CN112950584B - 一种基于深度学习的涂层表面缺陷识别方法 - Google Patents
一种基于深度学习的涂层表面缺陷识别方法 Download PDFInfo
- Publication number
- CN112950584B CN112950584B CN202110226014.5A CN202110226014A CN112950584B CN 112950584 B CN112950584 B CN 112950584B CN 202110226014 A CN202110226014 A CN 202110226014A CN 112950584 B CN112950584 B CN 112950584B
- Authority
- CN
- China
- Prior art keywords
- training
- coating surface
- surface defect
- identification
- 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.)
- Active
Links
Images
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06T2207/10004—Still image; Photographic 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种基于深度学习的涂层表面缺陷识别方法,包括以下步骤:S1:选取特征提取网络;S2:设计倒金字塔型分类器;S3:构建识别模型;S4:使用优化调整后的训练方法训练识别模型;S5:对涂层表面缺陷进行识别。本发明提供的一种基于深度学习的涂层表面缺陷识别方法,能够在小样本情况下实现对涂层表面缺陷的快速高精度识别,在涂层表面缺陷自动化检测识别领域具有较好的使用前景。
Description
技术领域
本发明属于表面缺陷识别、深度学习领域,特别是一种基于深度学习的涂层表面缺陷识别方法。
背景技术
涂层是在金属或非金属基体表面形成的一层具有一定厚度、不同于基体材料且具有一定的强化、防护或特殊功能的覆盖层,在现代机械设备上得到了广泛的使用。然而在实际喷涂和使用过程中,涂层极易出现各类缺陷,如流挂、橘皮、露底、龟裂等,从而极大的降低涂层整体的防护性能、缩短使用寿命,进而对涂层使用设备造成影响。
以往依靠人眼进行涂层表面缺陷检测识别的方法因成本高、耗时长且需要一定的经验知识,很难满足工业生产的精度和速度需求。传统的机器视觉技术通过手工提取特征,利用图像处理技术对涂层缺陷进行检测识别,该方法能够在一定程度上提高涂层缺陷自动化检测水平,但其还面临着检测速度慢、精度低、硬件配置要求高等问题。深度学习技术作为机器学习领域中的研究热点,能够较好的克服手工提取特征的缺点,在检测速度上也具有明显的优势,因此在缺陷检测领域呈现了巨大的潜力。
基于此,本文提出了一种基于深度学习的涂层表面缺陷识别方法。针对多类型涂层表面缺陷识别任务的特点,对现有深度学习算法及其训练方法进行优化调整,实现小样本下对涂层表面缺陷的快速、精准识别。
发明内容
本发明的目的是为解决多类型涂层表面缺陷自动化检测过程中识别精度和速度不佳的问题而提出一种基于深度学习的涂层表面缺陷识别方法,该方法能够在训练数据较少、运行时间较短的情况下实现对涂层表面缺陷的高精度识别,可以为涂层表面缺陷自动化检测提供有效的实施方法。
本发明的目的是这样实现的:
步骤如下:
S1:选取特征提取网络,用于对输入图像快速进行特征提取;
S2:设计倒金字塔型分类器,用于利用特征数据进行识别操作;
S3:构建识别模型;
S4:使用优化调整后的训练方法训练识别模型,得到涂层表面缺陷识别模型;
S5:对涂层表面缺陷进行识别。
本发明还包括这样一些结构特征:
1.所述的步骤S1包括以下子步骤:
S11:选取轻量级神经网络,该网络的特点在于:参数量少、计算代小,具体包括:MobileNet系列、ShuffleNet系列;
S12:对轻量级神经网络进行剪枝(Pruning),去除其最后一个block结构之后的网络部分,保留剩余的网络结构作为特征提取网络,该网络可快速进行特征提取并输出特征图。
2.所述的步骤S2包括以下子步骤:
S21:对输入特征图进行通道数压缩,压缩后特征图通道数为输入通道数的9/20~3/4之间;
S22:对特征图进行通道数压缩和尺寸压缩,压缩后特征图通道数为先前的1/6~1/2之间且还应处于识别目标种类数的7~13倍之间,在二者发生冲突时以后者为主;压缩后特征图尺寸为先前的3/5~4/5之间;
S23:提取特征图在每个通道上的显著特征,并依据显著特征进行识别结果预测,其中识别结果预测可由卷积操作、全连接操作得到。
3.所述的步骤S3具体步骤如下:
将特征提取网络和倒金字塔型分类器进行组合得到识别模型,其中特征提取网络的输入即为识别模型的输入,特征提取网络的输出即为倒金字塔型分类器的输入,倒金字塔型分类器的输出即为识别模型的输出。
4.所述的步骤S4包括以下子步骤:
S41:在随机初始权重下利用交叉验证对识别模型进行训练,其中学习率取0.01~0.001之间,训练周期取20~40之间,训练样本取训练集样本的1/5~2/5且每类目标样本数相同并均为随机选取;训练得到预训练权重;
S42:加载预训练权重并采用迁移学习对识别模型进行训练,其中学习率取0.001~0.0001之间,训练周期取300~400之间,训练样本为全部训练集样本;训练得到涂层表面缺陷识别模型。
5.所述的步骤S5具体步骤如下:
将涂层表面缺陷图像输入到涂层表面缺陷识别模型中,模型经过运算输出识别结果。
与现有技术相比,本发明的有益效果是:
本发明提出的一种基于深度学习的涂层表面缺陷识别方法,利用轻量级网络的特征提取结构,实现对目标特征的快速提取;倒金字塔型分类器能够充分利用涂层特征,实现快速高精度的分类识别操作;优化调整后的网络训练方法可以有效解决小众分类任务中预训练权重难以获取的问题,能够在数据较少的情况下训练得到检测识别效果更好的神经网络模型。
附图说明
图1涂层表面缺陷识别模型构建及识别过程。
图2倒金字塔型分类器结构。
图3识别模型训练过程。
图4涂层表面缺陷识别模型运行过程。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本公开可具有各种实施例,并且可在其中做出调整和改变。然而,应理解:不存在将本公开的各种实施例限于在此公开的特定实施例的意图。而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用,单数形式意在也包括复数形式,除非上下文清楚地另有指示。除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本公开的各种实施例中被清楚地限定。
下面结合附图与具体实施方式对本发明做进一步详细描述。
如图1所示,为本发明的涂层表面缺陷识别模型的构建及识别过程。首先选取特征提取网络,用于对输入图像快速进行特征提取;然后设计倒金字塔型分类器,用于利用特征数据进行识别操作;再将特征提取网络和倒金字塔型分类器进行组合构建识别模型;而后,使用优化调整后的训练方法训练识别模型,得到涂层表面缺陷识别模型;最后,将涂层表面缺陷图像输入到涂层表面缺陷识别模型中,在模型的输出端将会得到识别结果。
本发明的一种基于深度学习的涂层表面缺陷识别方法,更加具体的实施方式如下:
S1:选取特征提取网络,用于对输入图像快速进行特征提取;
S11:选取MobileNetV2网络作为特征提取网络的结构来源;
S12:对MobileNetV2网络进行剪枝,剔除其最后一个反向残差块(Invertedresidual block)之后的网络结构,将剩余的网络结构作为特征提取网络;特征提取网络的结构如表1所示,其中Conv2d为2维卷积操作,Bottleneck为反向残差块的输出层,Avgpool为全局池化操作,t为通道扩展因子、c为输出通道数、n为块重复次数、s为步长;
表1特征提取网络的结构。
S2:设计倒金字塔型分类器,用于利用特征数据进行识别操作;
S21:利用1×1卷积核对输入特征图进行通道数压缩,其中卷积核的通道数为输入特征图通道数的3/5即192,步长为1,填充为“same”,激活函数为“ReLu6”;
S22:利用3×3卷积核对特征图进行通道数压缩和尺寸压缩,其中卷积核的通道数为输入通道数的1/3即64,步长为1,无填充,激活函数为“ReLu6”;
S23:对特征图进行全局池化操作,提取其每个通道上的最大值特征;利用全连接操作输出5类涂层目标识别结果,其中激活函数为“softmax”;倒金字塔型分类器的输入输出关系如表2所示;
表2倒金字塔型分类器的输入输出关系。
S3:构建识别模型,将特征提取网络和倒金字塔型分类器进行组合得到识别模型,其中特征提取网络的输入即为识别模型的输入,特征提取网络的输出即为倒金字塔型分类器的输入,倒金字塔型分类器的输出即为识别模型的输出。
S4:使用优化调整后的训练方法训练识别模型;
S41:在随机初始权重下利用交叉验证对识别模型进行训练,其中学习率取0.001,训练周期取30,训练样本取训练集样本的3/10且每类目标样本数相同并均为随机选取,其中训练集共有2500张图像,包含5类目标;训练得到预训练权重;
S42:加载预训练权重并采用迁移学习对识别模型进行训练,其中学习率取0.0001,训练周期取350,训练样本为全部训练集样本,验证集为500张涂层图像;训练得到涂层表面缺陷识别模型。
S5:对涂层表面缺陷进行识别,将涂层表面缺陷图像输入到涂层表面缺陷识别模型中,模型经过运算输出涂层表面缺陷识别结果。
本实施例的涂层表面缺陷识别模型和其他典型识别模型(MobileNetV2、DenseNet-121、Resnet-50)进行5次实验在测试集上的识别准确率如表3所示,其中测试集共有1000张图像,可以看出本实施例的涂层表面缺陷识别模型在训练数据较少的情况下依旧具有较好的分类效果,与其他典型识别模型相比具有最高的识别精度;不同识别模型在测试集上的预测时间如表4所示,其中预测时间为测试集数据转换为张量后从进入网络到输出预测结果的耗时,可以看出本实施例的涂层表面缺陷识别模型具有最快的识别速度;
表3不同识别模型进行5次实验在测试集上的识别准确率(%);
表4不同识别模型测试集上的预测时间(秒)。
以上所述,仅是本发明的1种应用实例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做任何修改,等同变化,均落入本发明的保护范围之内。
综上所述:本发明提供一种基于深度学习的涂层表面缺陷识别方法,包括以下步骤:S1:选取特征提取网络;S2:设计倒金字塔型分类器;S3:构建识别模型;S4:使用优化调整后的训练方法训练识别模型;S5:对涂层表面缺陷进行识别。本发明提供的一种基于深度学习的涂层表面缺陷识别方法,能够在小样本情况下实现对涂层表面缺陷的快速高精度识别,在涂层表面缺陷自动化检测识别领域具有较好的使用前景。
Claims (3)
1.一种基于深度学习的涂层表面缺陷识别方法,其特征是,包括如下步骤:
S1:选取特征提取网络,用于对输入图像快速进行特征提取;
S2:设计倒金字塔型分类器,用于利用特征数据进行识别操作;
S3:构建识别模型;
S4:使用优化调整后的训练方法训练识别模型,得到涂层表面缺陷识别模型;
S5:对涂层表面缺陷进行识别;
所述的步骤S1包括以下子步骤:
S11:选取轻量级神经网络,该网络的特点在于:参数量少、计算代小,具体包括:MobileNet系列或ShuffleNet系列;
S12:对轻量级神经网络进行剪枝,去除其最后一个block结构之后的网络部分,保留剩余的网络结构作为特征提取网络,该网络可快速进行特征提取并输出特征图;
所述的步骤S2包括以下子步骤:
S21:对输入特征图进行通道数压缩,压缩后特征图通道数为输入通道数的9/20~3/4之间;
S22:对特征图进行通道数压缩和尺寸压缩,压缩后特征图通道数为先前的1/6~1/2之间且还应处于识别目标种类数的7~13倍之间,在二者发生冲突时以后者为主;压缩后特征图尺寸为先前的3/5~4/5之间;
S23:提取特征图在每个通道上的显著特征,并依据显著特征进行识别结果预测,其中识别结果预测可由卷积操作、全连接操作得到;
所述的步骤S3具体步骤如下:
将特征提取网络和倒金字塔型分类器进行组合得到识别模型,其中特征提取网络的输入即为识别模型的输入,特征提取网络的输出即为倒金字塔型分类器的输入,倒金字塔型分类器的输出即为识别模型的输出。
2.根据权利要求1所述的基于深度学习的涂层表面缺陷识别方法,其特征是,所述的步骤S4包括以下子步骤:
S41:在随机初始权重下利用交叉验证对识别模型进行训练,其中学习率取0.01~0.001之间,训练周期取20~40之间,训练样本取训练集样本的1/5~2/5且每类目标样本数相同并均为随机选取;训练得到预训练权重;
S42:加载预训练权重并采用迁移学习对识别模型进行训练,其中学习率取0.001~0.0001之间,训练周期取300~400之间,训练样本为全部训练集样本;训练得到涂层表面缺陷识别模型。
3.根据权利要求1所述的基于深度学习的涂层表面缺陷识别方法,其特征是,所述的步骤S5具体步骤如下:
将涂层表面缺陷图像输入到涂层表面缺陷识别模型中,模型经过运算输出识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226014.5A CN112950584B (zh) | 2021-03-01 | 2021-03-01 | 一种基于深度学习的涂层表面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226014.5A CN112950584B (zh) | 2021-03-01 | 2021-03-01 | 一种基于深度学习的涂层表面缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950584A CN112950584A (zh) | 2021-06-11 |
CN112950584B true CN112950584B (zh) | 2022-07-29 |
Family
ID=76246895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110226014.5A Active CN112950584B (zh) | 2021-03-01 | 2021-03-01 | 一种基于深度学习的涂层表面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950584B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114140398A (zh) * | 2021-11-15 | 2022-03-04 | 上海大学 | 一种利用无缺陷图像的少样本缺陷检测方法 |
CN114266977B (zh) * | 2021-12-27 | 2023-04-07 | 青岛澎湃海洋探索技术有限公司 | 基于超分辨可选择网络的多auv的水下目标识别方法 |
CN117557554B (zh) * | 2024-01-05 | 2024-04-23 | 海斯福(深圳)科技有限公司 | 一种含氟涂层的喷涂平整度智能检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097544A (zh) * | 2019-04-25 | 2019-08-06 | 武汉精立电子技术有限公司 | 一种显示面板外观缺陷检测方法 |
CN111415329A (zh) * | 2020-02-20 | 2020-07-14 | 广州中国科学院先进技术研究所 | 一种基于深度学习的工件表面缺陷检测方法 |
CN111816582A (zh) * | 2020-07-23 | 2020-10-23 | 上海华力微电子有限公司 | 晶圆键合缺陷位置定位方法及半导体器件样品的制作方法 |
CN111914937A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种轻量化改进目标检测方法及检测系统 |
CN112037219A (zh) * | 2020-09-27 | 2020-12-04 | 上海电力大学 | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 |
CN112070716A (zh) * | 2020-08-03 | 2020-12-11 | 西安理工大学 | 一种基于深度学习的印刷缺陷智能识别方法 |
CN112183649A (zh) * | 2020-09-30 | 2021-01-05 | 佛山市南海区广工大数控装备协同创新研究院 | 一种用于对金字塔特征图进行预测的算法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109822950B (zh) * | 2019-01-25 | 2020-04-14 | 南京航空航天大学 | 一种具有防覆冰功能的聚合物材料及其一体化成型方法 |
KR20190100097A (ko) * | 2019-08-08 | 2019-08-28 | 엘지전자 주식회사 | 디스플레이 상의 화면의 화질 또는 화면 내용을 추론하여 화면을 조정하는 방법, 제어기 및 시스템 |
KR20190104485A (ko) * | 2019-08-21 | 2019-09-10 | 엘지전자 주식회사 | 옷감 식별 방법, 장치 및 시스템 |
CN110781912A (zh) * | 2019-09-10 | 2020-02-11 | 东南大学 | 一种基于通道扩张倒置卷积神经网络的图像分类方法 |
CN111490262B (zh) * | 2020-04-24 | 2023-06-13 | 上海骥翀氢能科技有限公司 | 一种燃料电池的金属双极板及燃料电池 |
CN111638218A (zh) * | 2020-05-14 | 2020-09-08 | 哈尔滨工程大学 | 一种涂层表面缺陷的检测方法 |
CN111797890A (zh) * | 2020-05-18 | 2020-10-20 | 中国电力科学研究院有限公司 | 一种用于检测输电线路设备缺陷的方法及系统 |
CN111754532B (zh) * | 2020-08-12 | 2023-07-11 | 腾讯科技(深圳)有限公司 | 图像分割模型搜索方法、装置、计算机设备及存储介质 |
CN112150417A (zh) * | 2020-09-08 | 2020-12-29 | 苏州岩建智能科技有限公司 | 基于深度学习的涂布缺陷检测方法 |
CN112200790B (zh) * | 2020-10-16 | 2023-04-07 | 鲸斛(上海)智能科技有限公司 | 布料缺陷检测方法、设备和介质 |
CN112183472A (zh) * | 2020-10-28 | 2021-01-05 | 西安交通大学 | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 |
CN112365468A (zh) * | 2020-11-11 | 2021-02-12 | 南通大学 | 基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法 |
-
2021
- 2021-03-01 CN CN202110226014.5A patent/CN112950584B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097544A (zh) * | 2019-04-25 | 2019-08-06 | 武汉精立电子技术有限公司 | 一种显示面板外观缺陷检测方法 |
CN111415329A (zh) * | 2020-02-20 | 2020-07-14 | 广州中国科学院先进技术研究所 | 一种基于深度学习的工件表面缺陷检测方法 |
CN111816582A (zh) * | 2020-07-23 | 2020-10-23 | 上海华力微电子有限公司 | 晶圆键合缺陷位置定位方法及半导体器件样品的制作方法 |
CN112070716A (zh) * | 2020-08-03 | 2020-12-11 | 西安理工大学 | 一种基于深度学习的印刷缺陷智能识别方法 |
CN111914937A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种轻量化改进目标检测方法及检测系统 |
CN112037219A (zh) * | 2020-09-27 | 2020-12-04 | 上海电力大学 | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 |
CN112183649A (zh) * | 2020-09-30 | 2021-01-05 | 佛山市南海区广工大数控装备协同创新研究院 | 一种用于对金字塔特征图进行预测的算法 |
Also Published As
Publication number | Publication date |
---|---|
CN112950584A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112950584B (zh) | 一种基于深度学习的涂层表面缺陷识别方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
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 | |
CN106846362B (zh) | 一种目标检测跟踪方法和装置 | |
CN110175613A (zh) | 基于多尺度特征和编解码器模型的街景图像语义分割方法 | |
CN111563893B (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
CN109472284A (zh) | 一种基于无偏嵌入零样本学习的电芯缺陷分类方法 | |
CN109035233A (zh) | 视觉注意力网络及工件表面缺陷检测方法 | |
CN108960126A (zh) | 手语翻译的方法、装置、设备及系统 | |
CN105184312A (zh) | 一种基于深度学习的文字检测方法及装置 | |
CN109815870B (zh) | 细胞表型图像定量分析的高通量功能基因筛选方法及系统 | |
CN113628178B (zh) | 一种速度与精度平衡的钢铁产品表面缺陷检测方法 | |
CN107092906A (zh) | 一种基于深度学习的中药材识别装置 | |
CN109919252A (zh) | 利用少数标注图像生成分类器的方法 | |
CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 | |
CN115035418A (zh) | 一种基于改进DeepLabV3+网络的遥感图像语义分割方法及系统 | |
CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
CN110516526A (zh) | 一种基于特征原型度量学习的小样本目标识别方法 | |
CN115170926A (zh) | 轻量化目标图像识别方法、装置及存储介质 | |
CN106980846A (zh) | 一种基于深度卷积网络的汽车配件识别装置 | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN113706471A (zh) | 一种基于模型压缩的钢铁产品表面缺陷检测方法 | |
CN111144497B (zh) | 基于美学分析的多任务深度网络下的图像显著性预测方法 | |
CN109697630B (zh) | 一种基于稀疏回归的商家客流量多因素分析与预测方法 |
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 |