CN112053354B - 一种轨道板裂缝检测方法 - Google Patents
一种轨道板裂缝检测方法 Download PDFInfo
- Publication number
- CN112053354B CN112053354B CN202010970800.1A CN202010970800A CN112053354B CN 112053354 B CN112053354 B CN 112053354B CN 202010970800 A CN202010970800 A CN 202010970800A CN 112053354 B CN112053354 B CN 112053354B
- Authority
- CN
- China
- Prior art keywords
- neural network
- pictures
- feature
- prediction
- crack
- 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
- 238000001514 detection method Methods 0.000 title abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 23
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000027697 autoimmune lymphoproliferative syndrome due to CTLA4 haploinsuffiency Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06T2207/20—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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种轨道板裂缝检测方法,所述方法包括:S1:采集轨道板裂缝图片作为样本,非裂缝图像作为负样本;S2:对采集到的所述图片制定标签,划分为训练集和测试集;S3:对所述训练集的图片进行标准化处理,并送入神经网络中,迭代式进行特征提取,得到卷积特征图;S4:对得到的所述卷积特征图进行分组,训练与分组相同数量的弱分类器,根据对应特征向量进行预测,再汇聚所有分类器对当前样本的置信度并交由一个较强的分类器决策;S5:对所述测试集进行归一化操作,送入神经网络中,模拟现实预测结果,采用按统计量,执行硬投票分类。
Description
技术领域
本发明涉及轨道检测技术领域,具体地,涉及一种轨道板裂缝检测方法。
背景技术
城市建设带动高铁产业迅速发展,不过在其给人们带来便利的同时,由于昼夜温差变化较大,且高铁动车对轨道板的挤压,可能轨道板裂缝不断扩大,最终造成一定安全事故。故轨道板裂缝检测是保证人民安全和国家稳定的重要任务。然而传统的轨道板裂缝需要依靠人工筛选,且完全依靠主观和经验主义,这是极其不合理的检测方式。
随着人工智能和数字图像处理领域的不断发展,现如今已经存在利用卷积神经网络来取代人工和传统图像处理等检测方式。目前在相关领域,已有一定的研究结果,柴雪松等人利用深度神经网络对隧道衬砌裂缝识别,李良福等人也采用卷积神经网络对桥梁裂缝进行了较为成功的检测。
但是大部分的研究都是基于默认光线充足等良好环境拍摄的结果,然而夜晚拍摄的裂缝图片存在对比度低等问题,难以被检测出来。本发明在利用卷积神经网络进行检测时候,为了识别夜晚拍摄的裂缝图片,在训练集合中加入夜晚拍摄的裂缝图像,便于模型学习。
发明内容
针对现有技术中的缺陷,本申请实施例提供了一种轨道板裂缝检测方法。所述技术方案如下:
一种轨道板裂缝检测方法,包括以下步骤:
S1:采集轨道板裂缝图片作为样本,非裂缝图像作为负样本;
S2:对采集到的所述图片制定标签,划分为训练集和测试集;
S3:对所述训练集的图片进行标准化处理,并送入神经网络中,迭代式进行特征提取,得到卷积特征图;
S4:对得到的所述卷积特征图进行分组,训练与分组相同数量的弱分类器,根据对应特征向量进行预测,再汇聚所有分类器对当前样本的置信度并交由一个较强的分类器决策;
S5:对所述测试集进行归一化操作,送入神经网络中,模拟现实预测结果,采用按统计量,执行硬投票分类。
在一个可能的实现方式中,所述神经网络采用二值交叉熵作为损失函数,采用反向传播调整和优化所述神经网络的网络参数。
在一个可能的实现方式中,所述对采集到的所述图片制定标签,划分为训练集和测试集,包括:将裂缝图片的标签设定为1,将非裂缝图片的标签设定为0。
在一个可能的实现方式中,所述方法包括:将所述卷积特征图分割成单一组的形式。
在一个可能的实现方式中,将所述神经网络中的特征图进行分组,通过神经网络中的步长机制将最终特征图的空间大小设定为u∈并将其分为M=m×m组。
在一个可能的实现方式中,所述训练与分组相同数量的弱分类器,根据对应特征向量进行预测,再汇聚所有分类器对当前样本的置信度并交由一个较强的分类器决策;包括
添置一个能够融合所有信息的组来进行预测及反馈,由于该组具备融合了其他组的概率信息,因此能够综合分析各弱分类的性能,提升最终预测准确率,降低预测方差。
在一个可能的实现方式中,所述方法包括:
对测试图像进行归一化处理,模型对其进行特征提取和特征分组,将各组的特征向量交由对应分类器。获取共M+1组的特征值情况[Z1,Z2…,ZM+1],针对预测类别的数量不同,使用相应的激活函数f(Z)获取单组预测结果,再最终集成预测具体公式如下:
其中Sign()为投票函数,采用统计法,即最多票选的标签当选最终预测结果。
本申请实施例提供的技术方案带来的有益效果至少包括:
1、本发明所使用的网络结构的模型基于ResNet-18算法改进的投票式分类。ResNet网络结构在基础卷积神经网络上加入残差结构,保证了顺利进行反向传播,但是在分类子网络中,简单将特征图转化为特征向量操作不合理,本发明保持原有空间结构,进行分组预测再额外生成一个软投票式的分组,通过这种集成式学习方式,提升了网络模型的鲁棒性和预测精度。
2、本发明所使用的网络结构结合了时下流行的注意力机制,加强了网络对局部特征的针对,凸显有用信息,抑制无用的特征。
3、本发明所使用的网络结构,当类别数较少时,本发明推荐方法在参数量消耗上优于常见的展开方法,但是由于各组的特征值重复进入共享全连接层,导致模型整体的FLOPs有所上升。
4、本发明所使用的分组投票式方法,具备可移植性,能作为分类子网络替代任意网络的对应分类结构。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本发明分组和预测示意图;
图2为本发明具体特征分组对比图;
图3为本发明一实例裂缝检测模型的中间可视化过程示意图;
图4为本发明在训练阶段的曲线分别对应准确度和损失程度示意图;
图5为本发明测试阶段衡量该模型的PR曲线示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本申请提供了一种基于投票式卷积神经网络的轨道板裂缝检测方法,该方法包括以下步骤:
步骤S1:分别在白天和夜晚对轨道板裂缝图片进行采样,并采集非裂缝图像作为负样本;
步骤S2:对所述采集到的图像制定标签,划分为训练集和测试集;
步骤S3:对划分为训练集的图片进行标准化处理,并送入ResNet-18神经网络中,迭代式进行特征提取;
步骤S4:对最后得到的卷积特征图进行分组,每组特征向量单独预测,再额外生成一组融入所有组信息进行预测,采用二值交叉熵作为损失函数,利用反向传播更新网络参数。在实验阶段,不断调整超参数,使最后的神经网络适用于轨道板裂缝检测任务。
步骤S5:对测试集同样进行归一化操作,送入神经网络中,模拟现实预测结果,采用按统计量,执行硬投票分类。
在裂缝检测的早期工作中,大多传统数字图像处理方案使用的检测实例在光线充足情况下拍摄的,而夜晚或隧道中的裂缝拍摄需要打光,导致可能拍摄的裂缝样张存在光源不足,对比度低,噪声大等问题。近年来的工作表明,使用具备高鲁棒性的卷积神经网络能够很好的抑制这一现象。
由于本发明实际是一个二分类任务,在步骤S2中,手工制定对应的标签分别是1(裂缝图片),0(非裂缝图片)。在整个神经网络中,最终的输出是经过sigmoid函数去线性化得到的0到1之间的值,将最终的值视作网络模型对当前图片是裂缝的认可程度,最终概率值越高,我们认为越有可能是裂缝图片。
常见的分类模型在执行分类任务时,都是将所用特征图展开或者全局池化成特征向量,以适用于后续的分类全连接网络的输入。但是众多实验普遍认为,简单的将特征图展开处理来适应分类全连接网络,破坏了特征图原有的空间拓扑结构,于是本发明采用将特征图分割成单一组的方法,在一定程度上保留其空间拓扑结构。
构建投票式的预测,需要神经网络中的特征图进行分组,由于每个神经网络特征点都对应原图的一部分感受野,能作为各个分类器分类决策的依据,通过神经网络中的步长机制使得最终特征图的空间大小为可以将其分为M=m×m组,其中,c表示特征图的通道数,m表示特征图的空间大小,在本发明中为2。
在步骤S4中,可以利用软投票方式,将所有弱分类器的最终预测值加权相加,额外生成一种融合所有信息的组来综合预测,由于该分类器能够汇聚了其他组的分类概率信息,因此能够综合分析各弱分类的性能,提升最终预测准确率,降低预测方差。整体的分组以及后续预测流程参考图1。
上诉两种方式示意见图2,图2上为简单将所有信息展开,这样完全破坏了特征点之间的空间拓扑结构;图2下为本发明采用的分组方法,按固定位置进行分组,将同一位置的特征点组合成一个特性向量,使用多个全连接层进行最终的预测,最后将这些预测结果进行加权和,以软投票的方式,额外形成一个新的分类器,定量分析该组预测结果,其中每一组都会参照标签输出。
单一基础特征组的信息可能无法有效地表达前面的特征检测器(卷积核)得到的特征,存在一部分冗余信息,通过加入前人已经完成的通道注意力机制SENet,使得整个特征图能够减弱用处不大的通道信息表达,同时凸显出重要通道中的所有特征信息。其具体方式如下:
其中,表示加权后的特征图,此时的通道间特征表达具备了丰富的层次结构,u表示:初始特征图,SENet()表示:加权网络,通过训练可学习式的强化参数,保证特征的准确表达。
尽管与u具备相同大小的空间结构,但是/>在最终检测环节能提供更加有用的支持。
在模型对图像进行特征提取和特征分组后,将各组的特征向量交由对应分类器。获取共M+1组的特征值情况[Z1,Z2…,ZM+1],针对预测类别的数量不同,使用相应的激活函数f(Z)获取单组预测结果,再最终集成预测,达到降低方差,提升准确率的目的。具体公式如下:
其中Sign()为投票函数,M表示整个模型中的基础弱分类器个数,与特征空间大小m值相关,j表示当前序号为j的分类器利用对应的特征向量进行裂缝决策,且j的取值在1到M+1之间,加1是因为添加了一组能够汇聚所有信息并综合分析决策的分类器。
采用统计法,即最多票选的标签当选最终预测结果。
本发明采用随机梯度下降方法,每组的预测信息通过交叉熵获取损失程度,求取偏微分,更新参数。
整个模型采用了图像增强技术,即将所有训练图像随机翻转,旋转和裁切,反复循环来改善模型最终预测准确度,图4为该模型的训练曲线,用来记录训练阶段不同批次每组的准确度和损失程度,其中每条曲线代表G中一组。图5为本实验的PR曲线,该实验结果通过混淆矩阵得出,其中混淆矩阵包含TP、TN、FN和FP这4个值分别表示正确分类正样本,正确分类负样本,正样本误分成负样本和负样本误分为正样本的数量。其中 通过置信度就可以对所有样本进行排序,再逐个样本的选择阈值,在该样本之前的都属于正例,该样本之后的都属于负例。每一个样本作为划分阈值时,都可以计算对应的precision和recall,那么就可以绘制PR曲线。
图3为本发明一实例裂缝检测模型的中间可视化过程,在经过第一层卷积后,可以清晰看出裂缝的轮廓,因为浅层的神经网络主要是做边缘提取,后续特征图随着感受野扩到导致其空间结构变小,经过多层卷积后,已经难以直观辨别出当前特征层主要提取的内容,最终为了将特征图分组为得到M=4个特征向量,每个特征向量经过全连接预测,返回具体值表示置信度,从图中可以看出,由于该实例测试图是裂缝,最终每组的响应得分都很高,接近1,表明该网络模型认为当前测试图为裂缝。
与现有技术相比,本发明具备如下优点:
1、本发明所使用的网络结构的模型基于ResNet-18算法改进的投票式分类。ResNet网络结构在基础卷积神经网络上加入残差结构,保证了顺利进行反向传播,但是在分类子网络中,简单将特征图转化为特征向量操作不合理,本发明保持原有空间结构,进行分组预测,再额外生成一个软投票式的分组,通过这种集成式学习方式,提升了网络模型的鲁棒性和预测精度。
2、本发明所使用的网络结构结合了时下流行的注意力机制,加强了网络对局部特征的针对,凸显有用信息,抑制无用的特征。
3、本发明所使用的网络结构,当类别数较少时,本发明推荐方法在参数量消耗上优于常见的展开方法,但是由于各组的特征值重复进入共享全连接层,导致模型整体的FLOPs有所上升。。
4、本发明所使用的分组投票式方法,具备可移植性,能作为分类子网络替代任意网络的对应分类结构。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性地,本申请的真正范围和精神由所述的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现所述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,所述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (4)
1.一种轨道板裂缝检测方法,其特征在于,所述方法包括:
S1:采集轨道板裂缝图片作为样本,非裂缝图像作为负样本;
S2:对采集到的所述图片制定标签,划分为训练集和测试集;
S3:对所述训练集的图片进行标准化处理,并送入神经网络中,迭代式进行特征提取,得到卷积特征图;
S4:对得到的所述卷积特征图进行分组,训练与分组相同数量的弱分类器,根据对应特征向量进行预测,再汇聚所有分类器对当前样本的置信度并交由一个较强的分类器决策;
S5:对所述测试集进行归一化操作,送入神经网络中,模拟现实预测结果,采用按统计量,执行硬投票分类;
将所述神经网络中的特征图进行分组,所述方法包括:通过神经网络中的步长机制将最终特征图的空间大小设定为并将其分为M=m×m组;
所述,训练与分组相同数量的弱分类器,根据对应特征向量进行预测,再汇聚所有分类器对当前样本的置信度并交由一个较强的分类器决策;包括
添置一个能够融合所有信息的组来进行预测及反馈,由于该组具备融合了其他组的概率信息,因此能够综合分析各弱分类的性能,提升最终预测准确率,降低预测方差;
对测试图像进行归一化处理,模型对其进行特征提取和特征分组,将各组的特征向量交由对应分类器;
获取共M+1组的特征值情况[Z1,Z2…,ZM+1],针对预测类别的数量不同,使用相应的激活函数f(Z)获取单组预测结果,再最终集成预测具体公式如下:
其中Sign()为投票函数,采用统计法,即最多票选的标签当选最终预测结果。
2.根据权利要求1所述的一种轨道板裂缝检测方法,其特征在于,所述神经网络采用二值交叉熵作为损失函数,采用反向传播调整和优化所述神经网络的网络参数。
3.根据权利要求2所述的一种轨道板裂缝检测方法,其特征在于,所述对采集到的所述图片制定标签,划分为训练集和测试集,包括:将裂缝图片的标签设定为1,将非裂缝图片的标签设定为0。
4.根据权利要求3所述的一种轨道板裂缝检测方法,其特征在于,对所述训练集的图片进行标准化处理,并送入神经网络中,迭代式进行特征提取,得到卷积特征图,所述方法包括:将所述卷积特征图分割成单一组的形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010970800.1A CN112053354B (zh) | 2020-09-15 | 2020-09-15 | 一种轨道板裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010970800.1A CN112053354B (zh) | 2020-09-15 | 2020-09-15 | 一种轨道板裂缝检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112053354A CN112053354A (zh) | 2020-12-08 |
CN112053354B true CN112053354B (zh) | 2024-01-30 |
Family
ID=73604298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010970800.1A Active CN112053354B (zh) | 2020-09-15 | 2020-09-15 | 一种轨道板裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053354B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734739B (zh) * | 2021-01-18 | 2022-07-08 | 福州大学 | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 |
CN112861932B (zh) * | 2021-01-21 | 2024-02-02 | 上海应用技术大学 | 轨道板裂缝检测方法 |
CN113357098A (zh) * | 2021-05-31 | 2021-09-07 | 西安热工研究院有限公司 | 一种风机变桨子系统故障预警方法 |
WO2023181277A1 (ja) * | 2022-03-24 | 2023-09-28 | ファナック株式会社 | 外観検査装置、外観検査方法、及びコンピュータ読み取り可能な記録媒体 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
WO2019080203A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京阿凡达机器人科技有限公司 | 一种机器人的手势识别方法、系统及机器人 |
CN110532878A (zh) * | 2019-07-26 | 2019-12-03 | 中山大学 | 一种基于轻量化卷积神经网络的驾驶员行为识别方法 |
CN111199539A (zh) * | 2019-12-25 | 2020-05-26 | 汕头大学 | 一种基于集成神经网络的裂缝检测方法 |
CN111507990A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 一种基于深度学习的隧道表面缺陷分割方法 |
CN111597705A (zh) * | 2020-05-13 | 2020-08-28 | 中车长江车辆有限公司 | 一种轴承裂纹预测模型的构建方法及装置 |
-
2020
- 2020-09-15 CN CN202010970800.1A patent/CN112053354B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
WO2019080203A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京阿凡达机器人科技有限公司 | 一种机器人的手势识别方法、系统及机器人 |
CN110532878A (zh) * | 2019-07-26 | 2019-12-03 | 中山大学 | 一种基于轻量化卷积神经网络的驾驶员行为识别方法 |
CN111199539A (zh) * | 2019-12-25 | 2020-05-26 | 汕头大学 | 一种基于集成神经网络的裂缝检测方法 |
CN111507990A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 一种基于深度学习的隧道表面缺陷分割方法 |
CN111597705A (zh) * | 2020-05-13 | 2020-08-28 | 中车长江车辆有限公司 | 一种轴承裂纹预测模型的构建方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于深度卷积神经网络融合模型的路面裂缝识别方法;孙朝云;马志丹;李伟;郝雪丽;申浩;;长安大学学报(自然科学版)(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112053354A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112053354B (zh) | 一种轨道板裂缝检测方法 | |
CN107423398B (zh) | 交互方法、装置、存储介质和计算机设备 | |
CN109614921B (zh) | 一种基于对抗生成网络的半监督学习的细胞分割方法 | |
CN111582397B (zh) | 一种基于注意力机制的cnn-rnn图像情感分析方法 | |
US20040022442A1 (en) | Method and system for face detection using pattern classifier | |
JP2015087903A (ja) | 情報処理装置及び情報処理方法 | |
CN110880019A (zh) | 通过无监督域适应训练目标域分类模型的方法 | |
US20230004811A1 (en) | Learning processing device and learning processing method | |
CN112070781A (zh) | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 | |
CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
CN112766496B (zh) | 基于强化学习的深度学习模型安全性保障压缩方法与装置 | |
CN114155213A (zh) | 基于主动学习的芯片缺陷检测方法和装置 | |
CN114842343A (zh) | 一种基于ViT的航空图像识别方法 | |
CN114511710A (zh) | 一种基于卷积神经网络的图像目标检测方法 | |
CN114821022A (zh) | 融合主观逻辑和不确定性分布建模的可信目标检测方法 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN115063664A (zh) | 用于工业视觉检测的模型学习方法、训练方法及系统 | |
CN111586728A (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
JP6955233B2 (ja) | 予測モデル作成装置、予測モデル作成方法、および予測モデル作成プログラム | |
CN113486202A (zh) | 小样本图像分类的方法 | |
CN117765432A (zh) | 一种基于动作边界预测的中学理化生实验动作检测方法 | |
CN114495114B (zh) | 基于ctc解码器的文本序列识别模型校准方法 | |
CN115311494A (zh) | 一种利用分层训练结合标签平滑的文化资源图像分类方法 | |
CN114973350A (zh) | 一种源域数据无关的跨域人脸表情识别方法 | |
CN113361478B (zh) | 一种细胞运动过程中的形变跟踪方法及系统 |
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 |