CN111091178A - 一种基于卷积神经网络的瓷瓶裂缝识别方法 - Google Patents
一种基于卷积神经网络的瓷瓶裂缝识别方法 Download PDFInfo
- Publication number
- CN111091178A CN111091178A CN201911154761.1A CN201911154761A CN111091178A CN 111091178 A CN111091178 A CN 111091178A CN 201911154761 A CN201911154761 A CN 201911154761A CN 111091178 A CN111091178 A CN 111091178A
- Authority
- CN
- China
- Prior art keywords
- feature
- crack
- neural network
- porcelain bottle
- image
- 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
- 229910052573 porcelain Inorganic materials 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 9
- 238000005070 sampling Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 239000012212 insulator Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于卷积神经网络的瓷瓶裂缝识别方法,该方法包括以下步骤:步骤S1,构建用于瓷瓶裂缝识别的多尺度特征卷积神经网络;步骤S2,预处理将训练数据,并将训练数据输入多尺度特征卷积神经网络;步骤S3,将待进行裂缝识别的图片输入训练过的所述多尺度特征卷积神经网络获取识别结果。本发明采用的特征提取为多特征提取方式,针对不同特征提取层获取不同特征并进行的多层特征融合检测方式,通过融合不同层次的特征获得兼顾位置信息与语义信息的表达能力既丰富又准确的融合特征,从而获得更准确的检测结果。
Description
技术领域
本发明属于深度学习技术领域,具体涉及一种基于卷积神经网络的瓷瓶裂缝识别方法。
背景技术
高压线路由于长期在室外环境下运行,在巨大的张力、气温变化、闪电、飞行物撞击以及老化、锈蚀等影响下,会出现瓷瓶破裂,若不及时发现和处理,最终会导致输电线路被破坏,造成大面积的停电以至于产生巨大的经济损失,同时由于输电线路距离地面高,许多隐患通过人工观察很难发现,可靠性差,效率低下。现有技术通常采用由BP神经网络和基于径向基函数网络及不变矩,基于图像操作例如通过图像分割处理,分割出目标区域,从而实现对目标的识别,但是这种技术较为落后,准确率和识别率较低。
发明内容
本发明提供基于直接预测目标类别的算法,在模型设计上借鉴了深度可分离卷积以及特征融合,从而以实现推理过程速度快、功耗低,同时保证模型对瓷瓶裂缝具有较好的识别效果。
具体而言本发明提供了一种基于卷积神经网络的瓷瓶裂缝识别方法,其特征在于,所述瓷瓶裂缝识别方法包括以下步骤:
步骤S1,构建用于瓷瓶裂缝识别的多尺度特征卷积神经网络;
步骤S2,预处理将训练数据,并将所述训练数据输入所述多尺度特征卷积神经网络;
步骤S3,将待进行裂缝识别的图片输入训练过的所述多尺度特征卷积神经网络获取识别结果。
更进一步地,在步骤S1中,所述多尺度特征卷积神经网络包括11个卷积层和降维卷积核,所述卷积层生成特征图,所述特征图通过所述降维卷积核处理进行多尺度特征融合;
所述特征图生成数量与所述降维卷积核数量相同。
更进一步地,在步骤S2中,还包括以下步骤:
步骤S21:获取用于训练的瓷瓶图像,并对所述瓷瓶图像中裂缝进行标注,作为训练图像;
步骤S22:将所述训练图像输入所述多尺度特征卷积神经网络获取多张特征图;
步骤S23:在多张特征图上生成目标预选框,训练网络参数。
更进一步地,在步骤S21中,所述瓷瓶图像是瓷瓶全景图,所述瓷瓶全景图包括分别具有横向裂缝、纵向裂缝、块状裂缝、网状裂缝和无裂缝的图像。
更进一步地,在步骤S21中,所述训练图像是在所述瓷瓶全景图中所述横向裂缝、纵向裂缝、块状裂缝和网状裂缝的位置上设置标注数据框,所述标注数据框采用长方形框。
更进一步地,在步骤S22中,所述多尺度特征卷积神经网络获取特征图A’、B’、C’、D’、E’和F’,并进行特征融合,生成特征图A-F。
更进一步地,在步骤S3中,还包括以下步骤:
步骤S31:获取待进行裂缝识别的瓷瓶图像,并将所述瓷瓶图像输入所述多尺度特征卷积神经网络进行检测;
步骤S32:通过所述多尺度特征卷积神经网络获取多张所述特征图;
步骤S33:在所述多张特征图上生成默认框;
步骤S34:输出筛选后的默认框,并输出经过识别的瓷瓶裂缝图像。
更进一步地,在步骤S32中,所述多尺度特征卷积神经网络获取6张特征图A-F,所述特征图A-F大小分别为38×38、19×19、10×10、5×5、3×3和1×1。
更进一步地,在步骤S33中,所述特征图A-F大小为n×n,则所述特征图具有n×n个中心点,每个中心点产生k个默认框,所述特征图A-F中的所述k分别为4、6、6、6、4、4。
本发明的有益效果是:
针对现有技术采用通过对图像分割处理,分割出目标区域,然后对目标进行描述的老旧方法;本发明采用多特征提取,低层特征图含有较为准确的位置信息,高层次特征图含有丰富的语义信息,针对不同特征提取层获取特征并进行的多层特征融合检测方式,通过融合不同层次的特征获得兼顾位置信息与语义信息的表达能力既丰富又准确的融合特征,从而获得更准确的检测结果。
针对现有技术在采用神经网络上仍采用的是BP神经网络等老旧人工神经网络,识别准确率低的问题;本发明采用的神经网络深度和宽度都成倍于原神经网络,同时采用深度可分离卷积技术相比传统的卷积操作中实现通道和区域分离的过程分解为分别实现通道与区域的分离的两个过程,将普通卷积的计算量大为压缩,有效的提高了识别速度,更适合在移动端设备上部署。
本发明将裂缝识别目标分为横向裂缝、纵向裂缝、块状裂缝、网状裂缝、无裂缝5种类型,对于不同类型的裂缝分别进行训练,极大的提高了神经网络检测的准确度。
附图说明
图1是本发明实施例提供的一种基于卷积神经网络的瓷瓶裂缝识别方法的示意图;
图2是本发明实施例提供的一种基于卷积神经网络的瓷瓶裂缝识别方法中多尺度特征融合的方法示意图。
具体实施方式
下面通过实施例,并结合附图1-2,对本发明的技术方案作进一步具体的说明。
如附图1所示,本申请的实施例提供了一种基于卷积神经网络的瓷瓶裂缝识别方法,整个方法的识别流程为:
步骤S1,构建用于瓷瓶裂缝识别的多尺度特征卷积神经网络;
步骤S2,预处理将训练数据,并将训练数据输入多尺度特征卷积神经网络;
步骤S3,将待进行裂缝识别的图片输入训练过的多尺度特征卷积神经网络获取识别结果。
具体的,在步骤S1中,首先构建多尺度特征卷积神经网络,本发明采用的卷积神经网络基于VGG16网络,前5层网络采用与VGG16网络相同的配置具有5层网络,包括卷积核conv1_1,conv1_2,conv2_1,conv2_2,conv3_1,conv3_2,conv3_3,conv4_1,conv4_2,conv4_3,conv5_1,conv5_2,conv5_3,其中,原VGG16网络结构中的fc6、fc7是全连接层,在本发明中经改进成为卷积层6和7,并增加了卷积层8、卷积层9、卷积层10和卷积层11。fc6是原有VGG16网络结构中卷积层5中卷积核conv5_3(1×1×1024)输出的19×19×1024的特征图,并通过卷积核conv7(1×1×1024)的进行操作输出fc7,fc7是19×19×1024的特征图;卷积层8是fc7通过卷积核conv8_1(1×1×256)和conv8_2(3×3×512-S2)两个卷积核进行卷积生成19×19×256和10×10×512的特征图;卷积层9是卷积层8通过卷积核conv9_1(1×1×128)和conv9_2(3×3×256-S2)两个卷积核进行卷积生成10×10×128和5×5×256的特征图;卷积层10是卷积层9通过卷积核conv10_1(1×1×128)和conv10_2(3×3×256-S1)两个卷积核进行卷积生成5×5×128和3×3×256的特征图;卷积层11是卷积层10通过卷积核conv11_1(1×1×128)和conv11_2(3×3×256-S1)两个卷积核进行卷积生成3×3×128和1×1×256的特征图。
对于较小目标来说,经过大量的卷积与池化操作后,所代表的特征在最后一层可能仅占有一个像素甚至完全丢失,故此种检测方式因不能充分利用大量较低层特征信息从而极易造成漏检。因此,多尺度特征卷积神经网络还设有6个用于降维的卷积核,分别将由卷积核conv4_3、卷积核conv7、卷积核conv8_2、卷积核conv9_2、卷积核conv10_2和卷积核conv11_2输出的6张特征图进行降维;并对降维后的特征图进行上采样及特征融合,生成新的特征图,并由新生成的特征图提取特征。
同时,本发明采用深度神经网络,出模型中有大量的层,这样的好处是提高了精度但是导致了参数和计算量暴涨,为了进一步优化计算速度采用深度可分离卷积操作,再损失精度不多的情况下大幅度降低参数量和计算量。深度可分离卷积将传统的卷积操作分解为两个过程,即面向通道的运算过程和面向图像区域的运算过程,实现通道与区域的分离。通过将普通卷积拆分成面向通道的运算过程和面向图像区域的运算过程两步,将普通卷积的计算量大为压缩,有效的提高了识别速度,更适合在移动端设备上部署。
在步骤S2中,具体还包括以下步骤:
步骤S21:获取用于训练的瓷瓶图像,并对瓷瓶图像中裂缝进行标注;
步骤S22:将训练图像输入多尺度特征卷积神经网络获取多张特征图;
步骤S23:在多张特征图上生成目标预选框,训练网络参数。
在步骤S21中,采集具有横向裂缝、纵向裂缝、块状裂缝、网状裂缝、无裂缝这5种类型的瓷瓶全景图,并将采集到的瓷瓶全景图转换成统一分辨率的图像,并对具有横向、纵向、块状和网状裂缝的图像位置上设置标注数据框,标注数据框采用长方形框,标注数据框将具有裂缝的图像信息环绕再框内,对具有无裂缝的图像不设置标注数据框,来标记该学习区域是否包含待检测物体,以便于神经网络学习训练。
在本实施例中,瓷瓶全景图采用分标率为5280×2970的图像,具有每种类型缝隙的瓷瓶全景图1000张,并在瓷瓶上设置标注数据框,将其作为训练数据集输入多尺度特征卷积神经网络,对卷积神经网络进行训练。
在步骤S22中,训练中一张完整的图片输入改进后的卷积神经网络,并由网络结构中卷积核conv4_3、卷积核conv7、卷积核conv8_2、卷积核conv9_2、卷积核conv10_2和卷积核conv11_2输出获得各个特征图A’、B’、C’、D’、E’和F’,并进行特征融合。
如附图2所示,对卷积核conv11_2输出的特征图F’通过1×1的卷积核进行降维生成特征图F;并由卷积核conv10_2输出的特征图E’通过1×1的卷积核进行降维生成特征图与特征图F进行上采样生成的图像进行融合,生成特征图E;并由卷积核conv9_2输出的特征图D’通过1×1的卷积核进行降维生成特征图与特征图E进行上采样生成的图像进行融合,生成特征图D;并由卷积核conv8_2输出的特征图C’通过1×1的卷积核进行降维生成特征图与特征图D进行上采样生成的图像进行融合,生成特征图C;并由卷积核conv7输出的特征图B’通过1×1的卷积核进行降维生成特征图与特征图C进行上采样生成的图像进行融合,生成特征图B;并由卷积核conv4_3输出的特征图A’通过1×1的卷积核进行降维生成特征图与特征图B进行上采样生成的图像进行融合,生成特征图A。
在步骤S23中,对特征图A-F分别生成目标预选框,对于具有标注的样本训练来说,需要先将目标预选框与标注数据框做匹配,匹配成功说明这个目标预选框所包含的是识别目标,但离完整目标的标注数据框还有段距离,训练的目的是调整改进后的卷积神经网络参数,使目标预选框尽可能回归到标注数据框。
在步骤S3中,具体还包括以下步骤:
步骤S31:获取待进行裂缝识别的瓷瓶图像,并将瓷瓶图像输入多尺度特征卷积神经网络进行检测;
步骤S32:通过多尺度特征卷积神经网络获取多张特征图;
步骤S33:在多张特征图上生成默认框;
步骤S34:输出筛选后的默认框,并输出经过识别的瓷瓶裂缝图像。
在步骤S32中,多尺度特征卷积神经网络由卷积核conv4_3、卷积核conv7、卷积核conv8_2、卷积核conv9_2、卷积核conv10_2和卷积核conv11_2分别获得特征图,并通过特征融合生成新的特征图A-F,这6个特征图A-F产生的特征图
在步骤S33中,并由则六张特征图每个n×n大小的特征图中有n×n个中心点,每个中心点产生k个默认框,默认框是在特征图的每个中心点产生的一系列固定大小的矩形框,六层中每层的每个中心点产生的k分别为4、6、6、6、4、4。
在步骤S34中,对于生成的默认框由多尺度特征卷积神经网络依据训练生成的模型进行评分,并设定阈值,初步筛选出评分较高的默认框;将初步筛选后的默认框进行非极大值抑制处理,获取处理后的默认框;并将默认框的位置生成在全景图像上裂缝位置,同时输出具有该默认框的瓷瓶全景图像。
虽然本发明已经以较佳实施例公开如上,但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内,所做的任何等效变化或润饰,同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。
Claims (9)
1.一种基于卷积神经网络的瓷瓶裂缝识别方法,其特征在于,所述瓷瓶裂缝识别方法包括以下步骤:
步骤S1,构建用于瓷瓶裂缝识别的多尺度特征卷积神经网络;
步骤S2,预处理将训练数据,并将所述训练数据输入所述多尺度特征卷积神经网络;
步骤S3,将待进行裂缝识别的图片输入训练过的所述多尺度特征卷积神经网络获取识别结果。
2.根据权利要求1所述瓷瓶裂缝识别方法,其特征在于,在步骤S1中,所述多尺度特征卷积神经网络包括11个卷积层和降维卷积核,所述卷积层生成特征图,所述特征图通过所述降维卷积核处理进行多尺度特征融合;
所述特征图生成数量与所述降维卷积核数量相同。
3.根据权利要求1所述瓷瓶裂缝识别方法,其特征在于,在步骤S2中,还包括以下步骤:
步骤S21:获取用于训练的瓷瓶图像,并对所述瓷瓶图像中裂缝进行标注,作为训练图像;
步骤S22:将所述训练图像输入所述多尺度特征卷积神经网络获取多张特征图;
步骤S23:在多张特征图上生成目标预选框,训练网络参数。
4.根据权利要求3所述瓷瓶裂缝识别方法,其特征在于,在步骤S21中,所述瓷瓶图像是瓷瓶全景图,所述瓷瓶全景图包括分别具有横向裂缝、纵向裂缝、块状裂缝、网状裂缝和无裂缝的图像。
5.根据权利要求4所述瓷瓶裂缝识别方法,其特征在于,在步骤S21中,所述训练图像是在所述瓷瓶全景图中所述横向裂缝、纵向裂缝、块状裂缝和网状裂缝的位置上设置标注数据框,所述标注数据框采用长方形框。
6.根据权利要求3所述瓷瓶裂缝识别方法,其特征在于,在步骤S22中,所述多尺度特征卷积神经网络获取特征图A’、B’、C’、D’、E’和F’,并进行特征融合,生成特征图A-F。
7.根据权利要求1所述瓷瓶裂缝识别方法,其特征在于,在步骤S3中,还包括以下步骤:
步骤S31:获取待进行裂缝识别的瓷瓶图像,并将所述瓷瓶图像输入所述多尺度特征卷积神经网络进行检测;
步骤S32:通过所述多尺度特征卷积神经网络获取多张所述特征图;
步骤S33:在所述多张特征图上生成默认框;
步骤S34:输出筛选后的默认框,并输出经过识别的瓷瓶裂缝图像。
8.根据权利要求7所述瓷瓶裂缝识别方法,其特征在于,在步骤S32中,所述多尺度特征卷积神经网络获取6张特征图A-F,所述特征图A-F大小分别为38×38、19×19、10×10、5×5、3×3和1×1。
9.根据权利要求8所述瓷瓶裂缝识别方法,其特征在于,在步骤S33中,所述特征图A-F大小为n×n,则所述特征图具有n×n个中心点,每个中心点产生k个默认框,所述特征图A-F中的所述k分别为4、6、6、6、4、4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911154761.1A CN111091178A (zh) | 2019-11-22 | 2019-11-22 | 一种基于卷积神经网络的瓷瓶裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911154761.1A CN111091178A (zh) | 2019-11-22 | 2019-11-22 | 一种基于卷积神经网络的瓷瓶裂缝识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111091178A true CN111091178A (zh) | 2020-05-01 |
Family
ID=70393367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911154761.1A Pending CN111091178A (zh) | 2019-11-22 | 2019-11-22 | 一种基于卷积神经网络的瓷瓶裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091178A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861982A (zh) * | 2020-06-07 | 2020-10-30 | 中国葛洲坝集团第一工程有限公司 | 可视化图像监测识别系统 |
CN111915565A (zh) * | 2020-07-03 | 2020-11-10 | 太原理工大学 | 一种基于yolact算法对输变电线路瓷瓶裂缝实时分析方法 |
CN113298889A (zh) * | 2021-05-08 | 2021-08-24 | 江苏师范大学 | 一种基于机器视觉的基本苗统计方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN107610113A (zh) * | 2017-09-13 | 2018-01-19 | 北京邮电大学 | 一种图像中基于深度学习的小目标的检测方法及装置 |
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
CN108491856A (zh) * | 2018-02-08 | 2018-09-04 | 西安电子科技大学 | 一种基于多尺度特征卷积神经网络的图像场景分类方法 |
CN109886066A (zh) * | 2018-12-17 | 2019-06-14 | 南京理工大学 | 基于多尺度和多层特征融合的快速目标检测方法 |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
CN109902748A (zh) * | 2019-03-04 | 2019-06-18 | 中国计量大学 | 一种基于多层信息融合全卷积神经网络的图像语义分割方法 |
-
2019
- 2019-11-22 CN CN201911154761.1A patent/CN111091178A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN107610113A (zh) * | 2017-09-13 | 2018-01-19 | 北京邮电大学 | 一种图像中基于深度学习的小目标的检测方法及装置 |
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
CN108491856A (zh) * | 2018-02-08 | 2018-09-04 | 西安电子科技大学 | 一种基于多尺度特征卷积神经网络的图像场景分类方法 |
CN109886066A (zh) * | 2018-12-17 | 2019-06-14 | 南京理工大学 | 基于多尺度和多层特征融合的快速目标检测方法 |
CN109902748A (zh) * | 2019-03-04 | 2019-06-18 | 中国计量大学 | 一种基于多层信息融合全卷积神经网络的图像语义分割方法 |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861982A (zh) * | 2020-06-07 | 2020-10-30 | 中国葛洲坝集团第一工程有限公司 | 可视化图像监测识别系统 |
CN111861982B (zh) * | 2020-06-07 | 2024-03-12 | 中国葛洲坝集团第一工程有限公司 | 可视化图像监测识别系统 |
CN111915565A (zh) * | 2020-07-03 | 2020-11-10 | 太原理工大学 | 一种基于yolact算法对输变电线路瓷瓶裂缝实时分析方法 |
CN111915565B (zh) * | 2020-07-03 | 2022-04-12 | 太原理工大学 | 一种基于yolact算法对输变电线路瓷瓶裂缝实时分析方法 |
CN113298889A (zh) * | 2021-05-08 | 2021-08-24 | 江苏师范大学 | 一种基于机器视觉的基本苗统计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358262B (zh) | 一种高分辨率图像的分类方法及分类装置 | |
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN111091178A (zh) | 一种基于卷积神经网络的瓷瓶裂缝识别方法 | |
CN110826476A (zh) | 识别目标物体的图像检测方法、装置、电子设备和存储介质 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN106408025B (zh) | 基于图像处理的航拍图像绝缘子分类识别方法 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及系统 | |
CN109784205B (zh) | 一种基于多光谱巡检图像的杂草智能识别方法 | |
CN110059539A (zh) | 一种基于图像分割的自然场景文本位置检测方法 | |
CN111091122A (zh) | 一种多尺度特征卷积神经网络的训练和检测方法、装置 | |
CN115331012B (zh) | 基于零样本学习的联合生成式图像实例分割方法及系统 | |
CN112819796A (zh) | 烟丝异物识别方法及设备 | |
CN111626357B (zh) | 一种基于神经网络模型的图像识别方法 | |
CN115588021A (zh) | 一种瓷绝缘子及金具无人机红外巡检图像融合分割方法 | |
CN116110036A (zh) | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 | |
CN113569981A (zh) | 一种基于单阶段目标检测网络的电力巡检鸟窝检测方法 | |
CN114359167A (zh) | 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法 | |
CN117409083B (zh) | 一种基于红外图像和改进yolov5的电缆终端识别方法及装置 | |
CN110378862A (zh) | 一种提高输电线路外破目标识别准确度的数据增强方法 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
CN111079585B (zh) | 图像增强结合伪孪生卷积神经网络的行人再识别方法 | |
CN113221991A (zh) | 一种利用深度学习重新标注数据集的方法 | |
CN109919936B (zh) | 一种复合绝缘子运行状态的分析方法、装置及设备 | |
CN114005020B (zh) | 一种基于M3-YOLOv5的指定移动目标检测方法 |
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: 20200501 |