基于自然岸线数据提取领海基线的方法

    公开(公告)号:CN104766081B

    公开(公告)日:2017-12-29

    申请号:CN201510122765.7

    申请日:2015-03-19

    Applicant: 南京大学

    Abstract: 一种基于自然岸线数据提取领海基线的方法,主要包括基于改进型道格拉斯‑普克算法的自然岸线抽稀方法和基于地球椭球面大地线解算的领海基线加密算法,以进行领海基线划定。本发明在抽稀过程中提取对海域面积影响较大的自然岸线凸点作为分段点,接着利用相邻分段点作为数据抽稀首尾点,以基于最小二乘法的拟合曲线选定最优距离阈值,进行逐段抽稀,可在保证达到较高精度及压缩率的情况下保障国家海洋权益。加密算法中,算法以地球椭球面上大地线的解算为基础,在相邻领海基点间拟合大地线,进而利用大地主题解算原理对于相邻基点间进行加密计算。计算过程中对距离判断条件和加密点位置进行了改进,提高了计算速率,领海基点的位置分布也更加合理。

    基于数值统计的客观天气分型方法

    公开(公告)号:CN110286424A

    公开(公告)日:2019-09-27

    申请号:CN201910300093.2

    申请日:2019-04-15

    Applicant: 南京大学

    Abstract: 本发明公开了基于数值统计的客观天气分型方法,包括如下步骤:(1)下载长时间的全球气象再分析资料,选取每日特定时次的850hPa高度层特定的气象要素作为判断因子;(2)在利用计算机对天气进行分型前,需要将气象格点数据进行标准化计算;(3)大载荷飞艇、无人机和机载大气理化参数集成监测;(4)计算选取典型天气类型的代表天;(5)对典型天气类型的代表天和某一天计算标准偏差指数,将所有天气类型归算为其中某一种典型天气类型;(6)重复上述客观天气分型步骤,将未来一周的天气类型分类。本发明的人工天气分型普适性强,时效性高,客观性强,能够快速准确的实现过去长期天气类型的客观分型和未来一周的天气分型预报。

    基于自然岸线数据提取领海基线的方法

    公开(公告)号:CN104766081A

    公开(公告)日:2015-07-08

    申请号:CN201510122765.7

    申请日:2015-03-19

    Applicant: 南京大学

    Abstract: 一种基于自然岸线数据提取领海基线的方法,主要包括基于改进型道格拉斯-普克算法的自然岸线抽稀方法和基于地球椭球面大地线解算的领海基线加密算法,以进行领海基线划定。本发明在抽稀过程中提取对海域面积影响较大的自然岸线凸点作为分段点,接着利用相邻分段点作为数据抽稀首尾点,以基于最小二乘法的拟合曲线选定最优距离阈值,进行逐段抽稀,可在保证达到较高精度及压缩率的情况下保障国家海洋权益。加密算法中,算法以地球椭球面上大地线的解算为基础,在相邻领海基点间拟合大地线,进而利用大地主题解算原理对于相邻基点间进行加密计算。计算过程中对距离判断条件和加密点位置进行了改进,提高了计算速率,领海基点的位置分布也更加合理。

    一种基于多任务学习的室内RGBD图像语义分割算法

    公开(公告)号:CN115131554A

    公开(公告)日:2022-09-30

    申请号:CN202210294774.4

    申请日:2022-03-23

    Applicant: 南京大学

    Abstract: 本发明提供了一种基于多任务学习的室内RGBD图像语义分割算法,包括以下步骤:步骤1:收集RGBD图像数据集;步骤2:生成对应法向图;步骤3:提取多尺度图像特征;步骤4:提取深度图像多尺度深度特征;步骤5:形成融合特征;步骤6:辅助分支使用法向估计监督训练;步骤7:对融合特征进行上采样;步骤8:生成特定分辨率特征;步骤9:重复步骤7和步骤8,直到输出原分辨率大小特征;步骤10:预测图像语义信息,并监督训练;步骤11:引入空洞卷积池化金字塔模块;步骤12:将辅助任务分支改为语义分割监督并再次训练,增强了预测效果;本方法在语义分割任务上取得了极高的精度,而且适用性广泛,可适配不同任务组合,还可以应用于室内场景理解。

    一种基于深度学习和法向图的零件缺陷检测和定位方法

    公开(公告)号:CN108389181A

    公开(公告)日:2018-08-10

    申请号:CN201810063526.2

    申请日:2018-01-23

    Applicant: 南京大学

    Inventor: 宋佳 张扬 郭延文

    Abstract: 本发明公开了一种基于深度学习和法向图的零件缺陷检测和定位方法,包括以下步骤:步骤1:采集原始图像并计算得到材质表面法向图;步骤2:对表面法向图进行网格划分;步骤3:用具有不同缺陷的零件划分后的法向图以及正常零件划分后的法向图训练模型;步骤4:采集待检测零件图像并计算材质表面法向图;步骤5:对待检测零件的法向图进行网格划分;步骤6:根据步骤3得到的训练好的模型用步骤5得到的划分后的图像作为输入进行缺陷检测;步骤7:根据步骤6的检测结果以及步骤5的划分结果进行反馈和定位缺陷位置。

Patent Agency Ranking