公开(公告)号：CN117392094A

公开(公告)日：2024-01-12

申请号：CN202311394476.3

申请日：2023-10-25

Applicant: 西安交通大学

Inventor： 汪建基 ,  卢远亮 ,  刘蒴 ,  刘曦春 ,  余乐 ,  郑南宁

IPC: G06T7/00 ,  G06V10/762 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明公开了一种基于多视图三维重建的工件装配一致性检测方法及相关装置，方法包括如下过程：从包含目标工件三维点云中取目标工件相应点云区域，得到工件点云；对工件点云进行聚类，得到目标工件点云；对目标工件点云进行拟合，获取目标工件点云相应的几何方程与参数表示；根据所述几何方程与参数表示，构建点云空间的直角坐标系；基于该直角坐标系，结合目标工件信息，对点云进行条件滤波，获得目标工件中待检测部位的点云数据；根据工件工艺上的检测需求，计算目标工件中待检测部位点云数据的相应角度、尺度信息，与目标工件待检测部位信息进行比较，得到最终的一致性检测结果。本发明可实现工件装配一致性检测，能够提高检测的准确性和效率。

公开(公告)号：CN116152556A

公开(公告)日：2023-05-23

申请号：CN202310116664.3

申请日：2023-02-14

Applicant: 西安交通大学

Inventor： 徐亦飞 ,  王优 ,  严实 ,  刘汕 ,  李斌 ,  杨得焱 ,  尉萍萍 ,  余乐

IPC: G06V10/764 ,  G06V10/58 ,  G06V10/77 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/09 ,  G06N3/048 ,  G06N3/08 ,  G06N3/088

Abstract: 本发明公开了在一种高光谱图像分类方法、系统、设备及存储介质，包括以下步骤：对获取的高光谱图像进行初步特征提取，将提取的初步特征输入到多尺度空间光谱特征提取模型中，获取包含不同尺度空间信息和光谱信息的特征图；对不同尺度空间信息和光谱信息的特征图进行高级特征提取，获取高光谱图像的全局上下文表示；将获取的全局上下文表示输入到双解码器中进行特征恢复，同时构建双解码器损失函数，计算高光谱图像中标记样本的监督损失和无标记样本的无监督损失以及所有样本的一致性损失，通过分类模块输出高光谱图像的分类结果，通过利用少量标记数据和大量无标记数据解决了监督模式下训练样本不足造成的过拟合问题以及无监督模式下的精度低的问题；也解决了高光谱数据的光谱和空间信息难以充分利用的问题。

公开(公告)号：CN116012658A

公开(公告)日：2023-04-25

申请号：CN202310112547.X

申请日：2023-02-14

Applicant: 西安交通大学

Inventor： 徐亦飞 ,  李斌 ,  严实 ,  刘汕 ,  王优 ,  尉萍萍 ,  宋毓韬 ,  余乐

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/82 ,  G06T7/73 ,  G06T7/90 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/0895

Abstract: 本发明公开了一种自监督预训练目标检测方法、系统、设备及存储介质，包括从给定的输入图片中提取proposals，选取前30个proposals作为带粘贴的patch块；获取的patch块粘贴到选取的背景图中，得到合成图，为预训练提供了准确的位置标注，提取下游待检测目标的色彩RGB值，在粘贴的patch块中随机选择一片区域将其改为与提取的色彩RGB值相应的颜色，优化了预训练目标检测中的分类能力，分别提取合成图的特征以及粘贴的patch块的多尺度特征，并将patch块的多尺度特征编码为object query；object query基于提取的合成图特征进行学习，并对学习后的object query进行类别和边界框预测，得到预测的集合，将预测的集合和真实的标注集合进行匹配，本发明解决了预训练代理任务在目标检测定位和分类方面的不足的问题。

公开(公告)号：CN112435175A

公开(公告)日：2021-03-02

申请号：CN202011197261.9

申请日：2020-10-30

Applicant: 西安交通大学

Inventor： 徐亦飞 ,  李晓 ,  张诺 ,  王超勇 ,  王正洋 ,  尉萍萍 ,  余乐 ,  朱利

IPC: G06T5/00

Abstract: 本发明公开了一种金相图像去噪方法及系统，以完全鲁棒的RPCA中的正则化方法为基础，在低秩稀疏矩阵分解算法上，对去除噪声后的低秩清晰数据矩阵分块进行L2范数的约束，在实现图像块特征局部正则化的基础上，对高斯噪声进行约束处理得到改进后的低秩稀疏矩阵分解模型，用图像的局部特征表示图像的结构信息，将该噪声作为实际噪声处理，改善了传统低秩稀疏矩阵分解算法去噪时将图像噪声信息默认为稀疏矩阵的问题，减少了传统RPCA处理后导致的重点内容模糊、纹理细节及边缘不清晰的情况，且解决了传统RPCA只对脉冲噪声去噪处理时效果显著的问题，将实际图像数据采样过程中因周边环境及硬件设备干扰而出现的大量高斯噪声考虑在内，处理混合噪声。