CN111008650A - 一种基于深度卷积对抗神经网络的金相组织自动评级方法 - Google Patents
一种基于深度卷积对抗神经网络的金相组织自动评级方法 Download PDFInfo
- Publication number
- CN111008650A CN111008650A CN201911107080.XA CN201911107080A CN111008650A CN 111008650 A CN111008650 A CN 111008650A CN 201911107080 A CN201911107080 A CN 201911107080A CN 111008650 A CN111008650 A CN 111008650A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- network
- metallographic
- input
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000010587 phase diagram Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 15
- 238000009827 uniform distribution Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000006870 function Effects 0.000 description 29
- 238000001514 detection method Methods 0.000 description 8
- 239000007769 metal material Substances 0.000 description 7
- 239000000463 material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000013078 crystal Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 244000224182 Gomphrena globosa Species 0.000 description 1
- 241001442654 Percnon planissimum Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于深度卷积对抗神经网络的金相组织自动评级方法，包括构建数据集通过实现金相图像数据增强建立网络，利用网络单独学习每一个金相图，根据网络学到的特征生成新的金相图,在数据量一定的情况下，扩充训练集样本，通过网络调节参数,使得生成失败图像最少，最大限度的扩充数据集，实现数据增强；其中将金相图分成四大类，并作为特征向量作为支持向量机分类器的输入，最后利用支持向量机对金相图进行数据分类。
Description
技术领域
本发明属于金属图像识别,深度卷积对抗神经网络,与机器学习领域,涉及对金相的特征提取并利用进行数据增强并进行评级分类的问题。
背景技术
对金属材料的检测技术分为很多种，有宏观检测、无损检测、显微检测、超声波检测等。从材料学的角度来讲，金属材料的显微组织形态与性能有着密切的关系，通过金相分析可以有效地预测金属材料的性能。如在金相显微镜下的金相图像，其中被边界分割而成的部分就是晶粒。晶粒按照级别大小可分为1～10级。晶粒面积越小，级别越大，其金属材料的强度和硬度就越高，并且塑性和韧性也越好。检测材料晶粒度级别数的传统方法是专业金相检测人员通过金相显微镜来观察金相图片，并与国家制定的标准系列评级图进行比较而得到的。这种方法不仅非常耗时耗力，而且评级的准确性非常依赖金相检测人员的专业素质、精度低、可重复性差。
生成式对抗网络,自2014年提出就得到了广泛的关注,其模型主要由一个生成器和一个判别器组成。生成式对抗网络中生成器和判别器之间的相互对抗,使得输出的数据分布无限接近真实数据分布,给众多研究者提供了新的训练思路,极大的推动了人工智能的发展。
从上个世纪六十年代的国外开始，英国的剑桥仪器公司发明了QuantimetA、QuantimetB两种型号的金相图像分析仪，这一阶段主要是参考和模仿外国的设备和技术。在这一阶段的金相分析仪有各种功能的大型装置，也有小巧专用的小型仪器，在当时的金相分析中起着很重要的作用，但是由于其当时的价格十分昂贵，所以不易普及。
在德国工业4.0和中国制造2025的影响下，全自动的智能检测要求不断地被提出。周雨蓉将分形维数作为特征提取参数，对分割后的图像进行二次提取，获得目标的面积、紧凑度、离散度、不变矩和分维等特征值，使用主成分分析法将这些特征值降低至3维属性，成功的对铸造铝合金金相组织进行了缺陷检测和分类，但是效率不高。国外的Papa等人利用传统的机器学习分类方法并与传统的Otsu图像分割方法进行了比较，通过实验数据确认了基于最优路径的森林分类器在分类精度和速度方面均表现出总体优越的性能。但是针对特定的金属材料虽然达到了全自动的评级分类，但是评级的结果进度不高，做不到最高级的分类，所以在评级分类的精度还有待提高。
发明内容
针对上述问题，本发明提供一种针对一些用于金相图像评级的算法，但是由于算法的原理和应用背景不同，各自存在不同的优缺点，因此大多只适用个别金属材料，无法应用到其他不同的金相组织中。因此，在缺少先验知识和数据集的情况下，找到一种针对大部分金属材料的分类算法是本发明要研究和解决的重点问题。本发明基于DCGAN(DeepConvolutional Generative Adversarial Networks)，从图像分类角度出发，提出一种切实可靠的数据增强方法并将此方法应用于金相分类。本发明以支持向量机作为分类器,对金属图像数据进行分类,考虑到金属图像数据量不足的情况,本发明采用生成式对抗式网络进行数据增强。技术方案如下：
一种基于深度卷积对抗神经网络的金相组织自动评级方法，包括下列步骤：
步骤1，构建数据集；利用金相显微镜、图像采集卡、CCD摄像头、计算机采集金相图像构建数据集,并对筛选好的金相图像进行相应的预处理操作；
步骤2，建立深度卷积对抗神经网络DCGAN,利用网络单独学习每一个金相图像，首先进行图像预处理,输入图像与标签一一对应,因此输入数据可视为均匀分布,服从均匀分布的输入样本与输入的标签级联,作为一个整体输入网络,根据网络学到的特征生成新的金相图,在数据量一定的情况下,扩充训练集样本,通过网络调节参数,使得生成失败图像最少,最大限度的扩充数据集,实现数据增强；
步骤3，提取金相图像并将1～10级细分类成四类，大类一为1级～4级，大类二为5级和6级，大类三为7级和8级，大类四为9级和10级；并将四大类作为特征向量,将四个特征向量作为支持向量机分类器的输入,利用支持向量机SVM对金相图像数据分类；
步骤4，将生成的金相图像作为增强数据加入训练集中,通过支持向量机训练得到分类模型。
进一步，对筛选好的金相图像进行相应的预处理操作中：将图像采集卡放入CCD摄像头中采集金相图像，然后利用金相显微镜选择好合适的放大倍数，包括100×，200×，500×和1000×四种放大倍数来构建数据集，最后用计算机处理数据集。
进一步，所述步骤2具体包括以下步骤：
步骤K1、将输入图像与标签一一对应,把输入数据视为均匀分布,服从均匀分布的输入样本与输入的标签级联,作为一个整体输入网络,数据维度是100；
步骤K2、利用第一个卷积层先进行线性变换将维度变为1024的数据,归一化后利用线性整流函数sigmoid,其中函数表达式为
进行非线性变换后获得第一个非线性层的输出,再与输入的标签级联作为下一层的输入；
步骤K3、利用第二个卷积层通过线性变换将输入数据变为512维的数据,对其归一化之后进行非线性relu变换,其中函数表达式为
然后需要改变reshape得到第二个非线性层的输出；
步骤K4、将第二个非线性层的输出数据与标签级联作为下一层的输入，经过四个卷积层最终得到一个64*64*3的图像；
步骤K5、经过一个反卷积层,该层网络的作用是对数据进行卷积的逆向操作,也就是将经过卷积的输出信号,通过反卷积可以还原卷积的输入信号，反卷积层不做块归一化操作,直接进行非线性sigmoid变换,生成图像；
步骤K6、得到的图像在判别器中与真实图像作对比,判别器根据损失函数返回损失值,不断校正生成图像,使得生成图像越来越接近真实图像。这里，生成网络的损失函数为：
鉴别网络的损失函数为
其中，m为图片的数量，xi为第i张真实图片，D(xi)为真实图片的概率；zi为第i张假图片，G(zi)为G生成的假图像；D(G(zi))为G生成假图像的概率。
进一步，对金相图像数据分类包括以下步骤：给定一组训练样本,每个标记为两类,通过支持向量机训练算法建立了一个模型,分配新的样本为一类或其他类,使其成为非概率二元线性分类；支持向量机会将图像中的特征向量映射到二维平面上的点,通过算法找到一个最鲁棒,泛化能力最强的分界线将两类数据分割开来，当二维平面不能满足线性分类的要求时,支持向量机可以借助核函数将数据向高维空间进行映射,在高维空间中找到一个合适的超平面来实现对数据的线性分类，而为了使二元分类器的支持向量机来实现多分类问题,采用了多分类的SVM，其中SVM中多项式核函数的表达式为K(x,y)＝(x·y+1)d，其中x·y代表两个变量向量的内积，d为向量维度，为64*64*3，而分类器的输入为经过DCGAN网络数据增强后1～10级地金相图，根据其图像特征，输出为四大类的金相图。
本发明的有益效果是：本发明依据生成式对抗网络可以自主实现无监督学习的特点,提出一种适用于提高金相图像识别效果的数据增强方式来提高分类的准确率。本发明以基于数据集生成的金相图像和经过数据增强后的金相图为研究对象,包括数据集的构建与增强、生成式对抗网络的建立、模型训练和测试。本发明根据深度学习的优点,针对原始图像数据量不足的客观条件,提出了一种新颖的数据增强方法,进而使基于深度卷积对抗神经网络的金相组织自动评级方法准确率得到提高。
附图说明
图1：DCGAN结构模型
图2：生成器结构模型
图3：四大类的金相图
图4：多分类SVM流程图
具体实施方式
为使本发明的技术方案更加清楚,下面对本发明具体实施方式做进一步地描述。本发明按以下步骤具体实现：
步骤S1、构建数据集：利用金相显微镜、图像采集卡、CCD摄像头、计算机等，选择好合适的放大倍数，包括100×，200×，500×和1000×来构建数据集,并对筛选好的金相图像进行相应的预处理操作；
步骤S2、通过实现金相图像数据增强建立网络,由于深度学习需要大量的数据，因此建立DAGAN网络,利用网络单独学习每一个金相图像，首先进行图像预处理,输入图像与标签一一对应,因此输入数据可视为均匀分布,服从均匀分布的输入样本与输入的标签级联,作为一个整体输入网络,数据维度是100,第一个卷积层先进行线性变换将维度变为1024的数据,归一化后利用线性整流函数,进行非线性变换获得第一个非线性层的输出,再与输入的标签级联作为下一层的输入。第二个卷积通过线性变换将输入数据变为512维的数据,对其归一化之后进行非线性RELU变换,然后需要reshape得到第二个非线性层的输出。最后将数据与标签级联作为下一层的输入。经过四个卷积层最终得到一个64*64*3的图像,最后经过一个反卷积层,该层网络的作用是对数据进行卷积的逆向操作,也就是将经过卷积的输出信号,通过反卷积可以还原卷积的输入信号。反卷积层不做块归一化操作,直接进行非线性sigmoid变换,生成图像。得到的图像在判别器中与真实图像作对比,判别器根据损失函数返回损失值,不断校正生成图像,使得生成图像越来越接近真实图像。DCGAN的判别器网络结构和生成器类似,由五层卷积层组成(如图1所示)。
如图2所示，其中DCGAN的参数设置对于最终图像的生成至关重要,我们设置步长stride为2，接着是迭代次数epoch,随着epoch从1开始逐渐增加,生成图像越来越接近真实图像,但是当epoch过大时,输出图像与真实图像的相似度会降低,epoch值在350到650之间的时候生成图像和输入图像大致相同,但依旧有部分图像生成失败,失败图像从目测上已经和输入的训练集样本相差太多,加入这些图像分类效果也会下降,因此需要将这些图像去掉,最后将选好的生成图像按照四大类加入训练集。
如图3所示，步骤S3、提取金相图像(1～10级细分类成四类)大类一(1级～4级)，大类二(5级和6级)，大类三(7级和8级)，大类四(9级和10级)作为特征向量,将四个特征向量作为支持向量机分类器的输入,利用支持向量机(SVM)对金相图像数据分类。
步骤S4、我们给定一组训练样本,每个标记为属于两类,支持向量机训练算法建立了一个模型,分配新的实例为一类或其他类,使其成为非概率二元线性分类。支持向量机会将图像中的特征向量映射到二维平面上的点,通过算法找到一个最鲁棒,泛化能力最强的分界线将两类数据分割开来。当二维平面不能满足线性分类的要求时,支持向量机可以借助核函数将数据向高维空间进行映射,在高维空间中找到一个合适的超平面来实现对数据的线性分类，而为了使二元分类器的支持向量机来实现多分类问题,本发明采用了多分类器的SVM。
如图4所示，支持向量机的核函数选取需要通过实验来寻求,因为训练样本一般是不会独立出现的,它们总是以成对样例的内积形式出现,通过使用恰当的核函数来替代内积,可以隐式的将非线性的训练数据映射到高维空间,而不增加可调参数的个数。目前核函数的选取主要是几个常用的核函数,如多项式核函数、高斯核函数、线性核函数和径向基核函数等等。通过实验发现线性核函数、径向基核函数的分类准确率低于多项式核函数,而高斯核函数等其他核函数无法分类,因此本发明选取了分类效果最好的多项式核函数。
步骤S5、将DCGAN生成的金相图像作为增强数据加入训练集中,通过支持向量机训练并得到分类模型，从而使分类准确率得到提高。其中，这里可以将图像分别输入到判别网络的多通道卷积网络的各个通道中,利用多通道卷积网络,进行特征的提取和融合,得到输出结果,利用多通道卷积网络更好的提取图像数据中的特征信息从而使网络具有较好的泛化能力,避免梯度消失现象,且能够输出质量更高更加真实的图片。而我们所使用的金相图像是通过RGB颜色空间的，所以在这里我们也将采用三通道卷积网络。
以上述实验作为基准,每大类的训练集增加了300张生成图像,测试集保持不变,核函数是多项式核函数,通过支持向量机训练得到模型,最后在相同测试集测试分类结果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种基于深度卷积对抗神经网络的金相组织自动评级方法，其特征在于，包括下列步骤：
步骤1，构建数据集；利用金相显微镜、图像采集卡、CCD摄像头、计算机采集金相图像构建数据集,并对筛选好的金相图像进行相应的预处理操作；
步骤2，建立深度卷积对抗神经网络DCGAN,利用网络单独学习每一个金相图像，首先进行图像预处理,输入图像与标签一一对应,因此输入数据可视为均匀分布,服从均匀分布的输入样本与输入的标签级联,作为一个整体输入网络,根据网络学到的特征生成新的金相图,在数据量一定的情况下,扩充训练集样本,通过网络调节参数,使得生成失败图像最少,最大限度的扩充数据集,实现数据增强；
步骤3，提取金相图像并将1～10级细分类成四类，大类一为1级～4级，大类二为5级和6级，大类三为7级和8级，大类四为9级和10级；并将四大类作为特征向量,将四个特征向量作为支持向量机分类器的输入,利用支持向量机SVM对金相图像数据分类；
步骤4，将生成的金相图像作为增强数据加入训练集中,通过支持向量机训练得到分类模型。
2.根据权利要求1所述的一种基于深度卷积对抗神经网络的金相组织自动评级方法，其特征在于，对筛选好的金相图像进行相应的预处理操作中：将图像采集卡放入CCD摄像头中采集金相图像，然后利用金相显微镜选择好合适的放大倍数，包括100×，200×，500×和1000×四种放大倍数来构建数据集，最后用计算机处理数据集。
3.根据权利要求1所述的一种基于深度卷积对抗神经网络的金相组织自动评级方法，其特征在于，所述步骤2具体包括以下步骤：
步骤K1、将输入图像与标签一一对应,把输入数据视为均匀分布,服从均匀分布的输入样本与输入的标签级联,作为一个整体输入网络,数据维度是100；
步骤K2、利用第一个卷积层先进行线性变换将维度变为1024的数据,归一化后利用线性整流函数sigmoid,其中函数表达式为
进行非线性变换后获得第一个非线性层的输出,再与输入的标签级联作为下一层的输入；
步骤K3、利用第二个卷积层通过线性变换将输入数据变为512维的数据,对其归一化之后进行非线性relu变换,其中函数表达式为
然后需要改变reshape得到第二个非线性层的输出；
步骤K4、将第二个非线性层的输出数据与标签级联作为下一层的输入，经过四个卷积层最终得到一个64*64*3的图像；
步骤K5、经过一个反卷积层,该层网络的作用是对数据进行卷积的逆向操作,也就是将经过卷积的输出信号,通过反卷积可以还原卷积的输入信号，反卷积层不做块归一化操作,直接进行非线性sigmoid变换,生成图像；
步骤K6、得到的图像在判别器中与真实图像作对比,判别器根据损失函数返回损失值,不断校正生成图像,使得生成图像越来越接近真实图像。这里，生成网络的损失函数为：
鉴别网络的损失函数为
其中，m为图片的数量，xi为第i张真实图片，D(xi)为真实图片的概率；zi为第i张假图片，G(zi)为G生成的假图像；D(G(zi))为G生成假图像的概率。
4.根据权利要求1所述的一种基于深度卷积对抗神经网络的金相组织自动评级方法，其特征在于，对金相图像数据分类包括以下步骤：给定一组训练样本,每个标记为两类,通过支持向量机训练算法建立了一个模型,分配新的样本为一类或其他类,使其成为非概率二元线性分类；支持向量机会将图像中的特征向量映射到二维平面上的点,通过算法找到一个最鲁棒,泛化能力最强的分界线将两类数据分割开来，当二维平面不能满足线性分类的要求时,支持向量机可以借助核函数将数据向高维空间进行映射,在高维空间中找到一个合适的超平面来实现对数据的线性分类，而为了使二元分类器的支持向量机来实现多分类问题,采用了多分类的SVM，其中SVM中多项式核函数的表达式为K(x,y)＝(x·y+1)d，其中x·y代表两个变量向量的内积，d为向量维度，为64*64*3，而分类器的输入为经过DCGAN网络数据增强后1～10级地金相图，根据其图像特征，输出为四大类的金相图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911107080.XA CN111008650B (zh) | 2019-11-13 | 2019-11-13 | 一种基于深度卷积对抗神经网络的金相组织自动评级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911107080.XA CN111008650B (zh) | 2019-11-13 | 2019-11-13 | 一种基于深度卷积对抗神经网络的金相组织自动评级方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111008650A true CN111008650A (zh) | 2020-04-14 |
| CN111008650B CN111008650B (zh) | 2024-03-19 |
Family
ID=70113333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911107080.XA Active CN111008650B (zh) | 2019-11-13 | 2019-11-13 | 一种基于深度卷积对抗神经网络的金相组织自动评级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111008650B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819815A (zh) * | 2021-02-25 | 2021-05-18 | 汇鸿智能科技(辽宁)有限公司 | 金相组织识别方法、装置、计算机设备及存储介质 |
| CN112862763A (zh) * | 2021-01-25 | 2021-05-28 | 中国石油天然气集团有限公司 | 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法 |
| CN114324361A (zh) * | 2021-12-31 | 2022-04-12 | 大连理工大学 | 一种金相组织劣化评级方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169435A (zh) * | 2017-05-10 | 2017-09-15 | 天津大学 | 一种基于雷达仿真图像的卷积神经网络人体动作分类方法 |
| CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
| CN108647718A (zh) * | 2018-05-10 | 2018-10-12 | 江苏大学 | 一种不同材料金相组织自动分类评级的方法 |
| CN108664894A (zh) * | 2018-04-10 | 2018-10-16 | 天津大学 | 基于深度卷积对抗神经网络的人体动作雷达图像分类方法 |
-
2019
- 2019-11-13 CN CN201911107080.XA patent/CN111008650B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169435A (zh) * | 2017-05-10 | 2017-09-15 | 天津大学 | 一种基于雷达仿真图像的卷积神经网络人体动作分类方法 |
| CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
| CN108664894A (zh) * | 2018-04-10 | 2018-10-16 | 天津大学 | 基于深度卷积对抗神经网络的人体动作雷达图像分类方法 |
| CN108647718A (zh) * | 2018-05-10 | 2018-10-12 | 江苏大学 | 一种不同材料金相组织自动分类评级的方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862763A (zh) * | 2021-01-25 | 2021-05-28 | 中国石油天然气集团有限公司 | 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法 |
| CN112819815A (zh) * | 2021-02-25 | 2021-05-18 | 汇鸿智能科技(辽宁)有限公司 | 金相组织识别方法、装置、计算机设备及存储介质 |
| CN114324361A (zh) * | 2021-12-31 | 2022-04-12 | 大连理工大学 | 一种金相组织劣化评级方法及装置 |
| CN114324361B (zh) * | 2021-12-31 | 2024-03-15 | 大连理工大学 | 一种金相组织劣化评级方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111008650B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rahman et al. | Defects inspection in polycrystalline solar cells electroluminescence images using deep learning | |
| Singhal et al. | Local binary pattern for automatic detection of acute lymphoblastic leukemia | |
| CN111008650B (zh) | 一种基于深度卷积对抗神经网络的金相组织自动评级方法 | |
| CN104408449B (zh) | 智能移动终端场景文字处理方法 | |
| CN112633382B (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
| CN112036447B (zh) | 零样本目标检测系统及可学习语义和固定语义融合方法 | |
| CN111598163B (zh) | 基于Stacking集成学习方式雷达HRRP目标识别方法 | |
| US10769432B2 (en) | Automated parameterization image pattern recognition method | |
| Pérez et al. | StarcNet: Machine learning for star cluster identification | |
| CN111898627A (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
| Jana et al. | Intra-class recognition of fruits using color and texture features with neural classifiers | |
| Sarrafzadeh et al. | Detecting different sub-types of acute myelogenous leukemia using dictionary learning and sparse representation | |
| Yuan-Fu et al. | Double feature extraction method for wafer map classification based on convolution neural network | |
| WO2020119624A1 (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
| White et al. | Digital fingerprinting of microstructures | |
| Lin et al. | LLC encoded BoW features and softmax regression for microscopic image classification | |
| CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
| CN106570514A (zh) | 一种基于词袋模型和支持向量机的汽车轮毂分类方法 | |
| Wetzer et al. | Towards automated multiscale imaging and analysis in TEM: Glomerulus detection by fusion of CNN and LBP maps | |
| CN107480718A (zh) | 一种基于视觉词袋模型的高分辨率遥感图像分类方法 | |
| CN114926702B (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
| Bose et al. | Leaf Diseases Detection of Medicinal Plants based on Image Processing and Machine Learning Processes | |
| Luo et al. | An mRMR-SVM approach for Opto-fluidic microorganism classification | |
| CN111046861B (zh) | 识别红外影像的方法、构建识别模型的方法及应用 | |
| CN110309870A (zh) | 一种图像分类的方法 |
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 |