CN112288750B - 一种基于深度学习网络的机械装配体图像分割方法和设备 - Google Patents

一种基于深度学习网络的机械装配体图像分割方法和设备 Download PDF

Info

Publication number
CN112288750B
CN112288750B CN202011310983.0A CN202011310983A CN112288750B CN 112288750 B CN112288750 B CN 112288750B CN 202011310983 A CN202011310983 A CN 202011310983A CN 112288750 B CN112288750 B CN 112288750B
Authority
CN
China
Prior art keywords
mechanical assembly
segmentation
image
network
dimensional
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
CN202011310983.0A
Other languages
English (en)
Other versions
CN112288750A (zh
Inventor
陈成军
张春林
李东年
潘勇
高玮
赵正旭
洪军
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.)
Qingdao University of Technology
Original Assignee
Qingdao University of Technology
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 Qingdao University of Technology filed Critical Qingdao University of Technology
Priority to CN202011310983.0A priority Critical patent/CN112288750B/zh
Publication of CN112288750A publication Critical patent/CN112288750A/zh
Application granted granted Critical
Publication of CN112288750B publication Critical patent/CN112288750B/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
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明涉及一种基于深度学习网络的机械装配体图像分割方法，包括以下步骤：通过深度学习网络构建由编码器网络和解码器网络组成的机械装配体轻量化语义分割模型；建立机械装配体数据集；将机械装配体数据集中的深度图像输入到编码器网络中进行特征提取，获取高信息质量的特征图；将高信息质量的特征图输入至解码器网络中，恢复图像大小并进行特征融合，得到多维分割图；根据多维分割图与对应的标签图像之间的误差，更新编码器网络中的参数；利用训练集中的深度图像，迭代执行上述步骤，直到达到预设的训练次数；测试后输出机械装配体轻量化语义分割模型；利用训练好的机械装配体轻量化语义分割模型进行图像分割，分割出机械装配体的各零件。

Description

一种基于深度学习网络的机械装配体图像分割方法和设备
技术领域
本发明涉及一种基于深度学习网络的机械装配体图像分割方法和设备，属于计算机图像识别和智能制造技术领域。
背景技术
当前制造业正迎来大批量个性化定制的生产阶段，产品类型的不断变化将增加产品手动装配的难度。在复杂机械产品装配过程中，一旦未能及时检测出装配过程中出现的错误(如装配顺序错误、漏装、错装等)，将直接影响机械产品的质量和装配效率。机械装配体图像分割，可以从机械装配体图像中精确分割出装配体的已装配零部件的轮廓和区域，得到机械装配体的相关信息，可及时发现装配过程中的错误，从而降低运营成本，缩短产品生产周期，降低不良产品率，对实现机械装配体的智能监测具有重要的研究意义。
机械装配体的图像分割属于语义分割研究领域。语义分割是通过对每一个像素进行标签值预测，从而识别出图像中的内容。随着深度学习的不断发展，语义分割已经应用到了各个领域中。在无人驾驶领域中，语义分割方法可分割车载摄像头或者激光雷达的图像，自动识别出行人，人行道，障碍物等，有助于实现自动驾驶。在地理信息领域中，语义分割方法可分割卫星遥感影像，识别出影像中的道路，河流，庄稼，建筑物等，有助于地理勘测任务的完成。在医疗影像分析领域中，语义分割方法可分割医疗图像识别出病理位置和病理种类，有助于帮助医生快速判断病情。
语义分割在机械领域，特别是在机械装配领域中的应用研究较少，主要有以下几个原因：(1)机械产品结构复杂，零件之间遮挡严重，会导致机械装配体分割不准确。(2)机械零件颜色纹理信息单一，增大了机械装配体的分割难度。(3)在机械装配体分割任务中，缺乏专用的已标注数据集，而标注数据集的质量往往决定分割模型的质量。
发明内容
为了解决上述现有技术中存在的问题，本发明提出了一种基于深度学习网络的机械装配体图像分割方法、设备及介质，用于采集装配体的深度图像，从深度图像上分割出装配体的各零部件。
本发明的技术方案如下：
技术方案一：
一种基于深度学习网络的机械装配体图像分割方法，包括以下步骤：
通过深度学习网络构建由编码器网络和解码器网络组成的机械装配体轻量化语义分割模型；
建立机械装配体数据集，建立复数个机械装配体的三维模型，并对各所述三维模型中的各零件添加标记，根据所述标记对所述三维模型进行三维渲染，得到不同角度下三维模型的深度图像和对应的标签图像；从各个三维模型中分别选取一个装配阶段的深度图像，整合为测试集，剩余的深度图像作为训练集；
特征提取，将训练集中的深度图像输入到所述编码器网络中，对所述深度图像进行特征提取，获取高信息质量的特征图；
图像分割，将所述高信息质量的特征图输入至所述解码器网络中，恢复图像大小并进行特征融合，得到多维分割图；
模型优化，根据多维分割图与对应的标签图像之间的误差，更新所述编码器网络中的可训练参数；
模型输出，利用所述训练集中的深度图像，迭代执行所述特征提取、图像分割和模型优化步骤，直到达到预设的训练次数；利用所述测试集中的深度图像对所述机械装配体轻量化语义分割模型进行验证，验证成功后保存所述机械装配体轻量化语义分割模型；
图像分割，利用训练好的所述机械装配体轻量化语义分割模型对机械装配体进行图像分割，分割出机械装配体的各零件。
进一步的，所述编码器网络包含多层操作，每层操作由卷积模块、最大池化操作和选择性卷积模块组成；所述卷积模块包括卷积核、批量归一化操作和激活函数ReLu，所述编码器网络的输入端用于获取深度图像，依次通过卷积、批量归一化和激活函数ReLu操作，生成特征图；所述选择性卷积模块包括选择性卷积核，用于对所述特征图进行动态选择，生成所述高信息质量的特征图；所述最大池化操作用于扩大感受野并同时加倍输入图像的通道数。
进一步的，所述解码器网络包括多层操作，每层操作由上采样操作、通道融合操作以及两个卷积模块组成；所述上采样操作用于对所述高信息质量的特征图进行上采样，并将所述高信息质量的特征图的通道数减半；所述通道融合操作用于将所述高信息质量的特征图的通道进行合并；所述卷积模块包括卷积核和激活函数ReLu，用于对输入的图像进行卷积操作和激活操作；在所述解码器网络的最后一层的最后端，连接有一个卷积操作和激活函数ReLu，通过所述卷积操作和激活函数ReLu获取多维分割图。
进一步的，所述机械装配体轻量化语义分割模型后端还连接有一DenseCRF后处理模块，所述DenseCRF后处理模块用于对所述多维分割图进行修正，得到更细致的分割边界。
进一步的，在所述模型优化步骤中，用反向传播算法，根据交叉熵损失函数计算多维分割图与对应的标签图像之间的误差值，使用优化器反向更新所述编码器网络中的可训练参数。
技术方案二：
一种基于深度学习网络的机械装配体图像分割设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如技术方案一所述的方法。
技术方案三：
一种基于深度学习网络的机械装配体图像分割介质，其上存储有计算机程序，该程序被处理器执行时实现如技术方案一所述的方法。
本发明具有如下有益效果：
1、本发明一种基于深度学习网络的机械装配体图像分割方法，构建包括编码器网络和解码器网络的机械装配体轻量化语义分割模型，能够实现根据零部件对机械装配体进行图像分割。
2、本发明一种基于深度学习网络的机械装配体图像分割方法，编码器网络中设置有选择性卷积模块，不仅实现了动态选择机制而且使参数量大大减小，使编码器网络更加轻量化。
3、本发明一种基于深度学习网络的机械装配体图像分割方法，设置有DenseCRF后处理模块，能够修正分割图中粗糙和不确定性的标记，得到更细分割边界，提高分割性能。
附图说明
图1为本发明实施例一的流程图；
图2为本发明实施例中机械装配体轻量化语义分割模型的框架图；
图3为本发明实施例图2中选择性卷积模块的详细处理流程图。
图4为本发明实施例中机械装配体数据集的示例图。
具体实施方式
下面结合附图和具体实施例来对本发明进行详细的说明。
实施例一：
参见图1，一种基于深度学习网络的机械装配体图像分割方法，包括以下步骤：
通过深度学习网络构建由编码器网络和解码器网络组成的机械装配体轻量化语义分割模型；在本实施例中，深度学习神经网络以Unet模型为基础。
建立机械装配体数据集，首先通过SolidWorks建立复数个机械装配体的三维模型，并对各所述三维模型中的各零件添加颜色标记，根据所述标记用OSG三维渲染功能对不同角度下的所述三维模型进行批量三维渲染，得到不同角度下三维模型的深度图像和对应的标签图像；从各个三维模型中选取一个装配阶段的深度图像，整合为测试集，剩余的深度图像作为训练集；本实施例数据集由4个不同的机械装配体的不同装配阶段的深度图像组合而成；从每一个装配体中选取一个装配阶段的深度图像组成测试集，剩余每个装配体的装配阶段的深度图像组成训练集。如图4所示，图4中A部分为不同角度下三维模型的示例图；B部分为三维模型在不同装配阶段的示例图；C部分为对各零件添加了颜色标记，并进行三维渲染后的示意图(图中无法看出具体颜色)；D部分为不同装配阶段的深度图像的示例图；E部分为与深度图像对应的标签图像的示例图。
特征提取，将训练集中的深度图像输入到所述编码器网络中，对所述深度图像进行特征提取，获取高信息质量的特征图；
图像分割，将所述高信息质量的特征图输入至所述解码器网络中，恢复图像大小并进行特征融合，得到多维分割图；
模型优化，利用反向传播算法，根据交叉熵损失函数得到的多维分割图与对应的标签图像之间的误差值，使用优化器Adam反向更新所述编码器网络中的可训练参数，例如权重和偏置；
模型输出，利用所述训练集中的深度图像，迭代执行所述特征提取、图像分割和模型优化步骤，直到达到预设的训练次数；利用所述测试集中的深度图像对所述机械装配体轻量化语义分割模型进行验证，验证成功后保存所述机械装配体轻量化语义分割模型；
图像分割，利用训练好的所述机械装配体轻量化语义分割模型对机械装配体进行图像分割，分割出机械装配体的各零件；将机械装配体输入至机械装配体轻量化语义分割模型，得到多维分割图，多维分割图即根据机械装配体的各零件的分割图。
为了验证本发明提出的一种机械装配体专用轻量化语义分割模型的有效性，将现有的UNet相关轻量型的语义分割网络进行对比。数据集则使用上述步骤中建立的机械装配体数据集，评价标准采用平均交并比和像素准确率。所得结果如下表所示：
Methods Test acc Test MIOU
UNet 81.34％ 42.53％
Residual U-Net 95.11％ 66.66％
Attention_UNe 95.76％ 71.44％
MultiResUNe 95.52％ 55.06％
BCDU-Net 96.18％ 65.83％
FCN 95.09％ 66.7％
FCN-2S 94.08％ 46.56％
本发明 96.96％ 82.53％
平均交并比指正确预测的像素数量除以预测或标注为该类别的像素数量。像素准确率指预测正确的像素数量除以所有的像素数量。从上表中可以看出本发明提出的方法比现有的UNet相关轻量型的语义分割算法的语义分割性能更高。
进一步的，参见图2和图3，所述编码器网络包含多层操作，每层操作由卷积模块(图2中的A模块)、最大池化操作(图2中的B模块)和Selective Kernel Convolution Block选择性卷积模块(图2中的C模块)组成；所述卷积模块包括卷积核、批量归一化操作BN和激活函数ReLu，所述编码器网络的输入端用于获取深度图像，依次通过卷积、批量归一化BN和激活函数ReLu操作，生成初始特征图；所述选择性卷积模块(详细流程参见图3)将初始特征图分成多个分支，通过动态选择将信息量最大的分支权重加大，同时压缩没有什么用的部分，生成包含信息质量更高的所述高信息质量的特征图。实现了动态选择机制而且大大减少了网络的参数量，使得编码器网络更加轻量化。所述最大池化操作用于扩大感受野并同时加倍图像的通道数；
具体参见图2，首先，编码器网络的输入端用于获取深度图像，依次通过卷积、批量归一化BN和激活函数ReLu操作，生成初始特征图，将初始特征图输入到选择性卷积模块中。
选择性卷积模块的具体流程参见图3，首先通过深度卷积的方式将初始特征图分成r个特征图组，然后，将r个特征图组进行元素求和，使用全局平均池化(图3中的Globalpooling)来获取全局信息。全局平均池化的计算公式如下公式所示：
Figure BDA0002789818620000081
其中，H，W代表图像的大小，Uc代表特征图组求和后第c个通道，Sc代表全局平均池化后第c个元素。
然后通过卷积，批量归一化BN,激活函数ReLu,卷积等操作生成一个指导特征图。通过指导特征图指导跨通道的软关注来自适应选择信息的不同空间尺度，生成需要的特征图A。(软关注实现了自适应选择，不同的尺度空间包含不同的信息，通过选择，可以有效提取有用的尺度空间，避免无用的信息。)接着将r个特征图A进行元素求和，再通过卷积，批量归一化BN,激活函数ReLu，再与输入到编码器网络中的深度图像进行元素求和，最后经过激活函数ReLu，对上述的特征图A又进行了一步操作，获取更多语义信息，也为了防止梯度消失的问题，最终得到高信息质量的特征图。本实施例在机械装配体轻量化语义分割模型(SKC-UNet)的编码器网络中通过使用Selective Kernel Convolution Block替代U-Net编码器中的第二个卷积块，不仅实现了动态选择机制而且大大减少了网络的参数量，使得SKC-UNet网络更加轻量化。
进一步的，所述解码器网络包括多层操作，每层操作由上采样操作(图2中的D模块)、通道融合操作(图2中的E模块)以及两个卷积模块(图2中的F模块)组成；所述上采样操作用于对所述高信息质量的特征图进行上采样，并将所述高信息质量的特征图的通道数减半；所述通道融合操作用于将所述高信息质量的特征图的通道进行合并；所述卷积模块包括卷积核和激活函数ReLu，用于对输入的图像进行卷积操作和激活操作；在所述解码器网络的最后一层的最后端，连接有一个卷积操作和激活函数ReLu，通过所述卷积操作和激活函数ReLu获取多维分割图。
进一步的，所述机械装配体轻量化语义分割模型后端还连接有一Fullyconnected Conditional Random Field简称DenseCRF后处理模块；DenseCRF后处理模块是将特征图中每个像素作为节点，每个像素与其他所有像素之间的关系作为边组成的概率图模型。将分割图中像素标签的分配问题表述为一个概率推理问题，DenseCRF推理将修正分割图中粗糙和不确定性的标记，修正微小的错分区域，得到更细致的分割边界，提高语义分割模型的分割性能。
DenseCRF的能量函数如下公式所示：
E(x)＝∑iθi(xi)+∑ijθij(xi,xj)；
χ指像素的分配，xi表示像素i的标签。其中θi(xi)＝-logP(xi)，P(xi)指经由SKC-UNet输出图像像素i的标签是xi的概率。
Figure BDA0002789818620000101
Figure BDA0002789818620000102
若xi＝xj，则μ(xi,xj)＝1，否则为0，Km是高斯核。
Figure BDA0002789818620000103
Figure BDA0002789818620000104
pi，pj表示像素i，j位置。Ii，Ij表示像素i，j的颜色强度。w表示对高斯核的加权。超参数σα,σβandσγ控制高斯核的规格。
从上述公式可知，将能量E(x)最小化，可得出给定图像的最可能的标签分配χ。DenseCRF鼓励相似像素分配相同的标签，而相差较大的像素分配不同标签，从而改善分割性能。
实施例二：
一种基于深度学习网络的机械装配体图像分割设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例一所述的方法。
实施例三：
一种基于深度学习网络的机械装配体图像分割介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的方法。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种基于深度学习网络的机械装配体图像分割方法，其特征在于，包括以下步骤：
通过深度学习网络构建由编码器网络和解码器网络组成的机械装配体轻量化语义分割模型；
建立机械装配体数据集，建立复数个机械装配体的三维模型，并对各所述三维模型中的各零件添加标记，根据所述标记对所述三维模型进行三维渲染，得到不同角度下三维模型的深度图像和对应的标签图像；从各个三维模型中分别选取一个装配阶段的深度图像，整合为测试集，剩余的深度图像作为训练集；
特征提取，将训练集中的深度图像输入到所述编码器网络中，对所述深度图像进行特征提取，获取高信息质量的特征图；
图像分割，将所述高信息质量的特征图输入至所述解码器网络中，恢复图像大小并进行特征融合，得到多维分割图；
模型优化，根据多维分割图与对应的标签图像之间的误差，更新所述编码器网络中的可训练参数；
模型输出，利用所述训练集中的深度图像，迭代执行所述特征提取、图像分割和模型优化步骤，直到达到预设的训练次数；利用所述测试集中的深度图像对所述机械装配体轻量化语义分割模型进行验证，验证成功后输出所述机械装配体轻量化语义分割模型；
图像分割，利用训练好的所述机械装配体轻量化语义分割模型对机械装配体进行图像分割，分割出机械装配体的各零件；
所述编码器网络包含多层操作，每层操作由卷积模块、最大池化操作和选择性卷积模块组成；所述卷积模块包括卷积核、批量归一化操作和激活函数ReLu，所述编码器网络的输入端用于获取深度图像，依次通过卷积、批量归一化和激活函数ReLu操作，生成初始特征图；所述选择性卷积模块包括选择性卷积核，用于对所述初始特征图进行动态选择，生成所述高信息质量的特征图；所述最大池化操作用于扩大感受野并同时加倍输入图像的通道数；
所述解码器网络包括多层操作，每层操作由上采样操作、通道融合操作以及两个卷积模块组成；所述上采样操作用于对所述高信息质量的特征图进行上采样，并将所述高信息质量的特征图的通道数减半；所述通道融合操作用于将所述高信息质量的特征图的通道进行合并；所述卷积模块包括卷积核和激活函数ReLu，用于对输入的图像进行卷积操作和激活操作；在所述解码器网络的最后一层的最后端，连接有一个卷积操作和激活函数ReLu，通过所述卷积操作和激活函数ReLu获取多维分割图。
2.根据权利要求1所述的一种基于深度学习网络的机械装配体图像分割方法，其特征在于：所述机械装配体轻量化语义分割模型后端还连接有一DenseCRF后处理模块，所述DenseCRF后处理模块用于对所述多维分割图进行修正，得到更细致的分割边界。
3.根据权利要求1所述的一种基于深度学习网络的机械装配体图像分割方法，其特征在于：在所述模型优化步骤中，用反向传播算法，根据交叉熵损失函数计算多维分割图与对应的标签图像之间的误差值，使用优化器反向更新所述编码器网络中的可训练参数。
4.一种基于深度学习网络的机械装配体图像分割设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述的方法。
5.一种基于深度学习网络的机械装配体图像分割介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至3任一项所述的方法。
CN202011310983.0A 2020-11-20 2020-11-20 一种基于深度学习网络的机械装配体图像分割方法和设备 Active CN112288750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011310983.0A CN112288750B (zh) 2020-11-20 2020-11-20 一种基于深度学习网络的机械装配体图像分割方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011310983.0A CN112288750B (zh) 2020-11-20 2020-11-20 一种基于深度学习网络的机械装配体图像分割方法和设备

Publications (2)

Publication Number Publication Date
CN112288750A CN112288750A (zh) 2021-01-29
CN112288750B true CN112288750B (zh) 2022-09-20

Family

ID=74398484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011310983.0A Active CN112288750B (zh) 2020-11-20 2020-11-20 一种基于深度学习网络的机械装配体图像分割方法和设备

Country Status (1)

Country Link
CN (1) CN112288750B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409840B (zh) * 2022-11-01 2023-10-10 北京石油化工学院 一种人体背部腧穴智能定位系统和方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269237B (zh) * 2021-05-10 2022-12-27 青岛理工大学 基于注意力机制的装配体变化检测方法、设备和介质
CN113269236B (zh) * 2021-05-10 2022-04-01 青岛理工大学 基于多模型集成的装配体变化检测方法、设备和介质
CN113269235B (zh) * 2021-05-10 2022-12-27 青岛理工大学 一种基于无监督学习的装配体变化检测方法及设备
CN113269786B (zh) * 2021-05-19 2022-12-27 青岛理工大学 基于深度学习和引导滤波的装配体图像分割方法及设备
CN115913984A (zh) * 2021-09-29 2023-04-04 北京邮电大学 基于模型的信息业务服务提供方法、系统、设备及介质
CN113971774B (zh) * 2021-10-11 2024-07-02 天津大学 一种输水结构表面淡水壳菜空间分布特征识别方法
CN114863245B (zh) * 2022-05-26 2024-06-04 中国平安人寿保险股份有限公司 图像处理模型的训练方法和装置、电子设备及介质
CN116228985B (zh) * 2023-03-17 2023-10-20 合肥泰瑞数创科技有限公司 基于多维图像编码的建筑物室内语义模型的构建方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816049A (zh) * 2019-02-22 2019-05-28 青岛理工大学 一种基于深度学习的装配监测方法、设备及可读存储介质
CN111127493A (zh) * 2019-11-12 2020-05-08 中国矿业大学 基于注意力多尺度特征融合的遥感图像语义分割方法
CN111275711A (zh) * 2020-01-08 2020-06-12 西安电子科技大学 基于轻量级卷积神经网络模型的实时图像语义分割方法
CN111816156A (zh) * 2020-06-02 2020-10-23 南京邮电大学 基于说话人风格特征建模的多对多语音转换方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816049A (zh) * 2019-02-22 2019-05-28 青岛理工大学 一种基于深度学习的装配监测方法、设备及可读存储介质
CN111127493A (zh) * 2019-11-12 2020-05-08 中国矿业大学 基于注意力多尺度特征融合的遥感图像语义分割方法
CN111275711A (zh) * 2020-01-08 2020-06-12 西安电子科技大学 基于轻量级卷积神经网络模型的实时图像语义分割方法
CN111816156A (zh) * 2020-06-02 2020-10-23 南京邮电大学 基于说话人风格特征建模的多对多语音转换方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Selective Kernel Networks;Xiang Li et al.;《arXiv：1903.06586v2》;20190318;第1-12页 *
U-Net：Convolutional Networks for Biomedical Image Segmentation;Olaf Ronneberger et al.;《arXiv:1505.04597v1》;20150518;第2-3节 *
基于深度图像的零件识别及装配监测;田中可 等;《计算机集成制造系统》;20200228;第26卷(第2期);第2节，第5-6节 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409840B (zh) * 2022-11-01 2023-10-10 北京石油化工学院 一种人体背部腧穴智能定位系统和方法

Also Published As

Publication number Publication date
CN112288750A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN112288750B (zh) 一种基于深度学习网络的机械装配体图像分割方法和设备
US10713563B2 (en) Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering
CN110084817B (zh) 基于深度学习的数字高程模型生产方法
US20100183217A1 (en) Method and apparatus for image processing
CN107622272A (zh) 一种图像分类方法及装置
CN109029363A (zh) 一种基于深度学习的目标测距方法
CN105678284A (zh) 一种固定位人体行为分析方法
CN112001218A (zh) 一种基于卷积神经网络的三维颗粒类别检测方法及系统
CN112036249B (zh) 端对端行人检测及属性识别的方法、系统、介质及终端
CN111325766B (zh) 三维边缘检测方法、装置、存储介质和计算机设备
CN114549470B (zh) 基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法
CN113269224A (zh) 一种场景图像分类方法、系统及存储介质
CN114998362B (zh) 基于双分割模型的医学图像分割方法
CN114550014B (zh) 道路分割方法及计算机装置
CN113192076A (zh) 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法
CN116883650A (zh) 一种基于注意力和局部拼接的图像级弱监督语义分割方法
CN112488996A (zh) 非齐次三维食管癌能谱ct弱监督自动标注方法与系统
CN117933345B (zh) 一种医学图像分割模型的训练方法
CN113496221A (zh) 基于深度双边滤波的点监督遥感图像语义分割方法及系统
CN114898417B (zh) 一种基于协调注意力深度神经网络的菊头蝠识别方法
Mowla et al. Weeds Detection Networks
CN113516670B (zh) 一种反馈注意力增强的非模式图像分割方法及装置
US20230004791A1 (en) Compressed matrix representations of neural network architectures based on synaptic connectivity
Haider et al. An Artificial Intelligence-Based Framework for Fruits Disease Recognition Using Deep Learning.
CN113762128A (zh) 一种基于无监督学习的高光谱影像分类方法

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