-
公开(公告)号：CN112967271A
公开(公告)日：2021-06-15
申请号：CN202110317123.8
申请日：2021-03-25
摘要： 本发明提供了一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法包括如下步骤：步骤S1、采集铸件图像数据集，获得训练集和测试集；步骤S2、构建网络模型，并通过训练集和测试集对网络模型进行数据训练和修正，生成缺陷检测网络；步骤S3、设计缺陷检测网络的损失函数；步骤S4、所述缺陷检测网络识别并输出铸件缺陷检测结果，并显示检测时长。本发明采用深度学习的方法对铸件表面缺陷进行识别，提升了缺陷识别的精度和速度，为工业铸件质量检测提供新思路。
-
公开(公告)号：CN112967271B
公开(公告)日：2022-04-19
申请号：CN202110317123.8
申请日：2021-03-25
摘要： 本发明提供了一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法包括如下步骤：步骤S1、采集铸件图像数据集，获得训练集和测试集；步骤S2、构建网络模型，并通过训练集和测试集对网络模型进行数据训练和修正，生成缺陷检测网络；步骤S3、设计缺陷检测网络的损失函数；步骤S4、所述缺陷检测网络识别并输出铸件缺陷检测结果，并显示检测时长。本发明采用深度学习的方法对铸件表面缺陷进行识别，提升了缺陷识别的精度和速度，为工业铸件质量检测提供新思路。
-
公开(公告)号：CN114779792B
公开(公告)日：2022-09-09
申请号：CN202210694891.X
申请日：2022-06-20
申请人： 湖南大学
IPC分类号： G05D1/02
摘要： 只需一组网络参数就可以适用于处理各种情况，本发明公开了一种基于模仿与强化学习的 即网络具有较好的泛化性。医药机器人自主避障方法及系统，该方法包括：步骤1：设置医药机器人医药搬运场景；步骤2：获取专家演示二元组数据；步骤3：构建基于模仿学习和强化学习的医药机器人移动控制模型；步骤4：模型训练；步骤5：对医药机器人进行自主控制。本发明在医药机器人移动控制模型中将图注意模块引入价值网络中，使能够适应智能体和障
-
公开(公告)号：CN114779792A
公开(公告)日：2022-07-22
申请号：CN202210694891.X
申请日：2022-06-20
申请人： 湖南大学
IPC分类号： G05D1/02
摘要： 本发明公开了一种基于模仿与强化学习的医药机器人自主避障方法及系统，该方法包括：步骤1：设置医药机器人医药搬运场景；步骤2：获取专家演示二元组数据；步骤3：构建基于模仿学习和强化学习的医药机器人移动控制模型；步骤4：模型训练；步骤5：对医药机器人进行自主控制。本发明在医药机器人移动控制模型中将图注意模块引入价值网络中，使能够适应智能体和障碍物数量不确定的不同环境，同时，区分了医药机器人可观测范围内不同智能体和障碍物对移医药机器人的影响，使其能够更好地做出决策。只需一组网络参数就可以适用于处理各种情况，即网络具有较好的泛化性。
-
公开(公告)号：CN115880298B
公开(公告)日：2023-06-16
申请号：CN202310187996.0
申请日：2023-03-02
申请人： 湖南大学
IPC分类号： G06T7/00 , G06V10/774 , G06V10/82 , G06N3/088
摘要： 本发明公开了一种基于无监督预训练的玻璃表面缺陷检测系统，该检测系统内设有两相机、光源以及与相机连接的控制器，相机B设置在玻璃正上方，相机A和光源位于相机B两侧；控制器基于拍摄的图像并采用无监督玻璃表面缺陷检测模型进行检测，检测过程为：构建基于动量对比学习的无监督预训练模型并进行预训练得到基于通道注意力机制和空间注意力机制构建的特征提取网络的网络权重参数；将网络权重参数赋值给无监督玻璃表面缺陷检测模型，再利用训练图像得到训练图像上各个图块的多维高斯分布以及利用测试图像得到测试图像上各个图块的嵌入特征向量，再计算同一图块的嵌入特征向量与多维高斯分布的相似距离，以相似距离为标准判定是否有缺陷。
-
公开(公告)号：CN115880298A
公开(公告)日：2023-03-31
申请号：CN202310187996.0
申请日：2023-03-02
申请人： 湖南大学
IPC分类号： G06T7/00 , G06V10/774 , G06V10/82 , G06N3/088
摘要： 本发明公开了一种基于无监督预训练的玻璃表面缺陷检测方法及系统，该检测系统内设有两相机、光源以及与相机连接的控制器，相机B设置在玻璃正上方，相机A和光源位于相机B两侧，控制器基于拍摄的图像并采用无监督玻璃表面缺陷检测模型进行检测，检测过程为：构建基于动量对比学习的无监督预训练模型并进行预训练得到基于通道注意力机制和空间注意力机制构建的特征提取网络的网络权重参数；将网络权重参数赋值给无监督玻璃表面缺陷检测模型，再利用训练图像得到训练图像上各个图块的多维高斯分布以及利用测试图像得到测试图像上各个图块的嵌入特征向量，再计算同一图块的嵌入特征向量与多维高斯分布的相似距离，以相似距离为标准判定是否有缺陷。
-
公开(公告)号：CN117876769A
公开(公告)日：2024-04-12
申请号：CN202410043188.1
申请日：2024-01-11
申请人： 湖南大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/44 , G06V10/58 , G06V10/74
摘要： 本发明公开了一种基于高光谱图像的无监督医药异物检测方法及系统，采用边缘检测算法和主成分分析算法对待测药品的初始高光谱图像进行空间和光谱维度的降维处理，实现原始医药高光谱图像的冗余度的降低进而提高后续模型的检测速度；通过局部区域算法获取纯净的降维高光谱图像的高光谱背景数据，将高光谱背景数据输入基于变分自编码器的药品高光谱重构模型中对模型权重参数进行训练，得到能够很好重构药品高光谱背景数据的药品高光谱重构模型；最后将降维高光谱图像输入训练完成的药品高光谱重构模型中，获得待测药品的重构高光谱图像，通过计算降维高光谱图像与重构高光谱图像数据之间的均方误差，得到最终的药品异物检测结果图。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.06 秒)
