CN112767345B - 一种dd6单晶高温合金共晶缺陷检测和分割方法 - Google Patents
一种dd6单晶高温合金共晶缺陷检测和分割方法 Download PDFInfo
- Publication number
- CN112767345B CN112767345B CN202110058769.9A CN202110058769A CN112767345B CN 112767345 B CN112767345 B CN 112767345B CN 202110058769 A CN202110058769 A CN 202110058769A CN 112767345 B CN112767345 B CN 112767345B
- Authority
- CN
- China
- Prior art keywords
- defect
- eutectic
- defects
- pseudo
- superalloy
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 133
- 230000005496 eutectics Effects 0.000 title claims abstract description 52
- 229910000601 superalloy Inorganic materials 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 239000013078 crystal Substances 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 40
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种DD6单晶高温合金共晶缺陷检测和分割方法,DD6单晶高温合金显微图像的采集和共晶缺陷轮廓的人工标注,通过标注工具获取DD6单晶高温合金共晶缺陷的类别标签、缺陷轮廓的坐标和缺陷外接矩形框的左上角坐标以及长宽值;计算图像中共晶缺陷灰度值的均值和标准差,得到不包含共晶缺陷的背景图片;将待检测的DD6单晶高温合金显微图像输入到模型当中,检测出图像中共晶缺陷的个数、位置和大小。本发明节省人工检测DD6单晶高温合金共晶缺陷的时间,提升工作效率。这种方法相比不使用伪样本最终在真实样本组成的测试集上表现更好。
Description
技术领域
本发明涉及一种DD6单晶高温合金共晶缺陷的检测方法,尤其涉及一种基于少量显微图像的伪样本生成方法辅助深度学习模型的训练。
背景技术
DD6是中国第二代单晶高温合金,该合金适合于制作具有复杂内腔的燃气涡轮工作叶片和在高温、高应力、氧化及腐蚀条件下工作的高温零件。而共晶缺陷会影响材料的性能和寿命,因此材料研究者一直在研究DD6单晶高温合金共晶缺陷和材料性能之间的关系,这也就需要缺陷的位置、大小的数据。
目前检测这种缺陷的方法可分为三种,一是由材料研究人员人工识别共晶缺陷并且测量缺陷的大小,这种方法人员成本较高,耗时较长。二是采用传统图像处理方法去识别,但是这种方法设计复杂,在缺陷种类和背景都较复杂的情况下检测准确率较低,适用性差。第三种是采用深度学习方法,此方法鲁棒性强,识别准确率高,但需用大量经过人工标注的带有共晶缺陷的显微图像作为训练集去训练检测缺陷位置和大小的实例分割模型。而这种图像的采集和缺陷轮廓的人工标注需要较高的经济成本和时间成本,这导致可采集到的图像样本数少,难以达到几千甚至上万张图像供模型训练。此外,一张显微图像中的缺陷可能较少且面积小,这会造成训练时正负样本不均衡的问题,影像训练效果。
发明内容
为了解决上述技术难题,本发明提供了一种DD6单晶高温合金共晶缺陷检测和分割方法,通过一个伪图像生成方法生成大量伪图像辅助深度学习训练,实现了对共晶缺陷的检测和分割,能够有效解决训练样本少,正负样本不均衡问题。
本发明具体的技术方案为一种DD6单晶高温合金共晶缺陷检测和分割方法,该方法包括如下步骤:
步骤1:DD6单晶高温合金显微图像的采集和共晶缺陷轮廓的人工标注,通过标注工具获取DD6单晶高温合金共晶缺陷的类别标签、缺陷轮廓的坐标和缺陷外接矩形框的左上角坐标以及长宽值;
步骤2:若采集到DD6单晶高温合金显微图像的样本数为n,按照3:1的比例将其分为m张训练集和p张测试集。对m张训练集每一张都做如下操作:统计这张图像中所有共晶缺陷的外接矩形框的长宽信息Sizes,即由多对长宽值组成的列表;提取出DD6单晶高温合金显微图像中共晶缺陷轮廓内部的所有像素的灰度值;若图像中共晶缺陷区域的像素个数为c,每个像素的灰度值记为xi(i=1,2,...,c),则计算图像中共晶缺陷灰度值的均值μ和标准差σ,计算公式如下:
步骤3:将m张训练集中的每一张图像中的共晶缺陷区域用非缺陷区域的像素填充,具体是采用镜像对称填充的方式,得到m张不包含共晶缺陷的背景图片;
步骤4:伪样本中伪背景的生成。首先将背景图片沿水平方向切割为上下两部分,切割位置在(0,h)区间上随机选取,然后将上下两部分各自沿垂直方向切割为左右两部分,切割位置都在(0,w)区间上随机选取,以0.5的概率交换左右两部分,最后以0.5的概率交换上下两部分。为了加强模型准确识别共晶缺陷的能力,减小将其他类缺陷识别为共晶缺陷的误检率,在经过随机切割和交换的背景图片基础上生成一些噪声缺陷。噪声缺陷的生成是从背景图像左上角开始生成,从上到下,从左到右,步骤包括每个噪声缺陷外接矩形框大小的选择、缺陷之间间隔的选择、矩形框内缺陷轮廓的生成和噪声缺陷内部灰度值的生成。
噪声缺陷外接矩形框长宽大小随机从Sizes中选取,然后在这一对长宽值基础上随机的加减一定的值作为最终的长宽值,这样可保证足够的随机性。缺陷之间的间隔大小随机选择,用来控制噪声缺陷的个数和密度。
噪声缺陷轮廓的生成采用如下方式:随机从矩形框的上下左右边界各选一个点Pup,Pleft,Pdown,Pright,保证四个点坐标都不相同,然后从Pup坐标处开始,先以一条随机曲线路径移动到Pleft,再移动到Pdown,然后移动到Pright,最后再移动回Pup,这样整个移动路径就构成在这个矩形框内随机闭合曲线,也就是此次生成缺陷的轮廓。
噪声缺陷内部灰度值的填充采用如下方式:随机选取不同于μ和方差σ的两个值μnoi和标准差σnoi,以这两个值对应的高斯函数生成噪声缺陷的灰度值,噪声缺陷。
步骤5:伪样本中伪缺陷的生成。在步骤4生成的带有噪声缺陷的伪背景基础上生成一些仿照真实共晶缺陷的伪缺陷。伪缺陷的生成和步骤4中噪声缺陷的生成步骤大致相同,不同的有两点:一是为了解决正负样本不均衡的问题,一张图片中所有生成的伪缺陷的面积要和非伪缺陷区域的面积相当,这可通过调节伪缺陷外接矩形框大小和伪缺陷之间的间隔来控制;二是伪缺陷轮廓内部灰度值的填充选用的高斯函数对应的均值和标准差为步骤2中求取的对应真实样本的μ和σ;
步骤6:以步骤4和步骤5为基础,训练集中的每一张图片都能够生成对应的q张不同的伪图像,这样就一共生成了m*q张伪图像。
步骤7:建立基于深度学习的实例分割模型,模型整体框架采用Mask RCNN,包括特征提取部分backbone,候选区域提取部分RPN,检测分支和分割分支。Backbone采用带有Split-attention机制的ResNeSt+FPN,RPN采用cascade结构。
步骤8:以大量伪样本为训练集训练实例分割模型。
步骤9:将用伪样本训练得到的模型参数加载到模型当中,在此基础上用真实样本作为训练集训练实例分割模型。
步骤10:将待检测的DD6单晶高温合金显微图像输入到模型当中,可检测出图像中共晶缺陷的个数、位置和大小。
与现有技术相比较,本发明所能达到的效果:
本发明可以节省人工检测DD6单晶高温合金共晶缺陷的时间,提升工作效率。本发明为采用深度学习方法,同时提供了一种伪样本生成方法,能够解决训练样本少,样本不均衡的问题,先用生成的伪样本作为训练集训练实例分割模型,训练得到的模型参数作为真实样本训练的起始模型参数,再去训练真实样本。这种方法相比不使用伪样本最终在真实样本组成的测试集上表现更好。
附图说明:
图1为本发明中伪图像生成方法流程图。
图2为真实采集图像示例。
图3为生成的伪图像示例。
具体实施方式:
下面详细描述本发明的实施方式,所述实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
步骤1,数据的获取和标注:
采用电镜设备获取200张包含共晶缺陷的DD6单晶高温合金的显微图像,可包含不同放大倍数的图像。通过labelme标注工具进行人工标注,标注出每一个共晶缺陷的轮廓,然后用labelme工具生成带有缺陷种类、大小和轮廓坐标的标注文件。
步骤2,缺陷灰度值的统计和计算:将200张数据成150张训练集和50张测试集。根据步骤1得到的标注文件可得出每一张训练集中共晶缺陷的区域,提取出缺陷区域所有像素灰度值做成的列表pixels,使用数学运算工具包numpy计算获取灰度值的均值μ和方差σ,最终得到150对[μ,σ]。
步骤3,伪样本的生成:
使用opencv完成技术方案中提到的缺陷区域的填充、随机的裁剪和交换。在此基础上进行噪声缺陷和仿照真实缺陷特征的伪缺陷的生成。噪声缺陷和伪缺陷的大小都是从Sizes中随机选取一对值[h,w],在[2h/3,4h/3]区间上随机选取一个值作为缺陷外接矩形框的高,在[2w/3,4w/3]区间上随机选取一个值作为缺陷外接矩形框的宽。
缺陷轮廓的四个顶点之间的移动中,每次的移动步长为1,方向从终点相对起点的水平和竖直方向中随机选取。缺陷内部灰度值的填充采用numpy中的高斯随机生成函数,均值和标准差从除[μ,σ]以外的值中随机选取。而仿照真实共晶缺陷特征的伪缺陷内部灰度值的填充选用的均值和标准差为步骤2计算得到的[μ,σ]。伪缺陷之间间隔的选取以保证伪缺陷区域占整张图像面积约一半为准则,在伪缺陷生成的过程中记录伪缺陷的轮廓坐标和外接矩形框的长宽值作为后续训练需要的标签数据,如此避免了伪图像的人工标注。
每张训练集对应生成40张伪图像,一共生成6000张伪图像。
步骤4,实例分割模型的建立:
整体模型框架选为Mask-RCNN,其中backbone选为相比Resnet+FPN添加了split-attention机制的ResNeSt+FPN,RPN的部分采用具有多阈值级联结构的cascade。
步骤5,伪样本集的训练:
将生成的6000张伪图像作为训练集去训练搭建的实例分割模型,训练100个轮次,学习率采用warmup方式,从0经三个轮次之后线性增长为0.01,之后每过25个轮次,学习率降为之前的1/10。
步骤6,真实样本的训练:
将步骤5训练得到的模型参数作为模型的起始参数,用150张真实图片作为训练集训练60个轮次,初始采用warmup的方式将学习率从0经过3个轮次线性增长为0.005,之后每经过20个epoch学习率降为之前的1/10。训练完成后即可得到能够检测共晶缺陷的位置和轮廓的实例分割模型。
综上所述,本发明实施针对DD6单晶高温合金的显微图像,提出一种基于深度学习的共晶缺陷的检测和分割方法。通过伪样本生成算法,解决了样本少,样本不均衡的问题。该方法鲁棒性好,对图像适应能力好,精度高,可以有效地对共晶缺陷进行检测和分割。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种DD6单晶高温合金共晶缺陷检测和分割方法,其特征在于:该方法包括如下步骤:
步骤1:DD6单晶高温合金显微图像的采集和共晶缺陷轮廓的人工标注,通过标注工具获取DD6单晶高温合金共晶缺陷的类别标签、缺陷轮廓的坐标和缺陷外接矩形框的左上角坐标以及长宽值;
步骤2:若采集到DD6单晶高温合金显微图像的样本数为n,按照3:1的比例将其分为m张训练集和p张测试集;对m张训练集每一张都做如下操作:统计这张图像中所有共晶缺陷的外接矩形框的长宽信息Sizes,即由多对长宽值组成的列表;提取出DD6单晶高温合金显微图像中共晶缺陷轮廓内部的所有像素的灰度值;若图像中共晶缺陷区域的像素个数为c,每个像素的灰度值记为xi(i=1,2,…,c),则计算图像中共晶缺陷灰度值的均值μ和标准差σ;
步骤3:将m张训练集中的每一张图像中的共晶缺陷区域用非缺陷区域的像素填充,采用镜像对称填充的方式,得到m张不包含共晶缺陷的背景图片;
步骤4:伪样本中伪背景的生成;首先将背景图片沿水平方向切割为上下两部分,切割位置在(0,h)区间上随机选取,然后将上下两部分各自沿垂直方向切割为左右两部分,切割位置都在(0,w)区间上随机选取,以0.5的概率交换左右两部分,最后以0.5的概率交换上下两部分;在经过随机切割和交换的背景图片基础上生成噪声缺陷;噪声缺陷的生成是从背景图像左上角开始生成,从上到下,从左到右,每个噪声缺陷外接矩形框大小的选择、缺陷之间间隔的选择、矩形框内缺陷轮廓的生成和噪声缺陷内部灰度值的生成;
步骤5:伪样本中伪缺陷的生成;在步骤4生成的带有噪声缺陷的伪背景基础上生成一些仿照真实共晶缺陷的伪缺陷;
步骤6:以步骤4和步骤5为基础,训练集中的每一张图片都能够生成对应的q张不同的伪图像,这样就一共生成了m*q张伪图像;
步骤7:建立基于深度学习的实例分割模型,模型整体框架采用MaskRCNN,包括特征提取部分backbone,候选区域提取部分RPN,检测分支和分割分支;Backbone采用带有Split-attention机制的ResNeSt+FPN,RPN采用cascade结构;
步骤8:以伪样本为训练集训练实例分割模型;
步骤9:将用伪样本训练得到的模型参数加载到模型当中,在此基础上用真实样本作为训练集训练实例分割模型;
步骤10:将待检测的DD6单晶高温合金显微图像输入到模型当中,检测出图像中共晶缺陷的个数、位置和大小。
2.根据权利要求1所述的一种DD6单晶高温合金共晶缺陷检测和分割方法,其特征在于:步骤4中,噪声缺陷外接矩形框长宽大小随机从Sizes中选取,然后在这一对长宽值基础上随机的加减一定的值作为最终的长宽值,缺陷之间的间隔大小随机选择,用来控制噪声缺陷的个数和密度。
3.根据权利要求1所述的一种DD6单晶高温合金共晶缺陷检测和分割方法,其特征在于:步骤4中,噪声缺陷轮廓的生成采用如下方式:随机从矩形框的上下左右边界各选一个点Pup,Pleft,Pdown,Pright,保证四个点坐标都不相同,然后从Pup坐标处开始,先以一条随机曲线路径移动到Pleft,再移动到Pdown,然后移动到Pright,最后再移动回Pup,这样整个移动路径就构成在这个矩形框内随机闭合曲线,也就是此次生成缺陷的轮廓。
4.根据权利要求1所述的一种DD6单晶高温合金共晶缺陷检测和分割方法,其特征在于:步骤4中,噪声缺陷内部灰度值的填充采用如下方式:随机选取不同于μ和方差σ的两个值μnoi和标准差σnoi,以这两个值对应的高斯函数生成噪声缺陷的灰度值,噪声缺陷。
5.根据权利要求1所述的一种DD6单晶高温合金共晶缺陷检测和分割方法,其特征在于:步骤5的伪缺陷的生成和步骤4有两点不同:一是为了解决正负样本不均衡的问题,一张图片中所有生成的伪缺陷的面积要和非伪缺陷区域的面积相当,通过调节伪缺陷外接矩形框大小和伪缺陷之间的间隔来控制;二是伪缺陷轮廓内部灰度值的填充选用的高斯函数对应的均值和标准差为步骤2中求取的对应真实样本的μ和σ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110058769.9A CN112767345B (zh) | 2021-01-16 | 2021-01-16 | 一种dd6单晶高温合金共晶缺陷检测和分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110058769.9A CN112767345B (zh) | 2021-01-16 | 2021-01-16 | 一种dd6单晶高温合金共晶缺陷检测和分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767345A CN112767345A (zh) | 2021-05-07 |
CN112767345B true CN112767345B (zh) | 2024-04-05 |
Family
ID=75702315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110058769.9A Active CN112767345B (zh) | 2021-01-16 | 2021-01-16 | 一种dd6单晶高温合金共晶缺陷检测和分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767345B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4227900A4 (en) * | 2021-12-03 | 2024-01-24 | Contemporary Amperex Technology Co Ltd | DEFECT DETECTION METHOD AND SYSTEM |
CN115359054B (zh) * | 2022-10-19 | 2023-04-18 | 福建亿榕信息技术有限公司 | 一种基于伪缺陷空间生成的电力设备缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012169571A (ja) * | 2011-02-17 | 2012-09-06 | Hitachi High-Technologies Corp | 欠陥抽出走査電子顕微鏡検査装置及びその抽出方法 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
CN111402209A (zh) * | 2020-03-03 | 2020-07-10 | 广州中国科学院先进技术研究所 | 一种基于U-Net的高速铁路钢轨损伤检测方法 |
CN111415316A (zh) * | 2020-03-18 | 2020-07-14 | 山西安数智能科技有限公司 | 基于生成对抗网络的缺陷数据合成算法 |
-
2021
- 2021-01-16 CN CN202110058769.9A patent/CN112767345B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012169571A (ja) * | 2011-02-17 | 2012-09-06 | Hitachi High-Technologies Corp | 欠陥抽出走査電子顕微鏡検査装置及びその抽出方法 |
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
CN111402209A (zh) * | 2020-03-03 | 2020-07-10 | 广州中国科学院先进技术研究所 | 一种基于U-Net的高速铁路钢轨损伤检测方法 |
CN111415316A (zh) * | 2020-03-18 | 2020-07-14 | 山西安数智能科技有限公司 | 基于生成对抗网络的缺陷数据合成算法 |
Also Published As
Publication number | Publication date |
---|---|
CN112767345A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952250B (zh) | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN110175982B (zh) | 一种基于目标检测的缺陷检测方法 | |
CN112767345B (zh) | 一种dd6单晶高温合金共晶缺陷检测和分割方法 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN111402209A (zh) | 一种基于U-Net的高速铁路钢轨损伤检测方法 | |
CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN110544231A (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN115601355A (zh) | 一种产品表面缺陷检测与分类方法、装置及存储介质 | |
CN114049313A (zh) | 一种基于改进YOLOv4的锂电池缺陷检测方法 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN111986145A (zh) | 一种基于Faster-RCNN的轴承滚子瑕疵检测方法 | |
CN114627062A (zh) | 一种改进Faster R-CNN的太阳能电池片表面缺陷检测方法 | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN111402232B (zh) | 精液中精子聚集检测方法 | |
CN111707672A (zh) | 风电回转支撑件表面缺陷检测方法 | |
CN112183593A (zh) | 一种基于dssd算法的道路损伤检测方法 | |
Yang et al. | Defect detection scheme of pins for aviation connectors based on image segmentation and improved RESNET-50 | |
CN113469913B (zh) | 基于渐进循环生成对抗网络的热轧带钢表面水滴去除方法 | |
CN116452505A (zh) | 基于改进YOLOv5的连铸坯内部缺陷检测与评级方法 | |
CN112581424B (zh) | 一种光学元件表面与亚表面缺陷的分类提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |