CN110598792A - 基于pggan迁移学习的排水管道缺陷检测训练数据生成方法 - Google Patents
基于pggan迁移学习的排水管道缺陷检测训练数据生成方法 Download PDFInfo
- Publication number
- CN110598792A CN110598792A CN201910868563.5A CN201910868563A CN110598792A CN 110598792 A CN110598792 A CN 110598792A CN 201910868563 A CN201910868563 A CN 201910868563A CN 110598792 A CN110598792 A CN 110598792A
- Authority
- CN
- China
- Prior art keywords
- training
- layer
- network
- pggan
- picture
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法,考虑通过生成对抗网络生成排水管道缺陷检测训练数据,需要大规模的数据集训练,现有的数据集不满足要求。为了能够减少训练集数据量,在现有的数据集上训练生成对抗网络,本发明在渐进式生成对抗网络中引入迁移学习,充分利用已有的数据先进行预训练,再在目标缺陷类数据上进行微调。微调后的模型可以生成质量更好的排水管道缺陷检测训练数据。
Description
技术领域
本发明涉及一种基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法。
背景技术
现有技术中未有针对排水管道缺陷检测训练数据,不会涉及排水管道每种缺陷数量参差不齐,即类不平衡的问题。另一方面,传统的数据训练通常需要进行训练生成的原因是——原有训练集数量不足,这与生成网络需要大规模的数据集训练相矛盾,用不足的数据集训练生成网络,只能生成质量比较差的数据集,不适合作为训练集。
发明内容
有鉴于此,本发明的目的在于提供一种基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法,能够在现有的数据集上训练生成对抗网络。
为实现上述目的,本发明采用如下技术方案:
一种基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法,包括以下步骤:
步骤S1:从历史检测报告及管道机器人拍摄的视频中抽取视频帧形成图像集,根据检测报告对图像集进行预处理,并将其分为远近两个大类,两个大类分别独立执行后续步骤;
步骤S2:将步骤S1中得到的大类细分为多个缺陷类别,统计各个类别样本数,将样本数少于预设数量的类别数据作为目标数据集B,其余类别作为源数据集C,并将目标数据集按比例再分别训练集B1和测试集B2;
步骤S3:将源数据集C和训练集B1分别处理成多尺度源数据集C’和多尺度训练集B1’;
步骤S4:根据得到的多尺度源数据集C’训练PGGAN,训练结束,得到预训练生成模型M1;
步骤S5:根据多尺度训练集B1’微调预训练模型M1,训练结束,得到训练模型M2;
步骤S6:根据得到的训练模型M2,输入不同的随机噪声,生成数据作为最终训练集D;
步骤S7:根据最终训练集D训练分类器,并使用测试集B2测试分类器;,训练完成的分类器将用于排水管道缺陷检测,对待测排水管道图片进行分类。
进一步的,所述步骤S1具体为:
步骤S11:从历史检测报告及管道机器人拍摄的视频中抽取视频帧形成图像集;
步骤S12:将图片集中图片等比例缩放至短边长为2S,S取值为7~9;
步骤S13:对缩放后的图片随机裁剪出2m×2m的子图,m取值为7~9;
步骤S14:按景别将所有子图分为远近两大类,即若图片中有管道的轮廓,则为远景;若图片中只有管壁的特写,则为近景。
进一步的,所述缺陷类别包括变形、残墙、坝根、沉积、错口、浮渣、腐蚀、接口材料脱落、结垢、破裂、起伏、渗漏、树根、脱节、异物穿入、障碍物、正常和支管暗接。
进一步的,所述步骤S3具体为:
步骤S31:对于分辨率为2m×2m的子图片,取P=2,3,……,m,分别将2m×2m的图片缩放为2P×2P的多尺度图片;
步骤S32:缩放后的图片,按分辨率划分,保持原有子类不变,得到多尺度数据集。
进一步的,所述步骤S4具体为:
步骤S41:PGGAN由生成网络和判别网络组成,根据步骤S3得到的数据集C’包含多个尺度的训练集,尺度范围为22×22 ~2m×2m,生成网络和判别网络采用渐进式训练,即从最低尺度开始,渐进地提高尺度;
步骤S42:渐进地训练网络至分辨率为2m×2m;
步骤S43:生成网络和判别网络采用的损失函数为:
其中,L(G)为生成网络的损失,L(D)为判别网络的损失,G(z)表示从噪声生成图片,D()为判别函数,对输入进行判别,z~Pz表示样本服从噪声分布,x~PT表示样本服从真实图像分布,L(D)最后一项为梯度惩罚项。
步骤S44:在训练过程中使用adam优化算法更新网络参数,生成网络判别网络学习率均为0.001,迭代6000轮,批大小为16。
进一步的,所述步骤S5具体为:
步骤S51:所有网络参数来自步骤S4的模型M1,网络结构与m取值有关;
生成网络结构为:
第一层输入为512维随机噪声;
第3×i+1层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+2层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+3层上采样层,输入为第二层输出,最近邻性插值放大2倍,i取值范围为0~S-2;
第3×S层卷积层,卷积核大小3×3,步长为1,填充像素为0。
判别网络结构为:
第一层输入为2m×2m图像;
第3×i+1层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+2层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+3层下采样层,输入为第二层输出,平均池化缩小0.5倍,i取值范围为0~S-2;
第3×S层卷积层,卷积核大小4×4,步长为1,填充像素为0;
最后一层为全连接层,激活函数为线性激活函数;
步骤S52:在训练过程中使用adam优化算法更新网络参数,生成网络判别网络学习率均为0.001,迭代2000轮,批大小为16。
进一步的,所述分类器采用Alexnet分类器,算法初始学习率为0.01,迭代200,000轮,批大小为32。训练完成的分类器将用于排水管道缺陷检测,对待测排水管道图片进行分类。分类准确率会比原始数据集训练的分类器准确率高。
本发明与现有技术相比具有以下有益效果:
本发明根据不同类别缺陷样本的数量差异,将已有的数据分割成源训练集和目标训练集,通过PGGAN在源训练集进行预训练,然后在目标训练集上微调,使用微调后的模型生成训练数据用于训练排水管道缺陷检测,弥补了原有数据集数据量的不足,提高了缺陷检测性能和泛化能力。
附图说明
图1是本发明方法流程图;
图2是本发明一实施例中PGGAN网络结构。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法,包括以下步骤:
步骤S1:从历史检测报告及管道机器人拍摄的视频中抽取视频帧形成图像集,根据检测报告对图像集进行预处理,并将其分为远近两个大类,两个大类分别独立执行后续步骤;
步骤S2:将步骤S1中得到的大类细分为多个缺陷类别,统计各个类别样本数,将样本数少于预设数量的类别数据作为目标数据集B,其余类别作为源数据集C,并将目标数据集按比例再分别训练集B1和测试集B2;
步骤S3:将源数据集C和训练集B1分别处理成多尺度源数据集C’和多尺度训练集B1’;
步骤S4:根据得到的多尺度源数据集C’训练PGGAN,训练结束,得到预训练生成模型M1;
步骤S5:根据多尺度训练集B1’微调预训练模型M1,训练结束,得到训练模型M2;
步骤S6:根据得到的训练模型M2,输入不同的随机噪声,输出为2m×2m分辨率图片,生成数据作为最终训练集D;最终训练集D为10,000~40,000/子类,可以根据后期分类准确率或时间性能做出调整。
步骤S7:根据最终训练集D训练分类器,并使用测试集B2测试分类器。
在本实施例中,所述步骤S1具体为:
步骤S11:从历史检测报告及管道机器人拍摄的视频中抽取视频帧形成图像集;
步骤S12:将图片集中图片等比例缩放至短边长为2S,S取值为7~9,即2S取值范围为128~512之间;
步骤S13:对缩放后的图片随机裁剪出2m×2m的子图,m取值为7~9,根据长宽比例,子图数量取值范围为1~3之间;
步骤S14:按景别将所有子图分为远近两大类,即若图片中有管道的轮廓,则为远景;若图片中只有管壁的特写,则为近景。
在本实施例中,所述缺陷类别包括变形、残墙、坝根、沉积、错口、浮渣、腐蚀、接口材料脱落、结垢、破裂、起伏、渗漏、树根、脱节、异物穿入、障碍物、正常和支管暗接。预设数量为可为500~3000;目标数据集包括的类别数量可为2~5,视源数据集数据量而定;所述“比例”可为K:1,K的取值范围是2~5。
在本实施例中,所述步骤S3具体为:
步骤S31:对于分辨率为2m×2m的子图片,取P=2,3,……,m,分别将2m×2m的图片缩放为2P×2P的多尺度图片;
步骤S32:缩放后的图片,按分辨率划分,保持原有子类不变,得到多尺度数据集。
参照图2,所述步骤S4具体为:
步骤S41:PGGAN由生成网络和判别网络组成,根据步骤S3得到的数据集C’包含多个尺度的训练集,尺度范围为22×22 ~2m×2m,生成网络和判别网络采用渐进式训练,即从最低尺度开始,渐进地提高尺度;
如无特殊说明,所有网络层激活函数都为leakyReLU,每层的输入默认为上一次输出。当尺度为4×4时,生成网络结构为:
第一层卷积层,输入为512维随机噪声,卷积核大小3×3,步长为1,填充像素为1;
第二层卷积层,卷积核大小3×3,步长为1,填充像素为1;
第三层卷积层,卷积核大小1×1,步长为1,填充像素为0;
判别网络结构为:
第一层卷积层,输入为4×4图像,卷积核大小1×1,步长为1,填充像素为0;
第二层卷积层,卷积核大小3×3,步长为1,填充像素为1;
第三层卷积层,卷积核大小4×4,步长为1,填充像素为0;
最后一层为全连接层,激活函数为线性激活函数。
尺度从4×4过渡到8×8时,生成网络做出调整:
第一层卷积层,输入为512维随机噪声,卷积核大小3×3,步长为1,填充像素为1;
第二层卷积层,卷积核大小3×3,步长为1,填充像素为1;
第三层卷积层,卷积核大小1×1,步长为1,填充像素为0;
第四层为上采样层,输入为第二层输出,最近邻性插值放大2倍;
第五层卷积层,卷积核大小3×3,步长为1,填充像素为1;
第六层卷积层,卷积核大小3×3,步长为1,填充像素为1;
第七层卷积层,卷积核大小1×1,步长为1,填充像素为0;
最终的输出为第三层的输出×λ+第七层输出,λ随着训练轮数增加减小至0。
类似的,判别网络的结构为:
第一层卷积层,输入为8×8图像,卷积核大小1×1,步长为1,填充像素为0;
第二层卷积层,卷积核大小3×3,步长为1,填充像素为1;
第三层卷积层,卷积核大小3×3,步长为1,填充像素为1;
第四层为下采样层,平均池化缩小0.5倍;
最终的输出为第四层的输出×λ+第一层输入,λ随着训练轮数增加增大至1;
第六层卷积层,卷积核大小1×1,步长为1,填充像素为0;
第七层卷积层,卷积核大小3×3,步长为1,填充像素为1;
第八层卷积层,卷积核大小4×4,步长为1,填充像素为0;
最后一层为全连接层,激活函数为线性激活函数。
步骤S42:渐进地训练网络至分辨率为2m×2m;
步骤S43:生成网络和判别网络采用的损失函数为:
其中,L(G)为生成网络的损失,L(D)为判别网络的损失,G(z)表示从噪声生成图片,D()为判别函数,对输入进行判别,z~Pz表示样本服从噪声分布,x~PT表示样本服从真实图像分布,L(D)最后一项为梯度惩罚项。
步骤S44:在训练过程中使用adam优化算法更新网络参数,生成网络判别网络学习率均为0.001,迭代6000轮,批大小为16。
在本实施例中,所述步骤S5具体为:
步骤S51:所有网络参数来自步骤S4的模型M1,网络结构与m取值有关;
生成网络结构为:
第一层输入为512维随机噪声;
第3×i+1层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+2层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+3层上采样层,输入为第二层输出,最近邻性插值放大2倍,i取值范围为0~S-2;
第3×S层卷积层,卷积核大小3×3,步长为1,填充像素为0。
判别网络结构为:
第一层输入为2m×2m图像;
第3×i+1层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+2层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+3层下采样层,输入为第二层输出,平均池化缩小0.5倍,i取值范围为0~S-2;
第3×S层卷积层,卷积核大小4×4,步长为1,填充像素为0;
最后一层为全连接层,激活函数为线性激活函数;
步骤S52:在训练过程中使用adam优化算法更新网络参数,生成网络判别网络学习率均为0.001,迭代2000轮,批大小为16。
在本实施例中,所述分类器采用Alexnet分类器,算法初始学习率为0.01,迭代200,000轮,批大小为32。训练完成的分类器将用于排水管道缺陷检测,对待测排水管道图片进行分类。分类准确率会比原始数据集训练的分类器准确率高。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法,其特征在于,包括以下步骤:
步骤S1:从历史检测报告及管道机器人拍摄的视频中抽取视频帧形成图像集,根据检测报告对图像集进行预处理,并将其分为远近两个大类,两个大类分别独立执行后续步骤;
步骤S2:将步骤S1中得到的大类细分为多个缺陷类别,统计各个类别样本数,将样本数少于预设数量的类别数据作为目标数据集B,其余类别作为源数据集C,并将目标数据集按比例再分别训练集B1和测试集B2;
步骤S3:将源数据集C和训练集B1分别处理成多尺度源数据集C’和多尺度训练集B1’;
步骤S4:根据得到的多尺度源数据集C’训练PGGAN,训练结束,得到预训练生成模型M1;
步骤S5:根据多尺度训练集B1’微调预训练模型M1,训练结束,得到训练模型M2;
步骤S6:根据得到的训练模型M2,输入不同的随机噪声,生成数据作为最终训练集D;
步骤S7:根据最终训练集D训练分类器,并使用测试集B2测试分类器,训练完成的分类器将用于排水管道缺陷检测,对待测排水管道图片进行分类。
2.根据权利要求1所述的基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法,其特征在于,所述步骤S1具体为:
步骤S11:从历史检测报告及管道机器人拍摄的视频中抽取视频帧形成图像集;
步骤S12:将图片集中图片等比例缩放至短边长为2S,S取值为7~9;
步骤S13:对缩放后的图片随机裁剪出2m×2m的子图,m取值为7~9;
步骤S14:按景别将所有子图分为远近两大类,即若图片中有管道的轮廓,则为远景;若图片中只有管壁的特写,则为近景。
3.根据权利要求1所述的基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法,其特征在于:所述缺陷类别包括变形、残墙、坝根、沉积、错口、浮渣、腐蚀、接口材料脱落、结垢、破裂、起伏、渗漏、树根、脱节、异物穿入、障碍物、正常和支管暗接。
4.根据权利要求2所述的基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法,其特征在于,所述步骤S3具体为:
步骤S31:对于分辨率为2m×2m的子图片,取P=2,3,……,m,分别将2m×2m的图片缩放为2P×2P的多尺度图片;
步骤S32:缩放后的图片,按分辨率划分,保持原有子类不变,得到多尺度数据集。
5.根据权利要求2所述的基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法,其特征在于,所述步骤S4具体为:
步骤S41:PGGAN由生成网络和判别网络组成,根据步骤S3得到的数据集C’包含多个尺度的训练集,尺度范围为22×22 ~2m×2m,生成网络和判别网络采用渐进式训练,即从最低尺度开始,渐进地提高尺度;
步骤S42:渐进地训练网络至分辨率为2m×2m;
步骤S43:生成网络和判别网络采用的损失函数为:
其中,L(G)为生成网络的损失,L(D)为判别网络的损失,G(z)表示从噪声生成图片,D()为判别函数,对输入进行判别,z~Pz表示样本服从噪声分布,x~PT表示样本服从真实图像分布,L(D)最后一项为梯度惩罚项;
步骤S44:在训练过程中使用adam优化算法更新网络参数,生成网络判别网络学习率均为0.001,迭代6000轮,批大小为16。
6.根据权利要求1所述的基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法,其特征在于,所述步骤S5具体为:
步骤S51:所有网络参数来自步骤S4的模型M1,网络结构与m取值有关;
生成网络结构为:
第一层输入为512维随机噪声;
第3×i+1层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+2层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+3层上采样层,输入为第二层输出,最近邻性插值放大2倍,i取值范围为0~S-2;
第3×S层卷积层,卷积核大小3×3,步长为1,填充像素为0;
判别网络结构为:
第一层输入为2m×2m图像;
第3×i+1层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+2层卷积层,卷积核大小3×3,步长为1,填充像素为1,i取值范围为0~S-1;
第3×i+3层下采样层,输入为第二层输出,平均池化缩小0.5倍,i取值范围为0~S-2;
第3×S层卷积层,卷积核大小4×4,步长为1,填充像素为0;
最后一层为全连接层,激活函数为线性激活函数;
步骤S52:在训练过程中使用adam优化算法更新网络参数,生成网络判别网络学习率均为0.001,迭代2000轮,批大小为16。
7.根据权利要求1所述的基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法,其特征在于:所述分类器采用Alexnet分类器,算法初始学习率为0 .01,迭代200,000轮,批大小为32。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868563.5A CN110598792B (zh) | 2019-09-16 | 2019-09-16 | 基于pggan迁移学习的排水管道缺陷检测训练数据生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868563.5A CN110598792B (zh) | 2019-09-16 | 2019-09-16 | 基于pggan迁移学习的排水管道缺陷检测训练数据生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598792A true CN110598792A (zh) | 2019-12-20 |
CN110598792B CN110598792B (zh) | 2022-10-14 |
Family
ID=68859665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910868563.5A Active CN110598792B (zh) | 2019-09-16 | 2019-09-16 | 基于pggan迁移学习的排水管道缺陷检测训练数据生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598792B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127454A (zh) * | 2019-12-27 | 2020-05-08 | 上海交通大学 | 基于深度学习生成工业缺陷样本的方法及系统 |
CN111507937A (zh) * | 2020-03-03 | 2020-08-07 | 平安科技(深圳)有限公司 | 一种图像数据的生成方法及装置 |
CN111553265A (zh) * | 2020-04-27 | 2020-08-18 | 河北天元地理信息科技工程有限公司 | 一种排水管道内部缺陷的检测方法及系统 |
CN111783945A (zh) * | 2020-06-22 | 2020-10-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测系统 |
CN112200797A (zh) * | 2020-10-28 | 2021-01-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于pcb噪声标注数据的有效训练方法 |
CN117876799A (zh) * | 2024-03-11 | 2024-04-12 | 暨南大学 | 一种物流供应链品控缺陷检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018063504A (ja) * | 2016-10-12 | 2018-04-19 | 株式会社リコー | 生成モデル学習方法、装置及びプログラム |
CN108711138A (zh) * | 2018-06-06 | 2018-10-26 | 北京印刷学院 | 一种基于生成对抗网络的灰度图片彩色化方法 |
-
2019
- 2019-09-16 CN CN201910868563.5A patent/CN110598792B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018063504A (ja) * | 2016-10-12 | 2018-04-19 | 株式会社リコー | 生成モデル学習方法、装置及びプログラム |
CN108711138A (zh) * | 2018-06-06 | 2018-10-26 | 北京印刷学院 | 一种基于生成对抗网络的灰度图片彩色化方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127454A (zh) * | 2019-12-27 | 2020-05-08 | 上海交通大学 | 基于深度学习生成工业缺陷样本的方法及系统 |
CN111507937A (zh) * | 2020-03-03 | 2020-08-07 | 平安科技(深圳)有限公司 | 一种图像数据的生成方法及装置 |
CN111507937B (zh) * | 2020-03-03 | 2024-05-10 | 平安科技(深圳)有限公司 | 一种图像数据的生成方法及装置 |
CN111553265A (zh) * | 2020-04-27 | 2020-08-18 | 河北天元地理信息科技工程有限公司 | 一种排水管道内部缺陷的检测方法及系统 |
CN111553265B (zh) * | 2020-04-27 | 2021-10-29 | 河北天元地理信息科技工程有限公司 | 一种排水管道内部缺陷的检测方法及系统 |
CN111783945A (zh) * | 2020-06-22 | 2020-10-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测系统 |
CN111783945B (zh) * | 2020-06-22 | 2022-08-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测系统 |
CN112200797A (zh) * | 2020-10-28 | 2021-01-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于pcb噪声标注数据的有效训练方法 |
CN112200797B (zh) * | 2020-10-28 | 2024-04-05 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于pcb噪声标注数据的有效训练方法 |
CN117876799A (zh) * | 2024-03-11 | 2024-04-12 | 暨南大学 | 一种物流供应链品控缺陷检测方法及系统 |
CN117876799B (zh) * | 2024-03-11 | 2024-05-28 | 暨南大学 | 一种物流供应链品控缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110598792B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598792B (zh) | 基于pggan迁移学习的排水管道缺陷检测训练数据生成方法 | |
CN113469177A (zh) | 基于深度学习的排水管道缺陷检测方法及系统 | |
CN111860336B (zh) | 基于位置感知的高分辨遥感图像倾斜船舶目标检测方法 | |
CN110598600A (zh) | 一种基于unet神经网络的遥感图像云检测方法 | |
CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
KR20230132686A (ko) | PointNet++ 신경망 기반 콘크리트배관 손상 인식 및 체적 디스플레이 방법 | |
CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
CN116205907A (zh) | 一种基于机器视觉的饰板缺陷检测方法 | |
CN116452982A (zh) | 一种基于改进YOLOv5的探地雷达地下排水管网图像检测方法 | |
CN115115647A (zh) | 一种融合注意力机制和残差aspp的遥感影像语义分割方法 | |
CN112883969B (zh) | 一种基于卷积神经网络的降雨强度检测方法 | |
CN110826575A (zh) | 一种基于机器学习的水下目标识别方法 | |
Saranya et al. | Comparison of segmentation techniques for detection of defects in non-destructive testing images | |
CN110414585B (zh) | 基于改进的嵌入式平台的实时颗粒物检测方法 | |
CN113627465B (zh) | 基于卷积长短期记忆神经网络的降水数据时空动态融合方法 | |
CN114648507A (zh) | 对骨料进行在线检测的方法、可读存储介质及终端设备 | |
CN113361532B (zh) | 一种图像识别方法、系统、存储介质、设备、终端及应用 | |
CN112488125B (zh) | 一种基于高速视觉诊断和bp神经网络的重建方法及系统 | |
CN108898080A (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 | |
CN113963212A (zh) | 基于Inception-Resnet神经网络的管道病害图像分类方法及装置 | |
CN114373156A (zh) | 基于视频图像识别算法的非接触式水位流速流量智能监测系统 | |
CN114758237A (zh) | 一种输水隧洞缺陷自动识别模型的构建方法、检测方法、构建装置、计算机及存储介质 | |
CN112116588A (zh) | 基于人工智能的线性扫描相机抖动程度检测方法及系统 | |
CN111860332A (zh) | 基于多阈值级联检测器的双通道电力图零部件检测方法 | |
CN115641363B (zh) | 一种基于深度匹配的河流表面流速计算方法 |
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 |