-
公开(公告)号：CN119672029A
公开(公告)日：2025-03-21
申请号：CN202510195359.7
申请日：2025-02-21
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/0464 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明提供一种基于目标检测的预制构件外表缺陷检测分类方法，对YOLOV8深度学习网络模型进行改进，在Backbone网络中将RepGhost瓶颈结构集成到C2f模块中，记为C2f_RepGhost模块；在Neck网络中添加EMA注意力机制模块，并将PAFPN网络结构替换为BiFPN_Concat网络结构；在Head网络中对边界框回归损失函数进行优化。本发明利用上述改进有效提高了对预制构件中外表缺陷的检测效率和精度。
-
公开(公告)号：CN118196181B
公开(公告)日：2024-07-19
申请号：CN202410625207.1
申请日：2024-05-20
Applicant: 安徽大学
Abstract: 本发明公开了一种基于图像处理的预制构件表面蜂窝麻面面积检测方法，首先利用图像采集仪对待测混凝土预制构件的结构面进行图像采集，并测量图像采集仪与结构面之间的距离，然后将结构面图像转化为灰度图，并进行增强处理、几何校正和降噪之后，分别用基于改进的形态学边缘检测算子、基于分数阶Sobel算子和插值法融合的Canny算法，进行图像边缘检测，得到两种边缘图像，两种边缘图像再进行图像融合，输出融合后边缘图像，并结合测量的距离值计算得到待测混凝土预制构件结构面上蜂窝麻面的面积。本发明基于两种边缘算法结合的图像处理技术，对结构面上的蜂窝麻面面积进行计算，计算结果准确，从而达到减小人工误差和提高质检效率的目的。
-
公开(公告)号：CN117934438A
公开(公告)日：2024-04-26
申请号：CN202410134929.7
申请日：2024-01-31
Applicant: 安徽大学绿色产业创新研究院
IPC: G06T7/00 , G06T5/50 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种装配式预制构件工厂的成捆钢筋盘点算法，首先采集成捆钢筋的端面图像，并进行图像预处理；然后构建图像特征检测网络模型，进行图像特征检测网络模型的训练；最后采用训练好的图像特征检测网络模型对成捆钢筋的端面图像进行识别，得到钢筋的计数结果。本发明通过采集成捆钢筋的端面图像进行成捆钢筋的自动化检测计数，检测结果准确、计数精度高。
-
公开(公告)号：CN116663861B
公开(公告)日：2023-10-13
申请号：CN202310927346.5
申请日：2023-07-27
Applicant: 安徽大学绿色产业创新研究院
IPC: G06Q10/0631 , G06Q50/08 , G06Q50/04 , G06F30/20 , G06F111/04 , G06F111/06 , G06F111/10 , G06F111/08 , G06N3/006 , G06F111/20 , G06F119/18
Abstract: 本发明公开了一种装配式构件生产鲁棒性和资源均衡结合的调度优化方法，基于遗传算法，考虑生产过程中的逻辑约束和资源约束，构建以鲁棒性值和资源均衡为双优化目标的生产调度数学模型，从而合理安排装配式建筑构件的生产顺序和资源配置，并基于层次分析法的基础上，选出满足工期要求且抗干扰能力（抵抗环境等不确定因素）强和资源波动指数小的调度方案。本发明在成批构件生产调度过程中，解决了双优化目标之间相互约束的矛盾，保证资源需求量的稳定，充分利用企业的生产能力，达到提高生产效率、降本增效的目的。
-
公开(公告)号：CN116663861A
公开(公告)日：2023-08-29
申请号：CN202310927346.5
申请日：2023-07-27
Applicant: 安徽大学绿色产业创新研究院
IPC: G06Q10/0631 , G06Q50/08 , G06Q50/04 , G06F30/20 , G06F111/04 , G06F111/06 , G06F111/10 , G06F111/08 , G06N3/006 , G06F111/20 , G06F119/18
Abstract: 本发明公开了一种装配式构件生产鲁棒性和资源均衡结合的调度优化方法，基于遗传算法，考虑生产过程中的逻辑约束和资源约束，构建以鲁棒性值和资源均衡为双优化目标的生产调度数学模型，从而合理安排装配式建筑构件的生产顺序和资源配置，并基于层次分析法的基础上，选出满足工期要求且抗干扰能力（抵抗环境等不确定因素）强和资源波动指数小的调度方案。本发明在成批构件生产调度过程中，解决了双优化目标之间相互约束的矛盾，保证资源需求量的稳定，充分利用企业的生产能力，达到提高生产效率、降本增效的目的。
-
Patent Agency Ranking
公开(公告)号：CN115311611A
公开(公告)日：2022-11-08
申请号：CN202210954734.8
申请日：2022-08-10
Applicant: 安徽大学绿色产业创新研究院
Abstract: 本发明提供一种用于装配式建筑预制构件生产的钢筋计数方法。首先构建一个基于钢筋端面图像的计数网络；然后获取包含钢筋端面的图像作为计数网络的原始输入数据；再通过计数网络对图像进行特征提取和分析处理，获取每个钢筋端面在图像中的位置和钢筋数量；然后将钢筋位置标记在图像中，并对检测异常的钢筋端面进行修正。本发明基于深度学习和神经网络的独特优势，能够对装配式建筑行业内的多个场景实现高效的钢筋计数，具有多种尺度的特征图提取与检测功能，可以支持不同直径的钢筋计数，可以在不更改网络模型地基础上完成统一装配式建筑生产施工现场的多种类型的钢筋计数，且可以实时监控库存钢筋容量和钢筋参数信息，具有较强的实用性。
-
公开(公告)号：CN114997195A
公开(公告)日：2022-09-02
申请号：CN202210515092.1
申请日：2022-05-12
Applicant: 安徽大学绿色产业创新研究院
Abstract: 本发明涉及建筑工业领域，特别是涉及一种基于巡检机器人的构件盘点定位方法，包括如下步骤：巡检机器人通过货架上的ARTAG标识码获取巡检机器人在ARTAG标识码坐标系下的定位坐标数据；根据ARTAG标识码预先标定的位置以及定位坐标数据，计算得到巡检机器人的位置；巡检机器人靠近货架时，货架上构件的RFID标签被巡检机器人的LF频率触发激励器唤醒，构件向巡检机器人的RFID阅读器发送自身ID和LF频率触发激励器的ID，得到构件盘点数据；根据步骤二中巡检机器人的位置反推货架的位置，将货架位置与构件盘点数据结合，得到构件定位数据；本发明解决了预制构件堆场盘点效率低，构件定位困难，构件数据更新实时性较差，难以满足要求的问题。
-
公开(公告)号：CN119672029B
公开(公告)日：2025-05-06
申请号：CN202510195359.7
申请日：2025-02-21
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/0464 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明提供一种基于目标检测的预制构件外表缺陷检测分类方法，对YOLOV8深度学习网络模型进行改进，在Backbone网络中将RepGhost瓶颈结构集成到C2f模块中，记为C2f_RepGhost模块；在Neck网络中添加EMA注意力机制模块，并将PAFPN网络结构替换为BiFPN_Concat网络结构；在Head网络中对边界框回归损失函数进行优化。本发明利用上述改进有效提高了对预制构件中外表缺陷的检测效率和精度。
-
公开(公告)号：CN119672717A
公开(公告)日：2025-03-21
申请号：CN202510195361.4
申请日：2025-02-21
Applicant: 安徽大学
IPC: G06V20/70 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种基于目标检测的构件预埋件的图像识别与定位方法，对YOLOV8深度学习网络模型进行改进，在Backbone网络中添加CBAM注意力机制模块，并将SPPF模块替换为Improve_SPPF模块；在Neck网络中将Conv模块替换成GSConv模块；在Head网络中对边界框回归损失函数进行优化；利用改进的YOLOV8深度学习网络模型对预制构件的平面图像数据集进行预埋件的识别与定位，并利用二维码像素尺寸标定技术标定预埋件中心位置的实际坐标。本发明利用上述改进有效提高了对预制构件中线盒及预埋管等预埋件的识别效率和精度，并实现对预埋件的精准定位。
-
公开(公告)号：CN118229681B
公开(公告)日：2024-07-30
申请号：CN202410637905.3
申请日：2024-05-22
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/0455 , G06N3/0464 , G06T7/13 , G06T7/194 , G06V10/44 , G06V10/764 , G06V10/82 , G01S13/88
Abstract: 本发明公开了一种结合PVT和U‑Net深度学习的道路缺陷检测方法，首先获取原始探地雷达数据集，然后进行数据的预处理，构建标准化的探地雷达图像数据集；然后构建结合PVT和U‑Net的深度学习网络、添加符号距离函数的损失函数，基于损失函数、采用深度学习网络对探地雷达图像数据集中的训练集进行训练，得到训练好的深度学习网络；最后采用训练好的深度学习网络对探地雷达图像数据集中的测试集进行检测，提取到道路缺陷特征。本发明采用结合PVT和U‑Net的深度学习网络，能更好的提取和分割出道路的缺陷特征，并采用添加符号距离函数的损失函数进行训练，有效增强前景背景区域特征的可分性，提高了图像边缘部分的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.029 seconds)
