-
公开(公告)号：CN105023263A
公开(公告)日：2015-11-04
申请号：CN201410166476.2
申请日：2014-04-22
Applicant: 南京理工大学
Abstract: 本发明提出一种基于区域生长的遮挡检测和视差校正的方法。首先通过树结构动态规划算法得到初始视差图，然后通过初始视差图像边缘的存疑区域生长法检测遮挡区域和受遮挡影响区域，最后利用颜色通道向量化方法对遮挡区域和受遮挡影响区域的像素点视差值进行重新填充，得到最终视差图。本发明能够明显减少遮挡对遮挡区域和受遮挡影响区域的误匹配率。
-
公开(公告)号：CN104573717A
公开(公告)日：2015-04-29
申请号：CN201410851535.X
申请日：2014-12-31
Applicant: 南京理工大学
IPC: G06K9/62
CPC classification number: G06K9/6256
Abstract: 本发明公开了一种有监督的流形学习算法。该算法在原有的流形学习算法的基础上对其进行改进，使之更加合理。首先改算法建立使用流形内部的近邻点建立类内散布矩阵用于描述流形内部的局部结构，然后根据流形之间的关系选择出能充分反映类间结构的近邻流形用于建立类间散布矩阵，描述类间的离散性，最后使用Fisher准则对其进行求解，使其在达到类内散布矩阵最小的同时，类间散布矩阵达到最大。经过实验验证本发明的识别率较原始算法有所提高，并且时间复杂度没有显著变化。
-
公开(公告)号：CN118365976B
公开(公告)日：2024-11-12
申请号：CN202410799380.3
申请日：2024-06-20
Applicant: 南京理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0495 , G06N3/082 , G06N3/096 , G06N3/0455 , G06N3/0464 , G06V10/80 , G06N3/088
Abstract: 本发明公开了一种基于无监督学习的熔焊增材异常检测方法，包括如下步骤：在熔焊增材过程中，利用工业相机拍摄熔池图像，对熔池图像进行预处理，得到熔池数据集；利用熔池数据集训练无监督学习的异常检测模型，所述异常检测模型包括正向知识蒸馏和反向知识蒸馏过程；利用训练好的异常检测模型进行推理，得到异常检测结果。本发明的基于无监督学习的熔焊增材异常检测方法采用无监督学习算法，只需要正常数据进行训练，网络模型采用多学生‑教师蒸馏模型，针对焊接过程中出现的各类形态和质量的异常，例如裂纹、偏移、孔洞、气孔、夹渣等等缺陷，异常检测准确率都能够达到良好的效果。
-
公开(公告)号：CN118212536A
公开(公告)日：2024-06-18
申请号：CN202410624831.X
申请日：2024-05-20
Applicant: 南京理工大学
Abstract: 本发明公开了一种物理引导的超分辨压缩编码光谱成像方法，包括以下步骤：一、利用RGB相机和灰度相机同时获取物体的RGB图像和高光谱信息；二、采用DCT编码矩阵作为编码模板，对物体的高光谱信息进行编码，得到编码后的高光谱信息；三、对编码后的高光谱信息采用逆向求解算法进行重建，得到初步高光谱图像；四、利用SSAM‑Unet网络对RGB图像和初步高光谱图像进行融合，得到最终的高光谱图像。本发明的物理引导的超分辨压缩编码光谱成像方法在保证成像速度的同时提高了成像质量，并构建深度学习框架融合RGB图像和高光谱图像，提升了高光谱图像的分辨率。
-
公开(公告)号：CN118096904A
公开(公告)日：2024-05-28
申请号：CN202311759033.X
申请日：2023-12-20
Applicant: 南京理工大学
IPC: G06T9/00 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/048
Abstract: 本发明公开了一种联合transformer和辅助学习任务的快照高光谱鲁棒成像方法，包括以下步骤：一、搭建高光谱成像模型，利用编码孔径快照光谱成像方法对目标场景进行色散编码得到测量值；二、构建快照高光谱重建网络，利用所述快照高光谱重建网络实现高光谱图像重建，所述快照高光谱重建网络由基于优化transformer模块设计的Unet架构和辅助学习网络组成。本发明的联合transformer和辅助学习任务的快照高光谱鲁棒成像方法提出了一种鲁棒性较强的快照高光谱重建网络。基于辅助学习任务的优势，将快照压缩测量映射为全色图像输入高光谱图像重建端。使用基于优化transformer的Unet机构以及全色生成策略的信息补充，增强了快照高光谱重建网络的正则化能力，对鲁棒效果具有较大提升。
-
Patent Agency Ranking
公开(公告)号：CN118096729A
公开(公告)日：2024-05-28
申请号：CN202410471587.8
申请日：2024-04-19
Applicant: 南京理工大学
IPC: G06T7/00 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于二维—深度信息融合的焊缝识别方法，包括步骤：利用焊缝识别系统对测量工件进行三维扫描，得到测量工件的三维点云；将点云图像转化为深度图像；对深度图像进行标注获得训练数据集；用训练数据集训练多模态分割模型，多模态分割模型包括深度图像处理模块、跨界整合模块CFM和可跨领域融合感知模块CISM；利用所述多模态分割模型对工件焊缝进行识别。本发明可以规避单一模态下焊缝识别带来的不稳定性，将图像中多模态的信息特征嵌入到端到端的RGB和深度图训练中提高焊缝识别准确率。
-
公开(公告)号：CN114905116B
公开(公告)日：2024-05-24
申请号：CN202210622172.7
申请日：2022-06-02
Applicant: 南京理工大学 , 北京星航机电装备有限公司
Abstract: 本发明涉及一种基于特征学习的坡口焊缝熔透监控方法，包括以下步骤：1.基于主被动视觉结合的熔池信息采集系统，提取坡口角度信息与正面熔池图像信息；2.构建基于特征学习的多模融合熔宽回归模型；3.将实时采集到的前方激光线图像及后方熔池图像输入回归模型，估计得到背面熔宽值，通过模糊PID控制算法，调节焊接电流实现背面熔宽控制。本发明设计的基于复杂坡口焊缝信息的回归网络预测了焊缝背面熔宽；设计了模糊PID控制算法，实现了焊缝背面熔宽的实时协同控制。本发明为电弧增材制造过程中焊缝形态的在线监测和控制提供了必要的策略。
-
公开(公告)号：CN118002888A
公开(公告)日：2024-05-10
申请号：CN202410424037.0
申请日：2024-04-10
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于时序信息融合的鲁棒实时焊缝跟踪方法，包括以下步骤：一、利用所述激光发射器投射到焊接工件的焊缝上形成激光条纹，由所述工业相机拍摄得到激光条纹图像序列；二、对步骤一得到的激光条纹图像序列进行数据预处理，得到预处理图像序列；三、对步骤二得到的所述预处理图像序列进行标注获得焊缝跟踪数据集；四、利用步骤三得到的所述焊缝跟踪数据集训练焊缝跟踪模型；五、利用步骤四得到的所述焊缝跟踪模型对目标焊缝的激光条纹图像进行焊缝跟踪。本发明的基于时序信息融合的鲁棒实时焊缝跟踪方法利用焊接时序信息从背景中对目标焊缝进行识别跟踪，提高了焊接噪声抵抗能力和焊缝跟踪准确率。
-
公开(公告)号：CN108335286B
公开(公告)日：2024-03-22
申请号：CN201810042383.7
申请日：2018-01-17
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于双线结构光的在线焊缝成型视觉检测方法，在不同曝光时间下，对标定板进行采样，实现线结构光的标定；三维重建后，使用标准平面，在母板上对重建结果进行校正；最后结合前后两条线结构光的三维重建结果，对两个三维曲面进行匹配，可以在线获得焊接前后，母板上同一位置的三维数据；同时在线获取焊缝粗糙度、高度、宽度等结果。本发明方法可以在母板不平整，如堆焊等情况下，取得较好结果；母板平整的情况下，亦可实现功能。本发明方法能够有效提高标定精度和三维重建精度，并对焊缝成型结果进行多角度的分析。
-
公开(公告)号：CN117428291A
公开(公告)日：2024-01-23
申请号：CN202311736148.7
申请日：2023-12-18
Applicant: 南京理工大学
IPC: B23K9/095
Abstract: 本发明公开了一种基于声谱图特性分析的焊缝熔宽定量方法，包括如下步骤：根据焊接节律参数确定短时傅里叶变换的窗长与步长，通过短时傅里叶变换方法生成声谱图，并且通过焊接速度与熔池凝固速度等参数确定时间序列间隔，将所述声谱图转换为频谱图序列。而后构建焊接状态实时预测卷积神经网络模型，利用所述卷积神经网络与所述频谱图，对焊缝背面宽度进行实时定量预测。本发明使用短时傅里叶变换将一维数据转换为二维从而引入深度卷积网络架构，利用时间序列以捕获长程时变信息，从而使用声音数据实现了焊接状态实时定量预测的任务，同时具备了良好的精度与推广能力。
-
-
-
-
-
-
-
-
-
Search Results
127
records
(took 0.026 seconds)
