-
公开(公告)号：CN110420867A
公开(公告)日：2019-11-08
申请号：CN201910684609.8
申请日：2019-07-26
Applicant: 华南理工大学
Abstract: 本发明提出了一种使用平面检测的自动分拣的方法。该方法的步骤如下：使用工业深度相机获取当前待分拣区域中盒子的图像信息然后根据平面检测算法计算出抓取点的位置和姿态；根据抓取点位置和姿态对工业机器人做运动姿态规划；利用盒子的轮廓信息对抓取后的姿态做矫正，使盒子的某个面正对一个方向；使用全方位条码扫描的策略来对盒子进行扫码，最终根据条码信息分类。与现有技术相比，本发明的优点和效果在于：提高分拣的处理速度以及条码的扫描识别效果。
-
Patent Agency Ranking
公开(公告)号：CN110765844B
公开(公告)日：2023-05-26
申请号：CN201910828167.X
申请日：2019-09-03
Applicant: 华南理工大学
IPC: G06V20/68 , G06V10/25 , G06V10/26 , G06V10/28 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06N3/094
Abstract: 本发明公开了一种基于对抗学习的非感应式餐盘图像数据自动标注方法，包括以下步骤：S1、输入原始的无标注数据图像样本，自动获取初步的标注标签；S2、从S1得到的标注标签里面自动筛选真实标签，构成待标注数据集；S3、构建卷积神经网络，定义对应的损失函数；所述卷积神经网络主要由目标检测网络和判别器网络构成；S4、对卷积神经网络进行半监督训练，并设计候选框选策略；S5、将完全无标注的数据输入到训练好的卷积神经网络，自动获得标签。本发明以对抗学习的方式利用少量的标注数据进行训练，充分利用已标记样本和未标记样本之间的联系构造标注模型，大大减少了人工标注的巨大工作量和人力成本。
-
公开(公告)号：CN110765844A
公开(公告)日：2020-02-07
申请号：CN201910828167.X
申请日：2019-09-03
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于对抗学习的非感应式餐盘图像数据自动标注方法，包括以下步骤：S1、输入原始的无标注数据图像样本，自动获取初步的标注标签；S2、从S1得到的标注标签里面自动筛选真实标签，构成待标注数据集；S3、构建卷积神经网络，定义对应的损失函数；所述卷积神经网络主要由目标检测网络和判别器网络构成；S4、对卷积神经网络进行半监督训练，并设计候选框选策略；S5、将完全无标注的数据输入到训练好的卷积神经网络，自动获得标签。本发明以对抗学习的方式利用少量的标注数据进行训练，充分利用已标记样本和未标记样本之间的联系构造标注模型，大大减少了人工标注的巨大工作量和人力成本。
-
公开(公告)号：CN110188227B
公开(公告)日：2022-11-18
申请号：CN201910368358.2
申请日：2019-05-05
Applicant: 华南理工大学
IPC: G06F16/583 , G06V10/75 , G06V10/764
Abstract: 本发明公开了一种基于深度学习与低秩矩阵优化的哈希图像检索方法，包括以下步骤：S1、获取图像数据，对数据进行标注和预处理，构造图像检索的数据集，并将其分为训练集与测试集；S2、搭建深度特征提取网络，构建深度哈希网络主干；S3、将训练集输入深度哈希网络主干，基于极大化概率似然和低秩正则化损失函数，构建哈希网络；S4、对哈希网络进行训练；S5、将测试集与训练集图像分别输入哈希网络，生成二值哈希编码，计算相互的汉明距离；S6、返回训练集中汉明距离最小图片作为检索结果。本发明克服了直接用二值化连续值特征编码到汉明空间造成的相似性信息破环和量化误差大的问题，提高了基于哈希表征的图像检索方法的性能。
-
公开(公告)号：CN110991027A
公开(公告)日：2020-04-10
申请号：CN201911183292.6
申请日：2019-11-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于虚拟场景训练的机器人模仿学习方法。所述方法包括以下步骤：根据具体任务设计机器人模型和虚拟交互环境；采集和整理专家数据集；根据具体任务确定状态取值空间S和动作取值空间A，根据状态取值空间S和动作取值空间A确定策略生成器网络和判别器网络的结构；从策略生成器采样数据，设计参数更新策略，结合专家数据集采用对抗训练方法交替训练策略生成器和判别器，直到判别器收敛至鞍点；对由训练得到的策略生成器和判别器组成的网络模型进行测试，将真实的环境状态作为策略生成器输入获得动作输出。本发明采用判别学习一个价值回报函数，绕过大量复杂且计算量高的逆强化学习的中间步骤，学习过程更加简洁高效。
-
公开(公告)号：CN110188227A
公开(公告)日：2019-08-30
申请号：CN201910368358.2
申请日：2019-05-05
Applicant: 华南理工大学
IPC: G06F16/583 , G06K9/62
Abstract: 本发明公开了一种基于深度学习与低秩矩阵优化的哈希图像检索方法，包括以下步骤：S1、获取图像数据，对数据进行标注和预处理，构造图像检索的数据集，并将其分为训练集与测试集；S2、搭建深度特征提取网络，构建深度哈希网络主干；S3、将训练集输入深度哈希网络主干，基于极大化概率似然和低秩正则化损失函数，构建哈希网络；S4、对哈希网络进行训练；S5、将测试集与训练集图像分别输入哈希网络，生成二值哈希编码，计算相互的汉明距离；S6、返回训练集中汉明距离最小图片作为检索结果。本发明克服了直接用二值化连续值特征编码到汉明空间造成的相似性信息破环和量化误差大的问题，提高了基于哈希表征的图像检索方法的性能。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
