-
公开(公告)号：CN116612176A
公开(公告)日：2023-08-18
申请号：CN202310649323.2
申请日：2023-05-31
Applicant: 华中科技大学
Abstract: 本发明属于自动检测领域，具体公开了一种轧制棒线材剪切废料尺寸的测量方法和装置，方法包括：获取棒线材剪切废料的原始图像并预处理；对预处理图像进行轮廓标注以生成对应的二值化标签，并划分为尺寸相同的多个图像‑标签子图；将图像‑标签子图划分为训练数据集和验证数据集，并训练神经网络模型后验证；将待测样品的图像预处理后输入训练好的神经网络模型中进行分割输出多个分割子图；基于分割子图的位置信息，将分割子图合并后得到待测样品的完整分割图像；获取完整分割图像的最小外接矩形，借助最小外接矩形确定待测样品上的外形不规则段和外形规则段的分界点，基于分界点获取待测样品的不规则段尺寸。本发明检测精确度更高。
-
公开(公告)号：CN114359193B
公开(公告)日：2023-06-30
申请号：CN202111593864.5
申请日：2021-12-23
Applicant: 华中科技大学 , 西南电子技术研究所(中国电子科技集团公司第十研究所)
IPC: G06T7/00 , G06T7/12 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08 , G06F30/23 , G01N29/44 , G01N29/06
Abstract: 本发明提供了一种基于超声相控阵成像的缺陷分类方法及系统，属于无损检测领域，方法包括：对待测样件采用超声相控阵成像获取超声全矩阵数据；对超声全矩阵数据进行全聚焦处理，根据信号幅值进行色彩编码，获取待测样件的图像；对待测样件的图像进行预处理后输入至分类预测模型中，获取待测样件的缺陷分类；训练分类预测模型的方法为：利用缺陷超声散射数据有限元仿真方法，通过仿真超声相控阵成像获取仿真数据；对仿真数据进行全聚焦处理后，获取仿真图像；对仿真图像预处理后进行数据增强；采用卷积神经网络对仿真图像进行图像特征提取；将图像特征输入至全连接层，以缺陷分类为输出训练分类预测模型。本发明提升了缺陷分类的精准度。
-
公开(公告)号：CN115587291B
公开(公告)日：2023-05-30
申请号：CN202211176128.4
申请日：2022-09-26
Applicant: 华中科技大学
IPC: G06F18/10 , G06F18/2135 , G06F17/16 , G06N3/0464 , G06N3/048 , G06N3/0985 , G01N29/04
-
公开(公告)号：CN114310483B
公开(公告)日：2023-04-28
申请号：CN202111519657.5
申请日：2021-12-13
Applicant: 华中科技大学 , 西南电子技术研究所(中国电子科技集团公司第十研究所)
Abstract: 本发明属于数控加工技术领域，并具体公开了一种数控加工尺寸误差预测方法，该方法包括以下步骤：获取加工参数、加工过程数据特征值及零件加工后的加工尺寸误差；以加工参数和加工过程数据特征值为特征向量，以加工特征尺寸误差作为标签，合并组成加工特征数据集，并进行特征选择；对优选特征使用距离加权最近邻算法，通过划分优选数据集为训练集和测试集然后进行交叉验证的方法，构建最优尺寸误差预测模型。通过上述方式，本发明能够实现数控加工尺寸误差的高效及精确预测，减少测量仪器的使用，并能够对零件加工进行指导；随着加工特征数据集的扩增，可提高预测的效率和准确率；另外，本发明易于集成到数控机床系统中。
-
公开(公告)号：CN114359193A
公开(公告)日：2022-04-15
申请号：CN202111593864.5
申请日：2021-12-23
Applicant: 华中科技大学 , 西南电子技术研究所(中国电子科技集团公司第十研究所)
IPC: G06T7/00 , G06T7/12 , G06V10/44 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06F30/23 , G01N29/44 , G01N29/06
Abstract: 本发明提供了一种基于超声相控阵成像的缺陷分类方法及系统，属于无损检测领域，方法包括：对待测样件采用超声相控阵成像获取超声全矩阵数据；对超声全矩阵数据进行全聚焦处理，根据信号幅值进行色彩编码，获取待测样件的图像；对待测样件的图像进行预处理后输入至分类预测模型中，获取待测样件的缺陷分类；训练分类预测模型的方法为：利用缺陷超声散射数据有限元仿真方法，通过仿真超声相控阵成像获取仿真数据；对仿真数据进行全聚焦处理后，获取仿真图像；对仿真图像预处理后进行数据增强；采用卷积神经网络对仿真图像进行图像特征提取；将图像特征输入至全连接层，以缺陷分类为输出训练分类预测模型。本发明提升了缺陷分类的精准度。
-
Patent Agency Ranking
公开(公告)号：CN118624637A
公开(公告)日：2024-09-10
申请号：CN202410717271.2
申请日：2024-06-04
Applicant: 华中科技大学
Abstract: 本申请公开了一种阵列式角分辨散射检测装置，属于光学检测技术领域。本申请装置包括光源、样品台和阵列式散射光采集系统；其中阵列式散射光采集系统包括多个以样品台中心为圆心的采集环，多个所述采集环位于不同平面；采集环上布置有多个探测器；光源照射样品台上承载的样品后，多个探测器同步采集样品的散射光。本申请采用阵列式探测器代替传统单探测器逐步采集多散射角和多方位角散射光信息，由此减少了因探测器或样品运动产生的时间差和空间移动导致的误差，提高了检测效率和精度。
-
公开(公告)号：CN115971260A
公开(公告)日：2023-04-18
申请号：CN202310055839.4
申请日：2023-01-17
Applicant: 中冶华天工程技术有限公司 , 华中科技大学
IPC: B21B37/58 , B21B37/00 , B21B38/02 , B21B38/04 , B21B15/00 , B07C5/10 , B07C5/342 , B07C5/36 , B07C5/38
Abstract: 本发明公开一种棒线材剪切料识别系统的视觉识别装置及方法。所述的棒线材剪切料识别系统包括：呈角度倾斜设置的溜槽，所述的溜槽下部开口设置有第一收集框；所述的溜槽一侧设置有第二收集框，在所述的溜槽上对应第二收集框设置有出料口；在所述的出料口处设置有视觉识别装置；在出料口处的溜槽底板上垂直于溜槽底板设置有转动板，一驱动装置驱动所述的转动板沿溜槽底板转动以使其位于第一工作位或第二工作位；所述的视觉识别装置包括对应出料口间隔设置的前滑槽和后滑槽，在所述的前滑槽和后滑槽之间的间隙处设置有连接支架，在所述的支架上设置有摄像装置。
-
公开(公告)号：CN112528955A
公开(公告)日：2021-03-19
申请号：CN202011568332.1
申请日：2020-12-25
Applicant: 华中科技大学 , 西南电子技术研究所(中国电子科技集团公司第十研究所)
Abstract: 本发明提供了一种高频元件加工尺寸的精度预测方法及系统，属于高频元件加工质量的预测技术领域；精度预测方法包括：将加工参数和切削力的特征值输入至精度预测神经网络，获取高频元件的质量等级；训练精度预测神经网络的方法为：按照不同的尺寸精度值，将高频元件划分为不同的质量等级；将切削力数据按照不同的加工特征分段，采用特征提取方法计算切削力的特征值；将加工参数和切削力的特征值归一化预处理，作为数据样本集；训练精度预测神经网络，获取精度预测神经网络；其中，精度预测神经网络为RBF神经网络模型与DNN神经网络模型的结合。本发明采用精度预测神经网络可以更为便捷，更为准确地获取加工尺寸的预测精度。
-
公开(公告)号：CN118650269A
公开(公告)日：2024-09-17
申请号：CN202410313680.6
申请日：2024-03-19
Applicant: 华中科技大学
Abstract: 本发明公开一种硬脆材料原位离子注入改性‑切削去除‑激光退火一体的超精密加工方法及装置，属于硬脆材料超精密加工技术领域。本发明包括以下步骤：根据待加工硬脆材料的类型，确定离子类型、切削参数、离子注入能量和剂量，选择最优参数组合注入待加工硬脆材料，实现对待加工硬脆材料改性；通过超精密切削的方式去除离子注入产生的改性层和部分过渡层材料；通过调控激光参数精准控制损伤层材料的熔融及再结晶过程，诱导熔融区材料生成与基体材料一致的晶体结构，完成硬脆材料的超精密加工。本发明通过将离子注入改性、超精密切削、激光修整系统集成的方式，避免了重复装夹、加工缺陷定位过程，简化了工艺流程，提升了效率和加工精度。
-
公开(公告)号：CN117218099A
公开(公告)日：2023-12-12
申请号：CN202311254040.4
申请日：2023-09-26
Applicant: 华中科技大学
IPC: G06T7/00 , G06V10/30 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提供了一种基于散射矩阵的表面质量识别模型建立方法及其应用，属于光学检测领域，该建立方法具体为：对若干标样的表面质量进行分类并获取各个标样对应的散射光强和电场强度；分别对各个标样的散射光强进行归一化处理以获得其对应的散射矩阵；根据散射光强与电场强度的关系对各个散射矩阵进行可视化处理，以此获得若干更新散射矩阵；根据标样的表面质量类别对各个更新散射矩阵进行打标以此获得数据集；利用数据集对深度学习模型进行训练以获得表面质量识别模型。本发明能够获得多入射角及散射角的空间分布结果，并避免散射光强输入数据与输出数据的数量级差别较大造成预测误差过大的问题，最终获得准确率较高的表面质量识别模型。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.024 seconds)
