-
公开(公告)号：CN119313652A
公开(公告)日：2025-01-14
申请号：CN202411517940.8
申请日：2024-10-29
Applicant: 北京交通大学 , 滨州魏桥国科高等技术研究院
IPC: G06T7/00 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开一种基于稀疏卷积重分配及检测头融合的缺陷检测方法。该方法包括：获取待检测目标的离散点云信息；将离散点云信息输入经训练的PillarNeXt模型，获得缺陷检测结果，其中PillarNeXt模型包含支柱编码器、主干网络、颈部网络和检测头，所述主干网络包含多组稀疏卷积模块，用于提取二维伪图像的点云特征，得到稀疏特征图，并将该稀疏特征图转化为稠密特征图，所述颈部网络用于捕获所述稠密特征图的空间信息，所述检测头用于预测待检测目标中心点的三维坐标信息、目标尺寸、目标朝向以及目标类别置信度热力图，并且每组稀疏卷积模块的数量非均匀分布，组数靠后的稀疏卷积模块的数量不大于组数靠前的稀疏卷积模块的数量。本发明能够实现快速准确的缺陷检测。
-
公开(公告)号：CN114240969B
公开(公告)日：2024-11-26
申请号：CN202111572330.4
申请日：2021-12-21
Applicant: 北京交通大学
Abstract: 本发明公开一种基于条纹多视野卷积网络的多线激光图像缺陷分割方法。该方法包括：将多线激光光条图像输入到基于条纹多视野卷积的激光光条图像缺陷分割模型中，提取特征以分割出多种成像缺陷。条纹多视野卷积层包括四个卷积分支，分别为3*3普通卷积分支、3*3空洞卷积分支、横向条纹卷积分支和纵向条纹卷积分支。普通卷积分支主要提取多线激光图像的细节信息空洞卷积分支恰好是两个条纹卷积的交叉重叠区域，用于提取中心位置的环状范围特征。横向条纹卷积分支用于提取多线激光图像的横向特征，挖掘单光条内部结构信息。纵向条纹卷积分支用于提取多线激光图像的纵向特征，主要挖掘相邻光条间的关联信息。本发明能准确分割常见的激光图像成像缺陷。
-
Patent Agency Ranking
公开(公告)号：CN117237433A
公开(公告)日：2023-12-15
申请号：CN202311212782.0
申请日：2023-09-19
Applicant: 北京交通大学
IPC: G06T7/60 , G06T7/00 , G06V10/26 , G06V20/70 , G06V10/82 , G06V10/52 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/74 , G06V10/764 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开一种工业检测多线激光光条中心线提取方法。该方法包括：获取目标图像；将目标图像输入到预训练的深度学习模型，提取出多线激光光条中心线。所述深度学习模型包括缺陷分割与中心线提取模块、图像修复模块和Steger模块，所述缺陷分割与中心线提取模块用于从原始图像中分割缺陷区域；所述图像修复模块以分割出的缺陷区域作为图像修复所需的掩码，得到修复后的激光图像；所述Steger模块用于从所述修复后的激光图像中提取光条中心线，并标注光条中心线标签；进而所述缺陷分割与中心线提取模块基于所述光条中心线标签获得原始图像的光条中心线提取结果。本发明能够完整地从采集的原始图像中提取出多线光条中心线，并具有更强的泛化能力。
-
公开(公告)号：CN113096037A
公开(公告)日：2021-07-09
申请号：CN202110350173.6
申请日：2021-03-31
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于深度学习的轮对光条图像的修复方法。该方法包括：采集待修复的轮对光条图像，将待修复的轮对光条图像输入循环网络中；在循环网络中，利用软编码Pconv层和非对称相似度模块对待修复的轮对光条图像进行循环渐进式的修复处理；将所述循环网络输出的多个修复特征图进行特征融合，得到融合特征图，利用损失函数结合MS‑SSIM损失项计算所述融合特征图与真值图像之间的差异值，根据差异值调整所述融合特征图，得到修复后的轮对光条图像。本发明实施例的方法能够对轮对多线激光光条图像进行有效的光斑修复和局部断裂修补，能准确还原断裂区域的光条；并且本发明在光斑区域的修复效果也很不错，能够达到当前实际工业环境下的精度要求。
-
公开(公告)号：CN110110220B
公开(公告)日：2021-06-01
申请号：CN201810642787.X
申请日：2018-06-21
Applicant: 北京交通大学
IPC: G06F16/9535 , G06F16/9536 , G06F16/33 , G06F40/284 , G06F40/289 , G06F40/30 , G06Q30/02 , G06Q50/00
Abstract: 本发明涉及融合社交网络和用户评价的推荐模型。为了反映用户社交关系对用户决策的影响并提高推荐结果的精确度，提出了一种融合社交网络和用户评分评论数据的推荐模型。该模型通过文本处理技术和数据挖掘算法，从评论中提取主题信息作为用户和商家的特征，利用社区发现算法为用户划分社区，最后利用机器学习方法对社区进行建模并进行推荐。该模型既考虑了用户个体的偏好，又包含了社区用户的整体特征，能够给社区用户提供个性化的推荐。
-
公开(公告)号：CN110263257A
公开(公告)日：2019-09-20
申请号：CN201910547320.1
申请日：2019-06-24
Applicant: 北京交通大学
IPC: G06F16/9535 , G06Q30/06 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 近年来深度学习被广泛应用在了图像和音频识别、文本分类和表示学习等领域，基于深度学习的推荐系统也成为学者们的研究热点。深度学习模型在图像、文本等特定数据的表示学习中都取得了极好的效果，避免了复杂的特征工程，可以得到异构数据的非线性多层次的抽象特征表示，克服了多种数据的异质性。目前，融合评分、评论和社交网络的深度学习推荐模型尚未提出。本专利基于深度学习算法，给出了一个具有较强拓展性的推荐流程，分析了不同数据适合使用的相关算法及原理，根据不同数据的损失函数推出了结合评论、评分和社交信息的最终损失函数，提高了推荐结果的准确度。
-
公开(公告)号：CN110110220A
公开(公告)日：2019-08-09
申请号：CN201810642787.X
申请日：2018-06-21
Applicant: 北京交通大学
IPC: G06F16/9535 , G06F16/9536 , G06F16/33 , G06F17/27 , G06Q30/02 , G06Q50/00
Abstract: 本发明涉及融合社交网络和用户评价的推荐模型。为了反映用户社交关系对用户决策的影响并提高推荐结果的精确度，提出了一种融合社交网络和用户评分评论数据的推荐模型。该模型通过文本处理技术和数据挖掘算法，从评论中提取主题信息作为用户和商家的特征，利用社区发现算法为用户划分社区，最后利用机器学习方法对社区进行建模并进行推荐。该模型既考虑了用户个体的偏好，又包含了社区用户的整体特征，能够给社区用户提供个性化的推荐。
-
-
-
-
-
-
Search Results
17
records
(took 0.032 seconds)
