CN112950693A - 使用高斯分布概率值的智能静电吸附距离控制方法 - Google Patents
使用高斯分布概率值的智能静电吸附距离控制方法 Download PDFInfo
- Publication number
- CN112950693A CN112950693A CN202110155364.7A CN202110155364A CN112950693A CN 112950693 A CN112950693 A CN 112950693A CN 202110155364 A CN202110155364 A CN 202110155364A CN 112950693 A CN112950693 A CN 112950693A
- Authority
- CN
- China
- Prior art keywords
- depth
- feature map
- image
- circuit board
- gaussian distribution
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
- Y02A50/2351—Atmospheric particulate matter [PM], e.g. carbon smoke microparticles, smog, aerosol particles, dust
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及智能制造领域中的智能距离参数控制,其具体地公开了一种使用高斯分布概率值的智能静电吸附距离控制方法,其基于深度学习的编码技术来控制电路板与静电板之间的距离。具体地,在编码过程中,通过卷积神经网络分别从电路板的电路板图像和深度图像中提取分布特征图和深度特征图,采用Softmax形式的高斯分布函数来表达深度特征图中每个位置的深度特征值与深度特征图的整体的深度特征值之间的关系,并以获得的高斯分布概率值矩阵对深度特征图与分布特征图进行融合,这样,将融合后的特征图通过编码器,获得的编码结果,即,静电吸附距离,能够在保证除尘效果的同时尽可能地减小静电对电路板上的电子元器件的影响。
Description
技术领域
本发明涉及智能制造领域中的智能距离参数控制,且更为具体地,涉及一种使用高斯分布概率值的智能静电吸附距离控制方法、使用高斯分布概率值的智能静电吸附距离控制系统和电子设备。
背景技术
电路板上安装有包括电容、电阻等电子元器件,其在使用时容易附带上灰尘,由于电路板上的电子元器件通常具有高精密度,灰尘的附着容易导致电子元器件的接触不良甚至损坏。如果采用人工除尘的方式清洁电路板,则不仅除尘速度缓慢,且工作人员的劳动强度高。而类似吹风机之类的除尘设备在对电路板进行除杂时,容易因为对灰尘的收集效果不佳而导致电路板二次沾染灰尘。
目前,越来越多的电路板除尘装置采用静电吸附的方式,通过静电板来吸附电路板上附着的灰尘,这可以达到有效除尘的目的。但是,由于电路板上的具有高精密度的电子元器件也易于受到静电的影响,因此如何控制静电板与电路板之间的距离成为需要关注的问题。距离太近则可能由于静电板上的静电而对电路板上的电子元器件造成影响,距离太远则不利于实现有效的除尘效果。
因此,期待一种能够智能控制电路板与静电板之间的距离以保证除尘效果的技术方案。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为智能控制电路板与静电板之间的距离提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种使用高斯分布概率值的智能静电吸附距离控制方法、使用高斯分布概率值的智能静电吸附距离控制系统和电子设备,其基于深度学习的编码技术来控制电路板与静电板之间的距离。具体地,在编码过程中,通过卷积神经网络分别从电路板的电路板图像和深度图像中提取分布特征图和深度特征图,采用Softmax形式的高斯分布函数来表达深度特征图中每个位置的深度特征值与深度特征图的整体的深度特征值之间的关系,并以获得的高斯分布概率值矩阵对深度特征图与分布特征图进行融合,这样,将融合后的特征图通过编码器,获得的编码结果,即,静电吸附距离,能够在保证除尘效果的同时尽可能地减小静电对电路板上的电子元器件的影响。
根据本申请的一个方面,提供了一种使用高斯分布概率值的智能静电吸附距离控制方法,其包括:
获取待除尘的电路板的电路板图像;
将所述电路板图像通过第一深度卷积神经网络,以获得对应于所述电路板图像的分布特征图;
获取待除尘的电路板的深度图像;
将所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图;
基于所述深度特征图中所有位置的深度特征值计算所述深度特征图的均值u和方差v,并以如下公式计算所述深度特征图中每个位置的高斯分布深度特征值yi,其中,该公式为:yi=(xi-u)/v,xi表示所述深度特征图中每个位置的深度特征值;
以如下公式计算所述深度特征图中每个位置的深度特征值相对于所述深度特征图的整体分布的高斯分布概率值,其中,该公式为:Pi=exp(-xi)/∑exp(-yi),以获得高斯分布概率值矩阵;
基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图;以及
将所述编码特征图通过编码器,以获得编码值,所述编码值用于表示用于除尘的静电板与所述待除尘的电路板之间的距离。
在上述使用高斯分布概率值的智能静电吸附距离控制方法中,将所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图,包括:对所述深度图像进行预处理,以获得预处理后的所述深度图像,其中,对所述深度图像进行预处理的过程,包括如下步骤至少之一:去除所述深度图像中的异常值、填补所述深度图像中的孔洞点和对所述深度图像进行滤波处理;以及,将预处理后的所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图。
在上述使用高斯分布概率值的智能静电吸附距离控制方法中,用于采集所述深度图像的深度相机与用于采集所述电路板图像的彩色相机具有相同的视场角。
在上述使用高斯分布概率值的智能静电吸附距离控制方法中,将所述电路板图像通过第一深度卷积神经网络,以获得对应于所述电路板图像的分布特征图,包括:基于所述电路板图像与所述深度图像之间的分辨率之比,调整所述电路板图像的尺寸,以使得所述电路板图像的尺寸与所述深度图像的尺寸相一致。
在上述使用高斯分布概率值的智能静电吸附距离控制方法中,基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图,包括:以所述深度特征图中每个位置的高斯分布概率值对所述深度特征图上的每个位置的深度特征值进行加权,以获得深度加权特征图;以及,计算所述深度加权特征图与所述分布特征图之间的按像素位置点加,以获得所述编码特征图。
在上述使用高斯分布概率值的智能静电吸附距离控制方法中,所述编码器为深度全连接神经网络。
根据本申请的另一方面,提供了一种使用高斯分布概率值的智能静电吸附距离控制系统,其包括:
图像获取单元,用于获取待除尘的电路板的电路板图像;
分布特征图生成单元,用于将所述图像获取单元获得的所述电路板图像通过第一深度卷积神经网络,以获得对应于所述电路板图像的分布特征图;
深度图像获取单元,用于获取待除尘的电路板的深度图像;
深度特征图生成单元,用于将所述深度图像获取单元获得的所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图;
高斯分布深度特征值生成单元,用于基于所述深度特征图生成单元获得的所述深度特征图中所有位置的深度特征值计算所述深度特征图的均值u和方差v,并以如下公式计算所述深度特征图中每个位置的高斯分布深度特征值yi,其中,该公式为:yi=(xi-u)/v,xi表示所述深度特征图中每个位置的深度特征值;
高斯分布概率值矩阵生成单元,用于以如下公式计算所述深度特征图生成单元获得的所述深度特征图中每个位置的深度特征值相对于所述深度特征图的整体分布的高斯分布概率值,其中,该公式为:Pi=exp(-xi)/∑exp(-yi),以获得高斯分布概率值矩阵;
编码特征图生成单元,用于基于所述高斯分布概率矩阵,融合所述深度特征图生成单元获得的所述深度特征图和所述分布特征图生成单元获得的所述分布特征图以获得编码特征图;以及
编码值生成单元,用于将所述编码特征图生成单元获得的所述编码特征图通过编码器,以获得编码值,所述编码值用于表示用于除尘的静电板与所述待除尘的电路板之间的距离。
在上述使用高斯分布概率值的智能静电吸附距离控制系统中,所述深度特征图生成单元,包括:图像预处理子单元,用于对所述深度图像进行预处理,以获得预处理后的所述深度图像,其中,对所述深度图像进行预处理的过程,包括如下步骤至少之一:去除所述深度图像中的异常值、填补所述深度图像中的孔洞点和对所述深度图像进行滤波处理;以及,特征图生成子单元,用于将所述图像预处理子单元获得的所述预处理后的所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图。
在上述使用高斯分布概率值的智能静电吸附距离控制系统中,用于采集所述深度图像的深度相机与用于采集所述电路板图像的彩色相机具有相同的视场角。
在上述使用高斯分布概率值的智能静电吸附距离控制系统中,所述分布特征图生成单元,进一步用于:基于所述电路板图像与所述深度图像之间的分辨率之比,调整所述电路板图像的尺寸,以使得所述电路板图像的尺寸与所述深度图像的尺寸相一致。
在上述使用高斯分布概率值的智能静电吸附距离控制系统中,所述编码特征图生成单元,包括:深度加权特征图生成子单元,用于以所述深度特征图中每个位置的高斯分布概率值对所述深度特征图上的每个位置的深度特征值进行加权,以获得深度加权特征图;以及,融合子单元,用于计算所述深度加权特征图生成子单元获得的所述深度加权特征图与所述分布特征图之间的按像素位置点加,以获得所述编码特征图。
在上述使用高斯分布概率值的智能静电吸附距离控制系统中,所述编码器为深度全连接神经网络。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的使用高斯分布概率值的智能静电吸附距离控制方法。
根据本申请的再又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的使用高斯分布概率值的智能静电吸附距离控制方法。
与现有技术相比,本申请提供的使用高斯分布概率值的智能静电吸附距离控制方法、使用高斯分布概率值的智能静电吸附距离控制系统和电子设备,其基于深度学习的编码技术来控制电路板与静电板之间的距离。具体地,在编码过程中,通过卷积神经网络分别从电路板的电路板图像和深度图像中提取分布特征图和深度特征图,采用Softmax形式的高斯分布函数来表达深度特征图中每个位置的深度特征值与深度特征图的整体的深度特征值之间的关系,并以获得的高斯分布概率值矩阵对深度特征图与分布特征图进行融合,这样,将融合后的特征图通过编码器,获得的编码结果,即,静电吸附距离,能够在保证除尘效果的同时尽可能地减小静电对电路板上的电子元器件的影响。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制方法的应用场景图;
图2图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制方法的流程图;
图3图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制方法的系统架构示意图;
图4图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制方法中,将所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图的流程图;
图5图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制方法中,基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图的流程图;
图6图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制系统的框图;
图7图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制系统中深度特征图生成单元的框图;
图8图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制系统中编码特征图生成单元的框图;
图9图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,目前,越来越多的电路板除尘装置采用静电吸附的方式,但是,由于电路板上的具有高精密度的电子元器件也易于受到静电的影响,因此如何控制静电板与电路板之间的距离成为需要关注的问题。因此,本申请的发明人通过综合考虑电路板上的灰尘分布情况并结合电路板上的电子元器件的高度,利用深度学习技术来控制电路板与静电板之间的距离,从而在保证除尘效果的同时尽可能地减小静电对电路板上的电子元器件的影响。
这里,电路板上的灰尘分布情况可以直接通过卷积神经网络从电路板的图像中提取分布特征图,而电路板上的电子元器件的高度也可以通过深度相机获得电路板的深度图,并进一步通过卷积神经网络获得深度特征图,进一步需要的就是将深度特征图与分布特征图相融合。并且,在将深度特征图与分布特征图相融合时,期望体现出每个位置的深度特征值与深度特征图的整体的深度特征值之间的关系,因此采用Softmax形式的高斯分布函数。
具体地,首先获得电路板的图像,并通过第一卷积神经网络获得分布特征图,然后通过深度相机获得电路板的深度图,其中每个像素的值是深度相机所捕获的深度值,并通过第二卷积神经网络获得深度特征图。该深度特征图中的每个位置的深度特征值记为xi,基于深度特征图上的所有位置的深度特征值计算均值u和方差v,并计算每个位置的高斯分布深度特征值(xi-u)/v,例如记为yi。接下来,计算每个位置的深度特征值相对于整体分布的高斯分布概率值,即exp(-xi)/∑exp(-yi),以作为将深度特征图与分布特征图融合时的权重。
然后,以每个位置的高斯分布概率值对深度特征图上的每个位置的深度特征值进行加权,并与分布特征图进行点加操作以获得编码特征图,再将编码特征图通过实现为深度全连接神经网络的编码器,以获得编码值,该编码值用于表示静电板与电路板之间的距离。
基于此,本申请提出了一种使用高斯分布概率值的智能静电吸附距离控制方法,其包括:获取待除尘的电路板的电路板图像;将所述电路板图像通过第一深度卷积神经网络,以获得对应于所述电路板图像的分布特征图;获取待除尘的电路板的深度图像;将所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图;基于所述深度特征图中所有位置的深度特征值计算所述深度特征图的均值u和方差v,并以如下公式计算所述深度特征图中每个位置的高斯分布深度特征值yi,其中,该公式为:yi=(xi-u)/v,xi表示所述深度特征图中每个位置的深度特征值;以如下公式计算所述深度特征图中每个位置的深度特征值相对于所述深度特征图的整体分布的高斯分布概率值,其中,该公式为:Pi=exp(-xi)/∑exp(-yi),以获得高斯分布概率值矩阵;基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图,以及,将所述编码特征图通过编码器,以获得编码值,所述编码值用于表示用于除尘的静电板与所述待除尘的电路板之间的距离。
图1图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制方法的应用场景图。
如图1所示,在该应用场景中,首先通过RGB-D摄像模组(例如,如图1中所示意的C)获取待除尘的电路板的电路板图像和所述待除尘的电路板的深度图像,其中,所述RGB-D摄像模组包括彩色成像系统和深度成像系统,所述彩色成像系统用于采集待除尘电路板的彩色图像,所述深度成像系统用于采集待除尘电路板的深度图像;然后,将所述电路板图像和深度图像输入至部署有使用高斯分布概率值的智能静电吸附距离控制算法的服务器中(例如,如图1中所示意的S),其中,所述服务器能够使用高斯分布概率值的智能静电吸附距离控制算法对所述电路板图像和深度图像进行处理,以生成表示用于除尘的静电板与所述待除尘的电路板之间的距离的编码值。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了使用高斯分布概率值的智能静电吸附距离控制方法的流程图。如图2所示,根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制方法,包括:S110,获取待除尘的电路板的电路板图像;S120,将所述电路板图像通过第一深度卷积神经网络,以获得对应于所述电路板图像的分布特征图;S130,获取待除尘的电路板的深度图像;S140,将所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图;S150,基于所述深度特征图中所有位置的深度特征值计算所述深度特征图的均值u和方差v,并以如下公式计算所述深度特征图中每个位置的高斯分布深度特征值yi,其中,该公式为:yi=(xi-u)/v,xi表示所述深度特征图中每个位置的深度特征值;S160,以如下公式计算所述深度特征图中每个位置的深度特征值相对于所述深度特征图的整体分布的高斯分布概率值,其中,该公式为:Pi=exp(-xi)/∑exp(-yi),以获得高斯分布概率值矩阵;S170,基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图;以及,S180,将所述编码特征图通过编码器,以获得编码值,所述编码值用于表示用于除尘的静电板与所述待除尘的电路板之间的距离。
图3图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制方法的架构示意图。如图3所示,在所述使用高斯分布概率值的智能静电吸附距离控制方法的网络架构中,首先,将获取的待除尘的电路板的电路板图像(例如,如图3中所示意的IN1)通过第一深度卷积神经网络(例如,如图3中所示意的CNN1)以获得分布特征图(例如,如图3中所示意的F1);接着,将获取的待除尘的电路板的深度图像(例如,如图3中所示意的IN2)通过第二卷积神经网络(例如,如图3中所示意的CNN2)以获得深度特征图(例如,如图3中所示意的F2);接着,基于所述深度特征图中所有位置的深度特征值计算所述深度特征图中每个位置的高斯分布深度特征值(例如,如图3中所示意的D11到Dnn);接着,计算所述深度特征图中每个位置的深度特征值相对于所述深度特征图的整体分布的高斯分布概率值,以获得高斯分布概率值矩阵(例如,如图3中所示意的M1);接着,基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图(例如,如图3中所示意的Fc);然后,将所述编码特征图通过编码器(例如,如图3中所示意的编码器),以获得编码值(例如,如图3中所示意的C1),所述编码值用于表示用于除尘的静电板与所述待除尘的电路板之间的距离。
在步骤S110中,获取待除尘的电路板的电路板图像。具体地,在本申请实施例中,可通过RGB-D摄像模组获取所述待除尘的电路板的电路板图像。这里,所述RGB-D摄像模组包括彩色成像系统和深度成像系统,所述彩色成像系统用于采集待除尘电路板的彩色图像,所述深度成像系统用于采集待除尘电路板的深度图像。
在步骤S120中,将所述电路板图像通过第一深度卷积神经网络,以获得对应于所述电路板图像的分布特征图。也就是,通过第一深度卷积神经网络从电路板的图像中提取电路板上的灰尘分布情况的高维特征,以获得分布特征图。
具体地,在本申请实施例中,将所述电路板图像通过第一深度卷积神经网络,以获得对应于所述电路板图像的分布特征图的过程,包括:基于所述电路板图像与所述深度图像之间的分辨率之比,调整所述电路板图像的尺寸,以使得所述电路板图像的尺寸与所述深度图像的尺寸相一致。应可以理解,调整尺寸后,所述电路板图像与深度图像中的内容对齐。并且,分布特征图与深度特征图具有相一致的尺寸,便于后续计算。
特别地,在本申请实施例中,所述第一深度卷积神经网络为深度残差神经网络,例如,ResNet 50。本领域普通技术人员应知晓,相较于传统的卷积神经网络,深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构,其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构,通过残差网络结构可以把网络层弄得更深,并且,不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想,其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例,使某一层的输出可以直接跨过几层作为后面某一层的输入,其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤S130中,获取待除尘的电路板的深度图像。应可以理解,由于电路板上的具有高精密度的电子元器件也易于受到静电的影响,因此控制静电板与电路板之间的距离时,需要考虑电路板上的电子元器件的高度。具体地,在本申请实施例中,可通过如上所述的RGB-D摄像模组获取所述待除尘的电路板的深度图像。
特别地,在本申请实施例中,用于采集所述深度图像的深度成像系统与用于采集所述电路板图像的彩色成像系统具有相同的视场角。应可以理解,所述深度相机与所述彩色相机具有相同的视场角,可保证所述深度图像与所述电路板图像的图像中心对齐,并且,深度图像与电路板图像之间更易匹配。
在步骤S140中,将所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图。也就是,以第二卷积神经网络提取出所述深度图像中的高维特征。
具体地,在本申请实施例中,将所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图的过程,包括:首先,对所述深度图像进行预处理,以获得预处理后的所述深度图像,其中,对所述深度图像进行预处理的过程,包括如下步骤至少之一:去除所述深度图像中的异常值、填补所述深度图像中的孔洞点和对所述深度图像进行滤波处理,应可以理解,对所述深度图像进行预处理,可以减小由异常值造成的误差。然后,将预处理后的所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图。特别地,在本申请实施例中,所述第二卷积神经网络为深度残差神经网络,例如,ResNet50。值得一提的是,所述第二卷积神经网络可以与所述第一深度卷积神经网络具有相同的网络结构,应可以理解,具有相同网络结构的第一、第二卷积神经网络输出的分布特征图与深度特征图具有相同的尺度,利于后续计算。
图4图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制方法中,将所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图的流程图。如图4所示,将所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图,包括:S210,对所述深度图像进行预处理,以获得预处理后的所述深度图像,其中,对所述深度图像进行预处理的过程,包括如下步骤至少之一:去除所述深度图像中的异常值、填补所述深度图像中的孔洞点和对所述深度图像进行滤波处理;以及,S220,将预处理后的所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图。
在步骤S150中,基于所述深度特征图中所有位置的深度特征值计算所述深度特征图的均值u和方差v,并以如下公式计算所述深度特征图中每个位置的高斯分布深度特征值yi,其中,该公式为:yi=(xi-u)/v,xi表示所述深度特征图中每个位置的深度特征值。
在步骤S160中,以如下公式计算所述深度特征图中每个位置的深度特征值相对于所述深度特征图的整体分布的高斯分布概率值,其中,该公式为:Pi=exp(-xi)/∑exp(-yi),以获得高斯分布概率值矩阵。应可以理解,在将深度特征图与分布特征图相融合时,期望体现出每个位置的深度特征值与深度特征图的整体的深度特征值之间的关系,因此采用Softmax形式的高斯分布函数。
在步骤S170中,基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图。应可以理解,融合所述深度特征图和所述分布特征图,可以在编码过程中综合考虑电路板上的灰尘分布情况及电路板上的电子元器件的高度,以提高编码效果。
具体地,在本申请实施例中,基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图的过程,包括:首先,以所述深度特征图中每个位置的高斯分布概率值对所述深度特征图上的每个位置的深度特征值进行加权,以获得深度加权特征图,也就是,将所述高斯分布概率矩阵与所述深度特征图进行按像素位置加权,以获得深度加权特征图。然后,计算所述深度加权特征图与所述分布特征图之间的按像素位置点加,以获得所述编码特征图,也就是,所述深度加权特征图相当于掩码其表征所述分布特征图中不同区域应该被注意的权重。
图5图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制方法中,基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图的流程图。如图5所示,基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图,包括:S310,以所述深度特征图中每个位置的高斯分布概率值对所述深度特征图上的每个位置的深度特征值进行加权,以获得深度加权特征图;以及,S320,计算所述深度加权特征图与所述分布特征图之间的按像素位置点加,以获得所述编码特征图。
在步骤S180中,将所述编码特征图通过编码器,以获得编码值,所述编码值用于表示用于除尘的静电板与所述待除尘的电路板之间的距离。也就是,通过编码器对所述编码特征图进行编码,以充分利用所述编码特征图中各个位置的信息,以获得编码值。
具体地,在本申请实施例中,所述编码器为深度全连接神经网络,所述深度全连接神经网络包括多个全连接层,并且,全部都是全连接层,所述多个全连接层中的最后一层全连接层的输出位数为1,以获得编码值。应可以理解,所述编码器全部都是全连接层,可以减少编码过程中的信息损失,这样,提高编码精度。
综上,本申请实施例的使用高斯分布概率值的智能静电吸附距离控制方法被阐明,其基于深度学习的编码技术来控制电路板与静电板之间的距离。具体地,在编码过程中,通过卷积神经网络分别从电路板的电路板图像和深度图像中提取分布特征图和深度特征图,采用Softmax形式的高斯分布函数来表达深度特征图中每个位置的深度特征值与深度特征图的整体的深度特征值之间的关系,并以获得的高斯分布概率值矩阵对深度特征图与分布特征图进行融合,这样,将融合后的特征图通过编码器,获得的编码结果,即,静电吸附距离,能够在保证除尘效果的同时尽可能地减小静电对电路板上的电子元器件的影响。
示例性系统
图6图示了根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制系统的框图。
如图6所示,根据本申请实施例的使用高斯分布概率值的智能静电吸附距离控制系统600,包括:图像获取单元610,用于获取待除尘的电路板的电路板图像;分布特征图生成单元620,用于将所述图像获取单元610获得的所述电路板图像通过第一深度卷积神经网络,以获得对应于所述电路板图像的分布特征图;深度图像获取单元630,用于获取待除尘的电路板的深度图像;深度特征图生成单元640,用于将所述深度图像获取单元630获得的所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图;高斯分布深度特征值生成单元650,用于基于所述深度特征图生成单元640获得的所述深度特征图中所有位置的深度特征值计算所述深度特征图的均值u和方差v,并以如下公式计算所述深度特征图中每个位置的高斯分布深度特征值yi,其中,该公式为:yi=(xi-u)/v,xi表示所述深度特征图中每个位置的深度特征值;高斯分布概率值矩阵生成单元660,用于以如下公式计算所述深度特征图生成单元640获得的所述深度特征图中每个位置的深度特征值相对于所述深度特征图的整体分布的高斯分布概率值,其中,该公式为:Pi=exp(-yi)/∑exp(-yi),以获得高斯分布概率值矩阵;编码特征图生成单元670,用于基于所述高斯分布概率矩阵660,融合所述深度特征图生成单元640获得的所述深度特征图和所述分布特征图生成单元620获得的所述分布特征图以获得编码特征图;以及,编码值生成单元680,用于将所述编码特征图生成单元670获得的所述编码特征图通过编码器,以获得编码值,所述编码值用于表示用于除尘的静电板与所述待除尘的电路板之间的距离。
在一个示例中,在上述智能静电吸附距离控制系统600中,如图7所示,所述深度特征图生成单元640,包括:图像预处理子单元641,用于对所述深度图像进行预处理,以获得预处理后的所述深度图像,其中,对所述深度图像进行预处理的过程,包括如下步骤至少之一:去除所述深度图像中的异常值、填补所述深度图像中的孔洞点和对所述深度图像进行滤波处理;以及,特征图生成子单元642,用于将所述图像预处理子单元641获得的所述预处理后的所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图。
在一个示例中,在上述智能静电吸附距离控制系统600中,用于采集所述深度图像的深度相机与用于采集所述电路板图像的彩色相机具有相同的视场角。
在一个示例中,在上述智能静电吸附距离控制系统600中,所述分布特征图生成单元620,进一步用于:基于所述电路板图像与所述深度图像之间的分辨率之比,调整所述电路板图像的尺寸,以使得所述电路板图像的尺寸与所述深度图像的尺寸相一致。
在一个示例中,在上述智能静电吸附距离控制系统600中,如图8所示,所述编码特征图生成单元670,包括:深度加权特征图生成子单元671,用于以所述深度特征图中每个位置的高斯分布概率值对所述深度特征图上的每个位置的深度特征值进行加权,以获得深度加权特征图;以及,融合子单元672,用于计算所述深度加权特征图生成子单元671获得的所述深度加权特征图与所述分布特征图之间的按像素位置点加,以获得所述编码特征图。
在一个示例中,在上述智能静电吸附距离控制系统600中,所述编码器为深度全连接神经网络。
这里,本领域技术人员可以理解,上述智能静电吸附距离控制系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的使用高斯分布概率值的智能静电吸附距离控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的智能静电吸附距离控制系统600可以实现在各种终端设备中,例如用于控制电路板与静电板之间距离的服务器等。在一个示例中,根据本申请实施例的智能静电吸附距离控制系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该智能静电吸附距离控制系统600可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该智能静电吸附距离控制系统600同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该智能静电吸附距离控制系统600与该终端设备也可以是分立的设备,并且该智能静电吸附距离控制系统600可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示,电子设备包括10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的使用高斯分布概率值的智能静电吸附距离控制方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如高斯分布深度特征值、高斯分布概率值矩阵等各种内容。
在一个示例中,电子设备10还可以包括:输入系统13和输出系统14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息,包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图9中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的使用高斯分布概率值的智能静电吸附距离控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的使用高斯分布概率值的智能静电吸附距离控制方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种使用高斯分布概率值的智能静电吸附距离控制方法,其特征在于,包括:
获取待除尘的电路板的电路板图像;
将所述电路板图像通过第一深度卷积神经网络,以获得对应于所述电路板图像的分布特征图;
获取待除尘的电路板的深度图像;
将所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图;
基于所述深度特征图中所有位置的深度特征值计算所述深度特征图的均值u和方差v,并以如下公式计算所述深度特征图中每个位置的高斯分布深度特征值yi,其中,该公式为:yi=(xi-u)/v,xi表示所述深度特征图中每个位置的深度特征值;
以如下公式计算所述深度特征图中每个位置的深度特征值相对于所述深度特征图的整体分布的高斯分布概率值,其中,该公式为:Pi=exp(-xi)/∑exp(-yi),以获得高斯分布概率值矩阵;
基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图;以及
将所述编码特征图通过编码器,以获得编码值,所述编码值用于表示用于除尘的静电板与所述待除尘的电路板之间的距离。
2.根据权利要求1所述的使用高斯分布概率值的智能静电吸附距离控制方法,其中,将所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图,包括:
对所述深度图像进行预处理,以获得预处理后的所述深度图像,其中,对所述深度图像进行预处理的过程,包括如下步骤至少之一:去除所述深度图像中的异常值、填补所述深度图像中的孔洞点和对所述深度图像进行滤波处理;以及
将预处理后的所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图。
3.根据权利要求2所述的使用高斯分布概率值的智能静电吸附距离控制方法,其中,用于采集所述深度图像的深度相机与用于采集所述电路板图像的彩色相机具有相同的视场角。
4.根据权利要求3所述的使用高斯分布概率值的智能静电吸附距离控制方法,其中,将所述电路板图像通过第一深度卷积神经网络,以获得对应于所述电路板图像的分布特征图,包括:
基于所述电路板图像与所述深度图像之间的分辨率之比,调整所述电路板图像的尺寸,以使得所述电路板图像的尺寸与所述深度图像的尺寸相一致。
5.根据权利要求1所述的使用高斯分布概率值的智能静电吸附距离控制方法,其中,基于所述高斯分布概率矩阵,融合所述深度特征图和所述分布特征图以获得编码特征图,包括:
以所述深度特征图中每个位置的高斯分布概率值对所述深度特征图上的每个位置的深度特征值进行加权,以获得深度加权特征图;以及
计算所述深度加权特征图与所述分布特征图之间的按像素位置点加,以获得所述编码特征图。
6.根据权利要求5所述的使用高斯分布概率值的智能静电吸附距离控制方法,其中,所述编码器为深度全连接神经网络。
7.一种使用高斯分布概率值的智能静电吸附距离控制系统,其特征在于,包括:
图像获取单元,用于获取待除尘的电路板的电路板图像;
分布特征图生成单元,用于将所述图像获取单元获得的所述电路板图像通过第一深度卷积神经网络,以获得对应于所述电路板图像的分布特征图;
深度图像获取单元,用于获取待除尘的电路板的深度图像;
深度特征图生成单元,用于将所述深度图像获取单元获得的所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图;
高斯分布深度特征值生成单元,用于基于所述深度特征图生成单元获得的所述深度特征图中所有位置的深度特征值计算所述深度特征图的均值u和方差v,并以如下公式计算所述深度特征图中每个位置的高斯分布深度特征值yi,其中,该公式为:yi=(xi-u)/v,xi表示所述深度特征图中每个位置的深度特征值;
高斯分布概率值矩阵生成单元,用于以如下公式计算所述深度特征图生成单元获得的所述深度特征图中每个位置的深度特征值相对于所述深度特征图的整体分布的高斯分布概率值,其中,该公式为:Pi=exp(-xi)/∑exp(-yi),以获得高斯分布概率值矩阵;
编码特征图生成单元,用于基于所述高斯分布概率矩阵,融合所述深度特征图生成单元获得的所述深度特征图和所述分布特征图生成单元获得的所述分布特征图以获得编码特征图;以及
编码值生成单元,用于将所述编码特征图生成单元获得的所述编码特征图通过编码器,以获得编码值,所述编码值用于表示用于除尘的静电板与所述待除尘的电路板之间的距离。
8.根据权利要求7所述的使用高斯分布概率值的智能静电吸附距离控制系统,其中,所述深度特征图生成单元,包括:
图像预处理子单元,用于对所述深度图像进行预处理,以获得预处理后的所述深度图像,其中,对所述深度图像进行预处理的过程,包括如下步骤至少之一:去除所述深度图像中的异常值、填补所述深度图像中的孔洞点和对所述深度图像进行滤波处理;以及
特征图生成子单元,用于将所述图像预处理子单元获得的所述预处理后的所述深度图像通过第二卷积神经网络,以获得对应于所述深度图像的深度特征图。
9.根据权利要求7所述的使用高斯分布概率值的智能静电吸附距离控制系统,其中,所述编码特征图生成单元,包括:
深度加权特征图生成子单元,用于以所述深度特征图中每个位置的高斯分布概率值对所述深度特征图上的每个位置的深度特征值进行加权,以获得深度加权特征图;以及
融合子单元,用于计算所述深度加权特征图生成子单元获得的所述深度加权特征图与所述分布特征图之间的按像素位置点加,以获得所述编码特征图。
10.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的使用高斯分布概率值的智能静电吸附距离控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155364.7A CN112950693B (zh) | 2021-02-04 | 2021-02-04 | 使用高斯分布概率值的智能静电吸附距离控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155364.7A CN112950693B (zh) | 2021-02-04 | 2021-02-04 | 使用高斯分布概率值的智能静电吸附距离控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950693A true CN112950693A (zh) | 2021-06-11 |
CN112950693B CN112950693B (zh) | 2023-08-11 |
Family
ID=76243921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110155364.7A Active CN112950693B (zh) | 2021-02-04 | 2021-02-04 | 使用高斯分布概率值的智能静电吸附距离控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950693B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989218A (zh) * | 2021-10-26 | 2022-01-28 | 东莞高绮印刷有限公司 | 基于参数预测模型的双重静电除尘方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032222A1 (en) * | 2015-07-30 | 2017-02-02 | Xerox Corporation | Cross-trained convolutional neural networks using multimodal images |
CN109635140A (zh) * | 2018-12-14 | 2019-04-16 | 常熟理工学院 | 一种基于深度学习和密度峰值聚类的图像检索方法 |
CN111652273A (zh) * | 2020-04-27 | 2020-09-11 | 西安工程大学 | 一种基于深度学习的rgb-d图像分类方法 |
-
2021
- 2021-02-04 CN CN202110155364.7A patent/CN112950693B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032222A1 (en) * | 2015-07-30 | 2017-02-02 | Xerox Corporation | Cross-trained convolutional neural networks using multimodal images |
CN109635140A (zh) * | 2018-12-14 | 2019-04-16 | 常熟理工学院 | 一种基于深度学习和密度峰值聚类的图像检索方法 |
CN111652273A (zh) * | 2020-04-27 | 2020-09-11 | 西安工程大学 | 一种基于深度学习的rgb-d图像分类方法 |
Non-Patent Citations (1)
Title |
---|
彭理仁等: "一种基于深度图像的静态手势神经网络识别方法", 《自动化与仪器仪表》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989218A (zh) * | 2021-10-26 | 2022-01-28 | 东莞高绮印刷有限公司 | 基于参数预测模型的双重静电除尘方法和装置 |
CN113989218B (zh) * | 2021-10-26 | 2022-05-20 | 东莞高绮印刷有限公司 | 基于参数预测模型的双重静电除尘方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112950693B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020087607A1 (zh) | 一种基于Bi-Skip-Net的图像去模糊方法 | |
CN115375691B (zh) | 基于图像的半导体扩散纸源缺陷检测系统及其方法 | |
CN110766056B (zh) | 一种融合图像生成和多标签分类的异常图像检测方法 | |
CN111428805B (zh) | 显著性物体的检测方法、模型、存储介质及电子设备 | |
CN113901909B (zh) | 基于视频的目标检测方法、装置、电子设备和存储介质 | |
WO2023082453A1 (zh) | 一种图像处理方法及装置 | |
CN114580515A (zh) | 用于半导体脱焊智能检测的神经网络训练方法 | |
CN110533046A (zh) | 一种图像实例分割方法和装置 | |
CN112489087A (zh) | 用于高层建筑施工的悬吊式作业平台的晃动检测方法 | |
CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN113780140B (zh) | 基于深度学习的手势图像分割与识别方法以及装置 | |
CN112950693A (zh) | 使用高斯分布概率值的智能静电吸附距离控制方法 | |
CN114037648A (zh) | 基于类Softmax函数信息熵的智能速率参数控制方法 | |
CN112960213A (zh) | 使用特征概率分布表示的智能包装质量检测方法 | |
CN116563816A (zh) | 一种基于智能灯杆的道路识别方法及系统 | |
JP7148462B2 (ja) | 画像認識評価プログラム、画像認識評価方法、評価装置及び評価システム | |
CN116503314A (zh) | 用于门制造的质量检测系统及方法 | |
CN112489033A (zh) | 基于分类权重的混凝土养护箱的清洁效果的检测方法 | |
CN112800995A (zh) | 使用多尺度特征加权的智能颗粒大小检测方法 | |
CN112734016A (zh) | 用于钢筋表面的光滑程度检测的神经网络的训练方法 | |
CN112819040A (zh) | 基于权值生成机制的用于水泥加工的智能控制方法 | |
CN112396602A (zh) | 基于帧间跨尺度相似性聚合的钢材涂层检测方法 | |
CN112836752A (zh) | 基于深度值的特征图融合的智能采样参数控制方法 | |
CN112580753A (zh) | 基于纹理特征掩码的紧急迫降位置确定方法 | |
CN112633141A (zh) | 基于双重注意力机制的混凝土抗冲击能力的检测方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230719 Address after: No. 12, Zhuoxi Road, Pukou District, Nanjing, Jiangsu 211800 Applicant after: Nanjing Nanhua Aviation Industry Co.,Ltd. Address before: 510000 No.6 huawenchang lane, Tuhua East, Haizhu District, Guangzhou City, Guangdong Province (self declaration) Applicant before: Guangzhou Yidong Network Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |