-
公开(公告)号：CN109612390A
公开(公告)日：2019-04-12
申请号：CN201811541212.5
申请日：2018-12-17
Applicant: 江南大学
Abstract: 本发明公开了一种基于机器视觉的大尺寸工件自动测量系统，属于机器视觉测量领域。包括大尺寸工件自动测量硬件系统和大尺寸工件自动测量软件系统；所述大尺寸工件自动测量硬件系统，包括光源、相机和镜头以及高精度运动装置；所述大尺寸工件自动测量软件系统，包括图像预处理算法、图像数据转换建模、基于改进RANSAC的亚像素直线/圆弧检测算法和尺寸计算。本发明的系统能够针对大尺寸的工件进行测量；填补了机器视觉在大尺寸工件测量领域应用的空白。本发明中的软件系统能够对图像有效的去除噪声、无效点，并且还能对非均匀背景进行校正；提高了本发明的系统的生产效率、系统的稳定型、系统测量准确率。
-
公开(公告)号：CN105756835B
公开(公告)日：2019-02-22
申请号：CN201510942720.4
申请日：2015-12-15
Applicant: 江南大学
Abstract: 直喷发动机单次喷油量液位高度视觉测量修正方法，包括以下步骤：采集液位图像T1，处理图像T1，从而得到液位高度H1；对液位高度H1采用基于光线折射原理的液位高度校正算法进行液位补偿，触发喷油，按触发信号采集液位图像T2，处理图像T2，得到液位高度H2；对液位高度H2采用基于光线折射原理的液位高度校正算法进行液位补偿，计算本次喷油量触发放油。本发明构造简单，测量可靠，可以对发动机喷油进行单次或多次直接测量，通过对图像处理算法的优化和基于光线折射原理的液位高度校正算法，提高了液位测量精度和稳定性，可以同时满足测量的高精密度与实时性的要求。
-
公开(公告)号：CN105866239A
公开(公告)日：2016-08-17
申请号：CN201610262305.9
申请日：2016-04-25
Applicant: 江南大学
IPC: G01N27/83
CPC classification number: G01N27/83
Abstract: 本发明提供了一种基于铁磁性试件的U型脉冲融合型传感器检测方法，本方法是针对铁磁性试件在U型线圈激励下表面缺陷和亚表面缺陷检测方式单一的问题，通过设计的U型脉冲融合型传感器检测方法实现对缺陷位置的确定和定量检测。所述的U型脉冲融合型传感器在检测铁磁性试件时，缺陷部位的响应信号会发生畸变；霍尔传感器则通过低通滤波电路处理信号，差分式检测线圈输出信号经过带通滤波电路处理，分别实现对表面缺陷和亚表面缺陷检测信号的图像化和对缺陷的识别和定量分析。本发明将两种检测方式同时进行，提高了检测效率；检测线圈采用差分式检测方法，霍尔传感器采用铁磁屏蔽罩，去除外界干扰信号，提高了检测精度。
-
公开(公告)号：CN105527339A
公开(公告)日：2016-04-27
申请号：CN201610115156.3
申请日：2016-03-01
Applicant: 江南大学
IPC: G01N27/82
CPC classification number: G01N27/82
Abstract: 本发明提供了一种基于复合式U型脉冲电磁传感器的无损检测方法，将定点式检测探头和差分式检测探头相结合，Hall传感器在PCB上对称性布置，使得传感器输出差分式检测结果，设计带有滚轮的支架结构，使得传感器可以进行动态检测，并克服了传感器与铁磁性试件之间的摩擦阻力和磁性吸引力，实现对缺陷损伤部位的位置检测和检测结果的定量分析。本发明解决了常规检测效果单一和精度不高的问题，获得了更为精确的脉冲电磁检测结果，丰富了U型传感器在脉冲涡流中的研究手段。本系统主要包括了信号发生器、功率放大器、Hall传感器、低通滤波器、信号调理模块、信号采集模块和U型激励线圈检测探头等部分。
-
公开(公告)号：CN101584951A
公开(公告)日：2009-11-25
申请号：CN200910033594.5
申请日：2009-06-24
Applicant: 江南大学
Abstract: 本发明涉及一种同粒度双层脱水筛的给料装置，它包括第一进料管与第二进料管，第一进料管由第一竖直段与第一水平段连接而成的T型管，第一竖直段的底端部连接在横置的第一水平段的上表面，第一水平段上开设有出料孔，第二进料管由第二水平段、第二竖直段与第三水平段连接而成的横置的U型管，第二进料管的出料端直接或者间接与剪切型管状弹簧的进料段相连接。本发明中第二进料管的出料端直接或者间接与剪切型管状弹簧的进料段连接，减振的同时又作为入料通道，实现了柔性过渡，简化了给料装置结构。
-
Patent Agency Ranking
公开(公告)号：CN109741302B
公开(公告)日：2021-04-30
申请号：CN201811567568.6
申请日：2018-12-20
Applicant: 江南大学
Abstract: 本发明提供了基于机器视觉的SD卡形态识别系统和方法，属于视觉测量领域。通过采用自适应阈值分割算法和基于多特征融合的形态识别算法对SD卡图像进行形态识别；所述自适应阈值分割算法包括改进大津法阈值分割算法、基于改进模板匹配的定位算法；所述改进大津法阈值分割算法中增加自适应变量系数K以进行明暗场的自适应判断；所述基于改进模板匹配的定位算法利用SD卡中金手指模板的区域特征进行模板匹配定位；使得本发明提供的基于机器视觉的SD卡形态识别系统和方法拥有更高的识别速度，并且拥有良好的重复性，避免了人工识别带来的人为误差；同时，其软件接口能够很好地与计算机进行连接，发展和改良空间巨大，可以有效地代替人工识别。
-
公开(公告)号：CN109741302A
公开(公告)日：2019-05-10
申请号：CN201811567568.6
申请日：2018-12-20
Applicant: 江南大学
Abstract: 本发明提供了基于机器视觉的SD卡形态识别系统和方法，属于视觉测量领域。通过采用自适应阈值分割算法和基于多特征融合的形态识别算法对SD卡图像进行形态识别；所述自适应阈值分割算法包括改进大津法阈值分割算法、基于改进模板匹配的定位算法；所述改进大津法阈值分割算法中增加自适应变量系数K以进行明暗场的自适应判断；所述基于改进模板匹配的定位算法利用SD卡中金手指模板的区域特征进行模板匹配定位；使得本发明提供的基于机器视觉的SD卡形态识别系统和方法拥有更高的识别速度，并且拥有良好的重复性，避免了人工识别带来的人为误差；同时，其软件接口能够很好地与计算机进行连接，发展和改良空间巨大，可以有效地代替人工识别。
-
公开(公告)号：CN105761276B
公开(公告)日：2018-11-09
申请号：CN201510943173.1
申请日：2015-12-15
Applicant: 江南大学
IPC: G06T7/277
Abstract: 一种基于迭代RANSAC的自适应新生目标强度估计的GM‑PHD多目标跟踪方法，包括I‑RANSAC新生目标检测模块和PHD滤波模块。其中：所述I‑RANSAC新生目标检测模块包括：有效量测生成子模块、假设生成子模块、假设检验子模块，其中：有效量测生成子模块分别与当前量测和当前状态估计相连传输当前“滑窗”的有效量测，假设生成子模块与有效量测子模块相连传输从有效量测中通过随机采样而生成的航迹假设，假设检验子模块与假设生成子模块相连传输对当前假设航迹的经验结果，即确认的新生目标的位置信息。本发明方法具有有效、鲁棒的优点，可广泛应用于雷达、机器人、视频监控等多目标跟踪领域。
-
公开(公告)号：CN105928484A
公开(公告)日：2016-09-07
申请号：CN201610184490.4
申请日：2016-03-28
Applicant: 江南大学
Abstract: 为了解决电梯导轨人工测量劳动强度大、效率和精度低的问题，设计了一套基于双目视觉的电梯导轨自动测量系统，该系统由硬件系统和软件系统组成。针对电梯导轨表面对比度低、特征点少等问题，使用激光网格投影到待测量的工件表面，使工件表面具备确定的可识别特征，并使用RANSAC算法提取特征网格；然后使用SURF算法进行图像特征点的提取和匹配，并根据相机标定结果计算特征点的空间坐标；最后根据特征点的空间坐标，计算电梯导轨的形位公差。实验结果表明，该系统选型合理，软件稳定性好、效率高，提高了电梯导轨的测量效率和精度，具有很好的实用价值。
-
公开(公告)号：CN105761276A
公开(公告)日：2016-07-13
申请号：CN201510943173.1
申请日：2015-12-15
Applicant: 江南大学
IPC: G06T7/20
CPC classification number: G06T2207/20004 , G06T2207/20024
Abstract: 一种基于迭代RANSAC的自适应新生目标强度估计的GM-PHD多目标跟踪方法，包括I-RANSAC新生目标检测模块和PHD滤波模块。其中：所述I-RANSAC新生目标检测模块包括：有效量测生成子模块、假设生成子模块、假设检验子模块，其中：有效量测生成子模块分别与当前量测和当前状态估计相连传输当前“滑窗”的有效量测，假设生成子模块与有效量测子模块相连传输从有效量测中通过随机采样而生成的航迹假设，假设检验子模块与假设生成子模块相连传输对当前假设航迹的经验结果，即确认的新生目标的位置信息。本发明方法具有有效、鲁棒的优点，可广泛应用于雷达、机器人、视频监控等多目标跟踪领域。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.023 seconds)
