-
公开(公告)号：CN114841964B
公开(公告)日：2024-07-26
申请号：CN202210490922.X
申请日：2022-05-07
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于偏差放大的轮胎滑移量测量方法、装置及系统，方法包括：在轮胎胎面上设置若干个标记点，并在轮胎滚动过程中采集标记点的原始图像；得到针对标记点的边缘检测结果；计算出该标记点的位置滑移量；根据所提取的像素重构出标记点的重构图像矩阵；利用偏差放大算法对重构图像矩阵进行处理，计算由形状变化所导致的形状滑移量；根据形状滑移量和位置滑移量之和获取总滑移量，根据形状滑移量对应的滑动方向以及位置滑移量对应的滑动方向确定出滑移矢量，将总滑移量以及滑移矢量作为分析和预测轮胎的磨损情况的依据。应用本发明实施例，提高了测量灵敏度。
-
公开(公告)号：CN117951813A
公开(公告)日：2024-04-30
申请号：CN202410139872.X
申请日：2024-01-31
Applicant: 安徽农业大学
Abstract: 本发明公开一种轮胎内传感器安装位置确定方法、装置、介质及产品，涉及智能农机的轮胎测试领域，方法包括根据轮胎实际信息构建轮胎滚动仿真模型；根据所述轮胎滚动仿真模型进行仿真，提取待选测点方案中各测点位置的传感器信号；所述待选测点方案是根据所述轮胎实际信息的花纹结构特征确定的；根据所述传感器信号确定与传感器测点位置选择相关的评价指标；根据所述评价指标对轮胎内各测点位置的传感器信号进行评价，得到评价结果；根据所述评价结果确定各传感器在轮胎内的最佳安装位置。本发明能确定农用轮胎内传感器的最佳安装位置。
-
公开(公告)号：CN116468708A
公开(公告)日：2023-07-21
申请号：CN202310456758.5
申请日：2023-04-25
Applicant: 安徽农业大学
IPC: G06T7/00 , G06T7/13 , G06V10/774 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于深度学习的单帧正交条纹标靶图像的特征点检测方法，构建单帧正交条纹图像的相位解码网络，采用具有残差模块的深层网络，以解决网络加深带来的训练难题；优化损失函数，以提高网络的解码精度，获取准确的截断相位，从而准确地检测标靶特征点；所设计的网络经多质量样本训练后，即使在离焦模糊情况下仍能够计算单帧正交条纹的截断相位，从而准确提取特征点，因此在标定时可适应不同的焦距，自适应性强，灵活性高，对噪声的鲁棒性强。
-
公开(公告)号：CN115082513A
公开(公告)日：2022-09-20
申请号：CN202210794490.1
申请日：2022-07-07
Applicant: 安徽农业大学
Abstract: 本发明公开了一种结构振型可视化的实现方法、装置、存储介质及电子设备，方法包括：获取待测量结构件的初始运动视频数据，对待测量结构件的初始运动视频数据进行预处理，获得目标运动视频数据，利用基于块匹配和梯度光流的组合位移提取算法，确定目标运动视频数据的运动矢量场，根据运动矢量场以及运动补偿算法，实现待测量结构件的结构振型可视化，提高了对视频数据中微小运动的放大倍率，同时有效的减少了运动放大过程中产生的伪影，获得了高质量的可视化结构振型，并且通过使用基于块匹配和梯度光流的组合位移提取算法和运动补偿来降低运动放大的复杂度，提高了算法的运行效率。
-
公开(公告)号：CN114862876B
公开(公告)日：2024-08-06
申请号：CN202210556472.X
申请日：2022-05-18
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于正交条纹投影的快速深度分割方法，包括以下步骤，步骤S1：搭建条纹投影三维物体深度分割系统；步骤S2：利用深度学习网络模型训练得到目标物体图像对应的截断相位φX1(x,y)、φY1(x,y)；步骤S3：为了消除相位不敏感区域误分割引入的误差，对φX1(x,y)、φY1(x,y)整体相移π个单位后，将新相位信息拓展到[0,2π]以得到新截断相位φX2(x,y)、φY2(x,y)，从而得到不同相位信息下的两类截断相位；步骤S4：利用阈值分割提取目标物体的粗分割线后，通过形态学运算优化得到四个细分割线EX1(x,y)、EX2(x,y)、EY1(x,y)、EY2(x,y)；步骤S5：对EX1(x,y)、EX2(x,y)、EY1(x,y)、EY2(x,y)采用或与运算即可得到最终的深度分割结果D(x,y)，并利用边界描述标记优化结果展示。本发明仅使用一幅正交条纹图即可实现快速深度分割，具有成本低、计算速度快、分割精确度高、适用性广等优点。
-
Patent Agency Ranking
公开(公告)号：CN118397447A
公开(公告)日：2024-07-26
申请号：CN202410444997.3
申请日：2024-04-15
Applicant: 安徽农业大学
IPC: G06V20/10 , G06V20/68 , G06V10/26 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种果实成熟度检测方法及装置，方法包括：利用深度感知摄像头在夜间环境下采集果实图像；将所述果实图像输入预先训练的、基于特定Mask R‑CNN网络的夜间果实分割与成熟度检测模型，输出检测到的果实区域及成熟度信息，其中，所述特定Mask R‑CNN网络包括：通道增强特征金字塔网络CE‑FPN、指数移动平均EMA模块和预设分类损失函数。利用本发明实施例，能够显著提高在夜间低光照条件下的果实检测、分割和成熟度分类的准确性、效率、适应性和鲁棒性，可为夜间农业自动化采摘提供强有力的技术支持，特别是对于需要在夜间采摘以满足次日早市需求的作物，在农业领域具有较高应用价值。
-
公开(公告)号：CN117490823B
公开(公告)日：2024-07-05
申请号：CN202311446779.5
申请日：2023-11-02
Applicant: 安徽农业大学
Abstract: 本发明涉及结构振动分析技术领域，公开了一种基于视觉测量的振动提取与振型观测方法，包括如下步骤：步骤一、搭建测量平台，利用高速相机获取被测结构的运动视频数据；步骤二、定位边缘区域，获取运动视频中结构边缘所有位置的时序像素切片，组成时序矩阵；步骤三、基于偏差提取算法，提取结构边缘时序矩阵上亚像素精度的振动信号。本发明提出的基于视觉测量的新型振动提取与振型观测方法，首先无需在被测结构上布置接触式传感器，降低了测量难度和测量成本；其次通过视觉测量振动信号，提高了空间分辨率；最后利用偏差提取算法，仅关注结构边缘的时序扰动，提升了结构振动分析与振型观测的效率。
-
公开(公告)号：CN118155205A
公开(公告)日：2024-06-07
申请号：CN202410111285.X
申请日：2024-01-26
Applicant: 安徽农业大学
IPC: G06V20/70 , G06V10/774 , G06V10/26 , G06V10/28
Abstract: 本发明公开了一种用于缺陷视觉检测的像素级标签生成方法及系统，方法包括：通过第一标注方式和第二标注方式对缺陷图像进行标注，生成第一标签文件和第二标签文件；生成第一标签文件和第二标签文件的标签掩码图；将第一标签文件对应的缺陷原图与对应的标签掩码图进行混合，将混合得到的第一图片转换为第二图片；获取第一标签范围，在所述第一标签范围内对所述第二图片进行阈值分割，生成伪像素掩码图，作为伪像素级标签文件。利用本发明实施例，能够不仅不会给网络引入大量噪声，还极大地减少了数据标注所需的时间，可以快速构建高精度的缺陷识别分割网络，满足实际生产质量检测的需求。
-
公开(公告)号：CN115641368B
公开(公告)日：2024-06-04
申请号：CN202211344424.0
申请日：2022-10-31
Applicant: 安徽农业大学
IPC: G06T7/60 , G06T7/80 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种用于标定的离焦棋盘格图像特征提取方法，包括：S1、获取棋盘格图像；S2、检测亚像素精度的特征点，设计标签图像；S3、制作数据集；S4、设计深度编码解码的权重回归网络；S5、以模糊离焦图像为输入，以标签图像为输出对网络进行反复训练；S6、分析训练网络的输出图像，检测输出图像中每个灰度圆的灰度中心，即为特征点。本发明着眼于离焦图像像素级分析，通过对标签图像带权重像素级回归，使网络实现像素是否为特征点检测。对输入数据集进行加噪处理，使网络对采集图像噪声具有较强鲁棒性；同时将Unet网络中卷积层更换为残差块，以适应深层网络训练；按照标签图像中像素位置，在损失函数中设置不同权重，以提高特征点检测精度。
-
公开(公告)号：CN113643205B
公开(公告)日：2024-03-22
申请号：CN202110941153.6
申请日：2021-08-17
Applicant: 安徽农业大学
Abstract: 本发明公开了一种鱼眼镜头的全场图像畸变校正方法，具体包括以下步骤：步骤S1：搭建一个鱼眼镜头畸变校正系统，包括鱼眼镜头、摄像机和液晶屏幕；步骤S2：建立液晶屏幕坐标系XOY；步骤S3：设计动态标靶，包括五幅标靶图案In(x,y)，然后将五幅标靶图案In(x,y)依次显示于液晶屏幕上，同时摄像机依次采集五幅标靶图像Jn(u,v)；步骤S4：分别计算出水平方向和垂直方向上的截断相位φu(u,v)和φv(u,v)，并利用时域相位展开法分别恢复出绝对相位Φu(u,v)和Φv(u,v)；步骤S5：根据绝对相位Φu(u,v)和Φv(u,v)，建立摄像机的像素坐标(u,v)和液晶屏幕的像素坐标(x,y)的映射表(x,y)＝LUT(u,v)；步骤S6：利用安装鱼眼镜头的摄像机拍摄未校正的场景图像Jdistort(u,v)，将未校正的场景图像Jdistort(u,v)中所有像素映射至液晶屏幕坐标系XOY下，并通过插值运算获得校正的场景图像Icorrect(x,y)。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.022 seconds)
