-
公开(公告)号：CN118827964A
公开(公告)日：2024-10-22
申请号：CN202410844284.6
申请日：2024-06-27
Applicant: 上海大学
IPC: H04N17/00 , H04N23/60 , H04N23/661
Abstract: 本发明涉及视觉规划技术领域，特别是一种双动态条件下的蜂群相机阵列自主协同感知测量方法，包括：通过蜂群相机阵列采集测量目标的视觉信息；对所述视觉信息进行处理，估计所述测量目标的状态；基于所述视觉信息和所述测量目标的状态生成规划指令，通过所述规划指令指导所述蜂群相机阵列的动作，在所述蜂群相机阵列的动作下完成对所述测量目标的测量。本发明针对高速动态变化应用场景下的蜂群视觉传感需求，提出了双动态条件下的蜂群相机阵列自主协同感知测量，为动态目标测量任务提供了一种经济有效的技术解决方案。
-
公开(公告)号：CN118111403B
公开(公告)日：2024-08-23
申请号：CN202410533725.0
申请日：2024-04-30
Applicant: 上海大学
Abstract: 本发明公开了一种抗干扰测量定位用模式靶标及其定位方法，涉及合作对象三维测量定位领域，模式靶标包括：圆形整体结构以及编码圆；所述圆形整体结构使用外圆和内圆构成的同心圆环，所述同心圆环的内部的颜色保持一致，所述同心圆环对应一个二进制编码的识别序列号，所述识别序列号采用所述编码圆的形式，所述编码圆分布在所述同心圆环的编码环带上；所述模式靶标采用抗反射的吸光材质进行印制。本发明基于圆形特征的识别优势，设计了特征松散结构，以应对长景深成像中的信息压缩带来的失真，确保识别准确性与定位精度，使用了抗反射的吸光材质进行靶标的印制，以保障其在时变场景下的高对比度特性。
-
Patent Agency Ranking
公开(公告)号：CN110223310B
公开(公告)日：2023-07-18
申请号：CN201910426770.5
申请日：2019-05-22
Applicant: 上海大学
Abstract: 本发明涉及一种基于深度学习的线结构光中心线和箱体边缘检测方法，使用深度神经网络对含有线结构光的箱体图像的特定边缘进行检测，包括如下操作步骤：1）箱体数据集制作与标注。2）网络搭建与优化。3）使用图像处理方法进行八个点检测。本发明通过采用深度学习的边缘检测方法识别线结构光及箱体边缘，经过卷积神经网络的训练得到边缘二值图，最后获得线结构光中心线和箱体边缘相交的八个特征点。本方法有算法复杂度低，鲁棒性强，稳定性高，对复杂环境适应良好等诸多优点。
-
公开(公告)号：CN118876046A
公开(公告)日：2024-11-01
申请号：CN202410908835.0
申请日：2024-07-08
Applicant: 上海大学
Abstract: 本发明涉及一种无固定零位的手眼系统标定方法，包括以下步骤：S0：获取执行机构、相机、靶标A和靶标B，靶标A和靶标B上设有特征点；S1：在标定阶段，将靶标A固定在执行机构末端，使执行机构移动，通过相机识别靶标A并采集靶标A上标定特征点的图像，获取相机坐标系与执行机构末端坐标系的旋转矩阵；S2：在设备运行阶段，将靶标B固定在执行机构末端，执行机构启动时，通过相机识别靶标B并采集靶标B上的特征点图像，获取相机坐标系与执行机构末端坐标系的平移向量；S3：完成无固定零位的手眼系统标定。与现有技术相比，本发明降低了传统手眼标定方法对手眼系统的要求，具有手眼标定更加灵活，标定精度高且成本低等优点。
-
公开(公告)号：CN118111403A
公开(公告)日：2024-05-31
申请号：CN202410533725.0
申请日：2024-04-30
Applicant: 上海大学
Abstract: 本发明公开了一种抗干扰测量定位用模式靶标及其定位方法，涉及合作对象三维测量定位领域，模式靶标包括：圆形整体结构以及编码圆；所述圆形整体结构使用外圆和内圆构成的同心圆环，所述同心圆环的内部的颜色保持一致，所述同心圆环对应一个二进制编码的识别序列号，所述识别序列号采用所述编码圆的形式，所述编码圆分布在所述同心圆环的编码环带上；所述模式靶标采用抗反射的吸光材质进行印制。本发明基于圆形特征的识别优势，设计了特征松散结构，以应对长景深成像中的信息压缩带来的失真，确保识别准确性与定位精度，使用了抗反射的吸光材质进行靶标的印制，以保障其在时变场景下的高对比度特性。
-
公开(公告)号：CN119048580A
公开(公告)日：2024-11-29
申请号：CN202411086310.X
申请日：2024-08-08
Applicant: 上海大学
IPC: G06T7/66 , G06N3/0464 , G06T7/13
Abstract: 本发明涉及一种基于Yolov5s网络激光端点检测的多线激光条纹中心提取方法，包括以下步骤：采集线结构光箱体图像数据，进行预处理后输入训练好的基于Yolov5s网络激光端点检测模型，获得多线激光所有端点的边界框的位置；通过非极大值抑制技术过滤重叠的边界框，计算边界框的中心点作为多线激光所有端点的二维坐标，匹配每条激光的首、末端点，计算激光条纹的直线方程，基于所述直线方程划分多个感兴趣区域，计算每个感兴趣区域的加权质心，完成激光条纹中心提取。与现有技术相比，本发明可以进一步提高激光条纹中心提取结果的精确性，减少线结构光三维测量过程中的误差和波动。
-
公开(公告)号：CN110223310A
公开(公告)日：2019-09-10
申请号：CN201910426770.5
申请日：2019-05-22
Applicant: 上海大学
Abstract: 本发明涉及一种基于深度学习的线结构光中心线和箱体边缘检测方法，使用深度神经网络对含有线结构光的箱体图像的特定边缘进行检测，包括如下操作步骤：1）箱体数据集制作与标注。2）网络搭建与优化。3）使用图像处理方法进行八个点检测。本发明通过采用深度学习的边缘检测方法识别线结构光及箱体边缘，经过卷积神经网络的训练得到边缘二值图，最后获得线结构光中心线和箱体边缘相交的八个特征点。本方法有算法复杂度低，鲁棒性强，稳定性高，对复杂环境适应良好等诸多优点。
-
-
-
-
-
-
Search Results
7
records
(took 0.014 seconds)
