超音速

闻缺陷则喜何志丹

【超音速专利 CN117058421A】基于多头模型的图像检测关键点方法、系统、平台及介质本发明公开了一种基于多头模型的图像检测关键点方法、系统及平台，通过方法实时获取待检测关键点的图像数据，并预处理所述待检测关键点的图像数据；根据预处理后的待检测图像数据，并结合特征提取网络，实时提取与所述待检测图像数据相对应的批量特征数据；构建多头模型，并根据所述多头模型，实时检测图像关键点以及生成与图像关键点相对应的检测数据，可以同时训练多个数据集，每个数据集对应一个输出头，每个输出头可以检测其对应数据集中标注范围内指定的类别。多头模型同时预测多组关键点的精度跟多个单头模型分别预测多组关键点的精度基本一致

闻缺陷则喜何志丹

【超音速专利 CN116777899A】基于回归模型的工业图像关键点检测方法、系统及平台本发明公开了一种基于回归模型的工业图像关键点检测方法、系统及平台，本发明通过方法获取与工业图像关键点相对应的图像数据，并结合特征提取网络，实时生成与工业图像关键点相对应的特征图；通过卷积处理实时压缩所述特征图的特征信息，其中，所述卷积为1×1卷积；构建回归模型，并结合回归模型，实时生成与工业图像关键点相对应的检测数据，以及与所述方法相应的系统、平台以及存储介质；可以保留特征的全局空间信息，提高关键点预测的空间泛化性和稳定性。而且会可以实现关键点回归模型添加每个点的可见性功能。

闻缺陷则喜何志丹

【超音速专利 CN118134841A】一种光伏产品缺陷检测AI深度学习算法本发明公开一种光伏产品缺陷检测AI深度学习算法，涉及AI算法领域。该光伏产品缺陷检测AI深度学习算法，采用深度卷积神经网络作为预训练模型，使用特征金字塔网络结构FPN对预训练模型得到的不同尺度的特征图进行融合，采用区域提议网络RPN在特征图上生成候选框，该光伏产品缺陷检测AI深度学习算法通过使用预训练模型提取图像特征，使用FPN融合多尺度特征，使用RPN提取候选框，使用ROIAlign抽取局部特征，使用分类、回归、FCN进行缺陷分类、位置回归以及掩膜信息提取，对缺陷的分类以及输出缺陷效果的准确性好，对缺陷

闻缺陷则喜何志丹

【超音速专利 CN119515970A】一种适用于电池极片的边缘点距离处理方法、系统及平台本发明公开了一种适用于电池极片的边缘点距离处理方法、系统及平台。通过实时获取与待处理电池极片相对应的第一数据，并根据所述第一数据，生成相对应的第一控制数据；所述第一控制数据为控制切割处理待处理电池极片的指令数据；根据所述第一控制数据，分别沿至少两个方向切割处理所述待处理电池极片，并生成与切割处理面相对应的第二数据；其中，所述第二数据为与待处理电池极片切割处理面相对应的坐标点数据；基于所述第二数据，实时生成与待处理电池极片边缘点相对应的第三数据；其中，所述第三数据为待处理电池极片边缘高点和边缘低点的距离数据

闻缺陷则喜何志丹

【超音速专利 CN119863376A】一种适用于极片产品前工序的毛刺检测方法、系统及平台本发明公开了一种适用于极片产品前工序的毛刺检测方法、系统及平台。本明方案通过方法生成并获取与极片产品待检测前工序相对应的第一数据，并根据所述第一数据分别生成第二数据和第一控制数据；基于所述第二数据，分别依次生成相对应的第二控制数据和第三控制数据；根据所述第三控制数据，实时检测极片产品并生成相对应的第三数据；其中，所述第三数据为与极片产品相对应的毛刺检测数据，以及与所述方法相应的系统和平台；能够清除极片产品表面的存在的干扰因素，提高极片产品表面的检测精度和毛刺状态的检测精度，由此实现对极片产品表面检测的效率

闻缺陷则喜何志丹

【超音速专利 CN117576413A】基于全连接网络分类模型的AI涂布抓边处理方法及系统步骤一：获取涂布边缘图像并提取对应的关键点特征；步骤二：采用卷积以及全连接操作对所述关键点特征进行分析，通过分类头确定关键点的纵坐标、横坐标以及可见性；步骤三：构建全连接网络分类模型并训练至损失函数收敛，将所述关键点的纵坐标、横坐标以及可见性输入到所述全连接网络分类模型，提取出虚边、融合边和实边在涂布边缘图像边缘处的关键点坐标；步骤四：将涂布边缘图像的关键点的纵坐标、横坐标以及可见性并输入到完成训练的全连接网络分类模型进行检测并获取虚边、融合边和实边在涂布边缘图像边缘处的关键点坐标，根据关键点坐标确

我是有底线的