CN113313105B - 一种办公转椅木板喷胶与贴棉区域识别方法 - Google Patents

一种办公转椅木板喷胶与贴棉区域识别方法 Download PDF

Info

Publication number
CN113313105B
CN113313105B CN202110390138.7A CN202110390138A CN113313105B CN 113313105 B CN113313105 B CN 113313105B CN 202110390138 A CN202110390138 A CN 202110390138A CN 113313105 B CN113313105 B CN 113313105B
Authority
CN
China
Prior art keywords
module
convolution
stage
output
wood board
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
Application number
CN202110390138.7A
Other languages
English (en)
Other versions
CN113313105A (zh
Inventor
曾念寅
吴佩树
谢路生
李寒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN202110390138.7A priority Critical patent/CN113313105B/zh
Publication of CN113313105A publication Critical patent/CN113313105A/zh
Application granted granted Critical
Publication of CN113313105B publication Critical patent/CN113313105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种办公转椅木板喷胶与贴棉区域识别方法，包括：首先将待识别木板图像输入初始模块中，经过初始模块后，输出初始模块后的特征图；并依次输入多个阶段模块，每个阶段模块均有残差可变形卷积单元构成，阶段模块后特征图输入ASPP模块，输出ASPP模块后的特征图，将多个阶段模块中的各个阶段模块和ASPP模块的输出输入Concat连接模块进行Concat连接操作和特征融合，输出Concat连接模块后的特征图，并输入输出模块，采用双线性插值的方式将输出图片的大小尺寸与待识别木板图像的尺寸保持一致，通道数变为2，表征木板喷胶区域和贴棉区域两种类型；本发明提供的方法有利于更好地适应木板图像喷胶与贴棉区域的几何形变，且能够提高转椅木板微小区域像素级分割的准确性。

Description

一种办公转椅木板喷胶与贴棉区域识别方法
技术领域
本发明涉及图像识别领域，特别是指一种办公转椅木板喷胶与贴棉区域识别方法。
背景技术
在办公转椅自动化生产流程线上，对转椅木板的指定区域进行喷胶和贴棉工艺操作是自动化生产流程中的关键环节，直接影响成品质量的好坏；在生产过程中，传统的针对木板喷胶及贴棉区域的识别方法主要依赖于人工经验及标准比对，对于不同尺寸和形状的转椅木板原材料需要建立不同的标准件，灵活性较差且识别精准性欠佳。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种办公转椅木板喷胶与贴棉区域识别方法，使用残差可变形卷积单元代替普通的残差卷积单元，输出特征，并结合初始模块与ASPP模块的输出共同进行连接，进行图像特征的多尺度融合，有利于更好地适应木板图像喷胶与贴棉区域的几何形变，并提供转椅木板微小区域像素级分割的准确性,针对不同类型的转椅木板原料可实现精准的定位及识别，有助于提升办公转椅的自动化生产水平。
本发明采用如下技术方案：
一种办公转椅木板喷胶与贴棉区域识别方法，包括如下步骤：
将待识别木板图像输入初始模块中，所述初始模块为图像分割主干网络Xception网络，经过初始模块后，输出初始模块后的特征图；初始模块后的特征图的输出尺寸降为待识别木板图像的1/4，输出通道数为128；
初始模块后的特征图依次输入多个阶段模块，每个阶段模块均有残差可变形卷积单元构成，输出阶段模块后特征图的尺寸为待识别木板图像的1/8，输出通道数为2048，感受野与原图一致；
阶段模块后特征图输入ASPP模块，所述ASPP模块共包括五个分支，最后将五个分支的特征进行融合，得到ASPP模块的输出为256维的特征，且输出ASPP模块后的特征图尺寸仍为待识别木板图像的1/8，其中ASPP模块五个分支中，第一个分支为1×1卷积，第二分支为空洞率rate＝12的空洞卷积，第三分支为空洞率rate＝24的空洞卷积，第四个分支为空洞率rate＝36的空洞卷积，第五个分支为获得全局特征的平均池化层和一个1×1卷积；
ASPP模块后的特征图输入Concat连接模块，将多个阶段模块中的各个阶段模块和ASPP模块的输出进行特征连接与融合，再将它们进行Concat连接操作进行特征融合，输出Concat连接模块后的特征图；
Concat连接模块后的特征图输入输出模块，采用双线性插值的方式将输出图片的大小尺寸与待识别木板图像的尺寸保持一致，通道数变为2，表征木板喷胶区域和贴棉区域两种类型，其中，输出模块包括一个3×3卷积，一个1×1卷积。
具体地，初始模块后的特征图依次输入多个阶段模块，每个阶段模块均有残差可变形卷积单元构成，具体包括：所述多个阶段模块包括第一阶段模块，第二阶段模块，第三阶段模块，第四阶段模块；
初始模块后的特征图输入到第一阶段模块，所述第一阶段模块由三个残差可变形卷积单元构成，且步长均为1，输出的第一阶段模块后的特征图尺寸为待识别木板图像的1/4，输出通道数为256；
第一阶段模块后的特征图输入第二阶段模块，第二阶段模块由四个可变形残差卷积单元构成，其中第一个残差可变形卷积单元的3×3卷积核步长为2，经过第二阶段模块后，输出的第二阶段模块后的特征图的尺寸变为待识别木板图像的1/8，输出通道数为512；
第二阶段模块后的特征图输入第三阶段模块，第三阶段模块由六个可变形残差卷积单元构成，第一个可变形残差卷积单元是普通的残差卷积块，其余五个可变形残差卷积单元为3×3卷积为空洞率rate＝2的空洞卷积，输出的第三阶段模块后的特征图尺寸仍为待识别木板图像的1/8，输出通道数为1024，感受野降为待识别木板图像的1/4；
第三阶段模块后的特征图输入到第四阶段模块，第四阶段模块由三个可变形残差卷积单元构成，第一个可变形残差卷积单元是普通的残差卷积块，其余两个可变形残差卷积单元为3×3卷积为空洞率rate＝4的空洞卷积，输出的第四阶段后的输出特征图的尺寸仍为待识别木板图像的1/8，输出通道数为2048，感受野与待识别木板图像一致。
具体地，所述ASPP模块后的特征图输入Concat连接模块，将多个阶段模块中的各个阶段模块和ASPP模块的输出进行特征连接与融合，具体为：
将初始模块后的特征图、第一阶段模块后的特征图进行1×1的卷积，第二阶段模块后的特征图、第三阶段模块后的特征图、第四阶段模块后的特征图以及ASPP模块后的特征图进行2倍的上采样后，进行连接和融合。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
(1)本发明提供的办公转椅木板喷胶与贴棉区域识别方法，首先将待识别木板图像输入初始模块中，所述初始模块为图像分割主干网络Xception网络，经过初始模块后，输出初始模块后的特征图；初始模块后的特征图的输出尺寸降为待识别木板图像的1/4，输出通道数为128；初始模块后的特征图依次输入多个阶段模块，每个阶段模块均有残差可变形卷积单元构成，输出阶段模块后特征图的尺寸为待识别木板图像的1/8，输出通道数为2048，感受野与原图一致；阶段模块后特征图输入ASPP模块，所述ASPP模块共包括五个分支，最后将五个分支的特征进行融合，得到ASPP模块的输出为256维的特征，且输出ASPP模块后的特征图尺寸仍为待识别木板图像的1/8，其中ASPP模块五个分支中，第一个分支为1×1卷积，第二分支为空洞率rate＝12的空洞卷积，第三分支为空洞率rate＝24的空洞卷积，第四个分支为空洞率rate＝36的空洞卷积，第五个分支为获得全局特征的平均池化层和一个1×1卷积；ASPP模块后的特征图输入Concat连接模块，将多个阶段模块中的各个阶段模块和ASPP模块的输出进行特征连接与融合，再将它们进行Concat连接操作进行特征融合，输出Concat连接模块后的特征图；Concat连接模块后的特征图输入输出模块，采用双线性插值的方式将输出图片的大小尺寸与待识别木板图像的尺寸保持一致，通道数变为2，表征木板喷胶区域和贴棉区域两种类型，其中，输出模块包括一个3×3卷积，一个1×1卷积；本发明提供的方法有利于更好地适应木板图像喷胶与贴棉区域的几何形变，且能够提高转椅木板微小区域像素级分割的准确性，针对不同类型的转椅木板原料可实现精准的定位及识别，有助于提升办公转椅的自动化生产水平。
(2)本发明提供的方法设计了第一阶段模块至第四阶段模块，使用残差可变形卷积单元代替普通的残差卷积单元，有利于更好地适应木板图像喷胶与贴棉区域的几何形变。
(3)本发明提供的方法设计了Concat连接模块，将第一阶段模块至第四阶段模块的输出特征，结合初始模块与ASPP模块的输出共同进行连接，进行图像特征的多尺度融合，有利于提高转椅木板微小区域像素级分割的准确性。
附图说明
图1为本发明实施例提供的办公转椅木板喷胶与贴棉区域识别方法流程图；
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
如图1所示，为本申请实施例提供的办公转椅木板喷胶与贴棉区域识别算法流程图，该算法使用的是本申请所提出的木板图像分割算法“Wood-board segmentation”算法，该方法的主要创新点为①在第一阶段模块至第四阶段模块，使用残差可变形卷积单元代替普通的残差卷积单元，有利于更好地适应木板图像喷胶与贴棉区域的几何形变；②将第一阶段模块至第四阶段模块的输出特征，结合初始模块与ASPP模块的输出共同进行连接，进行图像特征的多尺度融合，有利于提高转椅木板微小区域像素级分割的准确性；
该方法主要包括以下具体步骤：
(1)将待识别木板图像输入初始模块中，初始模块使用的是图像分割主干网络Xception网络，经过初始模块后，特征图输出尺寸降为原来的1/4(即output_stride＝4)，输出通道数为128；
(2)进入第一阶段模块，第一阶段模块由三个残差可变形卷积单元构成，且步长均为1，经过第一阶段模块后，输出特征图的尺寸还是原图的1/4(即output_stride＝4)，输出通道数为256；
(3)进入第二阶段模块，第二阶段模块由四个可变形残差卷积单元构成，其中第一个残差可变形卷积单元的3×3卷积核步长为2，经过第二阶段模块后，输出特征图的尺寸变为原来的1/8(即output_stride＝8)，输出通道数为512；
(4)进入第三阶段模块，第三阶段模块由六个可变形残差卷积单元构成，第一个可变形残差卷积单元是普通的残差卷积块，剩下的五个可变形残差卷积单元的3×3卷积为空洞率rate＝2的空洞卷积，即经过第三阶段模块后，输出特征图的尺寸仍为原来的1/8(即output_stride＝8)，输出通道数为1024，感受野降为原图的1/4；
(5)进入第四阶段模块，第四阶段模块由三个可变形残差卷积单元构成，第一个可变形残差卷积单元是普通的残差卷积块，剩下两个可变形残差卷积单元的3×3卷积为空洞率rate＝4的空洞卷积，输出特征图的尺寸仍为原来的1/8(即output_stride＝8)，输出通道数为2048，感受野与原图一致；
(6)进入ASPP模块，ASPP模块共包括五个分支，第一个分支为1×1卷积，第二、三、四个分支分别为空洞率rate＝12,24,36的空洞卷积，第五个分支为获得全局特征的平均池化层和一个1×1卷积，最后将五个分支的特征进行融合，得到ASPP模块的输出为256维的特征，且输出特征图尺寸仍为原来的1/8；
(7)进入Concat连接模块，其主要将各个阶段和ASPP模块的输出进行特征连接与融合，即初始模块的输出、第一阶段模块的输出进行1×1的卷积，第二阶段模块、第三阶段模块、第四阶段模块与ASPP模块的输出进行2倍的上采样，再将它们进行Concat连接模块进行特征融合；
(8)进入输出模块，各阶段融合后的特征进入输出模块，主要包括一个3×3卷积，一个1×1卷积，采用双线性插值的方式将输出图片的大小尺寸与输入图片的尺寸保持一致，通道数变为2(即木板喷胶区域和贴棉区域两种类型)。
本发明提供的办公转椅木板喷胶与贴棉区域识别方法，首先将待识别木板图像输入初始模块中，所述初始模块为图像分割主干网络Xception网络，经过初始模块后，输出初始模块后的特征图；初始模块后的特征图的输出尺寸降为待识别木板图像的1/4，输出通道数为128；初始模块后的特征图依次输入多个阶段模块，每个阶段模块均有残差可变形卷积单元构成，输出阶段模块后特征图的尺寸为待识别木板图像的1/8，输出通道数为2048，感受野与原图一致；阶段模块后特征图输入ASPP模块，所述ASPP模块共包括五个分支，最后将五个分支的特征进行融合，得到ASPP模块的输出为256维的特征，且输出ASPP模块后的特征图尺寸仍为待识别木板图像的1/8，其中ASPP模块五个分支中，第一个分支为1×1卷积，第二分支为空洞率rate＝12的空洞卷积，第三分支为空洞率rate＝24的空洞卷积，第四个分支为空洞率rate＝36的空洞卷积，第五个分支为获得全局特征的平均池化层和一个1×1卷积；ASPP模块后的特征图输入Concat连接模块，将多个阶段模块中的各个阶段模块和ASPP模块的输出进行特征连接与融合，再将它们进行Concat连接操作进行特征融合，输出Concat连接模块后的特征图；Concat连接模块后的特征图输入输出模块，采用双线性插值的方式将输出图片的大小尺寸与待识别木板图像的尺寸保持一致，通道数变为2，表征木板喷胶区域和贴棉区域两种类型，其中，输出模块包括一个3×3卷积，一个1×1卷积；本发明提供的方法有利于更好地适应木板图像喷胶与贴棉区域的几何形变，且能够提高转椅木板微小区域像素级分割的准确性，针对不同类型的转椅木板原料可实现精准的定位及识别，有助于提升办公转椅的自动化生产水平。
(2)本发明提供的方法设计了第一阶段模块至第四阶段模块，使用残差可变形卷积单元代替普通的残差卷积单元，有利于更好地适应木板图像喷胶与贴棉区域的几何形变。
(3)本发明提供的方法设计了Concat连接模块，将第一阶段模块至第四阶段模块的输出特征，结合初始模块与ASPP模块的输出共同进行连接，进行图像特征的多尺度融合，有利于提高转椅木板微小区域像素级分割的准确性。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (2)

1.一种办公转椅木板喷胶与贴棉区域识别方法，其特征在于，包括如下步骤：
将待识别木板图像输入初始模块中，所述初始模块为图像分割主干网络Xception网络，经过初始模块后，输出初始模块后的特征图；初始模块后的特征图的输出尺寸降为待识别木板图像的1/4，输出通道数为128；
初始模块后的特征图依次输入四个阶段模块，每个阶段模块均由残差可变形卷积单元构成，输出阶段模块后特征图的尺寸为待识别木板图像的1/8，输出通道数为2048，感受野与原图一致；
阶段模块后特征图输入ASPP模块，所述ASPP模块共包括五个分支，最后将五个分支的特征进行融合，得到ASPP模块的输出为256维的特征，且输出ASPP模块后的特征图尺寸仍为待识别木板图像的1/8，其中ASPP模块五个分支中，第一个分支为1×1卷积，第二分支为空洞率rate＝12的空洞卷积，第三分支为空洞率rate＝24的空洞卷积，第四个分支为空洞率rate＝36的空洞卷积，第五个分支为获得全局特征的平均池化层和一个1×1卷积；
将多个阶段模块中的各个阶段模块和ASPP模块的输出进行特征连接与融合，再将它们输入Concat连接模块进行Concat连接操作和特征融合，输出Concat连接模块后的特征图；
Concat连接模块后的特征图输入输出模块，采用双线性插值的方式将输出图片的大小尺寸与待识别木板图像的尺寸保持一致，通道数变为2，表征木板喷胶区域和贴棉区域两种类型，其中，输出模块包括一个3×3卷积，一个1×1卷积；
初始模块后的特征图依次输入多个阶段模块，每个阶段模块均由残差可变形卷积单元构成，具体包括：所述多个阶段模块包括第一阶段模块，第二阶段模块，第三阶段模块，第四阶段模块；
初始模块后的特征图输入到第一阶段模块，所述第一阶段模块由三个残差可变形卷积单元构成，且步长均为1，输出的第一阶段模块后的特征图尺寸为待识别木板图像的1/4，输出通道数为256；
第一阶段模块后的特征图输入第二阶段模块，第二阶段模块由四个可变形残差卷积单元构成，其中第一个残差可变形卷积单元的3×3卷积核步长为2，经过第二阶段模块后，输出的第二阶段模块后的特征图的尺寸变为待识别木板图像的1/8，输出通道数为512；
第二阶段模块后的特征图输入第三阶段模块，第三阶段模块由六个可变形残差卷积单元构成，第一个可变形残差卷积单元是普通的残差卷积块，其余五个可变形残差卷积单元为3×3卷积为空洞率rate＝2的空洞卷积，输出的第三阶段模块后的特征图尺寸仍为待识别木板图像的1/8，输出通道数为1024，感受野降为待识别木板图像的1/4；
第三阶段模块后的特征图输入到第四阶段模块，第四阶段模块由三个可变形残差卷积单元构成，第一个可变形残差卷积单元是普通的残差卷积块，其余两个可变形残差卷积单元为3×3卷积为空洞率rate＝4的空洞卷积，输出的第四阶段后的输出特征图的尺寸仍为待识别木板图像的1/8，输出通道数为2048，感受野与待识别木板图像一致。
2.根据权利要求1所述的一种办公转椅木板喷胶与贴棉区域识别方法，其特征在于，所述ASPP模块后的特征图输入Concat连接模块，将多个阶段模块中的各个阶段模块和ASPP模块的输出进行特征连接与融合，具体为：
将初始模块后的特征图、第一阶段模块后的特征图进行1×1的卷积，第二阶段模块后的特征图、第三阶段模块后的特征图、第四阶段模块后的特征图以及ASPP模块后的特征图进行2倍的上采样后，进行连接和融合。
CN202110390138.7A 2021-04-12 2021-04-12 一种办公转椅木板喷胶与贴棉区域识别方法 Active CN113313105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110390138.7A CN113313105B (zh) 2021-04-12 2021-04-12 一种办公转椅木板喷胶与贴棉区域识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110390138.7A CN113313105B (zh) 2021-04-12 2021-04-12 一种办公转椅木板喷胶与贴棉区域识别方法

Publications (2)

Publication Number Publication Date
CN113313105A CN113313105A (zh) 2021-08-27
CN113313105B true CN113313105B (zh) 2022-07-01

Family

ID=77372344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110390138.7A Active CN113313105B (zh) 2021-04-12 2021-04-12 一种办公转椅木板喷胶与贴棉区域识别方法

Country Status (1)

Country Link
CN (1) CN113313105B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110310289A (zh) * 2019-06-17 2019-10-08 北京交通大学 基于深度学习的肺部组织图像分割方法
CN110728682A (zh) * 2019-09-09 2020-01-24 浙江科技学院 一种基于残差金字塔池化神经网络的语义分割方法
CN112381097A (zh) * 2020-11-16 2021-02-19 西南石油大学 一种基于深度学习的场景语义分割方法
CN112396607A (zh) * 2020-11-18 2021-02-23 北京工商大学 一种可变形卷积融合增强的街景图像语义分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110310289A (zh) * 2019-06-17 2019-10-08 北京交通大学 基于深度学习的肺部组织图像分割方法
CN110728682A (zh) * 2019-09-09 2020-01-24 浙江科技学院 一种基于残差金字塔池化神经网络的语义分割方法
CN112381097A (zh) * 2020-11-16 2021-02-19 西南石油大学 一种基于深度学习的场景语义分割方法
CN112396607A (zh) * 2020-11-18 2021-02-23 北京工商大学 一种可变形卷积融合增强的街景图像语义分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Efficient Attention Pyramid Network for Semantic Segmentation;Qirui Yang et al.;《IEEE Acess》;20210121;第9卷;全文 *
改进DeepLabv2的实时图像语义分割算法;马书浩 等;《计算机工程与应用》;20200226;全文 *
针对纹理复杂服装的图像解析方法研究与实现;纪娟;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20210115(第1期);全文 *

Also Published As

Publication number Publication date
CN113313105A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN111340814B (zh) 一种基于多模态自适应卷积的rgb-d图像语义分割方法
CN110728682B (zh) 一种基于残差金字塔池化神经网络的语义分割方法
CN113628178B (zh) 一种速度与精度平衡的钢铁产品表面缺陷检测方法
CN111815601A (zh) 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法
CN108229430B (zh) 一种融合注意力图的商品分类方法
CN111915619A (zh) 一种双特征提取与融合的全卷积网络语义分割方法
CN112381097A (zh) 一种基于深度学习的场景语义分割方法
CN110309770A (zh) 一种基于四元组损失度量学习的车辆再辨识方法
CN113313105B (zh) 一种办公转椅木板喷胶与贴棉区域识别方法
CN110046226A (zh) 一种基于分布词向量cnn-rnn网络的图像描述方法
CN116523740B (zh) 一种基于光场的红外图像超分辨率方法
CN112085017B (zh) 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法
CN114419612A (zh) 一种用于景区车牌识别的图像超分辨率重建方法及装置
CN116977168A (zh) 融合空间和角度特征的光场图像超分辨率重建方法
CN113902658A (zh) 基于密集多尺度网络的rgb图像到高光谱图像重建方法
CN114037684B (zh) 一种基于yolov5和注意力机制模型的疵点检测方法
CN113537119B (zh) 基于改进Yolov4-tiny的输电线路连接部件检测方法
CN110967851A (zh) 一种液晶面板array图像的线路提取方法及系统
CN117876322A (zh) 一种基于感受野增大和特征信息补充的带钢缺陷检测方法
CN112016487A (zh) 一种智能识别方法及设备
CN110991540B (zh) 一种面向机箱装配质量快速检测的轻量化图像分类方法
CN111415325A (zh) 一种基于卷积神经网络的铜箔基板缺陷检测方法
CN113283428A (zh) 一种基于fce-ssd方法的图像目标检测方法
CN114202071B (zh) 一种基于数据流模式的深度卷积神经网络推理加速方法
CN113192141A (zh) 一种6d姿态估计方法

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