CN112233088B - 基于改进的Faster-rcnn的制动软管丢失检测方法 - Google Patents

基于改进的Faster-rcnn的制动软管丢失检测方法 Download PDF

Info

Publication number
CN112233088B
CN112233088B CN202011096831.5A CN202011096831A CN112233088B CN 112233088 B CN112233088 B CN 112233088B CN 202011096831 A CN202011096831 A CN 202011096831A CN 112233088 B CN112233088 B CN 112233088B
Authority
CN
China
Prior art keywords
network
rcnn
feature
brake hose
faster
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
Application number
CN202011096831.5A
Other languages
English (en)
Other versions
CN112233088A (zh
Inventor
韩旭
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.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical 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 Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN202011096831.5A priority Critical patent/CN112233088B/zh
Publication of CN112233088A publication Critical patent/CN112233088A/zh
Application granted granted Critical
Publication of CN112233088B publication Critical patent/CN112233088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30248—Vehicle exterior or interior

Landscapes

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

Abstract

基于改进的Faster‑rcnn的制动软管丢失检测方法，涉及铁路动车故障检测领域。本发明是为了提升目前检测铁路动车制动软管故障的准确率。本发明所述的基于改进的Faster‑rcnn的制动软管丢失检测方法，包括获取待检测图像；改进现有的Faster‑rcnn网络中的特征提取网络Resnet50，并采用BiFPN特征金字塔对特征提取网络Resnet50进行优化；建立样本数据集并训练Faster‑rcnn检测网络；采用级联的分类与回归网络对优化后的特征提取网络Resnet50产生的特征图检测，得到检测结果。本发明对现有的Faster‑rcnn深度学习网络方法进行了改进。

Description

基于改进的Faster-rcnn的制动软管丢失检测方法
技术领域
本发明属于铁路动车故障检测领域，特别涉及基于改进的Faster-rcnn的制动软管丢失检测方法。
背景技术
随着铁路领域的迅速发展，目前人工查图的铁路动车故障检测方法已逐渐演变成基于深度学习的自动化故障检测方法，自动检测故障的方法能够显著提升检测的效率，降低成本，同时还能避免由于检车人员疲劳造成的漏检、误检等问题。
目前对比铁路动车的检测主要采用Faster-rcnn深度学习网络的方法，但是制动软管位于列车底部，图像背景较为杂乱、相似部位较多，因此需要进一步提升检测制动软管的准确率。
发明内容
本发明目的是为了提升检测铁路动车制动软管丢失故障的准确率，而提出了基于改进的Faster-rcnn的制动软管丢失检测方法。
基于改进的Faster-rcnn的制动软管丢失检测方法具体过程为：
获取待检测的图像，利用训练好的Faster-rcnn检测网络对所述待检测的图像进行制动软管的丢失检测，其特征在于，所述Faster-rcnn检测网络包括特征提取网络Resnet50、BiFPN特征金字塔、级联的分类与回归网络；
所述Faster-rcnn检测网络中的特征提取网络Resnet50的激活函数为：
Figure BDA0002724038230000011
其中，Leaky ReLU是特征提取网络Resnet50的激活函数，a是(1,+∞)区间内的固定参数，x是输入参数；
所述特征提取网络Resnet50用于提取待检测的图像的特征，获得特征图；
所述BiFPN特征金字塔用于对特征提取网络Resnet50不同卷积层的特征图进行融合即对特征提取网络Resnet50优化；
所述基于改进的Faster-rcnn的制动软管丢失检测方法具体过程为：
采用级联的分类与回归网络对优化后的特征提取网络Resnet50产生的特征图检测，得到检测结果；
级联的分类与回归网络通过与BiFPN配合采用级联操作提升了分类与定位的准确程度。
本发明的有益效果为：
本发明对传统的Faster-rcnn深度学习网络的方法进行了改进；本发明采用LeakyReLU作为特征提取网络激活函数，对Resnet50网络中的激活函数作出了改进，提高了网络的学习能力；采用Efficientdet网络的BiFPN特征金字塔对Faster-rcnn特征提取网络Resnet50进行优化，提升了特征融合与提取的能力，从而提升检测网络的性能；利用级联的分类与回归网络对特征图检测进一步提升了对制动软管的检测准确率。
附图说明
图1为检测制动软管丢失故障流程图；
图2为改进的Faster-rcnn检测网络结构图；
其中Conv1～Conv5代表Resnet50卷积模块，每一个卷积模块包含多个卷积层；
其中C1～C4代表分类网络，其输出为检测到目标的类别，B1～B4为目标位置的回归定位网络，其输出为目标在图像中的位置。
具体实施方式
需要特别说明的是，在不冲突的情况下，本申请公开的各个实施方式之间可以相互组合。
具体实施方式一：本实施方式基于改进的Faster-rcnn的制动软管丢失检测方法具体过程为：
获取待检测的图像，利用训练好的Faster-rcnn检测网络对待检测的图像进行制动软管的丢失检测，其特征在于，Faster-rcnn检测网络包括特征提取网络Resnet50、BiFPN特征金字塔、级联的分类与回归网络；
Faster-rcnn检测网络中的特征提取网络Resnet50的激活函数为：
Figure BDA0002724038230000021
其中，Leaky ReLU是特征提取网络Resnet50的激活函数，a是(1,+∞)区间内的固定参数，x是输入参数；
特征提取网络Resnet50用于提取待检测的图像的特征，获得特征图；
BiFPN特征金字塔用于对特征提取网络Resnet50不同卷积层的特征图进行融合即对特征提取网络Resnet50优化；
基于改进的Faster-rcnn的制动软管丢失检测方法具体过程为：
采用级联的分类与回归网络(Cascade Classification and Regression)对优化后的特征提取网络Resnet50产生的特征图检测，得到检测结果；
级联的分类与回归网络通过与BiFPN配合采用级联操作提升了分类与定位的准确程度。
具体实施方式二：本实施方式与具体实施方式一不同的是：获取待检测图像，具体过程为：
步骤一一、利用预先在铁路周围搭建的成像设备获取过车图像；
步骤一二、截取制动软管部分图像作为待检测图像。
其他步骤与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：利用训练好的Faster-rcnn检测网络对待检测的图像进行制动软管的丢失检测中训练Faster-rcnn检测网络，具体过程为：
步骤二一、采用BiFPN特征金字塔对特征提取网络Resnet50进行优化，实现不同卷积层的特征图的融合，将融合后的特征图作为后续网络的输入；
所述特征图的融合方式为特征图级联，若融合的特征图大小不同，则将小的特征图上采样到大的特征图大小再进行级联融合；
步骤二二、训练Faster-rcnn检测网络：
步骤二二一、建立样本数据集：
步骤三一、建立样本数据集：
首先，获取待标注图像：利用预先在铁路周围搭建的成像设备获取过车图像，截取制动软管部分图像作为待标注图像；
然后，确定待标注图像中是否存在制动软管，将存在制动软管部分的过车图像作为正样本，不存在制动软管部分的过车图像作为负样本；
最后，采用标记软件对正样本和负样本中制动软管部分标记：每一张图像生成一个标注文件。正样本图像的标记文件中记录了图片的名字、图片路径、图片的大小、与待检测目标的类别、位置。负样本图像，标记的文件中目标类别与位置为空，只有图像的名字、大小等基本信息。
步骤二二二、对样本数据集进行扩增：
通过对数据集旋转、剪裁、加噪的操作对数据集进行扩增。
步骤二二三、将扩增后的样本数据集进行分类，负样本标为0类，正样本标为1类，构成分类数据集；
步骤二二四、采用分类数据集训练特征提取网络Resnet50，并采用训练好的Resnet50初始化Faster-rcnn检测网络，在后续Faster-rcnn检测网络训练时Resnet50不进行参数更新，仅更新网络的BiFPN与级联的分类与回归网络部分参数，完成Faster-rcnn检测网络的训练。
其他步骤与具体实施方式一至二相同。
具体实施方式四：本实施方式与具体实施方式一或二或三不同的是：采用级联的分类与回归网络(Cascade Classification and Regression)对优化后的特征提取网络Resnet50产生的特征图检测，得到检测结果，具体过程为：
级联的分类与回归网络对BiFPN每一层的输出特征图进行ROI池化，输出候选区域的池化特征，进而进行候选区域的分类与定位，具体过程为：
BiFPN每一层的输出特征图包含特征提取网络Resnet50的浅层与深层特征；
对BiFPN第一层输出特征图进行ROI池化(ROI pooling)：输入为BiFPN第一层输出特征图和由Faster-rcnn检测网络包括的RPN网络产生的初始候选边框位置，通过分类与目标位置回归定位操作生成初始的类别(图2中的C1)与位置(图2中的B1)；
对BiFPN第二层输出特征图进行ROI池化：输入为第二层输出特征图和第一层检测到的目标位置，通过分类与目标位置回归定位操作生成第二层的类别(图2中的C2)与位置(图2中的B2)；
对BiFPN第三层输出特征图进行ROI池化：输入为输出第三层特征图和第二层检测到的目标位置，通过分类与目标位置回归定位操作生成第三层的类别(图2中的C3)与位置(图2中的B3)；
对BiFPN第四层输出特征图进行ROI池化：输入为第四层输出特征图和第三层检测到的目标位置，通过分类与目标位置回归定位操作生成第四层的类别与位置，也就是网络的最终检测的结果(图2中的C4和B4)。
其他步骤与具体实施方式一至三相同。
实施例：
使用具体实施方式中的方法对改进的Faster-rcnn的制动软管丢失检测网络测试：
当铁路动车经过架设在周围的高清成像设备后，获取过车图像，截取制动软管部分图像，将图像送入训练好的检测网络中输出检测结果，如果没有检测到制动软管，则该张图像为故障图像，上传故障报文，否则继续检测下一张图像。检车人员根据故障报文进行下一步处理。

Claims (6)

1.基于改进的Faster-rcnn的制动软管丢失检测方法，包括：获取待检测图像，利用训练好的Faster-rcnn检测网络对所述待检测图像进行制动软管的丢失检测，其特征在于，所述Faster-rcnn检测网络包括特征提取网络Resnet50、BiFPN特征金字塔、级联的分类与回归网络；
所述Faster-rcnn检测网络中的特征提取网络Resnet50的激活函数为：
Figure FDA0003124838310000011
其中，Leaky ReLU是特征提取网络激活函数，a是(1,+∞)区间内的固定参数，x是输入参数；
所述特征提取网络Resnet50用于提取待检测的图像的特征，获得特征图；
所述BiFPN特征金字塔用于对特征提取网络Resnet50不同卷积层的特征图进行融合即对特征提取网络Resnet50优化；
所述基于改进的Faster-rcnn的制动软管丢失检测方法具体过程为：
采用级联的分类与回归网络对优化后的特征提取网络Resnet50产生的特征图检测，得到检测结果，具体过程为：
级联的分类与回归网络对BiFPN特征金字塔每一层的输出特征图进行ROI池化，输出候选区域的池化特征，进而进行候选区域的分类与定位：
对BiFPN特征金字塔第一层输出特征图进行ROI池化，输入为BiFPN特征金字塔第一层输出特征图和由Faster-rcnn检测网络包括的RPN网络产生的初始候选边框位置，从对BiFPN特征金字塔第二层输出特征图进行ROI池化开始，以后对BiFPN特征金字塔每层的输出特征图进行ROI池化的输入均为本层输出特征图和上一层检测到的目标位置；对BiFPN特征金字塔每一层输出特征图进行ROI池化输出的均为本层的类别与位置，对BiFPN特征金字塔最后一层输出特征图进行ROI池化后输出的类别与位置即为最终的检测结果；
所述BiFPN由四层构成，第一层由4个单元构成，第二层由7个单元构成，第三层由7个单元构成，第四层由4个单元构成。
2.根据权利要求1所述的基于改进的Faster-rcnn的制动软管丢失检测方法，其特征在于：所述获取待检测图像，具体过程为：
步骤一一、利用预先在铁路周围搭建的成像设备获取过车图像；
步骤一二、截取制动软管部分图像作为待检测图像。
3.根据权利要求2所述的基于改进的Faster-rcnn的制动软管丢失检测方法，其特征在于：所述利用训练好的Faster-rcnn检测网络对所述待检测的图像进行制动软管的丢失检测中训练Faster-rcnn检测网络，具体过程为：
步骤二一、采用BiFPN特征金字塔对特征提取网络Resnet50进行优化，实现不同卷积层的特征图的融合，将融合后的特征图作为后续网络的输入；
所述特征图的融合方式为特征图级联，若融合的特征图大小不同，则将小的特征图上采样到大的特征图大小再进行级联融合；
步骤二二、训练Faster-rcnn检测网络。
4.根据权利要求3所述的基于改进的Faster-rcnn的制动软管丢失检测方法，其特征在于：所述步骤二二中的训练Faster-rcnn检测网络具体过程为：
步骤三一、建立样本数据集：
首先，获取待标注图像：利用预先在铁路周围搭建的成像设备获取过车图像，截取制动软管部分图像作为待标注图像；
然后，确定待标注图像中是否存在制动软管，将存在制动软管部分的过车图像作为正样本，不存在制动软管部分的过车图像作为负样本；
最后，采用标记软件对正样本和负样本进行制动软管图像标记，生成标注文件；
步骤三二、对样本数据集进行扩增；
步骤三三、将扩增后的样本数据集进行分类，负样本标为0类，正样本标为1类，构成分类数据集；
步骤三四、采用分类数据集训练特征提取网络Resnet50，并利用训练好的Resnet50初始化Faster-rcnn检测网络，在后续Faster-rcnn检测网络训练时Resnet50不进行参数更新，仅更新网络的BiFPN与级联的分类与回归网络部分参数，完成Faster-rcnn检测网络的训练；
所述后续Faster-rcnn检测网络训练时输入为步骤二一获得的融合后的特征图。
5.据权利要求4所述的基于改进的Faster-rcnn的制动软管丢失检测方法，其特征在于：所述步骤三二中对数据集进行扩增，具体过程为：通过对数据集旋转、剪裁、加噪的操作对数据集进行扩增。
6.根据权利要求5所述的基于改进的Faster-rcnn的制动软管丢失检测方法，其特征在于：所述BiFPN特征金字塔每层的输出特征图包含特征提取网络Resnet50的浅层与深层特征。
CN202011096831.5A 2020-10-14 2020-10-14 基于改进的Faster-rcnn的制动软管丢失检测方法 Active CN112233088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011096831.5A CN112233088B (zh) 2020-10-14 2020-10-14 基于改进的Faster-rcnn的制动软管丢失检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011096831.5A CN112233088B (zh) 2020-10-14 2020-10-14 基于改进的Faster-rcnn的制动软管丢失检测方法

Publications (2)

Publication Number Publication Date
CN112233088A CN112233088A (zh) 2021-01-15
CN112233088B true CN112233088B (zh) 2021-08-06

Family

ID=74112709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011096831.5A Active CN112233088B (zh) 2020-10-14 2020-10-14 基于改进的Faster-rcnn的制动软管丢失检测方法

Country Status (1)

Country Link
CN (1) CN112233088B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034476A (zh) * 2021-03-30 2021-06-25 广东工业大学 皮革瑕疵检测方法、系统、储存介质及计算机设备
CN116486134A (zh) * 2023-03-02 2023-07-25 哈尔滨市科佳通用机电股份有限公司 基于深度神经网络的列车制动软管挂钩脱出故障检测方法
CN116524293B (zh) * 2023-04-10 2024-01-30 哈尔滨市科佳通用机电股份有限公司 基于深度学习的闸调器拉杆头丢失故障识别方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734705A (zh) * 2018-05-17 2018-11-02 杭州电子科技大学 基于深度学习的数字乳腺断层影像钙化簇自动检测方法
CN109284669A (zh) * 2018-08-01 2019-01-29 辽宁工业大学 基于Mask RCNN的行人检测方法
CN109543632A (zh) * 2018-11-28 2019-03-29 太原理工大学 一种基于浅层特征融合引导的深层网络行人检测方法
CN109598224A (zh) * 2018-11-27 2019-04-09 微医云(杭州)控股有限公司 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法
CN111080617A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁支柱圆销丢失故障识别方法
CN111460926A (zh) * 2020-03-16 2020-07-28 华中科技大学 一种融合多目标跟踪线索的视频行人检测方法
CN111563494A (zh) * 2020-07-16 2020-08-21 平安国际智慧城市科技股份有限公司 基于目标检测的行为识别方法、装置和计算机设备
CN111753677A (zh) * 2020-06-10 2020-10-09 杭州电子科技大学 基于特征金字塔结构的多角度遥感船舶图像目标检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018121013A1 (en) * 2016-12-29 2018-07-05 Zhejiang Dahua Technology Co., Ltd. Systems and methods for detecting objects in images
CN111291739B (zh) * 2020-05-09 2020-09-18 腾讯科技（深圳）有限公司 面部检测、图像检测神经网络训练方法、装置和设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734705A (zh) * 2018-05-17 2018-11-02 杭州电子科技大学 基于深度学习的数字乳腺断层影像钙化簇自动检测方法
CN109284669A (zh) * 2018-08-01 2019-01-29 辽宁工业大学 基于Mask RCNN的行人检测方法
CN109598224A (zh) * 2018-11-27 2019-04-09 微医云(杭州)控股有限公司 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法
CN109543632A (zh) * 2018-11-28 2019-03-29 太原理工大学 一种基于浅层特征融合引导的深层网络行人检测方法
CN111080617A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁支柱圆销丢失故障识别方法
CN111460926A (zh) * 2020-03-16 2020-07-28 华中科技大学 一种融合多目标跟踪线索的视频行人检测方法
CN111753677A (zh) * 2020-06-10 2020-10-09 杭州电子科技大学 基于特征金字塔结构的多角度遥感船舶图像目标检测方法
CN111563494A (zh) * 2020-07-16 2020-08-21 平安国际智慧城市科技股份有限公司 基于目标检测的行为识别方法、装置和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于改进 Cascade RCNN 的车辆目标检测方法;李松江等;《计算机工程与应用》;20200922;第1-10页 *
甚低分辨率人脸幻构深度模型与算法研究;陈龙;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200215(第02期);第28-36页 *

Also Published As

Publication number Publication date
CN112233088A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN112233088B (zh) 基于改进的Faster-rcnn的制动软管丢失检测方法
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
CN112348787B (zh) 物体缺陷检测模型的训练方法、物体缺陷检测方法及装置
CN109447979B (zh) 基于深度学习和图像处理算法的目标检测方法
CN111160301A (zh) 基于机器视觉的隧道病害目标智能识别及提取方法
CN112330631A (zh) 一种铁路货车制动梁支柱拉铆销套环丢失故障检测方法
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN112733815B (zh) 一种基于rgb室外道路场景图像的红绿灯识别方法
CN110378436A (zh) 基于深度迁移实现iae mem后处理图片识别及标注的方法
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN114266881A (zh) 一种基于改进型语义分割网络的指针式仪表自动读数方法
CN111758117A (zh) 检查系统、识别系统以及学习数据生成装置
CN113077416A (zh) 一种基于图像处理的焊点焊接缺陷检测方法与系统
CN116579992A (zh) 一种用于无人机巡检的小目标螺栓缺陷检测方法
CN109615610B (zh) 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法
CN117237683B (zh) 基于改进神经网络的芯片缺陷智慧检测系统
CN113191362B (zh) 一种变电设备油渗漏缺陷检测装置及方法
CN111210417A (zh) 基于卷积神经网络的布匹缺陷检测方法
CN117911827A (zh) 多模态目标检测方法、装置、设备及存储介质
CN114596244A (zh) 基于视觉处理和多特征融合的红外图像识别方法及系统
CN115631197B (zh) 一种图像处理方法、装置、介质、设备及系统
CN115170883B (zh) 一种制动缸活塞推杆开口销丢失故障检测方法
CN115860139A (zh) 一种基于深度学习的多尺度船舶目标检测方法
CN111325076A (zh) 一种基于U-net与Seg-net网络融合的航空地面建筑物提取方法
CN114186784A (zh) 基于边缘计算的电学考试评分方法、系统、介质及设备

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