CN113723398B - 一种工业射线底片的假片识别方法 - Google Patents
一种工业射线底片的假片识别方法 Download PDFInfo
- Publication number
- CN113723398B CN113723398B CN202110819382.0A CN202110819382A CN113723398B CN 113723398 B CN113723398 B CN 113723398B CN 202110819382 A CN202110819382 A CN 202110819382A CN 113723398 B CN113723398 B CN 113723398B
- Authority
- CN
- China
- Prior art keywords
- film
- welding seam
- similarity
- coordinates
- false
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及深度学习及图像处理技术领域,具体涉及一种工业射线底片的假片识别方法。本发明提出的假片识别方法进行输入一张基准片和一张待判别片,首先进行两次高斯差分法分别提取两张底片的焊缝区域,在焊缝区域提取包含中心点及以焊缝中心点对称的五块感兴趣区域,并对感兴趣区域进行伪彩色处理;其次,将伪彩色处理过的感兴趣区域送入改进过的孪生神经网络训练识别,得出两两对比后的数值;最后,建立相似度评判体系,进行自定义权值运算,大于设定的阈值判定为假片。经试验验证,该方法可以有效的判别出工业底片中的假片,在261张测试集样本中,准确率可达99.1%以上,该方法简洁有效,具有一定的实际可行性。
Description
技术领域
本发明涉及深度学习及图像处理技术领域,具体涉及一种工业射线底片的假片识别方法。
背景技术
随着焊接工艺的快速发展,焊接质量的好坏成为制造业评判焊接安全性的重要关注问题。在焊缝数量过大的时候,焊缝数字化成像时可能会出现部分焊缝没有拍到的以及一个焊缝拍到多次的情况,从而产生工业假片,从而导致大量焊缝未被评价,造成巨大的安全、经济损失。
工业中的假片识别问题为两个底片图像中焊缝的相似性问题。目前业内普遍采用人眼辨别“假片”的工作方式,费时费力,工作量大、繁琐和准确率低;
目前主流的相似度判断方法是通过直方图法、图像模板匹配法、PSNR峰值信噪比、SSIM(structural similarity)结构相似性、感知哈希算法等来对比,经试验鲁棒性极差,准确度低。
上述现有方法评判错误会影响焊接质量评价,从而造成安全问题。
为了克服现有方法的缺陷,本发明提出一种工业射线底片的假片识别方法。
发明内容
有鉴于此,本发明为解决现有人工手段的种种不足以及当前其他方法对此类长宽比例较大底片的相似度评判,准确率低的问题,提供一种工业射线底片的假片识别方法,其通过构建孪生神经网络,然后对数据集的优化及主干特征提取网络的改进保证了准确率及效率。
为解决现有技术存在的问题,本发明的技术方案是:一种工业射线底片的假片识别方法,其特征在于:方法步骤为:
1)进行高斯差分法提取焊缝区域、提取包含中心点及以焊缝中心点对称的五块感兴趣区域、对感兴趣区域伪彩色处理;
2)将伪彩色处理过的感兴趣区域送入改进过的孪生神经网络训练识别,得出两两评判后的数值;
3)进行自定义权值运算,大于所取阈值判定为假片。
具体的方法为:
1)输入两张底片图像,分别为一张基准片和一张待判别片,将两张图像分别分割成若干以底片宽度为边长的正方形区域,使用高斯差分法提取正方形内焊缝区域,通过统计各焊缝区域纵向的上、下坐标,提取出完整焊缝区域,并制定感兴趣区域提取规则,提取每块焊缝的五块感兴趣区域,对其进行序号标定;
2)将每块焊缝提取到的五块感兴趣区域,进行伪彩色处理,然后按照标定好的对应关系,送入经改进过的孪生神经网络进行训练识别,并对结果量化处理,得到一一对应的相似度概率值;
3)将得到的相似度概率值,一一与自定义的权值进行加权运算,输出真实相似度评判值,若大于相似度评判阈值,判定为假片。
上述步骤1)中的高斯差分法提取焊缝区域的方法步骤为:
1-1)区域分块提取:对提取到的正方形区域左上角为坐标原点建立坐标系,将横向、纵向分别进行四等分处理,取正方形区域右上角顶点、左下角顶点距离坐标原点长度为1,取横纵向(1/4,3/4)部分区域;
2-2)两次高斯差分处理:输入P部分区域,即输入矩阵为I”local1/2×1/2,使用两个高斯低通滤波器分别平滑图像,其中平滑参数分别为δ1=5、δ2=10,然后对平滑后图像作差,使得图像特征更加平稳,有效焊缝区域内出现明显的波峰,更加容易区分;
3-3)确定X轴交点坐标:确定曲线与X轴交点坐标,其中左侧坐标为焊缝上坐标的纵向坐标、右侧坐标为下坐标的纵向坐标;
4-4)焊缝区域定位:通过高斯差分法定位出来的焊缝区域为两条纵向线段中包含的区域。
上述步骤1)焊缝区域的提取方法为:
对分块区域进行焊缝区域预提取,得到焊缝区域定位的上下坐标,对所有上、下坐标的纵向坐标进行排序,取上坐标的纵向坐标最小值及下坐标纵向坐标的最大值,确定纵向坐标区间,根据上下坐标的纵向区间,准确提取焊缝区域。
上述步骤1)感兴趣区域提取规则为:在两张底片上分别以等间距提取5个正方形区域,五个正方形区域的边长为提取到的焊缝宽度。
上述步骤2)中:
所述的伪彩色处理是将单色图像变换成给定彩色分布的图像;
所述的孪生神经网络是基于两个人工神经网络建立的耦合构架,以两个样本为输入,输出其嵌入高维度空间的表征,以比较两个样本的相似程度,进行小样本/单样本学习,且不容易被错误样本干扰;
所述的孪生神经网络的主干特征提取网络为RepVGG。
上述步骤3)的具体方法为:
将基准片和待判别片焊缝中分别提取到的五块感兴趣区域进行两两对比,相似度概率值与自定义权值进行点乘,求出真实相似度评判值,其中自定义权值为wAi-Bi,相似度概率值为sim(Ai-Bi),相似度真实评判值为Sim(Ai-Bi),(Ai-Bi)代表Ai与Bi的对比,i代表感兴趣区域编号。运算方法如公式(5)为:
其中,根据本发明自定义权值,wAi-Bi权重值分别为:wA1-B1=0.125,wA2-B2=0.125,wA3-B3=0.5,wA4-B4=0.125,wA5-B5=0.125;
根据上述公式,计算真实相似度评判值,阈值设定为0.900,当两张工业射线底片的真实相似度评判值大于阈值0.900时,认定为极其相似,即认定为假片。
与现有技术相比,本发明的优点如下:
1)本发明针对传统的阈值分割算法,对于不同目标灰度值有重叠分割不明显、对灰度差异不明显等问题,本发明将传统的焊缝阈值分割问题转换为图像信息统计学分析问题,解决射线底片尤其过亮和过暗焊缝区域难以定位问题;
2)本发明采用了基于改进的孪生神经网络,并设计了一套基于自定义权值的底片相似度评判体系,确保了相似度评判的真实性、可靠性,为图像处理领域中“以图搜图”、人脸验证的任务提供了理论思路;
3)本发明提出的假片识别方法及焊缝区域定位方法,代替了人力,极大程度提高了工作效率,降低了能耗;
4)本发明方法可以有效的判别出工业底片中的假片,在261张测试集样本中,准确率可达99.1%以上,该方法简洁有效,具有一定的实际可行性。
5)由于工业底片长宽比大,内存大,像素多,特征多,对于孪生神经网络来说,直接输入两张这样的底片进去训练识别,会极大地影响判别精度,从而影响判别准确率,因此本发明采用分块提取区域的方式,而分块区域过多的话会极大地增加时间开销;分块区域过少又会出现偶然性过大的情况、从而导致判别失误,因此在充分保护精度和减少时间开销的情况下,经大量试验,本发明选择提取五块感兴趣区域,为性价比最高的选择。
附图说明:
图1为假片评定流程图;
图2为底片图像分割示意图;其中(a)(b)(c)(d)均为以底片图像宽度为边长的正方形区域,(e)为提取长度不足部分;
图3为区域分块提取图;
图4为有效焊缝区域差分图;其中样本差分输出图(a)为底片图像分割图(a)提取到的正方形区域差分图;样本差分输出图(b)为底片图像分割图(b)提取到的正方形区域差分图;样本差分输出图(c)为底片图像分割图(c)提取到的正方形区域差分图;样本差分输出图(d)为底片图像分割图(d)提取到的正方形区域差分图;样本差分输出图(e)为底片图像分割图(e)提取到的区域差分图。
图5为X轴交点坐标图;其中X轴坐标确定图(a)为底片图像分割图(a)提取到的正方形区域确定的纵向坐标图;X轴坐标确定图(b)为底片图像分割图(b)提取到的正方形区域确定的纵向坐标图;X轴坐标确定图(c)为底片图像分割图(c)提取到的正方形区域确定的纵向坐标图;X轴坐标确定图(d)为底片图像分割图(d)提取到的正方形区域确定的纵向坐标图;X轴坐标确定图(e)为底片图像分割图(e)提取到的区域确定的纵向坐标图。
图6为焊缝区域定位图;其中焊缝区域定位图(a)为底片图像分割图(a)提取到的正方形区域中的焊缝定位图;焊缝区域定位图(b)为底片图像分割图(b)提取到的正方形区域中的焊缝定位图;焊缝区域定位图(c)为底片图像分割图(c)提取到的正方形区域中的焊缝定位图;焊缝区域定位图(d)为底片图像分割图(d)提取到的正方形区域中的焊缝定位图;焊缝区域定位图(e)为底片图像分割图(e)提取到的区域中的焊缝定位图;
图7为感兴趣区域提取规则制定图;其中(a)焊缝1图中A1、A2、A3、A4、A5分别为基准片中预提取的以焊缝宽度为边长的五个正方形区域;(b)焊缝2图中B1、B2、B3、B4、B5分别为判别片预提取的以焊缝宽度为边长的五个正方形区域。
图8为感兴趣区域提取图;其中(a)焊缝1图中A1、A2、A3、A4、A5分别为基准片中提取到的以焊缝宽度为边长的五个正方形区域;(b)焊缝2图中B1、B2、B3、B4、B5分别为判别片提取到的以焊缝宽度为边长的五个正方形区域。
图9为相似度对比图;其中(a)为焊缝1中A1与焊缝2中B5相似度对比结果图;(b)为焊缝1中A2与焊缝2中B4相似度对比结果图;(c)为焊缝1中A3与焊缝2中B3相似度对比结果图;(d)为焊缝1中A4与焊缝2中B2相似度对比结果图;(e)为焊缝1中A5与焊缝2中B1相似度对比结果图;
具体实施方式
下面将结合本发明中的实施例,对本发明中的技术方案进行清楚、完整的描述。显然所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明一种工业射线底片的假片识别方法为:
首先进行高斯差分法提取焊缝区域、提取焊缝区域中包含中心点及以焊缝中心点对称的五块感兴趣区域、对感兴趣区域伪彩色处理;其次,将伪彩色处理过的感兴趣区域送入改进过的孪生神经网络训练识别,得出两两评判后的概率值;最后进行自定义权值运算,大于所取阈值判定为假片,如图1所示。
具体包括如下步骤:
第1步:感兴趣区域提取阶段
输入两张底片图像,分别为一张基准片和一张待判别片,将两张图像分别分割成若干以底片宽度为边长的正方形区域,使用高斯差分法提取正方形内焊缝区域,通过统计各焊缝区域的纵向的上、下坐标,提取出完整焊缝区域,并制定感兴趣区域提取规则,并提取每块焊缝的五块感兴趣区域,按序号对其进行标定;主要步骤如下所示:
(1)输入一张样本片和一张判别片;
(2)将两张底片图像分割成若干正方形区域;
如图2所示,将底片图像分割成若干以底片宽度为边长的正方形区域,其中长度不足的以剩余长度提取,如图2所示,分割成五块区域,图2中(a)(b)(c)(d)为底片图像宽度为边长的正方形区域,图2中(e)为提取长度不足部分。
(3)高斯差分法预提取焊缝区域
提取焊缝区域是后续提取感兴趣区域的关键一步,本发明设计一种高斯差分区域分块法预提取焊缝区域,将传统的焊缝阈值分割问题转换为图像信息统计学分析问题。具体步骤为:
a.区域分块提取
对提取到的正方形区域左上角为坐标原点建立坐标系,将横向、纵向分别进行四等分处理,取正方形区域右上角顶点、左下角顶点距离坐标原点长度为1,取横纵向(1/4,3/4)部分区域,即图3中P部分区域。
b.两次高斯差分处理
该算法输入待定位焊缝局部区域,输出定位的有效焊缝区域。本发明设输入矩阵为I”local1/2×1/2,根据公式(1)将二维图像特征转换为一维图像特征,记为H1/2×1,并对其进行公式(2)处理,其中Hi1为H1/2×1中第i1个数据,HMean为H1/2×1的均值,Hstd为H1/2×1的标准差。
高斯差分算子提取输入图像边缘特征,使用两个高斯低通滤波器分别平滑图像,然后对平滑后图像作差。本发明输入图像特征H1/2×1,作为输入进行两次高斯差分,分别根据公式(3)和(4)分别进行横纵向高斯差分处理,其中δ2>δ1,δ2=10、δ1=5,使得图像特征更加平稳,有效焊缝区域内出现明显的波峰,更加容易区分,如图4所示。
c.确定X轴交点坐标
如图5所示,确定高斯曲线与X轴交点坐标,其中左侧坐标为焊缝上坐标的纵向坐标、右侧坐标为下坐标的纵向坐标。
d.焊缝区域定位
如图6所示,通过高斯差分法定位出来的焊缝区域为两条纵向线段中包含的区域。
(4)焊缝区域提取
步骤(3)对分块区域进行焊缝区域预提取,得到焊缝区域定位的上下坐标,对所有上、下坐标的纵向坐标进行排序,取上坐标的纵向坐标最小值及下坐标纵向坐标的最大值,确定纵向坐标区间,根据上下坐标的纵向区间,准确提取焊缝区域。
(5)制定感兴趣区域提取规则
如图7所示,为上一步骤提取到的焊缝1。A1-A5为以提取到的焊缝宽度为边长的五个正方形区域,A3为以焊缝长度的中点为中心点的正方形,五个矩形之间间距相等。同理图7焊缝2中B1-B5也是如此。(注:焊缝2为焊缝1旋转180°的图像)
(6)提取五块感兴趣区域
第2步:相似度对比阶段
将每块焊缝提取到的五块感兴趣区域,进行伪彩色处理,按照图中情况一标定好的对应关系,送入经改进过的孪生神经网络进行训练识别,并对结果量化处理,得到一一对应的相似度概率值;主要步骤如下所示:
(1)感兴趣区域的伪彩色处理
对提取到的感兴趣区域进行伪彩色处理,伪彩色处理是将单色图像变换成给定彩色分布的图像,提高人眼对图像的细节分辨能力,以达到图像增强的目的,由图6可以看到视觉效果明显增强了,便于下一步处理。
(2)数据集的构建
孪生神经网络是基于两个人工神经网络建立的耦合构架,以两个样本为输入,输出其嵌入高维度空间的表征,以比较两个样本的相似程度,进行小样本/单样本学习,且不容易被错误样本干扰。
根据孪生神经网络特有的特征,本发明数据集采用不同分辨率下的感兴趣区域,及经伪彩色处理过的感兴趣区域,每组分类下约40张,共计41组。
(3)基于改进的孪生神经网络的识别
为了使该网络的速度和精度得到同等提升,本发明将孪生神经网络的主干特征提取网络由传统的VGG更换为RepVGG。
RepVGG是一个分类网络,是在VGG网络的基础上进行改进,主要的改进包括:(1)在VGG网络的Block块中加入了Identity和残差分支,相当于把ResNet网络中的精华应用到VGG网络中;(2)模型推理阶段,通过Op融合策略将所有的网络层都转换为Conv3*3,便于模型的部署与加速。
识别情况如图9所示,其中图9中,(a)、(b)、(c)、(d)、(e)分别为A1-B5、A2-B4、A3-B3、A4-B2、A5-B1的相似度对比结果。
(4)输出两两对比后的相似度概率值
第3步:自定义权值运算
将得到的相似度概率值,一一与本发明自定义的权值进行加权运算,输出真实相似度评判值,若大于相似度评判阈值,判定为假片。
(1)相似度评判体系的建立
根据发明的研究内容,建立相似度评判体系。经大量试验及数据分析,将基准片和待判别片焊缝中分别提取到的五块感兴趣区域进行两两对比。介于中间部分感兴趣区域相似度普遍较高(即图7中焊缝1中A3与焊缝2中B3对比),本发明提出相似度概率值与自定义权值进行点乘,求出真实相似度评判值。其中自定义权值为ω(Ai-Bi),相似度概率值为sim(Ai-Bi),相似度真实评判值为Sim(Ai-Bi),(Ai-Bi)代表Ai与Bi的对比,i代表感兴趣区域编号。运算方法如公式(5)为:
其中,根据本发明自定义权值,wAi-Bi权重值分别为:wA1-B1=0.125,wA2-B2=0.125,wA3-B3=0.5,wA4-B4=0.125,wA5-B5=0.125;
(2)输出真实相似度评判值
根据上述公式,计算真实相似度评判值。
(3)阈值的设定
根据大量测试及实验数据分析,本发明对阈值的设定为0.900。
(4)假片的评定
当两张工业射线底片的真实相似度评判值大于阈值0.900时,认定为极其相似,即认定为假片。
本发明提出的工业射线底片的假片识别方法,将工业射线底片的假片识别问题转化为基于高斯差分法的底片感兴趣区域定位问题及基于孪生神经网络的图像相似度对比问题,将复杂问题分解为多个简单问题,极大的简化了工程实际中面临的假片识别问题。为大量的工业射线底片中的假片识别工作,提供了一种理论依据和实际解决方法,具有一定的实际可行性,为假片识别提供了可行方案。
以上所述仅是本发明的优选实施例,并非用于限定本发明的保护范围,应当指出,对本技术领域的普通技术人员在不脱离本发明原理的前提下,对其进行若干改进与润饰,均应视为本发明的保护范围。
Claims (5)
1.一种工业射线底片的假片识别方法,其特征在于:方法步骤为:
1)进行高斯差分法提取焊缝区域、提取包含中心点及以焊缝中心点对称的五块感兴趣区域、对感兴趣区域伪彩色处理;
输入两张底片图像,分别为一张基准片和一张待判别片,将两张图像分别分割成若干以底片宽度为边长的正方形区域,使用高斯差分法提取正方形内焊缝区域,通过统计各焊缝区域纵向的上、下坐标,提取出完整焊缝区域,并制定感兴趣区域提取规则,提取每块焊缝的五块感兴趣区域,对其进行序号标定;
2)将伪彩色处理过的感兴趣区域送入改进过的孪生神经网络训练识别,得出两两评判后的数值;
将每块焊缝提取到的五块感兴趣区域,进行伪彩色处理,然后按照标定好的对应关系,送入经改进过的孪生神经网络进行训练识别,并对结果量化处理,得到一一对应的相似度概率值;
3)进行自定义权值运算,大于所取阈值判定为假片;
将得到的相似度概率值,一一与自定义的权值进行加权运算,输出真实相似度评判值,若大于相似度评判阈值,判定为假片;
步骤1)中的高斯差分法提取焊缝区域的方法步骤为:
1-1)区域分块提取:对提取到的正方形区域左上角为坐标原点建立坐标系,将横向、纵向分别进行四等分处理,取正方形区域右上角顶点、左下角顶点距离坐标原点长度为1,取横纵向(1/4,3/4)部分区域为P部分区域;
2-2)两次高斯差分处理:输入P部分区域,即输入矩阵为I”local1/2×1/2,使用两个高斯低通滤波器分别平滑图像,其中平滑参数分别为δ1=5、δ2=10,然后对平滑后图像作差,使得图像特征更加平稳,有效焊缝区域内出现明显的波峰,更加容易区分;
3-3)确定X轴交点坐标:确定曲线与X轴交点坐标,其中左侧坐标为焊缝的上边界的纵向坐标、右侧坐标为焊缝的下边界的纵向坐标;
4-4)焊缝区域定位:通过高斯差分法定位出来的焊缝区域为两条纵向线段中包含的区域。
2.根据权利要求1所述的一种工业射线底片的假片识别方法,其特征在于:步骤1)焊缝区域的提取方法为:
对分块区域进行焊缝区域预提取,得到焊缝区域定位的上下坐标,对所有上、下坐标的纵向坐标进行排序,取上坐标的纵向坐标最小值及下坐标纵向坐标的最大值,确定纵向坐标区间,根据上下坐标的纵向区间,准确提取焊缝区域。
3.根据权利要求1或2所述的一种工业射线底片的假片识别方法,其特征在于:步骤1)感兴趣区域提取规则为:在两张底片上分别以等间距提取5个正方形区域,五个正方形区域的边长为提取到的焊缝宽度。
4.根据权利要求3所述的一种工业射线底片的假片识别方法,其特征在于:步骤2)中:
所述的伪彩色处理是将单色图像变换成给定彩色分布的图像;
所述的孪生神经网络是基于两个人工神经网络建立的耦合构架,以两个样本为输入,输出其嵌入高维度空间的表征,以比较两个样本的相似程度,进行小样本/单样本学习,且不容易被错误样本干扰;
所述的孪生神经网络的主干特征提取网络为RepVGG。
5.根据权利要求4所述的一种工业射线底片的假片识别方法,其特征在于:步骤3)的具体方法为:
将基准片和待判别片焊缝中分别提取到的五块感兴趣区域进行两两对比,相似度概率值与自定义权值进行点乘,求出真实相似度评判值,其中自定义权值为wAi-Bi,相似度概率值为sim(Ai-Bi),相似度真实评判值为Sim(Ai-Bi),(Ai-Bi)代表Ai与Bi的对比,i代表感兴趣区域编号;运算方法如公式(5)为:
其中,根据自定义权值,wAi-Bi权重值分别为:wA1-B1=0.125,wA2-B2=0.125,wA3-B3=0.5,wA4-B4=0.125,wA5-B5=0.125;
根据上述公式,计算真实相似度评判值,阈值设定为0.900,当两张工业射线底片的真实相似度评判值大于阈值0.900时,认定为极其相似,即认定为假片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110819382.0A CN113723398B (zh) | 2021-07-20 | 2021-07-20 | 一种工业射线底片的假片识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110819382.0A CN113723398B (zh) | 2021-07-20 | 2021-07-20 | 一种工业射线底片的假片识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723398A CN113723398A (zh) | 2021-11-30 |
CN113723398B true CN113723398B (zh) | 2023-04-18 |
Family
ID=78673562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110819382.0A Active CN113723398B (zh) | 2021-07-20 | 2021-07-20 | 一种工业射线底片的假片识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723398B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11138469B2 (en) * | 2019-01-15 | 2021-10-05 | Naver Corporation | Training and using a convolutional neural network for person re-identification |
CN110480128A (zh) * | 2019-08-28 | 2019-11-22 | 华南理工大学 | 一种六自由度焊接机器人线激光实时焊缝跟踪方法 |
CN110781928B (zh) * | 2019-10-11 | 2023-04-07 | 西安工程大学 | 一种提取图像多分辨率特征的图像相似度学习方法 |
CN111091538B (zh) * | 2019-12-04 | 2023-06-09 | 上海君睿信息技术有限公司 | 一种管道焊缝自动识别、缺陷检测方法及装置 |
-
2021
- 2021-07-20 CN CN202110819382.0A patent/CN113723398B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113723398A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543606B (zh) | 一种加入注意力机制的人脸识别方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN110544251B (zh) | 基于多迁移学习模型融合的大坝裂缝检测方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN112330538B (zh) | 一种基于特征点优化提取的损伤温度重构图像拼接方法 | |
CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN108764186A (zh) | 基于旋转深度学习的人物遮挡轮廓检测方法 | |
CN109583376B (zh) | 基于多特征信息融合的古陶瓷断源断代方法 | |
CN107944416A (zh) | 一种通过视频进行真人验证的方法 | |
CN107958255A (zh) | 一种基于图像的目标检测方法及装置 | |
CN114663346A (zh) | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 | |
CN110763700A (zh) | 一种半导体元器件缺陷检测方法和设备 | |
CN112488211A (zh) | 一种织物图像瑕疵分类方法 | |
CN112288758B (zh) | 一种电力设备红外与可见光图像配准方法 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
Xu et al. | D4Net: De-deformation defect detection network for non-rigid products with large patterns | |
CN112597798A (zh) | 一种使用神经网络鉴别商品真伪的方法 | |
CN115937518A (zh) | 一种基于多源图像融合的路面病害识别方法及系统 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN108182700B (zh) | 一种基于两次特征检测的图像配准方法 | |
CN109815957A (zh) | 一种基于彩色图像在复杂背景下的文字识别方法 | |
CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 |
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 |