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 PDF

Info

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
Application number
CN202110065427.XA
Other languages
English (en)
Inventor
郭一晶
周绪墙
邱义
詹俦军
钟林威
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.)
Xiamen University Tan Kah Kee College
Original Assignee
Xiamen University Tan Kah Kee College
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 Xiamen University Tan Kah Kee College filed Critical Xiamen University Tan Kah Kee College
Priority to CN202110065427.XA priority Critical patent/CN112785568A/zh
Publication of CN112785568A publication Critical patent/CN112785568A/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
    • G06T7/10—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

一种基于深度学习的磁瓦缺陷分割方法
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：
Figure BDA0002903487960000051
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:
Figure BDA0002903487960000061
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：
Figure BDA0002903487960000062
Figure BDA0002903487960000071
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。
CN202110065427.XA 2021-01-18 2021-01-18 一种基于深度学习的磁瓦缺陷分割方法 Pending CN112785568A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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