-
公开(公告)号：CN109814169B
公开(公告)日：2023-09-22
申请号：CN201910191308.1
申请日：2019-03-13
Applicant: 河北工业大学
IPC: G01V8/20 , G01V3/08 , G01V11/00 , G05B19/042
Abstract: 本发明为一种基于红外—可见光谱技术的防止幼儿独自乘坐扶梯装置，该装置包括拦截装置、红外感知装置、图像采集及显示装置和单片机处理器；所述的拦截装置安装在距离自动扶梯入口10～15厘米处，红外感应装置安装在拦截装置前方10～15厘米处；所述拦截装置包括组成相同的左右两部分，每部分包括箱体、摆臂、摆闸门；摆闸门和摆臂固定相连，摆臂通过转轴和箱体相连。本发明的拦截装置为全自动智能控制，不需要人力的帮助，在避免意外发生，保护幼儿安全的同时，大大减少人力资源的浪费，同时延时开门设置又保证幼儿能在监护人的看护下乘坐自动扶梯。
-
公开(公告)号：CN115309814A
公开(公告)日：2022-11-08
申请号：CN202210943271.5
申请日：2022-08-08
Applicant: 河北工业大学
Abstract: 本发明为基于结构化低秩张量补全的物联网数据重建方法，首先将监测区域离散为多个网格点，每个网格点内部署一个传感器节点；假设传感器节点每隔一个时隙感知一次数据，故基站在时间T内接收到的数据组成三阶张量；其次，将数据重建转换为基础低秩张量补全问题，并构建低秩张量补全模型；最后，对三阶张量的每个模式i的展开矩阵进行块汉克尔矩阵变化，将基础低秩张量补全模型改进为结构化低秩张量补全模型，对结构化低秩张量补全模型的增广拉格朗日函数进行求解，得到三阶张量，完成物联网数据重建。将连续时刻采集的数据以三阶张量进行排列，充分利用数据的空间相关性；对三阶张量的每个模式i展开矩阵进行块汉克尔矩阵变化，通过结构化和低秩张量补全结合进行数据重建，更进一步挖掘利用数据的时空相关性，缓解了基于稀疏约束方法中基不匹配对重建性能的影响，提高了数据重建精度。
-
公开(公告)号：CN109814169A
公开(公告)日：2019-05-28
申请号：CN201910191308.1
申请日：2019-03-13
Applicant: 河北工业大学
IPC: G01V8/20 , G01V3/08 , G01V11/00 , G05B19/042
Abstract: 本发明为一种基于红外—可见光谱技术的防止幼儿独自乘坐扶梯装置，该装置包括拦截装置、红外感知装置、图像采集及显示装置和单片机处理器；所述的拦截装置安装在距离自动扶梯入口10～15厘米处，红外感应装置安装在拦截装置前方10～15厘米处；所述拦截装置包括组成相同的左右两部分，每部分包括箱体、摆臂、摆闸门；摆闸门和摆臂固定相连，摆臂通过转轴和箱体相连。本发明的拦截装置为全自动智能控制，不需要人力的帮助，在避免意外发生，保护幼儿安全的同时，大大减少人力资源的浪费，同时延时开门设置又保证幼儿能在监护人的看护下乘坐自动扶梯。
-
公开(公告)号：CN109729829A
公开(公告)日：2019-05-10
申请号：CN201910212192.5
申请日：2019-03-20
Applicant: 河北工业大学
Abstract: 本发明为一种基于双目识别技术的智能山楂采摘机器人。该机器人包括山楂采摘装置、行进装置、图像采集处理装置；所述的山楂采摘装置包括机械手臂、小容量收集装置和大容量收集装置；所述的大容量收集装置为长方体箱体，固定在行进装置上；所述行进装置为履带式行进装置；所述图像采集处理装置包括三个可伸缩机架和三个CCD相和工业控制计算机，位于行进装置上。本发明中当山楂与剪刀网位置关系图像传回工业控制计算机后判断剪刀网是否收缩，剪断山楂梗，完成采摘，这样的设计充分保护了山楂果实。
-
公开(公告)号：CN109729829B
公开(公告)日：2023-05-26
申请号：CN201910212192.5
申请日：2019-03-20
Applicant: 河北工业大学
Abstract: 本发明为一种基于双目识别技术的智能山楂采摘机器人。该机器人包括山楂采摘装置、行进装置、图像采集处理装置；所述的山楂采摘装置包括机械手臂、小容量收集装置和大容量收集装置；所述的大容量收集装置为长方体箱体，固定在行进装置上；所述行进装置为履带式行进装置；所述图像采集处理装置包括三个可伸缩机架和三个CCD相和工业控制计算机，位于行进装置上。本发明中当山楂与剪刀网位置关系图像传回工业控制计算机后判断剪刀网是否收缩，剪断山楂梗，完成采摘，这样的设计充分保护了山楂果实。
-
Patent Agency Ranking
公开(公告)号：CN115623521A
公开(公告)日：2023-01-17
申请号：CN202211276937.2
申请日：2022-10-18
Applicant: 河北工业大学
Abstract: 本发明基于深度学习技术的物联网数据高分辨率感知方法，首先根据假定的物联网感知层的空间与时间信息，对采集数据进行空间和时间相关性处理，生成仿真感知数据；其次，将不同时间和空间相关性的仿真感知数据进行组合，生成用于模型训练的数据集；最后，构建高分辨率感知模型，在实际监测过程中，选取少量传感器节点组成物联网感知层对目标监测区域进行感知，得到低分辨率感知数据；低分辨率感知数据经过预处理后再输入到训练后的高分辨率感知模型中进行优化处理，得到高分辨率感知数据，完成物联网数据的高分辨率感知。该方法充分利用感知数据间的时间和空间相关信息，在不改变物联网感知层硬件设备的前提下，利用少量的传感器节点与低频次数据传输，实现对目标监测区域的高分辨率感知。
-
公开(公告)号：CN117706472A
公开(公告)日：2024-03-15
申请号：CN202311723399.1
申请日：2023-12-15
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于数据补全的物联网感知设备协同定位方法，首先在监测区域中随机部署包括传感器与无人机在内的感知设备，感知设备间的距离信息发送到基站，基站接收到的数据中包含缺失部分距离信息的矩阵；然后，将利用缺失部分距离信息的矩阵进行重建得到完整欧式距离矩阵的问题转化为低秩矩阵补全问题，并引入截断核范数和Lp范数，构建矩阵补全模型；对矩阵补全模型进行求解，并进行处理，得到重建后的欧式距离矩阵；最后，基于重建后的欧式距离矩阵和锚点的先验位置，得到所有感知设备的绝对位置，完成多感知设备的协同定位。该方法基于数据补全的思路，充分利用感知设备间的距离信息所构成的欧式距离矩阵的低秩性，对缺失的距离信息进行准确补全，具有较高的鲁棒性；利用锚点的先验位置实现了感知设备群体的协同定位，具有较高的定位精度。
-
公开(公告)号：CN113643399A
公开(公告)日：2021-11-12
申请号：CN202110940296.5
申请日：2021-08-17
Applicant: 河北工业大学
IPC: G06T11/00
Abstract: 本发明为一种基于张量链秩的彩色图像自适应重建方法，包括第一步、对待重建图像进行处理，生成基准图像和待补全的高阶张量；第二步、对待补全的高阶张量的初始化张量链秩的第一阶张量链秩增加不同的偏移量，生成m个候选张量链秩；第三步、对每个候选张量链秩进行最小化处理，得到m个重建后的张量；将重建后的张量转换成重建后的图像；第四步、重建后的图像与基准图像之间的结构相似度，选择结构相似度最高的重建后的图像对应的候选张量链秩作为第一阶张量链秩；第五步、重复执行第二～四步的操作，直到重建后的图像与基准图像之间的结构相似度大于0.95时，得到最优的重建图像。该方法不需要借助原始数据结构就可以对缺失的图像进行重建。
-
公开(公告)号：CN115623521B
公开(公告)日：2025-04-18
申请号：CN202211276937.2
申请日：2022-10-18
Applicant: 河北工业大学
IPC: H04W24/06 , H04W4/38 , H04W4/02 , G06N3/0464 , G06N3/08
Abstract: 本发明基于深度学习技术的物联网数据高分辨率感知方法，首先根据假定的物联网感知层的空间与时间信息，对采集数据进行空间和时间相关性处理，生成仿真感知数据；其次，将不同时间和空间相关性的仿真感知数据进行组合，生成用于模型训练的数据集；最后，构建高分辨率感知模型，在实际监测过程中，选取少量传感器节点组成物联网感知层对目标监测区域进行感知，得到低分辨率感知数据；低分辨率感知数据经过预处理后再输入到训练后的高分辨率感知模型中进行优化处理，得到高分辨率感知数据，完成物联网数据的高分辨率感知。该方法充分利用感知数据间的时间和空间相关信息，在不改变物联网感知层硬件设备的前提下，利用少量的传感器节点与低频次数据传输，实现对目标监测区域的高分辨率感知。
-
公开(公告)号：CN114125755B
公开(公告)日：2025-01-14
申请号：CN202111374344.5
申请日：2021-11-19
Applicant: 河北工业大学
IPC: H04W4/38 , H04W4/70 , H04L1/06 , H04L67/125
Abstract: 本发明为一种基于子空间的物联网多参量数据实时重建方法，该方法首先利用IoT数据的时空相关性，仅采集部分数据进行传输，即每个时隙只有部分采样数据被传输至基站，以降低传感器节点采集及传输数据所需能耗。其次，将连续时刻下采集到的多参量数据组成张量形式，充分利用多参量数据间的时空相关性和各类型数据间的内在关系；为实现实时数据重建，使用滑动窗口模型引入历史数据；基于Tucker分解，从历史数据中获取当前时隙数据的空间分布子空间，充分挖掘数据间的时空相关性以及内在联系；利用当前时隙接收到的部分采样数据和时空方向的约束总变差对当前时隙数据进行实时重建。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.019 seconds)
