-
公开(公告)号：CN114429445A
公开(公告)日：2022-05-03
申请号：CN202111318512.9
申请日：2021-11-09
Applicant: 南京师范大学
Abstract: 本发明公开了一种基于MAIRNet的PCB缺陷检测与识别方法，包括：采集PCB模板图像与待检测图像，构建数据集，并且划分成测试集图像和训练集图像；检测是否存在元器件缺失的情况，最终输出缺失元器件定位信息并在待检测图像中进行标注；输出对于极性元器件的定位情况、色环电阻种类及定位信息和焊点缺陷类别及定位信息；输出裁剪后的PCB极性元器件待检测图像与模板图像，构建一种PCB元器件极性判别方法，输出元器件极性接插情况；对获取的信息进行汇总显示。本发明能够检测识别出PCB表面常见的元器件缺失、元器件极性接插错误、焊点缺陷等问题，输出缺陷区域的位置信息、类别信息，并能够对色环电阻类别进行检测与识别，与人工检测的方式相比具有显著优势。
-
公开(公告)号：CN113392701A
公开(公告)日：2021-09-14
申请号：CN202110504527.8
申请日：2021-05-10
Applicant: 南京师范大学
Abstract: 本发明公开了一种基于YN‑Net卷积神经网络的输电线路障碍物检测方法，包括如下步骤：基于输电线路巡检机器人搭载的ZED双目摄像头采集输电线路障碍物图像；对采集到的输电线路障碍物图像进行预处理并制成数据集；搭建YN‑Net卷积神经网络，对YN‑Net卷积神经网络进行充分训练，得到训练好的YN‑Net卷积神经网络模型；使用YN‑Net卷积神经网络模型对采集到的输电线路障碍物实时图像进行分类，根据输入图像中存在障碍物与不存在障碍物的概率值来判断输电线路巡检机器人前方是否存在障碍物。本发明能够提升卷积神经网络的实时性与可靠性，解决了目前输电线路障碍物检测算法准确率不高，实时性不好等问题，并且具有很高的可移植性，可应用于嵌入式开发平台，应用前景广泛。
-
公开(公告)号：CN110866939A
公开(公告)日：2020-03-06
申请号：CN201910988218.5
申请日：2019-10-17
Applicant: 南京师范大学 , 南京智能高端装备产业研究院有限公司
Abstract: 本发明提供了基于相机位姿估计和深度学习的机器人运动状态识别方法，包括：步骤1，采集连续视频帧序列图像并进行预处理，提取每一帧图像的加速稳健特征点，进行加速稳健特征点的匹配，并对匹配的加速稳健特征点对进行筛选；步骤2，分析提取的加速稳健特征点，并依据随机抽样一致算法，排除的离群值，计算出每一个时间段内相机的欧式变化矩阵；步骤3，把相机的欧式变化矩阵的变化转化为经时间修正过的运动描述向量，再把经时间修正过的运动描述向量转化为运动描述矩阵；步骤4，构建卷积神经网络，把运动描述矩阵和动作标签矩阵作为输入训练，得到运动预测模型；步骤5，利用运动预测模型实时判断机器人运动状态。
-
公开(公告)号：CN111951302B
公开(公告)日：2025-02-07
申请号：CN202010806224.7
申请日：2020-08-12
Applicant: 南京师范大学
Abstract: 本发明公开了一种基于特征匹配的机器人视觉定位方法，包括如下步骤：采集并保存机器人运动场景的彩色图像，将机器人运动场景的彩色图像进行预处理，获得裁剪并减去均值的图像序列数据；计算所有彩色图像的特征值；机器人在设定的运动空间内，将使用单目相机拍摄的照片作为查询图像，将需要查询的图像裁剪并减去步骤S1的查询图像均值，计算查询图像的特征值；将查询图像的特征值与彩色图像的特征值相比较，找出距离最相近的两幅图像及其空间坐标，得到此时机器人的空间位置。本发明在仅使用图像定位中，避免提取人工设计的特征点，极大的降低硬件成本，极大的减轻了工作量、提高了分析精度。
-
公开(公告)号：CN111368637B
公开(公告)日：2023-08-11
申请号：CN202010084190.5
申请日：2020-02-10
Applicant: 南京师范大学 , 南京智能高端装备产业研究院有限公司
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于多掩模卷积神经网络的搬运机器人识别目标方法，包括：搭建多掩模卷积神经网络，并确定网络结构；选择网络优化器，使用PASCAL VOC数据集作为多掩模卷积神经网络的训练数据集，经过多掩模卷积神经网络模型充分训练，得到训练好的多掩模卷积神经网络；搬运机器人通过摄像头采集视频文件，然后将采集的视频文件逐帧转换为彩色图像，并对彩色图像统一尺寸大小；搬运机器人利用训练好的多掩模卷积神经网络对彩色图像中出现的目标生成目标的坐标位置和目标类别，同时生成实例掩模，从而完成目标的识别。本发明具有识别速度快、识别准确率高的优点。
-
Patent Agency Ranking
公开(公告)号：CN111275634B
公开(公告)日：2023-04-28
申请号：CN202010031333.6
申请日：2020-01-13
Applicant: 南京师范大学 , 南京智能高端装备产业研究院有限公司
Abstract: 本发明公开了一种熔池形貌检测及弧焊机器人控制方法，包括：采集弧焊增材制造熔覆池视频，提取单帧彩色图像，进行灰度变换和噪声滤波；进行掩膜修补，剔除金属液滴区域部分，去除图像多余的部分，利用天牛须搜索自适应阈值算法的边缘检测，进行阈值分割和灰度增强，从而达到对图像进行去噪和增强；通过像素遍历搜寻出熔覆池圆心，再进行区域图像分割、镜像对称和组合，拟合出椭圆，通过圆心遍历出长轴和短轴，对长轴和短轴像素数大小进行计算，判断长轴和短轴的变化量，进而控制弧焊机器人是否继续打印，再根据当前图像是否为最后一帧来决定是否结束循环，进而实现本方法，为弧焊增材制造打印质量提供低成本、高效率的检测分析与控制方法。
-
公开(公告)号：CN112233130A
公开(公告)日：2021-01-15
申请号：CN202011131085.9
申请日：2020-10-21
Applicant: 南京师范大学
Abstract: 本发明公开了一种基于实例分割的熔覆池形貌识别及闭环控制方法，包括如下步骤：初始化弧焊增材制造输出功率及输出功率变化量；采集弧焊增材制造熔覆池彩色图像；更新弧焊增材制造输出功率；分割出熔覆池彩色图像中的熔覆池，同时生成熔覆池的实例掩码和候选框的像素坐标，完成熔覆池的实例分割；用候选框的像素坐标表示长轴和熔宽像素数大小，计算熔宽像素数变化量，并将生成的输出功率变化量进行反馈；判断当前熔覆池彩色图像是否为最后一帧。本发明方法实时性好、识别精度高，在有熔滴覆盖熔覆池边缘时，也能实现精准检测与识别，验证了算法的有效性和鲁棒性，实现低成本高效率的检测熔覆池形貌，为弧焊增材制造实时评价提供了可靠依据。
-
公开(公告)号：CN113392702B
公开(公告)日：2024-06-11
申请号：CN202110504839.9
申请日：2021-05-10
Applicant: 南京师范大学
IPC: G06V20/58 , G06V10/60 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于自适应图像增强的弱光照环境下目标识别方法，包括：搭建自适应图像增强模块；搭建基于自适应图像增强的弱光照环境下目标识别模型；采集弱光照环境下的目标视频并处理生成弱光照环境下目标的数据集，划分测试集图像与训练集图像，对训练图像进行标注，生成标签文件；将训练集的全部图像和标签文件送入基于自适应图像增强的弱光照环境下目标识别模型进行训练；将训练好的基于自适应图像增强的弱光照环境下目标识别模型完成弱光照环境下的目标识别，并输出识别结果。本发明提升了弱光照环境下的目标识别的快速性与准确性，能够有效解决目前目标识别技术在弱光照环境下目标识别准确率不高，识别速度慢等问题，应用前景广泛。
-
公开(公告)号：CN113392702A
公开(公告)日：2021-09-14
申请号：CN202110504839.9
申请日：2021-05-10
Applicant: 南京师范大学
Abstract: 本发明公开了一种基于自适应图像增强的弱光照环境下目标识别方法，包括：搭建自适应图像增强模块；搭建基于自适应图像增强的弱光照环境下目标识别模型；采集弱光照环境下的目标视频并处理生成弱光照环境下目标的数据集，划分测试集图像与训练集图像，对训练图像进行标注，生成标签文件；将训练集的全部图像和标签文件送入基于自适应图像增强的弱光照环境下目标识别模型进行训练；将训练好的基于自适应图像增强的弱光照环境下目标识别模型完成弱光照环境下的目标识别，并输出识别结果。本发明提升了弱光照环境下的目标识别的快速性与准确性，能够有效解决目前目标识别技术在弱光照环境下目标识别准确率不高，识别速度慢等问题，应用前景广泛。
-
公开(公告)号：CN110263836B
公开(公告)日：2021-02-19
申请号：CN201910510060.0
申请日：2019-06-13
Applicant: 南京师范大学 , 南京智能高端装备产业研究院有限公司
Abstract: 本发明公开了一种基于多特征卷积神经网络的不良驾驶状态识别方法，包括：采集车载智能手机惯性传感器数据，进行预处理，得到源数据集；将源数据集划分成一个个的数据单元，对每一个数据单元进行统计学特征提取，并打上标签制成数据集，命名为特征数据集；搭建多特征卷积神经网络，选择合适的网络参数与优化器，并使用源数据集与特征数据集对多特征卷积神经网络进行充分训练，得到训练好的多特征卷积神经网络模型；使用训练好的多特征卷积神经网络模型对车载手机惯性传感器数据进行分类，从而实现对汽车当前驾驶状态的识别，判断汽车当前驾驶状态是否为不良驾驶状态，并在后台进行数据记录与处理。本发明具有运算速度快、识别率高、抗环境干扰能力强的优点。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.018 seconds)
