CN113077444A - 一种基于cnn的超声无损检测图像缺陷分类方法 - Google Patents
一种基于cnn的超声无损检测图像缺陷分类方法 Download PDFInfo
- Publication number
- CN113077444A CN113077444A CN202110358480.9A CN202110358480A CN113077444A CN 113077444 A CN113077444 A CN 113077444A CN 202110358480 A CN202110358480 A CN 202110358480A CN 113077444 A CN113077444 A CN 113077444A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- module
- images
- features
- 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
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
- G06T7/0004—Industrial image inspection
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明属于数字图像处理技术领域,具体为一种基于CNN的超声无损检测图像缺陷分类方法。本发明方法包括采集超声相控阵无损检测图像,并对检测图像进行分类,构造专用于超声相控阵无损检测图像缺陷分类的数据集;并将数据集按照一定比例划分为训练集、测试集,训练集用来训练网络模型,测试集用来测试训练好的网络模型的性能;设计专用的超声相控阵无损检测图像缺陷分类的深度卷积神经网络,该网络包括:数据输入模块、双尺度特征提取模块、特征重组模块、特征融合模块、CA模块和分类器。本发明可以提高超声相控阵无损检测图像中缺陷的分类效率,减轻相关制造企业再缺陷数据分析过程中的成本。
Description
技术领域
本发明属于数字图像处理技术领域,具体涉及一种超声相控阵无损检测图像缺陷分类方法。
背景技术
目前,无损检测是保证机械结构安全的中要手段,是对重要零部件内部是否含有缺陷的重要检测方法。无损检测主要有射线检测、磁粉检测、红外检测、涡流检测和超声检测等。由于超声无损检测的安全性、设备便携性、可以直接成像等特点,其应用相当广泛。但受超声成像机制与检测环境的影响,其图像中往往含有特殊噪声,且检测结果需要专业人员进行分析,才能判断物体内部的缺陷类别。因此,如何实现对检测图像中缺陷的自动识别与分类,是当前的一个研究热点。
发明内容
本发明的目的在于提供一种准确性和效率高的超声相控阵无损检测图像中缺陷的自动分类方法。
本发明提供的超声相控阵无损检测图像缺陷分类方法,是基于CNN技术的,具体步骤为:
步骤一:采集超声相控阵无损检测图像,并对检测图像进行分类(一般由专业人员完成),构造一种专用于超声相控阵无损检测图像缺陷分类的数据集;并将数据集按照一定比例(如4:1)划分为训练集、测试集,训练集用来训练网络模型,测试集用来测试训练好的网络模型的性能;
步骤二:设计专用的超声相控阵无损检测图像缺陷分类的深度卷积神经网络(CNN),该网络具体包括:数据输入模块、双尺度特征提取模块、特征重组模块、特征融合模块、CA模块和分类器;其中:
所述数据输入模块,主要用于缺陷图像的预处理,包括从训练集中随机提取批量图像用于训练网络,对提取的批量图像进行梯度计算以生成梯度图像,并对图像进行下采样以减少数据量,提升网络训练效率;
所述双尺度特征提取模块,由卷积层、BN层、激活层和池化层组成,用于提取不同尺度下的缺陷图像特征,通过不同大小的感受野来提取原始图像和梯度图像的特征;
所述特征重组模块,用于将双尺度下的特征进行重组,并通过CA模块重新调整各特征通道所占权重,将高维度的特征进行合理的重组;所述特征重组模块包括卷积层、BN层、激活层和池化层;
所述特征融合模块,用于实现高维特征的降维,保留对分类结果影响重要的特征,去除对分类结果影响较小或无影响的特征,减少网络的参数量,从而加速网络的训练;
所述分类器,用来实现对缺陷类型的分类,由卷积层和Softmax层组成,卷积层用于将融合后的高维特征进行降维与融合,Softmax层可以输出缺陷属于哪一类别。
步骤三:由数据输入模块生成网络的输入数据,对训练集中的缺陷图像进行批处理,随机从训练集中选取多张缺陷图像作为每次输入网络中的批量图像,并对批量图像中的图像进行下采样减少数据量,输入双尺度网络中进行特征的提取;
步骤四:通过双尺度特征提取模块,提取批图像中的不同尺度下的特征,提取输入网络的批图像的双尺度特征,即原始图像的特征和对应的梯度图像特征,避免单尺度下网络的特征提取能力不足;
步骤五:通过特征重组模块,将双尺度下的特征进行重组,并通过CA模块重新调整各特征通道所占权重,将高维度的特征进行合理的重组。
步骤六:将重组后的特征输入特征融合模块,特征融合模块可以实现高维特征的降维,保留对分类结果影响重要的特征,去除对分类结果影响较小或无影响的特征。
步骤六:通过分类器输出图像中缺陷的类别,实现超声相控阵无损检测图像中缺陷的自动分类。
步骤七:计算分类器输出结果与输入标签之间的损失,本发明中采用交叉熵损失作为损失函数。通过梯度下降法优化损失函数,更新网络的参数,使网络的损失达到最小。
步骤八:完成本次训练后,重复步骤三-七,直到达到停止条件或最大训练次数,得到训练好的模型,保存。
步骤九:使用测试集中的图像,输入到训练好的网络模型中,网络模型即可实现对图像中缺陷类型的分类。若测试发现模型准确度不足,则可以重新调整网络中的超参数,以进一步提升网络性能。训练好后的网络模型,可以实现对数据集以外的图像中缺陷类型进行准确分类。
本发明是基于深度学习的图像分类算法,目前大多模型只从原始图像中提取图像特征,而忽略了图像的梯度特征。本发明涉及了双尺度网络,不仅可以提取原始图像中的特征,亦可以提取梯度图像中的边缘特征,而缺陷的分类不仅仅依赖于原始图像,很大程度上由缺陷的边缘信息来确定,故本发明提出的方法,强调了梯度图像中边缘信息的利用,可以更加准确的实现缺陷类型的分类。通过本发明提出的方法,可以实现对图像中缺陷的自动分类,从而不需要专业人员花费大量人力进行对缺陷的判读。
附图说明
图1为本发明设计CNN结构图示。
图2为ECANet结构示意图。
具体实施方式
下面结合实施例和附图,对本发明技术方案作进一步描述。显然,所描述的实施例仅是一部分,而不是全部的实施例。
步骤一:采集超声相控阵无损检测图像,并由专业人员对检测图像进行分类,构造一种专用于超声相控阵无损检测图像缺陷分类的数据集。本实例中,共采集了3000张超声相控阵无损检测图像,其中的缺陷类别分为四类,分别为平底孔、平底槽、半通孔和无缺陷,对应的标签分别为[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]。
表1 缺陷类型与编码
步骤二:设计超声相控阵无损检测图像缺陷分类网络。具体包括:数据输入模块,双尺度特征提取模块,特征重组模块,特征融合模块、CA模块和分类器,网络的架构如图1所示,具体参数和说明如下:
数据输入模块:用来从训练集中提取批量图像训练网络,并对原始图像进行下采样操作,即减少图像数据量,对下采样后的图像就行梯度计算,生成梯度图像。
双尺度特征提取模块:主要由不同感受野的卷积模块组成。第一个尺度的卷积模块为卷积核大小为3*3的卷积层,第二个尺度的卷积模块为卷积核大小为5*5的卷积层。小的感受野可以更加关注图像中的局部信息,而大的感受野可以更加关注到图像中的结构信息。每个尺度的卷积模型均由卷积层、激活层、最大池化层组成。第一个尺度的卷积层输入特征通道数为3,输出特征通道数为256,卷积核大小为3*3,卷积步长为1,不进行补零操作。第二个尺度的卷积层输入特征通道数为3,输出特征通道数为256,卷积核大小为5*5,卷积步长为1,不进行补零操作。
特征重组模块:由卷积层1,激活层,卷积层2,激活层,最大池化层组成。卷积层1的输入特征通道数为576,输出特征通道数为128,卷积核大小为3*3,卷积步长为1,不进行补零操作,实现了特征降维与融合。卷积层2的输入特征通道数为128,输出特征通道数为64,卷积核大小为3*3,卷积步长为1,不进行补零操作,进一步实现了特征降维与融合。
CA模块:由全局平均池化层、卷积层、一维卷积层和激活层组成。全局平均池化层用于实现对每个通道的特征图进行求全局平均,高度概括每个特征通道。卷积层用于调整全局平均池化后的通道数,卷积核大小为1*1,一维卷积层可以实现相邻通道间的信息交互,一维卷积核大小为5,激活层为Sigmoid函数,将通道特征进行归一化。
分类模块:由Droupout函数(随机冻结某些神经元,阻止其参数更新,增强网络模型的鲁棒性),卷积层,激活层1,激活层2组成。卷积层的输入特征通道数为64,输出特征通道数为4,卷积核大小为3*3,卷积步长为1,不进行补零操作,进一步实现了特征降维与融合;Tanh将高度融合的特征归一化到(-1,1)之间;激活层2为SoftMax函数,输出结果形式如(0,0,1,0),即表示缺陷的类型为第三类,实现分类。
表2 网络参数设置
当输入边缘图像时,Conv(3,3)的通道数设置为(in_channl=1,out_channel=32),Conv(5,5)的通道数设置为(in_channel=1,out_channel=32),其余参数设置不变。
步骤三:由数据输入模块生成网络的输入数据,对训练集中的缺陷图像进行批处理,随机从训练集中选取20张缺陷图像作为Batch,并对Batch中的图像进行下采样减少数据量,输入双尺度网络中进行特征的提取。本实例中采集的图像大小为600*600,通过下式对图像下采样为256*256。
Imgi=Resize(IMGi)
步骤四:通过双尺度特征提取模块,提取缺陷图像中的不同尺度下的特征。第一个尺度使用卷积核大小为3的卷积层进行特征提取,第二个尺度使用卷积核大小为5的卷积层提取特征,分别为:
F1=σk=3(Imgi)
F2=σk=5(Imgi)
F1和F2分别表示不同尺度下提取到的特征,σk=3表示卷积核大小为3的卷积运算,σk=5表示卷积核大小为5的卷积运算。两个尺度下的卷积层输入通道均为3,输出通道数均为256,边缘图像通过双尺度特征提取模块后,输出的特征通道数均为32,步长设置为1,σk=3尺度下不需要padding操作,σk=5尺度下padding设置为1,以实现两个尺度下特征尺寸的匹配。
再通过BN层、Tanh层和Maxpooling层,实现对特征的批归一化处理、激活函数运算和MaxPooling特征筛选。最终输出特征为:
f1=Maxpooling(Tanh(BN(F1)))
f2=Maxpooling(Tanh(BN(F2)))
步骤五:通过特征重组模块,将双尺度下的特征进行重组,并通过CA模块从新调整各特征通道所占权重,将高维度的特征进行合理的重组。f1和f2的通道数均为256,边缘图像输出的特征通道数均为32,则重组后的特征通道数为256*2+32*2,记为f,CA模块具有通道交互的注意力,则fCA表示如下:
f1*1*c=GAP(f)
fConv1d=Conv1dk=5(f1*1*c)
CA=Sigmoid(fConv1d)
fCA=f*CA
上式中CA表示将特征f输入到CA模块中计算得到的结果,CA模块结构如图2所示;
步骤六:将重组后的特征输入特征融合模块,特征融合模块可以实现高维特征的降维,保留对分类结果影响重要的特征,去除对分类结果影响较小或无影响的特征。
该模块的输入为f,f的通道数为512,该模块计算过程如下:
f256=Conv(576,256)(f)
f128=Conv(256,128)(f256)
其中,Conv(512,256)表示输入特征通道数为576,输出通道数为256的卷积运算,Conv(256,128)表示输入特征通道数为256,输出通道数为128的卷积运算。f256和f128通过网络中相应的层再次进行计算,将此模块最终计算结果设为F128。
步骤七:分类器中使用卷积运算Conv(128,64),Conv(64,4)对F128进行降维,计算分类器输出结果与输入标签之间的损失,本发明中采用交叉熵损失作为损失函数。通过梯度下降法优化损失函数,更新网络的参数,使网络的损失达到最小。设网络的输出结果为p,标签为y,类别数是M,则网络的损失L为:
上式中,N为Batch_size,本实例中N=20。
步骤八:重复步骤三-七,直到达到停止条件或最大训练次数,保存训练好的模型。本实例中,设最大训练次数为3000。
表2 本实例的性能评价
缺陷类型 | 平底孔 | 平底槽 | 半通孔 | 无缺陷 |
准确率 | 100% | 99.6% | 99.8% | 100% |
以上是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所发明的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。
Claims (5)
1.一种基于CNN的超声无损检测图像缺陷分类方法,其特征在于,具体步骤为:
步骤一:采集超声相控阵无损检测图像,并对检测图像进行分类,构造一种专用于超声相控阵无损检测图像缺陷分类的数据集;并将数据集按照一定比例划分为训练集、测试集,训练集用来训练网络模型,测试集用来测试训练好的网络模型的性能;
步骤二:设计专用的超声相控阵无损检测图像缺陷分类的深度卷积神经网络(CNN),该网络具体包括:数据输入模块、双尺度特征提取模块、特征重组模块、特征融合模块、CA模块和分类器;其中:
所述数据输入模块,主要用于缺陷图像的预处理,包括从训练集中随机提取批量图像用于训练网络,对提取的批量图像进行梯度计算以生成梯度图像,并对图像进行下采样以减少数据量;
所述双尺度特征提取模块,用于提取不同尺度下的缺陷图像特征,通过不同大小的感受野来提取原始图像和梯度图像的特征;包括卷积层、BN层、激活层和池化层;
所述特征重组模块,用于将双尺度下的特征进行重组,并通过CA模块重新调整各特征通道所占权重,将高维度的特征进行合理的重组;包括卷积层、BN层、激活层和池化层;
所述特征融合模块,用于实现高维特征的降维,保留对分类结果影响重要的特征,去除对分类结果影响较小或无影响的特征,减少网络的参数量,从而加速网络的训练;
所述分类器,用来实现对缺陷类型的分类,由卷积层和Softmax层组成,卷积层用于将融合后的高维特征进行降维与融合,Softmax层可以输出缺陷属于哪一类别;
步骤三:由数据输入模块生成网络的输入数据,对训练集中的缺陷图像进行批处理,随机从训练集中选取多张缺陷图像作为每次输入网络中的批量图像,并对批量图像中的图像进行下采样减少数据量,输入双尺度网络中进行特征的提取;
步骤四:通过双尺度特征提取模块,提取批图像中的不同尺度下的特征,提取输入网络的批图像的双尺度特征,即原始图像的特征和对应的梯度图像特征,以避免单尺度下网络的特征提取能力不足;
步骤五:通过特征重组模块,将双尺度下的特征进行重组,并通过CA模块重新调整各特征通道所占权重,将高维度的特征进行合理的重组;
步骤六:将重组后的特征输入特征融合模块,特征融合模块可以实现高维特征的降维,保留对分类结果影响重要的特征,去除对分类结果影响较小或无影响的特征;
步骤六:通过分类器输出图像中缺陷的类别,实现超声相控阵无损检测图像中缺陷的自动分类;
步骤七:计算分类器输出结果与输入标签之间的损失,采用交叉熵损失作为损失函数;通过梯度下降法优化损失函数,更新网络的参数,使网络的损失达到最小;
步骤八:重复步骤三-七,直到达到停止条件或最大训练次数,得到训练好的模型;
步骤九:使用测试集中的图像,输入到训练好的网络模型中,可实现对图像中缺陷类型的分类。
2.根据权利要求1所述的基于CNN的超声无损检测图像缺陷分类方法,其特征在于,所述双尺度特征提取模块,由不同感受野的卷积模块组成;第一个尺度的卷积模块为卷积核大小为3*3的卷积层,第二个尺度的卷积模块为卷积核大小为5*5的卷积层;小的感受野侧重关注图像中的局部信息,而大的感受野侧重关注到图像中的结构信息;每个尺度的卷积模型均由卷积层、激活层、最大池化层组成;第一个尺度的卷积层输入特征通道数为3,输出特征通道数为256,卷积核大小为3*3,卷积步长为1,不进行补零操作;第二个尺度的卷积层输入特征通道数为3,输出特征通道数为256,卷积核大小为5*5,卷积步长为1,不进行补零操作。
3.根据权利要求1所述的基于CNN的超声无损检测图像缺陷分类方法,其特征在于,所述特征重组模块由依次排布的卷积层1、激活层、卷积层2、激活层、最大池化层组成;卷积层1的输入特征通道数为576,输出特征通道数为128,卷积核大小为3*3,卷积步长为1,不进行补零操作,实现特征降维与融合;卷积层2的输入特征通道数为128,输出特征通道数为64,卷积核大小为3*3,卷积步长为1,不进行补零操作,进一步实现特征降维与融合。
4.根据权利要求1所述的基于CNN的超声无损检测图像缺陷分类方法,其特征在于,所述CA模块由全局平均池化层、卷积层、一维卷积层和激活层组成;全局平均池化层用于实现对每个通道的特征图进行求全局平均,高度概括每个特征通道;卷积层用于调整全局平均池化后的通道数,卷积核大小为1*1;一维卷积层用于实现相邻通道间的信息交互,一维卷积核大小为5,激活层为Sigmoid函数,将通道特征进行归一化。
5.根据权利要求1所述的基于CNN的超声无损检测图像缺陷分类方法,其特征在于,所述分类模块由Droupout函数、卷积层、激活层1、激活层2组成;卷积层的输入特征通道数为64,输出特征通道数为4,卷积核大小为3*3,卷积步长为1,不进行补零操作,用于进一步实现特征降维与融合;Tanh将高度融合的特征归一化到(-1,1)之间;激活层2为SoftMax函数,输出结果形式如(0,0,1,0),即表示缺陷的类型为第三类,实现分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358480.9A CN113077444A (zh) | 2021-04-01 | 2021-04-01 | 一种基于cnn的超声无损检测图像缺陷分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358480.9A CN113077444A (zh) | 2021-04-01 | 2021-04-01 | 一种基于cnn的超声无损检测图像缺陷分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113077444A true CN113077444A (zh) | 2021-07-06 |
Family
ID=76614736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110358480.9A Pending CN113077444A (zh) | 2021-04-01 | 2021-04-01 | 一种基于cnn的超声无损检测图像缺陷分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077444A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343942A (zh) * | 2021-07-21 | 2021-09-03 | 西安电子科技大学 | 一种遥感图像缺陷检测方法 |
CN113887454A (zh) * | 2021-10-11 | 2022-01-04 | 华南理工大学 | 基于卷积神经网络点源识别的非接触激光超声检测方法 |
CN116721302A (zh) * | 2023-08-10 | 2023-09-08 | 成都信息工程大学 | 一种基于轻量级网络的冰雪晶粒子图像分类方法 |
WO2024016598A1 (zh) * | 2022-07-22 | 2024-01-25 | 四川德源管道科技股份有限公司 | 一种多层pcb单激励多接收涡流检测传感器、系统及方法 |
CN117541587A (zh) * | 2024-01-10 | 2024-02-09 | 山东建筑大学 | 太阳能电池板缺陷检测方法、系统、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075594A1 (en) * | 2016-09-14 | 2018-03-15 | Kla-Tencor Corporation | Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion |
CN110363746A (zh) * | 2019-06-13 | 2019-10-22 | 西安交通大学 | 一种基于卷积神经网络的超声无损检测信号分类方法 |
CN111553433A (zh) * | 2020-04-30 | 2020-08-18 | 河北工业大学 | 一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法 |
CN112365426A (zh) * | 2020-11-25 | 2021-02-12 | 兰州理工大学 | 一种基于双分支卷积神经网络的红外图像边缘增强方法 |
CN112489023A (zh) * | 2020-12-02 | 2021-03-12 | 重庆邮电大学 | 一种基于多尺度和多层次的路面裂缝检测方法 |
-
2021
- 2021-04-01 CN CN202110358480.9A patent/CN113077444A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075594A1 (en) * | 2016-09-14 | 2018-03-15 | Kla-Tencor Corporation | Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion |
CN110363746A (zh) * | 2019-06-13 | 2019-10-22 | 西安交通大学 | 一种基于卷积神经网络的超声无损检测信号分类方法 |
CN111553433A (zh) * | 2020-04-30 | 2020-08-18 | 河北工业大学 | 一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法 |
CN112365426A (zh) * | 2020-11-25 | 2021-02-12 | 兰州理工大学 | 一种基于双分支卷积神经网络的红外图像边缘增强方法 |
CN112489023A (zh) * | 2020-12-02 | 2021-03-12 | 重庆邮电大学 | 一种基于多尺度和多层次的路面裂缝检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343942A (zh) * | 2021-07-21 | 2021-09-03 | 西安电子科技大学 | 一种遥感图像缺陷检测方法 |
CN113887454A (zh) * | 2021-10-11 | 2022-01-04 | 华南理工大学 | 基于卷积神经网络点源识别的非接触激光超声检测方法 |
CN113887454B (zh) * | 2021-10-11 | 2024-04-30 | 华南理工大学 | 基于卷积神经网络点源识别的非接触激光超声检测方法 |
WO2024016598A1 (zh) * | 2022-07-22 | 2024-01-25 | 四川德源管道科技股份有限公司 | 一种多层pcb单激励多接收涡流检测传感器、系统及方法 |
CN116721302A (zh) * | 2023-08-10 | 2023-09-08 | 成都信息工程大学 | 一种基于轻量级网络的冰雪晶粒子图像分类方法 |
CN116721302B (zh) * | 2023-08-10 | 2024-01-12 | 成都信息工程大学 | 一种基于轻量级网络的冰雪晶粒子图像分类方法 |
CN117541587A (zh) * | 2024-01-10 | 2024-02-09 | 山东建筑大学 | 太阳能电池板缺陷检测方法、系统、电子设备及存储介质 |
CN117541587B (zh) * | 2024-01-10 | 2024-04-02 | 山东建筑大学 | 太阳能电池板缺陷检测方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427920B (zh) | 一种基于深度学习的边海防目标检测方法 | |
CN113077444A (zh) | 一种基于cnn的超声无损检测图像缺陷分类方法 | |
CN110197205B (zh) | 一种多特征来源残差网络的图像识别方法 | |
JP6632623B2 (ja) | サンプリング及びフィーチャ選択を伴わない自動欠陥分類 | |
EP4027300B1 (en) | Apparatus, program, and method for anomaly detection and classification | |
CN115343676B (zh) | 密封电子设备内部多余物定位技术的特征优化方法 | |
CN110879982A (zh) | 一种人群计数系统及方法 | |
CN111914902B (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
Huang et al. | Qualitynet: Segmentation quality evaluation with deep convolutional networks | |
CN109255029A (zh) | 一种采用加权优化训练集增强自动Bug报告分配的方法 | |
CN112766283A (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN111932639B (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN111598854A (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN106570514A (zh) | 一种基于词袋模型和支持向量机的汽车轮毂分类方法 | |
CN105868778A (zh) | 一种基于频域波动特征的中值滤波检测方法 | |
CN109190645A (zh) | 一种高阶高维图像数据的表示与分类方法 | |
CN113705713B (zh) | 一种基于全局和局部注意力机制的文本识别方法 | |
CN110135306B (zh) | 基于角度损失函数的行为识别方法 | |
CN115661042A (zh) | 一种基于注意力机制指导的分层分类缺陷检测方法 | |
CN114861771A (zh) | 基于特征提取和深度学习的工业ct图像缺陷分类方法 | |
CN115081514A (zh) | 一种数据不平衡情况下的工业设备故障识别方法 | |
CN114330650A (zh) | 基于进化元学习模型训练的小样本特征分析方法及装置 | |
Chauhan et al. | Handwritten Digit Recognition using Deep Neural Networks | |
Monteiro | Pollen grain recognition through deep learning convolutional neural networks |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210706 |
|
WD01 | Invention patent application deemed withdrawn after publication |