-
公开(公告)号：CN117911529A
公开(公告)日：2024-04-19
申请号：CN202410020486.9
申请日：2024-01-05
Applicant: 无锡市锡山区半导体先进制造创新中心 , 湖南大学
Abstract: 本发明公开了一种位姿标定方法、系统及计算设备，方法包括：采集棋盘格标定板的第一图像数据、第一激光距离数据；从多个姿态采集棋盘格标定板的第二图像数据、第二激光距离数据；基于第一图像数据确定面阵相机内参；建立面阵相机坐标系、棋盘格标定板坐标系，确定激光测距传感器的直线方程；基于面阵相机内参、棋盘格标定板的图像数据确定面阵相机外参，并确定面阵相机坐标系下的激光光斑坐标集；获取棋盘格标定板的多组坐标与距离对应数据；基于激光光斑坐标集拟合形成空间直线并将其方向向量确定为激光测距传感器的光轴方向向量值，进而确定激光测距传感器的原点坐标值。本发明能够提高激光测距传感器与面阵相机之间空间位姿关系的标定效率。
-
公开(公告)号：CN114972866A
公开(公告)日：2022-08-30
申请号：CN202210587890.5
申请日：2022-05-26
Applicant: 湖南大学
IPC: G06V10/764 , G06V10/774 , G06V10/40
Abstract: 本发明公开了一种用于识别车削零件表面粗糙度等级的有效特征的确定方法、模块、计算设备及存储介质，该方法包括：生成车削零件表面图像集，车削零件表面图像集包括多个对应不同表面粗糙度等级的表面图像子集，每个表面图像子集包括多张车削零件表面图像；基于预设的特征类型集，对车削零件表面图像集中的每张车削零件表面图像进行图像特征提取，以获取对应的图像特征数据；对特征类型集中每种图像特征类型，分别构建对应的支持向量机分类模型并进行训练；将图像特征数据输入到对应的训练好的支持向量机分类模型中处理，根据处理情况计算模型评价指标；根据模型评价指标，从特征类型集中确定用于识别车削零件表面粗糙度等级的有效特征。
-
公开(公告)号：CN114926624A
公开(公告)日：2022-08-19
申请号：CN202210529893.3
申请日：2022-05-16
Applicant: 无锡市锡山区半导体先进制造创新中心 , 湖南大学
Abstract: 本发明公开了一种核燃料棒元件的定位方法、计算设备及可读存储结合，该方法包括：获取核燃料棒元件的第一图像；获取核燃料棒元件在旋转第一预定角度后的第二图像；对第一图像和第二图像进行数据增强处理和梯度图像增强处理；将处理后的图像输入训练好的目标检测网络中，得到第一图像和第二图像的检测结果，检测结果包括核燃料棒元件上各隔离块的种类和位置；将第一图像和第二图像的检测结果进行融合，并根据融合后的图像，确定核燃料棒元件的类型、基准隔离块、和朝向；确定核燃料棒元件初定位的调整角度和调整方向。本发明的技术方案可以实现核燃料棒元件的精确定位。
-
公开(公告)号：CN113014808A
公开(公告)日：2021-06-22
申请号：CN202110180088.X
申请日：2021-02-09
Applicant: 湖南大学
IPC: H04N5/232
Abstract: 本发明公开了一种图像采集系统，适于对管状元件端部的坡口进行对焦后采集坡口图像，包括：视觉组件，适于采集管状元件的坡口图像，驱动装置，与视觉组件相连，适于驱动视觉组件直线运动；计算设备，与视觉组件相连，适于从视觉组件获取当前坡口图像，确定当前坡口图像中的坡口的当前离焦直径，根据离焦深度模型确定目标离焦直径，并基于当前离焦直径、当前采集位置和目标离焦直径确定对焦后的目标采集位置，以便视觉组件基于所述目标采集位置采集对焦后的坡口图像。本发明一并公开了相应的图像采集方法及计算设备。根据本发明的图像采集方案，能实现自动对管状元件的坡口进行对焦，采集对焦后的清晰的坡口图像。
-
公开(公告)号：CN119338995A
公开(公告)日：2025-01-21
申请号：CN202411516709.7
申请日：2024-10-28
Applicant: 无锡市锡山区半导体先进制造创新中心 , 湖南大学
Abstract: 本发明公开了一种悬架弹簧点云数据重建方法、装置及计算设备，方法包括：获取三维传感器采集的悬架弹簧的部分缺失的第一点云数据；确定第一点云数据的最小外接矩形的长边方向向量；基于长边方向向量与世界坐标系的Z轴正方向向量之间的第一旋转变换矩阵，对第一点云数据的分布方向进行校正，得到校正点云数据；获取校正点云数据中的端圈点云数据；利用空间圆拟合算法对端圈点云数据进行拟合，得到端圈特征数据；利用端点搜索算法，基于端圈特征数据获取校正点云数据的轮廓中心线上的起始端点；利用轮廓重建算法，基于端圈特征数据和起始端点对校正点云数据进行轮廓重建，得到轮廓重建数据。本发明能实现对部分缺失的悬架弹簧点云数据进行轮廓重建。
-
Patent Agency Ranking
公开(公告)号：CN113066051A
公开(公告)日：2021-07-02
申请号：CN202110263930.6
申请日：2021-02-23
Applicant: 湖南大学
Abstract: 本发明公开了一种坡口缺陷检测方法、计算设备及可读存储介质。其中，该方法在计算设备中执行，适于检测管状元件端部的环形坡口的缺陷，包括：获取待检测元件的端部图像中的环形坡口区域；将环形坡口区域展开成矩形，得到矩形的坡口图像；对矩形的坡口图像进行滑窗切分，得到多个子坡口图像；将每个子坡口图像输入到训练好的目标检测网络中进行处理，得到有缺陷的子坡口图像中的缺陷框；对缺陷框进行二值化处理，得到缺陷框的二值化图像；从缺陷框的二值化图像中获取缺陷区域的像素坐标。本发明的坡口缺陷检测方法既能加快坡口缺陷的检测速度还能提高坡口缺陷的检测精度。
-
公开(公告)号：CN112967239A
公开(公告)日：2021-06-15
申请号：CN202110212719.1
申请日：2021-02-23
Applicant: 湖南大学
Abstract: 本发明公开了一种坡口缺陷检测方法、计算设备及可读存储介质。其中，该方法在计算设备中执行，适于检测管状元件端部的环形坡口的缺陷，包括：获取待检测元件的端部图像中的环形坡口区域；将环形坡口区域展开成矩形，得到矩形的坡口图像；对矩形的坡口图像进行切分，得到多个子坡口图像；将每个子坡口图像输入到训练好的卷积分类网络中进行分类，得到有缺陷的子坡口图像；将有缺陷的子坡口图像输入到训练好的降噪自编码器中进行缺陷修复，得到修复后的子坡口图像；获取修复后的子坡口图像与有缺陷的子坡口图像的残差图像；从残差图像中获取缺陷区域的像素坐标。本发明的坡口缺陷检测方法既能加快坡口缺陷的检测速度还能提高坡口缺陷的检测精度。
-
公开(公告)号：CN119273579A
公开(公告)日：2025-01-07
申请号：CN202411460427.X
申请日：2024-10-18
Applicant: 无锡市锡山区半导体先进制造创新中心 , 湖南大学
IPC: G06T5/70 , G06T7/00 , G06T7/187 , G06T7/62 , G06V10/762
Abstract: 本发明公开了一种悬架弹簧点云数据去噪方法、装置及计算设备，方法包括：获取三维传感器采集的悬架弹簧的第一点云数据；基于第一点云数据中各个数据点的点云半径邻域，确定第一点云数据中各个数据点的法向量；利用区域生长算法将第一点云数据中的第一层噪声数据点删除，得到第二点云数据，第一层噪声数据点包括与近邻点之间的法向量差值大于第一阈值的各个数据点；利用聚类算法将第二点云数据中的第二层噪声数据点删除，得到正常数据点集合，以便基于正常数据点集合对悬架弹簧进行三维测量，第二层噪声数据点包括与正常数据点的聚类标签值不一致的各个数据点。本发明能够有效滤除悬架弹簧点云数据中的噪声，进而提高对悬架弹簧的三维测量精度。
-
公开(公告)号：CN116824338A
公开(公告)日：2023-09-29
申请号：CN202310821438.5
申请日：2023-07-05
Applicant: 江苏优普纳科技有限公司 , 湖南大学
IPC: G06V10/82 , G06V10/774 , G06N3/096 , G06N3/094 , G06N3/0475 , G06V10/764 , G06V10/40 , G06N3/0464 , G06N3/084
Abstract: 本申请公开了基于对抗式迁移学习的生成粗糙度预测模型的方法及系统。其中基于对抗式迁移学习的生成粗糙度预测模型的方法包括：获取经第一加工方式加工的切削加工表面的第一图像及第一图像的粗糙度度量值、经第二加工方式加工的切削加工表面的第二图像；将第一图像和第二图像输入对抗式迁移学习模型进行处理，并通过计算损失函数来调整对抗式迁移学习模型的网络参数，直到训练结束；利用训练好的对抗式迁移学习模型，生成粗糙度预测模型，该粗糙度预测模型用于预测经相似加工方式加工的切削加工表面的粗糙度。
-
公开(公告)号：CN116824337A
公开(公告)日：2023-09-29
申请号：CN202310821158.4
申请日：2023-07-05
Applicant: 江苏优普纳科技有限公司 , 湖南大学
IPC: G06V10/82 , G06V10/774 , G06N3/096 , G06N3/0464 , G06Q10/04
Abstract: 本申请公开了基于特征迁移学习的生成粗糙度预测模型的方法及系统。其中生成粗糙度预测模型的方法包括：采集经不同加工方式加工的、具有不同粗糙度的切削加工表面的图像，生成样本集合，其中样本集合包括：对应第一加工方式的多个第一样本图像、对应第二加工方式的多个第二样本图像、以及各第一样本图像和各第二样本图像分别对应的粗糙度度量值；将具有相同粗糙度度量值的第一样本图像和第二样本图像输入深度迁移学习模型，通过学习第一样本图像和第二样本图像的特征的相关性，来确定目标函数，以通过求解目标函数来调整深度迁移学习模型的网络参数；利用深度迁移学习模型，生成粗糙度预测模型。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.018 seconds)
