-
公开(公告)号：CN119704204B
公开(公告)日：2025-05-02
申请号：CN202510193237.4
申请日：2025-02-21
Applicant: 湖南大学
Abstract: 本发明公开了用于机械手的鲁棒视觉约束控制方法、系统和计算机设备，结合机械臂动力学模型、视觉伺服运动学模型以及相机与机械臂之间的手眼标定关系，建立视觉伺服系统整体的动态模型；结合视觉伺服运动学模型，通过设计时变非对称控制障碍函数，得到将视觉伺服特征误差约束在预设范围内的约束满足条件，并设计最优视觉伺服速度控制器，结合机器人动力学模型，通过时变非对称控制障碍函数得到将关节角速度约束在预设范围内的约束满足条件，同时结合视觉伺服特征误差约束满足条件，设计最优力矩控制器，结合二次规划，得到满足性能约束的力矩控制信号，驱动机器人到达期望特征位置。提高视觉伺服任务成功率，实现机械臂高精度视觉引导装配作业。
-
公开(公告)号：CN119850623A
公开(公告)日：2025-04-18
申请号：CN202510330876.0
申请日：2025-03-20
Applicant: 湖南大学
Abstract: 本申请涉及航空检测技术领域，公开一种飞机壁板缺陷检测方法、模型训练方法及相关设备。该训练方法包括：获取拍摄飞机壁板得到的样本图像；将样本图像输入预训练的教师模型和待训练的学生模型，得到第一特征图集、第二特征图集和目标预测结果；依据第一特征图集和第二特征图集两者的特征图的局部偏差和全局偏差，得到知识蒸馏损失信息；依据第一特征图集和第二特征图集两者的特征图，得到对抗损失信息；依据目标预测结果，得到预测损失信息；依据知识蒸馏损失信息、对抗损失信息和预测损失信息，调整学生模型的网络参数。本申请实施例可以在有限的硬件条件下提升飞机壁板缺陷检测的精度。
-
公开(公告)号：CN119795195A
公开(公告)日：2025-04-11
申请号：CN202510286742.3
申请日：2025-03-12
Applicant: 湖南大学
IPC: B25J9/16 , G06V40/20 , G06N20/20 , G06N7/01 , G06F18/2431
Abstract: 本发明公开了一种基于人手轨迹预测的机械臂路径重规划方法，包括：步骤1，采集与机械臂协同工作人员的人手在三维空间中运动轨迹的图像，并根据图像识别出人手的运动位姿；步骤2，根据步骤1得到的人手的运动位姿，基于隐马尔可夫模型对人手的行为和轨迹进行建模，然后通过对于历史数据的学习，对人手的未来行动轨迹进行预测；步骤3，使用改进的快速探索随机树算法，为机械臂生成从当前位置到目标位置，且同时避开步骤2中预测到的人手的未来行动轨迹的机械臂路径。本发明所提出的基于人手预测的机械臂路径重规划方法不仅提高了人机交互的安全性，也显著增强了机器人系统的适应性和响应速度。
-
公开(公告)号：CN119723062A
公开(公告)日：2025-03-28
申请号：CN202510208849.6
申请日：2025-02-25
Applicant: 湖南大学
IPC: G06V10/25 , G06N3/0464 , G06V10/44 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于前景感知增强的多模态目标检测系统及检测方法，充分结合了二维图像和三维点云的优势，并解决了前景点关注度低的问题。本发明通过前背景掩码机制以及焦点卷积模块，在二维和三维特征中分别强化前景信息，并通过通道和空间注意力模块进一步优化特征表达。最终，经过通道级联的增强融合特征经过区域建议网络和置信度前馈网络，筛选出置信度较高的检测结果。根据其目标类别确定不同的初始权重，计算预测边界框和真实边界框内前背景点的数量差异和位姿差异来进行损失聚合，并进行反向传播，以进一步优化预测边界框的位置精度，前景感知的聚合损失函数在训练过程中提供有效监督，进一步提升了模型的鲁棒性和准确性。
-
公开(公告)号：CN119291714B
公开(公告)日：2025-03-21
申请号：CN202411803687.2
申请日：2024-12-10
Applicant: 湖南大学
IPC: G01S17/89 , G06V10/25 , G06N3/084 , G06V10/74 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/82 , G06V20/64
Abstract: 本发明公开了一种大型装配场景的多传感器在线三维检测方法及装置，通过多个非重复式扫描激光雷达与嵌入式平台相连接，从不同的角度进行扫描，并对不同角度的点云数据进行预处理以实现多传感器非重复式扫描点云数据的坐标系统一与拼接融合，采集整个大型装配场景的点云数据并制作数据集。构建大型装配场景检测模型用于处理大型装配场景下的目标检测任务，通过训练、测试以及离线可视化验证，获得训练好的最佳模型。基于训练好的模型对实时的大型装配场景点云数据进行快速推理，实现大型装配场景中移动机器人等的高精度实时化的在线检测。解放了人力资源，提升了装配效率。
-
Patent Agency Ranking
公开(公告)号：CN119188783B
公开(公告)日：2025-03-21
申请号：CN202411687643.8
申请日：2024-11-25
Applicant: 湖南大学
Abstract: 一种多末端执行器自主切换的复合移动机器人作业方法与系统，作业方法包括：1、全场景地图建模；2、将涂胶枪换装到机械臂末端，机器人对待装配结构件待涂胶位置进行路径规划并涂胶；3、获取机器人抓取待装配结构件的抓取位姿；4、将机械臂末端切换为二指夹爪，依据抓取位姿将待装配结构件从库内取出；5、获取待装配结构件待装配位置的位姿，确定待装配结构件在待装配蒙皮上的装配位姿，将待装配结构件粘接在待装配蒙皮上；6、获取待装配结构件和待装配蒙皮粘合后螺孔的位姿；将螺丝枪换装到机械臂末端，将待装配结构件固定在待装配蒙皮上。本发明可根据待装配结构件类型，自主确定其在蒙皮上的装配位置，通过单机器人实现了大型部件装配。
-
公开(公告)号：CN119380029A
公开(公告)日：2025-01-28
申请号：CN202411943039.7
申请日：2024-12-27
Applicant: 湖南大学
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06N3/084
Abstract: 本发明公开了一种伪标签生成及无源域场景自适应的遮挡感知无缝分割方法及系统，该方法通过为常规使用的实例级伪标签通过阈值筛选和数据量的对比，进一步提升伪标签的标记精度；同时利用生成的伪标签，并设计一种针对遮挡感知无缝分割任务中实例级预测分支的不确定区域引导的加权损失，提升分割模型的准确度；再结合对低质量伪标签的筛选，提出一种非模态引导的实例混合策略，从而进一步的增加可供训练的样本数量；从而提高由于个别类别样本数量少导致的最终训练的模型分割效果差的问题，最终提高无源域场景自适应效果。
-
公开(公告)号：CN119359939A
公开(公告)日：2025-01-24
申请号：CN202411943433.0
申请日：2024-12-27
Applicant: 湖南大学
IPC: G06T17/00 , G06T7/80 , G06T7/13 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种多视角特征引导的大范围场景三维建模方法及系统，获取多个视角相机的图像，并输入至多视角立体视觉三维重建神经网络模型中，模型包括多阶段上下文特征提取模块、多视角图像匹配代价构建模块、多视角匹配代价特征聚合网络和视差回归预测模块，通过多视角图像交叉特征迁移互相关匹配代价构建方法构建多视角匹配代价，通过可微分的多视角联合特征引导的各项异性扩散代价聚合方法聚合多视角匹配代价特征，结合损失函数对神经网络模型进行训练，提升多视角三维场景重建性能和深度估计精度。通过训练构建好的多视角立体视觉三维重建神经网络模型，对多视角视频图像进行推理，并实现大范围制造场景动态三维重建。
-
公开(公告)号：CN119205748A
公开(公告)日：2024-12-27
申请号：CN202411697688.3
申请日：2024-11-26
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0464 , G06V10/44 , G06V10/58 , G06V10/764 , G06V10/774 , G06V10/82 , G06F15/78
Abstract: 一种光谱图像检测模型、检测方法和片上计算的相机处理器，其中光谱图像检测模型包括N个串联的KAM块以及连在N个KAM块之后的分类器块；KAM块包括依次连接的深度可分离卷积层、批归一化层、改进的三重注意力层以及ReLU激活函数层；深度可分离卷积层用于提取图像特征，改进的三重注意力层用于增强特征图内和特征图之间的信息交互；分类器块包括依次连接的深度可分离卷积层、批归一化层、普通卷积层和Sigmoid激活函数层。本发明中的光谱图像检测模型具有轻量化、计算量小等特点，可部署在相机中的相机处理器中，以满足移动端、边缘端高光谱图像处理需求。
-
公开(公告)号：CN119205493A
公开(公告)日：2024-12-27
申请号：CN202411699618.1
申请日：2024-11-26
Applicant: 湖南大学
Abstract: 本发明涉及计算机技术领域，具体为一种基于深度双先验渐进融合的高光谱压缩感知重建方法，包括如下步骤：1、拍摄获取原始的压缩测量图像，然后对原始的压缩测量图像进行归一化处理，得到归一化处理后的压缩测量图像；2、基于压缩感知重构问题构建目标函数，并对目标函数进行优化，得到优化后最终的目标函数；3、根据归一化处理后的压缩测量图像建立用于高光谱压缩感知重建的自监督学习模型；自监督学习模型包括外循环迭代优化和两个内循环网络训练；4、利用自监督学习模型对优化后最终的目标函数进行求解，通过融合两个内循环网络训练过程得到的深度先验项，得到最终的重构图像。本发明解决了现有自监督光谱重建方法成像质量低的问题。
-
-
-
-
-
-
-
-
-
Search Results
385
records
(took 0.026 seconds)
