CN112435264A - 一种基于深度学习的42CrMo单相金相组织分割方法及系统 - Google Patents
一种基于深度学习的42CrMo单相金相组织分割方法及系统 Download PDFInfo
- Publication number
- CN112435264A CN112435264A CN202011197268.0A CN202011197268A CN112435264A CN 112435264 A CN112435264 A CN 112435264A CN 202011197268 A CN202011197268 A CN 202011197268A CN 112435264 A CN112435264 A CN 112435264A
- Authority
- CN
- China
- Prior art keywords
- 42crmo
- metallographic structure
- image
- phase metallographic
- phase
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000011218 segmentation Effects 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000003709 image segmentation Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 229910001149 41xx steel Inorganic materials 0.000 claims description 2
- 239000002245 particle Substances 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10056—Microscopic 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的42CrMo单相金相组织分割方法及系统，通过将带有真值标签的42CrMo单相金相组织图像数据库分为训练集和测试集；然后将U‑Net模型中的卷积层增加至六块卷积层，去除U‑Net模型中影像重叠策略Overlap‑tile strategy，在U‑Net模型中增加能够归一化每层网络的输入的归一化处理，得到改进后的U‑Net模型，利用六块卷积层，增加网络的深度更好的提取碳化物颗粒特征，将输入图像删减了影像重叠策略，避免图像重影干涉，更容易获取图像，在精度上更好的提取了碳化物颗粒特征信息，增加批量归一化处理，使得每层网络输入标准化，在一定程度上使得网络的收敛速度更快，进而提高了训练速度，从而有效提高了42CrMo金相图像的研究效率。
Description
技术领域
本发明属于单相金图像处理领域，具体涉及一种基于深度学习的42CrMo单相金相组织分割方法及系统。
背景技术
图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分。图像分割技术在42CrMo单相金相组织中分割碳化物组织有着重要的应用。常见的图像分割算法包括FCM模糊聚类算法(Chatzis S P,Varvarigou T A.A fuzzy clusteringapproach toward hidden Markov random field models for enhanced spatiallyconstrained image segmentation[J].IEEE Transactions on Fuzzy Systems，2008，16(5):1351-1361.)、Otsu大津算法(Nobuyuki Otsu.A Threshold Selection Method fromGray-Level Histograms,Systems,Man and Cybernetics,IEEE Transactions on,vol.9,no.1,pp.62-66,Jan.1979.)以及ACM活动轮廓算法(M.Kass，A.Witkin，andD.Terzopoulos.Snakes:Active contour models,International J.Comuter Version,1，pp.321-331,1987.)，FCM算法尽管在许多自然图像与遥感图像等图像分割中取得了较好的分割效果，有效且精准地分割了目标物体与背景物体，然而对42CrMo金相图像中碳化物的分割效果却不佳，无法将研究目标碳化物与图像背景基体组织有效分离，Otsu算法不能有效地将基体部分与碳化物部分分割开来，大部分背景基体组织被错分为碳化物，分割效果不佳，应用ACM模型提取金相图像碳化物边缘，相对FCM算法分割与Canny算子提取碳化物边缘的效果较好，但是仍有部分将基体错分为碳化物的现象，由于碳化物边缘较为模糊，部分碳化物不能完整被提取，这对于42CrMo金相图像中碳化物的研究造成了极大的困扰，严重制约了42CrMo金相图像的研究效率。
发明内容
本发明的目的在于提供一种基于深度学习的42CrMo单相金相组织分割方法及系统，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种基于深度学习的42CrMo单相金相组织分割方法，包括以下步骤：
步骤1)，将带有真值标签的42CrMo单相金相组织图像数据库分为训练集和测试集；
步骤2)，将U-Net模型中的卷积层增加至六块卷积层，去除U-Net模型中影像重叠策略Overlap-tile strategy，在U-Net模型中增加能够归一化每层网络的输入的归一化处理，得到改进后的U-Net模型；
步骤3)，从将上述改进之后的U-Net模型迁移至42CrMo单相金相组织图像的分割：将训练集42CrMo单相金相组织图像以及与其对应的碳化物组织轮廓作为改进后的U-Net模型的输入，对改进后的U-Net模型进行端对端训练，得到42CrMo单相金相组织图像分割模型；
步骤4)，将测试集中的42CrMo单相金相组织图像作为42CrMo单相金相组织图像分割模型的输入，得到自动分割的碳化物组织轮廓，将得到的碳化物组织轮廓与测试集中的真值比较得出相应的DICE值，然后利用42CrMo单相金相组织图像分割模型对待分割42CrMo单相金相组织图像进行分割。
进一步的，采集42CrMo单相金相组织的图像，对每个图像中的每个碳化物组织通过labelme方法进行人工分割与标注，形成带有真值标签的42CrMo单相金相组织图像。
进一步的，采用水平翻转和平移变换的方法扩充数据库中图像数量，并将扩充后的数据库中图像数量的80％划分为训练集，20％划分为测试集。
进一步的，采集拍摄的原始42CrMo单相金相组织图像，对原始42CrMo单相金相组织图像勾画出42CrMo单相金相组织图像每个碳化物组织的边缘轮廓，作为真值标签；然后对42CrMo单相金相组织图像和真值标签通过图像翻转及图像平移的方法来扩充数据集中图像的数量。
进一步的，增加两条路径的卷积层数。
进一步的，对改进后的U-Net模型进行端对端训练，采用二值交叉熵损失函数，损失函数如下：
x表示输入的样本，n表示样本的总数，y表示输出标准值，a为实际输出的值。
进一步的，改进后的U-Net模型最后一层输出层激活函数选用Sigmoid激活函数。
进一步的，步骤4具体包括以下步骤：1)、对于42CrMo单相金相组织图像碳化物组织分割模型，将测试集作为输入，得到模型自动分割的碳化物组织轮廓；
2)、将42CrMo单相金相组织图像分割模型自动分割得到的碳化物组织轮廓与人工分割得到的真值标签进行视觉对比和定量对比得到模型的DICE值。
一种基于深度学习的42CrMo单相金相组织分割系统，包括存储器、处理器以及存储在所属存储器中并可以在所述处理器上运送的计算机程序，所处处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种基于深度学习的42CrMo单相金相组织分割方法，通过将带有真值标签的42CrMo单相金相组织图像数据库分为训练集和测试集；然后将U-Net模型中的卷积层增加至六块卷积层，去除U-Net模型中影像重叠策略Overlap-tile strategy，在U-Net模型中增加能够归一化每层网络的输入的归一化处理，得到改进后的U-Net模型，利用六块卷积层，增加网络的深度更好的提取碳化物颗粒特征，将输入图像删减了影像重叠策略，避免图像重影干涉，更容易获取图像，在精度上更好的提取了碳化物颗粒特征信息，增加批量归一化处理，使得每层网络输入标准化，在一定程度上使得网络的收敛速度更快，进而提高了训练速度，从而有效提高了42CrMo金相图像的研究效率。
进一步的，在训练过程中使用二值交叉熵损失函数，解决了训练过程中待分割区域类别不平衡的问题，使得训练过程更快的收敛，模型效果更加精确与鲁棒。
进一步的，采集42CrMo单相金相组织的图像，对每个图像中的每个碳化物组织通过labelme方法进行人工分割与标注，结果准确，精度高。
进一步的，增加两条路径的卷积层数，能够有效提高特征提取的精度。
本发明一种基于深度学习的42CrMo单相金相组织分割系统，通过存储器、处理器以及存储在所属存储器中并可以在所述处理器上运送的计算机程序，能够快速实现42CrMo金相图像的分割处理。
附图说明
图1是本发明实施例中42CrMo单相金相组织图像分割模型方法的实现流程图。
图2是本发明实施例中42CrMo单相金相组织图像分割模型的网络结构图。
图3为本发明实施例中本发明与其他图像分割方法的实验结果对比图，图3(a)为预处理后金相图像，图3(b)为FCM算法分割结果图，图3(c)为OTSU算法分割结果图，图3(d)为预处理后金相图像局部放大图，图3(e)为改进canny算子后处理结果图，图3(f)为活动轮廓后处理结果图，图3(g)为U-Net模型分割结果图，图3(h)为本发明改进U-Net模型分割结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
如图1所示，一种基于深度学习的42CrMo单相金相组织分割方法，包括以下步骤：
步骤1)，将带有真值标签的42CrMo单相金相组织图像数据库分为训练集和测试集；
具体的，采集42CrMo单相金相组织的图像，对每个图像中的每个碳化物组织通过labelme方法进行人工分割与标注，形成带有真值标签的42CrMo单相金相组织图像，进行数据库中图像数量的扩充后将其数量的80％划分为训练集，20％划分为测试集。具体的，采用水平翻转和平移变换的方法扩充数据库中图像数量。
1.1)、对于采集拍摄的原始42CrMo单相金相组织图像，对原始42CrMo单相金相组织图像勾画出42CrMo单相金相组织图像每个碳化物组织的边缘轮廓，即感兴趣区域(ROI)，作为真值标签；
1.2)、对步骤1.1)中的42CrMo单相金相组织图像和真值标签通过图像翻转及图像平移的方法来扩充数据集中图像的数量，以此增加原始的数据集，用来提升测试数据集的鲁棒性和更高的精度；
1.3)、将步骤1.2)中增加后的数据集划分成训练集和测试集。
步骤2)，基于U-Net模型，将U-Net模型中的卷积层增加至六块卷积层，去除U-Net模型中影像重叠策略Overlap-tile strategy，在U-Net模型中增加能够归一化每层网络的输入的归一化处理，得到改进后的U-Net模型；
如图2所示，通过增加卷积层加深了网络深度；由于收缩路径与扩张路径呈对称结构，因此增加两条路径的卷积层数，在一定程度上提高了特征提取的精度；增加归一化处理，批量归一化每层网络的输入，加速了网络的收敛，提高的网络的训练速度。
步骤3，从将上述改进之后的U-Net模型迁移至42CrMo单相金相组织图像的分割：将训练集42CrMo单相金相组织图像以及与其对应的碳化物组织轮廓作为改进后的U-Net模型的输入，对改进后的U-Net模型进行端对端训练，得到42CrMo单相金相组织图像分割模型；
步骤4，对于训练好的42CrMo单相金相组织图像分割模型，将测试集的42CrMo单相金相组织图像作为42CrMo单相金相组织图像分割模型的输入，得到自动分割的碳化物组织轮廓，并与测试集中的真值作比较得出相应的DICE值，然后利用42CrMo单相金相组织图像分割模型对待分割42CrMo单相金相组织图像进行分割。
由于本网络在最后一层输出层激活函数选用Sigmoid激活函数，因此选用二值交叉损失函数。对改进后的U-Net模型进行端对端训练，采用二值交叉熵损失函数，该损失函数的表示如下：
x表示输入的样本，n表示样本的总数，y表示输出标准值，a为实际输出的值。二值交叉熵损失也可称之为对数损失，它主要结合Sigmoid激活函数，可以用作最大似然估计。
步骤4中具体工作流程如下：
1)、对于42CrMo单相金相组织图像碳化物组织分割模型，将测试集作为输入，得到模型自动分割的碳化物组织轮廓；
2)、将42CrMo单相金相组织图像分割模型自动分割得到的碳化物组织轮廓与人工分割得到的真值标签(mask)进行视觉对比和定量对比，以此评估模型的泛化效果。
本发明采用FCM算法、OTSU算法、改进canny算子、U-Net模型和本发明改进后的U-Net模型分别对同样的预处理后金相图像进行分割处理，具体处理的图像及处理结果如图3(a)至图3(h)所示，相对于其他方法分割得到的金相图像中碳化物结果，本申请方法能够得到清晰的碳化物结构图，本发明提出的改进U-Net模型方法通过增加网络的深度更好的提取碳化物颗粒特征，将输入图像删减了影像重叠策略，更容易获取图像，在精度上更好的提取了碳化物颗粒特征信息，增加批量归一化处理，使得每层网络输入标准化，在一定程度上使得网络的收敛速度更快，进而提高了训练速度；本发明将改进的U-Net模型迁移到42CrMo单相金相组织图像的分割领域，并在训练过程中使用二值交叉熵损失函数，解决了训练过程中待分割区域类别不平衡的问题，使得训练过程更快的收敛，模型效果更加精确与鲁棒。
Claims (9)
1.一种基于深度学习的42CrMo单相金相组织分割方法，其特征在于，包括以下步骤：
步骤1)，将带有真值标签的42CrMo单相金相组织图像数据库分为训练集和测试集；
步骤2)，将U-Net模型中的卷积层增加至六块卷积层，去除U-Net模型中影像重叠策略Overlap-tile strategy，在U-Net模型中增加能够归一化每层网络的输入的归一化处理，得到改进后的U-Net模型；
步骤3)，从将上述改进之后的U-Net模型迁移至42CrMo单相金相组织图像的分割：将训练集42CrMo单相金相组织图像以及与其对应的碳化物组织轮廓作为改进后的U-Net模型的输入，对改进后的U-Net模型进行端对端训练，得到42CrMo单相金相组织图像分割模型；
步骤4)，将测试集中的42CrMo单相金相组织图像作为42CrMo单相金相组织图像分割模型的输入，得到自动分割的碳化物组织轮廓，将得到的碳化物组织轮廓与测试集中的真值比较得出相应的DICE值，然后利用42CrMo单相金相组织图像分割模型对待分割42CrMo单相金相组织图像进行分割。
2.根据权利要求1所述的一种基于深度学习的42CrMo单相金相组织分割方法，其特征在于，采集42CrMo单相金相组织的图像，对每个图像中的每个碳化物组织通过labelme方法进行人工分割与标注，形成带有真值标签的42CrMo单相金相组织图像。
3.根据权利要求2所述的一种基于深度学习的42CrMo单相金相组织分割方法，其特征在于，采用水平翻转和平移变换的方法扩充数据库中图像数量，并将扩充后的数据库中图像数量的80％划分为训练集，20％划分为测试集。
4.根据权利要求2或3所述的一种基于深度学习的42CrMo单相金相组织分割方法，其特征在于，采集拍摄的原始42CrMo单相金相组织图像，对原始42CrMo单相金相组织图像勾画出42CrMo单相金相组织图像每个碳化物组织的边缘轮廓，作为真值标签；然后对42CrMo单相金相组织图像和真值标签通过图像翻转及图像平移的方法来扩充数据集中图像的数量。
5.根据权利要求1所述的一种基于深度学习的42CrMo单相金相组织分割方法，其特征在于，增加两条路径的卷积层数。
6.根据权利要求1所述的一种基于深度学习的42CrMo单相金相组织分割方法，其特征在于，对改进后的U-Net模型进行端对端训练，采用二值交叉熵损失函数，损失函数如下：
x表示输入的样本，n表示样本的总数，y表示输出标准值，a为实际输出的值。
7.根据权利要求1所述的一种基于深度学习的42CrMo单相金相组织分割方法，其特征在于，改进后的U-Net模型最后一层输出层激活函数选用Sigmoid激活函数。
8.根据权利要求1所述的一种基于深度学习的42CrMo单相金相组织分割方法，其特征在于，步骤4具体包括以下步骤：1)、对于42CrMo单相金相组织图像碳化物组织分割模型，将测试集作为输入，得到模型自动分割的碳化物组织轮廓；
2)、将42CrMo单相金相组织图像分割模型自动分割得到的碳化物组织轮廓与人工分割得到的真值标签进行视觉对比和定量对比得到模型的DICE值。
9.一种基于深度学习的42CrMo单相金相组织分割系统，其特征在于，包括存储器、处理器以及存储在所属存储器中并可以在所述处理器上运送的计算机程序，所处处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011197268.0A CN112435264A (zh) | 2020-10-30 | 2020-10-30 | 一种基于深度学习的42CrMo单相金相组织分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011197268.0A CN112435264A (zh) | 2020-10-30 | 2020-10-30 | 一种基于深度学习的42CrMo单相金相组织分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112435264A true CN112435264A (zh) | 2021-03-02 |
Family
ID=74695038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011197268.0A Pending CN112435264A (zh) | 2020-10-30 | 2020-10-30 | 一种基于深度学习的42CrMo单相金相组织分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112435264A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313004A (zh) * | 2021-05-25 | 2021-08-27 | 武汉工程大学 | 一种基于自监督学习的钢材微观组织分割方法 |
| CN117252804A (zh) * | 2023-07-06 | 2023-12-19 | 南京航空航天大学 | 一种轴承钢中带状碳化物的自动分析方法 |
| JP7444137B2 (ja) | 2021-06-09 | 2024-03-06 | Ｊｆｅスチール株式会社 | 金属組織のセグメンテーション方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161278A (zh) * | 2019-12-12 | 2020-05-15 | 西安交通大学 | 一种基于深层网络聚合的眼底图像病灶分割方法 |
-
2020
- 2020-10-30 CN CN202011197268.0A patent/CN112435264A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161278A (zh) * | 2019-12-12 | 2020-05-15 | 西安交通大学 | 一种基于深层网络聚合的眼底图像病灶分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王雪: "基于卷积神经网络的金相分析与品质评价技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313004A (zh) * | 2021-05-25 | 2021-08-27 | 武汉工程大学 | 一种基于自监督学习的钢材微观组织分割方法 |
| JP7444137B2 (ja) | 2021-06-09 | 2024-03-06 | Ｊｆｅスチール株式会社 | 金属組織のセグメンテーション方法 |
| CN117252804A (zh) * | 2023-07-06 | 2023-12-19 | 南京航空航天大学 | 一种轴承钢中带状碳化物的自动分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Cloud shape classification system based on multi-channel cnn and improved fdm | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN112435264A (zh) | 一种基于深度学习的42CrMo单相金相组织分割方法及系统 | |
| CN108664971B (zh) | 基于2d卷积神经网络的肺结节检测方法 | |
| CN111028217A (zh) | 一种基于全卷积神经网络的图像裂缝分割方法 | |
| CN109740679B (zh) | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 | |
| Shen et al. | Deep learning based framework for automatic damage detection in aircraft engine borescope inspection | |
| CN114038037B (zh) | 基于可分离残差注意力网络的表情标签修正和识别方法 | |
| CN110032952B (zh) | 一种基于深度学习的道路边界点检测方法 | |
| CN109165658B (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
| CN112052772A (zh) | 一种人脸遮挡检测算法 | |
| CN113888485A (zh) | 一种基于深度学习的磁芯表面缺陷的检测方法 | |
| CN113362277A (zh) | 一种基于深度学习的工件表面缺陷检测和分割方法 | |
| Zhang et al. | Efficient dense-dilation network for pavement cracks detection with large input image size | |
| CN111104855B (zh) | 一种基于时序行为检测的工作流识别方法 | |
| Vora et al. | Iterative spectral clustering for unsupervised object localization | |
| CN111723852A (zh) | 针对目标检测网络的鲁棒训练方法 | |
| CN105677713A (zh) | 一种位置无关的病状快速检测及识别方法 | |
| CN105404682A (zh) | 一种基于数字图像内容的图书检索方法 | |
| Ibrahem et al. | Weakly supervised traffic sign detection in real time using single CNN architecture for multiple purposes | |
| CN113642655B (zh) | 基于支持向量机和卷积神经网络的小样本图像分类方法 | |
| CN114972300A (zh) | 一种基于计算机视觉和深度学习的材料图像分割识别方法 | |
| CN113313213B (zh) | 一种加速目标检测算法训练的数据集处理方法 | |
| CN113192076B (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 | |
| Fetisov et al. | Unsupervised prostate cancer histopathology image segmentation via meta-learning |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210302 |