-
公开(公告)号:CN115049896A
公开(公告)日:2022-09-13
申请号:CN202210692398.4
申请日:2022-06-17
申请人: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学 , 山东山科智控数字化科技有限公司
IPC分类号: G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
摘要: 本发明涉及基于深度学习的计算机视觉技术领域,具体涉及一种应用于计算机视觉的软阈值注意力机制,借鉴深度残差收缩网络的思想,使用同时考虑通道和位置信息的CA注意力机制来代替SENet与软阈值化方法结合,提出一种新的软阈值注意力模块:融合传统信号降噪算法中的软阈值化函数与CA注意力机制,利用CA注意力机制确定垂直和水平两个方向上的两组软阈值化函数所需的阈值,再分别进行软阈值化处理并对输入的特征图进行加权;能够更好的适用于计算机视觉领域的检测任务,并且可以方便的集成到现有的神经网络架构中,通过将不重要的特征置为零,来降低噪声或冗余信息的干扰,加强神经网络提取重要特征的能力,达到提升网络预测精度的目的。
-
公开(公告)号:CN118314114A
公开(公告)日:2024-07-09
申请号:CN202410514388.0
申请日:2024-04-26
IPC分类号: G06T7/00 , G06V10/25 , G06V10/42 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
摘要: 本发明提出钢材表面缺陷检测方法及系统,涉及缺陷检测技术领域。包括获取钢材表面图像;将钢材表面图像输入至CSTRNet模型串联的CTR模块中,在每个CTR模块中,利用并行的稀疏自注意力模块和卷积模块分别提取钢材表面图像的全局特征和局部特征;将各中间层CTR模块提取的特征依次输入至串联的双层GDC模块中,并利用双层GDC模块将CTR模块提取的浅层特征和深层特征进行双向融合,得到钢材表面缺陷的预测框位置、缺陷置信度和缺陷分类类别。本发明在模型中加入稀疏自注意力SA模型结构、卷积和Transformer相互协同的CTR模型结构以及GDC瓶颈卷积结构,提升了缺陷检测速度和检测精度。
-
公开(公告)号:CN116600021A
公开(公告)日:2023-08-15
申请号:CN202310580545.3
申请日:2023-05-19
摘要: 本发明属于工业控制领域,更具体地,涉及一种PLC内部数据监控系统的实现方法。所述方法包括S1、上位机发送监控请求至通信模块,经通信模块处理后输出一个原数据包到数据压缩模块;S2、数据压缩模块接收到原数据包后进行数据压缩;S3、下数据解析模块接收到数据压缩模块的输入后进行数据解析并传输至下位机;S4、下位机执行监控命令并返回响应监控请求至通信模块,经通信模块处理后输出一个返程数据包到数据压缩模块;S5、数据压缩模块接收到返程数据包后进行数据压缩;S6、上数据解析模块接收到数据压缩模块的输入后进行数据解析并传输至上位机。本发明解决了现有技术中数据冗余或通信次数过多,监控速率较低的问题。
-
公开(公告)号:CN118520394A
公开(公告)日:2024-08-20
申请号:CN202410589830.6
申请日:2024-05-13
IPC分类号: G06F18/2433 , G06F18/15 , G06F18/213 , G06N3/0442 , G06N3/045 , G06N3/084 , G01S19/37 , G06N3/048
摘要: 本发明涉及农机运动识别技术领域,具体涉及一种由轨迹分布特征驱动的农机运动模式识别算法、装置、设备及存储介质。该方法包括以下步骤:获取农机运动轨迹原始数据,得到轨迹数据集合;对轨迹数据集合进行数据清洗,将其中的时空重复点、离散点和漂移点移除;计算数据清洗后的轨迹数据集合中每个轨迹点的运动特征和分布特征,并将运动特征和分布特征作为输入特征;分布特征包括密度特征和平行特征;利用深度学习模型从输入特征中提取深层特征,并对农机运动轨迹点进行识别。本发明通过将运动、分布特征与深度学习模型相结合,能够有效提高农机轨迹点的识别准确率,获得更加准确的农机运动模式识别结果。
-
公开(公告)号:CN116363109A
公开(公告)日:2023-06-30
申请号:CN202310358020.5
申请日:2023-03-31
IPC分类号: G06T7/00 , G06V10/764 , G06V10/82 , G06V10/44 , G06N3/045 , G06N3/0455
摘要: 本发明公开一种基于改进DETR模型的木材缺陷检测方法,属于智能识别木材的技术领域,本发明采用DETR模型进行木材缺陷检测,基于无参的离散傅里叶变换进行图片特征的交互,取代了原有DETR中的自注意力层,极大降低了参数量;并且改变了原有DETR中生成目标查询向量的方式,加快了收敛速度,简化了计算的复杂度。本发明具有较好的木材缺陷定位以及分类能力,大大降低了生产成本,实现了木材等级分类的高度自动化,提升了产品质量。
-
公开(公告)号:CN116149253A
公开(公告)日:2023-05-23
申请号:CN202310218772.1
申请日:2023-03-02
IPC分类号: G05B19/05
摘要: 本发明属于工业控制的技术领域,公开了一种PLC在线监控与调试系统及其实现方法,包括S1、上位机通过通信模块发送请求报文至下位机;所述通信模块包括即时通信协议、数据采集和解析模块,所述即时通信协议规定了数据的格式、传输和解析;所述数据采集和解析模块对接收到的数据进行打包处理和解析后传至下位机;S2、下位机响应请求报文中的标识码和命令码运行并返回响应请求,经所述数据采集和解析模块进行打包处理和解析传至上位机;S3、上位机接收响应请求以实现对下位机的在线监控和调试。本发明解决了现有技术中CPU资源占用率较高,调试功能不完善,无法灵活的调整监控方式来满足不同用户需求的问题。
-
公开(公告)号:CN116149253B
公开(公告)日:2024-09-17
申请号:CN202310218772.1
申请日:2023-03-02
IPC分类号: G05B19/05
摘要: 本发明属于工业控制的技术领域,公开了一种PLC在线监控与调试系统及其实现方法,包括S1、上位机通过通信模块发送请求报文至下位机;所述通信模块包括即时通信协议、数据采集和解析模块,所述即时通信协议规定了数据的格式、传输和解析;所述数据采集和解析模块对接收到的数据进行打包处理和解析后传至下位机;S2、下位机响应请求报文中的标识码和命令码运行并返回响应请求,经所述数据采集和解析模块进行打包处理和解析传至上位机;S3、上位机接收响应请求以实现对下位机的在线监控和调试。本发明解决了现有技术中CPU资源占用率较高,调试功能不完善,无法灵活的调整监控方式来满足不同用户需求的问题。
-
公开(公告)号:CN118520371A
公开(公告)日:2024-08-20
申请号:CN202410589835.9
申请日:2024-05-13
IPC分类号: G06F18/2415 , G06F18/15 , G06F18/213 , G06N3/0455 , G06N3/0442 , G06N3/084 , G01S19/37 , G06N3/048 , G06F123/02
摘要: 本发明涉及一种基于多特征增强的农机运动行为识别方法、装置、设备及存储介质。该方法包括以下步骤:采集农机GNSS轨迹点数据得到轨迹数据集合,并对轨迹数据集合进行清洗,去除噪声点和重复点;计算清洗后的轨迹数据集合中每个轨迹点的多维特征,将多维特征作为输入特征;多维特征包括速度、方向、速度差、加速度、方向差、角速度、角加速度、位移、曲率、密度和双位移;设计Bi‑VAEMnet神经网络模型,利用Bi‑VAEMnet神经网络模型对输入特征进行强化,并进行序列建模和特征提取,得到特征向量;基于特征向量,利用Bi‑VAEMnet神经网络模型进行农机运动行为识别。本发明有效提高了农机运动行为的识别精度,实现了农机田间‑道路行为分类的精确识别。
-
公开(公告)号:CN118134877A
公开(公告)日:2024-06-04
申请号:CN202410278960.8
申请日:2024-03-12
IPC分类号: G06T7/00 , G06V10/764 , G06V10/44 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/08
摘要: 本公开涉及钢材表面缺陷检测技术领域,提出了一种基于深度学习的钢材表面缺陷检测方法,包括如下步骤:获取待检测的钢材图片数据并进行预处理;构建视觉Transformer网络与卷积神经网络串联的MTRNet模型,对预处理后的图像,采用瓶颈卷积,基于CTR模块进行微小局部缺陷识别,提取浅层特征;基于ACTR模块捕捉细长划痕缺陷,提取深层特征;对提取的浅层特征和深层特征基于卷积神经网络进行融合;对融合后的特征进行分类,得到缺陷识别结果。构建了算法速度快和检测精度高的新模型MTRNet模型,实现基于深度学习的钢材表面缺陷检测。
-
公开(公告)号:CN116612068A
公开(公告)日:2023-08-18
申请号:CN202310359313.5
申请日:2023-03-31
IPC分类号: G06T7/00 , G06V10/764 , G06V10/82 , G06V10/44 , G06N3/045 , G06N3/0455
摘要: 一种基于改进DINO网络模型的木材表面缺陷检测方法,涉及基于深度学习的木板原材料表面缺陷检测的技术领域,包括:实地采集木材表面缺陷数据集;对数据集进行预处理;对数据集进行标注、数据增强和划分;设计基于改进DINO的木材表面缺陷检测模型;利用训练集、验证集对DINO模型进行训练和验证;根据实验结果进行模型调优;利用调优好的模型进行木材缺陷检测。本发明有效提高了木材表面缺陷检测的识别准确率和识别效率,同时模型可以在极少训练轮数下达到收敛,极大降低了模型训练时间,并且模型具有较低的计算量,易于工业现场的木材缺陷实时检测。
-
-
-
-
-
-
-
-
-