CN112712497B - 基于局部描述算符的铸铁管道连接处的稳定性检测方法 - Google Patents

基于局部描述算符的铸铁管道连接处的稳定性检测方法 Download PDF

Info

Publication number
CN112712497B
CN112712497B CN202011521422.5A CN202011521422A CN112712497B CN 112712497 B CN112712497 B CN 112712497B CN 202011521422 A CN202011521422 A CN 202011521422A CN 112712497 B CN112712497 B CN 112712497B
Authority
CN
China
Prior art keywords
cast iron
region
ball
feature vector
connection
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
CN202011521422.5A
Other languages
English (en)
Other versions
CN112712497A (zh
Inventor
姚冬梅
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.)
Jiangmen City Jianghai District Jinyinlang Steel Pipe Co ltd
Original Assignee
Jiangmen City Jianghai District Jinyinlang Steel Pipe Co ltd
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 Jiangmen City Jianghai District Jinyinlang Steel Pipe Co ltd filed Critical Jiangmen City Jianghai District Jinyinlang Steel Pipe Co ltd
Priority to CN202011521422.5A priority Critical patent/CN112712497B/zh
Publication of CN112712497A publication Critical patent/CN112712497A/zh
Application granted granted Critical
Publication of CN112712497B publication Critical patent/CN112712497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于局部描述算符的铸铁管道连接处的稳定性检测方法，其包括：获取待检测的球磨铸铁管道的图像；将所述球磨铸铁管道图像输入卷积神经网络以获得特征图；确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域；提取所述感兴趣区域中的特征以获得感兴趣区域特征图；对所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量；基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量；以及，将所述分类特征向量通过Softmax分类函数以获得分类结果，所述分类结果用于表示所述球磨铸铁管道的连接是否稳定。

Description

基于局部描述算符的铸铁管道连接处的稳定性检测方法
技术领域
本申请涉及人工智能领域，且更为具体地，涉及一种基于局部描述算符的铸铁管道连接处的稳定性检测方法、基于局部描述算符的铸铁管道连接处的稳定性检测系统和电子设备。
背景技术
球墨铸铁管是管道中的一种，广泛运用于自来水输送中，现有的球墨铸铁管在铺设安装时，需要将相邻管道进行连接组装，这一般是通过连接件对相邻两组管道进行连接。然而，在铺设的过程中，很可能相邻的管道在大小上存在差异，或者在铺设过程中管道连接处发生形变，这都可能影响球墨铸铁管道连接的稳定性。
因此，期望一种用于球磨铸铁管道连接处的稳定性检测的技术方案。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为球磨铸铁管道连接处的稳定性检测提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于局部描述算符的铸铁管道连接处的稳定性检测方法、基于局部描述算符的铸铁管道连接处的稳定性检测系统和电子设备，其基于深度神经网络提取出对应于连接处的预定区域的特征，并采用了局部描述算符的方法进行处理，以使得一方面可以强化该预定区域的特征表达，另一方面可以使得处理后的特征能够包含相邻的球墨铸铁管道连接处的图像特征信息，通过这样的方式，来提高铸铁管道连接处的稳定性检测的准确度。
根据本申请的一个方面，提供了一种基于局部描述算符的铸铁管道连接处的稳定性检测方法，其包括：
步骤1：获取待检测的球磨铸铁管道的图像，所述球磨铸铁管道包括至少两通过连接区域连接的球磨铸铁子管道；
步骤2：将所述球磨铸铁管道图像输入卷积神经网络以获得特征图；
步骤3：确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域；
步骤4：提取所述感兴趣区域中的特征以获得感兴趣区域特征图；
步骤5：对所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量；
步骤6：基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量，其中，所述局部描述算符值表示所述连接特征向量中各个位置的特征值与其对应的在所述特征图的邻域内的各个像素的特征值之间的相似度；以及
步骤7：将所述分类特征向量通过Softmax分类函数以获得分类结果，所述分类结果用于表示所述球磨铸铁管道的连接是否稳定。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测方法中，步骤3：确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域，包括：基于图像语义分割，确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测方法中，步骤3：确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域，包括：将所述特征图输入感兴趣区域提取网络，以确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域，其中，所述感兴趣区域提取网络以具有目标候选框的球磨铸铁管道的图像作为训练图像集来训练，所述目标候选框用于表示所述连接区域。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测方法中，在步骤5：对所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量中，所述球磨铸铁管道的延伸方向为所述图像的纵向。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测方法中，步骤6：基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量，包括：确定在所述特征图中与所述连接特征向量中每个位置对应的具有预设大小的邻域；以及，以如下公式计算计算所述连接特征向量每个位置对应的局部描述算符值，以获得所述分类特征向量，其中，所述公式表示为：
I(x,y)是连接特征向量的每个位置的值，m和n是局部描述算符所定义的邻域，Δx和Δy表示所述连接特征向量的某个位置的特征值与其对应的邻域内某个位置的特征值之差。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测方法中，所述m和n的具体数值可作为超参数参与到所述卷积神经网络的训练过程中。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测方法中，在步骤2：将所述球磨铸铁管道图像输入卷积神经网络以获得特征图中，所述卷积神经网络为深度残差神经网络。。
根据本申请的另一方面，提供了一种基于局部描述算符的铸铁管道连接处的稳定性检测系统，包括：
待检测图像获取单元，用于执行步骤1：获取待检测的球磨铸铁管道的图像，所述球磨铸铁管道包括至少两通过连接区域连接的球磨铸铁子管道；
特征图生成单元，用于执行步骤2：将所述待检测图像获取单元获得的所述球磨铸铁管道图像输入卷积神经网络以获得特征图；
感兴趣区域确定单元，用于执行步骤3：确定所述特征图生成单元获得的所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域；
感兴趣区域特征图提取单元，用于执行步骤4：提取所述感兴趣区域中的特征以获得感兴趣区域特征图；
连接特征向量生成单元，用于执行步骤5：对所述感兴趣区域特征图提取单元获得的所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量；
分类特征向量生成单元，用于执行步骤6：基于所述特征图生成单元获得的所述特征图，计算所述连接特征向量生成单元获得的所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量，其中，所述局部描述算符值表示所述连接特征向量中各个位置的特征值与其对应的在所述特征图的邻域内的各个像素的特征值之间的相似度；以及
分类结果生成单元，用于执行步骤7：将所述分类特征向量生成单元获得的所述分类特征向量通过Softmax分类函数以获得分类结果，所述分类结果用于表示所述球磨铸铁管道的连接是否稳定。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测系统中，所述感兴趣区域确定单元，进一步用于：基于图像语义分割，确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测系统中，所述感兴趣区域确定单元，进一步用于：将所述特征图输入感兴趣区域提取网络，以确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域，其中，所述感兴趣区域提取网络以具有目标候选框的球磨铸铁管道的图像作为训练图像集来训练，所述目标候选框用于表示所述连接区域。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测系统中，所述球磨铸铁管道的延伸方向为所述图像的纵向。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测系统中，所述分类特征向量生成单元，包括：邻域确定子单元，用于确定在所述特征图中与所述连接特征向量中每个位置对应的具有预设大小的邻域；局部描述算符值计算子单元，用于以如下公式计算计算所述连接特征向量每个位置对应的局部描述算符值，以获得所述分类特征向量，其中，所述公式表示为：
I(x,y)是连接特征向量的每个位置的值，m和n是局部描述算符所定义的邻域，Δx和Δy表示所述连接特征向量的某个位置的特征值与其对应的邻域内某个位置的特征值之差。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测系统中，所述m和n的具体数值可作为超参数参与到所述卷积神经网络的训练过程中。
在上述基于局部描述算符的铸铁管道连接处的稳定性检测系统中，所述卷积神经网络为深度残差神经网络。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于局部描述算符的铸铁管道连接处的稳定性检测方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于局部描述算符的铸铁管道连接处的稳定性检测方法。
根据本申请提供的基于局部描述算符的铸铁管道连接处的稳定性检测方法、基于局部描述算符的铸铁管道连接处的稳定性检测系统和电子设备，其基于深度神经网络提取出对应于连接处的预定区域的特征，并采用了局部描述算符的方法进行处理，以使得一方面可以强化该预定区域的特征表达，另一方面可以使得处理后的特征能够包含相邻的球墨铸铁管道连接处的图像特征信息，通过这样的方式，来提高铸铁管道连接处的稳定性检测的准确度。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法的场景示意图。
图2图示了根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法的流程图。
图3图示了根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法的架构示意图。
图4图示了根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法中，步骤6：基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量的流程图。
图5图示了根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测系统的框图。
图6图示了根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测系统中分类特征向量生成单元的框图。
图7图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，球墨铸铁管是管道中的一种，广泛运用于自来水输送中，现有的球墨铸铁管在铺设安装时，需要将相邻管道进行连接组装，这一般是通过连接件对相邻两组管道进行连接。然而，在铺设的过程中，很可能相邻的管道在大小上存在差异，或者在铺设过程中管道连接处发生形变，这都可能影响球墨铸铁管道连接的稳定性。
因此，期望一种用于球磨铸铁管道连接处的稳定性检测的技术方案。
为了检测球墨铸铁管道连接的稳定性，本申请的申请人考虑通过基于深度学习的计算机视觉技术，来通过对于球墨铸铁管道连接处的图像特征的提取和分类确定球墨铸铁管道连接的稳定性是否符合标准，这其中的关键就在于如何提取出能够反映球墨铸铁管道的连接特性的特征。
针对此，本申请的申请人首先将球墨铸铁管道的图像通过卷积神经网络并获得其特征图，然后提取特征图中对应于连接处的预定区域的特征，并采用了局部描述算符的方法进行处理，以使得一方面可以强化该预定区域的特征表达，另一方面可以使得处理后的特征能够包含相邻的球墨铸铁管道连接处的图像特征信息。
具体地，在将球墨铸铁管道的图像通过卷积神经网络获得特征图后，通过对相连接的两段球墨铸铁管道的对象检测确定所述特征图中与这两段球墨铸铁管道对应的感兴趣区域，然后提取该感兴趣区域部分的特征，并在管道延伸方向上进行平均值池化以获得连接特征向量。
然后，针对该连接特征向量，针对局部描述算符所定义的邻域，计算向量的每个位置对应的局部描述算符值以获得新的特征向量，在以该特征向量输入分类器并获得分类结果，所述分类结果表示球墨铸铁管道的连接是否稳固。这里，所述局部描述算符值为首先计算出某个位置的特征值与其特征图上的邻域内的位置的特征值之差与该位置的特征值的商，再对于邻域内的每个位置求和，表示为：
I(x,y)是连接特征向量的每个位置的值，m和n是局部描述算符所定义的邻域，具体数值可以作为超参数与卷积神经网络一起训练。
基于此，本申请提出了一种基于局部描述算符的铸铁管道连接处的稳定性检测方法，其包括：步骤1：获取待检测的球磨铸铁管道的图像，所述球磨铸铁管道包括至少两通过连接区域连接的球磨铸铁子管道；步骤2：将所述球磨铸铁管道图像输入卷积神经网络以获得特征图；步骤3：确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域；步骤4：提取所述感兴趣区域中的特征以获得感兴趣区域特征图；步骤5：对所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量；步骤6：基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量，其中，所述局部描述算符值表示所述连接特征向量中各个位置的特征值与其对应的在所述特征图的邻域内的各个像素的特征值之间的相似度；以及，步骤7：将所述分类特征向量通过Softmax分类函数以获得分类结果，所述分类结果用于表示所述球磨铸铁管道的连接是否稳定。
图1图示了根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法的场景示意图。
如图1所示，在该应用场景中，首先通过摄像头(例如，如图1中所示意的C)获取待检测的球磨铸铁管道的图像，所述球磨铸铁管道包括至少两通过连接区域连接的球磨铸铁子管道；然后，将所述待检测图像输入至部署有基于局部描述算符的铸铁管道连接处的稳定性检测算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够基于局部描述算符的铸铁管道连接处的稳定性检测算法对所述待检测图像进行处理，以生成用于表示所述球磨铸铁管道的连接是否稳定的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法的流程图。如图2所示，根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法，包括：步骤1：获取待检测的球磨铸铁管道的图像，所述球磨铸铁管道包括至少两通过连接区域连接的球磨铸铁子管道；步骤2：将所述球磨铸铁管道图像输入卷积神经网络以获得特征图；步骤3：确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域；步骤4：提取所述感兴趣区域中的特征以获得感兴趣区域特征图；步骤5：对所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量；步骤6：基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量，其中，所述局部描述算符值表示所述连接特征向量中各个位置的特征值与其对应的在所述特征图的邻域内的各个像素的特征值之间的相似度；以及，步骤7：将所述分类特征向量通过Softmax分类函数以获得分类结果，所述分类结果用于表示所述球磨铸铁管道的连接是否稳定。
图3图示了根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法的架构示意图。如图3所示，在该网络架构中，首先将获取的待检测球磨铸铁管道的图像(例如，如图3中所示意的IN0)输入卷积神经网络(例如，如图3中所示意的CNN)中，以获得特征图(例如，如图3中所示意的F1)。接着，确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域(例如，如图3中所示意的ROI)。然后，提取所述感兴趣区域中的特征以获得感兴趣区域特征图(例如，如图3中所示意的Froi)。进而，以池化层(例如，如图3中所示意的PL)对所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量(例如，如图3中所示意的V1)；接着，基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量(例如，如图3中所示意的Vc)。继而，将所述分类特征向量通过Softmax分类函数(例如，如图3中所示意的圈S)以获得分类结果，所述分类结果用于表示所述球磨铸铁管道的连接是否稳定。
在步骤1中，获取待检测的球磨铸铁管道的图像，所述球磨铸铁管道包括至少两通过连接区域连接的球磨铸铁子管道。这里，在采集所述球磨铸铁管道的图像的过程中，为了避免其他因素对连接处的稳定性检测造成不良影响，对所述球磨铸铁管道进行清洗。并且，在采集所述在采集所述球磨铸铁管道的图像的过程中，将连接处放置于摄像头视场角的中央区域，以使得在所述球磨铸铁管道的图像中，所述连接处具有相较较大的尺度和成像清晰度，以利于检测。
在步骤2中，将所述球磨铸铁管道图像输入卷积神经网络以获得特征图。也就是，以卷积神经网络对所述球磨铸铁管道图像进行处理，以提取出所述球磨铸铁管道图像中的高维特征。本领域普通技术人员应知晓，卷积神经网络在提取图像局部空间特征上具有优异的性能表现。
优选地，在本申请实施例中，所述卷积神经网络被实施为深度残差网络，例如，ResNet 50。相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤3中，确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域。如前所述，本技术方案的关键在于提取出能够反映球墨铸铁管道的连接特性的特征。因此，在步骤3中，将所述特征图中与所述球磨铸铁管道的连接区域对应的区域标识为感兴趣区域。
具体地，在本申请一个具体的示例中，将所述特征图中与所述球磨铸铁管道的连接区域对应的区域标识为感兴趣区域的过程，包括：基于图像语义分割，确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域。也就是，在该具体示例中，以图像分割技术识别出所述特征图中各个对象及其对应的语义信息，进而，将语义信息为连接处的区域确定为所述感兴趣区域。
当然，在本申请其他示例中，还可以采用其他方式标识出所述特征图中与所述球磨铸铁管道的连接区域对应的区域。例如，在本申请另一具体的示例中，以训练完成的感兴趣区域提取网络来确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域。更具体地，在该另一具体示例中，确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域的过程，包括：将所述特征图输入感兴趣区域提取网络，以确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域，其中，所述感兴趣区域提取网络以具有目标候选框的球磨铸铁管道的图像作为训练图像集来训练，所述目标候选框用于表示所述连接区域。
在步骤4中，提取所述感兴趣区域中的特征以获得感兴趣区域特征图。也就是，提取所述感兴趣区域中各个像素位置的特征值以获得所述感兴趣区域特征图。
在步骤5中，对所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量。应可以理解，对所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，可充分保留所述感兴趣特征图中所述连接处在所述球磨铸铁管道的延伸方向的特征，以获得所述连接特征向量。
在本申请一个具体的示例中，所述球磨铸铁管道的延伸方向为所述图像的纵向。相应地，在该具体示例中，在采集待检测图像时，可通过调整摄像头，使得管道的延伸方向与图像的纵向相一致，这样利于计算。
在步骤6中，基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量，其中，所述局部描述算符值表示所述连接特征向量中各个位置的特征值与其对应的在所述特征图的邻域内的各个像素的特征值之间的相似度。如前所述，在本申请的技术方案中，采用了局部描述算符的方法进行处理，以使得一方面可以强化该预定区域的特征表达，另一方面可以使得处理后的特征能够包含相邻的球墨铸铁管道连接处的图像特征信息。
更具体地，在本申请实施例中，基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量的过程，包括：首先，确定在所述特征图中与所述连接特征向量中每个位置对应的具有预设大小的邻域。应可以理解，所述连接特征向量通过感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化得到，因此，所述连接特征向量中的每个像素位置对应于所述感兴趣区域特征图中的一个图像块区域，即，对应于所述特征图中一个图像块区域，即，所述领域。
进而，以如下公式计算计算所述连接特征向量每个位置对应的局部描述算符值，以获得所述分类特征向量，其中，所述公式表示为：
I(x,y)是连接特征向量的每个位置的值，m和n是局部描述算符所定义的邻域，Δx和Δy表示所述连接特征向量的某个位置的特征值与其对应的邻域内某个位置的特征值之差。
值得一提的是，在本申请实施例中，所述m和n的具体数值可作为超参数参与到所述卷积神经网络的训练过程中。
图4图示了根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法中，步骤6：基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量的流程图。如图4所示，步骤6：基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量，包括：S110，确定在所述特征图中与所述连接特征向量中每个位置对应的具有预设大小的邻域；以及，S120，以如下公式计算计算所述连接特征向量每个位置对应的局部描述算符值，以获得所述分类特征向量，其中，所述公式表示为：
I(x,y)是连接特征向量的每个位置的值，m和n是局部描述算符所定义的邻域，Δx和Δy表示所述连接特征向量的某个位置的特征值与其对应的邻域内某个位置的特征值之差。
在步骤7中，将所述分类特征向量通过Softmax分类函数以获得分类结果，所述分类结果用于表示所述球磨铸铁管道的连接是否稳定。也就是，以步骤6中获得的分类特征向量作为新的特征向量来进行分类。应可以理解，经过步骤S6中局部描述算符的处理方式，所述分类特征向量一方面具有强化的该预定区域的特征表达，另一方面所述分类特征向量能够包含相邻的球墨铸铁管道连接处的图像特征信息。
综上，基于本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法被阐明，其基于深度神经网络提取出对应于连接处的预定区域的特征，并采用了局部描述算符的方法进行处理，以使得一方面可以强化该预定区域的特征表达，另一方面可以使得处理后的特征能够包含相邻的球墨铸铁管道连接处的图像特征信息，通过这样的方式，来提高铸铁管道连接处的稳定性检测的准确度。
示例性系统
图5图示了根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测系统的框图。
如图5所示，根据本申请实施例的基于局部描述算符的铸铁管道连接处的稳定性检测系统500，包括：待检测图像获取单元510，用于执行步骤1：获取待检测的球磨铸铁管道的图像，所述球磨铸铁管道包括至少两通过连接区域连接的球磨铸铁子管道；特征图生成单元520，用于执行步骤2：将所述待检测图像获取单元510获得的所述球磨铸铁管道图像输入卷积神经网络以获得特征图；感兴趣区域确定单元530，用于执行步骤3：确定所述特征图生成单元520获得的所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域；感兴趣区域特征图提取单元540，用于执行步骤4：提取所述感兴趣区域中的特征以获得感兴趣区域特征图；连接特征向量生成单元550，用于执行步骤5：对所述感兴趣区域特征图提取单元540获得的所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量；分类特征向量生成单元560，用于执行步骤6：基于所述特征图生成单元520获得的所述特征图，计算所述连接特征向量生成单元550获得的所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量，其中，所述局部描述算符值表示所述连接特征向量中各个位置的特征值与其对应的在所述特征图的邻域内的各个像素的特征值之间的相似度；以及，分类结果生成单元570，用于执行步骤7：将所述分类特征向量生成单元560获得的所述分类特征向量通过Softmax分类函数以获得分类结果，所述分类结果用于表示所述球磨铸铁管道的连接是否稳定。
在一个示例中，在上述检测系统500中，所述感兴趣区域确定单元530，进一步用于：基于图像语义分割，确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域。
在一个示例中，在上述检测系统500中，所述感兴趣区域确定单元530，进一步用于：将所述特征图输入感兴趣区域提取网络，以确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域，其中，所述感兴趣区域提取网络以具有目标候选框的球磨铸铁管道的图像作为训练图像集来训练，所述目标候选框用于表示所述连接区域。
在一个示例中，在上述检测系统500中，所述球磨铸铁管道的延伸方向为所述图像的纵向。
在一个示例中，在上述检测系统500中，如图6所示，所述分类特征向量生成单元560，包括：邻域确定子单元561，用于确定在所述特征图中与所述连接特征向量中每个位置对应的具有预设大小的邻域；局部描述算符值计算子单元562，用于以如下公式计算计算所述连接特征向量每个位置对应的局部描述算符值，以获得所述分类特征向量，其中，所述公式表示为：
I(x,y)是连接特征向量的每个位置的值，m和n是局部描述算符所定义的邻域，Δx和Δy表示所述连接特征向量的某个位置的特征值与其对应的邻域内某个位置的特征值之差。
在一个示例中，在上述检测系统500中，所述m和n的具体数值可作为超参数参与到所述卷积神经网络的训练过程中。
在一个示例中，在上述检测系统500中，所述卷积神经网络为深度残差神经网络。
这里，本领域技术人员可以理解，上述检测系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于局部描述算符的铸铁管道连接处的稳定性检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的检测系统500可以实现在各种终端设备中，例如用于铸铁管道连接处的稳定性检测的服务器等。在一个示例中，根据本申请实施例的检测系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该检测系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该检测系统500同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该检测系统500与该终端设备也可以是分立的设备，并且该检测系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如检测图像、检测结果等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括检测结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于局部描述算符的铸铁管道连接处的稳定性检测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (9)

1.一种基于局部描述算符的铸铁管道连接处的稳定性检测方法，其特征在于，包括：
步骤1：获取待检测的球磨铸铁管道的图像，所述球磨铸铁管道包括至少两通过连接区域连接的球磨铸铁子管道；
步骤2：将所述球磨铸铁管道图像输入卷积神经网络以获得特征图；
步骤3：确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域；
步骤4：提取所述感兴趣区域中的特征以获得感兴趣区域特征图；
步骤5：对所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量；
步骤6：基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量，其中，所述局部描述算符值表示所述连接特征向量中各个位置的特征值与其对应的在所述特征图的邻域内的各个像素的特征值之间的相似度；以及
步骤7：将所述分类特征向量通过Softmax分类函数以获得分类结果，所述分类结果用于表示所述球磨铸铁管道的连接是否稳定；
其中，步骤6：基于所述特征图，计算所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量，包括：
确定在所述特征图中与所述连接特征向量中每个位置对应的具有预设大小的邻域；
以如下公式计算计算所述连接特征向量每个位置对应的局部描述算符值，以获得所述分类特征向量，其中，所述公式表示为：
I(x,y)是连接特征向量的每个位置的值，m和n是局部描述算符所定义的邻域，Δx和Δy表示所述连接特征向量的某个位置的特征值与其对应的邻域内某个位置的特征值之差。
2.根据权利要求1所述的基于局部描述算符的铸铁管道连接处的稳定性检测方法，其中，步骤3：确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域，包括：
基于图像语义分割，确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域。
3.根据权利要求1所述的基于局部描述算符的铸铁管道连接处的稳定性检测方法，其中，步骤3：确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域，包括：
将所述特征图输入感兴趣区域提取网络，以确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域，其中，所述感兴趣区域提取网络以具有目标候选框的球磨铸铁管道的图像作为训练图像集来训练，所述目标候选框用于表示所述连接区域。
4.根据权利要求1所述的基于局部描述算符的铸铁管道连接处的稳定性检测方法，其中，在步骤5：对所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量中，所述球磨铸铁管道的延伸方向为所述图像的纵向。
5.根据权利要求4所述的基于局部描述算符的铸铁管道连接处的稳定性检测方法，其中，所述m和n的具体数值可作为超参数参与到所述卷积神经网络的训练过程中。
6.根据权利要求1所述的基于局部描述算符的铸铁管道连接处的稳定性检测方法，其中，在步骤2：将所述球磨铸铁管道图像输入卷积神经网络以获得特征图中，所述卷积神经网络为深度残差神经网络。
7.一种基于局部描述算符的铸铁管道连接处的稳定性检测系统，其特征在于，包括：
待检测图像获取单元，用于执行步骤1：获取待检测的球磨铸铁管道的图像，所述球磨铸铁管道包括至少两通过连接区域连接的球磨铸铁子管道；
特征图生成单元，用于执行步骤2：将所述待检测图像获取单元获得的所述球磨铸铁管道图像输入卷积神经网络以获得特征图；
感兴趣区域确定单元，用于执行步骤3：确定所述特征图生成单元获得的所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域；
感兴趣区域特征图提取单元，用于执行步骤4：提取所述感兴趣区域中的特征以获得感兴趣区域特征图；
连接特征向量生成单元，用于执行步骤5：对所述感兴趣区域特征图提取单元获得的所述感兴趣区域特征图在所述球磨铸铁管道的延伸方向上进行平均值池化，以获得连接特征向量；
分类特征向量生成单元，用于执行步骤6：基于所述特征图生成单元获得的所述特征图，计算所述连接特征向量生成单元获得的所述连接特征向量每个位置对应的局部描述算符值，以获得分类特征向量，其中，所述局部描述算符值表示所述连接特征向量中各个位置的特征值与其对应的在所述特征图的邻域内的各个像素的特征值之间的相似度；以及
分类结果生成单元，用于执行步骤7：将所述分类特征向量生成单元获得的所述分类特征向量通过Softmax分类函数以获得分类结果，所述分类结果用于表示所述球磨铸铁管道的连接是否稳定；
其中，所述分类特征向量生成单元，包括：邻域确定子单元，用于确定在所述特征图中与所述连接特征向量中每个位置对应的具有预设大小的邻域；局部描述算符值计算子单元，用于以如下公式计算计算所述连接特征向量每个位置对应的局部描述算符值，以获得所述分类特征向量，其中，所述公式表示为：
I(x,y)是连接特征向量的每个位置的值，m和n是局部描述算符所定义的邻域，Δx和Δy表示所述连接特征向量的某个位置的特征值与其对应的邻域内某个位置的特征值之差。
8.根据权利要求7所述的基于局部描述算符的铸铁管道连接处的稳定性检测系统，其中，所述感兴趣区域确定单元，进一步用于：基于图像语义分割，确定所述特征图中与所述球磨铸铁管道的连接区域对应的区域为感兴趣区域。
9.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的基于局部描述算符的铸铁管道连接处的稳定性检测方法。
CN202011521422.5A 2020-12-21 2020-12-21 基于局部描述算符的铸铁管道连接处的稳定性检测方法 Active CN112712497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011521422.5A CN112712497B (zh) 2020-12-21 2020-12-21 基于局部描述算符的铸铁管道连接处的稳定性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011521422.5A CN112712497B (zh) 2020-12-21 2020-12-21 基于局部描述算符的铸铁管道连接处的稳定性检测方法

Publications (2)

Publication Number Publication Date
CN112712497A CN112712497A (zh) 2021-04-27
CN112712497B true CN112712497B (zh) 2024-05-28

Family

ID=75544856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011521422.5A Active CN112712497B (zh) 2020-12-21 2020-12-21 基于局部描述算符的铸铁管道连接处的稳定性检测方法

Country Status (1)

Country Link
CN (1) CN112712497B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821201B (zh) * 2022-06-28 2022-09-20 江苏广坤铝业有限公司 铝材加工的液压式撞角机及其使用方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559302A (zh) * 2018-11-23 2019-04-02 北京市新技术应用研究所 基于卷积神经网络的管道视频缺陷检测方法
CN111226226A (zh) * 2018-06-29 2020-06-02 杭州眼云智家科技有限公司 基于运动的对象检测方法及其对象检测装置和电子设备
US10713794B1 (en) * 2017-03-16 2020-07-14 Facebook, Inc. Method and system for using machine-learning for object instance segmentation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10713794B1 (en) * 2017-03-16 2020-07-14 Facebook, Inc. Method and system for using machine-learning for object instance segmentation
CN111226226A (zh) * 2018-06-29 2020-06-02 杭州眼云智家科技有限公司 基于运动的对象检测方法及其对象检测装置和电子设备
CN109559302A (zh) * 2018-11-23 2019-04-02 北京市新技术应用研究所 基于卷积神经网络的管道视频缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Mduduzi Manana,Chunling Tu,Pius Adewale Owolawi.Preprocessed Faster RCNN for Vehicle Detection.2018 International Conference on Intelligent and Innovative Computing Applications.2019,全文. *
基于时频图像和卷积神经网络的尾水管涡带状态识别;洪礼聪;中国优秀硕士学位论文全文数据库;20181215;全文 *

Also Published As

Publication number Publication date
CN112712497A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
Chun et al. Automatic detection method of cracks from concrete surface imagery using two‐step light gradient boosting machine
Cao et al. Feature-fused SSD: Fast detection for small objects
Zhang et al. Corner detection based on gradient correlation matrices of planar curves
Pan et al. Image‐based monitoring of bolt loosening through deep‐learning‐based integrated detection and tracking
Rahman et al. 3D object detection: Learning 3D bounding boxes from scaled down 2D bounding boxes in RGB-D images
CN112651967A (zh) 基于邻域像素值差分比例的钢筋焊接质量检测方法
CN112037279B (zh) 物品位置识别方法和装置、存储介质、电子设备
CN109543674A (zh) 一种基于生成对抗网络的图像拷贝检测方法
Tian et al. Free-view gait recognition
CN112712497B (zh) 基于局部描述算符的铸铁管道连接处的稳定性检测方法
CN113111827A (zh) 施工监控方法、装置、电子设备和存储介质
CN116912597A (zh) 知识产权智能管理系统及其方法
Kim et al. Rotational multipyramid network with bounding‐box transformation for object detection
Bi et al. HGR-Net: Hierarchical graph reasoning network for arbitrary shape scene text detection
Liu et al. A dual attention network for automatic metallic corrosion detection in natural environment
CN116467485B (zh) 一种视频图像检索构建系统及其方法
Chen et al. Automated fire risk assessment and mitigation in building blueprints using computer vision and deep generative models
Wang et al. Dual-Branch Dynamic Graph Convolutional Network for Robust Multi-Label Image Classification
CN108875703A (zh) 利用矢量Radon变换的SAR图像直线提取方法
Zhao et al. Algorithm for real-time defect detection of micro pipe inner surface
Pan et al. TFCNet: A texture-aware and fine-grained feature compensated polyp detection network
Ye et al. SAM-based instance segmentation models for the automation of masonry crack detection
CN112819040A (zh) 基于权值生成机制的用于水泥加工的智能控制方法
CN112489033A (zh) 基于分类权重的混凝土养护箱的清洁效果的检测方法
CN115601625A (zh) 一种适用于目标检测网络的双检测头结构

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240109

Address after: Room 408-8, 4th Floor, Building 2, Haichuang Technology Center, Cangqian Street, Yuhang District, Hangzhou City, Zhejiang Province, 313000

Applicant after: HANGZHOU ZHUILIE TECHNOLOGY Co.,Ltd.

Address before: Room 5363, 5th Floor, No. 2 Shuiximen Street, Qinhuai District, Nanjing City, Jiangsu Province, 210000

Applicant before: Nanjing Jingzhe Information Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240428

Address after: 529000 Hengli, Waihai Sub district Office, Jianghai District, Jiangmen City, Guangdong Province (self numbered 07)

Applicant after: Jiangmen City Jianghai District Jinyinlang Steel Pipe Co.,Ltd.

Country or region after: China

Address before: Room 408-8, 4th Floor, Building 2, Haichuang Technology Center, Cangqian Street, Yuhang District, Hangzhou City, Zhejiang Province, 313000

Applicant before: HANGZHOU ZHUILIE TECHNOLOGY Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant