-
公开(公告)号：CN111240201A
公开(公告)日：2020-06-05
申请号：CN202010050128.4
申请日：2020-01-17
Applicant: 哈尔滨工程大学
IPC: G05B13/04
Abstract: 本发明公开一种扰动抑制控制方法，在经典的最优控制器损失函数中考虑扰动作用，计算包含扰动前馈控制和状态反馈控制两部分的最优控制器的解析表达式。其中前馈控制律由系统输入动力学参数和扰动作用共同决定；反馈控制律由系统输入动力学参数和损失预测值的梯度共同决定。系统输入动力学参数和扰动作用由所设计的观测器提供，算法通过优化汉密尔顿方程的神经网络估计得出。因此与基于观测器的扰动补偿控制相比具有更好的自适应能力，在扰动和系统控制输入维数不匹配的情况下最小化全局状态摄动。适用于未知系统参数并对稳定性要求较高的应用场合。
-
公开(公告)号：CN111028154A
公开(公告)日：2020-04-17
申请号：CN201911299916.0
申请日：2019-12-17
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法，包括对侧扫声呐图像进行预处理，使其能够与实际的海底景象信息对应；将大量侧扫声呐图像进行标注获取侧扫声呐图像语义分割的数据集；搭建语义分割神经网络，并对语义分割神经网络进行训练；训练完成的语义分割网络对需要进行匹配拼接的侧扫声呐图像进行分割，利用分割后的图像进行模板匹配获得两张侧扫声呐图像的相对位置信息；最后根据获得相对位置信息对预处理之后的侧扫声呐图像进行融合拼接。通过本发明的方法，可以解决目前侧扫声呐图像匹配方法无法对地形崎岖不平海底的侧扫声呐图像进行匹配的问题。
-
公开(公告)号：CN110363796A
公开(公告)日：2019-10-22
申请号：CN201810510986.5
申请日：2018-05-25
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于轻量卷积神经网络结构的前视声纳运动目标跟踪方法。(1)检测出目标首次出现时的那一帧图像的所在位置，经过去均值、L2正则化的预处理；(2)采用无需训练的两层卷积神经网络结构，对图像进行滑动窗口采样，采用k-means聚类的方法从图像块中聚类出滤波器作为卷积核，对目标图像周围的区域随机采样出m个样本，对每一个样本用滑动窗口的方法采样L个图像块；(3)采用稀疏表达的方式表示特征；(4)通过粒子滤波的跟踪框架进行跟踪。本发明易于使用、能很好地克服前视声纳图像中严重的噪声干扰、对目标的跟踪效果更好。该方法很大程度上提高了系统的处理帧率，使得跟踪过程的实时性有了很大保障。
-
公开(公告)号：CN109754362A
公开(公告)日：2019-05-14
申请号：CN201811582780.X
申请日：2018-12-24
Applicant: 哈尔滨工程大学
IPC: G06T3/00 , G06T3/40 , G06T3/60 , G06T5/00 , G06T5/30 , G06T7/11 , G06T7/187 , G06T7/70 , G06N3/04 , G06N3/08
Abstract: 本发明属于水下目标检测领域，具体涉及一种用可旋转的边界框标注海参目标检测结果的方法，包括以下步骤：对利用labelme软件制作的海参训练数据集进行数据扩充；构建全卷积神经网络；利用扩充后的数据集对构建好的全卷积神经网络进行离线训练；将包含海参的图像输入到训练好的全卷积神经网络，得到分割图；在所述分割图上进行腐蚀、滤波操作，得到后处理分割图；在所述后处理分割图上寻找最大连通域，即为检测到的海参目标。本发明对得到的分割图做腐蚀操作，剔除了海参周边的“毛刺”，确保最小外接矩形更加精确，使得海参抓取位姿不会出现在海参之外，定位更准确。
-
公开(公告)号：CN109325527A
公开(公告)日：2019-02-12
申请号：CN201811031832.4
申请日：2018-09-05
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明属于水下目标自动识别分类领域，具体涉及一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法；包括获取带有分割标注的常规光学图像数据集；利用数据集中各个图像对应的标注图像进行轮廓分割；选定一个卷积神经网络结构进行训练，得到源领域目标分类网络；对经过充分训练的源领域目标分类网络前部分的参数进行冻结，同时将分类网络的后部分参数设置为可训练状态；使用训练集对设置好的分类网络继续进行训练；训练完成后，使用验证集评估分类网络性能。本方法使用迁移学习方法，对使用非侧扫声呐图像训练好的卷积神经网络进行迁移，同时根据相似性原理，对源领域数据集进行预处理，从而提高了迁移学习效率，防止负迁移现象。
-
Patent Agency Ranking
公开(公告)号：CN109118458A
公开(公告)日：2019-01-01
申请号：CN201811310145.6
申请日：2018-11-06
Applicant: 哈尔滨工程大学
IPC: G06T5/00
Abstract: 本发明涉及一种低照度彩色图像增强方法，本发明基于Retinex理论进行低照度彩色图像增强，假设原始图像是由光照图像与反射图像乘积得到，用图像平滑获得原始图像的平滑的图；将获得的平滑图加一个常数得到需要的光照图；原始彩色图像的三个通道图像分别除以光照图得到三个通道图像的反射图像；用原始图像像素灰度的均值加上一个常数作为新的光照图；最后将三个通道反射图与新的光照图相乘然后合并三通道获得最终的增强图像。本发明解决现有基于Retinex理论进行低照度图像增强算法在增强图像的同时产生光晕与黑暗区域颜色出现马赛克现象的问题，得到一个更加自然的增强图像，算法步骤和理论简单，编程易于实现，保证算法的实时性。
-
公开(公告)号：CN106097430B
公开(公告)日：2018-10-26
申请号：CN201610487738.4
申请日：2016-06-28
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种多高斯信号拟合的激光条纹中心线提取方法。本发明方法通过使用一组具有不同期望及方法的高斯信号，以不同的位置及权值组合起来，最大程度的拟合激光线条图像某一行像素值的分布，当找到最佳的拟合组合时，根据各个高斯信号组合时所处的位置即可做出对激光线条中心的最优估计。本发明方法可以有效解决在激光线条图像的像素值分布无法满足对称性及均一性的情况下，准确地估计出激光线条的中心，提高3D扫描重建的精度。
-
公开(公告)号：CN106097430A
公开(公告)日：2016-11-09
申请号：CN201610487738.4
申请日：2016-06-28
Applicant: 哈尔滨工程大学
CPC classification number: G06T15/503 , G06T7/0004 , G06T7/0012 , G06T15/005 , G06T2211/416
Abstract: 本发明提供的是一种多高斯信号拟合的激光条纹中心线提取方法。本发明方法通过使用一组具有不同期望及方法的高斯信号，以不同的位置及权值组合起来，最大程度的拟合激光线条图像某一行像素值的分布，当找到最佳的拟合组合时，根据各个高斯信号组合时所处的位置即可做出对激光线条中心的最优估计。本发明方法可以有效解决在激光线条图像的像素值分布无法满足对称性及均一性的情况下，准确地估计出激光线条的中心，提高3D扫描重建的精度。
-
公开(公告)号：CN118521504A
公开(公告)日：2024-08-20
申请号：CN202410588552.2
申请日：2024-05-13
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种侧扫声呐瀑布图像增强方法及装置，通过获取并利用平滑海底标签ping数据以及有目标的海底ping数据，训练深度学习网络，并利用该深度学习网络对侧扫声呐ping数据进行平滑处理，从而实现图像的增强。本发明提供的图像增强方法，可很好地处理侧扫声呐数据中的非线性特征，使增强后的声呐图像灰度分布均匀，远端与近端的图像亮度相近，从而突出声呐图像中的物体特征。
-
公开(公告)号：CN115880390A
公开(公告)日：2023-03-31
申请号：CN202211565611.1
申请日：2022-12-07
Applicant: 哈尔滨工程大学
IPC: G06T11/00 , G06F7/10 , G06N3/044 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种仿真声呐图像生成方法，该方法首先对CycleGAN网络进行改进，包括对生成器G和生成器F的输入输出图像，分别使用Otsu算法和Unet网络进行分割，并将分割结果融合，根据正向生成器G和反向生成器F输入输出的融合图像计算SSIM损失，将其加入到CycleGAN网络生成器损失中；然后利用简易声呐仿真图像和真实声呐图像进行训练，并用训练好的改进CycleGAN网络生成风格化仿真声呐图像；使用改进的CycleGAN网络生成仿真声呐图像，可减小仿真图像与真实图像在结构、边缘特征等方面的差异，从而保证仿真声呐图像与真实图像更加相似。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.034 seconds)
