CN112541905A - 一种基于终身学习卷积神经网络的产品表面缺陷识别方法 - Google Patents

一种基于终身学习卷积神经网络的产品表面缺陷识别方法 Download PDF

Info

Publication number
CN112541905A
CN112541905A CN202011490170.4A CN202011490170A CN112541905A CN 112541905 A CN112541905 A CN 112541905A CN 202011490170 A CN202011490170 A CN 202011490170A CN 112541905 A CN112541905 A CN 112541905A
Authority
CN
China
Prior art keywords
defect
neural network
convolutional neural
feature
feature vector
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.)
Granted
Application number
CN202011490170.4A
Other languages
English (en)
Other versions
CN112541905B (zh
Inventor
高亮
高艺平
李新宇
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and 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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202011490170.4A priority Critical patent/CN112541905B/zh
Publication of CN112541905A publication Critical patent/CN112541905A/zh
Application granted granted Critical
Publication of CN112541905B publication Critical patent/CN112541905B/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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Abstract

本发明属于神经网络缺陷识别领域，并具体公开了一种基于终身学习卷积神经网络的产品表面缺陷识别方法，其包括：S1、构建卷积神经网络模型，其包括特征提取器、检测器和识别器；S2、通过已知类别缺陷图像对卷积神经网络模型进行训练，得到缺陷识别模型；S3、将待识别图像输入缺陷识别模型，由特征提取器提取图像中的特征向量，然后通过检测器对特征向量进行判别，若为已知类别缺陷，则通过识别器对特征向量进行分类，得到图像缺陷类别；若为未知类别缺陷，则识别器根据特征向量，通过终身学习策略对识别器中参数进行调整，并根据新已知类别缺陷再次训练检测器。本发明实现了未知缺陷类型的自动检测和识别，且识别结果更加准确。

Description

一种基于终身学习卷积神经网络的产品表面缺陷识别方法
技术领域
本发明属于神经网络缺陷识别领域，更具体地，涉及一种基于终身学习卷积神经网络的产品表面缺陷识别方法。
背景技术
产品表面缺陷识别在现代制造业中发挥着重要的作用。良好的缺陷识别技术能够有效地保证产品质量，降低不必要的经济损失，避免由于表面缺陷引起的产品物理属性改变而造成的危险情况(如钢铁表面缺陷造成刚度下降等)。同时，良好的缺陷识别技术还可以及时为生产调控提供参考依据，保证整个制造系统高效运行。因此，产品表面缺陷识别具有十分重要的应用价值和应用前景。
随着工业大数据物联网、工业大数据、智能传感器等新兴数据技术的飞速发展，制造系统采集了大量的产品表面图像数据。因此，基于图像的产品表面缺陷识别技术受到了工业界和学术界越来越多的关注。与此同时，随着卷积神经网络在图像识别领域取得的成功，利用先进的卷积神经网络技术实现准确的缺陷图像识别，成为了缺陷识别领域的重要发展趋势之一。
传统基于图像的产品表面缺陷识别方法，如支持向量机(SVM)，浅层神经网络等，大多需要人工手动提取特征。特征提取的好坏，直接决定了算法的性能上界。然而，手工特征提取过程依赖大量的专业领域知识，且非常耗时，不利于缺陷识别方法的推广。
卷积神经网络作为深度学习的代表性模型之一，可以实现端到端的图像特征自动提取，避免了传统特征提取过程对专业领域知识的依赖，具有更好的适用性。与此同时，卷积神经网络在图像识别领域取得的成果，也为其在缺陷识别领域的成功应用提供了丰富的指导经验。因此，卷积神经网络在产品表面缺陷识别领域有着广泛的应用，并取得了良好的识别效果。
然而，传统的卷积神经网络只能识别已知类型缺陷，即该类型缺陷在训练过程中已经存在。对于未知缺陷类型，即该缺陷类别在训练时并未出现，则常用的卷积神经网络无法给出正确的判断，从而造成缺陷误判。在现实生产过程中，由于不同类型缺陷发生的概率不同，导致某些类别的缺陷在经历很长的一段生产时间后才会出现，因此未知类型缺陷在实际生产中是一种常见的现象。首先，传统的卷积神经网络无法自动检测是否存在未知类别缺陷，导致未知缺陷类别被误分。其次，传统的卷积神经网络模型需要重新训练和调整，时间代价较大，严重影响整个制造系统的运行效率。因此，需要提出一种新的卷积神经网络模型，可以实现未知类别缺陷的自动化检测，并通过简单策略，迅速调整识别模型，保证缺陷检测的顺利运行，确保整个制造系统的生产效率。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于终身学习卷积神经网络的产品表面缺陷识别方法，其目的在于，通过构建基于检测器-识别器双输出卷积神经网络识别模型，并引入终身学习策略，实现未知缺陷类型的自动检测和识别，提高了模型的适用性，确保缺陷检测的顺利进行。
为实现上述目的，本发明提出了一种基于终身学习卷积神经网络的产品表面缺陷识别方法，包括如下步骤：
S1、构建卷积神经网络模型，该初卷积神经网络模型包括特征提取器、检测器和识别器，其中，特征提取器用于提取图像中的特征向量，检测器用于判别特征向量是已知类别缺陷或未知类别缺陷，识别器用于对已知类别缺陷进行分类；
S2、通过预获取的已知类别缺陷图像数据集对卷积神经网络模型进行训练，得到缺陷识别模型；
S3、将待识别图像输入缺陷识别模型，先由特征提取器提取待识别图像中的特征向量，然后通过检测器对该特征向量进行判别，若判别结果为已知类别缺陷，则通过识别器对特征向量进行分类，得到待识别图像的具体缺陷类别；若判断结果为未知类别缺陷，则识别器根据特征向量，通过终身学习策略对识别器中参数进行调整，将未知类别缺陷转换为已知类别缺陷，然后根据新的已知类别缺陷再次训练检测器，从而进一步优化缺陷识别模型，从而完成此次缺陷识别，并将优化后的缺陷识别模型用于下一次缺陷识别。
作为进一步优选的，检测器对特征向量进行判别时，先通过所有已知类别缺陷图像的特征向量构建特征空间中的一个超球面边界，如果待测特征向量与超球心的距离小于超球半径，判定待测特征向量为已知类别缺陷，否则，判定待测特征向量为未知类别缺陷。
作为进一步优选的，识别器包括三层神经网络，该三层神经网络为输入层、隐含层、输出层，其中，隐含层采用ReLU作为激活函数，输出层采用softmax计算不同类别对应的概率。
作为进一步优选的，采用特征空间约束对识别器隐含层进行处理，确保特征向量映射到单位圆上，其具体公式如下：
h*＝h/‖h‖
其中，h*表示约束后的特征向量，h表示隐含层原始特征向量，‖h‖表示特征向量h的模长。
作为进一步优选的，识别器采用交叉熵损失函数，且在训练时通过Adam优化方法对识别器参数进行优化。
作为进一步优选的，对通过终身学习策略调整过的识别器，再次采用Adam优化方法对识别器参数进行优化。
作为进一步优选的，所述终身学习策略具体为Weight Imprint方法。
作为进一步优选的，所述特征提取器采用基于ImageNet预训练的VGG16卷积神经网络，且在该VGG16卷积神经网络末端设置有一个全局平均池化层，将输入的缺陷图像转化为512维特征向量。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
1.本发明通过构建具有检测器-识别器双输出结构的卷积神经网络结构，实现了未知类型缺陷的自动化检测，有效消除了传统卷积神经网络无法检测未知类别缺陷的问题，避免了因此而造成的缺陷类别误判，降低了不必要的生产损失，从而有效保证产品质量，确保产品检测过程正常稳定进行。
2.本发明在卷积神经网络模型中引入了终身学习策略，使模型的适用性得到了提高，可以通过一系列简单的调整快速识别未知类别缺陷，实现较高的识别精度，并大幅降低模型重构或者调整的时间成本，从而保证整个检测系统高效稳定的运行。
3.本发明采用特征空间约束对识别器隐含层进行处理，将识别器隐含层映射到空间单位超球面上，以确保特征空间均匀分布；此外，在通过终身学习策略对识别器调整后，进一步对识别器参数进行优化，从而提高识别器的识别精度。
附图说明
图1为本发明实施例基于终身学习卷积神经网络的产品表面缺陷识别方法流程图；
图2为本发明实施例构建的基于ImageNet预训练的VGG16卷积神经网络结构图；
图3为本发明实施例Weight Imprint终身学习策略示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供的一种基于终身学习卷积神经网络的产品表面缺陷识别方法，如图1所示，包括如下步骤：
S1、构建卷积神经网络模型，其是基于检测器-识别器双输出VGG16卷积神经网络，包括特征提取器、检测器和识别器，其中：特征提取器用于提取图像中的特征向量，检测器用于判别特征向量是已知类别缺陷或未知类别缺陷，识别器用于对已知类别缺陷进行分类；具体来说：
(1)特征提取器采用基于ImageNet预训练过的VGG16卷积神经网络，其主要结构如图2所示，并在VGG16卷积神经网络末端额外添加了一个全局平均池化层，从而将缺陷图像映射成512维的特征向量；在缺陷识别过程中，缺陷图像通过VGG16卷积神经网络进行特征变换，并将得到的特征向量输入检测器。
(2)检测器用于检测待测样本是否来自未知缺陷类别，具体将检测问题转化为了一分类异常检测问题，并通过构建基于软边界的支持向量数据描述(SVDD)实现未知类别的检测。SVDD通过已知类别样本构建一个特征空间中的一个超球面边界，如果待测样本在特征空间中与超球心的距离小于超球半径R，则判定为已知类别，反之，则判定为未知类别。SVDD损失函数如下所示：
Figure BDA0002840464230000051
Figure BDA0002840464230000052
ξi≥0,i＝1,2,3,…,m.
其中，其中，R为超球面半径，C为样本权重，m为已知类型缺陷样本数量，α为超球心，ξi为边界松弛项，
Figure BDA0002840464230000053
为径向基函数。整个损失函数通过拉格朗日方程转化为对偶形式，然后通过二次规划进行求解。
(3)识别器用于识别已知缺陷类型，当检测器判别结果为已知类别时，缺陷特征输入识别器，并给出相应的缺陷类别。识别器由一个三层神经网络组成，包括输入层、隐含层、输出层。输入层为经过VGG16卷积神经网络提取的512维特征，隐含层包含512个神经元，采用ReLU作为激活函数，输出层采用softmax计算不同类别对应的概率。进一步的，为了保证隐含层特征空间可以均匀分布，在隐含层特征空间加入特征约束，从而使得隐含层特征映射到空间单位超球面上，其具体公式如下：
h*＝h/‖h‖
其中，h*表示约束后的特征向量，h表示隐含层原始特征向量，‖h‖表示特征向量h的模长。
识别器采用交叉熵损失函数，其具体形式如下：
L＝-ylogy′-(1-y)log(1-y′)
s.t.‖h‖2＝1
其中y为缺陷的真实类别，y′为识别器给出的识别结果。整个目标函数通过Adam优化方法优化分类器参数θ，其中，θ由w1，w2和w3组成，w1，w2和w3分别代表输入层、隐含层和输出层的连接矩阵，其形式为m*n，其中m为输入维度，n为输出维度，特殊地，当缺陷共有4类时，w3为m*4的矩阵。
S2、通过预获取的已知类别缺陷图像数据集对卷积神经网络模型中的检测器和识别器进行训练，得到缺陷识别模型；在整个模型的训练和使用过程中，特征提取器即VGG16网络参数不发生任何变化。
S3、将待识别图像输入缺陷识别模型，先由特征提取器提取待识别图像中的特征向量，然后通过检测器对该特征向量进行判别，若判别结果为已知类别缺陷，则通过识别器对特征向量进行分类，得到待识别图像的具体缺陷类别；若判断结果为未知类别缺陷，则通过终身学习策略调整识别器，具体来说：
识别器调整策略具体采用Weight Imprint终身学习策略，如图3所示，WeightImprint通过将未知类别数据映射到识别器的隐含层特征空间，并将映射特征h+的均值作为新的权值w+加入检测器输出层权重w3中，记为
Figure BDA0002840464230000071
则更新后的权重w3由原来的m*n矩阵变成了m*(n+1)，所增加的即为未知类别所对应的缺陷类型。识别器调整过后，则未知类别转化为已知类别，并结合已有数据重新训练检测器。进一步的，对通过终身学习策略调整过的识别器，再次采用Adam优化方法对识别器参数进行优化微调，从而提高识别精度。
以下为具体实施例：
为了验证本发明的实际应用效果，本发明在东北大学热轧钢铁表面缺陷数据集(NEU)上进行了算法验证，并与常用的终身学习算法以及传统的缺陷检测方法进行了对比。对比试验中，将数据集前四类缺陷(轧痕、点蚀、斑点、划痕)作为已知类别缺陷，划分为任务1，后两类缺陷(夹杂、龟裂)作为未知类别缺陷，分为任务2和任务3。
1.检测器精度的结果比较。
本发明检测器对于未知类别缺陷的检测精度如表1所示。评价指标采用AUC值。从表中可以看出，本专利所提出的检测器实现了0.952的平均检测精度，与其他方法相比取得了更好检测效果。HBOS，LODA，LSCP，GAAL，OCSVM的平均检测精度分别为：0.748,0.503,0.729,0.455以及0.769。
表1检测器检测结果
Figure BDA0002840464230000072
2.识别器精度的结果比较。
本发明识别器经过终身学习策略调节后的识别精度如表2所示，该部分内容将任务1看作已知缺陷类型，任务2和任务3分别看作未知类型缺陷输入网络中，从而获得位置缺陷类型的识别结果。该部分采用识别准确率作为评价指标。对比方法共分为两部分，其中LightGBM，DeeSIL，iCaRL为常用的终身学习方法，CNN和CWT-CNN为常用的缺陷识别方法，其中，CNN和CWT-CNN针对未知类型缺陷需要重新训练。实验内容包括，对于已知类别的预测结果，针对未知类别采用Weight Imprint调整识别器后，对于已知类别和未知类别的识别结果，以及对于整个识别器进行微调后的识别结果。
表2识别器识别结果(％)
Figure BDA0002840464230000081
综上，与其他的终身学习算法相比，本发明所提的识别方法在未知类别和已知类别的缺陷识别精度上有着更好的表现。经过微调后，与传统的基于卷积神经网络的缺陷识别方法相比也有着更好的精度。因此，本发明所提方法具有更好的适用性，能够更好地满足现代化智能检测的需求。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于终身学习卷积神经网络的产品表面缺陷识别方法，其特征在于，包括如下步骤：
S1、构建卷积神经网络模型，该初卷积神经网络模型包括特征提取器、检测器和识别器，其中，特征提取器用于提取图像中的特征向量，检测器用于判别特征向量是已知类别缺陷或未知类别缺陷，识别器用于对已知类别缺陷进行分类；
S2、通过预获取的已知类别缺陷图像数据集对卷积神经网络模型进行训练，得到缺陷识别模型；
S3、将待识别图像输入缺陷识别模型，先由特征提取器提取待识别图像中的特征向量，然后通过检测器对该特征向量进行判别，若判别结果为已知类别缺陷，则通过识别器对特征向量进行分类，得到待识别图像的具体缺陷类别；若判断结果为未知类别缺陷，则识别器根据特征向量，通过终身学习策略对识别器中参数进行调整，将未知类别缺陷转换为已知类别缺陷，然后根据新的已知类别缺陷再次训练检测器，进一步优化缺陷识别模型，从而完成此次缺陷识别，并将优化后的缺陷识别模型用于下一次缺陷识别。
2.如权利要求1所述的基于终身学习卷积神经网络的产品表面缺陷识别方法，其特征在于，检测器对特征向量进行判别时，先通过所有已知类别缺陷图像的特征向量构建特征空间中的一个超球面边界，如果待测特征向量与超球心的距离小于超球半径，判定待测特征向量为已知类别缺陷，否则，判定待测特征向量为未知类别缺陷。
3.如权利要求1所述的基于终身学习卷积神经网络的产品表面缺陷识别方法，其特征在于，识别器包括三层神经网络，该三层神经网络为输入层、隐含层、输出层，其中，隐含层采用ReLU作为激活函数，输出层采用softmax计算不同类别对应的概率。
4.如权利要求3所述的基于终身学习卷积神经网络的产品表面缺陷识别方法，其特征在于，采用特征空间约束对识别器隐含层进行处理，确保特征向量映射到单位圆上，其具体公式如下：
h*＝h/‖h‖
其中，h*表示约束后的特征向量，h表示隐含层原始特征向量，‖h‖表示特征向量h的模长。
5.如权利要求1所述的基于终身学习卷积神经网络的产品表面缺陷识别方法，其特征在于，识别器采用交叉熵损失函数，且在训练时通过Adam优化方法对识别器参数进行优化。
6.如权利要求5所述的基于终身学习卷积神经网络的产品表面缺陷识别方法，其特征在于，对通过终身学习策略调整过的识别器，再次采用Adam优化方法对识别器参数进行优化。
7.如权利要求1所述的基于终身学习卷积神经网络的产品表面缺陷识别方法，其特征在于，所述终身学习策略具体为Weight Imprint方法。
8.如权利要求1-7任一项所述的基于终身学习卷积神经网络的产品表面缺陷识别方法，其特征在于，所述特征提取器采用基于ImageNet预训练的VGG16卷积神经网络，且在该VGG16卷积神经网络末端设置有一个全局平均池化层，将输入的缺陷图像转化为512维特征向量。
CN202011490170.4A 2020-12-16 2020-12-16 一种基于终身学习卷积神经网络的产品表面缺陷识别方法 Active CN112541905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011490170.4A CN112541905B (zh) 2020-12-16 2020-12-16 一种基于终身学习卷积神经网络的产品表面缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011490170.4A CN112541905B (zh) 2020-12-16 2020-12-16 一种基于终身学习卷积神经网络的产品表面缺陷识别方法

Publications (2)

Publication Number Publication Date
CN112541905A true CN112541905A (zh) 2021-03-23
CN112541905B CN112541905B (zh) 2022-08-05

Family

ID=75018945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011490170.4A Active CN112541905B (zh) 2020-12-16 2020-12-16 一种基于终身学习卷积神经网络的产品表面缺陷识别方法

Country Status (1)

Country Link
CN (1) CN112541905B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792733A (zh) * 2021-09-17 2021-12-14 平安科技（深圳）有限公司 车辆部件检测方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060269120A1 (en) * 2005-05-13 2006-11-30 Youval Nehmadi Design-based method for grouping systematic defects in lithography pattern writing system
CN109376786A (zh) * 2018-10-31 2019-02-22 中国科学院深圳先进技术研究院 一种图像分类方法、装置、终端设备及可读存储介质
US20190221187A1 (en) * 2014-10-10 2019-07-18 DimensionalMechanics, Inc. System, apparatus and methods for adaptive data transport and optimization of application execution
CN111062494A (zh) * 2019-12-26 2020-04-24 山东大学 具有终身学习能力的机器人自组织-反思认知发育方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060269120A1 (en) * 2005-05-13 2006-11-30 Youval Nehmadi Design-based method for grouping systematic defects in lithography pattern writing system
US20190221187A1 (en) * 2014-10-10 2019-07-18 DimensionalMechanics, Inc. System, apparatus and methods for adaptive data transport and optimization of application execution
CN109376786A (zh) * 2018-10-31 2019-02-22 中国科学院深圳先进技术研究院 一种图像分类方法、装置、终端设备及可读存储介质
CN111062494A (zh) * 2019-12-26 2020-04-24 山东大学 具有终身学习能力的机器人自组织-反思认知发育方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GEORGIOS THEODOROU ET AL.: "Software-Based Self-Test for Small Caches in Microprocessors", 《IEEE TRANSACTIONS ON COMPUTER-AIDED DESIGN OF INTEGRATED CIRCUITS AND SYSTEMS》, 16 October 2014 (2014-10-16), pages 1991 - 2004 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792733A (zh) * 2021-09-17 2021-12-14 平安科技（深圳）有限公司 车辆部件检测方法、系统、电子设备及存储介质
CN113792733B (zh) * 2021-09-17 2023-07-21 平安科技（深圳）有限公司 车辆部件检测方法、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN112541905B (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN108345911B (zh) 基于卷积神经网络多级特征的钢板表面缺陷检测方法
CN107316061B (zh) 一种深度迁移学习的不平衡分类集成方法
CN109949317A (zh) 基于逐步对抗学习的半监督图像实例分割方法
CN107392919B (zh) 基于自适应遗传算法的灰度阈值获取方法、图像分割方法
CN108491874A (zh) 一种基于生成式对抗网络的图像单分类方法
CN112557034B (zh) 一种基于pca_cnns的轴承故障诊断方法
CN113326731A (zh) 一种基于动量网络指导的跨域行人重识别算法
CN113807420A (zh) 一种考虑类别语义匹配的域自适应目标检测方法及系统
CN111339478B (zh) 基于改进模糊层次分析法的气象数据质量评估方法
CN111667466B (zh) 一种带钢表面质量缺陷多分类的多目标优化特征选择方法
CN112541905B (zh) 一种基于终身学习卷积神经网络的产品表面缺陷识别方法
CN111582365B (zh) 一种基于样本难度的垃圾邮件分类方法
CN114818963B (zh) 一种基于跨图像特征融合的小样本检测方法
CN116452862A (zh) 基于领域泛化学习的图像分类方法
CN106951728B (zh) 一种基于粒子群优化和打分准则的肿瘤关键基因识别方法
CN107974696B (zh) 铝电解槽生产过程中阳极效应预报方法
CN113377991B (zh) 一种基于最难正负样本的图像检索方法
CN113177578A (zh) 一种基于lstm的农产品品质分类方法
CN113033345A (zh) 基于公共特征子空间的v2v视频人脸识别方法
CN110910528B (zh) 纸页抗张强度的预测方法及装置
CN113523904A (zh) 一种刀具磨损检测方法
CN112364098A (zh) 一种基于Hadoop的分布式电力系统异常数据识别方法及系统
CN116645562A (zh) 一种细粒度伪造图像的检测方法及其模型训练方法
CN111198820A (zh) 一种基于共享隐层自编码器的跨项目软件缺陷预测方法
Geng et al. CNUSVM: hybrid CNN-uneven SVM model for imbalanced visual 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
GR01 Patent grant
GR01 Patent grant