专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果61个,建议您升级VIP下载更多相关专利
  • [发明专利]一种深度神经网络融合的飞机蒙皮损伤图像增强方法-CN202310152464.3在审
  • 慕佳伟;王从庆;沈佳瑜;陈威 - 南京航空航天大学
  • 2023-02-22 - 2023-05-16 - G06T5/00
  • 本发明公开了一种深度神经网络融合的飞机蒙皮损伤图像增强方法,采用自动色彩均衡方法构建色彩校正模块,以对原始低质图像进行初步增强;针对色彩校正后的图像进行尺寸规范,搭建出Swin‑Transformer和RefineNet融合模型;在Swin‑Transformer模块中采用一个卷积层替换原始结构以降低计算量,并搭建6层结构的深度细节增强模块以提取图像更深层次的细节特征;在RefineNet模块中将残差卷积层的模块个数减半而添加至多分辨率融合模块之后,并引入两个不同尺度的图像以提升图像结构特征的准确率;基于所搭建的Swin‑Transformer和RefineNet融合模型,实现从端到端的飞机蒙皮损伤图像增强。本发明提出的网络模型以增强低质飞机蒙皮损伤图像为目标,将深度神经网络应用于图像增强领域,能够达到很好的效果;同时,也为提升后续目标检测、图像分类等高级任务的检测精度作出了重大贡献。
  • 一种深度神经网络融合飞机蒙皮损伤图像增强方法
  • [发明专利]一种基于时频特征融合的肌电信号解码方法-CN201911029831.0有效
  • 滑少扬;王从庆 - 南京航空航天大学
  • 2019-10-28 - 2023-04-18 - G06F18/213
  • 本发明公开了一种基于时频特征融合的肌电信号解码方法,步骤为:采集时域肌电信号,并将时域信号转换为频域信号,对时域信号和频域信号分别进行信号预处理;根据预处理后的时域信号和频域信号,分别构造并训练初始时域特征提取网络和初始频域特征提取网络;采用迁移学习技术,将初始时域特征提取网络和初始频域特征提取网络在其最后一层进行连接,并添加新的全连接层进行整体训练,得到最终的时域特征提取网络和频域特征提取网络,并将其融合为一个网络,利用融合后的网络进行测试,实现肌电信号解码。本发明将预处理后的时域和频域信息进行融合,形成信息互补,提供识别准确率。
  • 一种基于特征融合电信号解码方法
  • [发明专利]剑麻毛羽测试仪-CN202210791245.5在审
  • 刘萧;张锡科;黄华;韩杰;胡广;王从庆 - 南通宏大实验仪器有限公司
  • 2022-07-07 - 2022-10-21 - G01N21/88
  • 本发明公开了剑麻毛羽测试仪,涉及剑麻毛羽测试仪技术领域,包括导线盘主体和仪器主体,所述导线盘主体包括导线盘底座,导线盘底座上通过螺栓固定有轴承座,导线盘底座上通过轴承座转动连接有旋转架,旋转架的底端通过螺栓固接有挡板一,挡板一与轴承座之间设有套设在旋转架外侧的同步轮一,旋转架的外侧固接有支撑块,支撑块和锁紧块之间设有套设在旋转架外侧的剑麻,此剑麻毛羽测试仪,区别于现有技术,该测试仪通过摄像头及其补光灯作用,采用清楚地图像处理技术,将毛羽测试、条干测试、捻度测试综合在一起,实现全新的剑麻毛羽测试仪设备,以提高测试效率,并满足现有毛羽测试的使用需求,使用效果好。
  • 剑麻毛羽测试仪
  • [发明专利]基于无人机和多视角几何的飞机蒙皮缺陷识别与定位方法-CN202210585119.4在审
  • 韩笑;王从庆 - 南京航空航天大学
  • 2022-05-27 - 2022-08-23 - G06T17/20
  • 本发明公开了一种基于无人机和多视角几何的飞机蒙皮缺陷识别与定位方法,使用无人机携带相机拍摄飞机蒙皮图像和视频,获取飞机蒙皮缺陷数据;采用ROS系统进行多进程管理,包含PCL点云库和用TensorRT部署的YOLOv5深度学习目标检测模型;使用无人机携带相机环绕飞机进行拍摄,并利用拍摄的图像通过多视角三维重建方法建立三维点云模型;用重建时得到的相机空间参数还原成像过程,将二维数字图像中识别的缺陷与三维模型上的位置匹配,将缺陷标记并还原于三维模型中。本发明避免了检测过程中与飞机蒙皮表面的接触,极大降低了维护成本和检测过程中对飞机不必要的损伤;且使缺陷更加直观清晰,便于工作人员分析。
  • 基于无人机视角几何飞机蒙皮缺陷识别定位方法
  • [发明专利]一种基于解析预测的航天器变轨控制方法-CN202210340070.6在审
  • 彭秀辉;解元博;王增茂;陈啸林;周艺嘉;王从庆 - 南京航空航天大学
  • 2022-04-01 - 2022-08-05 - B64G1/24
  • 本发明涉及一种基于解析预测的航天器变轨控制方法,包括以下步骤:1、建立以刚体运动群SE(3)刻画姿轨状态的系统动力学模型;2、分析基于经典PD控制律的闭环系统的不变性特征,求解得到动力学模型下闭环系统的解析解形式;3、针对具有执行器时延干扰的航天器系统,设计基于解析预测补偿的航天器变轨控制律,同时分析系统的稳定性及稳定条件。本发明针对具有执行器时延干扰的航天器系统变轨控制问题,通过求解闭环系统解析解预测了航天器姿轨状态,并设计基于解析预测的补偿变轨控制律。无论执行器时延干扰完全已知或区间已知,本发明均能够提高航天器变轨任务的稳定控制效果。
  • 一种基于解析预测航天器控制方法
  • [发明专利]一种公路自动侧方停车路径规划及控制方法-CN202210205643.4在审
  • 彭秀辉;解元博;王增茂;陈啸林;王从庆 - 南京航空航天大学
  • 2022-03-03 - 2022-07-29 - B60W30/06
  • 本发明公开了一种公路自动侧方停车路径规划及控制方法,属于自主智能停车技术领域。所述方法包括以下步骤:当无人驾驶车辆接收到自动停车指令后,进入路径规划过程,利用路径规划算法自动规划可行的停车路径;若目标车辆所在区域能够规划出可行的停车路径,则进入停车过程,利用停车控制算法沿所述停车路径执行自动停车任务;若目标车辆所在区域因环境约束无法规划出可行的停车路径,则进入停车引导过程,引导驾驶员前往可行区域;此外,本发明在停车过程中,若环境出现干扰,则进入停车等待过程,直到干扰消失。本发明所述方法无需进一步获取路径上的期望速度,所设计的停车控制算法提高了停车准确度,使车辆能够自主地完成停车任务,具有智能性、实用性和安全性。
  • 一种公路自动停车路径规划控制方法
  • [发明专利]一种基于改进Scaled-YOLOv4的伪装人员目标检测方法-CN202210256543.4在审
  • 许彬;王从庆;刘杨 - 南京航空航天大学
  • 2022-03-16 - 2022-07-01 - G06V20/17
  • 本发明公开了一种基于改进Scaled‑YOLOv4的伪装人员目标检测方法,对预先获取的伪装人员活动图像进行预处理,并划分为训练集和测试集;构建包括骨干网络、路径聚合网络和检测头的扩展跨阶段网络Scaled‑YOLOv4模型;在Scaled‑YOLOv4模型中设计一个包括两个感受野区块和两个有效通道注意力模块的自上而下路径特征增强网络结构以代替原路径聚合网络,形成改进的Scaled‑YOLOv4模型;基于改进的Scaled‑YOLOv4模型,进行伪装人员的目标检测。本发明提出的网络结构的优化可以增强伪装目标的特征图,得到伪装目标在原始图像中的位置信息,以降低网络的漏检率和误检率;且网络结构稳定,实用性强等特点,进一步提升了对树林中伪装目标图像中多尺度目标的检测精度。
  • 一种基于改进scaledyolov4伪装人员目标检测方法
  • [发明专利]一种基于递归神经网络与集成学习的肌电信号解码方法-CN202111384906.4在审
  • 滑少扬;王从庆 - 南京航空航天大学
  • 2021-11-22 - 2022-04-01 - G06K9/00
  • 本发明公开了一种基于递归神经网络与集成学习的肌电信号解码方法,包括肌电信号与力量信号预处理,肌电通道选择,递归神经网络构建和集成学习算法构建四部分;将递归神经网络作为弱回归器,在训练上采用力量信号所对应的之前一段时间的肌电信号作为输入;采用改进的集成学习算法,在赋予新一轮数据样本权重时,针对误差较大的训练数据,将考虑在其他力量大小相似的训练样本中是否也存在较大差异,从而寻找对于肌肉疲劳具有抗性的肌电信号特征;在弱回归器的训练过程中采用迁移学习方法,减少计算负担。本发明能提高训练效率,最终实现对于肌电信号中所包含的力量信息的解码任务。
  • 一种基于递归神经网络集成学习电信号解码方法

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top