-
公开(公告)号：CN110133597A
公开(公告)日：2019-08-16
申请号：CN201910482876.7
申请日：2019-06-04
Applicant: 南开大学
IPC: G01S5/26
Abstract: 本发明公开一种基于超声波信标系统的融合定位方法及系统。方法包括：获取固定信标和移动信标的原始坐标信息；根据固定信标和移动信标的原始坐标信息，得到固定信标和移动信标之间的原始距离信息；采用卡尔曼滤波方法对距离信息进行修正，得到修正距离信息；根据固定信标的原始坐标信息和修正距离信息，得到移动信标的真实坐标信息；将真实坐标信息通过调制解调器上传至客户端。本发明针对实际应用中由非视距传播引起的测量误差，采用卡尔曼滤波算法对测距进行优化，能够提高定位精度，同时通过采用最小二乘法将数据信息化，也能进一步提高定位精度。
-
公开(公告)号：CN112257023A
公开(公告)日：2021-01-22
申请号：CN202010509985.6
申请日：2020-06-08
Applicant: 南开大学
IPC: G06F17/16 , G06F16/9535
Abstract: 本发明属于推荐算法和凸优化技术领域，具体涉及一种应用于SVD++推荐算法的求解无约束凸优化方法。本发明深入发掘SVD++推荐算法梯度下降的局限性，提出了一种基于回溯求解凸优化SVD++的推荐算法。该方法同时利用了凸优化求解问题的高效性，结合SVD++推荐算法模型，利用回溯搜索对推荐算法中梯度下降问题进行求解。回溯SVD++推荐算法模型与传统推荐算法模型相比，可以更有效地利用算法中梯度下降自动更新学习率更快地求解全局最优解。实验结果表明，本发明提出的一种基于回溯求解凸优化SVD++的推荐算法具有很好的收敛性，与现有方法相比，可以有效提升推荐系统的准确性与效率。
-
Patent Agency Ranking
公开(公告)号：CN109978949A
公开(公告)日：2019-07-05
申请号：CN201910236562.9
申请日：2019-03-26
Applicant: 南开大学
Abstract: 本发明针对如何在农作物自动化采摘过程中识别并定位农作物这一问题，提出了一种基于计算机视觉技术的YOLOv3算法与点云图像坐标法相结合的农作物识别定位方法。本发明首先利用Kinect v2深度相机获取场景的RGB图像以及深度图像，再通过YOLOv3算法对RGB图像中的多种类目标农作物进行识别，选择合适的方法确定目标农作物的特征点，最后通过点云图像确定特征点的三维坐标。实验结果表明，使用本发明方法识别出的农作物准确度高，空间位置定位误差小，与RGB图像分割法和LTLS坐标变换法相比，不仅精度高，且实现方法简单，便于操作，可为接下来使用机械臂对农作物执行采摘操作奠定良好的基础。
-
公开(公告)号：CN109978949B
公开(公告)日：2023-04-28
申请号：CN201910236562.9
申请日：2019-03-26
Applicant: 南开大学
Abstract: 本发明针对如何在农作物自动化采摘过程中识别并定位农作物这一问题，提出了一种基于计算机视觉技术的YOLOv3算法与点云图像坐标法相结合的农作物识别定位方法。本发明首先利用Kinect v2深度相机获取场景的RGB图像以及深度图像，再通过YOLOv3算法对RGB图像中的多种类目标农作物进行识别，选择合适的方法确定目标农作物的特征点，最后通过点云图像确定特征点的三维坐标。实验结果表明，使用本发明方法识别出的农作物准确度高，空间位置定位误差小，与RGB图像分割法和LTLS坐标变换法相比，不仅精度高，且实现方法简单，便于操作，可为接下来使用机械臂对农作物执行采摘操作奠定良好的基础。
-
公开(公告)号：CN113408524A
公开(公告)日：2021-09-17
申请号：CN202110657852.8
申请日：2021-06-11
Applicant: 南开大学
Abstract: 本发明属于深度学习与图像处理算法技术领域，具体涉及一种应用于Mask Rcnn图像处理算法的网络结构设计与实现及增添边缘损失方法。本发明提出了一种基于Mask Rcnn的农作物图像分割提取算法。首先对Fruits 360数据集进行预处理，利用PyTorch深度学习框架搭建改进Mask Rcnn网络模型构架，在网络设计中增添路径聚合与特征增强功能，优化了区域提取网络和特征金字塔网络。通过ROIAlign中的双线性插值法来保存特征图的空间信息，最后为进一步提高分割掩模边缘精度，在ROI输出的mask分支中增添微全连接层，并使用sobel算子预测目标边缘，在损失函数中加入边缘损失。通过与传统图像提取算法对比实验结果表明，本发明方法性能优异，准确性、鲁棒性和网络的泛化性能均有更优良的表现。
-
公开(公告)号：CN111681298A
公开(公告)日：2020-09-18
申请号：CN202010509984.1
申请日：2020-06-08
Applicant: 南开大学
Abstract: 本发明属于信号处理和深度学习技术领域，具体涉及一种应用于压缩感知的农作物图像重建方法。针对如何在农作物生长监测中实现对农作物图像快速、准确获取这一问题，本发明提出了一种基于多特征残差网络的深度压缩感知图像重建方法。该方法利用卷积神经网络自主学习农作物图像的不同特征信息，结合残差模块，实现压缩感知逆求解。基于深度学习的图像重建方法与传统的图像重建方法相比，放宽了对原始信号稀疏性的假设条件，将多次迭代转换成深度神经网络计算，可获得更高的精确度。实验结果表明，本发明提出的基于多特征残差网络的压缩感知图像重建方法可提升农作物图像的重建质量。
-
公开(公告)号：CN109829518A
公开(公告)日：2019-05-31
申请号：CN201910196273.0
申请日：2019-03-15
Applicant: 南开大学
Abstract: 本发明公开了基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法。本发明首先将温湿度、光照、PH和电导率无线传感器节点采集的原始数据经汇聚节点发送到网关，在网关处利用三次指数平滑对原始数据进行预处理，剔除异常数据和噪声数据；采用基于指数型信任度的融合算法对平滑数据进行融合，并结合改进的遗传算法对融合估计值进行优化。试验结果表明，三次指数平滑能明显减少数据波动，提高系统稳定性；与算术平均法和自适应加权法等常用的数据融合算法相比，融合信任度和改进遗传的数据融合算法能够有效提高融合精度，减少算法执行时间。
-
-
-
-
-
-
Search Results
7
records
(took 0.023 seconds)
