公开(公告)号：CN118514068A

公开(公告)日：2024-08-20

申请号：CN202410578927.7

申请日：2024-05-11

Applicant: 桂林电子科技大学

Inventor： 李雪梅 ,  陈倍倍 ,  郭义华 ,  胡晗

IPC: B25J9/16 ,  G06T7/00 ,  G06T7/10 ,  G06T5/60 ,  G06T5/70 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/09 ,  B23K37/00

Abstract: 本发明在对传统的机器人焊接技术研究分析的基础上，借助视觉传感器可非接触、高精度测量的优点，结合深度学习强大的特征学习表达能力，实现复杂强噪声环境下焊缝的识别检测并基于此进行焊缝跟踪软件开发工作，为更加灵活、智能化的机器人自主焊接奠定了技术基础。本发明采用深度学习技术，设计了一种端到端的图像去噪深度模型。在模型中设计、应用了密集网络结构、混合注意力块、深度监督优化以及多尺度级联输出，以提升了网络的分割泛化性能。模型流程首先进行下采样，这一路径主要是通过卷积层和最大池化(Max Pooling)层不断对输入图像进行下采样，提取图像的特征；接下来进入瓶颈层，包含两次卷积操作，但不再进行池化；之后模型通过逆卷积(转置卷积)对特征图进行上采样；最后，使用大小为1×1的卷积核对输出进行输出。提高了模型对条纹特征的提取表征能力。

公开(公告)号：CN119417973A

公开(公告)日：2025-02-11

申请号：CN202410547444.0

申请日：2024-05-06

Applicant: 桂林电子科技大学

Inventor： 张斌 ,  胡晗

IPC: G06T17/00 ,  G06T5/50 ,  G06T7/80 ,  G06T3/4007 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出一种将多代价体聚合模块结合D‑RFP网络结构并在其中加入了深度可分离机卷积的新型MHM模型，D‑RFP通过多次的使用FPN结构的特征提取网络进行特征的提取和融合，以此强化所提取特征的表达能力，并且在常规的RFP网络的基础上加入了深度可分离卷积，此操作可以有效的降低卷积操作的参数量，从而降低运行模型的内存需要。多代价聚合模块能够通过先聚合特征体之后按逐个视角构建代价体，再通过聚合构成最终代价体，这种相关特征的相似度计算方式，提供了有效的代价体表示，避免了过多的信息丢失从而提升了整体网络的精度。模型流程首先通过D‑RFP结构获得特征体，紧接着再使用多代价体聚合模块构建代价体，然后通过3D卷积正则化获得最初的深度图，最后通过深度图细化网络并进行深度融合生成最终的三维点云。

公开(公告)号：CN117197735A

公开(公告)日：2023-12-08

申请号：CN202311121215.4

申请日：2023-09-01

Applicant: 桂林电子科技大学

Inventor： 张斌 ,  胡晗 ,  孙传凤

IPC: G06V20/52 ,  G06V20/40 ,  G06V40/20 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出了一种基于机器视觉的MHZ车间异常行为检测方法，其中使用了MHZ模型。该算法可以实现车间常见的六类危险动作(打电话、工作台上睡觉、摔倒、剧烈奔跑、打架、玩手机)的实时检测。基于原始的SlowFast网络，为提高模型对静态动作的检测精度和捕获细粒度运动细节的能力，我们在Slow分支和侧向连接过程中融合了DANet混合域注意力机制，来提高主干网络对于关键特征的提取能力。此外，为解决视频数据集中各类动作样本不均衡的问题，我们将原模型中进行动作分类任务的交叉熵损失函数替换为FocalLoss。在车间视频数据集上进行对比实验，其结果表明，MHZ相较于原始模型，在满足实时检测的需求下，检测精度有明显提升。相较于其他同类型模型，所提出算法的检测精度也保持最高。