-
公开(公告)号：CN117649579B
公开(公告)日：2024-09-20
申请号：CN202311550625.0
申请日：2023-11-20
Applicant: 南京工业大学
IPC: G06V10/80 , G06V10/82 , G06V10/774 , G06F18/10 , G06F18/213 , G06V10/40 , G06F17/11
Abstract: 本发明公开了基于注意力机制的多模态融合地面污迹识别方法及系统包括，获取地面污迹多模态数据，并对地面污迹多模态数据进行预处理，得到多模态数据集；构建基于注意力机制的多模态融合神经网络模型，多模态融合神经网络模型包括地面图像数据特征提取网络，气体浓度数据特征提取网络，基于注意力机制的多模态特征融合网络和决策网络；将多模态数据集输入基于注意力机制的多模态融合神经网络模型中进行训练；对训练好的模型输入地面污迹实时多模态信息，根据模型输出获取地面污迹的识别结果。本发明能够有效地识别颜色相近或透明的地面污迹，对地面纹理等要求较低，且细粒度识别较高。
-
Patent Agency Ranking
公开(公告)号：CN117952956A
公开(公告)日：2024-04-30
申请号：CN202410264765.X
申请日：2024-03-08
Applicant: 南京工业大学
IPC: G06T7/00 , B23K9/095 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/084 , G06N3/096 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于对数似然估计的焊缝熔深预测方法，包括制备正面与背面图像焊接熔池图像数据集；制备熔宽回归标签与分类标签；构建基于深度学习的焊缝熔深分类模型与回归模型；两个模型的网络骨干相同；使用正面图像和分类标签训练焊缝熔深分类模型，采用梯度下降算法最小化交叉熵损失迭代更新网络模型得到网络骨干的预训练权重参数；使用正面图像和回归标签训练加载预训练权重的回归模型，采用对数似然的概念定义焊缝熔深预测任务的损失函数得到训练后的权重参数；将正面图像输入加载训练后的权重参数的回归模型得到熔池深度。本发明可应用于各种回归模型，在不增加额外模型参数推理时间的基础上，提高焊缝熔深预测任务中熔深的预测精度。
-
公开(公告)号：CN118395864A
公开(公告)日：2024-07-26
申请号：CN202410569547.7
申请日：2024-05-09
Applicant: 南京工业大学
Abstract: 本发明公开了基于数据‑物理融合驱动的焊接过程数字孪生方法及系统，包括搭建自动化焊接平台将焊接过程作为数字孪生系统的孪生对象；配置相应传感器收集焊接过程中的孪生数据；对孪生数据进行分析与处理，获得表征熔池演化的关键参数；使用孪生数据与表征熔池演化的关键参数结合高斯面热源模型，通过物理驱动的方法实现熔池演化的数字化还原；建立焊接过程的可视化界面作为数字孪生系统的服务接口，提供焊接过程与全过程参数的可视化。本发明基于孪生系统对焊接全过程数据充分利用，通过数据驱动与物理驱动相融合，数字化地还原熔池演化过程，增强焊接过程的可视性为实现焊接过程的感知与预测提供泛化的解决方案，可应用于多质量标准的制造场景。
-
公开(公告)号：CN117115791A
公开(公告)日：2023-11-24
申请号：CN202311180264.5
申请日：2023-09-13
Applicant: 南京工业大学
IPC: G06V20/60 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多分辨率深度特征学习的指针仪表读数识别方法，包括以下步骤：构建多分辨率形变卷积神经网络，确定网络的主干网络和关键点检测头；对仪表图像集中的每个仪表图像的仪表表征进行关键点标注，制作数据集；将预处理后的数据集输入多分辨率形变卷积神经网络进行训练得到可用于仪表表征关键点预测的多分辨率形变卷积神经网络；将巡检机器人的视屏帧输入已经训练好的网络中进而输出仪表的关键点坐标的预测结果；根据关键点坐标信息使用角度法得到仪表读数。本发明通过仪表的关键点进行读数识别，目标的简化和对空间有限范围的关注不仅有助于网络提供精确仪表读数而且能够大幅降低任务的复杂性。
-
公开(公告)号：CN119203659A
公开(公告)日：2024-12-27
申请号：CN202411235538.0
申请日：2024-09-04
Applicant: 南京工业大学
IPC: G06F30/23 , G06F30/27 , G06N3/0442 , G06N3/084 , G06V10/25 , G06V10/44 , G06V10/34 , G06F119/08
Abstract: 本发明公开了一种基于数据‑机理联合驱动的焊接温度场实时预测方法，包括用有限元方法求解不同焊接参数下焊接过程中的温度场，构建焊接温度场数据集与热源参数数据集；利用热源参数数据集训练基于长短记忆网络的热源参数预测模型；利用温度场数据集训练基于DeepONet神经算子的焊接温度场实时预测模型；将预处理后的焊接实时监测数据通过热源参数模型得到实时热源参数；结合双椭球体移动热源函数得到工件每个单元节点的实时热流密度；将实时热流密度输入温度场实时预测模型，即得到每个单元节点的预测温度值。本发明通过数据驱动和物理机理联合驱动的方式，实现焊接过程温度场的实时预测，为实现焊接过程的感知与预测提供泛化的解决方案。
-
公开(公告)号：CN117649579A
公开(公告)日：2024-03-05
申请号：CN202311550625.0
申请日：2023-11-20
Applicant: 南京工业大学
IPC: G06V10/80 , G06V10/82 , G06V10/774 , G06F18/10 , G06F18/213 , G06V10/40 , G06F17/11
Abstract: 本发明公开了基于注意力机制的多模态融合地面污迹识别方法及系统包括，获取地面污迹多模态数据，并对地面污迹多模态数据进行预处理，得到多模态数据集；构建基于注意力机制的多模态融合神经网络模型，多模态融合神经网络模型包括地面图像数据特征提取网络，气体浓度数据特征提取网络，基于注意力机制的多模态特征融合网络和决策网络；将多模态数据集输入基于注意力机制的多模态融合神经网络模型中进行训练；对训练好的模型输入地面污迹实时多模态信息，根据模型输出获取地面污迹的识别结果。本发明能够有效地识别颜色相近或透明的地面污迹，对地面纹理等要求较低，且细粒度识别较高。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
