CN113870199A - 一种飞机蒙皮缺陷检测的识别方法 - Google Patents

一种飞机蒙皮缺陷检测的识别方法 Download PDF

Info

Publication number
CN113870199A
CN113870199A CN202111086451.8A CN202111086451A CN113870199A CN 113870199 A CN113870199 A CN 113870199A CN 202111086451 A CN202111086451 A CN 202111086451A CN 113870199 A CN113870199 A CN 113870199A
Authority
CN
China
Prior art keywords
aircraft skin
image
layer
neural network
fuzzy
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.)
Pending
Application number
CN202111086451.8A
Other languages
English (en)
Inventor
潘甜
沈宝国
谢中敏
刘启明
李宇
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.)
Jiangsu Aviation Technical College
Original Assignee
Jiangsu Aviation Technical College
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 Jiangsu Aviation Technical College filed Critical Jiangsu Aviation Technical College
Priority to CN202111086451.8A priority Critical patent/CN113870199A/zh
Publication of CN113870199A publication Critical patent/CN113870199A/zh
Pending legal-status Critical Current

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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种飞机蒙皮缺陷检测的识别方法。它包括以下步骤：步骤A：图像采集，利用CCD相机拍摄飞机蒙皮图片并对所拍摄飞机蒙皮图片的原始飞机蒙皮图像进行预处理；步骤B：采用灰度共生矩阵提取不同的缺陷类型下蒙皮表面的特征参数，从而建立飞机蒙皮特征参数集；步骤C：利用模糊控制系统对步骤B中的特征参数进行模糊化处理，得到模糊语言表示的特征参数集；步骤D：根据飞机蒙皮表面缺陷类型的不同，通过基于模糊控制的BP神经网络分类识别实现飞机蒙皮缺陷实时检测。优点是：实现了飞机蒙皮表面缺陷的快速准确的识别和判断，有效验证了将模糊控制理论与BP神经网络技术结合的优势，可以快速准确地实现飞机蒙皮表面缺陷的实时分类识别。

Description

一种飞机蒙皮缺陷检测的识别方法
技术领域
本发明涉及一种飞机蒙皮的在线检测技术，尤其是涉及一种飞机蒙皮缺陷检测的识别方法。
背景技术
随着科学技术和经济的发展，飞机在军事，交通运输，农业等各个领域都起到关键的作用，然而在飞机长时间飞行过程中，作为飞机结构的重要组成部分，蒙皮表面会受到大气环境的侵蚀以及各种冲击载荷的作用，会出现蒙皮表面裂纹、表面撞击和表面腐蚀等缺陷，表面缺陷不仅影响飞机蒙皮表面的美观，更会影响飞机的整体使用寿命，更严重的会导致飞行事故的发生，严重威胁到飞行员和乘客的安全，所以生产企业对蒙皮表面缺陷的检测非常重视，以便及时控制，从而有效控制飞机蒙皮质量。
传统的飞机蒙皮缺陷检测常常利用肉眼进行识别判断，人工检测很容易存在误差，检测效率也十分低下；随着科技的发展，国内外研究人员运用机器视觉进行无损检测，其检测效率得以提升，但检测速度依然较慢，智能化水平还有待提升；尤其是在模式识别模块，传统的BP神经网络是基于误差方向传播的多层前馈网络，是一种监督学习算法，能够解决非线性连续函数的多层前馈神经网络权重调整问题，典型的BP神经网络采用梯度下降算法，随着飞机内部结构的日益复杂和外部不确定因素对飞机蒙皮表面缺陷检测的影响，特征参数与飞机蒙皮缺陷类型之间存在某种不确定性，使得飞机蒙皮缺陷检测结果不够准确，而模糊控制器的设计不需要精确的数学模型，但模糊逻辑的缺点之一是模糊规则通常依据经验建立，难以建立稳定的数学模型，其本身也无法自主学习，随着模糊规则的增加，模糊推理的时间也随之增加，极大的降低了推理效率。综上所述：传统的利用BP神经网络分类技术实现缺陷识别时，神经网络模型训练收敛速度较慢，而利用模糊推理的方式进行缺陷识别也会导致检测结果不精确，检测效率低下，因此如何使检测效果达到最优，仍然是一个值得深思的问题。
发明内容
本发明要解决的技术问题是提供一种不但能够大幅度提高训练收敛速度，而且还能够有效提高缺陷检测的精度和准确性，从而提高检测效率的飞机蒙皮缺陷检测的识别方法。
为了解决上述技术问题，本发明的飞机蒙皮缺陷检测的识别方法，包括以下步骤：
步骤A：图像采集，利用CCD相机拍摄飞机蒙皮图片并对所拍摄到的原始飞机蒙皮缺陷图像进行预处理；
步骤B：采用灰度共生矩阵提取不同的缺陷类型下蒙皮表面的特征参数，从而建立飞机蒙皮特征参数集；
步骤C：利用模糊控制系统对步骤B中的特征参数进行模糊化处理，得到模糊语言表示的特征参数集；
步骤D：根据飞机蒙皮表面缺陷类型的不同，通过基于模糊控制的BP神经网络分类识别实现飞机蒙皮缺陷实时检测。
所述步骤A中，原始飞机蒙皮缺陷图像进行预处理是通过实验对比选用中值滤波的方式对原始飞机蒙皮缺陷图像进行预处理以去噪。
所述原始飞机蒙皮缺陷图像进行预处理的具体过程中，首先选择一个含奇数个像素点的采样窗口M，进而移动原图上的窗口M1，根据采集图像的大小完成原窗口M1中的像素灰度值的排序，最后选择位于中间部分的灰度值作为窗口中所有像素点的灰度值，对应中值滤波公式为：
k(i,j)＝med{h(x-t,y-j),t,j∈M} (1)
式中：原始飞机蒙皮缺陷图像中像素点(i,j)的灰度值为h(x-t,y-j)，滤波处理后对应像素点(i,j)的灰度值为k(i,j)，t和j为图像坐标变量，M为采样窗口大小，med为消除原图像噪音的中值滤波器算法表示。
对已中值滤波后的飞机蒙皮缺陷图像进行图像二值化处理，算法过程如下：
Figure BDA0003265942430000031
式中：(i,j)——经中值滤波后的蒙皮图像的像素点对应的坐标；h(i,j)——经中值滤波后的蒙皮图像的灰度值；k(i,j)——二值化后的蒙皮图像的灰度值。
所述基于模糊控制的BP神经网络分类识别技术的具体过程为：运用模糊语言对提取的特征参数模糊化处理，在MATLAB中运用基于模糊控制的BP神经网络工具箱进行相应的训练从而得到训练模型，通过模糊特征参数推理实现飞机蒙皮缺陷实时检测。
通过基于模糊控制的BP神经网络分类识别技术中，分为四层单元层；第一层原始飞机蒙皮缺陷图像特征提取层；第二层模糊化层；第三层神经网络层；第四层为输出层。
所述第一层飞机蒙皮缺陷图像特征提取层用于完成缺陷图像的预处理和经预处理后缺陷图像特征参数的提取；所述第二层模糊化层用于完成对特征参数进行模糊化与归一化处理；所述第三层神经网络层是利用BP神经网络的功能，对模糊化后的数据进行训练，调整系统的权值参数，优化系统结构，对输入数据进行模式分类，并测试分类精度；所述第四层为输出层是在MATLAB中运用基于模糊控制的BP神经网络工具箱进行相应的训练从而得到训练模型，通过模糊特征参数推理，从而实时输出蒙皮缺陷类型。
与现有技术相比，无需专业人员就可以在计算机面前完成检测，而且不仅大大降低了因人工检测导致的误差，更有效提高了缺陷检测的精度和准确性，尤其是通过特殊的图像采集方式建立用模糊语言表示的飞机蒙皮特征参数集，并运用基于模糊逻辑算法的BP神经网络分类识别技术得以实现了机蒙皮表面缺陷的快速准确的识别和判断，有效验证了将模糊控制理论与BP神经网络技术结合的优势，与传统的BP神经网络相比，其训练速度更快，更易收敛，在模式识别和分类检测精度和实时性上都有了显著提高，具有良好的扩展性和应用前景，对降低飞机因蒙皮缺陷而导致的空难事故具有重大意义，也为无损检测领域提供了新的研究方向。
附图说明
图1为本发明飞机蒙皮缺陷检测的识别方法的原理图；
图2为本发明飞机蒙皮缺陷检测的识别方法的流程图。
具体实施方式
下面结合附图和具体实施方式，对本发明的飞机蒙皮缺陷检测的识别方法作进一步详细说明。
如图所示，本发明的飞机蒙皮缺陷检测的识别方法，包括以下步骤：
步骤A：图像采集，利用高精度CCD相机拍摄飞机蒙皮表面图片，通过无线传输技术将采集到的实时、动态的蒙皮损伤信息传递给地面的健康监测平台，进而利用中值滤波和图像二值化等方式并对所拍摄飞机蒙皮图片的特征图像(原始飞机蒙皮缺陷图像)进行预处理；
其中，特征图像(原始飞机蒙皮缺陷图像)进行预处理是通过实验对比选用中值滤波的方式对原始飞机蒙皮缺陷图像进行预处理以去噪，从而保证了在去除噪音的同时保持蒙皮表面图像中边缘特征的清晰和完整。
所说的特征图像(原始飞机蒙皮缺陷图像)进行预处理的具体过程中，首先选择一个含奇数个像素点的采样窗口M，进而移动原图上的原窗口M1，根据采集图像的大小完成原窗口M1中的像素灰度值的排序，最后选择位于中间部分的灰度值作为窗口中所有像素点的灰度值，对应中值滤波公式为：
k(i,j)＝med{h(x-t,y-j),t,j∈M} (1)
式中：飞机蒙皮缺陷原图中像素点(i,j)的灰度值为h(x-t,y-j)，滤波处理后对应像素点(i,j)的灰度值为k(i,j)，t和j为图像坐标变量，M为采样窗口大小，med为消除原图像噪音的中值滤波器算法表示。
采用能够自动确定阈值的Otsu(大津)算法，对已中值滤波后的飞机蒙皮缺陷图像进行图像二值化处理，算法过程如下：
Figure BDA0003265942430000051
式中：(i,j)——经中值滤波后的蒙皮图像的像素点对应的坐标；h(i,j)——经中值滤波后的蒙皮图像的灰度值；k(i,j)——二值化后的蒙皮图像的灰度值。
步骤B：采用灰度共生矩阵提取经预处理后的缺陷图像特征参数，从而建立飞机蒙皮特征参数集；
采用灰度共生矩阵提取蒙皮表面的特征参数的具体过程为：选用不同方向(0°、45°、90°、135°)的对比度、相关性、能量和同质性4个特征参数值，取步长δ＝1，构造0°、45°、90°和135°四个方向的灰度共生矩阵，并进行矩阵的归一化处理，从而取得灰度共生矩阵的相关参数，通过在多维参数基础上选择高权值参数进行参数降维处理，从而实现飞机蒙皮缺陷的分类检测。
步骤C：利用模糊控制系统对步骤B中的特征参数进行模糊化处理，得到模糊语言表示的特征参数集；
步骤D：根据飞机蒙皮表面缺陷类型的不同，通过基于模糊控制的BP神经网络分类识别技术，系统结构如图1所示，其主要分为4层；第一层原始飞机蒙皮缺陷图像特征提取层，主要完成缺陷图像的预处理和经预处理后缺陷图像特征参数的提取等功能；第二层模糊化层，主要完成对特征参数进行模糊化与归一化处理；第三层神经网络层，主要是利用BP神经网络的功能，对模糊化后的数据进行训练，调整系统的权值参数，优化系统结构，对输入数据进行模式分类，并测试分类精度；第四层为输出层，在MATLAB中运用基于模糊控制的BP神经网络工具箱进行相应的训练从而得到训练模型，通过模糊特征参数推理，从而实时输出蒙皮缺陷类型，即用模糊神经网络(FBP)实现模糊特征参数推理；也就是说运用模糊语言对提取的特征参数模糊化处理，在MATLAB中运用基于模糊控制的BP神经网络工具箱对模糊参数集进行相应的训练从而得到训练模型，通过模糊特征参数推理，进行随机测试验证，从而快速有效的实现飞机蒙皮缺陷实时检测。
上述运用模糊语言对提取的特征参数模糊化处理，通过在神经网络训练中加入模糊逻辑算法，模糊神经网络(FBP)较传统的模糊推理增加了BP神经网络的自学习功能，能够有效降低数据因模糊处理带来的不确定性。
另外，基于模糊控制的BP神经网络分类识别技术的具体过程为：首先选用4种特征参数经模糊化处理后作为输入层节点参数，选用3种缺陷类型作为输出层的节点数，以飞机蒙皮缺陷检测为应用背景，对输入4种特征参数进行采集，得到200个特征参数，对其进行模糊化处理后，将特征参数用模糊语言的形式表述出来，再输入到BP神经网络中进行训练，形成模糊神经网络分类器，通过在线调整系统参数，优化分类器结构，从而快速实现缺陷的分类检测。
实验结果表明，基于本发明的飞机蒙皮缺陷检测的识别方法，在引入了模糊算法后，能够在计算机上实时输出分类汇总结果，分类精度提高到93.55％，相对于BP网络的90.2％精度提高了3.35％，其分类循环次数由1086次下降到500次以下，有效验证了该缺陷检测装置的实用性和准确性。

Claims (7)

1.一种飞机蒙皮缺陷检测的识别方法，包括以下步骤：
步骤A：图像采集，利用CCD相机拍摄飞机蒙皮图片并对所拍摄到的原始飞机蒙皮缺陷图像进行预处理；
步骤B：采用灰度共生矩阵提取不同的缺陷类型下蒙皮表面的特征参数，从而建立飞机蒙皮特征参数集；
步骤C：利用模糊控制系统对步骤B中的特征参数进行模糊化处理，得到模糊语言表示的特征参数集；
步骤D：根据飞机蒙皮表面缺陷类型的不同，通过基于模糊控制的BP神经网络分类识别实现飞机蒙皮缺陷实时检测。
2.按照权利要求1所述的飞机蒙皮缺陷检测的识别方法，其特征在于：所述步骤A中，原始飞机蒙皮缺陷图像进行预处理是通过实验对比选用中值滤波的方式对原始飞机蒙皮缺陷图像进行预处理以去噪。
3.按照权利要求2所述的飞机蒙皮缺陷检测的识别方法，其特征在于：所述
所述原始飞机蒙皮缺陷图像进行预处理的具体过程中，首先选择一个含奇数个像素点的采样窗口M，进而移动原图上的窗口M1，根据采集图像的大小完成原窗口M1中的像素灰度值的排序，最后选择位于中间部分的灰度值作为窗口中所有像素点的灰度值，对应中值滤波公式为：
k(i,j)＝med{h(x-t,y-j),t,j∈M} (1)
式中：原始飞机蒙皮缺陷图像中像素点(i,j)的灰度值为h(x-t,y-j)，滤波处理后对应像素点(i,j)的灰度值为k(i,j)，t和j为图像坐标变量，M为采样窗口大小，med为消除原图像噪音的中值滤波器算法表示。
4.按照权利要求3所述的飞机蒙皮缺陷检测的识别方法，其特征在于：
对已中值滤波后的飞机蒙皮缺陷图像进行图像二值化处理，算法过程如下：
Figure FDA0003265942420000021
式中：(i,j)——经中值滤波后的蒙皮图像的像素点对应的坐标；h(i,j)——经中值滤波后的蒙皮图像的灰度值；k(i,j)——二值化后的蒙皮图像的灰度值。
5.按照权利要求1-4之一所述的飞机蒙皮缺陷检测的识别方法，其特征在于：所述基于模糊控制的BP神经网络分类识别技术的具体过程为：运用模糊语言对提取的特征参数模糊化处理，在MATLAB中运用基于模糊控制的BP神经网络工具箱进行相应的训练从而得到训练模型，通过模糊特征参数推理实现飞机蒙皮缺陷实时检测。
6.按照权利要求5所述的飞机蒙皮缺陷检测的识别方法，其特征在于：通过基于模糊控制的BP神经网络分类识别技术中，分为四层单元层；第一层原始飞机蒙皮缺陷图像特征提取层；第二层模糊化层；第三层神经网络层；第四层为输出层。
7.按照权利要求6所述的飞机蒙皮缺陷检测的识别方法，其特征在于：所述第一层飞机蒙皮缺陷图像特征提取层用于完成缺陷图像的预处理和经预处理后缺陷图像特征参数的提取；所述第二层模糊化层用于完成对特征参数进行模糊化与归一化处理；所述第三层神经网络层是利用BP神经网络的功能，对模糊化后的数据进行训练，调整系统的权值参数，优化系统结构，对输入数据进行模式分类，并测试分类精度；所述第四层为输出层是在MATLAB中运用基于模糊控制的BP神经网络工具箱进行相应的训练从而得到训练模型，通过模糊特征参数推理，从而实时输出蒙皮缺陷类型。
CN202111086451.8A 2021-09-16 2021-09-16 一种飞机蒙皮缺陷检测的识别方法 Pending CN113870199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111086451.8A CN113870199A (zh) 2021-09-16 2021-09-16 一种飞机蒙皮缺陷检测的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111086451.8A CN113870199A (zh) 2021-09-16 2021-09-16 一种飞机蒙皮缺陷检测的识别方法

Publications (1)

Publication Number Publication Date
CN113870199A true CN113870199A (zh) 2021-12-31

Family

ID=78996265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111086451.8A Pending CN113870199A (zh) 2021-09-16 2021-09-16 一种飞机蒙皮缺陷检测的识别方法

Country Status (1)

Country Link
CN (1) CN113870199A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063725A (zh) * 2022-06-23 2022-09-16 中国民航大学 基于多尺度自适应ssd算法的飞机蒙皮缺陷识别系统
CN116228680A (zh) * 2023-02-01 2023-06-06 中国民用航空飞行学院 一种在役外场飞机蒙皮复合材料红外无损检测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063725A (zh) * 2022-06-23 2022-09-16 中国民航大学 基于多尺度自适应ssd算法的飞机蒙皮缺陷识别系统
CN115063725B (zh) * 2022-06-23 2024-04-26 中国民航大学 基于多尺度自适应ssd算法的飞机蒙皮缺陷识别系统
CN116228680A (zh) * 2023-02-01 2023-06-06 中国民用航空飞行学院 一种在役外场飞机蒙皮复合材料红外无损检测方法及系统

Similar Documents

Publication Publication Date Title
CN111340754B (zh) 一种基于飞机蒙皮表面缺陷检测和分类的方法
CN110097053B (zh) 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法
CN113870199A (zh) 一种飞机蒙皮缺陷检测的识别方法
CN107437245A (zh) 基于深度卷积神经网络的高速铁路接触网故障诊断方法
Gong et al. A fast anomaly diagnosis approach based on modified CNN and multisensor data fusion
CN114627383A (zh) 一种基于度量学习的小样本缺陷检测方法
CN111860290B (zh) 一种激光熔覆过程中裂纹识别的方法
CN111223087B (zh) 一种基于生成对抗网络的桥梁裂缝自动检测方法
CN111353487A (zh) 用于变电站的设备信息提取方法
CN115482195A (zh) 一种基于三维点云的列车部件变形检测方法
CN113642486A (zh) 一种具有机载前端识别模型的无人机配网巡检方法
CN114049305A (zh) 基于改进ALI和Faster-RCNN的配电线路销钉缺陷检测方法
Yang et al. Deep learning-based intelligent defect detection of cutting wheels with industrial images in manufacturing
CN111461183A (zh) 改进人工鱼群算法优化bp神经网络的平轮故障检测方法
CN114219763A (zh) 基于Faster RCNN算法的配电设备异常发热点红外图片检测方法
CN113538342A (zh) 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法
CN117592543A (zh) 一种基于自监督学习的航空发动机滚动轴承故障诊断方法
CN111639609A (zh) 基于机器视觉与深度学习的金属断口类型智能识别系统
CN113989209B (zh) 基于Faster R-CNN的电力线异物检测方法
Liu et al. An end-to-end steel strip surface defects detection framework: Considering complex background interference
Zhang et al. Smoky vehicle detection algorithm based on improved transfer learning
Schnieders et al. Fast convergence for object detection by learning how to combine error functions
Xu et al. Defect recognition method based on fusion learning of multi-layer image features
He et al. Scratch detection system of the inner surface of super long gas cylinder based on VGG-16 neural networks
Wang et al. Research on appearance defect detection of power equipment based on improved faster-rcnn

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