11
Applicant: 北京大学
IPC: G01B11/16
Abstract: 本发明涉及一种基于自适应网格的光学变形测量方法和电子设备。其中测量方法包括：获取包含感兴趣区域的散斑图像，在感兴趣区域划分均匀网格，确定对应的系数矩阵的条件数随网格单元尺寸变化的L型曲线；以L型曲线拐点对应的尺寸作为单元尺寸下限，并以同等尺寸作为初始上限，在图像的第二区域范围划分均匀网格，该第二区域包含该感兴趣区域；以第二区域划分的均匀网格计算并更新位移场；根据更新的位移场确定感兴趣区域的应变梯度场，及根据应变梯度场确定单元尺寸上下限，通过应变梯度和单元尺寸的映射关系确定单元尺寸的分布。本发明测量方法通过自适应选定网格尺寸，减少大应变梯度位置由于形函数不匹配造成的误差及小应变梯度位置的随机误差。
-
公开(公告)号：CN114549614A
公开(公告)日：2022-05-27
申请号：CN202111575604.5
申请日：2021-12-21
Applicant: 北京大学
Abstract: 本公开提供一种基于深度学习的数字体积相关方法、装置、设备及介质。该基于深度学习的数字体积相关方法包括：生成深度学习网络训练所用的三维图像数据集；构建深度学习网络；利用三维图像数据集对深度学习网络进行训练；输入变形前和变形后的三维数字体积图像到训练好的深度学习网络并执行计算，得到亚体素精度的三维变形场。本公开利用深度学习网络直接对三维数字体积图像的变形场进行测量，避免了复杂的迭代求解，计算简单易行，测量具有高精度的同时，也极大提升了测量速度，能够实现实时的亚体素精度三维变形场预测。
-
公开(公告)号：CN114399470A
公开(公告)日：2022-04-26
申请号：CN202111575751.2
申请日：2021-12-21
Applicant: 北京大学
Abstract: 本公开提供一种超高时空分辨率细胞牵引力定量方法、装置、设备及介质。该超高时空分辨率细胞牵引力定量方法包括：分别构建并训练第一神经网络、第二神经网络、第三神经网络和第四神经网络；待测细胞消化前后荧光标志物的荧光图像分别由训练好的第一神经网络、第二神经网络和第三神经网络预测各采样点位移，并进行整合；将整合后的位移场输入到第四神经网络中进行预测，得到待测细胞牵引力场的分布。本公开通过引入机器学习，有效提高了细胞牵引力定量的空间分辨率，获得更加精确的定量结果，降低了细胞牵引力定量的计算复杂度，显著提高了细胞牵引力定量的时间分辨率，可用于对细胞牵引力的实时定量测量。
-
公开(公告)号：CN111369549A
公开(公告)日：2020-07-03
申请号：CN202010163919.8
申请日：2020-03-10
Applicant: 北京大学
Abstract: 本发明公开了一种图像质量和变形梯度调控的数字图像变形表征方法、装置、电子设备及介质。数字图像变形表征方法包括：提供变形前后的散斑图像；针对变形前后的散斑图像，通过海森矩阵条件数的变化，确定单元或子区尺寸最小值；根据单元或子区尺寸最小值，通过整像素搜索或指定初始网格或子区分布，粗略计算位移场；根据位移场及切向量相关函数C(r)＝(t(s)·t(s+r))min＝C0，确定单元或子区尺寸最大值；根据确定的单元或子区尺寸最大值，判断是否满足收敛条件 或i＞N，i为迭代次数，N为循环次数，如果满足，则输出当前位移场，实现图像质量和变形梯度调控的数字图像变形表征。本发明适应复杂的变形情况及图像质量，具有更高的精确性和准确性，易于使用。
-
公开(公告)号：CN114399470B
公开(公告)日：2024-12-20
申请号：CN202111575751.2
申请日：2021-12-21
Applicant: 北京大学
IPC: G06T7/00 , G06N3/0464 , G06N3/084
Abstract: 本公开提供一种超高时空分辨率细胞牵引力定量方法、装置、设备及介质。该超高时空分辨率细胞牵引力定量方法包括：分别构建并训练第一神经网络、第二神经网络、第三神经网络和第四神经网络；待测细胞消化前后荧光标志物的荧光图像分别由训练好的第一神经网络、第二神经网络和第三神经网络预测各采样点位移，并进行整合；将整合后的位移场输入到第四神经网络中进行预测，得到待测细胞牵引力场的分布。本公开通过引入机器学习，有效提高了细胞牵引力定量的空间分辨率，获得更加精确的定量结果，降低了细胞牵引力定量的计算复杂度，显著提高了细胞牵引力定量的时间分辨率，可用于对细胞牵引力的实时定量测量。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.015 seconds)
