CN109291657B - 基于卷积神经网络航天结构件工业物联标识激光打码系统 - Google Patents
基于卷积神经网络航天结构件工业物联标识激光打码系统 Download PDFInfo
- Publication number
- CN109291657B CN109291657B CN201811054694.1A CN201811054694A CN109291657B CN 109291657 B CN109291657 B CN 109291657B CN 201811054694 A CN201811054694 A CN 201811054694A CN 109291657 B CN109291657 B CN 109291657B
- Authority
- CN
- China
- Prior art keywords
- coding
- neural network
- laser
- convolution
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 31
- 108091026890 Coding region Proteins 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000007639 printing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 108700026244 Open Reading Frames Proteins 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010330 laser marking Methods 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/435—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by selective application of radiation to a printing material or impression-transfer material
- B41J2/47—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by selective application of radiation to a printing material or impression-transfer material using the combination of scanning and modulation of light
- B41J2/471—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by selective application of radiation to a printing material or impression-transfer material using the combination of scanning and modulation of light using dot sequential main scanning by means of a light deflector, e.g. a rotating polygonal mirror
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J29/00—Details of, or accessories for, typewriters or selective printing mechanisms not otherwise provided for
- B41J29/38—Drives, motors, controls or automatic cut-off devices for the entire printing mechanism
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J3/00—Typewriters or selective printing or marking mechanisms characterised by the purpose for which they are constructed
- B41J3/407—Typewriters or selective printing or marking mechanisms characterised by the purpose for which they are constructed for marking on special material
- B41J3/4078—Printing on textile
Abstract
本发明涉及一种基于卷积神经网络的航天结构件工业物联标识激光打码系统,其特征在于,包括:空间坐标系标定模块;打标区域规划模块;标识自动生成模块;打码参数生成模块;激光振镜运动控制模块。本发明无需人工进行打码区域的规划、且不需要对打码参数设置的经验要求,利用卷据神经网络(CNN)模型与BP神经网络模型能够针对不同表面形状特征、不同标识要求的航天结构件进行智能打码,打码效率高、标识识别率好,促进工业物联网系统的信息流动。
Description
技术领域
本发明涉及一种基于卷积神经网络(CNN)的航天结构件工业物联标识激光打码系统,属于制造技术领域中的激光打码系统。
背景技术
目前我国的制造领域正在飞速发展,我国已经成为一个制造业大国,然而还不是一个制造业强国,究其原因,是我国的制造业生产效率低、产品质量不高、且资源消耗大造成的。工业物联网有助于提高制造效率、改善产品质量、降低成本和资源消耗,其将具有感知、监控能力的各类采集或控制传感或控制器以及移动通信、智能分析等技术不断融入到工业生产过程各个环节。为了改善航天结构件的产品质量、降低资源消耗,构建面向航天结构件的工业物联网系统迫在眉睫。在航天结构件工业物联网构建的过程中,需要将产品信息映射至工业物联网系统,标识技术是针对此场景的优异解决方案,发明一个面向航天结构件的工业物联标识激光打码系统至关重要。为了保证其有效性,工业物联标识需要标记于平整的且具有一定面积的表面区域,因此首先需要进行打码区域的规划。但是,航天结构件数量较多、种类繁杂,其表面形状特征不同,具体体现在不同的航天结构件表面的凹凸面分布不同、且平面区域大小不一。因此,依赖人工规划打码区域的方式效率低下,进而会严重影响航天结构件工业物联标识激光打码系统的打码效率。为了提高它们的效率,发明一个具有智能规划打码区域的激光打码系统是非常有必要的。除了智能规划打码区域之外,针对不同的航天结构件,需要合适的打码参数,以保证标识的识别准确率。对现有的激光标识打码系统调研发现,现在的打码参数主要依赖有经验的工人进行手动设置,需要熟练工进行操作、耗费大量人力资源。因此,为了降低航天结构件工业物联网构建过程中所耗费的资源,发明一个具有智能生成打码参数的激光打码系统意义重大。
经对现有技术的文献检索发现,王铮在《应用于自动化生产线的激光在线打码系统》一文中提出了一种应用于自动化生产线的激光在线打码系统,利用PLC数据寄存器与自定义协议实现了激光在线打码系统与PLC协同工作,实现了实时打码。该文涉及的技术主要存在以下缺陷和不足:(1)未考虑打码区域的选择的问题,主要面向的是平面面积大的零件打码,应用场景有限;(2)仅解决了通讯问题与协同工作问题,不能智能规划打码参数,便用过程中人力资源耗费较大。
经对现有技术的文献检索发现,吴立华,丁度坤等人在《遗传算法在易拉罐罐盖喷码系统中的应用》一文中提出了一种基于遗传算法的易拉罐罐盖图像识别方法,以实现饮料易拉罐拉环背部激光打码的自动化。然而,该文涉及的技术仍然存在以下缺陷和不足:(1)使用遗传算法对阈值分割后的图像进行边缘检测,主要用于较小物体表面的打码区域定位;(2)末考虑表面的平整性,通过边缘检测只能保证标识位于表面范围之内,不能保证表面特征复杂时的所打标识的识别准确率。
发明内容
本发明的目的是提供一种航天结构件工业物联标识激光打码系统,能够针对不同表面形状特征、不同标识要求的航天结构件进行智能打码,打码效率高、标识识别率好。
为了达到上述目的,本发明的技术方案是提供了一种基于卷积神经网络的航天结构件工业物联标识激光打码系统,其特征在于,包括:
空间坐标系标定模块,用于将软件坐标系与打码机坐标系的对齐;
打标区域规划模块,用于针对不同种类航天结构件表面形状特征的不同,通过已有数据训练得到的卷积神经网络模型,智能规划不同种类航天结构件的可打码区域;
标识自动生成模块,用于在收到打码信息之后,根据二维码生成原理,生成一个包含全部打码信息的二维码;
打码参数生成模块,通过经验数据训练得到的BP神经网络模型,根据标识的线形要求与打码材料智能生成激光和运动参数;
激光振镜运动控制模块,通过相关接口协议,将振镜运动控制、电机运动控制和激光及其能量控制相结合,实现不同的激光加工工艺。
优选地,所述空间坐标系标定模块在打码机坐标原点固定的情况下,将坐标系标定问题转化为点的对齐问题与轴的选择问题,利用激光光束对齐打码机坐标原点、设定X/Y轴向,系统自动生成软件坐标系。
优选地,所述打标区域规划模块通过训练的卷积神经网络模型,根据航天结构件表面的图像信息,找出平整的、面积足够大的区域作为所述打码区域。
优选地,所述标识自动生成模块融合文档中的打码信息,根据二维码生成原理,生成多种格式的二维码。
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明无需人工进行打码区域的规划、且不需要对打码参数设置的经验要求,利用卷据神经网络(CNN)模型与BP神经网络模型能够针对不同表面形状特征、小同标识要求的航天结构件进行智能打码,打码效率高、标识识别率好,促进工业物联网系统的信息流动。
附图说明
图1为本发明系统基本组成示意图;
图2为空间坐标系标定模块示意图;
图3为打标区域规划模块的卷积神经网络(CNN)模型图;
图4为标识自动生成模块示意图;
图5为打码参数生成模块的BP神经网络模型图;
图6为激光振镜运动控制模块示意图。。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于木申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于卷积神经网络(CNN)的航天结构件工业物联标识激光打码系统,如图l所示,包括:空间坐标系标定模块,用于软件坐标系与打码机坐标系的对齐,实现打码区域的准确定位、减小打码误差;打标区域规划模块,用于针对不同种类航天结构件表面形状特征的不同,通过已有数据训练得到的卷积神经网络(CNN)模型,智能规划不同种类航天结构件的可打码区域;标识自动生成模块,用于在收到打码信息之后,根据二维码生成原理,生成多种格式的包含全部打码信息的二维码;打码参数生成模块,通过经验数据训练得到的BP神经网络模型,根据标识的线形要求与打码材料智能生成激光和运动参数;激光振镜运动控制模块,通过相关接口协议,将振镜运动控制、电机运动控制和激光及其能量控制相结合,实现不同的激光加工工艺。
如图2所示,首先是通过空间坐标系标定模块,在打码机坐标原点固定的情况下,将坐标系标定问题转化为点的对齐问题与轴的选择问题,利用激光光束对齐打码机坐标原点、设定X/Y轴向,系统自动生成软件坐标系,使软件坐标系与打标机坐标系相互重合,便于下一步打标区域的规划,实现打码区域的准确定位、减小打码误差。该空间坐标系标定模块的坐标系标定过程简单且高效。
打标区域规划模块通过训练的卷积神经网络(CNN)模型,根据航天结构件表面的图像信息,从而完成表面特征的智能识别,找出平整的、面积足够大的区域作为打码区域。所述打标区域规划模块采用智能识别的方式,省去人工规划打码区域的过程,大大提高打码效率。其核心是训练卷积神经网络(CNN)模型,具体模型如图3所示。
(1)输入航天结构件表面图像信息
此步骤是输入利用相机采集到的、待标识的航天结构件的表面图像信息,将其转化为600*600的数字矩阵。
(2)卷积第1层
选择6个特征卷积核,卷积核大小为201*201,这样可以得到6个特征图,每个特征图的大小为600-201+1=400,也就是神经元的个数为6*400*400=960000。
(3)池化第1层
使用最大池化进行下采样,池化的size为(2,2),即相当于对卷积第1层400*400的图片,进行分块,每个块的大小为2*2,这样可以得到200*200个块,然后统计每个块中最大的值作为新像素,池化第1层的结果为:200*200大小的图片,共有6个这样的图片。
(4)卷积第2层
用101*101的卷积核去卷积每一张输入的特征图,为了得到16个特征图,每张特征图的卷积核参数是不一样的,因此相当于需要6*(5*5)个参数。对每一张输入特征图进行卷积后,我们得到6张100*100的新图片,将这6张图片加在一起,加偏置项b,然后用激活函数sigmoid进行映射,得到一张100*100的输出特征图。为了得到16张100*100的输出特征图,需要卷积参数个数为16*(6*(100*100))=960000个参数。
(5)池化第2层
对卷积第2层的16张100*100的图片进行最大池化,池化块的大小为2*2。因此最后池化第2层为16张大小为50*50的图片。至此神经元个数减少为:16*50*50=40000。
(6)卷积第3层
用50*50的卷积核去卷积每一张输入的特征图,为了得到400个特征图,每张特征图的卷积核参数是不一样的,因此相当于需要16*(50*50)个参数。对每一张输入特征图进行卷积后,我们得到16张1*1的新图片,将这6张图片加在一起,加偏置项b,然后用激活函数sigmoid进行映射,得到一张1*1的输出特征图。为了得到400张100*100的输出特征图,需要卷积参数个数为400*(16*(50*50))=16000000个参数。因此最后剩下400个神经元。
(7)多层全连接神经网络层
神经元个数减少到400之后,后面采用400*200*50*2的全连接神经网络进行后续处理,各层的激活函数分别为tansig、tansig、tansig与sigmoid。
通过已有数据训练得到的卷积神经网络(CNN)模型,智能规划不同种类航天结构件平整的、面积足够大的可打码区域,省去人工规划打码区域的过程,大大提高打码效率。
在一个具体实例中,所述的航天结构件为舱段区域结构,表面曲面特征较多。针对该型航天舱段结构的打码,打码区域的规划很重要,将直接影响到标识的识别正确率。若打码区域位置选择不当,很容易造成无效打码的情况,对结构件表面造成不可逆的影响,甚至会不利于后续过程的装配操作。常规的依赖人工规划打码的区域的方法,标识准确率可以保证,但是效率极为低下。经大量测试发现。通过训练得到的卷积神经网络(CNN)模型用于打码区域的智能规划,准确率可达90%以上,高于人工规划的方式;且效率大大改善,可达人工规划效率的10倍以上。大量测试证明了智能规划打码区域的实用性与有效性。
如图4所示,标识自动生成模块融合文档中的打码信息,分别根据QR Code、Code128及EAN 128规则,生成QR、Code 128与EAN 128三种格式的二维码。
打码参数生成模块利用BP神经网络模型,考虑打码材料与标识的线形要求智能生成适合的打码参数。该打码参数生成模块采用智能生成的方式,使打码操作对于工人的经验要求大大降低。该模块所用的BP神经网络模型图如图5所示。
(1)对于BP神经网络输入层,由于标识深度值、标识灰度值与标识粒度值会直接影响标识的识别准确率,因此需要根据该3种参数的要求选择打码参数,将其作为BP神经网络的输入层。
(2)采用3*4*5共3层的BP神经网络模型,经大量数据测试发现,隐藏层与输出层的激活函数选择tansig与purelin时,拟合产生的均方误差最小、且拟合准确率可达90%以上。
如图6所示,激光振镜运动控制模块基于相关接口协议,将振镜运动控制、电机运动控制和激光及其能量控制相结合,实现不同的激光加工工艺。该模块可以实现对打标速度、激光功率、激光功率百分比、Q频值的自动控制,也可实现对以上参数以及打标次数、激光延时器、空跳速度的手工控制。其中,打标速度、激光功率、激光功率百分比、Q频值的自动控制依赖于打码参数生成模块。打码速度可以影响笔画粒度,稀疏度与深度;激光功率为激光束的能量,可以影响标识的灰度,即功率越大打码的标识颜色越黑;激光功率百分比,在激光功率一定时,控制不同时刻激光的功率大小;Q频值可以改变激光的输出频率,降低单点能量和峰值功率,在一定程度上能够提高打标速度。
Claims (4)
1.一种基于卷积神经网络的航天结构件工业物联标识激光打码系统,其特征在于,包括:
空间坐标系标定模块,用于将软件坐标系与打码机坐标系的对齐;
打标区域规划模块,用于针对不同种类航天结构件表面形状特征的不同,通过已有数据训练得到的卷积神经网络模型,智能规划不同种类航天结构件的可打码区域,其中,卷积神经网络模型包括
(1)输入航天结构件表面图像信息
此步骤是输入利用相机采集到的、待标识的航天结构件的表面图像信息,将其转化为600*600的数字矩阵;
(2)卷积第1层
选择6个特征卷积核,卷积核大小为201*201,这样可以得到6个特征图,每个特征图的大小为600-201+1=400,也就是神经元的个数为6*400*400=960000;
(3)池化第1层
使用最大池化进行下采样,池化的size为(2,2),即相当于对卷积第1层400*400的图片,进行分块,每个块的大小为2*2,这样可以得到200*200个块,然后统计每个块中最大的值作为新像素,池化第1层的结果为:200*200大小的图片,共有6个这样的图片;
(4)卷积第2层
用101*101的卷积核去卷积每一张输入的特征图,为了得到16个特征图,每张特征图的卷积核参数是不一样的,因此相当于需要6*(5*5)个参数;对每一张输入特征图进行卷积后,得到6张100*100的新图片,将这6张图片加在一起,加偏置项b,然后用激活函数sigmoid进行映射,得到一张100*100的输出特征图;为了得到16张100*100的输出特征图,需要卷积参数个数为16*(6*(100*100))=960000个参数;
(5)池化第2层
对卷积第2层的16张100*100的图片进行最大池化,池化块的大小为2*2;因此最后池化第2层为16张大小为50*50的图片;至此神经元个数减少为:16*50*50=40000;
(6)卷积第3层
用50*50的卷积核去卷积每一张输入的特征图,为了得到400个特征图,每张特征图的卷积核参数是不一样的,因此相当于需要16*(50*50)个参数;对每一张输入特征图进行卷积后,得到16张1*1的新图片,将这6张图片加在一起,加偏置项b,然后用激活函数sigmoid进行映射,得到一张1*1的输出特征图;为了得到400张100*100的输出特征图,需要卷积参数个数为400*(16*(50*50))=16000000个参数,因此最后剩下400个神经元;
(7)多层全连接神经网络层
神经元个数减少到400之后,后面采用400*200*50*2的全连接神经网络进行后续处理,各层的激活函数分别为tansig、tansig、tansig与sigmoid;
标识自动生成模块,用于在收到打码信息之后,根据二维码生成原理,生成一个包含全部打码信息的二维码;
打码参数生成模块,通过经验数据训练得到的BP神经网络模型,根据标识的线形要求与打码材料智能生成激光和运动参数;
激光振镜运动控制模块,通过相关接口协议,将振镜运动控制、电机运动控制和激光及其能量控制相结合,实现不同的激光加工工艺。
2.如权利要求1所述的一种基于卷积神经网络的航天结构件工业物联标识激光打码系统,其特征在于,所述空间坐标系标定模块在打码机坐标原点固定的情况下,将坐标系标定问题转化为点的对齐问题与轴的选择问题,利用激光光束对齐打码机坐标原点、设定X/Y轴向,系统自动生成软件坐标系。
3.如权利要求1所述的一种基于卷积神经网络的航天结构件工业物联标识激光打码系统,其特征在于,所述打标区域规划模块通过训练的卷积神经网络模型,根据航天结构件表面的图像信息,找出平整的、面积足够大的区域作为所述可打码区域。
4.如权利要求1所述的一种基于卷积神经网络的航天结构件工业物联标识激光打码系统,其特征在于,所述标识自动生成模块融合文档中的打码信息,根据二维码生成原理,生成多种格式的二维码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811054694.1A CN109291657B (zh) | 2018-09-11 | 2018-09-11 | 基于卷积神经网络航天结构件工业物联标识激光打码系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811054694.1A CN109291657B (zh) | 2018-09-11 | 2018-09-11 | 基于卷积神经网络航天结构件工业物联标识激光打码系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109291657A CN109291657A (zh) | 2019-02-01 |
CN109291657B true CN109291657B (zh) | 2020-10-30 |
Family
ID=65166529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811054694.1A Expired - Fee Related CN109291657B (zh) | 2018-09-11 | 2018-09-11 | 基于卷积神经网络航天结构件工业物联标识激光打码系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109291657B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110487211B (zh) * | 2019-09-29 | 2020-07-24 | 中国科学院长春光学精密机械与物理研究所 | 非球面元件面形检测方法、装置、设备及可读存储介质 |
CN111907215A (zh) * | 2020-08-06 | 2020-11-10 | 王金星 | 基于移动物联网环保作业系统 |
CN112958313B (zh) * | 2021-02-04 | 2022-03-04 | 深圳市邦建科技有限公司 | 使用距离矩阵加权特征的智能区域补偿喷漆参数控制方法 |
CN116402671B (zh) * | 2023-06-08 | 2023-08-15 | 北京万象创造科技有限公司 | 用于自动打码系统的样品打码图像处理方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101497279A (zh) * | 2009-02-26 | 2009-08-05 | 王晓宇 | 一种测量加工一体化的激光三维打标方法及装置 |
CN202669192U (zh) * | 2012-06-14 | 2013-01-16 | 苏州楚天光电设备有限公司 | 多单元一体化物联网标识激光标刻系统 |
CN103713579A (zh) * | 2013-12-12 | 2014-04-09 | 武汉钢铁(集团)公司 | 一种工业机器人作业方法 |
CN104439698A (zh) * | 2014-11-26 | 2015-03-25 | 北京凌云光技术有限责任公司 | 用于激光加工系统的标定方法及装置 |
CN105389596A (zh) * | 2015-12-21 | 2016-03-09 | 长沙网动网络科技有限公司 | 卷积神经网络适用于识别多种尺寸图片的方法 |
CN106355579A (zh) * | 2016-09-14 | 2017-01-25 | 南京理工大学 | 烟条表面褶皱的缺陷检测方法 |
CN106874914A (zh) * | 2017-01-12 | 2017-06-20 | 华南理工大学 | 一种基于深度卷积神经网络的工业机械臂视觉控制方法 |
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN107092859A (zh) * | 2017-03-14 | 2017-08-25 | 佛山科学技术学院 | 一种三维模型的深度特征提取方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN107451588A (zh) * | 2017-08-28 | 2017-12-08 | 广东工业大学 | 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法 |
CN107480640A (zh) * | 2017-08-16 | 2017-12-15 | 上海荷福人工智能科技(集团)有限公司 | 一种基于二值卷积神经网络的人脸对齐方法 |
CN107813607A (zh) * | 2016-09-12 | 2018-03-20 | 波音公司 | 用于处理仿形表面的表面处理组件及相关方法 |
CN108099959A (zh) * | 2018-01-26 | 2018-06-01 | 山西省自动化研究所 | 异物入侵智能监测报警系统 |
CN108171748A (zh) * | 2018-01-23 | 2018-06-15 | 哈工大机器人(合肥)国际创新研究院 | 一种面向机器人智能抓取应用的视觉识别与定位方法 |
CN108229665A (zh) * | 2018-02-02 | 2018-06-29 | 上海建桥学院 | 一种以深度卷积神经网络为基础的零件分拣系统 |
CN108340077A (zh) * | 2018-01-31 | 2018-07-31 | 深圳泰德激光科技有限公司 | 激光打标方法及系统 |
CN108406123A (zh) * | 2018-03-26 | 2018-08-17 | 湖北工业大学 | 一种激光加工中三维零件标定系统及方法 |
WO2018152248A1 (en) * | 2017-02-14 | 2018-08-23 | Dignity Health | Systems, methods, and media for selectively presenting images captured by confocal laser endomicroscopy |
-
2018
- 2018-09-11 CN CN201811054694.1A patent/CN109291657B/zh not_active Expired - Fee Related
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101497279A (zh) * | 2009-02-26 | 2009-08-05 | 王晓宇 | 一种测量加工一体化的激光三维打标方法及装置 |
CN202669192U (zh) * | 2012-06-14 | 2013-01-16 | 苏州楚天光电设备有限公司 | 多单元一体化物联网标识激光标刻系统 |
CN103713579A (zh) * | 2013-12-12 | 2014-04-09 | 武汉钢铁(集团)公司 | 一种工业机器人作业方法 |
CN104439698A (zh) * | 2014-11-26 | 2015-03-25 | 北京凌云光技术有限责任公司 | 用于激光加工系统的标定方法及装置 |
CN105389596A (zh) * | 2015-12-21 | 2016-03-09 | 长沙网动网络科技有限公司 | 卷积神经网络适用于识别多种尺寸图片的方法 |
CN107813607A (zh) * | 2016-09-12 | 2018-03-20 | 波音公司 | 用于处理仿形表面的表面处理组件及相关方法 |
CN106355579A (zh) * | 2016-09-14 | 2017-01-25 | 南京理工大学 | 烟条表面褶皱的缺陷检测方法 |
CN106874914A (zh) * | 2017-01-12 | 2017-06-20 | 华南理工大学 | 一种基于深度卷积神经网络的工业机械臂视觉控制方法 |
WO2018152248A1 (en) * | 2017-02-14 | 2018-08-23 | Dignity Health | Systems, methods, and media for selectively presenting images captured by confocal laser endomicroscopy |
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN107092859A (zh) * | 2017-03-14 | 2017-08-25 | 佛山科学技术学院 | 一种三维模型的深度特征提取方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN107480640A (zh) * | 2017-08-16 | 2017-12-15 | 上海荷福人工智能科技(集团)有限公司 | 一种基于二值卷积神经网络的人脸对齐方法 |
CN107451588A (zh) * | 2017-08-28 | 2017-12-08 | 广东工业大学 | 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法 |
CN108171748A (zh) * | 2018-01-23 | 2018-06-15 | 哈工大机器人(合肥)国际创新研究院 | 一种面向机器人智能抓取应用的视觉识别与定位方法 |
CN108099959A (zh) * | 2018-01-26 | 2018-06-01 | 山西省自动化研究所 | 异物入侵智能监测报警系统 |
CN108340077A (zh) * | 2018-01-31 | 2018-07-31 | 深圳泰德激光科技有限公司 | 激光打标方法及系统 |
CN108229665A (zh) * | 2018-02-02 | 2018-06-29 | 上海建桥学院 | 一种以深度卷积神经网络为基础的零件分拣系统 |
CN108406123A (zh) * | 2018-03-26 | 2018-08-17 | 湖北工业大学 | 一种激光加工中三维零件标定系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109291657A (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109291657B (zh) | 基于卷积神经网络航天结构件工业物联标识激光打码系统 | |
CN110570396B (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
CN110223345B (zh) | 基于点云的配电线路作业对象位姿估计方法 | |
CN111340797A (zh) | 一种激光雷达与双目相机数据融合检测方法及系统 | |
JP7212236B2 (ja) | オーバービュー視覚およびローカル視覚の一体化によるロボット視覚案内方法及び装置 | |
CN107038429A (zh) | 一种基于深度学习的多任务级联人脸对齐方法 | |
CN106251353A (zh) | 弱纹理工件及其三维位姿的识别检测方法及系统 | |
Cui et al. | 3D semantic map construction using improved ORB-SLAM2 for mobile robot in edge computing environment | |
CN111198496A (zh) | 一种目标跟随机器人及跟随方法 | |
CN101398907A (zh) | 一种用于移动机器人的二维码结构及解码方法 | |
CN113538486A (zh) | 一种提高汽车钣金工件的识别与定位精度的方法 | |
CN112819080B (zh) | 一种高精度通用的三维点云识别方法 | |
CN110443849B (zh) | 一种基于深度图像的双流卷积神经网络回归学习的目标定位方法 | |
CN114638486B (zh) | 一种基于智能标识和识别体系的钢管质量追溯方法及系统 | |
CN112907735A (zh) | 一种基于点云的柔性电缆识别与三维重建方法 | |
Salem et al. | Assessment of methods for industrial indoor object recognition | |
CN114545400A (zh) | 基于毫米波雷达的水面机器人的全局重定位方法 | |
CN112967271B (zh) | 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法 | |
CN114310883A (zh) | 一种基于多知识库的机械臂自主装配方法 | |
Zhang et al. | Deep learning-based robot vision: High-end tools for smart manufacturing | |
CN111932617B (zh) | 一种对规则物体实现实时检测定位方法和系统 | |
CN111352398B (zh) | 智能精密加工单元 | |
CN115479607A (zh) | 用于智慧电场的室内定位方法及其系统 | |
Guan et al. | Indoor localization system of ROS mobile robot based on visible light communication | |
Jo et al. | A deep convolutional neural network based 6-dof relocalization with sensor fusion system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201030 |