公开(公告)号：WO2023058293A1

公开(公告)日：2023-04-13

申请号：PCT/JP2022/027782

申请日：2022-07-08

Applicant: MITSUBISHI ELECTRIC CORPORATION

Inventor： JONES, Michael

IPC: G06V10/50 ,  G06T7/20 ,  G06V10/75 ,  G06V20/40 ,  G06V20/52 ,  G05B23/0286 ,  G06F18/2148 ,  G06F18/22 ,  G06F18/285 ,  G06T2207/10016 ,  G06T2207/20021 ,  G06T2207/20081 ,  G06T2207/30164 ,  G06T7/0008 ,  G06T7/001 ,  G06T7/11 ,  G06T7/248 ,  G06T7/254 ,  G06V10/758 ,  G06V20/41 ,  G06V20/46 ,  G06V20/49 ,  G06V2201/06

Abstract: A system for detecting an anomaly in a video of a factory automation scene is disclosed. The system may accept the video; accept a set of training feature vectors derived from spatio-temporal regions of a training video, where a spatio-temporal region is associated with one or multiple training feature vectors; partition the video into multiple sequences of video volumes; produce a sequence of binary difference images for each of the video volumes; count occurrences of each of predetermined patterns of pixels in each binary difference image for each of the video volumes to produce an input feature vector including an input motion feature vector defining a temporal variation of counts of the predetermined patterns for each of the video volumes; produce a set of distances based on the produced input feature vectors and the set of training feature vectors; and detect the anomaly based on the produced set of distances.

公开(公告)号：WO2021259870A1

公开(公告)日：2021-12-30

申请号：PCT/EP2021/066867

申请日：2021-06-21

Applicant: CARTESIAM

Inventor： DE ROCHEBOUET, François ,  MOUSSA, Mohamed-Ali

IPC: G06F17/18 ,  G06N20/00 ,  G06K9/6215 ,  G06K9/6259 ,  G06K9/6274 ,  G06V2201/06

Abstract: Un aspect de l'invention concerne un procédé d'apprentissage pour la détection d'anomalies sur microcontrôleur comportant une mémoire stockant un nombre prédéfini de catégories et recevant des jeux de données multivariables d'un capteur, comportant les étapes suivantes : Calcul d'une moyenne et d'une matrice de covariance pour un ensemble de jeux de données; Tant que la matrice de covariance est mal conditionnée : Ajout d'un jeu de données dans l'ensemble et mise à jour de la moyenne et de la matrice de covariance; Création d'une catégorie associée à la moyenne et à la matrice de covariance dans la mémoire; Pour chaque catégorie, calcul d'une mesure de distance entre la catégorie et chaque autre catégorie; Sélection des catégories correspondant à la première mesure de distance minimale et fusion des deux catégories sélectionnées.

公开(公告)号：WO2023057059A1

公开(公告)日：2023-04-13

申请号：PCT/EP2021/077543

申请日：2021-10-06

Applicant: SIEMENS AG ÖSTERREICH

Inventor： HIESSL, Thomas ,  REZAPOUR LAKANI, Safoura ,  SCHALL, Daniel

IPC: G06N3/08 ,  G06N20/00 ,  G06V10/82 ,  G06F18/2433 ,  G06N3/0455 ,  G06N3/098 ,  G06V10/95 ,  G06V20/60 ,  G06V2201/06

Abstract: Computer-implementiertes Verfahren zur Anomalie-Erkennung in Sensordaten (SD1, SD2), umfassend folgende Schritte: a) Erzeugen und Trainieren eines ersten und zumindest eines zweiten lokalen Modells jeweils auf Basis eines Autoencoders coders und Bestimmen eines lokalen Schwellwerts (TH1, TH2) für die jeweilige lokale Modell-Ausgangsgröße (RD), b) Übermitteln der lokalen Modellgewichte (Wl, W2) und der lokalen Schwellwerte (TH1, TH2) an einen Server (S), c) Erzeugen und Trainieren eines globalen Modells (GM) auf Basis eines Autoencoders und Bestimmen eines globalen Schwellwerts (TH_GM) für die globale Modell- Ausgangsgröße (RD, W_GM), d) Übermitteln der globalen Mode11gewichte (W_GM) und des globalen Schwellwerts (TH_GM) an den ersten Klienten (CI), und Übernehmen der globalen Mode11gewichte (W GM) für das erste lokale Modell (LM1), e) Erfassen von ersten Sensordaten (SD1) durch ein erstes Sensormittel (SM1), f) Anwenden der ersten Sensordaten (SD1) auf das erste lokale Modell (LM1) und Bestimmen der lokalen Modell- Ausgangsgröße (RD, LM1_0UT) des ersten Klienten (CI), g) Erkennen einer Anomalie (ANO) für die Sensordaten, falls die lokale Modell-Ausgangsgröße (RD, LM1_0UT) außerhalb eines Bereichs liegt, welcher durch den globalen Schwellwert (TH_GM) festgelegt ist.

公开(公告)号：WO2023278611A1

公开(公告)日：2023-01-05

申请号：PCT/US2022/035572

申请日：2022-06-29

Applicant: AMPLY POWER, INC.

Inventor： SHAOTRAN, Ethan ,  CHOW, Bryan M.

IPC: H02J13/00 ,  G06V10/82 ,  B60L53/62 ,  G06N3/0464 ,  G06N3/08 ,  G06N3/09 ,  G06Q30/018 ,  G06Q50/26 ,  G06T2207/20081 ,  G06T2207/20084 ,  G06T7/0004 ,  G06V20/00 ,  G06V2201/06 ,  G06V30/10 ,  H02J13/00002

Abstract: A method of determining a capability of an electrical panel includes providing information relative to the electrical panel to a computer vision software, such as through an image captured by a camera. An attribute of the electrical panel may be analyzed, using the computer vision software, panel at least partially based on the information. An overall electrical power capacity of the electrical panel may be calculated based at least in part on the attribute of the electrical panel. An electrical load on the electrical panel may be calculated based at least in part on the attribute of the electrical panel. A report may be generated that includes an unused electrical power capacity of the electrical panel at least partially based on the electrical load and the overall electrical power capacity of the electrical panel.

公开(公告)号：WO2022032131A1

公开(公告)日：2022-02-10

申请号：PCT/US2021/044999

申请日：2021-08-06

Applicant: SOFTWEAR AUTOMATION INC.

Inventor： BAKER, Michael J. ,  GURNEY, Alexander Ren ,  RAMAMURTHY, Senthil

IPC: G06K9/46 ,  G01N21/892 ,  G06K9/62 ,  G06T7/00 ,  G06T7/40 ,  G06K9/6256 ,  G06K9/6269 ,  G06T2207/10024 ,  G06T2207/20081 ,  G06T2207/30124 ,  G06T7/0004 ,  G06V10/40 ,  G06V2201/06

Abstract: Various examples are provided related to face identification of material. An image can be captured by a vision system and feature parameters determined and compared to a material feature database to determine which face of the material is being presented. The vision system can employ a set of parameters for configuration to acquire the image. The system can communicate the identification to downstream processes in real time. A near-universal, color agnostic, angular orientation independent identification of material faces can be determined without the need for physical manipulation of the material.

公开(公告)号：WO2021245118A1

公开(公告)日：2021-12-09

申请号：PCT/EP2021/064744

申请日：2021-06-02

Applicant: TOMRA SORTING GMBH

Inventor： BALTHASAR, Dirk

IPC: G06K9/00 ,  G06V10/82 ,  G06V20/52 ,  G06V2201/06

Abstract: The present disclosure relates to a method (100) of training a neural network (NN) stored on a computer-readable storage medium (10) to classify objects (A-E) in a bulk flow, the method (100) comprising the steps of: providing (101) input image data (50*) depicting objects (A*-E*) to be classified, which input image data (50*) is captured by means of an input imaging sensor (30, 30a-30e) of a first sensor technology design; providing (102) auxiliary image data (50**), which auxiliary image data (50**) is captured by means of an auxiliary imaging sensor (40, 40a-40e) of a second sensor technology design, and which auxiliary image data (50**) depicts said or similar objects (A**-E**) which are classified in accordance with a predetermined classifying scheme; by means of a processing unit (20), train (103) the neural network (NN) stored on the computer-readable storage medium (10) to classify the depicted objects (A*-E*) in the input image data (50*) based on classifications of depicted objects (A**-E**) in the auxiliary image data (50**), wherein the depicted objects (A*-E*) in the input image data (50*) correspond to objects (A-E) in a bulk flow, and wherein the second sensor technology design is different from the first sensor technology design.

公开(公告)号：WO2023046653A1

公开(公告)日：2023-03-30

申请号：PCT/EP2022/076020

申请日：2022-09-20

Applicant: DEUTSCHDATA KARAMAT UND ZIESCHE GMBH

Inventor： KARAMAT, Muhammad Zeeshan

IPC: G06V10/20 ,  G06V10/22 ,  G06V10/25 ,  G06V10/82 ,  G06V20/52 ,  G06V2201/06

Abstract: Die Erfindung betrifft ein Verfahren zum Bestimmen, ob ein vorgegebenes Transportgut (1) in einem Überwachungsbereich (2) angeordnet ist, wobei ein Bildsignal des Überwachungsbereichs (2), durch den ein Transportweg eines Objekts verläuft, erfasst wird, wobei vor einem Zuführen des Bildsignals zu einem künstlich neuronalen Netz (7) durch ein anderes künstliches neuronales Netz (19) auf der Basis des Bildsignals bestimmt wird, ob wenigstens ein Teil eines Objekts in dem Überwachungsbereich (2) angeordnet ist, wobei das Bildsignal dem neuronalen Netz (7) zugeführt wird, wenn durch das andere neuronale Netz (19) bestimmt wird, dass wenigstens ein Teil des Objekts in dem Überwachungsbereich (2) angeordnet ist, wobei durch das künstlich neuronale Netz (7) auf der Basis des Bildsignals bestimmt wird, ob der bestimmte wenigstens eine Teil des Objekts wenigstens einem Teil des vorgegebenen Transportguts (1) entspricht, wobei, wenn durch das künstlich neuronale Netz (7) bestimmt wird, dass wenigstens ein Teil des vorgegebenen Transportguts (1) in dem Überwachungsbereich (2) angeordnet ist, ein Bild des Überwachungsbereichs (2) erzeugt wird.

公开(公告)号：WO2022272166A1

公开(公告)日：2022-12-29

申请号：PCT/US2022/035130

申请日：2022-06-27

Applicant: INTRINSIC INNOVATION LLC

Inventor： VENKATARAMAN, Kartik ,  KALRA, Agastya ,  KADAMBI, Achuta ,  RASKAR, Ramesh

IPC: G06V10/145 ,  G06V10/24 ,  G06V10/774 ,  G06V10/82 ,  G06V20/64 ,  G06V10/26 ,  G06V10/74 ,  G02B27/288 ,  G06N3/08 ,  G06T17/00 ,  G06T2207/10028 ,  G06T2207/20081 ,  G06T2207/30108 ,  G06T7/344 ,  G06T7/50 ,  G06T7/75 ,  G06V10/761 ,  G06V20/653 ,  G06V2201/06 ,  G06V2201/12

Abstract: A system for collecting data for training a computer vision model for shape estimation includes: an imaging system configured to capture one or more images; and a processing system including a processor and memory storing instructions that, when executed by the processor, cause the processor to: receive one or more input images from the imaging system; estimate a pose of an object depicted in the one or more images; render a shape estimate from a 3-D model of the object posed in accordance with the pose of the object; and generate a data point of a training dataset, the data point including one or more images based on the one or more input images and a label corresponding to the one or more images, the label including the shape estimate.

公开(公告)号：WO2022060472A2

公开(公告)日：2022-03-24

申请号：PCT/US2021/043605

申请日：2021-07-29

Applicant: THE PENN STATE RESEARCH FOUNDATON

Inventor： REUTZEL, Edward ,  PETRICH, Jan ,  NASSAR, Abdalla, R. ,  PHOHA, Shashi ,  CORBIN, David, J. ,  MORGAN, Jacob, P. ,  DIEWALD, Evan, P. ,  SMITH, Robert, W. ,  SNOW, Zack. Keller

IPC: B29C64/393 ,  B33Y50/02 ,  B33Y80/00 ,  B22F1/00 ,  B29C64/153 ,  B33Y10/00 ,  G06V10/24 ,  G06V10/82 ,  G06V20/00 ,  G06V2201/06

Abstract: Embodiments relate to in-situ process monitoring of a part being made via additive manufacturing. The process can involve capturing computed tomography (CT) scans of a post-built part. A neural network (NN) can be used during the build of a new part to process multi-modal sensor data. Spatial and temporal registration techniques can be used to align the data to x,y,z coordinates on the build plate. During the build of the part, the multi-modal sensor data can be superimposed on the build plate. Machine learning can be used to train the NN to correlate the sensor data to a defect label or a non-defect label by looking to certain patterns in the sensor data at the x,y,z location to identify a defect in the CT scan at x,y,z. The NN can then be used to predict where defects are or will occur during an actual build of a part.

公开(公告)号：WO2023057494A1

公开(公告)日：2023-04-13

申请号：PCT/EP2022/077660

申请日：2022-10-05

Applicant: SIEMENS AG ÖSTERREICH

Inventor： HIESSL, Thomas ,  REZAPOUR LAKANI, Safoura ,  SCHALL, Daniel

IPC: G06N3/08 ,  G06N20/00 ,  G06V10/82 ,  G06F18/2433 ,  G06N3/0455 ,  G06N3/098 ,  G06V10/95 ,  G06V20/60 ,  G06V2201/06

Abstract: Computer-implementiertes Verfahren zur Anomalie-Erkennung in Sensordaten (SD1, SD2), umfassend folgende Schritte: a) Erzeugen und Trainieren eines ersten und zumindest eines zweiten lokalen Modells jeweils auf Basis eines Autoen- coders und Bestimmen eines lokalen Schwellwerts (TH1, TH2) für die jeweilige lokale Modell-Ausgangsgröße (RD), b) Übermitteln der lokalen Modellgewichte (W1, W2) und der lokalen Schwellwerte (TH1, TH2 ) an einen Server (S), c) Erzeugen und Trainieren eines globalen Modells (GM) auf Basis eines Autoencoders und Bestimmen eines globalen Schwellwerts (TH GM) für die globale Modell- Ausgangsgröße (RD, W_GM), ti) Übermitteln der globalen Modellgewichte (W_GM) und des globalen Schwellwerts (TH_GM) an den ersten Klien- ten (C1), und Übernehmen der globalen Modellgewich- te (W_GM) für das erste lokale Modell (LM1), e) Erfassen von ersten Sensordaten (SD1) durch ein erstes Sensormittel (SM1), f) Anwenden der ersten Sensordaten (SD1) auf das erste loka- le Modell (LM1) und Bestimmen der lokalen Modell- Ausgangsgröße (RD, LM1_OUT) des ersten Klienten (C1), g) Erkennen einer Anomalie (ANO) für die Sensordaten, falls die lokale Modell-Ausgangsgröße (RD, LM1_OUT) außerhalb eines Bereichs liegt, welcher durch den globalen Schwellwert (TH_GM) festgelegt ist.