实木板材双面缺陷检测及智能加工坐标确定方法

    公开(公告)号:CN116309375B

    公开(公告)日:2023-10-24

    申请号:CN202310159967.3

    申请日:2023-02-23

    Abstract: 本发明公开一种实木板材双面缺陷检测及智能加工坐标确定方法,包括:采集N块实木板材样本双面图像,对图像进行预处理;对图像进行缺陷标注,并将其作为数据集用来训练实木板材缺陷检测深度学习离线网络模型;在线采集实木板材双面图像,并进行预处理,将实木板材双面图像按行对齐;将实木板材图像输入至训练好的模型内,获得实木板材缺陷坐标;优化实木板材缺陷坐标,获得实木板材图像上的加工位置坐标;将加工位置坐标从实木板材图像上转换至实际板材上。本发明通过集成双目视觉获取实木板材双面图像并进一步地进行缺陷检测,对检测到的双面缺陷坐标进行基于图像的工艺优化,实现实木板材的双面缺陷检测,并获取实际板材的加工坐标点。

    一种单板层积材的散斑图像超分辨率重建方法

    公开(公告)号:CN114972040B

    公开(公告)日:2023-04-18

    申请号:CN202210832867.8

    申请日:2022-07-15

    Abstract: 本发明公开了一种单板层积材的散斑图像超分辨率重建方法,包括:在单板层积材试件表面依次喷涂白色底漆和黑色散斑,使得单板层积材试件表面形成黑白散斑;连续采集多张单板层积材试件受外部作用力产生扩展尖端裂纹的原始高清散斑图像;对多张原始高清散斑图像进行处理,得到多张原始高分辨率图像块和低分辨率图像块;构建残差网络模型,利用训练集对残差网络模型进行训练,得到训练好的残差网络模型;本发明克服了单板层积材在超分辨率图像重建中的细节信息丢失和边缘模糊;加入特征图动态加权模块提高了单板层积材超分辨率图像重建的真实性;采用了一种新的残差网络模型,提高了网络性能;重建后的单板层积材超分辨率图像精度高,真实性高。

    基于选择性通道处理机制的轻量级遥感图像超分辨率方法

    公开(公告)号:CN115147279B

    公开(公告)日:2023-04-07

    申请号:CN202210784242.9

    申请日:2022-07-05

    Abstract: 本发明公开了基于选择性通道处理机制的轻量级遥感图像超分辨率方法,涉及遥感图像的处理,尤其是遥感图像的增强或复原,包括:对已有的样本图像变换操作并降采样,得到对应的高分辨率图像与低分辨率图像的训练集;初始化基于选择性通道处理机制的卷积神经网络,该网络将低分辨率遥感图像作为输入,并输出高分辨率遥感图像;在训练集上采用梯度下降法和反向传播算法,对构建的卷积神经网络进行迭代训练,得到参数优化后的卷积神经网络;利用参数优化后的神经网络模型,将低分辨率遥感图像作为输入,得到高分辨率遥感图像。相较于之前的方法,本发明参数量更少,模型运算效率更高,同时,可以得到高频部分更加清晰的、质量更高的超分辨率遥感图像。

    基于多尺度残差卷积变分网络故障诊断方法和诊断系统

    公开(公告)号:CN114897292B

    公开(公告)日:2023-04-07

    申请号:CN202210317326.1

    申请日:2022-03-28

    Abstract: 本发明公开了一种基于多尺度残差卷积变分网络故障诊断方法和诊断系统,包括:获取针对机械设备不同传递系统故障的加速度数据,并随机划分为训练样本和测试样本;由至少3个残差卷积变分模块并行学习串接,对每个残差卷积变分模块输出特征向量进行汇总形成总的特征向量,并采用分类模块对总的特征向量进行故障分类,形成多尺度残差卷积变分网络模型,其中,对多尺度残差卷积变分网络模型的初始参数进行设置;采用所述训练样本对多尺度残差卷积变分网络模型进行训练,实现小样本数据下多尺度、深层次的故障特征学习,并将测试样本输入至上述训练好的多尺度残差卷积变分网络模型,以实现对机械设备运行状态的自动辨别和智能诊断。

    基于选择性通道处理机制的轻量级遥感图像超分辨率方法

    公开(公告)号:CN115147279A

    公开(公告)日:2022-10-04

    申请号:CN202210784242.9

    申请日:2022-07-05

    Abstract: 本发明公开了基于选择性通道处理机制的轻量级遥感图像超分辨率方法,涉及遥感图像的处理,尤其是遥感图像的增强或复原,包括:对已有的样本图像变换操作并降采样,得到对应的高分辨率图像与低分辨率图像的训练集;初始化基于选择性通道处理机制的卷积神经网络,该网络将低分辨率遥感图像作为输入,并输出高分辨率遥感图像;在训练集上采用梯度下降法和反向传播算法,对构建的卷积神经网络进行迭代训练,得到参数优化后的卷积神经网络;利用参数优化后的神经网络模型,将低分辨率遥感图像作为输入,得到高分辨率遥感图像。相较于之前的方法,本发明参数量更少,模型运算效率更高,同时,可以得到高频部分更加清晰的、质量更高的超分辨率遥感图像。

    一种单板层积材的散斑图像超分辨率重建方法

    公开(公告)号:CN114972040A

    公开(公告)日:2022-08-30

    申请号:CN202210832867.8

    申请日:2022-07-15

    Abstract: 本发明公开了一种单板层积材的散斑图像超分辨率重建方法,包括:在单板层积材试件表面依次喷涂白色底漆和黑色散斑,使得单板层积材试件表面形成黑白散斑;连续采集多张单板层积材试件受外部作用力产生扩展尖端裂纹的原始高清散斑图像;对多张原始高清散斑图像进行处理,得到多张原始高分辨率图像块和低分辨率图像块;构建残差网络模型,利用训练集对残差网络模型进行训练,得到训练好的残差网络模型;本发明克服了单板层积材在超分辨率图像重建中的细节信息丢失和边缘模糊;加入特征图动态加权模块提高了单板层积材超分辨率图像重建的真实性;采用了一种新的残差网络模型,提高了网络性能;重建后的单板层积材超分辨率图像精度高,真实性高。

    基于多尺度残差卷积变分网络故障诊断方法和诊断系统

    公开(公告)号:CN114897292A

    公开(公告)日:2022-08-12

    申请号:CN202210317326.1

    申请日:2022-03-28

    Abstract: 本发明公开了一种基于多尺度残差卷积变分网络故障诊断方法和诊断系统,包括:获取针对机械设备不同传递系统故障的加速度数据,并随机划分为训练样本和测试样本;由至少3个残差卷积变分模块并行学习串接,对每个残差卷积变分模块输出特征向量进行汇总形成总的特征向量,并采用分类模块对总的特征向量进行故障分类,形成多尺度残差卷积变分网络模型,其中,对多尺度残差卷积变分网络模型的初始参数进行设置;采用所述训练样本对多尺度残差卷积变分网络模型进行训练,实现小样本数据下多尺度、深层次的故障特征学习,并将测试样本输入至上述训练好的多尺度残差卷积变分网络模型,以实现对机械设备运行状态的自动辨别和智能诊断。

    基于深度坐标注意力网络模型的图像超分辨率重建方法

    公开(公告)号:CN113096017B

    公开(公告)日:2022-01-25

    申请号:CN202110399796.2

    申请日:2021-04-14

    Abstract: 本发明公开了一种基于深度坐标注意力网络模型的图像超分辨率重建方法,涉及图像的增强或复原,包括:对已有的样本图像进行变换操作,并进行降采样,得到对应的高分辨率图像与低分辨率图像的训练集;初始化基于深度坐标注意力机制的卷积神经网络,该网络将低分辨率图像作为输入,并输出高分辨率图像;在训练集上采用梯度下降法和反向传播算法,对构建的卷积神经网络进行迭代训练,得到参数优化后的卷积神经网络;利用训练好的卷积神经网络对输入的低分辨率图像进行超分辨率重建,得到高分辨率图像的最终输出。本发明相对于现有方法,充分利用低分辨率图像与特征图像所包含的信息,对低分辨率图像进行超分辨率重建,拥有更好的超分辨率重建质量。

    基于深度坐标注意力网络模型的图像超分辨率重建方法

    公开(公告)号:CN113096017A

    公开(公告)日:2021-07-09

    申请号:CN202110399796.2

    申请日:2021-04-14

    Abstract: 本发明公开了一种基于深度坐标注意力网络模型的图像超分辨率重建方法,涉及图像的增强或复原,包括:对已有的样本图像进行变换操作,并进行降采样,得到对应的高分辨率图像与低分辨率图像的训练集;初始化基于深度坐标注意力机制的卷积神经网络,该网络将低分辨率图像作为输入,并输出高分辨率图像;在训练集上采用梯度下降法和反向传播算法,对构建的卷积神经网络进行迭代训练,得到参数优化后的卷积神经网络;利用训练好的卷积神经网络对输入的低分辨率图像进行超分辨率重建,得到高分辨率图像的最终输出。本发明相对于现有方法,充分利用低分辨率图像与特征图像所包含的信息,对低分辨率图像进行超分辨率重建,拥有更好的超分辨率重建质量。

    旋转式木材等级分选装置
    20.
    发明公开

    公开(公告)号:CN111330861A

    公开(公告)日:2020-06-26

    申请号:CN202010268968.8

    申请日:2020-04-08

    Abstract: 本技术公开了一种旋转式木材等级分选装置,包括传送带机构、电动升降台和分选机构,传送带机构的后方设有电动升降台,传送带机构和电动升降台之间设有间隙,且间隙处上方和下方均设有相机一,分选机构位于电动升降台一侧;分选装置包括分选台、立柱、顶部结构和吸盘搬运结构,分选台的中部通过立柱与顶部结构连接,分选台的圆周方向上开设有多个收集槽,每个收集槽处均对应有一个收集筐,顶部结构的圆周方向上设有一圈圆形轨道,吸盘搬运结构与圆形轨道滑动连接。本技术可以机器自主识别并划分板材的等级,然后自主实现板材的分选。可以完全地由机械实现分选功能,将工人从重复繁琐的劳动中解放出来,还可以大大提高生产的效率。

Patent Agency Ranking