CN116797594A - 一种风机桨叶缺陷检测方法、系统、电子设备及存储介质 - Google Patents
一种风机桨叶缺陷检测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116797594A CN116797594A CN202310834753.1A CN202310834753A CN116797594A CN 116797594 A CN116797594 A CN 116797594A CN 202310834753 A CN202310834753 A CN 202310834753A CN 116797594 A CN116797594 A CN 116797594A
- Authority
- CN
- China
- Prior art keywords
- fan blade
- network
- defect detection
- training
- detected
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims description 3
- 238000004901 spalling Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- CLSIFQGHPQDTHQ-DTWKUNHWSA-N (2s,3r)-2-[(4-carboxyphenyl)methyl]-3-hydroxybutanedioic acid Chemical compound OC(=O)[C@H](O)[C@@H](C(O)=O)CC1=CC=C(C(O)=O)C=C1 CLSIFQGHPQDTHQ-DTWKUNHWSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20—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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种风机桨叶缺陷检测方法、系统、电子设备及存储介质,涉及图像分割技术领域,所述方法包括:获取待检风机桨叶的图像;将待检风机桨叶的图像输入至风机桨叶缺陷检测模型中,得到待检风机桨叶的缺陷类型;风机桨叶缺陷检测模型是利用训练数据集对改进UNet网络进行训练得到的,训练数据集包括多张训练用风机桨叶的图像和对应的缺陷类型,改进UNet网络包括编码网络、卷积块注意网络和解码网络,编码网络为ResNet34网络,本发明将UNet网络中的编码网络替换为ResNet34网络,提高了风机桨叶缺陷的检测精度。
Description
技术领域
本发明涉及图像分割技术领域,特别是涉及一种风机桨叶缺陷检测方法、系统、电子设备及存储介质。
背景技术
风机桨叶是风机将风能转换为电能的重要部件,也是保障整个风机安全运行的关键组件。风机桨叶的工作环境比较恶劣,外界气候对叶片运行会造成很大影响,尤其是台风、雷雨、冰雪、沙尘等恶劣气候随时都可能对风机桨叶造成危害,甚至损坏风机,进而造成经济损失。
目前常用的风机桨叶巡检方式还是以人工巡检为主,需在风机停运时,通过望远镜观察桨叶表面是否有缺陷。这种方式工作量大且效率低,且对巡检人员专业技术要求较高。传统的风机桨叶缺陷检测一般是通过传感器提取信号特征,通过分析风机桨叶产生的信号,实现对风机桨叶缺陷的识别和定位,这些检测方法在实验室中取得了良好的成果,但实际风机桨叶运行环境要比实验室环境要恶劣复杂的多。
发明内容
本发明的目的是提供一种风机桨叶缺陷检测方法、系统、电子设备及存储介质,提高了风机桨叶缺陷的检测精度。
为实现上述目的,本发明提供了如下方案:
一种风机桨叶缺陷检测方法,包括:
获取待检风机桨叶的图像;
将所述待检风机桨叶的图像输入至风机桨叶缺陷检测模型中,得到所述待检风机桨叶的缺陷类型;所述风机桨叶缺陷检测模型是利用训练数据集对改进UNet网络进行训练得到的,所述训练数据集包括多张训练用风机桨叶的图像和对应的缺陷类型,所述改进UNet网络包括编码网络、卷积块注意网络和解码网络,所述编码网络为ResNet34网络。
可选地,所述风机桨叶缺陷检测模型的训练过程,包括:
获取所述训练数据集;
构建所述改进UNet网络;
以多张训练用风机桨叶的图像为输入,以对应的缺陷类型为输出,对所述改进UNet网络进行训练,得到所述风机桨叶缺陷检测模型。
可选地,所述编码网络,包括:五个编码模块;
其中,一个编码模块包括一个卷积层、一个归一化层和一个ReLU激活函数;另外四个编码模块均由残差单元堆叠而成,所述残差单元包括:两个卷积层、两个归一化层和两个ReLU激活函数。
可选地,所述解码网络,包括:五个解码模块;
每个解码模块均包括上采样、两个卷积层、两个ReLU激活函数和两个归一化层。
可选地,所述缺陷类型包括:胶衣脱落、裂纹、雷击和边缘腐蚀。
一种风机桨叶缺陷检测系统,包括:
待检图像获取模块,用于获取待检风机桨叶的图像;
缺陷检测模块,用于将所述待检风机桨叶的图像输入至风机桨叶缺陷检测模型中,得到所述待检风机桨叶的缺陷类型;所述风机桨叶缺陷检测模型是利用训练数据集对改进UNet网络进行训练得到的,所述训练数据集包括多张训练用风机桨叶的图像和对应的缺陷类型,所述改进UNet网络包括编码网络、卷积块注意网络和解码网络,所述编码网络为ResNet34网络。
一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述所述的风机桨叶缺陷检测方法。
一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上述所述的风机桨叶缺陷检测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种风机桨叶缺陷检测方法、系统、电子设备及存储介质,首先获取待检风机桨叶的图像;然后将待检风机桨叶的图像输入至风机桨叶缺陷检测模型中,得到待检风机桨叶的缺陷类型;风机桨叶缺陷检测模型是利用训练数据集对改进UNet网络进行训练得到的,训练数据集包括多张训练用风机桨叶的图像和对应的缺陷类型,改进UNet网络包括编码网络、卷积块注意网络和解码网络,编码网络为ResNet34网络,本发明将UNet网络中的编码网络替换为ResNet34网络,提高了风机桨叶缺陷的检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的风机桨叶缺陷检测方法流程示意图;
图2为改进UNet网络结构示意图;
图3为CBMA注意力机制示意图;
图4为编码网络结构示意图;
图5为残差单元结构示意图;
图6为解码网络结构示意图;
图7为胶衣脱落示意图;
图8为裂纹示意图;
图9为雷击示意图;
图10为边缘腐蚀示意图。
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。
本发明的目的是提供一种风机桨叶缺陷检测方法、系统、电子设备及存储介质,旨在提高风机桨叶缺陷的检测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的风机桨叶缺陷检测方法流程示意图。如图1所示,本实施例中的风机桨叶缺陷检测方法,包括:
步骤101:获取待检风机桨叶的图像。
步骤102:将待检风机桨叶的图像输入至风机桨叶缺陷检测模型中,得到待检风机桨叶的缺陷类型。
其中,风机桨叶缺陷检测模型是利用训练数据集对改进UNet网络进行训练得到的,训练数据集包括多张训练用风机桨叶的图像和对应的缺陷类型,如图2所示,改进UNet网络包括编码网络、卷积块注意网络和解码网络,编码网络为ResNet34网络。
其中,如图3所示,卷积块注意网络((ConvolutionalBlock AttentionModule,CBMA)由通道注意力机制和空间注意力机制串连组成。视觉注意力机制是人类视觉所特有的大脑信号处理机制。人类视觉通过快速扫描全局图像,获得需要重点关注的目标区域,也就是一般所说的注意力焦点,而后对这一区域投入更多注意力资源,以获取更多所需要关注目标的细节信息,而抑制其他无用信息。深度学习模型中采用的注意力机制类似于人类视觉的选择行注意力机制。注意力机制使得模型大量信息中筛选出少量重要信息并聚焦到这些重要信息上,并且忽略大多数不重要的信息。在风机桨叶缺陷图像中,为了使网络能够关注风机桨叶缺陷的关键信息而忽略无关的背景信息,因此在网络中添加CBAM注意力机制,从而提高模型对有效特征的提取能力。
在利用风机桨叶缺陷检测模型进行缺陷检测时,首先编码网络对待检风机桨叶的图像进行特征编码,并将编码结果输入至卷积块注意网络中,得到加权后的特征,并经过解码网络对加权后的特征进行解码,最终输出待检风机桨叶的缺陷类型。
作为一种可选的实施方式,风机桨叶缺陷检测模型的训练过程,包括:
获取训练数据集。
构建改进UNet网络。
以多张训练用风机桨叶的图像为输入,以对应的缺陷类型为输出,对改进UNet网络进行训练,得到风机桨叶缺陷检测模型。
具体的,在训练时,使用的编程语言为Python,版本为3.8。使用深度学习开发框架pytorch。操作系统为Ubuntu18.0,采用NVIDIA 3090作为高性能计算设备。设置训练过程的batchsize为6,动量设置为0.9,选择随机梯度下降作为优化器,迭代轮数设置为300。
作为一种可选的实施方式,如图4所示,编码网络,包括:五个编码模块。
其中,一个编码模块包括一个卷积层、一个归一化层和一个ReLU激活函数;另外四个编码模块均由残差单元堆叠而成,残差单元包括:两个卷积层、两个归一化层和两个ReLU激活函数。
具体的,第一个编码模块包括一个7×7、步长(s)为2的卷积层,一个BatchNorm2d归一化层和一个ReLU激活函数。剩下的四个编码模块都是由残差单元组合而成的,每个残差单元包含两个Conv2d卷积层、两个ReLU激活函数和两个BatchNorm2d批量归一化层。残差单元的结构如图5所示。其中,x为输入量,F(x)为中间函数,H(x)为输出量。
作为一种可选的实施方式,如图6所示,解码网络,包括:五个解码模块。
每个解码模块均包括上采样、两个卷积层、两个ReLU激活函数和两个归一化层。
具体的,在解码网络中,包括五个解码模块,每个模块包括上采样、两个Conv2d卷积层、两个ReLU激活函数和两个BatchNorm2d批量归一化层,其中上采样采用双线性插值(BilinearInterpolate),从而恢复被压缩的特征。通过跳跃连接拼接下采样时的低分辨率信息和上采样时的高分辨率信息,实现底层空间信息和高层语义信息的结合,使得分割精度得到提升,在解码网络的基础上添加六个跳跃连接,形成密集连接的形式,通过复用高层语义信息,加强网络精准分割定位的能力,最终提高分割精度。
作为一种可选的实施方式,如图7-图10所示,缺陷类型包括:胶衣脱落、裂纹、雷击和边缘腐蚀。
实施例2
本实施例中的风机桨叶缺陷检测系统,包括:
待检图像获取模块,用于获取待检风机桨叶的图像。
缺陷检测模块,用于将待检风机桨叶的图像输入至风机桨叶缺陷检测模型中,得到待检风机桨叶的缺陷类型;风机桨叶缺陷检测模型是利用训练数据集对改进UNet网络进行训练得到的,训练数据集包括多张训练用风机桨叶的图像和对应的缺陷类型,改进UNet网络包括编码网络、卷积块注意网络和解码网络,编码网络为ResNet34网络。
实施例3
一种电子设备,包括:
一个或多个处理器。
存储装置,其上存储有一个或多个程序。
当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如实施例1中的风机桨叶缺陷检测方法。
实施例4
一种存储介质,其上存储有计算机程序,其中,计算机程序被处理器执行时实现如实施例1中的风机桨叶缺陷检测方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种风机桨叶缺陷检测方法,其特征在于,所述方法包括:
获取待检风机桨叶的图像;
将所述待检风机桨叶的图像输入至风机桨叶缺陷检测模型中,得到所述待检风机桨叶的缺陷类型;所述风机桨叶缺陷检测模型是利用训练数据集对改进UNet网络进行训练得到的,所述训练数据集包括多张训练用风机桨叶的图像和对应的缺陷类型,所述改进UNet网络包括编码网络、卷积块注意网络和解码网络,所述编码网络为ResNet34网络。
2.根据权利要求1所述的风机桨叶缺陷检测方法,其特征在于,所述风机桨叶缺陷检测模型的训练过程,包括:
获取所述训练数据集;
构建所述改进UNet网络;
以多张训练用风机桨叶的图像为输入,以对应的缺陷类型为输出,对所述改进UNet网络进行训练,得到所述风机桨叶缺陷检测模型。
3.根据权利要求1所述的风机桨叶缺陷检测方法,其特征在于,所述编码网络,包括:五个编码模块;
其中,一个编码模块包括一个卷积层、一个归一化层和一个ReLU激活函数;另外四个编码模块均由残差单元堆叠而成,所述残差单元包括:两个卷积层、两个归一化层和两个ReLU激活函数。
4.根据权利要求1所述的风机桨叶缺陷检测方法,其特征在于,所述解码网络,包括:五个解码模块;
每个解码模块均包括上采样、两个卷积层、两个ReLU激活函数和两个归一化层。
5.根据权利要求1所述的风机桨叶缺陷检测方法,其特征在于,所述缺陷类型包括:胶衣脱落、裂纹、雷击和边缘腐蚀。
6.一种风机桨叶缺陷检测系统,其特征在于,所述系统包括:
待检图像获取模块,用于获取待检风机桨叶的图像;
缺陷检测模块,用于将所述待检风机桨叶的图像输入至风机桨叶缺陷检测模型中,得到所述待检风机桨叶的缺陷类型;所述风机桨叶缺陷检测模型是利用训练数据集对改进UNet网络进行训练得到的,所述训练数据集包括多张训练用风机桨叶的图像和对应的缺陷类型,所述改进UNet网络包括编码网络、卷积块注意网络和解码网络,所述编码网络为ResNet34网络。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至5中任意一项所述的风机桨叶缺陷检测方法。
8.一种存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的风机桨叶缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310834753.1A CN116797594A (zh) | 2023-07-10 | 2023-07-10 | 一种风机桨叶缺陷检测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310834753.1A CN116797594A (zh) | 2023-07-10 | 2023-07-10 | 一种风机桨叶缺陷检测方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116797594A true CN116797594A (zh) | 2023-09-22 |
Family
ID=88042015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310834753.1A Pending CN116797594A (zh) | 2023-07-10 | 2023-07-10 | 一种风机桨叶缺陷检测方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797594A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351062A (zh) * | 2023-12-04 | 2024-01-05 | 尚特杰电力科技有限公司 | 风机扇叶缺陷诊断方法、装置、系统及电子设备 |
-
2023
- 2023-07-10 CN CN202310834753.1A patent/CN116797594A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351062A (zh) * | 2023-12-04 | 2024-01-05 | 尚特杰电力科技有限公司 | 风机扇叶缺陷诊断方法、装置、系统及电子设备 |
CN117351062B (zh) * | 2023-12-04 | 2024-02-23 | 尚特杰电力科技有限公司 | 风机扇叶缺陷诊断方法、装置、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112634292B (zh) | 一种基于深度卷积神经网络的沥青路面裂缝图像分割方法 | |
CN113240671B (zh) | 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法 | |
CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN116797594A (zh) | 一种风机桨叶缺陷检测方法、系统、电子设备及存储介质 | |
CN110827297A (zh) | 基于改进的条件生成对抗网络的绝缘子分割方法 | |
CN111178392B (zh) | 基于深度神经网络的航空发动机孔探图像损伤分割方法 | |
CN110863935B (zh) | 基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法 | |
CN114973032A (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
CN110874591A (zh) | 一种图像定位方法、装置、设备及存储介质 | |
CN111753666B (zh) | 输电线路中小目标故障检测方法、检测系统及存储介质 | |
Zou et al. | Automatic segmentation, inpainting, and classification of defective patterns on ancient architecture using multiple deep learning algorithms | |
CN115170816A (zh) | 多尺度特征提取系统、方法和风机桨叶缺陷检测方法 | |
CN117113066B (zh) | 一种基于计算机视觉的输电线路绝缘子缺陷检测方法 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN117058396B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
CN116503612B (zh) | 基于多任务关联的风机叶片损伤识别方法与系统 | |
CN113159046A (zh) | 无砟道床异物检测方法及装置 | |
CN115587989B (zh) | 一种工件ct图像缺陷检测分割方法及系统 | |
CN114140446A (zh) | 基于语义分割和目标检测的绝缘子缺陷检测方法 | |
Li et al. | Focus on local: transmission line defect detection via feature refinement | |
CN114612751B (zh) | 一种基于语义学习的整机点云数据的下采样方法 | |
CN117237677B (zh) | 一种基于深度学习的强降水空间整体相似度的降水预报订正方法 | |
Wang et al. | EdgeFormer: Edge-assisted transformer for thermal images semantic segmentation | |
CN109903289B (zh) | 一种太赫兹图像无损检测的方法、装置以及设备 |
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 |