-
公开(公告)号：CN110942095A
公开(公告)日：2020-03-31
申请号：CN201911178510.7
申请日：2019-11-27
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种显著物体区域检测方法及系统，所述检测方法包括：通过采用多层卷积网络从待检测图像中进行特征抽取，获得多层级特征图；对多层级特征图进行显著值非线性回归处理，得到初级显著图；对所述初级显著图进行三次双线性插值处理，获得与所述待检测图像匹配的终极显著图。本发明通过采用多层卷积网络进行特征图抽取获得多层级特征图，进而进行显著值非线性回归处理得到初级显著图，通过三次双线性插值处理得到所述待检测图像匹配的终极显著图，从而实现端到端的特征抽取，可提高抽取图像显著物体区域的效率。
-
公开(公告)号：CN110322512A
公开(公告)日：2019-10-11
申请号：CN201910576543.0
申请日：2019-06-28
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉和机器人技术领域，特别涉及一种结合小样本实例分割和三维匹配的物体位姿估计方法，旨在为了解决现有六自由度物体位姿估计方法对背景杂乱、前景物体遮挡鲁棒性弱，需要训练样本数量大的问题，本发明基于有限样本扩容变换得到的大量训练样本，训练得到实例分割模型，使用训练好的实例分割模型对包含待测目标物体场景的彩色图像进行实例分割，依据实例分割结果获取目标物体的深度图像点云和目标物体三维模型，通过预设的三维匹配方法将目标物体图像点云和目标物体三维模型进行匹配，并确定出目标物体的六自由度位姿。本发明能够在训练样本有限、背景杂乱、前景物体遮挡条件下，有效进行六自由度物体位姿估计，鲁棒性好。
-
公开(公告)号：CN106570498B
公开(公告)日：2019-06-14
申请号：CN201610889100.3
申请日：2016-10-12
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种显著区域检测方法和检测系统。其中，该方法包括对输入图像进行超像素分割，获得图像超像素处理单元；接着，基于图像超像素处理单元，度量输入图像的拓扑背景置信度；然后，基于输入图像的拓扑背景置信度，计算图像颜色和空间位置特征上的对比度，获得图像初级显著值；再利用紧凑性扩散方法修正图像初级显著值，得到紧凑性显著图；接着又利用输入图像的拓扑背景置信度与紧凑性显著图，进行显著值赋值，得到图像单尺度显著图；最后，利用多尺度融合的方法对图像单尺度显著图进行处理，得到尺度显著图，从而获得图像显著物体区域。通过采用上述技术方案，解决了如何快速有效地抽取图像显著区域的技术问题。
-
公开(公告)号：CN102114593A
公开(公告)日：2011-07-06
申请号：CN201110080010.7
申请日：2011-03-31
Applicant: 中国科学院自动化研究所
IPC: B23P19/027
Abstract: 本发明涉及一种偏心轴和轴承的智能压装装置及方法，采用微处理器芯片作为控制核心。微处理器芯片中存储有事先编写的偏心轴和轴承位置识别单元、旋转台控制单元和压盘控制单元。微处理器芯片通过传感器采集距离信号并计算出偏心轴和轴承的当前位置；微处理器芯片根据偏心轴和轴承的当前位置与设定位置之间的偏差，控制旋转台转动，自动调节偏心轴和轴承的位置；然后，微处理器芯片通过检测压盘和偏心轴之间的接触力，自动调节下压力，自动实现偏心轴和轴承的压装。本发明的智能压装装置能够提高偏心轴和轴承压装过程的自动化程度。
-
公开(公告)号：CN119238509B
公开(公告)日：2025-04-01
申请号：CN202411411896.2
申请日：2024-10-10
Applicant: 中国科学院自动化研究所
IPC: B25J9/16
Abstract: 公开了一种机器人的控制方法及装置、可读存储介质、计算机程序产品，所述方法包括：对当前工作空间内的RGB图像进行图像分割，得到RGB图像中每个物体的掩码；基于每个物体的掩码、当前工作空间的深度图像和目标物体，获取当前工作空间的场景点云，其中，场景点云中标识了当前工作空间的目标物体和非目标物体；将场景点云、机器人在当前时间帧的动作序列和从潜变量分布中采样的潜变量输入动作预测解码器，预测机器人在第一时长的动作序列，其中，潜变量分布是在训练动作预测解码器时获取的动作序列分布，第一时长包含当前时间帧后第一预定数量的时间帧；将预测的动作序列映射到机器人，以控制机器人抓取目标物体。
-
Patent Agency Ranking
公开(公告)号：CN113256581B
公开(公告)日：2022-09-02
申请号：CN202110555658.9
申请日：2021-05-21
Applicant: 中国科学院自动化研究所
IPC: G06T7/00 , G06T7/11 , G06T5/50 , G06V10/774 , G06V10/762 , G06V10/46 , G06T5/00
Abstract: 本发明属于零件表面损伤检测技术领域，具体涉及一种基于视觉注意建模融合的缺陷样本自动标注方法及系统，旨在解决现有技术中无法实现精密零件样本表面缺陷的自动标注问题，方法包括对输入的原始样本图像进行超像素分割，将图像自动分割成若干个具有预设特征的图像区域；对每个图像区域分别计算基于视觉注意建模融合的显著图，并利用标记阵列分割方法将该显著图中的显著区域分割出来以作为缺陷候选区域；提取缺陷候选区域的特征，并进行聚类，得到若干个不同类别的缺陷样本，根据少量标签或已知的标签定义规则对每个缺陷样本进行标注，也可通过人机交互对未知类别进行手动标注；通过本发明可大大减少人工标注的工作量，标注效率高、准确度好。
-
公开(公告)号：CN113256581A
公开(公告)日：2021-08-13
申请号：CN202110555658.9
申请日：2021-05-21
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于零件表面损伤检测技术领域，具体涉及一种基于视觉注意建模融合的缺陷样本自动标注方法及系统，旨在解决现有技术中无法实现精密零件样本表面缺陷的自动标注问题，方法包括对输入的原始样本图像进行超像素分割，将图像自动分割成若干个具有预设特征的图像区域；对每个图像区域分别计算基于视觉注意建模融合的显著图，并利用标记阵列分割方法将该显著图中的显著区域分割出来以作为缺陷候选区域；提取缺陷候选区域的特征，并进行聚类，得到若干个不同类别的缺陷样本，根据少量标签或已知的标签定义规则对每个缺陷样本进行标注，也可通过人机交互对未知类别进行手动标注；通过本发明可大大减少人工标注的工作量，标注效率高、准确度好。
-
公开(公告)号：CN106202424A
公开(公告)日：2016-12-07
申请号：CN201610547873.3
申请日：2016-07-12
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
CPC classification number: G06F16/35 , G06F16/50 , G06F16/951
Abstract: 本发明提供一种利用基于非平行超平面的增量式在线分类模型进行在线分类的方法及系统，方法将训练样本输入至基于非平行超平面的增量式在线分类模型，以对该训练样本进行分类，得到分类结果，在分类结果不正确时，则利用该训练样本训练基于非平行超平面的增量式在线分类模型，然后利用所述基于非平行超平面的增量式在线分类模型对待测样本进行分类。本发明能稳定、高效地进行在线分类，并能以较低的复杂度更新分类模型。
-
公开(公告)号：CN104050674A
公开(公告)日：2014-09-17
申请号：CN201410301797.9
申请日：2014-06-27
Applicant: 中国科学院自动化研究所
IPC: G06T7/00
Abstract: 本发明为一种显著性区域检测方法及装置。所述方法包括：利用基于局部同质性分析的分割方法将输入图像预分割为多个分割区域；对每一分割区域计算局部显著值和全局显著值，所述局部显著值是通过计算不同特征在多尺度近邻的对比度获得，所述全局显著值是通过度量不同特征的空间分布以及区域间的隔离性获得；利用每一分割区域的局部显著图和全局显著图中包含的信息量大小自动调节局部显著值与全局显著值在最终显著值中所占权重，对局部和全局显著值加权求和，获得每个分割区域的最终显著值，从而得到每个分割区域的最终显著图；所述局部显著图和全局显著图为所述局部显著值和全局显著图所表示的图；根据所述最终显著图从所述输入图像抽取显著区域。
-
公开(公告)号：CN102114593B
公开(公告)日：2012-11-21
申请号：CN201110080010.7
申请日：2011-03-31
Applicant: 中国科学院自动化研究所
IPC: B23P19/027
Abstract: 本发明涉及一种偏心轴和轴承的智能压装装置及方法，采用微处理器芯片作为控制核心。微处理器芯片中存储有事先编写的偏心轴和轴承位置识别单元、旋转台控制单元和压盘控制单元。微处理器芯片通过传感器采集距离信号并计算出偏心轴和轴承的当前位置；微处理器芯片根据偏心轴和轴承的当前位置与设定位置之间的偏差，控制旋转台转动，自动调节偏心轴和轴承的位置；然后，微处理器芯片通过检测压盘和偏心轴之间的接触力，自动调节下压力，自动实现偏心轴和轴承的压装。本发明的智能压装装置能够提高偏心轴和轴承压装过程的自动化程度。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.028 seconds)
