CN110705630A - 半监督学习式目标检测神经网络训练方法、装置及应用 - Google Patents
半监督学习式目标检测神经网络训练方法、装置及应用 Download PDFInfo
- Publication number
- CN110705630A CN110705630A CN201910924329.XA CN201910924329A CN110705630A CN 110705630 A CN110705630 A CN 110705630A CN 201910924329 A CN201910924329 A CN 201910924329A CN 110705630 A CN110705630 A CN 110705630A
- Authority
- CN
- China
- Prior art keywords
- neural network
- training
- picture
- detection
- semi
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 69
- 238000012549 training Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007547 defect Effects 0.000 claims description 36
- 238000002372 labelling Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000007430 reference method Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 1
- 229960004134 propofol Drugs 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种半监督学习式目标检测神经网络训练方法、装置及应用,所述方法的训练集包括不含标注的OK样本和含标注的NG样本,包括以下步骤:S1、以NG样本为正样本训练神经网络;S2、利用当前的神经网络对OK图片进行负样本标注;S3、以含标注的OK图片再次训练神经网络;S4、重复步骤S1‑S3,直到神经网络收敛。与现有技术相比,本发明具有利用了大量的OK样本,成本低,有效提高了网络精度等优点。
Description
技术领域
本发明涉及一种基于人工智能的目标检测方法,尤其是涉及一种半监督学习式目标检测神经网络训练方法及应用。
背景技术
作为现代制造业的一个流程,产品质检是工业流水线上的一个重要环节。目前的产品质检工作主要以人工为主,辅以一些传统的计算机视觉检测算法。随着现代制造业规模的扩大和消费者对产品品控日益高涨的需求,传统以人工为主的质检行业在成本控制和质量控制上开始难以跟上行业的发展。
作为以上问题的解决方案,工业缺陷检测行业的智能化和自动化开始代替人工质检。利用计算机视觉技术代替一部分人工的方法开始在生产过程中普及。但是目前市场上的质检软件大多基于传统的计算机视觉方法。这些方法虽然成熟稳定,却局限于简单的工业场景,难以处理复杂,隐晦的产品缺陷。
随着机器学习的发展,尤其是近年来(从2012年)涌现的深度学习(DeepLearning)技术在计算机视觉领域的成功应用,工业检测行业自动化迎来了更高一阶的发展。深度学习技术凭借其出色的语义处理能力,在自然语言处理,自动驾驶,人脸识别,和三维场景重建等各种复杂领域有着出色的表现,在某些细分领域甚至超过了人类。在工业缺陷检测领域中,深度学习算法也能处理应对更复杂的场景。
目前的深度学习算法在工业缺陷检测中的应用主要集中在视觉检测中的一下三个难度逐一递增的场景:即输入待检测对象的光学特征信号(一般以高清相片为主),算法给出1)缺陷的类别信息(目标分类),2)缺陷的类别和用多边形表示的尺寸、位置信息(目标检测),和3)像素级别的缺陷类别信息(目标分割)。
基于深度学习的目标检测算法有很多种,其中最常见的算法类别是以FasterRCNN为代表的基于Region Proposal的目标检测算法。此类算法最大的特点是把目标检测拆分成两大步骤,即首先算法从输入图片中提取出若干候选区域(一般用矩形或多边形表示),然后算法的第二步会针对这些图片候选区域进行分类和矫正,最后输出待检测目标(在工业质检场景中,检测目标即缺陷)的类别,尺寸,和位置(后两者由矩形或多边形表示)。
以工业缺陷检测为例,为保证检测精度,上述检测算法通常需要大量被标注的缺陷样本作为训练依据。在训练过程中,这些标注样本被当作缺陷样本的范例,用以训练(通过调整深度神经网络中的连接权重)算法对该类型缺陷的识别能力。相对于传统计算机视觉算法,基于深度神经网络的计算机视觉算法通常需要更多的标注数据来完成训练。尽管在检测精度和应对复杂场景的能力上后者占据了绝对优势,但标注训练数据往往需要耗费很多人力和时间成本。
为目标检测算法标注训练数据的成本主要体现在一下两个方面:1、先识别出缺陷样本(即找出图片中是否存在缺陷),2、然后用矩形框或多边形标注缺陷的类别,尺寸和位置。其中后者所耗费的人力成本往往比前者更高。更糟的是,在很多工业检测的场景中,可供训练的缺陷样本通常非常之少,这种情况对训练效果的影响会很大。
以上标注成本和极端数据条件的存在极大限制了深度学习目标检测算法在工业缺陷检测上的应用范畴。
以Faster RCNN为例简要介绍传统深度目标神经网络在工业质检应用中的训练方法。Faster RCNN是基于Region Proposal的目标检测算法,其网络结构由两个分工不同的网络组成:
1、Region Proposal Network(RPN):根据输入图片的内容检测出一批疑似包含待检测目标的候选区域;
2、Detection Head:进一步鉴别,优化RPN网络所检测出来的候选区域,最后输出待检测目标的类别,置信度和所在位置与尺寸(矩形框)。
从以上FasterRCNN的结构可以看出,训练FasterRCNN的关键点之一落在了如何对候选区域的分类上。在传统训练方法中,候选区域被划定为正样本(包含待检测目标的区域)的依据是其与标注区域的重合程度,负样本(不包含待检测目标的区域,即背景)则是在图片其它区域中随机选取。
因为负样本的数据质量直接决定了最后检测结果的精确度,而传统训练方法中的区域负样本的选取仅限于包含缺陷的NG图片,然而数量更多的OK图片并没有被有效地运用到目标检测算法的训练中来。以OK图片背景作为训练负样本的缺失很可能会导致缺陷检测的高误报率。
发明内容
本发明的目的在于克服上述现有技术存在的人工数据标注的难题而提供一种半监督学习式目标检测神经网络训练方法、装置及应用。
本发明的目的可以通过以下技术方案来实现:
一种半监督学习式目标检测神经网络训练方法,其特征在于,该方法的训练集包括不含标注的OK样本和含标注的NG样本,包括以下步骤:
S1、以NG样本为正样本训练神经网络;
S2、利用当前的神经网络对OK图片进行负样本标注;
S3、以含标注的OK图片再次训练神经网络;
S4、重复步骤S1-S3,直到神经网络收敛。
进一步地,所述步骤S1和S3中,采用反向传播梯度下降法优化神经网络的网络参数。
进一步地,所述对OK图片进行负样本标注具体为:
将OK图片作为当前的神经网络的输入,进行图片缺陷检测,选择置信率最高的设定数量的检测结果,标注为负样本。
进一步地,所述设定数量为OK图片所有检测框数量的10-15%。
本发明还提供一种半监督学习式目标检测神经网络训练装置,该装置采用的训练集包括不含标注的OK样本和含标注的NG样本,该装置包括:
初训练模块,用于以NG样本为正样本训练神经网络;
负样本标注模块,用于利用初训练模块输出的神经网络对OK图片进行负样本标注;
再训练模块,用于以负样本标注模块输出的含标注的OK图片再次训练神经网络;
收敛判断模块,用于判断再训练模块输出的神经网络是否收敛,若是,则输出最终的神经网络,若否,则重新启动初训练模块。
进一步地,所初训练模块和再训练模块中,采用反向传播梯度下降法优化神经网络的网络参数。
进一步地,所述负样本标注模块中,对OK图片进行负样本标注具体为:
将OK图片作为当前的神经网络的输入,进行图片缺陷检测,选择置信率最高的设定数量的检测结果,标注为负样本。
进一步地,所述设定数量为OK图片所有检测框数量的10-15%。
本发明还提供一种产品缺陷检测方法,采用所述的半监督学习式目标检测神经网络训练方法对目标检测神经网络进行训练,基于训练好的目标检测神经网络实现产品缺陷检测。
与现有技术相比,本发明具有如下有益效果:
第一,本方法在基于深度学习的工业质检领域,有效地把曾经被忽略的大量OK图片(无缺陷样本)运用到训练过程中,在实验中,新方法可以极大地减小误报率。由于无缺陷样本的多数性,本发明绕开了缺陷样本过少的限制,大大提高了训练精度。
第二,本方法并不需要大量的人力成本,由于工业缺陷检测的特殊性,OK图片占图片总数的比例要远远高于NG图片,具有易得性,所以OK的获得成本很低;其次,因为OK图片遴选出来后不需要像对待NG图片那样进行手动标注,OK图片的获取速度要远远高于NG图片的获取速度。
第三,本方法实现简单而且非常容易移植到其它算法。因为本发明不需要对神经网络内部的设计进行任何改动,只需在训练环节加入少量的代码就能运行,具备非常高的实用性。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种半监督学习式目标检测神经网络训练方法,为一种利用困难样本进行挖掘的半监督机器学习方法,可以利用大量无缺陷样本来达到训练的目标检测神经网络的目的。
该方法可以保证OK图片在训练过程中被有效地利用,在以包含缺陷的NG图片集为标注数据的基础上,假定筛选出了大量不含标注的OK图片,该方法的具体训练过程如下:
S1、用NG图片作为正样本训练神经网络:输入一批NG图片到Faster RCNN网络,用反向传播梯度下降法优化网络参数;
S2、用当前的神经网络标注OK图片(困难样本的挖掘):输入一批OK图片到FasterRCNN网络,检测图片上的缺陷,选取置信率最高的前N个检测结果(矩形框格式),把它们标注为负样本,本实施例中,N的数量为OK图片所有检测框数量的10-15%;
S3、用含标注的OK图片再次训练神经网络:把上一步中被Faster RCNN标注好的图片再次输入到Faster RCNN中,用反向传播梯度下降法优化网络参数;
S4、重复步骤S1-S3,直到Faster RCNN收敛。
为了验证本方法的性能,本方法在一个多晶硅太阳能电池片缺陷检测的数据集上进行了多次实验。作为基准方法,本发明在实验中使用了Faster RCNN作为基准神经网络,主干网络使用resnet50。为了充分利用深度学习的发展成果,在训练过程中本发明用在ImageNet分类任务上训练好的权重初始化resnet50主干网络。本发明预定义批次大小为1(即每次训练循环只用一张图片训练),训练模型循环次数为150k。
本发明的数据集标注了多晶硅太阳能电池片缺陷检测中最常见的三种缺陷:破片、交叉状隐裂和条状隐裂。数据集被划分为训练集和测试集两部分。其中训练集包含约8k张NG图片和500k张OK图片;测试集按图片数量被均分为三个子测试集:Test1、Test2和Test3,其中每个测试集包含250张NG图片和~4.5k张OK图片。为了保证实验的严谨性,本发明严格规定以上每个集合(包括训练和子测试集合)的图片不能和其它集合的图片采样于同一张太阳能电池板。
本发明的实验的性能验证标准是基于工业检测中常用的两个概念:漏报率和误报率,其中漏报率定义为NG图片被算法漏报的概率,这里漏报也包括没有被算法正确定位的情况(检测框于标注框IoU<0.3);误报率定义为OK图片被算法误报的概率。
表1
漏报率1%下的误报率 | Test1 | Test2 | Test3 |
基准方法 | 6.9% | 11.1% | 21.9% |
本方法 | 7.7% | 5.6% | 4.9% |
表2
漏报率2%下的误报率 | Test1 | Test2 | Test3 |
基准方法 | 6.6% | 7.6% | 7.3% |
本方法 | 5.4% | 4.3% | 3.7% |
本发明统计了基准方法和本发明方法漏报率分别在1%和2%时,在三个子测试集上的误报率,实验数据见于表1和表2。
由上表可见,本发明的训练方法在保持误报率不变的情况下,相比传统算法能大幅降低误报率。
实施例2
本实施例提供一种半监督学习式目标检测神经网络训练装置,该装置采用的训练集包括不含标注的OK样本和含标注的NG样本,该装置包括:初训练模块,用于以NG样本为正样本训练神经网络;负样本标注模块,用于利用初训练模块输出的神经网络对OK图片进行负样本标注;再训练模块,用于以负样本标注模块输出的含标注的OK图片再次训练神经网络;收敛判断模块,用于判断再训练模块输出的神经网络是否收敛,若是,则输出最终的神经网络,若否,则重新启动初训练模块。其余同实施例1。
实施例3
本实施例提供一种产品缺陷检测方法,采用如实施例1所述的半监督学习式目标检测神经网络训练方法对目标检测神经网络进行训练,基于训练好的目标检测神经网络实现产品缺陷检测。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种半监督学习式目标检测神经网络训练方法,其特征在于,该方法的训练集包括不含标注的OK样本和含标注的NG样本,包括以下步骤:
S1、以NG样本为正样本训练神经网络;
S2、利用当前的神经网络对OK图片进行负样本标注;
S3、以含标注的OK图片再次训练神经网络;
S4、重复步骤S1-S3,直到神经网络收敛。
2.根据权利要求1所述的半监督学习式目标检测神经网络训练方法,其特征在于,所述步骤S1和S3中,采用反向传播梯度下降法优化神经网络的网络参数。
3.根据权利要求1所述的半监督学习式目标检测神经网络训练方法,其特征在于,所述对OK图片进行负样本标注具体为:
将OK图片作为当前的神经网络的输入,进行图片缺陷检测,选择置信率最高的设定数量的检测结果,标注为负样本。
4.根据权利要求3所述的半监督学习式目标检测神经网络训练方法,其特征在于,所述设定数量为OK图片所有检测框数量的10-15%。
5.一种半监督学习式目标检测神经网络训练装置,其特征在于,该装置采用的训练集包括不含标注的OK样本和含标注的NG样本,该装置包括:
初训练模块,用于以NG样本为正样本训练神经网络;
负样本标注模块,用于利用初训练模块输出的神经网络对OK图片进行负样本标注;
再训练模块,用于以负样本标注模块输出的含标注的OK图片再次训练神经网络;
收敛判断模块,用于判断再训练模块输出的神经网络是否收敛,若是,则输出最终的神经网络,若否,则重新启动初训练模块。
6.根据权利要求5所述的半监督学习式目标检测神经网络训练装置,其特征在于,所初训练模块和再训练模块中,采用反向传播梯度下降法优化神经网络的网络参数。
7.根据权利要求5所述的半监督学习式目标检测神经网络训练装置,其特征在于,所述负样本标注模块中,对OK图片进行负样本标注具体为:
将OK图片作为当前的神经网络的输入,进行图片缺陷检测,选择置信率最高的设定数量的检测结果,标注为负样本。
8.根据权利要求7所述的半监督学习式目标检测神经网络训练装置,其特征在于,所述设定数量为OK图片所有检测框数量的10-15%。
9.一种产品缺陷检测方法,其特征在于,采用如权利要求1所述的半监督学习式目标检测神经网络训练方法对目标检测神经网络进行训练,基于训练好的目标检测神经网络实现产品缺陷检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924329.XA CN110705630A (zh) | 2019-09-27 | 2019-09-27 | 半监督学习式目标检测神经网络训练方法、装置及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924329.XA CN110705630A (zh) | 2019-09-27 | 2019-09-27 | 半监督学习式目标检测神经网络训练方法、装置及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705630A true CN110705630A (zh) | 2020-01-17 |
Family
ID=69196745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910924329.XA Pending CN110705630A (zh) | 2019-09-27 | 2019-09-27 | 半监督学习式目标检测神经网络训练方法、装置及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705630A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507945A (zh) * | 2020-03-31 | 2020-08-07 | 成都数之联科技有限公司 | 一种使用无缺陷图训练深度学习缺陷检测模型的方法 |
CN111539417A (zh) * | 2020-04-28 | 2020-08-14 | 深源恒际科技有限公司 | 一种基于深度神经网络的文本识别训练优化方法 |
CN111738140A (zh) * | 2020-06-19 | 2020-10-02 | 中国水产科学研究院渔业机械仪器研究所 | 基于图像识别的养殖虾实时监控方法 |
CN112966601A (zh) * | 2021-03-05 | 2021-06-15 | 上海深硅信息科技有限公司 | 一种人工智能师徒半监督学习的方法 |
CN115100095A (zh) * | 2021-12-29 | 2022-09-23 | 苏州真目人工智能科技有限公司 | 一种基于非监督算法的pcb板检测方法 |
WO2023015843A1 (zh) * | 2021-08-13 | 2023-02-16 | 上海商汤智能科技有限公司 | 异常检测方法、装置、电子设备、计算机可读存储介质、计算机程序及计算机程序产品 |
CN117372368A (zh) * | 2023-10-17 | 2024-01-09 | 苏州真目人工智能科技有限公司 | 基于级联闭环深度学习算法的外观检测装置和方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120263376A1 (en) * | 2011-04-12 | 2012-10-18 | Sharp Laboratories Of America, Inc. | Supervised and semi-supervised online boosting algorithm in machine learning framework |
CN102842045A (zh) * | 2012-08-03 | 2012-12-26 | 华侨大学 | 一种基于组合特征的行人检测方法 |
WO2015134665A1 (en) * | 2014-03-04 | 2015-09-11 | SignalSense, Inc. | Classifying data with deep learning neural records incrementally refined through expert input |
WO2017107533A1 (zh) * | 2015-12-22 | 2017-06-29 | 广州视源电子科技股份有限公司 | 一种电子元件样本标注方法及装置 |
CN108052959A (zh) * | 2017-11-15 | 2018-05-18 | 南京邮电大学 | 一种提高深度学习图片识别算法鲁棒性的方法 |
CN108549852A (zh) * | 2018-03-28 | 2018-09-18 | 中山大学 | 基于深度网络增强的特定场景下行人检测器自动学习方法 |
CN108959252A (zh) * | 2018-06-28 | 2018-12-07 | 中国人民解放军国防科技大学 | 基于深度学习的半监督中文命名实体识别方法 |
CN108985334A (zh) * | 2018-06-15 | 2018-12-11 | 广州深域信息科技有限公司 | 基于自监督过程改进主动学习的通用物体检测系统及方法 |
CN109214463A (zh) * | 2018-09-25 | 2019-01-15 | 合肥优控科技有限公司 | 一种基于协同训练的地形分类方法 |
CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
CN109918610A (zh) * | 2019-02-25 | 2019-06-21 | 南京泛在地理信息产业研究院有限公司 | 基于地理环境相似度的负样本可信度度量方法及负样本采用方法 |
CN109978036A (zh) * | 2019-03-11 | 2019-07-05 | 华瑞新智科技(北京)有限公司 | 目标检测深度学习模型训练方法以及目标检测方法 |
CN110084131A (zh) * | 2019-04-03 | 2019-08-02 | 华南理工大学 | 一种基于深度卷积网络的半监督行人检测方法 |
-
2019
- 2019-09-27 CN CN201910924329.XA patent/CN110705630A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120263376A1 (en) * | 2011-04-12 | 2012-10-18 | Sharp Laboratories Of America, Inc. | Supervised and semi-supervised online boosting algorithm in machine learning framework |
CN102842045A (zh) * | 2012-08-03 | 2012-12-26 | 华侨大学 | 一种基于组合特征的行人检测方法 |
WO2015134665A1 (en) * | 2014-03-04 | 2015-09-11 | SignalSense, Inc. | Classifying data with deep learning neural records incrementally refined through expert input |
WO2017107533A1 (zh) * | 2015-12-22 | 2017-06-29 | 广州视源电子科技股份有限公司 | 一种电子元件样本标注方法及装置 |
CN108052959A (zh) * | 2017-11-15 | 2018-05-18 | 南京邮电大学 | 一种提高深度学习图片识别算法鲁棒性的方法 |
CN108549852A (zh) * | 2018-03-28 | 2018-09-18 | 中山大学 | 基于深度网络增强的特定场景下行人检测器自动学习方法 |
CN108985334A (zh) * | 2018-06-15 | 2018-12-11 | 广州深域信息科技有限公司 | 基于自监督过程改进主动学习的通用物体检测系统及方法 |
CN108959252A (zh) * | 2018-06-28 | 2018-12-07 | 中国人民解放军国防科技大学 | 基于深度学习的半监督中文命名实体识别方法 |
CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
CN109214463A (zh) * | 2018-09-25 | 2019-01-15 | 合肥优控科技有限公司 | 一种基于协同训练的地形分类方法 |
CN109918610A (zh) * | 2019-02-25 | 2019-06-21 | 南京泛在地理信息产业研究院有限公司 | 基于地理环境相似度的负样本可信度度量方法及负样本采用方法 |
CN109978036A (zh) * | 2019-03-11 | 2019-07-05 | 华瑞新智科技(北京)有限公司 | 目标检测深度学习模型训练方法以及目标检测方法 |
CN110084131A (zh) * | 2019-04-03 | 2019-08-02 | 华南理工大学 | 一种基于深度卷积网络的半监督行人检测方法 |
Non-Patent Citations (5)
Title |
---|
HAOYAN HUO等: "Semi-supervised machine-learning classification of materials synthesis procedures", 《NPJ COMPUTATIONAL MATERIALS》, vol. 05, pages 1 - 7 * |
位一鸣等: "基于卷积神经网络的主变压器外观缺陷检测方法", 《浙江电力》, vol. 38, no. 04, pages 61 - 68 * |
张肖等: "一种半监督集成学习软件缺陷预测方法", 《小型微型计算机系统》 * |
张肖等: "一种半监督集成学习软件缺陷预测方法", 《小型微型计算机系统》, vol. 39, no. 10, 15 October 2018 (2018-10-15), pages 2138 - 2145 * |
汪成龙等: "基于halcon的字符缺陷检测系统", 《制造业自动化》, vol. 40, no. 09, pages 38 - 41 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507945A (zh) * | 2020-03-31 | 2020-08-07 | 成都数之联科技有限公司 | 一种使用无缺陷图训练深度学习缺陷检测模型的方法 |
CN111539417A (zh) * | 2020-04-28 | 2020-08-14 | 深源恒际科技有限公司 | 一种基于深度神经网络的文本识别训练优化方法 |
CN111539417B (zh) * | 2020-04-28 | 2024-04-05 | 深源恒际科技有限公司 | 一种基于深度神经网络的文本识别训练优化方法 |
CN111738140A (zh) * | 2020-06-19 | 2020-10-02 | 中国水产科学研究院渔业机械仪器研究所 | 基于图像识别的养殖虾实时监控方法 |
CN112966601A (zh) * | 2021-03-05 | 2021-06-15 | 上海深硅信息科技有限公司 | 一种人工智能师徒半监督学习的方法 |
WO2023015843A1 (zh) * | 2021-08-13 | 2023-02-16 | 上海商汤智能科技有限公司 | 异常检测方法、装置、电子设备、计算机可读存储介质、计算机程序及计算机程序产品 |
CN115100095A (zh) * | 2021-12-29 | 2022-09-23 | 苏州真目人工智能科技有限公司 | 一种基于非监督算法的pcb板检测方法 |
CN115100095B (zh) * | 2021-12-29 | 2023-08-22 | 苏州真目人工智能科技有限公司 | 一种基于非监督算法的pcb板检测方法 |
CN117372368A (zh) * | 2023-10-17 | 2024-01-09 | 苏州真目人工智能科技有限公司 | 基于级联闭环深度学习算法的外观检测装置和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN112766334B (zh) | 一种基于伪标签域适应的跨域图像分类方法 | |
CN112037219A (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
CN113537227B (zh) | 一种结构化文本识别方法及系统 | |
CN111126446B (zh) | 一种机器人视觉工业产品缺陷图像数据增广方法 | |
CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
CN112150450A (zh) | 一种基于双通道U-Net模型的图像篡改检测方法及装置 | |
CN112613428B (zh) | 基于平衡损失的Resnet-3D卷积牛视频目标检测方法 | |
CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
CN111524120A (zh) | 基于深度学习的印刷品细小划痕、套印偏差检测方法 | |
CN114898472A (zh) | 基于孪生视觉Transformer网络的签名鉴定方法和系统 | |
CN116029979A (zh) | 一种基于改进Yolov4的布料瑕疵视觉检测方法 | |
CN114581932A (zh) | 一种图片表格线提取模型构建方法及图片表格提取方法 | |
CN111932639B (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
CN109815957A (zh) | 一种基于彩色图像在复杂背景下的文字识别方法 | |
CN117437647A (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
CN111079528B (zh) | 一种基于深度学习的图元图纸校核方法及系统 | |
CN115761380A (zh) | 基于逐通道特征融合的印花布匹瑕疵分类方法 | |
CN115761235A (zh) | 基于知识蒸馏的零样本语义分割方法、系统、设备及介质 | |
CN114638989A (zh) | 一种基于目标检测和细粒度识别的故障分类可视化方法 | |
CN114581722A (zh) | 一种基于孪生残差网络的二阶段多分类工业图像缺陷检测方法 | |
CN114550197A (zh) | 一种端子排图像检测信息匹配方法 | |
CN113569835A (zh) | 一种基于目标检测和分割识别的水表数值读取方法 | |
CN115512174A (zh) | 应用二次IoU损失函数的无锚框目标检测方法 |
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: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |