CN112085727A - 一种热轧钢材表面氧化铁皮结构智能识别方法 - Google Patents
一种热轧钢材表面氧化铁皮结构智能识别方法 Download PDFInfo
- Publication number
- CN112085727A CN112085727A CN202010978690.3A CN202010978690A CN112085727A CN 112085727 A CN112085727 A CN 112085727A CN 202010978690 A CN202010978690 A CN 202010978690A CN 112085727 A CN112085727 A CN 112085727A
- Authority
- CN
- China
- Prior art keywords
- rolled steel
- scale
- hot rolled
- hot
- 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
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种热轧钢材表面氧化铁皮结构智能识别方法,涉及轧钢技术领域。本发明通过制作氧化皮检测的试样,并利用金相检测设备得到热轧钢材表面氧化铁皮照片数据,经过预处理后,建立起氧化皮图像样本集。制作语义标签,结合建氧化皮结构图像语义分析的神经网络模型,对神经网络模型进行训练,最终实现用户输入氧化铁皮组织图片,自动获取图片中各组织的比例、分布区域、以及其形态分类说明。
Description
技术领域
本发明涉及轧钢技术领域,尤其涉及一种热轧钢材表面氧化铁皮结构智能识别方法。
背景技术
随着我国制造行业的快速发展,对钢材表面状态的要求迅速提高,倒逼钢铁企业把产品表面状态视为衡量产品质量的一项至关重要指标,因此高表面质量控制技术也成为了企业的一项核心竞争力。热轧碳钢中98%以上为Fe元素,其它的合金元素含量很低,因此,最终产品的氧化物以Fe氧化物(FeO、Fe3O4等)以及冷却中生成的Fe/Fe3O4共析组织为主,不同的氧化物组成能够实现热轧生产的不同功效。而作为表面质量控制领域的重点内容,对热轧碳钢的氧化铁皮结构的准确区分就成为了提升表面质量的重要前提。图像方案距离传统的方式需要使用人工对各部分组织标定,之后再进行统计求和,这种方式操作繁琐、效率低且浪费人工,难以适应大范围使用的要求。随着技术的推进以及计算机硬件性能的指数级提高,基于神经网络的图像识别方法逐渐成为主流。而这一技术也在各种领域中得到了一定应用。如果在工业上应用并取得良好的效果,必然能为我国工业数字化转型的道路上添砖加瓦。
发明内容
针对现有技术存在的问题,本发明提供了一种热轧钢材表面氧化铁皮结构智能识别方法,以解决氧化铁皮组织识别效率低下且难以精准统计的问题。
本发明所采取的技术方案是:
一种热轧钢材表面氧化铁皮结构智能识别方法,包括以下步骤:
步骤1、制作热轧钢材氧化铁皮的检测试样,并利用金相检测设备进行拍摄,得到热轧钢材氧化铁皮照片,经过预处理后,建立热轧钢材氧化铁皮图像样本集;
所述制作检测试样经过热镶嵌、机械抛光、化学腐蚀,对热轧钢材氧化铁皮去应力;
所述金相检测设备为扫描电镜或电子探针的背散射模式;
所述预处理将热轧钢材氧化铁皮图片中基体部分调整为RGB色差空间的标准白色;
步骤2、制作标记热轧钢材氧化铁皮图像样本集中各热轧钢材氧化铁皮照片的组织语义标签图;
步骤2.1、对热轧钢材氧化铁皮图片的Fe3O4、FeO以及共析组织进行区域划分,保证同一区域内的氧化铁皮相组织相同;
步骤2.2、将各区域进行染色处理,其中图片中的镶嵌料部分、基体部分以及图片拍摄信息部分作为背景处理,标注成黑色,将染色的位置单独输出,获得组织语义标签图;
所述染色处理是所有样本集的组织语义标签图上热轧钢材氧化铁皮图片中相同的组织均染色成同一种颜色;
步骤2.3、对氧化铁皮的结构照片以及对应氧化铁皮组织语义标签图进行图像大小归一化处理;
步骤3、构建热轧钢材氧化铁皮图像语义分析的神经网络模型,利用步骤1中的热轧钢材氧化铁皮图像样本集和步骤2中的组织语义标签图对神经网络模型进行训练,训练次数设定N次,获得模型参数;
步骤4、用户向训练后的神经网络模型输入金相检测设备拍摄的待检测热轧钢材氧化铁皮图片,神经网络模型自动获取输入的热轧钢材氧化铁皮图片中Fe3O4、FeO以及共析组织的比例、分布区域、以及其形态分类说明。
步骤4.1:在指定的文件夹中读取金相检测设备拍摄的待检测热轧钢材氧化铁皮jpg图像文件并将其转换成RGB数据的形式;
步骤4.2:利用步骤3中训练后的氧化铁皮结构识别神经网络模型,将最后一层网络通过归一化指数函数softmax对步骤4.1中氧化铁皮组织的各个像素点输出做为特征向量,之后匹配输出向量值最大的分量所对应的标签,输出标签文件信息,得到待识别图像的标签图,即各部分组织的分布情况;
所述氧化铁皮结构识别神经网络模型设定为8层,其中前5层为卷积层,用于提取图像特征,后三层为反卷积层,进行图像尺寸的恢复以及逻辑推断;在卷积的过程中设立池化层,釆用3*3池化窗口的最大池化方法,池化层的步长为2,用于融合特征并且对图像进行降维;
氧化铁皮结构识别神经网络模型采用ReLU为激活函数,其表达式为:
F(x)=max(0,x)
其中,x在卷积层中代表RGB通道中的像素,在氧化铁皮结构识别神经网络中代表神经元的输出值;将图像数据输入到所建立的网络模型中进行训练,在训练过程中,该网络模型的结构参数不断优化,最终训练参数被保存为二进制文件。
采用上述技术方案所产生的有益效果在于:
本发明提出一种热轧钢材表面氧化铁皮结构智能识别方法,通过利用神经网络对氧化铁皮组织进行识别与统计,实现热轧碳钢的氧化铁皮结构的准确区分,为轧制生产现场优化热轧工艺,提升产品表面质量提供助力。
附图说明
图1为本发明实施例氧化铁皮结构智能识别方法流程图;
图2为本发明实施例待检测的氧化铁皮试样示意图;
图3为本发明实施例电镜背散射模式下拍摄并调整颜色后的氧化铁皮组织图像;
图4为本发明实施例依据原始氧化铁皮图像标定组织并进行染色后的标签图像;
图5为本发明实施例待进行识别的氧化铁皮组织图像;
图6为本发明实施例的图片识别结果。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种热轧钢材表面氧化铁皮结构智能识别方法,如图1所示,包括以下步骤:
步骤1、制作热轧钢材氧化铁皮的检测试样,并利用金相检测设备进行拍摄,得到热轧钢材氧化铁皮照片,经过预处理后,建立热轧钢材氧化铁皮图像样本集;
所述制作检测试样经过热镶嵌、机械抛光、化学腐蚀,对热轧钢材氧化铁皮去应力,同时确保钢材表层的氧化铁皮组织的清晰分明,制作好的试样示意图如图2所示;
所述金相检测设备为扫描电镜或电子探针的背散射模式;
所述预处理将热轧钢材氧化铁皮图片中基体部分调整为RGB色差空间的标准白色;
本实施例中在圆形镶嵌料块中心,氧化铁皮分布在试样基体的上下两侧;利用扫描电镜或电子探针对氧化铁皮的组织图像数据进行采集,在电镜背散射模式下拍摄的氧化铁皮组织图像,如图3所示;之后利用得到的图像建立起氧化铁皮组织图像数据集。数据集包括训练集图像数据和测试集图像数据;对大规模的训练数据进行二次整理,本实施例中筛选1000张训练集图像数据,选取训练集图像数据的五分之一作为验证集图像数据。
步骤2、制作标记热轧钢材氧化铁皮图像样本集中各热轧钢材氧化铁皮照片的组织语义标签图,对获取的训练集和验证集中氧化铁皮的组织图像数据进行标注,图4为本发明实施例依据原始氧化铁皮图像标定组织并进行标定染色后的图像;
步骤2.1、对热轧钢材氧化铁皮图片的Fe3O4、FeO以及共析组织进行区域划分,保证同一区域内的氧化铁皮相组织相同;
步骤2.2、将各区域进行染色处理,其中图片中的镶嵌料部分、基体部分以及图片拍摄信息部分作为背景处理,标注成黑色,将染色的位置单独输出,获得组织语义标签图;
所述染色处理是所有样本集的组织语义标签图上热轧钢材氧化铁皮图片中相同的组织均染色成同一种颜色;
步骤2.3、对氧化铁皮的结构照片以及对应氧化铁皮组织语义标签图进行图像大小归一化处理;
步骤3、构建热轧钢材氧化铁皮图像语义分析的神经网络模型,利用步骤1中的热轧钢材氧化铁皮图像样本集和步骤2中的组织语义标签图对神经网络模型进行训练,训练次数设定N次,以获得高精度的模型参数;
在计算机平台下搭建FCN网络模型,并利用图像数据集训练,以得到模型的训练参数;
本实施模型所用实验平台如下:
硬件环境:***以搭载Intel(R)Core(TM)i5-75003.40GHz处理器、内存8G的台式机作为基础的运行平台,并配置显存为8G的NVIDIAGTX1070显卡作为CUDA的加速设备。
软件环境:实验平台所使用的操作***为Ubuntu。安装的支持库主要有Python3.6、OpenCV-Python及Pytorch-1.
通过大小归一化处理,之后在深度学习框架下建立FCN网络模型的backbone网络,该网络模型具有50个卷积层,其记为conv1、conv2_x、conv3_x、conv4_x、conv5_x。conv1的卷积核尺寸大小为7×7,个数为64;conv2_x卷积层有3个卷积核尺寸为1×1、3×3、1×1组成的模,其每个卷积核的个数分别为64、64、256;conv3_x卷积层有4个卷积核尺寸为1×1、3×3、1×1组成的模,其每个卷积核的个数分别为128、128、512;conv4_x卷积层有6个卷积核尺寸为1×1、3×3、1×1组成的模,其每个卷积核的个数分别为256、256、1024;conv5_x卷积层有3个卷积核尺寸为1×1、3×3、1×1组成的模,其每个卷积核的个数分别为512、512、2048。
训练网络模型:将处理过的图像训练集和验证集输入到搭建完毕的网络模型中,在训练过程中,模型的结构参数不断优化,最终得到训练完毕的模型权重。
本实施例中训练参数设定为:迭代100000次,batch_size=256,基础学习率设为0.001,学习参数weight_decay=0.001,momentum=0.8,釆用step算法,每1000次迭代衰减一次,Momentum值为0.8,每4000次迭代输出一个snapshot。
步骤4、用户向训练后的神经网络模型输入金相检测设备拍摄的待检测热轧钢材氧化铁皮图片,神经网络模型自动获取输入的热轧钢材氧化铁皮图片中Fe3O4、FeO以及共析组织的比例、分布区域、以及其形态分类说明。利用训练好的网络进行图像组织识别:本发明实施例待进行识别的氧化铁皮组织图像如图5所示,图6为本发明实施例的图片识别结果。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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发明权利要求所限定的范围。
Claims (3)
1.一种热轧钢材表面氧化铁皮结构智能识别方法,其特征在于:包括以下步骤:
步骤1、制作热轧钢材氧化铁皮的检测试样,并利用金相检测设备进行拍摄,得到热轧钢材氧化铁皮照片,经过预处理后,建立热轧钢材氧化铁皮图像样本集;
所述制作检测试样为经过热镶嵌、机械抛光、化学腐蚀,对热轧钢材氧化铁皮去应力;
所述金相检测设备为扫描电镜或电子探针的背散射模式;
所述预处理将热轧钢材氧化铁皮图片中基体部分调整为RGB色差空间的标准白色;
步骤2、制作标记热轧钢材氧化铁皮图像样本集中各热轧钢材氧化铁皮照片的组织语义标签图;
步骤3、构建热轧钢材氧化铁皮图像语义分析的神经网络模型,利用步骤1中的热轧钢材氧化铁皮图像样本集和步骤2中的组织语义标签图对神经网络模型进行训练,训练次数设定N次,获得模型参数;
步骤4、用户向训练后的神经网络模型输入金相检测设备拍摄的待检测热轧钢材氧化铁皮图片,神经网络模型自动获取输入的热轧钢材氧化铁皮图片中Fe3O4、FeO以及共析组织的比例、分布区域、以及其形态分类说明;
步骤4.1:在指定的文件夹中读取金相检测设备拍摄的待检测热轧钢材氧化铁皮jpg图像文件并将其转换成RGB数据的形式;
步骤4.2:利用步骤3中训练后的氧化铁皮结构识别神经网络模型,将最后一层网络通过归一化指数函数softmax对步骤4.1中氧化铁皮组织的各个像素点输出做为特征向量,之后匹配输出向量值最大的分量所对应的标签,输出标签文件信息,得到待识别图像的标签图,即各部分组织的分布情况。
2.根据权利要求1所述的一种热轧钢材表面氧化铁皮结构智能识别方法,其特征在于,所述步骤2具体包括:
步骤2.1、对热轧钢材氧化铁皮图片的Fe3O4、FeO以及共析组织进行区域划分,保证同一区域内的氧化铁皮相组织相同;
步骤2.2、将各区域进行染色处理,其中图片中的镶嵌料部分、基体部分以及图片拍摄信息部分作为背景处理,标注成黑色,将染色的位置单独输出,获得组织语义标签图;
所述染色处理是所有样本集的组织语义标签图上热轧钢材氧化铁皮图片中相同的组织均染色成同一种颜色;
步骤2.3、对氧化铁皮的结构照片以及对应氧化铁皮组织语义标签图进行图像大小归一化处理。
3.根据权利要求1所述的一种热轧钢材表面氧化铁皮结构智能识别方法,其特征在于,步骤4.2中所述氧化铁皮结构识别神经网络模型设定为8层,其中前5层为卷积层,用于提取图像特征,后三层为反卷积层,进行图像尺寸的恢复以及逻辑推断;在卷积的过程中设立池化层,釆用3*3池化窗口的最大池化方法,池化层的步长为2,用于融合特征并且对图像进行降维;
氧化铁皮结构识别神经网络模型采用ReLU为激活函数,其表达式为:
F(x)=max(0,x)
其中,x在卷积层中代表RGB通道中的像素,在氧化铁皮结构识别神经网络中代表神经元的输出值;之后,将图像数据输入到所建立的网络模型中进行训练,在训练过程中,该网络模型的结构参数不断优化,最终训练参数被保存为二进制文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978690.3A CN112085727B (zh) | 2020-09-17 | 2020-09-17 | 一种热轧钢材表面氧化铁皮结构智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978690.3A CN112085727B (zh) | 2020-09-17 | 2020-09-17 | 一种热轧钢材表面氧化铁皮结构智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085727A true CN112085727A (zh) | 2020-12-15 |
CN112085727B CN112085727B (zh) | 2023-07-11 |
Family
ID=73737308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010978690.3A Active CN112085727B (zh) | 2020-09-17 | 2020-09-17 | 一种热轧钢材表面氧化铁皮结构智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085727B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819815A (zh) * | 2021-02-25 | 2021-05-18 | 汇鸿智能科技(辽宁)有限公司 | 金相组织识别方法、装置、计算机设备及存储介质 |
CN112819814A (zh) * | 2021-02-25 | 2021-05-18 | 汇鸿智能科技(辽宁)有限公司 | 金相组织的识别方法、装置、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201309A (zh) * | 2006-12-14 | 2008-06-18 | 上海梅山钢铁股份有限公司 | 测定热轧氧化铁皮及其中氧化物相面密度的方法和用途 |
US20090188589A1 (en) * | 2006-06-01 | 2009-07-30 | Honda Motor Co., Ltd. | High-strength steel sheet and process for producing the same |
JP2010014721A (ja) * | 2009-08-28 | 2010-01-21 | Jfe Steel Corp | 表面に酸化膜を有する鋼板の品質管理方法及び製造方法 |
CN101995349A (zh) * | 2009-08-10 | 2011-03-30 | 鞍钢股份有限公司 | 一种高钢级管线钢金相组织的腐蚀剂及显示方法 |
DE102014101318A1 (de) * | 2013-02-05 | 2014-08-07 | Benteler Automobiltechnik Gmbh | Verfahren zum Herstellen eines Kraftfahrzeugachsbauteils |
CN105241884A (zh) * | 2015-09-29 | 2016-01-13 | 沈阳大学 | 一种测定热轧碳钢氧化铁皮层中各相氧化物比例方法 |
CN110363253A (zh) * | 2019-07-25 | 2019-10-22 | 安徽工业大学 | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 |
CN111435121A (zh) * | 2018-12-26 | 2020-07-21 | 山西建龙实业有限公司 | 一种热轧钢带边裂缺陷的检测分析方法 |
-
2020
- 2020-09-17 CN CN202010978690.3A patent/CN112085727B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090188589A1 (en) * | 2006-06-01 | 2009-07-30 | Honda Motor Co., Ltd. | High-strength steel sheet and process for producing the same |
CN101201309A (zh) * | 2006-12-14 | 2008-06-18 | 上海梅山钢铁股份有限公司 | 测定热轧氧化铁皮及其中氧化物相面密度的方法和用途 |
CN101995349A (zh) * | 2009-08-10 | 2011-03-30 | 鞍钢股份有限公司 | 一种高钢级管线钢金相组织的腐蚀剂及显示方法 |
JP2010014721A (ja) * | 2009-08-28 | 2010-01-21 | Jfe Steel Corp | 表面に酸化膜を有する鋼板の品質管理方法及び製造方法 |
DE102014101318A1 (de) * | 2013-02-05 | 2014-08-07 | Benteler Automobiltechnik Gmbh | Verfahren zum Herstellen eines Kraftfahrzeugachsbauteils |
CN105241884A (zh) * | 2015-09-29 | 2016-01-13 | 沈阳大学 | 一种测定热轧碳钢氧化铁皮层中各相氧化物比例方法 |
CN111435121A (zh) * | 2018-12-26 | 2020-07-21 | 山西建龙实业有限公司 | 一种热轧钢带边裂缺陷的检测分析方法 |
CN110363253A (zh) * | 2019-07-25 | 2019-10-22 | 安徽工业大学 | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 |
Non-Patent Citations (2)
Title |
---|
MIKAKO TAKEDA等: "Physical Properties of Iron-Oxide Scales on Si-Containing Steels at High Temperature", 《MATERIALS TRANSACTIONS》, vol. 50, no. 9, pages 2242 - 2246, XP055242339, DOI: 10.2320/matertrans.M2009097 * |
赵小龙等: "钢坯在加热过程中的氧化机理及其研究综述", 《轧钢》, vol. 36, no. 6, pages 66 - 68 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819815A (zh) * | 2021-02-25 | 2021-05-18 | 汇鸿智能科技(辽宁)有限公司 | 金相组织识别方法、装置、计算机设备及存储介质 |
CN112819814A (zh) * | 2021-02-25 | 2021-05-18 | 汇鸿智能科技(辽宁)有限公司 | 金相组织的识别方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112085727B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110799B (zh) | 细胞分类方法、装置、计算机设备和存储介质 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN111340123A (zh) | 一种基于深度卷积神经网络的图像分数标签预测方法 | |
CN108009567B (zh) | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 | |
CN111680705B (zh) | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 | |
CN112085727B (zh) | 一种热轧钢材表面氧化铁皮结构智能识别方法 | |
CN108710893A (zh) | 一种基于特征融合的数字图像相机源模型分类方法 | |
CN112927783B (zh) | 图像检索方法及装置 | |
CN115731177A (zh) | 引入注意力机制和ConvNext网络的YOLO v5钢铁表面损伤的检测方法 | |
CN112329771A (zh) | 一种基于深度学习的建筑材料样本识别方法 | |
CN114399763A (zh) | 一种单样本与小样本微体古生物化石图像识别方法及*** | |
CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
CN117095248A (zh) | 一种基于生成式卷积神经网络的熔炉火焰氧浓度监测方法 | |
CN115423802A (zh) | 基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法 | |
CN111754459B (zh) | 基于统计深度特征的染色伪造图像检测方法及电子装置 | |
CN113989567A (zh) | 垃圾图片分类方法及装置 | |
CN113065407A (zh) | 基于注意力机制和生成对抗网络的财务票据***擦除方法 | |
Bai et al. | A convolutional neural network combined with color deconvolution for mitosis detection | |
CN118052814B (zh) | 基于ai技术的全自动标本前处理***及方法 | |
CN113112515B (zh) | 一种纹样图像分割算法评价方法 | |
CN111723709B (zh) | 一种基于深度卷积神经网络的蝇类面部识别方法 | |
Villareal et al. | Patch-based convolutional neural networks for TCGA-BRCA breast cancer classification | |
CN116071307A (zh) | 路面缺陷检测模型建立方法、检测方法、存储介质及设备 | |
CN116703848A (zh) | 金属表面缺陷检测方法、可读介质、装置 | |
CN116912587A (zh) | 一种基于多头自注意力模块网络的变电设备分类识别方法、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |