-
公开(公告)号：CN116402821B
公开(公告)日：2023-09-22
申请号：CN202310676359.X
申请日：2023-06-08
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0464 , G06N3/084 , G06V10/52 , G06V10/764 , G06V10/80 , G06V10/82 , G01N21/88
Abstract: 本发明公开了一种基于神经网络的飞机蒙皮涂胶质量缺陷检测方法，包括数据采集，利用相机对飞机蒙皮进行拍照获取图片数据；对获取到的图片数据进行预处理，通过标注软件对数据进行标注获取用于网络训练的数据集；建立一个基于特征擦除和边界细化的缺陷检测网络模型，其中，缺陷检测网络模型包括依次连接的特征提取网络、语义引导的特征擦除模块、多尺度特征融合网络和基于边界细化的缺陷预测网络，利用数据集对网络模型进行训练，并将训练好的模型参数保存；利用训练好的网络模型对直接采集到的蒙皮涂胶图像进行检测，并输出检测结果。可以快速准确地实现飞机蒙皮涂胶缺陷的无损检测，推动蒙皮高质量智能制造进程。
-
公开(公告)号：CN112991421B
公开(公告)日：2023-08-08
申请号：CN202110304658.1
申请日：2021-03-23
Applicant: 湖南大学
Abstract: 本发明公开了一种机器人视觉立体匹配方法，首先在代价计算部分，通过SAD和MCT匹配代价计算方式，可以在保证图像在弱纹理与重复纹理效果的同时，兼顾窗口像素点相关性与的全局性，避免引入噪声；其次在代价聚合阶段，引入基于图像梯度而改变尺寸大小与方向的自适应窗口，利用基于梯度变化的自适应窗口，充分的考虑到图像的梯度信息，即在梯度平缓区域窗口尺寸增大，梯度变化剧烈区域窗口尺寸减小，使图像的边缘部分得到最大程度的保持，同时，在自适应窗口内进行引导滤波以代价聚合，在此基础之上进一步使用多尺度聚合的方法，得到更优的代价聚合结果；最终在进行视差计算与视差优化，得到最优视差结果，具有机器人视觉立体匹配度高的优点。
-
公开(公告)号：CN116402821A
公开(公告)日：2023-07-07
申请号：CN202310676359.X
申请日：2023-06-08
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0464 , G06N3/084 , G06V10/52 , G06V10/764 , G06V10/80 , G06V10/82 , G01N21/88
Abstract: 本发明公开了一种基于神经网络的飞机蒙皮涂胶质量缺陷检测方法，包括数据采集，利用相机对飞机蒙皮进行拍照获取图片数据；对获取到的图片数据进行预处理，通过标注软件对数据进行标注获取用于网络训练的数据集；建立一个基于特征擦除和边界细化的缺陷检测网络模型，其中，缺陷检测网络模型包括依次连接的特征提取网络、语义引导的特征擦除模块、多尺度特征融合网络和基于边界细化的缺陷预测网络，利用数据集对网络模型进行训练，并将训练好的模型参数保存；利用训练好的网络模型对直接采集到的蒙皮涂胶图像进行检测，并输出检测结果。可以快速准确地实现飞机蒙皮涂胶缺陷的无损检测，推动蒙皮高质量智能制造进程。
-
公开(公告)号：CN115952672A
公开(公告)日：2023-04-11
申请号：CN202211736662.6
申请日：2022-12-31
Applicant: 湖南大学
IPC: G06F30/20 , G06T7/73 , G06T19/20 , G06F111/20 , G06F111/04 , G06F111/08 , G06F119/18
Abstract: 本发明公开了一种复杂工件装配的三维位姿估计方法，首先分别获取装配工件A和B的扫描点云数据，将扫描点云数据分别与各自的标准模型点云数据比对，确定装配工件A和B装配面对应的扫描点云数据；然后预设装配工件A和B在装配状态下的初始位姿，并将其移动至装配初始位姿，构建装配工件A和B的装配误差函数；接着通过Dog‑Leg方法优化装配误差函数，得到装配工件A和B优化后的位姿；最后根据优化后的位姿分别更新装配工件A和B的扫描点云数据，并重新计算更新后的装配工件A中的每个点到装配工件B上最近点的距离，由此得出所述装配工件A和B装配估计结果。该方法可为工件装配工序提供数据支撑，提升工件装配精度和效率。
-
公开(公告)号：CN110070235B
公开(公告)日：2022-12-23
申请号：CN201910365607.2
申请日：2019-05-01
Applicant: 湖南大学
Abstract: 本发明公开了一种多移动机器人的柔性调度方法，包括：S1,建立一种多移动机器人的柔性调度方法的数学模型，确定多机器人协同作业的目标函数，通过所述目标函数再建立多移动机器人多工件、多工序、多任务的调度模型，确定多移动机器人最大完工时间最小与总负荷最小为优化目标；S2,设计一种遗传算法对步骤S1建立的数学模型进行求解，依据求解结果选择最优种群，对该种群的基因链进行解码，读取各工序对应的移动机器人，并按照时序把所有的任务分配给各移动机器人，用于实现多移动机器人的智能调度。本发明利用遗传算法解决了柔性车间多任务、多工件多工序的多移动机器人调度问题，有效提高了生产效率，节省了生产成本。
-
Patent Agency Ranking
公开(公告)号：CN115100078B
公开(公告)日：2022-12-13
申请号：CN202210879305.9
申请日：2022-07-25
Applicant: 湖南大学
Abstract: 本申请公开了一种曲面屏图像中点阵坐标修正与填补的方法及相关装置，用于实现点阵点的精准定位。本申请方法包括：使用水平样本点集生成水平曲线集合；根据竖直样本点集生成优化函数；选取竖直点阵点集的分段位置；根据子集P1、P2和P3生成第一分段函数；根据第一分段函数、竖直点阵点集和优化函数优化分段位置，计算L1；使用分段位置、分段函数表达式、竖直点阵点集和优化函数生成第二分段函数，并计算L2；当L1和L2的绝对差值不小于预设阈值时，重新优化分段位置x1和x2并拟合分段函数，计算并对比优化目标函数值；使用L1和L2的绝对差值小于预设阈值作为优化终止条件，生成竖直曲线集合；生成第一平滑网格并进行修复。
-
公开(公告)号：CN113989525A
公开(公告)日：2022-01-28
申请号：CN202111593705.5
申请日：2021-12-24
Applicant: 湖南大学
IPC: G06V10/44 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06N20/10
Abstract: 本发明公开了自适应随机块卷积核网络的高光谱中药材鉴别方法，基于最优聚类框架，获得中药材高光谱图像最优波段子集，再采用集群排序方法有效地从最优波段子集中选出最佳特征波段；使用随机投影方法将从中药材高光谱图像中提取的随机块作为卷积核；然后使用像素自适应方法修改卷积核，并基于中药材特征波段图像进行特征提取；再次，使用分层网络提取中药材的特征，并结合中药材高光谱最佳波段影像数据，构建中药材高光谱训练集与测试集；最后使用SVM对训练集进行训练得到分类预测模型，基于该模型对中药材测试集进行预测，大幅度提高了中药材的鉴别分类精度，解决了中药材种类多样、成分复杂的鉴别难题，可适用于各类中药材的快速无损鉴别。
-
公开(公告)号：CN113269196A
公开(公告)日：2021-08-17
申请号：CN202110811547.X
申请日：2021-07-19
Applicant: 湖南大学
Abstract: 本发明公开了一种图卷积神经网络高光谱医药成分分析的实现方法，一方面，将医药高光谱图像数据处理成图数据，大幅度降低了像素数量，有效减少了数据量；另一方面，以图卷积神经网络模型提取药物的特征信息，有效地学习了药物高光谱图像中的视觉特征与药物成分间的空间关系，提升了药物成分分类特征的表示能力，提高了被测药物的成分和属性精度，可实现对药物成分与质量的无损、快速检测分析。
-
公开(公告)号：CN112991421A
公开(公告)日：2021-06-18
申请号：CN202110304658.1
申请日：2021-03-23
Applicant: 湖南大学
Abstract: 本发明公开了一种机器人视觉立体匹配方法，首先在代价计算部分，通过SAD和MCT匹配代价计算方式，可以在保证图像在弱纹理与重复纹理效果的同时，兼顾窗口像素点相关性与的全局性，避免引入噪声；其次在代价聚合阶段，引入基于图像梯度而改变尺寸大小与方向的自适应窗口，利用基于梯度变化的自适应窗口，充分的考虑到图像的梯度信息，即在梯度平缓区域窗口尺寸增大，梯度变化剧烈区域窗口尺寸减小，使图像的边缘部分得到最大程度的保持，同时，在自适应窗口内进行引导滤波以代价聚合，在此基础之上进一步使用多尺度聚合的方法，得到更优的代价聚合结果；最终在进行视差计算与视差优化，得到最优视差结果，具有机器人视觉立体匹配度高的优点。
-
公开(公告)号：CN109712174A
公开(公告)日：2019-05-03
申请号：CN201811595800.7
申请日：2018-12-25
Applicant: 湖南大学
Abstract: 本发明公开了一种复杂异形曲面机器人三维测量的点云误配准滤除方法及系统，该方法包括以下几个步骤：步骤1：将输入的配准点云对划分为三组，从每组配准点云对中选取一个点云对，求解出对应的变换矩阵Ri；步骤2：将求得的变换矩阵转换为欧拉旋转角，构建欧拉旋转角集合D；步骤3：对D中的欧拉旋转角进行自适应密度聚类，选出聚类结果中包含欧拉旋转角数量最多的类，并将用于求解该类欧拉旋转角的配准点云对作为可信配准点云对，从而完成误配准点云对滤除；该方法充分利用了给定点云配准对的空间信息，进行有效分解，并高效聚类，从而能够有效排除三维点云配准中误配准点，对点云的噪声、配准位置偏移等有较强适应性。该系统结构简单，操作方便。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.026 seconds)
