CN111275022A - 基于遗忘因子型经验模态分解的污渍检测分析方法及应用 - Google Patents
基于遗忘因子型经验模态分解的污渍检测分析方法及应用 Download PDFInfo
- Publication number
- CN111275022A CN111275022A CN202010196021.0A CN202010196021A CN111275022A CN 111275022 A CN111275022 A CN 111275022A CN 202010196021 A CN202010196021 A CN 202010196021A CN 111275022 A CN111275022 A CN 111275022A
- Authority
- CN
- China
- Prior art keywords
- stain
- internal model
- forgetting factor
- empirical mode
- mode decomposition
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及物体表面清洁技术领域,尤其涉及一种基于遗忘因子型经验模态分解的污渍检测分析方法及其应用。所述方法包括:(1)提出遗忘因子型图像/视频经验模态分解方法;(2)通过单向整定遗忘因子筛选若干内模函数,进而分析该内模函数与污渍属性/成因的相关性;(3)提取内模函数特征,实时确定对应污渍属性/成因的清洁方案。基于改进的带有遗忘因子的经验模态分解方法,将内模函数与污渍属性/成因相关联,可同时实现清洁机器人的污渍检测与任务规划的即时并发进行。
Description
技术领域
本发明涉及物体表面清洁技术领域,尤其涉及一种基于遗忘因子型经验模态分解的污渍检测分析方法及其应用。
背景技术
本发明背景技术中公开的信息仅仅旨在增加对本发明的总体背景的理解,而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
随着我国经济与科技的不断发展,大量的物体表面清洁工作已由人工转为自动化操作。在众多针对具有不规则表面的物体清洁任务中,对物体表面的污渍进行准确检测与分析并基于此高效合理地规划清洁任务仍然有待进一步探究。
发明人在研究中发现,现今常见的清洁机器人多为简单的直行移动机械,它们大多在由地面障碍物或自行设置的红外线装置给定的移动范围内,进行往复的简单直线运动以遍历整个活动范围,达到清洁目的。
总体而言,现有的机器人清洁系统缺乏合理的任务规划机制,仅能在简单平面上依照单一的清洁标准进行简单的清洁任务,缺乏针对性,其清洁效率低下,难以适应复杂清洁任务且耗时耗能。
近年来,日益增多的不规则工业器件表面的保养清洁工作需要由清洁机器人完成以节约成本并提升效率,例如高铁等表面的自动清洁需要合理选择清洗剂、研磨剂、毛刷等,依据表面的污染情况及清洁要求使得清洁机器人以最高效率完成清洁任务。然而,本发发明人发现:针对这些不规则工业器件表面的清洁,现有的方法对污渍成因分析与任务规划还缺乏研究,这极大地限制了先进清洁机器人的发展与应用。
发明内容
针对上述的问题,本发明提出一种基于遗忘因子型经验模态分解的污渍检测分析方法及其,通过建立带有遗忘因子的经验模态分解方法,将内模函数与污渍属性/成因相关联,进而为科学合理的清洁策略提供理论指导。为实现上述目的,本发明公开了下述技术方案。
一种基于遗忘因子型经验模态分解的污渍检测分析方法,包括步骤:
(1)提出遗忘因子型图像/视频经验模态分解方法。
(2)通过单向整定遗忘因子筛选若干内模函数,进而分析该内模函数与污渍属性/成因的相关性。
(3)提取内模函数特征,实时确定对应污渍属性/成因的清洁方案。
进一步地,步骤(1)中,所述遗忘因子型图像/视频经验模态分解方法主要包括:获取污渍附着面数字化图像/视频,若为曲面信息,则生成曲面V(x,y,z)或V(x,y,z,k)信号;若为平面信息,则生成平面V(x,y)或V(x,y,k)信号,其中,V代表像素点(x,y,z)或(x,y)坐标处的数值,k代表视频帧数;然后对信号V在(x,y,z)空间或(x,y)平面内的所有极值点通过积分来获得分解结果。
进一步地,若所述信号在空间内或平面没有极值点但有拐点,则通过对数据微分一次或多次求得极值,然后再通过积分来获得分解结果。
进一步地,通过可见光或不可见光传感器,获取污渍附着面数字化图像/视频,生成平面V(x,y)或曲面V(x,y,z)的表达式。
进一步地,步骤(2)中,所述内模函数的筛选方法包括如下步骤:
(i)找到原始信号V在(x,y,z)空间或(x,y)平面内的所有极值点。
(ii)拟合出极大值点和极小值点的包络面Emax和Emin,并求出上、下包络面的加权平均值M=αEmax+(1-α)Emin,在V中减去M生成H=V-M,所述α∈(0,1)为遗忘因子。
(iii)判据H是否为内模函数;如果不是,则以H代替V,重复步骤(i)和(ii)直到H满足判据,则H为需要提取的内模函数。即若H不是内模函数,就将其作为新的V,再代入第(i)和(ii)步骤重复操作,直至生成的H满足内模函数条件。
(iv)每得到一阶内模函数H,就从原始信号V中扣除H,即如果H为内模函数,就从V中减去H,生成新的V。
(v)重复步骤(i)到(iv),直到信号最后剩余部分nr,就只是单调序列或者常值序列,经过上述分解,原始信号V分解成一系列内模函数Hi(阶次i=1,2,3…)以及剩余部分的线性叠加:V=∑iHi+nr。
进一步地,步骤(iii)中,所述判断H是否为内模函数的条件为:参考待清洁材料表面原色,判断信号极值点的数量与零点数相等或相差一,以及信号的由极大值点定义的上包络和由极小值点定义的下包络的局部均值为零。如果满足上述条件,则为内模函数;否则不是内模函数。
进一步地,步骤(2)中,所述内模函数与污渍属性/成因的相关性分析检测方法包括:整定α使不同时间尺度数据特征成分被分解到一个内模函数污渍属性/成因,并至少将污渍属性/成因、附着面属性与不同时间尺度数据特征进行相关性分析,从而将污渍属性/成因与各个可信的内模函数Hi(阶次i=1,2,3…)相关联。
进一步地,所述污渍属性/成因包括影响污渍形成的季节、温度、湿度、光照、风速等;其被分解后得到季节、温度、湿度、光照、风速等不同时间尺度数据特征。
进一步地,步骤(3)的具体步骤包括:针对每一个Hi和剩余项nr,并考虑污渍属性/成因;确定清洗剂、研磨剂、毛刷等的材料类型。根据每一个Hi的振动模态特征,综合确定清洁头的转速、压力、路径等可控因素。
最后,本发明公开所述基于遗忘因子型经验模态分解的污渍检测分析方法在工业器件清洁中的应用。
与现有技术相比,本发明至少具有以下几方面的有益效果:
(1)由于本发明采用了基于改进的带有遗忘因子的经验模态分解方法,可以将污渍属性/成因与内模函数相关联,使得本发明能够在清洁机器人进行污渍检测的同时,依据分解得到的内模函数进行任务规划,实时制定适合的清洁方案。
(2)由于本发明通过单向整定遗忘因子筛选了若干内模函数,可以得到其与污渍产生原因的相关性,进而根据其选择最优清洁方式,提升清洁效率。
(3)由于本发明对内模函数的分解振动模态暗含了污渍的成因,可以据此确定清洗剂、研磨剂、毛刷等的类型和清洁头的转速、压力、路径等,保证实时根据清洁表面污渍的变化制定对应的清洁方案。
(4)本发明的清洁方法完全基于物体表面污渍的图像信息,而对物体本身的形状、材质等并无特殊要求,因而此方法可广泛应用于各类工业器件表面清洁工作的任务规划中。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例中利用遗忘因子型经验模态分解方法从原始信号中分解出内模函数的流程图。
图2为本发明实施例中利用遗忘因子型经验模态分解方法获得的内模函数与污渍属性/成因进行相关性的流程图。
图3为本发明实施例中利用所得的内模函数与相关性进行任务规划的流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
为了方便叙述,本发明中如果出现“上”、“下”、“左”“右”字样,仅表示与附图本身的上、下、左、右方向一致,并不对结构起限定作用,仅仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件需要具有特定的方位,以特定的方位构造和操作,因此不能理解为对本发明的限制。
正如前文所述,现有的一些针对不规则工业器件表面的清洁,现有的方法对污渍成因分析与任务规划还缺乏研究,这极大地限制了先进清洁机器人的发展与应用。因此,本发明提出了一种基于遗忘因子型经验模态分解的污渍检测分析方法;现结合说明书附图和具体实施方式对本发明进一步说明。
如图1-3所示,示例一种基于遗忘因子型经验模态分解的污渍检测分析方法。本示例所使用的遗忘因子型经验模态分解方法如图1所示,方法的整体流程图如图3。方法主要包括三个部分,即依照所给待清洁表面的图像建立函数并进行遗忘因子型经验模态分解获得各个模态函数,整定α获得污渍属性/成因与各个可信的内模函数之间的相关性,根据所得的相关性和模态函数的振动模态特性选择清洁所用设备以及配置清洁过程中所涉及的机械控制参数。具体包括如下步骤:
以清洁机器人为污渍分析检测,并执行清洁任务的工具,由其中的数字检测设备获得不规则待清洁物体表面污渍在整个物体所占空间上的分布信号,记为V(x,y,z),即原始信号;该函数描述了物体表面的某一特定指标,可以指示物体表面的污染程度,是进行后续分析的基础。此信号一般应为不规则曲面,若数据不存在极值却存在拐点,则可以通过对数据微分一次或者多次求得极值,然后再通过积分来获得分解结果。通过图像或视频进行建模,大大降低了清洁过程的复杂度,同时所选的指标可以根据清洁需求自主调节,使得本方法兼具了准确性与通用性。
对于上一步骤得到的信号实施基于遗忘因子型的经验模态分解,包括:找到信号V在(x,y,z)空间或(x,y)平面内的所有极值点,然后,根据这些极值点拟合出极大值点和极小值点的包络面Emax和Emin,并求出上、下包络面的加权平均值M=αEmax+(1-α)Emin,在信号V中减去M生成H=V-M,其中α∈(0,1)为遗忘因子。接着,需要判据H是否为内模函数,即参考待清洁材料表面原色,判断信号极值点的数量与零点数是否相等或相差是一,以及信号的由极大值点定义的上包络和由极小值点定义的下包络的局部均值是否为零;如果不满足上述条件,则H不是内模函数,则以H代替V作为信号,并从寻找其极值点开始重复以上步骤直到H满足判据,则H就是需要提取的内模函数;每得到一阶内模函数,就从原始信号中扣除它;重复以上步骤,直到信号最后剩余部分nr,就只是单调序列或者常值序列。这样,经过遗忘因子型经验模态分解就将原始信号V分解成一系列内模函数Hi(阶次i=1,2,3…)以及剩余部分nr的线性叠加:V=∑iHi+nr。
整定α使得不同时间尺度特征成分被分解到一个内模函数污渍属性/成因,如影响污渍形成的季节、温度、湿度、光照、风速等不同时间尺度数据特征,并将污渍属性、附着面属性等与不同时间尺度数据特征进行相关性分析,从而将污渍属性/成因与各个可信的内模函数Hi(阶次i=1,2,3…)相关联。通过这种相关性分析,可以找出各个污渍在不同尺度下的主要影响因素,为清洁保养提供全方位的指引。另一方面,这种相关性分析还可进一步用于防污策略设计,即根据某种污染产生的主要原因,循因施策。
最后,针对每一个Hi和剩余项nr并考虑污渍属性/成因,确定清洗剂、研磨剂、毛刷等的材料类型;根据每一个Hi的振动模态特征,综合确定清洁头的转速、压力、路径等可控因素。上述因素确定后形成相应的清洁方案,由清洁机器人对污渍进行清洗。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于遗忘因子型经验模态分解的污渍检测分析方法,其特征在于,包括:
提出遗忘因子型图像/视频经验模态分解方法;
通过单向整定遗忘因子筛选若干内模函数,进而分析该内模函数与污渍属性/成因的相关性;
提取内模函数特征,实时确定对应污渍属性/成因的清洁方案。
2.如权利要求1所述的基于遗忘因子型经验模态分解的污渍检测分析方法,其特征在于,所述遗忘因子型图像/视频经验模态分解方法主要包括:获取污渍附着面数字化图像/视频,若为曲面信息,则生成曲面V(x,y,z)或V(x,y,z,k)信号;若为平面信息,则生成平面V(x,y)或V(x,y,k)信号,其中,V代表像素点(x,y,z)或(x,y)坐标处的数值,k代表视频帧数;然后对V在(x,y,z)空间或(x,y)平面内的所有极值点通过积分来获得分解结果。
3.如权利要求2所述的基于遗忘因子型经验模态分解的污渍检测分析方法,其特征在于,若所述信号在空间内或平面没有极值点但有拐点,则通过对数据微分一次或多次求得极值,然后再通过积分来获得分解结果。
4.如权利要求2所述的基于遗忘因子型经验模态分解的污渍检测分析方法,其特征在于,通过可见光或不可见光传感器,获取污渍附着面数字化图像/视频,生成平面V(x,y)或曲面V(x,y,z)的表达式。
5.如权利要求2-4任一项所述的基于遗忘因子型经验模态分解的污渍检测分析方法,其特征在于,所述内模函数的筛选方法包括:
(i)找到原始信号V在(x,y,z)空间或(x,y)平面内的所有极值点;
(ii)拟合出极大值点和极小值点的包络面Emax和Emin,并求出上、下包络面的加权平均值M=αEmax+(1-α)Emin,在V中减去M生成H=V-M,所述α∈(0,1)为遗忘因子;
(iii)判据H是否为内模函数;如果不是,则以H代替V,重复步骤(i)和(ii)直到H满足判据,则H为需要提取的内模函数;
(iv)每得到一阶内模函数,就从原始信号V中扣除H;
(v)重复步骤(i)到(iv),直到信号最后剩余部分nr,就只是单调序列或者常值序列,经过上述分解,原始信号V分解成一系列内模函数Hi以及剩余部分的线性叠加:V=∑iHi+nr,阶次i=1,2,3…。
6.如权利要求5所述的基于遗忘因子型经验模态分解的污渍检测分析方法,其特征在于,步骤(iii)中,所述判断H是否为内模函数的条件为:参考待清洁材料表面原色,判断信号极值点的数量与零点数相等或相差一,以及信号的由极大值点定义的上包络和由极小值点定义的下包络的局部均值为零;如果满足上述条件,则为内模函数;否则不是内模函数。
7.如权利要求5所述的基于遗忘因子型经验模态分解的污渍检测分析方法,其特征在于,所述内模函数与污渍属性/成因的相关性分析检测方法包括:整定α使不同时间尺度数据特征成分被分解到一个内模函数污渍属性/成因,并至少将污渍属性/成因、附着面属性与不同时间尺度数据特征进行相关性分析,从而将污渍属性/成因与各个可信的内模函数Hi相关联,阶次i=1,2,3…。
8.如权利要求7所述的基于遗忘因子型经验模态分解的污渍检测分析方法,其特征在于,所述污渍属性/成因包括影响污渍形成的季节、温度、湿度、光照、风速中的一种或多种;其被分解后得到季节、温度、湿度、光照、风速不同时间尺度数据特征。
9.如权利要求7所述的基于遗忘因子型经验模态分解的污渍检测分析方法,其特征在于,所述提取内模函数特征,实时确定对应污渍属性/成因的清洁方案的具体步骤包括:针对每一个Hi和剩余项nr,并考虑污渍属性/成因;确定清洗剂、研磨剂、毛刷的材料类型;根据每一个Hi的振动模态特征,综合确定清洁头的转速、压力、路径。
10.如权利要求1-9任一项公开的所述基于遗忘因子型经验模态分解的污渍检测分析方法在工业器件清洁中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196021.0A CN111275022B (zh) | 2020-03-19 | 2020-03-19 | 基于遗忘因子型经验模态分解的污渍检测分析方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196021.0A CN111275022B (zh) | 2020-03-19 | 2020-03-19 | 基于遗忘因子型经验模态分解的污渍检测分析方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275022A true CN111275022A (zh) | 2020-06-12 |
CN111275022B CN111275022B (zh) | 2023-05-16 |
Family
ID=71002632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010196021.0A Active CN111275022B (zh) | 2020-03-19 | 2020-03-19 | 基于遗忘因子型经验模态分解的污渍检测分析方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275022B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114832927A (zh) * | 2022-04-29 | 2022-08-02 | 厦门依加成科技有限公司 | 一种用于丝状物分离和质量评价的系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05266214A (ja) * | 1992-03-17 | 1993-10-15 | Hitachi Ltd | 画像表示方法 |
JPH11191053A (ja) * | 1997-12-25 | 1999-07-13 | Canon Inc | 記録装置および記録システム |
WO2007141858A1 (ja) * | 2006-06-08 | 2007-12-13 | Fujitsu Limited | 汚れ検出方式 |
US20100074496A1 (en) * | 2008-09-23 | 2010-03-25 | Industrial Technology Research Institute | Multi-dimensional empirical mode decomposition (emd) method for image texture analysis |
CN101685435A (zh) * | 2008-09-26 | 2010-03-31 | 财团法人工业技术研究院 | 用于图像纹理分析的多维度经验模态分析方法 |
US20130163839A1 (en) * | 2011-12-27 | 2013-06-27 | Industrial Technology Research Institute | Signal and image analysis method and ultrasound imaging system |
US20150199010A1 (en) * | 2012-09-14 | 2015-07-16 | Interaxon Inc. | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
CN105675056A (zh) * | 2016-02-22 | 2016-06-15 | 东南大学 | 一种大跨桥梁损伤识别方法 |
DE102018002850B3 (de) * | 2018-04-10 | 2019-08-14 | Robert Simmoteit | Analyseverfahren und Anschmutzung |
-
2020
- 2020-03-19 CN CN202010196021.0A patent/CN111275022B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05266214A (ja) * | 1992-03-17 | 1993-10-15 | Hitachi Ltd | 画像表示方法 |
JPH11191053A (ja) * | 1997-12-25 | 1999-07-13 | Canon Inc | 記録装置および記録システム |
WO2007141858A1 (ja) * | 2006-06-08 | 2007-12-13 | Fujitsu Limited | 汚れ検出方式 |
US20100074496A1 (en) * | 2008-09-23 | 2010-03-25 | Industrial Technology Research Institute | Multi-dimensional empirical mode decomposition (emd) method for image texture analysis |
CN101685435A (zh) * | 2008-09-26 | 2010-03-31 | 财团法人工业技术研究院 | 用于图像纹理分析的多维度经验模态分析方法 |
US20130163839A1 (en) * | 2011-12-27 | 2013-06-27 | Industrial Technology Research Institute | Signal and image analysis method and ultrasound imaging system |
US20150199010A1 (en) * | 2012-09-14 | 2015-07-16 | Interaxon Inc. | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
CN105675056A (zh) * | 2016-02-22 | 2016-06-15 | 东南大学 | 一种大跨桥梁损伤识别方法 |
DE102018002850B3 (de) * | 2018-04-10 | 2019-08-14 | Robert Simmoteit | Analyseverfahren und Anschmutzung |
Non-Patent Citations (2)
Title |
---|
ANIL KUMAR,RAJESH KUMAR: "Role of Signal Processing, Modeling and Decision Making in the Diagnosis of Rolling Element Bearing Defect: A Review" * |
ZHONG SHI, XUEXIANG HUANG: "Statistical Learning Modeling for Tremor Signal Based on Empirical Mode Decomposition Method" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114832927A (zh) * | 2022-04-29 | 2022-08-02 | 厦门依加成科技有限公司 | 一种用于丝状物分离和质量评价的系统及方法 |
CN114832927B (zh) * | 2022-04-29 | 2023-06-02 | 厦门依加成科技有限公司 | 一种用于丝状物分离和质量评价的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111275022B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110605393B (zh) | 一种激光立体成形过程检测方法及系统和应用 | |
CN110223345B (zh) | 基于点云的配电线路作业对象位姿估计方法 | |
Gausemeier et al. | New guideline vdi 2206-a flexible procedure model for the design of mechatronic systems | |
US20230400830A1 (en) | Methods and systems of fast optimization and compensation for volumetric positioning errors of rotary axes of five-axis cnc machine tools | |
CN111055293A (zh) | 一种基于曲面自适应的工业机器人高精度恒力打磨方法 | |
CN101456159A (zh) | 火花识别对刀方法及磨削加工自动化系统 | |
CN110065068B (zh) | 一种基于逆向工程的机器人装配作业演示编程方法及装置 | |
CN111013857A (zh) | 一种喷涂机器人控制系统及控制方法 | |
CN107146237B (zh) | 一种基于在线状态学习与估计的目标跟踪方法 | |
CN109683552B (zh) | 一种基面曲线导向的复杂点云模型上的数控加工路径生成方法 | |
CN111783544B (zh) | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 | |
CN109726734B (zh) | 一种基于辐射源侦察信息的目标平台自动识别系统 | |
CN111275022A (zh) | 基于遗忘因子型经验模态分解的污渍检测分析方法及应用 | |
CN108628260A (zh) | 基于机器人的多品种工具成套设备及自动装配工艺 | |
CN111736528A (zh) | 一种基于视觉纠偏的激光切割自动编程系统 | |
CN110597065B (zh) | 一种用于送粉式激光增材自适应控制系统 | |
CN108921871A (zh) | 一种基于全局贪婪搜索的鲁棒模型拟合方法 | |
CN111951257A (zh) | 列车外墙油漆激光清洗过程视觉检测反馈控制方法与装置 | |
CN106126219B (zh) | 一种基于目标装配关系自然语言描述的机械手装配任务自主编程方法 | |
CN112530267B (zh) | 一种基于计算机视觉的机械臂智能示教方法及应用 | |
CN114310883A (zh) | 一种基于多知识库的机械臂自主装配方法 | |
CN112749701A (zh) | 车牌污损分类模型的生成方法和车牌污损分类方法 | |
CN116982648A (zh) | 一种基于机器视觉的机器人屠宰分割方法、系统及介质 | |
CN111272764A (zh) | 大型智能临时平台非接触图像识别移动管控系统及方法 | |
CN116448118A (zh) | 一种扫地机器人的工作路径优化方法和装置 |
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 |