-
公开(公告)号：CN117710337A
公开(公告)日：2024-03-15
申请号：CN202311745010.3
申请日：2023-12-16
Applicant: 西安电子科技大学广州研究院 , 西安电子科技大学
IPC: G06T7/00 , G06N3/09 , G06N3/0895 , G06T5/70 , G06N3/0464
Abstract: 本发明公开了基于自监督学习和自注意力图卷积的半监督工业图像异常检测方法，完成半监督工业图像的表面缺陷检测，本方法在训练过程中通过人工模拟的异常样本引入异常的伪先验知识给模型增加训练约束，模型通过对比和区分异常的伪先验知识，可以更好地总结何为正常，并缩小用于描述正常特征分布的超球体，本发明的有益效果是：缓解了基于特征表示的模型在迁移学习时面临的域适应问题；还通过推理被掩模区域的可能形式，编码器对图像中位置信息的敏感性得以提高；在解码部分，模型利用图卷积强调Patch之间的重点逻辑关系，进而增强模型对逻辑异常的检测能力。
-
公开(公告)号：CN113673462B
公开(公告)日：2023-12-19
申请号：CN202110992052.1
申请日：2021-08-27
Applicant: 西安电子科技大学广州研究院 , 京信智能科技(广州)有限公司
IPC: G06T7/73 , G06V20/58 , G06V10/26 , G06V20/70 , G06V10/44 , G06V10/56 , G06V10/82 , G06T7/80 , G06T3/00 , G06T3/40 , G06T5/50
Abstract: 本发明提供了一种基于车道线的物流AGV定位方法，采用多个鱼眼相机来拼接鸟瞰图，借助语义分割获取准确的、尺度确定的车道线信息；借助激光定位信息来构建全局一致的车道线地图；参考视觉SLAM中的直接法来构建实时的全局定位系统。IMU和轮速计将给出每帧姿态的先验，该先验可以加快姿态优化问题的收敛，该先验姿态可以在仅有单向车道的退化情形给出一个纵向的约束，来补偿丢失的自由度；由于IMU和轮速计存在一定的漂移误差，因此设计了一个有效的退化误差修正策略。本发明的定位方案可以在避免环境改造的前提下，在货物流动大的线边仓中胜任实时定位的任务，在退化场景有限的环境中，本发明的定位精度与主流的激光定位相仿。
-
公开(公告)号：CN114663382A
公开(公告)日：2022-06-24
申请号：CN202210268966.8
申请日：2022-03-18
Applicant: 西安电子科技大学广州研究院
Abstract: 本发明公开了一种基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法，包括如下步骤，利用高速工业相机采集工电子元器件表面缺陷图像；利用图像标注具LabelImg对电子元器件表面图像进行缺陷位置和类型的标注，构建缺陷数据集；对构建的训练数据集D进一步进行数据扩充，得到扩充后的训练数据集Dk；基于YOLOv5卷积神经网络基本框架，构建用于缺陷检测的深度学习网络模型；用训练数据集Dk来训练所述深度学习网络模型；获取电子元器件生产流水线上多路摄像头所采集的电子元器件表面图像，然后输入到训练好的深度学习网络模型中，进行缺陷检测，得到检测结果；本发明所提出的自动化电子元器件外观缺陷检测方法的检测效率更高，检测速度更快，泛化能力更强。
-
Patent Agency Ranking
公开(公告)号：CN113673462A
公开(公告)日：2021-11-19
申请号：CN202110992052.1
申请日：2021-08-27
Applicant: 西安电子科技大学广州研究院 , 京信智能科技(广州)有限公司
Abstract: 本发明提供了一种基于车道线的物流AGV定位方法，采用多个鱼眼相机来拼接鸟瞰图，借助语义分割获取准确的、尺度确定的车道线信息；借助激光定位信息来构建全局一致的车道线地图；参考视觉SLAM中的直接法来构建实时的全局定位系统。IMU和轮速计将给出每帧姿态的先验，该先验可以加快姿态优化问题的收敛，该先验姿态可以在仅有单向车道的退化情形给出一个纵向的约束，来补偿丢失的自由度；由于IMU和轮速计存在一定的漂移误差，因此设计了一个有效的退化误差修正策略。本发明的定位方案可以在避免环境改造的前提下，在货物流动大的线边仓中胜任实时定位的任务，在退化场景有限的环境中，本发明的定位精度与主流的激光定位相仿。
-
公开(公告)号：CN119229369A
公开(公告)日：2024-12-31
申请号：CN202411287999.2
申请日：2024-09-13
Applicant: 西安电子科技大学广州研究院
IPC: G06V20/52 , G06V20/40 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于深度学习及视频分析的智能门窗状态检测系统，包括客户端、数据采集端和服务端，客户端输出端与数据采集端通信连接，数据采集端输出端与服务端通信连接，服务端输出端与客户端通信连接，服务端包括模型构建模块、模型训练模块、视频学习模块、模型确定模块和检测结果反馈模块，本发明的有益效果是：本发明在门窗状态检测中首次使用目标检测深度学习算法，实现门窗状态的智能化检测，改进的YOLOv5网络结构确保捕获细粒度信息和保护在检测头部增加CBAM模块，提高暗光条件下检测性能，通过多帧融合和时序信息分析，增强模型对门窗状态变化的理解和判断，提高检测鲁棒性的技术方案。
-
公开(公告)号：CN118470590A
公开(公告)日：2024-08-09
申请号：CN202410548692.7
申请日：2024-04-30
Applicant: 西安电子科技大学广州研究院
IPC: G06V20/40 , G06V10/40 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/084 , G06N3/088 , G06N3/09
Abstract: 本发明公开了一种基于由粗到精策略的无监督监控视频异常检测方法，属于视频处理技术、计算机视觉领域。本发明方法直接从没有任何人工标注的原始监控视频中训练异常检测模型，从而极大降低了模型训练成本，节约了硬件资源，提高了检测速度。在训练阶段采集多个场景下的监控视频作为训练集并预处理提取特征。核心步骤为：第一阶段粗粒度地实现视频聚类区分，将没有标注的视频划分为正常和异常视频簇。第二阶段细粒度地为所有视频片段生成伪标签，利用片段伪标签信息进行引导深度学习，训练所需要的异常检测模型，体现了由粗到精的无监督学习思想。在测试阶段将训练好的异常检测模型部署到计算机上实现对视频流数据中异常事件的实时推理检测。
-
公开(公告)号：CN112052763B
公开(公告)日：2024-02-09
申请号：CN202010878108.6
申请日：2020-08-27
Applicant: 西安电子科技大学
IPC: G06V20/40 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/048
Abstract: 本发明提出了一种基于双向回顾生成对抗网络的视频异常事件检测方法，解决了现有技术没有利用视频帧序列之间的反向映射关系以及没有从视频帧序列长期时序一致性的角度进行运动约束，导致对视频中异常事件检测精度不足的问题。实现步骤为：构建了一个由生成器、帧判别器和序列判别器组成的生成对抗网络，在训练时，采用前向和后向预测并联合回顾性预测的双向回顾的方式，通过生成器、帧判别器和序列判别器的交替更新对生成对抗网络进行训练，得到一个能准确预测视频中正常事件将来帧图像而无法准确预测视频中异常事件将来帧图像的生成器，从而根据预测误差来检测是否发生异常事件。
-
公开(公告)号：CN112052763A
公开(公告)日：2020-12-08
申请号：CN202010878108.6
申请日：2020-08-27
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于双向回顾生成对抗网络的视频异常事件检测方法，解决了现有技术没有利用视频帧序列之间的反向映射关系以及没有从视频帧序列长期时序一致性的角度进行运动约束，导致对视频中异常事件检测精度不足的问题。实现步骤为：构建了一个由生成器、帧判别器和序列判别器组成的生成对抗网络，在训练时，采用前向和后向预测并联合回顾性预测的双向回顾的方式，通过生成器、帧判别器和序列判别器的交替更新对生成对抗网络进行训练，得到一个能准确预测视频中正常事件将来帧图像而无法准确预测视频中异常事件将来帧图像的生成器，从而根据预测误差来检测是否发生异常事件。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.067 seconds)
