CN111462046A - 基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法 - Google Patents
基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法 Download PDFInfo
- Publication number
- CN111462046A CN111462046A CN202010151935.5A CN202010151935A CN111462046A CN 111462046 A CN111462046 A CN 111462046A CN 202010151935 A CN202010151935 A CN 202010151935A CN 111462046 A CN111462046 A CN 111462046A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- convolutional neural
- gray
- water
- 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
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
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
Abstract
本发明提供一种基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法,通过对水冷壁的表面图像进行分析处理,生成可以作为卷积神经网络模型的输入数据,使用滑动窗口自动检测水冷壁的表面缺陷,弥补了传统水冷壁检测方法效率低、安全性差、对操作人员的专业要求较高的问题。因此,本发明提供的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法,对锅炉水冷壁表面缺陷的检测和识别具有很好的实用性和有效性,能够有效提高检测的准确率和效率。
Description
技术领域
本发明涉及锅炉设备检测的技术领域,尤其涉及一种基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法。
背景技术
现在人工智能浪潮席卷全球,人工智能技术与工业技术两方面交叉融合。在工业方面,随着智能化和工业化的融合互补,工业检测工作逐渐地由传统人工操作检测转变为人工结合机器检测,到现在通过人工智能技术实现无人化全自动检测。目前,在锅炉检修工作中,水冷壁缺陷检测作为重要的一环,需要花费大量人力物力和时间,因此使用科学手段来实现水冷壁的系统化、自动化检测十分重要。
发明内容
为解决现有技术存在的局限和缺陷,本发明提供一种基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法,包括:
获取所述水冷壁的表面图像;
对所述表面图像进行图像预处理,所述图像预处理包括灰度化处理、滤波降噪处理和图像增强处理;
将图像预处理之后的表面图像作为所述卷积神经网络的输入数据;
在所述卷积神经网络之中进行迭代训练,每次迭代结果根据损失函数进行优化;
获得训练之后的卷积神经网络模型;
根据所述卷积神经网络模型结合滑动窗口对所述水冷壁的表面缺陷进行检测;
对当前窗口对应的目标图像进行检测,若检测到缺陷,对所述缺陷进行标记,若未检测到缺陷,对下一个窗口对应的目标图像进行检测,直至遍历整个表面图像。
可选的,所述对所述表面图像进行图像预处理的步骤包括:
使用计算公式(1)进行灰度化处理,所述计算公式(1)为
I(i,j)=0.299R(i,j)+0.586G(i,j)+0.115B(i,j) (1)
其中,I(i,j)为灰度图像的每个像素的灰度值,i和j表示第i行第j列的像素坐标,R(i,j)、G(i,j)、B(i,j)分别为每个彩色图像点的三个分量值;
使用计算公式(2)进行滤波降噪处理,所述计算公式(2)为
g(x,y)=Med[f(i,j),(i,j∈X)] (2)
使用计算公式(3)和计算公式(4)图像增强处理,所述计算公式(3)和所述计算公式(4)为
I(i,j)=T[f(i,j)] (3)
其中,f(i,j)为灰度拉伸之前图像(i,j)的灰度值,I(i,j)为灰度拉伸之后图像(i,j)的灰度值,T[]为灰度拉伸的方式,[fmin,fmax]为图像在灰度拉伸之前像素的灰度值变化范围,[Imin,Imax]为图像在灰度拉伸之后像素的灰度值变化范围。
可选的,所述对所述表面图像进行图像预处理的步骤之前包括:
统计标记缺陷数据,统一图像尺寸格式。
本发明具有下述有益效果:
本发明提供的一种基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法,通过对水冷壁的表面图像进行分析处理,生成可以作为卷积神经网络模型的输入数据,使用滑动窗口自动检测水冷壁的表面缺陷,弥补了传统水冷壁检测方法效率低、安全性差、对操作人员的专业要求较高的问题。因此,本发明提供的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法,对锅炉水冷壁表面缺陷的检测和识别具有很好的实用性和有效性,能够有效提高检测的准确率和效率。
附图说明
图1为本发明实施例一提供的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法的流程图。
图2为本发明实施例一提供的卷积神经网络的结构示意图。
图3为本发明实施例一提供的卷积神经网络模型的训练流程图。
图4为本发明实施例一提供的检测效果示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法进行详细描述。
实施例一
本实施例提供的卷积神经网络(Convolutional Neural Networks,CNN)是一种包含卷积计算而且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representationlearning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification),因此也被称为平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)。在2006年深度学习理论被提出之后,卷积神经网络的表征学习能力得到关注,随着数值计算设备的更新得到发展。
滑动窗口(Sliding Windows,SW)法是进行目标检测的主流方法。对于某个输入图像,由于其对象尺度形状等因素的不确定性,导致直接套用预训练好的模型进行识别效率低下。通过设计滑动窗口来遍历图像,将每个窗口对应的局部图像进行检测,能够有效克服尺度、位置、形变等带来的输入异构问题,从而提升检测效果。
本实施例提出的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法,用于水冷壁表面的缺陷检测,对缺陷样本数据特征进行计算、分析和选择,进而实现水冷壁缺陷的系统化、自动化检测。
本实施例提供的一种基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法,获取所述水冷壁的表面图像,对所述表面图像进行图像预处理,所述图像预处理包括灰度化处理、滤波降噪处理和图像增强处理,将图像预处理之后的表面图像作为所述卷积神经网络的输入数据,在所述卷积神经网络之中进行迭代训练,每次迭代结果根据损失函数进行优化,获得训练之后的卷积神经网络模型,根据所述卷积神经网络模型结合滑动窗口对所述水冷壁的表面缺陷进行检测,对当前窗口对应的目标图像进行检测,若检测到缺陷,对所述缺陷进行标记,若未检测到缺陷,对下一个窗口对应的目标图像进行检测,直至遍历整个表面图像。
本实施例获取的水冷壁图像为彩色图像,其中包含许多无关信息,这些信息的存在会给缺陷的识别造成很大困难,因此需要进行必要的图像灰度化处理。本实施例将输入图像的三个彩色分量按照以下公式进行计算从而获得变化之后的灰度图:
I(i,j)=0.299R(i,j)+0.586G(i,j)+0.115B(i,j) (1)
其中,I(i,j)为灰度图像的每个像素的灰度值,i和j表示第i行第j列的像素坐标,R(i,j)、G(i,j)、B(i,j)分别为每个彩色图像点的三个分量值。
本实施例提供的锅炉水冷壁图像往往是有用信号和噪声混杂在一起的,需要进行滤波降噪处理才能将噪声影响降到最低。滤波方式的选择要根据具体的图像特征选取,如果滤波方式选择不当就可能造成图像中的有用信息丢失,例如轮廓和边缘模糊不易提取的信息。常用的滤波方法有邻域平均滤波和中值滤波。中值滤波在图像处理中应用广泛,原理是对图像邻域之中所有像素点按照灰度值的不同进行排序,将该序列的中值作为这个邻域的输出灰度值。用数学公式表达为:
g(x,y)=Med[f(i,j),(i,j∈X)] (2)
在图像进行滤波降噪处理之后,缺陷部分与背景元素之间的灰度值差距不大,为了解决这一问题,需要在灰度变换之后采取线性灰度值拉伸的手段来扩大缺陷与背景之间的灰度值差距,线性灰度值拉伸可用公式表示为:
I(i,j)=T[f(i,j)] (3)
其中,f(i,j)为灰度拉伸之前图像(i,j)的灰度值,I(i,j)为灰度拉伸之后图像(i,j)的灰度值,T[]为灰度拉伸的方式,[fmin,fmax]为图像在灰度拉伸之前像素的灰度值变化范围,[Imin,Imax]为图像在灰度拉伸之后像素的灰度值变化范围。进行了灰度值拉伸之后的图像缺陷与背景的对比度得到明显提高,这样二者的灰度值相差更大,利于缺陷的识别。
为了使得本领域的技术人员更好地理解本实施例的技术方案,下面结合附图对本实施例提供的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法进行详细描述。
图1为本发明实施例一提供的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法的流程图。如图1所示,根据上述步骤,将本实施例提出的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法应用于水冷壁的缺陷检测之中。
图2为本发明实施例一提供的卷积神经网络的结构示意图。如图2所示,卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层(对应经典的神经网络)组成,同时也包括关联权重和池化层(pooling layer)。这种结构使得卷积神经网络能够利用输入数据的二维结构,与其他深度学习结构相比,卷积神经网络在图像和语音识别方面能够给出更好的结果。
本实施例中,卷积神经网络的输入层可以处理多维数据,一维卷积神经网络的输入层接收一维或二维数组,其中一维数组通常为时间或频谱采样;二维数组可能包含多个通道;二维卷积神经网络的输入层接收二维或三维数组;三维卷积神经网络的输入层接收四维数组。由于使用梯度下降算法进行学习,卷积神经网络的输入特征需要进行标准化处理。在将学习数据输入卷积神经网络之前,需要在通道或时间频率维度对输入数据进行归一化处理,若输入数据为像素,也可将分布于[0,255]的原始像素值归一化至[0,1]的区间。
卷积层是一组平行的特征图(feature map),通过在输入图像上滑动不同的卷积核运行运算形成。此外,在每一个滑动的位置上,卷积核与输入图像之间会运行一个元素对应乘积而且求和的运算,从而将信息投影到特征图之中的一个元素。这一滑动的过程可称为步幅Z_s,步幅Z_s是控制输出特征图尺寸的一个因素。卷积核的尺寸要比输入图像小得多,而且重叠或平行地作用于输入图像之中,一张特征图之中的所有元素都是通过一个卷积核计算得出的,也即一张特征图共享了相同的权重和偏置项。二维图像的卷积公式如下所示:
本实施例中,池化层(Pooling)是一种形式的降采样,具有多种不同形式的非线性池化函数,其中“最大池化(Max pooling)”是最为常见的。它是将输入的图像划分为若干个矩形区域,对每个子区域输出最大值。这种机制之所以有效是因为在发现一个特征之后,它的精确位置远不及它和其他特征的相对位置的关系重要。池化层会不断地减小数据的空间大小,因此参数的数量和计算量也会下降,这在一定程度上也控制了过拟合。通常来说,CNN的卷积层之间都会周期性地插入池化层。
本实施例提供的池化层通常会分别作用于每个输入的特征而且会减小其大小。当前最常用形式的池化层是每隔2个元素从图像划分出2*2的区块,然后对每个区块之中的4个数取最大值,这将会减少75%的数据量。
本实施例提供的损失函数层(loss layer)用于决定训练过程如何来惩罚网络的预测结果和真实结果之间的差异,它通常是网络的最后一层。各种不同的损失函数适用于不同类型的任务。本实施例使用Softmax交叉熵损失函数常常被用于在K个类别之中选出一个,Sigmoid交叉熵损失函数常常用于多个独立的二分类问题。
图3为本发明实施例一提供的卷积神经网络模型的训练流程图。如图3所示,在模型训练的过程之中,本实施例将选择当前最优结果送入缺陷检测算法之中用于分类,再将分类结果和特征个数反馈至优化算法之中,从而得到新的最优结果,在这个过程之中保存这个最优结果,防止每次产生不同的当前最优解而得不到全局最优解。在迭代次数到了要求次数或者迭代结果达到对应精度时,保存的网络参数就是最优的网络参数,可以用于缺陷检测,以提高检测的准确率和效率。本实施例提供的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法,对锅炉水冷壁表面缺陷的检测和识别具有很好的实用性和有效性,能够有效提高检测的准确率和效率。
图4为本发明实施例一提供的检测效果示意图。如图4所示,可以看到水冷壁管道上的裂口被检测到,而且标注出来。为了验证本实施例提出的技术方案的适用性和优越性,将本实施例提供的技术方案与深度神经网络(Deep Neural Networks,DNN)同时进行对比,实验结果如下表1:
表1对比实验结果
在上述实验之中,与传统的DNN网络相比,CNN结合滑动窗口的平均召回率要高出0.168995,平均准确率要高出0.175277,运行速度提高了16帧,这表明CNN结合滑动窗口方法具有更好的收敛精度和运行效率。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (3)
1.一种基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法,其特征在于,包括:
获取所述水冷壁的表面图像;
对所述表面图像进行图像预处理,所述图像预处理包括灰度化处理、滤波降噪处理和图像增强处理;
将图像预处理之后的表面图像作为所述卷积神经网络的输入数据;
在所述卷积神经网络之中进行迭代训练,每次迭代结果根据损失函数进行优化;
获得训练之后的卷积神经网络模型;
根据所述卷积神经网络模型结合滑动窗口对所述水冷壁的表面缺陷进行检测;
对当前窗口对应的目标图像进行检测,若检测到缺陷,对所述缺陷进行标记,若未检测到缺陷,对下一个窗口对应的目标图像进行检测,直至遍历整个表面图像。
2.根据权利要求1所述的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法,其特征在于,所述对所述表面图像进行图像预处理的步骤包括:
使用计算公式(1)进行灰度化处理,所述计算公式(1)为
I(i,j)=0.299R(i,j)+0.586G(i,j)+0.115B(i,j) (1)
其中,I(i,j)为灰度图像的每个像素的灰度值,i和j表示第i行第j列的像素坐标,R(i,j)、G(i,j)、B(i,j)分别为每个彩色图像点的三个分量值;
使用计算公式(2)进行滤波降噪处理,所述计算公式(2)为
g(x,y)=Med[f(i,j),(i,j∈X)] (2)
使用计算公式(3)和计算公式(4)图像增强处理,所述计算公式(3)和所述计算公式(4)为
I(i,j)=T[f(i,j)] (3)
其中,f(i,j)为灰度拉伸之前图像(i,j)的灰度值,I(i,j)为灰度拉伸之后图像(i,j)的灰度值,T[]为灰度拉伸的方式,[fmin,fmax]为图像在灰度拉伸之前像素的灰度值变化范围,[Imin,Imax]为图像在灰度拉伸之后像素的灰度值变化范围。
3.根据权利要求1所述的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法,其特征在于,所述对所述表面图像进行图像预处理的步骤之前包括:
统计标记缺陷数据,统一图像尺寸格式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010151935.5A CN111462046A (zh) | 2020-03-06 | 2020-03-06 | 基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010151935.5A CN111462046A (zh) | 2020-03-06 | 2020-03-06 | 基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111462046A true CN111462046A (zh) | 2020-07-28 |
Family
ID=71684977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010151935.5A Pending CN111462046A (zh) | 2020-03-06 | 2020-03-06 | 基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462046A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966447A (zh) * | 2017-11-14 | 2018-04-27 | 浙江大学 | 一种基于卷积神经网络的工件表面缺陷检测方法 |
CN110288586A (zh) * | 2019-06-28 | 2019-09-27 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 |
CN110349126A (zh) * | 2019-06-20 | 2019-10-18 | 武汉科技大学 | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 |
-
2020
- 2020-03-06 CN CN202010151935.5A patent/CN111462046A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966447A (zh) * | 2017-11-14 | 2018-04-27 | 浙江大学 | 一种基于卷积神经网络的工件表面缺陷检测方法 |
CN110349126A (zh) * | 2019-06-20 | 2019-10-18 | 武汉科技大学 | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 |
CN110288586A (zh) * | 2019-06-28 | 2019-09-27 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
于科为: "《基于卷积神经网络的工件缺陷检测研究》" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN110148162B (zh) | 一种基于复合算子的异源图像匹配方法 | |
US20190228268A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
WO2018052586A1 (en) | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks | |
CN109785385B (zh) | 视觉目标跟踪方法及系统 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN111126385A (zh) | 一种可变形活体小目标的深度学习智能识别方法 | |
CN112437451B (zh) | 一种基于生成对抗网络的无线网络流量预测方法和设备 | |
CN110334584B (zh) | 一种基于区域全卷积网络的手势识别方法 | |
CN111160407A (zh) | 一种深度学习目标检测方法及系统 | |
CN108537825B (zh) | 一种基于迁移学习回归网络的目标跟踪方法 | |
CN114781514A (zh) | 一种融合注意力机制的漂浮物目标检测方法及系统 | |
KR20210127069A (ko) | 융합 모델 신경망의 성능 제어 방법 | |
Jung et al. | Extension of convolutional neural network with general image processing kernels | |
CN112801204B (zh) | 基于自动神经网络的具有终身学习能力的高光谱分类方法 | |
Raveane et al. | Texture classification with neural networks | |
CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
CN111462046A (zh) | 基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法 | |
CN115984223A (zh) | 基于PCANet及多分类器融合的图像溢油检测方法 | |
CN112967267B (zh) | 一种全卷积神经网络的激光定向能量沉积溅射计数方法 | |
Vasylieva et al. | Automation Methods for Processing Medical Images Based on the Application of Grids. | |
Ali et al. | Crack segmentation network using Tversky loss function with variable alpha and beta | |
CN114612450A (zh) | 基于数据增广机器视觉的图像检测分割方法、系统、电子设备 | |
CN114723010A (zh) | 一种异步事件数据的自动学习增强方法及系统 | |
CN114898464A (zh) | 一种基于机器视觉的轻量化精准手指语智能算法识别方法 |
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 |