CN115775227A - 防裂匣钵的智能化生产方法及其控制系统 - Google Patents
防裂匣钵的智能化生产方法及其控制系统 Download PDFInfo
- Publication number
- CN115775227A CN115775227A CN202211246260.8A CN202211246260A CN115775227A CN 115775227 A CN115775227 A CN 115775227A CN 202211246260 A CN202211246260 A CN 202211246260A CN 115775227 A CN115775227 A CN 115775227A
- Authority
- CN
- China
- Prior art keywords
- feature map
- scale feature
- image
- scale
- sagger
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及智能检测领域,其具体地公开了一种防裂匣钵的智能化生产方法及其控制系统,其通过采用基于深度学习的人工智能算法来对于生产制造的待检测防裂匣钵的底表面图像进行多尺度的特征挖掘,进一步通过分类器来对防裂匣钵的底表面是否存在缺陷进行判断。这样,就能够在制备过程中,智能地对匣钵的底部进行缺陷检测,进而在节省防裂匣钵的生产制造时间的同时保证防裂匣钵的生产质量。
Description
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种防裂匣钵的智能化生产方法及其控制系统。
背景技术
匣钵通常是由耐火材料经压制或模制成型后,经烧结而成的窑具,能够防止气体及有害物质对胚体和釉面造成破坏及污损,具有一定的导热性和热稳定性,匣钵在使用时,由于其底面一般是温度最高的迎火面,因此匣钵的底部十分容易开裂。
因此,期望一种防裂匣钵的智能化生产方案,其能够在制备过程中,对匣钵的底部进行缺陷检测。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种防裂匣钵的智能化生产方法及其控制系统,其通过采用基于深度学习的人工智能算法来对于生产制造的待检测防裂匣钵的底表面图像进行多尺度的特征挖掘,进一步通过分类器来对防裂匣钵的底表面是否存在缺陷进行判断。这样,就能够在制备过程中,智能地对匣钵的底部进行缺陷检测,进而在节省防裂匣钵的生产制造时间的同时保证防裂匣钵的生产质量。
根据本申请的一个方面,提供了一种防裂匣钵的智能化生产方法,其包括:
获取待检测防裂匣钵的底表面图像;
将所述待检测防裂匣钵的底表面图像进行灰度转化以得到底表面灰度图像;
对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像;
将所述增强底表面检测图像通过混合卷积层以得到检测特征图;以及
将所述检测特征图通过分类器以得到分类结果,所述分类结果用于表示防裂匣钵的底表面是否存在缺陷。
在上述防裂匣钵的智能化生产方法中,所述对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像,包括:对所述底表面灰度图像进行直方图均衡化预处理以将所述底表面灰度图像通过变换函数映射为灰度分布均匀的图像以得到预处理后图像;以及,对所述预处理后图像进行CLAHE校正颜色以得到所述增强底表面检测图像。
在上述防裂匣钵的智能化生产方法中,所述将所述增强底表面检测图像通过混合卷积层以得到检测特征图,包括:将所述增强底表面检测图像通过作为特征提取器的卷积神经网络模型以得到初始特征图;以及,将所述初始特征图输入所述混合卷积层以得到所述检测特征图。
在上述防裂匣钵的智能化生产方法中,所述将所述增强底表面检测图像通过作为特征提取器的卷积神经网络模型以得到初始特征图,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述初始特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述增强底表面检测图像。
在上述防裂匣钵的智能化生产方法中,所述将所述初始特征图输入所述混合卷积层以得到所述检测特征图,包括:将所述初始特征图输入所述混合卷积层的第一卷积层以得到第一尺度特征图,其中,所述第一卷积层使用具有第一尺寸的第一卷积核;将所述初始特征图输入所述混合卷积层的第二卷积层以得到第二尺度特征图,其中,所述第二卷积层使用具有第一空洞率的第一空洞卷积核;将所述初始特征图输入所述混合卷积层的第三卷积层以得到第三尺度特征图,其中,所述第三卷积层使用具有第二空洞率的第二空洞卷积核;将所述初始特征图输入所述混合卷积层的第四卷积层以得到第四尺度特征图,其中,所述第四卷积层使用具有第三空洞率的第三空洞卷积核;融合所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图以得到所述检测特征图。
在上述防裂匣钵的智能化生产方法中,所述第一空洞率、所述第二空洞率和所述第三空洞率相互不等,所述第一空洞卷积核、所述第二空洞卷积核和所述第三空洞卷积核具有相同的第二尺寸,且所述第二尺寸等于所述第一卷积核的第一尺寸。
在上述防裂匣钵的智能化生产方法中,所述融合所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图以得到所述检测特征图,包括:分别对所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行特征分布校正以得到校正后第一尺度特征图、校正后第二尺度特征图、校正后第三尺度特征图和校正后第四尺度特征图;计算所述校正后第一尺度特征图、所述校正后第二尺度特征图、所述校正后第三尺度特征图和所述校正后第四尺度特征图的按位置加权和以得到所述检测特征图。
在上述防裂匣钵的智能化生产方法中,所述分别对所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行特征分布校正以得到校正后第一尺度特征图、校正后第二尺度特征图、校正后第三尺度特征图和校正后第四尺度特征图,包括:以如下公式分别计算所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图的类小波函数族能量聚合因数;
其中,所述公式为:
其中fsi,j,k表示所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的各个位置的特征值,Ws为所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的宽度,Hs为所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的高度,Cs为所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的通道维度,log表示以2为底的对数函数值;以及,以所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图的类小波函数族能量聚合因数作为加权权重分别对于所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行加权优化以得到所述校正后第一尺度特征图、所述校正后第二尺度特征图、所述校正后第三尺度特征图和所述校正后第四尺度特征图。
在上述防裂匣钵的智能化生产方法中,所述将所述检测特征图通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述检测特征图进行处理以生成分类结果;其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)│Project(F)},其中Project(F)表示将所述检测特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量。
根据本申请的另一方面,提供了一种防裂匣钵的智能化生产控制系统,其包括:
待检测图像获取模块,用于获取待检测防裂匣钵的底表面图像;
灰度转化模块,用于将所述待检测防裂匣钵的底表面图像进行灰度转化以得到底表面灰度图像;
增强底表面检测图像生成模块,用于对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像;
卷积模块,用于将所述增强底表面检测图像通过混合卷积层以得到检测特征图;以及
分类结果生成模块,用于将所述检测特征图通过分类器以得到分类结果,所述分类结果用于表示防裂匣钵的底表面是否存在缺陷。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的防裂匣钵的智能化生产方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的防裂匣钵的智能化生产方法。
与现有技术相比,本申请提供的一种防裂匣钵的智能化生产方法及其控制系统,其通过采用基于深度学习的人工智能算法来对于生产制造的待检测防裂匣钵的底表面图像进行多尺度的特征挖掘,进一步通过分类器来对防裂匣钵的底表面是否存在缺陷进行判断。这样,就能够在制备过程中,智能地对匣钵的底部进行缺陷检测,进而在节省防裂匣钵的生产制造时间的同时保证防裂匣钵的生产质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的防裂匣钵的智能化生产方法的应用场景图;
图2图示了根据本申请实施例的防裂匣钵的智能化生产方法的流程图;
图3图示了根据本申请实施例的防裂匣钵的智能化生产方法的架构示意图;
图4图示了根据本申请实施例的防裂匣钵的智能化生产方法中卷积神经网络特征提取过程的流程图;
图5图示了根据本申请实施例的防裂匣钵的智能化生产方法中多分支卷积过程的流程图;
图6图示了根据本申请实施例的防裂匣钵的智能化生产控制系统的框图;
图7图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
相应地,在本申请的技术方案中,在匣钵的生产制备过程中,考虑到传统的对于匣钵的底部进行缺陷检测主要是基于制造出的匣钵,对其底部进行实验检测,以判断其底部是否有缺陷,这样不仅会浪费大量的人力物力,还会增加匣钵的生产制备复杂性以及时间成本,并且检测结果的精准度也没有办法保证。基于此,在本申请的技术方案中,采用基于深度学习的人工智能算法来对于生产制造的待检测防裂匣钵的底表面图像进行多尺度的特征挖掘,并利用分类器来对于防裂匣钵的底表面是否存在缺陷进行分类判断。这样,就能够在制备过程中,智能地对匣钵的底部进行缺陷检测,进而在节省防裂匣钵的生产制造时间的同时保证防裂匣钵的生产质量。
具体地,在本申请的技术方案中,首先,通过摄像头获取待检测防裂匣钵的底表面图像。接着,考虑到在对于所述待检测防裂匣钵的底表面图像进行采集时,会由于外界生产环境中的粉层等因素的干扰而导致对于所述待检测防裂匣钵的底表面图像采集的清晰度不够高,从而对于该所述待检测防裂匣钵的底部隐含特征的提取精准度较差,进而影响缺陷检测的结果。因此,在本申请的技术方案中,进一步将所述待检测防裂匣钵的底表面图像进行灰度转化以得到底表面灰度图像,以利用灰度图像来进行质量检测。
然后,对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像,也就是,以直方图均衡化预处理和CLAHE校正颜色来对于所述底表面灰度图像进行图像增强以提高后续对于所述待检测防裂匣钵底部的隐含特征提取的精准度,从而得到增强底表面检测图像。应可以理解,直方图均衡化能将灰度范围分布不均匀的原始图像通过变换函数映射为灰度分布均匀的图像。该变换函数是指图像各灰度级概率的累积分布函数,变换后图像灰度动态范围增大,图像对比度也相应提高。也就是,由于待检测防裂匣钵的底表面图像具有集中性、顺序性、偏离性的特点,利用直方图均衡化能够很好地将待检测防裂匣钵的底表面图像的灰度直方图分布在整个图像灰度的取值范围内,而且其整体灰度值分布也近似均匀分布,从而可以得到具有较高对比度及较大灰度动态范围的校正图像,对于待检测防裂匣钵的底表面上因环境因素降质严重的图像能够提升一定的对比度。
进一步地,考虑到所述直方图均衡化处理所述待检测防裂匣钵的底表面图像可以提升对比度,去除一定的环境因素的影响,但是图像整体偏暗,经直方图均衡化处理后图像前景偏蓝的问题也很明显。因此,进一步采用CLAHE进一步校正。CLAHE是根据已设定的亮度最大值对原图的直方图进行截取像素,再将其重新分配到每个灰度级,不仅能一定程度地限制图像噪声增强,而且图像分割的块数增多,对比度限幅处理图像效果就越好,从而可以有效提升图像的亮度及图像细节,达到颜色校正的目的。
然后,将所述增强底表面检测图像通过作为特征提取器的卷积神经网络模型中进行处理,以提取出所述增强底表面检测图像中的局部隐含特征分布信息,从而得到初始特征图。接着,就可以将所述初始特征图通过混合卷积层中进行处理,以提取出所述初始特征图的多尺度隐含关联特征,从而得到检测特征图。也就是,在本申请的一个具体示例中,在所述混合卷积层中,此模块的设计包括并联的四个分支,由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成,分别对输入特征图进行操作,将空洞卷积三个分支的扩张率分别设置为2、3、4,通过不同扩张率的设置可获得不同感受域的图像信息,即可得到不同尺度的特征图,在扩大感受野的同时,又避免了下采样损失信息,接着将4个分支特征图进行融合,使得采样更为密集,既拥有了高层特征,也没有增加额外的参数量。
特别地,在本申请的技术方案中,在通过混合卷积层融合不同尺度的特征图以得到检测特征图时,由于不同尺度的特征图对应于不同感受域,因此其具有表达信息量上的偏差,从而影响不同尺度的特征图的融合效果。
因此,首先计算所述不同尺度的特征图的类小波函数族能量聚合因数,具体为:
这里,考虑到对于特征图对应的高维流形来说,由于信息表示倾向于集中在高维流形的高频分量上,也就是,信息倾向于分布在流形边缘,类小波函数族作为用于分离特征分布维度上的边缘的可分离变换,通过其可以将高维特征的隐状态转换为频率分量,并以类小波能量的方式表达信息量。这样,以其作为加权系数对所述不同尺度的特征图进行加权之后再进行融合,就可以通过分别表达所述不同尺度的特征图在融合后的特征空间内的信息聚合程度,来提升所述检测特征图的全特征空间特征表达能力,也就是,提升了所述不同尺度的特征图的融合效果,进而提高了后续分类的准确性。
进一步地,将所述检测特征图通过分类器以得到分类结果,所述分类结果用于表示防裂匣钵的底表面是否存在缺陷。也就是,以所述检测特征图作为分类特征图来进行分类就能够得到用于表示防裂匣钵的底表面是否存在缺陷的分类结果。这样,能够在制备过程中,智能地对匣钵的底部进行缺陷检测,进而在节省防裂匣钵的生产制造时间的同时保证防裂匣钵的生产质量。
基于此,本申请提供了一种防裂匣钵的智能化生产方法,其包括:获取待检测防裂匣钵的底表面图像;将所述待检测防裂匣钵的底表面图像进行灰度转化以得到底表面灰度图像;对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像;将所述增强底表面检测图像通过混合卷积层以得到检测特征图;以及,将所述检测特征图通过分类器以得到分类结果,所述分类结果用于表示防裂匣钵的底表面是否存在缺陷。
图1图示了根据本申请实施例的防裂匣钵的智能化生产方法的应用场景图。如图1所示,在该应用场景中,通过摄像头(例如,如图1中所示意的C)获取待检测防裂匣钵的底表面图像(例如,如图1中所示意的F)。接着,将上述图像输入至部署有用于防裂匣钵的智能化生产算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述防裂匣钵的智能化生产算法对上述输入的图像进行处理,生成用于表示防裂匣钵的底表面是否存在缺陷的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的防裂匣钵的智能化生产方法的流程图。如图2所示,根据本申请实施例的防裂匣钵的智能化生产方法,包括:S110,获取待检测防裂匣钵的底表面图像;S120,将所述待检测防裂匣钵的底表面图像进行灰度转化以得到底表面灰度图像;S130,对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像;S140,将所述增强底表面检测图像通过混合卷积层以得到检测特征图;以及,S150,将所述检测特征图通过分类器以得到分类结果,所述分类结果用于表示防裂匣钵的底表面是否存在缺陷。
图3图示了根据本申请实施例的防裂匣钵的智能化生产方法的架构示意图。如图3所示,在该网络结构中,首先,获取待检测防裂匣钵的底表面图像;再将所述待检测防裂匣钵的底表面图像进行灰度转化以得到底表面灰度图像;接着,对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像;然后,将所述增强底表面检测图像通过混合卷积层以得到检测特征图;进而,将所述检测特征图通过分类器以得到分类结果,所述分类结果用于表示防裂匣钵的底表面是否存在缺陷。
更具体地,在步骤S110中,获取待检测防裂匣钵的底表面图像。应可以理解,匣钵在使用时,由于其底面一般是温度最高的迎火面,因此匣钵的底部十分容易开裂,因此,在制备过程中,尤其需要对匣钵的底部进行缺陷检测,因此,在本申请的技术方案中,需要对生产制造的待检测防裂匣钵的底表面图像进行多尺度的特征挖掘,在一个具体示例中,可通过摄像头来获取待检测防裂匣钵的底表面图像,由于底部产生的缺陷在某些时候表现不明显,为避免对底部缺陷信息的遗漏,应选择像素相对较高的摄像头来进行图像获取。
更具体地,在步骤S120中,将所述待检测防裂匣钵的底表面图像进行灰度转化以得到底表面灰度图像。应可以理解,考虑到在对于所述待检测防裂匣钵的底表面图像进行采集时,会由于外界生产环境中的粉层等因素的干扰而导致对于所述待检测防裂匣钵的底表面图像采集的清晰度不够高,从而对于该所述待检测防裂匣钵的底部隐含特征的提取精准度较差,进而影响缺陷检测的结果。因此,在本申请的技术方案中,进一步将所述待检测防裂匣钵的底表面图像进行灰度转化以得到底表面灰度图像,以利用灰度图像来进行质量检测。
更具体地,在步骤S130中,对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像。在本申请的一个具体示例中,所述对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像,包括:对所述底表面灰度图像进行直方图均衡化预处理以将所述底表面灰度图像通过变换函数映射为灰度分布均匀的图像以得到预处理后图像;以及,对所述预处理后图像进行CLAHE校正颜色以得到所述增强底表面检测图像。
也就是,以直方图均衡化预处理和CLAHE校正颜色来对于所述底表面灰度图像进行图像增强以提高后续对于所述待检测防裂匣钵底部的隐含特征提取的精准度,从而得到增强底表面检测图像。应可以理解,直方图均衡化能将灰度范围分布不均匀的原始图像通过变换函数映射为灰度分布均匀的图像。该变换函数是指图像各灰度级概率的累积分布函数,变换后图像灰度动态范围增大,图像对比度也相应提高。也就是,由于待检测防裂匣钵的底表面图像具有集中性、顺序性、偏离性的特点,利用直方图均衡化能够很好地将待检测防裂匣钵的底表面图像的灰度直方图分布在整个图像灰度的取值范围内,而且其整体灰度值分布也近似均匀分布,从而可以得到具有较高对比度及较大灰度动态范围的校正图像,对于待检测防裂匣钵的底表面上因环境因素降质严重的图像能够提升一定的对比度。进一步地,考虑到所述直方图均衡化处理所述待检测防裂匣钵的底表面图像可以提升对比度,去除一定的环境因素的影响,但是图像整体偏暗,经直方图均衡化处理后图像前景偏蓝的问题也很明显。因此,进一步采用CLAHE进一步校正。CLAHE是根据已设定的亮度最大值对原图的直方图进行截取像素,再将其重新分配到每个灰度级,不仅能一定程度地限制图像噪声增强,而且图像分割的块数增多,对比度限幅处理图像效果就越好,从而可以有效提升图像的亮度及图像细节,达到颜色校正的目的。
更具体地,在步骤S140中,将所述增强底表面检测图像通过混合卷积层以得到检测特征图。在本申请的技术方案中,将所述增强底表面检测图像通过作为特征提取器的卷积神经网络模型中进行处理,以提取出所述增强底表面检测图像中的局部隐含特征分布信息,从而得到初始特征图。接着,就可以将所述初始特征图通过混合卷积层中进行处理,以提取出所述初始特征图的多尺度隐含关联特征,从而得到检测特征图。也就是,在本申请的一个具体示例中,在所述混合卷积层中,此模块的设计包括并联的四个分支,由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成,分别对输入特征图进行操作,将空洞卷积三个分支的扩张率分别设置为2、3、4,通过不同扩张率的设置可获得不同感受域的图像信息,即可得到不同尺度的特征图,在扩大感受野的同时,又避免了下采样损失信息,接着将4个分支特征图进行融合,使得采样更为密集,既拥有了高层特征,也没有增加额外的参数量。
在本申请的一个具体示例中,所述将所述增强底表面检测图像通过混合卷积层以得到检测特征图,包括:将所述增强底表面检测图像通过作为特征提取器的卷积神经网络模型以得到初始特征图;以及,将所述初始特征图输入所述混合卷积层以得到所述检测特征图。其中,所述将所述增强底表面检测图像通过作为特征提取器的卷积神经网络模型以得到初始特征图,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述初始特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述增强底表面检测图像。
图4图示了根据本申请实施例的防裂匣钵的智能化生产方法中卷积神经网络特征提取过程的流程图。如图4所示,在所述卷积神经网络特征提取过程中,包括:S210,对输入数据进行卷积处理以得到卷积特征图;S220,对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,S230,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述初始特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述增强底表面检测图像。
更具体地,所述将所述初始特征图输入所述混合卷积层以得到所述检测特征图,包括:将所述初始特征图输入所述混合卷积层的第一卷积层以得到第一尺度特征图,其中,所述第一卷积层使用具有第一尺寸的第一卷积核;将所述初始特征图输入所述混合卷积层的第二卷积层以得到第二尺度特征图,其中,所述第二卷积层使用具有第一空洞率的第一空洞卷积核;将所述初始特征图输入所述混合卷积层的第三卷积层以得到第三尺度特征图,其中,所述第三卷积层使用具有第二空洞率的第二空洞卷积核;将所述初始特征图输入所述混合卷积层的第四卷积层以得到第四尺度特征图,其中,所述第四卷积层使用具有第三空洞率的第三空洞卷积核;融合所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图以得到所述检测特征图。且所述第一空洞率、所述第二空洞率和所述第三空洞率相互不等,所述第一空洞卷积核、所述第二空洞卷积核和所述第三空洞卷积核具有相同的第二尺寸,且所述第二尺寸等于所述第一卷积核的第一尺寸。
图5图示了根据本申请实施例的防裂匣钵的智能化生产方法中多分支卷积过程的流程图。如图5所示,在所述多分支卷积过程中,包括:S310,将所述初始特征图输入所述混合卷积层的第一卷积层以得到第一尺度特征图,其中,所述第一卷积层使用具有第一尺寸的第一卷积核;S320,将所述初始特征图输入所述混合卷积层的第二卷积层以得到第二尺度特征图,其中,所述第二卷积层使用具有第一空洞率的第一空洞卷积核;S330,将所述初始特征图输入所述混合卷积层的第三卷积层以得到第三尺度特征图,其中,所述第三卷积层使用具有第二空洞率的第二空洞卷积核;S340,将所述初始特征图输入所述混合卷积层的第四卷积层以得到第四尺度特征图,其中,所述第四卷积层使用具有第三空洞率的第三空洞卷积核;S350,融合所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图以得到所述检测特征图。
在本申请的一个具体示例中,所述融合所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图以得到所述检测特征图,包括:分别对所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行特征分布校正以得到校正后第一尺度特征图、校正后第二尺度特征图、校正后第三尺度特征图和校正后第四尺度特征图;计算所述校正后第一尺度特征图、所述校正后第二尺度特征图、所述校正后第三尺度特征图和所述校正后第四尺度特征图的按位置加权和以得到所述检测特征图。所述分别对所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行特征分布校正以得到校正后第一尺度特征图、校正后第二尺度特征图、校正后第三尺度特征图和校正后第四尺度特征图,包括:
以如下公式分别计算所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图的类小波函数族能量聚合因数;
其中,所述公式为:
其中fsi,j,k表示所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的各个位置的特征值,Ws为所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的宽度,Hs为所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的高度,Cs为所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的通道维度,log表示以2为底的对数函数值;以及,以所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图的类小波函数族能量聚合因数作为加权权重分别对于所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行加权优化以得到所述校正后第一尺度特征图、所述校正后第二尺度特征图、所述校正后第三尺度特征图和所述校正后第四尺度特征图。
特别地,在本申请的技术方案中,在通过混合卷积层融合不同尺度的特征图以得到检测特征图时,由于不同尺度的特征图对应于不同感受域,因此其具有表达信息量上的偏差,从而影响不同尺度的特征图的融合效果。
因此,首先计算所述不同尺度的特征图的类小波函数族能量聚合因数,具体为:
这里,考虑到对于特征图对应的高维流形来说,由于信息表示倾向于集中在高维流形的高频分量上,也就是,信息倾向于分布在流形边缘,类小波函数族作为用于分离特征分布维度上的边缘的可分离变换,通过其可以将高维特征的隐状态转换为频率分量,并以类小波能量的方式表达信息量。这样,以其作为加权系数对所述不同尺度的特征图进行加权之后再进行融合,就可以通过分别表达所述不同尺度的特征图在融合后的特征空间内的信息聚合程度,来提升所述检测特征图的全特征空间特征表达能力,也就是,提升了所述不同尺度的特征图的融合效果,进而提高了后续分类的准确性。
更具体地,在步骤S150中,将所述检测特征图通过分类器以得到分类结果,所述分类结果用于表示防裂匣钵的底表面是否存在缺陷。也就是,以所述检测特征图作为分类特征图来进行分类就能够得到用于表示防裂匣钵的底表面是否存在缺陷的分类结果。这样,能够在制备过程中,智能地对匣钵的底部进行缺陷检测,进而在节省防裂匣钵的生产制造时间的同时保证防裂匣钵的生产质量。在本申请的一个具体示例中,所述将所述检测特征图通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述检测特征图进行处理以生成分类结果;其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)│Project(F)},其中Project(F)表示将所述检测特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量。
综上,基于本申请实施例的防裂匣钵的智能化生产方法被阐明,其通过采用基于深度学习的人工智能算法来对于生产制造的待检测防裂匣钵的底表面图像进行多尺度的特征挖掘,进一步通过分类器来对防裂匣钵的底表面是否存在缺陷进行判断。这样,就能够在制备过程中,智能地对匣钵的底部进行缺陷检测,进而在节省防裂匣钵的生产制造时间的同时保证防裂匣钵的生产质量。
示例性系统
图6图示了根据本申请实施例的防裂匣钵的智能化生产控制系统的框图。如图6所示,根据本申请实施例的防裂匣钵的智能化生产控制系统300,包括:待检测图像获取模块310;灰度转化模块320;增强底表面检测图像生成模块330;卷积模块340;以及,分类结果生成模块350。
其中,所述待检测图像获取模块310,用于获取待检测防裂匣钵的底表面图像;所述灰度转化模块320,用于将所述待检测防裂匣钵的底表面图像进行灰度转化以得到底表面灰度图像;所述增强底表面检测图像生成模块330,用于对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像;所述卷积模块340,用于将所述增强底表面检测图像通过混合卷积层以得到检测特征图;以及,所述分类结果生成模块350,用于将所述检测特征图通过分类器以得到分类结果,所述分类结果用于表示防裂匣钵的底表面是否存在缺陷。
在一个示例中,在上述防裂匣钵的智能化生产控制系统300中,所述增强底表面检测图像生成模块330,包括:直方图均衡化单元,用于对所述底表面灰度图像进行直方图均衡化预处理以将所述底表面灰度图像通过变换函数映射为灰度分布均匀的图像以得到预处理后图像;以及,CLAHE校正单元,用于对所述预处理后图像进行CLAHE校正颜色以得到所述增强底表面检测图像。
在一个示例中,在上述防裂匣钵的智能化生产控制系统300中,所述卷积模块340,包括:特征提取单元,用于将所述增强底表面检测图像通过作为特征提取器的卷积神经网络模型以得到初始特征图;以及,检测特征图生成单元,用于将所述初始特征图输入所述混合卷积层以得到所述检测特征图。其中,所述特征提取单元,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述初始特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述增强底表面检测图像。以及,所述检测特征图生成单元,包括:第一卷积子单元,用于将所述初始特征图输入所述混合卷积层的第一卷积层以得到第一尺度特征图,其中,所述第一卷积层使用具有第一尺寸的第一卷积核;第二卷积子单元,用于将所述初始特征图输入所述混合卷积层的第二卷积层以得到第二尺度特征图,其中,所述第二卷积层使用具有第一空洞率的第一空洞卷积核;第三卷积子单元,用于将所述初始特征图输入所述混合卷积层的第三卷积层以得到第三尺度特征图,其中,所述第三卷积层使用具有第二空洞率的第二空洞卷积核;第四卷积子单元,用于将所述初始特征图输入所述混合卷积层的第四卷积层以得到第四尺度特征图,其中,所述第四卷积层使用具有第三空洞率的第三空洞卷积核;融合子单元,用于融合所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图以得到所述检测特征图。其中,所述第一空洞率、所述第二空洞率和所述第三空洞率相互不等,所述第一空洞卷积核、所述第二空洞卷积核和所述第三空洞卷积核具有相同的第二尺寸,且所述第二尺寸等于所述第一卷积核的第一尺寸。
在一个示例中,在上述防裂匣钵的智能化生产控制系统300中,所述分类结果生成模块350,包括:使用所述分类器以如下公式对所述检测特征图进行处理以生成分类结果;
其中,所述公式为:O=softmax{(Wn,Bn):…:(W1,B1)│Project(F)},其中Project(F)表示将所述检测特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量。
综上,基于本申请实施例的防裂匣钵的智能化生产控制系统被阐明,其通过采用基于深度学习的人工智能算法来对于生产制造的待检测防裂匣钵的底表面图像进行多尺度的特征挖掘,进一步通过分类器来对防裂匣钵的底表面是否存在缺陷进行判断。这样,就能够在制备过程中,智能地对匣钵的底部进行缺陷检测,进而在节省防裂匣钵的生产制造时间的同时保证防裂匣钵的生产质量。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的防裂匣钵的智能化生产方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如检测特征图等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的防裂匣钵的智能化生产方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的防裂匣钵的智能化生产方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种防裂匣钵的智能化生产方法,其特征在于,包括:
获取待检测防裂匣钵的底表面图像;
将所述待检测防裂匣钵的底表面图像进行灰度转化以得到底表面灰度图像;
对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像;
将所述增强底表面检测图像通过混合卷积层以得到检测特征图;以及
将所述检测特征图通过分类器以得到分类结果,所述分类结果用于表示防裂匣钵的底表面是否存在缺陷。
2.根据权利要求1所述的防裂匣钵的智能化生产方法,其特征在于,所述对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像,包括:
对所述底表面灰度图像进行直方图均衡化预处理以将所述底表面灰度图像通过变换函数映射为灰度分布均匀的图像以得到预处理后图像;以及
对所述预处理后图像进行CLAHE校正颜色以得到所述增强底表面检测图像。
3.根据权利要求2所述的防裂匣钵的智能化生产方法,其特征在于,所述将所述增强底表面检测图像通过混合卷积层以得到检测特征图,包括:
将所述增强底表面检测图像通过作为特征提取器的卷积神经网络模型以得到初始特征图;以及
将所述初始特征图输入所述混合卷积层以得到所述检测特征图。
4.根据权利要求3所述的防裂匣钵的智能化生产方法,其特征在于,所述将所述增强底表面检测图像通过作为特征提取器的卷积神经网络模型以得到初始特征图,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述初始特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述增强底表面检测图像。
5.根据权利要求4所述的防裂匣钵的智能化生产方法,其特征在于,所述将所述初始特征图输入所述混合卷积层以得到所述检测特征图,包括:
将所述初始特征图输入所述混合卷积层的第一卷积层以得到第一尺度特征图,其中,所述第一卷积层使用具有第一尺寸的第一卷积核;
将所述初始特征图输入所述混合卷积层的第二卷积层以得到第二尺度特征图,其中,所述第二卷积层使用具有第一空洞率的第一空洞卷积核;
将所述初始特征图输入所述混合卷积层的第三卷积层以得到第三尺度特征图,其中,所述第三卷积层使用具有第二空洞率的第二空洞卷积核;
将所述初始特征图输入所述混合卷积层的第四卷积层以得到第四尺度特征图,其中,所述第四卷积层使用具有第三空洞率的第三空洞卷积核;
融合所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图以得到所述检测特征图。
6.根据权利要求5所述的防裂匣钵的智能化生产方法,其特征在于,所述第一空洞率、所述第二空洞率和所述第三空洞率相互不等,所述第一空洞卷积核、所述第二空洞卷积核和所述第三空洞卷积核具有相同的第二尺寸,且所述第二尺寸等于所述第一卷积核的第一尺寸。
7.根据权利要求6所述的防裂匣钵的智能化生产方法,其特征在于,所述融合所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图以得到所述检测特征图,包括:
分别对所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行特征分布校正以得到校正后第一尺度特征图、校正后第二尺度特征图、校正后第三尺度特征图和校正后第四尺度特征图;
计算所述校正后第一尺度特征图、所述校正后第二尺度特征图、所述校正后第三尺度特征图和所述校正后第四尺度特征图的按位置加权和以得到所述检测特征图。
8.根据权利要求7所述的防裂匣钵的智能化生产方法,其特征在于,所述分别对所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行特征分布校正以得到校正后第一尺度特征图、校正后第二尺度特征图、校正后第三尺度特征图和校正后第四尺度特征图,包括:
以如下公式分别计算所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图的类小波函数族能量聚合因数;
其中,所述公式为:
其中fsi,j,k表示所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的各个位置的特征值,Ws为所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的宽度,Hs为所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的高度,Cs为所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图中第s尺度特征图的通道维度,log表示以2为底的对数函数值;以及
以所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图的类小波函数族能量聚合因数作为加权权重分别对于所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行加权优化以得到所述校正后第一尺度特征图、所述校正后第二尺度特征图、所述校正后第三尺度特征图和所述校正后第四尺度特征图。
9.根据权利要求8所述的防裂匣钵的智能化生产方法,其特征在于,所述将所述检测特征图通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述检测特征图进行处理以生成分类结果;
其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)│Project(F)},其中Project(F)表示将所述检测特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量。
10.一种防裂匣钵的智能化生产控制系统,其特征在于,包括:
待检测图像获取模块,用于获取待检测防裂匣钵的底表面图像;
灰度转化模块,用于将所述待检测防裂匣钵的底表面图像进行灰度转化以得到底表面灰度图像;
增强底表面检测图像生成模块,用于对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像;
卷积模块,用于将所述增强底表面检测图像通过混合卷积层以得到检测特征图;以及
分类结果生成模块,用于将所述检测特征图通过分类器以得到分类结果,所述分类结果用于表示防裂匣钵的底表面是否存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211246260.8A CN115775227A (zh) | 2022-10-12 | 2022-10-12 | 防裂匣钵的智能化生产方法及其控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211246260.8A CN115775227A (zh) | 2022-10-12 | 2022-10-12 | 防裂匣钵的智能化生产方法及其控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115775227A true CN115775227A (zh) | 2023-03-10 |
Family
ID=85388523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211246260.8A Pending CN115775227A (zh) | 2022-10-12 | 2022-10-12 | 防裂匣钵的智能化生产方法及其控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115775227A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907595A (zh) * | 2021-05-06 | 2021-06-04 | 武汉科技大学 | 一种表面缺陷检测方法及装置 |
CN113553437A (zh) * | 2021-03-30 | 2021-10-26 | 福州大学 | 基于多尺度空洞卷积的时间知识图谱补全方法 |
CN114022491A (zh) * | 2021-10-27 | 2022-02-08 | 安徽医科大学 | 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法 |
CN114154620A (zh) * | 2021-11-29 | 2022-03-08 | 上海应用技术大学 | 人群计数网络的训练方法 |
CN114187450A (zh) * | 2021-12-15 | 2022-03-15 | 山东大学 | 一种基于深度学习的遥感图像语义分割方法 |
WO2022065621A1 (ko) * | 2020-09-28 | 2022-03-31 | (주)미래융합정보기술 | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 |
CN114663436A (zh) * | 2022-05-25 | 2022-06-24 | 南京航空航天大学 | 一种基于深度学习的跨尺度缺陷检测方法 |
CN114677722A (zh) * | 2021-12-31 | 2022-06-28 | 无锡致同知新科技有限公司 | 一种融合多尺度特征的多监督人脸活体检测方法 |
CN114820490A (zh) * | 2022-04-18 | 2022-07-29 | 大连工业大学 | 一种基于yolox改进算法的聚集血小板检测方法 |
CN114926407A (zh) * | 2022-04-28 | 2022-08-19 | 哈尔滨理工大学 | 一种基于深度学习的钢材表面缺陷检测系统 |
-
2022
- 2022-10-12 CN CN202211246260.8A patent/CN115775227A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022065621A1 (ko) * | 2020-09-28 | 2022-03-31 | (주)미래융합정보기술 | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 |
CN113553437A (zh) * | 2021-03-30 | 2021-10-26 | 福州大学 | 基于多尺度空洞卷积的时间知识图谱补全方法 |
CN112907595A (zh) * | 2021-05-06 | 2021-06-04 | 武汉科技大学 | 一种表面缺陷检测方法及装置 |
CN114022491A (zh) * | 2021-10-27 | 2022-02-08 | 安徽医科大学 | 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法 |
CN114154620A (zh) * | 2021-11-29 | 2022-03-08 | 上海应用技术大学 | 人群计数网络的训练方法 |
CN114187450A (zh) * | 2021-12-15 | 2022-03-15 | 山东大学 | 一种基于深度学习的遥感图像语义分割方法 |
CN114677722A (zh) * | 2021-12-31 | 2022-06-28 | 无锡致同知新科技有限公司 | 一种融合多尺度特征的多监督人脸活体检测方法 |
CN114820490A (zh) * | 2022-04-18 | 2022-07-29 | 大连工业大学 | 一种基于yolox改进算法的聚集血小板检测方法 |
CN114926407A (zh) * | 2022-04-28 | 2022-08-19 | 哈尔滨理工大学 | 一种基于深度学习的钢材表面缺陷检测系统 |
CN114663436A (zh) * | 2022-05-25 | 2022-06-24 | 南京航空航天大学 | 一种基于深度学习的跨尺度缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
MINGXING TAN 等: "MixConv:Mixed Depthwise Convolutional Kernels", 《ARXIV》 * |
冯嘉良;朱定局;廖丽华;: "基于多尺度空洞卷积自编码神经网络的森林烟火监测", 《计算机与数字工程》 * |
黄凤荣;李杨;郭兰申;钱法;朱雨晨;: "基于Faster R-CNN的零件表面缺陷检测算法", 《计算机辅助设计与图形学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11798132B2 (en) | Image inpainting method and apparatus, computer device, and storage medium | |
CN111027493B (zh) | 一种基于深度学习多网络软融合的行人检测方法 | |
CN111695633B (zh) | 基于rpf-cam的低照度目标检测方法 | |
CN110119753B (zh) | 一种重构纹理识别岩性的方法 | |
CN110675368B (zh) | 一种融合图像分割与分类的细胞图像语义分割方法 | |
JP2019087181A (ja) | 画像検査装置および方法 | |
CN115564766B (zh) | 水轮机蜗壳座环的制备方法及其系统 | |
CN113516656B (zh) | 一种基于ACGAN和Cameralink相机的缺陷图像数据处理仿真方法 | |
CN115661090A (zh) | 纺织面料的智能化加工工艺及其系统 | |
Zha et al. | Multifeature transformation and fusion-based ship detection with small targets and complex backgrounds | |
CN117103790A (zh) | 瓦楞纸板生产线及其控制方法 | |
CN116266387A (zh) | 基于重参数化残差结构和坐标注意力机制的yolov4的图像识别算法及系统 | |
CN112132753B (zh) | 多尺度结构引导图像的红外图像超分辨率方法及系统 | |
CN117173154A (zh) | 玻璃瓶的在线图像检测系统及其方法 | |
CN116994049A (zh) | 全自动针织横机及其方法 | |
CN115205157B (zh) | 图像处理方法和系统、电子设备和存储介质 | |
CN115775227A (zh) | 防裂匣钵的智能化生产方法及其控制系统 | |
CN116429800A (zh) | 一种用于铝合金叶轮的无触式探伤方法及其系统 | |
CN116177858A (zh) | 高纯石英坩埚的制备方法及其系统 | |
CN114372941B (zh) | 一种低光照图像增强方法、装置、设备及介质 | |
CN116129417A (zh) | 一种基于低质量图像的数字仪表读数检测方法 | |
CN114998711A (zh) | 一种空中红外弱小目标检测方法、系统及计算机存储介质 | |
CN110889461B (zh) | 一种面向机箱装配质量检测的图像多特征提取与分类方法 | |
CN110489584B (zh) | 基于密集连接的MobileNets模型的图像分类方法及系统 | |
CN116797780A (zh) | 一种基于数据增强和特征融合的改进ssd目标检测方法 |
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 |