-
公开(公告)号：CN113034464A
公开(公告)日：2021-06-25
申请号：CN202110306033.9
申请日：2021-03-23
Applicant: 昆明理工大学
Abstract: 本发明公开了一种多背景下的液晶显示器缺陷视觉实时检测方法，本发明首先采用图像均值化和直方图均衡等算法对待检测图像进行预处理；提出了三种不同的算法使用于六不同的缺陷，能更好的适应不同背景下的缺陷检测，具体的：针对LCDMura、划痕缺陷中存在边缘模糊、对比度低和背景纹理复杂等问题，采用最大类间方差法和形态学运算进行纯色显示背景下的缺陷图像分割；采用最大类间方差法和4连通性判断准则对栅格显示背景下的ROI边缘缺陷进行分割和标记对于色彩偏差缺陷，通过划分子区域的灰度值方差和均值来判断32级渐变色显示背景中是否存在色差。实验结果表明，该算法能够较好实现LCD缺陷实时检测，具有更好的适用性和工程实用价值。
-
公开(公告)号：CN106296728B
公开(公告)日：2019-05-14
申请号：CN201610598992.1
申请日：2016-07-27
Applicant: 昆明理工大学
IPC: G06T7/215
Abstract: 本发明涉及一种基于全卷积网络的非限制场景中运动目标快速分割方法，属于视频对象分割技术领域。本发明首先，对视频进行分帧，利用分帧后的结果制作样本图像的Ground Truth集合S；采用通过PASCAL VOC标准库训练的全卷积神经网络对视频各帧中的目标进行预测，获取图像前景目标的深层特征估计子，据此得到所有帧中目标最大类间似然映射信息，实现对视频帧中的前景和背景的初步预测；然后，通过马尔科夫随机场对前景和背景的深层特征估计子进行精细化，从而实现对非限制场景视频中视频前景运动目标的分割。本发明能够有效地获取运动目标的信息，以实现对运动目标的高效、准确分割，提高视频前景‑背景信息的分析精度。
-
公开(公告)号：CN108285042A
公开(公告)日：2018-07-17
申请号：CN201711374441.8
申请日：2017-12-19
Applicant: 昆明理工大学
Abstract: 本发明公开了一种基于机器视觉的快递搬运机器人，包括机器人的驱动装置、货物的夹取装置、货物的承载装置、图像的采集装置和控制器；机器人的驱动装置、货物的夹取装置、图像的采集装置均安装在货物的承载装置上，控制器用于驱动机器人的驱动装置行走和转向，控制器用于驱动货物的夹取装置对目标货物进行夹取，货物的承载装置用于承载货物的夹取装置夹取的物体，控制器用于驱动图像的采集装置转动。本发明结构简单，易于实现，采用相机对目标进行信息采集，控制器采用图像处理技术对采集信息进行处理，区别于传统的扫码采集信息。能够用于实现将快递货物从配送站运送至目的地，极大地提高快递配送的准确性和运输效率，降低了人工成本。
-
公开(公告)号：CN107909564A
公开(公告)日：2018-04-13
申请号：CN201710992707.9
申请日：2017-10-23
Applicant: 昆明理工大学
CPC classification number: G06T7/0006 , G06T7/12 , G06T7/136 , G06T2207/10004 , G06T2207/20081 , G06T2207/20084 , G06T2207/30108
Abstract: 本发明涉及一种基于深度学习的全卷积网络图像裂纹检测方法，属于故障诊断技术与信号处理分析技术领域。本发明首先搜集裂纹图像，将图像分为训练数据集和测试数据集，并对训练数据集中的图像进行裂纹区域标注；其次构建用于裂纹图像检测的全卷积神经网络模型；然后利用训练数据集中的图像对用于裂纹图像检测的全卷积神经网络模型进行训练；利用训练好的用于裂纹图像检测的全卷积神经网络模型，对测试数据集中的裂纹图像进行裂纹检测。本发明使得网络模型能够有效增加裂纹信息的选择；使得网络模型可以获得更精细的局部细节；使得整个网络可以实现有效的递进式特征传递，提高了网络模型的裂纹检测精度。
-
公开(公告)号：CN107862326A
公开(公告)日：2018-03-30
申请号：CN201711031490.1
申请日：2017-10-30
Applicant: 昆明理工大学
CPC classification number: G06K9/627 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于全卷积神经网络的成熟苹果识别方法，本发明方法具体步骤如下：Step1、收集苹果图片并对已成熟苹果进行标注，制作成一个训练数据集；Step2、输入图片并进行降噪处理；Step3、设计全卷积神经网络的结构；Step4、使用降噪处理后的训练数据集对全卷积神经网络进行训练；Step5、使用训练完成的全卷积神经网络对已成熟苹果进行识别分割。本发明通过全卷积神经网络对图像进行分割，能够得到输出图片每一个像素点的预测类别，从而能够得到精确的苹果位置，避免了背景过于复杂的情况下，苹果识别准确度不够准确的问题。准确率、效率、实时性高，且实现过程方便、通用技术强。
-
Patent Agency Ranking
公开(公告)号：CN106530274A
公开(公告)日：2017-03-22
申请号：CN201610886879.3
申请日：2016-10-11
Applicant: 昆明理工大学 , 上海华阳检测仪器有限公司
CPC classification number: G06T7/0004 , G06K9/4642 , G06K9/4671 , G06T2207/10004 , G06T2207/20212 , G06T2207/30136
Abstract: 本发明涉及一种钢梁裂纹的定位方法，属于故障诊断技术与信号处理分析技术领域。本发明首先采集钢梁的裂纹图像以及利用红外传感器获取定位时间点；其次选取相邻定位时间点内相邻的两幅裂纹图像进行SIFT特征点匹配，直至获取匹配成功后的两幅裂纹图像最右侧匹配点的x坐标值为止；然后抽取规定时间段内的多幅图像进行快速图像拼接，直至所有钢梁图像拼接完毕；最后利用图像处理算法对拼接后的图像进行裂纹图像处理，从而得到所有拼接图像中仅含有裂纹信息的图像和图像里所有裂纹的定位结果。本发明克服了传统无损检测方法如较高距离时因人眼分辨力不高而导致遗漏裂纹或统计误报以及涡流断面效应等弊端。
-
公开(公告)号：CN118864349A
公开(公告)日：2024-10-29
申请号：CN202410633932.3
申请日：2024-05-21
Applicant: 昆明理工大学
IPC: G06T7/00 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种建立液晶显示屏视觉缺陷检测模型方法，依据依次连接的主干网络模块、颈部模块和解耦头模块建立；所述颈部模块增加改进的CBAM模块、同时引入细粒度可分离卷积模块替换位于CSPLayer模块与Concat模块之间的CBS模块；将液晶显示屏图像输入主干网络模块中提取各级特征；将各级特征输入颈部模块，获得三个颈部输出特征；将三颈部输出特征送入各解耦头模块进行预测，获得液晶显示屏图像中目标信息的位置、种类和置信度信息。本发明不仅能有效提高液晶显示屏Mura缺陷检测的准确率，而且还提升了显示屏分拣的效率。
-
公开(公告)号：CN114549589B
公开(公告)日：2024-09-27
申请号：CN202210193439.5
申请日：2022-03-01
Applicant: 昆明理工大学
IPC: G06T7/246 , G06T7/70 , G06N3/0495 , G06N3/0464 , G06N3/0985 , G06N3/084
Abstract: 本发明公开了一种基于轻量化神经网络的旋转体振动位移测量方法及系统，方法包括：收集旋转体图像数据和电涡流数据；对旋转体图像数据进行标注，获得训练数据集和测试数据集；搭建轻量化卷积神经网络模型；使用训练数据集训练模型，获得一系列待选权重文件；利用测试数据集测试待选权重文件并对比电涡流数据，筛选获得最优权重参数；将最优权重参数载入轻量化卷积神经网络模型，获得冻结模型；将待检测视频数据输入冻结模型进行检测，获得多帧目标检测结果；通过目标跟踪分支将多帧检测结果进行关联，获得旋转体位移数据；将得到的旋转体位移数据进行归一化处理，获得旋转体振动位移曲线。本发明可以用于视频中的旋转体振动位移测量。
-
公开(公告)号：CN115371565B
公开(公告)日：2024-08-20
申请号：CN202211024812.0
申请日：2022-08-25
Applicant: 昆明理工大学
IPC: G01B11/02 , G01H9/00 , G01M7/02 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种旋转体轴心轨迹振动位移视觉测量方法、系统。方法包括：构建旋转体轴心轨迹振动位移数据集；构建不同网络深度系数下的深度学习跟踪网络；依据旋转体轴心轨迹振动位移数据集中训练集对选择的深度系数下的深度学习跟踪网络进行训练，获得最优权重参数；依据最优权重参数对输入至选择的深度系数下的深度学习跟踪网络的旋转体轴心轨迹振动位移数据集中的测试集进行测试，获得旋转体轴心轨迹振动位移。通过本发明公开的方法，有效解决当前传感器无法突破量程并同时测量多维旋转体振动位移数据的问题，能自动生成轴心轨迹减少传统传感器后续信号处理流程，提高设备检测时效性，并且为旋转体设备健康监测提供新方案。
-
公开(公告)号：CN117911363A
公开(公告)日：2024-04-19
申请号：CN202410068456.5
申请日：2024-01-17
Applicant: 昆明理工大学
IPC: G06T7/00 , G06T7/13 , G06T5/20 , G06T5/70 , G06V10/44 , G06N3/0464 , G01M13/028
Abstract: 本发明公开了一种基于视觉的旋转机械振动位移检测方法，该方法对高速工业相机采集的机械振动视频进行灰度处理，提取视频帧中第t帧与第一帧的数据作为一个输入部分，用sobel算子识别每个输入部分的边缘区域，并将识别出的区域作为输入区域，对输入区域进行空间滤波，然后提取输入区域中像素点的振动位移，计算平均值即得每个输入部分的振动位移，对连续三个输入部分的振动位移进行平滑处理，生成时域图、频谱图，根据时域图、频谱图监测旋转机械的运行状态，实现旋转机械的实时诊断；本发明方法克服了传统测量方法的一些缺陷，例如质量加载；在排除使用传统传感器进行测量的情况下，能对旋转机械的振动状态进行较为准确的检测，且计算效率高。
-
-
-
-
-
-
-
-
-
Search Results
131
records
(took 0.028 seconds)
