CN113627437B - 一种快速识别石墨电极标签的方法 - Google Patents

一种快速识别石墨电极标签的方法 Download PDF

Info

Publication number
CN113627437B
CN113627437B CN202110902065.5A CN202110902065A CN113627437B CN 113627437 B CN113627437 B CN 113627437B CN 202110902065 A CN202110902065 A CN 202110902065A CN 113627437 B CN113627437 B CN 113627437B
Authority
CN
China
Prior art keywords
image
network
projection
character
graphite electrode
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
CN202110902065.5A
Other languages
English (en)
Other versions
CN113627437A (zh
Inventor
兰天翔
刘名果
陈立家
梁倩
田敏
韩宗桓
代震
王赞
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.)
Henan University
Original Assignee
Henan 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 Henan University filed Critical Henan University
Priority to CN202110902065.5A priority Critical patent/CN113627437B/zh
Publication of CN113627437A publication Critical patent/CN113627437A/zh
Application granted granted Critical
Publication of CN113627437B publication Critical patent/CN113627437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

Landscapes

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

Abstract

一种快速识别石墨电极标签的方法，涉及计算机视觉领域。本发明针对石墨电极标签自动识别问题，提出了一种标签自动快速识别方法。本方法使用了新的快速语义分割网络AL‑UNet，保留了UNet网络所具有的高精度分割能力，同时又结合了MobileNet的轻量化特点，大幅提升了网络速度。为了提高网络的鲁棒性，网络使用扩充的数据集，使其能够适应更多的环境。语义分割后，使用新型的校正方法校正字符图像的角度；使用投影法切分字符，送入LeNet‑5识别网络，获得识别结果。本发明所提出的方法实现了石墨电极标签的自动识别。

Description

一种快速识别石墨电极标签的方法
技术领域
本发明涉及一种石墨电极标签识别方法，特别是一种快速识别石墨电极标签的方法，该方法基于AL-UNet网络，涉及计算机视觉领域。
背景技术
现深度学习广泛应用于智能家居、医疗、自动驾驶、物理、游戏制作等各种领域当中。在智能家居方面，有智能语音回复AI、人脸识别智能锁等；在医疗方面，有病例图像分割、癌细胞筛查、药物筛查等；在自动驾驶方面，有路径自动规划，目标检测与识别等；在物理方面，有深度学习辅助计算筛选材料等；在游戏制作方面，有智能生成游戏场景、生成游戏原画及游戏角色等。深度学习已经发展到了多个领域，这些领域中大多离不开语音识别及图像处理。随着深度学习的不断发展，原本图像处理中存在的难题获得了新的解决方法。
近些年，由于深度学习技术的逐渐成熟，深度学习逐渐应用到了工业领域，工业生产中的技术难题有了解决方法。在工业生产中，如何使用较少的资源更快的获得精确的结果，实现生产流程的自动化，是一个热门的研究方向。人工智能的加入，轻量化网络模型的应用，使自动化技术更加成熟。
石墨电极编号的自动识别是传统算法不能解决的问题之一。由于石墨电极具有纹理复杂、反光明显、编号难以辨认等特点，传统算法无法处理石墨电极图像，进而无法准确识别其上的编码。实现石墨电极编号自动识别能够明显降低工人的工作量，提高工人的工作效率，并减低由于人工所产生的错误率。工人只需使用移动手持设备拍摄石墨电极编号部分即可直接识别编号。
发明内容
针对现有传统算法的不足，本发明提出一种快速识别石墨电极标签的方法。
为达到上述目的，本发明提出如下技术方案：快速识别石墨电极标签的技术方案，包含步骤如下：
（1）使用相机拍摄待分割图像，由人工对图像中的待分割物体手动标记获得图像标签，与原图组成成对的训练集，通过镜像、翻转、添加噪点、调整亮度的方法，扩充数据集，以此数据集训练AL-UNet网络，获得网络模型；
（2）由训练好的AL-UNet网络模型，获得真实图像的语义分割图，使用旋转投影方法校正此图的倾斜角度；
（3）使用投影法切分出单个字符图像；
（4）使用缩放、添加噪点的方式对数据集进行扩充，扩充后的数据集用于训练LeNet-5网络，获得识别字符的网络模型，其后使用训练好的LeNet-5对输入字符进行识别，完成图像至计算机字符串的转变。
本发明所构建的AL-UNet网络结构为：
可选的，网络基干部分：输入层，两个卷积层，第一次下采样层，BatchNormalization深度可分离卷积层，BatchNormalization卷积层，第二次下采样层，BatchNormalization深度可分离卷积层，BatchNormalization卷积层，第三次下采样层，两个BatchNormalization深度可分离卷积层，第一次上采样张量拼接层，卷积层，深度可分离卷积层，第二次上采样张量拼接层，卷积层，深度可分离卷积层，第三次上采样张量拼接层，两个卷积层，网络卷积注意力模块部分：卷积层，下采样卷积层，卷积层，下采样卷积层，卷积层，下采样卷积层，卷积层。上述卷积层中，除最后一层卷积层为输出层无激活函数外，激活函数均使用Leaky-ReLU。网络基干部分整体形成一个对称的U型网络结构。注意力模块结构由卷积层，及三个重复的池化层与卷积层组成。从注意力模块中引出未经Leaky-ReLU函数激活的特征张量，在使用sigmoid函数激活后，作为注意力权重与基干网络对应尺寸的特征张量相乘。
本发明使用旋转投影的倾斜校正方法为：
可选的，本方法示意图如图3所示，不同倾斜度的字符图像经过投影后，形成的投影面积不同，从而投影的像素密度不同。程序预设图像初始角度与每次旋转的旋转角度，图像从初始角度开始旋转，每次旋转后将图像向右侧投影，计算并获得投影像素密度。当字符倾斜角为0时，其密度最大，选取密度最大时图像的旋转角度，即可得通过此旋转角度校正图像倾斜。
本发明所构建LeNet-5网络结构为：
可选的，输入层，卷积层，第一次下采样，卷积层，第二次下采样，两层线性层，输出层。上述卷积层中除最后一层为输出层无激活函数外，使用激活函数均为ReLU。
本发明的有益效果。
1.本发明提出AL-UNet网络模型
可选的，UNet的特点在于，使用跳跃连接层将高层特征与低层特征拼接，使网络后部同样能使用网络的低层特征，从而增加了网络像素分类的精度。AL-UNet网络在UNet的基础上，添加了卷积注意力模型，并将其轻量化。相较于UNet，AL-UNet网络模型使用深度可分离卷积，加快了算法的运行速度，降低了网络的硬件资源消耗。网络使用卷积注意力模块，提高了网络准确率，更适合应用于工业图像处理方向当中。
2.本发明提出旋转投影校正方法
可选的，目前常用Hough变换对倾斜图像进行校正，使用前需设置Hough变换的相应参数。参数设置过程繁琐，需要反复调试核对才能达到最佳效果。当图像中出现异常状况，如图像文字过小过大时，Hough变换不能处理其异常问题。本发明提出旋转投影校正法，能够准确高效的校正字符图像倾斜。相较于常用的Hough校正，本校正方法无需调整参数，能够适应不同的图像输入，即使图像出现异常状况，也能够处理图像，得到准确的处理结果。
3.解决石墨电极编号的自动识别问题
可选的，石墨电极编号自动识别问题一直难以得到解决，传统算法无法解决石墨电极纹理复杂、电极反光、编号模糊的问题。本发明使用人工智能算法，通过语义分割网络能够从拍摄图像中获得较为清晰的电极编号图像，其后经过旋转投影校正、投影法分割处理，再使用LeNet-5网络对其字符进行识别，能够获得石墨电极编号，解决了电极编号的自动识别问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的算法流程图。
图2为本发明中AL-UNet网络结构图。
图3为本发明的旋转投影校正的示意图。
图4为本发明所使用LeNet-5网络的结构图。
具体实施方式
下面结合附图对本发明的具体实施方法进行详细说明。
1、AL-UNet数据集制作
可选的，使用相机等设备，对待分割字符图像采样。样本需要尽量包含物体位于不同环境下各个角度的多种特征，以加强训练后网络的鲁棒性。其后，人工标记采集的图像样本，获得样本标签。其后对标记好的数据进行扩充。扩充方式分别为：镜像（上下翻转及左右翻转）、添加噪点（增加随机噪点及在图像上随机调整像素点值）、调整图像亮度（增加亮度及减少亮度）。扩充后数据集增加至原数据集的6倍。
2、构建AL-UNet网络
可选的，如图2所示，本发明所构造的AL-UNet网络各层具体参数详情如下。
C1~ C20为基干网络构成。
C1为卷积层：输入尺寸为360*240，输入通道数为3，卷积核为3*3，步长为1，边缘 填充方式为same，激活函数为Leaky-ReLU，输出尺寸为360*240，输出通道数为32。
C2为深度可分离卷积层：输入先经过batch normalization处理，再进行深度可 分离卷积。卷积时输入尺寸为360*240，输入通道数为32，卷积核为3*3，步长为1，边缘填充 方式为same，激活函数为Leaky-ReLU，输出尺寸为360*240，输出通道数为32。
C3为深度可分离卷积下采样层：输入尺寸为360*240，输入通道数为32，卷积核 为3*3，步长为2，边缘填充方式为same，激活函数为Leaky-ReLU，输出尺寸为180*120，输出 通道数为32。
C4为卷积层：输入先与C23引出的特征张量相乘，再经过batch normalization 处理，后进行卷积。卷积时输入尺寸为180*120，输入通道数为32，卷积核为3*3，步长为1，边 缘填充方式为same，激活函数为Leaky-ReLU，输出尺寸为180*120，输出通道数为64。
C5为深度可分离卷积层：输入先经过batch normalization处理，再进行深度可 分离卷积。卷积时输入尺寸为180*120，输入通道数为64，卷积核为3*3，步长为1，边缘填充 方式为same，激活函数为Leaky-ReLU，输出尺寸为180*120，输出通道数为64。
C6为深度可分离卷积下采样层：输入尺寸为180*120，输入通道数为64，卷积核 为3*3，步长为2，边缘填充方式为same，激活函数为Leaky-ReLU，输出尺寸为90*60，输出通 道数为64。
C7为卷积层：输入先与C25引出的特征张量相乘，后经过batch normalization 处理，再进行卷积。卷积时输入尺寸为90*60，输入通道数为64，卷积核为3*3，步长为1，边缘 填充方式为same，激活函数为Leaky-ReLU，输出尺寸为90*60，输出通道数为128。
C8为深度可分离卷积层：输入先经过batch normalization处理，再进行深度可 分离卷积。卷积时输入尺寸为90*60，输入通道数为128，卷积核为3*3，步长为1，边缘填充方 式为same，激活函数为Leaky-ReLU，输出尺寸为90*60，输出通道数为128。
C9为深度可分离卷积下采样层：输入尺寸为90*60，输入通道数为128，卷积核为 3*3，步长为2，边缘填充方式为same，激活函数为Leaky-ReLU，输出尺寸为45*30，输出通道 数为128。
C10为深度可分离卷积层：输入先与C27引出的特征张量相乘，后经过batch normalization处理，再进行深度可分离卷积。卷积时输入尺寸为45*30，输入通道数为128， 卷积核为3*3，步长为1，边缘填充方式为same，激活函数为Leaky-ReLU，输出尺寸为90*60， 输出通道数为128。
C11为深度可分离卷积层：输入先经过batch normalization处理，再进行深度 可分离卷积。卷积时输入尺寸为45*30，输入通道数为128，卷积核为3*3，步长为1，边缘填充 方式为same，激活函数为Leaky-ReLU，输出尺寸为45*30，输出通道数为128。
C12为反卷积上采样拼接层，反卷积输入尺寸为45*30，输入通道数为128，卷积 核为3*3，步长为2，边缘填充方式为same，激活函数为Leaky-ReLU，输出尺寸为90*60，输出 通道数为128。将上采样得到的特征张量与C8的特征张量在通道维上拼合在一起，形成通道 数为256的特征张量。
C13为卷积层：输入先经过batch normalization处理，再进行卷积。卷积时输入 尺寸为90*60，输入通道数为256，卷积核为3*3，步长为1，边缘填充方式为same，激活函数为 Leaky-ReLU，输出尺寸为90*60，输出通道数为64。
C14为深度可分离卷积层：输入先经过batch normalization处理，再进行深度 可分离卷积。卷积时输入尺寸为90*60，输入通道数为64，卷积核为3*3，步长为1，边缘填充 方式为same，激活函数为Leaky-ReLU，输出尺寸为90*60，输出通道数为64。
C15为反卷积上采样拼接层，反卷积输入尺寸为90*60，输入通道数为64，卷积核 为3*3，步长为2，边缘填充方式为same，激活函数为Leaky-ReLU，输出尺寸为180*120，输出 通道数为64。将上采样得到的特征张量与C5的特征张量在通道维上拼合在一起，形成通道 数为128的特征张量。
C16为卷积层：输入先经过batch normalization处理，再进行卷积。卷积时输入 尺寸为180*120，输入通道数为128，卷积核为3*3，步长为1，边缘填充方式为same，激活函数 为Leaky-ReLU，输出尺寸为180*120，输出通道数为32。
C17为深度可分离卷积层：输入先经过batch normalization处理，再进行深度 可分离卷积。卷积时输入尺寸为180*120，输入通道数为32，卷积核为3*3，步长为1，边缘填 充方式为same，激活函数为Leaky-ReLU，输出尺寸为180*120，输出通道数为32。
C18为反卷积上采样拼接层，反卷积输入尺寸为180*120，输入通道数为32，卷积 核为3*3，步长为2，边缘填充方式为same，激活函数为Leaky-ReLU，输出尺寸为360*240，输 出通道数为32。将上采样得到的特征张量与C2的特征张量在通道维上拼合在一起，形成通 道数为64的特征张量。
C19为卷积层：输入先经过batch normalization处理，再进行卷积。卷积时输入 尺寸为360*240，输入通道数为64，卷积核为3*3，步长为1，边缘填充方式为same，激活函数 为Leaky-ReLU，输出尺寸为360*240，输出通道数为16。
C20为卷积层：输入先经过batch normalization处理，再进行卷积。卷积时输入 尺寸为360*240，输入通道数为16，卷积核为3*3，步长为1，边缘填充方式为same，激活函数 为Leaky-ReLU，输出尺寸为360*240，输出通道数为2。将此特征张量经过arg-max函数激活 后，即可获得预测结果。
C21~ C27为注意力模块。
C21为深度可分离卷积层：输入先经过batch normalization处理，再进行深度 可分离卷积。卷积时输入尺寸为360*240，输入通道数为32，卷积核为3*3，步长为1，边缘填 充方式为same，激活函数为Leaky-ReLU，输出尺寸为360*240，输出通道数为32。
C22为下采样卷积层，输入尺寸为360*240，输入通道数为32，卷积核为3*3，步长 为2，边缘填充方式为same，激活函数为Leaky-ReLU，输出尺寸为180*120，输出通道数64。
C 23为卷积层：输入先经过batch normalization处理，再进行卷积。卷积时输 入尺寸为360*240，输入通道数为64，卷积核为3*3，步长为1，边缘填充方式为same，输出尺 寸为360*240，输出通道数为64。未激活的特征张量分为两路，一路使用sigmoid激活函数激 活特征张量后，与C4层相乘；一路使用激活函数为Leaky-ReLU，激活后送入C24。
C24为下采样卷积层，输入尺寸为180*120，输入通道数为64，卷积核为3*3，步长 为2，边缘填充方式为same，激活函数为Leaky-ReLU，输出尺寸为90*60，输出通道数128。
C25为卷积层：输入先经过batch normalization处理，再进行卷积。卷积时输入 尺寸为90*60，输入通道数为128，卷积核为3*3，步长为1，边缘填充方式为same，输出尺寸为 90*60，输出通道数为128。未激活的特征张量分为两路，一路使用sigmoid激活函数激活特 征张量后，与C7层相乘；一路使用激活函数为Leaky-ReLU，激活后送入C26。
C26为下采样卷积层，输入尺寸为90*60，输入通道数为128，卷积核为3*3，步长 为2，边缘填充方式为same，激活函数为Leaky-ReLU，输出尺寸为45*30，输出通道数128。
C27为卷积层：输入先经过batch normalization处理，再进行卷积。卷积时输入 尺寸为45*30，输入通道数为128，卷积核为3*3，步长为1，边缘填充方式为same，输出尺寸为 45*30，输出通道数为128。未激活的特征张量使用sigmoid激活函数激活特征张量后，与C10 层相乘。
3、训练AL-UNet网络
可选的，将构造好的数据集批次输入网络中优化网络梯度，训练得到网络模型。
4、LeNet-5数据集制作
可选的，从处理好的石墨电极图像中切分出字符，通过缩放、添加噪点的方式扩充字符图像，作为LeNet-5网络的训练数据集。
5、构建LeNet-5网络
可选的，如图4所示，本发明中构造的LeNet-5网络各层具体参数详情如下。
C1为卷积层：输入尺寸为300*200，输入通道数为1，卷积核为3*3，步长为1，边缘 填充方式为same，激活函数为ReLU，输出尺寸为300*200，输出通道数为32。
C2为池化层：输入尺寸为300*200，输入通道数为32，使用最大池化方式，步长为 2，输出尺寸为150*100，输出通道数为32。
C3为卷积层：输入尺寸为150*100，输入通道数为32，卷积核为3*3，步长为1，边 缘填充方式为same，激活函数为ReLU，输出尺寸为150*100，输出通道数为64。
C4为池化层：输入尺寸为150*100，输入通道数为64，使用最大池化方式，步长为 2，输出尺寸为75*50，输出通道数为64。
C5为变形层，将特征张量由75*50*64变形为240000的向量。
C6为向量为1024全连接层，计算网络对字符的预测取值。
C7为向量为33的输出层，获得字符的预测结果。
6、训练LeNet-5网络
可选的，将构造好的数据集批次输入网络中优化网络梯度，训练得到网络模型。
7、实现石墨电极编号自动识别
可选的，如图1所示，依次将训练好的语义分割网络、旋转投影校正程序、投影法程序与LeNet-5网络串联形成石墨电极编号识别系统。工人持手持设备拍摄图像后，图像送入至系统中，依次经过语义分割网络、旋转投影校正、投影法分割字符、字符识别后，获得字符编码。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种快速识别石墨电极标签的方法，其特征在于，基于以下步骤：
(1)使用AL-UNet网络作为语义分割网络
使用相机拍摄获得待分割图像，采用人工标记的方式获得待分割图像对应的标签，使分割图像与人工标记标签一一对应作为数据集，采用镜像、翻转、添加噪点、调整亮度的方式对数据集扩充，训练AL-UNet，获得语义分割网络模型，通过训练好的模型，获得石墨电极标签图像的语义分割图；
(2)旋转并计算字体投影密度
石墨电极标签图像可能具有一定的倾斜角度，使用旋转投影方法对其进行倾斜校正，通过不断旋转图像，计算并获得旋转后投影像素密度，记录投影像素密度与对应旋转角度，从记录的密度中获取最大像素密度值，并取得其对应的图像旋转角度，进而校正倾斜图像，校正后的图像用于下一步字符投影分割；
(3)投影法分割字符
校正后的图像使用投影法切分出单个字符图像；
(4)使用LeNet-5网络识别字符
使用石墨电极字符图像训练LeNet-5网络，在训练前对字符图像使用缩放、添加噪点的方式对数据集进行扩充，扩充后的数据集用于训练LeNet-5网络，获得识别字符的网络模型；
其中，所述步骤(2)中所述校正图像倾斜角使用旋转投影计算密度法，在图像旋转后，将语义分割图中存在的像素点向图像y轴投影，获得字符的投影图，计算投影图中字符投影区域的像素密度，通过不断旋转图像，计算并获得旋转后投影像素密度，记录投影像素密度与对应旋转角度，从记录的密度中获取最大像素密度值，并取得其对应的图像旋转角度，进而校正倾斜图像；
其中，所述步骤(3)中所述投影法为先将语义分割图像向y轴投影(图像左上角为坐标原点，横向向右为x轴正半轴，竖向向下为y轴正半轴)，获得每行字符的投影，由投影坐标的上下限获得字符行坐标，其后由字符行坐标从原图中切分获得字符行图像，再将字符行图像向x轴投影，获得字符投影，由投影坐标获得每个字符的起始x坐标。
2.根据权利要求1所述的一种快速识别石墨电极标签的方法，其特征在于，步骤(1)中所述使用AL-UNet网络作为语义分割网络模型，实现对输入图像的快速语义分割，网络模型中使用卷积注意力模块，提高了网络准确率，加速网络收敛，网络使用深度可分离卷积，加快了网络运行速度。
3.根据权利要求1所述的一种快速识别石墨电极标签的方法，其特征在于，步骤(4)中所述通过LeNet-5网络识别图像字符，在训练前对字符图像使用缩放、添加噪点的方式对数据集进行扩充，扩充后的数据集用于训练LeNet-5网络，获得识别字符的网络模型。
CN202110902065.5A 2021-08-06 2021-08-06 一种快速识别石墨电极标签的方法 Active CN113627437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110902065.5A CN113627437B (zh) 2021-08-06 2021-08-06 一种快速识别石墨电极标签的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110902065.5A CN113627437B (zh) 2021-08-06 2021-08-06 一种快速识别石墨电极标签的方法

Publications (2)

Publication Number Publication Date
CN113627437A CN113627437A (zh) 2021-11-09
CN113627437B true CN113627437B (zh) 2024-03-29

Family

ID=78383206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110902065.5A Active CN113627437B (zh) 2021-08-06 2021-08-06 一种快速识别石墨电极标签的方法

Country Status (1)

Country Link
CN (1) CN113627437B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062756A (zh) * 2018-01-29 2018-05-22 重庆理工大学 基于深度全卷积网络和条件随机场的图像语义分割方法
CN110232394A (zh) * 2018-03-06 2019-09-13 华南理工大学 一种多尺度图像语义分割方法
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062756A (zh) * 2018-01-29 2018-05-22 重庆理工大学 基于深度全卷积网络和条件随机场的图像语义分割方法
CN110232394A (zh) * 2018-03-06 2019-09-13 华南理工大学 一种多尺度图像语义分割方法
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进LeNet-5的牛奶生产日期识别研究;雷飞;孙康;王雪丽;;计算机技术与发展;20200710(07);全文 *

Also Published As

Publication number Publication date
CN113627437A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN109977918B (zh) 一种基于无监督域适应的目标检测定位优化方法
Lee et al. Simultaneous traffic sign detection and boundary estimation using convolutional neural network
CN108681752B (zh) 一种基于深度学习的图像场景标注方法
CN109241913B (zh) 结合显著性检测和深度学习的船只检测方法及系统
CN110310259B (zh) 一种基于改进YOLOv3算法的木结瑕疵检测方法
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN110765865B (zh) 基于改进的yolo算法的水下目标检测方法
CN110991444B (zh) 面向复杂场景的车牌识别方法及装置
CN112215795B (zh) 一种基于深度学习的服务器部件智能检测方法
CN111242026B (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
CN113011288A (zh) 一种基于Mask RCNN算法的遥感建筑物检测方法
CN113420643A (zh) 基于深度可分离空洞卷积的轻量级水下目标检测方法
CN114943876A (zh) 一种多级语义融合的云和云影检测方法、设备及存储介质
CN112364881B (zh) 一种进阶采样一致性图像匹配方法
CN114332942A (zh) 基于改进YOLOv3的夜间红外行人检测方法及系统
CN113487610A (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
Mirani et al. Object Recognition in Different Lighting Conditions at Various Angles by Deep Learning Method
CN117495735A (zh) 一种基于结构引导的建筑物立面纹理自动修复方法及系统
CN113627437B (zh) 一种快速识别石墨电极标签的方法
CN113065400A (zh) 基于无锚框两阶段网络检测发票印章的方法及装置
CN117079125A (zh) 一种基于改进型YOLOv5的猕猴桃授粉花朵识别方法
CN116824330A (zh) 一种基于深度学习的小样本跨域目标检测方法
CN114445726B (zh) 一种基于深度学习的样本库建立方法和装置
CN116091784A (zh) 一种目标跟踪方法、设备及存储介质

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