-
公开(公告)号：CN113021017B
公开(公告)日：2022-05-03
申请号：CN202110294938.9
申请日：2021-03-19
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于智能制造技术领域，具体涉及一种随形自适应3D检测与加工系统，旨在解决现有技术中复杂形面零部件加工装置适应性和兼容性低、加工精度差、智能化低的问题。本申请提供的随形自适应3D检测与加工系统可实现五轴随形检测+八轴自随形自适应加工模式、八轴随形检测+五轴随形自适应加工模式、多轴随形检测+九轴随形自适应加工三种工作模式自由切换。通过多轴联动设计、多模式工艺切换、智能化控制系统开发等技术，可实现复杂形面零部件随形自适应智能3D检测与加工。
-
公开(公告)号：CN113870254B
公开(公告)日：2022-03-15
申请号：CN202111440333.2
申请日：2021-11-30
Applicant: 中国科学院自动化研究所 , 人民中科(济南)智能技术有限公司
IPC: G06T7/00 , G06V10/25 , G06V10/774 , G06K9/62
Abstract: 本发明实施例公开了一种目标对象的检测方法、装置、电子设备及存储介质。该方法包括：根据待检测图像生成第一图像和第二图像，第一图像和第二图像的尺寸不同，第一图像和第二图像中的至少一个图像由待检测图像等比缩放得到，采用第一子模型检测第一图像，分别得到至少一类目标对像的第一子特征，以及采用第二子模型检测第二图像，分别得到至少一类目标对像的第二子特征，第一子模型与第二子模型是预训练的检测模型中相同的子模型，分别融合各类目标对像的第一子特征和第二子特征得到相应类的目标对像在待检测图像中的特征，实现了对待检测图像的整体轮廓和目标对象的同时检测，从而提高了目标对象检测方法检测的性能。
-
公开(公告)号：CN113074658A
公开(公告)日：2021-07-06
申请号：CN202110294534.X
申请日：2021-03-19
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于智能制造技术领域，具体涉及一种航空发动机叶片修复智能检测工作站，旨在解决现有技术中航空发动机叶片检测方法效率低、成本贵、且无法满足当前叶片检测需求的问题。本申请提供的航空发动机叶片修复智能检测工作站包括六自由度机械手、夹持装置、叶片专用智能储料平台、高精度3D测量模块、专用智能检测系统。通过高精度3D测量模块、自动上下料装置、六自由度机械手、夹持装置、专用智能检测软件等软硬件的集成与配合，实现了航空发动机叶片修复高精度、高效率、智能化检测。
-
公开(公告)号：CN108734106B
公开(公告)日：2021-01-05
申请号：CN201810366397.4
申请日：2018-04-23
Applicant: 中国科学院自动化研究所
IPC: G06K9/00
Abstract: 本发明涉及视频分类领域，提出了一种基于对比的快速暴恐视频识别方法，旨在解决在基于视觉特征的暴恐视频识别中由于特征描述子描述能力有限，所造成的暴恐视频识别的准确率(precious)和召回率(recall)相对较低问题。该方法包括：对用于进行暴恐识别的待检测视频进行镜头分割以选取待检测视频的关键帧；利用预先构建的暴恐视频识别模型，对该待检测视频的各关键帧进行哈希码运算，得到各上述关键帧的哈希码；将各上述关键帧的哈希码分别与预存暴恐视频的视频帧的哈希码比较，确定出与各上述关键帧相似的视频帧；如果与各上述关键帧相似的视频帧的数目超过设定阈值，确定该待检测视频为暴恐视频。本发明能够快速、准确的从大量的视频中识别出暴恐视频。
-
公开(公告)号：CN119580333B
公开(公告)日：2025-05-02
申请号：CN202510127478.9
申请日：2025-01-27
Applicant: 中国科学院自动化研究所
Abstract: 本公开关于人脸图像鉴伪模型的训练方法、人脸图像鉴伪方法和装置，包括：提取训练样本图像中多个类型的指定特征；将多个类型的指定特征进行拼接；将指定拼接特征分别输入多个特征提取模块；利用每个特征提取模块输出的模型提取特征进行融合；将融合特征输入全连接层以预测训练样本图像的真伪；基于真实类别标签、预测结果和融合特征，计算损失；通过根据损失调整每个特征提取模块的参数。这样，通过预先从不同角度设计有针对性的指定特征，可以实现提高特征提取的全面性和丰富性。另外，还可以通过综合不同特征提取模块的优势来提高特征表示的鲁棒性和多样性，从而可以更好地应对复杂和多变的鉴伪场景。
-
Patent Agency Ranking
公开(公告)号：CN119399029B
公开(公告)日：2025-04-08
申请号：CN202510013541.6
申请日：2025-01-06
Applicant: 中国科学院自动化研究所
IPC: G06T3/4053 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种基于解耦对比学习的隐式图像退化估计方法，属于图像盲超分辨率技术领域，所述方法采样具有相同退化信息的不同LR图像中的图块来构建正样本集合，在数据层面保障了内容、纹理等任务无关信息不会影响退化特征学习，同时，通过不断地循环配对采样图块来实现数据扩增；在训练过程中引入特征增强策略增加相同退化类型的正样本数量，从而在训练过程中进一步扩展每个退化类别的样本多样性，以保障网络更充分的学习退化信息。将利用本发明训练的隐式图像退化估计器应用于基于隐式退化特征引导的盲图像超分辨率网络，可以有效提升LR图像的退化信息建模质量，进而改善LR图像到HR图像的重建效果。
-
公开(公告)号：CN114267089B
公开(公告)日：2022-05-31
申请号：CN202210203248.2
申请日：2022-03-03
Applicant: 中国科学院自动化研究所 , 人民中科(济南)智能技术有限公司
Abstract: 本发明公开了一种伪造图像的识别方法、装置及设备，其中，所述方法包括：获取待检测图像；获取所述待检测图像的频谱掩模与所述待检测图像对应的身份空间约束，所述身份空间约束是指所述待检测图像与对应的预设参考正确图像的关联性权重分布图；根据所述频谱掩模对所述待检测图像进行分频，分别得到频谱的高频分量和低频分量；通过所述频谱的高频分量和低频分量与所述身份空间约束，分别得到高频分量的伪造概率和低频分量的伪造概率；合并所述高频分量的伪造概率和所述低频分量的伪造概率，得到最终伪造概率。通过上述方式，本发明提高了识别系统对于不同造假技术的泛化能力，增强了识别器的性能。
-
公开(公告)号：CN108921002A
公开(公告)日：2018-11-30
申请号：CN201810367115.2
申请日：2018-04-23
Applicant: 中国科学院自动化研究所
IPC: G06K9/00
Abstract: 本发明涉及计算机视频分类领域，提出了一种基于多线索融合的暴恐音视频识别方法，旨在解决音视频识别中，单一媒体模态分析音视频造成的大量误检和漏检问题。该方法包括：对用于进行暴恐识别的待检测音视频进行分割，提取音频帧序列和视频帧序列；按照预先指定的检测顺序检测所述音频帧序列和视频帧序列中是否包含暴恐信息；如果所述音频帧序列和/或视频序帧列包含暴恐信息，确定所述待检测音视频为暴恐音视频。本发明基于多个线索对音视频进行分级检测，能够快速、准确的从大量的音视频中识别出暴恐视频。
-
公开(公告)号：CN108734106A
公开(公告)日：2018-11-02
申请号：CN201810366397.4
申请日：2018-04-23
Applicant: 中国科学院自动化研究所
IPC: G06K9/00
Abstract: 本发明涉及视频分类领域，提出了一种基于对比的快速暴恐视频识别方法，旨在解决在基于视觉特征的暴恐视频识别中由于特征描述子描述能力有限，所造成的暴恐视频识别的准确率(precious)和召回率(recall)相对较低问题。该方法包括：对用于进行暴恐识别的待检测视频进行镜头分割以选取待检测视频的关键帧；利用预先构建的暴恐视频识别模型，对该待检测视频的各关键帧进行哈希码运算，得到各上述关键帧的哈希码；将各上述关键帧的哈希码分别与预存暴恐视频的视频帧的哈希码比较，确定出与各上述关键帧相似的视频帧；如果与各上述关键帧相似的视频帧的数目超过设定阈值，确定该待检测视频为暴恐视频。本发明能够快速、准确的从大量的视频中识别出暴恐视频。
-
公开(公告)号：CN108664902A
公开(公告)日：2018-10-16
申请号：CN201810367098.2
申请日：2018-04-23
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及视频分类领域，提出了一种基于深度学习的端到端的视频拷贝检测方法，旨在解决在视频拷贝检测中，两段视频中存在多处拷贝片段的检测困难，及无法准确定位拷贝视频片段的位置等问题。该方法的具体实施方式包括：对用于进行视频拷贝检测的两段待检测视频进行镜头分割以选取关键帧；利用预先构建的拷贝关系识别模型对所选取出的多个关键帧进行识别，确定各关键帧之间的拷贝关系；根据所得到的各关键帧之间的拷贝关系，构建两段上述待检测视频全部关键帧的贝关系矩阵；将该拷贝关系矩阵作为预先构建的定位识别模型的输入，定位两段所述待检测视中含有拷贝关系的片段。本发明能够快捷、高效地检测出两段视频中存在的多处拷贝关系的视频片段。
-
-
-
-
-
-
-
-
-
Search Results
135
records
(took 0.125 seconds)
