|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺(tái)
.jpg){kind=logo}
一種基于輪廓特征的金屬零件增材制造方法
本發(fā)明公開了一種基于輪廓特征的金屬零件增材制造方法，包括以下步驟：①建立金屬零件 CAD 幾何模型，并提取 STL 模型；②根據(jù)零件輪廓特征及復(fù)雜程度確定其制造方向，并進(jìn)行零件增材制造的路徑規(guī)劃；③利用分層切片軟件對(duì) STL 模型進(jìn)行合理切片，由計(jì)算機(jī)根據(jù)這些輪廓信息生成控制指令；④板料送料機(jī)構(gòu)在控制指令的控制下送出設(shè)定寬度及厚度的板料并剪斷；⑤在電阻焊或摩擦攪拌焊產(chǎn)生的熱量及輥壓作用下完成層與層之間的焊合，同時(shí)復(fù)合同工位銑削完成輪廓毛刺的去除；重復(fù)上述④至⑤過程，直至完成整個(gè)零件的成形加工，如未達(dá)
華中科技大學(xué)
2021-04-14
一種基于邊緣幾何特征的圖像識(shí)別方法及系統(tǒng)
本發(fā)明公開了一種基于邊緣幾何特征的圖像識(shí)別方法，包括對(duì)工件的原始圖像進(jìn)行濾波處理；對(duì)上述濾波處理后的圖像進(jìn)行二值化處理；對(duì)二值化處理后的圖像查找獲得輪廓序列集；從上述輪廓序列集中篩選出合格的工件輪廓；確定上述工件輪廓的最小外接矩形，并確定上述工件輪廓的中心點(diǎn)；沿上述最小外接矩形的四條邊的方向截取上述工件輪廓的四個(gè)子序列；使用邊緣幾何特征算子計(jì)算上述四個(gè)子序列中各子序列的能量值；確定上述四個(gè)子序列中能量值最大的子序列，并確定工件的方向角。本發(fā)明還提供了相應(yīng)的圖像識(shí)別系統(tǒng)。本發(fā)明無需建立工件的模板數(shù)據(jù)庫(kù)
華中科技大學(xué)
2021-04-14
一種基于邊緣幾何特征的圖像識(shí)別方法及系統(tǒng)
本發(fā)明公開了一種基于邊緣幾何特征的圖像識(shí)別方法，包括對(duì) 工件的原始圖像進(jìn)行濾波處理；對(duì)上述濾波處理后的圖像進(jìn)行二值化 處理；對(duì)二值化處理后的圖像查找獲得輪廓序列集；從上述輪廓序列 集中篩選出合格的工件輪廓；確定上述工件輪廓的最小外接矩形，并 確定上述工件輪廓的中心點(diǎn)；沿上述最小外接矩形的四條邊的方向截 取上述工件輪廓的四個(gè)子序列；使用邊緣幾何特征算子計(jì)算上述四個(gè) 子序列中各子序列的能量值；確定上述四個(gè)子序列中能量值最大的子 序列，并確定工件的方向角。本發(fā)明還提供了相應(yīng)的圖像識(shí)別系統(tǒng)。 本發(fā)明無需建立
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
一種量化路網(wǎng)特征及其土地利用效應(yīng)的方法
本發(fā)明涉及一種量化路網(wǎng)特征及其土地利用效應(yīng)的方法，屬于交通與土地利用規(guī)劃領(lǐng)域。本發(fā)明提 供的道路與土地利用相關(guān)性的研究方法先采用復(fù)雜網(wǎng)絡(luò)多中心性測(cè)度模型量化道路網(wǎng)絡(luò)中各個(gè)路段的 中心值，然后通過核密度估算和重分類的方法按照中心程度將區(qū)域劃分成不同等級(jí)的子區(qū)，并對(duì)各個(gè)子 區(qū)計(jì)算景觀指數(shù)，最后利用 Spearman 秩相關(guān)分析分別得到道路中心度與土地利用景觀格局之間的相關(guān) 系數(shù)。本發(fā)明從地理空間的角度考慮了道路網(wǎng)絡(luò)的中心特性，對(duì)道路網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行了度量，相比于傳 統(tǒng)的道路特征參數(shù)更好的量化了道路的網(wǎng)絡(luò)特征及其和區(qū)域土地利用之間的互動(dòng)關(guān)系，有利于為交通網(wǎng) 絡(luò)與土地利用規(guī)劃提供理論支持。
武漢大學(xué)
2021-04-13
基于數(shù)據(jù)驅(qū)動(dòng)局部特征轉(zhuǎn)換的噪聲人臉超分辨率重建方法
一種基于數(shù)據(jù)驅(qū)動(dòng)局部特征轉(zhuǎn)換的噪聲人臉超分辨率重建方法，包括對(duì)待重建的輸入低分辨率人臉 圖像和高、低分辨率訓(xùn)練集相應(yīng)劃分相互重疊的圖像塊;對(duì)于輸入低分辨率人臉圖像的每一個(gè)位置上的 圖像塊，分別從低分辨率人臉樣本圖像對(duì)應(yīng)位置的圖像塊中找出 K 個(gè)最近鄰的圖像塊，并對(duì)應(yīng)找出相應(yīng) 高分辨率人臉樣本圖像中的圖像塊，進(jìn)行去均值化;利用映射系數(shù)計(jì)算出各圖像塊相應(yīng)的高分辨率人臉 圖像塊，重構(gòu)出高分辨率人臉圖像，進(jìn)行迭代后處理。本發(fā)明解決了主成分分析無法捕獲處于高維流形 空間人臉特征的問題，利用局部流形的線性特性有效的進(jìn)行了噪聲人臉圖像的超分辨率重建，同時(shí)進(jìn)行 高分辨率圖像后處理，進(jìn)一步提高了重建結(jié)果的主、客觀圖像質(zhì)量。
武漢大學(xué)
2021-04-13
基于局部不變幾何特征的廣義霍夫變換圖像匹配方法
本發(fā)明公開了一種基于局部不變幾何特征的廣義霍夫變換圖像 匹配方法，用于實(shí)現(xiàn)對(duì)具有任意旋轉(zhuǎn)角度的目標(biāo)圖像的匹配，其特征 在于，該方法包括對(duì)模板圖像進(jìn)行預(yù)處理的步驟和利用該模板圖像的 處理結(jié)果對(duì)目標(biāo)圖像進(jìn)行匹配的步驟，其中，模板圖像處理步驟中包括提取圖像各邊緣點(diǎn)并建立邊緣點(diǎn)匹配特征關(guān)系，所述目標(biāo)圖像進(jìn)行 匹配時(shí)先提取目標(biāo)圖像的各邊緣點(diǎn)，再利用上述建立的邊緣點(diǎn)匹配特 征關(guān)系對(duì)提取的圖像進(jìn)行匹配，從而獲得匹配位置點(diǎn)和相應(yīng)的旋轉(zhuǎn)角 度，完成目標(biāo)圖像匹配。本發(fā)明的方法通過改進(jìn)傳統(tǒng)的廣義霍夫變換， 建立改進(jìn)的參考表，能夠?qū)θ我饨嵌刃D(zhuǎn)的目標(biāo)圖像進(jìn)行匹配，具有 很高的匹配速度和匹配精度。
華中科技大學(xué)
2021-04-11
基于視覺特征的視頻指紋檢測(cè)及視頻序列匹配方法及系統(tǒng)
本發(fā)明提出一種基于視覺特征的視頻指紋檢測(cè)方法，具體為：按照幀間相關(guān)性對(duì)視頻序列分段，在分段中提取關(guān)鍵幀；在各關(guān)鍵幀中提取視頻特征；利用像素點(diǎn)特征字典對(duì)像素點(diǎn)分類；對(duì)各關(guān)鍵幀分別進(jìn)行多次不同數(shù)量的分塊，在各子塊中依據(jù)像素點(diǎn)的分類結(jié)果統(tǒng)計(jì)像素點(diǎn)特征字典各元素的出現(xiàn)次數(shù)，得到該子塊的特征向量；將所有子塊的特征向量拼接得到關(guān)鍵幀的高維視頻指紋；對(duì)各高維視頻指紋進(jìn)行降維；將各視頻片段關(guān)鍵幀的低維視頻指紋按照時(shí)間先后順序連成關(guān)鍵幀視頻指紋串。本發(fā)明還提供了基于上述指紋檢測(cè)方法的視頻匹配方法。本發(fā)明通過對(duì)視頻內(nèi)容的關(guān)鍵信息進(jìn)行有效描述，在不影響匹配率的情況下，大大降低了算法的復(fù)雜度，有效提高了檢測(cè)效率。
華中科技大學(xué)
2021-04-11
.jpg){kind=logo}
一種在低信噪比情況下提取設(shè)備物理指紋特征的方法
本發(fā)明公開了一種在低信噪比情況下提取設(shè)備物理指紋特征的方法，接收機(jī)接收到低信噪比的信號(hào)后，在不破壞設(shè)備物理指紋的情況下進(jìn)行降噪處理，然后從降噪后的信號(hào)中提取設(shè)備的物理指紋特征，方法中涉及的信號(hào)需要包括重復(fù)序列，或重復(fù)發(fā)送的多幀信號(hào)內(nèi)有不變的部分，包括步驟：接收到低信噪比信號(hào)后，估計(jì)信號(hào)的頻率和相位，估計(jì)信號(hào)重復(fù)序列上調(diào)制的信息數(shù)據(jù)，獲得極性相同的多個(gè)重復(fù)序列，并將其對(duì)齊和疊加以提高信噪比；最后通過物理層指紋提取方法提取設(shè)備的物理指紋并用于設(shè)備身份識(shí)別。本發(fā)明可以在信噪比低的情況下有效地提取設(shè)備的物理層指紋特征，有效地解決了基于設(shè)備物理指紋的設(shè)備識(shí)別方法在現(xiàn)實(shí)應(yīng)用中必須面臨的低信噪比問題。
東南大學(xué)
2021-04-11
基于非監(jiān)督特征學(xué)習(xí)的高分辨率遙感影像場(chǎng)景分類方法
一種基于非監(jiān)督特征學(xué)習(xí)的高分辨率遙感影像場(chǎng)景分類方法，包括對(duì)輸入的原始高分辨率遙感圖像 進(jìn)行劃分得到場(chǎng)景，從每個(gè)場(chǎng)景中隨機(jī)地提取若干個(gè)訓(xùn)練圖像塊，將訓(xùn)練圖像塊聚集起來做預(yù)處理操作; 計(jì)算所有訓(xùn)練圖像塊的低維流形表示，聚類得到一組聚類中心;對(duì)每一幅場(chǎng)景密集采樣得到局部圖像塊， 對(duì)每個(gè)局部圖像塊做預(yù)處理操作后映射到相同的低維流形空間中，然后進(jìn)行編碼獲得場(chǎng)景的所有局部特 征;將所有場(chǎng)景的局部特征集合起來進(jìn)行特征量化，統(tǒng)計(jì)每一幅場(chǎng)景的局部特征直方圖，得到場(chǎng)景的全 局特征表達(dá);隨機(jī)挑選若干幅場(chǎng)景作為訓(xùn)練樣本，由分類器得到每一幅場(chǎng)景的預(yù)測(cè)類別標(biāo)號(hào)，完成原始 高分辨率遙感場(chǎng)景的標(biāo)注任務(wù)。
武漢大學(xué)
2021-04-13
一種改進(jìn)的基于支持向量機(jī)的納米結(jié)構(gòu)特征尺寸提取方法
本發(fā)明公開了一種改進(jìn)的基于支持向量機(jī)的半導(dǎo)體納米結(jié)構(gòu)特征尺寸提取方法，步驟為：確定每一個(gè)待提取參數(shù)的取值范圍，生成子光譜數(shù)據(jù)庫(kù)；利用訓(xùn)練光譜和支持向量機(jī)訓(xùn)練網(wǎng)絡(luò)進(jìn)行支持向量機(jī)訓(xùn)練；對(duì)每一個(gè)待提取參數(shù)利用訓(xùn)練光譜重復(fù)訓(xùn)練多個(gè)支持向量機(jī)，每一個(gè)支持向量機(jī)的訓(xùn)練終止條件均不相同；利用多個(gè)支持向量機(jī)，對(duì)測(cè)量光譜進(jìn)行映射；找出所有支持向量機(jī)映射結(jié)果中出現(xiàn)次數(shù)最高的一個(gè)，視為最有可能出現(xiàn)的取值區(qū)間；建立子光譜數(shù)據(jù)庫(kù)，找出其中與測(cè)量光譜最為相似的仿真光譜，即認(rèn)為是待測(cè)結(jié)構(gòu)的參數(shù)值。本發(fā)明可以實(shí)現(xiàn)特征線寬、高度、側(cè)
華中科技大學(xué)
2021-04-14