-
公开(公告)号：CN118920925A
公开(公告)日：2024-11-08
申请号：CN202410960631.1
申请日：2024-07-17
IPC分类号： H02P5/46 , H04L12/40 , H04L1/00 , H04L67/01 , H04L43/0823 , H04L43/0829 , G05B11/42
摘要： 本发明公开了一种基于EtherCAT和CAN的六轴驱动系统及驱动方法，属于智能控制技术领域，所述基于EtherCAT和CAN的六轴驱动系统包括至少两个模块化驱动器，每个模块化驱动器均包括一个主模块，主模块连接有一个电源模块和三个电机驱动模块，每个模块化驱动器中各模块均安装有CPU芯片，其中：不同模块化驱动器的主模块之间采用EtherCAT协议进行通信，每个模块化驱动器中各模块之间采用CAN总线进行通信；每个模块化驱动器中，各电机驱动模块设计为三层板件硬件构架，上层板安装有所述CPU芯片，上层板用于负责与其他模块进行通信，中层板和下层板均安装有电机驱动芯片，中层板和下层板用于负责电机驱动。本发明能够实现多轴电机伺服驱动器不同功率段和轴数的灵活组合。
-
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：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：CN115655573B
公开(公告)日：2024-11-15
申请号：CN202211520031.0
申请日：2022-11-30
-
公开(公告)号：CN118747854A
公开(公告)日：2024-10-08
申请号：CN202410770040.8
申请日：2024-06-14
IPC分类号： G06V20/13 , G06V10/764 , G06V10/80 , G06V10/44 , G06V10/42 , G06T3/4038 , G06N3/0455 , G06N3/0464 , G06N3/084
摘要： 本发明公开了一种基于Transformer‑CNN高效聚合的遥感图像变化检测方法及装置，属于遥感图像检测技术领域，所述方法包括：获取待检测的双时相遥感图像；将双时相遥感图像输入预先训练好的多尺度Transformer编码器和多尺度CNN编码器中进行特征提取操作；利用差异增强模块计算来自Transformer编码器和CNN编码器的变化前和变化后特征的多级增强特征差；利用金字塔结构的多尺度互补解码器将全局和局部的多级增强特征差进行高效融合，得到变化特征图；通过线性分类器对变化特征图进行逐像素分类，得到变化检测结果图。本发明利用局部和全局特征可以提高变化检测的边界完备性，并以金字塔的方式融合多层次的视觉特征，增强了多尺度不变性。
-
公开(公告)号：CN117350962A
公开(公告)日：2024-01-05
申请号：CN202311278742.6
申请日：2023-09-28
IPC分类号： G06T7/00 , G06V10/774 , G06V10/82 , G06V10/94 , G06F21/62 , G06N3/0464 , G06N3/084 , G06N3/098
摘要： 本发明属于图像检测的技术领域，更具体地，涉及一种基于云边协同的木材表面缺陷自学习方法及装置。所述方法包括：获取原始木材图像数据，构建第一训练数据集；为每个边缘客户端构建初始缺陷检测模型，将第一训练数据集输入初始缺陷检测模型，并根据初始缺陷检测模型的输出结果构建第二训练数据集；基于联邦学习算法利用第二训练数据集对初始缺陷检测模型进行训练，并引入迁移向量更新初始缺陷检测模型的全局参数和本地头部参数，以得到每个边缘客户端对应的目标模型；基于目标模型对木材表面进行缺陷检测，并对木材表面缺陷进行等级分选。本发明解决了木皮单板在实际生产过程中出现的木材种类多种多样、木皮单板表面缺陷类型增加等技术问题。
-
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：CN117788450A
公开(公告)日：2024-03-29
申请号：CN202311871060.6
申请日：2023-12-29
IPC分类号： G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/084
摘要： 本发明属于遥感图像检测特定计算机模型的技术领域，涉及一种基于Transformer与DCN的遥感图像变化检测方法及装置。该方法包括：基于遥感图像数据构建样本集，该样本集中包含时相图和标签图；基于Transformer和动态卷积构建图像变化检测模型，并将时相图输入图像变化检测模型，以得到变化预测图；基于标签图及变化预测图计算图像变化检测模型的交叉熵损失值，并基于交叉熵损失值优化图像变化检测模型的参数，以得到图像变化检测目标模型；利用图像变化检测目标模型对待检测的遥感图像进行变化检测。本发明解决了现有遥感影像变化检测技术由于忽略与任务不相关变化的影响导致的漏报和误报问题，以提高检测精度和鲁棒性。
-
公开(公告)号：CN117475299A
公开(公告)日：2024-01-30
申请号：CN202311283629.7
申请日：2023-09-28
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(山东省科学院) , 山东山科智控数字化科技有限公司 , 山东省农业科学院
IPC分类号： G06V20/10 , G06V10/25 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766 , G06N3/0464 , G06N3/045 , G06N3/084
摘要： 本发明属于输电通道检测特定计算机模型的技术领域，更具体地，涉及一种基于YOLOv8的玉米叶片虫害区域检测方法。所述方法包括构建数据集；对数据集的玉米虫害区域图片进行预处理：使用轻量级注释工具“labelme”进行多边形标注，将虫害区域分为3个类别；将预处理后的玉米虫害区域图片输入Poly‑YOLOv8虫害区域检测模型的骨干网络进行特征提取后经颈部网络进行特征融合，最后输入改进的解耦检测头生成检测结果；将经训练和测试后的Poly‑YOLOv8虫害区域检测模型对玉米虫害区域进行实时监测。本发明解决了现有技术中忽略了叶片上虫害区域的检测，基于实例分割的虫害区域检测无法有效定位叶片边界，进而导致精确度不足的问题。
-
公开(公告)号：CN116738313A
公开(公告)日：2023-09-12
申请号：CN202310692957.6
申请日：2023-06-12
IPC分类号： G06F18/241 , G01C21/34 , G01C21/20 , G06F18/2321
摘要： 一种路网图和农机轨迹聚类算法相结合的农机运动模式识别方法，属于地图匹配的技术领域，该方法的步骤包括：获取农机定位轨迹原始数据；对原始农机定位轨迹数据进行数据清洗；利用农机定位轨迹数据获取对应目标区域内的路网图；利用HFTMM算法纠正农机定位轨迹与路网图道路之间的映射偏差；根据农机定位轨迹与路网道路之间的高精度映射关系确定农机道路行驶运动模式；利用DBSCAN密度聚类算法确定农机田间作业和田间转场运动模式。本发明将路网图的道路场景和密度聚类算法相融合，来提高农机定位轨迹分割的准确率和效率，获得更加准确的农机运动模式识别结果。
-
-
-
-
-
-
-
-
-
搜索结果
183 条记录 (耗时 0.082 秒)
