CN113076895B - 一种基于红外计算机视觉的输送带纵向损伤振动感知方法 - Google Patents
一种基于红外计算机视觉的输送带纵向损伤振动感知方法 Download PDFInfo
- Publication number
- CN113076895B CN113076895B CN202110385222.XA CN202110385222A CN113076895B CN 113076895 B CN113076895 B CN 113076895B CN 202110385222 A CN202110385222 A CN 202110385222A CN 113076895 B CN113076895 B CN 113076895B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- state
- conveying belt
- computer vision
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明一种基于红外计算机视觉的输送带纵向损伤振动感知方法,属于计算机视觉技术领域;所要解决的技术问题为:提供一种基于红外计算机视觉的输送带纵向损伤振动感知方法的改进;解决上述技术问题采用的技术方案为:在矿用输送带上方设置高速相机采集输送带的正常态、磨损态、划伤态、撕裂态下的微小振动图像;采用可变卷积核的卷积神经网络分别训练与测试输送带的振动频率信号,得到初步训练好的卷积神经网络;通过转移学习得到进一步训练好的卷积神经网络模型;将采集的图像数据输入中的卷积神经网络模型中,根据不同波段的振幅所对应的矿用输送带纵向损伤信息,输出对输送带损伤诊断结果;本发明应用于输送带损伤判断。
Description
技术领域
本发明一种基于红外计算机视觉的输送带纵向损伤振动感知方法,属于基于红外计算机视觉的输送带纵向损伤振动感知方法技术领域。
背景技术
2020年我国原煤日平均产量为1135万吨,矿用输送带在高效运输煤炭的过程中起着至关重要的作用。在运输的过程中,矿用输送带易发生纵向的磨损,划伤,长期将产生撕裂,一经撕裂,所造成的经济代价不容小觑。这些纵向损伤主要是因为原煤中含有铁器、木棒等杂物,下落时对带体造成局部损伤。当这些杂物卡在机架或托辊上时,由于输送带向前高速运转,从而导致输送带发生纵向撕裂。
随着5G时代的到来,矿用输送带运维过程中的全面感知、实时互联、动态预测相关技术有了海量数据、高速计算、智慧分析的支撑。
目前,我国对于矿用输送带的状态监测已经运用了人工智能领域中的深度学习技术,可实现对输送带的纵向损伤状态识别。
但是上述技术存在的缺陷是针对已发生的纵向损伤进行识别,从而确认损伤类型以及程度,存在滞后性。这种滞后性是因为在使用神经网络对目标识别时,捕捉到的仅是将光信息转化成电信息而组成的一张张图像集。
除此之外,现阶段在捕捉微小振动时,常用到模型替代法,即通过使用一个可以与矿用输送带产生共振的轻小物体来替代“质量大,不易观察”的输送带,或者采用贴附信标,通过捕捉信标发出的信号,与矿用输送带建立映射等等。
上述模型替代法易受环境、器械部件、人员等噪音影响,从而导致二者之间建立的数学模型存在“易干扰、实用性差、半接触式”问题。
因此,为了进一步解决巡检煤矿井下“强干扰、光线弱、接触式”问题,以及现阶段图像处理技术在该问题上存在的滞后性,提出一种基于红外计算机视觉的矿用输送带纵向损伤振动感知方法。
发明内容
本发明为了克服现有技术中存在的不足,所要解决的技术问题为:提供一种基于红外计算机视觉的输送带纵向损伤振动感知方法的改进。
为了解决上述技术问题,本发明采用的技术方案为:一种基于红外计算机视觉的输送带纵向损伤振动感知方法,包括如下步骤:
步骤一:构建图像数据集:在矿用输送带上方设置高速相机采集输送带的正常态、磨损态、划伤态、撕裂态下的微小振动图像,并存储至塔式服务器上,其中一部分数据集用于初步训练卷积神经网络,另一部分数据集用于进一步训练卷积神经网络;
步骤二:采用可变卷积核的卷积神经网络分别训练与测试正常态、磨损态、划伤态、撕裂态下的矿用输送带的振动频率信号,得到初步训练好的卷积神经网络;
步骤三:通过转移学习将初步训练好的卷积神经网络应用于另一部分数据集上,得到进一步训练好的卷积神经网络模型;
步骤四:将采集的图像数据输入步骤三中的卷积神经网络模型中,根据不同波段的振幅所对应的矿用输送带纵向损伤信息,输出对输送带损伤诊断结果。
所述步骤一中的图像数据集在输入卷积神经网络之前,先根据控制变量法提取出干扰源振幅频谱并剔除干扰源振幅频谱,所述干扰源振幅频谱包括识别环境中各项硬件设施的振动频率以及复合在矿用输送带上的非主体振幅谱。
所述步骤二中初步训练神经网络包括在正常态、磨损态、划伤态、撕裂态的每一种状态下,训练集与测试集采用7:3-8:2的比例用于卷积神经网络模型的训练与验证。
所述步骤二中的可变卷积核的卷积神经网络具体包括:含正常卷积核的卷积层、池化层、含可变卷积核的卷积层、全连接层和新式全连接层,图像数据输入含正常卷积核的卷积层,依次经过池化层、含可变卷积核的卷积层、全连接层和新式全连接层后,通过损失函数Softmax对网络进行优化后,输出诊断结果;
所述步骤三中的转移学习包括参数最优化设置和微小特征提取。
所述新式全连接层具有随机初始化权重。
所述高速相机具体采用拍摄速度为1440-100000帧/秒的相机,并且相机加持显微镜头。
本发明相对于现有技术具备的有益效果为:本发明提供的基于红外计算机视觉的矿用输送带纵向损伤振动感知方法,通过采用卷积核变形的卷积神经网络识别环境中各项硬件设施的振动频率以及发生纵向损伤时输送带的振动频率,然后将复合在矿用输送带上的振幅谱筛选出非主体振幅并将其剔除,最终获取到仅有输送带振动的频谱;根据振动频谱,判断该矿用输送带的当前运行状况,从而真正意义上实现5G矿用输送带的全面感知、实时互联、动态预测。
附图说明
下面结合附图对本发明做进一步说明:
图1为本发明的可变形卷积在矿用输送带上的振动特征提取示意图;
图2、图3为本发明的3*3可变形卷积网络示意图;
图4、图5、图6是矿用输送带磨损、划伤、撕裂实物图;
图7为本发明的卷积核可变的卷积神经网络架构图。
具体实施方式
如图1至图7所示,本发明一种基于红外计算机视觉的输送带纵向损伤振动感知方法,包括如下步骤:
步骤一:构建图像数据集:在矿用输送带上方设置高速相机采集输送带的正常态、磨损态、划伤态、撕裂态下的微小振动图像,并存储至塔式服务器上,其中一部分数据集用于初步训练卷积神经网络,另一部分数据集用于进一步训练卷积神经网络;
步骤二:采用可变卷积核的卷积神经网络分别训练与测试正常态、磨损态、划伤态、撕裂态下的矿用输送带的振动频率信号,得到初步训练好的卷积神经网络;
步骤三:通过转移学习将初步训练好的卷积神经网络应用于另一部分数据集上,得到进一步训练好的卷积神经网络模型;
步骤四:将采集的图像数据输入步骤三中的卷积神经网络模型中,根据不同波段的振幅所对应的矿用输送带纵向损伤信息,输出对输送带损伤诊断结果。
所述步骤一中的图像数据集在输入卷积神经网络之前,先根据控制变量法提取出干扰源振幅频谱并剔除干扰源振幅频谱,所述干扰源振幅频谱包括识别环境中各项硬件设施的振动频率以及复合在矿用输送带上的非主体振幅谱。
所述步骤二中初步训练神经网络包括在正常态、磨损态、划伤态、撕裂态的每一种状态下,训练集与测试集采用7:3-8:2的比例用于卷积神经网络模型的训练与验证。
所述步骤二中的可变卷积核的卷积神经网络具体包括:含正常卷积核的卷积层、池化层、含可变卷积核的卷积层、全连接层和新式全连接层,图像数据输入含正常卷积核的卷积层,依次经过池化层、含可变卷积核的卷积层、全连接层和新式全连接层后,通过损失函数Softmax对网络进行优化后,输出诊断结果;
所述步骤三中的转移学习包括参数最优化设置和微小特征提取。
所述新式全连接层具有随机初始化权重。
所述高速相机具体采用拍摄速度为1440-100000帧/秒的相机,并且相机加持显微镜头。
本发明提供的基于红外计算机视觉的矿用输送带损伤振动感知方法,采用可变卷积核的卷积神经网络技术,结合高速相机采集的相关图像数据,实现高帧率复合型的矿用输送带损伤振动非接触式感知方法。
本发明基于红外计算机视觉的矿用输送带纵向损伤振动感知方法的目的是克服现有图像识别在该巡检领域的“滞后性、易干扰、实用性差”问题,增加对矿用输送带在损伤时发出的其他微小信息捕捉,提出一种基于红外计算机视觉的“高帧率、复合型、非接触式”矿用输送带纵向损伤振动感知方法。
现阶段所采用的方法因为矿用输送带“噪声杂,质量大,辨识度低”而忽略其在实际应用中发生纵向损伤时会发出不同频率的微小振动。
这同时解释了现有技术仅可以实现对已有纵向损伤的判别与分类,然后根据损伤数据集推断此时该输送带发生损伤的类型及程度,达到预测效果。
随着高速相机的更新,为了捕捉不同频率的微小振动,提出基于卷积核变形的卷积神经网络识别环境中各项硬件设施的振动频率以及发生纵向损伤时输送带的振动频率,然后将复合在矿用输送带上的振幅谱筛选出非主体振幅并将其剔除,最终获取到仅有输送带振动的频谱。
本发明的硬件设施包括:高速摄像机、含有双RTX2080显卡的塔式服务器。
实验过程中发现:矿用输送带在正常态、磨损态、划伤态、撕裂态时发出的振动频率信号皆不一样。结合煤矿井下设备众多,环境嘈杂等因素,本发明通过添加干扰源,以防止过拟合现象的发生。
通过控制变量法,在当前实验环境下取静止输送带与启动输送带的两组实验数据,提取出干扰源振幅频谱。启动输送带后,通过剔除干扰源振幅频谱,可得到矿用输送带整体装置在运行过程中所产生的振频。即根据控制变量法先剔除外界的干扰振幅,再剔除设备启动后设备内部由于辊轮振动等产生的干扰振幅。
利用可变形卷积核的优势,即让卷积核学会只看它所关心的图像区域,结合实时振动频谱图,学习矿用输送带处在各种状态下的振频。
本发明具体通过采用高速相机在距离输送带30cm处拍摄,分别提取其正常态、磨损态、划伤态、撕裂态下的微小振动图像数据集。
在每一种状态下,训练集与测试集采用8:2的比例用于卷积神经网络模型的训练与验证。
由于捕捉的重要特征是微小振动,所以每一帧的图像数据中会有大量的相似像素,且振动特征微小不易捕捉。
故该卷积神经网络的卷积核为可变形卷积核,且应用目标数据集很大且与原始训练集相似的特征提取方法。
而且在捕捉微小振动的过程中所采用高速相机会产生大量的数据集,因此不需要考虑过拟合。
由于卷积神经网络是由多个层组成,且具有不同的CNN架构、超参数等,在此选择Softmax为损失函数对该网络进行优化,其中Softmax的定义为:同时本发明在神经网络的具体层数的设置通过根据不同矿用输送带进行设置,选取能够得到输送带损伤输出正确率较高的层数,正确率设置为90%以上。
此后,基于100000张图像来训练此架构,为进一步加速卷积神经网络的训练,选择现有且已训练好的网络,通过转移学习将该网络应用到新的不同数据集上。
上述过程中,已训练好的网络是指在模型替代法中已有较高准确率的卷积神经网络,需要通过参数最优化与微小特征提取即可实现转移学习,较高准确率的卷积神经网络指准确率在95%及以上的神经网络。
此处特征提取方法属于转移学习中的一种,最后一个新式全连接层具有随机初始化权重,如附图7。
根据不同波段的振幅所对应的矿用输送带纵向损伤信息,最终达到“非接触、实时、直接、复合”的全面诊断。
关于本发明具体结构需要说明的是,本发明采用的各部件模块相互之间的连接关系是确定的、可实现的,除实施例中特殊说明的以外,其特定的连接关系可以带来相应的技术效果,并基于不依赖相应软件程序执行的前提下,解决本发明提出的技术问题,本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外,均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术,无需赘述,使得本案提供的技术方案是清楚、完整、可实现的,并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于红外计算机视觉的输送带纵向损伤振动感知方法,其特征在于:包括如下步骤:
步骤一:构建图像数据集:在矿用输送带上方设置高速相机采集输送带的正常态、磨损态、划伤态、撕裂态下的微小振动图像,并存储至塔式服务器上,其中一部分数据集用于初步训练卷积神经网络,另一部分数据集用于进一步训练卷积神经网络;
步骤二:采用可变卷积核的卷积神经网络分别训练与测试正常态、磨损态、划伤态、撕裂态下的矿用输送带的振动频率信号,得到初步训练好的卷积神经网络;
步骤三:通过转移学习将初步训练好的卷积神经网络应用于另一部分数据集上,得到进一步训练好的卷积神经网络模型;
其中转移学习通过参数最优化与微小特征提取实现;
步骤四:将采集的图像数据输入步骤三中的卷积神经网络模型中,根据不同波段的振幅所对应的矿用输送带纵向损伤信息,输出对输送带损伤诊断结果。
2.根据权利要求1所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法,其特征在于:所述步骤一中的图像数据集在输入卷积神经网络之前,先根据控制变量法提取出干扰源振幅频谱并剔除干扰源振幅频谱,所述干扰源振幅频谱包括识别环境中各项硬件设施的振动频率以及复合在矿用输送带上的非主体振幅谱。
3.根据权利要求2所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法,其特征在于:所述步骤二中初步训练神经网络包括在正常态、磨损态、划伤态、撕裂态的每一种状态下,训练集与测试集采用7:3-8:2的比例用于卷积神经网络模型的训练与验证。
6.根据权利要求5所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法,其特征在于:所述新式全连接层具有随机初始化权重。
7.根据权利要求6所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法,其特征在于:所述高速相机具体采用拍摄速度为1440-100000帧/秒的相机,并且相机加持显微镜头。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110385222.XA CN113076895B (zh) | 2021-04-09 | 2021-04-09 | 一种基于红外计算机视觉的输送带纵向损伤振动感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110385222.XA CN113076895B (zh) | 2021-04-09 | 2021-04-09 | 一种基于红外计算机视觉的输送带纵向损伤振动感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076895A CN113076895A (zh) | 2021-07-06 |
CN113076895B true CN113076895B (zh) | 2022-08-02 |
Family
ID=76617553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110385222.XA Active CN113076895B (zh) | 2021-04-09 | 2021-04-09 | 一种基于红外计算机视觉的输送带纵向损伤振动感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076895B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114275483B (zh) * | 2021-12-31 | 2023-12-19 | 无锡物联网创新中心有限公司 | 一种带式输送机的智能在线监测系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN108022231A (zh) * | 2016-10-31 | 2018-05-11 | 兰州交通大学 | 一种基于萤火虫神经网络的工件内部缺陷识别方法 |
CN109305534A (zh) * | 2018-10-25 | 2019-02-05 | 安徽理工大学 | 基于计算机视觉的煤码头带式输送机自适应控制方法 |
CN109724984A (zh) * | 2018-12-07 | 2019-05-07 | 上海交通大学 | 一种基于深度学习算法的缺陷检测识别装置和方法 |
CN209394809U (zh) * | 2018-08-23 | 2019-09-17 | 慧泉智能科技(苏州)有限公司 | 一种橡胶木表面缺陷的切割装置 |
CN110239914A (zh) * | 2019-06-19 | 2019-09-17 | 太原理工大学 | 红外视听频谱融合输送带纵向撕裂检测预警装置及方法 |
CN110427875A (zh) * | 2019-07-31 | 2019-11-08 | 天津大学 | 基于深度迁移学习和极限学习机的红外图像目标检测方法 |
CN110689011A (zh) * | 2019-09-29 | 2020-01-14 | 河北工业大学 | 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法 |
CN111652352A (zh) * | 2020-05-13 | 2020-09-11 | 北京航天自动控制研究所 | 一种针对迁移学习的神经网络模型输入通道整合方法 |
CN111661590A (zh) * | 2020-06-08 | 2020-09-15 | 天地(常州)自动化股份有限公司 | 矿用带式输送机输送带撕裂损伤检测方法 |
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 |
CN112329893A (zh) * | 2021-01-04 | 2021-02-05 | 中国工程物理研究院流体物理研究所 | 基于数据驱动的异源多目标智能检测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105182820B (zh) * | 2015-08-25 | 2017-12-05 | 太原理工大学 | 一种煤矿综采工作面大型装备集中控制平台的实现方法 |
CN109142268B (zh) * | 2018-08-30 | 2021-06-29 | 山东康迪泰克工程橡胶有限公司 | 钢丝绳芯输送带太赫兹实时在线检测系统及方法 |
CN111325748B (zh) * | 2020-03-20 | 2023-08-25 | 哈尔滨工业大学 | 一种基于卷积神经网络的红外热像无损检测方法 |
CN112258490A (zh) * | 2020-10-30 | 2021-01-22 | 中国人民解放军空军工程大学 | 基于光学和红外图像融合的低发射率涂层智能探损方法 |
-
2021
- 2021-04-09 CN CN202110385222.XA patent/CN113076895B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022231A (zh) * | 2016-10-31 | 2018-05-11 | 兰州交通大学 | 一种基于萤火虫神经网络的工件内部缺陷识别方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN209394809U (zh) * | 2018-08-23 | 2019-09-17 | 慧泉智能科技(苏州)有限公司 | 一种橡胶木表面缺陷的切割装置 |
CN109305534A (zh) * | 2018-10-25 | 2019-02-05 | 安徽理工大学 | 基于计算机视觉的煤码头带式输送机自适应控制方法 |
CN109724984A (zh) * | 2018-12-07 | 2019-05-07 | 上海交通大学 | 一种基于深度学习算法的缺陷检测识别装置和方法 |
CN110239914A (zh) * | 2019-06-19 | 2019-09-17 | 太原理工大学 | 红外视听频谱融合输送带纵向撕裂检测预警装置及方法 |
CN110427875A (zh) * | 2019-07-31 | 2019-11-08 | 天津大学 | 基于深度迁移学习和极限学习机的红外图像目标检测方法 |
CN110689011A (zh) * | 2019-09-29 | 2020-01-14 | 河北工业大学 | 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法 |
CN111652352A (zh) * | 2020-05-13 | 2020-09-11 | 北京航天自动控制研究所 | 一种针对迁移学习的神经网络模型输入通道整合方法 |
CN111661590A (zh) * | 2020-06-08 | 2020-09-15 | 天地(常州)自动化股份有限公司 | 矿用带式输送机输送带撕裂损伤检测方法 |
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 |
CN112329893A (zh) * | 2021-01-04 | 2021-02-05 | 中国工程物理研究院流体物理研究所 | 基于数据驱动的异源多目标智能检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
《longitudinal tear early-warning method for conveyor belt based on infrared Vision》;Yi Yang等;《measurement》;20190731;全文 * |
《基于支持向量机红外图像分割的》;赵弼龙等;《工矿自动化》;20140531;全文 * |
《多特征融合的输送带纵向撕裂检测》;张雪英等;《煤炭工程》;20151230;全文 * |
《带式输送机胶带纵向撕裂双目视觉》;王志星等;《煤炭科技》;20180430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113076895A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101236608B (zh) | 基于图片几何结构的人脸检测方法 | |
CN111582095B (zh) | 一种轻量级行人异常行为快速检测方法 | |
Rahmon et al. | Motion U-Net: Multi-cue encoder-decoder network for motion segmentation | |
Wan et al. | Ceramic tile surface defect detection based on deep learning | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN110890102A (zh) | 一种基于rnn声纹识别的发动机缺陷检测算法 | |
CN113838034B (zh) | 基于机器视觉的糖果包装表面缺陷快速检测方法 | |
CN112318485B (zh) | 物体分选系统及其图像处理方法、装置 | |
CN111091109A (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
CN113076895B (zh) | 一种基于红外计算机视觉的输送带纵向损伤振动感知方法 | |
CN112893159B (zh) | 一种基于图像识别的煤矸石分拣方法 | |
Pande et al. | An efficient approach to fruit classification and grading using deep convolutional neural network | |
CN111582092A (zh) | 一种基于人体骨架的行人异常行为检测方法 | |
CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
Yang et al. | Deep learning-based intelligent defect detection of cutting wheels with industrial images in manufacturing | |
Wu et al. | Automatic railroad track components inspection using hybrid deep learning framework | |
D'Angelo et al. | Deep learning-based object detection for digital inspection in the mining industry | |
Yin | Object Detection Based on Deep Learning: A Brief Review | |
Mustafa et al. | Enhancing CNN-based Image Steganalysis on GPUs. | |
CN116523853A (zh) | 一种基于深度学习的芯片检测系统及方法 | |
Muhammad et al. | Self-supervised face presentation attack detection with dynamic grayscale snippets | |
Gupta et al. | Online Gear Wear Particle Detection and Categorization Using a Convolutional Neural Network Algorithm Integrated with Cascade Classifier | |
CN112712055B (zh) | 一种双路可变形cnn煤矿顺槽皮带运输异物监测方法 | |
CN115007474A (zh) | 一种基于图像识别的选煤机器人及选煤方法 | |
Mehta et al. | An Analysis of Fabric Defect Detection Techniques for Textile Industry Quality Control |
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 |