CN110555831A - 一种基于深度学习的排水管道缺陷分割方法 - Google Patents

一种基于深度学习的排水管道缺陷分割方法 Download PDF

Info

Publication number
CN110555831A
CN110555831A CN201910810715.6A CN201910810715A CN110555831A CN 110555831 A CN110555831 A CN 110555831A CN 201910810715 A CN201910810715 A CN 201910810715A CN 110555831 A CN110555831 A CN 110555831A
Authority
CN
China
Prior art keywords
pipeline
convolution
layer
encoder
training
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
Application number
CN201910810715.6A
Other languages
English (en)
Other versions
CN110555831B (zh
Inventor
潘刚
郑耀先
梅怡静
孙迪
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201910810715.6A priority Critical patent/CN110555831B/zh
Publication of CN110555831A publication Critical patent/CN110555831A/zh
Application granted granted Critical
Publication of CN110555831B publication Critical patent/CN110555831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度学习的排水管道缺陷分割方法，包括：选取视频帧，形成管道图像集，并根据缺陷类型对其进行缺陷划分，划分为：破裂、错口、渗漏和支管暗接四类；对管道图像数据集进行数据标注，获得标注后的Mask图像，并对管道图像数据集进行数据增强；搭建基于U‑Net和SE模块的语义分割网络；使用反向传播算法对神经网络进行训练，训练过程中保存训练损失最小的网络模型；使用保存的模型对测试集进行测试，得到管道缺陷图片的分割结果图片。

Description

一种基于深度学习的排水管道缺陷分割方法
技术领域
本发明涉及到的方面包括计算机视觉、计算机图像处理和深度学习等计算机领域。本发明更加专注于深度学习技术对于排水管道缺陷检测方面的应用。
背景技术
城市排水管道是城市化建设过程中的必不可少的重要基础设备，是治理水污染、改善城市环保建设的重要环节。随着近年来城市的快速发展，人们对排水管道的标准要求也逐年升高。然而，由于由于地下排水管道的使用频繁，加上环境恶劣，导致很多排水管道出现异常现象，严重影响了人们的正常生活。因此排水管道的定期检查与修复是人们生产生活中不可缺少的措施。
目前管道检测领域最常用的技术是管道闭路电视系统(Closed CircuitTelevision Inspection，CCTV)，该方法是通过将管道检测机器人和安装在机器人上的CCTV摄像机放入管道内部，通过对该设备的控制就可以获取管道内部的视频和图像数据[1]。然后由工作人员对获取到的图像和视频进行人工缺陷识别，然后编写管道缺陷检测报告。该报告包括管道内部缺陷的详细信息，对管道的日常维护至关重要。然而，目前采取的人工缺陷识别方法过度依赖于检测人员的经验，存在很大的主观性，同时需要消耗大量的时间和精力。
近年来，深度学习尤其是卷积神经网络(Convolutional Neural Network，CNN)在计算机视觉领域取得了巨大进展。随之产生了基于卷积神经网络的管道缺陷检测方法，例如：Kumar等人在2018提出采用一个简单的分类卷积神经网络对根侵入，沉积和裂缝这三种缺陷进行了分类[2]；Li等人使用具有分层分类的深度卷积神经网络从不平衡的CCTV检查数据检测对下水道缺陷类型进行检测分类[3]；Cheng等人使用目标检测神经网络FasterR-CNN对管道缺陷进行分类和定位[4]。然而，这些方法都无法得到管道内部缺陷的详细信息，比如裂痕的长度和形状、沉积物的体积等，这远远不能满足管道检测的最终需求。
采用图像分割方法对管道图像进行处理是获得管道内部缺陷信息的重要方式，例如：Hawari等人采用图像分割算法对破裂、沉积、关节偏移等三种缺陷进行了处理，并基于分割后的图片对这三种缺陷进行了评价[5]。但是现在采用的图像分割方法都基于传统图像处理方法，需要为每个缺陷设计特有的特征提取器，不具有通用性。
参考文献
[1]Liu,Zheng,and Yehuda Kleiner."State ofthe art review ofinspectiontechnologies for conditionassessmentofwaterpipes."Measurement46.1(2013):1-15.
[2]Kumar,Srinath S.,et al."Automated defect classification in sewerclosed circuit television inspections using deep convolutional neuralnetworks."Automation in Construction 91(2018):273-283.
[3]Li,Duanshun,Anran Cong,and Shuai Guo."Sewer damage detection fromimbalanced CCTV inspection data using deep convolutional neural networks withhierarchical classification."Automation in Construction 101(2019):199-208.
[4]Cheng,Jack CP,and Mingzhu Wang."Automated detection of sewer pipedefects in closed-circuit television images using deep learning techniques."Automation in Construction 95(2018):155-171.
[5]Hawari,Alaa,et al."Automated defect detection tool for closedcircuit television(cctv)inspected sewerpipelines."Automation in Construction89(2018):99-109.
发明内容
本发明基于U-Net语义分割网络和SE(Squeeze-and-Excitation Networks)网络，提出了一种基于深度学习的排水管道缺陷分割方法，来解决上述提出的问题。利用大量已有标注的管道异常样本进行训练和测试，本发明能够快速准确对管道缺陷进行分割，从而获得管道缺陷的分割图片。本发明技术方案如下：
一种基于深度学习的排水管道缺陷分割方法，大致步骤如下描述：
步骤1：选取视频帧，形成管道图像集，并根据缺陷类型对其进行缺陷划分，划分为：破裂、错口、渗漏和支管暗接四类；
步骤2：对管道图像数据集进行数据标注，获得标注后的Mask图像，并对管道图像数据集进行数据增强。
步骤3：将进行数据增强后的数据集划分为训练集和测试集；
步骤4：搭建基于U-Net和SE模块的语义分割网络，继承语义分割网络的架构，分为encoder部分和decoder部分，其中encoder部分采用VGG16结构形式，并在VGG16的基础上进行修改，去掉最后的池化层和全连接层；decoder采用上采样对encoder最终输出的Featuremap进行特征恢复，然后将上采样部分和encoder处理后的部分用concatenate的方式连接；进行连接后紧跟着2个3*3卷积层，这2个卷积层的参数设置和encoder对应的处理部分相同；其中和decoder相连的encoder部分的处理方式是采用concatenate的方式先对encoder部分的相连的两个卷积层进行连接，将连接后的Feature map用SE模块进行处理，然后进行3*3卷积，该卷积的滤波器数量和相连的两个卷积层的数量相同；decoder部分最后采用一个1*1卷积最终输出分割后的图像；
步骤5：使用反向传播算法对神经网络进行训练，训练过程中保存训练损失最小的网络模型；
步骤6：使用保存的模型对测试集进行测试，得到管道缺陷图片的分割结果图片。
附图说明
图1是本发明的流程图
图2是本发明的网络结构图
图3是本发明中使用的SE模块的结构图
图4是本发明中对应管道缺陷分割结果
具体实施方式
为了使本发明目的、技术方案及优点更加清楚明白，以下参照附图并举实例，对本发明进行详细说明。显然，所描述的实施仅是本发明的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本说明中的实施及实施例中的特征可以互相结合。
本发明的处理步骤包括：数据获取、数据标注和数据增强、建立训练集测试集、搭建卷积神经网络、训练卷积神经网络、采用训练好的网络模型对管道缺陷图片进行测试主要步骤。
步骤1：数据获取。从获得的CCTV视频抽取视频帧，形成管道图像集，并根据缺陷类型对图片进行分类。选取选取图片质量较好的支管暗接、渗漏、错口以及破裂等四类图片。
步骤2：数据标注和数据增强。用labelme工具对图片中的缺陷类型进行标注，获得标注后的Mask图片。该Mask图片中分割出的缺陷对应的像素值为1，背景的像素值为0。标注完成后，对图片进行数据增强，采用的数据增强方法为高斯噪声、图像翻转和色彩抖动。同时获得到数据增强后对应的Mask图片。
步骤3：建立训练集测试集。将进行数据标注和数据增强后的数据集划分为训练集和测试集，划分比例为3:1。
步骤4：搭建基于U-Net和SE模块的语义分割网络，该网络继承了语义分割网络的传统架构，分为encoder部分和decoder部分。其中encoder部分采用VGG16的结构方式，并在VGG16的基础上进行了修改，去掉了最后的池化层和全连接层。decoder采用上采样对encoder最终输出的Feature map进行特征恢复，然后将上采样部分和encoder处理后的部分用concatenate的方式连接。进行连接后紧跟着2个3*3卷积层，这2个卷积层的参数设置和encoder对应的处理部分相同。其中和decoder相连的encoder部分的处理方式是采用concatenate的方式先对encoder部分的相连的两个卷积层进行连接，将连接后的Featuremap用SE模块进行处理，然后进行3*3卷积，该卷积的滤波器数量和相连的两个卷积层的数量相同。decoder部分最后采用一个1*1卷积最终输出分割后的图像。该网络的总体结构如下：
第一卷积层，卷积核大小为3*3，总共32个滤波器，步幅stride＝1。
第二卷积层，卷积核大小为3*3，总共32个滤波器，步幅stride＝1。
第一最大池化层，池化大小为2*2，步幅stride＝2。
第三卷积层，卷积核大小为3*3，总共64个滤波器，步幅stride＝1。
第四卷积层，卷积核大小为3*3，总共64个滤波器，步幅stride＝1。
第二最大池化层，池化大小为2*2，步幅stride＝2。
第五卷积层，卷积核大小为3*3，总共128个滤波器，步幅stride＝1。
第六卷积层，卷积核大小为3*3，总共128个滤波器，步幅stride＝1。
第三最大池化层，池化大小为2*2，步幅stride＝2。
第七卷积层，卷积核大小为3*3，总共256个滤波器，步幅stride＝1。
第八卷积层，卷积核大小为3*3，总共256个滤波器，步幅stride＝1。
第四最大池化层，池化大小为2*2，步幅stride＝2。
第九卷积层，卷积核大小为3*3，总共512个滤波器，步幅stride＝1。
第十卷积层，卷积核大小为3*3，总共512个滤波器，步幅stride＝1。
第一上采样层，上采样大小为2*2
第一concatenate层，合并第七卷积层的输出和第八卷积层的输出。
SE模块一，输入为第一concatenate层的输出，缩放系数r＝8
第十二卷积层，卷积核大小为3*3，总共256个滤波器，步幅stride＝1。
第二concatenate层，合并SE模块一的输出和第一上采样层的输出
第十三卷积层，卷积核大小为3*3，总共256个滤波器，步幅stride＝1。
第十四卷积层，卷积核大小为3*3，总共256个滤波器，步幅stride＝1。
第二上采样层，上采样大小为2*2
第三concatenate层，合并第五卷积层的输出和第六卷积层的输出。
SE模块二，输入为第三concatenate层的输出，缩放系数r＝8
第十五卷积层，卷积核大小为3*3，总共128个滤波器，步幅stride＝1。
第四concatenate层，合并SE模块二的输出和第二上采样层的输出
第十六卷积层，卷积核大小为3*3，总共128个滤波器，步幅stride＝1。
第十七卷积层，卷积核大小为3*3，总共128个滤波器，步幅stride＝1。
第三上采样层，上采样大小为2*2
第五concatenate层，合并第三卷积层的输出和第四卷积层的输出。
SE模块三，输入为第三concatenate层的输出，缩放系数r＝8
第十八卷积层，卷积核大小为3*3，总共64个滤波器，步幅stride＝1。
第六concatenate层，合并SE模块三的输出和第三上采样层的输出
第十九卷积层，卷积核大小为3*3，总共64个滤波器，步幅stride＝1。
第二十卷积层，卷积核大小为3*3，总共64个滤波器，步幅stride＝1。
第四上采样层，上采样大小为2*2
第七concatenate层，合并第一卷积层的输出和第二卷积层的输出。
SE模块四，输入为第七concatenate层的输出，缩放系数r＝8
第二十一卷积层，卷积核大小为3*3，总共32个滤波器，步幅stride＝1。
第八concatenate层，合并SE模块四的输出和第四上采样层的输出
第二十二卷积层，卷积核大小为3*3，总共32个滤波器，步幅stride＝1。
第二十三卷积层，卷积核大小为3*3，总共32个滤波器，步幅stride＝1。
第二十四卷积层，卷积核大小为1*1，总共2个滤波器，步幅stride＝1。
其中SE网络的结构如下：
第一全局平均池化层，输入为任意大小的Feature map
第一全连接层，节点个数为Feature map的通道数比缩放系数r，激活函数为relu
第二全连接层，节点个数为Feature map的通道数，激活函数为sigmoid
Multiply层，将最终输出与输入进行逐元素乘法。
步骤5：使用反向传播算法对神经网络进行训练，训练过程中保存训练损失最小的网络模型。其中，网络训练使用Nvidia GPU进行。
步骤6：使用保存的模型对测试集进行测试，就可以得到管道缺陷图片的分割结果图片。
上述网络结构以TensorFlow为框架进行搭建。使用的语言是Python。在本实施例中，通过TensorFlow中内置的Keras深度学习库中的函数式模型作为整体结构，按照库中的卷积网络层的写法构建卷积层、最大池化层、全连接层、全局平均池化层、concatenate层、Multiply层等卷积神经网络结构。
本发明实施例所提供的管道缺陷分割方法在工作人员获取到管道图像后，可以直接输入网络，即可得到管道缺陷的分割结果。工作人员可直接对管道缺陷的分割结果图进行管道缺陷的量化评估，无需再用肉眼判断缺陷的位置及形状大小，增加了管道缺陷检测评估的客观性，有利于管道缺陷检测报告的撰写，具有良好的应用价值。

Claims (3)

1.一种基于深度学习的排水管道缺陷分割方法，大致步骤如下描述：
步骤1：选取视频帧，形成管道图像集，并根据缺陷类型对其进行缺陷划分，划分为：破裂、错口、渗漏和支管暗接四类；
步骤2：对管道图像数据集进行数据标注，获得标注后的Mask图像，并对管道图像数据集进行数据增强。
步骤3：将进行数据增强后的数据集划分为训练集和测试集；
步骤4：搭建基于U-Net和SE模块的语义分割网络，继承语义分割网络的架构，分为encoder部分和decoder部分，其中encoder部分采用VGG16结构形式，并在VGG16的基础上进行修改，去掉最后的池化层和全连接层；decoder采用上采样对encoder最终输出的Featuremap进行特征恢复，然后将上采样部分和encoder处理后的部分用concatenate的方式连接；进行连接后紧跟着2个3*3卷积层，这2个卷积层的参数设置和encoder对应的处理部分相同；其中和decoder相连的encoder部分的处理方式是采用concatenate的方式先对encoder部分的相连的两个卷积层进行连接，将连接后的Feature map用SE模块进行处理，然后进行3*3卷积，该卷积的滤波器数量和相连的两个卷积层的数量相同；decoder部分最后采用一个1*1卷积最终输出分割后的图像；
步骤5：使用反向传播算法对神经网络进行训练，训练过程中保存训练损失最小的网络模型；
步骤6：使用保存的模型对测试集进行测试，得到管道缺陷图片的分割结果图片。
2.根据权利要求1所述的方法，其特征在于，步骤2)中，采用的数据增强方法为高斯噪声、图像翻转和色彩抖动三种方式。
3.根据权利要求1所述的方法，其特征在于，步骤5)中，网络训练使用Nvidia GPU进行。
CN201910810715.6A 2019-08-29 2019-08-29 一种基于深度学习的排水管道缺陷分割方法 Active CN110555831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910810715.6A CN110555831B (zh) 2019-08-29 2019-08-29 一种基于深度学习的排水管道缺陷分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910810715.6A CN110555831B (zh) 2019-08-29 2019-08-29 一种基于深度学习的排水管道缺陷分割方法

Publications (2)

Publication Number Publication Date
CN110555831A true CN110555831A (zh) 2019-12-10
CN110555831B CN110555831B (zh) 2023-09-26

Family

ID=68738421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910810715.6A Active CN110555831B (zh) 2019-08-29 2019-08-29 一种基于深度学习的排水管道缺陷分割方法

Country Status (1)

Country Link
CN (1) CN110555831B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027946A (zh) * 2020-03-08 2020-04-17 杭州鲁尔物联科技有限公司 一种桥梁检测报告生成方法及系统
CN111929329A (zh) * 2020-07-30 2020-11-13 广东寰球智能科技有限公司 玻璃幕墙智能检测方法、系统及存储介质
CN112070720A (zh) * 2020-08-11 2020-12-11 国网河北省电力有限公司保定供电分公司 一种基于深度学习模型的变电站设备缺陷识别方法
CN113763363A (zh) * 2021-09-09 2021-12-07 华南理工大学 一种排水管道破裂缺陷检测及等级评定方法
WO2022236876A1 (zh) * 2021-05-14 2022-11-17 广州广电运通金融电子股份有限公司 一种玻璃纸缺陷识别方法、系统、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038850A (zh) * 2017-12-08 2018-05-15 天津大学 一种基于深度学习的排水管道异常类型自动检测方法
CN108510473A (zh) * 2018-03-09 2018-09-07 天津工业大学 结合深度可分离卷积与通道加权的fcn视网膜图像血管分割
CN109308695A (zh) * 2018-09-13 2019-02-05 镇江纳兰随思信息科技有限公司 基于改进U-net卷积神经网络模型的癌细胞识别方法
WO2019104767A1 (zh) * 2017-11-28 2019-06-06 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN110120041A (zh) * 2019-05-14 2019-08-13 郑州大学 路面裂缝图像检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019104767A1 (zh) * 2017-11-28 2019-06-06 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN108038850A (zh) * 2017-12-08 2018-05-15 天津大学 一种基于深度学习的排水管道异常类型自动检测方法
CN108510473A (zh) * 2018-03-09 2018-09-07 天津工业大学 结合深度可分离卷积与通道加权的fcn视网膜图像血管分割
CN109308695A (zh) * 2018-09-13 2019-02-05 镇江纳兰随思信息科技有限公司 基于改进U-net卷积神经网络模型的癌细胞识别方法
CN110120041A (zh) * 2019-05-14 2019-08-13 郑州大学 路面裂缝图像检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027946A (zh) * 2020-03-08 2020-04-17 杭州鲁尔物联科技有限公司 一种桥梁检测报告生成方法及系统
CN111929329A (zh) * 2020-07-30 2020-11-13 广东寰球智能科技有限公司 玻璃幕墙智能检测方法、系统及存储介质
CN112070720A (zh) * 2020-08-11 2020-12-11 国网河北省电力有限公司保定供电分公司 一种基于深度学习模型的变电站设备缺陷识别方法
WO2022236876A1 (zh) * 2021-05-14 2022-11-17 广州广电运通金融电子股份有限公司 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN113763363A (zh) * 2021-09-09 2021-12-07 华南理工大学 一种排水管道破裂缺陷检测及等级评定方法
CN113763363B (zh) * 2021-09-09 2023-08-01 华南理工大学 一种排水管道破裂缺陷检测及等级评定方法

Also Published As

Publication number Publication date
CN110555831B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN110555831B (zh) 一种基于深度学习的排水管道缺陷分割方法
CN107480611B (zh) 一种基于深度学习卷积神经网络的裂缝识别方法
CN110222701B (zh) 一种桥梁病害自动识别方法
CN112258496A (zh) 一种基于全卷积神经网络的地下排水管道病害分割方法
CN108460764A (zh) 基于自动上下文和数据增强的超声图像智能分割方法
CN110826588A (zh) 一种基于注意力机制的排水管道缺陷检测方法
CN111415329A (zh) 一种基于深度学习的工件表面缺陷检测方法
CN111080609B (zh) 一种基于深度学习的闸瓦插销丢失检测方法
Ye et al. Diagnosis of sewer pipe defects on image recognition of multi-features and support vector machine in a southern Chinese city
CN113822880A (zh) 一种基于深度学习的裂缝识别方法
CN109615604A (zh) 基于图像重构卷积神经网络的零件外观瑕疵检测方法
CN111507998A (zh) 基于深度级联的多尺度激励机制隧道表面缺陷分割方法
CN113962951B (zh) 检测分割模型的训练方法及装置、目标检测方法及装置
Kumar et al. A deep learning based automated structural defect detection system for sewer pipelines
CN116612106A (zh) 一种基于yolox算法的光学元件表面缺陷检测方法
CN113763363A (zh) 一种排水管道破裂缺陷检测及等级评定方法
CN112669269A (zh) 一种基于图像识别的管道缺陷分类分级方法及系统
Chen et al. Research on anti-interference detection of 3D-printed ceramics surface defects based on deep learning
CN113298857A (zh) 一种基于神经网络融合策略的轴承缺陷检测方法
CN113516652A (zh) 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备
Moradi et al. Automated sewer pipeline inspection using computer vision techniques
Chen et al. Deep learning based underground sewer defect classification using a modified RegNet
CN114820493B (zh) 一种制孔导致的复合材料孔口劈裂检测方法
Sampath et al. Vision Transformer based knowledge distillation for fasteners defect detection
CN115082650A (zh) 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法

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
GR01 Patent grant
GR01 Patent grant