CN112529899A - 基于机器学习与计算机视觉固体火箭发动机无损检测方法 - Google Patents

基于机器学习与计算机视觉固体火箭发动机无损检测方法 Download PDF

Info

Publication number
CN112529899A
CN112529899A CN202011584416.4A CN202011584416A CN112529899A CN 112529899 A CN112529899 A CN 112529899A CN 202011584416 A CN202011584416 A CN 202011584416A CN 112529899 A CN112529899 A CN 112529899A
Authority
CN
China
Prior art keywords
layer
neural network
pooling
convolutional neural
convolutional
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
Application number
CN202011584416.4A
Other languages
English (en)
Inventor
魏龙
刘乐
刘吉吉
刘通
宋杰
杨涛
张富强
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.)
Inner Mongolia Power Machinery Research Institute
Original Assignee
Inner Mongolia Power Machinery Research Institute
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 Inner Mongolia Power Machinery Research Institute filed Critical Inner Mongolia Power Machinery Research Institute
Priority to CN202011584416.4A priority Critical patent/CN112529899A/zh
Publication of CN112529899A publication Critical patent/CN112529899A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于机器学习与计算机视觉固体火箭发动机无损检测方法，通过将输入的图像分为多个局部图像，对重点部位进行重点学习，方便后续提取关键特征并做出初步判断。本发明解决人工识别率低、图像数据分散、数据利用率低等问题。实现发动机无损检测图像高效、快速识别。本发明可作为发动机无损检测图像识别使用，相比于现有方法，识别效率与准确率显著提高。

Description

基于机器学习与计算机视觉固体火箭发动机无损检测方法
技术领域
本发明涉及固体火箭发动机无损检测领域，具体涉及一种基于机器学习与计算机视觉固体火箭发动机无损检测方法。
背景技术
固体火箭发动机无损检测与评价技术是保证固体火箭发动机质量和可靠性的重要技术手段之一。现代固体火箭发动机的研制离开了先进的无损检测与评价技术，则必然使其质盘无法判断，产品失效与寿命无法分析预测，产品无法出厂和交付，因此，现代无损检测与评价技术在固体火箭发动机技术发展中极为重要。其中无损检测图像识别是后续工作的基础，如何准确识别出缺陷部位是一项复杂的工作，识别结果会因个人经验的不同而存在差异，从而对后续图像测量与预测产生一定的影响。一直以来，固体火箭发动机无损检测图像判读都是由人工完成。目前，国内尚未有将机器学习与计算机视觉技术应用于固体火箭发动机无损检测图像判读的案例。
发明内容
本发明提供一种基于机器学习与计算机视觉固体火箭发动机无损检测方法，解决人工识别率低、图像数据分散、数据利用率低等问题。实现发动机无损检测图像高效、快速识别。本发明可作为发动机无损检测图像识别使用，相比于现有方法，识别效率与准确率显著提高。
为了解决上述技术问题，本发明提供一种基于机器学习与计算机视觉固体火箭发动机无损检测方法，包括如下步骤：
S1：准备样本集，样本集为800余张发动机部组件X射线底片；
S2：构建卷积神经网络，所述卷积神经网络分为输入层、卷积层、池化层、全连接层和输出层，构建卷积神经网络包括如下步骤：
（1）输入层：在将学习数据输入卷积神经网络前，对数据进行归一化处理，将分布于0-255的原始像素值归化至0-1区间；
（2）隐含层：所述隐含层由卷积层、池化层和全连接层组成，卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和偏差量，类似于一个前馈神经网络的神经元，卷积内每个神经元都与前一层中位置接近的区域多个神经元相连，区域的大小取决于卷积核的大小，卷积核在工作时，会有规律地扫过输入特征，对输入特征做矩阵元素乘法和并叠加偏差量：
Figure 558339DEST_PATH_IMAGE002
其中b为变差量，Zl和Zl+1表示第l+1层的卷积输入和输出；
在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤，池化层包含预设定的池化函数，其是将特征图中单个点的结果替换为相邻区域的特征图统计量，池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。本实验池化函数为均值池化，公式为：
Figure 422390DEST_PATH_IMAGE004
卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层，全连接层位于卷积神经网络隐含层的最后部分，并只向其他全连接层传递信号，特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数计算；
（3）全连接层：卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取，全连接层的作用则是对提取的特征进行非线性组合以得到输出，全连接层由全局均值池化取代，全局均值池化将特征图每个通道的所有值取平均；
（4）输出层：卷积神经网络中输出层的上游通常是全连接层，对于图像分类，输出层使用逻辑函数或归一化指数函数输出分类标签，输出层采用归一化指数函数softmaxfunction输出结果，为防止训练过程中出现过拟合，采用Lp正则化方法进行优化，Lp正则化在定义损失函数时加入隐含层参数以约束神经网络的复杂度：
Figure 954872DEST_PATH_IMAGE006
式中L（X,Y,
Figure DEST_PATH_IMAGE007
）为损失函数，包含弗洛贝尼乌斯范数的求和项被称为正则化项，其中
Figure 715017DEST_PATH_IMAGE008
是正则化参数，用以确定正则化项的约束力；
S3：将样本集输入到卷积神经网络中，训练神经网络；
S4：通过调整卷积神经网络的参数、卷积神经网络的层数确定最终模型的结构以及参数；
S5：利用训练成熟的模型识别新的样本，计算模型的识别率。
本发明所提供的基于机器学习与计算机视觉固体火箭发动机无损检测方法，识别效率提高35%，识别耗时约为现有方案的1/5。
附图说明
图1、基于机器学习与计算机视觉固体火箭发动机无损检测图像识别过程。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部所得实施例。基于本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
一种基于机器学习与计算机视觉固体火箭发动机无损检测方法，包括如下步骤：
S1：准备样本集，样本集为800余张发动机部组件X射线底片；
S2：构建卷积神经网络，所述卷积神经网络分为输入层、卷积层、池化层、全连接层和输出层，构建卷积神经网络包括如下步骤：
（1）输入层：卷积神经网络的输入层可以处理多维数据，常见地，一维卷积神经网络的输入层接收一维或二维数组，其中一维数组通常为时间或频谱采样；二维数组可能包含多个通道；二维卷积神经网络的输入层可以接收二维或三维数组。由于卷积神经网络在计算机视觉领域应用较广，因此许多研究在介绍其结构时预先假设了三维输入数据，即平面上的二维像素点和RGB通道。与其他神经网络算法类似，由于使用梯度下降算法进行学习，卷积神经网络的输入特征需要进行标准化处理，以本实施例中，在将学习数据输入卷积神经网络前，对数据进行归一化处理，将分布于0-255的原始像素值归化至0-1区间。输入特征的标准化有利于提升卷积神经网络的学习效率和表现；
（2）隐含层：卷积神经网络中卷积层、池化层和全连接层组成隐含层，其中卷积层、池化层为卷积神经网络特有。卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和偏差量，类似于一个前馈神经网络的神经元。卷积内每个神经元都与前一层中位置接近的区域多个神经元相连，区域的大小取决于卷积核的大小。卷积核在工作时，会有规律地扫过输入特征，对输入特征做矩阵元素乘法和并叠加偏差量：
Figure 450892DEST_PATH_IMAGE002
其中b为变差量，Zl和Zl+1表示第l+1层的卷积输入和输出。卷积层参数包括卷积核大小、步长和填充，三者共同决定了卷积层输出特征图的尺寸，是卷积神经网络的超参数。其中卷积核的尺寸可以指定为小于输入图像尺寸的任意值，卷积核越大，可提取的输入特征越复杂，以本实验为例，卷积核尺寸为5Í5。卷积步长定义了卷积核相邻两次扫过特征图时位置的距离，卷积步长为1时，卷积核会逐个扫过特征图元素，步长为n时会在下一扫描跳过n-1个像素，本实验中步长为3，由卷积核的交叉相关计算可知，随着卷积层的堆叠，特征图的尺寸会逐步减小，为此，填充师在特征图通过卷积核之前人为增大其尺寸以抵消计算中尺寸收缩影响的方法，常见的填充方法为按0填充和重复边界值填充。本实验采用重复边界值全填充；
卷积层中包含激励函数以协助表达复杂特征，本实验采用常用的ReLU激励函数。激励函数操作在卷积核之后。在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。本实验池化函数为均值池化，公式为：
Figure DEST_PATH_IMAGE009
卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。全连接层位于卷积神经网络隐含层的最后部分，并只向其他全连接层传递信号。特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数计算；
（3）全连接层：卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取，全连接层的作用则是对提取的特征进行非线性组合以得到输出，即全连接层本身不具有特征提取的能力，而是利用现有的高阶特征完成学习目标。在本实施例中，全连接层由全局均值池化取代，全局均值池化将特征图每个通道的所有值取平均；
（4）输出层：卷积神经网络中输出层的上游通常是全连接层，因此其结构和工作原理与传统前馈神经网络中的输出层相同。对于图像分类问题，输出层使用逻辑函数或归一化指数函数输出分类标签。本实验输出层采用归一化指数函数(softmax function)输出结果，为防止训练过程中出现过拟合，本实验采用Lp正则化方法进行优化，Lp正则化在定义损失函数时加入隐含层参数以约束神经网络的复杂度：
Figure 836743DEST_PATH_IMAGE006
式中L（X,Y,
Figure 974463DEST_PATH_IMAGE007
）为损失函数，包含弗洛贝尼乌斯范数的求和项被称为正则化项，其中
Figure 154778DEST_PATH_IMAGE008
是正则化参数，用以确定正则化项的约束力；
S3：将样本集输入到卷积神经网络中，训练神经网络；
S4：通过调整卷积神经网络的参数、卷积神经网络的层数确定最终模型的结构以及参数；
S5：利用训练成熟的模型识别新的样本，计算模型的识别率。
以某助推器的部组件的“脱粘”缺陷为例，本发明中所有底片均在统一设备0（X射线设备）统一条件（图像与实物比例相同、分辨率相同）下拍摄。由于无损检测图像一般为黑白底片，初步判读依据为颜色“发白”的区域代表密度高，一般发动机的部组件；颜色“发黑”的区域代表密度低，可能是缺陷（脱粘）发生的区域。图像识别的过程如图1。
图1为一张经过预处理（图形分割）与集中“注意力”后的样品图像，对于发动机无损检测图像判读而言，上图仅有部分区域所对应的内容对最终的识别结果起主导作用。若将图像分割为9个网格，则区域编号为5的局部图像在最终的场景识别计算时应具有较大权重。
经过卷积计算、空间维度降维和注意力因子映射3种运算加持后，附加通道和空间混合注意力子网络的无损检测图像便可以进行快速、准确的识别。该方法核心是对图像的不同区域施加不同的影响因子，进而可以自适应地根据输入图像的视觉内容对不同区域赋予不同权重。由于机器学习卷积操作所固有的全局共享特性，对整幅图像的任意区域的操作完全相同，所以预处理的优势就是根据输入图像的不同区域赋予不同权重，这种处理会极大提高发动机无损检测图像识别的效率和准确率。耗时方面，预计单台发动机的无损检测图像识别时间缩短5倍。

Claims (1)

1.一种基于机器学习与计算机视觉固体火箭发动机无损检测方法，其特征在于，包括如下步骤：
S1：准备样本集，样本集为800余张发动机部组件X射线底片；
S2：构建卷积神经网络，所述卷积神经网络分为输入层、卷积层、池化层、全连接层和输出层，构建卷积神经网络包括如下步骤：
（1）输入层：在将学习数据输入卷积神经网络前，对数据进行归一化处理，将分布于0-255的原始像素值归化至0-1区间；
（2）隐含层：所述隐含层由卷积层、池化层和全连接层组成，卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和偏差量，类似于一个前馈神经网络的神经元，卷积内每个神经元都与前一层中位置接近的区域多个神经元相连，区域的大小取决于卷积核的大小，卷积核在工作时，会有规律地扫过输入特征，对输入特征做矩阵元素乘法和并叠加偏差量：
Figure DEST_PATH_IMAGE001
其中b为变差量，Zl和Zl+1表示第l+1层的卷积输入和输出；
在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤，池化层包含预设定的池化函数，其是将特征图中单个点的结果替换为相邻区域的特征图统计量，池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制，本实验池化函数为均值池化，公式为：
Figure 932740DEST_PATH_IMAGE002
卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层，全连接层位于卷积神经网络隐含层的最后部分，并只向其他全连接层传递信号，特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数计算；
（3）全连接层：卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取，全连接层的作用则是对提取的特征进行非线性组合以得到输出，全连接层由全局均值池化取代，全局均值池化将特征图每个通道的所有值取平均；
（4）输出层：卷积神经网络中输出层的上游通常是全连接层，对于图像分类，输出层使用逻辑函数或归一化指数函数输出分类标签，输出层采用归一化指数函数softmaxfunction输出结果，为防止训练过程中出现过拟合，采用Lp正则化方法进行优化，Lp正则化在定义损失函数时加入隐含层参数以约束神经网络的复杂度：
Figure DEST_PATH_IMAGE003
式中L（X,Y,
Figure 145547DEST_PATH_IMAGE004
）为损失函数，包含弗洛贝尼乌斯范数的求和项被称为正则化项，其中
Figure DEST_PATH_IMAGE005
是正则化参数，用以确定正则化项的约束力；
S3：将样本集输入到卷积神经网络中，训练神经网络；
S4：通过调整卷积神经网络的参数、卷积神经网络的层数确定最终模型的结构以及参数；
S5：利用训练成熟的模型识别新的样本，计算模型的识别率。
CN202011584416.4A 2020-12-28 2020-12-28 基于机器学习与计算机视觉固体火箭发动机无损检测方法 Pending CN112529899A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011584416.4A CN112529899A (zh) 2020-12-28 2020-12-28 基于机器学习与计算机视觉固体火箭发动机无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011584416.4A CN112529899A (zh) 2020-12-28 2020-12-28 基于机器学习与计算机视觉固体火箭发动机无损检测方法

Publications (1)

Publication Number Publication Date
CN112529899A true CN112529899A (zh) 2021-03-19

Family

ID=74976984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011584416.4A Pending CN112529899A (zh) 2020-12-28 2020-12-28 基于机器学习与计算机视觉固体火箭发动机无损检测方法

Country Status (1)

Country Link
CN (1) CN112529899A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800708A (zh) * 2018-12-13 2019-05-24 程琳 基于深度学习的航空发动机孔探图像损伤智能识别方法
CN110543489A (zh) * 2019-09-02 2019-12-06 内蒙动力机械研究所 一种固体火箭发动机可靠性数据分析挖掘及应用软件工具
CN110929640A (zh) * 2019-11-20 2020-03-27 西安电子科技大学 一种基于目标检测的宽幅遥感描述生成方法
CN111178432A (zh) * 2019-12-30 2020-05-19 武汉科技大学 多分支神经网络模型的弱监督细粒度图像分类方法
CN111639609A (zh) * 2020-06-03 2020-09-08 大连交通大学 基于机器视觉与深度学习的金属断口类型智能识别系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800708A (zh) * 2018-12-13 2019-05-24 程琳 基于深度学习的航空发动机孔探图像损伤智能识别方法
CN110543489A (zh) * 2019-09-02 2019-12-06 内蒙动力机械研究所 一种固体火箭发动机可靠性数据分析挖掘及应用软件工具
CN110929640A (zh) * 2019-11-20 2020-03-27 西安电子科技大学 一种基于目标检测的宽幅遥感描述生成方法
CN111178432A (zh) * 2019-12-30 2020-05-19 武汉科技大学 多分支神经网络模型的弱监督细粒度图像分类方法
CN111639609A (zh) * 2020-06-03 2020-09-08 大连交通大学 基于机器视觉与深度学习的金属断口类型智能识别系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘庆飞: "农业场景下卷积神经网络的应用研究", no. 2019, pages 043 - 6 *
周坚: "固体火箭发动机X射线探伤胶片缺陷识别技术研究", no. 2005, pages 031 - 214 *
许少尉;陈思宇;: "基于深度学习的图像分类方法", no. 06, pages 122 - 125 *

Similar Documents

Publication Publication Date Title
CN110110799B (zh) 细胞分类方法、装置、计算机设备和存储介质
CN107945161B (zh) 基于纹理特征提取的道路表面缺陷检测方法
US7983486B2 (en) Method and apparatus for automatic image categorization using image texture
CN107808138B (zh) 一种基于FasterR-CNN的通信信号识别方法
CN112200121B (zh) 基于evm和深度学习的高光谱未知目标检测方法
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN109191418B (zh) 一种基于收缩自编码器特征学习的遥感图像变化检测方法
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN109190511B (zh) 基于局部与结构约束低秩表示的高光谱分类方法
CN111986125A (zh) 一种用于多目标任务实例分割的方法
CN108133186A (zh) 一种基于深度学习的植物叶片识别方法
CN115841447A (zh) 一种磁瓦表面缺陷的检测方法
CN108734199A (zh) 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法
CN110751644B (zh) 道路表面裂纹检测方法
CN110895814A (zh) 一种基于上下文编码网络的航空发动机孔探图像损伤智能分割方法
CN111161224A (zh) 基于深度学习的铸件内部缺陷分级评估系统及方法
CN113221956B (zh) 基于改进的多尺度深度模型的目标识别方法及装置
CN111583148A (zh) 基于生成对抗网络的岩心图像重构方法
CN112200123B (zh) 联合稠密连接网络和样本分布的高光谱开放集分类方法
CN113837314A (zh) 一种基于混合卷积神经网络的高光谱图像分类方法
CN110991257A (zh) 基于特征融合与svm的极化sar溢油检测方法
CN115631127A (zh) 一种工业缺陷检测的图像分割方法
CN114170418A (zh) 一种以图搜图的汽车线束连接器多特征融合图像检索方法
CN112801204B (zh) 基于自动神经网络的具有终身学习能力的高光谱分类方法
CN115170520A (zh) 一种基于结构对比信息叠层的金属网栅缺陷检测方法

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