CN111553373A - 一种基于cnn+svm的压力气泡图像识别算法 - Google Patents
一种基于cnn+svm的压力气泡图像识别算法 Download PDFInfo
- Publication number
- CN111553373A CN111553373A CN202010367036.9A CN202010367036A CN111553373A CN 111553373 A CN111553373 A CN 111553373A CN 202010367036 A CN202010367036 A CN 202010367036A CN 111553373 A CN111553373 A CN 111553373A
- Authority
- CN
- China
- Prior art keywords
- bubble
- cnn
- svm
- image
- pressure
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于CNN+SVM的压力气泡图像识别算法,包括如下步骤:读取高精度数值模拟出结果的气泡压力图像,而后进行灰度处理与数据增强,构建气泡压力图像数据集;构建卷积神经网络CNN,将气泡压力图像数据集带入,进行训练,并保存训练好的CNN模型;将模拟出需要进行识别的气泡压力图像带入训练好的CNN模型,得到该CNN模型提取的特征向量;提取具有明确特征意义的气泡压力图像的特征;将特征向量和特征进行融合,并进行归一化,得到气泡压力图像的特征数据集,并按照80%、20%的比例制作训练集和测试集;将训练集的特征数据送入到SVM进行训练,得到SVM模型;将测试集的特征数据送入到训练好的SVM模型中,进行预测,得到预测结果。
Description
技术领域
本发明涉及一种压力气泡图像的识别算法,具体涉及一种基于CNN+SVM的压力气泡图像识别算法。
背景技术
流场的压力分布是流体运动的重要动力学特征,它决定了流场中物体的受力情况,同时也是流激噪声的重要来源,在流体诱发振动与噪声的许多工程应用问题中都备受关注。例如,对于湍流流动、空腔流动和气动声学现象而言,脉动压力的测量都是至关重要的。常见的壁面压力测量方法包括压力传感器技术、压敏涂层测压技术和滤波瑞利散射技术(Filtered Rayleigh Scattering,FRS)等。传统的测压技术受制于接触式测量、非瞬时测量和有限点测量三个主要缺陷,已经不能满足流场动力学现象的研究。虽然基于粒子图像测速技术(PIV)瞬时速度场重构压力场的方法近年来也有所发展,但是该测量方法测试需要使用大量示踪粒子,价格昂贵,且普遍认为利用PIV测量结果重构压力场精度较低。因此,研究出一种普适性的空间脉动压力测量方法是十分必要的。
气泡对环境压力变化的响应一直是科学研究的热点。气泡在液体中的运动过程是一个非线性、复杂、不稳定的动力过程,其形态必然与周围压力场的变化息息相关。Ooi和Acosta[1]在试图求解水射流中的压力波动时,首先提出利用微气泡作为压力传感器的想法,并通过实验初步验证了该想法。基于射流内压力和速度波动的特征光谱100μm直径气泡的共振频率之间的比较,得出气泡具有准稳态响应的特性,即气泡在任何时间下都与环境处于平衡状态。微气泡流动跟随性好、存在时间长、花费代价小且不影响流场流动特性。然而在大部分微气泡流场显示技术中,往往只关注该种微米量级气泡的运动轨迹,而忽略其形态变化。如果能将微气泡的准稳态响应特性与其周围脉动压力相结合,则必然能通过微气泡形态变化揭示其周围脉动压力。微气泡的测量主要采用光学法,分为高速摄像法、激光全息法、激光散射法。通常的方法是利用高速相机实时记录二维图像,这种方法不仅可以测量气泡大小(如半径),还可以得到气泡的实际形状。由于气泡尺度很小,我们需要在气泡和相机之间加一个显微镜,目前长距离显微镜已经可以将水中的气泡进行有效的放大。由于气泡形状变化较小,需要较高的相机采样频率才能观察到气泡形状的连续变化,最后会采集到大量微气泡图像结果。但是目前没有相关的图像算法可以用于确定气泡形态和脉动压力之间的定量关系,发展一种高效的且适用于微气泡形态变化测量的图像处理方法是十分必要的。
在实际应用场景中,工业摄像机采集到的图像往往包含大量的无关背景内容,目标检测包括目标识别与定位两个任务,传统的方法通常是人工提取特征来对目标进行检测,对于每一类的目标都需要人工设计特征,显然不能满足种类繁多的检测任务的要求。近年来随着硬件工艺及技术的提升,深度学习理论和研究迅速发展,其在小尺度图像高精度识别方面具有独特优势。其中在图像领域,采用多卷积核、权值共享的卷积神经网络能从大量训练数据中自动学习图像高维特征,相比人工设计的特征,卷积神经网络学习的特征更为丰富,表达能力更强。通过计算机对图像进行处理、分析与理解,识别各种模式的目标和对象,是模式识别领域的重要研究目标,其中特征的选择与构建在整个模式识别系统中具有举足轻重的地位。随着计算机性能的不断提升,深度学习已经成为模式识别领域的研究热点。深度学习与传统模式识别方法的最大不同在于它所采用的特征是从大数据中自动学习得到,通过组合低层特征形成更加抽象的高层表示属性类别或特征。以卷积神经网络(CNN)为代表的监督学习及各种改进算法ConvNet、CDBN、DeCFA被广泛应用到图像分类、视频分析、自然语言处理等任务中。
此外,球栅阵列封装(BallGridArray,BGA)技术已经广泛应用于印刷电路板(PrintedCircuitBoard,PCB)的生产当中。在BGA封装过程中,不可避免地出现各种各样的缺陷,气泡缺陷便是其中一种。
现有技术如下:
1.申请号为201810189754.4的一种基于深度学习的BGA气泡缺陷图像检测方法,包括如下步骤:步骤1:筛选出有气泡缺陷的BGA图像,并对图像进行标定,获得标签图像集;步骤2:建立全卷积网络,利用步骤1获得的标签图像集训练全卷积网络,训练获得全卷积网络模型;步骤3:将待检测的BGA图像输入至步骤2获得的全卷积网络模型进行检测,输出图像分类结果。
2.申请号为201610301428.9的一种气泡图像识别方法,以实现气泡与固态悬浮物的准确区分,从而为气泡粒径的计算提供准确的气泡图像。步骤包括1、利用已知的气泡轮廓样本生成气泡库;2、采集待测水体的气泡悬浮物图像,提取出其中的气泡轮廓和悬浮物轮廓;3、对提取出的每一个气泡轮廓和悬浮物轮廓利用相似度比较法与气泡库中的气泡轮廓样本进行比较,筛选出相似度大于设定阈值的轮廓判定为疑似气泡轮廓;4、对每一个疑似气泡轮廓进行灰度统计,将灰度值从轮廓的中心向边缘逐渐变小的轮廓判定为气泡轮廓。
3.申请号为201310529870.3的一种微气泡尺寸在线测量装置及方法,可应用于多相流中微气泡尺寸在线测量。测量装置由摄像头,显微镜,微气泡采样装置,光源系统,微型计算机和分析软件组成。该装置采用倾斜观测的成像质量,结合域值分割和形状因子识别气泡,保证微气泡图像快速处理。
综上,现有技术存在采集数据麻烦、不能为深度学习提供足够的样本等问题,此外,精度和灵敏度都较差,并且操作麻烦,因此,需要设计一种能够解决上述问题的方法。
[1]K.K.Ooi,A.J.ACOSTA,The utilization ofspecially tailored airbubbles as static pressure sensors in ajet.Trans.ASME I:J.Fluids Engng 106(4):45-65,1983.
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于CNN+SVM的压力气泡图像识别算法。
本发明提供了一种基于CNN+SVM的压力气泡图像识别算法,具有这样的特征,包括如下步骤:步骤1,读取高精度数值模拟出结果的气泡压力图像,而后进行灰度处理与数据增强,构建气泡压力图像数据集;步骤2,构建卷积神经网络CNN,将气泡压力图像数据集带入,进行训练,并保存训练好的CNN模型;步骤3,将模拟出需要进行识别的气泡压力图像带入训练好的CNN模型,得到该CNN模型提取的特征向量;步骤4,提取具有明确特征意义的气泡压力图像的特征;步骤5,将步骤3提取到的特征向量和步骤4提取到的特征进行融合,并进行归一化,得到气泡压力图像的特征数据集,并按照80%、20%的比例制作训练集和测试集;步骤6,将训练集的特征数据送入到SVM进行训练,得到SVM模型;步骤7,将测试集的特征数据送入到训练好的SVM模型中,进行预测,得到预测结果。
在本发明提供的基于CNN+SVM的压力气泡图像识别算法中,还可以具有这样的特征:其中,步骤1中的高精度数值模拟采用大涡模拟LES。
在本发明提供的基于CNN+SVM的压力气泡图像识别算法中,还可以具有这样的特征:其中,步骤1中的数据增强具体操作如下:将图片进行镜面翻转,分别在90度、180度、270度的角度下进行翻转,增加样本量。
在本发明提供的基于CNN+SVM的压力气泡图像识别算法中,还可以具有这样的特征:其中,步骤2中的卷积神经网络CNN的模型结构包含4个交替的卷积层和池化层、1个全连接层以及输出层,第一个卷积层的过滤器大小为Conv(5*5*32),第二个卷积层的过滤器大小为Conv(3*3*128),第三个卷积层的过滤器大小为Conv(3*3*256),第四个卷积层的过滤器大小为Conv(3*3*512),4个池化层的过滤器均为Maxpool(2*2),全连接层输出1024维特征向量,输出层采用softmax函数,并以交叉熵作为优化目标。
在本发明提供的基于CNN+SVM的压力气泡图像识别算法中,还可以具有这样的特征:其中,步骤4中的特征包括:气泡边缘的长和宽、气泡面积、气泡形状以及流场中气泡的压力。
发明的作用与效果
根据本发明所涉及的基于CNN+SVM的压力气泡图像识别算法,采用了大涡模拟气泡图像,图像精度高,采集数据较为简单,只需将图像传入模型,即可提取气泡特征;且本发明融合了CNN模型结构特征和具有明确特征意义的特征,避免了因特征提取不充分而导致的压力图像错误分类的情况,有效地提高了压力图像识别的鲁棒性。
此外,本发明的基于CNN+SVM的压力气泡图像识别算法,区别于传统气泡测量方法,使用深度学习方法,采用创新的高精度大涡模拟LES建立学习样本库,利用LES模拟得到精确的气泡形变和周围脉动压力的耦合信息,并且能方便地提供多工况下的仿真结果。利用LES模拟不同工况下三维湍流场中单个气泡的力学特性及其与周围压力变化的关系,所得的仿真图像可为深度学习提供足够的样本。另外,基于LES模拟的精确性和深度学习图像处理的高效性等几点的考量,本发明结合了大涡模拟和深度学习的高精度、高灵敏度、造价低且操作简单等优点,提供了一种空间脉动压力测量新方法。
附图说明
图1是本发明的实施例中基于CNN+SVM的压力气泡图像识别算法的流程图;
图2是本发明的实施例中气泡压力图像的灰度处理示意图;
图3是本发明的实施例中卷积神经网络CNN的模型结构示意图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解,以下结合实施例及附图对本发明作具体阐述。
实施例:
本实施例的一种基于CNN+SVM的压力气泡图像识别算法,其特征在于,包括如下步骤:
步骤1,读取高精度数值模拟出结果的气泡压力图像,而后进行灰度处理与数据增强,构建气泡压力图像数据集。
本实施例中,高精度数值模拟采用大涡模拟LES或其他高精度的数值模拟,且数据增强具体操作为:180度、270度的角度下进行翻转,增加样本量。
步骤2,构建卷积神经网络CNN,将气泡压力图像数据集带入,进行训练,并保存训练好的CNN模型。
本实施例中,步骤2中的所述卷积神经网络CNN的模型结构包含4个交替的卷积层和池化层、1个全连接层以及1个输出层,第一个所述卷积层的过滤器大小为Conv(5*5*32),第二个所述卷积层的过滤器大小为Conv(3*3*128),第三个所述卷积层的过滤器大小为Conv(3*3*256),第四个所述卷积层的过滤器大小为Conv(3*3*512),4个所述池化层的过滤器均为Maxpool(2*2),所述全连接层输出1024维特征向量,所述输出层采用softmax函数,并以交叉熵作为优化目标。
其中,Softmax函数多用于分类过程,它将多个神经元的输出映射到(0,1)区间内。softmax的公式为:Softmax应用于神经网络最后一层,其优点是计算简单,在计算损失时计算量小。计算过程中通过梯度下降,每次优化一个step的梯度,在这个过程中,用了softmax函数之后,梯度求导过程非常方便。计算中对梯度更新,需要定义损失函数,在分类问题中用交叉熵作为损失函数。交叉熵的函数形式其中,yi为真实值,a为softmax函数求出的值。
步骤3,将模拟出需要进行识别的气泡压力图像带入训练好的所述CNN模型,得到该CNN模型提取的特征向量。
步骤4,提取具有明确特征意义的所述气泡压力图像的特征。
本实施例中,特征包括:气泡边缘的长和宽、气泡面积、气泡形状以及流场中气泡的压力。
步骤5,将步骤3提取到的所述特征向量和步骤4提取到的所述特征进行融合,并进行归一化,得到所述气泡压力图像的特征数据集,并按照80%、20%的比例制作训练集和测试集。
步骤6,将所述训练集的特征数据送入到SVM进行训练,得到SVM模型。
步骤7,将所述测试集的特征数据送入到训练好的所述SVM模型中,进行预测,得到预测结果。
实施例的作用与效果
根据本实施例所涉及的基于CNN+SVM的压力气泡图像识别算法,采用了大涡模拟气泡图像,图像精度高,采集数据较为简单,只需将图像传入模型,即可提取气泡特征;且本实施例融合了CNN模型结构特征和具有明确特征意义的特征,避免了因特征提取不充分而导致的压力图像错误分类的情况,有效地提高了压力图像识别的鲁棒性。
此外,本实施例的基于CNN+SVM的压力气泡图像识别算法,区别于传统气泡测量方法,使用深度学习方法,采用创新的高精度大涡模拟LES建立学习样本库,利用LES模拟得到精确的气泡形变和周围脉动压力的耦合信息,并且能方便地提供多工况下的仿真结果。利用LES模拟不同工况下三维湍流场中单个气泡的力学特性及其与周围压力变化的关系,所得的仿真图像可为深度学习提供足够的样本。另外,基于LES模拟的精确性和深度学习图像处理的高效性等几点的考量,本发明结合了大涡模拟和深度学习的高精度、高灵敏度、造价低且操作简单等优点,提供了一种空间脉动压力测量新方法。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (5)
1.一种基于CNN+SVM的压力气泡图像识别算法,其特征在于,包括如下步骤:
步骤1,读取高精度数值模拟出结果的气泡压力图像,而后进行灰度处理与数据增强,构建气泡压力图像数据集;
步骤2,构建卷积神经网络CNN,将所述气泡压力图像数据集带入,进行训练,并保存训练好的CNN模型;
步骤3,将模拟出需要进行识别的气泡压力图像数据带入训练好的所述CNN模型,得到该CNN模型提取的特征向量;
步骤4,提取具有明确特征意义的所述气泡压力图像的特征;
步骤5,将步骤3提取到的所述特征向量和步骤4提取到的所述特征进行融合,并进行归一化,得到所述气泡压力图像的特征数据集,并按照80%、20%的比例制作训练集和测试集;
步骤6,将所述训练集的特征数据送入到SVM进行训练,得到SVM模型;
步骤7,将所述测试集的特征数据送入到训练好的所述SVM模型中,进行预测,得到预测结果。
2.根据权利要求1所述的基于CNN+SVM的压力气泡图像识别算法,其特征在于:
其中,所述步骤1中的所述高精度数值模拟采用大涡模拟LES。
3.根据权利要求1所述的基于CNN+SVM的压力气泡图像识别算法,其特征在于:
其中,所述步骤1中的数据增强具体操作如下:
将图片进行镜面翻转,分别在90度、180度、270度的角度下进行翻转,增加样本量。
4.根据权利要求1所述的基于CNN+SVM的压力气泡图像识别算法,其特征在于:
其中,所述步骤2中的所述卷积神经网络CNN的模型结构包含4个交替的卷积层和池化层、1个全连接层以及1个输出层,
第一个所述卷积层的过滤器大小为Conv(5*5*32),第二个所述卷积层的过滤器大小为Conv(3*3*128),第三个所述卷积层的过滤器大小为Conv(3*3*256),第四个所述卷积层的过滤器大小为Conv(3*3*512),
4个所述池化层的过滤器均为Maxpool(2*2),
所述全连接层输出1024维特征向量,
所述输出层采用softmax函数,并以交叉熵作为优化目标。
5.根据权利要求1所述的基于CNN+SVM的压力气泡图像识别算法,其特征在于:
其中,所述步骤4中的所述特征包括:气泡边缘的长和宽、气泡面积、气泡形状以及流场中气泡的压力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367036.9A CN111553373B (zh) | 2020-04-30 | 2020-04-30 | 一种基于cnn+svm的压力气泡图像识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367036.9A CN111553373B (zh) | 2020-04-30 | 2020-04-30 | 一种基于cnn+svm的压力气泡图像识别算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553373A true CN111553373A (zh) | 2020-08-18 |
CN111553373B CN111553373B (zh) | 2023-04-07 |
Family
ID=72002631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010367036.9A Active CN111553373B (zh) | 2020-04-30 | 2020-04-30 | 一种基于cnn+svm的压力气泡图像识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553373B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711897A (zh) * | 2021-03-26 | 2021-04-27 | 浙江大学 | 一种压力场的计算方法和设备,及存储介质 |
CN113313000A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种基于光学图像的气液两相流智能识别方法 |
CN114509203A (zh) * | 2022-04-21 | 2022-05-17 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种试验模型表面psp测量压力的融合方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030230139A1 (en) * | 2002-06-12 | 2003-12-18 | Liang Kenneth K. | Ultrasonic cylindrical resonator to facilitate bubble point pressure measurement |
CN106990166A (zh) * | 2017-04-05 | 2017-07-28 | 江苏大学 | 一种水力机械空化与气液两相流监测方法和装置 |
CN110781601A (zh) * | 2019-11-01 | 2020-02-11 | 清华大学 | 一种气液混输泵内气泡尺寸的数值预测方法 |
-
2020
- 2020-04-30 CN CN202010367036.9A patent/CN111553373B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030230139A1 (en) * | 2002-06-12 | 2003-12-18 | Liang Kenneth K. | Ultrasonic cylindrical resonator to facilitate bubble point pressure measurement |
CN106990166A (zh) * | 2017-04-05 | 2017-07-28 | 江苏大学 | 一种水力机械空化与气液两相流监测方法和装置 |
CN110781601A (zh) * | 2019-11-01 | 2020-02-11 | 清华大学 | 一种气液混输泵内气泡尺寸的数值预测方法 |
Non-Patent Citations (3)
Title |
---|
T.R. TULADHAR, M.R. MACKLEY∗: "Experimental observations and modelling relating to foaming and bubble growth from pentane loaded polystyrene melts" * |
刘胜;翁震平;李妍妍;刘国才;: "大型船舶汽包水位SVM预测控制研究" * |
陈宝远;李紫贺;刘景阳;兰雅琼;于晓洋;: "BOPET薄膜中气泡的检测及识别方法研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711897A (zh) * | 2021-03-26 | 2021-04-27 | 浙江大学 | 一种压力场的计算方法和设备,及存储介质 |
CN112711897B (zh) * | 2021-03-26 | 2021-07-09 | 浙江大学 | 一种压力场的计算方法和设备,及存储介质 |
CN113313000A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种基于光学图像的气液两相流智能识别方法 |
CN113313000B (zh) * | 2021-05-19 | 2022-04-29 | 哈尔滨工程大学 | 一种基于光学图像的气液两相流智能识别方法 |
CN114509203A (zh) * | 2022-04-21 | 2022-05-17 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种试验模型表面psp测量压力的融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111553373B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553373B (zh) | 一种基于cnn+svm的压力气泡图像识别算法 | |
CN111553085B (zh) | 一种基于hog+svm的流场气泡图像压力识别算法 | |
Yu et al. | Detecting gear surface defects using background‐weakening method and convolutional neural network | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN114722549B (zh) | 水下输气管道泄漏源动态参数反演方法、装置及介质 | |
Teng et al. | Digital image correlation-based structural state detection through deep learning | |
Misaka | Image-based fluid data assimilation with deep neural network | |
CN116824335A (zh) | 一种基于YOLOv5改进算法的火灾预警方法及系统 | |
CN115424237A (zh) | 一种基于深度学习的前向车辆识别与距离检测方法 | |
Manshadi et al. | Speed detection in wind-tunnels by processing schlieren images | |
CN111428855B (zh) | 一种端到端的点云深度学习网络模型和训练方法 | |
Long et al. | Cascaded approach to defect location and classification in microelectronic bonded joints: Improved level set and random forest | |
CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
CN112326187A (zh) | 一种应用液晶涂层和深度学习算法测量摩擦力场的方法 | |
Wei et al. | An artificial intelligence segmentation method for recognizing the free surface in a sloshing tank | |
CN113763395B (zh) | 一种基于图像分析空化泡动力学特性的方法 | |
CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 | |
Liu et al. | Intelligent classification of online wear particle in lubricating oil using optical direct imaging method and convolutional neural network for rotating machinery | |
Kirthiga et al. | A survey on crack detection in concrete surface using image processing and machine learning | |
Wang et al. | Vision measurement of gear pitting based on DCGAN and U-Net | |
Wang et al. | Online monitoring of oil wear debris image based on CNN | |
CN110826585A (zh) | 一种基于卷积神经网络的浓稠食品灌装流量状态检测方法 | |
CN116563342B (zh) | 一种基于图像识别的水泡跟踪方法及装置 | |
Wang et al. | Damage detection of train wheelset tread based on improved SSD |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 200093 No. 516, military road, Shanghai, Yangpu District Patentee after: University of Shanghai for Science and Technology Patentee after: Qingdao Gaozhong Information Technology Co.,Ltd. Address before: 200093 No. 516, military road, Shanghai, Yangpu District Patentee before: University of Shanghai for Science and Technology Patentee before: SHANGHAI GAOZHONG INFORMATION TECHNOLOGY CO.,LTD. |
|
CP01 | Change in the name or title of a patent holder |