CN114018951A - 基于dcgan显著特征样本扩大预处理的塑料件焊缝检测方法 - Google Patents

基于dcgan显著特征样本扩大预处理的塑料件焊缝检测方法 Download PDF

Info

Publication number
CN114018951A
CN114018951A CN202111341203.3A CN202111341203A CN114018951A CN 114018951 A CN114018951 A CN 114018951A CN 202111341203 A CN202111341203 A CN 202111341203A CN 114018951 A CN114018951 A CN 114018951A
Authority
CN
China
Prior art keywords
dcgan
plastic part
weld
channel
feature
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
CN202111341203.3A
Other languages
English (en)
Inventor
孙进
梁立
雷震霆
其他发明人请求不公开姓名
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.)
Yangzhou University Jiangdu High-End Equipment Engineering Technology Research Institute
Original Assignee
Yangzhou University Jiangdu High-End Equipment Engineering Technology Research Institute
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 Yangzhou University Jiangdu High-End Equipment Engineering Technology Research Institute filed Critical Yangzhou University Jiangdu High-End Equipment Engineering Technology Research Institute
Priority to CN202111341203.3A priority Critical patent/CN114018951A/zh
Publication of CN114018951A publication Critical patent/CN114018951A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G01N2021/8893—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques providing a video image and a processed signal for helping visual decision

Landscapes

  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，包括以下步骤：1）数据采集，使用工业相机获取塑料件的焊缝图片；2）基于DCGAN显著特征样本扩大预处理；3）SE‑Alexnet卷积神经网络训练；4）进行识别检测，并输出检测结果。本发明基于对Alexnet网络中融合SE注意力模块提升对焊缝缺陷重要的特征通道，抑制作用不大的特征通道，提升了改进的焊接缺陷识别模型的识别率，减少了训练时间，使得模型的鲁棒性更强。

Description

基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法
技术领域
本发明涉及塑料件焊缝评估技术领域，特别涉及基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法。
背景技术
在工业制造技术领域，通常会涉及焊接工序，塑料件配件在本体上焊接所需的焊接工艺存在虚焊，焊接余量不均匀，焊接位姿不准确等问题，最终，影响产品质量和使用寿命，因此，在产品出厂之前，通常需要对焊缝质量进行检测，以剔除焊缝质量不合格的产品，从而提高产品良率。
目前的焊缝瑕疵无损检测方式主要有目视检测、超声波检测、图像检测三种。塑料件配件在本体上焊接质量检测工艺存在，自动化程度不高，效率低下，漏检，误检等问题。现有塑料件生产厂家大多采用人工检测或传统破坏性抽检方法，目视检测效率低且易遗漏，该方法难以满足大批量、高精密、快速检测的要求。超声波检测技术灵敏度高，穿透力强，比较适合于面积类缺陷问题的检测，但是超声波检测速度较慢，且其探头需要定期检测并根据情况选择不同的尺寸，提高了检测成本并延长了检测时间，并且近年来塑料件外部结构不断复杂化，焊接件不断增多，超声波检测难以满足生产节拍。机器视觉检测技术在效率、成本等方面具有显著优势，主要有单目视觉检测和双目立体视觉检测。最常用的是后者，其中采用基于视觉的深度学习塑料件焊缝缺陷检测具有较高的精度和良好的适应性。
传统的深度学习方法在待焊接工件焊缝轮廓的检测上具有较多的局限性。一者，传统的深度学习方法不做区分地检测出图像中所有特征进行提取；二者，传统的深度学习方法需要大量的训练样本训练来提高网络的准确性，而对现有的某一特定的塑料件的焊缝缺陷所提供的样本较少，使得传统算法将很难适应实际复杂多变的工业焊接环境，因此鲁棒性不好。2018年西安交通大学的姜洪权等人发明了一种基于改进LeNet-5模型的焊缝缺陷识别方法(专利授权公告号：CN108596892A)通过伪彩色变换技术并添加Gabor滤波器的卷积通道，使改进后神经网络既具有传统卷积核通道同时扩充了神经网络输入的信息量，提高神经网络特征提取能力，从而提高缺陷识别的正确率。其缺点是对整体特征进行提取，同时此网络需要大量的样本集训练，不适用于塑料件的实时焊缝检测。2019年浙江工业大学的胡克钢等人发明了一种基于卷积神经网络的焊接视觉检测方法及装置(专利授权公告号：CN112365501B)。此发明通过设计一种全方位传感器并搭建卷积神经网络模型对焊缝识别，提高了自动化焊缝缺陷识别的精度，能够实现对钢管内部焊缝的检测。其缺点是只是使用现有的原始卷积神经网络模型对钢管内部的焊缝进行检测，同样需要大量的样本集训练。2021年南京理工大学的赵壮等人发明了一种基于卷积神经网络的焊件轮廓检测算法(授权公告号：CN112365501B)此发明通过采用跳层连接并引入ASPP模块和注意力模块，降低引入的纹理信息，增强语义信息，并专注于目标的焊缝，提高了识别精度，并进一步提升了算法的性能。其缺点是网络模型较复杂，训练时间较长，同时需要大量的样本数据对网络进行训练，在塑料件生产过程中的实时焊缝评估过程中花费时间较长。
综上所述，以上方法虽然具有图像空间特征的学习能力，有效区分目标与非目标特征信息，可从众多焊缝图片样本中筛选出有用的焊缝边缘。但具体运用于塑料件的焊缝评估时，仍然存在一定程度的误检、断线、缺少样本训练集等问题。
发明内容
本发明的目的是克服现有技术缺陷，提供基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，提高了塑料件焊缝缺陷检测的准确率，减少训练时间，增强模型的鲁棒性。
本发明的目的是这样实现的：一种基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，包括以下步骤：
步骤1)数据采集，使用工业相机获取塑料件的焊缝图片；
步骤2)基于DCGAN显著特征样本扩大预处理；
步骤3)SE-Alexnet卷积神经网络训练；
步骤4)进行识别检测，并输出检测结果。
作为本发明的进一步限定，所述步骤2)包括：
步骤2.1)构建深度卷积生成判别网络；
步骤2.2)输入塑料件焊缝缺陷图片到生成判别器；
步骤2.3)构建塑料件的焊缝数据样本集。
作为本发明的进一步限定，所述步骤2.1)中的构建深度卷积生成判别网络包括反卷积网络与卷积网络构成的判别器与生成器，所述判别器中采用下采样的卷积，所述生成器中采用上采样的卷积。
作为本发明的进一步限定，所述步骤2.2)包括将现有的塑料件焊缝图片作为一组判别数据输入到判别器模型中进行特征提取，同时使用批量规范处理；通过初始噪点数据转化为二维向量作为生成模型的输入，并通过转置卷积层进行填充并激活，在每层转置卷积层输出加入BN层和ReLu层，将输出图像的像素归一化，得出生成的焊缝缺陷数据，得到输出为生成的故障图像，并输入判别模型，保持生成模型不变，训练判别模型使得V(D,G)达到最大，保持判别模型不变，训练生成模型使得V(D,G)达到最小，重复计算使得判别模型达到纳什均衡；其中，整个模型的损失函数为：
Figure BDA0003352136110000041
首先固定G的情况下求解D，即：
Figure BDA0003352136110000042
其次，固定D求解G，即：
Figure BDA0003352136110000043
其中G表示生成器，D表示判别器，z表示生成器输入噪声变量，D(x)表示判别器的输出，G(z)表示生成器输入噪声变量时的输出；
Figure BDA0003352136110000044
表示所得的最优判别器，G*表示所得的最优生成器，最后将深度卷积生成判别网络生成的焊缝缺陷图片与现有的塑料件焊缝缺陷图片组成后续的焊缝缺陷识别的训练集。
作为本发明的进一步限定，所述步骤3)具体包括：SE注意力机制从通道维度引入注意力机制，获取每个特征通道的重要程度权重后，将权重分别赋予每个特征通道，SE注意力模块首先通过全局平均池化将每个通道的空间二维特征降维成具有全局感受野的一个实数；
其公式表示为：
Figure BDA0003352136110000045
其中，z为全局平均池化的结果，c表示的是z和U的通道编号，H和W为输入特征图的高和宽，i和j表示的是像素点在某个特征通道的坐标，其中i表示特征图的高维度的变化量，j表示特征图的宽维度的变化量；然后通过全连接网络和非线性激活函数学习得到每个通道的权重值；将归一化权重看作是通过特征选择后的每个通道的重要程度，通过和特征向量相乘把权重施加到每个特征通道上，完成通道特征重标定。
本发明采用以上技术方案，与现有技术相比，有益效果为：基于对Alexnet网络中融合SE(Squeeze-and-Excitation)注意力模块提升对焊缝缺陷重要的特征通道，抑制作用不大的特征通道，其次，基于DCGAN(深度卷积生成对抗网络)对采集到的塑料件的焊缝缺陷样本进行预处理，生成原本训练集一半的样本，提高了改进的焊接缺陷识别模型精度；本发明有效提高了塑料件焊缝缺陷检测的准确率，减少训练时间，增强模型的鲁棒性。
附图说明
图1本发明的流程图。
具体实施方式
如图1所示的一种基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，包括以下步骤：
步骤1)数据采集，使用工业相机获取塑料件的焊缝图片；使用工业相机获取塑料件的焊缝图片，并对样本进行标注，将现有的塑料件的存在缺陷的焊缝以及合格的焊缝的图片建立样本集X1。
步骤2)基于DCGAN显著特征样本扩大预处理；
步骤2.1)构建深度卷积生成判别网络；构建深度卷积生成判别网络包括反卷积网络与卷积网络构成的判别器与生成器，判别器中采用下采样的卷积，生成器中采用上采样的卷积。
通过卷积生成对抗网络对现有样本集进行样本扩容。深度卷积生成对抗网络主要由生成网络模型G和判别网络模型D构成，生成器用于生成假图像数据,判别器的输入是生成器的输出和真实数据样本。本实施例中，基于DCGAN构造了3层卷积网络的生成器与4层卷积网络加一个全连接层的判别器。
构建生成网络：将随机高斯噪声点数据重构成尺寸为32×32×128的矩阵，作为生成网络的输入。将输入经过转置卷积层进行填充，转置卷积的输出采用Tanh函数激活，其中
Figure BDA0003352136110000061
将输出图像的像素归一化形成伪样本数据；
构建判别网络：判别网络由4个卷积层和1个全连接层构成，其中卷积层1的卷积核为5×5×64、步长为2，卷积层2的卷积核为5×5×128、步长为2,卷积层3的卷积核为5×5×256、步长为2，卷积层4的卷积核为5×5×512、步长为1，全连接层输入尺寸为33×33×512,经过Sigmoid函数激活后输出为0或1，表示判定结果为假或真。与生成网络类似，在卷积层后使用BN层，但激活函数使用LeakyReLU和Sigmoid函数，其中LeakyReLU表示：f(x)＝max(0.01x,x)，Sigmoid表示：σ(x)＝1/(1+e-x)。此外由于样本数据过少，还引入了dropout层，以防止判别网络出现过拟合现象。
步骤2.2)输入塑料件焊缝缺陷图片到生成判别器；
将现有的塑料件焊缝图片作为一组判别数据输入到判别器模型中进行特征提取，同时使用批量规范处理；通过初始噪点数据转化为二维向量作为生成模型的输入，并通过转置卷积层进行填充并激活，在每层转置卷积层输出加入BN层和ReLu层，将输出图像的像素归一化，得出生成的焊缝缺陷数据，得到输出为生成的故障图像，并输入判别模型，保持生成模型不变，训练判别模型使得V(D,G)达到最大，保持判别模型不变，训练生成模型使得V(D,G)达到最小，重复计算使得判别模型达到纳什均衡。其中，整个模型的损失函数为：
Figure BDA0003352136110000071
首先固定G的情况下求解D，即：
Figure BDA0003352136110000072
其次，固定D求解G，即：
Figure BDA0003352136110000073
其中G表示生成器，D表示判别器，z表示生成器输入噪声变量，D(x)表示判别器的输出，G(z)表示生成器输入噪声变量时的输出；
Figure BDA0003352136110000074
表示所得的最优判别器，G*表示所得的最优生成器，最后将深度卷积生成判别网络生成的焊缝缺陷图片与现有的塑料件焊缝缺陷图片组成后续的焊缝缺陷识别的训练集。
本实施例中将含有塑料件焊缝缺陷的原始塑料件焊缝缺陷的数据归一化，以八张原始焊缝缺陷数据和伪焊缝缺陷数据作为一组判别模型的输入到搭建好的判别模型中，进行特征提取，同时使用批量规范处理，隐藏层采用ReLu激活函数；在最后的卷积层输出向量与权值向量相乘，转化为8x1的向量。最终生成判别网络获取近似于真实数据的假数据。
步骤2.3)构建塑料件的焊缝数据样本集；
通过使用反卷积网络与卷积网络构成生成器与判别器，通过对现有提取的塑料件的焊缝图像进行处理，将初始样本和生成的近似于真实数据的假样本组成新的样本集X2。
步骤3)SE-Alexnet卷积神经网络训练；
SE注意力机制从通道维度引入注意力机制，获取每个特征通道的重要程度权重后，将权重分别赋予每个特征通道，从而让神经网络重点关注某些特征通道，即提升对当前任务重要的特征通道，抑制对当前任务作用不大的特征通道。对于输入特征向量X2，通过深度卷积网络Ftr之后得到特征向量U。SE注意力模块首先通过全局平均池化(GlobalAverage Pooling)将每个通道的空间二维特征降维成具有全局感受野的一个实数。
其公式表示为：
Figure BDA0003352136110000081
其中，z为全局平均池化的结果，c表示的是z和U的通道编号，H和W为输入特征图的高和宽，i和j表示的是像素点在某个特征通道的坐标，其中i表示特征图的高维度的变化量，j表示特征图的宽维度的变化量；在此过程中，通道数保持不变，得到1×1×C的向量。然后通过全连接网络和非线性激活函数学习得到每个通道的权重值。充分体现通道注意力思想的是最后一步，将归一化权重看作是通过特征选择后的每个通道的重要程度，通过和特征向量U相乘把权重施加到每个特征通道上，完成通道特征重标定。
步骤4)进行识别检测，并输出检测结果；
通过塑料件的柔性焊接生产线的打孔焊接机器人的视觉提取模块获取汽车塑料件的焊缝图像信息，将得到的信息作为输入值放入步骤3)的卷积神经网络模型中进行识别，并输出检测结果。
本发明方法使用工业相机采集到塑料燃油箱的焊缝图片，首先基于DCGAN对现有的样本集进行扩容，使样本集能够满足Alexnet网络的训练，其次将SE注意力模块与Alexnet网络融合，能够提升对焊缝缺陷重要的特征通道，抑制作用不大的特征通道，提升了改进的焊接缺陷识别模型的识别率，以并减少训练时间，模型的鲁棒性更强。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (5)

1.一种基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，包括以下步骤：
步骤1)数据采集，使用工业相机获取塑料件的焊缝图片；
步骤2)基于DCGAN显著特征样本扩大预处理；
步骤3)SE-Alexnet卷积神经网络训练；
步骤4)进行识别检测，并输出检测结果。
2.根据权利要求1所述的基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，所述步骤2)包括：
步骤2.1)构建深度卷积生成判别网络；
步骤2.2)输入塑料件焊缝缺陷图片到生成判别器；
步骤2.3)构建塑料件的焊缝数据样本集。
3.根据权利要求2所述的基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，所述步骤2.1)中的构建深度卷积生成判别网络包括反卷积网络与卷积网络构成的判别器与生成器，所述判别器中采用下采样的卷积，所述生成器中采用上采样的卷积。
4.根据权利要求2所述的基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，所述步骤2.2)包括将现有的塑料件焊缝图片作为一组判别数据输入到判别器模型中进行特征提取，同时使用批量规范处理；通过初始噪点数据转化为二维向量作为生成模型的输入，并通过转置卷积层进行填充并激活，在每层转置卷积层输出加入BN层和ReLu层，将输出图像的像素归一化，得出生成的焊缝缺陷数据，得到输出为生成的故障图像，并输入判别模型，保持生成模型不变，训练判别模型使得V(D,G)达到最大，保持判别模型不变，训练生成模型使得V(D,G)达到最小，重复计算使得判别模型达到纳什均衡；其中，整个模型的损失函数为：
Figure FDA0003352136100000021
首先固定G的情况下求解D，即：
Figure FDA0003352136100000022
其次，固定D求解G，即：
Figure FDA0003352136100000023
其中G表示生成器，D表示判别器，z表示生成器输入噪声变量，D(x)表示判别器的输出，G(z)表示生成器输入噪声变量时的输出；
Figure FDA0003352136100000024
表示所得的最优判别器，G*表示所得的最优生成器，最后将深度卷积生成判别网络生成的焊缝缺陷图片与现有的塑料件焊缝缺陷图片组成后续的焊缝缺陷识别的训练集。
5.根据权利要求1所述的基于DCGAN显著特征样本扩大预处理的塑料件焊缝检测方法，其特征在于，所述步骤3)具体包括：SE注意力机制从通道维度引入注意力机制，获取每个特征通道的重要程度权重后，将权重分别赋予每个特征通道，SE注意力模块首先通过全局平均池化将每个通道的空间二维特征降维成具有全局感受野的一个实数；
其公式表示为：
Figure FDA0003352136100000025
其中，z为全局平均池化的结果，c表示的是z和U的通道编号，H和W为输入特征图的高和宽，i和j表示的是像素点在某个特征通道的坐标，其中i表示特征图的高维度的变化量，j表示特征图的宽维度的变化量；然后通过全连接网络和非线性激活函数学习得到每个通道的权重值；将归一化权重看作是通过特征选择后的每个通道的重要程度，通过和特征向量相乘把权重施加到每个特征通道上，完成通道特征重标定。
CN202111341203.3A 2021-11-12 2021-11-12 基于dcgan显著特征样本扩大预处理的塑料件焊缝检测方法 Pending CN114018951A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111341203.3A CN114018951A (zh) 2021-11-12 2021-11-12 基于dcgan显著特征样本扩大预处理的塑料件焊缝检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111341203.3A CN114018951A (zh) 2021-11-12 2021-11-12 基于dcgan显著特征样本扩大预处理的塑料件焊缝检测方法

Publications (1)

Publication Number Publication Date
CN114018951A true CN114018951A (zh) 2022-02-08

Family

ID=80064040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111341203.3A Pending CN114018951A (zh) 2021-11-12 2021-11-12 基于dcgan显著特征样本扩大预处理的塑料件焊缝检测方法

Country Status (1)

Country Link
CN (1) CN114018951A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115229374A (zh) * 2022-07-07 2022-10-25 武汉理工大学 一种基于深度学习的汽车白车身焊缝质量检测方法、装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427846A (zh) * 2019-07-19 2019-11-08 西安工业大学 一种利用卷积神经网络对不平衡小样本的人脸识别方法
CN112800946A (zh) * 2021-01-27 2021-05-14 西安工业大学 一种污损发票识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427846A (zh) * 2019-07-19 2019-11-08 西安工业大学 一种利用卷积神经网络对不平衡小样本的人脸识别方法
CN112800946A (zh) * 2021-01-27 2021-05-14 西安工业大学 一种污损发票识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
林坤;雷印杰;: "基于改进AlexNet卷积神经网络的手掌静脉识别算法研究", 现代电子技术, vol. 43, no. 07, 1 April 2020 (2020-04-01), pages 52 - 56 *
王贵荣: "《机器学习简明教程》", 30 April 2020, 机械工业出版社, pages: 225 - 231 *
谷静;张可帅;朱漪曼;: "基于卷积神经网络的焊缝缺陷图像分类研究", 应用光学, vol. 41, no. 03, 15 May 2020 (2020-05-15), pages 531 - 536 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115229374A (zh) * 2022-07-07 2022-10-25 武汉理工大学 一种基于深度学习的汽车白车身焊缝质量检测方法、装置
CN115229374B (zh) * 2022-07-07 2024-04-26 武汉理工大学 一种基于深度学习的汽车白车身焊缝质量检测方法、装置

Similar Documents

Publication Publication Date Title
CN112150425B (zh) 一种基于神经网络的无监督血管内超声图像配准方法
CN112465748B (zh) 基于神经网络的裂缝识别方法、装置、设备及存储介质
CN105891215B (zh) 基于卷积神经网络的焊接视觉检测方法及装置
CN111598861A (zh) 基于改进的Faster R-CNN模型的非均匀纹理小缺陷的检测方法
CN110570396A (zh) 一种基于深度学习的工业产品缺陷检测方法
CN112070727B (zh) 一种基于机器学习的金属表面缺陷检测方法
CN116664558B (zh) 一种钢铁表面缺陷检测方法、系统及计算机设备
CN114240891A (zh) 融合知识图谱和图卷积神经网络的焊点质量识别方法
Zhang et al. Multi-model ensemble deep learning method for intelligent fault diagnosis with high-dimensional samples
CN114018951A (zh) 基于dcgan显著特征样本扩大预处理的塑料件焊缝检测方法
CN113936004B (zh) 一种锂电池焊接质量检测方法、装置及系统
Zou et al. A robust detector for automated welding seam tracking system
CN115311274A (zh) 一种基于空间变换自注意力模块的焊缝检测方法及系统
CN115526852A (zh) 基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用
CN114782982A (zh) 一种基于深度学习的海洋生物智能检测方法
CN113240665A (zh) 一种基于深度学习的工业自动表面缺陷检测方法
CN115048537A (zh) 一种基于图像-文本多模态协同表示的病害识别系统
CN113256620B (zh) 基于差值卷积神经网络的车身焊接质量信息评判方法
CN114399505B (zh) 工业检测中的检测方法、检测装置
CN115526863A (zh) 一种圆柱型锂电池表面缺陷检测方法及装置
CN115410024A (zh) 一种基于动态激活热力图的电力图像缺陷检测方法
CN114972181A (zh) 基于多尺度检测的重型部件涂装表面缺陷检测方法
CN113592024A (zh) 冷轧铜带表面缺陷识别模型训练方法及识别方法、系统
CN117496179A (zh) 多尺度双重注意力引导融合网络模型的碳排放分析方法
Li et al. A fine-grained flexible graph convolution network for visual inspection of resistance spot welds using cross-domain features

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