-
公开(公告)号：CN117968734B
公开(公告)日：2024-06-14
申请号：CN202410362746.0
申请日：2024-03-28
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种弹载红外焦平面阵列传感器故障诊断方法、装置，包括：利用弹载红外焦平面阵列传感器各面元的衰减系数对各面元输出的红外辐射测量值进行预处理；将预处理后弹载红外焦平面阵列传感器的输出矩阵映射到红外图像中，得到实时红外图像；利用弹载红外焦平面阵列传感器上一时刻的弹丸俯仰角姿态解算值，计算无故障LBP纹理矩阵及其互补矩阵；利用改进的LBP算法计算实时红外图像的实时LBP纹理矩阵；通过比较实时LBP纹理矩阵和无故障LBP纹理矩阵及其互补矩阵，得到弹载红外焦平面阵列传感器故障诊断结果。本发明能够在面对红外干扰情况下，快速准确的诊断出红外传感器的故障面元。
-
Patent Agency Ranking
公开(公告)号：CN110348396B
公开(公告)日：2022-02-11
申请号：CN201910635202.6
申请日：2019-07-15
Applicant: 南京信息工程大学
IPC: G06V20/58 , G06V10/56 , G06K9/62 , G06V10/764
Abstract: 本发明公开了一种基于深度学习的道路上方文字交通标志识别方法及装置，所述方法包括如下步骤：先采集道路上方文字交通标志，并对图像进行预处理；然后基于源域已训练好的网络参数迁移到Faster‑R‑CNN网络上作为文字交通标志检测网络的初始网络参数，基于目标域样本对网络参数进行微调获得最终的网络参数；对RGB颜色空间的交通标志图像进行HSV颜色空间转换，并将转换后的HSV颜色空间图像也作为Faster‑R‑CNN网络的输入；最后利用EAST文本文字检测网络模型和ELM分类器的识别模型对检测到的道路上方文字交通标志进行识别分类，并输出检测结果。实现了在自然场景下提取出交通标志中的有效信息。
-
公开(公告)号：CN110348396A
公开(公告)日：2019-10-18
申请号：CN201910635202.6
申请日：2019-07-15
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于深度学习的道路上方文字交通标志识别方法及装置，所述方法包括如下步骤：先采集道路上方文字交通标志，并对图像进行预处理；然后基于源域已训练好的网络参数迁移到Faster-R-CNN网络上作为文字交通标志检测网络的初始网络参数，基于目标域样本对网络参数进行微调获得最终的网络参数；对RGB颜色空间的交通标志图像进行HSV颜色空间转换，并将转换后的HSV颜色空间图像也作为Faster-R-CNN网络的输入；最后利用EAST文本文字检测网络模型和ELM分类器的识别模型对检测到的道路上方文字交通标志进行识别分类，并输出检测结果。实现了在自然场景下提取出交通标志中的有效信息。
-
公开(公告)号：CN118258426A
公开(公告)日：2024-06-28
申请号：CN202410684559.4
申请日：2024-05-30
Applicant: 南京信息工程大学
Abstract: 本发明提出了一种红外姿态测量方法、装置，包括：利用奇次幂函数对简化的弹载红外姿态测量数学模型进行修正，得到红外姿态测量修正模型；根据当前背景环境下红外辐射随地倾角变化的变化曲线，利用所述红外姿态测量修正模型得到修正后的幅值和相位；根据所述修正后的幅值和相位，以及弹载红外传感器的输出信号，得到修正后的红外辐射亮度信号。本发明能够实现对红外姿态测量信号随弹体姿态角变化更为准确的数学表达，提高红外姿态测量理论模型的准确性。
-
公开(公告)号：CN117968734A
公开(公告)日：2024-05-03
申请号：CN202410362746.0
申请日：2024-03-28
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种弹载红外焦平面阵列传感器故障诊断方法、装置，包括：利用弹载红外焦平面阵列传感器各面元的衰减系数对各面元输出的红外辐射测量值进行预处理；将预处理后弹载红外焦平面阵列传感器的输出矩阵映射到红外图像中，得到实时红外图像；利用弹载红外焦平面阵列传感器上一时刻的弹丸俯仰角姿态解算值，计算无故障LBP纹理矩阵及其互补矩阵；利用改进的LBP算法计算实时红外图像的实时LBP纹理矩阵；通过比较实时LBP纹理矩阵和无故障LBP纹理矩阵及其互补矩阵，得到弹载红外焦平面阵列传感器故障诊断结果。本发明能够在面对红外干扰情况下，快速准确的诊断出红外传感器的故障面元。
-
公开(公告)号：CN110348355A
公开(公告)日：2019-10-18
申请号：CN201910589073.1
申请日：2019-07-02
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于强化学习的车型识别方法，旨在充分挖掘CNN在特征提取和分类识别方面的优势，为实现准确鲁棒的车型精细化识别提供解决方案。其特征在于模仿人类视觉注意机制，设计基于分类显著性强的视觉注意模型和视点自动选择方法，视觉注意模型特征在于构建注意映射矩阵和视点聚焦模板，视点自动选择模型特征在于利用基于SARSA的强化学习算法进行视点的自主选择，使得模型能够自适应地选择最佳图像识别区域，取得最佳车型识别效果。本发明方法不仅能克服传统人工提取特征算法无法适应车辆在图像中位置、尺度和轮廓发生变化的弊端，而且能有效应对摄像机拍摄角度改变和车辆遮挡带来的挑战。
-
-
-
-
-
Search Results
6
records
(took 0.031 seconds)
