CN108872241A - 一种基于svm算法的机车轮对踏面损伤检测方法 - Google Patents

一种基于svm算法的机车轮对踏面损伤检测方法 Download PDF

Info

Publication number
CN108872241A
CN108872241A CN201810296479.6A CN201810296479A CN108872241A CN 108872241 A CN108872241 A CN 108872241A CN 201810296479 A CN201810296479 A CN 201810296479A CN 108872241 A CN108872241 A CN 108872241A
Authority
CN
China
Prior art keywords
svm
image
parameter
textural characteristics
train wheel
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
CN201810296479.6A
Other languages
English (en)
Inventor
黎宁
肖海鹏
梅劲松
李亚红
石峥映
沈晓东
蒋银男
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.)
Nanjing Tycho Information Technology Co Ltd
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing Tycho Information Technology Co Ltd
Nanjing University of Aeronautics and Astronautics
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 Nanjing Tycho Information Technology Co Ltd, Nanjing University of Aeronautics and Astronautics filed Critical Nanjing Tycho Information Technology Co Ltd
Priority to CN201810296479.6A priority Critical patent/CN108872241A/zh
Publication of CN108872241A publication Critical patent/CN108872241A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于SVM算法的机车轮对踏面损伤检测方法，选取损伤可疑区域的灰度共生矩阵作为损伤的特征表示。首先，需要确定灰度共生矩阵的生成参数，包括：生成灰度级L、生成间距d和生成方向θ，然后生成相应的灰度共生矩阵，作为SVM训练的特征向量。根据图像自身的特点选取合适的核函数以及核函数的参数，训练SVM分类器，对机车轮对踏面图像实现准确、快捷地判定，具有较强的实用性和广阔的应用前景。

Description

一种基于SVM算法的机车轮对踏面损伤检测方法
技术领域
本发明涉及无损检测技术领域，具体而言涉及一种利用纹理特征，基于SVM算法的机车轮 对踏面损伤检测方法。
背景技术
车轮是机车行走运行的重要部件。在运行过程中，轮对直接受轨道的冲击作用，是工作条 件最恶劣的部件，也是机车最容易出故障的部件之一，轮对部分的故障常常是车辆系统和运行 线路系统技术状态发生恶化的原因。如果不及时对轮对故障进行处理，可能会引发严重的安全 事故，给铁路运输带来巨大的损失，给人们的财产和人身安全造成巨大威胁。因此，对机车轮 对的踏面检测至关重要。
常见的轮对故障主要是轮缘及踏面磨耗，其次是踏面剥离和擦伤，而整体钢轮发生裂纹的 情况比较少见。轮对的质量状况影响着机车车辆的安全运行，踏面缺陷状况是直接危及行车安 全的重要因素，因此，如何实时准确地对踏面损伤进行判别是迫切需要解决的问题。
目前，机车踏面损伤检测的传统方法由机车检修工作人员通过肉眼观察或者声音识别的方 法来进行踏面损伤的检测。这种方法检测效率低下，自动化程度低。随着机器视觉检测技术的 发展，通过机器学习的方法来对伤直接进行判别成为可能。目前，通过传统图像处理技术对踏 面损伤进行检测的方法精度还远未达到要求，研究一种更高精度，更准确的非接触式车轮损伤 在线检测方法对提高我国铁路机车轮对的检测技术水平有重要意义。
发明内容
本发明所要解决的技术问题是针对现有技术在机车踏面损伤检测方面的不足，利用机器学 习算法，提出了一种基于SVM算法的机车轮对踏面损伤检测的方法，高效、准确地对机车轮对 踏面的损伤进行检测。
本发明为解决上述技术问题采用以下技术方案：
1)将已有踏面图像进行人工标签，分别用0和1表示无损伤和有损伤。使用K折交叉验 证法将样本分成训练集和测试集；
2)为了使用不同尺寸的实验图像，将图像归一化为15*15大小；
3)确定灰度共生矩阵的生成参数，主要包括：生成灰度级L、生成间距d与生成方向θ， 通过对比试验，选取生成灰度级L为8，生成间距d为4，生成方向θ为0°、90°与135°的灰度共生矩阵；
4)通过对比试验，筛选纹理特征，选取对比度、相关性和同质性为纹理特征；
5)确定SVM参数，根据已有样本，选取RBF核函数作为核函数，然后利用遗传算法优化 核函数的参数σ以及惩罚因子C的值。
6)根据前一步获得的最佳参数，将纹理特征向量以及标签送入SVM进行训练，最终得到 踏面损伤检测模型。
采用上述技术方案与现有技术相比，其有益效果为：运用灰度共生矩阵的统计参数包括对 比度、相关性和同质性等，可以更好地描述机车轮对踏面损伤的纹理特征，从而达到更加准确 的损伤检测。
附图说明
图1-6分别为损伤图像与非损伤图像在L＝8、16、32、64、128、256下对比度纹理特征随着 生成间距d的变化曲线；
图7-10分别为在生成灰度级L取8，生成方向θ取0°情况下，样本的各个纹理特征随着生成间 距d的变化情况；
图11-18分别为生成方向θ为0°、45°、90°、135°四个生成方向时，两类图像在生成灰度级L取 8时，不同的纹理特征在不同生成方向θ下的区别；
图19-26显示了在生成方向θ取0°时分别与生成方向θ取45°、90°与135°时各个纹理特征之间 的差值。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明为解决上述技术问题采用以下技术方案：
1)将已有踏面图像进行人工标签，分别用0和1表示无损伤和有损伤。使用K折交叉验 证法将样本分成训练集和测试集；
2)为了使用不同尺寸的实验图像，将图像归一化为15*15大小；
3)确定灰度共生矩阵的生成参数，主要包括：生成灰度级L、生成间距d与生成方向θ， 通过对比试验，选取生成灰度级L为8，生成间距d为4，生成方向θ为0°、90°与135°的灰度共生矩阵；
4)通过对比试验，筛选纹理特征，选取对比度、相关性和同质性为纹理特征；
5)确定SVM参数，根据已有样本，选取RBF核函数作为核函数，然后利用遗传算法优化 核函数的参数σ以及惩罚因子C的值。
6)根据前一步获得的最有参数，将纹理特征向量以及标签送入SVM进行训练，训练过程 在vs2013+opencv3.1的环境中完成，最终得到踏面损伤检测模型。本发明主要的创新点从确 定灰度共生矩阵的生成参数开始，之前两个步骤都是常规操作，在此就不做介绍了，下文将从 确定灰度共生矩阵的生成参数展开做详细说明：
1)生成灰度级的确定。
实验中，基于图像的像素尺寸，分别选取L＝8、16、32、64、128、256，共6个生成灰度级，生成方向θ为0°。观察在不同的生成灰度级L下损伤区域图像与非损伤区域图像的4种纹理特征的变化情况。其中对比度纹理特征的实验结果如图1-6所示。图中所示的是损伤图像 与非损伤图像在生成灰度级L取不同值的情况下对比度纹理特征随着生成间距d的变化曲线。 其中，横坐标为生成间距d，纵坐标为图像的对比度。方块和米字型曲线分别代表了两类图像 的对比度纹理特征。由上图可知，在6个生成灰度级上，图像的对比度纹理特征的特征曲线随 着生成间距d的变化趋势基本是一致的。在不同的生成灰度级L下，不同之处只是对比度特征 的数量级存在差异。在对图像纹理特征进行归一化处理后，数量级的差异也会消失。因此，在 这里，对图像进行灰度级的压缩对对比度纹理特征的影响并不大，同时，灰度级的压缩可以大 大减少计算的复杂度。经过类似的实验可知相关性(Correlation)、能量(Energy)与同质性 (Homogeneity)3种纹理特征与对比度具有相似的结论。因此，本文中将生成灰度级L设为8。
2)生成间距的确定在生成灰度级L确定后，不同的生成间距d也会产生不同的灰度共生 矩阵。进而，同一幅图像产生的纹理特征也会存在不同。因此，需要针对机车轮对踏面损伤来 选定合适的生成间距d。此处选取了与步骤1)中同样的实验数据。在生成灰度级L取8，生 成方向θ取0°情况下，样本的各个纹理特征随着生成间距d的变化情况。实验结果如图7-10 所示。在实验中，选定生成灰度等级L＝8。图中横坐标表示了生成间距d。其取值范围为1至 15，步长为1。纵坐标则表示了不同的纹理特征，分别是对比度、相关性、能量与同质性。图 中方块和米字型曲线分别代表了两类图像的不同纹理特征。由上图中可知，两类图像的纹理特 征在生成间距d为4时，差异较大。由于图像尺寸归一化的原因，随着生成间距d的增大，两 类图像的纹理特征的差异会逐渐的减小。当d取15时，所有纹理特征均变为0。综合考虑，本 文将生成间距d设为4。
3)生成方向的确定
在确定的生成灰度级L与生成间距d后，在灰度共生矩阵生成的过程中，生成方向θ也是 重要的生成参数之一。不同的生成方向θ会表示图像内不同方向上的纹理特征。对后期的损伤 区域的判别至关重要。本文中，取生成方向θ为0°、45°、90°、135°四个生成方向。分析两类 图像在生成灰度级L取8时，不同的纹理特征在不同生成方向θ下的区别。实验结果如图11-18 所示。图中展示了在生成灰度级确定的情况下，生成方向θ取0°、45°、90°与135°四个方向时， 4种纹理特征对比度、相关性、能量与同质性随着生成间距d的变化曲线。4种曲线分别代表 了4种不同的生成方向下的纹理特征。其中，左侧图像为损伤区域图像的纹理特征变化图，右 侧为非损伤图像的纹理特征变化图。由图11-18可知，在生成间距d为4，生成方向θ为45°与 135°时，损伤区域图像与非损伤区域图像的4种纹理特征较为接近。同时，由图11、图13、 图15、图17可知在生成间距d为4，对比度、相关性与同质性三种纹理特征在生成方向为0°与 90°时差异较大。而对比度、相关性与同质性三种纹理特征在生成方向为0°与45°和0°与135°时， 它们之间的纹理特征差异较小。反之，在图12、图14、图16、图18中，在生成间距d为4， 对比度、相关性与同质性三种纹理特征在生成方向为0°与90°时差异较小，对比度、相关性与 同质性三种纹理特征生成方向为0°与45°和0°与135°时，它们之间的纹理特征差异较大。同时， 由于在生成方向为45°和135°时，损伤区域图像与非损伤区域图像的纹理特征之间的相似性。 因此，在本文中，选取生成方向θ为0°、90°与135°。
4)纹理特征的选取
在确定灰度共生矩阵的生成参数之后，需要对上述4种纹理特征进行筛选。同时为了进一 步验证灰度共生矩阵的生成参数选择是否合理，计算上述4种纹理特征在L取8时，θ取0°与 θ取45°、90°与135°时在不同生成间距d下的差值。实验结果如图19-26所示。图中显示了在 生成方向θ取0°时分别与生成方向θ取45°、90°与135°时纹理特征之间的差值。图中左侧为损 伤区域的实验结果，右侧为非损伤区域的实验结果。横坐标为生成间距d，纵坐标则为不同生 成方向之间4种纹理特征的差值。3条不同的曲线分别代表生成方向为0°与45°、0°与90°和0°与 135°时，同一种纹理特征间的差值。由图19-26可知，在生成间距d取4时，对比度、相关性 与同质性三种纹理特征在生成方向为0°与90°的差值与生成方向为0°与45°与0°与135°的差值在 图20中左右两侧的变化较大。即在损伤区域的图像中，三种纹理特征在生成方向0°与90°时差 异较大，在生成方向0°与45°和0°与135°时差异较小。而在非损伤区域图像内，三种纹理特征 生成方向在，0°与90°时差异较小，0°与45°和0°与135°的差异较大。在生成间距d取4时，能 量纹理特征并未表现出上述的特征。因此，本文纹理特征选取为：对比度、相关性与同质性。
5)基于遗传算法进行SVM参数的选取
选择RBF核作为SVM的核函数，因此优化目标为惩罚因子C和RBF核参数σ。设定惩罚因子和核参数的范围为：C∈(0,1000)，1/σ2∈(0.001,10)。首先对需要选择的参数C和σ进行二进制编码，采用长度为十的码串来表示一个参数。将种群大小设置为50，分类精度用模型的识别率RR表示
其中ncorrect为测试样本集中分类正确的样本数目，ntotal是测试样本集总数。遗传运算中采用比 例选择算子，交叉运算采用单点交叉，变异运算采用基本位变异算子，最大进化代数为300。 经过遗传算法的核参数优化结果为最优σ为0.7880，最优为575.87。
6)训练过程中，采用数量为812张的样本集，其中损伤样本612张，非损伤样本200张， 根据以上步骤，选取生成灰度级L＝8，生成间距d＝4，生成方向θ为0°、90°与135°。提取的 纹理特征为：对比度、相关性与同质性。首先，计算图像的纹理特征矢量，然后将它们归一化。 其次，采用k折交叉的方式将样本数据划分为训练集和测试集，然后选取基于RBF核函数SVM 分类器进行训练。在训练过程中采用遗传算法对惩罚因子C和RBF核参数σ进行优化。最后使 用测试集数据对分类器的性能进行检验。结果下表所示。
此处公开的仅为本发明的优选实施例，本说明书选取并具体描述这些实施例，是为了更好 地解释本发明的原理和实际应用，并不是对发明的限定。任何本领域技术人员在说明书范围内 所做的修改和变化，均应落在本发明所保护的范围内。

Claims (4)

1.一种基于SVM算法的机车轮对踏面损伤检测方法，其特征在于，根据已有的机车轮对踏面图像，选取纹理特征作为特征向量来训练SVM模型，进而对新的踏面图像进行损伤判定。
2.根据权利1所述的一种基于SVM算法的机车轮对踏面损伤检测方法，其特征在于，所述方法包括：
步骤一，将已有踏面图像进行人工标签，分别用0和1表示无损伤和有损伤，使用K折交叉验证法将样本分成训练集和测试集；
步骤二，将不同实验图像进行归一化处理；
步骤三，确定灰度共生矩阵的生成参数，主要包括：生成灰度级L、生成间距d与生成方向θ，通过对比试验，选取L为8，生成间距d为4，生成方向θ为0°、90°与135°；
步骤四，通过对比试验，筛选纹理特征，选取对比度、相关性和同质性为纹理特征；
步骤五，确定SVM参数，根据已有样本，选取RBF核函数作为核函数，然后基于遗传算法确定核函数的参数σ以及惩罚因子C的值；
步骤六，根据前一步获得的最有参数，将纹理特征向量以及标签送入SVM进行训练，最终得到踏面损伤检测模型。
3.根据权利1所述的一种基于SVM算法的机车轮对踏面损伤检测方法，其特征在于，步骤五的具体过程为：
首先对需要选择的参数C和σ进行二进制编码，采用长度为十的码串来表示一个参数；将种群大小设置为50，分类精度用模型的识别率RR表示
其中ncorrect为测试样本集中分类正确的样本数目，ntotal是测试样本集总数；
其次，遗传运算中采用比例选择算子，交叉运算采用单点交叉，变异运算采用基本位变异算子，最大进化代数为300。
4.根据权利1所述的一种基于SVM算法的机车轮对踏面损伤检测方法，其特征在于，步骤六的具体过程为：首先，计算图像的纹理特征矢量，然后将所述图像归一化；其次，采用k折交叉的方式将样本数据划分为训练集和测试集，最后选取基于RBF核函数SVM分类器进行训练。
CN201810296479.6A 2018-03-30 2018-03-30 一种基于svm算法的机车轮对踏面损伤检测方法 Pending CN108872241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810296479.6A CN108872241A (zh) 2018-03-30 2018-03-30 一种基于svm算法的机车轮对踏面损伤检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810296479.6A CN108872241A (zh) 2018-03-30 2018-03-30 一种基于svm算法的机车轮对踏面损伤检测方法

Publications (1)

Publication Number Publication Date
CN108872241A true CN108872241A (zh) 2018-11-23

Family

ID=64326274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810296479.6A Pending CN108872241A (zh) 2018-03-30 2018-03-30 一种基于svm算法的机车轮对踏面损伤检测方法

Country Status (1)

Country Link
CN (1) CN108872241A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110261139A (zh) * 2019-06-12 2019-09-20 中国神华能源股份有限公司 车轮踏面擦伤识别方法和识别装置
CN111353515A (zh) * 2018-12-21 2020-06-30 湖南工业大学 一种基于多尺度分级的列车轮对踏面损伤分类识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
CN107463938A (zh) * 2017-06-26 2017-12-12 南京航空航天大学 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法
CN107545105A (zh) * 2017-08-22 2018-01-05 贵州大学 一种基于pso的零件回弹成形工艺参数优化方法
EP3270095A1 (en) * 2016-07-13 2018-01-17 Sightline Innovation Inc. System and method for surface inspection
CN107818335A (zh) * 2017-10-09 2018-03-20 南京航空航天大学 一种基于多分类器自适应加权的钢轨裂纹识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3270095A1 (en) * 2016-07-13 2018-01-17 Sightline Innovation Inc. System and method for surface inspection
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
CN107463938A (zh) * 2017-06-26 2017-12-12 南京航空航天大学 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法
CN107545105A (zh) * 2017-08-22 2018-01-05 贵州大学 一种基于pso的零件回弹成形工艺参数优化方法
CN107818335A (zh) * 2017-10-09 2018-03-20 南京航空航天大学 一种基于多分类器自适应加权的钢轨裂纹识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘鲭洁等: "基于遗传算法的SVM参数组合优化", 《计算机应用与软件》 *
吕勇波: ""基于支持向量机与遗传算法的结构优化研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
吕洪波: "机器视觉系统下的机车轮对踏面损伤检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353515A (zh) * 2018-12-21 2020-06-30 湖南工业大学 一种基于多尺度分级的列车轮对踏面损伤分类识别方法
CN111353515B (zh) * 2018-12-21 2024-01-26 湖南工业大学 一种基于多尺度分级的列车轮对踏面损伤分类识别方法
CN110261139A (zh) * 2019-06-12 2019-09-20 中国神华能源股份有限公司 车轮踏面擦伤识别方法和识别装置

Similar Documents

Publication Publication Date Title
CN108961217B (zh) 一种基于正例训练的表面缺陷检测方法
CN108765412B (zh) 一种带钢表面缺陷分类方法
CN106683076B (zh) 基于纹理特征聚类的机车轮对踏面损伤检测的方法
CN110349126A (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
Weimer et al. Learning defect classifiers for textured surfaces using neural networks and statistical feature representations
CN113362299B (zh) 一种基于改进YOLOv4的X光安检图像检测方法
CN112734734A (zh) 一种基于改进残差网络的铁路隧道裂缝检测方法
CN107818335A (zh) 一种基于多分类器自适应加权的钢轨裂纹识别方法
CN104573707B (zh) 一种基于多特征融合的车牌汉字识别方法
CN108872241A (zh) 一种基于svm算法的机车轮对踏面损伤检测方法
CN115526864A (zh) 基于改进的特征金字塔网络和度量学习的钢轨表面缺陷检测方法
CN115861307B (zh) 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN109916912A (zh) 一种铁轨扣件病害检测方法及系统
CN110175614A (zh) 一种印刷电路板过孔内壁质量的检测方法
CN116740051A (zh) 基于改进yolo模型的钢材表面缺陷检测方法
CN112597798A (zh) 一种使用神经网络鉴别商品真伪的方法
Wang et al. An improved YOLOv8 algorithm for rail surface defect detection
CN110428398A (zh) 一种基于深度学习的高铁接触网拉线缺陷检测方法
CN110378433A (zh) 基于pso-svm的桥梁拉索表面缺陷的分类识别方法
CN110335242A (zh) 一种基于多模型融合的轮胎x光病疵检测方法
Xu et al. The steel surface multiple defect detection and size measurement system based on improved yolov5
Yang et al. Weld defect cascaded detection model based on bidirectional multi-scale feature fusion and shape pre-classification
CN102214305A (zh) 一种利用纹理特征进行打印纸张来源取证的方法
CN111062338A (zh) 一种证照人像一致性比对方法及其系统
CN115393346A (zh) 一种用于钢轨轨道表面探伤的探测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181123

RJ01 Rejection of invention patent application after publication