CN112906689A - 一种基于缺陷检测与分割深度卷积神经网络的图像检测方法 - Google Patents
一种基于缺陷检测与分割深度卷积神经网络的图像检测方法 Download PDFInfo
- Publication number
- CN112906689A CN112906689A CN202110080146.1A CN202110080146A CN112906689A CN 112906689 A CN112906689 A CN 112906689A CN 202110080146 A CN202110080146 A CN 202110080146A CN 112906689 A CN112906689 A CN 112906689A
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- matrix
- defect detection
- neural network
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 230000007547 defect Effects 0.000 title claims abstract description 41
- 230000011218 segmentation Effects 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于缺陷检测与分割深度卷积神经网络的图像检测方法。包括如下步骤：1)对被检测目标的图像进行预处理及像素标注，构建训练集和验证集；2)构建缺陷检测与分割深度卷积神经网络模型；3)利用训练集和验证集对构建的缺陷检测与分割深度卷积神经网络模型进行训练和验证；4)将待检测的图像输入训练好的缺陷检测与分割深度卷积神经网络模型中，获得缺陷检测与分割结果。本发明具有缺陷检测与分割精度高的特点。
Description
技术领域
本发明属于计算机视觉的目标检测与分割技术领域，具体涉及一种基于梯度和旋转框的缺陷检测的方法。
背景技术
X射线成像是无损检测的主要手段之一。传统的方法依靠人工对X射线图像进行缺陷检测，检测人员的经验对于检测效率有很大影响，且存在漏检、错检的情况。随着深度学习和卷积神经网络的不断完善，对于目标检测领域，由于卷积神经网络强大的特征提取和学习能力，能够对图像进行特征提取且对目标进行层次化的特征表示，具有良好的检测性能。
但也存在如下的问题：
(1)对于裂纹等缺陷，运用传统的水平矩形框不能很好地拟合缺陷轮廓。
(2)在深度卷积神经网络中，对于目标边缘的重视程度不够。边缘作为图像的一种基本特征，为人们描述或识别目标以及解释图像提供了一个重要的特征参数。对于分割网络来说，需要对边缘更加重视，以得到更精确的分割掩膜。
现有技术中，专利CN111968084A公开的“一种基于人工智能的航空发动机叶片缺陷快速精准识别方法”，建立了缺陷初检和复检模型实现对航空发动机叶片缺陷的检测，但对于不同形状的缺陷都用水平矩形框拟合缺陷轮廓，导致检测效率低，且会框住大量的无关背景；专利CN109800735A公开的“一种船目标精确检测与分割方法”，利用单一比例的旋转矩形框在特征图的像素点上滑动，使得检测结果更加精确，但没有重视目标的边缘部分，导致分割精度不高。
发明内容
本发明的目的在于提高被检测目标X射线图像中缺陷检测与分割的精度。为达到上述目的，本发明可采用如下的技术方案：
一种基于缺陷检测与分割深度卷积神经网络的图像检测方法，包括以下步骤：
(S1)对被检测目标的图像进行预处理及像素标注，构建训练集和验证集；对图像进行标注，具体为，对图像进行像素标注，并根据标注的轮廓生成最小外接矩形，作为缺陷的真实框，输出真实框的中心点坐标、长、宽和旋转角度；
(S2)构建缺陷检测与分割深度卷积神经网络模型，包括以下分步骤；
(S21)设置特征提取网络，用以引入基于图像梯度的注意力机制模块，与特征金字塔网络组合构成缺陷检测深度卷积神经网络模型的特征提取网络，得到特征图；
(S22)设置区域建议网络，在区域建议网络中预设矩形旋转锚点框代替水平矩形锚点框，在特征图的每一个特征点上滑动，输出锚点框作为前景的置信度和与真实框的偏移量，根据偏移量修正锚点框，得到预测框；
(S23)按照得到的预测框置信度进行排序，并利用非极大值抑制方法筛选获得感兴趣区域；比较感兴趣区域与真实框之间的交并比，选取交并比大于0.5的为正样本，否则为负样本；
(S24)提取每个正样本中的像素点，通过感兴趣区域池化层输出相同维度的特征向量，将每个特征向量输入检测分割网络的三个分支，计算分类损失、包围盒损失和掩码损失；
(S3)利用训练集和验证集对构建的缺陷检测与分割深度卷积神经网络模型进行训练和验证；
(S4)将待检测的图像输入训练好的缺陷检测与分割深度卷积神经网络模型中，获得缺陷检测与分割结果，根据正样本和真实框的偏移量，得到二次修正后的水平矩形包围盒；以水平矩形包围盒的长为长轴，宽为短轴，中心点不变做椭圆，得到椭圆包围盒；得到的椭圆包围盒和掩膜一起逆时针旋转θ，得到最终的输出结果；θ是旋转角度。
进一步的，对于维度为C*H*W的输入图像I，计算其中每个像素的梯度，得到一个维度为C*H*W的梯度图像A；将梯度图像A变形为维度为C*N的矩阵B，其中N＝H*W；将矩阵B转置为矩阵C，其维度为N*C，将矩阵C与矩阵B相乘，得到维度为N*N的矩阵，对该N*N的矩阵中的每一个元素用softmax模型进行计算，得到维度为N*N的矩阵D，矩阵D即为图像梯度权重矩阵，将权重矩阵D与输入图像I相乘即为将注意力重点放在图像边缘后输出的结果。如权利要求1所述的一种缺陷检测与分割深度卷积神经网络模型，其特征在于，所述步骤(S22)中，输出锚点框与真实框的偏移量，该偏移量的计算公式为：
式中x，y，a，b是旋转矩形框中心坐标及其长和宽，θ是旋转角度，x*、x’分别对应真实框和锚点框，得到的
分别为x，y，a，b，θ的偏移量，把偏移量分别加到锚点框的对应坐标上得到预测框的参数，记为xp，yp，ap，bp，θp。
进一步的，所述步骤(S23)中，比较感兴趣区域与真实框之间的交并比IoU，计算交并比的公式具体为：
其中，M为感兴趣区域，N为真实框区域。
进一步的，所述步骤(S24)中，通过感兴趣区域池化层输出相同维度的特征向量，具体为：
(S241)将正样本中的每个旋转框都顺时针旋转对应的角度θ，转变为水平的矩形框；
(S242)将矩形框分为若干个面积相等的栅格，每个栅格再分为2*2的小方格；
(S243)采用双线性插值法得到每个小方格的像素值；
(S244)取每个栅格中2*2小方格的最大值作为整个栅格的值，所有栅格的值拼接成为固定尺寸的特征向量。
进一步的，所述步骤(S1)图像的预处理是将被检测目标的灰度图像转换为伪彩色图像，具体为，把灰度图像的灰度级从黑到白分成Q个区间，给每个区间指定一种颜色，得到一幅伪彩色的图像。
有益效果：本发明提供的图像检测方法中，提出了一种旋转的矩形包围盒，能够更好地拟合缺陷轮廓，并且在输出检测结果时，把矩形框的长作为椭圆的长轴，宽作为椭圆的短轴，中心点不变，此时矩形框的面积比椭圆的面积大，当检测缺陷为细长的线形时，显然面积小的椭圆框能够更好地拟合目标，减少框住的背景。此外，本发明还提出一种基于图像梯度的注意力机制模块，在缺陷检测深度卷积神经网络模型中加入此模块，能够使网络注意力集中在目标的边界，有效提高分割精度。
附图说明
图1为本发明构建的网络结构图。
图2为本发明方法流程图。
图3为在残差网络中增加基于图像梯度的注意力机制模块结构图。
图4为基于图像梯度的注意力机制模块结构图。
图5为旋转矩形锚点框位置修正示意图。
图6为旋转矩形框顺时针旋转示意图。
图7为输出椭圆包围盒示意图。
具体实施方式
为使本发明的上述内容、特点更加通俗易懂，以下结合附图对本发明的具体实施方式进行详细的说明。
如图2所示为本发明方法流程图。基于缺陷检测与分割深度卷积神经网络的图像检测方法，包括以下步骤：
(S1)对被检测目标的图像进行预处理及像素标注，构建训练集和验证集；
在具体实施例中，图像的预处理是将复合材料的X射线图像转换成伪彩色的图像，具体为，把X射线图像的灰度级从黑到白分成Q个区间，给每个区间指定一种颜色，得到一幅伪彩色的图像。
在具体实施例中，对图像进行标注，具体为，对图像进行像素标注，并根据标注的轮廓生成最小外接矩形，作为缺陷的真实框，输出真实框的中心点横纵坐标、长、宽和旋转角度五个参数；
(S2)利用训练集和验证集对一种缺陷检测与分割深度卷积神经网络(DDSDCNN)模型进行训练和验证；
在具体实施例中，一种缺陷检测与分割深度卷积神经网络(DDSDCNN)模型结构如图1所示，包括以下步骤：
(S21)特征提取网络引入基于图像梯度的注意力机制模块，如图3所示，与特征金字塔网络组合构成DDSDCNN模型的特征提取网络，得到特征图；
在具体实施例中，基于图像梯度的注意力机制模块结构图如图4所示。对维度为C*H*W输入图像I，计算其中每个像素的梯度，得到一个维度为C*H*W的梯度图像A；将梯度图像A变形为维度为C*N的矩阵B，其中N＝H*W；将矩阵B转置为矩阵C，其维度为N*C，将矩阵C与矩阵B相乘，得到N*N的矩阵，对该N*N的矩阵中的每一个点用softmax模型进行计算，得到维度为N*N的矩阵D，矩阵D即为图像梯度权重矩阵，将权重矩阵D与输入图像I相乘得到即为将注意力重点放在图像边缘后输出的结果。
(S22)在区域建议网络中，预设矩形旋转锚点框代替水平矩形锚点框，在特征图的每一个特征点上滑动，输出锚点框作为前景的置信度和与真实框的偏移量，根据偏移量修正锚点框，得到预测框，偏移量修正锚点框的示意图如图5所示；
在具体实施例中，预先设置矩形旋转框，生成的长宽比例为{2∶1、3∶1、5∶1}，尺寸为{8，16，32，64，128}，旋转角度为{0°、30°、60°、90°、120°、150°}的逆时针旋转矩形框，共3*5*6＝90个。
(S23)按照得到的预测框置信度进行排序，并利用非极大值抑制方法筛选获得感兴趣区域；比较感兴趣区域与真实框之间的交并比，选取交并比大于0.5的为正样本，否则为负样本；
(S24)提取每个正样本中的像素点，通过感兴趣区域池化层输出相同维度的特征向量，将每个特征向量输入检测分割网络的三个分支，计算分类损失、包围盒损失和掩码损失。
在具体实施例中，通过感兴趣区域池化层输出相同维度的特征向量，具体为：
(S241)将正样本中的每个旋转框都顺时针旋转对应的角度θ，转变为水平的矩形框，如图6所示；
(S242)将矩形框分为若干个面积相等的栅格，每个栅格再分为2*2的小方格；
(S243)每个小方格的像素值，采用双线性插值的方法，取邻近四个像素点的值得到；
(S244)取每个栅格中2*2小方格的最大值作为整个栅格的值，所有栅格的值拼接成为固定尺寸的特征向量。
(S3)将待检测的图像输入训练好的DDSDCNN模型中，获得缺陷检测与分割结果。
在具体实施例中，输出检测与分割结果具体为：根据正样本和真实框的偏移量，得到二次修正后的水平矩形包围盒；以水平矩形包围盒的长为长轴，宽为短轴，中心点不变做椭圆，得到椭圆包围盒；得到的椭圆包围盒和掩膜一起逆时针旋转θ，得到最终的输出结果，如图7所示。
Claims (6)
1.一种基于缺陷检测与分割深度卷积神经网络的图像检测方法,其特征在于，包括以下步骤：
(S1)对被检测目标的图像进行预处理及像素标注，构建训练集和验证集；对图像进行标注，具体为，对图像进行像素标注，并根据标注的轮廓生成最小外接矩形，作为缺陷的真实框，输出真实框的中心点坐标、长、宽和旋转角度；
(S2)构建缺陷检测与分割深度卷积神经网络模型，包括以下分步骤；
(S21)设置特征提取网络，用以引入基于图像梯度的注意力机制模块，与特征金字塔网络组合构成缺陷检测深度卷积神经网络模型的特征提取网络，得到特征图；
(S22)设置区域建议网络，在区域建议网络中预设矩形旋转锚点框代替水平矩形锚点框，在特征图的每一个特征点上滑动，输出锚点框作为前景的置信度和与真实框的偏移量，根据偏移量修正锚点框，得到预测框；
(S23)按照得到的预测框置信度进行排序，并利用非极大值抑制方法筛选获得感兴趣区域；比较感兴趣区域与真实框之间的交并比，选取交并比大于0.5的为正样本，否则为负样本；
(S24)提取每个正样本中的像素点，通过感兴趣区域池化层输出相同维度的特征向量，将每个特征向量输入检测分割网络的三个分支，计算分类损失、包围盒损失和掩码损失；
(S3)利用训练集和验证集对构建的缺陷检测与分割深度卷积神经网络模型进行训练和验证；
(S4)将待检测的图像输入训练好的缺陷检测与分割深度卷积神经网络模型中，获得缺陷检测与分割结果，根据正样本和真实框的偏移量，得到二次修正后的水平矩形包围盒；以水平矩形包围盒的长为长轴，宽为短轴，中心点不变做椭圆，得到椭圆包围盒；得到的椭圆包围盒和掩膜一起逆时针旋转θ，得到最终的输出结果；θ是旋转角度。
2.如权利要求1所述的图像检测方法，其特征在于，所述步骤(S21)中，基于图像梯度的注意力机制模块具体为：对于维度为C*H*W的输入图像I，计算其中每个像素的梯度，得到一个维度为C*H*W的梯度图像A；将梯度图像A变形为维度为C*N的矩阵B，其中N＝H*W；将矩阵B转置为矩阵C，其维度为N*C，将矩阵C与矩阵B相乘，得到维度为N*N的矩阵，对该N*N的矩阵中的每一个元素用softmax模型进行计算，得到维度为N*N的矩阵D，矩阵D即为图像梯度权重矩阵，将权重矩阵D与输入图像I相乘即为将注意力重点放在图像边缘后输出的结果。
3.如权利要求1所述的图像检测方法，其特征在于，所述步骤(S22)中，输出锚点框与真实框的偏移量，该偏移量的计算公式为：
式中x,y,a,b是旋转矩形框中心坐标及其长和宽，θ是旋转角度，x*、x'分别对应真实框和锚点框，得到的
分别为x,y,a,b,θ的偏移量，把偏移量分别加到锚点框的对应坐标上得到预测框的参数，记为xp，yp，ap，bp，θp。
4.如权利要求1所述的图像检测方法，其特征在于，所述步骤(S23)中，比较感兴趣区域与真实框之间的交并比IoU，计算交并比的公式具体为：
其中，M为感兴趣区域，N为真实框区域。
5.如权利要求1所述的图像检测方法，其特征在于，所述步骤(S24)中，通过感兴趣区域池化层输出相同维度的特征向量，具体为：
(S241)将正样本中的每个旋转框都顺时针旋转对应的角度θ，转变为水平的矩形框；
(S242)将矩形框分为若干个面积相等的栅格，每个栅格再分为2*2的小方格；
(S243)采用双线性插值法得到每个小方格的像素值；
(S244)取每个栅格中2*2小方格的最大值作为整个栅格的值，所有栅格的值拼接成为固定尺寸的特征向量。
6.如权利要求1所述的图像检测方法，其特征在于，所述步骤(S1)图像的预处理是将被检测目标的灰度图像转换为伪彩色图像，具体为，把灰度图像的灰度级从黑到白分成Q个区间，给每个区间指定一种颜色，得到一幅伪彩色的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110080146.1A CN112906689B (zh) | 2021-01-21 | 2021-01-21 | 一种基于缺陷检测与分割深度卷积神经网络的图像检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110080146.1A CN112906689B (zh) | 2021-01-21 | 2021-01-21 | 一种基于缺陷检测与分割深度卷积神经网络的图像检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906689A true CN112906689A (zh) | 2021-06-04 |
| CN112906689B CN112906689B (zh) | 2024-03-15 |
Family
ID=76117798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110080146.1A Active CN112906689B (zh) | 2021-01-21 | 2021-01-21 | 一种基于缺陷检测与分割深度卷积神经网络的图像检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906689B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780200A (zh) * | 2021-09-15 | 2021-12-10 | 安徽理工大学 | 基于计算机视觉的路面多种病害面积检测及定位方法 |
| CN114037865A (zh) * | 2021-11-02 | 2022-02-11 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备、存储介质和程序产品 |
| CN114066835A (zh) * | 2021-11-08 | 2022-02-18 | 鲁班嫡系机器人（深圳）有限公司 | 图像检测、自动光学检测方法、装置、存储介质及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800735A (zh) * | 2019-01-31 | 2019-05-24 | 中国人民解放军国防科技大学 | 一种船目标精确检测与分割方法 |
| KR102027389B1 (ko) * | 2019-03-20 | 2019-10-01 | (주)브이엠에스 | 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치 |
| CN110992314A (zh) * | 2019-11-15 | 2020-04-10 | 广东华路交通科技有限公司 | 一种路面缺陷检测方法、装置及存储介质 |
-
2021
- 2021-01-21 CN CN202110080146.1A patent/CN112906689B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800735A (zh) * | 2019-01-31 | 2019-05-24 | 中国人民解放军国防科技大学 | 一种船目标精确检测与分割方法 |
| KR102027389B1 (ko) * | 2019-03-20 | 2019-10-01 | (주)브이엠에스 | 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치 |
| CN110992314A (zh) * | 2019-11-15 | 2020-04-10 | 广东华路交通科技有限公司 | 一种路面缺陷检测方法、装置及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780200A (zh) * | 2021-09-15 | 2021-12-10 | 安徽理工大学 | 基于计算机视觉的路面多种病害面积检测及定位方法 |
| CN114037865A (zh) * | 2021-11-02 | 2022-02-11 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备、存储介质和程序产品 |
| CN114037865B (zh) * | 2021-11-02 | 2023-08-22 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备、存储介质和程序产品 |
| CN114066835A (zh) * | 2021-11-08 | 2022-02-18 | 鲁班嫡系机器人（深圳）有限公司 | 图像检测、自动光学检测方法、装置、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906689B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN112906689B (zh) | 一种基于缺陷检测与分割深度卷积神经网络的图像检测方法 | |
| CN111914795B (zh) | 一种航拍图像中旋转目标检测方法 | |
| CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
| CN111161218A (zh) | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 | |
| CN110286126A (zh) | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 | |
| CN112766274A (zh) | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统 | |
| CN109829507B (zh) | 航拍高压输电线路环境检测方法 | |
| CN109360190A (zh) | 基于图像超像素融合的建筑损毁检测方法及装置 | |
| CN113610778A (zh) | 一种基于语义分割的桥梁表面裂纹检测方法与系统 | |
| CN111027538A (zh) | 一种基于实例分割模型的集装箱检测方法 | |
| CN114170527B (zh) | 一种利用旋转框表示的遥感目标检测方法 | |
| CN117475416A (zh) | 一种热电站指针式仪表读数识别方法、系统、设备及介质 | |
| CN114494894A (zh) | 海洋黑涡自动识别与关键参数反演方法、装置和电子设备 | |
| CN106709515A (zh) | 一种适用于下视景象匹配选区准则干预方法 | |
| CN115690574A (zh) | 一种基于自监督学习的遥感图像船舶检测方法 | |
| CN108022245A (zh) | 基于面线基元关联模型的光伏面板模板自动生成方法 | |
| CN113344148A (zh) | 一种基于深度学习的海上舰船目标识别方法 | |
| CN117523573A (zh) | 基于多阶段视觉检测融合故障预警的水表读数方法、系统 | |
| CN112287895A (zh) | 用于河流排污口检测的模型构建方法、识别方法及系统 | |
| CN115641510B (zh) | 一种遥感影像舰船检测识别方法 | |
| CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
| CN113592829B (zh) | 基于分割重组的深度学习泥沙颗粒识别方法及装置 | |
| CN108563674B (zh) | 基于rs和gis的海域地理要素测量方法、系统及装置 | |
| CN110490069A (zh) | 一种基于降采样局部差分二进制的遥感图像目标识别方法 |
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 |