CN108736311A - 一种智能型点阵激光控制系统及控制方法 - Google Patents
一种智能型点阵激光控制系统及控制方法 Download PDFInfo
- Publication number
- CN108736311A CN108736311A CN201810536428.6A CN201810536428A CN108736311A CN 108736311 A CN108736311 A CN 108736311A CN 201810536428 A CN201810536428 A CN 201810536428A CN 108736311 A CN108736311 A CN 108736311A
- Authority
- CN
- China
- Prior art keywords
- laser
- module
- particle
- dot matrix
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S5/00—Semiconductor lasers
- H01S5/04—Processes or apparatus for excitation, e.g. pumping, e.g. by electron beams
- H01S5/042—Electrical excitation ; Circuits therefor
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
- H01S3/09—Processes or apparatus for excitation, e.g. pumping
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Engineering & Computer Science (AREA)
- Plasma & Fusion (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Lasers (AREA)
Abstract
本发明属于激光控制技术领域,公开了一种智能型点阵激光控制系统及控制方法,通过摄像模块对治疗部位进行拍摄;利用基于粒子滤波的彩色图像轮廓提取方法进行轮廓提取;驱动模块比较激光器的驱动电流值与PWM电流源的满幅电流值,得出比较结果,对激光器加载驱动;故障探测模块以第一激光敏感度和第二激光敏感度探测光路中一处或者多处的激光功率,探测激光器的故障信号。本发明通过驱动模块避免了激光器的驱动电流在趋近阈值电流Ith时输出的光功率不稳定现象,同时兼顾调节速度与调节精度;同时通过故障探测模块克服了现有技术中对激光器的故障进行探测与响应的滞后性。
Description
技术领域
本发明属于激光控制技术领域,尤其涉及一种智能型点阵激光控制系统及控制方法。
背景技术
目前,业内常用的现有技术是这样的:
激光,就是被引诱(激发)出来的光子队列,这光子队列中的光子们,光学特性一样,步调极其一致。打个比方就是,普通光源,比如电灯泡发出来的光子各不同,而且会各个方向乱跑,很不团结,但是激光中的光子们则是心往一处想,劲往一处使,这导致它们所向披靡,威力很大。然而,现有激光器的驱动电流在趋近阈值电流Ith时输出的光功率不稳定现象;同时现有技术中不能够很好的保护激光器,容易因激光器故障造成损失。
综上所述,现有技术存在的问题是:
现有激光器的驱动电流在趋近阈值电流Ith时输出的光功率不稳定现象;同时现有技术中不能够很好的保护激光器,容易因激光器故障造成的损失。
现有技术,在智能型点阵激光控制上,数据的控制准确性差。
传统彩色图像轮廓提取方法在提取目标边界时易受初始轮廓点干扰及收敛速度慢,从而导致提取的彩色图像轮廓噪声大,影响到了图像分割的效果。
发明内容
针对现有技术存在的问题,本发明提供了一种智能型点阵激光控制系统及控制方法。
本发明是这样实现的,一种智能型点阵激光控制方法,包括:通过摄像模块对治疗部位进行拍摄;利用基于粒子滤波的彩色图像轮廓提取方法进行轮廓提取;首先,给出图像轮廓的预测并在此建立二维空间,以便充分利用图像信息;然后,构建基于PSO寻优方法的状态转移模型,所述模型促进粒子向已知的最优状态靠近,改善粒子的分布,加快收敛速度;最后建立基于Snake能量函数的观测模型;
主控模块调度驱动模块;驱动模块比较激光器的驱动电流值与PWM电流源的满幅电流值,得出比较结果,对激光器加载驱动;
通过故障探测模块以第一激光敏感度和第二激光敏感度探测光路中一处或者多处的激光功率,探测激光器的故障信号;
通过报警模块根据故障探测模块探测的故障结果启动报警器发出报警声并进行交互显示。
进一步,基于粒子滤波的彩色图像轮廓提取方法包括:
1)以Sobel算子或基于颜色空间聚类方法计算目标轮廓的预测值:
2)将图像目标轮廓视为由N个单元线段构成的集{dli}1,2,…,N,对于i= 1,2,…,N;
3)在C0中找到与d1i对应的位置,依据C0中对应位置的切线作为d1i的采样基准值,生成初始粒子集;
4)按照状态转移模型引导粒子不断的向已知的最佳解方向聚集,避免标准粒子滤波过程中退化的方法实现粒子状态转移,并计算每个粒子对应的轮廓点集合;
5)按照建立的观测模型计算粒子权重;
6)以粒子集的加权平均计算本次迭代得到的参数d1j (i)=(kj (i),bj (i));
7)若其中,取ε=0.5,则得到以粒子集的加权平均作为d1i参数的估计,否则转步骤4)。
进一步,状态转移模型避免标准粒子滤波过程中退化的方法包括:
设在计算图像轮廓第i个单元线段li的参数时,迭代至第s 步时粒子集为
其中Θs (i)为直线参数集合,Ws (i)为粒子权重,Es (i)为Snake能量函数模型计算得到的轮廓有效性的测度,是粒子权重计算的依据;基于以上条件,局部最优粒子为:
全局最优粒子为:
则PSO状态转移模型如下所示:
其中rk,rk1,rk2,rb,rb1,rb2均服从正态分布,且
进一步,建立观测模型的方法包括:
设已经估计得到的第1至第i-1个单元线段的参数估计值为:
对应的轮廓点序列为:
在计算图像目标轮廓第i个单元线段li的参数时,迭代至第s步时粒子集为:
由此粒子集得到图像目标轮廓点为
局部Snake能量值按下式计算:
全局Snake能量值按下式计算:
或只取{Ψj}j=1,2,…,i-1中与最近的若干个点集共同计算全局 Snake能量值;
对于RGB彩色图像或HSI空间彩色图像,每个分量都有对应的Snake能量值,即
分别对和进行归一化,按下式计算局部粒子权重;
按下式计算粒子全局权重:
取粒子权重为局部和全局值的算术平均,即
最后,对粒子权重进行归一化,以实现参数的最小均方误差估计。
进一步,驱动模块驱动方法如下:
首先,设置PWM电流源的满幅电流值;
其次,比较激光器的驱动电流值与PWM电流源的满幅电流值,得出比较结果;
最后,根据所述比较结果,调节PWM电流源和线性电流源分别输出的电流值;PWM电流源和线性电流源分别输出的电流值线性叠加后输出激光器的驱动电流值;
激光器的驱动电流值小于PWM电流源的满幅电流值时,激光器的驱动电流由PWM电流源输出;调节PWM电流源输出的电流的占空比,以产生激光器的驱动电流值;
故障探测模块探测方法如下:
以第一激光敏感度和第二激光敏感度探测光路中一处或者多处的激光功率;所述第一激光敏感度高于所述第二激光敏感度;
待机状态,当以所述第一激光敏感度在第一门限时间内持续探测到所述光路中一处或者多处的激光功率时关闭激光器;所述待机状态指的是所述激光器已经开机但所有泵浦源不工作的状态;
工作状态,当以所述第二激光敏感度探测不到所述光路中一处或者多处的激光功率时关闭所述激光器;所述工作状态指的是所述激光器以一个用于工作的激光功率输出激光的状态;
功率增大状态,当以所述第一激光敏感度探测不到所述光路中一处或者多处的激光功率时关闭所述激光器;所述功率增大状态指的是所述激光器进入到所述工作状态之前激光功率增大的状态。
本发明另一目的在于提供一种实现所述智能型点阵激光控制方法的计算机程序。
本发明另一目的在于提供一种实现所述智能型点阵激光控制方法的计算机。
本发明另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的智能型点阵激光控制方法。
本发明另一目的在于提供一种实现智能型点阵激光控制系统,包括:
激光发射模块,与主控模块连接,用于通过激光器发射激光;
摄像模块,与主控模块连接,用于通过摄像头对病人的治疗部位进行拍摄和轮廓提取;
主控模块,与激光发射模块、摄像模块、驱动模块、故障探测模块、报警模块、触控模块连接,用于控制各个模块正常工作;
驱动模块,与主控模块连接,用于对激光器加载驱动;
故障探测模块,与主控模块连接,用于探测激光器的故障信号;
报警模块,与主控模块连接,用于根据故障探测模块探测的故障结果启动报警器发出报警声;
触控模块,与主控模块连接,用于通过触控显示屏进行交互操作。
本发明另一目的在于提供一种安装有所述智能型点阵激光控制系统的激光控制设备。
本发明的优点及积极效果为:
本发明通过驱动模块采用独立的线性电流源A与PWM电流源B的电流叠加的方式来驱动激光器,避免了激光器的驱动电流在趋近阈值电流Ith时输出的光功率不稳定现象,同时兼顾调节速度与调节精度;同时通过故障探测模块通过以所述第一激光敏感度和所述第二激光敏感度探测光路中一处或者多处的激光功率,因而可以在激光器处于待机状态下探测到泵浦源是否非正常的开启,并在激光器处于工作状态下探测到光路中激光的激光功率是否非正常的降低。由于所述第一激光敏感度高于所述第二激光敏感度,所以在激光器处于待机状态下如果泵浦源非正常的开启可以及时关闭激光器,在激光器处于工作状态下如果光路中激光的激光功率非正常的降低也可以及时关闭激光器,克服了现有技术中对激光器的故障进行探测与响应的滞后性。
针对传统彩色图像轮廓提取方法在提取目标边界时易受初始轮廓点干扰及收敛速度慢,从而导致提取的彩色图像轮廓噪声大,影响到了图像分割的效果,鉴于此,本发明提出了基于粒子滤波的彩色图像轮廓提取算法。首先,给出图像轮廓的预测并在此建立二维空间,以便充分利用图像信息;然后,构建基于 PSO寻优方法的状态转移模型,该模型促进了粒子向已知的最优状态靠近,改善了粒子的分布,加快了收敛速度;最后建立基于Snake能量函数的观测模型,该观测模型能够较好的定量描述目标轮廓提取的效果。
通过仿真结果可知,在实验的彩色图像中其背景都比较复杂,而且从实验结果来看,预测彩色图像的轮廓是非常重要的,如果预测到的轮廓稳定且准确,那么对后面的轮廓提取及图像分割效果有很大的帮助。本发明采用了基于 Snake能量函数的测量模型,虽然在预测轮廓时干扰较多,但其算法依然可以准确的预测并提取图像目标轮廓,这对后续的图像分割起到很大的作用。
与传统的彩色图像轮廓提取方法比较,有效地缓解了受初始轮廓点干扰及收敛速度慢等问题,尤其是低信噪比条件下的图像轮廓提取,提取到的图像目标轮廓也十分令人满意,优于一般的轮廓提取算法
附图说明
图1是本发明实施例提供的智能型点阵激光控制系统结构框图。
图中:1、激光发射模块;2、摄像模块;3、主控模块;4、驱动模块;5、故障探测模块;6、报警模块;7、触控模块。
图2是本发明实施例提供的智能型点阵激光控制方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
如图1所示,本发明实施例提供的智能型点阵激光控制系统,包括:激光发射模块1、摄像模块2、主控模块3、驱动模块4、故障探测模块5、报警模块 6、触控模块7。
激光发射模块1,与主控模块3连接,用于通过激光器发射激光;
摄像模块2,与主控模块3连接,用于通过摄像头对病人的治疗部位进行拍摄和轮廓提取;
主控模块3,与激光发射模块1、摄像模块2、驱动模块4、故障探测模块5、报警模块6、触控模块7连接,用于控制各个模块正常工作;
驱动模块4,与主控模块3连接,用于对激光器加载驱动;
故障探测模块5,与主控模块3连接,用于探测激光器的故障信号;
报警模块6,与主控模块3连接,用于根据故障探测模块5探测的故障结果启动报警器发出报警声;
触控模块7,与主控模块3连接,用于通过触控显示屏进行交互操作。
如图2所示,本发明实施例提供的智能型点阵激光控制方法,包括:
S101:通过摄像模块对治疗部位进行拍摄;利用基于粒子滤波的彩色图像轮廓提取方法进行轮廓提取;首先,给出图像轮廓的预测并在此建立二维空间,以便充分利用图像信息;然后,构建基于PSO寻优方法的状态转移模型,所述模型促进粒子向已知的最优状态靠近,改善粒子的分布,加快收敛速度;最后建立基于Snake能量函数的观测模型;
S102:主控模块调度驱动模块;驱动模块比较激光器的驱动电流值与PWM 电流源的满幅电流值,得出比较结果,对激光器加载驱动;
S103:通过故障探测模块以第一激光敏感度和第二激光敏感度探测光路中一处或者多处的激光功率,探测激光器的故障信号;
S104:通过报警模块根据故障探测模块探测的故障结果启动报警器发出报警声并进行交互显示。
基于粒子滤波的彩色图像轮廓提取方法包括:
1)以Sobel算子或基于颜色空间聚类方法计算目标轮廓的预测值:
2)将图像目标轮廓视为由N个单元线段构成的集{dli}1,2,…,N,对于i= 1,2,…,N;
3)在C0中找到与dli对应的位置,依据C0中对应位置的切线作为dli的采样基准值,生成初始粒子集;
4)按照状态转移模型引导粒子不断的向已知的最佳解方向聚集,避免标准粒子滤波过程中退化的方法实现粒子状态转移,并计算每个粒子对应的轮廓点集合;
5)按照建立的观测模型计算粒子权重;
6)以粒子集的加权平均计算本次迭代得到的参数dlj (i)=(kj (i),bj (i));
7)若其中,取ε=0.5,则得到以粒子集的加权平均作为dli参数的估计,否则转步骤4)。
状态转移模型避免标准粒子滤波过程中退化的方法包括:
设在计算图像轮廓第i个单元线段li的参数时,迭代至第s 步时粒子集为
其中Θs (i)为直线参数集合,Ws (i)为粒子权重,Es (i)为Snake能量函数模型计算得到的轮廓有效性的测度,是粒子权重计算的依据;基于以上条件,局部最优粒子为:
全局最优粒子为:
则PSO状态转移模型如下所示:
其中rk,rk1,rk2,rb,rb1,rb2均服从正态分布,且
建立观测模型的方法包括:
设已经估计得到的第1至第i-1个单元线段的参数估计值为:
对应的轮廓点序列为:
在计算图像目标轮廓第i个单元线段li的参数时,迭代至第s步时粒子集为:
由此粒子集得到图像目标轮廓点为
局部Snake能量值按下式计算:
全局Snake能量值按下式计算:
或只取{Ψj}j=1,2,…,i-1中与最近的若干个点集共同计算全局 Snake能量值;
对于RGB彩色图像或HSI空间彩色图像,每个分量都有对应的Snake能量值,即
分别对和进行归一化,按下式计算局部粒子权重;
按下式计算粒子全局权重:
取粒子权重为局部和全局值的算术平均,即
最后,对粒子权重进行归一化,以实现参数的最小均方误差估计。
本发明工作时,通过激光发射模块1发射激光;通过摄像模块2对病人的治疗部位进行拍摄和轮廓提取;主控模块3调度驱动模块4对激光器加载驱动;接着,通过故障探测模块5探测激光器的故障信号;通过报警模块6根据故障探测模块5探测的故障结果启动报警器发出报警声;通过触控模块7采用触控显示屏进行交互操作。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种智能型点阵激光控制方法,其特征在于,所述智能型点阵激光控制方法包括:
通过摄像模块对治疗部位进行拍摄;利用基于粒子滤波的彩色图像轮廓提取方法进行轮廓提取;基于粒子滤波的彩色图像轮廓提取方法中,首先,给出图像轮廓的预测并在此建立二维空间,以便充分利用图像信息;然后,构建基于PSO寻优方法的状态转移模型,所述模型促进粒子向已知的最优状态靠近,改善粒子的分布,加快收敛速度;最后建立基于Snake能量函数的观测模型;
主控模块调度驱动模块;驱动模块比较激光器的驱动电流值与PWM电流源的满幅电流值,得出比较结果,对激光器加载驱动;
通过故障探测模块以第一激光敏感度和第二激光敏感度探测光路中一处或者多处的激光功率,探测激光器的故障信号;
通过报警模块根据故障探测模块探测的故障结果启动报警器发出报警声并进行交互显示。
2.如权利要求1所述智能型点阵激光控制方法,其特征在于,基于粒子滤波的彩色图像轮廓提取方法包括:
1)以Sobel算子或基于颜色空间聚类方法计算目标轮廓的预测值:
2)将图像目标轮廓视为由N个单元线段构成的集{dli}1,2,…,N,对于i=1,2,…,N;
3)在C0中找到与dli对应的位置,依据C0中对应位置的切线作为dli的采样基准值,生成初始粒子集;
4)按照状态转移模型引导粒子不断的向已知的最佳解方向聚集,避免标准粒子滤波过程中退化的方法实现粒子状态转移,并计算每个粒子对应的轮廓点集合;
5)按照建立的观测模型计算粒子权重;
6)以粒子集的加权平均计算本次迭代得到的参数dlj (i)=(kj (i),bj (i));
7)若其中,取ε=0.5,则得到以粒子集的加权平均作为dli参数的估计,否则转步骤4)。
3.如权利要求2所述智能型点阵激光控制方法,其特征在于,状态转移模型避免标准粒子滤波过程中退化的方法包括:
设在计算图像轮廓第i个单元线段li的参数时,迭代至第s步时粒子集为
其中Θs (i)为直线参数集合,Ws (i)为粒子权重,Es (i)为Snake能量函数模型计算得到的轮廓有效性的测度,是粒子权重计算的依据;基于以上条件,局部最优粒子为:
全局最优粒子为:
则PSO状态转移模型如下所示:
其中rk,rk1,rk2,rb,rb1,rb2均服从正态分布,且
4.如权利要求1所述智能型点阵激光控制方法,其特征在于,建立观测模型的方法包括:
设已经估计得到的第1至第i-1个单元线段的参数估计值为:
对应的轮廓点序列为:
在计算图像目标轮廓第i个单元线段li的参数时,迭代至第s步时粒子集为:
由此粒子集得到图像目标轮廓点为
局部Snake能量值按下式计算:
全局Snake能量值按下式计算:
或只取{Ψj}j=1,2,…,i-1中与最近的若干个点集共同计算全局Snake能量值;
对于RGB彩色图像或HSI空间彩色图像,每个分量都有对应的Snake能量值,即
分别对和进行归一化,按下式计算局部粒子权重;
按下式计算粒子全局权重:
取粒子权重为局部和全局值的算术平均,即
最后,对粒子权重进行归一化,以实现参数的最小均方误差估计。
5.如权利要求1所述智能型点阵激光控制方法,其特征在于,驱动模块驱动方法如下:
首先,设置PWM电流源的满幅电流值;
其次,比较激光器的驱动电流值与PWM电流源的满幅电流值,得出比较结果;
最后,根据所述比较结果,调节PWM电流源和线性电流源分别输出的电流值;PWM电流源和线性电流源分别输出的电流值线性叠加后输出激光器的驱动电流值;
激光器的驱动电流值小于PWM电流源的满幅电流值时,激光器的驱动电流由PWM电流源输出;调节PWM电流源输出的电流的占空比,以产生激光器的驱动电流值;
故障探测模块探测方法如下:
以第一激光敏感度和第二激光敏感度探测光路中一处或者多处的激光功率;所述第一激光敏感度高于所述第二激光敏感度;
待机状态,当以所述第一激光敏感度在第一门限时间内持续探测到所述光路中一处或者多处的激光功率时关闭激光器;所述待机状态指的是所述激光器已经开机但所有泵浦源不工作的状态;
工作状态,当以所述第二激光敏感度探测不到所述光路中一处或者多处的激光功率时关闭所述激光器;所述工作状态指的是所述激光器以一个用于工作的激光功率输出激光的状态;
功率增大状态,当以所述第一激光敏感度探测不到所述光路中一处或者多处的激光功率时关闭所述激光器;所述功率增大状态指的是所述激光器进入到所述工作状态之前激光功率增大的状态。
6.一种实现权利要求1~5任意一项所述智能型点阵激光控制方法的计算机程序。
7.一种实现权利要求1~5任意一项所述智能型点阵激光控制方法的的计算机。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的智能型点阵激光控制方法。
9.一种实现权利要求1所述智能型点阵激光控制方法的智能型点阵激光控制系统,其特征在于,所述智能型点阵激光控制系统包括:
激光发射模块,与主控模块连接,用于通过激光器发射激光;
摄像模块,与主控模块连接,用于通过摄像头对病人的治疗部位进行拍摄和轮廓提取;
主控模块,与激光发射模块、摄像模块、驱动模块、故障探测模块、报警模块、触控模块连接,用于控制各个模块正常工作;
驱动模块,与主控模块连接,用于对激光器加载驱动;
故障探测模块,与主控模块连接,用于探测激光器的故障信号;
报警模块,与主控模块连接,用于根据故障探测模块探测的故障结果启动报警器发出报警声;
触控模块,与主控模块连接,用于通过触控显示屏进行交互操作。
10.一种安装有权利要求9所述智能型点阵激光控制系统的激光控制设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536428.6A CN108736311A (zh) | 2018-05-30 | 2018-05-30 | 一种智能型点阵激光控制系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536428.6A CN108736311A (zh) | 2018-05-30 | 2018-05-30 | 一种智能型点阵激光控制系统及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108736311A true CN108736311A (zh) | 2018-11-02 |
Family
ID=63935783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810536428.6A Pending CN108736311A (zh) | 2018-05-30 | 2018-05-30 | 一种智能型点阵激光控制系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108736311A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1260262A2 (de) * | 2001-05-22 | 2002-11-27 | E.G.O. Elektro-Gerätebau GmbH | Heizungseinrichtung für Filterelemente eines Partikelfilters und Partikelfilter |
CN101408982A (zh) * | 2008-10-29 | 2009-04-15 | 南京邮电大学 | 一种基于粒子滤波和活动轮廓模型的目标跟踪方法 |
CN104682179A (zh) * | 2015-02-04 | 2015-06-03 | 昂纳信息技术(深圳)有限公司 | 一种激光器驱动方法 |
CN106821495A (zh) * | 2017-02-07 | 2017-06-13 | 镇江金海创科技有限公司 | 智能型点阵激光控制系统及其美容治疗方法 |
CN107677450A (zh) * | 2017-09-01 | 2018-02-09 | 深圳市创鑫激光股份有限公司 | 激光器故障探测与响应的方法、系统、存储介质及激光器 |
-
2018
- 2018-05-30 CN CN201810536428.6A patent/CN108736311A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1260262A2 (de) * | 2001-05-22 | 2002-11-27 | E.G.O. Elektro-Gerätebau GmbH | Heizungseinrichtung für Filterelemente eines Partikelfilters und Partikelfilter |
CN101408982A (zh) * | 2008-10-29 | 2009-04-15 | 南京邮电大学 | 一种基于粒子滤波和活动轮廓模型的目标跟踪方法 |
CN104682179A (zh) * | 2015-02-04 | 2015-06-03 | 昂纳信息技术(深圳)有限公司 | 一种激光器驱动方法 |
CN106821495A (zh) * | 2017-02-07 | 2017-06-13 | 镇江金海创科技有限公司 | 智能型点阵激光控制系统及其美容治疗方法 |
CN107677450A (zh) * | 2017-09-01 | 2018-02-09 | 深圳市创鑫激光股份有限公司 | 激光器故障探测与响应的方法、系统、存储介质及激光器 |
Non-Patent Citations (1)
Title |
---|
伊力哈木•亚尔买买提: ""基于粒子滤波的彩色图像轮廓提取算法研究"", 《计算机仿真》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516877A (zh) | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 | |
CN102799863B (zh) | 视频监控中的团体人群异常行为检测方法 | |
Boniardi et al. | Robot localization in floor plans using a room layout edge extraction network | |
Zang et al. | Robust background subtraction and maintenance | |
CN105447459A (zh) | 一种无人机自动检测目标和跟踪方法 | |
Chen et al. | Visual detection of lintel-occluded doors from a single image | |
CN102142085B (zh) | 一种林区监控视频中运动火焰目标的鲁棒跟踪方法 | |
CN112712712B (zh) | 确定车辆排队信息的方法、装置、路侧设备和云控平台 | |
CN103020990A (zh) | 一种基于gpu的运动目标检测方法 | |
Ling et al. | A background modeling and foreground segmentation approach based on the feedback of moving objects in traffic surveillance systems | |
CN102025981A (zh) | 一种监控视频中的前景检测的方法 | |
Hou et al. | Image anomaly detection for IoT equipment based on deep learning | |
Wang et al. | Sfgan: Unsupervised generative adversarial learning of 3d scene flow from the 3d scene self | |
Joshi et al. | Hybrid DSSCS and convolutional neural network for peripheral blood cell recognition system | |
Chan et al. | Real-time foreground detection approach based on adaptive ensemble learning with arbitrary algorithms for changing environments | |
CN114500865B (zh) | 补光灯的调控方法、装置、电子设备和存储介质 | |
Wahyono et al. | Face emotional detection using computational intelligence based ubiquitous computing | |
CN114037087B (zh) | 模型训练方法及装置、深度预测方法及装置、设备和介质 | |
Szemenyei et al. | Real-time scene understanding using deep neural networks for RoboCup SPL | |
CN108736311A (zh) | 一种智能型点阵激光控制系统及控制方法 | |
Liu et al. | Research of the improved camshift tracking algorithm | |
CN109949336A (zh) | 一种连续视频帧中目标快速跟踪方法及装置 | |
US11295211B2 (en) | Multi-scale object detection with a trained neural network | |
Chen et al. | Visual detection of lintel-occluded doors by integrating multiple cues using a data-driven Markov chain Monte Carlo process | |
CN110674845A (zh) | 一种结合多感受野注意与特征再校准的菜品识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |
|
RJ01 | Rejection of invention patent application after publication |