CN112365426B - 一种基于双分支卷积神经网络的红外图像边缘增强方法 - Google Patents
一种基于双分支卷积神经网络的红外图像边缘增强方法 Download PDFInfo
- Publication number
- CN112365426B CN112365426B CN202011341892.3A CN202011341892A CN112365426B CN 112365426 B CN112365426 B CN 112365426B CN 202011341892 A CN202011341892 A CN 202011341892A CN 112365426 B CN112365426 B CN 112365426B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- branch
- network
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000009659 non-destructive testing Methods 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005215 recombination Methods 0.000 claims description 7
- 230000006798 recombination Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004880 explosion Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims 2
- 238000012795 verification Methods 0.000 claims 2
- 238000003708 edge detection Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Abstract
一种基于双分支卷积神经网络的红外图像边缘增强方法,属于红外无损检测领域和图像处理领域,包括:构建红外无损检测边缘增强专用数据集;设计了一种基于双分支的红外无损检测图边缘增强卷积网络。首先使用红外检测设备采集红外图像,并利用边缘检测得到红外无损检测的边缘图像;将原始图像与对应的边缘图像组成双输入,输入到双通道卷积网络的特征提取模块,将边缘图像网络分支中提取到的信息输入到原始图像分支网络,增化边缘信息,并通过注意力机制重新调整强化后的图像特征。能有效提升红外图像的边缘增强性能,解决了红外图像中边缘模糊的问题,提升了缺陷的可读性。
Description
技术领域
本发明属于红外无损检测领域和图像处理领域,具体涉及一种基于双分支卷积神经网络的红外检测图像边缘增强方法。
背景技术
红外无损检测技术是一门跨学科、跨应用领域的通用型实用技术,是一种创新性的无损检测技术。国际上积极发展的新型数字化无损检测技术,可实现对金属、非金属及复合材料中存在的裂纹、脱粘等缺陷进行检测,具有非接触、检测面积大、速度快、在线检测等优点。与常规超声、磁粉、渗透、涡流等无损检测技术相比,它的创新性在于采用了主动式加热方式,使材料表面下的物理特性通过其表面温度变化反映出来,具有更快速、更精确、非接触等特点。由于红外无损检测成像的固有机制,导致红外图像的边缘模糊,难以准确提取到缺陷的边缘信息,无法实现缺陷的定量分析。如何设计一种方法,有效的增强红外无损检测图像中的边缘信息,是实现缺陷定量分析的关键环节。
发明内容
本发明的目的是提供一种基于双分支卷积神经网络的红外检测图像边缘增强方法。
本发明是一种基于双分支卷积神经网络的红外检测图像边缘增强方法,其步骤为:
步骤(1):采集红外无损检测图像,构建专用数据集。通过专业红外无损检测人员来手工标记红外图像中的边缘信息,生成二值图像作为监督信号;
步骤(2):双分支卷积网络包括原始图像分支和边缘图像分支,原始图像分支用于提取原始图像中的特征,最终的输出为与输入同尺寸的二值图像;同样地,边缘图像分支用于提取边缘图像中的特征,其最终输入为与输入同尺寸的二值图像;
具体为,原始图像分支由特征提取模块、特征重组模块、CA模块,通道注意力机制模块、特征融合与降维模块组成;
首先将原始图像输入原始图像分支,经过各模块处理后,输出红外图像的边缘二值图像;
具体为,边缘图像分支由特征提取模块、特征融合与降维模块组成;该分支的输入是原始图像的梯度图像,即边缘图像,经过各模块处理后,输出红外图像的边缘二值图像;
步骤(3):从训练集中随机提取出多张图像作为Batch,作为原始图像分支网络的输入;将Batch中的图像转化为灰度图像后,对每张图像计算梯度图,作为边缘图像分支网络的输入;
步骤(4):将步骤(3)中的原始图像Batch和梯度图Batch输入对应的分支网络中,分别通过特征提取模块提取输入图像的特征;
步骤(5):将步骤(3)中,边缘图像分支网络提取到的特征,通过Concat方式输入到原始图像分支网络中,将两个分支提取到的特征进行重组,以强化边缘特征,并形成高维度的特征;通过CA模块,对高维度特征的每个通道进行权重优化,以提高网络性能;
步骤(6):在原始图像分支中,将重组特征输入到后续的特征融合和降维模块,最终输出缺陷边缘的二值图像;同样地,在边缘图像分支网络中,对特征进行融合和降维,输出缺陷边缘的二值图像;
步骤(7):损失函数由两部分组成,第一部分为原始图像分支网络的输出与监督信号间的损失,第二部分为边缘分支网络的输出与监督信号间的损失,通过超参数调整两部分损失的权重,并将两部分损失相加作为网络的整体损失;
步骤(8):通过随机梯度下降对网络参数进行优化,更新网络参数;
步骤(9):重复步骤(3)~步骤(8),直到达到训练停止条件或训练最大次数,保存训练好的网络模型。
与现有技术相比,本发明的有益效果:
(1)本发明采用了端到端卷积神经网络直接生成缺陷边缘的二值图像,输出结构可以直接呈现缺陷的清晰边缘,一定程度上解决了缺陷定量分析困难的问题;(2)本发明设计了专门用于红外图像边缘增强的专用数据集,该数据集不仅可以用于边缘增强,也可以用于训练其他的红外图像任务。
附图说明
图1为本发明提供的基于双分支卷积神经网络的红外检测图像边缘增强方法示意图,图2为CA模块示意图。
具体实施方式
本发明是一种基于双分支卷积神经网络的红外检测图像边缘增强方法,其步骤为:
步骤(1):采集红外无损检测图像,构建专用数据集。通过专业红外无损检测人员来手工标记红外图像中的边缘信息,生成二值图像作为监督信号;
步骤(2):双分支卷积网络包括原始图像分支和边缘图像分支,原始图像分支用于提取原始图像中的特征,最终的输出为与输入同尺寸的二值图像;同样地,边缘图像分支用于提取边缘图像中的特征,其最终输入为与输入同尺寸的二值图像;
具体为,原始图像分支由特征提取模块、特征重组模块、CA模块,通道注意力机制模块、特征融合与降维模块组成;
首先将原始图像输入原始图像分支,经过各模块处理后,输出红外图像的边缘二值图像;
具体为,边缘图像分支由特征提取模块、特征融合与降维模块组成;该分支的输入是原始图像的梯度图像,即边缘图像,经过各模块处理后,输出红外图像的边缘二值图像;
步骤(3):从训练集中随机提取出多张图像作为Batch,作为原始图像分支网络的输入;将Batch中的图像转化为灰度图像后,对每张图像计算梯度图,作为边缘图像分支网络的输入;
步骤(4):将步骤(3)中的原始图像Batch和梯度图Batch输入对应的分支网络中,分别通过特征提取模块提取输入图像的特征;
步骤(5):将步骤(3)中,边缘图像分支网络提取到的特征,通过Concat方式输入到原始图像分支网络中,将两个分支提取到的特征进行重组,以强化边缘特征,并形成高维度的特征;通过CA模块,对高维度特征的每个通道进行权重优化,以提高网络性能;
步骤(6):在原始图像分支中,将重组特征输入到后续的特征融合和降维模块,最终输出缺陷边缘的二值图像;同样地,在边缘图像分支网络中,对特征进行融合和降维,输出缺陷边缘的二值图像;
步骤(7):损失函数由两部分组成,第一部分为原始图像分支网络的输出与监督信号间的损失,第二部分为边缘分支网络的输出与监督信号间的损失,通过超参数调整两部分损失的权重,并将两部分损失相加作为网络的整体损失;
步骤(8):通过随机梯度下降对网络参数进行优化,更新网络参数;
步骤(9):重复步骤(3)~步骤(8),直到达到训练停止条件或训练最大次数,保存训练好的网络模型。
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。本发明的基于双分支卷积神经网络的红外检测图像边缘增强方法,其步骤为:
步骤一:采集红外无损检测图像,构建专用数据集。通过专业红外无损检测人员来手工标记红外图像中的边缘信息,生成二值图像作为监督信号。
共采集2000张红外无损检测,通过人工标记生成二值图像作为监督信号,每张红外图像与对应边缘图像形成图像对。数据集中含有2000对图像,2000张为RGB图像,2000为二值图像。按照3:1:1的比例划分为训练集,验证集和测试,其中训练集含有1200对图像,验证集和测试集中各含有400对图像。
步骤二:本发明提出的双分支卷积网络包括原始图像分支和边缘图像分支,对于原始图像分支网络由特征提取模块、特征重组模块、CA模块(通道注意力机制模块)、特征融合与降维模块组成。特征提取模块由卷积层、BN层和激活层组成,卷积层通道设置为(3,128),卷积核大小为3,步长为1,padding为1;BN层用于对特征的批标准化,防止过拟合;激活层为ReLU激活函数,解决梯度爆炸对网络训练的影响。特征重组模块是将边缘图像分支网络中提取的特征与原始图像特征进行组合,组合后的特征通道数为256,并由CA(SENet)来调整通道的权重。特征融合与降维模块,由卷积层、BN层和激活层组成,卷积层中,卷积核大小均设置为3,步长为1,padding为1,通道数见图1所示,激活层均为ReLU函数。
对于边缘图像分支由特征提取模块、特征融合与降维模块组成。对于边缘图像分支网络由特征提取模块、特征融合与降维模块组成。特征提取模块由卷积层、BN层和激活层组成,卷积层通道设置为(1,128),卷积核大小为3,步长为1,padding为1;BN层用于对特征的批标准化,防止过拟合;激活层为ReLU激活函数,解决梯度爆炸对网络训练的影响。特征融合与降维模块,由卷积层、BN层和激活层组成,卷积层中,卷积核大小均设置为3,步长为1,padding为1,通道数见图1所示,激活层均为ReLU函数。
步骤三:从训练集中随机提取出20张图像作为Batch,作为原始图像分支网络的输入。将Batch中的图像转化为灰度图像后,对每张图像计算梯度图,作为边缘图像分支网络的输入。设I为原始图像,则灰度图像Igray=RGB2GRAY(I),梯度图像为
步骤四:将步骤三中的原始图像Batch和梯度图Batch输入对应的分支网络中,分别通过特征提取模块提取输入图像的特征。
步骤五:将步骤三中,边缘图像分支网络提取到的特征,通过Concat方式输入到原始图像分支网络中,形成高维度的特征,特征通道数为128*2。通过CA模块,对高维度特征的每个通道进行权重优化,以提高网络性能。
特征的维度较高,引入注意力机制可以有效的提高网络的性能,即图1中的CA模块。
ω=σ(f{W1,W2}(g(χ)))
式中,g(χ)表示全局平局池化操作,σ是Sigmoid函数。令y=g(χ),f{W1,W2}可从下式得到:
f{W1,W2}y=W2RELU(W1y)
步骤六:在原始图像分支中,将重组特征输入到后续的特征融合和降维模块,最终输出缺陷边缘的二值图像。同样地,在边缘图像分支网络中,对特征进行融合和降维,输出缺陷边缘的二值图像。
步骤七:网络的损失函数由两部分组成。第一部分为原始图像分支网络的输出与监督信号间的损失,第二部分为边缘分支网络的输出与监督信号间的损失,将两部分损失相加作为网络的整体损失,第一部分采用MSE损失,第二部分采用L1损失,超参数α=0.85,具体如下:
Loss=MSE_loss(output1,label)+α·L1_loss(output2,label)。
步骤八:通过随机梯度下降对网络参数进行优化,更新网络参数;本发明中采用动量梯度下降更新参数,学习率设置为0.001,动量设置为0.9。
步骤九:重复步骤3-8,知道达到训练停止条件或训练最大次数,保存训练好的网络模型。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (2)
1.一种基于双分支卷积神经网络的红外检测图像边缘增强方法,其特征在于,其步骤为:
步骤(1):采集红外无损检测图像,构建专用数据集, 通过专业红外无损检测人员来手工标记红外图像中的边缘信息,生成二值图像作为监督信号;
步骤(2):双分支卷积网络包括原始图像分支和边缘图像分支,原始图像分支用于提取原始图像中的特征,最终的输出为与输入同尺寸的二值图像;同样地,边缘图像分支用于提取边缘图像中的特征,其最终输入为与输入同尺寸的二值图像;
具体为,原始图像分支由特征提取模块、特征重组模块、CA模块,通道注意力机制模块、特征融合与降维模块组成;
首先将原始图像输入原始图像分支,经过各模块处理后,输出红外图像的边缘二值图像;
具体为,边缘图像分支由特征提取模块、特征融合与降维模块组成;该分支的输入是原始图像的梯度图像,即边缘图像,经过各模块处理后,输出红外图像的边缘二值图像;
步骤(3):从训练集中随机提取出多张图像作为Batch,作为原始图像分支网络的输入;将Batch中的图像转化为灰度图像后,对每张图像计算梯度图,作为边缘图像分支网络的输入;
步骤(4):将步骤(3)中的原始图像Batch和梯度图Batch输入对应的分支网络中,分别通过特征提取模块提取输入图像的特征;
步骤(5):将步骤(3)中,边缘图像分支网络提取到的特征,通过Concat方式输入到原始图像分支网络中,将两个分支提取到的特征进行重组,以强化边缘特征,并形成高维度的特征;通过CA模块,对高维度特征的每个通道进行权重优化,以提高网络性能;
步骤(6):在原始图像分支中,将重组特征输入到后续的特征融合和降维模块,最终输出缺陷边缘的二值图像;同样地,在边缘图像分支网络中,对特征进行融合和降维,输出缺陷边缘的二值图像;
步骤(7):损失函数由两部分组成,第一部分为原始图像分支网络的输出与监督信号间的损失,第二部分为边缘分支网络的输出与监督信号间的损失,通过超参数调整两部分损失的权重,并将两部分损失相加作为网络的整体损失;
步骤(8):通过随机梯度下降对网络参数进行优化,更新网络参数;
步骤(9):重复步骤(3)~步骤(8),直到达到训练停止条件或训练最大次数,保存训练好的网络模型。
2.根据权利要求1所述的基于双分支卷积神经网络的红外检测图像边缘增强方法,其特征在于:
步骤(1):采集红外无损检测图像,构建专用数据集;手工标记红外图像中的边缘信息,生成二值图像作为监督信号;
共采集2000张红外无损检测,通过人工标记生成二值图像作为监督信号,每张红外图像与对应边缘图像形成图像对;数据集中含有2000对图像,2000张为RGB图像,2000为二值图像;按照3:1:1的比例划分为训练集,验证集和测试,其中训练集含有1200对图像,验证集和测试集中各含有400对图像;
步骤(2):双分支卷积网络包括原始图像分支和边缘图像分支,对于原始图像分支网络由特征提取模块、特征重组模块、CA模块(通道注意力机制模块)、特征融合与降维模块组成;
特征提取模块由卷积层、BN层和激活层组成,卷积层通道设置为(3,128),卷积核大小为3,步长为1,padding为1;BN层用于对特征的批标准化,防止过拟合;激活层为ReLU激活函数,解决梯度爆炸对网络训练的影响;
特征重组模块是将边缘图像分支网络中提取的特征与原始图像特征进行组合,组合后的特征通道数为256,并由CA(SENet)来调整通道的权重;
特征融合与降维模块,由卷积层、BN层和激活层组成,卷积层中,卷积核大小均设置为3,步长为1,padding为1,通道数见图1所示,激活层均为ReLU函数;
对于边缘图像分支由特征提取模块、特征融合与降维模块组成; 对于边缘图像分支网络由特征提取模块、特征融合与降维模块组成;
特征提取模块由卷积层、BN层和激活层组成,卷积层通道设置为(1,128),卷积核大小为3,步长为1,padding为1;BN层用于对特征的批标准化,防止过拟合;激活层为ReLU激活函数,解决梯度爆炸对网络训练的影响;
特征融合与降维模块,由卷积层、BN层和激活层组成,卷积层中,卷积核大小均设置为3,步长为1,padding为1,激活层均为ReLU函数;
步骤(3):从训练集中随机提取出20张图像作为Batch,作为原始图像分支网络的输入;将Batch中的图像转化为灰度图像后,对每张图像计算梯度图,作为边缘图像分支网络的输入;设I为原始图像,则灰度图像Igray=RGB2GRAY(I),梯度图像为
步骤(4):将步骤(3)中的原始图像Batch和梯度图Batch输入对应的分支网络中,分别通过特征提取模块提取输入图像的特征;
步骤(5):将步骤(3)中,边缘图像分支网络提取到的特征,通过Concat方式输入到原始图像分支网络中,形成高维度的特征,特征通道数为128*2;通过CA模块,对高维度特征的每个通道进行权重优化,以提高网络性能;
ω=σ(f{W1,W2}(g(χ)))
式中,g(χ)表示全局平局池化操作,σ是Sigmoid函数;
令y=g(χ),f{W1,W2}从下式得到:
f{W1,W2}y=W2RELU(W1y)
步骤(6):在原始图像分支中,将重组特征输入到后续的特征融合和降维模块,最终输出缺陷边缘的二值图像;同样地,在边缘图像分支网络中,对特征进行融合和降维,输出缺陷边缘的二值图像;
步骤(7):网络的损失函数由两部分组成,第一部分为原始图像分支网络的输出与监督信号间的损失,第二部分为边缘分支网络的输出与监督信号间的损失,将两部分损失相加作为网络的整体损失,第一部分采用MSE损失,第二部分采用L1损失,超参数α=0.85,具体如下:
Loss=MSE_loss(output1,label)+α·L1_loss(output2,label);
步骤(8):通过随机梯度下降对网络参数进行优化,更新网络参数;采用动量梯度下降更新参数,学习率设置为0.001,动量设置为0.9;
步骤(9):重复步骤(3)~步骤(8),直到达到训练停止条件或训练最大次数,保存训练好的网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011341892.3A CN112365426B (zh) | 2020-11-25 | 2020-11-25 | 一种基于双分支卷积神经网络的红外图像边缘增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011341892.3A CN112365426B (zh) | 2020-11-25 | 2020-11-25 | 一种基于双分支卷积神经网络的红外图像边缘增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365426A CN112365426A (zh) | 2021-02-12 |
CN112365426B true CN112365426B (zh) | 2022-06-07 |
Family
ID=74533382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011341892.3A Active CN112365426B (zh) | 2020-11-25 | 2020-11-25 | 一种基于双分支卷积神经网络的红外图像边缘增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365426B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966748B (zh) * | 2021-03-09 | 2022-06-10 | 中国电子科技集团公司第五十四研究所 | 基于边缘感知双分支fcn的极化sar图像分类方法 |
CN113077444A (zh) * | 2021-04-01 | 2021-07-06 | 复旦大学 | 一种基于cnn的超声无损检测图像缺陷分类方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030016856A1 (en) * | 2001-06-29 | 2003-01-23 | Walker James K. | Method and apparatus for image processing and display |
US9036892B2 (en) * | 2012-12-31 | 2015-05-19 | General Electric Company | Systems and methods for data entry in a non-destructive testing system |
US9538677B2 (en) * | 2013-03-13 | 2017-01-03 | General Electric Company | System for mobile device cradle and tube gripper of non-destructive testing inspection device |
CN105241953A (zh) * | 2015-11-05 | 2016-01-13 | 沈阳建筑大学 | 金刚石圆锯片焊缝涡流检测装置及系统 |
CN106324035A (zh) * | 2016-08-18 | 2017-01-11 | 国网天津市电力公司 | 一种基于红外热成像的在线电力设备故障检测终端 |
US20180159722A1 (en) * | 2016-12-06 | 2018-06-07 | Intel Corporation | Dynamically composed network resources method and apparatus |
CN108513672A (zh) * | 2017-07-27 | 2018-09-07 | 深圳市大疆创新科技有限公司 | 增强图像对比度的方法、设备及存储介质 |
CN109544487A (zh) * | 2018-09-30 | 2019-03-29 | 西安电子科技大学 | 一种基于卷积神经网络的红外图像增强方法 |
CN109584248B (zh) * | 2018-11-20 | 2023-09-08 | 西安电子科技大学 | 基于特征融合和稠密连接网络的红外面目标实例分割方法 |
US20200353832A1 (en) * | 2019-05-08 | 2020-11-12 | Byton North America Corporation | Deep neural network based driving assistance system |
CN111489338A (zh) * | 2020-04-07 | 2020-08-04 | 中铁工程服务有限公司 | 一种盾构机液压管路内部缺陷无损检测方法 |
CN111582401B (zh) * | 2020-05-15 | 2021-07-23 | 中原工学院 | 一种基于双分支卷积神经网络的向日葵种子分选方法 |
CN111611907B (zh) * | 2020-05-18 | 2023-10-31 | 沈阳理工大学 | 一种图像增强的红外目标检测方法 |
CN111650250A (zh) * | 2020-07-06 | 2020-09-11 | 中国人民解放军32181部队 | 一种碳纤维增强复合材料无损检测方法及系统 |
-
2020
- 2020-11-25 CN CN202011341892.3A patent/CN112365426B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112365426A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
He et al. | Optimized input for CNN-based hyperspectral image classification using spatial transformer network | |
Zou et al. | Deep learning based feature selection for remote sensing scene classification | |
CN112365426B (zh) | 一种基于双分支卷积神经网络的红外图像边缘增强方法 | |
CN108062551A (zh) | 一种基于邻接矩阵的图特征提取系统、图分类系统和方法 | |
CN109727246A (zh) | 一种基于孪生网络的对比学习图像质量评估方法 | |
CN111444924B (zh) | 一种病虫害检测及灾害等级分析方法及系统 | |
CN114677346B (zh) | 基于记忆信息的端到端的半监督图像表面缺陷的检测方法 | |
CN114463759A (zh) | 一种基于无锚框算法的轻量化文字检测方法及装置 | |
CN109948692A (zh) | 基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 | |
CN114898284B (zh) | 一种基于特征金字塔局部差异注意力机制的人群计数方法 | |
CN110969606A (zh) | 一种纹理表面缺陷检测方法及系统 | |
CN113077444A (zh) | 一种基于cnn的超声无损检测图像缺陷分类方法 | |
Zhu et al. | Ecfnet: A siamese network with fewer fps and fewer fns for change detection of remote-sensing images | |
CN111597983A (zh) | 基于深度卷积神经网络实现生成式虚假人脸图像鉴定的方法 | |
CN115205521A (zh) | 基于神经网络的厨余垃圾检测方法 | |
CN107909120A (zh) | 基于互斥性标签k‑svd及多尺度稀疏的高光谱图像分类方法 | |
Sun et al. | Using minimum component and CNN for satellite remote sensing image cloud detection | |
CN112802048B (zh) | 具有不对称结构的图层生成对抗网络生成方法及装置 | |
Hu et al. | Online recognition of magnetic tile defects based on UPM-DenseNet | |
CN107184224B (zh) | 一种基于双模态极限学习机的肺结节诊断方法 | |
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 | |
CN107180419A (zh) | 一种基于pca网络的中值滤波检测方法 | |
CN112085727A (zh) | 一种热轧钢材表面氧化铁皮结构智能识别方法 | |
CN115205650B (zh) | 基于多尺度标准化流的无监督异常定位与检测方法及装置 |
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 |