-
公开(公告)号：CN115170845A
公开(公告)日：2022-10-11
申请号：CN202210670105.2
申请日：2022-06-14
Applicant: 聚时科技(上海)有限公司
IPC: G06V10/75
Abstract: 本发明属于图像处理技术领域，具体涉及一种可在图像边缘进行模板匹配的方法，包括：获取与建模图像像素尺寸一致的模板图像，并将建模图像与模板图像的像素值归一化；将建模图像向四周补0边，获取补边建模图像，并创建与补边建模图像等尺寸的补边掩码图像；通过计算相关或平方差的补正矩阵，得到模板图像与建模图像的匹配分值；引入与模板图像尺寸一致的全1图像和补边掩码图像构建归一化分母值，通过所述归一化分母值对匹配分值进行归一化，获取匹配分值图，即得到模板图像与建模图像匹配关系。本发明使用掩码方式能够快速实现全图级模板匹配，并且该方式操作便捷、自动化程度高、适用范围与领域广。
-
公开(公告)号：CN114663392A
公开(公告)日：2022-06-24
申请号：CN202210285918.X
申请日：2022-03-22
Applicant: 聚时科技(上海)有限公司
Abstract: 本发明涉及图像处理技术领域，尤其涉及一种基于知识蒸馏的工业图像缺陷检测方法，利用正常图像集合训练教师网络和学生网络，两者生成的特征图之间的差异作为损失函数，仅更新学生网络参数，在损失不再下降的情况下停止训练，得到训练后的学生网络；输入待检测图像至教师网络和学生网络，教师网络和学生网络不同尺度的特征图之间的差异记做异常分数标准，将特征图上采样到输入图像大小，对应位置相乘作为图像上各个像素点最终异常分数，设定阈值，大于阈值的是异常区域。本发明通过学生网络去学习教师网络中提取OK图像特征的方式，当遇到NG图像时，学生网络和教师网络之间的差异性凸显，以此达到检测NG图像的目的。
-
公开(公告)号：CN109583485A
公开(公告)日：2019-04-05
申请号：CN201811367393.4
申请日：2018-11-16
Applicant: 聚时科技(上海)有限公司
IPC: G06K9/62
Abstract: 本发明涉及一种基于反馈训练的有监督深度学习方法，该方法在训练有监督深度学习模型的过程中，在每次迭代开始时，以一采样概率对训练集中的各样本进行抽样，所述采样概率随各样本的预测损失值动态调整。与现有技术相比，本发明通过将有监督学习训练过程中各样本的预测损失值与其自身被采样频率相关联，利用反馈训练的方式实现了调整离群样本被采样到的概率，具有提高训练效果等优点。
-
Patent Agency Ranking
公开(公告)号：CN113160204B
公开(公告)日：2024-07-26
申请号：CN202110484687.0
申请日：2021-04-30
Applicant: 聚时科技(上海)有限公司
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/045 , G06T7/00
Abstract: 本发明属于图像处理领域，具体涉及一种基于目标检测信息生成缺陷区域的语义分割网络训练方法，包括：读入图片样本以及其对应的目标检测框和目标检测框对应的语义类别；将图片样本传入语义分割网络，前向推断计算获得Logit；利用目标检测框信息及Logit计算损失值；使用所得损失值计算梯度并更新网络权重；判断该网络模型是否达到训练迭代次数上限。本发明的方法利用对缺陷图片的先验认知与目标检测框标注的尺度信息引导语义分割网络模型在训练时能较快收敛，且能较为准确地推断出缺陷信息；能有效地避开现有像素级别标注困难的问题，改用目标检测框标注信息实现语义分割网络训练。
-
公开(公告)号：CN109583485B
公开(公告)日：2023-12-08
申请号：CN201811367393.4
申请日：2018-11-16
Applicant: 聚时科技(上海)有限公司
IPC: G06N3/09 , G06V10/774 , G06V10/82 , G06V10/764
Abstract: 本发明涉及一种基于反馈训练的有监督深度学习方法，该方法在训练有监督深度学习模型的过程中，在每次迭代开始时，以一采样概率对训练集中的各样本进行抽样，所述采样概率随各样本的预测损失值动态调整。与现有技术相比，本发明通过将有监督学习训练过程中各样本的预测损失值与其自身被采样频率相关联，利用反馈训练的方式实现了调整离群样本被采样到的概率，具有提高训练效果等优点。
-
公开(公告)号：CN114972488A
公开(公告)日：2022-08-30
申请号：CN202210592472.5
申请日：2022-05-27
Applicant: 聚时科技(上海)有限公司
Abstract: 本发明属于行车自动化技术领域，具体涉及一种基于关键点检测的行车目标物定位方法及拆码垛方法。一种基于关键点检测的行车目标物定位方法，通过安装在行车上的相机获取图像，使用关键点检测网络检测图像中目标物的关键点像素坐标，将关键点像素坐标转换到图像中心像素坐标，通过几何变换计算得到目标物抓取中心的像素坐标位置，将抓取中心的像素坐标位置转换到行车吊具物理坐标位置，完成目标物定位。本发明通过关键点检测网络来检测行车目标物的关键点，在计算抓取中心，可以对目标物进行精确定位，实现自动化行车对目标物的拆码垛作业，同时兼具良好的环境适应性。
-
公开(公告)号：CN113160204A
公开(公告)日：2021-07-23
申请号：CN202110484687.0
申请日：2021-04-30
Applicant: 聚时科技(上海)有限公司
Abstract: 本发明属于图像处理领域，具体涉及一种基于目标检测信息生成缺陷区域的语义分割网络训练方法，包括：读入图片样本以及其对应的目标检测框和目标检测框对应的语义类别；将图片样本传入语义分割网络，前向推断计算获得Logit；利用目标检测框信息及Logit计算损失值；使用所得损失值计算梯度并更新网络权重；判断该网络模型是否达到训练迭代次数上限。本发明的方法利用对缺陷图片的先验认知与目标检测框标注的尺度信息引导语义分割网络模型在训练时能较快收敛，且能较为准确地推断出缺陷信息；能有效地避开现有像素级别标注困难的问题，改用目标检测框标注信息实现语义分割网络训练。
-
公开(公告)号：CN114663391A
公开(公告)日：2022-06-24
申请号：CN202210285619.6
申请日：2022-03-22
Applicant: 聚时科技(上海)有限公司
Abstract: 本发明涉及图像处理技术领域，尤其涉及一种基于无监督深度学习算法的工业图像缺陷检测方法，包括如下步骤：S1、首先通过预训练的深度卷积网络提取没有缺陷的正常图像上的各个不同尺度的特征；S2、对得到的不同尺度的特征通过设计的方式进行特征融合；S3、对融合后的特征通过随机投影的方法进行降维处理；S4、对降维后的特征进行特征选择；S5、计算检测图像特征和核心特征集合上各个特征之间的距离，选择与核心集中与其最近的特征，将两者之间的距离作为检测图像特征图位置的异常分数。本发明简化了大量流程和时间，对于新种类的产品的迁移性能更好，建模时间更短，本申请中对图像上的特征进行建模分析，检测的鲁棒性高。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.045 seconds)
