CN107742294A - 划痕检测方法、装置和电子设备 - Google Patents
划痕检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN107742294A CN107742294A CN201711207554.9A CN201711207554A CN107742294A CN 107742294 A CN107742294 A CN 107742294A CN 201711207554 A CN201711207554 A CN 201711207554A CN 107742294 A CN107742294 A CN 107742294A
- Authority
- CN
- China
- Prior art keywords
- cut
- identification model
- image
- cut identification
- weights
- 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
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种划痕检测方法、装置和电子设备,所述方法包括:获取待检测工件的图像;采用预先训练获得的划痕识别模型对所述图像进行识别,确定所述待检测工件表面是否具有划痕,其中,所述划痕识别模型是对卷积神经网络进行分类训练后获得的。通过实施本方案的实施例,可以提高划痕检测的检测效率。
Description
技术领域
本发明涉及工件质量检测技术领域,尤其涉及一种划痕检测方法、装置和电子设备。
背景技术
如今,随着工业的发展,人们对于工业制造的工件的质量要求越来越高,其中,查看工件的外观是否完好是反映工件质量高低最直观的方式。因此,从生产制造角度来讲,在生产工件后对其外观的检测至关重要,尤其是检测所生产工件表面是否有划痕。
现有的划痕检测方法主要为:检测人员人工地将待检测工件放置在显微镜下,进而进行人工检测,显微镜可以对外观的破损进行放大,进而方便检测人员进行观察以达到划痕检测目的。但是,以人工的方式进行划痕检测,检测效率极低。
发明内容
有鉴于此,本发明实施例提供一种划痕检测方法、装置和电子设备,用以提高划痕检测的检测效率。
第一方面,本发明实施例提供了一种划痕检测方法,包括:
获取待检测工件的图像;
采用预先训练获得的划痕识别模型对所述图像进行识别,确定所述待检测工件表面是否具有划痕,其中,所述划痕识别模型是对卷积神经网络进行分类训练后获得的。
第二方面,本发明实施例提供了一种划痕检测装置,包括:
获取模块,用于获取待检测工件的图像;
识别模块,用于采用预先训练获得的划痕识别模型对所述图像进行识别,确定所述待检测工件表面是否具有划痕,其中,所述划痕识别模型是对卷积神经网络进行分类训练后获得的。
第三方面,本发明实施例提供了一种电子设备,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现本发明实施例第一方面提供的划痕检测方法。
第四方面,本发明实施例提供了一种存储有计算机程序的计算机可读存储介质,所述计算机程序使计算机执行时实现本发明实施例第一方面提供的划痕检测方法。
本发明实施例所提供的一种划痕检测方法、装置和电子设备,通过预先训练获得的划痕识别模型识别待检测工件的图像,进而确定待检测工件表面是否有划痕。通过该方案,可以自动化地、准确地实现对工件表面划痕的检测,提高了检测效率。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的划痕检测方法的流程图;
图2(a)为本发明实施例中划痕识别模型特征提取层的卷积层的可选输出结果;
图2(b)为本发明实施例中划痕识别模型特征提取层的池化层的可选输出结果;
图2(c)为本发明实施例中划痕识别模型的一可选形式;
图3本发明实施例中划痕识别模型的全连接层的权值训练过程的流程图;
图4为发明实施例提供的划痕检测装置的结构示意图;
图5为发明实施例提供的电子设备的结构示意图。
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他实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“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。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述XXX,但这些XXX不应限于这些术语。这些术语仅用来将XXX区分开。例如,在不脱离本发明实施例范围的情况下,第一XXX也可以被称为第二XXX,类似地,第二XXX也可以被称为第一XXX。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,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商品或者***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商品或者***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商品或者***中还存在另外的相同要素。
进一步值得说明的是,本发明各实施例中各步骤之间的顺序是可以调整的,不是必须按照以下举例的顺序执行。
本发明实施例提供的划痕检测方法,可以用于电子设备。该电子设备可以为通用计算机、或者具有某一专用功能的物理机等。具体地,本发明实施例提供的方法还可以应用于运行在电子设备上的划痕检测装置。划痕检测装置可以为专用于划痕检测的软件,当然还可以为图像识别、图像处理等相关软件的功能插件。
如图1所示,本发明实施例提供的一种划痕检测方法,包括如下步骤:
S101:获取待检测工件的图像。
如今工业制造领域中大多使用机器对工件进行自动化生产,在生产过程中可能由于种种原因对导致工件的外观损坏,外观损坏的工件轻则影响美观,若外观损坏程度严重可能影响工件的功能。因此,在生产工件后,需要对工件的外观进行检测。
其中,待检测工件的图像可以为从预设拍摄角度对待检测工件的一个或多个平面拍摄的图片。预设拍摄角度可以为待检测工件的正面对应的角度、侧面对应的角度等。本实施例中的图像可以为位图图像。
S102:采用预先训练获得的划痕识别模型对上述图像进行识别,确定上述待检测工件表面是否具有划痕,其中,上述划痕识别模型是对卷积神经网络进行分类训练后获得的。
具体地,将上述图像输入至划痕识别模型后,划痕识别模型提取上述图像的图像特征,对所提取的图像特征进行识别,进而判断出上述图像中是否存在划痕。
可以理解的是,通过以大量训练样本图像对具有预设结构的卷积神经网络进行分类训练,最终得到的卷积神经网络即为上述划痕识别模型。其中,该大量训练样本图像中包括:具有划痕的众多样本图像以及不具有划痕的众多样本图像。其中,具有划痕的众多样本图像可以通过对具有划痕的若干工件进行拍照获得,同样的,不具有划痕的众多样本图像可以通过对不具有划痕的若干工件进行拍照获得。其中,样本图像是否具有划痕是指样本图像中是否具有划痕这类图像元素,并非指样本图像表面具有划痕与否。
由此,本发明实施例通过划痕识别模型对待检测工件的图像进行识别,进而判断出待检测工件表面是否存在划痕,进而完成划痕检测。通过该方案,可以自动化地、准确地实现对工件表面划痕的检测,提高了检测效率。
实际应用过程中,上述划痕识别模型可以依次包括特征提取层和全连接层,特征提取层包括至少一层卷积层和至少一层池化层。可选地,卷积层数量可以依据所需要的特征提取程度进行设置,需要的特征提取程度高,则可以设置较多卷积层;反之,则可以设置较少卷积层。卷积层数量可以为1个、2个、或者3个、甚至更多。可选地,每一个卷积层后可以添加一个池化层,以对卷积层所提取的特征进行归纳,从而减小特征维度,达到简化训练过程的目的。当然,根据实际需要,个别卷积层后边也可以不添加池化层。在一个具体实施例中,特征提取层可以包括三个卷积层和两个池化层,排列顺序可以为:卷积层-池化层-卷积层-池化层-卷积层。
对于卷积层,其中可以包括多个卷积核,卷积核的本质为与待检测工件的图像的像素矩阵做卷积运算的矩阵,矩阵的阶数即为卷积核大小,可选地,卷积核大小可以为11、9、7、5、3等奇数,也就是说,上述矩阵可以为11×11矩阵、9×9矩阵、7×7矩阵、5×5矩阵、3×3矩阵等。每一个卷积层可以包括多个卷积核,可选地可以包括64、96、128、256个等等。需要说明的是,不同卷积层中所包含的卷积核数量、卷积核大小可以不相同。在卷积层中,将各个卷积核与上述图像做卷积运算,达到对图像进行特征提取的目的,卷积运算的结果即为特征提取的结果。
池化层中通过池化窗口处理特征提取的结果,其中,池化窗口的本质也是一个矩阵。池化层的池化方法可以为最大池化法。例如,经过卷积层特征提取后获取到6*6矩阵,如图2(a)所示,若池化窗口为3*3,则池化窗口可以分别处于图2(a)中阴影形状不同的4个区域,在每个区域所包括的灰度值中选出最大值,则可以得出如图2(b)所示的池化结果,进而减小特征维度。
全连接层,与特征提取层的输出相连接,用于连接特征提取层的提取结果与分类类别,即连接本发明中的特征与划痕类别。
在一种可选实施方式中,包含了特征提取层和全连接层的划痕识别模型,可以如图2(c)所示。其中,特征提取层包括三个卷积层和两个最大池化层,第一个卷积层卷积核大小为11,卷积核滑动步长为2,卷积核个数为64;第二个卷积层卷积核大小为7,卷积核滑动步长为1,卷积核个数为128;第三个卷积层卷积核大小为3,卷积核滑动步长为1,卷积核个数为256。两个池化层的池化窗大小均为3,池化窗滑动步长均为2。本实施例中,采用的全连接层为BP神经网络(back propagation,一种按照误差逆向传播算法训练的多层前馈神经网络)。
在一种可选实施例中,可以引入退火算法辅助训练全连接层的权值。如图3所示,训练过程可以包括如下步骤:
S201:确定第k次迭代对应的退火温度Tk,k大于或等于1。
其中,退火温度为本实施例模拟退火算法过程中引入的温度参量。
初始时,可以设置初始的退火温度,从而,以此为开始,进行后续迭代更新的过程。
若k=1,即第1次迭代,则此时退火温度为该初始值;若非第1次迭代,则确定第k-1次迭代过程中步骤S207中的更新值为k次迭代的退火温度。对于上述更新值的更新过程,请参见步骤S207中的详细介绍。
S202:判断Tk是否大于预设截止温度,若是,则执行S203;否则,确定划痕识别模型的全连接层最终对应的权值为Wij(k-1)。
值得说明的是,初始时,即还未对卷积神经网络进行训练时,可以设置一初始化的权值,基于此,进行后续的迭代更新过程。
S203:将全连接层对应的权值由Wij(k-1)更新为Wij(k),其中Wij(k-1)为第k-1次迭代时对应的权值,i和j为全连接层中连接的任意两个神经元。
可选地,可以根据如下公式进行更新:wij(k)=wij(k-1)+ηξ,其中,η为预设扰动幅值,ξ为预设扰动变量。
S204:将训练样本图像输入至划痕识别模型,获取划痕识别模型当前的实际输出结果。
需要说明的是,训练样本图像中包括两类图像,分别为具有划痕的图像、以及不具有划痕的图像。
S205:根据实际输出结果和训练样本图像对应的期望输出结果确定划痕识别模型当前的误差函数值。
具体地,确定划痕识别模型当前的误差函数值为其中yk是实际输出结果,是期望输出结果。
S206:根据误差函数值与Wij(k-1)对应的误差函数值的比较结果,确定划痕识别模型当前对应的权值。
若之间的随机值,或者Fk<Fk-1,则确定划痕识别模型当前对应的权值为Wij(k),否则,确定划痕识别模型当前对应的权值为Wij(k-1)。
S207:更新退火温度。
根据如下公式更新退火温度:Tk=Tk-1*delta,其中,delta为预设更新步长。
步骤S207执行完后,继续执行步骤S201,直到退火温度更新到小于或等于预设截止温度为止,此时,全连接层对应的权值即为最终获得的划痕识别模型所采用的权值。结合退火算法训练全连接层,可以解决传统全连接层的训练过程只局限于局部最优解的问题,找到全局最优解。
如图4所示,相应于上述方法实施例,本发明还提供一种划痕检测装置,包括:获取模块410、识别模块420。
获取模块410,用于获取待检测工件的图像。
识别模块420,用于采用预先训练获得的划痕识别模型对所述图像进行识别,确定所述待检测工件表面是否具有划痕,其中,所述划痕识别模型是对卷积神经网络进行分类训练后获得的。
在一种可选实施方式中,所述划痕识别模型依次包括特征提取层和全连接层,所述特征提取层包括至少一层卷积层和至少一层池化层。
所述装置还包括:训练模块430,用于训练所述全连接层,以确定所述全连接层对应的权值,所述训练模块包括:第一确定子模块431、第一更新子模块432、获取子模块433、第二确定子模块434、第三确定子模块435、第二更新子模块436。
第一确定子模块431,用于确定第k次迭代对应的退火温度Tk,k大于或等于1。
第一更新子模块432,用于若Tk大于预设截止温度,则将所述全连接层对应的权值由Wij(k-1)更新为Wij(k),其中Wij(k-1)为第k-1次迭代时对应的权值,i和j为全连接层中连接的任意两个神经元。
获取子模块433,用于将训练样本图像输入至所述划痕识别模型,获取所述划痕识别模型当前的实际输出结果。
第二确定子模块434,用于根据所述实际输出结果和所述训练样本图像对应的期望输出结果确定所述划痕识别模型当前的误差函数值。
第三确定子模块435,用于根据所述误差函数值与所述Wij(k-1)对应的误差函数值的比较结果,确定所述划痕识别模型当前对应的权值。
第二更新子模块436,用于更新退火温度。
在一种可选实施方式中,所述第一更新子模块432,具体用于:
根据如下公式更新所述Wij(k-1):
wij(k)=wij(k-1)+ηξ,其中,η为预设扰动幅值,ξ为预设扰动变量。
在一种可选实施方式中,所述第二确定子模块434,具体用于:
确定所述划痕识别模型当前的误差函数值为其中yk是所述实际输出结果,是所述期望输出结果。
在一种可选实施方式中,所述第三确定子模块435,具体用于:
若之间的随机值,或者Fk<Fk-1,则确定所述划痕识别模型当前对应的权值为Wij(k),否则,确定所述划痕识别模型当前对应的权值为Wij(k-1)。
在一种可选实施方式中,所述第二更新子模块436,具体用于:
根据如下公式更新退火温度:Tk=Tk-1*delta,其中,delta为预设更新步长。
在一种可选实施方式中,所述装置还包括:
第四确定子模块437,用于若Tk小于或等于所述预设截止温度,则确定所述划痕识别模型的全连接层最终对应的权值为所述Wij(k-1)。
需要说明的是,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得较为简单,相关之处参见方法实施例的部分说明即可。
另外,如图5所示,本发明实施例还提供一种电子设备,包括存储器510和处理器520;其中,所述存储器510用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器520执行时实现本发明实施例提供的划痕检测方法。
在一种可选实施方式中,本发明实施例提供的电子设备还可以包括通信接口530,用于所述电子设备与其他设备、或者外部网络之间的通信。
本发明实施例还提供一种存储有计算机程序的计算机可读存储介质,所述计算机程序使计算机执行时实现本发明实施例提供的划痕检测方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种划痕检测方法,其特征在于,包括:
获取待检测工件的图像;
采用预先训练获得的划痕识别模型对所述图像进行识别,确定所述待检测工件表面是否具有划痕,其中,所述划痕识别模型是对卷积神经网络进行分类训练后获得的。
2.根据权利要求1所述的方法,其特征在于,所述划痕识别模型依次包括特征提取层和全连接层,所述特征提取层包括至少一层卷积层和至少一层池化层,所述全连接层对应的权值通过如下迭代方式训练确定:
确定第k次迭代对应的退火温度Tk,k大于或等于1;
若Tk大于预设截止温度,则将所述全连接层对应的权值由Wij(k-1)更新为Wij(k),其中Wij(k-1)为第k-1次迭代时对应的权值,i和j为全连接层中连接的任意两个神经元;
将训练样本图像输入至所述划痕识别模型,获取所述划痕识别模型当前的实际输出结果;
根据所述实际输出结果和所述训练样本图像对应的期望输出结果确定所述划痕识别模型当前的误差函数值;
根据所述误差函数值与所述Wij(k-1)对应的误差函数值的比较结果,确定所述划痕识别模型当前对应的权值;
更新退火温度。
3.根据权利要求2所述的方法,其特征在于,所述将所述全连接层对应的权值由Wij(k-1)更新为Wij(k),包括:
根据如下公式更新所述Wij(k-1):
wij(k)=wij(k-1)+ηξ,其中,η为预设扰动幅值,ξ为预设扰动变量。
4.根据权利要求2所述的方法,其特征在于,所述根据所述实际输出结果和所述训练样本图像对应的期望输出结果确定所述划痕识别模型当前的误差函数值,包括:
确定所述划痕识别模型当前的误差函数值为其中yk是所述实际输出结果,是所述期望输出结果。
5.根据权利要求2所述的方法,其特征在于,所述根据所述误差函数值与所述Wij(k-1)对应的误差函数值的比较结果,确定所述划痕识别模型当前对应的权值,包括:
若之间的随机值,或者Fk<Fk-1,则确定所述划痕识别模型当前对应的权值为Wij(k),否则,确定所述划痕识别模型当前对应的权值为Wij(k-1)。
6.根据权利要求2所述的方法,其特征在于,所述更新退火温度,包括:
根据如下公式更新退火温度:Tk=Tk-1*delta,其中,delta为预设更新步长。
7.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若Tk小于或等于所述预设截止温度,则确定所述划痕识别模型的全连接层最终对应的权值为所述Wij(k-1)。
8.一种划痕检测装置,其特征在于,包括:
获取模块,用于获取待检测工件的图像;
识别模块,用于采用预先训练获得的划痕识别模型对所述图像进行识别,确定所述待检测工件表面是否具有划痕,其中,所述划痕识别模型是对卷积神经网络进行分类训练后获得的。
9.一种电子设备,其特征在于,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如权利要求1至7中任一项所述的划痕检测方法。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序使计算机执行时实现如权利要求1至7中任一项所述的划痕检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711207554.9A CN107742294A (zh) | 2017-11-27 | 2017-11-27 | 划痕检测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711207554.9A CN107742294A (zh) | 2017-11-27 | 2017-11-27 | 划痕检测方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107742294A true CN107742294A (zh) | 2018-02-27 |
Family
ID=61239317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711207554.9A Pending CN107742294A (zh) | 2017-11-27 | 2017-11-27 | 划痕检测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742294A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886344A (zh) * | 2019-02-26 | 2019-06-14 | 广东工业大学 | 基于深度学习的皮革破损识别方法、***及设备和介质 |
CN111223083A (zh) * | 2020-01-06 | 2020-06-02 | 宜通世纪物联网研究院(广州)有限公司 | 表面划痕检测神经网络的构建方法、***、装置及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
CN106875373A (zh) * | 2016-12-14 | 2017-06-20 | 浙江大学 | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 |
-
2017
- 2017-11-27 CN CN201711207554.9A patent/CN107742294A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
CN106875373A (zh) * | 2016-12-14 | 2017-06-20 | 浙江大学 | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
L.M. RASDI RERE ET AL: "Simulated Annealing Algorithm for Deep Learning", 《PROCEDIA COMPUTER SCIENCE》 * |
崔炽标 等: "基于预处理与卷积神经网络的塑件划痕检测", 《模具工业》 * |
满凤环 等: "一种基于模拟退火算法改进的卷积神经网络", 《微电子学与计算机》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886344A (zh) * | 2019-02-26 | 2019-06-14 | 广东工业大学 | 基于深度学习的皮革破损识别方法、***及设备和介质 |
CN111223083A (zh) * | 2020-01-06 | 2020-06-02 | 宜通世纪物联网研究院(广州)有限公司 | 表面划痕检测神经网络的构建方法、***、装置及介质 |
CN111223083B (zh) * | 2020-01-06 | 2023-11-21 | 广东宜通联云智能信息有限公司 | 表面划痕检测神经网络的构建方法、***、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897673B (zh) | 一种基于retinex算法和卷积神经网络的行人再识别方法 | |
US20190188567A1 (en) | Dynamic neural network surgery | |
CN114020950B (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
CN110082135A (zh) | 设备故障识别方法、装置和终端设备 | |
CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN111325190A (zh) | 一种表情识别方法、装置、计算机设备及可读存储介质 | |
CN113011155B (zh) | 用于文本匹配的方法、装置、设备和存储介质 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN116503399B (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
CN109583586A (zh) | 一种卷积核处理方法及装置 | |
CN113177892A (zh) | 生成图像修复模型的方法、设备、介质及程序产品 | |
CN107742294A (zh) | 划痕检测方法、装置和电子设备 | |
CN113420289B (zh) | 面向深度学习模型的隐蔽中毒攻击防御方法及其装置 | |
CN111144407A (zh) | 一种目标检测方法、***、装置及可读存储介质 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN114282258A (zh) | 截屏数据脱敏方法、装置、计算机设备及存储介质 | |
CN116310356B (zh) | 深度学习模型的训练方法、目标检测方法、装置及设备 | |
CN110276064A (zh) | 一种词性标注方法及装置 | |
CN111274985A (zh) | 视频文本识别网络模型、视频文本识别装置与电子设备 | |
CN116091844A (zh) | 一种基于边缘计算的图像数据处理方法及*** | |
CN113256528B (zh) | 基于多尺度级联深度残差网络的低照度视频增强方法 | |
CN113361621B (zh) | 用于训练模型的方法和装置 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN114882557A (zh) | 一种人脸识别方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180227 |