-
公开(公告)号：CN118305818B
公开(公告)日：2024-08-13
申请号：CN202410733032.6
申请日：2024-06-07
Applicant: 烟台大学
Abstract: 本发明涉及计算机视觉技术领域，尤其是涉及一种基于双手交互姿态估计的仿生机械手控制方法及系统。所述方法，包括获取图像数据集，包括获取手部姿态和形状的数据集，并对获取的数据集进行整合；基于获取的手部姿态数据集进行手部姿态估计，包括构建并利用神经网络模型进行手部姿态的特征提取；利用轻量级神经网络模型对手部姿态数据集中手部图像进行特征分析，得到双手的姿态信息；根据特征分析结果进行轻量级神经网络模型训练；通过双手的姿态信息进行姿态对齐和映射，基于姿态对齐和映射生成仿生机械手的控制信息。本发明通过采用轻量级神经网络架构，实现了对两只手之间相对位置的准确预测,使机械手在执行任务时更加准确和可靠。
-
公开(公告)号：CN118379296A
公开(公告)日：2024-07-23
申请号：CN202410831239.7
申请日：2024-06-26
Applicant: 烟台大学
IPC: G06T7/00 , G06V10/25 , G06V10/26 , G06V10/44 , G06V10/80 , G06V10/77 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0985 , G06N3/048
Abstract: 本发明涉及计算机视觉技术领域，尤其是涉及一种基于视觉神经网络的圆形衬套缺陷检测方法及系统。所述方法，包括：获取训练用图像数据集，并对图像数据集进行预处理；基于获取的图像数据集进行图像分割网络搭建，包括利用线性投影将图像分割为不重叠的块；利用编码器提取分割后的图像特征注意力关系，并通过线性分类器对图像分割网络的输出进行分类；根据图像分割网络的输出分类进行缺陷检测网络搭建，对缺陷检测网络中的每个阶段引入通道注意力机制，并将所有注意力信息反馈至原特征图；利用缺陷检测网络进行检测结果的输出，本发明通过添加通道注意力机制可以帮助网络对图像中重要的目标信息进行突出，提高网络对目标部分的感知能力。
-
公开(公告)号：CN118365646A
公开(公告)日：2024-07-19
申请号：CN202410796193.X
申请日：2024-06-20
Applicant: 烟台大学
IPC: G06T7/00 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/042 , G06N3/0464
Abstract: 本发明涉及缺陷检测技术领域，尤其是涉及一种基于生成对抗网络的异型衬套缺陷检测方法及系统。所述方法，包括获取包含异型衬套外表面的图像数据，并利用图像数据生成点云数据；对生成的点云数据进行预处理，包括利用欧式聚类算法对点云数据进行去噪处理；利用预处理后的点云数据构建对抗网络模型，包括构建生成器、判别器和损失函数；基于构建完成的对抗网络模型进行模型训练，包括对生成器和判别器进行训练；利用预处理后的点云数据和对抗网络模型进行模型的缺陷检测；根据缺陷检测结果进行缺陷记录。本发明通过引入注意力机制的生成对抗网络能够更好地关注和利用点云数据中的重要信息，提高缺陷检测的准确性和效率。
-
公开(公告)号：CN118097123A
公开(公告)日：2024-05-28
申请号：CN202410508740.X
申请日：2024-04-26
Applicant: 烟台大学
IPC: G06V10/25 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/764 , G06V10/82 , G06V20/64 , G06T3/06 , G06T3/4007 , G06T3/4038 , G06T5/50
Abstract: 本申请及图像分析技术领域，具体为基于点云和图像的三维目标检测方法、系统、设备和介质；首先获取3D目标物的初始点云数据，将初始点云数据转化为点云体素；然后，获取3D目标物的初始图像数据，将初始图像数据进行图像特征提取，得到二维特征图，并将密集深度图与二维特征图进行双线性插值处理和拼接处理，得到像素深度图；接着，将像素深度图进行反投影处理和体素划分，得到图像体素，并将图像体素与点云体素结合后投影到二维平面，得到待检特征图；最后，基于预设锚框和真实锚框之间的交并比大小，获得待检场景中3D目标检测结果；该方法目标检测准确度较高，检测质量较稳定。
-
公开(公告)号：CN116665312B
公开(公告)日：2023-10-31
申请号：CN202310959781.6
申请日：2023-08-02
Applicant: 烟台大学
IPC: G06V40/20 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多尺度图卷积神经网络的人机协作方法；该方法包括如下步骤：S1、数据采集：采集人机协作场景人体骨架数据集，并进行预处理，获取预处理数据；S2、模型训练：加载预处理数据。通过训练多尺度图卷积神经网络，获取人体行为识别网络模型；S3、人体行为识别：通过训练好的深度学习网络模型，预测人体行为；S4、人机交互：利用通信算法将预测信息发送到机器人系统，机器人基于人体行为做出动作规划。本发明的一种多尺度图卷积神经网络的人机协作方法，能够实现在真实场景机器人对人体行为及意图的预测，并做出正确交互，从而弥补传统机器人只能完成重复性工作的不足。
-
Patent Agency Ranking
公开(公告)号：CN116884095A
公开(公告)日：2023-10-13
申请号：CN202311153305.1
申请日：2023-09-08
Applicant: 烟台大学
Abstract: 本发明涉及图像处理技术领域，具体为仿生机械手的手势识别控制方法、系统、设备和存储介质，通过将手部图像浅层的低级特征图，深层的高级特征图和多尺度特征图经第一注意力机制处理后进行特征融合，得到融合特征图；基于残差值特征图与融合特征图，得到不同的待测手部特征图；接着，通过边界框回归确定图像检测范围，基于置信度大小筛选出有利于检测的最优检测框图，并与手势数据库的匹配结果来确定手势识别结果；最后，将手势识别结果通信传输至仿生机械手，仿生机械手并给出相应交互结果，实现了仿生机械手的准确、灵活控制；且在大量图像信息中筛选出关键信息进行手势识别结果的计算，在保证控制结果准确度的基础上，提高计算效率。
-
公开(公告)号：CN116740985A
公开(公告)日：2023-09-12
申请号：CN202310825487.6
申请日：2023-07-06
Applicant: 烟台大学
Abstract: 本发明公开了一种基于物联网的交通监测系统，涉及交通监测技术领域，包括监测采集模块，所述监测采集模块具体包括：通过监测装置对十字路口各道路以及非机动车道、斑马线与路口中央交通实况进行监测采集，本发明的有益效果为：通过监测采集模块对道路、非机动车道、以及斑马线进行监测，当绿灯结束时人工智能分析模块分析道路内存在违规车辆、非机动车辆以及行人时，立刻发出预警信号，通过预警警示装置对绿灯行驶车辆进行提示，从而有效减少交通事故的发生，通过车辆测速模块对绿灯即将变红的道路行驶车辆进行测速，当存在加速“抢黄灯”的车辆时也通过预警警示装置对即将绿灯行驶道路车辆提示，避免与减少交通事故发生。
-
公开(公告)号：CN116545764A
公开(公告)日：2023-08-04
申请号：CN202310759096.9
申请日：2023-06-26
Applicant: 烟台大学
IPC: H04L9/40
Abstract: 本发明涉及网络安全技术领域，具体为一种工业互联网的异常数据检测方法、系统和设备，该检测方法中，对比初始节点的数据分布与经过提取处理的第一正常数据分布中正常特征表达性能得到第一异常评分；且对比初始节点的数据分布与经过增强处理的第二正常数据分布中正常特征表达性能得到第二异常评分，基于第一异常评分和第二异常评分，得到节点的风险等级，并立刻做出相应的节点交流权限限制，双重检测，准确性高，检测结果稳定，有利于维护工业互联网安全。
-
公开(公告)号：CN114550118B
公开(公告)日：2023-07-11
申请号：CN202210167488.1
申请日：2022-02-23
Applicant: 烟台大学
IPC: G06V20/56 , G06V10/764 , G06F17/16 , E01C23/22
Abstract: 一种基于视频图像驱动的高速公路全自动智能划线方法，对摄像头进行标定，通过摄像头获得前方道路图像；建立道路路面置信区间分类器，实现道路路面区域有效分割，获得粗略二值道路路面检测结果；进行精细化处理，提出帧间关联的精细化道路检测算法，获得精细化二值道路路面检测结果；对获得的精细化二值道路路面检测结果逆变换到原图像中，获得带道路路面检测结果的RGB三通道图像；对道路图像通过逆透视变换方法获得俯视图方向的道路图像，获得两近似平行边界的道路图像；对路面检测结果边缘对应的范围确定为道路边界，并对道路边界进行划线；根据一侧标线，依次将其他的车道线划好；本发明具有效率高的特点。
-
公开(公告)号：CN115082311A
公开(公告)日：2022-09-20
申请号：CN202210693292.6
申请日：2022-06-17
Applicant: 烟台大学
Abstract: 一种基于深度注意力残差网络的单幅图像超分辨重建方法，包括；步骤1：向网络模型中输入经过退化处理的低分辨率图像，由网络前端卷积层提取浅层特征，即通过加权求和在空间上局部浓缩连续子块的信息；步骤2：在神经网络中引入残差学习构成残差块；步骤3：对于步骤2中残差块输出的来自不同层的特征组合，通过获取不同深度特征之间的依赖关系，对不同层的特征分配不同的注意权重；步骤4：利用CSAM学习步骤2中残差块输出的特征组合不同位置的相关性；步骤5：针对步骤4得到的特征组合进行求和并重建；步骤6：输出高分辨率重建图像。本发明能够避免出现梯度变化不稳定的问题，同时由跳层连接保留中间层输出的特征，减少特征丢失。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.055 seconds)
