-
公开(公告)号:CN116637341A
公开(公告)日:2023-08-25
申请号:CN202310535415.8
申请日:2023-05-12
Applicant: 南通大学
Abstract: 本发明公开一种基于深度摄像技术辅助体育锻炼的系统及其方法,基于深度摄像技术、传感器技术、超声波测距技术、大数据算法,为人们体育锻炼提更加可靠的锻炼计划,本发明利用利用传感器技术,多模态融合,利用热成像技术,根据人体运动时温度的变化对人体某个区域机体活动的强度和运动量变化进行监测;利用超声波测距技术测量锻炼者身高,以及是否位于合理的传感器监测范围内。基于以上多项测算,最大程度上建立出三维人体模型,并通过以上数据自动测算出锻炼者所需要的力度以及所需要做的个数与组数。使体育锻炼更加科学化、数字化、个性化,避免体育锻炼过程中的新手锻炼者锻炼不到位或者过度的情况,同时为新手提供锻炼方案。
-
公开(公告)号:CN118447244A
公开(公告)日:2024-08-06
申请号:CN202410535284.8
申请日:2024-04-29
Applicant: 南通大学
IPC: G06V10/26 , G06V10/44 , G06V10/52 , G06V10/62 , G06V10/80 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/048 , G06N3/049 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了基于多尺度卷积和Mamba结构的脑肿瘤图像分割方法,属于MRI图像分割技术领域。解决了现有方法对脑肿瘤MRI图像的细节特征提取不足和计算量大的技术问题。其技术方案为:该方法使用训练集和验证集训练MambaBTS网络,得到脑肿瘤图像分割模型;MambaBTS网络为Unet网络作为基础网络,在Unet网络的每个下采样层中采用多尺度聚合编码器;多尺度聚合编码器包括残差提取模块、MambaLayer模块;脑肿瘤图像分割模型对测试集进行预测并输出对脑肿瘤区域分割的结果。本发明的有益效果为引入状态空间模型,减小计算量,并引入串级残差多尺度卷积模块提升细节特征的识别能力。
-
公开(公告)号:CN119051336A
公开(公告)日:2024-11-29
申请号:CN202411107647.4
申请日:2024-08-13
Applicant: 南通大学
IPC: H02K5/26
Abstract: 本发明公开了一种机电作动器,具体涉及作动器技术领域,解决了现有的作动器难以有效的进行位置调整的技术问题;其技术方案为:通过设置调节机构,可使两组连接臂稳定的驱动工型板上下升降,从而可对作动器本体的高度进行调节,使得作动器本体的输出端能够对接在部件接头处;通过设置转动机构,可控制连接轴带动作动器本体缓缓转动,从而可对作动器本体的角度进行调节,使得作动器本体的输出端能够准确的朝向部件接头;本发明可有效实现作动器本体的位置调节,使得作动器本体的输出端与部件接头能够准确对接,避免了位置偏差导致的重新拆装,工作效率高,大大提高了装置的使用效果。
-
公开(公告)号:CN116844222A
公开(公告)日:2023-10-03
申请号:CN202310308786.2
申请日:2023-03-27
Applicant: 南通大学
Abstract: 本发明公开一种基于深度摄影技术的平衡木游戏反馈系统及反馈方法,方法包含以下步骤:Step1、通过深度摄像相机拍摄体操运动员平衡木训练时各种动作的照片,制作运动员动作数据集,并对数据做增强处理;Step2、使用nnformer作为体操运动员加分动作分割模型,采用监督学习训练动作分割模型;Step3、对监督学习方法进行改进,并对改进后的模型进行训练;Step4、使用训练好的子模型进行图像分割。Step5、结合游戏反馈系统,进行动作智能评分修正。本发明提出改进的监督学习方法,结合计算机视觉,准确率更高,且不会增加推理时间,模型的实用性和泛化性更高。且本发明结合游戏反馈系统,可以增加运动员训练趣味,并可以应用于生活中。
-
公开(公告)号:CN116434025A
公开(公告)日:2023-07-14
申请号:CN202310438180.0
申请日:2023-04-23
Applicant: 南通大学
Abstract: 本发明涉及目标检测技术领域,具体涉及一种基于多尺度感受野特征融合的目标检测模型,本发明设计新模块CspRepSPP,使用深度卷积(Depthwise Convolution)代替SPPF模块中的最大池化,通过深度卷积在特征图每个通道上进行卷积运算,有效地解决了原模块存在的信息丢失问题,并通过结构重参数化与CSP(CrossStagePartial)化进一步降低了模块在推理过程中的计算量。新模块CspRepSPP相比SPPF,在推理阶段具有更快的运算速度,并有更大的精度提升。同时,本发明受SPP的多尺度感受野特征融合思想启发,设计了一个新的特征提取模块ImprovedBottleNeck,将该模块替换YOLOv5中的传统BottleNeck,使得目标检测模型在每个阶段都对不同大小感受野的特征进行融合,进一步提升了模型的检测精度,并且没有额外的运算量。
-
-
-
-