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 PDF

Info

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
Application number
CN201910868563.5A
Other languages
English (en)
Other versions
CN110598792B (zh
Inventor
钟尚平
陈守龙
陈开志
陈雨寒
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN201910868563.5A priority Critical patent/CN110598792B/zh
Publication of CN110598792A publication Critical patent/CN110598792A/zh
Application granted granted Critical
Publication of CN110598792B publication Critical patent/CN110598792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于PGGAN迁移学习的排水管道缺陷检测训练数据生成方法
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。
CN201910868563.5A 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 Active CN110598792B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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