-
公开(公告)号：CN116385681A
公开(公告)日：2023-07-04
申请号：CN202310351212.3
申请日：2023-04-04
Applicant: 浙江大学 , 浙江省测绘科学技术研究院
Abstract: 本发明属于点云数据处理技术领域，公开了一种线状点云轴线矢量自动生成方法，包括步骤1：点云离群点剔除；步骤2：点云俯视图自适应投影；步骤3：二维图像闭合及噪点去除；步骤4：线形区分：以角度二分法旋转并迭代图像模板，并通过图像匹配算法匹配模板图像与二维映射图像，通过最大匹配阈值分离虚线线形和长线或曲线线形；步骤5：虚线线形轴线提取；步骤6：长线、曲线线形迭代轮廓提取；步骤7：噪声物体轮廓去除；步骤8：多边形拟合轴线提取；步骤9：轴线线形矢量反映射。本发明利用三维点云投影图的图像特征，通过多种数字图像处理技术实现了不同元素类型、不同尺度的三维线状点云的自动化、高精度轴线矢量提取，节约时间和人力成本。
-
公开(公告)号：CN116310157A
公开(公告)日：2023-06-23
申请号：CN202211570417.2
申请日：2022-12-08
Applicant: 浙江大学 , 浙江省测绘科学技术研究院
IPC: G06T17/05 , G06T5/00 , G06T5/20 , G06V10/764 , G06V10/762 , G01S17/89
Abstract: 本发明属于点云数据处理技术领域，公开了一种三维点云圆柱状物提取与矢量自动生成方法。首先，雷达扫描获得交通灯柱的圆柱状点云。然后，使用高斯混合模型对圆柱状点云进行二分类，类别数量较少的即为噪点，去除噪点。再对剩余点在Z轴上进行等距离划分并投影到二维平面，并对投影点进行圆形拟合，获取圆心坐标集合。然后，根据局部离群因子检测方法对得到的圆心点集合进行离群点检测，去除异常圆心点。最后，对剩余的圆心点进行三维直线拟合，得到最终的圆柱状物矢量。本发明充分利用了三维点云投影图的图像特征，通过多种机器学习拟合算法实现了自动提取三维点云圆柱状物中轴线，并自动生成高精地图所需的柱状物矢量，节约时间和人力成本。
-
公开(公告)号：CN117877050A
公开(公告)日：2024-04-12
申请号：CN202311802009.X
申请日：2023-12-26
Applicant: 余姚市机器人研究中心 , 浙江大学
IPC: G06V30/32 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/045
Abstract: 本发明属于图像数据处理技术，公开了一种基于多层级笔画序列特征提取的手绘草图识别方法。首先，通过记录绘图过程中的关键点信息获得草图的序列。然后，使用RDP算法对草图的关键点进行采样，将采样后的草图序列使用填充或截断处理使其固定为相同的序列长度。然后，采用双向RNN网络对草图序列的局部关键点级别特征进行提取和编码，然后采用自注意力模型建立关键点级特征之间的长距离依赖关系，聚合为全局的草图笔画特征。最后通过平均池化和Softmax函数得到最终的草图识别结果。
-
公开(公告)号：CN117115459A
公开(公告)日：2023-11-24
申请号：CN202310857930.8
申请日：2023-07-13
Applicant: 余姚市机器人研究中心 , 浙江大学
IPC: G06V10/44 , G06V10/40 , G06V10/764 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了基于三维稀疏卷积与二维卷积融合的草图识别方法及装置，通过获取草图图像，并对草图图像进行特征提取，得到草图图像特征；同时，对草图点特征提取及体素化，通过提取草图的笔画上各点的几何信息，基于几何信息对草图点体素化，得到点的体素；然后，对草图各点的体素进行特征提取，得到草图体素特征；最后，融合草图图像特征与草图体素特征，通过分类器进行草图的分类识别。本发明充分利用了草图以及草图所有的稀疏点的特征，通过Sketch‑SparseVoxelNet去除草图大片空白区域，直接提取草图所有点的空间关系，并融合卷积神经网络提取的纹理、色彩特征，实现高精度的手绘草图智能识别，更好地辅助设计师。
-
公开(公告)号：CN119229432A
公开(公告)日：2024-12-31
申请号：CN202411163099.7
申请日：2024-08-23
Applicant: 余姚市机器人研究中心 , 浙江大学
IPC: G06V20/64 , G06V20/70 , G06V10/26 , G06V10/44 , G06V10/52 , G06V10/762 , G06V10/764 , G06V10/80 , G06V10/82 , G06T17/05 , G06V20/20 , G06V20/56 , G06T19/00
Abstract: 本发明公开了一种基于神经网络的3D语义场景图构建方法，通过对特定3D点云子场景进行多粒度的分析以提取关系三元组，从而实现高精度的场景图预测。首先，本发明设计了一种自适应实例包络方法，在不规则实例周围建立一个近似的包络结构，提供形状自适应的局部点云采样，从而全面覆盖实例的上下文环境；然后，本发明设计了分层的双阶段神经网络，该网络在不同的点云尺度上区分和处理实例及实例对的特征，从而对实例类别及其潜在关系进行针对性的预测；最后，本发明采用了一种多局部聚合的点云编码模块，使得来自多个点云集合的局部信息能够进行组合交互，从而实现更全面的局部上下文特征提取，提升算法对点云场景的感知能力。
-
Patent Agency Ranking
公开(公告)号：CN117649456A
公开(公告)日：2024-03-05
申请号：CN202311139871.7
申请日：2023-09-04
Applicant: 浙江大学
IPC: G06T11/00 , G06F30/10 , G06T3/00 , G06N3/0464 , G06N3/08 , G06N5/04 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/045 , G06V10/776
Abstract: 本发明涉及计算机视觉、图像处理和计算机图形学技术领域，尤其涉及一种机械零部件抽象草图的自动生成与识别方法，首先，从现有的机械零件库中获取机械零部件模型，其中包括标准件模型与非标准件模型并进行标注；然后，使用pythonocc读取零件，提取零件的线、面特征并消影转化为平面图，每个零件通过20个视角去观测并导出该视角的图片，将平面图通过CLIPasso模型形成手绘草图数据集；最后通过一种深度可分离胶囊神经网络模型进行训练，得到机械零部件草图的识别结果。本发明针对于机械零部件草图的识别提出了一个新的识别模型，增加了识别成功率，为草图绘制CAD模型提供了索引。
-
公开(公告)号：CN116777834A
公开(公告)日：2023-09-19
申请号：CN202310514744.4
申请日：2023-05-08
Applicant: 余姚市机器人研究中心 , 浙江大学
IPC: G06T7/00 , G06V10/774 , G06N3/0475 , G06N3/094
Abstract: 本发明属于数据增广技术领域，涉及一种工业设备漏水图像增广方法，首先采集工业设备正常运行时的图像，利用数字图像处理技术对该图像亮度饱和度调整，再随机生成噪音及高斯模糊模拟水滴形状，得到生成工业设备的数字模拟漏水图像；然后将得到的正常运行图像和数字模拟漏水图像作为正负样本成对输入进条件生成对抗网络，该网络的生成器运用了改进的U‑Net结构，并随机生成噪声向量与原图特征结合形成所需模拟漏水图像，再通过鉴别器对生成图像进行真假反馈，最终将条件生成对抗网络训练为能基于工业设备原图生成高真实性的设备漏水图像。本发明能够在无样本或少样本的情况下对多种工业设备的逼真漏水图像进行模拟生成。
-
公开(公告)号：CN119295745A
公开(公告)日：2025-01-10
申请号：CN202411163105.9
申请日：2024-08-23
Applicant: 浙江大学 , 余姚市机器人研究中心
Abstract: 本发明公开了一种基于点云信息编码增强的3D点云语义分割方法，通过在神经网络的各阶段引入并融合点云原始信息的各类编码，降低因网络加深导致的原始信息模糊和损失，从而实现高精度的3D点云语义分割。首先，通过点云信息编码引入点云信息的偏差标准化特征，有效的将各类特征编码融合于位置编码，自适应的补充了点云损失的原始信息，从而增强了网络的环境感知能力；然后，通过编码信息分配策略面对多种信息共存时可能出现的编码干扰问题，该编码信息分配策略层次化的将多类点信息分布在网络的各个阶段，极大的减轻多种信息的干扰，实现更准确的点云语义分割。本发明的模块化设计可以轻松插入现有的基于点的点云分割模型中，显著提升模型性能。
-
公开(公告)号：CN114743042B
公开(公告)日：2024-09-06
申请号：CN202210247052.3
申请日：2022-03-14
Applicant: 浙江大学
IPC: G06V10/764 , G06V10/774 , G06V10/25 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/096 , G06N3/084
Abstract: 本发明属于计算机视觉、迁移学习和龙井茶品质检测技术领域，公开了一种基于深度特征和TrAdaBoost的龙井茶品质鉴别方法，包含如下步骤：步骤1：领域划分与数据集标注；步骤2：图像感兴趣区域提取、标准化与增强化；步骤3：训练深度学习模型，构建特征提取器；步骤4：构建实例迁移TrAdaBoost模型；步骤5：使用测试集评估模型分类效果。本发明充分利用相关联的源域数据集提供的信息，利用深度神经网络和强泛化性和实力样本间的相似性，构建迁移学习模型。模型能够实现目标任务小样本情况下的龙井茶品质鉴别。该方法消耗时间和算力少，效率高，节约大量标注成本和人力物力，为龙井茶品质自动化识别增加了应用场景。
-
公开(公告)号：CN117197035A
公开(公告)日：2023-12-08
申请号：CN202310917336.3
申请日：2023-07-25
Applicant: 余姚市机器人研究中心 , 浙江大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06V20/70 , G06N3/0464 , G06N3/08
Abstract: 本发明属于工业漏气检测和计算机视觉领域，涉及一种基于红外热成像和深度学习模型的工业气体泄露检测方法，包括以下步骤：步骤一，使用红外热成像仪对工业漏气设备进行拍照成像；步骤二，对采集到的红外气体图像中的气体区域进行检测框标注，并制作为工业设备漏气红外图像数据集；步骤三，构建轻量级工业设备漏气检测深度学习模型；步骤四，训练轻量级工业设备漏气检测深度学习模型；步骤五，获取训练完成后的模型参数配置文件并部署应用至设备端，进行实时地多场景工业设备漏气检测。本发明有效解决了工业不可见漏气的检测问题，可以及时并清晰地反馈设备是否漏气，保障工业生产安全，具有广泛的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.033 seconds)
