-
公开(公告)号：CN112206464A
公开(公告)日：2021-01-12
申请号：CN202011012521.0
申请日：2020-09-23
Applicant: 重庆大学
IPC: A63B21/072 , A63B71/06 , G01L1/22 , G01P15/12
Abstract: 本发明涉及一种基于动力学特性辨识的哑铃健身参数检测方法，属于自动化领域。该方法为：将应变片附属于质量块上下两端，并连接入电桥，构成双臂半桥测量电路；举升哑铃过程中，应变片发生形变，电桥失去平衡而输出电压信号；输出电压信号先经过LM358运放放大，再由ADS1115将电压模拟量转换为数字量信号，然后将其输入下位机，即STM32单片机；下位机主动传输数据指令或在接收上位机通过蓝牙模块发送传输数据指令，将存储的数据由蓝牙模块传输至上位机，并显示。使人们在锻炼过程中能够看到自己运动时力量的大小和举升高度，实现监视化管理，以保证能够根据实际需求改变自己的运动强度，达到最好的锻炼效果。
-
公开(公告)号：CN112668531B
公开(公告)日：2025-03-07
申请号：CN202110007355.3
申请日：2021-01-05
Applicant: 重庆大学
IPC: G06V40/20 , G06V10/25 , G06V10/74 , G06V10/77 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N5/04 , G06N5/048
Abstract: 本发明涉及一种基于动作识别的运动姿态矫正方法，属于计算机及运动识别技术领域。该方法包括：动作识别：通过摄像头采集用户运动视频，基于深度学习算法构建动作识别算法，并利用该算法对锻炼者视频中的动作进行类别整理；骨架提取：首先从标准健身数据库中提取对应锻炼者的标准动作，然后从标准动作视频同时进行骨架提取；同时利用采集到的锻炼者视频，从中提取锻炼者运动骨架模型；姿态比对：首先将锻炼者的骨架进行模板标准化；然后将标准化后锻炼者的骨架与标准动作视频进行相似度计算，提取动作相似度最高的一帧模板动作；最后所有动作测试完成，选取出相似度低于阈值的几帧动作，并将模板动作展示出来。本发明提高了计算速度和对比精度。
-
公开(公告)号：CN112129297B
公开(公告)日：2024-04-30
申请号：CN202011027020.X
申请日：2020-09-25
Applicant: 重庆大学
Abstract: 本发明涉及一种多传感器信息融合的自适应校正室内定位方法，属于车联网与自动驾驶领域。该方法包括：S1：根据车辆自身角速度信息，采用自适应里程计滑移误差补偿算法，实现对里程计滑移效应的补偿及补偿参数自整定；S2：构建惯导与里程计融合定位的算法模型；S3：构建环境特征模型，即利用传感器提取周边固有环境特征，结合惯导与里程计融合定位的算法模型解算得到姿态角，从而推算得到车辆的全局坐标位置。本发明提高了系统的定位精度，并利用简单的结构实现车辆的全局定位。
-
公开(公告)号：CN112990089B
公开(公告)日：2023-09-26
申请号：CN202110379043.5
申请日：2021-04-08
Applicant: 重庆大学
IPC: G06V40/20
Abstract: 本发明涉及一种判断人体运动姿态的方法，属于计算机视觉领域。该方法包括：S1：获取动作视频，并对视频中每一帧图像进行处理；S2：根据骨架提取关节点数据，计算出能够描述人体姿态的关键参数，包括角度参数、高度参数及距离参数；S31：通过人体运动姿态关键参数的计算方法，得到锻炼者的和标准动作的姿态关键参数组；S32：计算出参数组中按顺序一一对应的参数的差值；S33：设定锻炼者动作与标准动作的相差程度，根据动作相差程度给出姿态调整方案。本发明能精确计算出人体运动姿态的关键参数，并根据关键参数判断出人体运动动作是否标准，然后做出有效的动作调整方案。
-
公开(公告)号：CN112150898B
公开(公告)日：2022-04-15
申请号：CN202011010472.7
申请日：2020-09-23
Applicant: 重庆大学
Abstract: 本发明涉及一种圆盘多功能运动参数试验方法，属于自动化领域。该方法为：应变片贴于试验者握手两端，当试验者握住握手运动时，握手会产生应变，粘贴在表面的电阻片也会产生应变，应变片的阻值会发生变化，并通过电桥测量电路将应变片阻值变化率转换为输出电压，该电压信号先经过运算放大器放大，再由A/D转换电路将电压模拟量转换为数字量信号，然后将其输出给单片机，再将结果传给显示电路显示。可以根据实验要求再圆圈外围自由贴若干对小磁钢，磁体数量不同测量的精度和结果也不同。
-
Patent Agency Ranking
公开(公告)号：CN109878558B
公开(公告)日：2022-03-08
申请号：CN201910103243.0
申请日：2019-02-01
Applicant: 重庆大学
IPC: B62B3/00
Abstract: 本发明公开了一种可平稳运输物品的方法及对位机构，所述方法是在移动单元上水平设置有开口槽I，所述开口槽I的大端朝向其前进方向，在其前进路线上相对设置有接收单元，所述接收单元上水平设置有与开口槽I相适配的开口槽II，所述开口槽II的大端与开口槽I的大端相对，当移动单元与接收单元相抵接时，所述移动单元上的物品沿开口槽I与开口槽II连通而成的通道平稳移动至接收单元上，所述开口槽I和开口槽II的均呈梯形或者喇叭形构造。本发明具有减少劳动消耗、降低成本和提高工作效率的优点。
-
公开(公告)号：CN109878558A
公开(公告)日：2019-06-14
申请号：CN201910103243.0
申请日：2019-02-01
Applicant: 重庆大学
IPC: B62B3/00
Abstract: 本发明公开了一种可平稳运输物品的方法及对位机构，所述方法是在移动单元上水平设置有开口槽I，所述开口槽I的大端朝向其前进方向，在其前进路线上相对设置有接收单元，所述接收单元上水平设置有与开口槽I相适配的开口槽II，所述开口槽II的大端与开口槽I的大端相对，当移动单元与接收单元相抵接时，所述移动单元上的物品沿开口槽I与开口槽II连通而成的通道平稳移动至接收单元上，所述开口槽I和开口槽II的均呈梯形或者喇叭形构造。本发明具有减少劳动消耗、降低成本和提高工作效率的优点。
-
公开(公告)号：CN117037054B
公开(公告)日：2025-04-29
申请号：CN202310628957.X
申请日：2023-05-31
Applicant: 重庆大学
IPC: G06V20/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，包括以下步骤：获取待检测区域内监控视频中的当前帧图像；采用改进的YOLOv4神经网络模型提取图像中可能存在烟雾的候选区域；根据烟雾区域的实际场景引入高斯烟雾羽流模型，优化YOLOv4‑Mini模型的损失函数；对损失函数修正后的YOLOv4‑Mini模型进行训练，之后进行烟雾检测。本发明基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，基于Model Scaling原理提出了一种轻量化后的YOLOv4‑mini模型，并提出了结合高斯烟雾羽流模型的模型损失函数，可以有效的减少环境因素的干扰，便于快速、精确的实现对工厂烟雾的识别检测。
-
公开(公告)号：CN112150898A
公开(公告)日：2020-12-29
申请号：CN202011010472.7
申请日：2020-09-23
Applicant: 重庆大学
Abstract: 本发明涉及一种圆盘多功能运动参数试验方法，属于自动化领域。该方法为：应变片贴于试验者握手两端，当试验者握住握手运动时，握手会产生应变，粘贴在表面的电阻片也会产生应变，应变片的阻值会发生变化，并通过电桥测量电路将应变片阻值变化率转换为输出电压，该电压信号先经过运算放大器放大，再由A/D转换电路将电压模拟量转换为数字量信号，然后将其输出给单片机，再将结果传给显示电路显示。可以根据实验要求再圆圈外围自由贴若干对小磁钢，磁体数量不同测量的精度和结果也不同。
-
公开(公告)号：CN117037054A
公开(公告)日：2023-11-10
申请号：CN202310628957.X
申请日：2023-05-31
Applicant: 重庆大学
IPC: G06V20/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，包括以下步骤：获取待检测区域内监控视频中的当前帧图像；采用改进的YOLOv4神经网络模型提取图像中可能存在烟雾的候选区域；根据烟雾区域的实际场景引入高斯烟雾羽流模型，优化YOLOv4‑Mini模型的损失函数；对损失函数修正后的YOLOv4‑Mini模型进行训练，之后进行烟雾检测。本发明基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，基于Model Scaling原理提出了一种轻量化后的YOLOv4‑mini模型，并提出了结合高斯烟雾羽流模型的模型损失函数，可以有效的减少环境因素的干扰，便于快速、精确的实现对工厂烟雾的识别检测。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.026 seconds)
