CN112949666B - 一种剥锌机故障阴极板图像识别方法 - Google Patents
一种剥锌机故障阴极板图像识别方法 Download PDFInfo
- Publication number
- CN112949666B CN112949666B CN201911175301.7A CN201911175301A CN112949666B CN 112949666 B CN112949666 B CN 112949666B CN 201911175301 A CN201911175301 A CN 201911175301A CN 112949666 B CN112949666 B CN 112949666B
- Authority
- CN
- China
- Prior art keywords
- fault
- cathode plate
- data set
- network
- target detection
- 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.)
- Active
Links
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 title claims abstract description 34
- 239000011701 zinc Substances 0.000 title claims abstract description 34
- 229910052725 zinc Inorganic materials 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000013135 deep learning Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000011056 performance test Methods 0.000 abstract description 3
- 230000003321 amplification Effects 0.000 abstract 1
- 238000003199 nucleic acid amplification method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005868 electrolysis reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
- G06N3/04—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
- G06T5/00—Image enhancement or restoration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种剥锌机故障阴极板图像识别方法,包括:数据采集,从现场采集剥锌机阴极板图像数据,分别构建阴极板图像分类和故障阴极板区域目标检测训练及测试数据集;数据扩增,对训练样本集中的每张图片分别进行对比度调整、亮度调整和镜像变换扩充训练样本量;模型训练,将扩充后的训练样本集分别加入构建的深度学习分类识别和深度学习目标检测网络,通过训练获得故障阴极板识别模型;模型性能测试,先将测试数据集输入到分类网络初步判断是否为故障阴极板,若为故障阴极板则将图像输入到深度学习目标检测网络,获得故障阴极板检测结果。试验证明了本发明:鲁棒性强,识别速度快,能有效提高故障阴极板识别精度。
Description
技术领域
本发明涉及图像识别技术领域,具体地涉及一种剥锌机故障阴极板图像识别方法。
背景技术
目前,锌电解工艺中,锌电解液电解后析出锌片附着在阴极板上,自动剥板装置会通过剥刀将附着在阴极板上的锌片剥离。由于工艺参数的不稳定,剥刀在剥离锌片的过程,会存在剥离不干净的问题,导致阴极板上残留锌片。这种有残留的故障阴极板需要人工查看识别然后进行二次剥离,这大大降低了企业的生产效率。因此使用图像识别故障阴极板,非接触,速度快可代替人工,具有很大的实际价值。
深度学习这个技术术语是由深度学习泰斗Hinton在2006年被首次提出来,在最近的十年得到了快速发展。深度卷积神经网络通过模拟人脑信息处理和反馈的机制,建立卷积结构,实现对外部输入进行信息的逐步抽取,对输入进行理解和分析后获得有用信息。深度学习技术在图像分类和目标检测领域得到了广泛的应用。
图像识别应用于工业现场,对工业生产企业减员增效具有重大意义。目前,传统的基于图像处理的方法在故障阴极板的识别中,使用故障阴极板残留物的纹理,梯度等特征信息为参考标准进行识别。在实际生产中,生产车间环境复杂(外部光照,车间灯光等),并且锌电解工艺具有一定的不稳定性,导致剥锌机故障阴极板的形态呈现多样性。这些因素制约着基于传统图像处理对故障阴极板识别的稳定性和精度的提升。另外传统的图像处理方法需要根据特定的识别对象设计特征提取算法,大大增加工程应用的开发难度。
发明内容
本发明的目的在于解决传统图像处理方法在剥锌机故障阴极板识别过程中环境适应性差,误检率和漏检率高的问题,提出了一种基于深度学习的剥锌机故障阴极板识别方法。结合现场对实时性要求以及工况特点,深度学习图像分类识别速度快且准确,可用于阴极板的初步判断,深度学习目标检测能够精确定位,可用于进一步判断阴极板故障区域,方便后续执行机构根据坐标位置准确动作。将深度学习分类识别和目标检测技术结合应用于剥锌机故障阴极板识别,具有鲁棒性强,实时性好,检测的精度高的特点。
本发明通过以下技术方案来实现上述目的:一种剥锌机故障阴极板图像识别方法,包括以下步骤:
S1、从现场采集剥锌机故障阴极板图像数据,分别构建故障阴极板图像分类和故障区域目标检测训练及测试数据集。
S2、对训练样本集中的每张图片分别进行对比度调整、亮度调整和镜像变换扩充训练样本量;
S3、构建基于深度卷积神经网络的故障阴极板检测网络,包括:
(1)构建故障阴极板分类识别网络;
(2)构建故障阴极板故障区域目标检测网络;
S4、将所述步骤S2中的扩充后的训练样本集作为输入图像输入所述步骤S3中构建的分类网络和目标检测网络进行学习训练;
S5、将测试数据集输入所述步骤S4中训练完成的分类模型中和目标检测网络中,得到测试数据集的故障检测结果。先将测试数据集输入到分类网络初步判断是否为故障阴极板,若为故障阴极板则将图像输入到深度学习目标检测网络,获得故障阴极板检测结果。
优选地,所述S1包括:
S1-1从现场采集剥锌机故障阴极板图像数据,对每张故障阴极板原始图片分别进行分辨率降低;
S1-2故障阴极板分类训练及测试数据集构建:制作分类数据集标签,将所述的样本组成分类数据集,其中随机抽取80%的样本作为训练数据集,20%的样本作为测试数据集;
S1-3故障阴极板故障区域目标检测数据集构建:标注故障阴极板故障区域的目标边框坐标及类别信息,将所述的样本组成故障阴极板故障区域目标检测数据集,其中随机抽取80%的样本作为训练数据集,20%的样本作为测试数据集;
优选地,所述S2包括:
S2-1对步骤S1-2和步骤S1-3所述的分类和目标检测训练数据集进行对比度调整:
OutImage=α*InputImage α∈(1,1.3]
上式中,IutImage为对比度调整后输出图片,InputImage为输入的原始图片,α为对比度系数。
对于每幅图片,对比度调整重复5次,每次的对比度系数取值在(1,1.3]范围内随机。
S2-2对步骤S1-2和步骤S1-3所述的分类和目标检测训练数据集进行亮度调整:
OutImage=InputImage+β β∈(0,20]
上式中,OutImage为对比度调整后输出图片,InputImage为输入的原始图片,β为亮度系数。
对于每幅图片,亮度调整重复5次,每次的亮度系数取值在(0,20]范围内随机。
S2-3对步骤S1-2和步骤S1-3所述的分类和目标检测训练数据集进行镜像图像增强,对每幅图像数据分别进行水平和垂直镜像扩充样本。
优选地,所述S3包括:
S3-1上述深度学习分类识别网络包括AlexNet、Resnet、vgg-16、vgg-19和inception网络;
S3-2上述深度学习目标检测网络包括faster-rcnn、yolov3、retinanet和ssd;
S3-3上述深度学习分类识别网络的代价函数使用二值交叉熵损失函数进行评价;
S3-4上述深度学习目标检测网络的代价函数使用focal-loss损失函数进行评价;
优选地,所述S4包括:
S4-1将扩充后的分类训练数据集,输入深度学习二分类识别网络进行训练;
S4-2将扩充后的故障阴极板故障区域目标检测训练数据集,输入深度学习目标检测网络进行残留物目标检测训练;
S4-3上述深度学习分类识别网络和深度学习目标检测网络直到代价函数收敛到一定数值时训练完成,保存当前较优的深度学习分类识别网络和深度学习目标检测网络模型。
优选地,所述步骤S5中将测试数据集依次输入训练完成的深度学习分类识别网络和深度学习目标检测网络,输出是否为故障阴极板,若为故障阴极板,则给出故障阴极板残留物的坐标信息。
优选地,所述步骤S5中,首先将测试数据集输入分类识别网络,网络初步判断是否为故障阴极板;其次将存在残留物故障阴极板图像输入到深度学习目标检测网络,进一步确定残留物的具***置信息和置信度,并用矩形框框出。
本发明的有效增益在于:结合现场对实时性要求以及工况特点,深度学习图像分类识别速度快且准确,可用于阴极板的初步判断,深度学习目标检测能够精确定位,可用于进一步判断阴极板故障区域,方便后续执行机构根据坐标位置准确动作。将深度学习分类识别和目标检测技术结合应用于剥锌机故障阴极板识别,解决了传统图像处理方法在剥锌机故障阴极板识别过程中环境适应性差,误检率和漏检率高的问题,与传统的图像处理法相比本发明的方法具有鲁棒性强,实时性好,检测的精度高的特点。
上述技术方案仅为本发明实施例的一些部分,本领域技术人员从以下本发明的详细描述中可以导出和理解包含了本发明的技术特征的各种实施例。
本领域技术人员将会理解,通过本发明可以实现的效果不限于上文已经具体描述的内容,并且从以下详细说明中将更清楚地理解本发明的其他优点。
附图说明
被包括以提供对本发明的进一步理解的附图示出本发明的实施例,并且与说明书一起用于解释本发明的原理。
图1是本发明提供的一种剥锌机故障阴极板图像识别方法的工作流程图。
图2是本发明模型性能测试流程图。
图3是本发明实施例中的待检测故障阴极板图。
图4是为正常阴极板图。
图5是本发明实施例中的故障阴极板检测结果示例。
具体实施方式
现在将详细参考本发明的示例性实施例,其示例在附图中示出。下面将参考附图给出的详细描述旨在解释本发明的示例性实施例,而不是示出可以根据本发明实现的唯一实施例。以下详细描述包括具体细节以便提供对本发明的透彻理解。然而,对于本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下实践本发明。
在一些情况下,已知的结构和设备被省略或以框图形式示出,集中于结构和设备的重要特征,以免模糊本发明的概念。在整个说明书中将使用相同的附图标记来表示相同或相似的部分。
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“中心”、“内”、“外”、“顶”、“底”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发明和简化描述,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发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;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。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
图1示出了本发明实施例提供的一种剥锌机故障阴极板图像识别方法的流程图。如图1所示,一种剥锌机故障阴极板图像识别方法包括以下步骤:
S1、从现场采集剥锌机阴极板图像数据,分别构建阴极板图像分类和故障区域目标检测训练及测试数据集,实施例中采用的是德国basler品牌的像素为500万,帧率为20帧/s的彩色工业相机。
S1-1从现场采集剥锌机阴极板图像数据,对每张故障阴极板原始图片分别进行分辨率降低,实施例中训练图片的输入分辨率大小为512*512;
S1-2阴极板分类训练及测试数据集构建:制作分类数据集标签,将所述的样本组成分类数据集,其中随机抽取80%的样本作为训练数据集,20%的样本作为测试数据集;
S1-3故障阴极板故障区域目标检测数据集构建:标注故障阴极板故障区域的目标边框坐标及类别信息,将所诉的样本组成故障阴极板故障区域目标检测数据集,其中随机抽取80%的样本作为训练数据集,20%的样本作为测试数据集;
S2、对训练样本集中的每张图片分别进行对比度调整、亮度调整和镜像变换扩充训练样本量;
S2-1对步骤S1-2和步骤S1-3所述的分类和目标检测训练数据集进行对比度调整:
OutImage=α*Imputimage α∈(1,1.3]
上式中,OutImage为对比度调整后输出图片,InputImage为输入的原始图片,α为对比度系数。
对于每幅图片,对比度调整重复5次,每次的对比度系数取值在(1,1.3]范围内随机。
S2-2对步骤S1-2和步骤S1-3所述的分类和目标检测训练数据集进行亮度调整:
OutImag=InputImag+β β∈(0,20]
上式中,OutImage为对比度调整后输出图片,InputImage为输入的原始图片,β为亮度系数。
对于每幅图片,亮度调整重复5次,每次的亮度系数取值在(0,20]范围内随机。
S2-3对步骤S12和步骤S13所述的分类和目标检测训练数据集进行镜像图像增强,对每幅图像数据分别进行水平和垂直镜像扩充样本。
S3、构建基于深度卷积神经网络的故障阴极板检测网络,本实施例中综合考虑剥锌机故障阴极板的特征多样性、训练样本量以及现场对实时性的要求,分类网络使用基于改进的Alexnet网络结构,分类网络包含4层的卷积和3层全连接,卷积核采用统一的5*5大小的卷积核,每层卷积后采用最大池化方式,最后一层采用softmax输出二类结果。本实施例中使用faster-rcnn目标检测网络作为故障阴极板残留目标识别,为解决正负样本不均衡问题,将faster-rcnn目标检测网络的类别损失函数修改为,
classloss=-(1-p)γlog(p)
其中,p为目标检测网络输出的类别置信度,γ为指数系数,本实施例中取值为2。
S4、将所述步骤S2中的扩充后的训练样本集作为输入图像输入所述步骤S3中构建的分类网络和目标检测网络进行学习训练;
S4-1将扩充后的分类训练数据集,输入深度学习二分类识别网络进行训练;
S4-2将扩充后的故障阴极板故障区域目标检测训练数据集,输入深度学习目标检测网络进行残留物目标检测训练;
S4-3上述深度学习分类识别网络和深度学习目标检测网络的直到代价函数收敛到一定数值时训练完成,保存当前较优的深度学习分类识别网络和深度学习目标检测网络模型。
S5、将测试数据集输入到所述步骤S4中训练完成的分类模型中和目标检测网络中,得到测试数据集的故障检测结果。
如图2所示,一种剥锌机故障阴极板图像识别方法的模型性能测试详细过程如下:
(1)获得已建立好的测试数据集;
(2)首先将测试数据集输入到深度学习分类识别模型中;
(3)深度学习分类识别模型判断是否为故障阴极板(如图3是本发明实施例中一种待检测故障阴极板图);
(4)若判断为故障阴极板则将输入数据输入到深度学习目标检测模型中,否则,输出信息,该阴极板为正常(如图4是为正常阴极板图示例)。
(5)判断为故障阴极板的输入数据经过深度学习目标检测模型,输出故障阴极板残留物的位置信息和置信度。
结合现场对实时性要求以及工况特点,深度学习图像分类识别速度快且准确,可用于图像的初步判断,深度学习目标检测能够精确定位,可用于进一步判断故障区域,方便后续执行机构根据坐标位置准确动作。
本发明使用的深度学习框架为tensorflow,使用的是Nvidia RTX-TITAN系列GPU运算卡作为本实施例的运算。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本申请可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现。基于这样的理解,本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
如上所述,已经给出了本发明的优选实施例的详细描述,以使本领域技术人员能够实施和实践本发明。虽然已经参照示例性实施例描述了本发明,但是本领域技术人员将会理解,在不脱离所附权利要求书中描述的本发明的精神或范围的情况下,可以在本发明中进行各种修改和改变。因此,本发明不应限于在此描述的特定实施例,而应被赋予与本文公开的原理和新颖特征一致的最宽范围。
Claims (4)
1.一种剥锌机故障阴极板图像识别方法,其特征在于,包括:
S1、从现场采集剥锌机阴极板图像数据,分别构建阴极板图像分类和故障阴极板区域目标检测的训练数据集及测试数据集;
S2、对训练样本集中的每张图片分别进行对比度调整、亮度调整和镜像变换扩充训练样本量;
S3、构建基于深度卷积神经网络的故障阴极板检测网络,包括:
(1)构建阴极板分类识别网络;
(2)构建故障阴极板故障区域目标检测网络;
S4、将所述步骤S2中的扩充后的训练样本集作为输入图像输入所述步骤S3中构建的分类网络和目标检测网络进行学习训练;
S5、将测试数据集输入所述步骤S4中训练完成的分类模型中和目标检测网络中,得到测试数据集的故障检测结果,其中先将测试数据集输入到分类网络初步判断是否为故障阴极板,如果为故障阴极板则将图像输入到深度学习目标检测网络,获得故障阴极板检测结果;
所述步骤S5中,首先将测试数据集输入分类识别网络,网络初步判断是否为故障阴极板;其次将存在残留的故障阴极板图像输入到深度学习目标检测网络,进一步确定残留物的具***置信息和置信度,并用矩形框框出;
所述步骤S2包括:
S2-1对步骤S1-2和步骤S1-3所述的分类和目标检测训练数据集进行对比度调整:
OutImage=a*InputImage α∈(1,1.3]
上式中,OutImage为对比度调整后输出图片,InputImage为输入的原始图片,a为对比度系数;
对于每幅图片,对比度调整重复5次,每次的对比度系数取值在(1,1.3]范围内随机;
S2-2对步骤S1-2和步骤S1-3所述的分类和目标检测训练数据集进行亮度调整:
OutImage=InputImage+β β∈(0,20]
上式中,OutImage为亮度调整后输出图片,InputImage为输入的原始图片,β为亮度系数;
对于每幅图片,亮度调整重复5次,每次的亮度系数取值在(0,20]范围内随机;
S2-3对步骤S1-2和步骤S1-3所述的分类和目标检测训练数据集进行镜像图像增强,对每幅图像数据分别进行水平和垂直镜像扩充样本;
分类网络使用基于改进的Alexnet网络结构,分类网络包含4层的卷积和3层全连接,卷积核采用统一的5*5大小的卷积核,每层卷积后采用最大池化方式,最后一层采用softmax输出二类结果;使用faster-rcnn目标检测网络作为故障阴极板残留目标识别,为解决正负样本不均衡问题,将faster-rcnn目标检测网络的类别损失函数修改为,
classloss=-(1-p)γlog(p)
其中,p为目标检测网络输出的类别置信度,γ为指数系数,取值为2。
2.根据权利要求1所述的一种剥锌机故障阴极板图像识别方法,其特征在于,所述步骤S1包括:
S1-1从现场采集剥锌机故障阴极板图像数据,对每张故障阴极板原始图片分别进行分辨率降低;
S1-2构建故障阴极板分类训练及测试数据集:制作分类数据集标签,将所述的样本组成分类训练数据集,其中随机抽取80%的样本作为分类训练数据集,20%的样本作为测试数据集;
S1-3构建故障阴极板故障区域目标检测数据集:标注故障阴极板故障区域的目标边框坐标及类别信息,将所述的样本组成故障阴极板故障区域目标检测数据集,其中随机抽取80%的样本作为训练数据集,20%的样本作为测试数据集。
3.根据权利要求1所述的一种剥锌机故障阴极板图像识别方法,其特征在于,所述步骤S4包括:
S4-1将扩充后的分类训练数据集,输深度学习二分类识别网络进行训练;
S4-2将扩充后的故障阴极板故障区域目标检测训练数据集,输入深度学习目标检测网络进行残留物目标检测训练;
S4-3上述深度学习分类识别网络和深度学习目标检测网络的直到代价函数收敛到一定数值时训练完成,保存当前较优的深度学习分类识别网络和深度学习目标检测网络模型。
4.根据权利要求1所述的一种剥锌机故障阴极板图像识别方法,其特征在于:
所述步骤S5中将测试数据集依次输入训练完成的深度学习分类识别网络和深度学习目标检测网络,输出是否为故障阴极板,如果为故障阴极板,则给出残留物的坐标信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175301.7A CN112949666B (zh) | 2019-11-26 | 2019-11-26 | 一种剥锌机故障阴极板图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175301.7A CN112949666B (zh) | 2019-11-26 | 2019-11-26 | 一种剥锌机故障阴极板图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949666A CN112949666A (zh) | 2021-06-11 |
CN112949666B true CN112949666B (zh) | 2024-04-26 |
Family
ID=76225244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911175301.7A Active CN112949666B (zh) | 2019-11-26 | 2019-11-26 | 一种剥锌机故障阴极板图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949666B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723400A (zh) * | 2021-08-23 | 2021-11-30 | 中南大学 | 一种基于红外图像的电解槽极板故障识别方法、***、终端及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330453A (zh) * | 2017-06-19 | 2017-11-07 | 中国传媒大学 | 基于分步识别和融合关键部位检测的色情图像识别方法 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
CN108852268A (zh) * | 2018-04-23 | 2018-11-23 | 浙江大学 | 一种消化内镜图像异常特征实时标记***及方法 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10748271B2 (en) * | 2018-04-25 | 2020-08-18 | Applied Materials Israel Ltd. | Method of defect classification and system thereof |
-
2019
- 2019-11-26 CN CN201911175301.7A patent/CN112949666B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
CN107330453A (zh) * | 2017-06-19 | 2017-11-07 | 中国传媒大学 | 基于分步识别和融合关键部位检测的色情图像识别方法 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN108852268A (zh) * | 2018-04-23 | 2018-11-23 | 浙江大学 | 一种消化内镜图像异常特征实时标记***及方法 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
Non-Patent Citations (3)
Title |
---|
不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究;包萍;刘运节;;电子测量与仪器学报(03);全文 * |
基于神经网络的多类别目标识别;赵静;王弦;王奔;蒋国平;谢非;徐丰羽;;控制与决策(08);全文 * |
自然场景中Logo标识检测训练数据生成方法研究;欧啸天;胡伟;;电子设计工程;20180405(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949666A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
CN109859171A (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN109919934B (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN109087294A (zh) | 一种产品缺陷检测方法、***及计算机可读存储介质 | |
CN111597941B (zh) | 一种面向大坝缺陷图像的目标检测方法 | |
CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、***及光伏电池组件生产线 | |
CN109087305A (zh) | 一种基于深度卷积神经网络的裂缝图像分割方法 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN110309843A (zh) | 一种电力设备图像中多类部件的自动识别方法 | |
CN111986145A (zh) | 一种基于Faster-RCNN的轴承滚子瑕疵检测方法 | |
CN112949666B (zh) | 一种剥锌机故障阴极板图像识别方法 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN116228670A (zh) | 基于Yolov5的光伏缺陷检测方法、装置、计算机设备及介质 | |
CN117670820B (zh) | 一种塑料薄膜生产缺陷检测方法及*** | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN113808104A (zh) | 一种基于分块的金属表面缺陷检测方法及*** | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN113191977A (zh) | 一种用于恶劣环境条件下目标检测识别的图像增强*** | |
CN113205136A (zh) | 一种用于电源适配器外观缺陷的实时高精度检测方法 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及*** | |
Di et al. | Research on Real-Time Power Line Damage Detection Method Based on YOLO Algorithm |
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 |