-
公开(公告)号：CN108555908A
公开(公告)日：2018-09-21
申请号：CN201810326638.2
申请日：2018-04-12
Applicant: 同济大学
Abstract: 本发明涉及一种基于RGBD相机的堆叠工件姿态识别及拾取方法，包括以下步骤：1)对RGBD相机内参数进行标定；2)根据预先获得的待抓取工件的3D模型进行训练，生成用以匹配的2D模型；3)利用RGBD相机获取待识别工件的RGB图像和深度图像，获取出待抓取工件的轮廓信息；4)获取待抓取工件在图像像素坐标系中的二维位置信息以及在相机坐标系下的六自由度位姿；5)获取待抓取工件在机器人坐标系下的六自由度位姿；6)控制六轴机器人对待抓取工件进行拾取。与现有技术相比，本发明利用成本低廉的RGBD相机，结合RGB以及深度信息，实现对散乱堆叠、各种类型的工件的姿态识别和抓取，精度高、成本低、适应性强，能够适应工业生产的需求。
-
公开(公告)号：CN115187907A
公开(公告)日：2022-10-14
申请号：CN202210841726.2
申请日：2022-07-18
Applicant: 同济大学
IPC: G06V20/40 , G06N3/04 , G06N3/08 , G06V10/774
Abstract: 本发明涉及一种基于卷积垂直整合的安全帽快速视觉检测方法，包括以下步骤：1)构建安全帽快速视觉检测网络结构并进行训练；2)进行安全帽快速视觉检测网络的垂直整合预处理与计算；3)进行卷积垂直整合，实现安全帽快速视觉检测。与现有技术相比，通过对两个线性卷积核参数进行垂直整合运算，利用复合卷积核实现YOLO v3网络结构的参数重构，大幅减少网络深度，减少数据传输吞吐量，在不明显降低准确率的情况下，大幅提高算法的实时性，便于在边缘设备上部署。
-
公开(公告)号：CN108555908B
公开(公告)日：2020-07-28
申请号：CN201810326638.2
申请日：2018-04-12
Applicant: 同济大学
Abstract: 本发明涉及一种基于RGBD相机的堆叠工件姿态识别及拾取方法，包括以下步骤：1)对RGBD相机内参数进行标定；2)根据预先获得的待抓取工件的3D模型进行训练，生成用以匹配的2D模型；3)利用RGBD相机获取待识别工件的RGB图像和深度图像，获取出待抓取工件的轮廓信息；4)获取待抓取工件在图像像素坐标系中的二维位置信息以及在相机坐标系下的六自由度位姿；5)获取待抓取工件在机器人坐标系下的六自由度位姿；6)控制六轴机器人对待抓取工件进行拾取。与现有技术相比，本发明利用成本低廉的RGBD相机，结合RGB以及深度信息，实现对散乱堆叠、各种类型的工件的姿态识别和抓取，精度高、成本低、适应性强。
-
公开(公告)号：CN112147998B
公开(公告)日：2021-12-07
申请号：CN202010853744.3
申请日：2020-08-24
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于区域生长法的移动机器人路径规划方法，包括步骤：读取工作环境代价地图，在可行域内随机选择一系列坐标点；采用区域生长法，以随机选择的坐标点为中心，分别向代价地图的左上、左下、右上和右下四个方向以三角形形状生长，对可行域内的坐标点划分区域，获取划分后的区域地图，并重新计算每个区域的区域中心点坐标；根据处理结果确定移动机器人当前位置所属的区域，并确定目标点所属的区域，采用改进的A*算法规划路径；将起点坐标和终点坐标加入规划路径中；采用theta*算法对路径进行优化，获取最终优化路径。与现有技术相比，本发明可有效降低机器人跟随路径时与障碍物发生碰撞的风险。
-
公开(公告)号：CN112147998A
公开(公告)日：2020-12-29
申请号：CN202010853744.3
申请日：2020-08-24
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于区域生长法的移动机器人路径规划方法，包括步骤：读取工作环境代价地图，在可行域内随机选择一系列坐标点；采用区域生长法，以随机选择的坐标点为中心，分别向代价地图的左上、左下、右上和右下四个方向以三角形形状生长，对可行域内的坐标点划分区域，获取划分后的区域地图，并重新计算每个区域的区域中心点坐标；根据处理结果确定移动机器人当前位置所属的区域，并确定目标点所属的区域，采用改进的A*算法规划路径；将起点坐标和终点坐标加入规划路径中；采用theta*算法对路径进行优化，获取最终优化路径。与现有技术相比，本发明可有效降低机器人跟随路径时与障碍物发生碰撞的风险。
-
Patent Agency Ranking
公开(公告)号：CN115410111A
公开(公告)日：2022-11-29
申请号：CN202210843903.0
申请日：2022-07-18
Applicant: 同济大学
IPC: G06V20/40 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种应用于边缘设备基于结构重参数化的安全帽检测方法，包括以下步骤：1)构建稠密重参数化模块；2)构建适用于安全帽检测的标准YOLOv3‑tiny模型与训练数据集；3)对标准YOLOv3‑tiny模型进行重构并训练；4)将训练好的重构模型等价转换为推理模型，并进行安全帽检测。与现有技术相比，本发明具有实时性高、准确率高、泛化能力强，能够避免梯度弥散与梯度爆炸，降低特征冗余度，提升网络的学习能力等优点。
-
公开(公告)号：CN106875381B
公开(公告)日：2020-04-28
申请号：CN201710034677.0
申请日：2017-01-17
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度学习的手机外壳缺陷检测方法，该方法包括如下步骤：(1)获取待检测手机外壳图像并进行预处理；(2)将预处理后的图像输入至预先训练好的缺陷检测模型进行缺陷检测得到手机外壳上存在缺陷的位置，并给出该位置为缺陷的置信度；其中，缺陷检测模型为基于深度学习的深度网络，包括依次级联而成的特征提取网络以及分类器与回归器网络，所述的特征提取网络对预处理的图像进行特征提取得到特征图像，所述的分类器与回归器网络对特征图像进行分类回归得到手机外壳缺陷位置以及置信度。与现有技术相比，本发明检测精度高，检测结果准确可靠。
-
公开(公告)号：CN112987735B
公开(公告)日：2022-06-14
申请号：CN202110206299.6
申请日：2021-02-24
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于Delaunay三角形的移动机器人安全路径规划方法，提取工作环境的全局代价地图可行域的轮廓，按照设定的窗口尺寸和步长在地图内滑动窗口，计算窗口覆盖区域的分形维度；根据分形维度得到每个窗口内初始点的位置分布；以所有窗口内初始点为顶点构建Delaunay三角形网；遍历三角形网，计算每个三角形的重心，以所有三角形的重心为顶点再次构建Delaunay三角形网；遍历新生成的三角形网，剔除位于障碍物内的顶点和通过障碍物的边，将剩余顶点、边及其连接关系构成路径网；在路径网内搜索从起点至终点的一条路径；逐渐收缩路径，直至收缩前后路径相同，获取最优路径。本发明规划的路径安全可靠，且极大地提高路径搜索和剪枝的效率。
-
公开(公告)号：CN112987735A
公开(公告)日：2021-06-18
申请号：CN202110206299.6
申请日：2021-02-24
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于Delaunay三角形的移动机器人安全路径规划方法，提取工作环境的全局代价地图可行域的轮廓，按照设定的窗口尺寸和步长在地图内滑动窗口，计算窗口覆盖区域的分形维度；根据分形维度得到每个窗口内初始点的位置分布；以所有窗口内初始点为顶点构建Delaunay三角形网；遍历三角形网，计算每个三角形的重心，以所有三角形的重心为顶点再次构建Delaunay三角形网；遍历新生成的三角形网，剔除位于障碍物内的顶点和通过障碍物的边，将剩余顶点、边及其连接关系构成路径网；在路径网内搜索从起点至终点的一条路径；逐渐收缩路径，直至收缩前后路径相同，获取最优路径。本发明规划的路径安全可靠，且极大地提高路径搜索和剪枝的效率。
-
公开(公告)号：CN109636772A
公开(公告)日：2019-04-16
申请号：CN201811252083.8
申请日：2018-10-25
Applicant: 同济大学
CPC classification number: G06T7/0004 , G06T3/0006 , G06T7/13 , G06T7/187 , G06T2207/20021 , G06T2207/20024 , G06T2207/20081 , G06T2207/20084 , G06T2207/30136
Abstract: 本发明涉及一种基于深度学习的不规则形状金属加工表面的缺陷检测方法，该方法通过对采集的金属加工表面图像进行预处理、图像增强，基于YOLOv3的网络架构，搭建了适于缺陷检测的深度学习网络，通过对样本进行人工标记，利用带标签的样本进行深度学习网络的训练，以获取缺陷检测模型，最后利用缺陷检测模型对采集到的金属加工表面图像进行缺陷检测，得到缺陷检测的结果。与现有技术相比，本发明中的网络架构对于小物体小目标的检测具有良好的适应性，将目标检测的候选区域生成、特征提取、分类、位置精修四个基本步骤统一到同一个深度网络框架之内，提高了运行速度，使检测更加准确。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.016 seconds)
