CN114693670B - 基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法 - Google Patents
基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法 Download PDFInfo
- Publication number
- CN114693670B CN114693670B CN202210433159.7A CN202210433159A CN114693670B CN 114693670 B CN114693670 B CN 114693670B CN 202210433159 A CN202210433159 A CN 202210433159A CN 114693670 B CN114693670 B CN 114693670B
- Authority
- CN
- China
- Prior art keywords
- scale
- pixel
- net
- submerged arc
- welded pipe
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 230000003595 spectral effect Effects 0.000 claims abstract description 10
- 230000006872 improvement Effects 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000003466 welding Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30152—Solder
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明为一种基于多尺度U‑Net的直缝埋弧焊管焊缝缺陷超声检测方法，其克服了现有技术中存在的复杂背景下直缝埋弧焊管焊缝管缺陷检测的准确率低的问题。本发明能有效提高复杂背景下直缝埋弧焊管焊缝管缺陷检测的准确率。本发明包括以下步骤：步骤1.采用谱聚类算法将直缝埋弧焊管焊缝超声图像网格化并分配标签，得到超像素图像；步骤2.计算每个超像素内所有像素点的灰度平均值，再将灰度平均值重新赋值给超像素中每个像素点，得到视觉概要图；步骤3.构建改进的多尺度U‑Net模型；步骤4.将得到的视觉概要图作为训练集训练改进的多尺度U‑Net模型，利用训练好的多尺度U‑Net模型对直缝埋弧焊管焊缝缺陷进行检测。
Description
技术领域：
本发明属于焊管焊缝缺陷检测技术领域，涉及一种基于谱聚类与多尺度U-Net融合的直缝埋弧焊管焊缝缺陷超声检测方法。
背景技术：
直缝埋弧焊管焊缝可能出现各种缺陷。焊接缺陷不仅降低管道承载的截面积，而且容易产生应力集中，甚至可能诱发脆性断裂。尤其尖端存在缺口效应，很容易出现三向应力状态，导致裂纹失稳和扩展，致使结构断裂，可能造成严重事故和重大经济损失，危及人身安全。如何及早准确地检测直缝埋弧焊管焊缝缺陷一直是一个重要的研究方向，现有很多检测方法，但这些方法的检测结果易受温度、信号采集设备和传感器运动速度等各种因素干扰。与其他检测方法相比，超声检测方法具有检测距离远、检测速度快、检测精度高、检测装置体积小、重量轻、便于携带、总的检测费用较低和对人体无害等优点，比较适用于直缝埋弧焊管焊缝缺陷检测。由于直缝埋弧焊管焊缝的超声图像中存在复杂噪声、杂波以及伪缺陷信息，而且直缝埋弧焊管焊缝缺陷大小、形状和产生原因各种各样，而且焊缝缺陷没有固定的细节特性或形状特征，使得直缝埋弧焊管焊缝缺陷检测方法研究仍然是一项具有挑战性的研究方向。
发明内容：
本发明的目的在于提供一种基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法，其克服了现有技术中存在的复杂背景下直缝埋弧焊管焊缝管缺陷检测的准确率低的问题。本发明能有效提高复杂背景下直缝埋弧焊管焊缝管缺陷检测的准确率。
为实现上述目的，本发明采用的技术方案为：
一种基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法，其特征在于：包括以下步骤：
(1)采用谱聚类算法将直缝埋弧焊管焊缝超声图像网格化并分配标签，得到超像素图像；
(2)计算每个超像素内所有像素点的灰度平均值，再将灰度平均值重新赋值给超像素中每个像素点，得到视觉概要图；
(3)构建改进的多尺度U-Net模型；
(4)将得到的视觉概要图作为训练集训练改进的多尺度U-Net模型，利用训练好的多尺度U-Net模型对直缝埋弧焊管焊缝缺陷进行检测。
步骤(1)包括以下步骤：
在焊缝超声图像上选取K个初始聚类中心，其中K为原始图像的像素点个数；然后将聚类中心调节到原聚类中心周围3×3像素点中的梯度值为最小值的像素点；计算区域像素点与其聚类中心之间的混合距离，根据混合像素距离，在每个聚类中心周围像素点区域内进行聚类，得到超像素图像。
步骤(3)包括以下步骤：
在U-Net的基础上构建改进的多尺度U-Net模型，该模型包含5个编码模块、4个解码模块、1个注意力机制模块、4个通道，在最后一层加入超像素的中心位置像素的坐标信息，只对中心位置所在的像素进行1×1卷积分类。
步骤(4)包括以下步骤：
将得到的视觉概要图作为训练集训练改进的多尺度U-Net模型，基于损失函数梯度，使用随机梯度下降法对改进的多尺度U-Net的参数进行更新，以降低模型输出与标签值间残差，使模型完成训练；模型结构参数包含卷积核与池化核的维度、批处理数及神经元失活概率，训练参数包括模型学习率与训练次数；由训练好的多尺度U-Net模型对直缝埋弧焊管焊缝缺陷进行检测。
步骤(1)包括以下步骤：
(1)利用四邻点加权算子
对超声图像进行平滑滤波，滤掉较为细小的噪声点；
(2)定义图像的任意2个不同的像素点pi(xi,yi)和pj(xj,yj)之间的混合距离，表示聚类像素点的相似度：
其中，gi和gj为两个像素点pi和pj的像素灰度值，Cs和Cc分别为pi和pj的空间相似度和颜色相似度；
(3)设超声图像有N个像素点，选定分割的超像素个数为K，则相邻种子点的步长近似为
S称为网格之间的间隔，则超像素大小为N/K；
(4)按式(1)计算每个像素点与K个种子点的混合距离，根据计算的混合距离，将与之最近的种子标签赋予该像素；
(5)将种子点相邻像素中具有相同标签的像素合并，再将合并区域内的所有像素作为新种子点重复上述过程；
(6)重复上述步骤(4)和步骤(5)，不断迭代直到每个超像素的聚类中心不再发生变化为止；
(7)对于分割产生的孤立点，运用最近邻原则将其划分到相邻的超像素中。
步骤(3)包括以下步骤：
改进的多尺度U-Net包括编码模型和解码模块、池化、转置卷积、级联操作，编码模块和解码模块用于特征提取，池化用于下采用，转置卷积用于上采样，级联用于整合编码模型和对应的解码模块的特征；多尺度残差模块结构除第一个多尺度残差模块外，每经过一个多尺度残差模块，特征层的通道数加倍，空间尺寸保持不变，每经过一个2×2最大池化层，特征层的空间尺寸大小减半，通道数保持不变；1×1卷积将特征层通道数最终降为2；通道结构由若干个残差卷积块组成，由此减小编码部分特征层与解码部分特征层之间存在的语义间隔，且经过通道后的特征层空间尺寸、通道数均保持不变。
与现有技术相比，本发明具有的优点和效果如下：
本发明所涉及的一种基于谱聚类与多尺度U-Net融合的直缝埋弧焊管焊缝缺陷超声检测方法，进行直缝埋弧焊管焊缝缺陷检测，简单易实现，能够在复杂环境下检测出直缝埋弧焊管焊缝的微小缺陷，具有较高的检测准确率，能够为实际直缝埋弧焊管焊缝缺陷检测系统提供技术支持。
附图说明：
图1为本发明实施所涉及的一种基于谱聚类与多尺度U-Net融合的直缝埋弧焊管焊缝缺陷超声检测方法的流程图；
图2为本发明实施例所涉及的改进的多尺度U-Net架构图；
图3为本发明实施例所涉及的改进的多尺度U-Net的多尺度残差卷积模型；
图4为本发明实施例所涉及的改进的多尺度U-Net的注意力模型。
具体实施方式：
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
本发明为一种基于谱聚类与多尺度U-Net融合的直缝埋弧焊管焊缝缺陷超声检测方法，其特征在于，包括如下步骤：
(1)采用谱聚类算法将直缝埋弧焊管焊缝超声图像网格化并分配标签，得到超像素图像。具体包括以下过程：在焊缝超声图像上选取K个初始聚类中心，其中K为原始图像的像素点个数；然后将聚类中心调节到原聚类中心周围3×3像素点中的梯度值为最小值的像素点；计算区域像素点与其聚类中心之间的混合距离，根据混合像素距离，在每个聚类中心周围像素点区域内进行聚类，得到超像素图像；
(2)计算每个超像素内所有像素点的灰度平均值，再将灰度平均值重新赋值给超像素中每个像素点，得到视觉概要图；
(3)构建改进的多尺度U-Net模型。在U-Net的基础上构建改进的多尺度U-Net模型，该模型包含5个编码模块、4个解码模块、1个注意力机制模块、4个通道，在最后一层加入超像素的中心位置像素的坐标信息，只对中心位置所在的像素进行1×1卷积分类；
(4)将得到的视觉概要图作为训练集训练改进的多尺度U-Net模型，利用训练好的多尺度U-Net模型对直缝埋弧焊管焊缝缺陷进行检测；
实施例：
参照图1，本发明提供一种基于谱聚类与多尺度U-Net融合的直缝埋弧焊管焊缝缺陷超声检测方法，包括如下步骤：
步骤1，利用谱聚类算法将直缝埋弧焊管焊缝超声图像网格化并分配标签，得到超像素图像，包括以下过程：
(1)利用四邻点加权算子
对超声图像进行平滑滤波，滤掉较为细小的噪声点；
(2)定义图像的任意2个不同的像素点pi(xi,yi)和pj(xj,yj)之间的混合距离，表示聚类像素点的相似度：
其中，gi和gj为两个像素点pi和pj的像素灰度值，Cs和Cc分别为pi和pj的空间相似度和颜色相似度；
(3)设超声图像有N个像素点，选定分割的超像素个数为K，则相邻种子点的步长近似为
S称为网格之间的间隔，则超像素大小为N/K；
(4)按式(1)计算每个像素点与K个种子点的混合距离，根据计算的混合距离，将与之最近的种子标签赋予该像素；
(5)将种子点相邻像素中具有相同标签的像素合并，再将合并区域内的所有像素作为新种子点重复上述过程；
(6)重复上述步骤(4)和步骤(5)，不断迭代直到每个超像素的聚类中心不再发生变化为止；
(7)对于分割产生的孤立点，运用最近邻原则将其划分到相邻的超像素中。
步骤2，计算超像素图像的每一个超像素中所有像素点的灰度平均值，再将灰度平均值重新赋值给超像素中每一像素点，生成视觉概要图；
步骤3，构建改进的多尺度U-Net，该模型包含5个编码模块、4个解码模块、1个注意力机制模块、4个通道，在最后一层加入超像素的中心位置像素的坐标信息，只对中心位置所在的像素进行1×1卷积分类；
具体的，如图2所示，改进的多尺度U-Net包括编码模型和解码模块、池化、转置卷积、级联等操作，编码模块和解码模块用于特征提取。池化用于下采样，转置卷积用于上采样，级联用于整合编码模型和对应的解码模块的特征；如图3所示的多尺度残差模块结构，除第一个多尺度残差模块外，每经过一个多尺度残差模块，特征层的通道数加倍，空间尺寸保持不变，每经过一个2×2最大池化层，特征层的空间尺寸大小减半，通道数保持不变；1×1卷积将特征层通道数最终降为2；如图4所示的通道结构，由若干个残差卷积块组成，由此减小编码部分特征层与解码部分特征层之间存在的语义间隔，且经过通道后的特征层空间尺寸、通道数均保持不变；
步骤4，将得到的视觉概要图作为训练集训练改进的多尺度U-Net模型，基于损失函数梯度，使用随机梯度下降法对改进的多尺度U-Net的参数进行更新，以降低模型输出与标签值间残差，使模型完成训练。模型结构参数包含卷积核与池化核的维度、批处理数及神经元失活概率，训练参数包括模型学习率与训练次数。由训练好的多尺度U-Net模型对直缝埋弧焊管焊缝缺陷进行检测。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡是利用本发明的说明书及附图内容所做的等同结构变化，均应包含在发明的专利保护范围内。
Claims (6)
1.一种基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法，其特征在于：包括以下步骤：
(1)采用谱聚类算法将直缝埋弧焊管焊缝超声图像网格化并分配标签，得到超像素图像；
(2)计算每个超像素内所有像素点的灰度平均值，再将灰度平均值重新赋值给超像素中每个像素点，得到视觉概要图；
(3)构建改进的多尺度U-Net模型；
(4)将得到的视觉概要图作为训练集训练改进的多尺度U-Net模型，利用训练好的多尺度U-Net模型对直缝埋弧焊管焊缝缺陷进行检测；
步骤(3)中，构建改进的多尺度U-Net，该模型包含5个编码模块、4个解码模块、1个注意力机制模块、4个通道，在最后一层加入超像素的中心位置像素的坐标信息，只对中心位置所在的像素进行1×1卷积分类；改进的多尺度U-Net包括编码模型和解码模块、池化、转置卷积、级联操作，编码模块和解码模块用于特征提取；池化用于下采样，转置卷积用于上采样，级联用于整合编码模型和对应的解码模块的特征；多尺度残差模块结构除第一个多尺度残差模块外，每经过一个多尺度残差模块，特征层的通道数加倍，空间尺寸保持不变，每经过一个2×2最大池化层，特征层的空间尺寸大小减半，通道数保持不变；1×1卷积将特征层通道数最终降为2；通道结构由若干个残差卷积块组成，由此减小编码部分特征层与解码部分特征层之间存在的语义间隔，且经过通道后的特征层空间尺寸、通道数均保持不变。
2.根据权利要求1所述的基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法，其特征在于：步骤(1)包括以下步骤：
在焊缝超声图像上选取K个初始聚类中心，其中K为原始图像的像素点个数；然后将聚类中心调节到原聚类中心周围3×3像素点中的梯度值为最小值的像素点；计算区域像素点与其聚类中心之间的混合距离，根据混合像素距离，在每个聚类中心周围像素点区域内进行聚类，得到超像素图像。
3.根据权利要求1所述的基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法，其特征在于：步骤(3)包括以下步骤：
在U-Net的基础上构建改进的多尺度U-Net模型，该模型包含5个编码模块、4个解码模块、1个注意力机制模块、4个通道，在最后一层加入超像素的中心位置像素的坐标信息，只对中心位置所在的像素进行1×1卷积分类。
4.根据权利要求1所述的基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法，其特征在于：步骤(4)包括以下步骤：
将得到的视觉概要图作为训练集训练改进的多尺度U-Net模型，基于损失函数梯度，使用随机梯度下降法对改进的多尺度U-Net的参数进行更新，以降低模型输出与标签值间残差，使模型完成训练；模型结构参数包含卷积核与池化核的维度、批处理数及神经元失活概率，训练参数包括模型学习率与训练次数；由训练好的多尺度U-Net模型对直缝埋弧焊管焊缝缺陷进行检测。
5.根据权利要求2所述的基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法，其特征在于：步骤(1)包括以下步骤：
(1)利用四邻点加权算子
对超声图像进行平滑滤波，滤掉较为细小的噪声点；
(2)定义图像的任意2个不同的像素点pi(xi,yi)和pj(xj,yj)之间的混合距离，表示聚类像素点的相似度：
其中，gi和gj为两个像素点pi和pj的像素灰度值，Cs和Cc分别为pi和pj的空间相似度和颜色相似度；
(3)设超声图像有N个像素点，选定分割的超像素个数为K1，则相邻种子点的步长近似为
S称为网格之间的间隔，则超像素大小为N/K1；
(4)按式(1)计算每个像素点与K2个种子点的混合距离，根据计算的混合距离，将与之最近的种子标签赋予该像素；
(5)将种子点相邻像素中具有相同标签的像素合并，再将合并区域内的所有像素作为新种子点重复上述过程；
(6)重复上述步骤(4)和步骤(5)，不断迭代直到每个超像素的聚类中心不再发生变化为止；
(7)对于分割产生的孤立点，运用最近邻原则将其划分到相邻的超像素中。
6.根据权利要求2所述的基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法，其特征在于：步骤(3)包括以下步骤：
改进的多尺度U-Net包括编码模型和解码模块、池化、转置卷积、级联操作，编码模块和解码模块用于特征提取，池化用于下采用，转置卷积用于上采样，级联用于整合编码模型和对应的解码模块的特征；多尺度残差模块结构除第一个多尺度残差模块外，每经过一个多尺度残差模块，特征层的通道数加倍，空间尺寸保持不变，每经过一个2×2最大池化层，特征层的空间尺寸大小减半，通道数保持不变；1×1卷积将特征层通道数最终降为2；
通道结构由若干个残差卷积块组成，由此减小编码部分特征层与解码部分特征层之间存在的语义间隔，且经过通道后的特征层空间尺寸、通道数均保持不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210433159.7A CN114693670B (zh) | 2022-04-24 | 2022-04-24 | 基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210433159.7A CN114693670B (zh) | 2022-04-24 | 2022-04-24 | 基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114693670A CN114693670A (zh) | 2022-07-01 |
| CN114693670B true CN114693670B (zh) | 2023-05-23 |
Family
ID=82144531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210433159.7A Active CN114693670B (zh) | 2022-04-24 | 2022-04-24 | 基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114693670B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116432988B (zh) * | 2023-06-12 | 2023-09-05 | 青岛精锐机械制造有限公司 | 一种阀门生产工艺数据智能管理方法、介质及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018229490A1 (en) * | 2017-06-16 | 2018-12-20 | Ucl Business Plc | A system and computer-implemented method for segmenting an image |
| CN109934200A (zh) * | 2019-03-22 | 2019-06-25 | 南京信息工程大学 | 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统 |
| CN110163213A (zh) * | 2019-05-16 | 2019-08-23 | 西安电子科技大学 | 基于视差图和多尺度深度网络模型的遥感图像分割方法 |
| CN110414377A (zh) * | 2019-07-09 | 2019-11-05 | 武汉科技大学 | 一种基于尺度注意力网络的遥感图像场景分类方法 |
| CN111797712A (zh) * | 2020-06-16 | 2020-10-20 | 南京信息工程大学 | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 |
| CN113674247A (zh) * | 2021-08-23 | 2021-11-19 | 河北工业大学 | 一种基于卷积神经网络的x射线焊缝缺陷检测方法 |
| CN113705580A (zh) * | 2021-08-31 | 2021-11-26 | 西安电子科技大学 | 基于深度迁移学习的高光谱图像分类方法 |
| CN114119554A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于卷积神经网络的表面微缺陷检测方法及装置 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11094137B2 (en) * | 2012-02-24 | 2021-08-17 | Matterport, Inc. | Employing three-dimensional (3D) data predicted from two-dimensional (2D) images using neural networks for 3D modeling applications and other applications |
| US9692968B2 (en) * | 2014-07-31 | 2017-06-27 | Invisage Technologies, Inc. | Multi-mode power-efficient light and gesture sensing in image sensors |
| JP6815741B2 (ja) * | 2016-03-30 | 2021-01-20 | キヤノン株式会社 | 画像処理装置および画像処理方法 |
| EP3392798A1 (en) * | 2017-04-21 | 2018-10-24 | Delphi Technologies, Inc. | A method for the semantic segmentation of an image |
| CN107358192A (zh) * | 2017-07-07 | 2017-11-17 | 西安电子科技大学 | 一种基于深度Curvelet残差网的极化SAR影像分类方法 |
| EP3499459A1 (en) * | 2017-12-18 | 2019-06-19 | FEI Company | Method, device and system for remote deep learning for microscopic image reconstruction and segmentation |
| CN112771539B (zh) * | 2018-09-25 | 2023-08-25 | 马特波特公司 | 采用使用神经网络从二维图像预测的三维数据以用于3d建模应用 |
| CN110070531B (zh) * | 2019-04-19 | 2021-05-07 | 京东方科技集团股份有限公司 | 用于检测眼底图片的模型训练方法、眼底图片的检测方法及装置 |
| CN111199214B (zh) * | 2020-01-04 | 2023-05-05 | 西安电子科技大学 | 一种残差网络多光谱图像地物分类方法 |
| CN111797841B (zh) * | 2020-05-10 | 2024-03-22 | 浙江工业大学 | 一种基于深度残差网络的视觉显著性检测方法 |
| CN112949378A (zh) * | 2020-12-30 | 2021-06-11 | 至微生物智能科技(厦门)有限公司 | 一种基于深度学习网络的细菌显微图像分割方法 |
| GB2604898A (en) * | 2021-03-17 | 2022-09-21 | British Broadcasting Corp | Imaging processing using machine learning |
| CN113902757B (zh) * | 2021-10-09 | 2022-09-02 | 天津大学 | 基于自注意力机制和卷积神经网络混合模型的血管分割方法 |
-
2022
- 2022-04-24 CN CN202210433159.7A patent/CN114693670B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018229490A1 (en) * | 2017-06-16 | 2018-12-20 | Ucl Business Plc | A system and computer-implemented method for segmenting an image |
| CN109934200A (zh) * | 2019-03-22 | 2019-06-25 | 南京信息工程大学 | 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统 |
| CN110163213A (zh) * | 2019-05-16 | 2019-08-23 | 西安电子科技大学 | 基于视差图和多尺度深度网络模型的遥感图像分割方法 |
| CN110414377A (zh) * | 2019-07-09 | 2019-11-05 | 武汉科技大学 | 一种基于尺度注意力网络的遥感图像场景分类方法 |
| CN111797712A (zh) * | 2020-06-16 | 2020-10-20 | 南京信息工程大学 | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 |
| CN113674247A (zh) * | 2021-08-23 | 2021-11-19 | 河北工业大学 | 一种基于卷积神经网络的x射线焊缝缺陷检测方法 |
| CN113705580A (zh) * | 2021-08-31 | 2021-11-26 | 西安电子科技大学 | 基于深度迁移学习的高光谱图像分类方法 |
| CN114119554A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于卷积神经网络的表面微缺陷检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114693670A (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145170B (zh) | 一种基于深度学习的医学影像分割方法 | |
| Jiang et al. | HDCB-Net: A neural network with the hybrid dilated convolution for pixel-level crack detection on concrete bridges | |
| CN113610822B (zh) | 一种基于多尺度信息融合的表面缺陷检测方法 | |
| CN109871823B (zh) | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 | |
| CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
| CN109886200B (zh) | 一种基于生成式对抗网络的无人驾驶车道线检测方法 | |
| CN109977968B (zh) | 一种深度学习分类后比较的sar变化检测方法 | |
| CN114742799B (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
| CN108416292A (zh) | 一种基于深度学习的无人机航拍图像道路提取方法 | |
| CN112949633A (zh) | 一种基于改进YOLOv3的红外目标检测方法 | |
| CN114359130A (zh) | 一种基于无人机影像的道路裂缝检测方法 | |
| CN114495029A (zh) | 一种基于改进YOLOv4的交通目标检测方法及系统 | |
| CN114693670B (zh) | 基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法 | |
| CN114612883A (zh) | 一种基于级联ssd和单目深度估计的前向车辆距离检测方法 | |
| Zheng et al. | A two-stage CNN for automated tire defect inspection in radiographic image | |
| CN113642606A (zh) | 一种基于注意力机制的海上舰船检测方法 | |
| CN116309536A (zh) | 一种路面裂缝检测方法及存储介质 | |
| CN115423995A (zh) | 一种轻量化幕墙裂纹目标检测方法及系统、安全预警系统 | |
| CN116309348A (zh) | 一种基于改进TransUnet网络的月球南极撞击坑检测方法 | |
| CN116468732A (zh) | 基于深度学习的肺部ct影像分割方法及成像方法 | |
| CN109389170B (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
| CN116778346B (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
| CN117475428A (zh) | 一种三维目标检测方法、系统及设备 | |
| CN115797970A (zh) | 基于YOLOv5模型的密集行人目标检测方法及系统 | |
| Zhao et al. | SqUNet: An High-performance Network for Crater Detection with DEM data |
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 |