CN114519798A - 一种基于对抗神经网络的多目标图像数据增强方法 - Google Patents
一种基于对抗神经网络的多目标图像数据增强方法 Download PDFInfo
- Publication number
- CN114519798A CN114519798A CN202210076853.8A CN202210076853A CN114519798A CN 114519798 A CN114519798 A CN 114519798A CN 202210076853 A CN202210076853 A CN 202210076853A CN 114519798 A CN114519798 A CN 114519798A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- layer
- generator
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003042 antagnostic effect Effects 0.000 title claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 157
- 238000012549 training Methods 0.000 claims abstract description 44
- 239000011521 glass Substances 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 abstract description 5
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Abstract
本发明属于计算机图像处理技术领域，具体涉及一种基于对抗神经网络的多目标图像数据增强方法，包括如下步骤：S1：图像采集平台采集玻璃表面缺陷图像数据，构成缺陷样本数据集，划分为训练集和验证集；S2：对抗神经网络读取预处理后的训练集图像数据，进行对抗网络模型训练；S2‑1：构建生成器生成假缺陷图像；S2‑2：构建判别器判别输入图像是否为真实缺陷图像；S2‑3：循环C‑1和C‑2至生成器与判别器达到纳什平衡；S3：利用训练好的生成器生成保存假缺陷图像，扩增玻璃表面缺陷样本；通过生成器生成假缺陷图像，判别器判别真假缺陷图像，训练判别器最大化正确判别真假缺陷图像的能力，反训练生成器制造更逼真的假缺陷图像，实现玻璃表面缺陷小样本的扩增。
Description
技术领域
本发明属于计算机图像处理技术领域，具体涉及一种基于对抗神经网络的多目标图像数据增强方法。
背景技术
玻璃在深加工过程中，由于受技术条件、生产环境或人为因素的影响，可能出现划痕、崩边、脏污、烧伤、麻点、压痕等不同类型的缺陷，但实际生产条件下，玻璃表面有缺陷的样本数量远小于无缺陷的样本数量，能够获取到的每种类型的缺陷样本量更加有限，难以构成研究学习的样本量需求，同时对样本数据进行标注也需要较高成本。因此，需要提供一种能够扩展玻璃表面缺陷样本数量的方法。
发明内容
本发明在于提供一种基于对抗神经网络的多目标图像数据增强方法，通过对小样本源数据集进行特征分类，细化数据标签，使用生成对抗神经网络和卷积网络相结合，扩增玻璃表面缺陷的样本量，进一步增强缺陷样本的质量，提高缺陷检测模型的可靠性。
一种基于对抗神经网络的多目标图像数据增强方法，包括如下步骤：
S1：通过图像采集平台对玻璃表面缺陷进行图像数据采集，构成缺陷样本数据集，并划分为训练集和验证集；
S2：对抗神经网络读取预处理后的训练集图像数据，进行对抗网络模型训练；
S2-1：构建生成器，采集训练集的缺陷样本数据特征，进行生成器训练，输出假缺陷图像；
S2-2：构建判别器，分析真实缺陷图像和假缺陷图像的不同特征，判别输入图像是否为真实缺陷图像；
S2-3：循环C-1和C-2，直至生成器与判别器达到纳什平衡，即生成器生成的假缺陷图像接近于真实缺陷图像；
S3：利用训练好的生成器生成并保存假缺陷图像，扩增玻璃表面缺陷样本。
通过采集玻璃表面缺陷样本数据，利用对抗神经网络的生成器生成假缺陷图像，判别器判别真假缺陷图像，训练判别器最大化正确判别真假缺陷图像的能力，反训练生成器制造更逼真的假缺陷图像，丰富缺陷样本数据集，实现玻璃表面缺陷小样本的扩增；同时进一步增加缺陷样本的质量，提高缺陷图像检测对抗网络模型的可靠性。
进一步的，所述S1中，构成缺陷样本数据集的过程包括：将划痕缺陷分为深、浅两种，再将每种划痕缺陷分为横、纵两个方向，再对每种方向上的划痕缺陷进行直、弧的划分，形成八种类型的划痕缺陷；每种类型的划痕缺陷分别制作固定数量的缺陷样本；将划痕缺陷、崩边缺陷、脏污缺陷分别两两重叠，形成三种缺陷类型，并分别制作固定数量的缺陷样本。
通过对缺陷样本数据集中的各样本缺陷进行细致特征划分，能够增强缺陷类型，同时考虑多种类型的两两重叠，增加原始缺陷样本数据集的数量。
进一步的，所述S2中，训练集图像数据预处理时对主要缺陷特征进行位置统一化处理。
通过对训练集图像进行预处理，控制除缺陷特征外其他影响判别的特征因素，将复杂问题简单化，训练判别器只对缺陷类型特征的判别能力。
进一步的，所述S2-1中，生成器包括一个输入向量、反卷积层和输出层，反卷积层有五层，每层的反卷积层包括BN层和上采样卷积层，BN层和上采样卷积层使用平均差和方差进行批量归一化，上采样卷积层对图像上采样后使用LeakyReLu激活函数进行激活，输出层使用Tanh激活函数。
通过生成器创建与训练数据具有相同概率分布的假缺陷图像；通过批量归一化处理不仅能够解决生成网络训练崩溃的问题，同时能使梯度稳定下降以及发生防止梯度消失的可能性；通过上采样获取更有效的图像特征信息；通过LeakyReLu激活函数和Tanh激活函数，加快模型收敛速度，减少迭代次数。
进一步的，所述S2-2中，判别器包括输入层、隐藏层和全连接层，输入层输入图像后经过隐藏层处理后输出该图像的特征值，并作为全连接层的输入值，全连接层使用Sigmoid激活函数平滑，用于判断输入层输入图像的真假。
通过判别器判别输入的图像是来自真实的图像还是生成器生成的假图像。
进一步的，所述隐藏层包括五层残差卷积层，每层的残差卷积层经过BN层，并采用LeakyReLu激活函数进行卷积处理，处理过后的残差卷积层再与原残差卷积层进行通道连接，再经过LeakyReLu激活函数进行卷积处理后输出。
通过在隐藏层中引入残差卷积层，可以防止语义信息的丢失，将原图信息直接映射到下一层，进而使得对抗神经网络可以学习到图像较为完全的特征信息，以提高判别器的学习能力，有效提高判别器对真假图像的判别，进而反向促进生成生成更高质量的图像。
进一步的，所述S3中，生成器中使用Adam优化器，判别器中使用Adam优化器和SGD优化器的组合，用于训练模型的优化。
通过Adam优化器进行快速下井，提高对抗神经网络模型训练速度；同时判别器中增加SGD优化器，对对抗神经网络模型参数进行进一步优化。
本发明的有益效果为：
通过采集玻璃表面缺陷样本数据，利用对抗神经网络的生成器生成假缺陷图像，判别器判别真假缺陷图像，训练判别器最大化正确判别真假缺陷图像的能力，反训练生成器制造更逼真的假缺陷图像，丰富缺陷样本数据集，实现玻璃表面缺陷小样本的扩增；同时进一步增加缺陷样本的质量，提高缺陷图像检测对抗网络模型的可靠性；通过在判别器的隐藏层中引入残差卷积层，防止语义信息的丢失，使其学习到较为完整的图像特征信息，进而提高判别器的判别能力，能有效提高判别器对真假图像的判别，进而反向促进生成器生成图像质量的提高。
附图说明
图1为本发明中对抗神经网络判别过程示意图；
图2为生成器的结构示意图；
图3为判别器的结构示意图；
图4为残差结构的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
图1所示的是一种基于对抗神经网络的多目标图像数据增强方法，包括如下步骤：
S1：通过图像采集平台对玻璃表面缺陷进行图像数据采集，构成缺陷样本数据集，并划分为训练集和验证集；
S2：对抗神经网络读取预处理后的训练集图像数据，进行对抗网络模型训练；
S2-1：构建生成器，采集训练集的缺陷样本数据特征，进行生成器训练，输出假缺陷图像；
S2-2：构建判别器，分析真实缺陷图像和假缺陷图像的不同特征，判别输入图像是否为真实缺陷图像；
S2-3：循环C-1和C-2，直至生成器与判别器达到纳什平衡，即生成器生成的假缺陷图像接近于真实缺陷图像；
S3：利用训练好的生成器生成并保存假缺陷图像，扩增玻璃表面缺陷样本。
通过采集玻璃表面缺陷样本数据，利用对抗神经网络的生成器生成假缺陷图像，判别器判别真假缺陷图像，训练判别器最大化正确判别真假缺陷图像的能力，反训练生成器制造更逼真的假缺陷图像，丰富缺陷样本数据集，实现玻璃表面缺陷小样本的扩增；同时进一步增加缺陷样本的质量，提高缺陷图像检测对抗网络模型的可靠性。
在本实施例中，S1中，构建缺陷样本数据集时，将大量数据缺陷集中至同块玻璃盖板上并对其进行裁剪、分类以及标签制作。依照划痕缺陷的深浅大小、横纵方向和直弧形状进行划分，形成八种类型划痕缺陷；每种类型的划痕缺陷分别制作两百张缺陷图像的样本；将划痕缺陷、崩边缺陷、脏污缺陷分别两两重叠形成三种缺陷类型，每种各制作一百张缺陷图像的样本。
对缺陷样本数据集进行标签框选，标签框选的信息包括每个缺陷图像样本所在框的中心坐标、框的长以及框的宽。
依照9:1的比例将缺陷样本数据集划分为训练集和验证集。
在本实施例中，S2中，训练集图像数据预处理的过程包括样本特征的分类，将包含各缺陷特征的训练集图像数据进行位置统一化处理，即对主要缺陷特征部分所在位置进行特征直方图的选取，断开连通域后再选取最大区域，完成对检测区域ROI位置以及区域大小信息的获取，将ROI平移至中心位置，规定其为同一大小区域位置，实现位置统一化处理；同时依据最大缺陷图像样本的尺寸，将每个缺陷图像样本的图片利用边框填充进行大小统一化处理，使得每张缺陷图像样本的像素值相同。
对抗神经网络读取预处理后的训练集图像数据，对抗神经网络构建生成器和判别器，用于构建对抗神经网络模型。
生成器和判别器之间互相对抗，优化过程为极小极大化过程，对抗神经网络的目标函数为：
式中，G为生成器，D为判别器，x为真实图像，Pdata(x)为x的训练数据分布变量，logD(x)为判别器将真实图像判别为真实图像的概率，D(x)为判别网络判别图像正确的概率，z为输入生成网络的噪声，Pz(z)输入噪声的先验变量，log(1-D(G(z)))为判别网络将虚假图像判别为虚假图像的概率，G(z)为生成网络生成的假缺陷图像。
其中，生成器训练时可将log(1-D(G(z)))更换为-log(1-D(G(z)))，便于前期加快训练。
首先设置缺陷图像样本的大小为256，并按0.5的数值进行正则化；其次设置填充标签，图像为真则填充标签值为1，图像为假则填充标签值为0。
S2-1：构建并训练生成器；
生成器包括一个输入向量Z、反卷积层和输出层。
其中，如图2所示，反卷积层有五层，每层包括BN层和上采样卷积层。
S2-1-1：BN层对于读取的预处理后的训练集图像数据进行批量统一化处理；
设定以潜在语义空间大小为输入图像的大小，初始化图像的大小为输入图片大小的四分之一，输出图像大小为128×初始化图像大小的平方。
随机初始化一个batch数量的缺陷图像样本图片，即{x1,x2…,xn}；利用对应缺陷图像样本图片的平均差和方差选用归一化值为0.8进行归一化处理；归一化处理完成后输出归一化的图像，即{yi＝BNγ,β(xi)}。
其中，平均差归一化为：
方差归一化为：
以及
式中，μβ为样本均值，σβ 2为样本方差，ε为一个常数，用于数值稳定使得坟墓不为零，γ为缩放系数，β为平移系数。
批量统一化处理不仅能够解决生成网络训练崩溃的问题，同时能够使得梯度稳定下定以及防止梯度消失发生的可能。
S2-1-2：上采样卷积层对归一化的图像进行上采样和卷积处理；
对归一化图像进行上采样处理，进一步获取更有效的图像特征信息。上采样处理后，结合LeakyReLu激活函数进行(128,128,3，stride＝1,padding＝1)的卷积处理。
S2-1-3：输出层采用Tanh激活函数激活，加快对抗模型收敛速度，减少迭代次数；
S2-1-4：全连接层进行前向传播，完成生成器的训练，输出一张假缺陷图像。
S2-2：构建并训练判别器；
判别器包括输入层、隐藏层和全连接层FC；
S2-2-1：输入层输入一张缺陷图像样本或生成器生成的假缺陷图像；
S2-2-2：如图3所示，隐藏层包括五层残差卷积层，每层的残差卷积层经过BN层，并采用LeakyReLu激活函数进行(1,16,3，stride＝1,padding＝1)卷积处理，处理过后的残差卷积层再与原残差卷积层进行通道连接，再经过LeakyReLu激活函数进行(1,16,3，stride＝1,padding＝1)卷积处理后输出至下一层，最终隐藏层输出该图像的特征值。
图4所示的是残差卷积层的残差结构，网络的输入为x，残差模块和普通模块直接从x映射到H(x)的函数不同，其目标函数转化为：
H(x)＝x+F(x)；
式中，H(x)为拟合目标函数，F(x)为非线性的叠加层。在残差结构中，使用F(x)的方式是使其逼近H(x)-x。
通过在隐藏层中引入残差卷积层，可以防止语义信息的丢失，将原图信息直接映射到下一层，进而使得对抗神经网络可以学习到图像较为完全的特征信息，以提高判别器的学习能力，有效提高判别器对真假图像的判别，进而反向促进生成生成更高质量的图像。
S2-2-3：全连接层接收隐藏层输出的特征值，使用Sigmoid函数进行平滑，同时为了防止过拟合，平滑数值调整至0.1与0.9；输出该图像的真假情况。
S2-3：循环S2-1和S2-2，直至达到生成器和判别器的纳什平衡。
在本实施例中，判别器中全连接层进行处理后的图像数据选择BCELoss损失函数进行计算，BCELoss损失函数为：
loss(y′i,yi)＝-ωi[yi×log y′i+(1-yi)×log(1-y′i)]；
式中，y′i表示i个样本预测为正例的概率，yi表示第i个样本的标签，ωi表示该项权重大小。
通过使用BCELoss损失函数，对输入图像进行真假的二分类划分；同时在判别器全连接层上使用Sigmoid激活函数，使得全连接层输出的值在0-1之间。
在本实施例中，S3中，生成器中使用Adam优化器；判别器中先使用Adam优化器进行快速下降，再使用SGD优化器充分优化模型。
在本实施例中，使用网格搜索的方法并利用不同超参数组合训练对抗神经网络模型，将初始学习率设置为0.0001，初始动量值为0.9，epoch设置为400，对对抗神经网络进行训练，选择在200epoch后输出图像，完成玻璃表面缺陷图像数据集的扩增。
通过博弈的方式对缺陷图片进行学习，提高生成器生成图像的精度，提高算法模型的可靠性，使训练好的模型可以直接输出玻璃表面缺陷图片，有效扩展样本数量。
Claims (7)
1.一种基于对抗神经网络的多目标图像数据增强方法，其特征在于，包括如下步骤：
S1：通过图像采集平台对玻璃表面缺陷进行图像数据采集，构成缺陷样本数据集，并划分为训练集和验证集；
S2：对抗神经网络读取预处理后的训练集图像数据，进行对抗网络模型训练；
S2-1：构建生成器，采集训练集的缺陷样本数据特征，进行生成器训练，输出假缺陷图像；
S2-2：构建判别器，分析真实缺陷图像和假缺陷图像的不同特征，判别输入图像是否为真实缺陷图像；
S2-3：循环C-1和C-2，直至生成器与判别器达到纳什平衡，即生成器生成的假缺陷图像接近于真实缺陷图像；
S3：利用训练好的生成器生成并保存假缺陷图像，扩增玻璃表面缺陷样本。
2.根据权利要求1所述的一种基于对抗神经网络的多目标图像数据增强方法，其特征在于：所述S1中，构成缺陷样本数据集的过程包括：将划痕缺陷分为深、浅两种，再将每种划痕缺陷分为横、纵两个方向，再对每种方向上的划痕缺陷进行直、弧的划分，形成八种类型的划痕缺陷；每种类型的划痕缺陷分别制作固定数量的缺陷样本；将划痕缺陷、崩边缺陷、脏污缺陷分别两两重叠，形成三种缺陷类型，并分别制作固定数量的缺陷样本。
3.根据权利要求1所述的一种基于对抗神经网络的多目标图像数据增强方法，其特征在于：所述S2中，训练集图像数据预处理时对主要缺陷特征进行位置统一化处理。
4.根据权利要求1所述的一种基于对抗神经网络的多目标图像数据增强方法，其特征在于：所述S2-1中，生成器包括一个输入向量、反卷积层和输出层，反卷积层有五层，每层的反卷积层包括BN层和上采样卷积层，BN层和上采样卷积层使用平均差和方差进行批量归一化，上采样卷积层对图像上采样后使用LeakyReLu激活函数进行激活，输出层使用Tanh激活函数。
5.根据权利要求1所述的一种基于对抗神经网络的多目标图像数据增强方法，其特征在于：所述S2-2中，判别器包括输入层、隐藏层和全连接层，输入层输入图像后经过隐藏层处理后输出该图像的特征值，并作为全连接层的输入值，全连接层使用Sigmoid激活函数平滑，用于判断输入层输入图像的真假。
6.根据权利要求5所述的一种基于对抗神经网络的多目标图像数据增强方法，其特征在于：所述隐藏层包括五层残差卷积层，每层的残差卷积层经过BN层，并采用LeakyReLu激活函数进行卷积处理，处理过后的残差卷积层再与原残差卷积层进行通道连接，再经过LeakyReLu激活函数进行卷积处理后输出。
7.根据权利要求1所述的一种基于对抗神经网络的多目标图像数据增强方法，其特征在于：所述S3中，生成器中使用Adam优化器，判别器中使用Adam优化器和SGD优化器的组合，用于训练模型的优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210076853.8A CN114519798A (zh) | 2022-01-24 | 2022-01-24 | 一种基于对抗神经网络的多目标图像数据增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210076853.8A CN114519798A (zh) | 2022-01-24 | 2022-01-24 | 一种基于对抗神经网络的多目标图像数据增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114519798A true CN114519798A (zh) | 2022-05-20 |
Family
ID=81596954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210076853.8A Pending CN114519798A (zh) | 2022-01-24 | 2022-01-24 | 一种基于对抗神经网络的多目标图像数据增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114519798A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258062A (zh) * | 2023-01-04 | 2023-06-13 | 广州科盛隆纸箱包装机械有限公司 | 基于质量检测图像的纸箱包装机械模切刀磨损预测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
| CN111950346A (zh) * | 2020-06-28 | 2020-11-17 | 中国电子科技网络信息安全有限公司 | 一种基于生成式对抗网络的行人检测数据扩充方法 |
| CN112614125A (zh) * | 2020-12-30 | 2021-04-06 | 湖南科技大学 | 手机玻璃缺陷检测方法、装置、计算机设备及存储介质 |
| CN113139916A (zh) * | 2021-04-15 | 2021-07-20 | 哈尔滨工程大学 | 基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法 |
| CN113298230A (zh) * | 2021-05-14 | 2021-08-24 | 西安理工大学 | 一种基于生成对抗网络的不平衡数据集的预测方法 |
-
2022
- 2022-01-24 CN CN202210076853.8A patent/CN114519798A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
| CN111950346A (zh) * | 2020-06-28 | 2020-11-17 | 中国电子科技网络信息安全有限公司 | 一种基于生成式对抗网络的行人检测数据扩充方法 |
| CN112614125A (zh) * | 2020-12-30 | 2021-04-06 | 湖南科技大学 | 手机玻璃缺陷检测方法、装置、计算机设备及存储介质 |
| CN113139916A (zh) * | 2021-04-15 | 2021-07-20 | 哈尔滨工程大学 | 基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法 |
| CN113298230A (zh) * | 2021-05-14 | 2021-08-24 | 西安理工大学 | 一种基于生成对抗网络的不平衡数据集的预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| WANG C等: "Lychee surface defect detection based on deep convolutional neural networks with GAN-based data augmentation", 《AGRONOMY》 * |
| ZHIXIANG XUE: "Semi-supervised convolutional generative adversarial network for hyperspectral image classification", 《IET IMAGE PROCESSING》 * |
| 吕永发: "基于深度学习的手机表面缺陷检测算法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 林嵩: "面向表面缺陷检测的小样本机器学习方法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
| 马恩驰等, 机械工业出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258062A (zh) * | 2023-01-04 | 2023-06-13 | 广州科盛隆纸箱包装机械有限公司 | 基于质量检测图像的纸箱包装机械模切刀磨损预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461110B (zh) | 一种基于多尺度图像和加权融合损失的小目标检测方法 | |
| CN109859190B (zh) | 一种基于深度学习的目标区域检测方法 | |
| CN113344849B (zh) | 一种基于YOLOv5的微乳头检测系统 | |
| CN112966684B (zh) | 一种注意力机制下的协同学习文字识别方法 | |
| CN108648191B (zh) | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 | |
| CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
| CN111652321A (zh) | 一种基于改进yolov3算法的海上船舶检测方法 | |
| CN112036447B (zh) | 零样本目标检测系统及可学习语义和固定语义融合方法 | |
| CN109033978B (zh) | 一种基于纠错策略的cnn-svm混合模型手势识别方法 | |
| CN113239782A (zh) | 一种融合多尺度gan和标签学习的行人重识别系统及方法 | |
| CN112700461B (zh) | 一种肺结节检测和表征类别识别的系统 | |
| CN111325237B (zh) | 一种基于注意力交互机制的图像识别方法 | |
| CN112734911A (zh) | 基于卷积神经网络的单幅图像三维人脸重建方法及系统 | |
| CN111815562A (zh) | 一种U-Net与自适应PCNN相结合的视网膜血管分割方法 | |
| US20230343128A1 (en) | Juvenile fish limb identification method based on multi-scale cascaded perceptual convolutional neural network | |
| CN112926652A (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 | |
| CN112927209A (zh) | 一种基于cnn的显著性检测系统和方法 | |
| CN114519798A (zh) | 一种基于对抗神经网络的多目标图像数据增强方法 | |
| Wang et al. | SERR-U-Net: squeeze-and-excitation residual and recurrent block-based U-Net for automatic vessel segmentation in retinal image | |
| CN117576079A (zh) | 一种工业产品表面异常检测方法、装置及系统 | |
| CN111582057B (zh) | 一种基于局部感受野的人脸验证方法 | |
| CN113762265A (zh) | 肺炎的分类分割方法及系统 | |
| Rajnoha et al. | Handwriting comenia script recognition with convolutional neural network | |
| CN115661860A (zh) | 一种狗行为动作识别技术的方法、装置、系统及存储介质 | |
| CN115830384A (zh) | 一种基于双判别器生成对抗网络的图像融合方法和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220520 |