“余皓鑫”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种基于深度可分离卷积YOLOv4模型的滤袋袋口位置检测方法-CN202111152052.7在审
发明人：王宪保;余皓鑫;周宝;陈科宇;雷雅彧;翁扬凯 -专利权人：浙江工业大学
申请日： 2021-09-29 - 公布日： 2022-01-04 - 主分类号： G06K9/00 文献下载
摘要：本发明公开一种基于深度可分离卷积YOLOv4模型的滤袋袋口位置检测方法，该方法首先通过摄像头采集传送带上的滤袋袋口图片；然后对所有图片进行数据增强，并对图像进行标注，构建滤袋袋口数据集；再构建基于深度可分离卷积的YOLOv4目标检测模型，设置训练参数，采用滤袋袋口数据集对基于深度可分离卷积的YOLOv4目标检测模型进行训练；最后将待检测的滤袋袋口图片输入训练后的基于深度可分离卷积的YOLOv4目标检测模型中，输出已经标注出检测框位置以及滤袋袋口类别的待检测的滤袋袋口图片。本发明的方法减小了模型的总参数量，提高了模型的计算速度。
一种基于深度可分离卷积 yolov4 模型滤袋袋口位置检测方法

[发明专利]一种基于深度学习的磁芯表面缺陷的检测方法-CN202111114397.3在审
发明人：王宪保;周宝;余皓鑫;陈科宇;雷雅彧;翁扬凯 -专利权人：浙江工业大学
申请日： 2021-09-23 - 公布日： 2022-01-04 - 主分类号： G06T7/00 文献下载
摘要：本方法公开一种基于深度学习的磁芯表面缺陷的检测方法，首先采集磁芯所有的正反面图像，进行预处理，对其缺陷部位进行提取，输入经高斯混合模型改进的深度卷积生成对抗网络，将提取的缺陷集通过训练生成新的缺陷图像，再将得到的新图像与完好的磁芯图像进行泊松融合，然后制作成标准的数据集，划分训练集和验证集。接着将训练集图像输入YOLO‑v3神经网络中进行训练，提出一种新的训练策略，设置训练参数，并将完成训练的网络作为磁芯表面缺陷检测模型，从而识别出磁芯的类别信息和位置信息。本发明的方法识别更快、更准确。
一种基于深度学习表面缺陷检测方法

[发明专利]一种动态车载称重系统的传感器故障检测方法-CN202110473995.3在审
发明人：王宪保;段明明;周宝;余皓鑫 -专利权人：浙江工业大学
申请日： 2021-04-29 - 公布日： 2021-08-03 - 主分类号： G01G23/01 文献下载
摘要：本发明涉及一种动态车载称重系统的传感器故障检测方法，首先对动态车载称重系统传感器相关信息的获取，建立原始数据数据库；其次对数据集预处理，去除噪声信号。然后基于预处理后的数据集计算故障检测阈值和故障分离模型。在线状态下，采用同样的方式采集数据并计算每个时间窗的绝对值和，并与故障检测阈值进行比较，然后通过故障估计方法确定系统故障强度以及确定故障类型。本发明中所述的方法能对车载称重系统传感器是否出现故障进行检测同时对出现故障进行分类，无需构建复杂的数学模型，能够在降低故障诊断次数的前提下，提高故障检出率。
一种动态车载称重系统传感器故障检测方法

[发明专利]一种基于深度学习目标检测与识别的袋口位置检测方法-CN202010226864.0在审
发明人：王宪保;余皓鑫;段明明;周宝 -专利权人：浙江工业大学
申请日： 2020-03-27 - 公布日： 2020-08-04 - 主分类号： G06K9/62 文献下载
摘要：本发明公开一种基于深度学习目标检测与识别的袋口位置检测方法，包括以下步骤：首先通过传送带上方的摄像头采集传送带上的包装袋的图片；并对所有获得的图片进行预处理，再把待训练的图片制作成标准格式的数据集，方便神经网络的训练。接着将数据集当中的图片送入卷积神经网络，提取出图像的特征图；然后将所得到的图像的特征图作为神经网络RPN的输入，采用K‑means聚类算法来设置初始的anchor方案，通过RPN网络优化检测框，最后通过回归计算得到检测框的精确位置。最后用训练好的Faster‑RCNN神经网络对实时获得的包装袋图像进行处理，识别包装袋袋口的精确位置。本发明检测速度快且准确率高，提高生产效率，并且提高了流水线的自动化程度，节约了人力、物力资源。
一种基于深度学习目标检测识别位置方法

[发明专利]一种基于深度学习的保温杯表面的缺陷检测方法-CN202010254872.6在审
发明人：王宪保;周宝;余皓鑫;段明明 -专利权人：浙江工业大学
申请日： 2020-04-02 - 公布日： 2020-07-28 - 主分类号： G06T7/00 文献下载
摘要：本方法公开一种基于深度学习的保温杯表面缺陷检测的方法，该方法首先采集采集用于训练的若干类的保温杯杯体表面缺陷的图片，并对图像进行预处理和二值化后，提取几何特征、灰度特征和纹理特征，然后降低特征空间维度，压缩特征数据量，得到数据矩阵，并将该数据矩阵作为输入、保温杯表面的缺陷类型作为输出，训练BP神经网络，然后将实时采集的保温杯杯体表面缺陷的图片经过预处理后，代入训练好的BP神经网络，从而实现保温杯杯体表面的缺陷的实时检测。本发明的方法能对保温杯杯体表面缺陷进行智能检测，有良好的可操作性和可持续性，同时正确性和稳定性更高。
一种基于深度学习保温杯表面缺陷检测方法