-
Patent Agency Ranking
公开(公告)号：CN113159121B
公开(公告)日：2022-07-19
申请号：CN202110279839.3
申请日：2021-03-16
Applicant: 华中科技大学 , 武汉数字化设计与制造创新中心有限公司
IPC: G06V10/774 , G06K9/62 , G06F17/16
Abstract: 本发明提供了一种基于先验知识模型的机器人磨抛去除量预测方法及设备。所述方法包括：获取磨抛工艺参数，将磨抛工艺参数及相应的材料去除深度组合得到训练样本集，并对训练样本集进行去噪，得到最终训练样本集；采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型；将磨抛工艺参数输入实用级先验知识模型进行回归预测，得到机器人磨抛去除量的预测结果。本发明可以辅助实现磨抛加工系统的动态修正，提高了实用级先验知识模型的泛化性能，优化了实用级先验知识模型在小样本下的训练能力，训练得到的实用级先验知识模型具有较好的鲁棒性及较高的磨抛材料去除预测精度。
-
公开(公告)号：CN113159121A
公开(公告)日：2021-07-23
申请号：CN202110279839.3
申请日：2021-03-16
Applicant: 华中科技大学 , 武汉数字化设计与制造创新中心有限公司
Abstract: 本发明提供了一种基于先验知识模型的机器人磨抛去除量预测方法及设备。所述方法包括：获取磨抛工艺参数，将磨抛工艺参数及相应的材料去除深度组合得到训练样本集，并对训练样本集进行去噪，得到最终训练样本集；采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型；将磨抛工艺参数输入实用级先验知识模型进行回归预测，得到机器人磨抛去除量的预测结果。本发明可以辅助实现磨抛加工系统的动态修正，提高了实用级先验知识模型的泛化性能，优化了实用级先验知识模型在小样本下的训练能力，训练得到的实用级先验知识模型具有较好的鲁棒性及较高的磨抛材料去除预测精度。
-
公开(公告)号：CN111879264A
公开(公告)日：2020-11-03
申请号：CN202010611932.5
申请日：2020-06-30
Applicant: 武汉数字化设计与制造创新中心有限公司
IPC: G01B11/30
Abstract: 本发明涉及高铁车身平整度测量技术领域，具体公开了一种基于线结构光的平整度测量与评估系统，其中，包括：线结构光视觉传感器装置、数据处理装置、三维重构装置和运动装置；运动装置用于带动线结构光视觉传感器装置运动；线结构光视觉传感器装置用于对列车车身表面的待测区域进行图像采集；三维重构装置用于根据运动参数以及待测区图像信息进行三维重构；数据处理装置用于控制运动装置的运动、控制线结构光视觉传感器装置的图像采集频率以及用于根据三维形貌点云数据进行平整度分析，获得列车车身表面的平整度分析报告。本发明提供的基于线结构光的平整度测量与评估系统能够实现对高铁车身打磨质量的自动化测量与评估。
-
公开(公告)号：CN113255732A
公开(公告)日：2021-08-13
申请号：CN202110473020.0
申请日：2021-04-29
Applicant: 华中科技大学 , 武汉数字化设计与制造创新中心有限公司
Abstract: 本发明属于机器人磨抛加工领域，并具体公开了一种基于虚拟样本的弹性工件机器人磨抛表面粗糙度预测方法。包括：根据机器人磨抛实验数据构建样本集，对样本集中的样本点进行去噪处理，再根据设定比例将剩余的样本点进行划分，以获取训练样本和验证样本；根据训练样本中样本的分布空间、分布离散度生成训练样本的置信空间，并在置信空间内生成有关虚拟样本，构造映射关系模型的损失函数，再将虚拟样本与训练样本共同作为映射关系模型的输入，对所述映射关系模型进行梯度迭代训练，求解所述损失函数的极点，并采用验证样本对极点处的映射关系模型进行验证，获取最优映射关系模型。本发明方法在小样本下仍可以保持较高的预测精度与较好的鲁棒性。
-
公开(公告)号：CN113255732B
公开(公告)日：2022-03-18
申请号：CN202110473020.0
申请日：2021-04-29
Applicant: 华中科技大学 , 武汉数字化设计与制造创新中心有限公司
Abstract: 本发明属于机器人磨抛加工领域，并具体公开了一种基于虚拟样本的弹性工件机器人磨抛表面粗糙度预测方法。包括：根据机器人磨抛实验数据构建样本集，对样本集中的样本点进行去噪处理，再根据设定比例将剩余的样本点进行划分，以获取训练样本和验证样本；根据训练样本中样本的分布空间、分布离散度生成训练样本的置信空间，并在置信空间内生成有关虚拟样本，构造映射关系模型的损失函数，再将虚拟样本与训练样本共同作为映射关系模型的输入，对所述映射关系模型进行梯度迭代训练，求解所述损失函数的极点，并采用验证样本对极点处的映射关系模型进行验证，获取最优映射关系模型。本发明方法在小样本下仍可以保持较高的预测精度与较好的鲁棒性。
-
-
-
-
Search Results
5
records
(took 0.033 seconds)
