CN114548253A - 一种基于图像识别及动态匹配的数字孪生模型构建系统 - Google Patents

一种基于图像识别及动态匹配的数字孪生模型构建系统 Download PDF

Info

Publication number
CN114548253A
CN114548253A CN202210146649.9A CN202210146649A CN114548253A CN 114548253 A CN114548253 A CN 114548253A CN 202210146649 A CN202210146649 A CN 202210146649A CN 114548253 A CN114548253 A CN 114548253A
Authority
CN
China
Prior art keywords
image
module
model
digital twin
equipment
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.)
Pending
Application number
CN202210146649.9A
Other languages
English (en)
Inventor
金立军
杨柯欣
王逸飞
夏志文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202210146649.9A priority Critical patent/CN114548253A/zh
Publication of CN114548253A publication Critical patent/CN114548253A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图像识别及动态匹配的数字孪生模型构建系统，用以对被测生产设备进行自动识别和孪生模型动态自适应匹配，包括：设计图像采集模块：用以通过布设的图像拍摄器件对生产设备进行拍摄，并将拍摄到的原始图像进行预处理后输出到图像识别模块；图像识别模块：用以根据图像信息识别设备类别并将被测生产设备类别发送至三维模型组件模块；三维可视化模块：用以将被测生产设备类别信息进行可视化显示。与现有技术相比，本发明面向生产线设备模型构建，能够对被测设备进行自动识别及孪生模型动态自适应匹配，最终实现生产线数字孪生模型构建及三维可视化显示。

Description

一种基于图像识别及动态匹配的数字孪生模型构建系统
技术领域
本发明涉及生产线图像识别的动态匹配领域，尤其是涉及一种基于图像识别及动态匹配的数字孪生模型构建系统。
背景技术
随着人工智能的发展，图像识别技术也日趋完善，由最初的文字识别发展为目前的物体识别，然而现代图像识别技术的一个不足就是自适应性能差，一旦目标图像被较强的噪声污染或是目标图像有较大残缺往往就得不出理想的结果，这一缺点使得图像识别的应用受到很大程度的限制，目前仍无法准确找到其在生产制造中的位置。
数字孪生技术实现了现实物理系统向赛博空间数字化模型的反馈，一经提出，便被广泛应用以生产制造中，它可以真正在全生命周期范围内，保证数字与物理世界的协调一致，目前的孪生技术适用以单条生产线的虚拟与现实映射，难以实现生产模型、生产模式的公用或多用，因此，需要一种结合动态匹配方法的数字孪生模型，以实现多种数字化模型间的各类仿真、分析、数据积累、挖掘等信息共用，从而提高数字孪生的适用性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于图像识别及动态匹配的数字孪生模型构建系统。
本发明的目的可以通过以下技术方案来实现：
一种基于图像识别及动态匹配的数字孪生模型构建系统，用以对被测生产设备进行自动识别和孪生模型动态自适应匹配，包括：
设计图像采集模块：用以通过布设的图像拍摄器件对生产设备进行拍摄，并将拍摄到的原始图像进行预处理后输出到图像识别模块；
图像识别模块：用以根据图像信息识别设备类别并将被测生产设备类别发送至三维模型组件模块；
三维可视化模块：用以将被测生产设备类别信息进行可视化显示。
所述的设计图像采集模块中，通过高清相机对生产设备进行拍摄，在拍摄时调整相机位置和参数，使图像范围能够覆盖整个生产设备并保证图像中设备高度大于图像高度的2/3，同时图像中心对准生产设备。
对原始图像进行预处理包括图像灰度化、图像分割和图像还原三个步骤，所述的图像灰度化用以将原始彩色图像转换为灰度图像，所述的图像分割采用区域种子分割法将生产设备表面与背景进行分割，所述的图像还原用以对设备表面添加原有的色彩信息得到生产设备表面的彩色图像。
所述的图像识别模块中，提取生产设备表面彩色图像的图像特征值，并通过选择Fisher准则J值最大的特征值作为BP神经网络的输入，进而训练BP神经网络进行生产设备类别的识别。
所述的BP神经网络的输入为设备表面彩色图像的H、S、V分量均值，输出则为设备类型。
所述的BP神经网络训练过程包括以下步骤：
1)网络初始化，确定BP神经网络的输入层、隐含层和输出层神经元个数，设定误差精度、迭代次数、学习速率以及各层神经元激励函数；
2)利用训练样本进行前向传输信号计算；
3)利用误差反向传播算法进行输出层和隐含层连接权值的调整；
4)根据设定的迭代次数和误差精度要求判断网络训练是否结束，若达到给定的迭代次数或满足误差精度要求，则停止迭代，训练结束，否则继续步骤3)，直到达到给定的迭代次数或者网络误差函数满足误差精度要求为止。
所述的三维可视化模块由数字孪生模型组建模块、数字孪生模型匹配模块和渲染显示模块构成，所述的数字孪生模型组建模块包括构建模型库及模型组件调用模块，用以从生产设备模型库中调用生产设备数字孪生模型，所述的数字孪生模型匹配模块用以基于图像识别类型实现对待检测目标不同拍摄角度下的运动状态分析，以实现匹配和调用设备动作模型。
所述的数字孪生模型组建模块位于系统底层，用以进行上层代码与图像识别模块之间的数据传输，同时调用图像识别模块进行数据推理，并获取图像识别模块输出的结果，具体实现方式为：
首先在系统上层定义两个接口maceMobilenetCreateEngine和maceMobilenetClassify，然后通过NDK和jni在底层库中实现接口设计，数字孪生模型组建模块由Mode1Ca11类完成实现，Mode1Call类中包含两个函数，分别为函数maceMobilenetCreateEngine和函数maceMobilenetClassify。
函数maceMobilenetCreateEngine：用以将数据转换为二进制的数据流格式，同时获取设备和模型的信息，并对运行的设备进行参数配置；
函数maceMobilenetClassify：用以调用图像识别模块运行，对识别模块运行后得到的结果进行获取，最后对结果进行格式调整之后，将结果传输到系统上层。
所述的数字孪生模型匹配模块采用SIFT算法实现图像匹配。
所述的设计图像采集模块中的图像采集手段包括图像采集器、传感器或条形扫码。
与现有技术相比，本发明具有以下优点：
一、本发明基于工业相机，通过传感器的协调作用，获取生产线设备多方位视图，通过图像的识别分析，完成设备类型的判别以及运维状态的判断。
二、本发明基于虚实结合，对生产线现场采集图片与预设生产状态模型进行比对，在获得动态匹配判定模块的动态匹配指令后，调用三维生产设备模型，根据匹配判定，辩识设备状态，调用预设设备动作模块，结合渲染显示模块，实现三维可视化展示。
附图说明
图1为基于图像识别的数字孪生模型动态匹配系统整体框架图。
图2为数字孪生模型匹配模块流程图。
图3为数字孪生模型三维可视化模块流程图。
图4为数字孪生模型匹配模块流程图。
图5为图像采集模块流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，本发明提供一种基于图像识别及动态匹配的数字孪生模型构建系统，基于工业相机、传感器组等协调作用，根据拍摄设备的几何特征和纹理特征，对拍摄设备对象进行分类，通过虚实结合，比对预设模型动作图片，调用预设动作模型，实现数字孪生模型的动态自适应匹配，进行可视化展示，该系统包括：
设计图像采集模块：在生产设备布局图像拍摄器件，用于对生产设备进行拍摄，对原始图像进行预处理后输出到图像识别模块，图像采集手段包括但不限于：图像采集器、传感器、条形扫码；
图像识别模块：用于根据图像信息，识别检测设备类别并将被测生产设备类别发送至三维模型组件模块，如图2所示，包括构建图像数据模型库、构建图像预处理模块及设备运维分析模块；
拍摄到的设备图像由高清相机进行拍摄，拍摄时需要调整相机位置和参数，使图像范围能覆盖整个生产设备并保证图像中设备高度大于图像高度的2/3，同时图像中心应对准识别设备，获取设备图像后，通过图像预处理，将设备表面与背景分割，得到拍摄设备表面彩色图像，由于设备表面颜色与背景颜色差异较大，故在分割设备表面与背景时采用区域种子分割法进行，通过特征提取，计算设备表面彩色图像的各项特征值，拍摄的图像共可提取R、G、B、H、S、V分量的均值、中值、最大值、最小值、众值、极差、方差、偏度、峭度、熵、能量共66个特征值，本发明通过研究设备表面样本，运用Fisher准则从众多特征值中选择设备表面H、S、V分量均值作为表现设备特征信息的图像特征值，然后构建BP神经网络进行设备类型的识别。
本例中，图像预处理包括图像灰度化、图像分割和图像还原三个步骤，图像灰度化是将彩色图像转换为灰度图像；图像分割采取的是区域种子分割法，分离拍摄设备表面和背景；图像还原是为拍摄设备添加原有的色彩信息。
本例中，特征选择均通过比较Fisher准则J值进行，选定Fisher准则J值最大的特征值作为对应图像所需要提取的特征值。
BP神经网络的输入参数为设备图像的特征值，本实例中，图像特征值为通过图像处理、特征提取和特征选择获取的设备表面H、S、V分量均值，输出参数为设备类别，并获取一定量的样本对BP神经网络进行训练，BP神经网络的训练过程如下：
(1)首先进行网络初始化，根据研究对象的实际情况确定网络的输入层、隐含层和输出层神经元个数n(n＝3)、m(m＝10)和s(s＝1)，然后进行BP神经网络各参数的初始化，对隐含层和输出层的权值与阈值进行随机赋值，同时确定误差精度ε(ε＝e-5)，迭代次数M(M＝1000)，学习速率以及各层神经元激励函数等参数。
(2)利用训练样本进行前向传输信号计算。输入层输入P个训练样本，分别为X1,X2,…,XP，其中每个样本为X＝[x1,x2,…,xn]T，期望输出为T1,T2,…,TP，其中每个输出为T＝[t1,t2,…,ts]T，表示一个训练样本对应的期望输出。设隐层神经元的输入为hj，输出为Oj，ωij为输入层与隐层的网络连接权值，θj为隐层神经元的阈值，隐层神经元的输入、输出分别为
Figure BDA0003509260490000051
Figure BDA0003509260490000052
设ωjk为隐层与输出层的网络连接权值，θk为输出层神经元的阈值，其输入hk和输出yk分别为
Figure BDA0003509260490000053
Figure BDA0003509260490000054
(3)利用误差反向传播算法进行输出层和隐含层连接权值的调整。经过前向计算后，将训练样本对应的实际输出Y1,Y2,…,YP和期望输出T1,T2,…,TP进行比较，将校正误差逐层由输出层向输入层进行反向传播，使输出层和隐含层的连接权值和神经元阈值不断向着使误差函数E减少的方向进行调整，使YP和TP之间的误差尽可能减小。网络的均方误差函数E定义如下
Figure BDA0003509260490000055
对于每一组样本，输出层和隐含层各神经元的校正误差
Figure BDA0003509260490000056
和
Figure BDA0003509260490000057
分别为
Figure BDA0003509260490000058
Figure BDA0003509260490000059
对于每一组样本，输出层和隐含层的连接权值和神经元阈值的调整公式为
Figure BDA00035092604900000510
Figure BDA00035092604900000511
Figure BDA00035092604900000512
Figure BDA0003509260490000061
式中，n0为训练迭代次数，η为训练步长。
(4)根据给定的迭代次数和误差要求判断网络训练是否结束。若达到给定的迭代次数或满足误差要求，则停止迭代，训练结束，否则继续步骤(3)，直到达到给定的迭代次数或者网络误差函数E满足精度要求为止。
三维可视化模块：包括生产设备三维模型组件模块和数字孪生模型匹配模块、渲染显示模块；
数字孪生模型组建模块：如图3所示，包括构建模型库及模型组件调用模块，用于从生产设备模型库中调用生产设备数字孪生模型，由收集到的图像信息经动态匹配及动态辨识、再经过动作预设，传递至渲染显示模块；数字孪生模型组建模块位于系统底层，主要用以进行上层代码与图像识别模块之间的数据传输，同时调用图像识别模块进行数据推理，并获取图像识别模块输出的结果数据。首先在系统上层定义两个接口maceMobilenetCreateEngine和maceMobilenetClassify，然后通过NDK和jni在底层库中使用C++代码实现接口设计。该模块由Mode1Ca11类完成实现，Mode1Call类中主要包含两个函数，分别为函数maceMobilenetCreateEngine和函数maceMobilenetClassify。
(1)maceMobilenetCreateEngine：该函数主要是使用C++代码将数据转换为二进制的数据流格式；同时获取设备和模型的信息，并对运行的设备进行参数配置。
(2)maceMobilenetClassify：该函数主要是调用图像识别模块运行，然后对识别模块运行后得到的结果进行获取，最后对结果进行格式调整之后，将结果传输到系统上层。
数字孪生模型匹配模块：该模块基于图像识别实现对待检测目标不同拍摄角度下的运动状态和设备类别分析，匹配和调用设备动作模型；SIFT算法不易受到旋转、尺度变化的影响，同时该算法对噪声、光照等有很好的稳定性。本实例选用SIFT算法完成图像匹配。其实现主要包括以下几个内容：
(1)候选兴趣点的确定。首先，经图像降采样与模糊处理构建出高斯金字塔；其次，在高斯金字塔的基础上作差，得到高斯差分金字塔；最后，经像素点比较确定出候选兴趣点。差分高斯函数(DOG)算子本质是一种卷积算子，是图像与高斯核差分进行卷积的结果，其表达式为：
G(x,y,σ)＝(G(x,y,kσ)-C(x,y,σ))*I(x,y)
其中，高斯核：
Figure BDA0003509260490000071
通过下式可生成高斯卷积图像。
L(x,y,kσ)＝G(x,y,kσ)*I(x,y)
(2)定位兴趣点。兴趣点位置的确定主要通过对三维二次函数的拟合计算得到，在定位出兴趣点的位置后，计算兴趣点的尺度信息，同时去除图像匹配点对中较低匹配度的兴趣点。
(3)根据梯度方向，指定兴趣点的方向。利用图像梯度方法，基于提取到的图像局部特征，为每个兴趣点指定1个方向。
(4)使用维度向量描述兴趣点。每个兴趣点都具有位置、方向、尺度等信息。为避免兴趣点的位置、方向、尺度随光照、视角的变化而发生变化，给每个关键点建立1个128维的特征描述子。
(5)图像匹配。通过2幅图像特征向量相似性对比，完成图像匹配。当2幅待匹配影像生成SIFT向量后，采用k-d树算法为每个特征点搜寻最邻近的特征匹配点。
本发明用以实现对被测设备进行自动识别和孪生模型动态自适应匹配，具体过程如下：
在生产布局中采用图像拍摄器件进行图像采集，并经由预处理后输出至图像识别模块，对于采集到的图像信息进行识别并区分类别，将区分后的类别信息传递至三维模型组件模块，由三维可视化模块将采集到的类别信息可视化显示，收集到的图像信息经数字孪生模型匹配模块动态匹配后，需进行图像渲染处理，最终传递至可视化模块进行展示。

Claims (10)

1.一种基于图像识别及动态匹配的数字孪生模型构建系统，用以对被测生产设备进行自动识别和孪生模型动态自适应匹配，其特征在于，包括：
设计图像采集模块：用以通过布设的图像拍摄器件对生产设备进行拍摄，并将拍摄到的原始图像进行预处理后输出到图像识别模块；
图像识别模块：用以根据图像信息识别设备类别并将被测生产设备类别发送至三维模型组件模块；
三维可视化模块：用以将被测生产设备类别信息进行可视化显示。
2.根据权利要求1所述的一种基于图像识别及动态匹配的数字孪生模型构建系统，其特征在于，所述的设计图像采集模块中，通过高清相机对生产设备进行拍摄，在拍摄时调整相机位置和参数，使图像范围能够覆盖整个生产设备并保证图像中设备高度大于图像高度的2/3，同时图像中心对准生产设备。
3.根据权利要求2所述的一种基于图像识别及动态匹配的数字孪生模型构建系统，其特征在于，对原始图像进行预处理包括图像灰度化、图像分割和图像还原三个步骤，所述的图像灰度化用以将原始彩色图像转换为灰度图像，所述的图像分割采用区域种子分割法将生产设备表面与背景进行分割，所述的图像还原用以对设备表面添加原有的色彩信息得到生产设备表面的彩色图像。
4.根据权利要求3所述的一种基于图像识别及动态匹配的数字孪生模型构建系统，其特征在于，所述的图像识别模块中，提取生产设备表面彩色图像的图像特征值，并通过选择Fisher准则J值最大的特征值作为BP神经网络的输入，进而训练BP神经网络进行生产设备类别的识别。
5.根据权利要求4所述的一种基于图像识别及动态匹配的数字孪生模型构建系统，其特征在于，所述的BP神经网络的输入为设备表面彩色图像的H、S、V分量均值，输出则为设备类型。
6.根据权利要求5所述的一种基于图像识别及动态匹配的数字孪生模型构建系统，其特征在于，所述的BP神经网络训练过程包括以下步骤：
1)网络初始化，确定BP神经网络的输入层、隐含层和输出层神经元个数，设定误差精度、迭代次数、学习速率以及各层神经元激励函数；
2)利用训练样本进行前向传输信号计算；
3)利用误差反向传播算法进行输出层和隐含层连接权值的调整；
4)根据设定的迭代次数和误差精度要求判断网络训练是否结束，若达到给定的迭代次数或满足误差精度要求，则停止迭代，训练结束，否则继续步骤3)，直到达到给定的迭代次数或者网络误差函数满足误差精度要求为止。
7.根据权利要求1所述的一种基于图像识别及动态匹配的数字孪生模型构建系统，其特征在于，所述的三维可视化模块由数字孪生模型组建模块、数字孪生模型匹配模块和渲染显示模块构成，所述的数字孪生模型组建模块包括构建模型库及模型组件调用模块，用以从生产设备模型库中调用生产设备数字孪生模型，所述的数字孪生模型匹配模块用以基于图像识别类型实现对待检测目标不同拍摄角度下的运动状态分析，以实现匹配和调用设备动作模型。
8.根据权利要求7所述的一种基于图像识别及动态匹配的数字孪生模型构建系统，其特征在于，所述的数字孪生模型组建模块位于系统底层，用以进行上层代码与图像识别模块之间的数据传输，同时调用图像识别模块进行数据推理，并获取图像识别模块输出的结果，具体实现方式为：
首先在系统上层定义两个接口maceMobilenetCreateEngine和maceMobilenetClassify，然后通过NDK和jni在底层库中实现接口设计，数字孪生模型组建模块由Mode1Ca11类完成实现，Mode1Call类中包含两个函数，分别为函数maceMobilenetCreateEngine和函数maceMobilenetClassify。
函数maceMobilenetCreateEngine：用以将数据转换为二进制的数据流格式，同时获取设备和模型的信息，并对运行的设备进行参数配置；
函数maceMobilenetClassify：用以调用图像识别模块运行，对识别模块运行后得到的结果进行获取，最后对结果进行格式调整之后，将结果传输到系统上层。
9.根据权利要求7所述的一种基于图像识别及动态匹配的数字孪生模型构建系统，其特征在于，所述的数字孪生模型匹配模块采用SIFT算法实现图像匹配。
10.根据权利要求1所述的一种基于图像识别及动态匹配的数字孪生模型构建系统，其特征在于，所述的设计图像采集模块中的图像采集手段包括图像采集器、传感器或条形扫码。
CN202210146649.9A 2022-02-17 2022-02-17 一种基于图像识别及动态匹配的数字孪生模型构建系统 Pending CN114548253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210146649.9A CN114548253A (zh) 2022-02-17 2022-02-17 一种基于图像识别及动态匹配的数字孪生模型构建系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210146649.9A CN114548253A (zh) 2022-02-17 2022-02-17 一种基于图像识别及动态匹配的数字孪生模型构建系统

Publications (1)

Publication Number Publication Date
CN114548253A true CN114548253A (zh) 2022-05-27

Family

ID=81674635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210146649.9A Pending CN114548253A (zh) 2022-02-17 2022-02-17 一种基于图像识别及动态匹配的数字孪生模型构建系统

Country Status (1)

Country Link
CN (1) CN114548253A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577641A (zh) * 2022-11-14 2023-01-06 成都飞机工业（集团）有限责任公司 一种数字孪生模型的训练方法、装置、设备及介质
CN116957309A (zh) * 2023-09-21 2023-10-27 深圳市明心数智科技有限公司 一种纺织场景动态监测方法、系统及介质
CN117974928A (zh) * 2024-03-29 2024-05-03 湖北华中电力科技开发有限责任公司 一种基于电力基建系留无人机激光雷达的数字孪生方法
CN118210933A (zh) * 2024-03-19 2024-06-18 北京天译科技有限公司 一种基于数字孪生的气象数据可视化实现方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577641A (zh) * 2022-11-14 2023-01-06 成都飞机工业（集团）有限责任公司 一种数字孪生模型的训练方法、装置、设备及介质
CN116957309A (zh) * 2023-09-21 2023-10-27 深圳市明心数智科技有限公司 一种纺织场景动态监测方法、系统及介质
CN116957309B (zh) * 2023-09-21 2024-01-09 深圳市明心数智科技有限公司 一种纺织场景动态监测方法、系统及介质
CN118210933A (zh) * 2024-03-19 2024-06-18 北京天译科技有限公司 一种基于数字孪生的气象数据可视化实现方法及系统
CN118210933B (zh) * 2024-03-19 2024-08-30 北京天译科技有限公司 一种基于数字孪生的气象数据可视化实现方法及系统
CN117974928A (zh) * 2024-03-29 2024-05-03 湖北华中电力科技开发有限责任公司 一种基于电力基建系留无人机激光雷达的数字孪生方法

Similar Documents

Publication Publication Date Title
CN112529015B (zh) 一种基于几何解缠的三维点云处理方法、装置及设备
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN114548253A (zh) 一种基于图像识别及动态匹配的数字孪生模型构建系统
CN112488210A (zh) 一种基于图卷积神经网络的三维点云自动分类方法
CN114972213A (zh) 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法
CN107239730B (zh) 智能汽车交通标志识别的四元数深度神经网络模型方法
CN112950780B (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN113781519A (zh) 目标跟踪方法和目标跟踪装置
CN115147488B (zh) 一种基于密集预测的工件位姿估计方法与抓取系统
CN114283325B (zh) 一种基于知识蒸馏的水下目标识别方法
CN117237902B (zh) 基于深度学习的机器人物体识别系统
CN116703895B (zh) 基于生成对抗网络的小样本3d视觉检测方法及其系统
CN109740539A (zh) 基于超限学习机和融合卷积网络的3d物体识别方法
CN114626476A (zh) 基于Transformer与部件特征融合的鸟类细粒度图像识别方法及装置
CN115070780A (zh) 基于数字孪生的工业机器人抓取方法、装置及存储介质
CN116958420A (zh) 一种数字人教师三维人脸的高精度建模方法
CN117333948A (zh) 一种融合时空注意力机制的端到端多目标肉鸡行为识别方法
CN117252928B (zh) 用于电子产品模块化智能组装的视觉图像定位系统
CN114494594A (zh) 基于深度学习的航天员操作设备状态识别方法
CN111531546B (zh) 一种机器人位姿估计方法、装置、设备及存储介质
CN117876861A (zh) 基于改进MobileNetV3和迁移学习的对砌体表面裂缝自动分类的方法
CN117765258A (zh) 基于密度自适应和注意力机制的大规模点云语义分割方法
CN116386042A (zh) 一种基于三维池化空间注意力机制的点云语义分割模型
CN115439926A (zh) 一种基于关键区域和场景深度的小样本异常行为识别方法
CN114596433A (zh) 一种绝缘子识别方法

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