-
公开(公告)号：CN114120057B
公开(公告)日：2025-01-17
申请号：CN202111320510.3
申请日：2021-11-09
Applicant: 华侨大学
IPC: G06V10/774 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于PaddleDetection的混淆矩阵生成方法，包括：在PaddlePaddle平台下运用PaddleDetection目标检测开发套件训练目标检测网络；获取有标注的测试数据集，分为两个文件夹，一个文件夹放json文件，另一个放对应的图片文件，并得到真实的目标物体外接矩形框；运用infer.py图片文件进行预测，得到预测标签；得出预测修正得到的矩形检测框；将真实矩形框与预测修正得到的矩形检测框进行循环匹配，将统计得到的值记录在矩阵上；创建excle表格，将记录的矩阵填充到excle表格中，绘制出用于评价模型实际应用效果的混淆矩阵，本发明方法能优化网络模型的训练方法。
-
公开(公告)号：CN113554068A
公开(公告)日：2021-10-26
申请号：CN202110758660.6
申请日：2021-07-05
Applicant: 华侨大学
Abstract: 本发明公开了一种实例分割数据集的半自动标注方法、装置及可读介质，通过分别对实例分割模型和图像分类模型进行训练；使用训练好的实例分割模型对图像数据集合中的第一数据集进行预测，得到第一预测结果，基于第一预测结果确定每张图像中包含单个物体的图像，将单个物体的图像输入训练好的图像分类模型，得到第二预测结果，将单个物体的第一预测结果与第二预测结果进行对比，根据比对结果人工纠正每张图像中的单个物体的第一种类和掩膜，得到伪标签实例分割数据集；将人工实例分割数据集和伪标签实例分割数据集混合作为实例分割数据集，对实例分割模型重新训练，得到最终的实例分割模型。本方法使用少量的人工标注数据，成本低并具有较高的精度。
-
公开(公告)号：CN109030310A
公开(公告)日：2018-12-18
申请号：CN201810752632.1
申请日：2018-07-10
Applicant: 华侨大学
IPC: G01N15/08
CPC classification number: G01N15/0893
Abstract: 本发明提供一种确定堆积散粒状物料空隙率的装置，所述装置包括：固定架、激光测量仪、传送带、水箱、水位显示器以及液位传感器，所述固定架上设置有一横杆，所述激光测量仪固定设置在横杆上，所述传送带设置在激光测量仪下方，所述水箱设置在传送带出口下方，所述水位显示器设置在水箱外侧，所述液位传感器设置在水箱内，所述水位显示器与液位传感器电连接；所述激光测量仪为线激光测量仪或二维激光扫描测量仪。本发明能够解决现有技术存在测量方式较为繁琐，耗时、耗力，人为因素较多，容易造成较大误差影响测量结果等问题。
-
公开(公告)号：CN108801878A
公开(公告)日：2018-11-13
申请号：CN201810752643.X
申请日：2018-07-10
Applicant: 华侨大学
IPC: G01N15/08
CPC classification number: G01N15/088
Abstract: 本发明提供一种确定堆积散粒状物料空隙率的方法，1)采集物料自然堆积体积：堆积散粒状物料在通过激光测量仪的测量区域时，获取物料的轮廓及高度信息利用积分计算物料的自然堆积体积V0'；2)采集物料颗粒体积：获取物料自然堆积体积信息V0'后，将物料置于水箱，根据水箱内的水位变化值，即得物料的颗粒体积V；3)计算空隙率P'：物料自然堆积体积与颗粒体积的差值即为物料颗粒之间空隙体积，物料颗粒之间空隙体积与物料自然堆积体积的百分比值即为得到堆积散粒状物料的空隙率P'。本发明能够解决现有技术存在测量方式较为繁琐，耗时、耗力，人为因素较多，容易造成较大误差影响测量结果等问题。
-
公开(公告)号：CN108656142A
公开(公告)日：2018-10-16
申请号：CN201810797351.8
申请日：2018-07-19
Applicant: 华侨大学
Abstract: 本发明公开了一种分拣机械手，它包括一机架、一圆盘件、两支臂杆件和两连杆，圆盘件的中心与机架转动连接，两支臂杆件的杆体与机架转动连接，两连杆的一端与圆盘件转动连接，两连杆的另一端分别与两支臂杆件的另一端一一对应地转动连接连杆通过圆盘件的转动带动两连杆在圆盘件两侧做撑开或收合运动，进而驱动两支臂杆件绕各自杆体的转动连接点转动，使两支臂杆件的末端收合抓取或打开释放。它具有如下优点：抓取同步、抓取快速、搬运快速且输出抓举力大、能抓取重量大的垃圾。
-
Patent Agency Ranking
公开(公告)号：CN117399309A
公开(公告)日：2024-01-16
申请号：CN202311495141.0
申请日：2023-11-10
Applicant: 华侨大学
IPC: B07C5/342
Abstract: 本发明提供一种基于彩色相机与3D相机检测的固废分选方法，包括：步骤S1、利用3D相机采集固废物料的深度图像、利用彩色相机采集固废物料的彩色图像；步骤S2、利用两个ResNet网络对深度图像和彩色图像进行特征提取和融合，以得到多个融合特征图；步骤S3、将多个融合特征图输入特征金字塔网络，得到最终融合特征图；步骤S4、利用最终融合特征图对Mask_RCNN模型进行训练，以得到分选模型；步骤S5、将采集的固废物料的彩色图像和深度图像输入分选模型，分选设备根据分选模型所输出的物体类别和位置信息对固废物料进行分选。本发明能够更好地将彩色图像信息与深度图像信息融合，提升固废分选的准确性、工作效率以及固废再利用的附加值。
-
公开(公告)号：CN113731836B
公开(公告)日：2023-05-26
申请号：CN202110891690.4
申请日：2021-08-04
Applicant: 华侨大学
Abstract: 本发明提供了一种基于深度学习的城市固体废弃物在线分选系统，包括：输送带、图像采集系统、工控机、分选执行机构；所述输送带用于散布并输送城市固体废弃物物料，由进料口向图像采集系统及分选执行机构方向输送；所述图像采集系统位于输送带上方，于分选执行机构间隔一定距离；所述分选执行机构位于输送带末端；上述的基于深度学习的城市固体废弃物在线分选系统，相对于国内普遍使用的城市固体废弃物人工分选方法，本分选系统效率高、持续工作时间长、可显著改善工人工作环境，实现分选自动化。
-
公开(公告)号：CN110969608B
公开(公告)日：2023-04-07
申请号：CN201911205181.0
申请日：2019-11-29
Applicant: 华侨大学 , 福建南方路面机械有限公司
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06T7/62 , G06V10/28 , G06V10/774 , G06V10/764 , G01N15/02 , G01N15/00
Abstract: 本发明公开了一种基于图像法的机制砂级配修正系统，包括图像预处理模块、颗粒轮廓提取模块、级配计算模块、粒形计算模块和级配修正模块；所述图像预处理模块将原始的机制砂图像转化二值图像；颗粒轮廓提取模块从二值图像中提取各个颗粒的轮廓形状；级配计算模块处理所有机制砂颗粒轮廓，得到机制砂的原始级配参数；粒形计算模块处理所有机制砂颗粒轮廓，得到机制砂的粒形参数；级配修正模块根据粒形参数对原始级配参数进行修正，得到最终级配测量结果。本发明一种基于图像法的机制砂级配修正系统能够对图像法的级配检测结果进行修正，修正后，其级配检测精度符合工程实际要求，有效提升检测效率和检测精度。
-
公开(公告)号：CN115601546A
公开(公告)日：2023-01-13
申请号：CN202211324514.3
申请日：2022-10-27
Applicant: 华侨大学(CN)
Abstract: 本发明公开了一种实例分割模型训练方法、装置及可读介质，通过采用第一训练集分别训练主体模型和辅助模型，得到经训练的主体模型和经训练的辅助模型，其中，主体模型为实例分割模型，辅助模型为逐像素分类模型；将待测图像分别输入经训练的主体模型和经训练的辅助模型，得到第一预测结果和第二预测结果，分别获取第一预测结果和第二预测结果的第一掩膜图和第二掩膜图；根据第一掩膜图和第二掩膜图确定难例样本，难例样本为因置信度低而未被经训练的主体模型识别出目标的待测图像，将难例样本与其第二预测结果对应的标签保存为第二训练集；采用第二训练集对经训练的主体模型继续进行训练，得到训练好的主体模型，能够有效提高模型泛化性和准确率。
-
公开(公告)号：CN109348859A
公开(公告)日：2019-02-19
申请号：CN201811476935.1
申请日：2018-12-04
Applicant: 华侨大学
IPC: A01D46/247
Abstract: 本发明公开了一种可伸缩同步剪夹式荔枝采摘装置，包括一伸缩套管、一剪切机构和一操作机构。本发明的可伸缩同步剪夹式荔枝采摘装置结构简单，使用效果好，操作人性化，降低果实摔坏概率，提高了采摘水果的工作效率，同时降低了劳动强度，省时省力。本发明通过剪切刀与夹紧刀同时作用，在剪断荔枝枝干的同时对其进行夹紧操作，使果实与果树分离且有效固定在采摘杆上，往复循环，可方便果农完好无损地采摘水果。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.031 seconds)
