CN116703928A - 一种基于机器学习的汽车零部件生产检测方法及系统 - Google Patents

一种基于机器学习的汽车零部件生产检测方法及系统 Download PDF

Info

Publication number
CN116703928A
CN116703928A CN202310990697.0A CN202310990697A CN116703928A CN 116703928 A CN116703928 A CN 116703928A CN 202310990697 A CN202310990697 A CN 202310990697A CN 116703928 A CN116703928 A CN 116703928A
Authority
CN
China
Prior art keywords
feature
matrix
image
automobile part
features
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.)
Granted
Application number
CN202310990697.0A
Other languages
English (en)
Other versions
CN116703928B (zh
Inventor
彭志
吴治国
赵如意
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningde Tianming New Energy Auto Parts Co ltd
Original Assignee
Ningde Tianming New Energy Auto Parts Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningde Tianming New Energy Auto Parts Co ltd filed Critical Ningde Tianming New Energy Auto Parts Co ltd
Priority to CN202310990697.0A priority Critical patent/CN116703928B/zh
Publication of CN116703928A publication Critical patent/CN116703928A/zh
Application granted granted Critical
Publication of CN116703928B publication Critical patent/CN116703928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器学习的汽车零部件生产检测方法及系统，方法包括图像采集、图像预处理、特征融合、特征提取、基于长短期神经网络构建生产检测模型和汽车零部件生产检测。本发明属于汽车零部件检测技术领域，具体是指一种基于机器学习的汽车零部件生产检测方法及系统，本方案采用傅里叶变换对图像进行操作，有助于图像进一步处理，使得图像更加清晰可靠，提高了检测算法的准确性；采用跨层特征融合，获取更丰富的特征信息，提升了生产检测模型的性能；采用基于长短期神经网络的汽车零部件生产检测算法，分析和处理特征矩阵并进行汽车零部件生产检测，优化了汽车零部件生产检测的效率。

Description

一种基于机器学习的汽车零部件生产检测方法及系统
技术领域
本发明属于汽车零部件检测技术领域，具体是指一种基于机器学习的汽车零部件生产检测方法及系统。
背景技术
汽车零部件生产检测是汽车零部件生产过程的一项重要环节，它旨在及时排除零部件的缺陷，提高生产效率，降低生产成本，确保零部件的质量符合技术标准和规范要求，保证汽车的安全性和可靠性，减少事故风险。
但在现有的汽车零部件生产检测过程中，传统检测方法存在误报、漏报的问题，导致检测的准确性和鲁棒性弱的技术问题；存在因汽车零部件种类繁多，缺陷类型多样化，在适应零部件多样性和复杂性方面较弱的技术问题；存在零部件生产过程产生的数据量庞大，缺乏一种高效地处理大规模数据的检测方法的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于机器学习的汽车零部件生产检测方法及系统，针对在已有的汽车零部件生产检测过程中，传统检测方法存在误报、漏报的问题，导致检测的准确性和鲁棒性弱的技术问题，本方案采用傅里叶变换对图像进行操作，有助于图像进一步处理，使得图像更加清晰可靠，提高了检测算法的准确性；针对在已有的汽车零部件生产检测过程中，存在因汽车零部件种类繁多，缺陷类型多样化，在适应零部件多样性和复杂性方面较弱的技术问题，本方案采用跨层特征融合，获取更丰富的特征信息，提升了生产检测模型的性能；针对在现有的汽车零部件生产检测过程中，存在零部件生产过程产生的数据量庞大，缺乏一种高效地处理大规模数据的检测方法的技术问题，本方案采用基于长短期神经网络的汽车零部件生产检测算法，分析和处理特征矩阵并进行汽车零部件生产检测，优化了汽车零部件生产检测的效率。
本发明采取的技术方案如下：本发明提供的一种基于机器学习的汽车零部件生产检测方法，应用于汽车零部件生产检测系统，该方法包括以下步骤：
步骤S1：采集汽车零部件静态图像AutoI；
步骤S2：图像预处理，采用傅里叶变换将静态图像AutoI从空间域变换到频域，得到复数矩阵Mo，对汽车零部件静态图像AutoI进行傅里叶变换和小波变换，得到降噪后的图像AutoI'；
步骤S3：特征融合，采用深度残差网络从图像AutoI'中提取多尺度特征D，采用邻接交互算法，对多尺度特征D中的相邻层特征进行聚合，采用多级特征融合算法，对多尺度特征D中的连续特征进行融合，最后将相同分辨率的特征融合成深度融合特征；
步骤S4：特征提取，通过矩阵降维对深度融合特征进行重塑，通过矩阵乘法和softmax函数，生成特征交互矩阵，通过矩阵乘法和重塑操作，生成语义特征矩阵，采用基于信道关注的特征细化，优化语义特征，得到优化后的语义特征矩阵DS；
步骤S5：生产检测模型构建，通过线性变换，将优化后的语义特征矩阵DS变换为适合机器学习的特征向量，采用基于长短期神经网络的汽车零部件生产检测算法，建立生产检测模型，通过设置隐藏门、输入门和输出门，得到零部件生产检测模型ModelCoDF；
步骤S6：汽车零部件生产检测。
作为本方案的进一步改进，在步骤S1中，所述汽车零部件静态图像AutoI包括汽车零部件的正面视图、背面视图、侧面视图、上方视图和下方视图。
作为本方案的进一步改进，在步骤S2中，所述图像预处理，包括以下步骤：
步骤S21：采用傅里叶变换将静态图像AutoI从空间域变换到频域，得到复数矩阵Mo，计算公式为：
；
式中，F（x，y）是对应于位置（x，y）的频谱分量的复数值，x是频率分量在水平方向上的索引，y是频率分量在垂直方向上的索引，N是输入图像的宽度，M是输入图像的高度，f（a，b）是输入图像中位置为（a，b）的复数值，j是虚数单位，是频谱分量的复指数项；
步骤S22：采用小波变换，对复数矩阵Mo进行处理，得到小波系数矩阵Mo'；
步骤S23：对小波系数矩阵Mo'进行阈值处理并进行小波逆变换，得到降噪后的图像AutoI'。
作为本方案的进一步改进，在步骤S3中，所述特征融合具体指跨层特征融合，包括以下步骤：
步骤S31：采用深度残差网络提取图像AutoI'的多尺度特征D，用于特征融合；
步骤S32：采用邻接交互算法，对多尺度特征D中的相邻层特征进行聚合，包括以下步骤：
步骤S321：对多尺度特征D中相邻的两层特征进行聚合，计算公式为：
；
式中，是第i层特征的平方，d3×3是3×3的卷积操作，Cat是对2个张量进行连接操作，Di是第i层的特征，U是上采样操作；
步骤S322：对多尺度特征D中相邻的三层特征进行聚合，计算公式为：
；
式中，是第i层特征矩阵的立方；
步骤S33：采用多级特征融合算法，对多尺度特征D中的连续特征进行融合，包括以下步骤：
步骤S331：对多尺度特征D中连续的四层特征进行融合，计算公式为：
；
式中，是第i层特征的四次方；
步骤S332：对多尺度特征D中连续的五层特征进行融合，计算公式为：
；
式中，是第i层特征的五次方；
步骤S34：将相同分辨率的特征融合成深度融合特征、/>、/>、/>、/>。
作为本方案的进一步改进，在步骤S4中，所述特征提取，具体指语义感知特征提取，包括以下步骤：
步骤S41：生成特征交互矩阵，包括以下步骤：
步骤S411：通过矩阵降维，对深度融合特征进行重塑操作，计算公式为：
；
式中，是重塑后的第3层特征矩阵，/>满足/>，reshape（）是重塑操作，reshape函数是编程语言操作，/>是第3层的深度融合特征，R是特征矩阵的样本数，C是通道数，H是特征矩阵的高度，W是特征矩阵的宽度；
步骤S412：通过矩阵降维，对深度融合特征进行重塑操作，计算公式为：
；
式中，是重塑后的第4层特征矩阵，/>满足/>，/>是第4层的深度融合特征；
步骤S413：通过矩阵乘法和softmax函数，构造交互矩阵，计算公式为：
；
式中，V1是特征交互矩阵，σ（）是softmax函数，是矩阵乘法操作，T是转置操作，M1是权重矩阵；
步骤S42：生成语义特征矩阵，包括以下步骤：
步骤S421：通过矩阵乘法和重塑操作，生成左分支语义特征矩阵，计算公式为：
；
式中，是左分支语义特征矩阵；
步骤S422：生成右分支的语义特征矩阵，包括以下步骤：
步骤S4221：通过softmax函数和矩阵乘法，生成特征相似矩阵，计算公式为：
；
式中，V2是特征相似矩阵；
步骤S4222：通过矩阵乘法和重塑操作，生成右分支语义特征矩阵，计算公式为：
；
式中，是右分支语义特征矩阵；
步骤S43：采用基于信道关注的特征细化，优化语义特征，包括以下步骤：
步骤S431：将左分支语义特征矩阵和右分支语义特征矩阵/>拼接，生成新的语义特征矩阵，计算公式为：
；
式中，C是语义特征矩阵；
步骤S432：采用平均池化操作，将语义特征矩阵压缩成一个通道注意力向量，计算公式为：
；
式中，A是通道注意力向量，δ（）是Sigmoid激活函数，d1×1，2是2个1×1的卷积层，g（）是平均池化操作；
步骤S433：通过卷积操作，优化语义特征矩阵，计算公式为：
；
式中，DS是优化后的语义特征矩阵，⊙是逐元素相乘操作，是逐元素求和操作。
作为本方案的进一步改进，在步骤S5中，所述生产检测模型构建，包括以下步骤：
步骤S51：通过线性变换，将优化后的语义特征矩阵DS变换为适合机器学习的特征向量，计算公式为：
；
式中，ht是经过线性变换的特征向量，t是时间步，Kh是线性变换的权重矩阵，wh是线性变换的偏置项；
步骤S52：采用基于长短期神经网络的汽车零部件生产检测算法，建立生产检测模型，包括以下步骤：
步骤S521：设置遗忘门来控制记忆的更新，计算公式为：
；
式中，pt是遗忘门输出的特征向量，Kp是遗忘门的权重矩阵，ut-1是前一时间步输出的隐藏状态，ht'是当前时间步的输入特征向量，wp是遗忘门的偏置项；
步骤S522：设置输入门来确定需要更新的信息，包括以下步骤：
步骤S5221：通过Sigmoid激活函数来判断需要更新的内容，计算公式为：
；
式中，lt是输入门输出的特征向量，Kl是输入门的权重矩阵，wl是输入门的偏置项；
步骤S5222：通过tanh函数更新候选细胞状态，计算候选记忆状态，计算公式为：
；
式中，是候选记忆状态，tanh（）是tanh函数，KB是权重矩阵，wc是偏置项；
步骤S5223：通过线性组合，生成新的细胞状态，计算公式为：
；
式中，Bt是更新后的细胞状态，pt是遗忘门输出的特征向量，Bt-1是前一时间步的细胞状态；
步骤S523：设置输出门确定最终输出，包括以下步骤：
步骤S5231：通过Sigmoid激活函数来确定输出内容，计算公式为：
；
式中，vt是当前时间步的信息流出比例，Kv是输出门的权重矩阵，wv是输出门的偏置项；
步骤S5232：通过tanh函数提出单元状态并获得输出门的最终输出，计算公式为：
；
式中，ut是当前时间步的隐藏状态；
步骤S53：通过设置隐藏门、输入门和输出门，得到零部件生产检测模型ModelCoDF。
作为本方案的进一步改进，在步骤S6中，所述汽车零部件生产检测，具体为通过零部件生产检测模型ModelCoDF，检测并将汽车零部件分为有缺陷零部件和无缺陷零部件两类。
本发明提供的一种基于机器学习的汽车零部件生产检测系统，包括：图像采集模块、图像预处理模块、特征融合模块、特征提取模块、生产检测模型构建模块和汽车零部件生产检测模块；
所述图像采集模块采集汽车零部件静态图像AutoI，并将所述汽车零部件静态图像AutoI发送至图像预处理模块；
所述图像预处理模块接收来自图像采集模块的汽车零部件静态图像AutoI，对所述汽车零部件静态图像AutoI进行傅里叶变换和小波变换的操作，得到降噪后的图像AutoI'，并将所述图像AutoI'发送至特征融合模块；
所述特征融合模块接收来自图像预处理模块的图像AutoI'，从所述图像AutoI'中 提取多尺度特征D进行跨层特征融合，计算得到深度融合特征、、、、，并将所述 深度融合特征、、、、发送至特征提取模块；
所述特征提取模块接收来自特征融合模块的深度融合特征、、、、，对 所述深度融合特征、、、、进行语义感知特征提取，得到优化后的语义特征矩阵 DS，并将所述语义特征矩阵DS发送至生产检测模型构建模块；
所述生产检测模型构建模块接收来自特征提取模块的优化后的语义特征矩阵DS，从所述优化后的语义特征矩阵DS中获取数据并进行生产检测模型构建，得到零部件生产检测模型ModelCoDF，并将所述零部件生产检测模型ModelCoDF发送至汽车零部件生产检测模块；
所述汽车零部件生产检测模块接收来自生产检测模型构建模块的零部件生产检测模型ModelCoDF，使用所述零部件生产检测模型ModelCoDF进行汽车零部件生产检测，得到汽车零部件检测报告。
采用上述方案本发明取得的有益效果如下：
（1）针对在已有的汽车零部件生产检测过程中，存在着传统检测方法容易误报、漏报，检测的准确性和鲁棒性有待提高的技术问题，本方案采用傅里叶变换对图像进行操作，有助于图像进一步处理，使得图像更加清晰可靠，提高了检测算法的准确性。
（2）针对在已有的汽车零部件生产检测过程中，存在着汽车零部件的类型繁多，缺乏一种能够适应零部件多样性和复杂性的检测方法的技术问题，本方案采用跨层特征融合，获取更丰富的特征信息，提升了生产检测模型的性能。
（3）针对在现有的汽车零部件生产检测过程中，存在着汽车零部件生产过程中产生的数据量庞大，缺乏一种高效地处理和管理大规模数据的检测方法的技术问题，本方案采用基于长短期神经网络的汽车零部件生产检测算法，分析和处理特征矩阵并进行汽车零部件生产检测，优化了汽车零部件生产检测的效率。
附图说明
图1为本发明提供的一种基于机器学习的汽车零部件生产检测方法的流程示意图；
图2为本发明提供的一种基于机器学习的汽车零部件生产检测系统的示意图；
图3为步骤S2的流程示意图；
图4为步骤S3的流程示意图；
图5为步骤S4的流程示意图；
图6为步骤S5的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种基于机器学习的汽车零部件生产检测方法，该方法包括以下步骤：
步骤S1：采集汽车零部件静态图像AutoI；
步骤S2：图像预处理，采用傅里叶变换将静态图像AutoI从空间域变换到频域，得到复数矩阵Mo，对汽车零部件静态图像AutoI进行傅里叶变换和小波变换，得到降噪后的图像AutoI'；
步骤S3：特征融合，采用深度残差网络从图像AutoI'中提取多尺度特征D，采用邻接交互算法，对多尺度特征D中的相邻层特征进行聚合，采用多级特征融合算法，对多尺度特征D中的连续特征进行融合，最后将相同分辨率的特征融合成深度融合特征；
步骤S4：特征提取，通过矩阵降维对深度融合特征进行重塑，通过矩阵乘法和softmax函数，生成特征交互矩阵，通过矩阵乘法和重塑操作，生成语义特征矩阵，采用基于信道关注的特征细化，优化语义特征，得到优化后的语义特征矩阵DS；
步骤S5：生产检测模型构建，通过线性变换，将优化后的语义特征矩阵DS变换为适合机器学习的特征向量，采用基于长短期神经网络的汽车零部件生产检测算法，建立生产检测模型，通过设置隐藏门、输入门和输出门，得到零部件生产检测模型ModelCoDF；
步骤S6：汽车零部件生产检测。
实施例二，参阅图1，在步骤S1中，采集汽车零部件静态图像AutoI，所述汽车零部件静态图像AutoI包括汽车零部件的正面视图、背面视图、侧面视图、上方视图和下方视图。
实施例三，参阅图1和图3，该实施例基于上述实施例，进一步地，在步骤S2中，进行图像预处理包括以下步骤：
步骤S21：采用傅里叶变换将静态图像AutoI从空间域变换到频域，得到复数矩阵Mo，计算公式为：
；
式中，F（x，y）是对应于位置（x，y）的频谱分量的复数值，x是频率分量在水平方向上的索引，y是频率分量在垂直方向上的索引，N是输入图像的宽度，M是输入图像的高度，f（a，b）是输入图像中位置为（a，b）的复数值，j是虚数单位，是频谱分量的复指数项；
步骤S22：采用小波变换，对复数矩阵Mo进行处理，得到小波系数矩阵Mo'；
步骤S23：对小波系数矩阵Mo'进行阈值处理并进行小波逆变换，得到降噪后的图像AutoI'。
通过执行上述操作，针对在已有的汽车零部件生产检测过程中，传统检测方法存在误报、漏报的问题，导致检测的准确性和鲁棒性弱的技术问题，本方案采用傅里叶变换对图像进行操作，有助于图像进一步处理，使得图像更加清晰可靠，提高了检测算法的准确性。
实施例四，参阅图1和图4，该实施例基于上述实施例，进一步地，在步骤S3中，进行特征融合包括以下步骤：
步骤S31：采用深度残差网络提取图像AutoI'的多尺度特征D，用于特征融合；
步骤S32：采用邻接交互算法，对多尺度特征D中的相邻层特征进行聚合，包括以下步骤：
步骤S321：对多尺度特征D中相邻的两层特征进行聚合，计算公式为：
；
式中，是第i层特征的平方，d3×3是3×3的卷积操作，Cat是对2个张量进行连接操作，Di是第i层的特征，U是上采样操作；
步骤S322：对多尺度特征D中相邻的三层特征进行聚合，计算公式为：
；
式中，是第i层特征矩阵的立方；
步骤S33：采用多级特征融合算法，对多尺度特征D中的连续特征进行融合，包括以下步骤：
步骤S331：对多尺度特征D中连续的四层特征进行融合，计算公式为：
；
式中，是第i层特征的四次方；
步骤S332：对多尺度特征D中连续的五层特征进行融合，计算公式为：
；
式中，是第i层特征的五次方；
步骤S34：将相同分辨率的特征融合成深度融合特征、/>、/>、/>、/>。
通过执行上述操作，针对在已有的汽车零部件生产检测过程中，存在因汽车零部件种类繁多，缺陷类型多样化，在适应零部件多样性和复杂性方面较弱的技术问题，本方案采用跨层特征融合，获取更丰富的特征信息，提升了生产检测模型的性能。
实施例五，参阅图1和图5，该实施例基于上述实施例，进一步地，在步骤S4中，所述特征提取，具体指语义感知特征提取，包括以下步骤：
步骤S41：生成特征交互矩阵，包括以下步骤：
步骤S411：通过矩阵降维，对深度融合特征进行重塑操作，计算公式为：
；
式中，是重塑后的第3层特征矩阵，/>满足/>，reshape（）是重塑操作，reshape函数是编程语言操作，/>是第3层的深度融合特征，R是特征矩阵的样本数，C是通道数，H是特征矩阵的高度，W是特征矩阵的宽度；
步骤S412：通过矩阵降维，对深度融合特征进行重塑操作，计算公式为：
；
式中，是重塑后的第4层特征矩阵，/>满足/>，/>是第4层的深度融合特征；
步骤S413：通过矩阵乘法和softmax函数，构造交互矩阵，计算公式为：
；
式中，V1是特征交互矩阵，σ（）是softmax函数，是矩阵乘法操作，T是转置操作，M1是权重矩阵；
步骤S42：生成语义特征矩阵，包括以下步骤：
步骤S421：通过矩阵乘法和重塑操作，生成左分支语义特征矩阵，计算公式为：
；
式中，是左分支语义特征矩阵；
步骤S422：生成右分支的语义特征矩阵，包括以下步骤：
步骤S4221：通过softmax函数和矩阵乘法，生成特征相似矩阵，计算公式为：
；
式中，V2是特征相似矩阵；
步骤S4222：通过矩阵乘法和重塑操作，生成右分支语义特征矩阵，计算公式为：
；
式中，是右分支语义特征矩阵；
步骤S43：采用基于信道关注的特征细化，优化语义特征，包括以下步骤：
步骤S431：将左分支语义特征矩阵和右分支语义特征矩阵/>拼接，生成新的语义特征矩阵，计算公式为：
；
式中，C是语义特征矩阵；
步骤S432：采用平均池化操作，将语义特征矩阵压缩成一个通道注意力向量，计算公式为：
；
式中，A是通道注意力向量，δ（）是Sigmoid激活函数，d1×1，2是2个1×1的卷积层，g（）是平均池化操作；
步骤S433：通过卷积操作，优化语义特征矩阵，计算公式为：
；
式中，DS是优化后的语义特征矩阵，⊙是逐元素相乘操作，是逐元素求和操作。
实施例六，参阅图1和图6，该实施例基于上述实施例，进一步地，在步骤S5中，生产检测模型构建包括以下步骤：
步骤S51：通过线性变换，将优化后的语义特征矩阵DS变换为适合机器学习的特征向量，计算公式为：
；
式中，ht是经过线性变换的特征向量，t是时间步，Kh是线性变换的权重矩阵，wh是线性变换的偏置项；
步骤S52：采用基于长短期神经网络的汽车零部件生产检测算法，建立生产检测模型，包括以下步骤：
步骤S521：设置遗忘门来控制记忆的更新，计算公式为：
；
式中，pt是遗忘门输出的特征向量，Kp是遗忘门的权重矩阵，ut-1是前一时间步输出的隐藏状态，ht'是当前时间步的输入特征向量，wp是遗忘门的偏置项；
步骤S522：设置输入门来确定需要更新的信息，包括以下步骤：
步骤S5221：通过Sigmoid激活函数来判断需要更新的内容，计算公式为：
；
式中，lt是输入门输出的特征向量，Kl是输入门的权重矩阵，wl是输入门的偏置项；
步骤S5222：通过tanh函数更新候选细胞状态，计算候选记忆状态，计算公式为：
；
式中，是候选记忆状态，tanh（）是tanh函数，KB是权重矩阵，wc是偏置项；
步骤S5223：通过线性组合，生成新的细胞状态，计算公式为：
；
式中，Bt是更新后的细胞状态，pt是遗忘门输出的特征向量，Bt-1是前一时间步的细胞状态；
步骤S523：设置输出门确定最终输出，包括以下步骤：
步骤S5231：通过Sigmoid激活函数来确定输出内容，计算公式为：
；
式中，vt是当前时间步的信息流出比例，Kv是输出门的权重矩阵，wv是输出门的偏置项；
步骤S5232：通过tanh函数提出单元状态并获得输出门的最终输出，计算公式为：
；
式中，ut是当前时间步的隐藏状态；
步骤S53：通过设置隐藏门、输入门和输出门，得到零部件生产检测模型ModelCoDF。
通过执行上述操作，针对在现有的汽车零部件生产检测过程中，存在零部件生产过程产生的数据量庞大，缺乏一种高效地处理大规模数据的检测方法的技术问题，本方案采用基于长短期神经网络的汽车零部件生产检测算法，分析和处理特征矩阵并进行汽车零部件生产检测，优化了汽车零部件生产检测的效率。
实施例七，参阅图1，该实施例基于上述实施例，进一步地，在步骤S6中，进行汽车零部件生产检测，具体为通过零部件生产检测模型ModelCoDF，检测并将汽车零部件分为有缺陷零部件和无缺陷零部件两类。
实施例八，参阅图2，该实施例基于上述实施例，本发明提供的一种基于机器学习的汽车零部件生产检测系统，包括：图像采集模块、图像预处理模块、特征融合模块、特征提取模块、生产检测模型构建模块和汽车零部件生产检测模块；
所述图像采集模块采集汽车零部件静态图像AutoI，并将所述汽车零部件静态图像AutoI发送至图像预处理模块；
所述图像预处理模块接收来自图像采集模块的汽车零部件静态图像AutoI，对所述汽车零部件静态图像AutoI进行傅里叶变换和小波变换的操作，得到降噪后的图像AutoI'，并将所述图像AutoI'发送至特征融合模块；
所述特征融合模块接收来自图像预处理模块的图像AutoI'，从所述图像AutoI'中 提取多尺度特征D进行跨层特征融合，计算得到深度融合特征、、、、，并将所述 深度融合特征、、、、发送至特征提取模块；
所述特征提取模块接收来自特征融合模块的深度融合特征、、、、，对 所述深度融合特征、、、、进行语义感知特征提取，得到优化后的语义特征矩阵 DS，并将所述语义特征矩阵DS发送至生产检测模型构建模块；
所述生产检测模型构建模块接收来自特征提取模块的优化后的语义特征矩阵DS，从所述优化后的语义特征矩阵DS中获取数据并进行生产检测模型构建，得到零部件生产检测模型ModelCoDF，并将所述零部件生产检测模型ModelCoDF发送至汽车零部件生产检测模块；
所述汽车零部件生产检测模块接收来自生产检测模型构建模块的零部件生产检测模型ModelCoDF，使用所述零部件生产检测模型ModelCoDF进行汽车零部件生产检测，得到汽车零部件检测报告。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (9)

1.一种基于机器学习的汽车零部件生产检测方法，其特征在于：该方法包括以下步骤：
步骤S1：采集汽车零部件静态图像AutoI；
步骤S2：图像预处理，采用傅里叶变换将静态图像AutoI从空间域变换到频域，得到复数矩阵Mo，对汽车零部件静态图像AutoI进行傅里叶变换和小波变换，得到降噪后的图像AutoI'；
步骤S3：特征融合，采用深度残差网络从图像AutoI'中提取多尺度特征D，采用邻接交互算法，对多尺度特征D中的相邻层特征进行聚合，采用多级特征融合算法，对多尺度特征D中的连续特征进行融合，最后将相同分辨率的特征融合成深度融合特征；
步骤S4：特征提取，通过矩阵降维对深度融合特征进行重塑，通过矩阵乘法和softmax函数，生成特征交互矩阵，通过矩阵乘法和重塑操作，生成语义特征矩阵，采用基于信道关注的特征细化，优化语义特征，得到优化后的语义特征矩阵DS；
步骤S5：生产检测模型构建，通过线性变换，将优化后的语义特征矩阵DS变换为适合机器学习的特征向量，采用基于长短期神经网络的汽车零部件生产检测算法，建立生产检测模型，通过设置隐藏门、输入门和输出门，得到零部件生产检测模型ModelCoDF；
步骤S6：汽车零部件生产检测。
2.根据权利要求1所述的一种基于机器学习的汽车零部件生产检测方法，其特征在于：在步骤S3中，所述特征融合具体指跨层特征融合，包括以下步骤：
步骤S31：采用深度残差网络提取图像AutoI'的多尺度特征D，用于特征融合；
步骤S32：采用邻接交互算法，对多尺度特征D中的相邻层特征进行聚合，包括以下步骤：
步骤S321：对多尺度特征D中相邻的两层特征进行聚合，计算公式为：
；
式中，是第i层特征的平方，d3×3是3×3的卷积操作，Cat是对2个张量进行连接操作，Di是第i层的特征，U是上采样操作；
步骤S322：对多尺度特征D中相邻的三层特征进行聚合，计算公式为：
；
式中，是第i层特征矩阵的立方；
步骤S33：采用多级特征融合算法，对多尺度特征D中的连续特征进行融合，包括以下步骤：
步骤S331：对多尺度特征D中连续的四层特征进行融合，计算公式为：
；
式中，是第i层特征的四次方；
步骤S332：对多尺度特征D中连续的五层特征进行融合，计算公式为：
；
式中，是第i层特征的五次方；
步骤S34：将相同分辨率的特征融合成深度融合特征、/>、/>、/>、/>。
3.根据权利要求2所述的一种基于机器学习的汽车零部件生产检测方法，其特征在于：在步骤S4中，所述特征提取，具体指语义感知特征提取，包括以下步骤：
步骤S41：生成特征交互矩阵，包括以下步骤：
步骤S411：通过矩阵降维，对深度融合特征进行重塑操作，计算公式为：
；
式中，是重塑后的第3层特征矩阵，/>满足/>，reshape（）是重塑操作，reshape函数是编程语言操作，/>是第3层的深度融合特征，R是特征矩阵的样本数，C是通道数，H是特征矩阵的高度，W是特征矩阵的宽度；
步骤S412：通过矩阵降维，对深度融合特征进行重塑操作，计算公式为：
；
式中，是重塑后的第4层特征矩阵，/>满足/>，/>是第4层的深度融合特征；
步骤S413：通过矩阵乘法和softmax函数，构造交互矩阵，计算公式为：
；
式中，V1是特征交互矩阵，σ（）是softmax函数，是矩阵乘法操作，T是转置操作，M1是权重矩阵；
步骤S42：生成语义特征矩阵，包括以下步骤：
步骤S421：通过矩阵乘法和重塑操作，生成左分支语义特征矩阵，计算公式为：
；
式中，是左分支语义特征矩阵；
步骤S422：生成右分支的语义特征矩阵，包括以下步骤：
步骤S4221：通过softmax函数和矩阵乘法，生成特征相似矩阵，计算公式为：
；
式中，V2是特征相似矩阵；
步骤S4222：通过矩阵乘法和重塑操作，生成右分支语义特征矩阵，计算公式为：
；
式中，是右分支语义特征矩阵；
步骤S43：采用基于信道关注的特征细化，优化语义特征，包括以下步骤：
步骤S431：将左分支语义特征矩阵和右分支语义特征矩阵/>拼接，生成新的语义特征矩阵，计算公式为：
；
式中，C是语义特征矩阵；
步骤S432：采用平均池化操作，将语义特征矩阵压缩成一个通道注意力向量，计算公式为：
；
式中，A是通道注意力向量，δ（）是Sigmoid激活函数，d1×1，2是2个1×1的卷积层，g（）是平均池化操作；
步骤S433：通过卷积操作，优化语义特征矩阵，计算公式为：
；
式中，DS是优化后的语义特征矩阵，⊙是逐元素相乘操作，是逐元素求和操作。
4.根据权利要求3所述的一种基于机器学习的汽车零部件生产检测方法，其特征在于：在步骤S5中，所述生产检测模型构建，包括以下步骤：
步骤S51：通过线性变换，将优化后的语义特征矩阵DS变换为适合机器学习的特征向量，计算公式为：
；
式中，ht是经过线性变换的特征向量，t是时间步，Kh是线性变换的权重矩阵，wh是线性变换的偏置项；
步骤S52：采用基于长短期神经网络的汽车零部件生产检测算法，建立生产检测模型，包括以下步骤：
步骤S521：设置遗忘门来控制记忆的更新，计算公式为：
；
式中，pt是遗忘门输出的特征向量，Kp是遗忘门的权重矩阵，ut-1是前一时间步输出的隐藏状态，ht'是当前时间步的输入特征向量，wp是遗忘门的偏置项；
步骤S522：设置输入门来确定需要更新的信息，包括以下步骤：
步骤S5221：通过Sigmoid激活函数来判断需要更新的内容，计算公式为：
；
式中，lt是输入门输出的特征向量，Kl是输入门的权重矩阵，wl是输入门的偏置项；
步骤S5222：通过tanh函数更新候选细胞状态，计算候选记忆状态，计算公式为：
；
式中，是候选记忆状态，tanh（）是tanh函数，KB是权重矩阵，wc是偏置项；
步骤S5223：通过线性组合，生成新的细胞状态，计算公式为：
；
式中，Bt是更新后的细胞状态，pt是遗忘门输出的特征向量，Bt-1是前一时间步的细胞状态；
步骤S523：设置输出门确定最终输出，包括以下步骤：
步骤S5231：通过Sigmoid激活函数来确定输出内容，计算公式为：
；
式中，vt是当前时间步的信息流出比例，Kv是输出门的权重矩阵，wv是输出门的偏置项；
步骤S5232：通过tanh函数提出单元状态并获得输出门的最终输出，计算公式为：
；
式中，ut是当前时间步的隐藏状态；
步骤S53：通过设置隐藏门、输入门和输出门，得到零部件生产检测模型ModelCoDF。
5.根据权利要求4所述的一种基于机器学习的汽车零部件生产检测方法，其特征在于：在步骤S2中，所述图像预处理，包括以下步骤：
步骤S21：采用傅里叶变换将静态图像AutoI从空间域变换到频域，得到复数矩阵Mo，计算公式为：
；
式中，F（x，y）是对应于位置（x，y）的频谱分量的复数值，x是频率分量在水平方向上的索引，y是频率分量在垂直方向上的索引，N是输入图像的宽度，M是输入图像的高度，f（a，b）是输入图像中位置为（a，b）的复数值，j是虚数单位，是频谱分量的复指数项；
步骤S22：采用小波变换，对复数矩阵Mo进行处理，得到小波系数矩阵Mo'；
步骤S23：对小波系数矩阵Mo'进行阈值处理并进行小波逆变换，得到降噪后的图像AutoI'。
6.根据权利要求5所述的一种基于机器学习的汽车零部件生产检测方法，其特征在于：在步骤S1中，所述汽车零部件静态图像AutoI包括汽车零部件的正面视图、背面视图、侧面视图、上方视图和下方视图。
7.根据权利要求6所述的一种基于机器学习的汽车零部件生产检测方法，其特征在于：在步骤S6中，所述汽车零部件生产检测，具体为通过零部件生产检测模型ModelCoDF，检测并将汽车零部件分为有缺陷零部件和无缺陷零部件两类。
8.一种基于机器学习的汽车零部件生产检测系统，用于实现如权利要求1-7中任一项所述的一种基于机器学习的汽车零部件生产检测方法，其特征在于：包括图像采集模块、图像预处理模块、特征融合模块、特征提取模块、生产检测模型构建模块和汽车零部件生产检测模块。
9.根据权利要求8所述的一种基于机器学习的汽车零部件生产检测系统，其特征在于：所述图像采集模块采集汽车零部件静态图像AutoI，并将所述汽车零部件静态图像AutoI发送至图像预处理模块；
所述图像预处理模块接收来自图像采集模块的汽车零部件静态图像AutoI，对所述汽车零部件静态图像AutoI进行傅里叶变换和小波变换的操作，得到降噪后的图像AutoI'，并将所述图像AutoI'发送至特征融合模块；
所述特征融合模块接收来自图像预处理模块的图像AutoI'，从所述图像AutoI'中提取多尺度特征D进行跨层特征融合，计算得到深度融合特征、/>、/>、/>、/>，并将所述深度融合特征/>、/>、/>、/>、/>发送至特征提取模块；
所述特征提取模块接收来自特征融合模块的深度融合特征、/>、/>、/>、/>，对所述深度融合特征/>、/>、/>、/>、/>进行语义感知特征提取，得到优化后的语义特征矩阵DS，并将所述语义特征矩阵DS发送至生产检测模型构建模块；
所述生产检测模型构建模块接收来自特征提取模块的优化后的语义特征矩阵DS，从所述优化后的语义特征矩阵DS中获取数据并进行生产检测模型构建，得到零部件生产检测模型ModelCoDF，并将所述零部件生产检测模型ModelCoDF发送至汽车零部件生产检测模块；
所述汽车零部件生产检测模块接收来自生产检测模型构建模块的零部件生产检测模型ModelCoDF，使用所述零部件生产检测模型ModelCoDF进行汽车零部件生产检测，得到汽车零部件检测报告。
CN202310990697.0A 2023-08-08 2023-08-08 一种基于机器学习的汽车零部件生产检测方法及系统 Active CN116703928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310990697.0A CN116703928B (zh) 2023-08-08 2023-08-08 一种基于机器学习的汽车零部件生产检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310990697.0A CN116703928B (zh) 2023-08-08 2023-08-08 一种基于机器学习的汽车零部件生产检测方法及系统

Publications (2)

Publication Number Publication Date
CN116703928A true CN116703928A (zh) 2023-09-05
CN116703928B CN116703928B (zh) 2023-10-27

Family

ID=87827982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310990697.0A Active CN116703928B (zh) 2023-08-08 2023-08-08 一种基于机器学习的汽车零部件生产检测方法及系统

Country Status (1)

Country Link
CN (1) CN116703928B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883763A (zh) * 2023-09-06 2023-10-13 宁德市天铭新能源汽车配件有限公司 一种基于深度学习的汽车零部件缺陷检测方法及系统
CN117346657A (zh) * 2023-10-07 2024-01-05 上海勃傲自动化系统有限公司 一种基于5g相机的事件触发方法和系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610419A (zh) * 2019-05-17 2019-12-24 山东财经大学 一种基于小波变换与长短期记忆神经网络融合的股票价格预测方法及装置
CN111476161A (zh) * 2020-04-07 2020-07-31 金陵科技学院 一种融合图像和生理信号双通道的体感动态手势识别方法
CN111639692A (zh) * 2020-05-25 2020-09-08 南京邮电大学 一种基于注意力机制的阴影检测方法
CN113642634A (zh) * 2021-08-12 2021-11-12 南京邮电大学 一种基于混合注意力的阴影检测方法
CN114037674A (zh) * 2021-11-04 2022-02-11 天津大学 一种基于语义上下文的工业缺陷图像分割检测方法及装置
CN115293150A (zh) * 2022-08-10 2022-11-04 辽宁省肿瘤医院 融合卷积神经网络与自注意力机制手术记录自动编码方法
CN115375897A (zh) * 2022-07-29 2022-11-22 五邑大学 图像处理方法、装置、设备及介质
CN115410081A (zh) * 2022-08-10 2022-11-29 南京信息工程大学 一种多尺度聚合的云和云阴影辨识方法、系统、设备及存储介质
CN115481219A (zh) * 2022-08-24 2022-12-16 昆明电力交易中心有限责任公司 一种基于语法序列嵌入模型的售电公司评价情感分类方法
CN116010553A (zh) * 2022-12-17 2023-04-25 福州大学 一种基于双路编码和精确匹配信号的观点检索系统
CN116188929A (zh) * 2023-02-14 2023-05-30 东北大学 小目标检测方法、小目标检测系统
CN116188981A (zh) * 2023-02-22 2023-05-30 广州市城市规划勘测设计研究院 一种高光谱高空间分辨率遥感影像分类方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610419A (zh) * 2019-05-17 2019-12-24 山东财经大学 一种基于小波变换与长短期记忆神经网络融合的股票价格预测方法及装置
CN111476161A (zh) * 2020-04-07 2020-07-31 金陵科技学院 一种融合图像和生理信号双通道的体感动态手势识别方法
CN111639692A (zh) * 2020-05-25 2020-09-08 南京邮电大学 一种基于注意力机制的阴影检测方法
CN113642634A (zh) * 2021-08-12 2021-11-12 南京邮电大学 一种基于混合注意力的阴影检测方法
CN114037674A (zh) * 2021-11-04 2022-02-11 天津大学 一种基于语义上下文的工业缺陷图像分割检测方法及装置
CN115375897A (zh) * 2022-07-29 2022-11-22 五邑大学 图像处理方法、装置、设备及介质
CN115293150A (zh) * 2022-08-10 2022-11-04 辽宁省肿瘤医院 融合卷积神经网络与自注意力机制手术记录自动编码方法
CN115410081A (zh) * 2022-08-10 2022-11-29 南京信息工程大学 一种多尺度聚合的云和云阴影辨识方法、系统、设备及存储介质
CN115481219A (zh) * 2022-08-24 2022-12-16 昆明电力交易中心有限责任公司 一种基于语法序列嵌入模型的售电公司评价情感分类方法
CN116010553A (zh) * 2022-12-17 2023-04-25 福州大学 一种基于双路编码和精确匹配信号的观点检索系统
CN116188929A (zh) * 2023-02-14 2023-05-30 东北大学 小目标检测方法、小目标检测系统
CN116188981A (zh) * 2023-02-22 2023-05-30 广州市城市规划勘测设计研究院 一种高光谱高空间分辨率遥感影像分类方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王月;段红光;郑兴林;: "大规模MIMO系统中基于CNN的延迟CSI反馈改进算法", 电讯技术, no. 07 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883763A (zh) * 2023-09-06 2023-10-13 宁德市天铭新能源汽车配件有限公司 一种基于深度学习的汽车零部件缺陷检测方法及系统
CN116883763B (zh) * 2023-09-06 2023-12-12 宁德市天铭新能源汽车配件有限公司 一种基于深度学习的汽车零部件缺陷检测方法及系统
CN117346657A (zh) * 2023-10-07 2024-01-05 上海勃傲自动化系统有限公司 一种基于5g相机的事件触发方法和系统
CN117346657B (zh) * 2023-10-07 2024-03-19 上海勃傲自动化系统有限公司 一种基于5g相机的事件触发方法和系统

Also Published As

Publication number Publication date
CN116703928B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN116703928B (zh) 一种基于机器学习的汽车零部件生产检测方法及系统
CN109359519B (zh) 一种基于深度学习的视频异常行为检测方法
CN111898432B (zh) 一种基于改进YOLOv3算法的行人检测系统及方法
CN111310672A (zh) 基于时序多模型融合建模的视频情感识别方法、装置及介质
CN112991278B (zh) RGB空域特征与LoG时域特征结合的Deepfake视频检测方法及系统
CN112733625B (zh) 基于时域自注意力机制的假脸视频篡改检测方法及系统
CN117191821B (zh) 一种基于Deformable-DAB-DETR的高透光菲涅尔透镜实时检测方法
CN113610144A (zh) 一种基于多分支局部注意力网络的车辆分类方法
CN116958782A (zh) 一种红外与可见光特征融合的弱小目标检测方法及装置
CN116883763B (zh) 一种基于深度学习的汽车零部件缺陷检测方法及系统
CN116017257A (zh) 一种喇叭的智能化生产方法及其系统
CN110348434A (zh) 相机来源鉴别方法、系统、存储介质和计算设备
CN111598032B (zh) 一种基于图神经网络的群体行为识别方法
CN117523401A (zh) 一种多模态遥感数据变化检测方法
CN111310844B (zh) 车辆识别模型构建方法及装置、识别方法及装置
CN115578722A (zh) 基于车牌间协同学习机制的车牌检测方法
CN115171074A (zh) 一种基于多尺度yolo算法的车辆目标识别方法
CN117690161B (zh) 一种基于图像融合的行人检测方法、设备和介质
CN116091890B (zh) 一种基于Transformer的小目标检测方法、系统、存储介质及产品
CN117291898A (zh) 一种表面缺陷检测方法、系统及设备
CN113034371A (zh) 一种基于特征嵌入的红外与可见光图像融合方法
CN111402180A (zh) 一种nsct域的基于fbiem与iscm的图像融合方法
CN110599460A (zh) 基于混合卷积神经网络的地下管网检测评估云系统
CN117011219A (zh) 物品质量检测方法、装置、设备、存储介质和程序产品
CN115331081A (zh) 图像目标检测方法与装置

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