CN117197057A - 一种基于深度学习的钢铁材料腐蚀程度自动化检测方法 - Google Patents
一种基于深度学习的钢铁材料腐蚀程度自动化检测方法 Download PDFInfo
- Publication number
- CN117197057A CN117197057A CN202311073705.1A CN202311073705A CN117197057A CN 117197057 A CN117197057 A CN 117197057A CN 202311073705 A CN202311073705 A CN 202311073705A CN 117197057 A CN117197057 A CN 117197057A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- image
- images
- attention mechanism
- deep learning
- 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
- 230000007797 corrosion Effects 0.000 title claims abstract description 113
- 238000005260 corrosion Methods 0.000 title claims abstract description 113
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 45
- 239000010959 steel Substances 0.000 title claims abstract description 45
- 239000000463 material Substances 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000007246 mechanism Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 238000000137 annealing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000015654 memory Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的钢铁材料腐蚀程度自动化检测方法，所述方法包括：对钢片样品进行腐蚀试验，获得不同腐蚀程度的腐蚀图像；对获得的腐蚀图像进行预处理，并将预处理后的腐蚀图像与背景图像相结合，扩充腐蚀图像的数据集；在YOLOv7算法模型中引入注意力机制模块CBAM以增加通道和空间注意力；通过数据增强方法丰富训练阶段的目标场景；筛选最优的学习率衰减方法以加快模型的收敛速度，得到基于YOLOv7的钢铁材料腐蚀程度自动化检测算法。本发明能够实现对钢铁材料腐蚀程度更加精确的定位以及分类，能够快速高效的对钢铁材料进行腐蚀程度自动化检测。
Description
技术领域
本发明涉及钢铁材料腐蚀检测技术领域，尤其涉及一种基于深度学习的钢铁材料腐蚀程度自动化检测方法。
背景技术
在海洋、化工、石油、电力等领域，材料腐蚀每年造成的损失高达数万亿美元。全球每年因腐蚀报废的金属制品约占每年总产量的1/3。目前钢铁材料腐蚀程度检测主要依赖人工目测。然而，肉眼检测不仅容易产生误差，而且无法提供材料腐蚀程度的详细信息。因此该方法只能用于初步评估材料腐蚀情况。
除人工目测外，钢铁材料腐蚀程度评估的常用方法包括电化学测试、电子显微镜形貌观察、以及光谱、热成像等。但这些方法通常成本较高，甚至需要对材料进行预处理，导致实际操作难度较大，无法快速准确识别材料腐蚀程度。因此，为了有效应对钢铁材料腐蚀问题，需要发展快捷高效的钢铁材料腐蚀程度自动化检测方法。
发明内容
针对上述问题，本发明的目的在于提供一种基于深度学习的钢铁材料腐蚀程度自动化检测方法，以实现对钢铁材料腐蚀程度更加快速高效的自动化检测。
为解决上述技术问题，本发明提供如下技术方案：
一种基于深度学习的钢铁材料腐蚀程度自动化检测方法，包括以下步骤：
S1、对钢片样品进行腐蚀试验，获得不同腐蚀程度的腐蚀图像；
S2、对获得的腐蚀图像进行预处理，并将预处理后的腐蚀图像与背景图像相结合，扩充腐蚀图像的数据集；
S3、在YOLOv7算法模型中引入注意力机制模块CBAM以增加通道和空间注意力；通过数据增强方法丰富训练阶段的目标场景；筛选最优的学习率衰减方法以加快模型的收敛速度，得到基于YOLOv7的钢铁材料腐蚀程度自动化检测算法。
优选地，步骤S1中，所述腐蚀图像的获取方法具体包括：
S11、按照IOS 9227-2017标准对钢片样品进行腐蚀试验并采集腐蚀图像；
S12、根据腐蚀面积的不同，将钢片样品的腐蚀图像划分为六个等级。
优选地，步骤S2具体包括：
S21、对不同腐蚀程度的腐蚀图像进行预处理，包括裁剪和归一化处理，得到10-20倍腐蚀图像；
S22、选取材料腐蚀情况的真实背景图像；
S23、将裁剪后的腐蚀图像与6种背景图像进行拼接，使腐蚀图像的数据集扩大60-120倍；
S24、采用标注工具对腐蚀图像进行腐蚀等级标注，并对标注结果进行校正，减少因标注错误引入的噪声。
优选地，步骤S3中，所述在YOLOv7算法模型中引入注意力机制模块CBAM具体包括：
在YOLOv7算法模型中的Head部分引入注意力机制模块CBAM，引入的CBAM由通道注意力机制和空间注意力机制组成：
通道注意力机制的结果MC(F)计算方式如下所示，其中F为输入特征图，σ为Sigmoid激活函数：
MC(F)＝σ(MLP(Augpool(F))+MLP(Maxpool(F)))
其中，MLP(Augpool(F))表示通过并行的平均池化层对F进行特征提取，MLP(Maxpool(F))表示通过并行的最大池化层对F进行特征提取；
输出的结果MC(F)和输入的特征图F逐元素相乘得到结果F'：
空间注意力机制的结果MS(F')计算方式如下所示：
MS(F')＝σ(f7×7([Augpool(F')；Maxpool(F')]))
其中，Augpool(F')表示通过非并行的平均池化层对F'进行特征提取，Maxpool(F')表示通过非并行的最大池化层对F'进行特征提取，f7×7表示7×7卷积操作；
输出的结果MS(F')和特征图F'逐元素相乘得到结果F”如下所示，使特征图尺度重新转化为原始大小：
优选地，步骤S3中，所述通过数据增强方法丰富训练阶段的目标场景具体包括：
采用Mosaic和Mixup多样本合成方法，以丰富目标场景、提高模型泛化能力，使用Mosaic和Mixup方法的概率均设置为50％，设置前70％个epoch使用Mosaic数据增强方法进行训练。
优选地，步骤S3中，所述筛选最优的学习率衰减方法以加快模型的收敛速度具体包括：
选择余弦退火衰减算法调整学习率，加快模型收敛速度；
余弦退火衰减算法公式如下所示：
其中，与/>为学习率的范围，Jcur表示当前所执行的迭代次数，Ja表示第a次运行的总迭代次数。
与现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供了一种基于深度学习的钢铁材料腐蚀程度自动化检测方法。首先，采集钢铁材料腐蚀图像，并进行裁剪和归一化处理后与不同背景图像拼接，能够有效扩充数据集。其次，提出了基于YOLOv7的改进算法，并为了提高模型对目标区域的关注度，引入轻量级CBAM注意力机制，增加通道和空间注意力来提高模型对目标物体的检测能力，在训练时采用mosaic、mixup等数据增强方法进一步丰富目标场景，以及对比不同学习率衰减方法帮助模型加快收敛。本发明提供的基于改进YOLOv7的腐蚀程度检测方法，能够实现对钢铁材料腐蚀程度更加精确的定位以及分类，能够快速高效的对钢铁材料进行腐蚀程度自动化检测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于深度学习的钢铁材料腐蚀程度自动化检测方法的流程图；
图2是不同腐蚀程度的腐蚀图像示例图；
图3是YOLOv7网络结构图；
图4是CBAM结构图；
图5是改进的YOLOv7网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
本发明的实施例提供了一种基于深度学习的钢铁材料腐蚀程度自动化检测方法，如图1所示，所述方法包括以下步骤：
S1、对钢片样品进行腐蚀试验，获得不同腐蚀程度的腐蚀图像。
其中，所述腐蚀图像的获取方法具体包括：
S11、按照IOS 9227-2017标准对钢片样品进行腐蚀试验并采集腐蚀图像；
S12、根据腐蚀面积的不同，将钢片样品的腐蚀图像划分为六个等级。
具体地，将钢片样品腐蚀程度根据不同腐蚀面积(腐蚀周期)划分为六个等级，如图2所示。
S2、对获得的腐蚀图像进行预处理，并将预处理后的腐蚀图像与背景图像相结合，扩充腐蚀图像的数据集。
本步骤具体包括：
S21、对不同腐蚀程度的腐蚀图像进行预处理，所述预处理包括裁剪和归一化处理，得到10-20倍腐蚀图像。
本发明实施例中，对腐蚀图像进行裁剪和归一化处理，获得11倍腐蚀图像。
S22、选取可能存在的材料腐蚀情况的真实背景环境图像。
S23、将裁剪后的腐蚀图像与6种复杂背景图像进行拼接，使腐蚀图像的数据集扩大60-120倍。
本发明实施例中，最终获得66倍腐蚀图像。
S24、采用标注工具对腐蚀图像进行腐蚀等级标注，并对标注结果进行校正，减少因标注错误引入的噪声。
S3、在YOLOv7算法模型中引入注意力机制模块CBAM以增加通道和空间注意力；通过数据增强方法丰富训练阶段的目标场景；筛选最优的学习率衰减方法以加快模型的收敛速度，得到基于YOLOv7的钢铁材料腐蚀程度自动化检测算法。
YOLOv7网络结构如图3所示，YOLOv7的网络结构主要包括Input、Backbone和Head三个模块。
Input模块将输入的图像缩放至统一像素大小并进行数据增强等一系列预处理操作之后再送入模型的Backbone模块。
Backbone模块包含了若干BConv、extended efficient layer aggregationnetwork(E-ELAN)、以及MPConv，用于提取不同尺度的图像特征。
Head模块通过自底向上的方式，将深层语义信息上采样与浅层语义信息融合，对输出的三种不同尺度的特征进行预测。
本发明对YOLOv7算法进行改进，改进的YOLOv7结构如图5所示，对于YOLOv7算法具体改进包括以下步骤：
在YOLOv7算法模型中的Head部分引入注意力机制模块CBAM，引入的CBAM是一种轻量级基于卷积模块的注意力机制，如图4所示，引入的CBAM由通道注意力机制和空间注意力机制组成。
CBAM在通道注意力机制中，输入的特征图会先通过并行的最大池化层和平均池化层两个分支进行特征提取，将a×b×c尺寸特征图转化为a×1×1的大小；
接着将通道数压缩到原来的r-1(本实施例r取值为8)，再扩张回原本的通道数；
之后将这两个并行的输出结果通过ReLU激活函数进行逐元素相加，再通过Sigmoid激活函数输出通道注意力的结果MC(F)；
MC(F)计算方式如下所示，其中F为输入特征图，σ为Sigmoid激活函数：
MC(F)＝σ(MLP(Augpool(F))+MLP(Maxpool(F)))
其中，MLP(Augpool(F))表示通过并行的平均池化层对F进行特征提取，MLP(Maxpool(F))表示通过并行的最大池化层对F进行特征提取。
之后输出的结果MC(F)和输入的特征图F逐元素相乘得到结果F'：
为了突出目标的位置信息，CBAM经过通道注意力机制后输出的特征图F'继续传入空间注意力机制中；
经过非并行的最大池化层和平均池化层得到两张1×b×c尺寸特征图，使用concat方法将这两张特征图进行堆叠；
然后通过7×7卷积操作将特征图的通道数转化为1；
最后通过Sigmoid激活函数输出空间注意力机制的结果MS(F')如下所示：
MS(F')＝σ(f7×7([Augpool(F')；Maxpool(F')]))
其中，Augpool(F')表示通过非并行的平均池化层对F'进行特征提取，Maxpool(F')表示通过非并行的最大池化层对F'进行特征提取，f7×7表示7×7卷积操作。
输出的结果MS(F')和空间注意力机制输入的特征图F'逐元素相乘得到结果F”如下所示，使特征图尺度重新转化为原始大小：
进一步地，所述通过数据增强方法丰富训练阶段的目标场景具体包括：
采用Mosaic和Mixup多样本合成方法，以丰富目标场景、提高模型泛化能力，使用Mosaic和Mixup方法的概率均设置为50％。
考虑到Mosaic数据增强方法生成的训练图片会远远脱离自然图片的真实分布的问题，因此本实施例设置前70％个epoch使用Mosaic数据增强方法进行训练。
进一步地，通过比对等步长调整法StepLR和余弦退火衰减算法Cosine Annealing两种不同学习率衰减方法，选择余弦退火衰减算法调整学习率，加快模型收敛速度。
余弦退火衰减算法CosineAnnealing主要是通过引入余弦函数的方式使学习率下降，余弦函数是把学习率从缓慢下降到加速下降之后再进行缓慢下降的一种调节方式，使学习率每次在衰减到最低值时又会迅速返回到原来的初始值，通过不断周期性地重复此过程，最终得到全局最优解，获取到最合适的学习率。
假设学习率的范围是与/>并且Jcur表示当前所执行的迭代次数，Ja表示第a次运行的总迭代次数，具体的余弦退火衰减算法公式如下所示：
本发明实施例中，首先采集钢铁材料腐蚀图像，并进行裁剪和归一化处理后与不同背景图像拼接，能够有效扩充数据集。其次提出了基于YOLOv7的改进算法，并为了提高模型对目标区域的关注度，引入轻量级CBAM注意力机制，增加通道和空间注意力来提高模型对目标物体的检测能力，在训练时采用mosaic、mixup等数据增强方法进一步丰富目标场景，以及对比不同学习率衰减方法帮助模型加快收敛。
本发明提供的基于改进YOLOv7的腐蚀程度检测方法，能够实现对钢铁材料腐蚀程度更加精确的定位以及分类，能够快速高效的对钢铁材料进行腐蚀程度自动化检测。
本发明的实施例还提供一种电子设备，该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于深度学习的钢铁材料腐蚀程度自动化检测方法的步骤。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于深度学习的钢铁材料腐蚀程度自动化检测方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
需要说明的是，在本文中，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
在说明书中提到“一个实施例”、“实施例”、“示例性实施例”、“一些实施例”等指示所述的实施例可以包括特定特征、结构或特性，但未必每个实施例都包括该特定特征、结构或特性。另外，在结合实施例描述特定特征、结构或特性时，结合其它实施例(无论是否明确描述)实现这种特征、结构或特性应在相关领域技术人员的知识范围内。
本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。另外，为了避免对本发明的实质造成不必要的混淆，并没有详细说明众所周知的方法、过程、流程、元件和电路等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读取存储介质中，如：ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的钢铁材料腐蚀程度自动化检测方法，其特征在于，包括以下步骤：
S1、对钢片样品进行腐蚀试验，获得不同腐蚀程度的腐蚀图像；
S2、对获得的腐蚀图像进行预处理，并将预处理后的腐蚀图像与背景图像相结合，扩充腐蚀图像的数据集；
S3、在YOLOv7算法模型中引入注意力机制模块CBAM以增加通道和空间注意力；通过数据增强方法丰富训练阶段的目标场景；筛选最优的学习率衰减方法以加快模型的收敛速度，得到基于YOLOv7的钢铁材料腐蚀程度自动化检测算法。
2.根据权利要求1所述的基于深度学习的钢铁材料腐蚀程度自动化检测方法，其特征在于，步骤S1中，所述腐蚀图像的获取方法具体包括：
S11、按照IOS 9227-2017标准对钢片样品进行腐蚀试验并采集腐蚀图像；
S12、根据腐蚀面积的不同，将钢片样品的腐蚀图像划分为六个等级。
3.根据权利要求1所述的基于深度学习的钢铁材料腐蚀程度自动化检测方法，其特征在于，步骤S2具体包括：
S21、对不同腐蚀程度的腐蚀图像进行预处理，包括裁剪和归一化处理，得到10-20倍腐蚀图像；
S22、选取材料腐蚀情况的真实背景图像；
S23、将裁剪后的腐蚀图像与6种背景图像进行拼接，使腐蚀图像的数据集扩大60-120倍；
S24、采用标注工具对腐蚀图像进行腐蚀等级标注，并对标注结果进行校正，减少因标注错误引入的噪声。
4.根据权利要求1所述的基于深度学习的钢铁材料腐蚀程度自动化检测方法，其特征在于，步骤S3中，所述在YOLOv7算法模型中引入注意力机制模块CBAM具体包括：
在YOLOv7算法模型中的Head部分引入注意力机制模块CBAM，引入的CBAM由通道注意力机制和空间注意力机制组成：
通道注意力机制的结果MC(F)计算方式如下所示，其中F为输入特征图，σ为Sigmoid激活函数：
MC(F)＝σ(MLP(Augpool(F))+MLP(Maxpool(F)))
其中，MLP(Augpool(F))表示通过并行的平均池化层对F进行特征提取，MLP(Maxpool(F))表示通过并行的最大池化层对F进行特征提取；
输出的结果MC(F)和输入的特征图F逐元素相乘得到结果F'：
空间注意力机制的结果MS(F')计算方式如下所示：
MS(F')＝σ(f7×7([Augpool(F')；Maxpool(F')]))
其中，Augpool(F')表示通过非并行的平均池化层对F'进行特征提取，Maxpool(F')表示通过非并行的最大池化层对F'进行特征提取，f7×7表示7×7卷积操作；
输出的结果MS(F')和特征图F'逐元素相乘得到结果F”如下所示，使特征图尺度重新转化为原始大小：
5.根据权利要求1所述的基于深度学习的钢铁材料腐蚀程度自动化检测方法，其特征在于，步骤S3中，所述通过数据增强方法丰富训练阶段的目标场景具体包括：
采用Mosaic和Mixup多样本合成方法，以丰富目标场景、提高模型泛化能力，使用Mosaic和Mixup方法的概率均设置为50％，设置前70％个epoch使用Mosaic数据增强方法进行训练。
6.根据权利要求1所述的基于深度学习的钢铁材料腐蚀程度自动化检测方法，其特征在于，步骤S3中，所述筛选最优的学习率衰减方法以加快模型的收敛速度具体包括：
选择余弦退火衰减算法调整学习率，加快模型收敛速度；
余弦退火衰减算法公式如下所示：
其中，与/>为学习率的范围，Jcur表示当前所执行的迭代次数，Ja表示第a次运行的总迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311073705.1A CN117197057A (zh) | 2023-08-24 | 2023-08-24 | 一种基于深度学习的钢铁材料腐蚀程度自动化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311073705.1A CN117197057A (zh) | 2023-08-24 | 2023-08-24 | 一种基于深度学习的钢铁材料腐蚀程度自动化检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197057A true CN117197057A (zh) | 2023-12-08 |
Family
ID=89000861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311073705.1A Pending CN117197057A (zh) | 2023-08-24 | 2023-08-24 | 一种基于深度学习的钢铁材料腐蚀程度自动化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197057A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117626172A (zh) * | 2024-01-26 | 2024-03-01 | 南通硅胜新材料科技有限公司 | 一种真空镀膜的基体前处理工艺 |
-
2023
- 2023-08-24 CN CN202311073705.1A patent/CN117197057A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117626172A (zh) * | 2024-01-26 | 2024-03-01 | 南通硅胜新材料科技有限公司 | 一种真空镀膜的基体前处理工艺 |
| CN117626172B (zh) * | 2024-01-26 | 2024-04-12 | 南通硅胜新材料科技有限公司 | 一种真空镀膜的基体前处理工艺 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3690714A1 (en) | Method for acquiring sample images for inspecting label among auto-labeled images to be used for learning of neural network and sample image acquiring device using the same | |
| CN112801169B (zh) | 一种基于改进yolo算法的伪装目标检测方法、系统、装置及存储介质 | |
| EP3690741A2 (en) | Method for automatically evaluating labeling reliability of training images for use in deep learning network to analyze images, and reliability-evaluating device using the same | |
| CN108846835A (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
| EP4016375A1 (en) | Video classification method, device and system | |
| CN112102229A (zh) | 一种基于深度学习的工业ct检测缺陷的智能识别方法 | |
| CN107945210B (zh) | 基于深度学习和环境自适应的目标跟踪方法 | |
| CN117197057A (zh) | 一种基于深度学习的钢铁材料腐蚀程度自动化检测方法 | |
| CN114781514A (zh) | 一种融合注意力机制的漂浮物目标检测方法及系统 | |
| CN115830436A (zh) | 一种基于深度学习的海洋生物智能检测方法 | |
| CN110334775B (zh) | 一种基于宽度学习的无人机线路故障识别方法和装置 | |
| CN114998756A (zh) | 一种基于yolov5的遥感图像检测方法、装置及存储介质 | |
| CN117253122B (zh) | 玉米种子近似品种筛选方法、装置、设备及存储介质 | |
| CN114882204A (zh) | 船名自动识别方法 | |
| Jang et al. | Glamd: Global and local attention mask distillation for object detectors | |
| CN110135309B (zh) | 基于深度共享表示的sar图像变化检测方法 | |
| CN114863209A (zh) | 类别比例引导的无监督领域适应建模方法、系统、设备及介质 | |
| CN114463732A (zh) | 一种基于知识蒸馏的场景文本检测方法及装置 | |
| CN111950332B (zh) | 视频时序定位方法、装置、计算设备和存储介质 | |
| CN111126485A (zh) | 一种基于李群机器学习核函数的Lie-KFDA场景分类方法和系统 | |
| CN112184708B (zh) | 精子存活率检测方法及装置 | |
| CN117593514B (zh) | 一种基于深层主成分分析辅助的图像目标检测方法及系统 | |
| CN117765482B (zh) | 基于深度学习的海岸带垃圾富集区的垃圾识别方法及系统 | |
| CN117351240B (zh) | 一种正样本采样方法、系统、存储介质和电子设备 | |
| CN116385844B (zh) | 一种基于多教师模型的特征图蒸馏方法、系统和存储介质 |
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 |