CN113343942A - 一种遥感图像缺陷检测方法 - Google Patents
一种遥感图像缺陷检测方法 Download PDFInfo
- Publication number
- CN113343942A CN113343942A CN202110823067.5A CN202110823067A CN113343942A CN 113343942 A CN113343942 A CN 113343942A CN 202110823067 A CN202110823067 A CN 202110823067A CN 113343942 A CN113343942 A CN 113343942A
- Authority
- CN
- China
- Prior art keywords
- defect
- feature extraction
- images
- size
- 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
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
- G06F18/24—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
- G06N3/08—Learning methods
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感图像缺陷检测方法,主要解决现有检测技术速度慢、精度低,无法检测多种遥感图像缺陷的问题。其方案是:建立遥感缺陷图像数据库;划分图像数据库为训练集、验证集和测试集;对训练集、验证集去均值归一化;设计缺陷特征提取网络模型,利用训练集对其训练,通过验证集选择精度最高的模型;设计图卷积缺陷分类网络模型,利用训练集对其训练,通过验证集选择精度最高的模型;利用训练好的缺陷特征提取网络提取待检测图像的特征,将提取的特征输入到训练好的图卷积缺陷分类网络中检测出待检测图像的缺陷类型。本发明提高了遥感图像缺陷检测的速度和精度,并能同时检测多种缺陷,可用于遥感图像的预处理。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种遥感图像的缺陷检测方法,可用于遥感图像的预处理。
技术背景
随着卫星遥感技术的飞速发展,高分辨率的遥感技术在气象以及农业,灾害等方面发挥着越来越重要的作用。但是并不是所有的遥感图像都是完美的,不可避免的,随着我国发射的卫星服役的时间越来越久,卫星的成像传感器部件老化导致探测不均匀,使得传感器单元响应不一致,从而导致生成的图像出现条带噪声;卫星产生的各种微小振动使得卫星搭载的光学相机产生抖动,进而导致传感器产生偏移引发图像出现异常的数据块;辐射过强导致遥感图像出现过曝等,使得遥感图像总会存在各种各样的缺陷,且不同的卫星所拍摄的遥感图像所包含的缺陷也是不尽相同。除此之外,云层覆盖也会导致遥感图像出现缺陷。国际卫星云气候计划指出,地球60%的区域都被云层覆盖,卫星传感器成像时难免会受到云层的干扰,导致遥感图像出现信息缺失的缺陷,降低图像的利用率。因而需要在影像生产前对缺陷图像进行标记剔除,减少人工通过目视去除缺陷图像的费时的问题,实现自动化遥感图像缺陷检测。
目前常见的遥感卫星缺陷主要包括条带、丢帧丢线、云和拉花。
关于条带缺陷,国内外在遥感影像的条带噪声检测方面已有大量的研究成果,其主要有三种思路,一是针对遥感影像的灰度幅度分布统计特性的归一化和匹配方法,包括直方图匹配方法和矩匹配方法及其改进方法;一是针对条带噪声的频域周期性特征的变化域滤波方法,包括频域滤波方法和小波滤波方法及其改进方法;三是为基于能量泛函的全变分模型,包括全变分模型和单向变分模型及其改进方法。
关于云缺陷,主要有无监督分类方法和有监督分类方法。常见的无监督分类方法为阈值法、直方图法和聚类法。常见的有监督的卫星云图分类方法是深度神经网络分类法,国内学者也在不断地将深度神经网络应用于遥感影像的云检测,2017年,刘波等人在地理信息空间期刊发表的论文《基于卷积神经网络的高分辨率遥感影像云检测》中将深度神经网络用于遥感影像的云检测。
关于拉花缺陷,刘敏等人在专利申请号为201410442529.9的专利申请中,提出了一种在投影光线上比对同名像素判定拉花像素的方法,实现了正射影像上拉花像素的自动判断,但是预测的变形有很大一部分是伪变形区域,同时也有漏检的情况出现。
关于丢帧丢线缺陷,闫小明在空间与地理信息期刊中发表的论文《卫星遥感影像信息缺失检测》中利用行均值和列均值梯度变化方法,其是将行均值或列均值大于10的情况判断为信息缺失,该方法只能检测梯度变化很剧烈的区域,并且无法检测局部出现信息缺失的情况,只能检测一整行或一整列出现信息缺失的情况。
上述方法虽然都能够对单一的缺陷进行检测,但是均存在准确性不高,并且检测遥感缺陷耗时长的问题。
发明内容
本发明目的在于针对上述现有技术的不足,提出一种遥感图像缺陷检测方法,以提升检测准确性,减小检测时长,提高检测效率。
为实现上述目的,本发明的技术方案包括如下:
(1)建立遥感缺陷图像数据库:
从资源卫星中心获取299张原始的遥感缺陷图像,并对该299张原始的遥感缺陷图像进行裁剪,得到大小为2852×2852的9322张的一次裁剪后图像;
再对这9322张一次裁剪后的图片进行二次裁剪,即将每张图片裁剪为大小为256×256的144张图像,总共得到1342368二次裁剪后图像;将二次裁剪后图像中60%作为训练集,20%作为测试集,20%作为验证集;
(2)对训练集、测试集和验证集进行去均值归一化的预处理,得到预处理后的训练集、测试集和验证集;
(3)设计由一个输入模块、4个特征提取模块和一个输出模块级联构成的缺陷特征提取网络M,并将其损失函数设为现有的交叉熵损失函数L;
(4)利用预处理后的训练集对缺陷特征提取网络M进行训练,直到损失函数L收敛,得到训练好的缺陷特征提取网络M;
(5)设计一个由输入模块、特征鉴别模块和分类模块级联构成的图卷积缺陷分类网络N,并将其损失函数设为现有的交叉熵损失函数L,该网络的邻接矩阵A中的每一点与它周围的12邻域相连接;
(6)将归一化处理后的训练集输入到训练好的缺陷特征提取网络M,得到训练集的特征,利用这些特征对图卷积缺陷分类网络N进行训练,直到损失函数L收敛,得到训练好的图卷积缺陷分类网络N;
(7)利用训练好的缺陷特征提取网络M和训练好的图卷积缺陷分类网络N,对待检测图像的缺陷类型进行检测:
(7a)将待检测图像裁剪为C张2852×2852大小的图像,再将每一张2852×2852大小的图像裁剪为144张256×256大小的图像,得到C×144张256×256大小的图像;
(7b)对C×144张256×256大小的图像进行去均值归一化预处理,将归一化处理后的图像输入到训练好的缺陷特征提取网络M,得到这些待检测图像的特征,再将这些待检测图像的特征输入到训练好的图卷积缺陷分类网络N,得到C×144张图像对应的缺陷类型。
本发明与现有技术相比,具有如下优点:
1.本发明建立了一个超大规模的遥感图像缺陷数据集,并依据缺陷图像的特点设计了缺陷提取网络,能够更加准确的提取缺陷特征。
2.本发明由于利用相邻图像之间的相关性,设计了用于缺陷分类的GCN网络,将多张图像的信息关联起来,能够更加有效的提高分类准确率。
3.本发明由于能同时对多种缺陷进行分类,相比于传统的一种方法只能检测一种缺陷,提高了检测速度和精度。
附图说明
图1是本发明的实现流程图;
图2是本发明中构建的缺陷特征提取网络M的结构图;
图3是本发明中构建的缺陷分类的网络N的结构图。
具体实施方式
以下结合附图对本发明做进一步详细描述。
参照图1,本发明的实现步骤如下:
步骤1,构建遥感缺陷图像数据库。
(1.1)从资源卫星中心获取299张原始的遥感缺陷图像,并对该299张原始的遥感缺陷图像进行一次裁剪,得到大小为2852×2852的9322张的一次裁剪后图像;
(1.2)再对这9322张一次裁剪后的图片进行二次裁剪,即将每张图片裁剪为大小为256×256的144张图像,总共得到1342368二次裁剪后图像;
(1.3)人工对这些二次裁剪后的图像进行标注,得到标注后的缺陷图像;
(1.4)将步骤(1.3)得到的标注后的缺陷图像随机分为3份,其中60%作为训练集,20%作为验证集,20%作为测试集。
步骤2,对训练集、测试集和验证集样本进行预处理。
(2.1)对训练集、测试集和验证集这三个数据集中的R通道均值MR,G通道均值MG,B通道均值MB同时进行统计;
(2.2)用训练集、测试集和验证集图像的R通道减去MR、G通道减去MG、B通道减去MB并用RGB这三通道分别与255相除,得到预处理后的训练集、测试集和验证集。
步骤3,设计缺陷特征提取网络M。
(3.1)构建输入模块:该模块的结构依次为输入层、一个卷积层、一个Relu激活层、一个ZeroPadding层和一个最大池化层,其中,该输入层的大小为256×256×3,卷积层的卷积核大小为5×5、步长为2,最大池化层的大小为3×3、步长为2;
(3.2)构建4个特征提取模块:这4个特征提取模块分别包含12,18,24,32个特征提取子模块,每个子模块均由两个卷积层级联,其第一个卷积层的卷积核大小为1×1、步长为1,第二个卷积层的卷积核大小为3×3、步长为1;前3个特征提取模块最后都有一个大小为1×1、步长为1的卷积核和一个大小为2×2、步长为2的平均池化层;
(3.3)构建输出模块:该模块的结构依次为一个全局平均池化层和一个维度为5的全连接层,该全连接层的激活函数为softmax。
(3.4)将上述输入模块、4个特征提取模块和输出模块依次进行级联,构成缺陷特征提取网络M,如图2所示。
步骤4,对缺陷特征提取网络M进行训练。
(4.1)设置网络的损失函数:
损失函数是神经网络优化的目标函数,神经网络训练的过程就是最小化损失函数的过程。所以要选择合适的损失函数和神经网络优化算法,提高网络的鲁棒性,降低网络对异常数据的敏感性,本步骤选取的损失函数是交叉熵损失函数,表达式如下:
其中,yj表示第j个输出位置的真实值,aj为神经元第j个输出位置实际的输出,j代表输出节点的标号;
(4.2)采用Adam优化算法,设置其学习率为0.0001,训练次数为50;
(4.3)将预处理后的训练集输入到缺陷特征提取网络M,并开始前向传播;
(4.4)通过反向传播减小交叉熵损失函数L,调整该缺陷特征提取网络模型M的参数权重,并在每传播完5000张图后,保存缺陷特征提取网络模型M,直至交叉熵损失函数L收敛,得到若干临时模型;
(4.5)将预处理后的验证集输入上述若干临时模型中,选取检测精度最高的模型作为训练好的缺陷特征提取网络模型。
步骤5,构建图卷积缺陷分类网络N。
图卷积缺陷分类网络N能够关联邻居信息,用于遥感图像的缺陷分类,其构建如下:
(5.1)构建输入模块:其由大小为144×1608的一个输入层组成;
(5.2)构建特征鉴别模块:其由3个大小不同的卷积核级联组成,第一个卷积核大小为1608×200、第二个卷积核大小为200×100、第三个卷积核大小为100×50;
(5.3)构建分类模块:其由卷积核大小为50×5的一个输出层组成,输出为144×5的分类结果。
(5.4)将输入模块、特征鉴别模块和分类模块依次级联,构成图卷积缺陷分类网络N,并设置该网络的邻接矩阵A中的每一点与它周围的12邻域相连接,如图3所示。
步骤6,对图卷积缺陷分类网络N进行训练。
(6.1)设置网络的损失函数:
损失函数是神经网络优化的目标函数,神经网络训练的过程就是最小化损失函数的过程。所以要选择合适的损失函数和神经网络优化算法,提高网络的鲁棒性,降低网络对异常数据的敏感性,本步骤选取的损失函数是交叉熵损失函数,表达式如下:
其中,yj表示第j个输出位置的真实值,aj为神经元第j个输出位置实际的输出,j代表输出节点的标号;
(6.2)采用Adam优化算法,设置Adam的学习率为0.0001,训练次数为300;
(6.3)将训练集特征输入到图卷积缺陷分类网络N并开始前向传播;
(6.4)通过反向传播减小交叉熵损失函数L,调整所述图卷积缺陷分类网络模型N的参数权重,并在每传播完5000张图后,保存图卷积缺陷分类网络模型N,直至L收敛,得到若干临时模型;
(6.5)将预处理后的验证集输入到训练好的缺陷特征提取网络M,得到验证集的特征;
(6.6)将验证集的特征输入上述若干临时模型,将分类精度最高的模型作为训练好的图卷积缺陷分类网络模型N。
(6.7)将测试集输入到缺陷特征提取网络M得到测试集的特征,将该特征输入到图卷积缺陷分类网络模型N,评价出图卷积缺陷分类网络模型N的性能。
步骤7,对待检测的图像进行缺陷检测。
(7.1)将待检测图像裁剪为C张2852×2852大小的图像,再将每一张2852×2852大小的图像裁剪为144张256×256大小的图像,得到C×144张256×256大小的图像;
(7.2)对C×144张256×256大小的图像进行去均值归一化预处理,将归一化处理后的图像输入到训练好的缺陷特征提取网络M,得到这些待检测图像的特征;
(7.3)将待检测图像的特征输入到训练好的图卷积缺陷分类网络N,得到C×144张图像对应的缺陷类型。
以上描述仅是本发明的一个具体实例,不构成对本发明的任何限制。显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (7)
1.一种遥感图像缺陷检测方法,其特征在于,包括:
(1)建立遥感缺陷图像数据库:
从资源卫星中心获取299张原始的遥感缺陷图像,并对该299张原始的遥感缺陷图像进行裁剪,得到大小为2852×2852的9322张的一次裁剪后图像;
再对这9322张一次裁剪后的图片进行二次裁剪,即将每张图片裁剪为大小为256×256的144张图像,总共得到1342368二次裁剪后图像;将二次裁剪后图像中60%作为训练集,20%作为测试集,20%作为验证集;
(2)对训练集、测试集和验证集进行去均值归一化的预处理,得到预处理后的训练集、测试集和验证集;
(3)设计由一个输入模块、4个特征提取模块和一个输出模块级联构成的缺陷特征提取网络M,并将其损失函数设为现有的交叉熵损失函数L;
(4)利用预处理后的训练集对缺陷特征提取网络M进行训练,直到损失函数L收敛,得到训练好的缺陷特征提取网络M;
(5)设计一个由输入模块、特征鉴别模块和分类模块级联构成的图卷积缺陷分类网络N,并将其损失函数设为现有的交叉熵损失函数L,该网络的邻接矩阵A中的每一点与它周围的12邻域相连接;
(6)将归一化处理后的训练集输入到训练好的缺陷特征提取网络M,得到训练集的特征,利用这些特征对图卷积缺陷分类网络N进行训练,直到损失函数L收敛,得到训练好的图卷积缺陷分类网络N;
(7)利用训练好的缺陷特征提取网络M和训练好的图卷积缺陷分类网络N,对待检测图像的缺陷类型进行检测:
(7a)将待检测图像裁剪为C张2852×2852大小的图像,再将每一张2852×2852大小的图像裁剪为144张256×256大小的图像,得到C×144张256×256大小的图像;
(7b)对C×144张256×256大小的图像进行去均值归一化预处理,将归一化处理后的图像输入到训练好的缺陷特征提取网络M,得到这些待检测图像的特征,再将这些待检测图像的特征输入到训练好的图卷积缺陷分类网络N,得到C×144张图像对应的缺陷类型。
2.根据权利要求1所述的方法,其中(2)中的去均值归一化预处理,是先统计训练集、测试集和验证集的R通道均值MR,G通道均值MG,B通道均值MB;再用每一张图像的R通道减去MR、G通道减去MG、B通道减去MB;然后分别对R通道,G通道,B通道进行归一化,即用RGB这三通道分别与255相除。
3.根据权利要求1所述的方法,其中(3)中缺陷特征提取网络M的各模块结构如下:
所述输入模块,其结构依次为输入层、一个卷积层、一个Relu激活层、一个ZeroPadding层和一个最大池化层;该输入层的大小为256×256×3,该卷积层的卷积核大小为5×5、步长为2,该最大池化层的大小为3×3、步长为2;
所述4个特征提取模块,其分别包含12,18,24,32个特征提取子模块,每个子模块均由两个卷积层级联,其第一个卷积层的卷积核大小为1×1、步长为1,第二个卷积层的卷积核大小为3×3、步长为1;前3个特征提取模块最后都有一个大小为1×1、步长为1的卷积核和一个大小为2×2、步长为2的平均池化层;
输出模块,其结构依次为一个全局平均池化层和一个维度为5的全连接层,该全连接层的激活函数为softmax。
5.根据权利要求1所述的方法,其中(4)中利用预处理后的训练集对缺陷特征提取网络M进行训练,实现如下:
采用Adam优化算法,设置其学习率为0.0001,训练次数为50;
将预处理后的训练集输入到缺陷特征提取网络M并开始前向传播;
通过反向传播减小交叉熵损失函数L,调整该缺陷特征提取网络模型M的参数权重,并在每传播完5000张图后,保存缺陷特征提取网络模型M,直至收敛,得到若干临时模型;
将预处理后的验证集输入上述若干临时模型中,选取检测精度最高的模型作为训练好的缺陷特征提取网络模型。
6.根据权利要求1所述的方法,其中(5)中图卷积缺陷分类网络N的各模块的结构如下:
所述输入模块,其由大小为144×1608的一个输入层组成;
所述特征鉴别模块,其由3个大小不同的卷积核级联组成:第一个卷积核大小为1608×200、第二个卷积核大小为200×100、第三个卷积核大小为100×50;
所述分类模块,其由卷积核大小为50×5一个输出层组成,其输出为144×5的分类结果。
7.根据权利要求1所述的方法,其中(6)中的对图卷积缺陷分类网络N进行训练,实现如下:
采用Adam优化算法,设置Adam的学习率为0.0001,训练次数为300;
将训练集特征输入到图卷积缺陷分类网络N并开始前向传播;
通过反向传播减小交叉熵损失函数L,调整所述图卷积缺陷分类网络模型N的参数权重,并在每传播完5000张图后,保存图卷积缺陷分类网络模型N,直至L收敛,得到若干临时模型;
将预处理后的验证集输入到训练好的缺陷特征提取网络M,得到验证集的特征;
将验证集的特征输入上述若干临时模型,将分类精度最高的模型作为训练好的图卷积缺陷分类网络模型N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110823067.5A CN113343942B (zh) | 2021-07-21 | 2021-07-21 | 一种遥感图像缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110823067.5A CN113343942B (zh) | 2021-07-21 | 2021-07-21 | 一种遥感图像缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343942A true CN113343942A (zh) | 2021-09-03 |
CN113343942B CN113343942B (zh) | 2023-05-23 |
Family
ID=77480249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110823067.5A Active CN113343942B (zh) | 2021-07-21 | 2021-07-21 | 一种遥感图像缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343942B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934975A (zh) * | 2024-03-21 | 2024-04-26 | 安徽大学 | 一种全变分正则引导图卷积的无监督高光谱图像分类方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805861A (zh) * | 2018-04-28 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于深度学习的遥感图像云检测方法 |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
CN111274865A (zh) * | 2019-12-14 | 2020-06-12 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
CN111461258A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
CN111915592A (zh) * | 2020-08-04 | 2020-11-10 | 西安电子科技大学 | 基于深度学习的遥感图像云检测方法 |
CN112633481A (zh) * | 2020-12-30 | 2021-04-09 | 广州大学华软软件学院 | 一种多跳图卷积神经网络模型及其训练方法 |
CN112766280A (zh) * | 2021-01-16 | 2021-05-07 | 北京工业大学 | 一种基于图卷积的遥感图像道路提取方法 |
CN113077444A (zh) * | 2021-04-01 | 2021-07-06 | 复旦大学 | 一种基于cnn的超声无损检测图像缺陷分类方法 |
-
2021
- 2021-07-21 CN CN202110823067.5A patent/CN113343942B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
CN108805861A (zh) * | 2018-04-28 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于深度学习的遥感图像云检测方法 |
CN111274865A (zh) * | 2019-12-14 | 2020-06-12 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
CN111461258A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
CN111915592A (zh) * | 2020-08-04 | 2020-11-10 | 西安电子科技大学 | 基于深度学习的遥感图像云检测方法 |
CN112633481A (zh) * | 2020-12-30 | 2021-04-09 | 广州大学华软软件学院 | 一种多跳图卷积神经网络模型及其训练方法 |
CN112766280A (zh) * | 2021-01-16 | 2021-05-07 | 北京工业大学 | 一种基于图卷积的遥感图像道路提取方法 |
CN113077444A (zh) * | 2021-04-01 | 2021-07-06 | 复旦大学 | 一种基于cnn的超声无损检测图像缺陷分类方法 |
Non-Patent Citations (3)
Title |
---|
WEIWEI CAI: "remote sensing image classification based on a cross-attention mechanism and graph convolution", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
刘波: "基于卷积神经网络的高分辨率遥感影像云检测", 《地理空间信息》 * |
胡敬锋: "基于卷积神经网络的遥感影像云检测算法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934975A (zh) * | 2024-03-21 | 2024-04-26 | 安徽大学 | 一种全变分正则引导图卷积的无监督高光谱图像分类方法 |
CN117934975B (zh) * | 2024-03-21 | 2024-06-07 | 安徽大学 | 一种全变分正则引导图卷积的无监督高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113343942B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
CN110263705B (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测系统 | |
CN111754498B (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN110610475B (zh) | 一种深度卷积神经网络的视觉缺陷检测方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN110287777B (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
CN110119677B (zh) | 基于图像分类网络的碳纤维复合芯电缆破损检测方法 | |
CN113486865A (zh) | 一种基于深度学习的输电线路悬挂异物目标检测方法 | |
CN109544204B (zh) | 一种基于轻量化多任务卷积神经网络的导购行为分析方法 | |
CN113408423A (zh) | 适用于tx2嵌入式平台的水产品目标实时检测方法 | |
CN111695640B (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及系统 | |
CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
CN114283137A (zh) | 基于多尺度特征图推理网络的光伏组件热斑缺陷检测方法 | |
CN117541568A (zh) | 一种基于深度学习的汽车刹车盘表面缺陷检测方法 | |
CN115375672A (zh) | 一种基于改进型YOLOv4算法的煤矸检测方法 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN115393698A (zh) | 一种基于改进dpn网络的数字图像篡改检测方法 | |
CN116342536A (zh) | 基于轻量化模型的铝带材表面缺陷检测方法、系统及设备 | |
CN113343942A (zh) | 一种遥感图像缺陷检测方法 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 |
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 |