CN112446376A - 一种工业图像智能分割压缩方法 - Google Patents
一种工业图像智能分割压缩方法 Download PDFInfo
- Publication number
- CN112446376A CN112446376A CN201910838019.6A CN201910838019A CN112446376A CN 112446376 A CN112446376 A CN 112446376A CN 201910838019 A CN201910838019 A CN 201910838019A CN 112446376 A CN112446376 A CN 112446376A
- Authority
- CN
- China
- Prior art keywords
- frame
- anchor
- anchor frame
- industrial
- frames
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/119—Adaptive subdivision aspects, e.g. subdivision of a picture into rectangular or non-rectangular coding blocks
-
- 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)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种工业图像智能分割压缩方法。包括以下步骤:选取需处理的工业图像样本,人工标注真实兴趣框;输入卷积神经网络模型获取特征图;在特征图上的每一个点上生成不同大小与宽高比例的锚框;根据与真实兴趣框的重合程度提取锚框中的正负样本进行训练,根据正样本对锚框边框进行回归修正;采集现场工业图像生成锚框,使用训练好的锚框分类与边框回归器生成修正后的锚框,去重操作,提取正样本概率较高的锚框作为候选框;根据提出的候选区框,对工业图像进行分割存储。本方法针对工业图像中语义冗余信息较多,种类繁多但同类图像差别不大的特点,利用区域推荐网络,通过对少量样本的学习,减小了工业图像的大小,可以节省大量的存储空间。
Description
技术领域
本发明涉及工业图像压缩与人工智能两个交叉领域,具体说是利用人工智能技术,截取工业图像中人们真正感兴趣的部分,从而达到压缩的效果。
背景技术
工业图像处理对工业有着重要作用,常用的工业图像处理包括:元件表面检测、元件尺寸检测、元件位置校准、激光定位打印等。由于图像数据量的庞大,在存储、传输、处理时非常困难,因此图像数据的压缩就显得非常重要。数据压缩的任务是在不影响或者少影响图像质量的前提下,尽量减少表示数字图像时需要的数据量,其首要任务在于去除图像中的各种冗余数据。现有的图像压缩方法主要有,无损压缩方法,如行程长度编码法、熵编码法等,有损压缩方法,如色度抽样、变换编码、分形压缩等。该方法有以下不足:1)在大部分的工业图像中,人们感兴趣的图像只占整张图片的一部分,对整张图片进行压缩处理,会降低传输图片时的效率,同时浪费大量的存储空间。2)工业图像种类繁多,数量较大,但是同种工业设备产生的图像一般变化不大;现有的图像压缩技术利用图像本身的像素信息,在整张图片上进行压缩操作,而没有考虑具体的语义信息。3)现有的图像压缩技术较为成熟,没有太大的改进空间。
发明内容
针对上述技术不足,本发明的目的提供一种工业图像智能分割压缩方法。该方法利用工业图像中语义冗余信息较多,种类繁多但同种工业设备产生的图像差别不大,易学习的特点,利用少量的人工标注的训练样本,学习到该类工业图像中人们真正感兴趣的区域,并利用学习到的兴趣区域,合并分割出最终需要存储的工业图像。该方法不需要任何传统的图像处理技术,利用当前人工智能与图像检测领域中通用性强的区域推荐网络,降低了使用门槛,可以适用于大部分的工业图像;对于每类工业图像,只需要少量的数据标注与模型训练,迁移成本较低且效果较好。
本发明解决其技术问题所采用的技术方案是:一种工业图像智能分割压缩方法,包括如下步骤:
离线训练的步骤:工业图像预处理后输入卷积神经网络模型得到特征图,对特征图生成不同尺寸的多个锚框,再进行锚框二分类器训练得到锚框分类与边框回归器;
实际处理的步骤:采集现场工业图像,输入训练好的卷积神经网络模型、锚框分类与边框回归器,生成修正后的锚框并去重操作,提取锚框候选框;合并候选框并从工业图像中分割出来。
所述工业图像预处理包括:
选取需要处理的工业图像样本,人工标注真实兴趣框。
所述卷积神经网络模型包括:卷积层,激活函数,池化层,批标准化层;
卷积层:y=conv2d(x,W,bias,stride),x为输入特征,w为卷积核大小,bias是卷积操作后要加的偏差,stride为卷积操作的步长;
Relu激活函数:y=max(0,x);
池化层:y=maxpool2d(x,size,stride),x为输入特征,size为池化操作窗口大小,stride是池化窗口在特征图上的移动步长。
批标准化(batch normalization,BN)层:即把每次神经网络的输出都归一化为标准正态分布,从而使网络更好的收敛。
所述对特征图生成不同尺寸的多个锚框包括:
在图像特征图上的每一个点上生成不同面积大小与宽高比例的n个锚框,则一共产生w*h*n个锚框;其中,特征图的大小为(w,h,c),w,h,c分别代表特征图的宽、高、通道数。
所述锚框二分类器训练包括:
i.根据与真实兴趣框的重合程度提取锚框中的正负样本;
ii.根据正负样本对锚框二分类器进行训练,同时根据正样本对锚框边框进行回归修正,使锚框与真实兴趣框的重合度越来越高。
所述根据与真实兴趣框的重合程度提取锚框中的正负样本包括:
根据上一步生成的所有锚框与真实的兴趣区域重合程度IoU的大小,选取两类样本,标注正与负两类标签;所述重合度IoU的计算公式如下:
其中,A,B表示要计算重合程度的两个矩形框,即两个矩形框重合的面积除以两个矩形框覆盖的面积。
所述根据正负样本对锚框二分类器进行训练,同时根据正样本对锚框边框进行回归修正,使锚框与真实兴趣框的重合度越来越高,包括:
a.定义锚框的位置坐标:
tx=(x-xa)/wa,ty=(y-ya)/ha,tw=log(w/wa),th=log(h/ha),
x,y,w,h分别代表的矩形框的中心横坐标、中心纵坐标、宽和高,x,xa,x*分别代表横坐标的预测值、锚框值与真实值,y,ya,y*分别代表纵坐标的预测值、锚框值与真实值,w,wa,w*分别代表宽的预测值、锚框值与真实值,h,ha,h*分别代表高的预测值、锚框值与真实值;
b.定义最小化目标函数L({pi},{ti})由两部分组成如下:
i代表锚框的索引,pi代表第i个锚框是真实兴趣框的概率,如果锚框是正样本标签,则为1,如果锚框是负样本标签,则为0,ti是包含上述tx,ty,tw,th四个预测框参数化信息的向量,是包含上述四个真实兴趣框参数化信息的向量,Lcls是前景与背景的交叉熵损失函数,Lreg代表其中R是smooth L1函数,具体形式如下:
损失函数的两个部分分别用Ncls与Nreg来标准化,λ是平衡两部分损失函数的参数;
c.通过调整损失函数输出的pi与ti参数,对锚框进行修正,使其越来越靠近真实兴趣框。
所述提取锚框候选区域包括:
将筛选与修正后的锚框,按前景概率排序,选取选取排名靠前的预设数量锚框,进行非最大值抑制操作去除冗余的检测框,再次按前景概率排序获取最终的候选框。
所述合并候选框并从工业图像中分割出来是根据提出的最终候选框,选出能框住所有候选框的最小面积矩形框,将该框从工业图像中分割出来存储。
所述最小面积矩形框的获取如下:
其中i表示候选锚框编号,即对所有候选锚框的左上角坐标取最小值,对所有候选锚框的右下角坐标取最大值,得到要切割的矩形框(X1,Y1,X2,Y2)。
本发明具有以下有益效果及优点:
1.本发明方法可以利用少量的标注数据,结合区域推荐网络,快速学习到一类工业图像中的兴趣区域,且对于大部分的工业图像,有很好的压缩效果。
2.本发明方法迁移成本较低,对于每一类的工业图像,只需要少量的人为标注数据,就可以快速训练出压缩效果较好的模型。
3.本发明方法通用性较强,可以适用于大部分,不同分辨率的工业图像。
附图说明
图1是本方法的图像分割步骤流程示意图;
图2是本方法所使用的区域推荐网络的结构示意图;
图3是特征图上的一点生成锚框示意图;
图4是对锚框进行回归操作时的示意图。
图5是真实兴趣框效果图;
图6是候选兴趣框的效果图。
具体实施方式
下面结合附图及实施对本发明做进一步的详细说明。该区域推荐网络只是本方法的一种实现,任何其他形式的区域推荐网络计算方法均属于本专利范围。
本发明涉及一种工业图像智能分割压缩方法。包括以下步骤:数据预处理模块,选取少量需处理的工业图像样本,人工标注真实兴趣框;特征提取模块,将标注好的工业图像作为卷积神经网络模型的输入,输出图像特征图;锚框生成模块,在图像特征图上的每一个点上生成不同大小与比例的锚框;锚框修正模块,根据与真实兴趣框的重合程度,提取锚框中的正负样本,根据正负样本对锚框二分类器进行训练,同时根据正样本对锚框边框进行回归修正;候选区域生成模块,重新生成锚框,使用上一步中训练好的锚框分类与边框回归器,生成修正后的锚框,进行去重操作后,提取正样本概率较高的固定数量锚框作为候选区域;图像分割模块,根据提出的候选区域,对工业图像进行分割存储。本发明涉及的基于人工智能的工业图形智能分割方法,利用工业图像中语义冗余信息较多,种类繁多但同种工业设备产生的图像一般差别不大,易学习的特点,利用少量的人工标注的训练样本,学习到该类工业图像中人们感兴趣的区域,并利用学习到的兴趣区域,合并分割出最终需要存储的工业图像。该方法不需要任何传统的图像处理技术,利用当前人工智能与图像处理领域中通用性强的区域推荐网络模型,降低了使用门槛,可以适用于大部分的工业图像;且对于每类工业图像,只需要少量的数据标注与模型训练,迁移成本较低且效果较好。
如图1所示,本发明涉及一种工业图像智能分割压缩方法,该方法主要包括:
1)数据预处理模块,选取少量需处理的工业图像样本,人工标注真实兴趣框;
2)特征提取模块,将标注好的工业图像作为卷积神经网络模型的输入,输出图像特征图;
3)锚框生成模块,在图像特征图上的每一个点上生成不同大小与宽高比例的n个锚框;
4)锚框修正模块,根据与真实兴趣框的重合程度,提取锚框中的正负样本,根据正负样本对锚框二分类器进行训练,同时根据正样本对锚框边框进行回归修正,使其与人工标注的兴趣区域重合度越来越高;
5)候选区域生成模块,重新生成锚框,使用上一步中训练好的锚框分类与边框回归器,生成修正后的锚框,进行去重操作后,提取正样本概率较高的固定数量锚框作为候选区域;
6)图像分割模块,根据提出的候选区域,选出能框住所有候选框的最小面积矩形框,将该框从工业图像中分割出来存储。
(1)本方法首先在要处理的一类工业图像中,随机选取少量(100张以上)图片,根据此类工业图像的肉眼观察效果,调整至统一的舒适分辨率M*N;随后利用一些目标检测数据集制作小工具,如开源的LabelImg等,将图片中兴趣区域对应的位置用矩形框出,与标签信息一同处理成PASCAL VOC标准的xml文件,PASCAL VOC是目标检测数据统一标准之一。最后将xml文件中的(x1,y1,x2,y2,1)信息解析成对应的表格文件供后续程序使用,一张图对一个表格文件,其中(x1,y1)是左上角坐标,(x2,y2)是右下角坐标,标签1表示该区域是兴趣区域。
(2)将标注好的,调整至统一分辨率M*N的工业图像作为卷积神经网络模型的输入,输出图像特征图,大小为(w,h,c),其中w、h、c分别代表特征图的宽、高、通道数;本模型可以对不同类的工业图像用少量的数据进行训练,因此卷积神经网络模型不宜过大,能简单提取出图像特征,供后续任务使用即可。本模型的卷积神经网络借鉴了经典的VGG16网络结构,全部采用3*3的卷积核,具体结构如图2所示。
(3)卷积神经网络输出的大小为m*n特征图上的每个点,例如,按照面积大小比为[8,16,32],宽高比为[0.5,1,2],共产生3*3=9个锚框,可以检测出不同尺度大小的兴趣区域,具体如图3所示。
(4)锚框的筛选与修正模块。首先,给上一步生成的所有锚框与真实的兴趣区域,选取两种情况下的样本,打上正(前景)样本标签:一种情况是真实兴趣框重合度最高的锚框,另一种情况是与真实兴趣框重合度大于70%的锚框;选取一类样本,打上负(背景)样本标签:与所有真实兴趣框重合度小于30%的锚框。
重合度用IoU(Intersection over Union)计算,计算公式如下:
其中A,B表示要计算重合程度的两个矩形框,即两个矩形框重合的面积除以两个矩形框覆盖的面积。
将正样本分成训练集和验证集,训练集用于执行如下a-c迭代计算操作,验证集用于验证是否符合要求,从而获取迭代计算的训练次数的截止条件。
a.对其进行边框的回归修正,使其与人工标注的兴趣区域重合度越来越高;
tx=(x-xa)/wa,ty=(y-ya)/ha,tw=log(w/wa),th=log(h/ha),
如图4所示,x,y,w,h分别代表的矩形框的中心横坐标、中心纵坐标、宽和高,x,xa,x*分别代表预测值,锚框值与真实值(对y,w,h同样适用),这可以视为一个锚框与距离它最近的真实兴趣框的边界框回归。
b.根据上述定义,最小化目标函数L({pi},{ti})由两部分组成,具体形式如下所示:
i代表锚框的索引,pi代表第i个锚框是真实兴趣框的概率,如果锚框是正样本标签,则为1,如果锚框是负样本标签,则为0,ti是包含上述tx,ty,tw,th四个预测框参数化信息的向量,是包含上述四个真实兴趣框参数化信息的向量,Lcls是两分类(前景与背景)的交叉熵损失函数,Lreg代表其中R是smooth L1函数。
c.损失函数的两个部分分别用Ncls与Nreg来标准化,λ是平衡两部分损失函数的参数。通过损失函数输出的pi与ti参数,对锚框进行修正,使其越来越靠近真实兴趣框。
候选区域生成模块。将筛选与修正后的锚框,再次按前景概率排序,提取选取排名靠前的固定数量锚框,进行非最大值抑制操作(non maximum suppression,NMS)。非最大值抑制操作的目的是去除冗余的检测框,即两个检测框的IoU大于一定阈值的时候,只保留前景概率较大的那个检测框。多个检测框进行非最大值抑制操作,可以同理进行迭代,最后只保留一个前景概率最大的检测框。将非最大值抑制操作后剩余的锚框再次按照前景概率排序,选取排名靠前的固定数量锚框作为最终的候选区域。图5是真实兴趣框效果图,生成的候选区域如图6所示。
(5)图像分割模块,根据提出的候选区域,选出能框住所有候选框的最小面积矩形框,将该框从工业图像中分割出来存储。
其中,i表示锚框编号,即对所有有锚框的左上角坐标取最小值,对所有锚框的右下角坐标取最大值,得到要切割的矩形框(X1,Y1,X2,Y2)。
Claims (10)
1.一种工业图像智能分割压缩方法,其特征在于包括如下步骤:
离线训练的步骤:工业图像预处理后输入卷积神经网络模型得到特征图,对特征图生成不同尺寸的多个锚框,再进行锚框二分类器训练得到锚框分类与边框回归器;
实际处理的步骤:采集现场工业图像,输入训练好的卷积神经网络模型、锚框分类与边框回归器,生成修正后的锚框并去重操作,提取锚框候选框;合并候选框并从工业图像中分割出来。
2.根据权利要求1所述的一种工业图像智能分割压缩方法,其特征在于所述工业图像预处理包括:
选取需要处理的工业图像样本,人工标注真实兴趣框。
3.根据权利要求1所述的一种工业图像智能分割压缩方法,其特征在于所述卷积神经网络模型包括:卷积层,激活函数,池化层,批标准化层;
卷积层:y=conv2d(x,W,bias,stride),x为输入特征,w为卷积核大小,bias是卷积操作后要加的偏差,stride为卷积操作的步长;
Relu激活函数:y=max(0,x);
池化层:y=maxpool2d(x,size,stride),x为输入特征,size为池化操作窗口大小,stride是池化窗口在特征图上的移动步长。
批标准化(batch normalization,BN)层:即把每次神经网络的输出都归一化为标准正态分布,从而使网络更好的收敛。
4.根据权利要求1所述的一种工业图像智能分割压缩方法,其特征在于所述对特征图生成不同尺寸的多个锚框包括:
在图像特征图上的每一个点上生成不同面积大小与宽高比例的n个锚框,则一共产生w*h*n个锚框;其中,特征图的大小为(w,h,c),w,h,c分别代表特征图的宽、高、通道数。
5.根据权利要求1所述的一种工业图像智能分割压缩方法,其特征在于所述锚框二分类器训练包括:
i.根据与真实兴趣框的重合程度提取锚框中的正负样本;
ii.根据正负样本对锚框二分类器进行训练,同时根据正样本对锚框边框进行回归修正,使锚框与真实兴趣框的重合度越来越高。
7.根据权利要求5所述的一种工业图像智能分割压缩方法,其特征在于所述根据正负样本对锚框二分类器进行训练,同时根据正样本对锚框边框进行回归修正,使锚框与真实兴趣框的重合度越来越高,包括:
a.定义锚框的位置坐标:
tx=(x-xa)/wa,ty=(y-ya)/ha,tw=log(w/wa),th=log(h/ha),
x,y,w,h分别代表的矩形框的中心横坐标、中心纵坐标、宽和高,x,xa,x*分别代表横坐标的预测值、锚框值与真实值,y,ya,y*分别代表纵坐标的预测值、锚框值与真实值,w,wa,w*分别代表宽的预测值、锚框值与真实值,h,ha,h*分别代表高的预测值、锚框值与真实值;
b.定义最小化目标函数L({pi},{ti})由两部分组成如下:
i代表锚框的索引,pi代表第i个锚框是真实兴趣框的概率,如果锚框是正样本标签,则为1,如果锚框是负样本标签,则为0,ti是包含上述tx,ty,tw,th四个预测框参数化信息的向量,是包含上述四个真实兴趣框参数化信息的向量,Lcls是前景与背景的交叉熵损失函数,Lreg代表其中R是smooth L1函数,具体形式如下:
损失函数的两个部分分别用Ncls与Nreg来标准化,λ是平衡两部分损失函数的参数;
c.通过调整损失函数输出的pi与ti参数,对锚框进行修正,使其越来越靠近真实兴趣框。
8.根据权利要求1所述的一种工业图像智能分割压缩方法,其特征在于所述提取锚框候选区域包括:
将筛选与修正后的锚框,按前景概率排序,选取选取排名靠前的预设数量锚框,进行非最大值抑制操作去除冗余的检测框,再次按前景概率排序获取最终的候选框。
9.根据权利要求1所述的一种工业图像智能分割压缩方法,其特征在于所述合并候选框并从工业图像中分割出来是根据提出的最终候选框,选出能框住所有候选框的最小面积矩形框,将该框从工业图像中分割出来存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910838019.6A CN112446376B (zh) | 2019-09-05 | 2019-09-05 | 一种工业图像智能分割压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910838019.6A CN112446376B (zh) | 2019-09-05 | 2019-09-05 | 一种工业图像智能分割压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446376A true CN112446376A (zh) | 2021-03-05 |
CN112446376B CN112446376B (zh) | 2023-08-01 |
Family
ID=74733253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910838019.6A Active CN112446376B (zh) | 2019-09-05 | 2019-09-05 | 一种工业图像智能分割压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446376B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378864A (zh) * | 2021-08-16 | 2021-09-10 | 浙江啄云智能科技有限公司 | 一种锚框参数的确定方法、装置、设备及可读存储介质 |
CN113838210A (zh) * | 2021-09-10 | 2021-12-24 | 西北工业大学 | 一种将超声图像转换为3d模型的方法及装置 |
CN115102982A (zh) * | 2021-11-19 | 2022-09-23 | 北京邮电大学 | 一种面向智能任务的语义通信方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376681A (zh) * | 2018-11-06 | 2019-02-22 | 广东工业大学 | 一种多人姿态估计方法及*** |
US20190095730A1 (en) * | 2017-09-25 | 2019-03-28 | Beijing University Of Posts And Telecommunications | End-To-End Lightweight Method And Apparatus For License Plate Recognition |
WO2019128646A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳励飞科技有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN110111328A (zh) * | 2019-05-16 | 2019-08-09 | 上海中认尚科新能源技术有限公司 | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 |
-
2019
- 2019-09-05 CN CN201910838019.6A patent/CN112446376B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190095730A1 (en) * | 2017-09-25 | 2019-03-28 | Beijing University Of Posts And Telecommunications | End-To-End Lightweight Method And Apparatus For License Plate Recognition |
WO2019128646A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳励飞科技有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN109376681A (zh) * | 2018-11-06 | 2019-02-22 | 广东工业大学 | 一种多人姿态估计方法及*** |
CN110111328A (zh) * | 2019-05-16 | 2019-08-09 | 上海中认尚科新能源技术有限公司 | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378864A (zh) * | 2021-08-16 | 2021-09-10 | 浙江啄云智能科技有限公司 | 一种锚框参数的确定方法、装置、设备及可读存储介质 |
CN113378864B (zh) * | 2021-08-16 | 2021-11-12 | 浙江啄云智能科技有限公司 | 一种锚框参数的确定方法、装置、设备及可读存储介质 |
CN113838210A (zh) * | 2021-09-10 | 2021-12-24 | 西北工业大学 | 一种将超声图像转换为3d模型的方法及装置 |
CN115102982A (zh) * | 2021-11-19 | 2022-09-23 | 北京邮电大学 | 一种面向智能任务的语义通信方法 |
CN115102982B (zh) * | 2021-11-19 | 2023-06-23 | 北京邮电大学 | 一种面向智能任务的语义通信方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112446376B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461212B (zh) | 一种用于点云目标检测模型的压缩方法 | |
CN112446376B (zh) | 一种工业图像智能分割压缩方法 | |
CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和*** | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN112580647A (zh) | 一种面向堆叠物体的识别方法及*** | |
WO2022148109A1 (zh) | 产品缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN110705412A (zh) | 一种基于运动历史图像的视频目标检测方法 | |
CN111161213B (zh) | 一种基于知识图谱的工业产品缺陷图像分类方法 | |
CN111368636A (zh) | 目标分类方法、装置、计算机设备和存储介质 | |
CN112287941A (zh) | 一种基于自动字符区域感知的车牌识别方法 | |
CN114648714A (zh) | 一种基于yolo的车间规范行为的监测方法 | |
CN114170511A (zh) | 基于Cascade RCNN的路面裂缝病害识别方法 | |
CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其*** | |
CN115240020A (zh) | 基于弱光补偿的MaskRCNN渗水检测方法及*** | |
CN116152226A (zh) | 基于可融合的特征金字塔的换向器内侧图像缺陷检测方法 | |
CN114882011A (zh) | 一种基于改进Scaled-YOLOv4模型的织物瑕疵检测方法 | |
CN114972246A (zh) | 一种基于深度学习的模切产品表面缺陷检测方法 | |
CN113221991A (zh) | 一种利用深度学习重新标注数据集的方法 | |
CN113065400A (zh) | 基于无锚框两阶段网络检测******的方法及装置 | |
CN116542962A (zh) | 一种基于改进Yolov5m模型光伏电池缺陷检测方法 | |
CN113902765B (zh) | 基于全景分割的半导体自动分区方法 | |
CN112070048B (zh) | 基于RDSNet的车辆属性识别方法 | |
CN110826564A (zh) | 一种复杂场景图像中的小目标语义分割方法及*** | |
CN111401356A (zh) | 一种基于深度学习的快递单手写体电话号码识别方法 | |
CN113066075B (zh) | 一种多图像融合的牛仔布瑕疵检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |