CN111507990B - 一种基于深度学习的隧道表面缺陷分割方法 - Google Patents
一种基于深度学习的隧道表面缺陷分割方法 Download PDFInfo
- Publication number
- CN111507990B CN111507990B CN202010311654.1A CN202010311654A CN111507990B CN 111507990 B CN111507990 B CN 111507990B CN 202010311654 A CN202010311654 A CN 202010311654A CN 111507990 B CN111507990 B CN 111507990B
- Authority
- CN
- China
- Prior art keywords
- training
- image
- network
- deep
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Abstract
本发明公开了一种基于深度学习的隧道表面缺陷分割方法,图像采集;图像预处理及数据集划分;网络构建,以深度残差网络为基础,将其最后的全连接层替换为卷积层;训练深度神经网络,初始化网络参数,设置初始学习率,将步骤二处理后得到的训练和验证集成批次输入深度卷积神经网络,每批次更新网络参数,设置训练停止条件,满足条件时停止训练,得到最终模型;用步骤四中训练好的模型对待检测的隧道表面图像实施分割,将隧道表面图像输入到深度神经网络,网络输出像素级缺陷分割结果图。本发明可以快速判断隧道表面图像是否有缺陷,并给出缺陷类别和缺陷所在的位置,具有效率高,准确率高,实用性强的优点。
Description
技术领域
本发明涉及一种隧道表面缺陷分割方法,特别是一种基于深度学习的隧道表面缺陷分割方法,属于计算机视觉、图像处理领域。
背景技术
隧道是重要的铁路设施,其状态好坏直接影响铁路行车安全及运输效能。随着我国铁路提速战略的实施,对列车的安全性提出了更高要求,同时,运行速度的提高和重载列车的开行,对轨道破坏作用加大,导致轨道状态的恶化加剧。因此,定期检测隧道,及早发现损坏并及时维修,避免事故发生,已成为铁路工作中的一项基础工作。
目前隧道表面缺陷检测技术手段主要有人工目测法、磁粉法和电涡流法,这些方法各自存在劣势。目测法劳动强度大、危险性高、费事费力、效率低且测量结果受主观影响大;磁粉法则有较高的操作成本,同时分类准确度低,检测速度低;电涡流法由于存在高频激励信号,使系统结构及信号处理较为复杂,而且检测效率比较低。因此,开发一种高精度,高效的隧道表面缺陷检测技术显得尤为重要。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的隧道表面缺陷分割方法,提高隧道表面缺陷检测的检测效果。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于深度学习的隧道表面缺陷分割方法,其特征在于包含以下步骤:
步骤一:图像采集;
步骤二:图像预处理及数据集划分;
步骤三:网络构建,以深度残差网络为基础,将其最后的全连接层替换为卷积层;
步骤四:训练深度神经网络,初始化网络参数,设置初始学习率,将步骤二处理后得到的训练和验证集成批次输入深度卷积神经网络,每批次更新网络参数,设置训练停止条件,满足条件时停止训练,得到最终模型;
步骤五:用步骤四中训练好的模型对待检测的隧道表面图像实施分割,将隧道表面图像输入到深度神经网络,网络输出像素级缺陷分割结果图。
进一步地,所述步骤一具体为使用拍摄装置采集大量的原始隧道表面图像,图像包含缺陷图片及无缺陷图片,隧道表面缺陷包括渗水、裂缝、脱落和缺损。
进一步地,所述步骤二具体为图像预处理过程包括:图像去噪、图像增强、图像裁剪及标注,采用旋转、缩放、切割等方法对图像进行扩充和增强,将扩充后的图像数据集的样本,80%作为训练集和验证集,20%作为测试集。
进一步地,所述图像预处理过程采用邻域加权平均算法对原始图像滤除干扰噪声,具体过程为
假设图像中某像素点的灰度为f(x,y),它的邻域S为M×N的矩形窗口,则用邻域加权平均算法进行滤波后,该像素点的灰度为:
根据灰度值设置不同像素点的权值w,采用邻域加权平均方法可以使得原图像在滤除噪声的同时保护裂缝细节。
进一步地,所述步骤三具体为构建深度神经网络,以深度残差网络为基础,将深度残差网络中特征提取部分替换为三层空洞卷积,第四至十五层均由大小为3*3的卷积核、非线性激活函数及最大池化层构成,而第十五至十六层由3*3的卷积核、非线性激活函数构成,所有网络层都包含残差连接,其中第八层包含1*1卷积层以融合多个通道输出识别结果,使用空洞卷积操作达到提升感受野的功能。
进一步地,所述步骤三构件的深度神经网络,在输入层至输出层之间设有依次连接的十六个卷积层,其中,前三个卷积层为空洞卷积层,后十一个卷积层均包括有依次连接的卷积核、激活函数以及最大池化层,第十五卷积层和第十六卷积层只包括依次连接的卷积核和激活函数。
进一步地,所述卷积层中每个神经元的权值矩阵被称为卷积核或滤波器,卷积核与输入之间是局部连接的,通过训练,卷积操作提取出图像中的语义特征;全卷积神经网络的第四至第十五卷积层的后面均连接了大小为2×2,步幅为2的最大池化层。
进一步地,所述激活函数采用非线性激活函数ReLu函数,ReLu函数为
f(x)=max(0,x) (2)
式(2)中,x为进入神经元的来自上一层神经网络的输入向量。
进一步地,所述步骤四具体为采用训练集的图像对构建的深度神经网络进行训练,通过迁移学习的方式设置模型的预训练值,经过前向传播后逐像素计算Softmax分类的损失,采用随机梯度下降法和反向传播算法进行权重的迭代更新,直到所构建模型的损失值趋向于收敛时,完成全卷积深度学习模型的训练。
进一步地,使用迁移学习的方法训练全卷积神经网络,将深度残差模型的预训练权重通过迁移学习的方式设置为构建的全卷积神经网络的预训练值,训练过程中,建立基于Pytorch深度学习库搭建的损失函数和优化器;使用交叉熵函数作为损失函数,所述损失函数为其中i表示图像中的像素点,n表示图像像素点的总数,ytrue表示期望输出,ypred表示实际输出;使用Adam及SGD作为网络权重优化方法,预设最大迭代训练轮数为800轮;训练参数设置为:预设训练最大迭代800轮,minibatch为24张训练数据,前100次学习率为0.01,后每一百轮下降一半,momentum设置为0.9。
本发明与现有技术相比,具有以下优点和效果:本发明可以快速判断隧道表面图像是否有缺陷,并给出缺陷类别和缺陷所在的位置,完成对隧道表面图像中缺陷的自动分析,节省人力成本并排除人为主观因素的干扰;通过残差连接使用空洞卷积操作达到提升感受野的功能,提升特征图的细节保留效果,以提高缺陷分割精度,具有效率高,准确率高,实用性强的优点。
附图说明
图1是本发明的一种基于深度学习的隧道表面缺陷分割方法的流程图。
图2是本发明的深度神经网络结构示意图。
图3是本发明的空洞卷积操作的示意图。
图4是本发明实施例的处理结果示意图。
具体实施方式
为了进一步阐明本发明的工作原理和工作过程,下面结合附图与具体实施例对本发明方法做详细的介绍。
如图1所示,本发明的一种基于深度学习的隧道表面缺陷分割方法,其特征在于包含以下步骤:
步骤一:图像采集;使用拍摄装置采集大量的原始隧道表面图像。
图像采集过程全面,包括隧道不同区域的样本图片,亦包括含缺陷图片及无缺陷图片,隧道表面缺陷包括:渗水,裂缝,脱落,缺损等。
步骤二:图像预处理及数据集划分;
图像预处理过程包括:图像去噪、图像增强、图像裁剪及标注,采用旋转、缩放、切割等方法对图像进行扩充和增强,将扩充后的图像数据集的样本,80%作为训练集和验证集,20%作为测试集。使用标注工具对图像中缺陷区域进行标注,使用程序将标注后的图像转换为只含有有限类整数的标签图像,用于模型的训练。
图像预处理过程采用邻域加权平均算法对原始图像滤除干扰噪声,具体过程为
假设图像中某像素点的灰度为f(x,y),它的邻域S为M×N的矩形窗口,则用邻域加权平均算法进行滤波后,该像素点的灰度为:
根据灰度值设置不同像素点的权值w,采用邻域加权平均方法可以使得原图像在滤除噪声的同时保护裂缝细节。
步骤三:网络构建,以深度残差网络为基础,将其最后的全连接层替换为卷积层;
构建深度神经网络,以深度残差网络为基础,将深度残差网络中特征提取部分替换为三层空洞卷积,第四至十五层均由大小为3*3的卷积核、非线性激活函数及最大池化层构成,而第十五至十六层由3*3的卷积核、非线性激活函数构成,所有网络层都包含残差连接,其中第八层包含1*1卷积层以融合多个通道输出识别结果,使用空洞卷积操作达到提升感受野的功能,提升特征图的细节保留效果,以提高缺陷分割精度。构件的深度神经网络,在输入层至输出层之间设有依次连接的十六个卷积层,其中,前三个卷积层为空洞卷积层,后十一个卷积层均包括有依次连接的卷积核、激活函数以及最大池化层,第十五卷积层和第十六卷积层只包括依次连接的卷积核和激活函数。
卷积层中每个神经元的权值矩阵被称为卷积核或滤波器,卷积核与输入之间是局部连接的,通过训练,卷积操作提取出图像中的语义特征。池化(pooling)是机器学习领域中的常见操作,指的是将不同位置的特征进行聚合。通过池化,不仅可以降低特征的维数,还可以提高特征的鲁棒性。本发明中全卷积神经网络的第四至第十五卷积层的后面均连接了大小为2×2,步幅为2的最大池化层。
激活函数优选采用非线性激活函数,本实施例中采用ReLu函数,ReLu函数为:
f(x)=max(0,x) (2)
式(2)中,x为进入神经元的来自上一层神经网络的输入向量。
相较于传统的激活函数,ReLu的单边抑制更符合生物学观点,ReLu可以获得稀疏表达,比传统Sigmoid激活函数的性能更好。本实施例采用ReLu激活函数实现用线性计算代替指数计算,可有效降低本方案中卷积层的计算量,加快本方案中全卷积神经网络的计算速度。
本实施例构建的深度神经网络中,首先对输入的原始图像进行空洞卷积以提取高精度特征:使用扩张率为1的空洞卷积DilConv_1生成第一层特征f1,其感受野为3*3,然后使用扩张率为2的空洞卷积DilConv_2处理f1生成第二层特征f2,其感受野为7*7,使第一次空洞卷积的卷积核大小等于第二次空洞卷积的一个像素点的感受野,第二次空洞卷积的整个卷积核大小等于第三次空洞卷积DilConv_3的一个像素点的感受野,生成第三层特征f3,其感受野为15*15;在三层空洞卷积操作之后,利用边界补全操作,实施十三层特征尺度不变的卷积操作,最后利用1*1卷积融合多通道结果,得到最终的分割结果。
步骤四:训练深度神经网络,初始化网络参数,设置初始学习率,将步骤二处理后得到的训练和验证集成批次输入深度卷积神经网络,每批次更新网络参数,设置训练停止条件,满足条件时停止训练,得到最终模型;
采用所述训练集的图像对步骤三构建的深度神经网络进行训练,通过迁移学习的方式设置模型的预训练值,经过前向传播后逐像素计算Softmax分类的损失,采用随机梯度下降法和反向传播算法进行权重的迭代更新,直到所构建模型的损失值趋向于收敛时,完成全卷积深度学习模型的训练。
使用迁移学习的方法训练全卷积神经网络,将深度残差模型的预训练权重通过迁移学习的方式设置为步骤三构建的全卷积神经网络的预训练值,训练过程中,建立基于Pytorch深度学习库搭建的损失函数和优化器;使用交叉熵函数作为损失函数,所述损失函数为其中i表示图像中的像素点,n表示图像像素点的总数,ytrue表示期望输出,ypred表示实际输出;使用Adam及SGD作为网络权重优化方法,预设最大迭代训练轮数为800轮。
步骤四的训练参数设置为:预设训练最大迭代800轮,minibatch为24张训练数据,前100次学习率为0.01,后每一百轮下降一半,momentum设置为0.9。
如图4所示,将图1输入本实施例全卷积深度学习模型的自动化识别的结果。本实施例搭建的全卷积深度学习模型具有良好识别准确度。
步骤五:图像识别:将一幅待分割的图像输入通过测试和验证的深度学习模型中,自动化提取图像中的缺陷区域。用步骤四中训练好的模型对待检测的隧道表面图像实施分割,将隧道表面图像输入到深度神经网络,网络输出像素级缺陷分割结果图。
本发明可以快速判断隧道表面图像是否有缺陷,并给出缺陷类别和缺陷所在的位置,完成对隧道表面图像中缺陷的自动分析,节省人力成本并排除人为主观因素的干扰;通过残差连接使用空洞卷积操作达到提升感受野的功能,提升特征图的细节保留效果,以提高缺陷分割精度,具有效率高,准确率高,实用性强的优点。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。
Claims (7)
1.一种基于深度学习的隧道表面缺陷分割方法,其特征在于包含以下步骤:
步骤一:图像采集;
步骤二:图像预处理及数据集划分;
步骤三:网络构建,以深度残差网络为基础,将其最后的全连接层替换为卷积层;
所述步骤三具体为构建深度神经网络,以深度残差网络为基础,将深度残差网络中特征提取部分替换为三层空洞卷积,第四至十五层均由大小为3*3的卷积核、非线性激活函数及最大池化层构成,而第十五至十六层由3*3的卷积核、非线性激活函数构成,所有网络层都包含残差连接,其中第八层包含1*1卷积层以融合多个通道输出识别结果,使用空洞卷积操作达到提升感受野的功能;
所述步骤三构件的深度神经网络,在输入层至输出层之间设有依次连接的十六个卷积层,其中,前三个卷积层为空洞卷积层,后十一个卷积层均包括有依次连接的卷积核、激活函数以及最大池化层,第十五卷积层和第十六卷积层只包括依次连接的卷积核和激活函数;
所述卷积层中每个神经元的权值矩阵被称为卷积核或滤波器,卷积核与输入之间是局部连接的,通过训练,卷积操作提取出图像中的语义特征;全卷积神经网络的第四至第十五卷积层的后面均连接了大小为2×2,步幅为2的最大池化层;
步骤四:训练深度神经网络,初始化网络参数,设置初始学习率,将步骤二处理后得到的训练和验证集成批次输入深度卷积神经网络,每批次更新网络参数,设置训练停止条件,满足条件时停止训练,得到最终模型;
步骤五:用步骤四中训练好的模型对待检测的隧道表面图像实施分割,将隧道表面图像输入到深度神经网络,网络输出像素级缺陷分割结果图。
2.按照权利要求1所述的一种基于深度学习的隧道表面缺陷分割方法,其特征在于:所述步骤一具体为使用拍摄装置采集大量的原始隧道表面图像,图像包含缺陷图片及无缺陷图片,隧道表面缺陷包括渗水、裂缝、脱落和缺损。
3.按照权利要求1所述的一种基于深度学习的隧道表面缺陷分割方法,其特征在于:所述步骤二具体为图像预处理过程包括:图像去噪、图像增强、图像裁剪及标注,采用旋转、缩放、切割方法对图像进行扩充和增强,将扩充后的图像数据集的样本,80%作为训练集和验证集,20%作为测试集。
5.按照权利要求1所述的一种基于深度学习的隧道表面缺陷分割方法,其特征在于:所述激活函数采用非线性激活函数ReLu函数,ReLu函数为
f(x)=max(0,x) (2)
式(2)中,x为进入神经元的来自上一层神经网络的输入向量。
6.按照权利要求1所述的一种基于深度学习的隧道表面缺陷分割方法,其特征在于:所述步骤四具体为采用训练集的图像对构建的深度神经网络进行训练,通过迁移学习的方式设置模型的预训练值,经过前向传播后逐像素计算Softmax分类的损失,采用随机梯度下降法和反向传播算法进行权重的迭代更新,直到所构建模型的损失值趋向于收敛时,完成全卷积深度学习模型的训练。
7.按照权利要求6所述的一种基于深度学习的隧道表面缺陷分割方法,其特征在于:使用迁移学习的方法训练全卷积神经网络,将深度残差模型的预训练权重通过迁移学习的方式设置为构建的全卷积神经网络的预训练值,训练过程中,建立基于Pytorch深度学习库搭建的损失函数和优化器;使用交叉熵函数作为损失函数,所述损失函数为其中i表示图像中的像素点,n表示图像像素点的总数,ytrue表示期望输出,ypred表示实际输出;使用Adam及SGD作为网络权重优化方法,预设最大迭代训练轮数为800轮;训练参数设置为:预设训练最大迭代800轮,minibatch为24张训练数据,前100次学习率为0.01,后每一百轮下降一半,momentum设置为0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311654.1A CN111507990B (zh) | 2020-04-20 | 2020-04-20 | 一种基于深度学习的隧道表面缺陷分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311654.1A CN111507990B (zh) | 2020-04-20 | 2020-04-20 | 一种基于深度学习的隧道表面缺陷分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507990A CN111507990A (zh) | 2020-08-07 |
CN111507990B true CN111507990B (zh) | 2022-02-11 |
Family
ID=71877692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010311654.1A Active CN111507990B (zh) | 2020-04-20 | 2020-04-20 | 一种基于深度学习的隧道表面缺陷分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507990B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070720A (zh) * | 2020-08-11 | 2020-12-11 | 国网河北省电力有限公司保定供电分公司 | 一种基于深度学习模型的变电站设备缺陷识别方法 |
CN111968095B (zh) * | 2020-08-19 | 2022-08-02 | 成都数之联科技股份有限公司 | 一种产品表面缺陷检测方法及系统及装置及介质 |
CN114266716B (zh) * | 2020-09-15 | 2024-04-02 | 复旦大学 | 基于深度学习的盾构隧道墙面渗漏水风险检测的方法 |
CN112053354B (zh) * | 2020-09-15 | 2024-01-30 | 上海应用技术大学 | 一种轨道板裂缝检测方法 |
CN112330593A (zh) * | 2020-10-10 | 2021-02-05 | 南京理工大学 | 基于深度学习网络的建筑物表面裂缝检测方法 |
CN112233776A (zh) * | 2020-11-09 | 2021-01-15 | 江苏科技大学 | 基于视觉渐近式空洞网络的皮肤病自学习辅助判定系统 |
CN112561857A (zh) * | 2020-11-17 | 2021-03-26 | 上海伯镭智能科技有限公司 | 一种基于无人机的光伏板灰尘检测系统及检测方法 |
CN112634219B (zh) * | 2020-12-17 | 2024-02-20 | 五邑大学 | 一种金属表面缺陷检测方法、系统、装置和存储介质 |
CN112488119A (zh) * | 2020-12-18 | 2021-03-12 | 山西省信息产业技术研究院有限公司 | 基于双深度学习模型的隧道掉块或渗水检测及测量方法 |
CN112734734A (zh) * | 2021-01-13 | 2021-04-30 | 北京联合大学 | 一种基于改进残差网络的铁路隧道裂缝检测方法 |
CN113362277A (zh) * | 2021-04-26 | 2021-09-07 | 辛米尔视觉科技(上海)有限公司 | 一种基于深度学习的工件表面缺陷检测和分割方法 |
CN113362303A (zh) * | 2021-06-03 | 2021-09-07 | 长沙理工大学 | 一种基于双流cnn模型的太阳能网版缺陷检测办法 |
CN113554589B (zh) * | 2021-06-04 | 2023-05-02 | 奕目(上海)科技有限公司 | 基于深度学习的半导体芯片金线分割方法及系统 |
CN113221844B (zh) * | 2021-06-07 | 2022-02-15 | 山东建筑大学 | 基于深度学习的掌纹细节点真伪甄别方法及系统 |
CN114654315A (zh) * | 2022-02-17 | 2022-06-24 | 杭州深度视觉科技有限公司 | 一种圆锥滚子基面磨削不良的机器视觉检测系统及方法 |
CN114612444B (zh) * | 2022-03-16 | 2023-02-03 | 南京航空航天大学 | 一种基于渐进式分割网络的细微缺陷分析方法 |
CN115713533B (zh) * | 2023-01-10 | 2023-06-06 | 佰聆数据股份有限公司 | 基于机器视觉的电力设备表面缺陷检测方法及装置 |
CN116775871A (zh) * | 2023-06-15 | 2023-09-19 | 南京航空航天大学 | 基于seBERT预训练模型的深度学习软件缺陷报告分类方法 |
CN117078692B (zh) * | 2023-10-13 | 2024-02-06 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于自适应特征融合的医疗超声图像分割方法及系统 |
CN117095245A (zh) * | 2023-10-19 | 2023-11-21 | 阿法龙(山东)科技有限公司 | 一种基于深度学习的无缝钢管小样本学习方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909564A (zh) * | 2017-10-23 | 2018-04-13 | 昆明理工大学 | 一种基于深度学习的全卷积网络图像裂纹检测方法 |
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
CN109035269A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种宫颈细胞病理切片病变细胞分割方法及系统 |
CN109408985A (zh) * | 2018-11-01 | 2019-03-01 | 哈尔滨工业大学 | 基于计算机视觉的桥梁钢结构裂缝精准识别方法 |
CN109635642A (zh) * | 2018-11-01 | 2019-04-16 | 浙江科技学院 | 一种基于残差网络和扩张卷积的道路场景分割方法 |
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 |
CN111028217A (zh) * | 2019-12-10 | 2020-04-17 | 南京航空航天大学 | 一种基于全卷积神经网络的图像裂缝分割方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2018352203B2 (en) * | 2017-10-16 | 2021-09-30 | Illumina, Inc. | Semi-supervised learning for training an ensemble of deep convolutional neural networks |
CN109559298A (zh) * | 2018-11-14 | 2019-04-02 | 电子科技大学中山学院 | 一种基于深度学习的乳液泵缺陷检测的方法 |
US10426442B1 (en) * | 2019-06-14 | 2019-10-01 | Cycle Clarity, LLC | Adaptive image processing in assisted reproductive imaging modalities |
CN110490205B (zh) * | 2019-07-23 | 2021-10-12 | 浙江科技学院 | 基于全残差空洞卷积神经网络的道路场景语义分割方法 |
CN110706242B (zh) * | 2019-08-26 | 2022-05-03 | 浙江工业大学 | 一种基于深度残差网络的对象级边缘检测方法 |
CN110782462B (zh) * | 2019-10-30 | 2022-08-09 | 浙江科技学院 | 一种基于双流特征融合的语义分割方法 |
CN110827260B (zh) * | 2019-11-04 | 2023-04-21 | 燕山大学 | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 |
-
2020
- 2020-04-20 CN CN202010311654.1A patent/CN111507990B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909564A (zh) * | 2017-10-23 | 2018-04-13 | 昆明理工大学 | 一种基于深度学习的全卷积网络图像裂纹检测方法 |
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
CN109035269A (zh) * | 2018-07-03 | 2018-12-18 | 怀光智能科技(武汉)有限公司 | 一种宫颈细胞病理切片病变细胞分割方法及系统 |
CN109408985A (zh) * | 2018-11-01 | 2019-03-01 | 哈尔滨工业大学 | 基于计算机视觉的桥梁钢结构裂缝精准识别方法 |
CN109635642A (zh) * | 2018-11-01 | 2019-04-16 | 浙江科技学院 | 一种基于残差网络和扩张卷积的道路场景分割方法 |
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 |
CN111028217A (zh) * | 2019-12-10 | 2020-04-17 | 南京航空航天大学 | 一种基于全卷积神经网络的图像裂缝分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111507990A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507990B (zh) | 一种基于深度学习的隧道表面缺陷分割方法 | |
CN109035233B (zh) | 视觉注意力网络系统及工件表面缺陷检测方法 | |
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
CN111028217A (zh) | 一种基于全卷积神经网络的图像裂缝分割方法 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN111612758A (zh) | 一种基于卷积神经网络的隧道表面缺陷检测方法 | |
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN110728654A (zh) | 一种基于深度残差神经网络的管道自动检测和分类方法 | |
CN108460764A (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
CN111507998A (zh) | 基于深度级联的多尺度激励机制隧道表面缺陷分割方法 | |
CN112329588B (zh) | 一种基于Faster R-CNN的管道故障检测方法 | |
CN110610475A (zh) | 一种深度卷积神经网络的视觉缺陷检测方法 | |
CN111008959A (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
CN111833310B (zh) | 一种基于神经网络架构搜索的表面缺陷分类方法 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN111507972A (zh) | 结合卷积神经网络和支持向量机的隧道表面缺陷检测方法 | |
CN111598854B (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN112991271A (zh) | 基于改进yolov3的铝型材表面缺陷视觉检测方法 | |
CN111860290A (zh) | 一种激光熔覆过程中裂纹识别的方法 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN114092467A (zh) | 一种基于轻量化卷积神经网络的划痕检测方法及系统 | |
CN115631186B (zh) | 一种基于双分支神经网络的工业元件表面缺陷检测方法 | |
CN116342542A (zh) | 一种基于轻量级神经网络的钢铁产品表面缺陷检测方法 | |
CN111311515A (zh) | 一种错误区域自动检测的深度图像快速迭代修复方法 |
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 |