CN116503615B - 一种基于卷积神经网络的碳纤维丝道识别与编号方法 - Google Patents
一种基于卷积神经网络的碳纤维丝道识别与编号方法 Download PDFInfo
- Publication number
- CN116503615B CN116503615B CN202310745365.6A CN202310745365A CN116503615B CN 116503615 B CN116503615 B CN 116503615B CN 202310745365 A CN202310745365 A CN 202310745365A CN 116503615 B CN116503615 B CN 116503615B
- Authority
- CN
- China
- Prior art keywords
- carbon fiber
- network
- channel
- carbon
- prediction
- 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
- 229920000049 Carbon (fiber) Polymers 0.000 title claims abstract description 59
- 239000004917 carbon fiber Substances 0.000 title claims abstract description 59
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 27
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 23
- 229910052799 carbon Inorganic materials 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000011166 aliquoting Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003704 image resize Methods 0.000 description 1
- 238000005470 impregnation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000008041 oiling agent Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10024—Color 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于卷积神经网络的碳纤维丝道识别与编号方法,涉及图像处理的技术领域。利用工业相机得到采样数据;对采样数据进行预处理,包括训练丝道预测网络、用于实际场景下的碳纤维丝道号标注;输出处理结果,得到碳纤维丝道的标注编号。本发明前期利用碳纤维丝的图像和标注数据,训练卷积神经网络,对碳纤维丝的丝道号进行预测。模型的参数量少,计算快速高效,后处理需要的操作较少,可实现对碳纤维丝的丝道实时标注,且具有一定的泛化能力和稳定性能。
Description
技术领域
本发明涉及图像处理的技术领域,尤其涉及一种基于卷积神经网络的碳纤维丝道识别与编号方法。
背景技术
在碳纤维丝生产过程中,表面缺陷(毛丝、断丝、接头等)问题突出,严重威胁碳纤维丝制品质量(如飞机制造碳纤维复合材料、补强碳纤维混凝土结构物等)。而表面缺陷的出现,是因为碳纤维丝生产中由于凝固速度慢丝条的表面存在一定的粘性或浸渍油剂不均匀产生并丝,导致碳纤维丝缺陷定位追溯难,缺陷严重影响了碳纤维丝制品的质量和使用年限。
为此在碳纤维丝的质检工作中,需要确定碳纤维丝表面缺陷的准确位置,以通知工作人员对缺陷的碳纤维进行及时地处理。由于存在并丝、断丝等问题,目前市面上基于传统图像处理的算法并不适用。即图像数据中存在多个碳丝重叠在一起或出现中间不连续的碳丝,这些碳纤维丝经过工业相机的采集,在视觉上往往不具备区分性,在图像上也不存在明显的区分特征。传统的算法很难对这些数据进行处理。因此如何在不具备明显区分特征的条件下,对并丝或断丝等情况也能较准确的进行编号是一个值得探讨的问题。
发明内容
本发明针对以上问题,采用卷积神经网络对线阵工业相机采集的碳丝图像进行处理,提取深层语义特征,对碳纤维丝和背景进行分离,并对每个丝道进行标注和编号。由于算法的灵活性,也能对并丝、断丝等数据进行较好的处理。
一种基于卷积神经网络的碳纤维丝道识别与编号方法,包括如下步骤:
步骤S1:利用工业相机得到采样数据;
步骤S2:对采样数据进行预处理;
步骤S3:输出处理结果,得到碳纤维丝道的标注编号。
优选的是,本发明步骤S2中的对采样数据进行预处理,包括步骤S21训练丝道预测网络,具体过程为:
步骤S211:数据预处理;具体的:
将采样数据分为训练集/>和测试集两部分;其中/>为/>的碳纤维丝原始图像,/>为/>的丝道标签,丝道位置的值为1,背景位置的值为0;
对于训练集,每张碳纤维丝原始图像分别做Resize,归一化,色彩明亮度、饱和度随机增强,随机垂直翻转的预处理操作,每个丝道标签需要根据碳纤维丝原始图像Resize后的宽度进行调整;其中碳纤维丝原始图像的Resize操作选择双线性插值算法,标签的调整选择双立方插值算法;
对于验证集,每张碳纤维丝原始图像只需要做Resize和归一化的预处理操作,每个丝道标签需要根据图像Resize后的宽度进行调整;
上述训练集、验证集中Resize后的图像大小是相同的。
步骤S212:预测网络输出预测向量;具体的:
预测网络包含四层卷积块,每层卷积块含有卷积层、池化层和非线性激活函数;其中卷积层包含长的卷积核,步长的设置横向上的值小于纵向的值,padding设置为(0,1);每张碳纤维丝原始图像输入网络计算预测向量/>;
步骤S213:计算BCELoss;使用BCE损失函数计算预测值与真实值的损失,;
步骤S214:优化预测网络参数;使用优化预测网络参数/>;
步骤S215:输出最优预测模型;使用验证集计算验证集下的损失,选择损失最小的模型作为最优预测网络,输出最终的预测网络。
优选的是,本发明步骤S2中的对采样数据进行预处理,还包括S22用于实际场景下的碳纤维丝道号标注,具体过程为:
步骤S221:对于测试数据,将每张碳纤维丝原始图像进行Resize和归一化操作;
步骤S222:将处理后的测试图像输入到步骤S21中得到的最优预测网络,得到预测网络输出的预测向量/>;
步骤S223:统计预测向量的分位点,并得到相应的阈值,其中/>,初始时设置为0.5,/>为预测向量/>的长度,/>是指将预测向量/>的数值由小到大排列后第/>个位置所对应的数值;
步骤S224:预测向量中数值小于阈值/>的记为0,大于阈值/>的记为1,得到丝道预测向量/>,丝道预测向量/>中连续为1的区域标记为单个碳丝,并统计碳丝的数量;
步骤S225:判断碳丝数量是否在合理范围。如果碳丝数量少于合理范围,调高的数值,并回到步骤S223中继续执行;否则,如果碳丝数量大于合理范围,降低/>的数值,并回到步骤S223中继续执行;如果碳丝数量在合理范围之内,向下执行;
步骤S226:输出丝道预测向量,并对碳丝进行编号。
本发明前期利用碳纤维丝的图像和标注数据,训练卷积神经网络,对碳纤维丝的丝道号进行预测。模型的参数量少,计算快速高效,后处理需要的操作较少,可实现对碳纤维丝的丝道实时标注,且具有一定的泛化能力和稳定性能。
附图说明
图1是本发明碳纤维丝道识别与编号方法的流程图;
图2是本发明训练丝道预测网络的流程图;
图3是本发明用于实际场景下的碳纤维丝道号标注的流程图。
实施方式
下面结合附图对本发明的技术方案进行详细描述:
如图1所示,一种基于卷积神经网络的碳纤维丝道识别与编号方法,包括如下步骤:
步骤S1:利用工业相机得到采样数据;
步骤S2:对采样数据进行预处理;
如图2所示,步骤S21训练丝道预测网络,具体过程为:
步骤S211:数据预处理;具体的:
将采样数据分为训练集/>,验证集两部分;其中/>为/>的碳纤维丝原始图像,/>为/>的丝道标签,丝道位置的值为1,背景位置的值为0,/>、/>分别为训练集和验证集的样本总数;
对于训练集,每张碳纤维丝原始图像分别做Resize,归一化,色彩扰动,随机垂直翻转的预处理操作,每个丝道标签需要根据碳纤维丝原始图像Resize后的宽度进行调整;其中碳纤维丝原始图像的Resize操作选择双线性插值算法,标签的调整选择双立方插值算法;
归一化的具体操作为:,/>为该样本的均值,/>为方差。
色彩扰动的具体操作为:对于一个像素,假设每个通道的值在/>之间。Color Jitter会对每个通道进行以下操作:
其中为当前通道的值,/>为处理后的新值,/>为调整强度,通常为/>之间的小数,/>为一个均匀分布在/>之间的随机数。经过上述操作后,新的颜色为/>,其中:
其中为取整函数,将计算结果四舍五入为整数,并将其转化为图像上的像素值。
随机垂直翻转:按照一定的概率对当前图像样本/>随机进行垂直翻转,/>设置为0.5。
Resize:假设我们要将一个大小的图像Resize为,首先需要计算缩小后的每一个像素在原图像中对应的位置,假设原图中第/>个像素在缩小后的图像中的位置为/>,则:/>,。Resize中双线性插值算法和双立方插值算法分别为:
1、计算Resize后图像每个位置在原始图像中对应位置/>的四个最近邻像素的坐标:/>,/>,/>和/>,其中/>和/>为最大的满足且/>的整数,/>和/>为最小的满足/>且/>的整数。
2、对于Resize后图像中每个坐标位置的像素值为/>,具体计算如下:
其中 和 />是权重系数。
我们需要根据的值计算出缩小后图像的像素值/>。具体地,对于第个像素,它的像素值可以通过以下公式计算得到:
其中,/>,表示与/>相邻的16个像素的左上角像素的位置。/>表示原始图像上第/>行、第/>列像素值,/>是加权系数,它是根据计算得到的。具体地,加权系数可以由以下公式计算得到:
其中,,/>,/>和/>分别表示在/>、/>方向上的加权系数,它们可以通过以下公式计算得到:
上述公式中的系数称为双立方插值权重函数,它的作用是控制插值的平滑性,当/>为0时,/>的值最大,对应的像素的灰度值对插值的结果影响最大,/>距离0越远时,/>的值逐渐减小,对插值的结果的影响也越来越小。
对于验证集数据,每张碳纤维丝原始图像只需要做Resize(双线性插值算法,同上)和归一化的预处理操作,每个丝道标签需要根据图像Resize后的宽度进行Resize(双立方插值算法,同上)调整;
上述训练集、验证集中Resize后的图像大小是相同的。
步骤S212:预测网络输出预测向量;具体的:
预测网络包含四层卷积块,每层卷积块含有卷积层、池化层和非线性激活函数;其中卷积层包含长的卷积核,步长的设置横向上的值小于纵向的值,padding设置为(0,1);每张碳纤维丝原始图像输入网络计算预测向量/>;
预测网络的具体计算为:原始图像分别输入每个卷积块,计算公式为:
其中,是卷积层的输出,/>是激活函数,/>是卷积核的权重,/>是输入数据,/>是偏置项。激活函数为/>。接着对每层的输出进行池化操作,具体计算为:
其中,是池化层的输出,/>,/>,/>,/>是输入数据的四个采样点。
步骤S213:计算BCELoss;使用BCE损失函数计算预测值与真实值的损失,;
步骤S214:优化预测网络参数;使用SGD优化算法优化预测网络参数;SGD优化算法具体计算为:/>,其中/>为学习率,初始设置为0.01,/>为/>的梯度,为优化后的结果;
步骤S215:输出最优预测模型;使用验证集计算验证集下的损失,对每个验证集上的每个样本计算损失并求平均值,具体计算为,其中。选择平均损失最小的模型作为最优预测网络,输出最终的预测网络/>。
如图3所示,S22用于实际场景下的碳纤维丝道号标注,具体过程为:
步骤S221:对于测试数据,将每张碳纤维丝原始图像进行Resize和归一化操作,其中/>为测试集的样本总数;
步骤S222:将处理后的测试图像输入到步骤S21中得到的最优预测网络,得到预测网络输出的预测向量/>;
步骤S223:统计预测向量的分位点/>,并得到相应的阈值,其中/>为整数,代表将向量/>等分,初始时设置为2,/>为预测向量/>的长度,代表向上取整。/>是指将预测向量/>的数值由小到大排列后第/>个位置所对应的数值;
步骤S224:预测向量中数值小于阈值/>的记为0,大于阈值/>的记为1,得到丝道预测向量/>,丝道预测向量/>中连续为1的区域标记为单个碳丝,并统计碳丝的数量;
步骤S225:判断碳丝数量是否在合理范围;如果碳丝数量少于合理范围,调高的数值,并回到步骤S223中继续执行;否则,如果碳丝数量大于合理范围,降低/>的数值,并回到步骤S223中继续执行;如果碳丝数量在合理范围之内,向下执行;
步骤S226:输出丝道预测向量,并对碳丝进行编号。
本发明利用线阵工业相机,前期结合碳纤维丝的图像和标注数据,训练卷积神经网络,对碳纤维丝的丝道号进行预测。模型的参数量少,计算快速高效,后处理需要的操作较少,可实现对碳纤维丝的丝道实时标注,且具有一定的泛化能力和稳定性能。
Claims (2)
1.一种基于卷积神经网络的碳纤维丝道识别与编号方法,其特征在于包括如下步骤:
步骤S1:利用工业相机得到采样数据;
步骤S2:对采样数据进行预处理;
包括步骤S21训练丝道预测网络,具体过程为:
步骤S211:数据预处理;具体的:
将采样数据分为训练集/>和测试集两部分;其中/>为/>的碳纤维丝原始图像,/>为的丝道标签,丝道位置的值为1,背景位置的值为0;
对于训练集,每张碳纤维丝原始图像分别做Resize,归一化,色彩明亮度、饱和度随机增强,随机垂直翻转的预处理操作,每个丝道标签需要根据碳纤维丝原始图像Resize后的宽度进行调整;其中碳纤维丝原始图像的Resize操作选择双线性插值算法,标签的调整选择双立方插值算法;
对于验证集,每张碳纤维丝原始图像只需要做Resize和归一化的预处理操作,每个丝道标签需要根据图像Resize后的宽度进行调整;
上述训练集、验证集中Resize后的图像大小是相同的;
步骤S212:预测网络输出预测向量;具体的:
预测网络包含四层卷积块,每层卷积块含有卷积层、池化层和非线性激活函数;其中卷积层包含长的卷积核,步长的设置横向上的值小于纵向的值,padding设置为(0,1);每张碳纤维丝原始图像输入网络计算预测向量/>;
步骤S213:计算BCELoss;使用BCE损失函数计算预测值与真实值的损失,;
步骤S214:优化预测网络参数;使用优化预测网络参数/>;
步骤S215:输出最优预测模型;使用验证集计算验证集下的损失,选择损失最小的模型作为最优预测网络,输出最终的预测网络;
步骤S3:输出处理结果,得到碳纤维丝道的标注编号。
2.根据权利要求1所述的基于卷积神经网络的碳纤维丝道识别与编号方法,其特征在于上述步骤S2中的对采样数据进行预处理,还包括用于实际场景下的碳纤维丝道号标注,具体过程为:
步骤S221:对于测试数据,将每张碳纤维丝原始图像进行Resize和归一化操作;
步骤S222:将处理后的测试图像输入到步骤S21中得到的最优预测网络,得到预测网络输出的预测向量/>;
步骤S223:统计预测向量的分位点,并得到相应的阈值/>,其中/>,初始时设置为0.5,/>为预测向量/>的长度,/>是指将预测向量/>的数值由小到大排列后第/>个位置所对应的数值;
步骤S224:预测向量中数值小于阈值/>的记为0,大于阈值/>的记为1,得到丝道预测向量/>,丝道预测向量/>中连续为1的区域标记为单个碳丝,并统计碳丝的数量;
步骤S225:判断碳丝数量是否在合理范围;如果碳丝数量少于合理范围,调高的数值,并回到步骤S223中继续执行;否则,如果碳丝数量大于合理范围,降低/>的数值,并回到步骤S223中继续执行;如果碳丝数量在合理范围之内,向下执行;
步骤S226:输出丝道预测向量,并对碳丝进行编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745365.6A CN116503615B (zh) | 2023-06-25 | 2023-06-25 | 一种基于卷积神经网络的碳纤维丝道识别与编号方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745365.6A CN116503615B (zh) | 2023-06-25 | 2023-06-25 | 一种基于卷积神经网络的碳纤维丝道识别与编号方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503615A CN116503615A (zh) | 2023-07-28 |
CN116503615B true CN116503615B (zh) | 2023-08-25 |
Family
ID=87316848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310745365.6A Active CN116503615B (zh) | 2023-06-25 | 2023-06-25 | 一种基于卷积神经网络的碳纤维丝道识别与编号方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503615B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781729A (zh) * | 2019-09-16 | 2020-02-11 | 长安大学 | 碳纤维增强水泥基材料纤维分散性评价模型与评价方法 |
CN112037869A (zh) * | 2020-09-01 | 2020-12-04 | 西南交通大学 | 材性试验与强度预测方法、系统、存储介质、计算机设备 |
CN113012123A (zh) * | 2021-03-13 | 2021-06-22 | 山东大学 | 碳纤维复合材料缺陷损伤分类识别与定量分析方法及系统 |
CN113592852A (zh) * | 2021-08-16 | 2021-11-02 | 南京耘瞳科技有限公司 | 一种碳纤维碳丝质量在线检测系统和方法 |
CN116312898A (zh) * | 2023-05-11 | 2023-06-23 | 中国电子科技集团公司信息科学研究院 | 识别复合材料力学参数及训练其识别模型的方法、装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10896498B2 (en) * | 2018-07-23 | 2021-01-19 | The Boeing Company | Characterization of melted veil strand ratios in plies of fiber material |
-
2023
- 2023-06-25 CN CN202310745365.6A patent/CN116503615B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781729A (zh) * | 2019-09-16 | 2020-02-11 | 长安大学 | 碳纤维增强水泥基材料纤维分散性评价模型与评价方法 |
CN112037869A (zh) * | 2020-09-01 | 2020-12-04 | 西南交通大学 | 材性试验与强度预测方法、系统、存储介质、计算机设备 |
CN113012123A (zh) * | 2021-03-13 | 2021-06-22 | 山东大学 | 碳纤维复合材料缺陷损伤分类识别与定量分析方法及系统 |
CN113592852A (zh) * | 2021-08-16 | 2021-11-02 | 南京耘瞳科技有限公司 | 一种碳纤维碳丝质量在线检测系统和方法 |
CN116312898A (zh) * | 2023-05-11 | 2023-06-23 | 中国电子科技集团公司信息科学研究院 | 识别复合材料力学参数及训练其识别模型的方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116503615A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381788B (zh) | 一种基于双分支匹配网络的零部件表面缺陷增量检测方法 | |
CN112819802B (zh) | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 | |
CN110415230B (zh) | 一种基于深度学习的ct切片图像语义分割系统及方法 | |
CN114299066B (zh) | 基于显著性特征预提取与图像分割的缺陷检测方法和装置 | |
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN113159061B (zh) | 一种基于实例分割的实际隧道围岩碴片识别方法 | |
CN110070526A (zh) | 基于深度神经网络热度图预测的缺陷检测方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN112348122A (zh) | 可行驶区域的标注方法、装置和电子设备 | |
CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
CN116188468A (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN115731400A (zh) | 基于自监督学习的x光图像异物检测方法 | |
CN114772208B (zh) | 一种基于图像分割的非接触式皮带撕裂检测系统及方法 | |
CN116503615B (zh) | 一种基于卷积神经网络的碳纤维丝道识别与编号方法 | |
CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
CN113077423B (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析系统 | |
CN113902765B (zh) | 基于全景分割的半导体自动分区方法 | |
CN114863277A (zh) | 一种基于机器视觉的不规则颗粒群超限颗粒快速检测方法 | |
CN112712077B (zh) | 一种钢流轮廓确定方法、系统、终端及介质 | |
CN116958739A (zh) | 一种基于注意力机制的碳纤维丝道实时动态编号方法 | |
CN112115876A (zh) | 一种基于3d卷积神经网络的水溶法实验过程识别方法 | |
CN116128740B (zh) | 一种用于液晶显示屏的智能图像处理方法及系统 | |
CN117830300B (zh) | 一种基于视觉的燃气管道外观质量检测方法 | |
CN117876971B (zh) | 基于机器视觉的建筑施工安全监测及预警方法 | |
CN117765373B (zh) | 一种自适应裂缝尺寸的轻量化道路裂缝检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |