CN117853747A - 基于深度学习的电缆接头毛刺检测方法、设备及存储介质 - Google Patents
基于深度学习的电缆接头毛刺检测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117853747A CN117853747A CN202410051202.2A CN202410051202A CN117853747A CN 117853747 A CN117853747 A CN 117853747A CN 202410051202 A CN202410051202 A CN 202410051202A CN 117853747 A CN117853747 A CN 117853747A
- Authority
- CN
- China
- Prior art keywords
- image
- cable joint
- network
- feature map
- yolov8
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000003860 storage Methods 0.000 title claims description 7
- 230000007547 defect Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008034 disappearance Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的电缆接头毛刺检测方法，包括以下步骤：采集电缆接头的典型毛刺缺陷图像，构建数据集；对数据集中的图像进行预处理；将预处理后的图像输入到改进的YOLOv8网络中，得到电缆接头图像的特征图；结合图像处理算法对特征图中的缺陷区域进行定量分析。本发明通过在传统YOLOv8网络的基础上采用多次跳跃连接，形成密集采样结构，这种连接方式能够有效地缓解梯度消失问题，并提高模型的训练效率和准确率；通过引入空间注意力机制，赋予每个卷积核不同的学习权重，提升了网络对缺陷区域特征的学习效率，降低了网络深度，减少系统损耗，且可以提取到更多的细节信息，降低了漏检的概率，提升了检测效果。
Description
技术领域
本申请涉及缺陷检测技术领域，尤其涉及一种基于深度学习的电缆接头毛刺检测方法、设备及存储介质。
背景技术
随着科技的迅猛发展和生产力的持续提升，我国在工业智能化及其相关领域取得了巨大的突破。市场对工业产品的外观和质量提出了日益增长的要求，这促使传统的生产模式必须向智能化生产模式转变。从宏观视角来看，制造业的智能化、自动化和无人化已经成为不可避免的趋势。
中国电缆行业正在经历规模迅速扩张、产量飞速提升的一段时期，该时期着力于解决国民经济发展和用电问题。但在电缆的生产和加工过程中，容易受到环境中不良因素的影响，从而使电缆接头出现毛刺的现象。毛刺会影响电缆的性能和使用年限，甚至直接造成安全事故的发生。因此，电缆接头毛刺缺陷检测在电缆生产过程中是一个十分重要的环节。
最初电缆接头毛刺缺陷检测主要靠人工目检，这种方法不仅成本高、检测效率低，更重要的是会出现大量误检和漏检，在实际的工业环境中并不适用。之后出现了一些特定产品缺陷的检测方法来替代人工检测，例如热红外成像仪、超声波检测仪、X射线或高频检测仪等，但这些检测方法仍然存在材料限制、无法进行缺陷分类等问题，不能很好的满足精确高效的检测要求。
目前计算机视觉的检测方法已经在许多工业场景中应用，其中以深度学习的目标检测最为常见。大致流程为：首先使用成像设备对金属生产过程中的表面图像或视频进行拍摄；然后将其输入到训练好的网络模型中；最后，网络模型就可以自动推理出缺陷区域并进行分类。相比于传统方法，基于深度学习的相关方法是根据卷积神经网络(Convolutional Neural Network，CNN)对缺陷样本进行自主学习，还可以通过改进网络结构，参数调整等方式优化网络模型，使之可以检测出面积微小、特征模糊的缺陷。因此基于深度学习的电缆接头表面缺陷检测方法已成为目前工业生产和学术研究的热点。
但是由于电缆接头会存在许多尺寸较小、像素占比少并且分布密集的小目标缺陷，其自身存在着语义信息少、覆盖面积小、边缘信息模糊等先天不足的问题。传统的特征提取网络在进行下采样操作时会连续将特征图缩小，可能会损失很多小目标缺陷的位置和语义信息，导致其检测效果并不理想，甚至出现漏检的情况。
发明内容
本申请提供了一种基于深度学习的电缆接头毛刺检测方法、设备及存储介质，解决了传统特征提取网络在检测目标时可能会损失很多小目标缺陷的位置和语义信息，导致其检测效果并不理想，甚至出现漏检等问题。
本申请第一方面提供了一种基于深度学习的电缆接头毛刺检测方法，包括以下步骤：
采集电缆接头的典型毛刺缺陷图像，构建数据集；
对数据集中的图像进行预处理；
将预处理后的图像输入到改进的YOLOv8网络中，得到电缆接头图像的特征图；
所述YOLOv8网络的改进方法为：在YOLOv8网络的基础上采用多次跳跃连接，形成密集采样结构；引入空间注意力机制，赋予每个卷积核不同的学习权重，对YOLOv8网络进行分块处理，将每一个块的内部引入空间注意力机制，块与块之间进行密集采样连接，对图像进行线性变化，增加图像的对比度；
结合图像处理算法对特征图中的缺陷区域进行定量分析。
本申请提供的技术方案中，通过在传统YOLOv8网络的基础上采用多次跳跃连接，形成密集采样结构，这种连接方式能够有效地缓解梯度消失问题，并提高模型的训练效率和准确率；通过利用空间注意力机制赋予每个卷积核不同的学习权重，提升了网络对缺陷区域特征的学习效率，降低了网络深度，减少系统损耗，且可以提取到更多的细节信息，降低了漏检的概率，提升了检测效果。
在某些实施方式中，对数据集中的图像进行预处理的方法为：
采用伽马变换对数据集中图像的灰度进行预处理，图像预处理的公式如下：
s＝crγ
其中，r为灰度图像的输入值；s为经过伽马变换后的灰度输出值；c为灰度缩放系数；γ为伽马因子，用于控制整个变换的缩放程度；通过对图像进行预处理，可以解决电缆表面特征提取困难的问题。
在某些实施方式中，所述密集采样结构的表达式为：
xl+1＝H(xl)+xl
其中，xl表示YOLOv8网络第l层的输入，xl+1表示YOLOv8网络第l层的输出，H(·)表示非线性转化函数。
在某些实施方式中，引入空间注意力机制的方法为：采用多头注意力机制替换空间卷积，输入的特征图首先经过并联的最大池化和平均池化，将得到的两个输出特征进行拼接操作，并利用卷积核进行卷积操作，让注意力集中在突出目标的空间特征上；经过池化后的特征图再经过共享的全连接层，在不同尺度上对被压缩后的特征图进行计算，最后通过sigmoid激活函数输出含有空间注意力权重的特征图；本发明通过引入空间注意力机制，充分利用空间注意力机制对特征重新标定的功能，依据特征通道对目标识别贡献大小而设置相应的权重，提升了对缺陷区域特征的学习效率；通过优化NMS算法，减少了由于目标重叠而带来漏检的影响；通过使用可变形卷积模块代替部分的卷积模块，加强了网络对不同尺寸目标的自适应能力。
在某些实施方式中，结合图像处理算法对特征图中的缺陷区域进行定量分析的方法为：
利用缺陷区域与背景在灰度上的差异，合理设定阈值将特征图中的缺陷区域从背景中分割出来，阈值分割算法的表达式如下：
其中，f(x，y)为特征图的灰度值，T为灰度阈值；g(x，y)为阈值分割结果，1表示该像素在缺陷区域内，0表示该像素在缺陷区域外；
统计缺陷区域包括的像素点数，计算缺陷区域的真实面积，从而实现对电缆接头毛刺缺陷的定量检测分析。
在某些实施方式中，在进行定量分析之前，对特征图进行直方图均衡化处理，对特征图进行非线性拉伸，重新分配图像像素，使一定范围内的图像的像素数量近似，从而增加图像的全局对比度，对于背景和前景都太亮或太暗的图像具有很好的优化效果；采用如下公式对特征图进行直方图均衡化处理：
其中，r为均衡化处理前特征图的灰度值，S为均衡化处理后特征图的灰度值，NP表示像素数，T(·)表示均衡化处理函数。
在某些实施方式中，在进行定量分析之前，采用对数变换算法对特征图中低灰度值的部分进行扩展，显示出低灰度部分更多的细节，将特征图中高灰度值部分压缩，减少高灰度值部分的细节，从而达到强调图像低灰度值部分的效果；对数变换公式如下：
s＝c·logv+1(1+v·λ)
其中，s为对数变换后的灰度值，v为输入像素的灰度值；c为缩放系数，λ为控制像素增强的对比度。
本申请第二方面提供了一种电子设备，包括存储器和处理器，所述存储器内存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述检测方法的步骤。
本申请第三方面提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述检测方法的步骤。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
本申请中附图是用于示出优选实施方式，便于本领域普通技术人员对各种其他的优点和益处清楚明了的认识，并不能认为是对本申请的限制。而且在全部附图中，用相同的附图标号表示相同或同类型的部件。
图1为本申请一实施例中基于深度学习的电缆接头毛刺检测方法的流程图；
图2为本申请一实施例中空间注意力机制的模块结构示意图。
具体实施方式
下面将结合具体实施例对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上(包括两个)，除非另有明确具体的限定。
在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中，技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的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申请实施例和简化描述，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申请实施例的限制。
在本申请实施例的描述中，除非另有明确的规定和限定，技术术语“安装”“相连”“连接”“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；也可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请实施例中的具体含义。
请参阅图1，本申请实施例第一方面提供了一种基于深度学习的电缆接头毛刺检测方法，包括以下步骤：
采集电缆接头的典型毛刺缺陷图像，构建数据集；
对数据集中的图像进行预处理；
将预处理后的图像输入到改进的YOLOv8网络中，得到电缆接头图像的特征图；
所述YOLOv8网络的改进方法为：
首先，在YOLOv8网络的基础结构(DarkNet-53网络)上采用多次跳跃连接，形成密集采样结构；
然后，引入空间注意力机制，赋予每个卷积核不同的学习权重；
最后，对DarkNet-53网络进行分块处理，将每一个块的内部引入空间注意力机制，块与块之间进行密集采样连接，对图像进行线性变化，增加图像的对比度；
结合图像处理算法对特征图中的缺陷区域进行定量分析。
本申请提供的技术方案中，通过在传统YOLOv8网络的基础上采用多次跳跃连接，形成密集采样结构，密集连接会将前一层的所有特征图都直接连接到当前层的所有特征图上，这样就能够让当前层的每个特征图都能够获得前一层所有特征图的信息。这种连接方式能够有效地缓解梯度消失问题，并提高模型的训练效率和准确率；通过利用空间注意力机制赋予每个卷积核不同的学习权重，提升了网络对缺陷区域特征的学习效率，降低了网络深度，减少系统损耗，且可以提取到更多的细节信息，降低了漏检的概率，提升了检测效果。
在一具体实施方式中，本申请可直接选用NEU-DET(钢材表面缺陷)数据集，也可以通过相机获取大量包含毛刺缺陷的电缆接头图片作为数据集的样本。
在一些实施例中，对数据集中的图像进行预处理的方法为：
采用伽马变换(具体实施过程中，也可以采用其它非线性灰度变换算法)对数据集中图像的灰度进行预处理，图像预处理的公式如下：
s＝crγ
其中，r为灰度图像的输入值，取值范围为[0,1]；s为经过伽马变换后的灰度输出值；c为灰度缩放系数，通常取1；γ为伽马因子，用于控制整个变换的缩放程度；通过对图像进行预处理，可以解决电缆表面特征提取困难的问题。
在一些实施例中，所述密集采样结构的表达式为：
xl+1＝H(xl)+xl
其中，xl表示YOLOv8网络第l层的输入，xl+1表示YOLOv8网络第l层的输出，H(·)表示非线性转化函数。
请参阅图2，在一些实施例中，引入空间注意力机制(SENet)的方法为：采用多头注意力机制替换空间卷积，空间注意力模块是负责关注输入特征图中有意义部分的位置信息，输入的特征图首先经过并联的最大池化和平均池化，让注意力更好地集中在对最终目标影响更大的通道上，减弱其他无关物体的空间特征，将得到的两个输出特征进行拼接操作，并利用7×7的卷积核进行卷积操作，让注意力集中在突出目标的空间特征上；经过池化后的特征图再经过共享的全连接层，在不同尺度上对被压缩后的特征图进行计算，最后通过sigmoid激活函数输出含有空间注意力权重的特征图；本发明通过引入空间注意力机制，在DarkNet-53网络中嵌入SENet网络，充分利用SENet网络对特征重新标定的功能，依据特征通道对目标识别贡献大小而设置相应的权重，提升了对缺陷区域特征的学习效率；通过优化NMS算法，减少了由于目标重叠而带来漏检的影响；通过使用可变形卷积模块代替部分的卷积模块，加强了网络对不同尺寸目标的自适应能力，最后综合对Darknet-53网络的改进。
请参阅图2，在一具体实施方式中，引入多头注意力机制，所有注意力在2D特征图上执行，相对位置编码分别为高度Rh和宽度Rw，其中H×W为图像的空间维度，d为图像的特征维数或通道维数；向量是qkT+qrT，其中，q、k、r分别表示查询、键和位置编码；多头注意力机制在自注意力机制的基础上，将输入结果经过编码后分为多个head头，再将多个head头输入到自注意力机制中，然后将每一个输出结果做concat操作，降低网络深度，减少耗损，且可以提取到更多的细节信息；最后将多头注意力机制与YOLOv8网络的C3模块融合，构建残差结构，既能提升速度又能克服全卷积网络的缺陷。
在一些实施例中，结合图像处理算法对特征图中的缺陷区域进行定量分析的方法为：
利用缺陷区域与背景在灰度上的差异，合理设定阈值将特征图中的缺陷区域从背景中分割出来，阈值分割算法的表达式如下：
其中，f(x，y)为特征图的灰度值，T为灰度阈值；g(x，y)为阈值分割结果，1表示该像素在缺陷区域内，0表示该像素在缺陷区域外；
统计缺陷区域(即特征图中的白亮区域)包括的像素点数，计算缺陷区域的真实面积，从而实现对电缆接头毛刺缺陷的定量检测分析。
在一些实施例中，在进行定量分析之前，对特征图进行直方图均衡化处理，对特征图进行非线性拉伸，重新分配图像像素，使一定范围内的图像的像素数量近似，从而增加图像的全局对比度，对于背景和前景都太亮或太暗的图像具有很好的优化效果；采用如下公式对特征图进行直方图均衡化处理：
其中，r为均衡化处理前特征图的灰度值，S为均衡化处理后特征图的灰度值，BP表示像素数，T(·)表示均衡化处理函数。
在一些实施例中，在进行定量分析之前，采用对数变换算法对特征图中低灰度值的部分进行扩展，显示出低灰度部分更多的细节，将特征图中高灰度值部分压缩，减少高灰度值部分的细节，从而达到强调图像低灰度值部分的效果；对数变换公式如下：
s＝c·logv+1(1+v·λ)
其中，s为对数变换后的灰度值，v为输入像素的灰度值，v值越大，灰度提升越明显；c为缩放系数，λ为控制像素增强的对比度。
本申请实施例第二方面提供了一种电子设备，包括存储器和处理器，所述存储器内存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述检测方法的步骤。
本申请实施例第三方面提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述检测方法的步骤。
在实际的工业检测线上，由于计算资源有限，设备对于图像的响应和处理速度往往无法达到大规模量产的需要。电缆接头毛刺的识别需要具有一定的快速性，在保证检测精度的同时减少计算量，以满足工业中对于缺陷检测实时性的要求是本设计面临的难题。本发明通过优化YOLOv8网络结构，解决了卷积神经网络对图像相关重复特征提取的问题，改进后的网络结构解决了过拟合以及预设先验框不合理的问题，同时进一步在提升了检测准确度和速度。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制。尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。尤其是，只要不存在矛盾冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。
Claims (9)
1.一种基于深度学习的电缆接头毛刺检测方法，其特征在于，包括以下步骤：
采集电缆接头的典型毛刺缺陷图像，构建数据集；
对数据集中的图像进行预处理；
将预处理后的图像输入到改进的YOLOv8网络中，得到电缆接头图像的特征图；
所述YOLOv8网络的改进方法为：在YOLOv8网络的基础上采用多次跳跃连接，形成密集采样结构；引入空间注意力机制，赋予每个卷积核不同的学习权重，对YOLOv8网络进行分块处理，将每一个块的内部引入空间注意力机制，块与块之间进行密集采样连接；
结合图像处理算法对特征图中的缺陷区域进行定量分析。
2.根据权利要求1所述的一种基于深度学习的电缆接头毛刺检测方法，其特征在于，对数据集中的图像进行预处理的方法为：
采用伽马变换对数据集中图像的灰度进行预处理，图像预处理的公式如下：
s＝crγ
其中，r为灰度图像的输入值；s为经过伽马变换后的灰度输出值；c为灰度缩放系数；γ为伽马因子。
3.根据权利要求1所述的一种基于深度学习的电缆接头毛刺检测方法，其特征在于，所述密集采样结构的表达式为：
xl+1＝H(xl)+xl
其中，xl表示YOLOv8网络第l层的输入，xl+1表示YOLOv8网络第l层的输出，H(·)表示非线性转化函数。
4.根据权利要求1所述的一种基于深度学习的电缆接头毛刺检测方法，其特征在于，引入空间注意力机制的方法为：采用多头注意力机制替换空间卷积，输入的特征图首先经过并联的最大池化和平均池化，将得到的两个输出特征进行拼接操作，并利用卷积核进行卷积操作，让注意力集中在突出目标的空间特征上；经过池化后的特征图再经过共享的全连接层，在不同尺度上对被压缩后的特征图进行计算，最后通过sigmoid激活函数输出含有空间注意力权重的特征图。
5.根据权利要求1所述的一种基于深度学习的电缆接头毛刺检测方法，其特征在于，结合图像处理算法对特征图中的缺陷区域进行定量分析的方法为：
利用缺陷区域与背景在灰度上的差异，合理设定阈值将特征图中的缺陷区域从背景中分割出来，阈值分割算法的表达式如下：
其中，f(x，y)为特征图的灰度值，T为灰度阈值；g(x，y)为阈值分割结果，1表示该像素在缺陷区域内，0表示该像素在缺陷区域外；
统计缺陷区域包括的像素点数，计算缺陷区域的真实面积。
6.根据权利要求1所述的一种基于深度学习的电缆接头毛刺检测方法，其特征在于，在进行定量分析之前，对特征图进行直方图均衡化处理，对特征图进行非线性拉伸，重新分配图像像素，使一定范围内的图像的像素数量近似；采用如下公式对特征图进行直方图均衡化处理：
其中，r为均衡化处理前特征图的灰度值，S为均衡化处理后特征图的灰度值，NP表示像素数，T(·)表示均衡化处理函数。
7.根据权利要求1所述的一种基于深度学习的电缆接头毛刺检测方法，其特征在于，在进行定量分析之前，采用对数变换算法对特征图中低灰度值的部分进行扩展，对特征图中高灰度值的部分进行压缩，对数变换公式如下：
s＝c-log,((11++v.λ)
其中，s为对数变换后的灰度值，v为输入像素的灰度值；c为缩放系数，λ为控制像素增强的对比度。
8.一种电子设备，包括存储器和处理器，所述存储器内存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
9.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410051202.2A CN117853747A (zh) | 2024-01-12 | 2024-01-12 | 基于深度学习的电缆接头毛刺检测方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410051202.2A CN117853747A (zh) | 2024-01-12 | 2024-01-12 | 基于深度学习的电缆接头毛刺检测方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117853747A true CN117853747A (zh) | 2024-04-09 |
Family
ID=90546009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410051202.2A Pending CN117853747A (zh) | 2024-01-12 | 2024-01-12 | 基于深度学习的电缆接头毛刺检测方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117853747A (zh) |
-
2024
- 2024-01-12 CN CN202410051202.2A patent/CN117853747A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112884064B (zh) | 一种基于神经网络的目标检测与识别方法 | |
| CN109902600B (zh) | 一种道路区域检测方法 | |
| CN108305253B (zh) | 一种基于多倍率深度学习的病理图像分类方法 | |
| CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
| CN114742799B (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
| CN114155527A (zh) | 一种场景文本识别方法和装置 | |
| CN111126115A (zh) | 暴力分拣行为识别方法和装置 | |
| CN111008632A (zh) | 一种基于深度学习的车牌字符分割方法 | |
| CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
| CN109598200B (zh) | 一种铁水罐罐号的图像智能识别系统及方法 | |
| CN114724155A (zh) | 基于深度卷积神经网络的场景文本检测方法、系统及设备 | |
| CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
| CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
| CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
| CN116342894A (zh) | 基于改进YOLOv5的GIS红外特征识别系统及方法 | |
| CN112365451A (zh) | 图像质量等级的确定方法、装置、设备及计算机可读介质 | |
| CN114612456B (zh) | 一种基于深度学习的钢坯自动语义分割识别方法 | |
| CN117853747A (zh) | 基于深度学习的电缆接头毛刺检测方法、设备及存储介质 | |
| CN116309270A (zh) | 一种基于双目图像的输电线路典型缺陷识别方法 | |
| CN116129417A (zh) | 一种基于低质量图像的数字仪表读数检测方法 | |
| CN115439926A (zh) | 一种基于关键区域和场景深度的小样本异常行为识别方法 | |
| CN111402223B (zh) | 一种利用变电站视频图像的变电站缺陷问题检测方法 | |
| CN114581475A (zh) | 基于多尺度显著性特征的激光条纹分割方法 | |
| CN110688876A (zh) | 一种基于视觉的车道线检测方法及装置 | |
| CN117677969A (zh) | 一种缺陷检测的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |