CN111210417A - 基于卷积神经网络的布匹缺陷检测方法 - Google Patents
基于卷积神经网络的布匹缺陷检测方法 Download PDFInfo
- Publication number
- CN111210417A CN111210417A CN202010014839.6A CN202010014839A CN111210417A CN 111210417 A CN111210417 A CN 111210417A CN 202010014839 A CN202010014839 A CN 202010014839A CN 111210417 A CN111210417 A CN 111210417A
- Authority
- CN
- China
- Prior art keywords
- cloth
- image
- feature map
- defect
- fusion
- 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
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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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
Abstract
本发明公开了一种基于卷积神经网络的布匹缺陷检测方法,包括如下步骤:步骤S1,训练形成一用于分类检测布匹缺陷的布匹缺陷分类检测模型;步骤S2,基于所述布匹缺陷分类检测模型,多层提取待检测的布匹图像的图像特征;步骤S3,基于所述布匹缺陷分类检测模型对所述步骤S2提取到的各特征图进行前背景分类;步骤S4,将所述步骤S3分类得到的关联于各所述特征图的前景图像进行图像融合,得到经图像融合后的关联于所述布匹图像的融合特征图;步骤S5,基于所述布匹缺陷分类检测模型,对所述融合特征图进行分类检测,得到所述布匹图像上存在的布匹缺陷对应的缺陷种类,并输出缺陷种类检测结果,本发明提高了布匹缺陷检测准确率和检测效率。
Description
技术领域
本发明涉及布匹缺陷检测技术领域,具体涉及一种基于卷积神经网络的布匹缺陷检测方法。
背景技术
在布匹缺陷检测领域中,由于布匹上通常具有多种纹路,所以对于布匹缺陷的检测较为困难。近些年,随着计算机视觉识别技术的发展,出现了一些利用计算机视觉识别技术识别布匹缺陷的方法,但也因为布匹纹路过于繁杂,而且布匹颜色丰富,各种颜色特别是较深的颜色对于布匹缺陷检测造成了障碍,导致布匹缺陷检测的识别率和准确率较低。
目前,还存在基于深度学习的布匹缺陷检测方法,但现有的基于深度学习的布匹缺陷检测方法同样由于布匹纹理过于复杂,无法很好地实现布匹图像的缺陷部分与非缺陷部分的图像分类,很难对缺陷位置进行识别定位,而且在大面积检测布匹缺陷时检测时间过长,检测准确率较低。
发明内容
本发明的目的在于提供一种基于卷积神经网络的布匹缺陷检测方法,以解决上述技术问题。
为达此目的,本发明采用以下技术方案:
提供一种基于卷积神经网络的布匹缺陷检测方法,用于对布匹上存在的缺陷进行分类检测,包括如下步骤:
步骤S1,以布匹样本数据集为训练样本作为一训练网络的输入,训练形成一用于分类检测布匹缺陷的布匹缺陷分类检测模型;
步骤S2,基于所述布匹缺陷分类检测模型,多层提取待检测的布匹图像的图像特征,得到所述布匹图像对应的多张特征图;
步骤S3,基于所述布匹缺陷分类检测模型对所述步骤S2提取到的各所述特征图进行前背景分类;
步骤S4,将所述步骤S3分类得到的关联于各所述特征图的前景图像进行图像融合,得到经图像融合后的关联于所述布匹图像的融合特征图;
步骤S5,基于所述布匹缺陷分类检测模型,对所述融合特征图进行分类检测,得到所述布匹图像上存在的布匹缺陷对应的缺陷种类,并输出缺陷种类检测结果。
作为本发明的一种优选方案,所述步骤S1中,所述训练网络为ResNet50卷积神经网络结构。
作为本发明的一种优选方案,所述步骤S2中,所述布匹缺陷分类检测模型基于RPN网络架构提取所述布匹图像的图像特征。
作为本发明的一种优选方案,所述步骤S3中对各所述特征图进行前背景分类的图像增强方法包括mix up、图像加噪和图像旋转中的任意一种或多种。
作为本发明的一种优选方案,所述步骤S4中,所述布匹缺陷分类检测模型基于FPN网络架构对关联于所述布匹图像的各所述特征图进行融合,得到所述融合特征图。
作为本发明的一种优选方案,所述步骤S4中,对各所述特征图进行图像融合的具体方法步骤如下:
步骤S41,以递归的图像特征融合方式,对当前层级的上一层级提取的所述特征图进行上采样,使得上一层级提取的所述特征图的尺寸与当前层级提取的所述特征图的尺寸一致;
步骤S42,对所述步骤S41上采样得到的所述特征图进行图像卷积处理,使得上采样得到的所述特征图的图像通道数与当前层级提取的所述特征图的图像通道数一致;
步骤S43,将经所述步骤S42处理后的上一层级的所述特征图和当前层级的所述特征图进行特征融合,直至完成对所有所述特征图的图像融合过程,最终得到关联于所述布匹图像的所述融合特征图。
本发明通过多层提取布匹图像的缺陷特征,并对所提取的各特征图进行前背景分类,然后将各特征图的前景图像进行特征融合,再对特征融合后的融合特征图进行缺陷分类检测,大幅提高了布匹缺陷的检测准确率,而且大幅提高了布匹缺陷检测的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例所述的基于卷积神经网络的布匹缺陷检测方法的步骤图;
图2是对各所述特征图进行图像融合的具体方法步骤图;
图3是对布匹图像进行图像特征提取的流程框图;
图4是对各特征图进行图像融合的原理框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明一实施例提供的基于卷积神经网络的布匹缺陷检测方法,用于对布匹上存在的缺陷进行分类检测,请参照图1和图3,包括如下步骤:
步骤S1,以布匹样本数据集为训练样本作为一训练网络的输入,训练形成一用于分类检测布匹缺陷的布匹缺陷分类检测模型;
步骤S2,基于布匹缺陷分类检测模型,多层提取待检测的布匹图像的图像特征,得到布匹图像对应的多张特征图;
步骤S3,基于布匹缺陷分类检测模型对步骤S2提取到的各特征图进行前背景分类;
步骤S4,将步骤S3分类得到的关联于各特征图的前景图像进行图像融合,得到经图像融合后的关联于布匹图像的融合特征图;
步骤S5,基于布匹缺陷分类检测模型,对融合特征图进行分类检测,得到布匹图像上存在的布匹缺陷对应的缺陷种类,并输出缺陷种类检测结果。
步骤S1中,训练布匹缺陷分类检测模型的训练网络优选为ResNet50卷积神经网络。ResNet50网络架构为现有的其中一种卷积神经网络架构。基于ResNet50,并以布匹样本数据集为训练样本训练布匹缺陷分类检测模型的方法为现有技术,而且,布匹缺陷分类检测模型的训练过程也并非本发明要求权利保护的范围,所以具体训练过程在此不作阐述。
布匹样本数据集中包含多张已作出缺陷标记的布匹图像。对于作为样本图像的布匹图像的缺陷标注可以通过人工标注实现,也可以通过机器识别实现。
步骤S2中,布匹缺陷分类检测模型基于RPN网络架构提取布匹图像的图像特征,得到关联于布匹图像的多张特征图。RPN网络是现有的另外一种卷积神经网络架构,其提取布匹图像的具体过程在此不作阐述。
为了提高特征图的前背景的区分度,进而提升布匹缺陷识别的准确率,在对各特征图进行融合得到融合特征图之前,首先对各特征图进行前背景分类。更优选地,步骤S3中对各特征图进行前背景分类的图像增强方法包括但不限于对特征图进行mix up、图像加噪或图像旋转。
步骤S4中,布匹缺陷分类检测模型基于FPN网络架构对关联于布匹图像的各特征图进行图像融合,最终得到关联于布匹图像的融合特征图。
FPN网络结构为现有的一种卷积神经网络结构,FPN特征金字塔网络架构有利于加强对各种尺度目标检测的鲁棒性。传统的目标检测网络只对最后一层输出的特征图进行检测分类,而最后一层输出的特征图通常比输入的原始图像缩小了32倍,基于最后一层输出的特征图进行目标预测对大目标预测相对准确,但对小目标预测的准确度较差。FPN则融合了2倍缩小特征到32倍缩小特征的特征图,对大小目标均有良好的预测准确度。
请参照图2和图4,步骤S4中,对各特征图进行图像融合的具体方法步骤如下:
步骤S41,以递归的图像特征融合方式,对当前层级的上一层级提取的特征图进行上采样,使得上一层级提取的特征图的尺寸与当前层级提取的特征图的尺寸一致;
步骤S42,对步骤S41上采样得到的特征图进行图像卷积处理,使得上采样得到的特征图的图像通道数与当前层级提取的特征图的图像通道数一致;
步骤S43,将经步骤S42处理后的上一层级的特征图和当前层级的特征图进行特征融合,直至完成对所有特征图的图像融合过程,最终得到关联于布匹图像的融合特征图。
请参照图4,融合各特征图的过程具体叙述如下:
布匹缺陷分类检测模型对输入的布匹图像进行多层图像特征提取,提取到关联于布匹图像的五张特征图,然后将上一层级的特征图(predict)进行2倍上采样(2*up),与当前层级的特征图做到尺寸对应,然后使用尺寸为1×1的过滤器对上采样后的特征图变换成与当前层级的特征图的通道数一致,再将当前层级的特征图与图像处理后的上一层级的特征图进行相加,然后以递归的形式以此类推,直至将所有特征图进行融合得到上述的融合特征图。
综上,本发明大幅提高了布匹缺陷的检测准确率和检测效率。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (6)
1.一种基于卷积神经网络的布匹缺陷检测方法,用于对布匹上存在的缺陷进行分类检测,其特征在于,包括如下步骤:
步骤S1,以布匹样本数据集为训练样本作为一训练网络的输入,训练形成一用于分类检测布匹缺陷的布匹缺陷分类检测模型;
步骤S2,基于所述布匹缺陷分类检测模型,多层提取待检测的布匹图像的图像特征,得到所述布匹图像对应的多张特征图;
步骤S3,基于所述布匹缺陷分类检测模型对所述步骤S2提取到的各所述特征图进行前背景分类;
步骤S4,将所述步骤S3分类得到的关联于各所述特征图的前景图像进行图像融合,得到经图像融合后的关联于所述布匹图像的融合特征图;
步骤S5,基于所述布匹缺陷分类检测模型,对所述融合特征图进行分类检测,得到所述布匹图像上存在的布匹缺陷对应的缺陷种类,并输出缺陷种类检测结果。
2.如权利要求1所述的布匹缺陷检测方法,其特征在于,所述步骤S1中,所述训练网络为ResNet50卷积神经网络结构。
3.如权利要求1所述的布匹缺陷检测方法,其特征在于,所述步骤S2中,所述布匹缺陷分类检测模型基于RPN网络架构提取所述布匹图像的图像特征。
4.如权利要求1所述的布匹缺陷检测方法,其特征在于,所述步骤S3中对各所述特征图进行前背景分类的图像增强方法包括mix up、图像加噪和图像旋转中的任意一种或多种。
5.如权利要求1所述的布匹缺陷检测方法,其特征在于,所述步骤S4中,所述布匹缺陷分类检测模型基于FPN网络架构对关联于所述布匹图像的各所述特征图进行融合,得到所述融合特征图。
6.如权利要求3所述的布匹缺陷检测方法,其特征在于,所述步骤S4中,对各所述特征图进行图像融合的具体方法步骤如下:
步骤S41,以递归的图像特征融合方式,对当前层级的上一层级提取的所述特征图进行上采样,使得上一层级提取的所述特征图的尺寸与当前层级提取的所述特征图的尺寸一致;
步骤S42,对所述步骤S41上采样得到的所述特征图进行图像卷积处理,使得上采样得到的所述特征图的图像通道数与当前层级提取的所述特征图的图像通道数一致;
步骤S43,将经所述步骤S42处理后的上一层级的所述特征图和当前层级的所述特征图进行特征融合,直至完成对所有所述特征图的图像融合过程,最终得到关联于所述布匹图像的所述融合特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010014839.6A CN111210417B (zh) | 2020-01-07 | 2020-01-07 | 基于卷积神经网络的布匹缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010014839.6A CN111210417B (zh) | 2020-01-07 | 2020-01-07 | 基于卷积神经网络的布匹缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111210417A true CN111210417A (zh) | 2020-05-29 |
CN111210417B CN111210417B (zh) | 2023-04-07 |
Family
ID=70788984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010014839.6A Active CN111210417B (zh) | 2020-01-07 | 2020-01-07 | 基于卷积神经网络的布匹缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210417B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667476A (zh) * | 2020-06-09 | 2020-09-15 | 创新奇智(广州)科技有限公司 | 布料瑕疵检测方法、装置、电子设备及可读存储介质 |
CN111721773A (zh) * | 2020-06-29 | 2020-09-29 | 北京大简技术有限公司 | 一种布匹检测系统和方法 |
CN112183291A (zh) * | 2020-09-22 | 2021-01-05 | 上海蜜度信息技术有限公司 | 一种图像中极小物体检测方法及系统、存储介质及终端 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060072076A1 (en) * | 2004-10-04 | 2006-04-06 | Disney Enterprises, Inc. | Interactive projection system and method |
CN105931243A (zh) * | 2016-04-26 | 2016-09-07 | 江南大学 | 一种基于单演小波分析的织物疵点检测方法 |
CN107123107A (zh) * | 2017-03-24 | 2017-09-01 | 广东工业大学 | 基于神经网络深度学习的布匹缺陷检测方法 |
CN107169956A (zh) * | 2017-04-28 | 2017-09-15 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN108229455A (zh) * | 2017-02-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体检测方法、神经网络的训练方法、装置和电子设备 |
CN108288279A (zh) * | 2018-01-25 | 2018-07-17 | 盛视科技股份有限公司 | 一种基于x光图像前景目标提取的物品甄别方法 |
CN108537266A (zh) * | 2018-03-30 | 2018-09-14 | 东华大学 | 一种深度卷积网络的织物纹理疵点分类方法 |
US10096122B1 (en) * | 2017-03-28 | 2018-10-09 | Amazon Technologies, Inc. | Segmentation of object image data from background image data |
CN110136126A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于全卷积神经网络的织物纹理瑕疵检测方法 |
EP3531348A1 (en) * | 2018-02-27 | 2019-08-28 | STMicroelectronics International N.V. | Aritmetic unit for deep learning acceleration |
CN110310277A (zh) * | 2019-07-05 | 2019-10-08 | 中原工学院 | 基于深度特征和ntv-rpca的织物疵点检测方法 |
CN110580701A (zh) * | 2019-08-13 | 2019-12-17 | 创新奇智(重庆)科技有限公司 | 一种基于计算机视觉的成衣测量和缺陷检测的方法 |
-
2020
- 2020-01-07 CN CN202010014839.6A patent/CN111210417B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060072076A1 (en) * | 2004-10-04 | 2006-04-06 | Disney Enterprises, Inc. | Interactive projection system and method |
CN105931243A (zh) * | 2016-04-26 | 2016-09-07 | 江南大学 | 一种基于单演小波分析的织物疵点检测方法 |
CN108229455A (zh) * | 2017-02-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体检测方法、神经网络的训练方法、装置和电子设备 |
CN107123107A (zh) * | 2017-03-24 | 2017-09-01 | 广东工业大学 | 基于神经网络深度学习的布匹缺陷检测方法 |
US10096122B1 (en) * | 2017-03-28 | 2018-10-09 | Amazon Technologies, Inc. | Segmentation of object image data from background image data |
CN107169956A (zh) * | 2017-04-28 | 2017-09-15 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN108288279A (zh) * | 2018-01-25 | 2018-07-17 | 盛视科技股份有限公司 | 一种基于x光图像前景目标提取的物品甄别方法 |
EP3531348A1 (en) * | 2018-02-27 | 2019-08-28 | STMicroelectronics International N.V. | Aritmetic unit for deep learning acceleration |
CN108537266A (zh) * | 2018-03-30 | 2018-09-14 | 东华大学 | 一种深度卷积网络的织物纹理疵点分类方法 |
CN110136126A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于全卷积神经网络的织物纹理瑕疵检测方法 |
CN110310277A (zh) * | 2019-07-05 | 2019-10-08 | 中原工学院 | 基于深度特征和ntv-rpca的织物疵点检测方法 |
CN110580701A (zh) * | 2019-08-13 | 2019-12-17 | 创新奇智(重庆)科技有限公司 | 一种基于计算机视觉的成衣测量和缺陷检测的方法 |
Non-Patent Citations (3)
Title |
---|
ZHOUFENG LIU 等: "Fabric defect detection based on faster R-CNN" * |
晏琳 等: "Faster RCNN在坯布疵点检测中的应用" * |
田猛: "基于机器视觉的布匹疵点检测系统的设计与实现" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667476A (zh) * | 2020-06-09 | 2020-09-15 | 创新奇智(广州)科技有限公司 | 布料瑕疵检测方法、装置、电子设备及可读存储介质 |
CN111667476B (zh) * | 2020-06-09 | 2022-12-06 | 创新奇智(广州)科技有限公司 | 布料瑕疵检测方法、装置、电子设备及可读存储介质 |
CN111721773A (zh) * | 2020-06-29 | 2020-09-29 | 北京大简技术有限公司 | 一种布匹检测系统和方法 |
CN112183291A (zh) * | 2020-09-22 | 2021-01-05 | 上海蜜度信息技术有限公司 | 一种图像中极小物体检测方法及系统、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111210417B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363182B (zh) | 基于深度学习的车道线检测方法 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN111210417B (zh) | 基于卷积神经网络的布匹缺陷检测方法 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN108090906B (zh) | 一种基于区域提名的宫颈图像处理方法及装置 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN111666842B (zh) | 一种基于双流空洞卷积神经元网络的阴影检测方法 | |
CN110781980B (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN110992322A (zh) | 基于卷积神经网络的贴片掩膜检测系统及检测方法 | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
CN112257715A (zh) | 一种粘连字符识别方法及系统 | |
CN111583322A (zh) | 一种基于深度学习的2d图像场景深度预测及语义分割方法和系统 | |
CN110827263A (zh) | 基于视觉识别技术的磁瓦表面缺陷检测系统及检测方法 | |
CN114581654A (zh) | 一种基于互感器状态监测方法及装置 | |
CN114299383A (zh) | 基于密度图与注意力机制融合的遥感图像目标检测方法 | |
CN107886093B (zh) | 一种字符检测方法、系统、设备及计算机存储介质 | |
CN109658523A (zh) | 利用ar增强现实应用实现车辆各功能使用说明的方法 | |
CN116580232A (zh) | 一种图像自动标注方法、系统及电子设备 | |
CN111079749A (zh) | 一种带姿态校正的端到端商品价签文字识别方法和系统 | |
CN116258686A (zh) | 基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法 | |
CN115358981A (zh) | 胶水缺陷的确定方法、装置、设备及存储介质 | |
CN112308061B (zh) | 一种车牌字符识别方法及装置 | |
CN113486856A (zh) | 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法 | |
CN113191352A (zh) | 一种基于目标检测和二值图像检测的水表指针读数识别方法 | |
CN110910352A (zh) | 基于深度学习的太阳能电池缺陷检测系统及检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |