CN111161224A - 基于深度学习的铸件内部缺陷分级评估系统及方法 - Google Patents
基于深度学习的铸件内部缺陷分级评估系统及方法 Download PDFInfo
- Publication number
- CN111161224A CN111161224A CN201911303892.1A CN201911303892A CN111161224A CN 111161224 A CN111161224 A CN 111161224A CN 201911303892 A CN201911303892 A CN 201911303892A CN 111161224 A CN111161224 A CN 111161224A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution layer
- deep learning
- attention
- internal defect
- 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.)
- Withdrawn
Links
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
- G06T7/0004—Industrial image inspection
-
- 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
-
- 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
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- 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
- G06T2207/30116—Casting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的铸件内部缺陷分级评估系统及方法,所述系统包括深度学习网络;所述深度学习网络包括依次连接的第一卷积层、最大池化层、m个残差模块‑双流通道注意力模块组合、平均池化层、全连接层和softmax分类层;各所述残差模块‑双流通道注意力模块组合包括相串联的残差模块和双流通道注意力模块;铸件内部缺陷区域图像经所述深度学习网络训练后得到1×X的概率向量,所述概率向量中数值最大的元素所处的位置即为铸件内部缺陷的评估等级;其中,m>1,X>1,X为缺陷的等级个数。本发明可实现24小时自动在线评定缺陷等级,具有高鲁棒性,有利于提高铸件内部缺陷分级评估的准确性和稳定性。
Description
技术领域
本发明涉及一种基于深度学习的铸件内部缺陷分级评估系统及方法。
背景技术
缺陷分级评估,是指对缺陷进行检测和分类后,按缺陷的严重程度进行等级评定的过程。在铸件内部缺陷识别和分级评估上,目前主要还是依靠计算机辅助人工来评定,劳动量大,效率低,且受个人能力和经验影响大,可靠性和准确性受限,制约了其应用于大批量生产中铸件缺陷的自动在线检测。虽然实现铸件缺陷的自动检测、识别和分级评估具有十分重大的意义,但是目前针对铸件缺陷的自动识别与评估刚刚起步,在国内外均处于发展、研究阶段。
发明内容
本发明的目的是为解决目前对铸件缺陷的识别与评估效率低,可靠性和准确性受限的技术问题,提供一种基于深度学习的铸件内部缺陷分级评估系统及方法,以提高评估效率、可靠性及准确性。
为了解决上述技术问题,第一方面,本发明提供一种基于深度学习的铸件内部缺陷分级评估系统,包括深度学习网络;所述深度学习网络包括依次连接的第一卷积层、最大池化层、m个残差模块-双流通道注意力模块组合、平均池化层、全连接层和softmax分类层;各所述残差模块-双流通道注意力模块组合包括相串联的残差模块和双流通道注意力模块;铸件内部缺陷区域图像经所述深度学习网络训练后得到1×X的概率向量,所述概率向量中数值最大的元素所处的位置即为铸件内部缺陷的评估等级;其中,m>1,X>1,X为缺陷的等级个数。
进一步地,m=4。
进一步地,各所述残差模块包括尺寸均为3×3×n的卷积层一、卷积层二、卷积层三和卷积层四,其中,所述卷积层三的步长为2;所述卷积层一的输出端连接至所述卷积层二的输入端,所述卷积层三的输出端连接至所述卷积层四的输入端;输入特征图依次经过所述卷积层一和卷积层二后的第一输出值与所述输入特征图相加得到第一和值,所述第一和值依次经过所述卷积层三和卷积层四后的第二输出值与所述第一和值相加得到第二和值;其中,各所述残差模块中的n值随所述深度学习网络的深度的增加而增大。
进一步地,四个所述残差模块中的n值分别为64、128、256和512。
进一步地,各所述双流通道注意力模块包括第一注意力通道和第二注意力通道;所述第一注意力通道包括依次连接的全局平均池化层、全连接层一、全连接层二和sigmoid激活函数一,所述第二注意力通道包括依次连接的全局最大池化层、全连接层三、全连接层四和sigmoid激活函数二;原始特征图经所述第一注意力通道后得到第一权重向量,原始特征图经所述第二注意力通道后得到第二权重向量;所述第一权重向量与原始特征图相乘得到第一权重特征图,所述第二权重向量与原始特征图相乘得到第二权重特征图;所述第一权重特征图与第二权重特征图相加得到加权特征图。
第二方面,本发明提供一种基于深度学习的铸件内部缺陷分级评估方法,包括如下步骤:建立铸件内部缺陷数据集,确定缺陷的等级为1至X;将所述数据集内的样本依次输入深度学习网络进行训练得到1×X的概率向量;取所述概率向量中数值最大的元素所处的位置作为铸件内部缺陷的评估等级;所述深度学习网络包括依次连接的第一卷积层、最大池化层、m个残差模块-双流通道注意力模块组合、平均池化层、全连接层和softmax分类层;各所述残差模块-双流通道注意力模块组合包括相串联的残差模块和双流通道注意力模块;其中,m>1,X>1,X为缺陷的等级个数。
进一步地,m=4。
进一步地,各所述残差模块包括尺寸均为3×3×n的卷积层一、卷积层二、卷积层三和卷积层四,其中,所述卷积层三的步长为2;将所述卷积层一的输出端连接至所述卷积层二的输入端,将所述卷积层三的输出端连接至所述卷积层四的输入端;将输入特征图依次经过所述卷积层一和卷积层二后的第一输出值与所述输入特征图相加得到第一和值,将所述第一和值依次经过所述卷积层三和卷积层四后的第二输出值与所述第一和值相加得到第二和值;其中,各所述残差模块中的n值随所述深度学习网络的深度的增加而增大。
进一步地,四个所述残差模块中的n值分别为64、128、256和512。
进一步地,各所述双流通道注意力模块包括第一注意力通道和第二注意力通道;所述第一注意力通道包括依次连接的全局平均池化层、全连接层一、全连接层二和sigmoid激活函数一,所述第二注意力通道包括依次连接的全局最大池化层、全连接层三、全连接层四和sigmoid激活函数二;将原始特征图输入所述第一注意力通道后得到第一权重向量,将原始特征图输入所述第二注意力通道后得到第二权重向量;将所述第一权重向量与原始特征图相乘得到第一权重特征图,将所述第二权重向量与原始特征图相乘得到第二权重特征图;将所述第一权重特征图与第二权重特征图相加得到加权特征图。
本发明相对于现有技术,具有如下预料不到的技术效果:
1.不依赖人眼主观评价,避免了人工评定的易疲倦且受经验影响大等缺点,可以实现24小时自动在线评定缺陷等级。
2.特征提取是基于卷积神经网络自动学习得出,而非基于人工设计的特征(如灰度,长宽比,HOG,LBP等),所以该特征十分鲁棒,有利于提高铸件内部缺陷分级评估的准确性和稳定性。
3.残差模块可以有效避免因层数增加而出现的梯度消失现象,从而训练较深的神经网络,提高网络的学习能力;双流通道注意力模块可以自主学习出各个通道对分级评估的贡献大小,使网络更加注意缺陷区域,从而优化网络的特征提取能力。
附图说明
图1是铸件内部缺陷区域的X射线数字图像。
图2是本发明一个实施例中深度学习网络的结构示意图。
图3是本发明一个实施例中残差模块的结构示意图。
图4是本发明一个实施例中双流通道注意力模块的结构示意图。
图5是本发明一个实施例中施加了双流通道注意力模块的深度学习网络对三个缺陷图像的类激活图与传统未施加双流通道注意力模块的深度学习网络对这三个缺陷图像的类激活图的对比示意图。
具体实施方式
现在结合附图和实施例对本发明作进一步详细的说明。
本发明的一个实施例,首先建立铸件内部缺陷的数据集:基于工业数字化射线成像系统,采集1000张以上的如图1所示的数字图像,由专业的评片人员标注出图像中的缺陷区域和缺陷种类,并将缺陷区域图像的分辨率统一至224×224,最后对照国家标准或自行定义的标准中的缺陷数字图像参考图谱,确定缺陷的等级1至X,X代表国家标准或自行定义的标准对某种缺陷等级个数的规定,如铝合金缩孔缺陷,国家标准将缩孔缺陷等级划分为8个等级,则X=8。如图1所示,其中的缺陷按其严重程度被划分为第7级。
其次将数据集中的缺陷图像样本依次输入深度学习网络中进行训练,如,将图1所示的铸件内部缺陷区域图像输入图2所示的深度学习网络中进行训练,具体训练过程如下:将铸件内部缺陷区域图像输入至卷积层1,卷积层1的尺寸为7×7×64,步长为2,随后进入一个存储为3×3,步长为2的最大池化层1,得到尺寸为56×56×64的特征图1。特征图是指图像经过某个卷积层的卷积计算后得到的特征向量。特征向量一般是3维的,大小为H×W×C,分别代表特征图的长、宽和通道数。一般来说,网络的浅层特征是物体的局部颜色、边缘等特征,网络的深层特征是难以描述的复杂抽象的语义特征。然后将特征图1输入至图3所示的第一个残差模块,得到大小为28×28×128的特征图2,接着将特征图2输入至图4所示的第一个双流通道注意力模块得到与特征图2尺寸相同的特征图3,双流通道注意力模块可以自动学习出每个通道的权重系数,对于更重要的通道赋予更大的权重系数,使深度学习网络更加注意缺陷区域。特征图3随后依次进入第二个残差模块、第二个双流通道注意力模块、第三个残差模块、第三个双流通道注意力模块、第四个残差模块和第四个双流通道注意力模块,即如图3所示的将虚线框中的操作重复4次(也即m=4),得到特征图4。每个残差模块的结构均如图3所示,不同之处在于每个残差模块的n值随深度学习网络的深度的增加而增大,即第一个残差模块至第四个残差模块的n值依次为64、128、256和512。最后,特征图4依次经过一个大小为7×7×512的平均池化层,一个神经元数量为X的全连接层和一个softmax分类层后得到一个1×X的概率向量。使用交叉熵损失函数对神经网络进行反向传播以更新网络参数。更新一次参数则完成对一个样本的训练,循环以上步骤直至将所有样本训练完毕,网络参数不再更新,该深度学习网络模型训练完毕。
最后评估推断缺陷的等级,如上所述,将任意的缺陷图像输入至该深度学习网络后均可以自动得到一个1×X的概率向量,该概率向量中数值最大的元素对应的位置即为缺陷的等级。如,X取8,即建立的铸件内部缺陷数据集中各缺陷样本的缺陷等级被划分为1-8共8种,将图1所示的缺陷图像输入至深度学习网络,则可以得到1×8的概率向量[0.00,0.00,0.00,0.00,0.00,0.03,0.95,0.02],向量中数值最大的元素0.95位于该向量的第7位,则该缺陷的等级属于第7级。
在本发明的一个实施例中,采用四个残差模块,如图3所示,各残差模块包括尺寸均为3×3×n的卷积层一、卷积层二、卷积层三和卷积层四,其中,所述卷积层三的步长为2,这样做的目的是降低特征图的尺寸,以减小运算量;将所述卷积层一的输出端连接至所述卷积层二的输入端,将所述卷积层三的输出端连接至所述卷积层四的输入端;将输入特征图依次经过所述卷积层一和卷积层二后的第一输出值与所述输入特征图逐像素相加得到第一和值,这样操作的目的是避免深层卷积神经网络中容易出现的梯度消失的现象,从而可以训练出拟合能力更强的深层卷积神经网络,将所述第一和值依次经过所述卷积层三和卷积层四后的第二输出值与所述第一和值相加得到第二和值;其中,各所述残差模块中的n值随所述深度学习网络的深度的增加而增大,本实施例中,四个残差模块的n值依次为64、128、256和512。
在本发明的一个实施例中,采用四个双流通道注意力模块,如图4所示,各双流通道注意力模块包括第一注意力通道和第二注意力通道;所述第一注意力通道包括依次连接的全局平均池化层、全连接层一、全连接层二和sigmoid激活函数一,所述第二注意力通道包括依次连接的全局最大池化层、全连接层三、全连接层四和sigmoid激活函数二;将原始特征图输入所述第一注意力通道后得到第一权重向量,将原始特征图输入所述第二注意力通道后得到第二权重向量;将所述第一权重向量与原始特征图相乘得到第一权重特征图,将所述第二权重向量与原始特征图相乘得到第二权重特征图;将所述第一权重特征图与第二权重特征图相加得到加权特征图。具体地,如图4所示,长×宽×通道数为H×W×C的原始特征图,首先分别经过一个全局平均池化层和全局最大池化层,将原始特征图的大小压缩为1×1×C,两个全局池化层的作用是通过提取特征图在第一注意力通道的平均值和在第二注意力通道的最大值来降低计算量,同时也增加了网络对缺陷空间位置变化的鲁棒性。随后在每个通道中分别经过两个全连接层和sigmoid激活函数,得到大小为1×1×C,值为0到1的各个通道的权重向量,sigmoid激活函数的作用是将特征图的数值压缩至0到1之间,再将权重向量与原始特征图进行逐通道相乘。对每个层进行加权即是施加注意力,对准确性提高帮助大的层就可以在反向传播的过程中自动获得更大的权重,最后通过逐像素相加的方式将两个特征图合并,得到与原始特征图大小相等的加权特征图。
为了证明双流通道注意力模块可以使学习网络更加注意缺陷区域,使用Grad-CAM方法分别得到施加双流通道注意力模块和未施加双流通道注意力模块的深度学习网络对同一张缺陷图像的类激活图,如图5所示,第一列的三个图像显示为三个不同的缺陷,第二列是施加双流通道注意力模块的深度学习网络分别对这三个缺陷图像的类激活图,第三列是未施加双流通道注意力模块的深度学习网络分别对这三个缺陷图像的类激活图,类激活图中颜色越深的区域对缺陷分类的贡献越大,由图5可见,第二列中的类激活图在缺陷区域的深色区域面积明显大于第三列中的类激活图,即施加了双流通道注意力模块的网络的特征提取能力更强,更加有利于准确评估缺陷等级。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.基于深度学习的铸件内部缺陷分级评估系统,其特征在于,包括深度学习网络;所述深度学习网络包括依次连接的第一卷积层、最大池化层、m个残差模块-双流通道注意力模块组合、平均池化层、全连接层和softmax分类层;各所述残差模块-双流通道注意力模块组合包括相串联的残差模块和双流通道注意力模块;铸件内部缺陷区域图像经所述深度学习网络训练后得到1×X的概率向量,所述概率向量中数值最大的元素所处的位置即为铸件内部缺陷的评估等级;其中,m>1,X>1,X为缺陷的等级个数。
2.根据权利要求1所述的基于深度学习的铸件内部缺陷分级评估系统,其特征在于,m=4。
3.根据权利要求2所述的基于深度学习的铸件内部缺陷分级评估系统,其特征在于,各所述残差模块包括尺寸均为3×3×n的卷积层一、卷积层二、卷积层三和卷积层四,其中,所述卷积层三的步长为2;所述卷积层一的输出端连接至所述卷积层二的输入端,所述卷积层三的输出端连接至所述卷积层四的输入端;输入特征图依次经过所述卷积层一和卷积层二后的第一输出值与所述输入特征图相加得到第一和值,所述第一和值依次经过所述卷积层三和卷积层四后的第二输出值与所述第一和值相加得到第二和值;其中,各所述残差模块中的n值随所述深度学习网络的深度的增加而增大。
4.根据权利要求3所述的基于深度学习的铸件内部缺陷分级评估系统,其特征在于,四个所述残差模块中的n值分别为64、128、256和512。
5.根据权利要求3或4所述的基于深度学习的铸件内部缺陷分级评估系统,其特征在于,各所述双流通道注意力模块包括第一注意力通道和第二注意力通道;所述第一注意力通道包括依次连接的全局平均池化层、全连接层一、全连接层二和sigmoid激活函数一,所述第二注意力通道包括依次连接的全局最大池化层、全连接层三、全连接层四和sigmoid激活函数二;原始特征图经所述第一注意力通道后得到第一权重向量,原始特征图经所述第二注意力通道后得到第二权重向量;所述第一权重向量与原始特征图相乘得到第一权重特征图,所述第二权重向量与原始特征图相乘得到第二权重特征图;所述第一权重特征图与第二权重特征图相加得到加权特征图。
6.基于深度学习的铸件内部缺陷分级评估方法,其特征在于,包括如下步骤:建立铸件内部缺陷数据集,确定缺陷的等级为1至X;将所述数据集内的样本依次输入深度学习网络进行训练得到1×X的概率向量;取所述概率向量中数值最大的元素所处的位置作为铸件内部缺陷的评估等级;所述深度学习网络包括依次连接的第一卷积层、最大池化层、m个残差模块-双流通道注意力模块组合、平均池化层、全连接层和softmax分类层;各所述残差模块-双流通道注意力模块组合包括相串联的残差模块和双流通道注意力模块;其中,m>1,X>1,X为缺陷的等级个数。
7.根据权利要求6所述的基于深度学习的铸件内部缺陷分级评估方法,其特征在于,m=4。
8.根据权利要求7所述的基于深度学习的铸件内部缺陷分级评估方法,其特征在于,各所述残差模块包括尺寸均为3×3×n的卷积层一、卷积层二、卷积层三和卷积层四,其中,所述卷积层三的步长为2;将所述卷积层一的输出端连接至所述卷积层二的输入端,将所述卷积层三的输出端连接至所述卷积层四的输入端;将输入特征图依次经过所述卷积层一和卷积层二后的第一输出值与所述输入特征图相加得到第一和值,将所述第一和值依次经过所述卷积层三和卷积层四后的第二输出值与所述第一和值相加得到第二和值;其中,各所述残差模块中的n值随所述深度学习网络的深度的增加而增大。
9.根据权利要求8所述的基于深度学习的铸件内部缺陷分级评估系统及方法,其特征在于,四个所述残差模块中的n值分别为64、128、256和512。
10.根据权利要求8或9所述的基于深度学习的铸件内部缺陷分级评估方法,其特征在于,各所述双流通道注意力模块包括第一注意力通道和第二注意力通道;所述第一注意力通道包括依次连接的全局平均池化层、全连接层一、全连接层二和sigmoid激活函数一,所述第二注意力通道包括依次连接的全局最大池化层、全连接层三、全连接层四和sigmoid激活函数二;将原始特征图输入所述第一注意力通道后得到第一权重向量,将原始特征图输入所述第二注意力通道后得到第二权重向量;将所述第一权重向量与原始特征图相乘得到第一权重特征图,将所述第二权重向量与原始特征图相乘得到第二权重特征图;将所述第一权重特征图与第二权重特征图相加得到加权特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911303892.1A CN111161224A (zh) | 2019-12-17 | 2019-12-17 | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911303892.1A CN111161224A (zh) | 2019-12-17 | 2019-12-17 | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111161224A true CN111161224A (zh) | 2020-05-15 |
Family
ID=70557515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911303892.1A Withdrawn CN111161224A (zh) | 2019-12-17 | 2019-12-17 | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161224A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417583A (zh) * | 2020-08-28 | 2021-02-26 | 上海交通大学 | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 |
CN113343787A (zh) * | 2021-05-20 | 2021-09-03 | 沈阳铸造研究所有限公司 | 一种基于深度学习的适用于图谱对比场景中等级评定方法 |
US20210304393A1 (en) * | 2020-03-30 | 2021-09-30 | Sintokogio, Ltd. | Inspection result display device and storage medium |
CN115965599A (zh) * | 2022-12-28 | 2023-04-14 | 黄山谷捷股份有限公司 | Igbt功率模块散热器表面缺陷识别方法 |
US11796482B2 (en) | 2020-03-30 | 2023-10-24 | Sintokogio, Ltd. | Display control device and storage medium |
US11802842B2 (en) | 2020-03-30 | 2023-10-31 | Sintokogio, Ltd. | Display control device and storage medium |
US11810286B2 (en) | 2020-03-30 | 2023-11-07 | Sintokogio, Ltd. | Display control device and storage medium |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509170A (zh) * | 2018-09-11 | 2019-03-22 | 韶关学院 | 一种压铸件缺陷检测方法及装置 |
CN110070073A (zh) * | 2019-05-07 | 2019-07-30 | 国家广播电视总局广播电视科学研究院 | 基于注意力机制的全局特征和局部特征的行人再识别方法 |
CN110414338A (zh) * | 2019-06-21 | 2019-11-05 | 广西师范大学 | 基于稀疏注意力网络的行人再辨识方法 |
-
2019
- 2019-12-17 CN CN201911303892.1A patent/CN111161224A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509170A (zh) * | 2018-09-11 | 2019-03-22 | 韶关学院 | 一种压铸件缺陷检测方法及装置 |
CN110070073A (zh) * | 2019-05-07 | 2019-07-30 | 国家广播电视总局广播电视科学研究院 | 基于注意力机制的全局特征和局部特征的行人再识别方法 |
CN110414338A (zh) * | 2019-06-21 | 2019-11-05 | 广西师范大学 | 基于稀疏注意力网络的行人再辨识方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210304393A1 (en) * | 2020-03-30 | 2021-09-30 | Sintokogio, Ltd. | Inspection result display device and storage medium |
US11796482B2 (en) | 2020-03-30 | 2023-10-24 | Sintokogio, Ltd. | Display control device and storage medium |
US11802842B2 (en) | 2020-03-30 | 2023-10-31 | Sintokogio, Ltd. | Display control device and storage medium |
US11810286B2 (en) | 2020-03-30 | 2023-11-07 | Sintokogio, Ltd. | Display control device and storage medium |
US11893723B2 (en) * | 2020-03-30 | 2024-02-06 | Sintokogio, Ltd. | Inspection result display device and storage medium |
CN112417583A (zh) * | 2020-08-28 | 2021-02-26 | 上海交通大学 | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 |
CN112417583B (zh) * | 2020-08-28 | 2022-02-15 | 上海交通大学 | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 |
CN113343787A (zh) * | 2021-05-20 | 2021-09-03 | 沈阳铸造研究所有限公司 | 一种基于深度学习的适用于图谱对比场景中等级评定方法 |
CN113343787B (zh) * | 2021-05-20 | 2023-09-01 | 中国机械总院集团沈阳铸造研究所有限公司 | 一种基于深度学习的适用于图谱对比场景中等级评定方法 |
CN115965599A (zh) * | 2022-12-28 | 2023-04-14 | 黄山谷捷股份有限公司 | Igbt功率模块散热器表面缺陷识别方法 |
CN115965599B (zh) * | 2022-12-28 | 2023-11-14 | 黄山谷捷股份有限公司 | Igbt功率模块散热器表面缺陷识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估系统及方法 | |
CN110287849B (zh) | 一种适用于树莓派的轻量化深度网络图像目标检测方法 | |
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN108334936B (zh) | 基于迁移卷积神经网络的故障预测方法 | |
CN109886066B (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
CN112330593A (zh) | 基于深度学习网络的建筑物表面裂缝检测方法 | |
CN110909615B (zh) | 基于多尺度输入混合感知神经网络的目标检测方法 | |
CN111223087B (zh) | 一种基于生成对抗网络的桥梁裂缝自动检测方法 | |
CN113408423A (zh) | 适用于tx2嵌入式平台的水产品目标实时检测方法 | |
CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN112862774A (zh) | 一种遥感影像建筑物精确分割方法 | |
CN110895814A (zh) | 一种基于上下文编码网络的航空发动机孔探图像损伤智能分割方法 | |
CN113627257A (zh) | 检测方法、检测系统、设备和存储介质 | |
CN115908142A (zh) | 一种基于视觉识别的接触网微小部件验损方法 | |
CN114863361A (zh) | 基于USRNet和YOLOv3的配电线路鸟巢检测方法 | |
CN114332075A (zh) | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN111222576B (zh) | 一种高分辨率遥感图像分类方法 | |
CN117058079A (zh) | 基于改进ResNet模型的甲状腺显像图像自动诊断方法 | |
CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200515 |
|
WW01 | Invention patent application withdrawn after publication |