CN114897802A - 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 - Google Patents
一种基于改进Faster RCNN算法的金属表面缺陷检测方法 Download PDFInfo
- Publication number
- CN114897802A CN114897802A CN202210438440.XA CN202210438440A CN114897802A CN 114897802 A CN114897802 A CN 114897802A CN 202210438440 A CN202210438440 A CN 202210438440A CN 114897802 A CN114897802 A CN 114897802A
- Authority
- CN
- China
- Prior art keywords
- metal surface
- model
- loss
- network
- training
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06T2207/20—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
- G06T2207/30136—Metal
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)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进Faster RCNN算法的金属表面缺陷检测方法,属于计算机视觉目标检测领域,可用于金属表面的缺陷检测,包括以下步骤:步骤一:获取金属表面缺陷图像数据集,并对其进行预处理;步骤二:基于Faster RCNN目标检测模型,选取参数量较少的骨干网络作为模型的特征提取网络并嵌入可变形卷积,设计特征金子塔结构进行特征融合;步骤三:引入Rank&Sort Loss,优化损失函数;步骤四:优化区域建议网络,改进锚点生成方式;步骤五、模型训练;步骤六、用训练好的模型对测试样本进行预测并输出预测结果。本发明检测金属表面缺陷的漏检率低,准确度高,能够有效地应用于金属表面缺陷检测的场景中。
Description
技术领域
本发明属于计算机视觉目标检测领域,尤其涉及一种基于改进Faster RCNN算法的金属表面缺陷检测方法,可用于金属表面的缺陷检测。
背景技术
对于金属表面缺陷检测问题,现阶段主要采用的方法主要分为两类,一是传统的基于机器视觉的表面缺陷检测方法;二是基于深度学习的目标检测方法。传统的基于机器视觉的检测方法通常采用常规图像处理算法或者人工设计特征加分类器的方式。由于工业缺陷检测过程中,检测场景多变,常常面临缺陷目标与背景差异较小,缺陷尺度变化大,类型多样,对比度低,缺陷图像中存在大量噪声等挑战,传统的基于机器视觉的方法应用成本高,普适性低,不能更好地应对这些挑战,使得检测效率低,检测效果差。
随着计算机视觉技术的快速发展,基于深度学习的目标检测方法在工业界也有了更加广泛地应用,其大体流程为先提取图像的特征,再利用深度卷积网络模型进行目标识别和定位。在基于深度学习的缺陷检测算法中,首先不合理的锚框设计会使得缺陷定位不准确,出现漏检误检情况;其次对极小目标的瑕疵检测效果不是很理想,最后,由于在真实的工业环境中,可以提供的工业缺陷样本较少,网络学习能力不够,容易造成模型准确率低,鲁棒性不强。
发明内容
为了克服上述现有技术中的缺点和不足,本发明的目的在于提供一种基于改进Faster RCNN算法的金属表面缺陷检测方法,能够有效提升金属表面缺陷检测的位置信息准确度和类别精度。
本发明的目的通过以下技术方案予以实现:
一种基于改进Faster RCNN算法的金属表面缺陷检测方法,包括以下步骤:
步骤一、从东北大学采集的NEU-DET公开数据库中获取金属表面缺陷图像样本,并对其进行预处理;
步骤二、基于Faster RCNN目标检测模型,选取参数量较少性能较好的骨干网络作为模型的特征提取网络,设计特征金子塔结构进行特征融合,引入对未知变化适应性较好的可变形卷积;
步骤三、优化损失函数,简化模型训练的复杂性,提高模型性能;
步骤四、优化区域建议网络(Region Proposal Networks,RPN),改进锚点生成方式,使生产的锚框更加契合缺陷目标尺度;
步骤五、模型训练;
步骤六、用训练好的模型对测试样本进行预测并输出金属表面缺陷的类别和位置信息。
以上所述的步骤一中,具体的步骤为:首先,从东北大学采集的NEU-DET公开数据库中获取金属表面缺陷图像样本,将数据集中的样本规格化为416×416大小,以8:2的比例划分出训练集和测试集并对训练样本进行平移、翻转、调整饱和度和对比度一系列数据增强操作。
以上所述的步骤二中,选取参数量较少性能较好的骨干网络ResNet101作为Faster RCNN目标检测模型中的特征提取网络,ResNet101网络由100个卷积层和一个全连接层组成,通过卷积步长改变图像尺度,其网络结构分为五个阶段,每经过一个阶段图片下采样2倍;为了增强小目标的检测效果,引入特征金子塔进行特征融合;将ResNet101的后三个阶段中所有的3x3传统卷积替换为可变形卷积。
以上所述的步骤三中,模型的总损失为分类损失和回归损失两个部分的加权和,其具体改进方法为用Rank&Sort(RS)Loss代替分类损失中的交叉熵损失,回归损失采用GIOU损失,改进后模型总损失的加权参数为RS Loss除以回归损失,RS Loss的计算公式如下:
以上所述的步骤四优化区域建议网络,改进锚点生成方式中,根据分析得出的数据库中每张图像样本上的缺陷目标标注框的长宽比例,面积大小特征信息,改进锚点生成方式中的长宽比及缩放比,使生成的锚框和瑕疵目标更加匹配。
以上所述的步骤五中,模型的训练包括以下步骤:
5.1网络参数初始化;
5.2设置训练参数;
5.3加载训练数据;
5.4迭代训练。
在以上所述的步骤5.1网络参数初始化中,具体操作为:利用resnet101模型提取输入图像的特征信息。
在以上所述的步骤5.2设置训练参数中,具体操作为:网络的初始学习率设置为0.0012,学习动量设为0.9,权重衰减系数为0.0001,采用SGD优化器。
在以上所述的步骤5.4迭代训练中,采用随机梯度下降算法对改进的网络结构进行迭代训练,每迭代621次保存一次网络参数,经过不断迭代,取得网络最优解。
本发明的有益效果:与现有技术相比,本发明的有益效果是:
一、平均精度高:本发明的骨干网络部分采用resnet101模型,避免了深层网络梯度消失和退化的问题,并采用特征金字塔将高层语义特征和底层定义特征进行融合,获得了更好的特征表示,改善小目标的检测效果。将可变形卷积结构嵌入到ResNet101中,更好地学习了缺陷特征;
二、目标位置信息更加准确:本发明改进了锚点生成方式,使生成的锚框定位更加准确,更加契合缺陷目标;
三、改善了类别不平衡问题:本发明在损失函数部分采用了RS Loss,使模型在训练时不需要额外的辅助头,RS Loss根据分类得分区分正负样本,从而解决了极端的类别不平衡问题,简化了模型训练的复杂性,使模型达到了更好的性能;
四、本发明与其他常用的目标检测算法在金属表面缺陷数据集上作对比,也拥有良好的检测性能。
附图说明
图1为本发明的流程示意图;
图2为本发明特征提取网络结构图;
图3为可变形卷积结构图。
具体实施方式
为了加深对本发明的理解,下面将结合附图和实施例对本发明做进一步详细描述,该实施例仅用于解释本发明,并不对本发明的保护范围构成限定。
实施例:一种基于改进Faster RCNN算法的金属缺陷检测方法,如图1所示,其步骤如下:
步骤一、金属表面缺陷数据集分析与处理:从东北大学采集的NEU-DET公开数据库中获取金属表面缺陷图像样本,该数据样本一共包含裂纹(Crazing)、杂质(Inclusion)、斑块(Patches)、麻点(Pitted_surface)、氧化铁皮压入(Rolled-in_scale)、划痕(Scratches)六种缺陷。
将数据样本以8:2的比例划分为训练集和测试集,将样本规格化为416×416大小,并对训练样本进行平移、翻转、调整饱和度、对比度一系列数据增强操作。
分析数据样本中每张图片缺陷标注框的长宽比例,面积大小等信息。
步骤二、基于Faster RCNN目标检测模型,选取参数量较少性能较好的骨干网络模型ResNet101作为模型的特征提取网络,设计特征金子塔结构进行特征融合,引入对未知变化适应性较好的可变形卷积。
其中,ResNet101网络模型由100个卷积层和一个全连接层组成,通过卷积步长改变图像尺度,如图2所示,分为五个阶段,每经过一个阶段图片下采样2倍,五个阶段输出的特征图大小依次为原图的1/2、1/4、1/8、1/16、1/32,第一个阶段由一个7x7的卷积构成,其余四个阶段分别引入了3、4、23、3个以1x1、3x3和1x1的卷积方式组成的残差结构,并在残差块中对卷积相关参数进行设置,残差结构的引入可以有效避免深层网络梯度消失和退化问题。特征金子塔结构将ResNet101后四个阶段中输出的四个特征图经过1x1,通道数为256的卷积核统一通道数,然后通过两倍上采样统一特征图的大小,将上层特征图与下层特征图通过对应位置元素相加的方式进行融合从而生成四种不同尺度的特征图,这种将浅层特征与深层特征进行融合的方式增加了小目标的映射分辨率,有效地改善了小目标的检测效果。由于在金属缺陷检测中,缺陷形状往往很不规则,传统的卷积核对未知的变化适应性差,所以本发明采用性能更优的可变性卷积,可变形卷积的实现过程如图3所示,可变形卷积是对卷积核中每个采样点的位置都增加了一个偏移量,从而使卷积核在训练过程中可以变为任意形状,可以更好地提取缺陷的特征。
步骤三、优化损失函数:Faster RCNN模型的总损失为分类损失和回归损失两个部分的加权和,其具体改进方法为用Rank&Sort(RS)Loss代替分类损失中的交叉熵损失,回归损失采用GIOU损失,改进后模型总损失的加权参数为RS Loss除以回归损失,RS Loss的计算公式如下:
式中:xij为logits si和sj之差;yj为连续的标签(例如交并比IoU);NFP(i)为所有负样本中大于该正样本得分的数量;rank(i)为所有正样本和负样本中大于等于该正样本的数量;H(xij)为单元阶跃函数。
RS Loss由Rank和Sort两部分组成。Rank指的是根据分类得分区分出正负样本,使所有正样本都排在负样本之前,Sort指的是根据连续的标签IoU得到0-1范围内的数值对正样本进行降序排序,使得不同正样本在训练时有不同的优先级。RS Loss不仅将正负样本进行了排序,还在正样本间进行了排序,这一特性使得在训练过程中不需要额外的目标检测框的质量评估分支,可以有效解决极端的类别不均衡问题,而不需要加入任何样本均衡策略。由于在RS Loss中通过考虑损失值来平衡分类回归等子任务,因此在模型训练的过程中不需要反复调节超参数,只需要调整学习率就可以不断提高模型性能。
步骤四、优化区域建议网络,改进锚点生成方式:在Faster RCNN中默认以(0.5,1,2)三种长宽比和(8,16,32)三种缩放比例组合生成一组锚框,即一组锚框由9个anchor box组成。但由于本发明所研究的金属表面缺陷数据集中多存在尺度较小以及长宽比差异较大的缺陷目标,默认的锚点生成方式生成的锚框和目标缺陷尺度差异较大,不能很好地匹配目标尺度,因此本发明使用数据分析工具分析金属缺陷数据集中缺陷目标的长宽比等特征,得到与目标尺度较为接近的锚框。最终确定以(0.2,0.5,1.0,2.0,5)五种长宽比和(2,8)两种缩放比组合生成一组锚框(一组锚框由10个anchor box组成)的锚框生成方式。
步骤五、模型训练:本发明采用基于pyTorch实现的MMDetection深度学习目标检测框架搭建,并在型号为NVIDIA GeForce RTX 2080的GPU上进行单卡训练。
训练参数的设置:模型的初始学习率设为0.0012,学习动量设为0.9,权重衰减系数设为0.0001,采用SGD优化器,由于单卡训练,Batch Size过大会造成显存不足,因此Batch Size设置为2,Epoch设置为36。
超参数设置完成后,对模型进行训练,采用目标检测算法中常用的性能评价指标平均精度(Average Precision,AP)、平均精度均值(Mean Average Precision,mAP)对训练好的模型进行评估。
步骤六:用训练好的模型对测试样本进行预测并输出金属表面缺陷的类别和位置信息。
利用本发明设计的改进Faster RCNN模型,用户给定图像后,系统便可以根据训练好的模型检测金属缺陷的相关信息。
除上述实施例外,本发明还可以由其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围内。
Claims (9)
1.一种基于改进Faster RCNN算法的金属表面缺陷检测方法,其特征在于,包括以下步骤:
步骤一、从东北大学采集的NEU-DET公开数据库中获取金属表面缺陷图像样本,并对其进行预处理;
步骤二、基于Faster RCNN目标检测模型,选取参数量较少性能较好的骨干网络作为模型的特征提取网络,设计特征金子塔结构进行特征融合,引入对未知变化适应性较好的可变形卷积;
步骤三、优化损失函数,简化模型训练的复杂性,提高模型性能;
步骤四、优化区域建议网络,改进锚点生成方式,使生产的锚框更加契合缺陷目标尺度;
步骤五、模型训练;
步骤六、用训练好的模型对测试样本进行预测并输出金属表面缺陷的类别和位置信息。
2.根据权利要求1所述的基于Faster RCNN算法的金属表面缺陷检测方法,其特征在于,所述步骤一中,首先,从东北大学采集的NEU-DET公开数据库中获取金属表面缺陷图像样本,将数据库中的样本规格化为416x416大小,以8:2的比例划分出训练集和测试集并对训练样本进行平移、翻转、调整饱和度、对比度一系列数据增强操作。
3.根据权利要求1所述的基于Faster RCNN算法的金属表面缺陷检测方法,其特征在于,所述步骤二中,选取参数量较少性能较好的骨干网络ResNet101作为Faster RCNN目标检测模型中的特征提取网络,ResNet101网络由100个卷积层和一个全连接层组成,通过卷积步长改变图像尺度,其网络结构分为五个阶段,每经过一个阶段图片下采样2倍;为了增强小目标的检测效果,引入特征金子塔进行特征融合;将ResNet101的后三个阶段中所有的3x3传统卷积替换为可变形卷积。
5.根据权利要求1所述的基于Faster RCNN算法的金属表面缺陷检测方法,其特征在于,所述步骤四中,优化区域建议网络,根据分析得出的数据库中每张图像样本上的缺陷目标标注框的长宽比例,面积大小特征信息改进锚点生成方式中的长宽比及缩放比,使生成的锚框和瑕疵目标更加匹配。
6.根据权利要求1所述的基于Faster RCNN算法的金属表面缺陷检测方法,其特征在于,所述步骤五中,模型的训练包括以下步骤:
5.1网络参数初始化;
5.2设置训练参数;
5.3加载训练数据;
5.4迭代训练。
7.根据权利要求6所述的基于Faster RCNN算法的金属表面缺陷检测方法,其特征在于,所述步骤5.1网络参数初始化中,具体操作为:利用resnet101模型提取输入图像的特征信息。
8.根据权利要求6所述的基于Faster RCNN算法的金属表面缺陷检测方法,其特征在于,所述步骤5.2加载训练数据中,具体操作为:网络的初始学习率设置为0.0012,学习动量设为0.9,权重衰减系数为0.0001,采用SGD优化器。
9.根据权利要求6所述的基于Faster RCNN算法的金属表面缺陷检测方法,其特征在于,所述步骤5.4迭代训练中,采用随机梯度下降算法对改进的网络结构进行迭代训练,每迭代621次保存一次网络参数,经过不断迭代,取得网络最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210438440.XA CN114897802A (zh) | 2022-04-25 | 2022-04-25 | 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210438440.XA CN114897802A (zh) | 2022-04-25 | 2022-04-25 | 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897802A true CN114897802A (zh) | 2022-08-12 |
Family
ID=82718165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210438440.XA Pending CN114897802A (zh) | 2022-04-25 | 2022-04-25 | 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897802A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484744A (zh) * | 2023-05-12 | 2023-07-25 | 北京百度网讯科技有限公司 | 物体仿真方法、模型训练方法、装置、设备及存储介质 |
CN116883393A (zh) * | 2023-09-05 | 2023-10-13 | 青岛理工大学 | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 |
CN116958086A (zh) * | 2023-07-21 | 2023-10-27 | 盐城工学院 | 具有增强特征融合能力的金属表面缺陷检测方法及系统 |
-
2022
- 2022-04-25 CN CN202210438440.XA patent/CN114897802A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484744A (zh) * | 2023-05-12 | 2023-07-25 | 北京百度网讯科技有限公司 | 物体仿真方法、模型训练方法、装置、设备及存储介质 |
CN116484744B (zh) * | 2023-05-12 | 2024-01-16 | 北京百度网讯科技有限公司 | 物体仿真方法、模型训练方法、装置、设备及存储介质 |
CN116958086A (zh) * | 2023-07-21 | 2023-10-27 | 盐城工学院 | 具有增强特征融合能力的金属表面缺陷检测方法及系统 |
CN116958086B (zh) * | 2023-07-21 | 2024-04-19 | 盐城工学院 | 具有增强特征融合能力的金属表面缺陷检测方法及系统 |
CN116883393A (zh) * | 2023-09-05 | 2023-10-13 | 青岛理工大学 | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 |
CN116883393B (zh) * | 2023-09-05 | 2023-12-01 | 青岛理工大学 | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN114897802A (zh) | 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 | |
CN113643268B (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN111680706A (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
CN113920400B (zh) | 一种基于改进YOLOv3的金属表面缺陷检测方法 | |
CN111783819B (zh) | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 | |
CN114663380B (zh) | 一种铝材表面缺陷检测方法、存储介质及计算机系统 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN115049952A (zh) | 一种基于多尺度级联感知深度学习网络的幼鱼肢体识别方法 | |
CN115409797A (zh) | 一种基于改进深度学习算法的pcb缺陷图像检测方法 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN117011260A (zh) | 一种芯片外观缺陷自动检测方法、电子设备及存储介质 | |
CN115984543A (zh) | 一种基于红外与可见光图像的目标检测算法 | |
Fan et al. | Application of YOLOv5 neural network based on improved attention mechanism in recognition of Thangka image defects | |
CN116468935A (zh) | 一种基于多核卷积网络的交通标志阶梯式分类识别方法 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN117593243A (zh) | 可靠伪标签引导的压缩机外观自适应检测方法 | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
CN117274355A (zh) | 一种基于加速引导区域卷积神经网络和并行多尺度统一网络的排水管道流量智能测量方法 |
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 |