CN111340898A - 基于深度学习的印刷品背景异色缺陷检测方法 - Google Patents

基于深度学习的印刷品背景异色缺陷检测方法 Download PDF

Info

Publication number
CN111340898A
CN111340898A CN202010427475.4A CN202010427475A CN111340898A CN 111340898 A CN111340898 A CN 111340898A CN 202010427475 A CN202010427475 A CN 202010427475A CN 111340898 A CN111340898 A CN 111340898A
Authority
CN
China
Prior art keywords
image
deep learning
small
training
printed matter
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
Application number
CN202010427475.4A
Other languages
English (en)
Inventor
王岩松
和江镇
方志斌
韩飞
张奔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Focusight Technology Co Ltd
Original Assignee
Focusight Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Focusight Technology Co Ltd filed Critical Focusight Technology Co Ltd
Priority to CN202010427475.4A priority Critical patent/CN111340898A/zh
Publication of CN111340898A publication Critical patent/CN111340898A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于深度学习的印刷品背景异色缺陷检测方法，包括：采集印刷品无缺陷图像，将采集到的图像进行前景灰度值置零处理，然后再将图像裁剪成M*N个K*K像素的子图像，收集一定数量的上述样本，作为训练样品集，建立深度学习网络，输入训练样品集，利用训练的深度学习网络对实际产品图像进行检测，根据各个小图匹配比率，生成M*N的二维矩阵，根据二维矩阵结果判断产品是否有无异色缺陷。本发明提高了异色缺陷的检出率，简化了深度学习训练流程。

Description

基于深度学习的印刷品背景异色缺陷检测方法
技术领域
本发明涉及印刷品表面缺陷检测领域，尤其是一种采用深度学习对印刷品表面低对比度的异色缺陷进行检测的方法。
背景技术
印刷品表面在印刷过程中，受到操作以及工艺等原因的影响，容易造成印刷品出现一种低对比度、面积较大不同于印刷品表面颜色的缺陷，由于印刷品表面复杂前景的影响，此类缺陷不能够很好的进行检测。
现有技术中所采用的方式通常是对图像进行去噪处理后，图像进行二值化，分割得到前景和背景，然后进行连通区域分析，从而得到具体的特征区块；上述算法的核心在于找到“灰度突变”的区域，而背景异色这类缺陷与周围领域灰度值一般相差不大，图像在进行二值化时，较难分割出缺陷区域。
并且传统的机器视觉算法比较依赖光源成像，参数设置较为严格时，存在大量好品误检，参数较为宽松时，会造成大量缺陷漏检。
发明内容
本发明要解决的技术问题是：提供一种基于深度学习的印刷品背景异色缺陷检测方法，具有检出率高、误检率低等特点。
本发明解决其技术问题所采用的技术方案是：一种基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：包括以下步骤：
1）收集原始训练图像C，并进行预处理，得到图像A；
2）对预处理后的图像A进行分割处理，得到小图像a，并对每个小图像a进行编号；
3）将上述编号处理好的每一个小图像a分别放入到深度学习网络中进行训练，具体为：
A、采用多个受限玻尔兹曼机RBM对分割后的小图a包含的R、G、B三个通道分别进行独立训练，然后对小图a的R、G、B三个通道分别进行特征提取；
B、无监督训练每层RBM，得到每个RBM分层的前向权值和后向权值，然后通过BP算法微调，对深度学习网络的参数不断进行调整，使模型收敛到局部最优点，完成卷积神经网络的训练；
4）将采集到的实际产品图像B以步骤2）中同样的方式分割为多个大小与小图像a一致的小图像b，并对每个小图像b编号；编号后的每个小图像b分别对应与每个编号后训练好的小图像a的模型进行匹配度比对；并根据匹配度比对结果判别有无异色缺陷。
进一步的说，本发明所述的步骤1）中，原始训练图像C为没有任何缺陷的标准印刷品彩色图像；所述的预处理为对彩色图像的非检测区域的前景进行前景灰度值置零处理。
进一步的说，本发明所述的步骤2）中，对分割后的小图像a按照其在图像A中的相对位置，按照从上到下、从左到右的次序进行编号。
进一步的说，本发明所述的步骤3）中的训练步骤包括：
A、初始化小图像a的状态为
Figure 331942DEST_PATH_IMAGE001
，其中
Figure 829657DEST_PATH_IMAGE002
是可视层的样本的状态向量，M为小图像a的数目。
B、基于已知可视层的情况，根据隐含层的条件概率函数
Figure 51691DEST_PATH_IMAGE003
计算隐藏单元的状态分布，从条件分布
Figure 464217DEST_PATH_IMAGE004
中抽取
Figure 429899DEST_PATH_IMAGE005
。
C、基于隐含层的状态，根据可视层的条件概率函数
Figure 611482DEST_PATH_IMAGE006
计算可视单元的状态分布，从条件分布
Figure 738838DEST_PATH_IMAGE007
中抽取
Figure 74879DEST_PATH_IMAGE008
。
D、计算隐藏单元的状态分布函数
Figure 640990DEST_PATH_IMAGE009
。
E、依据可视层和隐含层重构前后的状态对参数进行更新，各个参数更新公式如下：
Figure 880341DEST_PATH_IMAGE010
Figure 240915DEST_PATH_IMAGE011
Figure 565718DEST_PATH_IMAGE012
其中，受限玻尔兹曼机RBM的模型参数为：
Figure 43841DEST_PATH_IMAGE013
，
Figure 465595DEST_PATH_IMAGE014
为sigmoid函数；
Figure 403595DEST_PATH_IMAGE015
为学习率，
Figure 12431DEST_PATH_IMAGE016
表示原始输入数据的分布，
Figure 123607DEST_PATH_IMAGE017
表示重构后模型定义的一个分布，Δw 、Δa、Δb分别为更新后的模型参数。
进一步的说，本发明所述的步骤4）中，匹配度比对包括以下步骤：
A、利用训练好的深度学习网络检测实际产品，得到属于正常产品和异色产品的比率，设定当比率小于40%为异色缺陷，进而判断图像B中的每个小图b是否存在异色缺陷，1表示当前小图像b存在异色缺陷，0表示当前小图像b为正常产品，然后输出M*N的二维矩阵，其中M表示横向小图的个数，N表示纵向小图的个数。
B、根据M*N二位矩阵是否存在元素1，存在则表示有异色缺陷产品，反之为正常产品。
本发明的有益效果是，解决了背景技术中存在的缺陷，将原始图像分割为固定尺寸的小图，对其进行编号，然后采用DBN（深度置信网络-Deep Belief Network）深度学习算法，分别对小图进行训练，提取好品图像固有的特征，实际检测时，待检测图分割为小图，分别与小图对应编号的训练好的模型进行比对，然后判别有无异色缺陷；提高了异色缺陷的检出率，简化了深度学习训练流程。
附图说明
图1印刷品深度学习训练及实际印刷品图像缺陷检测流程图。
图2对采集到的原始图像A按照箭头方向依次裁剪成小图像a。
图3受限玻尔兹曼机（RBM）结构图（箭头表示双向全连接）。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示的一种基于深度学习的印刷品背景异色缺陷检测方法，采集印刷品无缺陷图像，将采集到的图像进行前景灰度值置零处理，然后再将图像裁剪成M*N个K*K像素的子图像，收集一定数量的上述样本，作为训练样品集，建立深度学习网络，输入训练样品集，利用训练的深度学习网络对实际产品图像进行检测，根据各个小图匹配比率，生成M*N的二维矩阵，根据二维矩阵结果判断产品是否有无异色缺陷。
具体步骤如下：
1、 收集原始训练图像，并进行预处理。
1.1 收集没有任何缺陷的标准印刷品彩色图像C，共p张（p>100），其大小为1280*768；
1.2 对彩色图像的非检测区域的前景（文字、图案）进行前景灰度值置零处理，变成图像A；
1.3 对上述图像A进行分割处理，每个小图像a的尺寸为128*128；
1.4 对分割后的图像a按照其在图像A中的相对位置，按照从上到下、从左到右的次序进行编号。
编号具体步骤为，
1.4.1 从编号为1的小图像a开始，从左向右进行依次编号，到达图像最右端时，向下进行编号，此时从右向左进行编号，到达最左端时，再次从左向右编号（参见图2）；
1.4.2 重复上述步骤，直到最后一个编号的小图像a。
2、将上述处理好的每一个小图像a分别放入到深度学习网络中进行训练，具体如下：
2.1 采用多个RBM-限制玻尔兹曼机（Restricted Boltzmann Machines）对分割后的小图a包含的R、G、B三个通道分别进行独立训练，然后对小图a的R、G、B三个通道分别进行特征提取，流程图参见图3 。
2.1.1 RBM有两层，可视层
Figure 134288DEST_PATH_IMAGE018
表示输入，用于输入图像a，隐藏层
Figure 39927DEST_PATH_IMAGE019
用于提取特征，RBM的能量函数表示为
Figure 136059DEST_PATH_IMAGE020
；
其中
Figure 80619DEST_PATH_IMAGE013
是受限玻尔兹曼机RBM的模型参数，
Figure 945807DEST_PATH_IMAGE021
是可视单元i与隐藏单元j之间的连接权重；
Figure 22347DEST_PATH_IMAGE022
、
Figure 605775DEST_PATH_IMAGE023
分别为可视层和隐含层的偏置；
2.1.2 RBM同层节点之间相互独立，隐含层的条件概率函数为
Figure 793174DEST_PATH_IMAGE024
，
可视层条件概率为
Figure 778448DEST_PATH_IMAGE025
，其中
Figure 25890DEST_PATH_IMAGE026
为sigmoid函数；
2.1.3 RBM采用对比散度快速训练算法，通过将分割小图映射给隐含层，重复执行上述步骤，完成对网络参数的预训练。
对RBM的权重学习步骤如下：
A、初始化小图像a的状态为
Figure 96614DEST_PATH_IMAGE027
，其中
Figure 586239DEST_PATH_IMAGE028
是可视层的样本的状态向量，M为小图像a的数目；（此处可以理解为，例如编号为1的小图像，有10张或者一定数量（50张、1000张都可以）它们属于不同的大图像，但是小图像在不同大图中编号均为1）
B、基于已知可视层的情况，根据隐含层的条件概率函数
Figure 426019DEST_PATH_IMAGE029
计算隐藏单元的状态分布，从条件分布
Figure 844362DEST_PATH_IMAGE030
中抽取
Figure 74486DEST_PATH_IMAGE031
；
C、基于隐含层的状态，根据可视层的条件概率函数
Figure 931583DEST_PATH_IMAGE032
计算可视单元的状态分布，从条件分布
Figure 563553DEST_PATH_IMAGE033
中抽取
Figure 215114DEST_PATH_IMAGE034
；
D、计算隐藏单元的状态分布函数
Figure 696649DEST_PATH_IMAGE035
；
E、依据可视层和隐含层重构前后的状态对参数进行更新，各个参数更新公式如下：
Figure 91858DEST_PATH_IMAGE036
Figure 578334DEST_PATH_IMAGE037
Figure 666376DEST_PATH_IMAGE038
其中
Figure 871092DEST_PATH_IMAGE039
为学习率，
Figure 69993DEST_PATH_IMAGE040
表示原始输入数据的分布，
Figure 410975DEST_PATH_IMAGE041
表示重构后模型定义的一个分布。w，a，b为随机的较小数值，Δw 、Δa、Δb分别为更新后的可视单元i与隐藏单元j之间的连接权重、可视层的偏置和隐含层的偏置。
2.2 重复上述步骤A-E，无监督训练每层RBM，得到每个RBM分层的前向权值和后向权值，然后通过BP算法-误差反向传播算法(Error Back Propagation)微调，对深度学习网络的参数不断进行调整，从而使模型收敛到局部最优点，完成卷积神经网络的训练。
3、对采集到实际产品图像进行检测，其步骤如下：
3.1 利用训练好的深度学习网络检测实际产品，得到属于正常产品和异色产品的比率，设定当比率小于40%为异色缺陷，进而判断图像B中的每个小图b是否存在异色缺陷，1表示当前小图像b存在异色缺陷，0表示当前小图像b为正常产品，然后输出M*N的二维矩阵，其中M表示横向小图的个数，N表示纵向小图的个数。
3.2 根据M*N二位矩阵是否存在元素1，存在则表示有异色缺陷产品，反之为正常产品。
以上说明书中描述的只是本发明的具体实施方式，各种举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形，而不背离发明的实质和范围。

Claims (5)

1.一种基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：包括以下步骤：
1）收集原始训练图像C，并进行预处理，得到图像A；
2）对预处理后的图像A进行分割处理，得到小图像a，并对每个小图像a进行编号；
3）将上述编号处理好的每一个小图像a分别放入到深度学习网络中进行训练，具体为：
A、采用多个受限玻尔兹曼机RBM对分割后的小图像a包含的R、G、B三个通道分别进行独立训练，然后对小图像a的R、G、B三个通道分别进行特征提取；
B、无监督训练每层RBM，得到每个RBM分层的前向权值和后向权值，然后通过BP算法微调，对深度学习网络的参数不断进行调整，使模型收敛到局部最优点，完成卷积神经网络的训练；
4）将采集到的实际产品图像B以步骤2）中同样的方式分割为多个大小与小图像a一致的小图像b，并对每个小图像b编号；编号后的每个小图像b分别对应与每个编号后训练好的小图像a的模型进行匹配度比对；并根据匹配度比对结果判别有无异色缺陷。
2.如权利要求1所述的基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：所述的步骤1）中，原始训练图像C为没有任何缺陷的标准印刷品彩色图像；所述的预处理为对彩色图像的非检测区域的前景进行前景灰度值置零处理。
3.如权利要求1所述的基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：所述的步骤2）中，对分割后的小图像a按照其在图像A中的相对位置，按照从上到下、从左到右的次序进行编号。
4.如权利要求1所述的基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：所述的步骤3）中的训练步骤包括：
A、初始化小图像a的状态为
Figure 431642DEST_PATH_IMAGE001
，其中
Figure 644448DEST_PATH_IMAGE002
是可视层的样本的状态向量，M为小图像a的数目；
B、基于已知可视层的情况，根据隐含层的条件概率函数
Figure 163285DEST_PATH_IMAGE003
计算隐藏单元的状态分布，从条件分布
Figure 934670DEST_PATH_IMAGE004
中抽取
Figure 601275DEST_PATH_IMAGE005
；
C、基于隐含层的状态，根据可视层的条件概率函数
Figure 680089DEST_PATH_IMAGE006
计算可视单元的状态分布，从条件分布
Figure 115750DEST_PATH_IMAGE007
中抽取
Figure 825080DEST_PATH_IMAGE008
；
D、计算隐藏单元的状态分布函数
Figure 775718DEST_PATH_IMAGE009
；
E、依据可视层和隐含层重构前后的状态对参数进行更新，各个参数更新公式如下：
Figure 32125DEST_PATH_IMAGE010
Figure 696193DEST_PATH_IMAGE011
Figure 451791DEST_PATH_IMAGE012
其中，受限玻尔兹曼机RBM的模型参数为：
Figure 201310DEST_PATH_IMAGE014
，
Figure 956949DEST_PATH_IMAGE016
为sigmoid函数；
Figure 367202DEST_PATH_IMAGE017
为学习率，
Figure 418334DEST_PATH_IMAGE018
表示原始输入数据的分布，
Figure 343565DEST_PATH_IMAGE019
表示重构后模型定义的一个分布，Δw 、Δa、Δb分别为更新后的模型参数。
5.如权利要求1所述的基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：所述的步骤4）中，匹配度比对包括以下步骤：
A、利用训练好的深度学习网络检测实际产品，得到属于正常产品和异色产品的比率，设定当比率小于40%为异色缺陷，进而判断图像B中的每个小图b是否存在异色缺陷，1表示当前小图像b存在异色缺陷，0表示当前小图像b为正常产品，然后输出M*N的二维矩阵，其中M表示横向小图的个数，N表示纵向小图的个数；
B、根据M*N二位矩阵是否存在元素1，存在则表示有异色缺陷产品，反之为正常产品。
CN202010427475.4A 2020-05-20 2020-05-20 基于深度学习的印刷品背景异色缺陷检测方法 Pending CN111340898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010427475.4A CN111340898A (zh) 2020-05-20 2020-05-20 基于深度学习的印刷品背景异色缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010427475.4A CN111340898A (zh) 2020-05-20 2020-05-20 基于深度学习的印刷品背景异色缺陷检测方法

Publications (1)

Publication Number Publication Date
CN111340898A true CN111340898A (zh) 2020-06-26

Family

ID=71184938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010427475.4A Pending CN111340898A (zh) 2020-05-20 2020-05-20 基于深度学习的印刷品背景异色缺陷检测方法

Country Status (1)

Country Link
CN (1) CN111340898A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783901A (zh) * 2020-07-13 2020-10-16 征图新视(江苏)科技股份有限公司 一种基于深度学习的印刷质量分类方法
CN113706467A (zh) * 2021-07-26 2021-11-26 伯恩光学(惠州)有限公司 一种玻璃低对比度异物和异色不良的检测方法
CN118505688A (zh) * 2024-07-17 2024-08-16 深圳市捷牛智能装备有限公司 键盘丝印的图像检测方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105551051A (zh) * 2015-12-31 2016-05-04 先进储能材料国家工程研究中心有限责任公司 一种连续带状多孔金属材料漏镀缺陷区域的定位方法
CN106529476A (zh) * 2016-11-11 2017-03-22 重庆邮电大学 一种基于深层堆叠网络的脑电信号特征提取及分类方法
CN108918527A (zh) * 2018-05-15 2018-11-30 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的印刷品缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105551051A (zh) * 2015-12-31 2016-05-04 先进储能材料国家工程研究中心有限责任公司 一种连续带状多孔金属材料漏镀缺陷区域的定位方法
CN106529476A (zh) * 2016-11-11 2017-03-22 重庆邮电大学 一种基于深层堆叠网络的脑电信号特征提取及分类方法
CN108918527A (zh) * 2018-05-15 2018-11-30 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的印刷品缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许江淳等: "基于机器视觉的药片表面缺陷识别与分拣系统设计", 《传感器与微系统》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783901A (zh) * 2020-07-13 2020-10-16 征图新视(江苏)科技股份有限公司 一种基于深度学习的印刷质量分类方法
CN113706467A (zh) * 2021-07-26 2021-11-26 伯恩光学(惠州)有限公司 一种玻璃低对比度异物和异色不良的检测方法
CN118505688A (zh) * 2024-07-17 2024-08-16 深圳市捷牛智能装备有限公司 键盘丝印的图像检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112991330B (zh) 基于知识蒸馏的正样本工业缺陷检测方法
CN106940816B (zh) 基于3d全卷积神经网络的ct图像肺结节检测系统
CN107316300B (zh) 一种基于深度卷积神经网络的轮胎x光病疵检测方法
CN111340898A (zh) 基于深度学习的印刷品背景异色缺陷检测方法
CN111582294B (zh) 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用
CN107610087B (zh) 一种基于深度学习的舌苔自动分割方法
CN112329588B (zh) 一种基于Faster R-CNN的管道故障检测方法
CN107180430A (zh) 一种适用于语义分割的深度学习网络构建方法及系统
CN106650721A (zh) 一种基于卷积神经网络的工业字符识别方法
CN112950561B (zh) 光纤端面缺陷检测方法、设备及存储介质
CN112233129B (zh) 基于深度学习的并行多尺度注意力机制语义分割方法及装置
CN113379833B (zh) 一种基于神经网络的图像可见水印的定位和分割方法
CN112926652B (zh) 一种基于深度学习的鱼类细粒度图像识别方法
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN114511508A (zh) 融合卷积与多层感知机神经网络的结直肠息肉分割方法
CN114332008A (zh) 一种基于多层次特征重构的无监督缺陷检测与定位方法
CN116486224A (zh) 一种基于改进U-Net的换热器管口图像识别算法
Valente et al. Print defect mapping with semantic segmentation
CN111310820A (zh) 基于交叉验证深度cnn特征集成的地基气象云图分类方法
CN117067112B (zh) 一种水切割机及其控制方法
Ni et al. Convolution neural network based automatic corn kernel qualification
CN111105423B (zh) 一种基于深度学习的ct图像中肾脏分割方法
CN117252818A (zh) 基于改进YOLOv5的PCB缺陷检测方法
CN110992267A (zh) 一种基于DPSR与Lightweight CNN的磨粒识别方法
CN116543414A (zh) 多模型融合的舌质颜色分类及舌质红度和紫度量化方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200626