公开(公告)号：CN114900511A

公开(公告)日：2022-08-12

申请号：CN202210439668.0

申请日：2022-04-25

Applicant: 湖南大学

Inventor： 张小刚 ,  齐乐 ,  陈华 ,  凌传武 ,  尹晋文 ,  边耐正 ,  王绍源

IPC: H04L67/02 ,  H04L67/562

Abstract: 工业机器人数据同步采集加载中间件装置及方法，该中间件装置包括可视化前端模块、后端配置管理服务模块、数据映射绑定模块、数据监管中心模块、数据存储模块、代码生成模块、数据加载代码、历史数据文件和数据传输模块，可视化前端模块与后端配置管理服务模块相连，后端配置管理服务模块分别与代码生成模块、数据存储模块、数据监管中心模块相连，代码生成模块与数据加载代码相连，数据存储模块与历史数据文件、数据监管中心模块相连，数据监管中心模块分别与数据传输模块、数据映射绑定模块相连，数据加载代码分别与历史数据文件、数据传输模块相连。还包括工业机器人数据同步采集加载方法。本发明能减少数据采集适配工作量，提高生产效率。

公开(公告)号：CN115658164A

公开(公告)日：2023-01-31

申请号：CN202211177357.8

申请日：2022-09-26

Applicant: 湖南大学

Inventor： 张小刚 ,  齐乐 ,  王耀南 ,  陈华 ,  尹晋文 ,  凌传武

IPC: G06F9/445 ,  G06F9/448 ,  G06F8/41

Abstract: 一种分布式串行编排服务执行方法及系统，该方法先将设备服务应用的信息注册到ESB总线，再利用ESB总线对注册的服务进行编排，形成编排信息，接着向ESB总线请求调用编排服务，由ESB总线按照请求服务对应编排规则，根据待调用服务所在服务器的类型或用户配置，向待调用服务所在的服务器发送相应的服务请求，若服务器接收到的服务请求为普通服务请求，则服务器调用对应的设备服务应用获得结果返回至ESB总线，若为编排服务请求，则编排服务执行服务器先调用对应的设备服务应用获得结果，随后根据编排服务请求中的自定义报文头，查询对应的服务编排规则信息，按照编排规则信息调用后续服务，完成后将当前服务执行状态发送至ESB总线。

公开(公告)号：CN114119698A

公开(公告)日：2022-03-01

申请号：CN202110676865.X

申请日：2021-06-18

Applicant: 湖南大学

Inventor： 张小刚 ,  凌传武 ,  陈华 ,  王炼红 ,  王绍源

IPC: G06T7/55 ,  G06N3/04 ,  G06N3/08

Abstract: 基于注意力机制的无监督单目深度估计方法，包括以下步骤：步骤S1：将KITTI数据集调整至同一分辨率大小后，划分为训练数据集、验证数据集和测试数据集；步骤S2：对训练数据集和验证数据集中的数据进行数据增广；步骤S3：构建单目深度估计神经网络；步骤S4：利用训练数据集训练单目深度估计神经网络得到相应的权重与偏置，即网络模型参数，将得到的网络模型参数代入验证数据集，保存使得验证数据集损失函数最小的网络模型参数；步骤S5：使用损失函数最小的网络模型参数，对测试数据集进行测试，得到测试数据集的预测值。本发明能有效提高单目深度估计的精度。

公开(公告)号：CN114900511B

公开(公告)日：2023-02-03

申请号：CN202210439668.0

申请日：2022-04-25

Applicant: 湖南大学

Inventor： 张小刚 ,  齐乐 ,  王耀南 ,  陈华 ,  凌传武 ,  尹晋文 ,  边耐政 ,  王绍源

IPC: H04L67/02 ,  H04L67/562

Abstract: 工业机器人数据同步采集加载中间件装置及方法，该中间件装置包括可视化前端模块、后端配置管理服务模块、数据映射绑定模块、数据监管中心模块、数据存储模块、代码生成模块、数据加载代码、历史数据文件和数据传输模块，可视化前端模块与后端配置管理服务模块相连，后端配置管理服务模块分别与代码生成模块、数据存储模块、数据监管中心模块相连，代码生成模块与数据加载代码相连，数据存储模块与历史数据文件、数据监管中心模块相连，数据监管中心模块分别与数据传输模块、数据映射绑定模块相连，数据加载代码分别与历史数据文件、数据传输模块相连。还包括工业机器人数据同步采集加载方法。本发明能减少数据采集适配工作量，提高生产效率。

公开(公告)号：CN114119698B

公开(公告)日：2022-07-19

申请号：CN202110676865.X

申请日：2021-06-18

Applicant: 湖南大学

Inventor： 张小刚 ,  凌传武 ,  陈华 ,  王炼红 ,  王绍源

IPC: G06T7/55 ,  G06N3/04 ,  G06N3/08

Abstract: 基于注意力机制的无监督单目深度估计方法，包括以下步骤：步骤S1：将KITTI数据集调整至同一分辨率大小后，划分为训练数据集、验证数据集和测试数据集；步骤S2：对训练数据集和验证数据集中的数据进行数据增广；步骤S3：构建单目深度估计神经网络；步骤S4：利用训练数据集训练单目深度估计神经网络得到相应的权重与偏置，即网络模型参数，将得到的网络模型参数代入验证数据集，保存使得验证数据集损失函数最小的网络模型参数；步骤S5：使用损失函数最小的网络模型参数，对测试数据集进行测试，得到测试数据集的预测值。本发明能有效提高单目深度估计的精度。