CN117095245A - 一种基于深度学习的无缝钢管小样本学习方法 - Google Patents

一种基于深度学习的无缝钢管小样本学习方法 Download PDF

Info

Publication number
CN117095245A
CN117095245A CN202311353410.XA CN202311353410A CN117095245A CN 117095245 A CN117095245 A CN 117095245A CN 202311353410 A CN202311353410 A CN 202311353410A CN 117095245 A CN117095245 A CN 117095245A
Authority
CN
China
Prior art keywords
seamless steel
steel tube
image
original image
convex lens
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
Application number
CN202311353410.XA
Other languages
English (en)
Inventor
王庆帅
徐培培
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.)
Afaron Shandong Technology Co ltd
Original Assignee
Afaron Shandong Technology 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 Afaron Shandong Technology Co ltd filed Critical Afaron Shandong Technology Co ltd
Priority to CN202311353410.XA priority Critical patent/CN117095245A/zh
Publication of CN117095245A publication Critical patent/CN117095245A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/70—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
    • 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
    • G06N3/04—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
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/30—Noise 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
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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

Abstract

本发明公开了一种基于深度学习的无缝钢管小样本学习方法，属于图像识别技术领域，包括下述步骤：输入无缝钢管原始图像信号，并对无缝钢管原始图像依次进行图像增强、去噪处理、二值化处理以及形态学处理，生成预处理后的无缝钢管原始图像；以凸透镜成像原理为挤出参数。本发明中，利用小样本图像作为学习样本训练卷积神经网络时,利用深度卷积神经网络提取潜在的图像特征在卷积神经网络训练过程中采用基于凸透镜成像原理的图像增多算法解决小样本业练样本不足的问题，在不改变已经训练好的模型的前提下，借助每类少数几个标注样本，通过泛化这些罕见的类别，识别训练过程中有从未见过的新类，而不需要额外的训练。

Description

一种基于深度学习的无缝钢管小样本学习方法
技术领域
本发明属于图像识别技术领域，尤其涉及一种基于深度学习的无缝钢管小样本学习方法。
背景技术
深度学习在许多计算机视觉任务中都取得了巨大的成功，例如识别，图像生成。尽管有所成就，深度学习算法仍然存在很大的问题。它们通常都缺乏了很好的适应能力。例如，我们很难直接使用模型来识别训练数据中未包含类别的图像，除非可以拥有提供更多信息，在对无缝钢管进行质检时经常会用到深度学习的无缝钢管小样本学习方法。
现有技术中，基于深度学习的小样本学习处理技术的缺陷识别，传统的数字图像处理方法不能进行批量处理，难以作用于无缝钢管的之间，基于深度学习的无缝钢管表面缺陷识别，需要大量的图像数据集并进行手工标注，这需要耗费大量的人力和耗时，否则识别率不会很高。
基于此，本发明设计了一种基于深度学习的无缝钢管小样本学习方法，以解决上述问题。
发明内容
本发明的目的在于：为了解决基于深度学习的小样本学习处理技术的缺陷识别，传统的数字图像处理方法不能进行批量处理，难以作用于无缝钢管的之间，基于深度学习的无缝钢管表面缺陷识别，需要大量的图像数据集并进行手工标注，这需要耗费大量的人力和耗时，否则识别率不会很高的问题，而提出的一种基于深度学习的无缝钢管小样本学习方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于深度学习的无缝钢管小样本学习方法，包括下述步骤：
输入无缝钢管原始图像信号，并对无缝钢管原始图像依次进行图像增强、去噪处理、二值化处理以及形态学处理，生成预处理后的无缝钢管原始图像；
以凸透镜成像原理为挤出参数，通过调整光谱图的大小获得更多的标注图像；
通过调整图谱与凸透镜之间的距离能够获得多张图像，接着将图像尺度进行归一化处理，获得训练卷积神经网络的输入信号；
在卷积神经网络中，将首层卷积层与Leaky ReLU激光函数进行结合；
首层卷积层将卷积特征信息进行取反操作，并与标注图像中的特征信息一同作用于Leaky ReLU激光函数，接着将其转移至下一层；
最后采用Softmax分类器实现图像的分类。
作为上述技术方案的进一步描述：
所述图像增强中，采用空间域中的直方图均衡化对无缝钢管原始图像进行图像增强处理，直方图均衡化直接从无缝钢管原始图像信号中提取信号。
作为上述技术方案的进一步描述：
所述去噪处理中，采用阈值领域平衡法对增强后的无缝钢管原始图像信号进行去噪处理，保留无缝钢管原始图像信号中的细节特征，给定像素点灰度值和窗口大小，既定阈值L，关系如下：
，/>，/>该方法在平滑无缝钢管原始图像信号的同时减少了边缘模糊，S为灰度值，/>表示频域点到空域点的距离，i属于/>表示/>的图像，T表示邻域空间像素的个数，/>，。
作为上述技术方案的进一步描述：
所述二值化处理中，采用图像的二值化处理技术将去噪后的无缝钢管原始图像上的像素点的灰度值设置为0或255，即无缝钢管原始图像只有黑或白，对经过二值化处理的无缝钢管原始图像进行形态学处理，所述形态学处理中，先输入经过二值化处理的无缝钢管原始图像，接着提取图像中的几何结构特征，在提取几何特征的过程中选择适合的结构元素，最后进行形态学变换，生成图谱。
作为上述技术方案的进一步描述：
所述获得更多的标注图像中，将无缝钢管原始图像信号经过预处理生成的图谱放置在L点位置，根据凸透镜成像原理，所述根据凸透镜成像原理，当L点距离凸透镜的距离大于F小于FS时，通过凸透镜生成的图像大于原始图像，F为透镜焦距，所述根据凸透镜成像原理，当L点距离凸透镜的距离为2F时，通过凸透镜生成的图像与原始图像相等，所述根据凸透镜成像原理，当L点距离凸透镜的距离大于2F时，通过凸透镜生成的图像小于原始图像。
作为上述技术方案的进一步描述：
所述归一化处理中，利用已知类别的参考模板对输入的多张图像进行全局归一化处理，通过对无缝钢管表面伤痕的扭曲以及旋转变形进行校正，归一化准则定义为标注图像与输入图像件的最近距离，采用对权值的迭代算法得到最优的匹配标注图像。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，利用小样本图像作为学习样本训练卷积神经网络时,利用深度卷积神经网络提取潜在的图像特征在卷积神经网络训练过程中采用基于凸透镜成像原理的图像增多算法解决小样本业练样本不足的问题，在不改变已经训练好的模型的前提下，借助每类少数几个标注样本，通过泛化这些罕见的类别，识别训练过程中有从未见过的新类，而不需要额外的训练。
2、本发明中，通过对输入的无缝钢管原始图像进行预处理，在具体的图像预处理过程中，能够最大限度保留有效的图像特征信息，减少特征的损失，实现了无缝钢管原始图像信号数据量的减少，能够减少后续的处理时间以及处理精度。
3、本发明中，对无缝钢管表面伤痕的扭曲以及旋转变形进行校正，用于神经网络识别中，可是系统识别率得到较为明显的提升。
附图说明
图1为本发明提出的一种基于深度学习的无缝钢管小样本学习方法的流程示意图；
图2为本发明提出的一种基于深度学习的无缝钢管小样本学习方法中形态学处理的流程示意图；
图3为本发明提出的一种基于深度学习的无缝钢管小样本学习方法中归一化处理的流程示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅附图1-附图3，本发明提供一种技术方案：一种基于深度学习的无缝钢管小样本学习方法，包括下述步骤：
输入无缝钢管原始图像信号，并对无缝钢管原始图像依次进行图像增强、去噪处理、二值化处理以及形态学处理，生成预处理后的无缝钢管原始图像；
以凸透镜成像原理为挤出参数，通过调整光谱图的大小获得更多的标注图像；
通过调整图谱与凸透镜之间的距离能够获得多张图像，接着将图像尺度进行归一化处理，获得训练卷积神经网络的输入信号；
在卷积神经网络中，将首层卷积层与Leaky ReLU激光函数进行结合；
首层卷积层将卷积特征信息进行取反操作，并与标注图像中的特征信息一同作用于Leaky ReLU激光函数，接着将其转移至下一层；
最后采用Softmax分类器实现图像的分类。
具体的，所述图像增强中，采用空间域中的直方图均衡化对无缝钢管原始图像进行图像增强处理，直方图均衡化直接从无缝钢管原始图像信号中提取信号。
具体的，所述去噪处理中，采用阈值领域平衡法对增强后的无缝钢管原始图像信号进行去噪处理，保留无缝钢管原始图像信号中的细节特征，给定像素点灰度值和窗口大小/>，既定阈值L，关系如下：/>，，/>该方法在平滑无缝钢管原始图像信号的同时减少了边缘模糊，S为灰度值，/>表示频域点到空域点的距离，i属于/>表示/>的图像，T表示邻域空间像素的个数，/>，/>。
具体的，所述二值化处理中，采用图像的二值化处理技术将去噪后的无缝钢管原始图像上的像素点的灰度值设置为0或255，即无缝钢管原始图像只有黑或白，对经过二值化处理的无缝钢管原始图像进行形态学处理，所述形态学处理中，先输入经过二值化处理的无缝钢管原始图像，接着提取图像中的几何结构特征，在提取几何特征的过程中选择适合的结构元素，最后进行形态学变换，生成图谱，所述获得更多的标注图像中，将无缝钢管原始图像信号经过预处理生成的图谱放置在L点位置，根据凸透镜成像原理。
具体的，所述根据凸透镜成像原理，当L点距离凸透镜的距离大于F小于FS时，通过凸透镜生成的图像大于原始图像，F为透镜焦距，所述根据凸透镜成像原理，当L点距离凸透镜的距离为2F时，通过凸透镜生成的图像与原始图像相等，所述根据凸透镜成像原理，当L点距离凸透镜的距离大于2F时，通过凸透镜生成的图像小于原始图像。
具体的，所述归一化处理中，利用已知类别的参考模板对输入的多张图像进行全局归一化处理，通过对无缝钢管表面伤痕的扭曲以及旋转变形进行校正，归一化准则定义为标注图像与输入图像件的最近距离，采用对权值的迭代算法得到最优的匹配标注图像。
工作原理，使用时：
输入无缝钢管原始图像信号，并对无缝钢管原始图像依次进行图像增强、去噪处理、二值化处理以及形态学处理，生成预处理后的无缝钢管原始图像，采用空间域中的直方图均衡化对无缝钢管原始图像进行图像增强处理，直方图均衡化直接从无缝钢管原始图像信号中提取信号，采用阈值领域平衡法对增强后的无缝钢管原始图像信号进行去噪处理，保留无缝钢管原始图像信号中的细节特征，给定像素点灰度值和窗口大小/>，既定阈值L，关系如下：/>，/>，该方法在平滑无缝钢管原始图像信号的同时减少了边缘模糊，S为灰度值，/>表示频域点到空域点的距离，i属于/>表示/>的图像，T表示邻域空间像素的个数，/>，/>，采用图像的二值化处理技术将去噪后的无缝钢管原始图像上的像素点的灰度值设置为0或255，即无缝钢管原始图像只有黑或白，对经过二值化处理的无缝钢管原始图像进行形态学处理，所述形态学处理具体中，先输入经过二值化处理的无缝钢管原始图像，接着提取图像中的几何结构特征，在提取几何特征的过程中选择适合的结构元素，最后进行形态学变换，生成图谱，通过对输入的无缝钢管原始图像进行预处理，在具体的图像预处理过程中，能够最大限度保留有效的图像特征信息，减少特征的损失，实现了无缝钢管原始图像信号数据量的减少，能够减少后续的处理时间以及处理精度，以凸透镜成像原理为挤出参数，通过调整光谱图的大小获得更多的标注图像，将无缝钢管原始图像信号经过预处理生成的图谱放置在L点位置，根据凸透镜成像原理，当L点距离凸透镜的距离大于F小于FS时，通过凸透镜生成的图像大于原始图像，F为透镜焦距，当L点距离凸透镜的距离为2F时，通过凸透镜生成的图像与原始图像相等，当L点距离凸透镜的距离大于2F时，通过凸透镜生成的图像小于原始图像，通过调整图谱与凸透镜之间的距离能够获得多张图像，接着将图像尺度进行归一化处理，获得训练卷积神经网络的输入信号，所述归一化处理包中，利用已知类别的参考模板对输入的多张图像进行全局归一化处理，通过对无缝钢管表面伤痕的扭曲以及旋转变形进行校正，归一化准则定义为标注图像与输入图像件的最近距离，采用对权值的迭代算法得到最优的匹配标注图像，对无缝钢管表面伤痕的扭曲以及旋转变形进行校正。用于神经网络识别中，可是系统识别率得到较为明显的提升，在卷积神经网络中，将首层卷积层与Leaky ReLU激光函数进行结合，首层卷积层将卷积特征信息进行取反操作，并与标注图像中的特征信息一同作用于Leaky ReLU激光函数，接着将其转移至下一层，最后采用Softmax分类器实现图像的分类，利用小样本图像作为学习样本训练卷积神经网络时,利用深度卷积神经网络提取潜在的图像特征在卷积神经网络训练过程中采用基于凸透镜成像原理的图像增多算法解决小样本业练样本不足的问题，在不改变已经训练好的模型的前提下，借助每类少数几个标注样本，通过泛化这些罕见的类别，识别训练过程中有从未见过的新类，而不需要额外的训练。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的无缝钢管小样本学习方法，其特征在于，包括下述步骤：
输入无缝钢管原始图像信号，并对无缝钢管原始图像依次进行图像增强、去噪处理、二值化处理以及形态学处理，生成预处理后的无缝钢管原始图像；
以凸透镜成像原理为挤出参数，通过调整光谱图的大小获得更多的标注图像；
通过调整图谱与凸透镜之间的距离能够获得多张图像，接着将图像尺度进行归一化处理，获得训练卷积神经网络的输入信号；
在卷积神经网络中，将首层卷积层与Leaky ReLU激光函数进行结合；
首层卷积层将卷积特征信息进行取反操作，并与标注图像中的特征信息一同作用于Leaky ReLU激光函数，接着将其转移至下一层；
最后采用Softmax分类器实现图像的分类。
2.根据权利要求1所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述图像增强中，采用空间域中的直方图均衡化对无缝钢管原始图像进行图像增强处理，直方图均衡化直接从无缝钢管原始图像信号中提取信号。
3.根据权利要求1所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述去噪处理中，采用阈值领域平衡法对增强后的无缝钢管原始图像信号进行去噪处理，保留无缝钢管原始图像信号中的细节特征。
4.根据权利要求1所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述二值化处理中，采用图像的二值化处理技术将去噪后的无缝钢管原始图像上的像素点的灰度值设置为0或255，即无缝钢管原始图像只有黑或白，对经过二值化处理的无缝钢管原始图像进行形态学处理。
5.根据权利要求4所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述形态学处理中，先输入经过二值化处理的无缝钢管原始图像，接着提取图像中的几何结构特征，在提取几何特征的过程中选择适合的结构元素，最后进行形态学变换，生成图谱。
6.根据权利要求1所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述获得更多的标注图像中，将无缝钢管原始图像信号经过预处理生成的图谱放置在L点位置，根据凸透镜成像原理。
7.根据权利要求6所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述根据凸透镜成像原理，当L点距离凸透镜的距离大于F小于FS时，通过凸透镜生成的图像大于原始图像，F为透镜焦距。
8.根据权利要求7所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述根据凸透镜成像原理，当L点距离凸透镜的距离为2F时，通过凸透镜生成的图像与原始图像相等。
9.根据权利要求8所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述根据凸透镜成像原理，当L点距离凸透镜的距离大于2F时，通过凸透镜生成的图像小于原始图像。
10.根据权利要求1所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述归一化处理中，利用已知类别的参考模板对输入的多张图像进行全局归一化处理，通过对无缝钢管表面伤痕的扭曲以及旋转变形进行校正，归一化准则定义为标注图像与输入图像件的最近距离，采用对权值的迭代算法得到最优的匹配标注图像。
CN202311353410.XA 2023-10-19 2023-10-19 一种基于深度学习的无缝钢管小样本学习方法 Pending CN117095245A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311353410.XA CN117095245A (zh) 2023-10-19 2023-10-19 一种基于深度学习的无缝钢管小样本学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311353410.XA CN117095245A (zh) 2023-10-19 2023-10-19 一种基于深度学习的无缝钢管小样本学习方法

Publications (1)

Publication Number Publication Date
CN117095245A true CN117095245A (zh) 2023-11-21

Family

ID=88780103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311353410.XA Pending CN117095245A (zh) 2023-10-19 2023-10-19 一种基于深度学习的无缝钢管小样本学习方法

Country Status (1)

Country Link
CN (1) CN117095245A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN109978824A (zh) * 2019-02-19 2019-07-05 深圳大学 一种透明薄膜缺陷形态测量方法及系统
CN111507990A (zh) * 2020-04-20 2020-08-07 南京航空航天大学 一种基于深度学习的隧道表面缺陷分割方法
WO2022053001A1 (zh) * 2020-09-10 2022-03-17 上海航天精密机械研究所 焊缝内部缺陷智能检测装置、方法及介质
CN115839847A (zh) * 2022-09-07 2023-03-24 齐鲁工业大学 基于wdcnn-lstm的轴承故障诊断方法及系统
CN115937598A (zh) * 2022-12-22 2023-04-07 广东工业大学 一种基于图神经网络的焊接缺陷磁光成像检测分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN109978824A (zh) * 2019-02-19 2019-07-05 深圳大学 一种透明薄膜缺陷形态测量方法及系统
CN111507990A (zh) * 2020-04-20 2020-08-07 南京航空航天大学 一种基于深度学习的隧道表面缺陷分割方法
WO2022053001A1 (zh) * 2020-09-10 2022-03-17 上海航天精密机械研究所 焊缝内部缺陷智能检测装置、方法及介质
CN115839847A (zh) * 2022-09-07 2023-03-24 齐鲁工业大学 基于wdcnn-lstm的轴承故障诊断方法及系统
CN115937598A (zh) * 2022-12-22 2023-04-07 广东工业大学 一种基于图神经网络的焊接缺陷磁光成像检测分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
丁冬兵;: "TL-CNN-GAP模型下的小样本声纹识别方法研究", 电脑知识与技术, no. 24 *
张斌等: "一种改进型卷积神经网络的图像分类方法", 成都信息工程大学学报, pages 2 *
李靓等: "基于深度学习的小样本声纹识别方法", 计算机工程, pages 1 *

Similar Documents

Publication Publication Date Title
CN108986050B (zh) 一种基于多分支卷积神经网络的图像和视频增强方法
CN111291696B (zh) 一种基于卷积神经网络的手写东巴文识别方法
CN108629762B (zh) 一种骨龄评测模型减少干扰特征的图像预处理方法及系统
CN109447917B (zh) 基于内容和特征及多尺度模型的遥感图像雾霾消除方法
CN111709888B (zh) 一种基于改进的生成对抗网络的航拍图像去雾方法
CN113139977B (zh) 一种基于YOLO和U-Net的口腔曲断影像智齿分割方法
CN112330613A (zh) 一种细胞病理数字图像质量的评价方法及系统
CN116993731B (zh) 基于图像的盾构机刀头缺陷检测方法
CN113793357A (zh) 一种基于深度学习的支气管肺段图像分割方法及系统
CN116309292A (zh) 一种基于视觉转换层与实例分割的焊缝缺陷智能识别方法
CN112001858A (zh) 一种细胞病理图像处理的方法及系统
CN117218029B (zh) 基于神经网络的夜间暗光图像智能处理方法
CN113538342A (zh) 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法
CN110348339B (zh) 一种基于实例分割的手写文档文本行的提取方法
CN113506240A (zh) 一种基于深度学习的金相晶界提取和连通方法
CN117333359A (zh) 基于可分离卷积网络的山水画图像超分辨率重建方法
CN112668567A (zh) 一种基于深度学习的图像裁剪算法
CN112288726A (zh) 一种井下带式输送机带面异物检测方法
CN117095245A (zh) 一种基于深度学习的无缝钢管小样本学习方法
CN116452511A (zh) 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质
CN114898096A (zh) 一种人物图像的分割和标注方法及系统
CN115719310A (zh) 一种眼底图像数据集的预处理方法及眼底图像训练模型
CN111462084B (zh) 基于随机森林的图像矢量化印刷出血点预测系统和方法
Qu et al. LEUGAN: low-light image enhancement by unsupervised generative attentional networks
CN110197471B (zh) 一种图像对比度增强方法

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