CN110969630A - 一种基于RDU-net网络模型的矿石大块率检测方法 - Google Patents
一种基于RDU-net网络模型的矿石大块率检测方法 Download PDFInfo
- Publication number
- CN110969630A CN110969630A CN201911096095.0A CN201911096095A CN110969630A CN 110969630 A CN110969630 A CN 110969630A CN 201911096095 A CN201911096095 A CN 201911096095A CN 110969630 A CN110969630 A CN 110969630A
- Authority
- CN
- China
- Prior art keywords
- convolution module
- ore
- deformable
- deformable convolution
- detection method
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10008—Still image; Photographic image from scanner, fax or copier
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于RDU‑net网络模型的矿石大块率检测方法,包括如下步骤:S1、获取原始矿石图片数据;S2、将获取的原始矿石图片数据进行预处理,获得更易于分割的待检测矿石图片数据;S3、将待检测矿石图片数据输入基于改进的可变形卷积模块和U‑net网络的RDU‑net网络分割模型中,获得矿石图片分割结果;S4、根据矿石图片分割结果识别每块矿石的面积,以此求得原始矿石图片内矿石大块率。本发明提供的检测方法,效率高、成本低、且精度较高。
Description
技术领域
本发明属于矿石检测技术领域,尤其涉及一种基于RDU-net网络模型的矿石大块率检测方法。
背景技术
为了防止出现堵塞和传送带损伤等问题,采矿场需要降低出产矿石的大块率。为了得到爆堆矿石的大块率,采用图像分析的方法是一种方便快捷的选择,但爆堆矿石受灰尘光照和纹理不均匀等因素的影响,传统的图像分割方法容易出现过分割和欠分割的现象。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题,本发明提供一种基于RDU-net网络模型的矿石大块率检测方法。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种基于RDU-net网络模型的矿石大块率检测方法,包括如下步骤:
S1、获取原始矿石图片数据;
S2、将获取的原始矿石图片数据进行预处理,获得更易于分割的待检测矿石图片数据;
S3、将待检测矿石图片数据输入基于改进的可变形卷积模块和U-net网络的RDU-net网络分割模型中,获得矿石图片分割结果;
S4、根据矿石图片分割结果识别每块矿石的面积,以此求得原始矿石图片内矿石大块率。
优选地,所述基于改进的可变形卷积模块和U-net网络的RDU-net网络分割模型包括:第一可变形卷积模块、第二可变形卷积模块、第三可变形卷积模块、第一卷积模块、第二卷积模块、第三卷积模块、第四可变形卷积模块、第五可变形卷积模块、第六可变形卷积模块和输出卷积模块;
所述第一可变性卷积模块与所述第二可变形卷积模块连接;
所述第二可变形卷积模块还与所述第三可变形卷积模块连接;
所述第三可变形卷积模块还与所述第一卷积模块连接;
所述第一卷积模块还与所述第二卷积模块连接;
所述第二卷积模块还与所述第三卷积模块连接;
所述第三卷积模块还与所述第四可变形卷积模块连接;
所述第四可变形卷积模块还与所述第五可变形卷积模块连接;
所述第五可变形卷积模块还与所述第六可变形卷积模块连接;
所述第六可变形卷积模块还与所述输出卷积模块连接。
优选地,所述第一可变形卷积模块、所述第二可变形卷积模块、所述第三可变形卷积模块、所述第四可变形卷积模块、所述第五可变形卷积模块和所述第六可变形卷积模块均包括卷积偏移层、卷积层、批标准化层和激活层。
优选地,所述第四可变形卷积模块、所述第五可变形卷积模块和所述第六可变形卷积模块均设有Merge layer层。
优选地,所述第一可变形卷积模块、所述第二可变形卷积模块、所述第三可变形卷积模块、所述第四可变形卷积模块、所述第五可变形卷积模块和所述第六可变形卷积模块的模块内部均设有残差连接。
优选地,所述第一卷积模块、所述第二卷积模块和所述第三卷积模块内部均设有残差连接。
优选地,步骤S2中对获取的原始矿石图片数据采用灰度化处理将原始的RGB图像转换为单通道图像,获得待检测矿石图片数据。
优选地,步骤S2中对获取的原始矿石图片数据使用归一化和对比度限制的自适应直方图均衡来增强前景-背景对比度,获得待检测矿石图片数据。
(三)有益效果
本发明的有益效果是:本发明提供的一种基于RDU-net网络模型的矿石大块率检测方法,具有以下有益效果:
RDU-net是U-Net的一个扩展,部分卷积层被加入了残差连接的可变形卷积瓶颈块所代替,底部卷积层被加入了残差连接的卷积瓶颈块代替。RDU-net采用对称的U形结构,通过编码器捕获上下文信息,结合低层特征映射和高层特征映射,实现解码器的精确定位。利用改进后的可变形的卷积块,RDU-net可以根据矿石颗粒的大小和形状,自适应地调整感受野,从而捕获不同形状和尺度的矿石颗粒。通过在标准卷积的规则采样网格上增加偏移量,使接收场可变形和增强,最终获得精度更高的图像分割结果。
综上本发明提供的于RDU-net网络模型的矿石大块率检测方法,效率高、成本低、且精度较高。
附图说明
图1为本发明提供的一种基于RDU-net网络模型的矿石大块率检测方法的流程示意图;
图2为本发明提供的一种基于RDU-net网络模型的矿石大块率检测方法中的RDU-Net的网络结构图;
图3为本发明提供的一种基于RDU-net网络模型的矿石大块率检测方法中的改进后的可变形卷积块和普通卷积块结构图;
图4为本发明提供的一种基于RDU-net网络模型的矿石大块率检测方法中的可变形卷积神经网络的结构示意图;
图5为本发明提供的一种基于RDU-net网络模型的矿石大块率检测方法中的分割效果对比示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
如图1所示:本实施例公开了一种基于RDU-net网络模型的矿石大块率检测方法,包括如下步骤:
S1、获取原始矿石图片数据。
S2、将获取的原始矿石图片数据进行预处理,获得更易于分割的待检测矿石图片数据。
应说明的是:这里所述的域预处理是指将:步骤S2中对获取的原始矿石图片数据采用灰度化处理将原始的RGB图像转换为单通道图像,获得待检测矿石图片数据。
或者,将步骤S2中对获取的原始矿石图片数据使用归一化和对比度限制的自适应直方图均衡来增强前景-背景对比度,获得获得待检测矿石图片数据。
通过上述预处理不仅能够减小灰尘干扰、矿石纹理复杂、光照等因素对矿石图像分割造成的影响,而且对于后续的图像分割工作降低了分割的难度,有助于提高最终的检测数据的精度。
S3、将待检测矿石图片数据输入基于改进的可变形卷积模块和U-net网络的RDU-net网络分割模型中,获得矿石图片分割结果。
这里采用矿石图像分割模型对矿石图像进行分割,将每块矿石的边缘清晰的分割开。
S4、根据矿石图片分割结果识别每块矿石的面积,以此求得原始矿石图片内矿石大块率。
需要说明的是:这里的图像分割模型是一种基于改进的可变形卷积模块和U-net网络的分割模型,命名为RDU-Net。
该网络将残差连接与可变形卷积相结合,构成可变形卷积模块;采用了类似的U形网络结构,使其能够捕获上下文信息并将其传播到更高的分辨率层,可以增强神经网络以端到端和像素到像素的方式分割矿石的能力,从而获得更精确的分割效果。
如图2所示:本实施例中提供到的基于改进的可变形卷积模块和U-net网络的RDU-net网络分割模型包括:第一可变形卷积模块、第二可变形卷积模块、第三可变形卷积模块、第一卷积模块、第二卷积模块、第三卷积模块、第四可变形卷积模块、第五可变形卷积模块、第六可变形卷积模块和输出卷积模块。
所述第一可变性卷积模块与所述第二可变形卷积模块连接;
所述第二可变形卷积模块还与所述第三可变形卷积模块连接;
所述第三可变形卷积模块还与所述第一卷积模块连接;
所述第一卷积模块还与所述第二卷积模块连接;
所述第二卷积模块还与所述第三卷积模块连接;
所述第三卷积模块还与所述第四可变形卷积模块连接;
所述第四可变形卷积模块还与所述第五可变形卷积模块连接;
所述第五可变形卷积模块还与所述第六可变形卷积模块连接;
所述第六可变形卷积模块还与所述输出卷积模块连接。
详细地,这里所述的所述第一可变形卷积模块、所述第二可变形卷积模块、所述第三可变形卷积模块、所述第四可变形卷积模块、所述第五可变形卷积模块和所述第六可变形卷积模块均包括卷积偏移层、卷积层、批标准化层和激活层。
其中,所述第四可变形卷积模块、所述第五可变形卷积模块和所述第六可变形卷积模块均设有Merge layer层。
本实施例中所述第一可变形卷积模块、所述第二可变形卷积模块、所述第三可变形卷积模块、所述第四可变形卷积模块、所述第五可变形卷积模块和所述第六可变形卷积模块的模块内部均设有残差连接。
本实施例中所述第一卷积模块、所述第二卷积模块和所述第三卷积模块内部均设有残差连接。
如图3中的虚线窗口显示了改进后的可变形卷积块和普通卷积块的详细设计。
每个改进后的可变形卷积块包括卷积偏移层(这是可变形卷积的核心概念)、卷积层、批标准化层和激活层,模块内部加入残差连接,将输入x与残差f(x)叠加。
加入残差连接有助于解决梯度消失和梯度爆炸问题,让我们在训练更深网络的同时,又能保证良好的性能。
在此模型的底部,我们使用加入了残差连接的普通卷积块而不是可变形卷积块,因为在没有实质性性能改善的情况下,会引入大量参数。利用这种结构,神经网络可以学习识别特征并生成精确的矿石颗粒分割结果。
关于改进的可变形卷积模块如图4所示:可变形卷积神经网络最初是用来区分像素是否属于血管的。在该模型中,血管分割被认为是一项分类任务,一个像素的特征可以基于它的邻域来提取,邻域定义为以该像素为中心的子图像块。为了降低计算复杂度和捕获局部特征,子图像块的大小被设置为48×48。可变形卷积体主要由一个正卷积层、三个可变形卷积块等组成。它主要由卷积层(conv)、可变形卷积偏移层(caffset)、批标准化层和激活层(relu)组成。虚线窗口中的层组成一个可变形的卷积模块。
矿石图像分割的一大挑战是用不同的形状和尺度对矿石进行建模。传统的方法,如Steerable Filter、Frangi Filter,通过多尺度或多方向响应的线性组合来利用矿石颗粒的特征,但这可能会带来偏差。可变形卷积网络通过在传统神经网络中引入可变形卷积层来解决这一问题,受这种的思想启发,我们将变形卷积技术引入到网络中,利用可变形接收场对输入特征进行自适应,从而获得各种形状和尺度的信息。在可变形卷积中,将偏移量加到标准卷积中常用的网格采样位置。偏移量从附加卷积层生成的先前特征映射中学习。因此,变形能够适应不同的尺度、形状、方向等。对于网格大小为1的5×5大小的内核,标准卷积网格G可以形式化为:
G={(-2,2),(-2,-1),...,(2,1),(2,2)} (1)
因此,卷积后输出特征图y中的每个位置m0可以形式化为
其中x表示输入特征图,w表示采样值的权重,mi表示以G表示的位置。在可变形卷积中,正常网格G被偏移量Δmi增强,我们得到
由于偏移量Δmi通常不是整数,因此采用双线性插值法确定偏移后采样点的值。如上所述,偏移Δmi由附加卷积层学习。
作为最成功的体系结构之一,ResNet使用了shortcut connection将输入添加到堆栈层的输出中,这有助于训练非常深的网络,在计算机视觉领域得到了广泛的应用。本实施例中将残差连接的思想运用到可变形神经网络中,每个可变形卷积瓶颈块块包含了卷积偏移层、卷积层、批标准化层和激活层,同时将输入x与残差函数F(x,w)叠加,最后通过ReLu函数激活后输出,构成可变形卷积瓶颈块。普通卷积瓶颈块也采用类似结构,两者的详细结构图如图3所示。
所以,第l个瓶颈块的输出xl可以表示为
xl=xl-1+F(xl-1,wl-1) (4)
对于反向传播,假设损失函数为E,根据反向传播的链式法则可以得到:
从公式5可以看出,加入残差连接有助于解决梯度消失和梯度爆炸问题,让我们在训练更深网络的同时,又能保证良好的性能。
试验结果及分析
在实验过程中,对测试图片采用边界补零的方法使图片的宽和长变为48的整数倍,从而使得该算法能适用于任意分辨率的图片。由于如何准确的分割大量堆积的矿石图像一直是矿石图像分割方法中的难点所在,因此本文采用矿石颗粒堆积较少的传送带上矿石图片作为实验图像。实验配置是:Windows操作系统,基于pytorch深度学习框架,Inteli5-8700K CPU和NVIDIA GeForce RTX 2080图像显卡。
在实验室条件下,通常采用构建数学模型的方法来客观的评价分割算法的分割精度。在本文中,两个性能指标用于对分割算法进行评价,即正确率(TPR)和误差率(EPR),定义为:
式中:Num(y)——集合y中元素的数量,WP——正确分割的矿石目标集合,WTP——分割算法检测的矿石目标集合。
式中:Num(y)——集合y中元素的数量,WIN——人工检测的矿石目标集合,WON——分割算法检测到的矿石目标集合。
为探讨本实施例中提出的基于RDU-Net模型的矿石图像分割算法的可行性,选取了传送带上的图片进行仿真实验,并与U-Net分割方法进行比较。分割效果图如下:
从图5(b)可以看出,U-Net容易将低灰度值的矿石颗粒错误的判定为背景,矿石颗粒粘连严重,容易造成欠分割且存在大量噪点。图5(c)所示的RDU-Net方法对于矿石图像的分割效果更好,能够有效处理粘连的矿石颗粒。虽然也存在欠分割,但相较于其他分割算法来说,欠分割数量较少,且视觉效果良好,令人满意。
表1测试结果性能指标
通过表1的测试结果性能指标和上述几种矿石图像分割方法的效果图可以看出,本文算法分割矿石图像的准确率高,在检测大块矿石精度达到92%以上的基础上,其分割效果也优于其他几种分割方法,可以更好的满足现场需求。
以上结合具体实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,不能以任何方式解释为对本发明保护范围的限制。基于此处解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (8)
1.一种基于RDU-net网络模型的矿石大块率检测方法,其特征在于,包括如下步骤:
S1、获取原始矿石图片数据;
S2、将获取的原始矿石图片数据进行预处理,获得更易于分割的待检测矿石图片数据;
S3、将待检测矿石图片数据输入基于改进的可变形卷积模块和U-net网络的RDU-net网络分割模型中,获得矿石图片分割结果;
S4、根据矿石图片分割结果识别每块矿石的面积,以此求得原始矿石图片内矿石大块率。
2.根据权利要求1所述的检测方法,其特征在于,
所述基于改进的可变形卷积模块和U-net网络的RDU-net网络分割模型包括:第一可变形卷积模块、第二可变形卷积模块、第三可变形卷积模块、第一卷积模块、第二卷积模块、第三卷积模块、第四可变形卷积模块、第五可变形卷积模块、第六可变形卷积模块和输出卷积模块;
所述第一可变性卷积模块与所述第二可变形卷积模块连接;
所述第二可变形卷积模块还与所述第三可变形卷积模块连接;
所述第三可变形卷积模块还与所述第一卷积模块连接;
所述第一卷积模块还与所述第二卷积模块连接;
所述第二卷积模块还与所述第三卷积模块连接;
所述第三卷积模块还与所述第四可变形卷积模块连接;
所述第四可变形卷积模块还与所述第五可变形卷积模块连接;
所述第五可变形卷积模块还与所述第六可变形卷积模块连接;
所述第六可变形卷积模块还与所述输出卷积模块连接。
3.根据权利要求2所述的检测方法,其特征在于,
所述第一可变形卷积模块、所述第二可变形卷积模块、所述第三可变形卷积模块、所述第四可变形卷积模块、所述第五可变形卷积模块和所述第六可变形卷积模块均包括卷积偏移层、卷积层、批标准化层和激活层。
4.根据权利要求3所述的检测方法,其特征在于,
所述第四可变形卷积模块、所述第五可变形卷积模块和所述第六可变形卷积模块均设有Mergelayer层。
5.根据权利要求4所述的检测方法,其特征在于,
所述第一可变形卷积模块、所述第二可变形卷积模块、所述第三可变形卷积模块、所述第四可变形卷积模块、所述第五可变形卷积模块和所述第六可变形卷积模块的模块内部均设有残差连接。
6.根据权利要求5所述的检测方法,其特征在于,
所述第一卷积模块、所述第二卷积模块和所述第三卷积模块内部均设有残差连接。
7.根据权利要求1所述的检测方法,其特征在于,
步骤S2中对获取的原始矿石图片数据采用灰度化处理将原始的RGB图像转换为单通道图像,获得待检测矿石图片数据。
8.根据权利要求1所述的检测方法,其特征在于,
步骤S2中对获取的原始矿石图片数据使用归一化和对比度限制的自适应直方图均衡来增强前景-背景对比度,获得待检测矿石图片数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911096095.0A CN110969630A (zh) | 2019-11-11 | 2019-11-11 | 一种基于RDU-net网络模型的矿石大块率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911096095.0A CN110969630A (zh) | 2019-11-11 | 2019-11-11 | 一种基于RDU-net网络模型的矿石大块率检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110969630A true CN110969630A (zh) | 2020-04-07 |
Family
ID=70030611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911096095.0A Pending CN110969630A (zh) | 2019-11-11 | 2019-11-11 | 一种基于RDU-net网络模型的矿石大块率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969630A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686849A (zh) * | 2020-12-24 | 2021-04-20 | 山东众阳健康科技集团有限公司 | 一种基于三维卷积神经网络的肺叶分割系统 |
CN113538225A (zh) * | 2020-04-14 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 模型训练方法及图像转换方法、装置、设备和存储介质 |
CN112434570B (zh) * | 2020-11-09 | 2024-05-24 | 宜春钽铌矿有限公司 | 一种钽铌矿摇床矿带的图像识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063866A (zh) * | 2014-06-26 | 2014-09-24 | 中国矿业大学(北京) | 一种矿石传送过程中的粒度检测方法 |
US20180137388A1 (en) * | 2016-11-14 | 2018-05-17 | Samsung Electronics Co., Ltd. | Method and apparatus for analyzing facial image |
CN108416775A (zh) * | 2018-03-12 | 2018-08-17 | 华中科技大学 | 一种基于深度学习的矿石粒度检测方法 |
CN109191476A (zh) * | 2018-09-10 | 2019-01-11 | 重庆邮电大学 | 基于U-net网络结构的生物医学图像自动分割新方法 |
CN109685776A (zh) * | 2018-12-12 | 2019-04-26 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及系统 |
CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及系统 |
CN110264466A (zh) * | 2019-06-28 | 2019-09-20 | 广州市颐创信息科技有限公司 | 一种基于深度卷积神经网络的钢筋检测方法 |
-
2019
- 2019-11-11 CN CN201911096095.0A patent/CN110969630A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063866A (zh) * | 2014-06-26 | 2014-09-24 | 中国矿业大学(北京) | 一种矿石传送过程中的粒度检测方法 |
US20180137388A1 (en) * | 2016-11-14 | 2018-05-17 | Samsung Electronics Co., Ltd. | Method and apparatus for analyzing facial image |
CN108416775A (zh) * | 2018-03-12 | 2018-08-17 | 华中科技大学 | 一种基于深度学习的矿石粒度检测方法 |
CN109191476A (zh) * | 2018-09-10 | 2019-01-11 | 重庆邮电大学 | 基于U-net网络结构的生物医学图像自动分割新方法 |
CN109685776A (zh) * | 2018-12-12 | 2019-04-26 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及系统 |
CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及系统 |
CN110264466A (zh) * | 2019-06-28 | 2019-09-20 | 广州市颐创信息科技有限公司 | 一种基于深度卷积神经网络的钢筋检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538225A (zh) * | 2020-04-14 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 模型训练方法及图像转换方法、装置、设备和存储介质 |
CN112434570B (zh) * | 2020-11-09 | 2024-05-24 | 宜春钽铌矿有限公司 | 一种钽铌矿摇床矿带的图像识别方法 |
CN112686849A (zh) * | 2020-12-24 | 2021-04-20 | 山东众阳健康科技集团有限公司 | 一种基于三维卷积神经网络的肺叶分割系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
CN110969630A (zh) | 一种基于RDU-net网络模型的矿石大块率检测方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN111257341B (zh) | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 | |
CN105574533B (zh) | 一种图像特征提取方法和装置 | |
CN110826520A (zh) | 一种基于改进YOLOv3-tiny算法的港口抓斗检测方法 | |
CN107808161A (zh) | 一种基于光视觉的水下目标识别方法 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
CN110009622B (zh) | 一种显示面板外观缺陷检测网络及其缺陷检测方法 | |
CN113536963B (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
CN112258537B (zh) | 一种基于卷积神经网络的监督暗视觉图像边缘检测方法 | |
CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
CN104835177A (zh) | 一种月光干扰下星点分割方法及其fpga实现装置 | |
CN108010065A (zh) | 低空目标快速检测方法及装置、存储介质及电子终端 | |
CN109899281A (zh) | 一种基于红外热像的压裂设备微弱故障诊断方法及装置 | |
CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
CN112364754A (zh) | 螺栓缺陷检测方法及系统 | |
CN111179212B (zh) | 集成蒸馏策略和反卷积的微小目标检测片上实现方法 | |
CN103268494B (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
CN114821316A (zh) | 一种三维探地雷达裂缝病害识别方法及系统 | |
CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
CN115456972A (zh) | 混凝土裂缝检测与识别方法、装置、设备及存储介质 | |
CN114067159A (zh) | 一种基于eus的粘膜下肿瘤细粒度分类方法 |
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 |