杭州汇萃智能科技有限公司

本发明涉及设备健康监测技术领域，具体为基于视觉与数字孪生映射的设备健康状态诊断方法及系统。针对现有技术中视觉数据与数字孪生模型对应不精确、理论状态与实际状态缺少自动偏差计算的问题，获取目标设备的视觉图像数据、传感器监测数据及当前工况参数，经时间对齐、坐标统一和预处理后，将视觉图像映射至数字孪生模型形成实际观测状态，结合当前工况参数和数字孪生模型确定理论健康状态，计算视觉偏差和传感器偏差并联合分析，输出健康状态诊断结果。适用于工业设备运行状态诊断与异常识别。

本申请提供了一种基于生成模型的少样本机器视觉瑕疵检测方法、系统及介质，该方法包括：采集预设数量的真实缺陷样本；基于缺陷特征编码器对真实缺陷样本进行编码处理，提取潜在特征；基于缺陷生成模型对潜在特征进行处理，生成若干个合成缺陷样本；将真实缺陷样本与合成缺陷样本混合，得到联合数据集，基于联合数据集对检测分类器进行训练；获取新输入的测试图像，将新输入的测试图像输入训练完成后的检测分类器进行瑕疵检测与分类，得到分类预测结果；通过引入缺陷生成模型，从少量真实样本中学习潜在特征分布，并生成大量合成缺陷样本，扩大数据集规模，使分类器训练过程中能够更充分地覆盖缺陷分布，提高瑕疵检测精度。

本发明公开了一种面向工业流水线工件点云补全与位姿估计方法及系统，方法包括：图像采集，点云预处理，智能补全，位姿估计，位姿精调，引导抓取。系统包括三维视觉传感器单元：安装在传送带正上方或侧方，用于采集流水线上工件的三维点云数据。该传感器可以是激光轮廓仪、结构光相机、双目立体相机或ToF相机。计算与处理单元：包含高性能图形处理器（GPU）和中央处理器（CPU），用于运行本发明的核心算法。机械臂控制单元：接收处理单元输出的工件6D位姿，生成运动轨迹并控制机械臂末端执行器进行精确抓取。

本发明公开了基于动态原型学习和特征解耦的图像分类方法，属于图像识别技术领域，包括以下步骤：S1、全局与局部特征提取；S2、判别与背景特征解耦；S3、语义原型投影优化；S4、动态融合原型学习；S5、图卷积未见类别推理；S6、偏置与不确定性预测。通过上述方式，本发明通过动态原型学习机制在共享嵌入空间中同时增强类内紧凑性和类间可分性，并根据类别间语义相似度自适应调整分类边际，使语义相近且容易混淆的类别在特征空间中获得更充分的区分，同时通过双路注意力特征解耦机制，将图像中的类别判别区域与背景、光照、视角等干扰因素分离，仅将与类别语义高度相关的判别特征用于跨模态对齐，从而降低背景虚假相关性对分类结果的影响。

本申请提供了一种基于残差分析与像素重置的光照不均匀图像阴影校正方法、系统及介质，该方法包括：获取待校正的原始图像，若待校正的原始图像为彩色图像，则转换至HSV色彩空间，提取亮度分量V，色度分量H与饱和度分量S；对待校正的原始图像取对数处理，生成照明‑反射模型，进行自适应均值滤波，并获取残差图像；根据残差统计规律数据对残差图像进行像素重置处理，得到校正后的对数反射分量，进行指数变换处理，将校正后的反射图像转换至RGB彩色空间，得到最终的彩色校正图像；通过将图像转换至HSV空间，仅对亮度分量V执行阴影校正，再转换回RGB空间保证校正后图像的色彩保真度。