CN117532216A - 钢结构焊接机器人 - Google Patents
钢结构焊接机器人 Download PDFInfo
- Publication number
- CN117532216A CN117532216A CN202311775160.9A CN202311775160A CN117532216A CN 117532216 A CN117532216 A CN 117532216A CN 202311775160 A CN202311775160 A CN 202311775160A CN 117532216 A CN117532216 A CN 117532216A
- Authority
- CN
- China
- Prior art keywords
- steel structure
- unit
- image
- welded
- welding
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 131
- 239000010959 steel Substances 0.000 title claims abstract description 131
- 238000003466 welding Methods 0.000 title claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 50
- 238000001914 filtration Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 108010001267 Protein Subunits Proteins 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及焊接技术领域,具体涉及一种钢结构焊接机器人,包括钢结构采集模块、图像处理模块、长度计算模块、位置调整模块、两个夹持模块和焊接机构,所述钢结构采集模块采集待焊接钢结构图像;所述图像处理模块对所述待焊接钢结构图像进行图像处理,得到钢结构边缘曲线;所述长度计算模块基于所述钢结构边缘曲线计算待焊接两端的间距;所述位置调整模块基于所述待焊接两端的间距调整两个所述夹持模块之间的间距;两个所述夹持模块间距调整后将所述待焊接钢结构的两端夹持固定;所述焊接机构根据钢结构焊接焊缝的信息对固定后的所述待焊接钢结构进行焊接,通过上述方式实现钢结构的固定焊接,解决了现有的钢结构的焊接效率较低的问题。
Description
技术领域
本发明涉及焊接技术领域,尤其涉及一种钢结构焊接机器人。
背景技术
钢结构常用于我们的日常生活中,如机械、建筑等行业随处可见。
目前,对于管状的钢结构,为了避免钢结构受力滚动,保证焊接的均匀,因此其焊接难度较大,通常采用人工焊接,但人工焊接也时长存在较大误差,而且其人力成本投入较高,焊接效率较低。
发明内容
本发明的目的在于提供一种钢结构焊接机器人,旨在解决现有的钢结构的焊接效率较低的问题。
为实现上述目的,本发明提供了一种钢结构焊接机器人,包括钢结构采集模块、图像处理模块、长度计算模块、位置调整模块、两个夹持模块和焊接机构,所述钢结构采集模块、所述图像处理模块、所述长度计算模块、所述位置调整模块、所述夹持模块和所述焊接机构依次连接;所述钢结构采集模块,用于采集待焊接钢结构图像;所述图像处理模块,用于对所述待焊接钢结构图像进行图像处理,得到钢结构边缘曲线;所述长度计算模块,基于所述钢结构边缘曲线计算待焊接两端的间距;所述位置调整模块,基于所述待焊接两端的间距调整两个所述夹持模块之间的间距;两个所述夹持模块,用于间距调整后将所述待焊接钢结构的两端夹持固定;所述焊接机构,用于根据钢结构焊接焊缝的信息对固定后的所述待焊接钢结构进行焊接。
其中,所述图像处理模块包括背景滤除子模块和预处理子模块,所述背景滤除子模块和所述预处理子模块连接;所述背景滤除子模块,用于对所述待焊接钢结构图像进行背景滤除,得到滤除图像;所述预处理子模块,用于对所述滤除图像进行预处理,得到钢结构边缘曲线。
其中,所述背景滤除子模块包括模型构建单元、特征提取单元、对比单元、定位单元和滤除单元,所述模型构建单元、所述特征提取单元、所述对比单元、所述定位单元和所述滤除单元依次连接;所述模型构建单元,用于构建钢结构形状模型;所述特征提取单元,用于对所述待焊接钢结构图像进行特征提取,得到所述待焊接钢结构图像中的所有背景特征;所述对比单元,用于将所有所述背景特征与所述钢结构形状模型进行相似度对比,得到相似度;所述定位单元,将相似度低于预设值的所述背景特征进行定位标记;所述滤除单元,用于将具有定位标记的所述背景特征从所述待焊接钢结构图像进行滤除,得到滤除图像。
其中,所述特征提取单元包括建模子单元、训练子单元和提取子单元,所述建模子单元、所述训练子单元和所述提取子单元依次连接;所述建模子单元,用于构建神经网络模型;所述训练子单元,用于对所述神经网络模型进行训练,得到特征提取模型;所述提取子单元,用于将所述待焊接钢结构图像输入所述特征提取模型中进行训练,得到所述待焊接钢结构图像中的所有背景特征。
其中,所述神经网络模型包括卷积神经网络、循环神经网络、Transfomer和特征金字塔中的任意一种。
其中,所述预处理子模块包括第一转换单元、平滑处理单元、滤波单元、第二转换单元和边缘提取单元,所述第一转换单元、所述平滑处理单元、所述滤波单元、所述第二转换单元和所述边缘提取单元依次连接;所述第一转换单元,用于对所述滤除图像从RGB图像转换为灰度图像;所述平滑处理单元,用于对所述灰度图像进行平滑处理,得到平滑图像;所述滤波单元,用于对所述平滑图像进行中值滤波,得到滤波图像;所述第二转换单元,用于将所述滤波单元转换为二值图像;所述边缘提取单元,用于对所述二值图像进行边缘曲线提取,得到钢结构边缘曲线。
其中,所述焊接机构包括移动底座、机械臂和焊枪,所述移动底座、所述机械臂和所述焊枪依次连接;所述移动底座,用于带动所述机械臂和所述焊枪靠近固定后的所述待焊接钢结构;所述机械臂,用于根据钢结构焊接焊缝的信息带动所述焊枪移动;所述焊枪,用于对所述待焊接钢结构进行焊接。
本发明的一种钢结构焊接机器人,通过所述钢结构采集模块采集待焊接钢结构图像;所述图像处理模块对所述待焊接钢结构图像进行图像处理,得到钢结构边缘曲线;所述长度计算模块基于所述钢结构边缘曲线计算待焊接两端的间距;所述位置调整模块基于所述待焊接两端的间距调整两个所述夹持模块之间的间距;两个所述夹持模块间距调整后将所述待焊接钢结构的两端夹持固定;所述焊接机构根据钢结构焊接焊缝的信息对固定后的所述待焊接钢结构进行焊接,通过上述方式实现钢结构的固定焊接,解决了现有的钢结构的焊接效率较低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种钢结构焊接机器人的结构示意图。
图2是图像处理模块的结构示意图。
图3是背景滤除子模块的结构示意图。
图4是特征提取单元的结构示意图。
图5是预处理子模块的结构示意图。
图6是焊接机构的结构示意图。
1-钢结构采集模块、2-图像处理模块、3-长度计算模块、4-位置调整模块、5-夹持模块、6-焊接机构、7-背景滤除子模块、8-预处理子模块、9-模型构建单元、10-特征提取单元、11-对比单元、12-定位单元、13-滤除单元、14-建模子单元、15-训练子单元、16-提取子单元、17-第一转换单元、18-平滑处理单元、19-滤波单元、20-第二转换单元、21-边缘提取单元、22-移动底座、23-机械臂、24-焊枪。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1至图6,本发明提供一种钢结构焊接机器人,包括钢结构采集模块1、图像处理模块2、长度计算模块3、位置调整模块4、两个夹持模块5和焊接机构6,所述钢结构采集模块1、所述图像处理模块2、所述长度计算模块3、所述位置调整模块4、所述夹持模块5和所述焊接机构6依次连接。
所述钢结构采集模块1,用于采集待焊接钢结构图像。
所述图像处理模块2,用于对所述待焊接钢结构图像进行图像处理,得到钢结构边缘曲线。
所述长度计算模块3,基于所述钢结构边缘曲线计算待焊接两端的间距。
所述位置调整模块4,基于所述待焊接两端的间距调整两个所述夹持模块5之间的间距。
两个所述夹持模块5,用于间距调整后将所述待焊接钢结构的两端夹持固定。
所述焊接机构6,用于根据钢结构焊接焊缝的信息对固定后的所述待焊接钢结构进行焊接。
具体的,所述钢结构采集模块1采集待焊接钢结构图像。所述图像处理模块2对所述待焊接钢结构图像进行图像处理,得到钢结构边缘曲线。所述长度计算模块3基于所述钢结构边缘曲线计算待焊接两端的间距。所述位置调整模块4基于所述待焊接两端的间距调整两个所述夹持模块5之间的间距。两个所述夹持模块5间距调整后将所述待焊接钢结构的两端夹持固定。所述焊接机构6根据钢结构焊接焊缝的信息对固定后的所述待焊接钢结构进行焊接,通过上述方式实现钢结构的固定焊接,解决了现有的钢结构的焊接效率较低的问题。
进一步的,所述图像处理模块2包括背景滤除子模块7和预处理子模块8,所述背景滤除子模块7和所述预处理子模块8连接。
所述背景滤除子模块7,用于对所述待焊接钢结构图像进行背景滤除,得到滤除图像。
所述预处理子模块8,用于对所述滤除图像进行预处理,得到钢结构边缘曲线。
所述背景滤除子模块7包括模型构建单元9、特征提取单元10、对比单元11、定位单元12和滤除单元13,所述模型构建单元9、所述特征提取单元10、所述对比单元11、所述定位单元12和所述滤除单元13依次连接。
所述模型构建单元9,用于构建钢结构形状模型。
所述特征提取单元10,用于对所述待焊接钢结构图像进行特征提取,得到所述待焊接钢结构图像中的所有背景特征。
所述对比单元11,用于将所有所述背景特征与所述钢结构形状模型进行相似度对比,得到相似度。
所述定位单元12,将相似度低于预设值的所述背景特征进行定位标记。
所述滤除单元13,用于将具有定位标记的所述背景特征从所述待焊接钢结构图像进行滤除,得到滤除图像。
所述特征提取单元10包括建模子单元14、训练子单元15和提取子单元16,所述建模子单元14、所述训练子单元15和所述提取子单元16依次连接。
所述建模子单元14,用于构建神经网络模型。
所述训练子单元15,用于对所述神经网络模型进行训练,得到特征提取模型。
所述提取子单元16,用于将所述待焊接钢结构图像输入所述特征提取模型中进行训练,得到所述待焊接钢结构图像中的所有背景特征。
所述预处理子模块8包括第一转换单元17、平滑处理单元18、滤波单元19、第二转换单元20和边缘提取单元21,所述第一转换单元17、所述平滑处理单元18、所述滤波单元19、所述第二转换单元20和所述边缘提取单元21依次连接。
所述第一转换单元17,用于对所述滤除图像从RGB图像转换为灰度图像。
所述平滑处理单元18,用于对所述灰度图像进行平滑处理,得到平滑图像。
所述滤波单元19,用于对所述平滑图像进行中值滤波,得到滤波图像。
所述第二转换单元20,用于将所述滤波单元19转换为二值图像。
所述边缘提取单元21,用于对所述二值图像进行边缘曲线提取,得到钢结构边缘曲线。
具体的,首先,所述模型构建单元9构建钢结构形状模型。所述建模子单元14构建神经网络模型。所述训练子单元15对所述神经网络模型进行训练,得到特征提取模型。所述提取子单元16将所述待焊接钢结构图像输入所述特征提取模型中进行训练,得到所述待焊接钢结构图像中的所有背景特征。所述对比单元11将所有所述背景特征与所述钢结构形状模型进行相似度对比,得到相似度。所述定位单元12将相似度低于预设值的所述背景特征进行定位标记。所述滤除单元13将具有定位标记的所述背景特征从所述待焊接钢结构图像进行滤除,得到滤除图像。然后,所述第一转换单元17,用于对所述滤除图像从RGB图像转换为灰度图像。所述平滑处理单元18对所述灰度图像进行平滑处理,得到平滑图像。所述滤波单元19对所述平滑图像进行中值滤波,得到滤波图像。所述第二转换单元20将所述滤波单元19转换为二值图像。所述边缘提取单元21对所述二值图像进行边缘曲线提取,得到钢结构边缘曲线。
所述训练子单元15对所述神经网络模型进行训练时,将训练数据集划分成训练集和验证集,将所述训练集输入所述神经网络模型中进行训练,得到预训练模型,将所述验证集输入所述预训练模型中进行验证寻优,直至所述预训练模型的精确度达到最大或迭代次数达到预设值,得到特征提取模型。
所述神经网络模型包括卷积神经网络、循环神经网络、Transfomer和特征金字塔中的任意一种。
卷积神经网络(Convolutional Neural Network,CNN):CNN是一种常用的特征提取器,它能够对图像、音频等二维或一维数据进行特征提取。循环神经网络(RecurrentNeural Network,RN):RNN是一种能够处理序列数据的特征提取器,它能够对文本、语音等序列数据进行特征提取。Transftomer:Transformer是一种用于自然语言处理(NLP)和其他序列到序列(Seq2Seq)任务的深度学习模型。与传统的循环神经网络(RN)模型不同,Transformer模型使用了注意力机制(Attention Mechanism)来处理输入序列。特征金字塔(Feature Pyramid):特征金宁塔是一种用于多尺度特征提取的算法,它能够同时提取不同尺度的特征,并将它们进行融合。
进一步的,所述焊接机构6包括移动底座22、机械臂23和焊枪24,所述移动底座22、所述机械臂23和所述焊枪24依次连接。
所述移动底座22,用于带动所述机械臂23和所述焊枪24靠近固定后的所述待焊接钢结构。
所述机械臂23,用于根据钢结构焊接焊缝的信息带动所述焊枪24移动。
所述焊枪24,用于对所述待焊接钢结构进行焊接。
具体的,所述移动底座22带动所述机械臂23和所述焊枪24靠近固定后的所述待焊接钢结构。所述机械臂23根据钢结构焊接焊缝的信息带动所述焊枪24移动。所述焊枪24对所述待焊接钢结构进行焊接,实现对钢结构的精准焊接。
以上所揭露的仅为本发明一种钢结构焊接机器人较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (7)
1.一种钢结构焊接机器人,其特征在于,
包括钢结构采集模块、图像处理模块、长度计算模块、位置调整模块、两个夹持模块和焊接机构,所述钢结构采集模块、所述图像处理模块、所述长度计算模块、所述位置调整模块、所述夹持模块和所述焊接机构依次连接;
所述钢结构采集模块,用于采集待焊接钢结构图像;
所述图像处理模块,用于对所述待焊接钢结构图像进行图像处理,得到钢结构边缘曲线;
所述长度计算模块,基于所述钢结构边缘曲线计算待焊接两端的间距;
所述位置调整模块,基于所述待焊接两端的间距调整两个所述夹持模块之间的间距;
两个所述夹持模块,用于间距调整后将所述待焊接钢结构的两端夹持固定;
所述焊接机构,用于根据钢结构焊接焊缝的信息对固定后的所述待焊接钢结构进行焊接。
2.如权利要求1所述的钢结构焊接机器人,其特征在于,
所述图像处理模块包括背景滤除子模块和预处理子模块,所述背景滤除子模块和所述预处理子模块连接;
所述背景滤除子模块,用于对所述待焊接钢结构图像进行背景滤除,得到滤除图像;
所述预处理子模块,用于对所述滤除图像进行预处理,得到钢结构边缘曲线。
3.如权利要求2所述的钢结构焊接机器人,其特征在于,
所述背景滤除子模块包括模型构建单元、特征提取单元、对比单元、定位单元和滤除单元,所述模型构建单元、所述特征提取单元、所述对比单元、所述定位单元和所述滤除单元依次连接;
所述模型构建单元,用于构建钢结构形状模型;
所述特征提取单元,用于对所述待焊接钢结构图像进行特征提取,得到所述待焊接钢结构图像中的所有背景特征;
所述对比单元,用于将所有所述背景特征与所述钢结构形状模型进行相似度对比,得到相似度;
所述定位单元,将相似度低于预设值的所述背景特征进行定位标记;
所述滤除单元,用于将具有定位标记的所述背景特征从所述待焊接钢结构图像进行滤除,得到滤除图像。
4.如权利要求3所述的钢结构焊接机器人,其特征在于,
所述特征提取单元包括建模子单元、训练子单元和提取子单元,所述建模子单元、所述训练子单元和所述提取子单元依次连接;
所述建模子单元,用于构建神经网络模型;
所述训练子单元,用于对所述神经网络模型进行训练,得到特征提取模型;
所述提取子单元,用于将所述待焊接钢结构图像输入所述特征提取模型中进行训练,得到所述待焊接钢结构图像中的所有背景特征。
5.如权利要求4所述的钢结构焊接机器人,其特征在于,
所述神经网络模型包括卷积神经网络、循环神经网络、Transfomer和特征金字塔中的任意一种。
6.如权利要求5所述的钢结构焊接机器人,其特征在于,
所述预处理子模块包括第一转换单元、平滑处理单元、滤波单元、第二转换单元和边缘提取单元,所述第一转换单元、所述平滑处理单元、所述滤波单元、所述第二转换单元和所述边缘提取单元依次连接;
所述第一转换单元,用于对所述滤除图像从RGB图像转换为灰度图像;
所述平滑处理单元,用于对所述灰度图像进行平滑处理,得到平滑图像;
所述滤波单元,用于对所述平滑图像进行中值滤波,得到滤波图像;
所述第二转换单元,用于将所述滤波单元转换为二值图像;
所述边缘提取单元,用于对所述二值图像进行边缘曲线提取,得到钢结构边缘曲线。
7.如权利要求6所述的钢结构焊接机器人,其特征在于,
所述焊接机构包括移动底座、机械臂和焊枪,所述移动底座、所述机械臂和所述焊枪依次连接;
所述移动底座,用于带动所述机械臂和所述焊枪靠近固定后的所述待焊接钢结构;
所述机械臂,用于根据钢结构焊接焊缝的信息带动所述焊枪移动;
所述焊枪,用于对所述待焊接钢结构进行焊接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311775160.9A CN117532216B (zh) | 2023-12-21 | 2023-12-21 | 钢结构焊接机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311775160.9A CN117532216B (zh) | 2023-12-21 | 2023-12-21 | 钢结构焊接机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117532216A true CN117532216A (zh) | 2024-02-09 |
CN117532216B CN117532216B (zh) | 2024-07-02 |
Family
ID=89784399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311775160.9A Active CN117532216B (zh) | 2023-12-21 | 2023-12-21 | 钢结构焊接机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117532216B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130279748A1 (en) * | 2012-04-20 | 2013-10-24 | Robert D. Hastings | Object identification using optical code reading and object recognition |
US20140270346A1 (en) * | 2013-03-12 | 2014-09-18 | Qualcomm Incorporated | Tracking texture rich objects using rank order filtering |
JP2018192524A (ja) * | 2017-05-12 | 2018-12-06 | 株式会社神戸製鋼所 | 自動溶接システム、溶接制御方法、及び機械学習モデル |
CN109118444A (zh) * | 2018-07-26 | 2019-01-01 | 东南大学 | 一种基于特征分离的正则化人脸图像复杂光照去除方法 |
CN109604777A (zh) * | 2017-12-07 | 2019-04-12 | 淮安信息职业技术学院 | 基于激光结构光的焊缝视觉跟踪***及方法 |
CN111920440A (zh) * | 2020-09-23 | 2020-11-13 | 内蒙古医科大学附属人民医院(内蒙古自治区肿瘤医院) | 一种基于深度学习的早期肺癌检测分类一体化设备及*** |
US20220084192A1 (en) * | 2019-06-06 | 2022-03-17 | Panasonic Intellectual Property Management Co., Ltd. | Welding condition setting assistance device |
CN114273826A (zh) * | 2021-12-31 | 2022-04-05 | 南京欧睿三维科技有限公司 | 用于大型待焊接工件的焊接位置自动识别方法 |
CN115830255A (zh) * | 2022-11-28 | 2023-03-21 | 北京百度网讯科技有限公司 | 一种仿真场景生成方法、装置、电子设备和存储介质 |
-
2023
- 2023-12-21 CN CN202311775160.9A patent/CN117532216B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130279748A1 (en) * | 2012-04-20 | 2013-10-24 | Robert D. Hastings | Object identification using optical code reading and object recognition |
US20140270346A1 (en) * | 2013-03-12 | 2014-09-18 | Qualcomm Incorporated | Tracking texture rich objects using rank order filtering |
JP2018192524A (ja) * | 2017-05-12 | 2018-12-06 | 株式会社神戸製鋼所 | 自動溶接システム、溶接制御方法、及び機械学習モデル |
CN109604777A (zh) * | 2017-12-07 | 2019-04-12 | 淮安信息职业技术学院 | 基于激光结构光的焊缝视觉跟踪***及方法 |
CN109118444A (zh) * | 2018-07-26 | 2019-01-01 | 东南大学 | 一种基于特征分离的正则化人脸图像复杂光照去除方法 |
US20220084192A1 (en) * | 2019-06-06 | 2022-03-17 | Panasonic Intellectual Property Management Co., Ltd. | Welding condition setting assistance device |
CN111920440A (zh) * | 2020-09-23 | 2020-11-13 | 内蒙古医科大学附属人民医院(内蒙古自治区肿瘤医院) | 一种基于深度学习的早期肺癌检测分类一体化设备及*** |
CN114273826A (zh) * | 2021-12-31 | 2022-04-05 | 南京欧睿三维科技有限公司 | 用于大型待焊接工件的焊接位置自动识别方法 |
CN115830255A (zh) * | 2022-11-28 | 2023-03-21 | 北京百度网讯科技有限公司 | 一种仿真场景生成方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117532216B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840519B (zh) | 一种自适应的智能单据识别录入装置及其使用方法 | |
CN109635744A (zh) | 一种基于深度分割网络的车道线检测方法 | |
CN112150469B (zh) | 一种基于无监督领域自适应的激光散斑衬比图像分割方法 | |
CN111223483A (zh) | 一种基于多粒度知识蒸馏的唇语识别方法 | |
CN110598692B (zh) | 一种基于深度学习的椭圆识别方法 | |
JPH01196501A (ja) | ロボットの物体認識装置 | |
CN111127429A (zh) | 基于自训练深度神经网络的水利***管螺纹缺陷检测方法 | |
CN111191546A (zh) | 基于机器视觉识别的产品智能装配方法 | |
EP3859732A3 (en) | Method and apparatus for recognizing voice | |
CN117532216B (zh) | 钢结构焊接机器人 | |
CN111310762A (zh) | 一种基于物联网的智能医疗票据识别方法 | |
CN112295949A (zh) | 一种基于深度神经网络的视觉智能分拣方法及*** | |
Choudhary et al. | Improving the character recognition efficiency of feed forward BP neural network | |
CN108898571A (zh) | 一种基于结构光视觉与深度学习的v型焊缝检测*** | |
CN115810197A (zh) | 一种多模态电力表单识别方法及装置 | |
CN114519813A (zh) | 一种机械臂目标抓取方法及*** | |
CN104598935A (zh) | 一种基于增量子空间学习算法的人脸识别方法 | |
CN109165642A (zh) | 一种基于深度学习的增强型答题卡智能识别方法 | |
CN111639609A (zh) | 基于机器视觉与深度学习的金属断口类型智能识别*** | |
CN106248070B (zh) | 一种基于虹膜识别启动的导航仪 | |
CN112529513A (zh) | 一种智能验印方法及*** | |
CN113681549B (zh) | 一种基于三维数据分析的机器人抓取方法及*** | |
CN111681217B (zh) | 疲劳断口的机器视觉图像智能分析方法、装置及*** | |
CN114550197A (zh) | 一种端子排图像检测信息匹配方法 | |
Mital et al. | Neural network implementation of divers sign language recognition based on eight Hu-moment parameters |
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 |