-
公开(公告)号：CN118822974A
公开(公告)日：2024-10-22
申请号：CN202410849606.6
申请日：2024-06-27
Applicant: 西安交通大学
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0895 , G06N3/09 , G06N5/048
Abstract: 多层级推理模型本发明公开了一种磨损表面严重度评估方法、系统、介质及设备，以二维图像和三维形貌为输入，联合空间和类别引导构建磨损表面典型损伤逐级检测模型，实现有限语义标注样本条件下表面损伤的精确辨识；基于初始形貌修复策略建立表面损伤三维空间构造方法，结合典型形态特性构建不同损伤类型的特征表征体系，实现表面损伤的多维度量化表征；以“指标‑损伤‑机理‑状态”为逻辑框架，构建联合证据理论和规则推理的磨损表面严重度评估模型，实现多种损伤共存下磨损表面严重度的综合评估。本发明通过优化多磨损机理辨识和磨损进程的三维量化表征，进而实现综合评估多机理作用导致的磨损退化。
-
公开(公告)号：CN114187263B
公开(公告)日：2024-02-06
申请号：CN202111508929.1
申请日：2021-12-10
Applicant: 西安交通大学
IPC: G06T7/00 , G06V10/60 , G06V10/764 , G06V10/82 , G06T15/00 , G06T15/50 , G06T17/20 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 一种融合先验引导和域适应的磨损表面朗伯反射分离方法，属于机器设备磨损状态监测领域；首先，构建面向乏样本磨损表面的朗伯反射分离深度网络模型，利用磨损表面已知的基本反射引导从光度图像序列到朗伯图像序列的预测，并通过域适应对齐仿真样本和真实样本两个不同域样本的中间特征，以联合这两种样本优化网络参数；其次，设计图像预测损失函数和域分类损失函数用于联合优化网络模型；再次，构建含标签仿真样本数据集和真实样本数据集；最后，完成网络模型训练并在真实磨损表面上应用；本发明有效地采用先验引导提高少样本下模型的预测精度，并通过域适应实现不同域样本的网络
-
公开(公告)号：CN114187263A
公开(公告)日：2022-03-15
申请号：CN202111508929.1
申请日：2021-12-10
Applicant: 西安交通大学
IPC: G06T7/00 , G06V10/60 , G06V10/764 , G06V10/82 , G06K9/62 , G06T15/00 , G06T15/50 , G06T17/20 , G06N3/04 , G06N3/08
Abstract: 一种融合先验引导和域适应的磨损表面朗伯反射分离方法，属于机器设备磨损状态监测领域；首先，构建面向乏样本磨损表面的朗伯反射分离深度网络模型，利用磨损表面已知的基本反射引导从光度图像序列到朗伯图像序列的预测，并通过域适应对齐仿真样本和真实样本两个不同域样本的中间特征，以联合这两种样本优化网络参数；其次，设计图像预测损失函数和域分类损失函数用于联合优化网络模型；再次，构建含标签仿真样本数据集和真实样本数据集；最后，完成网络模型训练并在真实磨损表面上应用；本发明有效地采用先验引导提高少样本下模型的预测精度，并通过域适应实现不同域样本的网络预测一致性，可用于乏样本下复杂反射磨损表面的光度立体精确重建。
-
公开(公告)号：CN112381770A
公开(公告)日：2021-02-19
申请号：CN202011210667.6
申请日：2020-11-03
Applicant: 西安交通大学 , 西安景辉信息科技有限公司
Abstract: 本发明公开了一种基于融合卷积神经网络的磨损表面三维形貌测量方法，通过二维数字滤波技术生成随机粗糙表面，并利用Blender渲染软件得到随机磨损表面的光度图像序列，从而生成用于神经网络训练的数据集；设计特征提取模块、融合模块和法向量估计与细化模块，得到应用于磨损表面法向量估计的融合卷积神经网络；定义神经网络的训练损失函数，并基于数据集训练和调整网络模型；结合磨损表面的先验知识，基于正则化算法实现磨损表面深度信息的求解。本发明有效地将神经网络方法与光度立体技术相结合，解决了磨损表面的反射特性与朗伯模型不匹配的问题，并结合磨损表面的先验知识，实现了磨损表面的精确重构。
-
Patent Agency Ranking
公开(公告)号：CN116385520A
公开(公告)日：2023-07-04
申请号：CN202310352849.4
申请日：2023-04-04
Applicant: 西安交通大学
IPC: G06T7/593 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种融合全光源图像的磨损表面形貌光度立体重建方法及系统，基于深度学习算法从光度立体输入中估计磨损表面法向，并使用打开所有光源拍摄的全光源图像为表面重建提供先验深度及其不确定性的估计，依据不确定性和几何约束将表面法向和先验深度进行逐像素融合，融合特征和先验深度进一步通过网络直接生成表面深度图，进而得到磨损表面三维形貌；整个网络模型由所设计的总损失函数和所构建的磨损表面合成数据集进行训练，并应用于实际磨损表面形貌重建；本发明在无需增加装置的情况下，通过引入全光源图像为光度立体方法重建磨损表面形貌提供先验深度信息，改善了非朗伯效应导致的重建磨损形貌翘曲失真问题，提高了三维重建精度。
-
公开(公告)号：CN114972882A
公开(公告)日：2022-08-30
申请号：CN202210689847.X
申请日：2022-06-17
Applicant: 西安交通大学
IPC: G06V10/764 , G06V10/26 , G06V10/44 , G06V10/77 , G06V10/774 , G06V10/80 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多注意力机制的磨损表面损伤深度估计方法及系统，以ResNet‑50编码层中的四层卷积块为主干，结合两层Conv‑ReLU的卷积块构建磨损表面基础特征提取层；将损伤区域分割分支网络及深度信息估计分支网络融合作为磨损表面深度估计模型；通过加权方式得到磨损表面深度估计模型的损失函数；选择具有典型损伤区域的磨损表面图像作为训练样本，以损失函数作为优化目标，采用适应性矩估计法训练磨损表面深度估计模型，将单张磨损表面图像输入磨损表面深度估计模型，得到磨损表面的损伤区域分割结果图及深度信息结果图。本发明有效实现从单张磨损表面图像估计三维深度信息，解决磨损表面分析技术领域中深度信息获取难度大，效率低，复杂度高的问题。
-
公开(公告)号：CN112381770B
公开(公告)日：2024-04-05
申请号：CN202011210667.6
申请日：2020-11-03
Applicant: 西安交通大学 , 西安景辉信息科技有限公司
IPC: G06T7/00 , G06T17/00 , G06T15/00 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08 , G01B11/24
Abstract: 本发明公开了一种基于融合卷积神经网络的磨损表面三维形貌测量方法，通过二维数字滤波技术生成随机粗糙表面，并利用Blender渲染软件得到随机磨损表面的光度图像序列，从而生成用于神经网络训练的数据集；设计特征提取模块、融合模块和法向量估计与细化模块，得到应用于磨损表面法向量估计的融合卷积神经网络；定义神经网络的训练损失函数，并基于数据集训练和调整网络模型；结合磨损表面的先验知识，基于正则化算法实现磨损表面深度信息的求解。本发明有效地将神经网络方法与光度立体技术相结合，解决了磨损表面的反射特性与朗伯模型不匹配的问题，并结合磨损表面的先验知识，实现了磨损表面的精确重构。
-
公开(公告)号：CN114972882B
公开(公告)日：2024-03-01
申请号：CN202210689847.X
申请日：2022-06-17
Applicant: 西安交通大学
IPC: G06V10/764 , G06V10/26 , G06V10/44 , G06V10/77 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于多注意力机制的磨损表面损伤深度估计方法及系统，以ResNet‑50编码层中的四层卷积块为主干，结合两层Conv‑ReLU的卷积块构建磨损表面基础特征提取层；将损伤区域分割分支网络及深度信息估计分支网络融合作为磨损表面深度估计模型；通过加权方式得到磨损表面深度估计模型的损失函数；选择具有典型损伤区域的磨损表面图像作为训练样本，以损失函数作为优化目标，采用适应性矩估计法训练磨损表面深度估计模型，将单张磨损表面图像输入磨损表面深度估计模型，得到磨损表面的损伤区域分割结果图及深度信息结果图。本发明有效实现从单张磨损表面图像估计三维深度信息，解决磨损表面分析技术领域中深度信息获取难度大，效率低，复杂度高的问题。
-
公开(公告)号：CN115761148A
公开(公告)日：2023-03-07
申请号：CN202211654274.3
申请日：2022-12-22
Applicant: 西安交通大学
IPC: G06T17/00
Abstract: 本发明涉及机器磨损状态监测技术领域，具体涉及一种联合低频形状和高频法向量的形貌重建方法。该方法包括以下步骤：通过聚焦度量和帧位移估计获取磨损表面点的最清晰成像帧数及对应高度，生成磨损表面待测区域的低频形状特征；基于不同聚焦区域的光度图像序列，建立大高度落差磨损表面的法向量计算模型，评估聚焦区域以聚合多个法向量，实现整个表面磨损特征的清晰描述；基于所述低频形状特征和聚合后所述法向量，实现磨损表面的三维形貌重建。本发明引入低频形状特征对抗重建形貌的翘曲变形，并融合不同聚焦区域的法向量实现大高度落差表面精细特征的准确描述，进而提高磨损表面微观形貌的重建精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
