CN112884705B - 一种二维材料样品位置可视化方法 - Google Patents
一种二维材料样品位置可视化方法 Download PDFInfo
- Publication number
- CN112884705B CN112884705B CN202110013671.1A CN202110013671A CN112884705B CN 112884705 B CN112884705 B CN 112884705B CN 202110013671 A CN202110013671 A CN 202110013671A CN 112884705 B CN112884705 B CN 112884705B
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- pictures
- picture
- dimensional material
- 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
- 239000000463 material Substances 0.000 title claims abstract description 43
- 238000007794 visualization technique Methods 0.000 title abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000012800 visualization Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 229910021389 graphene Inorganic materials 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- CWQXQMHSOZUFJS-UHFFFAOYSA-N molybdenum disulfide Chemical compound S=[Mo]=S CWQXQMHSOZUFJS-UHFFFAOYSA-N 0.000 claims description 4
- 229910052982 molybdenum disulfide Inorganic materials 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 8
- 229910052710 silicon Inorganic materials 0.000 abstract description 8
- 239000010703 silicon Substances 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000000089 atomic force micrograph Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 239000002390 adhesive tape Substances 0.000 description 1
- 150000001336 alkenes Chemical class 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000002360 preparation method Methods 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20088—Trinocular vision calculations; trifocal tensor
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于人工智能的二维材料样品位置可视化方法,包括:数据集的制作,模型的训练,数据过滤筛选以及可视化四个过程。对数据集进行标注和划分,训练制作的数据集直到模型收敛。用生成的模型对带有硅片位置信息的图片进行检测,对检测后的图片进行多次数据筛选,数据筛选主要通过样品是否存在,是否为样品的概率和样品的面积三个方面来进行筛选,通过三次过滤后对剩余的图片位置信息进行提取,使用Python软件对其位置进行模拟可视化。本发明实现了硅片样品位置可视化,克服了传统手工寻样的速度慢、效率低的缺点,最主要的是将研究者从重复的寻样过程中解放出来。
Description
技术领域
本发明实施涉及图像目标检测技术领域,特别涉及一种基于Mask RCNN的二维材料光学显微图片检测和可视化的方法。
背景技术
自从石墨烯问世以来,因其出色的导电性和导热性被广泛用于诸多领域,同时也开启了二维(2D)材料时代的大门。二维材料因其厚度达到了原子级尺度以及具有独特的光电属性一直处于研究领域的前沿。高质量的2D晶体材料不仅有利于探索2D极限条件下的新奇物理现象,而且在光电子器件应用领域同样展现出了诸多新奇的应用和光明的前景。目前用二维材料制作的光电探测器在通信、光电显示、成像、环境监测、宇宙探索以及国防军事等诸多方面都有着非常重要的应用。
二维材料的样品制作大多都是使用机械剥离法,通过使用透明胶带将样品撕到衬底上。当前使用的表征方法在快速确定二维材料位置和尺寸方面都面临着严峻的挑战。荧光显微镜已被用于增强薄层样品和基底之间的对比度,从而可以使用低倍率图像一次检查多个样品,但缺乏有关片厚度的信息。虽然AFM可以准确测量板材的厚度和尺寸,但速度较慢。AFM图像的尺寸通常限制为100μm×100μm,这限制了每个AFM图像中的薄层样品个数,需要大量时间才能获得具有统计意义的结果。
发明内容
为了改善寻找二维材料样品会消耗研究者大量时间的问题,本发明提出了一种基于人工智能算法Mask RCNN对二维材料光学显微图片进行目标检测及其位置可视化方法。该方法可以实现对大量二维材料图片的检测,并对其位置信息进行可视化,加速研究者对二维材料的科学研究。
为了实现上述目的,本发明采取了如下技术方案。
一种二维材料样品位置可视化方法,包括如下步骤:
S1:制作二维材料数据集,在改变光照强度,样品在图片中的位置和图片清晰度的情况下,拍摄带有样品的光学显微图片,并对所有的图片进行标注,标注完成后随机划分为训练集和测试集;
S2:通过检测训练集中图片的片状目标,建立可视化模型,对训练集进行训练直到模型收敛,并用测试集对可视化模型进行验证,将验证合格的可视化模型进行部署;
S3:针对待测试图片进行检测,对检测后的图片进行多次片状材料参数数据筛选,并采用可视化模型对待测试图片的目标位置进行模拟可视化。
作为本发明的进一步改进,所述二维材料选自石墨烯或者二硫化钼。
作为本发明的进一步改进,所述S2包括如下步骤:
S201:网络头权重的初始化使用数据集预训练获得的权重,网络权重的其余部分使用随机值进行初始化,优化器使用动量为0.9且权重衰减因子为0.1的随机梯度下降优化器;
S202:训练分为多个阶段;
S203:使用了数据增强方法增加训练数据集的数量;
S204:训练批次设置后,进行训练。
作为本发明的进一步改进,数据增强方法包括色彩通道乘法,旋转,水平/垂直翻转和水平/垂直平移。
作为本发明的进一步改进,采用MATLAB自带工具Image Labeler对数据集进行标注,标注完成后以8:2的比例将数据划分为训练集和测试集。
作为本发明的进一步改进,使用Mask RCNN算法对数据集进行训练。
作为本发明的进一步改进,数据筛选主要通过样品是否存在,是否为样品的概率和样品的面积三个方面来进行筛选,通过三次过滤后对剩余的图片位置信息进行提取。
作为本发明的进一步改进,所述步骤S3包括如下步骤:
S301:使用自动扫描系统采集带有位置参数的二维材料光学图片,对每张图片都进行检测;
S302:检测完成后先去除掉没有样品的图片;
S303:设置样品概率阈值和样品面积阈值,将未达到要求的图片进行去除;
S304:提取剩余图片的位置信息,使用可视化软件对其位置进行模拟可视化。
作为本发明的进一步改进,使用Python软件对其位置进行模拟可视化。
本发明与现有技术相比,具有如下有益效果:
本发明通过数据集的制作,模型的训练,数据过滤筛选以及可视化等四个过程实现了对大量二维材料图片的检测,使其位置信息进行可视化。具体手段为先在复杂情况下拍摄了二维材料光学显微图片,扩展了数据集,为后面检测精度的提高做出了充分的准备;基于深度学习算法Mask RCNN对二维材料光学显微图片进行检测,相较于传统的机器学习算法更加鲁棒;对程序的运行进行了封装并且实现了参数化,通过改变命令行的相关参数进而实现不同的功能,提高了程序的灵活性;对每张硅片的所有图片进行检测,实现了硅片样品位置可视化,令目标样品的寻找和识别更加智能高效,克服了传统手工寻样的速度慢、效率低的缺点,最主要的是将研究者从重复的寻样过程中解放出来。
附图说明
图1是本发明实施例的流程示意图;
图2是本发明实施例的训练集目标框像素的分布图;
图3是本发明实施例的验证集目标框像素的分布图;
图4是本发明实施例的训练过程中的Loss图;
图5是本发明实施例的检测之前和检测之后的对比图;
图6是本发明实施例的样品位置分布图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明一种二维材料样品位置可视化方法,包括如下步骤:
S1:制作二维材料数据集,在改变光照强度,样品在图片中的位置和图片清晰度的情况下,拍摄带有样品的光学显微图片,并对所有的图片进行标注,标注完成后随机划分为训练集和测试集;
S2:通过检测训练集中图片的片状目标,建立可视化模型,对训练集进行训练直到模型收敛,并用测试集对可视化模型进行验证,将验证合格的可视化模型进行部署;
S3:针对待测试图片进行检测,对检测后的图片进行多次片状材料参数数据筛选,并采用可视化模型对待测试图片的目标位置进行模拟可视化。
以下结合具体实施例对本发明的方法进行详细的说明。
实施例
本发明一种基于人工智能的二维材料样品位置可视化方法,包括:数据集的制作,模型的训练,数据过滤筛选以及可视化四个过程。
选用一种二维材料例如石墨烯或者二硫化钼等其他材料在改变光照强度,样品在图片中的位置和图片清晰度的情况下拍摄图片,对数据集进行标注和划分,训练制作的数据集直到模型收敛。
用生成的模型对带有硅片位置信息的图片进行检测,对检测后的图片进行多次数据筛选,数据筛选主要通过样品是否存在,是否为样品的概率和样品的面积三个方面来进行筛选,通过三次过滤后对剩余的图片位置信息进行提取,使用Python软件对其位置进行模拟可视化。
如图1所示,本发明实施例提供了一种基于人工智能的二维材料样品位置可视化方法,包括:
步骤S1:制作二维材料数据集,在改变光照强度,样品在图片中的位置和图片清晰度的情况下,拍摄500张左右带有样品的光学显微图片,使用图像标注软件对所有的图片进行标注,标注完成后随机划分训练集和测试集;
步骤S2:使用Mask RCNN算法对训练集进行训练,直到模型收敛。将训练好的模型部署在需要的计算机上;
步骤S3:制作带有硅片位置信息的图片,对每张图片都进行检测,对检测后的图片进行多次数据筛选,并对其位置进行模拟可视化;
如图1所示为二维材料样品位置可视化的流程图。本发明基于Mask RCNN目标检测算法进行开发,该流程主要包括数据集的制作,模型的训练,数据过滤筛选以及可视化四个过程。
如图2和如图3所示为石墨烯训练集和数据集的像素分布直方图,数据集的制作可选用一种二维材料例如石墨烯或者二硫化钼等其他材料拍摄出的光学图片,然后采用MATLAB自带工具Image Labeler对数据集进行标注,标注完成后以8:2的比例将数据划分为训练集和测试集。
如图4所示为石墨烯数据集的训练过程。网络头权重的初始化使用MS-COCO数据集预训练获得的权重,网络权重的其余部分使用随机值进行初始化,优化器使用动量为0.9且权重衰减因子为0.1的随机梯度下降优化器。训练分为4个阶段,例如总共迭代次数为36000次;
第一个阶段为warmup阶段,在(0,500)迭代次树之间,学习率线性增大到0.001;
第二个阶段在(500,24000)次之间,学习率保持为0.001;
第三个阶段在(24000,32000)次之间,学习率保持为0.0001;
第四个阶段在(32000,36000)次之间,学习率保持为0.00001。
为了增加训练数据集的数量,本申请使用了数据增强技术,包括色彩通道乘法,旋转,水平/垂直翻转和水平/垂直平移。
训练的Batch设置为8,测试时的Batch设置为1,使用1块GPU(NVIDIA Tesla V100with 32GB memory)进行了8小时的训练。模型的训练是通过对前面已经拍摄的图片进行训练,直到在训练集和测试集的表现上达到拟合则停止;
如图5所示为使用训练后的模型对有样品的图片进行检测,检测前和检测后的效果对比图。
如图6所示为单张石墨烯硅片所有的样品位置模拟可视化图片。单张硅片所有的图片经过检测后进行多次数据筛选,数据筛选主要通过样品是否存在,是否为样品的概率和样品的面积三个方面来进行筛选;而可视化则是通过在图片筛选完成后对剩余图片进行位置信息的提取并将其显示出来。
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披露的技术范围内,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书的保护范围为准。
Claims (6)
1.一种二维材料样品位置可视化方法,其特征在于,包括如下步骤:
S1:制作二维材料数据集,在改变光照强度,样品在图片中的位置和图片清晰度的情况下,拍摄带有样品的光学显微图片,并对所有的图片进行标注,标注完成后随机划分为训练集和测试集;
S2:通过检测训练集中图片的片状目标,建立可视化模型,对训练集进行训练直到模型收敛,并用测试集对可视化模型进行验证,将验证合格的可视化模型进行部署;
S3:针对待测试图片进行检测,对检测后的图片进行多次片状材料参数数据筛选,并采用可视化模型对待测试图片的目标位置进行模拟可视化;
所述二维材料选自石墨烯或者二硫化钼;
数据筛选主要通过样品是否存在,是否为样品的概率和样品的面积三个方面来进行筛选,通过三次过滤后对剩余的图片位置信息进行提取;
所述步骤S3包括如下步骤:
S301:使用自动扫描系统采集带有位置参数的二维材料光学图片,对每张图片都进行检测;
S302:检测完成后先去除掉没有样品的图片;
S303:设置样品概率阈值和样品面积阈值,将未达到要求的图片进行去除;
S304:提取剩余图片的位置信息,使用可视化软件对其位置进行模拟可视化。
2.根据权利要求1所述的二维材料样品位置可视化方法,其特征在于,所述S2包括如下步骤:
S201:网络头权重的初始化使用数据集预训练获得的权重,网络权重的其余部分使用随机值进行初始化,优化器使用动量为0.9且权重衰减因子为0.1的随机梯度下降优化器;
S202:训练分为多个阶段;
S203:使用了数据增强方法增加训练数据集的数量;
S204:训练批次设置后,进行训练。
3.根据权利要求2所述的二维材料样品位置可视化方法,其特征在于,数据增强方法包括色彩通道乘法,旋转,水平/垂直翻转和水平/垂直平移。
4.根据权利要求1所述的二维材料样品位置可视化方法,其特征在于,采用MATLAB自带工具Image Labeler对数据集进行标注,标注完成后以8:2的比例将数据划分为训练集和测试集。
5.根据权利要求1所述的二维材料样品位置可视化方法,其特征在于,使用Mask RCNN算法对数据集进行训练。
6.根据权利要求1所述的二维材料样品位置可视化方法,其特征在于,使用Python软件对其位置进行模拟可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110013671.1A CN112884705B (zh) | 2021-01-06 | 2021-01-06 | 一种二维材料样品位置可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110013671.1A CN112884705B (zh) | 2021-01-06 | 2021-01-06 | 一种二维材料样品位置可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884705A CN112884705A (zh) | 2021-06-01 |
CN112884705B true CN112884705B (zh) | 2024-05-14 |
Family
ID=76046932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110013671.1A Active CN112884705B (zh) | 2021-01-06 | 2021-01-06 | 一种二维材料样品位置可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884705B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906540B (zh) * | 2021-02-08 | 2022-02-01 | 北京科技大学 | 一种基于衬底上生长的三角形二硫化钼的识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163177A (zh) * | 2019-05-28 | 2019-08-23 | 李峥嵘 | 一种风电机组叶片无人机自动感知识别方法 |
CN110298291A (zh) * | 2019-06-25 | 2019-10-01 | 吉林大学 | 基于Mask-RCNN的牛脸及牛脸关键点检测方法 |
CN110806407A (zh) * | 2019-11-04 | 2020-02-18 | 南京工业大学 | 一种基于Labview的二维材料扫描和视觉处理系统及其方法 |
WO2020037898A1 (zh) * | 2018-08-23 | 2020-02-27 | 平安科技(深圳)有限公司 | 人脸特征点检测方法、装置、计算机设备及存储介质 |
CN111209864A (zh) * | 2020-01-07 | 2020-05-29 | 上海交通大学 | 一种电力设备目标识别方法 |
CN111401148A (zh) * | 2020-02-27 | 2020-07-10 | 江苏大学 | 一种基于改进的多级YOLOv3的道路多目标检测方法 |
CN111488854A (zh) * | 2020-04-23 | 2020-08-04 | 福建农林大学 | 一种道路交通标志自动识别与分类方法 |
CN111626217A (zh) * | 2020-05-28 | 2020-09-04 | 宁波博登智能科技有限责任公司 | 一种基于二维图片和三维点云融合的目标检测和追踪方法 |
CN111723656A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 一种基于YOLO v3与自优化的烟雾检测方法及装置 |
CN112001407A (zh) * | 2020-03-11 | 2020-11-27 | 青岛慧拓智能机器有限公司 | 一种基于自动化标注的模型迭代训练方法及系统 |
-
2021
- 2021-01-06 CN CN202110013671.1A patent/CN112884705B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020037898A1 (zh) * | 2018-08-23 | 2020-02-27 | 平安科技(深圳)有限公司 | 人脸特征点检测方法、装置、计算机设备及存储介质 |
CN110163177A (zh) * | 2019-05-28 | 2019-08-23 | 李峥嵘 | 一种风电机组叶片无人机自动感知识别方法 |
CN110298291A (zh) * | 2019-06-25 | 2019-10-01 | 吉林大学 | 基于Mask-RCNN的牛脸及牛脸关键点检测方法 |
CN110806407A (zh) * | 2019-11-04 | 2020-02-18 | 南京工业大学 | 一种基于Labview的二维材料扫描和视觉处理系统及其方法 |
CN111209864A (zh) * | 2020-01-07 | 2020-05-29 | 上海交通大学 | 一种电力设备目标识别方法 |
CN111401148A (zh) * | 2020-02-27 | 2020-07-10 | 江苏大学 | 一种基于改进的多级YOLOv3的道路多目标检测方法 |
CN112001407A (zh) * | 2020-03-11 | 2020-11-27 | 青岛慧拓智能机器有限公司 | 一种基于自动化标注的模型迭代训练方法及系统 |
CN111488854A (zh) * | 2020-04-23 | 2020-08-04 | 福建农林大学 | 一种道路交通标志自动识别与分类方法 |
CN111723656A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 一种基于YOLO v3与自优化的烟雾检测方法及装置 |
CN111626217A (zh) * | 2020-05-28 | 2020-09-04 | 宁波博登智能科技有限责任公司 | 一种基于二维图片和三维点云融合的目标检测和追踪方法 |
Non-Patent Citations (1)
Title |
---|
基于YOLO算法的行人检测方法;戴舒;汪慧兰;许晨晨;刘丹;张保俊;;无线电通信技术(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112884705A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033998B (zh) | 基于注意力机制卷积神经网络的遥感影像地物标注方法 | |
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 | |
CN109859207B (zh) | 一种高密度柔性基板的缺陷检测方法 | |
CN109376792A (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN106204642B (zh) | 一种基于深度神经网络的细胞追踪方法 | |
CN111563445A (zh) | 一种基于卷积神经网络的显微镜下岩性识别方法 | |
CN105303169B (zh) | 一种基于慢特征的细胞分裂识别方法及其识别装置 | |
CN114549507B (zh) | 改进Scaled-YOLOv4的织物瑕疵检测方法 | |
CN112884705B (zh) | 一种二维材料样品位置可视化方法 | |
CN112926652B (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 | |
CN110909623B (zh) | 三维目标检测方法及三维目标检测器 | |
CN112200274B (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN109584206A (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN116310548A (zh) | 一种进口种子产品中的入侵植物种子检测方法 | |
CN114882501A (zh) | 一种基于可解释深度学习算法的循环肿瘤细胞检测系统 | |
CN113077438B (zh) | 针对多细胞核彩色图像的细胞核区域提取方法及成像方法 | |
CN106874712B (zh) | 一种基于池化时间序列特征表示的细胞分裂事件识别方法 | |
CN116721104B (zh) | 实景三维模型缺陷检测方法、装置、电子设备及存储介质 | |
CN110163090A (zh) | 一种基于多特征和尺度估计的pcb板标识跟踪方法 | |
CN113128335B (zh) | 微体古生物化石图像检测、分类及发现方法、系统及应用 | |
CN113128335A (zh) | 微体古生物化石图像检测、分类及发现方法、系统及应用 | |
Zhou et al. | MDD-Net: A novel defect detection model of material microscope image | |
CN113989496B (zh) | 一种癌症类器官识别方法 | |
US11808760B1 (en) | System and methods for in vitro structural toxicity testing | |
CN114627010B (zh) | 一种基于染色密度图的染色空间迁移方法 |
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 |