CN112785568A - 一种基于深度学习的磁瓦缺陷分割方法 - Google Patents
一种基于深度学习的磁瓦缺陷分割方法 Download PDFInfo
- Publication number
- CN112785568A CN112785568A CN202110065427.XA CN202110065427A CN112785568A CN 112785568 A CN112785568 A CN 112785568A CN 202110065427 A CN202110065427 A CN 202110065427A CN 112785568 A CN112785568 A CN 112785568A
- Authority
- CN
- China
- Prior art keywords
- defect
- semantic
- magnetic shoe
- image
- module
- 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
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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G01N2021/8887—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 based on image processing techniques
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习的磁瓦缺陷分割方法。包括:步骤S1、将标注好的数据进行预处理,并按比例分为训练集和测试集,进行改进的MobileNetV3语义分割器的训练,得到磁瓦缺陷检测的语义分割器;步骤S2、输入待测磁瓦缺陷图像,并调整为统一大小,而后利用磁瓦缺陷检测的语义分割器进行磁瓦表面缺陷检测。本发明方法具有自动化程度高、不受环境影响、成本低廉等特点。利用机器识别,不需要人工干预识别,且检测精度和速度满足工业要求。
Description
技术领域
本发明涉及深度学习领域和缺陷分割领域,具体涉及一种基于深度学习的磁瓦缺陷分割方法。
背景技术
语义分割是当今计算机视觉领域的关键问题之一。语义分割是在像素级别上的分类,属于同一类的像素都要被归为一类,因此语义分割是从像素级别来理解图像的。注意语义分割不同于实例分割,举例来说,如果一张照片中有多个人,对于语义分割来说,只要将所由人的像素都归为一类,但是实例分割还要将不同人的像素归为不同的类。也就是说实例分割比语义分割更进一步。语义分割的应用场景非常广泛,其中被广为研究的是地质检测、自动驾驶、面部分割、精准农业等。在深度学习方法流行之前,TextonForest和基于随机森林分类器等语义分割方法是用得比较多的方法。不过在深度卷积网络流行之后,深度学习方法比传统方法提升了很多。最初的深度学习方法应用于图像分割就是Patchclassification。Patch classification方法,顾名思义,图像是切成块喂给深度模型的,然后对像素进行分类,使用图像块的主要原因是因为全连接层需要固定大小的图像。2014年,全卷积网络(FCN)横空出世,FCN将网络全连接层用卷积取代,因此使任意图像大小的输入都变成可能,而且速度比Patch classification方法快很多。近来,语义分割方法大都基于encoder-decoder架构。encoder通过pooling逐渐减少空间维度,而decoder逐渐恢复空间维度和细节信息。近来使用dilated/atrous(空洞卷积)架构代替了pooling,一方面它可以保持空间分辨率,另外一方面它由于可以扩大感受野因而可以很好地整合上下文信息。除了以上思路,还有一种对分割结果进行后处理的方法,那就是条件随机场后处理用来改善分割效果。目前主要的检测算法有FCN、Deeplab(v1,v2,v3+)、RefineNet、HRNet、MobileNetV3等。本发明主要是基于MobileNetV3算法实现的。
磁瓦缺陷检测目前大多数仍采用的是人眼检测的方式,这对人的经验、体力消耗较大,劳动成本高且效率较低,检测速度慢。也有使用传统方法来检测缺陷,但传统方法对采光、拍摄角度要求较高,且需要调整的参数量较多,较为繁琐。显然,现有的磁瓦缺陷检测方式效率低下,劳动成本高,而语义分割算法的识别精度和速度给磁瓦缺陷检测提供了有力条件。本方法针对复杂的磁瓦表面缺陷,设计了一个基于深度学习的磁瓦表面缺陷检测算法,实现磁瓦缺陷检测的智能化。
发明内容
本发明的目的在于提供一种基于深度学习的磁瓦缺陷分割方法,实现磁瓦缺陷检测的智能化。
为实现上述目的,本发明的技术方案是:一种基于深度学习的磁瓦缺陷分割方法,包括如下步骤:
步骤S1、将标注好的数据进行预处理,并按比例分为训练集和测试集,进行改进的MobileNetV3语义分割器的训练,得到磁瓦缺陷检测的语义分割器;
步骤S2、输入待测磁瓦缺陷图像,并调整为统一大小,而后利用磁瓦缺陷检测的语义分割器进行磁瓦表面缺陷检测。
在本发明一实施例中,所述改进的MobileNetV3,即MobileNetV3S,其对MobileNetV3的特征提取模块进行缩减,并对LR-ASPP模块进行改进,即增加空洞卷积的数量,修改空洞卷积的大小。
在本发明一实施例中,进行改进的MobileNetV3语义分割器的训练过程为:首先,将训练集通过缩减后的编码器模块提取特征,特征图为原图像的1/8,再通过改进的LR-ASPP模块作为解码器将特征图还原为原图大小;再而,将改进的LR-ASPP模块的输出与带标注的图像计算loss,并进行反向传播,反复训练模型,最终得到磁瓦缺陷检测的语义分割器。
在本发明一实施例中,对MobileNetV3的特征提取模块进行缩减,即在MobileNetV3基础上将block缩减为9个,每3个block进行一次下采样,将特征提取到原图的1/8大小,得到一个更小的特征提取器MobileNetV3S。
在本发明一实施例中,MobileNetV3S的LR-ASPP模块包括:
一个正常卷积模块NConvd包含3x3卷积、BatchNormalization和RELU激活函数;
三个空洞卷积模块AConvd包含3x3卷积、空洞卷积、BatchNormalization和RELU激活函数;
一个自适应池化模块APool包含自适应池化、3x3卷积、BatchNormalization和RELU激活函数;
三个空洞卷积模块Aconvd的感受野分别为6,12,24。
在本发明一实施例中,步骤S1中,训练集和测试集的比例为0.9:01。
相较于现有技术,本发明具有以下有益效果:本发明方法具有自动化程度高、不受环境影响、成本低廉等特点。利用机器识别,不需要人工干预识别,且检测精度和速度满足工业要求。
附图说明
图1为MobileNetV3高效移动构建块。
图2为本发明WLR-ASPP结构图。
图3为本发明方法流程图。
图4为灰度图与标注图。
图5为miou与预测准确率。
图6为预测结果与标注图、灰度图对比。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供了一种基于深度学习的磁瓦缺陷分割方法,包括如下步骤:
步骤S1、将标注好的数据进行预处理,并按比例分为训练集和测试集,进行改进的MobileNetV3语义分割器的训练,得到磁瓦缺陷检测的语义分割器;
步骤S2、输入待测磁瓦缺陷图像,并调整为统一大小,而后利用磁瓦缺陷检测的语义分割器进行磁瓦表面缺陷检测。
以下为本发明的具体实现过程。
本方法基于MobileNetv3,针对磁瓦缺陷的特点,进行了以下两个改进:
1、更小的特征提取器
MobileNet V1提出了depthwise separable convolution。MobileNet V2提出linear bottleneck和inverted residual结构。MnasNet在bottleneck上增加了基于squeeze和excitation的轻量attention结构。MobileNet V3使用上面所有的构造块来构造最高效的模型,如图1。其中的非线性函数可能被替换为修改版的hard-swish。由于磁瓦表面缺陷相对于大型数据集,特征较为明显,所以,在本方法中采用了更少的block,在原方法中使用了15个block,将特征提取到原图的1/16大小,在本方法中使用了9个block,每三个block进行一次下采样,将特征提取到原图的1/8大小,得到了一个更小的特征提取器(MobileNetV3S),加快了训练速度和检测速度,也避免了提取过于高维的特征而忽略了小缺陷的问题。
2、改进的LR-ASPP模块
MobileNetV3提出了新的高效分割解码器Lite Reduce Atrous Spatial PyramidPooling,其中一个正常卷积模块(NConvd)包含3x3卷积、BatchNormalization和RELU激活函数,一个空洞卷积模块(AConvd)包含3x3卷积、空洞卷积、BatchNormalization和RELU激活函数,一个自适应池化模块(APool)包含自适应池化、3x3卷积、BatchNormalization和RELU激活函数;s2为原图1/2的特征图,s4为原图1/4的特征图,final为原图1/8的特征图。在MobileNetV3的LR-ASPP中,使用了两个空洞卷积模块,感受野分别为6和36。但由于在磁瓦缺陷中包含一些很小的缺陷,所以需要更详细的信息,因此在本方法中使用了三个空洞卷积模块,感受野分别为6,12,24,改进后的LR-ASPP(WLR-ASPP)的结构如图2。
本发明检测系统分为:图像预处理,图像缺陷分割两个部分。首先将标注好的数据通过灰度化、resize等预处理为输入数据,并将1344张图像以0.9:0.1的比例分为训练集和测试集,用它们来训练一个MobileNetV3语义分割器,之后就得到了一个适用于磁瓦缺陷检测的专用语义分割器。
本系统处理流程如图3所示:
1、图像预处理模块
本实验中使用OpenCV版本为3.4,首先通过cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)函数将图像转为灰度图,由于输入图像大小不一致,所以根据其中值通过cv2.resize(img,304,504)函数将图像大小统一变为(304x504)。
2、图像缺陷分割模块
(1)本方法基于改进后的语义分割算法MobileNetV3进行识别,将带有标注的图像作为输入进行训练,再在测试图像上进行效果验证。
(2)MobileNetv3是MobileNet的改进版本。MobileNet是谷歌于2017年提出的基于深度可分离卷积模块的轻量化深度学习网络。在2018年,谷歌又发表的MobileNetv2,V2的新想法包括Linear Bottleneck和InvertedResiduals,进一步提高了检测的精度和速度。在2019年ICCV上,谷歌又推出了全新MobileNetv3,且在语义分割领域使用了lraspp作为Decoder,新版本又提升了精度和速度,在Cityscapes上,以MobileNetV3为网络主干的细分模型,其性能分别比ESPNetv2、CCC2和ESPNetv1好10.5%、10.6%、12.3%。
(3)本方法在MobileNetV3的基础上,根据磁瓦表面缺陷的特点,对网络的特征提取模块进行了缩减,对解码器LR-ASPP模块增加了空洞卷积的数量,修改了空洞卷积的大小,以让模型更适合于检测磁瓦表面缺陷。
(4)使用改进后的模型进行语义分割任务的流程如下:
1、将图像大小调整统一作为神经网络的输入;
2、运行神经网络,通过缩减后的编码器模块提取特征,特征图为原图像的1/8,再通过WLR-ASPP模块作为解码器将特征图还原为原图大小;
3、将LR-ASPP的输出与带标注的label图像计算loss,并进行反向传播,反复训练模型。
本方法所使用的计算机的操作系统为Ubuntu16.04,显卡为2080Ti。用MobileNetv3训练自己的数据主要分以下几步:
1、数据集制作
采用OpenCV对输入图像进行灰度图转化,并统一将图像reshape为(304,504),转为灰度图的图像如图4。
图像预处理关键代码如下:
cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
image=cv2.resize(image,dsize=(504,304))
label=cv2.resize(label,dsize=(504,304))
image=torch.from_numpy(image)
label=torch.from_numpy(label)
image=image/255.0
label[label>=0.5]=1
label[label<0.5]=0
image=image.unsqueeze(dim=0)
其中,输入图像的label中1表示缺陷区域,0表示背景。
2、加载数据,设定模型参数
利用pytorch中的DataLoader函数加载训练数据,其中BATCH_SIZE设置为4,并加载模型,设置NumClass=2,代码如下所示:
2、缩减的MobileNetV3
在原来的MobileNetV3作为encoder中,拥有15个block,但在语义分割任务中,不需要过于深层的特征,应更关注于稍微浅层的语义特征以区分前景与缺陷,所以在本方法中将block缩减为9个,经实验发现能有更好的效果,其代码如下所示:
self.bneck1=Block(3,32,32,32,nn.ReLU(inplace=True),None,1)
self.bneck2=Block(3,32,80,64,nn.ReLU(inplace=True),None,2)
self.bneck3=Block(3,64,120,64,nn.ReLU(inplace=True),None,1)
self.bneck4=Block(5,64,256,128,nn.ReLU(inplace=True),SeModule(128),2)
self.bneck5=Block(5,128,256,128,nn.ReLU(inplace=True),SeModule(128),1)
self.bneck6=Block(3,128,576,256,hswish(),None,2)
self.bneck7=Block(3,256,576,256,hswish(),None,1)
self.bneck8=Block(3,256,672,256,hswish(),SeModule(256),1)
self.bneck9=Block(5,256,960,256,hswish(),SeModule(256),1)
4、修改LR-ASPP模块
在原始的LR-ASPP中,使用了两个空洞卷积模块,感受野分别为6和36。由于在磁瓦缺陷中包含一些很小的缺陷,所以需要更详细的信息,所以在本方法中使用了三个空洞卷积模块,感受野分别为6,12,24,在修改过后训练时间与原训练时间相差无几,修改后的代码如下所示:
3、模型训练
在设置完模型参数后,我们将数据放入GPU,进行正向传播与反向传播,通过优化器对loss进行优化,其中设置epoch=50,表示将所有训练数据训练50轮,训练代码如下所示:
修改完之后,进行训练,训练命令如下:
source activate mytest;python train.py
本方法的模型共训练50轮,用时约35分钟。
4、模型测试
将模型训练完后得到的最佳模型保存为Mobile3_11.pth,通过命令行:pythonget_miou.py计算在测试集中,模型的miou和准确率,最终结果如图5:
可以看到最终的miou为78.45%,准确率为99.42%,满足工业缺陷检测的准确率要求,且实验发现,在使用修改后的LR-ASPP之后,在保持准确率的同时将miou提升了0.93%。
在实验中,通过命令行:python predict.py,使用训练后的模型对验证集的图像进行可视化预测,其中预测每张图像所需要的时间为0.03秒,满足工业缺陷检测的实时性要求,可视化结果如图6所示。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种基于深度学习的磁瓦缺陷分割方法,其特征在于,包括如下步骤:
步骤S1、将标注好的数据进行预处理,并按比例分为训练集和测试集,进行改进的MobileNetV3语义分割器的训练,得到磁瓦缺陷检测的语义分割器;
步骤S2、输入待测磁瓦缺陷图像,并调整为统一大小,而后利用磁瓦缺陷检测的语义分割器进行磁瓦表面缺陷检测。
2.根据权利要求1所述的一种基于深度学习的磁瓦缺陷分割方法,其特征在于,所述改进的MobileNetV3,即MobileNetV3S,其对MobileNetV3的特征提取模块进行缩减,并对LR-ASPP模块进行改进,即增加空洞卷积的数量,修改空洞卷积的大小。
3.根据权利要求2所述的一种基于深度学习的磁瓦缺陷分割方法,其特征在于,进行改进的MobileNetV3语义分割器的训练过程为:首先,将训练集通过缩减后的编码器模块提取特征,特征图为原图像的1/8,再通过改进的LR-ASPP模块作为解码器将特征图还原为原图大小;再而,将改进的LR-ASPP模块的输出与带标注的图像计算loss,并进行反向传播,反复训练模型,最终得到磁瓦缺陷检测的语义分割器。
4.根据权利要求2所述的一种基于深度学习的磁瓦缺陷分割方法,其特征在于,对MobileNetV3的特征提取模块进行缩减,即在MobileNetV3基础上将block缩减为9个,每3个block进行一次下采样,将特征提取到原图的1/8大小,得到一个更小的特征提取器MobileNetV3S。
5.根据权利要求2所述的一种基于深度学习的磁瓦缺陷分割方法,其特征在于,MobileNetV3S的LR-ASPP模块包括:
一个正常卷积模块NConvd包含3x3卷积、BatchNormalization和RELU激活函数;
三个空洞卷积模块AConvd包含3x3卷积、空洞卷积、BatchNormalization和RELU激活函数;
一个自适应池化模块APool包含自适应池化、3x3卷积、BatchNormalization和RELU激活函数;
三个空洞卷积模块Aconvd的感受野分别为6,12,24。
6.根据权利要求1所述的一种基于深度学习的磁瓦缺陷分割方法,其特征在于,步骤S1中,训练集和测试集的比例为0.9:01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110065427.XA CN112785568A (zh) | 2021-01-18 | 2021-01-18 | 一种基于深度学习的磁瓦缺陷分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110065427.XA CN112785568A (zh) | 2021-01-18 | 2021-01-18 | 一种基于深度学习的磁瓦缺陷分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785568A true CN112785568A (zh) | 2021-05-11 |
Family
ID=75757509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110065427.XA Pending CN112785568A (zh) | 2021-01-18 | 2021-01-18 | 一种基于深度学习的磁瓦缺陷分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785568A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450311A (zh) * | 2021-06-01 | 2021-09-28 | 国网河南省电力公司漯河供电公司 | 基于语义分割和空间关系的带销螺丝缺陷检测方法及系统 |
CN113687227A (zh) * | 2021-08-24 | 2021-11-23 | 桂林电子科技大学 | 一种基于感兴趣区域增强的电机磁瓦缺陷分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034162A (zh) * | 2018-07-13 | 2018-12-18 | 南京邮电大学 | 一种图像语义分割方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109858539A (zh) * | 2019-01-24 | 2019-06-07 | 武汉精立电子技术有限公司 | 一种基于深度学习图像语义分割模型的roi区域提取方法 |
CN110136136A (zh) * | 2019-05-27 | 2019-08-16 | 北京达佳互联信息技术有限公司 | 场景分割方法、装置、计算机设备及存储介质 |
CN110188817A (zh) * | 2019-05-28 | 2019-08-30 | 厦门大学 | 一种基于深度学习的实时高性能街景图像语义分割方法 |
CN111062950A (zh) * | 2019-11-29 | 2020-04-24 | 南京恩博科技有限公司 | 一种用于多类别森林场景图像分割的方法、存储介质和设备 |
-
2021
- 2021-01-18 CN CN202110065427.XA patent/CN112785568A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109034162A (zh) * | 2018-07-13 | 2018-12-18 | 南京邮电大学 | 一种图像语义分割方法 |
CN109858539A (zh) * | 2019-01-24 | 2019-06-07 | 武汉精立电子技术有限公司 | 一种基于深度学习图像语义分割模型的roi区域提取方法 |
CN110136136A (zh) * | 2019-05-27 | 2019-08-16 | 北京达佳互联信息技术有限公司 | 场景分割方法、装置、计算机设备及存储介质 |
CN110188817A (zh) * | 2019-05-28 | 2019-08-30 | 厦门大学 | 一种基于深度学习的实时高性能街景图像语义分割方法 |
CN111062950A (zh) * | 2019-11-29 | 2020-04-24 | 南京恩博科技有限公司 | 一种用于多类别森林场景图像分割的方法、存储介质和设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450311A (zh) * | 2021-06-01 | 2021-09-28 | 国网河南省电力公司漯河供电公司 | 基于语义分割和空间关系的带销螺丝缺陷检测方法及系统 |
CN113687227A (zh) * | 2021-08-24 | 2021-11-23 | 桂林电子科技大学 | 一种基于感兴趣区域增强的电机磁瓦缺陷分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102030628B1 (ko) | Cnn 기반 차량 번호판 인식 방법 및 시스템 | |
CN106650721B (zh) | 一种基于卷积神经网络的工业字符识别方法 | |
CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN111914797B (zh) | 基于多尺度轻量级卷积神经网络的交通标志识别方法 | |
CN110163069B (zh) | 用于辅助驾驶的车道线检测方法 | |
CN108918532A (zh) | 一种快速道路交通标志破损检测系统及其检测方法 | |
CN109635784A (zh) | 基于改进的卷积神经网络的交通标志识别方法 | |
CN111695514A (zh) | 一种基于深度学习的雾天下车辆检测方法 | |
CN112785568A (zh) | 一种基于深度学习的磁瓦缺陷分割方法 | |
CN111126115A (zh) | 暴力分拣行为识别方法和装置 | |
CN111931792B (zh) | 一种基于目标检测的瑶族纹样符号识别方法 | |
CN113869300A (zh) | 基于多视觉融合的工件表面缺陷和字符识别的方法及系统 | |
CN109166092A (zh) | 一种图像缺陷检测方法及系统 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN111507391A (zh) | 一种基于机器视觉的有色金属破碎料智能识别方法 | |
Dorbe et al. | FCN and LSTM based computer vision system for recognition of vehicle type, license plate number, and registration country | |
CN112733942A (zh) | 一种基于多级特征自适应融合的变尺度目标检测方法 | |
CN109726660A (zh) | 一种遥感图像船舶识别方法 | |
CN114550134A (zh) | 基于深度学习的交通标志检测与识别方法 | |
Cho et al. | Modified perceptual cycle generative adversarial network-based image enhancement for improving accuracy of low light image segmentation | |
CN116740572A (zh) | 一种基于改进yolox的海上船舰目标检测方法和系统 | |
CN116994049A (zh) | 全自动针织横机及其方法 | |
CN110751150A (zh) | 一种基于fpga的二值神经网络车牌识别方法及系统 | |
Goud et al. | Text localization and recognition from natural scene images using ai |
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 |