CN113687227B - 一种基于感兴趣区域增强的电机磁瓦缺陷分类方法 - Google Patents

一种基于感兴趣区域增强的电机磁瓦缺陷分类方法 Download PDF

Info

Publication number
CN113687227B
CN113687227B CN202110974397.4A CN202110974397A CN113687227B CN 113687227 B CN113687227 B CN 113687227B CN 202110974397 A CN202110974397 A CN 202110974397A CN 113687227 B CN113687227 B CN 113687227B
Authority
CN
China
Prior art keywords
layer
input
convolution
output
magnetic shoe
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
CN202110974397.4A
Other languages
English (en)
Other versions
CN113687227A (zh
Inventor
胡聪
廖海文
江文文
朱爱军
许川佩
黄喜军
万春霆
陈涛
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202110974397.4A priority Critical patent/CN113687227B/zh
Publication of CN113687227A publication Critical patent/CN113687227A/zh
Application granted granted Critical
Publication of CN113687227B publication Critical patent/CN113687227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

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

Abstract

本发明公开一种基于感兴趣区域增强的电机磁瓦缺陷分类方法，首先，构建分类模型，该分类模型由卷积层、特征还原层、最大池化层、4个卷积块、4个带特征还原的转换块和预测层组成；然后，获取电机磁瓦分类训练样本集，并利用电机磁瓦分类训练样本集对所构建的分类模型进行训练，得到训练好的分类模型；最后，采集待检测电机磁瓦的电机磁瓦表面灰度图，并将该电机磁瓦表面灰度图送入到训练好的分类模型中，由此得到待检测电机磁瓦的类别标签。本发明通过对特征张量的特征进行恢复和大范围空间关联，增强了电机磁瓦缺陷分类网络的感兴趣区域，从而提高了模型的分类与抗干扰能力，进而提升分类模型分类性能与鲁棒性。

Description

一种基于感兴趣区域增强的电机磁瓦缺陷分类方法
技术领域
本发明涉及电机故障检测技术领域，具体涉及一种基于感兴趣区域增强的电机磁瓦缺陷分类方法。
背景技术
卷积神经网络在图像分类上已经取得巨大的成功，如VGG19、ResNet和DenseNet等模型，均是通过对输入图像进行下采样，通过卷积层与池化层的组合，将输出特征图逐层压缩，提取图像低级特征和高级特征。虽然通过池化层扩大感受野的学习方式，可以对输入图像上距离较远的特征进行关联，将局部特征提取转向全局特征提取，但是在其前向传播当中容易造成特征丢失。传统的卷积神经网络主要使用的池化方式是最大池化与均值池化，前者通过只保留局部区域内最大值、后者通过对局部区域内取均值的方式压缩特征图。不难看出以上两种方式对特征进行了主动或被动的丢弃。
磁瓦作电机定子，是电机的核心部件。现代电机磁瓦生产流程当中，需要对电机磁瓦进行缺陷检测与分类，以确保产品质量。对于电机磁瓦的表面缺陷来说，缺陷具有多样性，如裂缝和穿孔等，每种缺陷的形状差别都非常大。在工业照相机拍摄的物体表面缺陷灰度图中，裂缝表现为细长的条状黑影，穿孔为小黑点，这类缺陷在输入图像中通常只占据非常小的版面，而这种极其微小的缺陷特征，在卷积神经网络中，很容易受到池化层的影响，在扩大卷积神经网络感受野的时候，发生微小缺陷丢失的现象，最终导致模型分类性能下降和鲁棒性减弱。
发明内容
本发明所要解决的是现有基于机器视觉与深度学习技术的电机磁瓦表面缺陷检测与分类中，所使用的深度卷积神经网络对微小特征不敏感、特征在前向传播中容易丢失的问题，提供一种基于感兴趣区域增强的电机磁瓦缺陷分类方法。
为解决上述问题，本发明是通过以下技术方案实现的：
一种基于感兴趣区域增强的电机磁瓦缺陷分类方法，包括步骤如下：
步骤1、构建分类模型，该分类模型由卷积层、特征还原层、最大池化层、4个卷积块、4个带特征还原的转换块和预测层组成；
卷积层的输入作为分类模型的输入，卷积层的输出连接特征还原层的输入，特征还原层的输出连接最大池化层的输入，最大池化层的输出连接第一卷积块的输入，第一卷积块的输出连接第一带特征还原的转换块的输入，第一带特征还原的转换块的输出连接第二卷积块的输入，第二卷积块的输出连接特征还原与第二转换块的输入，第二带特征还原的转换块的输出连接第三卷积块的输入，第三卷积块的输出连接特征还原与第三转换块的输入，第三带特征还原的转换块的输出连接第四卷积块的输入，第四卷积块的输出连接特征还原与第四转换块的输入，第四带特征还原的转换块的输出连接预测层的输入，预测层的输出作为分类模型的输出；
步骤2、获取电机磁瓦分类训练样本集，该电机磁瓦分类训练样本集的每个训练样本包括电机磁瓦表面灰度图和对应的类别标签；
步骤3、利用电机磁瓦分类训练样本集对步骤1所构建的分类模型进行训练，得到训练好的分类模型；
步骤4、采集待检测电机磁瓦的电机磁瓦表面灰度图，并将该电机磁瓦表面灰度图送入到步骤3所训练好的分类模型中，由此得到待检测电机磁瓦的类别标签。
上述方案中，每个卷积块由2个以上的卷积块单元串联而成；每个卷积块单元由2个标准化层、2个激活层、2个卷积层和最大池化层组成；在卷积块单元中，第一标准化层的输入作为卷积块单元的输入，第一标准化层的输出连接第一激活层的输入，第一激活层的输出连接第一卷积层的输入，第一卷积层的输出连接第二激活层的输入，第二激活层的输出连接第二卷积层的输入，第二卷积层的输出连接最大池化层的输入，最大池化层的输出作为卷积块单元的输出，第一标准化层的输入连接最大池化层的输出。
上述方案中，第一卷积块由6个卷积块单元串联而成，第二卷积块由12个卷积块单元串联而成，第三卷积块由24个卷积块单元串联而成，第四卷积块由16个卷积块单元串联而成。
上述方案中，每个带特征还原的转换块由标准化层、激活层、卷积层、平均池化层和特征还原层组成；在带特征还原的转换块中，标准化层的输入作为带特征还原的转换块的输入，标准化层的输出连接激活层的输入，激活层的输出连接卷积层的输入，卷积层的输出连接平均池化层的输入，平均池化层的输出连接特征还原层的输入，特征还原层的输出作为带特征还原的转换块的输出。
上述方案中，特征还原层由2个反卷积层、2个卷积层、PRELU激活层、矩阵求积层、矩阵求和层和空洞可分离卷积层组成；在特征还原层中，第一反卷积层的输入作为特征还原层的输入，第一反卷积层的输出连接第二反卷积层的输入，第二反卷积层的输出连接第一卷积层的输入，第一卷积层的输出连接第二卷积层的输入，第二卷积层的输出连接PRELU激活层的输入，PRELU激活层的输出连接矩阵求积层的一个输入，矩阵求积层的输出连接矩阵求和层的一个输入，矩阵求和层的输出作为特征还原层的输出；空洞可分离卷积层的输入连接第一反卷积层的输入，空洞可分离卷积层的输出连接矩阵求积层的另一个输入；第一反卷积层的输入连接矩阵求和层的另一个输入；第二反卷积层的输入连接第二卷积层的输入。
上述方案中，在特征还原层中：第一反卷积层的卷积核尺寸为3×3，卷积核个数为
Figure BDA0003227113610000031
步长为2；第二反卷积层的卷积核尺寸为3×3，卷积核个数为/>
Figure BDA0003227113610000032
步长为2；第一卷积层的卷积核尺寸为2×2，卷积核个数为/>
Figure BDA0003227113610000033
步长为2；第二卷积层的卷积核尺寸为2×2，卷积核个数为C，步长为2；其中C为通道数；可分离空洞卷积层的卷积核尺寸为3×3，卷积核个数为C，空洞尺寸为3。
上述方案中，预测层由标准化层、激活层、全局池化层和Softmax激活层组成；在预测层中，标准化层的输入作为预测层的输入，标准化层的输出连接激活层的输入，激活层的输出连接全局池化层的输入，全局池化层的输出连接Softmax激活层的输入，Softmax激活层的输出作为预测层的输出。
与现有技术相比，本发明设计了一种特征还原层(Feature Restoration Module，FRM)，该模块为即插即用模块，对网络的感兴趣区域进行增强而不更改任何中间特征张量的尺寸，以达到提升电机磁瓦缺陷分类模型的整体性能的目的，同时基于上述特征还原层设计了一种分类模型，并基于该分类模型实现电机磁瓦缺陷分类，通过对特征张量的特征进行恢复和大范围空间关联，增强了电机磁瓦缺陷分类网络的感兴趣区域，从而提高了模型的分类与抗干扰能力，进而提升分类模型分类性能与鲁棒性。
附图说明
图1为感兴趣区域增强模型DenseNet121-F的结构示意图。
图2为卷积块单元的结构示意图。
图3为带特征还原的转换块的结构示意图。
图4为预测层的结构示意图。
图5为特征还原层的结构示意图。
图6是电机磁瓦缺陷分类网络有/无插入FRM的梯度类激活热力图(Grad-CAM)对比。
图7是使用的电机磁瓦缺陷数据集，包括原图与生成的失焦(out-of-focus)图与噪声图(Gaussian noise)。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，对本发明进一步详细说明。
一种基于感兴趣区域增强的电机磁瓦缺陷分类方法，包括步骤如下：
步骤1、构建分类模型。
参见图1，分类模型由卷积层、特征还原层、最大池化层、4个卷积块、4个带特征还原的转换块和预测层组成。卷积层的输入作为分类模型的输入，卷积层的输出连接特征还原层的输入，特征还原层的输出连接最大池化层的输入，最大池化层的输出连接第一卷积块的输入，第一卷积块的输出连接第一带特征还原的转换块的输入，第一带特征还原的转换块的输出连接第二卷积块的输入，第二卷积块的输出连接特征还原与第二转换块的输入，第二带特征还原的转换块的输出连接第三卷积块的输入，第三卷积块的输出连接特征还原与第三转换块的输入，第三带特征还原的转换块的输出连接第四卷积块的输入，第四卷积块的输出连接特征还原与第四转换块的输入，第四带特征还原的转换块的输出连接预测层的输入，预测层的输出作为分类模型的输出。
参见图2，分类模型的每个卷积块由2个以上的卷积块单元串联而成，其中第一卷积块由6个卷积块单元串联而成，第二卷积块由12个卷积块单元串联而成，第三卷积块由24个卷积块单元串联而成，第四卷积块由16个卷积块单元串联而成。参见图2，每个卷积块单元由2个标准化层、2个激活层、2个卷积层和最大池化层组成。在卷积块单元中，第一标准化层的输入作为卷积块单元的输入，第一标准化层的输出连接第一激活层的输入，第一激活层的输出连接第一卷积层的输入，第一卷积层的输出连接第二激活层的输入，第二激活层的输出连接第二卷积层的输入，第二卷积层的输出连接最大池化层的输入，最大池化层的输出作为卷积块单元的输出，第一标准化层的输入连接最大池化层的输出。
参见图3，分类模型的每个带特征还原的转换块由标准化层、激活层、卷积层、平均池化层和特征还原层组成。在带特征还原的转换块中，标准化层的输入作为带特征还原的转换块的输入，标准化层的输出连接激活层的输入，激活层的输出连接卷积层的输入，卷积层的输出连接平均池化层的输入，平均池化层的输出连接特征还原层的输入，特征还原层的输出作为带特征还原的转换块的输出。
参见图4，分类模型的预测层由标准化层、激活层、全局池化层和Softmax激活层组成。在预测层中，标准化层的输入作为预测层的输入，标准化层的输出连接激活层的输入，激活层的输出连接全局池化层的输入，全局池化层的输出连接Softmax激活层的输入，Softmax激活层的输出作为预测层的输出。
参见图5，分类模型的特征还原层和带特征还原的转换块的特征还原层结构相同，均由2个反卷积层、2个卷积层、PRELU激活层、矩阵求积层、矩阵求和层和空洞可分离卷积层组成。在本实施例中，第一反卷积层的卷积核尺寸为3×3，卷积核个数为
Figure BDA0003227113610000041
步长为2。第二反卷积层的卷积核尺寸为3×3，卷积核个数为/>
Figure BDA0003227113610000042
步长为2。第一卷积层的卷积核尺寸为2×2，卷积核个数为/>
Figure BDA0003227113610000043
步长为2。第二卷积层的卷积核尺寸为2×2，卷积核个数为C，步长为2。可分离空洞卷积层的卷积核尺寸为3×3，卷积核个数为C，空洞尺寸为3。其中C为通道数。在特征还原层中，第一反卷积层的输入作为特征还原层的输入，第一反卷积层的输出连接第二反卷积层的输入，第二反卷积层的输出连接第一卷积层的输入，第一卷积层的输出连接第二卷积层的输入，第二卷积层的输出连接PRELU激活层的输入，PRELU激活层的输出连接矩阵求积层的一个输入，矩阵求积层的输出连接矩阵求和层的一个输入，矩阵求和层的输出作为特征还原层的输出，空洞可分离卷积层的输入连接第一反卷积层的输入，空洞可分离卷积层的输出连接矩阵求积层的另一个输入，第一反卷积层的输入连接矩阵求和层的另一个输入，第二反卷积层的输入连接第二卷积层的输入。
特征还原层的工作过程如下：从输入端取得输入张量F，并记录输入张量尺寸H×H×C。分支一：由一个卷积核尺寸为3×3，卷积核个数与输入张量F的通道数C相同，空洞尺寸为3的可分离空洞卷积层组成，用于增强每个特征图的空间特性，通过卷积核个数C与输入张量的通道数C一致，以确保张量输入输出尺寸不变，输出张量Fs。分支二：首先对输入张量连接一个卷积核尺寸为3×3，卷积核个数为
Figure BDA0003227113610000051
步长为2的第一反卷积层，将输入特征图通道压缩为/>
Figure BDA0003227113610000052
宽度和高度均扩大一倍，得到中间特征F1，然后连接一个卷积核尺寸为3×3，卷积核个数为/>
Figure BDA0003227113610000053
步长为2的第二反卷积层，得到中间特征F2，至此，原始输入通过通道减少50％进行挤压激励，宽度和高度均扩大了4倍，从而恢复了更多特征，以应对池化层造成的特征丢失。之后连接一个卷积核尺寸为2×2，卷积核个数为/>
Figure BDA0003227113610000054
步长为2的第一卷积层，得到中间特征F3，最后通过跳跃连接将F3与F1按照通道堆叠，以保留更多低级特征与防止前向传播过程中的梯度消失，并通过一个卷积核尺寸为2×2，卷积核个数为C，步长为2的第二卷积层，并使用PRELU函数进行激活，得到中间特征Fu。以上所得到的输出张量Fs和中间特征Fu通过像素乘法获得中间特征张量，将该中间特征张量与输入张量F进行像素叠加，获得感兴趣区域增强后的张量F′。
本发明所提出的特征还原层首先对输入特征张量分两路进行操作：其一，通过对电机磁瓦缺陷分类网络任意一层的输出特征张量通过连续两层反卷积层对特征张量尺寸放大，还原丢失的细节，同时对通道数逐层压缩，通过挤压激励迫使模型增强部分细节，并将第一层反卷积的输出跳跃连接至后面的卷积层。对反卷积输出特征通过连续两层卷积层，逐步压缩尺寸，恢复成与输入尺寸一致；其二，通过对输入特征张量进行分离空洞卷积，通过较大的感受野分别增强特征张量中的每个特征图，使空间上距离较远的特征相互联系。然后将两路输出通过像素乘积，最后与原输入张量进行像素求和，得到增强的特征张量。该结构通过对特征张量的特征进行恢复和大范围空间关联，增强了电机磁瓦缺陷分类网络的感兴趣区域，从而提高了模型的分类与抗干扰能力。
步骤2、获取电机磁瓦分类训练样本集，该电机磁瓦分类训练样本集的每个训练样本包括电机磁瓦表面灰度图和对应的类别标签。
步骤3、利用电机磁瓦分类训练样本集对步骤1所构建的分类模型进行训练，得到训练好的分类模型。
步骤4、采集待检测电机磁瓦的电机磁瓦表面灰度图，并将该电机磁瓦表面灰度图送入到步骤3所训练好的分类模型中，由此得到待检测电机磁瓦的类别标签。
为了验证本发明对电机磁瓦缺陷分类网络感兴趣区域增强的有效性，采用中国科学院自动化院公开的电机磁瓦缺陷集进行验证，设计了如下实验：采用Grad-CAM方法生成类激活热力图，并通过热力图感兴趣区域的大小以及对特征的覆盖程度作有效性评判标准，比较结果如图6所示：图中第一行为5种缺陷，从左往右依次为穿孔(blowhole)、破损(break)、破裂(crack)、磨损(fray)、不均匀(uneven)，第二行为输入图像的掩码图像，可以清晰的观察到缺陷出现的位置，第三第四行分别为转换块的输出与FRM-转换块的Grad-CAM图像。通过图6的第二行与第三第四行对比可知，原模型与新模型均正确关注了缺陷位置，说明模型学习到正确的缺陷特征。通过第三行与第四行对比，带特征还原的转换块输出的Grad-CAM图像对比不带特征还原的转换块输出的Grad-CAM图像可知，前者的感兴趣区域明显大于后者，对于缺陷特征覆盖也更充分，关注区域明显增多增强，因此有理由相信，本发明提出的基于感兴趣区域增强的模型对于电机缺陷的感兴趣区域有较为明显的增强效果，对于识别电机磁瓦缺陷这种特征来说，起到了积极的作用。
考虑到工业生产环境较为复杂，容易对拍摄图像与图像传输造成干扰，造成图像出现噪点，另外在流水线中进行在线检测，会偶尔出现图像失焦的情况。针对该问题提出了鲁棒性实验对比。具体来说，通过对图像添加高斯噪声与高斯模糊以达到噪声与轻微失焦的图像效果。使用尺寸为3×3，标准差均为0.03高斯核生成噪声图像；使用均值为0，方差为0.003的参数进行高斯模糊得到失焦图像。原图像、噪声图像和失焦图像如图7所示。将正常、失焦和噪声图像分别输入模型中进行磁瓦缺陷分类，三折交叉验证方法下的稀疏分类准确率如下表1所示：
Figure BDA0003227113610000061
表1
从表中可以看到，在使用感兴趣区域增强方法之后，电机磁瓦缺陷分类网络在常规、失焦和噪声三种条件下的稀疏分类准确率都有了明显提高，并且通过三折交叉验证，证明了模型的稳定性也得到了明显改善，说明本发明有效提高了电机磁瓦缺陷分类网络的分类性能和鲁棒性。
需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims (6)

1.一种基于感兴趣区域增强的电机磁瓦缺陷分类方法，其特征是，包括步骤如下：
步骤1、构建分类模型，该分类模型由卷积层、特征还原层、最大池化层、4个卷积块、4个带特征还原的转换块和预测层组成；
卷积层的输入作为分类模型的输入，卷积层的输出连接特征还原层的输入，特征还原层的输出连接最大池化层的输入，最大池化层的输出连接第一卷积块的输入，第一卷积块的输出连接第一带特征还原的转换块的输入，第一带特征还原的转换块的输出连接第二卷积块的输入，第二卷积块的输出连接第二带特征还原的转换块的输入，第二带特征还原的转换块的输出连接第三卷积块的输入，第三卷积块的输出连接第三带特征还原的转换块的输入，第三带特征还原的转换块的输出连接第四卷积块的输入，第四卷积块的输出连接第四带特征还原的转换块的输入，第四带特征还原的转换块的输出连接预测层的输入，预测层的输出作为分类模型的输出；
特征还原层由2个反卷积层、2个卷积层、PRELU激活层、矩阵求积层、矩阵求和层和空洞可分离卷积层组成；在特征还原层中，第一反卷积层的输入作为特征还原层的输入，第一反卷积层的输出连接第二反卷积层的输入，第二反卷积层的输出连接第一卷积层的输入，第一卷积层的输出连接第二卷积层的输入，第二卷积层的输出连接PRELU激活层的输入，PRELU激活层的输出连接矩阵求积层的一个输入，矩阵求积层的输出连接矩阵求和层的一个输入，矩阵求和层的输出作为特征还原层的输出；空洞可分离卷积层的输入连接第一反卷积层的输入，空洞可分离卷积层的输出连接矩阵求积层的另一个输入；第一反卷积层的输入连接矩阵求和层的另一个输入；第二反卷积层的输入连接第二卷积层的输入；
步骤2、获取电机磁瓦分类训练样本集，该电机磁瓦分类训练样本集的每个训练样本包括电机磁瓦表面灰度图和对应的类别标签；
步骤3、利用电机磁瓦分类训练样本集对步骤1所构建的分类模型进行训练，得到训练好的分类模型；
步骤4、采集待检测电机磁瓦的电机磁瓦表面灰度图，并将该电机磁瓦表面灰度图送入到步骤3所训练好的分类模型中，由此得到待检测电机磁瓦的类别标签。
2.根据权利要求1所述的一种基于感兴趣区域增强的电机磁瓦缺陷分类方法，其特征是，每个卷积块由2个以上的卷积块单元串联而成；每个卷积块单元由2个标准化层、2个激活层、2个卷积层和最大池化层组成；在卷积块单元中，第一标准化层的输入作为卷积块单元的输入，第一标准化层的输出连接第一激活层的输入，第一激活层的输出连接第一卷积层的输入，第一卷积层的输出连接第二标准化层的输入，第二标准化层的输出连接第二激活层的输入，第二激活层的输出连接第二卷积层的输入，第二卷积层的输出连接最大池化层的输入，最大池化层的输出作为卷积块单元的输出，第一标准化层的输入连接最大池化层的输出。
3.根据权利要求2所述的一种基于感兴趣区域增强的电机磁瓦缺陷分类方法，其特征是，第一卷积块由6个卷积块单元串联而成，第二卷积块由12个卷积块单元串联而成，第三卷积块由24个卷积块单元串联而成，第四卷积块由16个卷积块单元串联而成。
4.根据权利要求1所述的一种基于感兴趣区域增强的电机磁瓦缺陷分类方法，其特征是，每个带特征还原的转换块由标准化层、激活层、卷积层、平均池化层和特征还原层组成；在带特征还原的转换块中，标准化层的输入作为带特征还原的转换块的输入，标准化层的输出连接激活层的输入，激活层的输出连接卷积层的输入，卷积层的输出连接平均池化层的输入，平均池化层的输出连接特征还原层的输入，特征还原层的输出作为带特征还原的转换块的输出。
5.根据权利要求1所述的一种基于感兴趣区域增强的电机磁瓦缺陷分类方法，其特征是，在特征还原层中：第一反卷积层的卷积核尺寸为3×3，卷积核个数为
Figure FDA0003868832730000021
步长为2；第二反卷积层的卷积核尺寸为3×3，卷积核个数为
Figure FDA0003868832730000022
步长为2；第一卷积层的卷积核尺寸为2×2，卷积核个数为
Figure FDA0003868832730000023
步长为2；第二卷积层的卷积核尺寸为2×2，卷积核个数为C，步长为2；其中C为通道数；可分离空洞卷积层的卷积核尺寸为3×3，卷积核个数为C，空洞尺寸为3。
6.根据权利要求1所述的一种基于感兴趣区域增强的电机磁瓦缺陷分类方法，其特征是，预测层由标准化层、激活层、全局池化层和Softmax激活层组成；在预测层中，标准化层的输入作为预测层的输入，标准化层的输出连接激活层的输入，激活层的输出连接全局池化层的输入，全局池化层的输出连接Softmax激活层的输入，Softmax激活层的输出作为预测层的输出。
CN202110974397.4A 2021-08-24 2021-08-24 一种基于感兴趣区域增强的电机磁瓦缺陷分类方法 Active CN113687227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110974397.4A CN113687227B (zh) 2021-08-24 2021-08-24 一种基于感兴趣区域增强的电机磁瓦缺陷分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110974397.4A CN113687227B (zh) 2021-08-24 2021-08-24 一种基于感兴趣区域增强的电机磁瓦缺陷分类方法

Publications (2)

Publication Number Publication Date
CN113687227A CN113687227A (zh) 2021-11-23
CN113687227B true CN113687227B (zh) 2023-03-24

Family

ID=78581817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110974397.4A Active CN113687227B (zh) 2021-08-24 2021-08-24 一种基于感兴趣区域增强的电机磁瓦缺陷分类方法

Country Status (1)

Country Link
CN (1) CN113687227B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197101A (zh) * 2023-09-18 2023-12-08 湖南大学 一种缺陷检测方法、计算设备及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305243B (zh) * 2017-12-08 2021-11-30 五邑大学 一种基于深度学习的磁瓦表面缺陷检测方法
CN110232394B (zh) * 2018-03-06 2021-08-10 华南理工大学 一种多尺度图像语义分割方法
CN110910405B (zh) * 2019-11-20 2023-04-18 湖南师范大学 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统
CN111429347A (zh) * 2020-03-20 2020-07-17 长沙理工大学 图像超分辨率重建方法、装置及计算机可读存储介质
CN111539959B (zh) * 2020-07-13 2020-10-23 浙江省肿瘤医院(浙江省癌症中心) 基于跨层稀疏空洞卷积的甲状腺结节超声图像处理方法
CN112132784A (zh) * 2020-08-22 2020-12-25 安徽大学 一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法
CN112200091A (zh) * 2020-10-13 2021-01-08 深圳市悦动天下科技有限公司 舌头区域识别的方法、装置及计算机存储介质
CN112785568A (zh) * 2021-01-18 2021-05-11 厦门大学嘉庚学院 一种基于深度学习的磁瓦缺陷分割方法
CN113252790A (zh) * 2021-06-21 2021-08-13 四川轻化工大学 基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法

Also Published As

Publication number Publication date
CN113687227A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN110032942B (zh) 基于时域分段及特征差分的动作识别方法
CN111275643B (zh) 基于通道和空间注意力的真实噪声盲去噪网络系统及方法
CN111915530B (zh) 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法
CN110210608B (zh) 基于注意力机制和多层次特征融合的低照度图像增强方法
CN113657532B (zh) 一种电机磁瓦缺陷分类方法
CN105787867A (zh) 基于神经网络算法的处理视频图像的方法和装置
CN111612708B (zh) 一种基于对抗生成网络的图像修复方法
CN113687227B (zh) 一种基于感兴趣区域增强的电机磁瓦缺陷分类方法
CN109493295B (zh) 一种非局部哈尔变换图像去噪方法
CN116416497B (zh) 一种轴承故障诊断系统及方法
CN111160356A (zh) 一种图像分割分类方法和装置
CN111429510A (zh) 基于自适应特征金字塔的花粉检测方法
CN116703812A (zh) 一种基于深度学习的光伏组件裂纹检测方法与系统
CN116630704A (zh) 一种基于注意力增强和密集多尺度的地物分类网络模型
CN113628129B (zh) 一种基于半监督学习的边缘注意力对单幅图像阴影去除方法
CN113392728B (zh) 一种基于ssa锐化注意机制的目标检测方法
CN106022310B (zh) 基于htg-hog和stg特征的人体行为识别方法
CN116434039B (zh) 一种基于多尺度拆分注意力机制的目标检测方法
CN116703768A (zh) 盲点去噪网络模型的训练方法、装置、介质和设备
CN116051419A (zh) 基于深度学习Relu和通道相关性注意力的图像去噪方法
CN116205821A (zh) 基于垂直条纹特征提取十字卷积的单图去雨方法
CN115239602A (zh) 一种基于空洞卷积扩大感受野的车牌图像去模糊方法
CN113691863B (zh) 一种提取视频关键帧的轻量化方法
CN111242229A (zh) 一种基于两阶段信息融合的图像识别方法
CN117670727B (zh) 一种基于残差密集u形网络的图像去模糊模型及方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20211123

Assignee: Guilin Zhanzhi Measurement and Control Technology Co.,Ltd.

Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY

Contract record no.: X2023980045853

Denomination of invention: A Classification Method for Motor Magnetic Shoe Defects Based on Region of Interest Enhancement

Granted publication date: 20230324

License type: Common License

Record date: 20231106

EE01 Entry into force of recordation of patent licensing contract