CN114049313A - 一种基于改进YOLOv4的锂电池缺陷检测方法 - Google Patents
一种基于改进YOLOv4的锂电池缺陷检测方法 Download PDFInfo
- Publication number
- CN114049313A CN114049313A CN202111260837.6A CN202111260837A CN114049313A CN 114049313 A CN114049313 A CN 114049313A CN 202111260837 A CN202111260837 A CN 202111260837A CN 114049313 A CN114049313 A CN 114049313A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- improved
- defect
- detection method
- convolution
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于改进YOLOv4的锂电池缺陷检测方法,包括步骤:1)获取锂电池表面缺陷图像;2)对获取的锂电池表面缺陷图像进行缺陷类型和缺陷位置标注,生成数据集,对数据集进行预处理,并将处理后的数据集划分为训练集和测试集;3)改进YOLOv4网络模型的主干特征提取网络,加入空洞卷积扩大感受野,获取优化后的改进YOLOv4网络模型,基于训练集对优化后的改进YOLOv4网络模型进行训练;4)利用训练后的改进YOLOv4网络模型对锂电池表面缺陷进行测试。与现有技术相比,本发明具有检测精度高、降低漏检率等优点。
Description
技术领域
本发明涉及深度学习技术领域,尤其是涉及一种基于改进YOLOv4的锂电池缺陷检测方法。
背景技术
二十世纪以来,随着微电子产业的技术发展,小型电器设备对电源提出了较高要求,由此锂电池逐步广泛应用。然而,作为制造锂电池的关键材料,锂电池的极耳和极片在生产制造的过程中极易出现气泡、压痕、破损等缺陷,这对锂电池的安全产生极大影响,关乎个人安全由于形成缺陷的生产环节较多,且原因各不相同,导致锂电池表面缺陷漏检率极高。因此,将各种复杂的缺陷从图片中提取出来,更有效地实现对锂电池表面缺陷的检测是视觉检测的重要环节。
近年来,目标检测框架已成为当今的研究热点,基于深度学习的目标检测算法主要分为两类:One-Stage和Two-Stage。One-Stage算法以YOLO系列、SSD等为代表,Two-Stage算法则以R-CNN、Fast R-CNN等为代表。YOLOv1自问世以来,经过不断实验与完善,如今YOLOv4已能很好地兼顾检测速度与精度,在小目标检测方向体现出了明显的优势,并广泛应用与缺陷检测方向。然而目前利用深度学习方法针对锂电池表面缺陷检测的研究较少,研究主要集中在利用Opencv对图像进行预处理、阈值分割等几个方面。
由于在实际检测中,小目标缺陷容易与背景颜色模糊为一体,因此常规算法很难准确将锂电池缺陷的位置及特征提取出来。深度学习近年来蓬勃发展,模型框架更新迭代较快,受限于硬件条件,现有技术无法满足当今锂电池缺陷检测的需要,并且速度与精度无法达到平衡。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进YOLOv4的锂电池缺陷检测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于改进YOLOv4的锂电池缺陷检测方法,该方法包括如下步骤:
S1:获取锂电池表面缺陷图像。
进一步地,采用高精度的工业线性扫描摄像机拍摄锂电池表面缺陷图像。
S2:对获取的锂电池表面缺陷图像进行缺陷类型和缺陷位置标注,生成数据集,对数据集进行预处理,并将处理后的数据集划分为训练集和测试集。
进一步地,采用Labelimg软件对获取的锂电池表面缺陷图像进行缺陷类型和缺陷位置标注,生成数据集。
对数据集进行预处理为对数据集进行包括尺度变换、随机翻转和对比度调节在内的数据增强操作。
S3:改进YOLOv4网络模型的主干特征提取网络,加入空洞卷积扩大感受野,获取优化后的改进YOLOv4网络模型,基于训练集对优化后的改进YOLOv4网络模型进行训练。
改进YOLOv4网络模型的主干特征提取网络的具体内容为:
在对训练集的图像分割时,注入空洞卷积代替下采样和上采样操作,通过调整扩张率控制数据之间的距离,在不降低特征分辨率的情况下,扩大模型的感受野,在上采样获取高层语义信息,输出特征图。
调整扩张率后卷积核的大小公式为:
K′=(D-1)×(K-1)+K
式中:K′为等效卷积核的大小;K为空洞卷积的卷积核;D为空洞率。
所述改进YOLOv4网络模型的颈部网络中插入有轻量级ECA-Net模块。
所述ECA-Net模块利用大小为Q的快速一维卷积获取通道权值,基于给定使用全局平均池化层的聚合特性,通过函数自适应调整取值,由于通道维度通常取2的指数,则表达式如下:
C=Φ(Q)=2(λ*Q-b)
式中:C为通道维度,|x|odd为最近的奇数,λ=2,b=1。
所述改进YOLOv4网络模型的YOLO Head部分设有条件卷积,在Condconv层,卷积核作为输入示例的函数来计算。
输出的特征图的表达式为:
式中:Vout为输出特征图的大小;Vin为输入特征图的大小;F为卷积核的大小;P为特征图填充的圈数;S为卷积的步长。
S4:利用训练后的改进YOLOv4网络模型对锂电池表面缺陷进行测试。
本发明提供的基于改进YOLOv4的锂电池缺陷检测方法,相较于现有技术至少包括如下有益效果:
1)现有原YOLOv4模型虽能较为准确地检测出锂电池表面的多种缺陷,但无法完整分割出缺陷的全部区域,且在相似缺陷的区域时容易发生漏检,该模型未能识别出破损缺陷,漏检率较高;而本发明提出的改进的YOLOv4模型不仅能有效识别出四种缺陷,且改进后的模型所预测的边界框相比原始模型更加接近真实缺陷区域,分割更为完整,表明本发明改进后的YOLOv4模型不仅提高了检测精度,而且定位更加准确。
2)相较于传统人工检测缺陷,面积较大且对比度较高的缺陷尚可能被肉眼检测出来,然而小面积或相似模糊的缺陷肉眼基本无法察觉;本发明在机器视觉的高精度相机下,通过改进的缺陷检测模型,可以较为有效的检测出细小的破损、气泡、压痕、异常缺陷,降低工业漏检率。
附图说明
图1为实施例中锂电池表面四种缺陷展示图,其中,子图(a)为破损缺陷,子图(b)为气泡缺陷,子图(c)为压痕缺陷,子图(d)为极耳异常缺陷;
图2为实施例中基于Labelimg软件进行缺陷标注示意图;
图3为实施例中空洞卷积结构示意图;
图4为实施例中ECA-Net结构示意图;
图5为实施例中网络训练迭代过程;
图6为实施例中模型检测示意图,其中子图(a)为原YOLOv4模型检测示意图,子图(b)为改进后的YOLOv4模型检测示意图;
图7为实施例中缺陷检测方法的实验验证结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
现有原YOLOv4模型虽能较为准确地检测出锂电池表面的多种缺陷,但无法完整分割出缺陷的全部区域,且在相似缺陷的区域时容易发生漏检,如图6的子图(a)所示,该模型未能识别出破损缺陷,漏检率较高。本发明涉及一种基于改进YOLOv4的锂电池缺陷检测方法,该方法的主要改进点在于:一、将YOLOv4骨干网络中的传统卷积替换成空洞卷积,在保证计算量不增加的同时,扩大感受野,使网络获得更高层的语义信息,提高检测精度。二、在特征金字塔网络FPN中引入通道注意力机制ECA-Net,使得模型更加注重小目标缺陷边缘信息的学习,进一步提升检测效果。三、在分类与边界框回归使用条件卷积替代常规卷积,不仅可以提升模型的容量,同时能够保持高效推理。本发明方法的具体技术方案如下:
I、表面缺陷检测
1.1锂电池缺陷
锂电池表面缺陷图像通过现场高精度的工业线性扫描摄像机采集,例如CCD相机。锂电池极片分为极耳和极片2个部分。由于生产工艺的限制,极耳与极片表面通常会出现多种缺陷。根据缺陷存在的位置及缺陷的形态,定义了4种缺陷类型:破损、气泡、极耳异常和压痕,具体缺陷类型如图1所示。
1.2缺陷检测流程
本发明缺陷检测流程首先采集锂电池图像,利用Labelimg软件对所述锂电池图像表面缺陷进行缺陷类型和缺陷位置的标注,生成数据集后,将其按8:2分为训练集和测试集;其次,改进YOLOv4网络模型的主干特征提取网络,加入空洞卷积扩大感受野,在颈部网络插入轻量级注意力通道模块自适应选择一维卷积核大小,降低模型复杂度,在分类与边界框回归融合条件卷积,提升模型的鲁棒性。最后在优化后的YOLOv4网络模型中训练生成锂电池表面缺陷模型对所述锂电池表面缺陷进行测试。
II、实验步骤
2.1数据增强与样本制作
锂电池表面缺陷图像运用工业CCD相机进行采集。前期采集数据共有锂电池缺陷图像420张。由于原始数据较少,无法保证每种缺陷样本数量达到要求,故进行数据增强操作。数据增强是通过对原始图像进行尺度变换、随机翻转、对比度调节等操作,有效避免试验结果过拟合,使模型更好地适应新样本,增强模型的泛化能力。数据增强后,数据集共有缺陷图像1752张,这些图像包含一处或多处缺陷,随机选取缺陷图像中80%的图像进行训练,剩余20%图像用于制作测试集。实验样本数据均使用标注软件labelimg进行人工标注(如图2所示),并生成相应的xml格式文件。
2.2改进网络
2.2.1空洞卷积
通常而言,图像分割算法使用池化层对特征进行压缩,简化网络复杂度,卷积层则主要用来提取边缘信息与图像特征。因此特征图缩小再放大的过程造成了图像特征信息的丢失。本发明在图像分割时注入空洞卷积代替下采样和上采样操作,从而在增加感受野的同时保证特征图的尺寸不变。特征图的输出大小如式(1)所示:
其中,Vout为输出特征图的大小;Vin为输入特征图的大小;F为卷积核的大小;P为特征图填充的圈数;S为卷积的步长。
为了适应锂电池表面较大尺寸缺陷的数据,本发明在传统卷积的基础上加入了空洞卷积。在特征转移层中引入空洞卷积,通过调整扩张率来控制数据之间的距离,在不降低特征分辨率的情况下,扩大模型的感受野,在上采样使获取更高层的语义信息。设置的扩张率越大,其对应的卷积核大小越大,特征提取感受野越大。从图3可以看出,同样一个3×3的卷积,感受野可以扩大至5×5、7×7的效果。
计算加入扩张率的卷积核大小如式(2)所示:
K′=(D-1)×(K-1)+K (2)
其中,K′为等效卷积核的大小;K为空洞卷积的卷积核;D为空洞率。由于本发明需要检测的缺陷目标尺寸相差较大,因此将空洞率调整为2。空洞卷积的加入,更好地改善了对不同尺寸目标的检测效果。
2.2.2 ECA-Net
注意机制是增强神经网络深度的有效手段之一,本发明在原有YOLOv4模型的颈部网络中插入轻量级ECA-Net模块,该模块可以自适应选择一维卷积核的大小,并且在局部跨信道交互时保持维度,实现性能提优。其结构如图4所示。通过给定使用全局平均池化层(GAP)的聚合特性,ECA模块利用大小为Q的快速一维卷积来获取通道权值,通过函数自适应调整取值。在映射关系中,最简单的为线性关系,例如Φ(Q)=λ*Q-b,然而,以线性函数为特征的关系过于有限,另一方面,通道维度C(即滤波器的数量)通常取2的指数。因此,我们通过将线性函数Φ(Q)=λ*Q-b扩展为非线性函数来引入一个可能的解,公式如下:
C=Φ(Q)=2(λ*Q-b) (3)
其中,|x|odd表示最接近x的奇数,在本发明中,我们分别设置λ=2,b=1。显然,通过映射Ψ,高维通道具有更长的相互作用距离,而低维通道通过非线性映射具有更短的相互作用距离。ECA-Net模块灵活轻便,可以显著提升多种轻量级神经网络的性能,尤其在MobileNet系列中表现出色。与此同时,ECA-Net在实时目标检测和图像分割任务中也体现出了良好的鲁棒性。
2.2.3条件卷积
目前,模型尺寸与容量的提升使得卷积神经网络的性能得到大幅优化,然而模型尺寸的提升进一步加剧了计算量和优秀模型的部署难度。为更有效的提升模型容量,本发明在YOLO Head部分加入条件卷积,使得专家知识只需进行一次整合,使模型保持高效推理。在常规卷积层中,相同的卷积核用于所有输入示例。在Condconv层,卷积核作为输入示例的函数来计算,可以通过公式(5)、(6)得到:
output(x)=σ((α1·W1+…+αn·Wn)*x) (5)
r(x)=Sigmoid((x)R) (6)
其中,r(x)为一个中间量;x为上一层的输出,n为这一层专家的个数,σ为激活函数。通过三个步骤从层输入计算实例相关的路由权重αi=ri(x):全局平均池化(GAP)、全连接层和Sigmoid激活。R为将汇集的输入映射到n个专家权重的学习权重矩阵,αi=ri为一个样本依赖的加权参数。在卷积操作之前,通过ri(x)计算出每一个专家的系数αi,再通过线性组合,最后与输入x做卷积。本发明根据卷积层的输入,选取参数为1。
2.3网络训练
对破损、气泡、极耳异常及压痕这4类缺陷的实验样本图像分别进行标定之后,生成对应的xml格式标记文件。基于YOLOv4架构搭建深度学习模型,设置训练样本时的一批样本数量batch=16,动量参数momentum=0.9,权重衰减正则项decay=0.0005,最大迭代次数max batches=2500。图5为实验样本训练过程,随迭代次数的增加,损失函数值的实时变化情况。通过分析图5可知,迭代次数进行到2500次时损失值趋于平稳,有较好的收敛性。改进后的YOLOv4模型最终损失函数值明显低于原模型。
2.4有益效果
2.4.1两种缺陷检测方式对比
原YOLOv4模型虽能较为准确地检测出锂电池表面的多种缺陷,但不能完整分割出缺陷的全部区域,且在相似缺陷的区域时容易发生漏检,如图6的子图(a)所示,该模型未能识别出破损缺陷,漏检率较高。而本发明提出的改进的YOLOv4模型不仅能有效识别出四种缺陷,且改进后的模型所预测的边界框相比原始模型更加接近真实缺陷区域,分割更为完整。这说明改进后的YOLOv4模型不仅提高了检测精度,而且定位更加准确,如图6的子图(b)所示。
相较于传统人工检测缺陷,面积较大且对比度较高的缺陷尚可能被肉眼检测出来,然而小面积或相似模糊的缺陷肉眼基本无法察觉。在机器视觉的高精度相机下,通过上述的缺陷检测模型,可以较为有效的检测出细小的破损、气泡、压痕、异常缺陷,降低工业漏检率。
2.4.2运用缺陷检测模型得到的检测结果
如图7所示,运用工业相机采集锂电池极片缺陷图像,使用本发明改进的YOLOv4缺陷检测模型对该缺陷部分进行检测,可以比较准确地获取缺陷种类及位置。
根据检测结果,本发明提出的缺陷检测系统能有效识检测出四种物理缺陷的位置,并能识别缺陷复杂的轮廓。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于改进YOLOv4的锂电池缺陷检测方法,其特征在于,包括下列步骤:
1)获取锂电池表面缺陷图像;
2)对获取的锂电池表面缺陷图像进行缺陷类型和缺陷位置标注,生成数据集,对数据集进行预处理,并将处理后的数据集划分为训练集和测试集;
3)改进YOLOv4网络模型的主干特征提取网络,加入空洞卷积扩大感受野,获取优化后的改进YOLOv4网络模型,基于训练集对优化后的改进YOLOv4网络模型进行训练;
4)利用训练后的改进YOLOv4网络模型对锂电池表面缺陷进行测试。
2.根据权利要求1所述的基于改进YOLOv4的锂电池缺陷检测方法,其特征在于,步骤1)中,采用高精度的工业线性扫描摄像机拍摄锂电池表面缺陷图像。
3.根据权利要求1所述的基于改进YOLOv4的锂电池缺陷检测方法,其特征在于,步骤2)中,采用Labelimg软件对获取的锂电池表面缺陷图像进行缺陷类型和缺陷位置标注,生成数据集。
4.根据权利要求3所述的基于改进YOLOv4的锂电池缺陷检测方法,其特征在于,对数据集进行预处理为对数据集进行包括尺度变换、随机翻转和对比度调节在内的数据增强操作。
5.根据权利要求1所述的基于改进YOLOv4的锂电池缺陷检测方法,其特征在于,步骤3)中,改进YOLOv4网络模型的主干特征提取网络的具体内容为:
在对训练集的图像分割时,注入空洞卷积代替下采样和上采样操作,通过调整扩张率控制数据之间的距离,在不降低特征分辨率的情况下,扩大模型的感受野,在上采样获取高层语义信息,输出特征图。
6.根据权利要求5所述的基于改进YOLOv4的锂电池缺陷检测方法,其特征在于,调整扩张率后卷积核的大小公式为:
K′=(D-1)×(K-1)+K
式中:K′为等效卷积核的大小;K为空洞卷积的卷积核;D为空洞率。
7.根据权利要求5所述的基于改进YOLOv4的锂电池缺陷检测方法,其特征在于,所述改进YOLOv4网络模型的颈部网络中插入有轻量级ECA-Net模块。
9.根据权利要求5所述的基于改进YOLOv4的锂电池缺陷检测方法,其特征在于,所述改进YOLOv4网络模型的YOLO Head部分设有条件卷积,在Condconv层,卷积核作为输入示例的函数来计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111260837.6A CN114049313A (zh) | 2021-10-28 | 2021-10-28 | 一种基于改进YOLOv4的锂电池缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111260837.6A CN114049313A (zh) | 2021-10-28 | 2021-10-28 | 一种基于改进YOLOv4的锂电池缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049313A true CN114049313A (zh) | 2022-02-15 |
Family
ID=80206730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111260837.6A Pending CN114049313A (zh) | 2021-10-28 | 2021-10-28 | 一种基于改进YOLOv4的锂电池缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049313A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115327301A (zh) * | 2022-08-30 | 2022-11-11 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线电路异物识别检测方法、设备及储存介质 |
WO2023155069A1 (zh) * | 2022-02-16 | 2023-08-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的手机电池表面缺陷检测方法 |
CN116894999A (zh) * | 2023-07-18 | 2023-10-17 | 中国石油大学(华东) | 基于条件参数化卷积的溢油极化sar检测方法和装置 |
-
2021
- 2021-10-28 CN CN202111260837.6A patent/CN114049313A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023155069A1 (zh) * | 2022-02-16 | 2023-08-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的手机电池表面缺陷检测方法 |
CN115327301A (zh) * | 2022-08-30 | 2022-11-11 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线电路异物识别检测方法、设备及储存介质 |
CN116894999A (zh) * | 2023-07-18 | 2023-10-17 | 中国石油大学(华东) | 基于条件参数化卷积的溢油极化sar检测方法和装置 |
CN116894999B (zh) * | 2023-07-18 | 2024-05-03 | 中国石油大学(华东) | 基于条件参数化卷积的溢油极化sar检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
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 | |
CN114049313A (zh) | 一种基于改进YOLOv4的锂电池缺陷检测方法 | |
CN110046550B (zh) | 基于多层特征学习的行人属性识别系统及方法 | |
CN112364931B (zh) | 一种基于元特征和权重调整的少样本目标检测方法及网络系统 | |
CN111814867A (zh) | 缺陷检测模型的训练方法、缺陷检测方法及相关装置 | |
CN113591795B (zh) | 一种基于混合注意力特征金字塔结构的轻量化人脸检测方法和系统 | |
CN111260688A (zh) | 一种孪生双路目标跟踪方法 | |
CN112434586B (zh) | 一种基于域自适应学习的多复杂场景目标检测方法 | |
CN111126359A (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
CN111768388A (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
CN111462120A (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN112233129B (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
CN109902609A (zh) | 一种基于YOLOv3的交通标志检测与识别方法 | |
CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
CN112258537B (zh) | 一种基于卷积神经网络的监督暗视觉图像边缘检测方法 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN115861190A (zh) | 一种基于对比学习的光伏组件无监督缺陷检测方法 | |
CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
CN110827327B (zh) | 一种基于融合的长期目标跟踪方法 | |
CN113963272A (zh) | 一种基于改进yolov3的无人机图像目标检测方法 | |
CN111612802B (zh) | 一种基于现有图像语义分割模型的再优化训练方法及应用 | |
CN113065400A (zh) | 基于无锚框两阶段网络检测发票印章的方法及装置 | |
CN113536896A (zh) | 基于改进Faser RCNN的小目标检测方法、装置及存储介质 |
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 |