CN111553888A - 一种基于机器学习的钛合金锻件显微组织图像识别方法 - Google Patents
一种基于机器学习的钛合金锻件显微组织图像识别方法 Download PDFInfo
- Publication number
- CN111553888A CN111553888A CN202010296183.1A CN202010296183A CN111553888A CN 111553888 A CN111553888 A CN 111553888A CN 202010296183 A CN202010296183 A CN 202010296183A CN 111553888 A CN111553888 A CN 111553888A
- Authority
- CN
- China
- Prior art keywords
- titanium alloy
- alloy forging
- microstructure
- material performance
- microstructure image
- 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.)
- Granted
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30116—Casting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习的钛合金锻件显微组织图像识别方法,包括以下步骤:步骤1、获取钛合金锻件显微组织图像,并基于材料性能等级对钛合金锻件显微组织图像进行分类形成数据集;步骤2、提取数据集中的钛合金锻件显微组织图像的特征向量;步骤3、从数据集中选取钛合金锻件显微组织图像构建训练集,然后对训练集中的钛合金锻件显微组织图像的特征向量进行分段、池化、归一化处理;步骤4、基于训练集采用支持向量机对分类器进行分类训练以获得分类器模型并通过分类器模型完成对钛合金锻件显微组织图像的识别;本发明大大提高对钛合金锻件的材料性能等级判断的准确性和效率,使得钛合金锻件的材料性能等级判断能够普遍快速进行。
Description
技术领域
本发明属于图像识别的技术领域,具体涉及一种基于机器学习的钛合金锻件显微组织图像识别方法。
背景技术
钛合金锻件的材料性能如拉伸性能、断裂韧性、疲劳性能、冲击韧性等是生产制造过程中必须要考虑的因素,若使用的钛合金锻件材料性能不合格,将会严重影响零件制造质量。传统进行钛合金锻件的材料性能的识别是通过人工识别锻件的显微组织来进行判断,专业人员首先观察钛合金锻件的显微组织结构,然后与标准图谱进行对比,通过对比钛合金锻件的显微组织结构与标准图谱之间的相似性,钛合金锻件的显微组织结构与哪一级的标准图谱相似性最高,则盖钛合金锻件就对应几级材料性能等级。
通过人工进行钛合金锻件的显微组织结构与标准图谱比对存在很大的局限性,首先“通过对比标准图谱进行评定”必须由专业人士才能完成,而专业人士的数量稀少,这样非常影响锻件识别工作的普遍性开展;其次是评定的结果依然具有主观性,对同一钛合金锻件显微组织结构,不同的专业人士可能会有不同的评定结果,即评定的准确度受主观影响,同时评定的效率十分低下。
因此,针对传统对钛合金锻件的材料性能评定中对钛合金锻件显微组织图像进行识别判定存在的难以普及、准确性不足、效率低下的缺陷,本发明公开了一种基于机器学习的钛合金锻件显微组织图像识别方法。
发明内容
本发明的目的在于提供一种基于机器学习的钛合金锻件显微组织图像识别方法,实现对钛合金锻件显微组织图像进行准确识别,并通过机器学习将钛合金锻件显微组织图像与相应的材料性能等级进行快速高效匹配。
本发明通过下述技术方案实现:
一种基于机器学习的钛合金锻件显微组织图像识别方法,包括以下步骤:
步骤1、获取不同材料的钛合金锻件显微组织图像,并基于材料性能等级对钛合金锻件显微组织图像进行分类形成数据集;
步骤2、提取数据集中的钛合金锻件显微组织图像的特征向量;
步骤3、从数据集中选取若干数量的钛合金锻件显微组织图像构建训练集,然后对训练集中的钛合金锻件显微组织图像的特征向量进行分段、池化、归一化处理;
步骤4、基于训练集采用支持向量机对分类器进行分类训练以获得分类器模型,然后基于分类器模型完成对钛合金锻件显微组织图像的识别。
工作原理:
步骤1中将若干钛合金锻件显微组织图像按照材料性能等级进行分类,即有多少个材料性能等级即将钛合金锻件显微组织图像分为多少类以构建数据集,步骤2中针对数据集中的钛合金锻件显微组织图像提取每一幅钛合金锻件显微组织图像的特征向量,然后从数据集中选取每一个材料性能等级对应的若干幅钛合金锻件显微组织图像构建训练集,然后对训练集中的钛合金锻件显微组织图像的特征向量进行分段、池化、归一化处理。
通过对钛合金锻件显微组织图像的特征向量进行分段,降低了对分段后的特征向量的池化难度;同时通过对分段后的特征向量进行池化,能够在减小图像尺寸的保留足够的图像特征,降低了后续分类器模型需要处理的参数量,保证了后续分类器模型进行钛合金锻件显微组织图像分类时的处理效率;然后通过对特征向量进行归一化处理,能够减少后续分类器模型对钛合金锻件显微组织图像进行分类过程中处理特征向量时受到特殊像素值的影响,保证了分类器模型对钛合金锻件显微组织图像的分类准确性。
采用支持向量机对训练集中的钛合金锻件显微组织图像进行分类以得到对应不同材料性能等级的钛合金锻件显微组织图像的分类器模型,然后即可通过分类器模型对钛合金锻件显微组织图像进行分类识别,将钛合金锻件显微组织图像归类至相应的材料性能等级,大大提高了对钛合金锻件显微组织图像进行材料性能等级分类的准确度和效率。
为了更好的实现本发明,进一步地,所述步骤4包括以下子步骤:
步骤4.1、采用支持向量机对应材料性能等级构建对应数量的分类器;
步骤4.2、每一个分类器对应一个材料性能等级的钛合金锻件显微组织图像进行二分类以得到对应不同材料性能等级的分类器模型;
步骤4.3、使用分类器模型对钛合金锻件显微组织图像进行识别以得到当前钛合金锻件显微组织图像与各材料性能等级的匹配概率,根据匹配概率将钛合金锻件显微组织图像划分至相应的材料性能等级以完成识别。
为了更好的实现本发明,进一步地,所述二分类指一个分类器将一个材料性能等级的钛合金锻件显微组织图像分为一类,将其余材料性能等级的钛合金锻件显微组织图像分为另一类。
为了更好的实现本发明,进一步地,所述步骤3包括以下子步骤:
步骤3.1、对步骤2中得到的特征向量进行分段得到若干个特征向量段;
步骤3.2、对特征向量段进行池化处理,选择当前特征限量段中数值最大的一维向量并以该一维向量表示当前特征向量段;
步骤3.3、根据训练集中钛合金锻件显微组织图像的数量和特征向量段的数量构建特征向量矩阵,然后对特征向量矩阵中的每一列基于(X-Xmin)/(X-Xmax)的形式进行归一化处理,将每个特征向量归一化至0-1之间,其中X为像素值。
为了更好的实现本发明,进一步地,所述步骤2中采用方向梯度直方图提取数据集中的钛合金锻件显微组织图像的特征,然后划定细胞单元的大小、水平移动步长、竖直移动步长,将提取的特征表示为特征向量。
为了更好的实现本发明,进一步地,所述步骤1中将钛合金锻件显微组织图像按照材料性能等级进行分级,并以材料性能等级作为钛合金锻件显微组织图像的标签。
为了更好的实现本发明,进一步地,所述步骤4完成后,采用分类器模型对其他标签的钛合金锻件显微组织图像进行识别分类,并将分类结果与标准图谱进行对比以验证分类器模型的准确率和召回率。
为了更好的实现本发明,进一步地,在进行步骤2之前对步骤1中的数据集中的钛合金锻件显微组织图像进行大小规范化和灰度化处理。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明通过构建由对应不同的材料性能等级的钛合金锻件显微组织图像的数据集,并在数据集中对应每一个材料性能等级抽取若干钛合金锻件显微组织图像构建训练集,并对训练集中的钛合金锻件显微组织图像提取其特征向量,通过特征向量表征相应的钛合金锻件显微组织图像,使得图像数据更加精简,便于后续对图像进行识别;
(2)本发明通过对提取的钛合金锻件显微组织图像的特征向量进行分段,通过特征向量段对钛合金锻件显微组织图像进行进一步简化表征,同时对特征向量段进行池化处理,能够在减小图像尺寸的保留足够的图像特征,降低了后续分类器模型需要处理的参数量,保证了后续分类器模型进行钛合金锻件显微组织图像分类时的处理效率;然后对池化处理后的特征向量端进行归一化处理,能够减少后续分类器模型对钛合金锻件显微组织图像进行分类过程中处理特征向量时受到特殊像素值的影响,保证了分类器模型对钛合金锻件显微组织图像的分类准确性;
(3)本发明通过支持向量机针对训练集中各材料性能等级的钛合金锻件显微组织图像构建分类器,并通过分类器对钛合金锻件显微组织图像进行识别分类,得到钛合金锻件显微组织图像与材料性能等级的匹配概率并通过匹配概率对钛合金锻件显微组织图像进行材料性能等级分类,进而形成分类器模型,通过分类器模型即可对钛合金锻件显微组织图像进行高效准确的材料性能等级判断,大大提高了钛合金锻件材料性能等级判断的准确性和效率。
附图说明
图1为本发明的步骤流程示意图。
具体实施方式
实施例1:
本实施例的一种基于机器学习的钛合金锻件显微组织图像识别方法,如图1所示,包括以下步骤:
步骤1、获取不同材料的钛合金锻件显微组织图像,并基于材料性能等级对钛合金锻件显微组织图像进行分类形成数据集;
分别选择对应不同材料性能等级的钛合金锻件并获取相应的钛合金锻件显微组织图像,且将钛合金锻件显微组织图像按材料性能等级分别进行存储,钛合金锻件的材料性能等级可分为1-11总共11个级别,对应11个材料性能等级建立11个材料性能等级文件夹,然后将钛合金锻件显微组织图像储存至对应的材料性能等级文件夹中,所有材料性能等级文件夹中的钛合金锻件显微组织图像构成数据集。
在进行步骤2之前对步骤1中的数据集中的钛合金锻件显微组织图像进行大小规范化和灰度化处理,将所有钛合金锻件显微组织图像的大小规范化为256像素×256像素,然后对钛合金锻件显微组织图像进行灰度化处理,使得钛合金锻件显微组织图像的轮廓清晰。
步骤2、提取数据集中的钛合金锻件显微组织图像的特征向量;
采用方向梯度直方图对大小规范化和灰度化处理后的钛合金锻件显微组织图像提取图像的特征,然后选择64像素×64像素的大小作为细胞单元,同样以64像素的大小作为水平移动步长和竖直移动步长,则可将提取的图像的特征表示为一个324维的特征向量。
步骤3、从数据集中选取若干数量的钛合金锻件显微组织图像构建训练集,然后对训练集中的钛合金锻件显微组织图像的特征向量进行分段、池化、归一化处理;
基于步骤1中构建的11个材料性能等级文件夹,在每一个材料性能等级文件夹中随机抽取30幅钛合金锻件显微组织图像构成训练集,即训练集内的钛合金锻件显微组织图像数量为330幅。然后对选中的330幅钛合金锻件显微组织图像的特征向量进行分段、池化、归一化处理。
步骤4、采用训练集对分类器进行训练以获得分类器模型,然后基于分类器模型完成对钛合金锻件显微组织图像的识别。
实施例2:
本实施例在实施例1的基础上做进一步优化,所述步骤3包括以下子步骤:
步骤3.1、对步骤2中得到的特征向量进行分段得到若干个特征向量段;
根据步骤2,每个钛合金锻件显微组织图像可表示为一个324维的特征向量,首先对324维的特征向量进行分段操作,将每6维向量作为一段,即324维的特征向量可分为54个特征向量段。
步骤3.2、对特征向量段进行池化处理,选择当前特征限量段中数值最大的一维向量并以该一维向量表示当前特征向量段;
接着对分段后的特征向量段进行池化操作,选择向量段中数值最大的特征向量为一维向量,并用该一维向量表示当前特征向量段,即324维的特征向量可表示为54维的特征向量。
步骤3.3、最后进行归一化:基于训练集的图像数量为330幅,同时每个图像可表示为一个54维的特征向量,即训练集图像构成了一个330×54维的向量矩阵,对向量矩阵的每列基于(X-Xmin)/(X-Xmax)的形式进行归一化,将每维向量归一化至0-1之间,其中X为像素值,X的范围为0-255像素。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1或2的基础上做进一步优化,所述步骤4包括以下子步骤:
步骤4.1、采用支持向量机对应材料性能等级构建对应数量的分类器,即通过支持向量机构建11个分别对应11个材料性能等级的分类器;
步骤4.2、每一个分类器对应一个材料性能等级的钛合金锻件显微组织图像进行二分类以得到对应不同材料性能等级的分类器模型;
通过建立的分类器对钛合金锻件显微组织图像的特征向量进行对应材料性能等级的二分类以进行分类训练,二分类即指一个分类器将一个材料性能等级的钛合金锻件显微组织图像分为一类,将其余材料性能等级的钛合金锻件显微组织图像分为另一类,通过二分类的训练得到分类器对应材料性能等级的分类器模型。
步骤4.3、使用分类器模型对钛合金锻件显微组织图像进行识别以得到当前钛合金锻件显微组织图像与各材料性能等级的匹配概率,根据匹配概率将钛合金锻件显微组织图像划分至相应的材料性能等级以完成识别。
进行钛合金锻件显微组织图像识别时,分别使用11个分类器对钛合金锻件显微组织图像进行分类,即可得到11个分类结果,每一个结果即为该钛合金锻件显微组织图像属于当前材料性能等级的概率,则钛合金锻件显微组织图像分类后的最大概率所对应的材料性能等级即为该钛合金锻件显微组织图像最终属于的材料性能等级,进而完成对钛合金锻件显微组织图像的识别。
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
实施例4:
本实施例在上述实施例1-3任一项的基础上做进一步优化,所述步骤1中将钛合金锻件显微组织图像按照材料性能等级进行分级,并以材料性能等级作为钛合金锻件显微组织图像的标签,在后续构建分类器的过程中,支持向量机即根据钛合金锻件显微组织图像的标签构建分类器。
建立测试集,测试集中保存有标准图谱,采用分类器模型对其他标签的钛合金锻件显微组织图像进行识别分类,并将分类结果与标准图谱进行对比以验证分类器模型的准确率和召回率。
本实施例的其他部分与上述实施例1-3任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (8)
1.一种基于机器学习的钛合金锻件显微组织图像识别方法,其特征在于,包括以下步骤:
步骤1、获取不同材料的钛合金锻件显微组织图像,并基于材料性能等级对钛合金锻件显微组织图像进行分类形成数据集;
步骤2、提取数据集中的钛合金锻件显微组织图像的特征向量;
步骤3、从数据集中选取若干数量的钛合金锻件显微组织图像构建训练集,然后对训练集中的钛合金锻件显微组织图像的特征向量进行分段、池化、归一化处理;
步骤4、基于训练集采用支持向量机对分类器进行分类训练以获得分类器模型,然后基于分类器模型完成对钛合金锻件显微组织图像的识别。
2.根据权利要求1所述的一种基于机器学习的钛合金锻件显微组织图像识别方法,其特征在于,所述步骤4包括以下子步骤:
步骤4.1、采用支持向量机对应材料性能等级构建对应数量的分类器;
步骤4.2、每一个分类器对应一个材料性能等级的钛合金锻件显微组织图像进行二分类以得到对应不同材料性能等级的分类器模型;
步骤4.3、使用分类器模型对钛合金锻件显微组织图像进行识别以得到当前钛合金锻件显微组织图像与各材料性能等级的匹配概率,根据匹配概率将钛合金锻件显微组织图像划分至相应的材料性能等级以完成识别。
3.根据权利要求2所述的一种基于机器学习的钛合金锻件显微组织图像识别方法,其特征在于,所述二分类指一个分类器将一个材料性能等级的钛合金锻件显微组织图像分为一类,将其余材料性能等级的钛合金锻件显微组织图像分为另一类。
4.根据权利要求1-3任一项所述的一种基于机器学习的钛合金锻件显微组织图像识别方法,其特征在于,所述步骤3包括以下子步骤:
步骤3.1、对步骤2中得到的特征向量进行分段得到若干个特征向量段;
步骤3.2、对特征向量段进行池化处理,选择当前特征限量段中数值最大的一维向量并以该一维向量表示当前特征向量段;
步骤3.3、根据训练集中钛合金锻件显微组织图像的数量和特征向量段的数量构建特征向量矩阵,然后对特征向量矩阵中的每一列基于(X-Xmin)/(X-Xmax)的形式进行归一化处理,将每个特征向量归一化至0-1之间,其中X为像素值。
5.根据权利要求1-3任一项所述的一种基于机器学***移动步长、竖直移动步长,将提取的特征表示为特征向量。
6.根据权利要求1-3任一项所述的一种基于机器学习的钛合金锻件显微组织图像识别方法,其特征在于,所述步骤1中将钛合金锻件显微组织图像按照材料性能等级进行分级,并以材料性能等级作为钛合金锻件显微组织图像的标签。
7.根据权利要求6所述的一种基于机器学习的钛合金锻件显微组织图像识别方法,其特征在于,所述步骤4完成后,采用分类器模型对其他标签的钛合金锻件显微组织图像进行识别分类,并将分类结果与标准图谱进行对比以验证分类器模型的准确率和召回率。
8.根据权利要求1-3任一项所述的一种基于机器学习的钛合金锻件显微组织图像识别方法,其特征在于,在进行步骤2之前对步骤1中的数据集中的钛合金锻件显微组织图像进行大小规范化和灰度化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010296183.1A CN111553888B (zh) | 2020-04-15 | 2020-04-15 | 一种基于机器学习的钛合金锻件显微组织图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010296183.1A CN111553888B (zh) | 2020-04-15 | 2020-04-15 | 一种基于机器学习的钛合金锻件显微组织图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553888A true CN111553888A (zh) | 2020-08-18 |
CN111553888B CN111553888B (zh) | 2021-04-27 |
Family
ID=72004359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010296183.1A Active CN111553888B (zh) | 2020-04-15 | 2020-04-15 | 一种基于机器学习的钛合金锻件显微组织图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553888B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598340A (zh) * | 2021-03-04 | 2021-04-02 | 成都飞机工业(集团)有限责任公司 | 一种基于不确定性支持向量机的数据模型比较方法 |
CN112700401A (zh) * | 2020-12-04 | 2021-04-23 | 广州珠江天然气发电有限公司 | 一种金属材料的金相组织智能识别方法、装置及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007077175A1 (fr) * | 2006-01-02 | 2007-07-12 | France Telecom | Procede de classification d'images par reseaux neuroniques et classifieur d'images prealablement appris, dispositif et programme d'ordinateur correspondants |
CN101894277A (zh) * | 2010-06-13 | 2010-11-24 | 电子科技大学 | 基于多分类支持向量机的集装箱箱号识别方法 |
FR2973512A1 (fr) * | 2011-03-31 | 2012-10-05 | Snecma | Methode et dispositif de detection de colonies d'aiguilles |
WO2015048232A1 (en) * | 2013-09-26 | 2015-04-02 | Tokitae Llc | Systems, devices, and methods for classification and sensor identification using enhanced sparsity |
US20150173843A1 (en) * | 2013-12-23 | 2015-06-25 | DePuy Synthes Products, LLC | Tracking medical devices |
CN107590498A (zh) * | 2017-09-27 | 2018-01-16 | 哈尔滨工业大学 | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 |
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
CN108537154A (zh) * | 2018-03-28 | 2018-09-14 | 天津大学 | 基于hog特征和机器学习的输电线路鸟巢识别方法 |
CN108681539A (zh) * | 2018-05-07 | 2018-10-19 | 内蒙古工业大学 | 一种基于卷积神经网络的蒙汉神经翻译方法 |
CN208288484U (zh) * | 2018-04-26 | 2018-12-28 | 西安圣泰金属材料有限公司 | 一种钛及钛合金棒材直线度检测装置 |
CN109211955A (zh) * | 2018-10-19 | 2019-01-15 | 中国航发北京航空材料研究院 | 一种由显微组织形貌确定钛合金β相取向的方法 |
CN109389055A (zh) * | 2018-09-21 | 2019-02-26 | 西安电子科技大学 | 基于混合卷积和注意力机制的视频分类方法 |
US10213645B1 (en) * | 2011-10-03 | 2019-02-26 | Swingbyte, Inc. | Motion attributes recognition system and methods |
CN110070116A (zh) * | 2019-04-08 | 2019-07-30 | 云南大学 | 基于深度树状训练策略的分段式选择集成图像分类方法 |
US20190283333A1 (en) * | 2018-03-19 | 2019-09-19 | Tytus3D System Inc. | Systems and methods for real-time error detection, and automatic correction in additive manufacturing environment |
-
2020
- 2020-04-15 CN CN202010296183.1A patent/CN111553888B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007077175A1 (fr) * | 2006-01-02 | 2007-07-12 | France Telecom | Procede de classification d'images par reseaux neuroniques et classifieur d'images prealablement appris, dispositif et programme d'ordinateur correspondants |
CN101894277A (zh) * | 2010-06-13 | 2010-11-24 | 电子科技大学 | 基于多分类支持向量机的集装箱箱号识别方法 |
FR2973512A1 (fr) * | 2011-03-31 | 2012-10-05 | Snecma | Methode et dispositif de detection de colonies d'aiguilles |
US10213645B1 (en) * | 2011-10-03 | 2019-02-26 | Swingbyte, Inc. | Motion attributes recognition system and methods |
WO2015048232A1 (en) * | 2013-09-26 | 2015-04-02 | Tokitae Llc | Systems, devices, and methods for classification and sensor identification using enhanced sparsity |
US20150173843A1 (en) * | 2013-12-23 | 2015-06-25 | DePuy Synthes Products, LLC | Tracking medical devices |
CN107590498A (zh) * | 2017-09-27 | 2018-01-16 | 哈尔滨工业大学 | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 |
CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
US20190283333A1 (en) * | 2018-03-19 | 2019-09-19 | Tytus3D System Inc. | Systems and methods for real-time error detection, and automatic correction in additive manufacturing environment |
CN108537154A (zh) * | 2018-03-28 | 2018-09-14 | 天津大学 | 基于hog特征和机器学习的输电线路鸟巢识别方法 |
CN208288484U (zh) * | 2018-04-26 | 2018-12-28 | 西安圣泰金属材料有限公司 | 一种钛及钛合金棒材直线度检测装置 |
CN108681539A (zh) * | 2018-05-07 | 2018-10-19 | 内蒙古工业大学 | 一种基于卷积神经网络的蒙汉神经翻译方法 |
CN109389055A (zh) * | 2018-09-21 | 2019-02-26 | 西安电子科技大学 | 基于混合卷积和注意力机制的视频分类方法 |
CN109211955A (zh) * | 2018-10-19 | 2019-01-15 | 中国航发北京航空材料研究院 | 一种由显微组织形貌确定钛合金β相取向的方法 |
CN110070116A (zh) * | 2019-04-08 | 2019-07-30 | 云南大学 | 基于深度树状训练策略的分段式选择集成图像分类方法 |
Non-Patent Citations (2)
Title |
---|
R. TKACHENKO等: "Development of machine learning method of titanium alloy properties identification in additive technologies", 《MATERIALS SCIENCE》 * |
谢凌曦: "基于局部特征的图像表示模型理论与实践", 《中国博士学位论文全文数据库(信息科技辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700401A (zh) * | 2020-12-04 | 2021-04-23 | 广州珠江天然气发电有限公司 | 一种金属材料的金相组织智能识别方法、装置及存储介质 |
CN112598340A (zh) * | 2021-03-04 | 2021-04-02 | 成都飞机工业(集团)有限责任公司 | 一种基于不确定性支持向量机的数据模型比较方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111553888B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523518B (zh) | 一种轮胎x光病疵检测方法 | |
Ullah et al. | Gender recognition from face images with local wld descriptor | |
CN110321830B (zh) | 一种基于神经网络的中文字符串图片ocr识别方法 | |
CN111814584A (zh) | 基于多中心度量损失的多视角环境下车辆重识别方法 | |
CN104598885B (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN111553888B (zh) | 一种基于机器学习的钛合金锻件显微组织图像识别方法 | |
CN101038686B (zh) | 一种基于信息融合的机读旅行证件识别方法 | |
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
JP3938872B2 (ja) | データ分類装置および物体認識装置 | |
CN103218610B (zh) | 狗脸检测器的形成方法和狗脸检测方法 | |
WO2011149976A2 (en) | Facial analysis techniques | |
CN105760858A (zh) | 一种基于类Haar中间层滤波特征的行人检测方法及装置 | |
CN114359998B (zh) | 一种人脸口罩佩戴状态下的识别方法 | |
CN108921172B (zh) | 基于支持向量机的图像处理装置及方法 | |
CN111008650B (zh) | 一种基于深度卷积对抗神经网络的金相组织自动评级方法 | |
CN111738367B (zh) | 一种基于图像识别的零件分类方法 | |
CN111291806A (zh) | 一种基于卷积神经网络工业产品标签号的识别方法 | |
CN112036384B (zh) | ***头部形态识别方法、装置及设备 | |
CN114445879A (zh) | 一种高精度人脸识别方法及人脸识别设备 | |
CN110533083B (zh) | 基于SVM的Adaboost模型的铸件缺陷识别方法 | |
CN111931757A (zh) | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 | |
CN111553437A (zh) | 一种基于神经网络图像分类方法 | |
CN113887600A (zh) | 一种基于改进的lda-gsvd织物图像瑕疵分类方法及*** | |
CN105488493B (zh) | 一种快速虹膜识别方法 | |
CN113793327A (zh) | 一种基于token的高铁异物检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |