CN113240671B - 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法 - Google Patents

一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法 Download PDF

Info

Publication number
CN113240671B
CN113240671B CN202110666330.4A CN202110666330A CN113240671B CN 113240671 B CN113240671 B CN 113240671B CN 202110666330 A CN202110666330 A CN 202110666330A CN 113240671 B CN113240671 B CN 113240671B
Authority
CN
China
Prior art keywords
network
defect detection
defect
yolov4
lite
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
Application number
CN202110666330.4A
Other languages
English (en)
Other versions
CN113240671A (zh
Inventor
刘成
余波
巫尚蔚
周群
李显勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Science and Technology
Original Assignee
Chongqing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Science and Technology filed Critical Chongqing University of Science and Technology
Priority to CN202110666330.4A priority Critical patent/CN113240671B/zh
Publication of CN113240671A publication Critical patent/CN113240671A/zh
Application granted granted Critical
Publication of CN113240671B publication Critical patent/CN113240671B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V10/40—Extraction of image or video features
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及水轮机转轮叶片的缺陷检测技术领域，具体公开了一种基于YoloV4‑Lite网络的水轮机转轮叶片缺陷检测方法，包括步骤：S1：基于YoloV4‑Lite网络构建缺陷检测网络；S2：对水轮机转轮叶片的不同缺陷处进行图片采集，得到千张以上缺陷图片；S3：对步骤S2采集的缺陷图片进行预处理(使用LabelImg软件按照Pascal VOC 2012格式处理)，得到数据集；S4：采用所述数据集对所述缺陷检测网络进行训练、测试和验证。本发明将YoloV4‑Lite的主干提取网络CSPDarkNet53网络替换为MobileNet网络，MobileNet网络是一种实时轻量型网络，可以提高检测网络速度，大幅度降低网络参数。实验结果表明，缺陷检测网络可以达到97.48％的准确率，且MobileNetV3的网络参数量只需要37.35MB，比CSPDarkNet53降低了206.94MB，FPS达到44.68，具有高准确率、低内存存储、实时性优势。

Description

一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法
技术领域
本发明涉及水轮机转轮叶片的缺陷检测技术领域，尤其涉及一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法。
背景技术
目前，水轮机转轮叶片检测所采用的方法大多是人工检测，但人工检测精度低、成本高、工作风险大。人工检查时，水轮机需要停止运行，每次人工检查需要一周左右的时间，这将带来巨大的经济损失。因此，从传统的人工检测向机器检测转变就显得尤为重要。在机器检测过程中，选择更合适的算法将决定故障检测的准确性。
为了解决样本处理过程中分布不均匀的问题，目前有方法利用MC-SMOTE算法将样本划分为不同的聚类，然后进行分类，应用于风电叶片结冰的实际工业生产问题。分类结果表明MC-SMOTE比经典SMOTE具有更高的分类性能。
目前还有基于SCADA数据的风电机组故障检测方法，该方法可以提取风电机组***的故障特征，并将其应用于机组故障检测。结果也证明了该方法具有一定的预测检测能力。
目前还有方法通过使用LSTM网络，预测正常运行的风力发电机的时间序列数据。仿真结果表明，该方法能够快速检测出可能的水轮机***故障。
目前还有方法将半监督学习方法应用于风力发电机组的故障检测中，采用NSGA-II方法选择特征参数，采用软标签和二进制支持向量机进行半监督故障检测。同时，该方法可以在***崩溃之前预测***故障，从而减少资源消耗。
目前还有方法通过采集风力发电机发出的时域信号，并将其转换成二维矩阵，形成二维图像。然后通过图像识别分析图像的纹理特征，并对这些故障进行了分类。结果表明，该方法能够对风力发电机最常见的故障进行分类检测。
目前还有方法通过迭代非线性滤波器来消除重噪声，提取弱故障振动特征。以形态分析为基础，将其应用于风力发电机叶片轴承的故障检测。结果表明，该方法优于一些常规的轴承故障诊断方法。
目前，由于水轮机尺寸较大，故障数据采集困难，目前没有学者对水轮机转轮叶片表面缺陷检测等相关内容进行研究。
发明内容
本发明提供一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，解决的技术问题在于：如何对水轮机转轮叶片的表面缺陷进行精准的机器检测。
为解决以上技术问题，本发明提供一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，包括步骤：
S1：基于YoloV4-Lite网络构建缺陷检测网络；
S2：对水轮机转轮叶片的不同缺陷处进行图片采集，得到千张以上缺陷图片；
S3：对步骤S2采集的缺陷图片进行预处理，得到数据集；
S4：采用所述数据集对所述缺陷检测网络进行训练、测试和验证。
进一步地，所述步骤S1具体为：
将YoloV4-Lite网络的主干特征提取网络CSPDarkNet53替换为MobileNet网络，将YoloV4-Lite网络的加强特征提取网络PaNet的1x1和3x3的标准卷积替换为深度可分离卷积，构建缺陷检测网络。
优选的，替换的MobileNet网络为MobileNetV3网络。
进一步地，所述缺陷检测网络在254层采用空间金字塔池化网络SPPNet，以进一步提取图片特征；在270层采用上采样层与181层结合，并卷积5次，作为第一个预测层；将69层与299层结合，作为第二个预测层；将268层与392层结合，作为第三个预测层。
进一步地，所述步骤S3进行图像预处理包括步骤：
S31：对步骤S2采集的缺陷图片进行筛选，保留与输入尺寸要求接近的缺陷图片；
S32：对步骤S31筛选后的缺陷图片进行标签标注；
S33：将步骤S32标注后的缺陷图片修改为VOC数据格式，得到用于输入所述缺陷检测网络的数据集。
进一步地，所述步骤S4中，对所述缺陷检测网络进行训练的迭代次数为N+M次，其中前N代学习率为0.001，后M代学习率为0.0001。
进一步地，N＝M＝1000。
进一步地，步骤S2中采集时针对的缺陷为气蚀和裂纹。
进一步地，所述步骤S4具体包括步骤：
S41：将所述数据集分为训练集、测试集和验证集，所述训练集中包括相同数量的气蚀图像和裂纹图像；
S42：采用所述训练集对所述缺陷检测网络进行训练；
S43：采用所述测试集对训练后的所述缺陷检测网络进行测试，以及采用所述验证集对训练后的所述缺陷检测网络及用于对比的其他网络模型进行验证。
进一步地，所述缺陷检测网络的宽度乘子α＝1.0，分辨率乘子β＝1.0。
本发明提供的一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，将YoloV4-Lite的主干提取网络CSPDarkNet53网络替换为MobileNet网络，为了进一步减少参数量和运算量，还将加强特征提取网络(PaNet网络)的1x1和3x3的标准卷积替换为深度可分离卷积，得到缺陷检测网络以应用于大型水轮机转轮叶片主要表面缺陷检测中。MobileNet网络是一种实时轻量型网络，可以提高检测网络速度，大幅度降低网络参数。实验结果表明，缺陷检测网络可以达到97.48％的准确率，且MobileNetV3的网络参数量只需要37.35MB，比CSPDarkNet53降低了206.94MB，FPS达到44.68，具有高准确率、低内存存储、实时性优势。
附图说明
图1是本发明实施例提供的一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法的步骤图；
图2是本发明实施例提供的DW卷积和PW卷积的结构图；
图3是本发明实施例提供的缺陷检测网络的结构图；
图4是本发明实施例提供的气蚀缺陷和裂纹缺陷的照片图；
图5是本发明实施例提供的气蚀缺陷和裂纹缺陷的实验结果图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
为了对水轮机转轮叶片的表面缺陷进行精准的机器检测，本发明实施例提供一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，采用深度学习领域的YoloV4-Lite算法对水轮机转轮叶片的表面缺陷(气蚀、裂纹等)进行检测，并对该算法进行改进。如图1所示，该方法主要包括步骤：
S1：基于YoloV4-Lite网络构建缺陷检测网络；
S2：对水轮机转轮叶片的不同缺陷处进行图片采集，得到千张以上缺陷图片；
S3：对步骤S2采集的缺陷图片进行预处理，得到数据集；
S4：采用所述数据集对所述缺陷检测网络进行训练、测试和验证。
针对步骤S1，水轮机转轮叶片表面的缺陷，一般通过检测设备或检测机器人检测，这就要求检测网络模型是实时轻量型。目前的实时轻量型YoloV4-Lite网络适用于在便携嵌入式设备中运行的实时轻量化目标检测算法，其主干特征提取网络由CSPDarkNet53构成，其存在Resblock_body模块，其由一次下采样和多次残差结构的堆叠构成，并且使用了CSPnet结构，内存存储需求大，实时性效果差。这是因为YoloV4-Lite网络的主干提取网络采用的是CSPDarkNet53网络，该网络的网络参数量较大，因此会占用较多的内存。本步骤S1具体是：将YoloV4-Lite网络的主干特征提取网络CSPDarkNet53替换为MobileNet网络。
MobileNet网络是一种保证准确率的前提下能够提高运行速度的轻量型DCNN网络。相比传统卷积神经网络，准确率有小幅度降低，但网络的参数量和运算量被大幅度降低(相比VGG16准确率减少了0.9％，但模型参数只有VGG的1/32，FLOPs只有1/27)。
MobileNet网络使用Depthwise Convolution(DW卷积，深度卷积)和1x1Pointwise Convolution(PW卷积，逐点卷积)代替传统标准卷积。在传统卷积中，每个卷积核的通道与输入特征矩阵的通道相等，而在DW卷积中，每个卷积核的通道都等于1。如果想改变输出特征矩阵的通道，那只需要在DW卷积后接上一个PW卷积即可，如图2所示。DW卷积和PW卷积一起称作深度可分离卷积(Depthwise Separable Convolution)。
Dk是卷积核的大小，DF是输入特征图，M是输入特征矩阵的通道数，N是输出特征矩阵的通道数，mobileNet网络中DW卷积都是使用3x3大小的卷积核。
标准卷积的计算量为：
DK×DK×M×N×DF×DF (1)
标准卷积的参数量为：
DK×DK×M×N (2)
深度可分离卷积的计算量为：
DK×DK×M×DF×DF+M×N×DF×DF (3)
深度可分离卷积的参数量为：
DK×DK×M×N+DK×DK×N (4)
将式(3)与式(1)相除：
Figure BDA0003116956300000061
将3x3卷积核代入计算，可得深度可分离卷积的计算量约为标准卷积的1/9。
输入图像大小都为416×416×3，输入尺寸为1.98MB时，不考虑Residualarchitecture(残差结构)、Pooling layer(池化层)、Activation function(激活函数)、BNlayer(批归一化层)与FC layer(全连接层)的影响情况下，将CSPDarkNet53和MobileNet(V1、V2、V3)的参数量进行对比，如表1所示。
表1网络模型参数量
Figure BDA0003116956300000062
为了进一步减少参数量和运算量，本发明还将YoloV4-Lite网络的加强特征提取网络PaNet的1x1和3x3的标准卷积替换为深度可分离卷积，最终基于YoloV4-Lite网络构建了用于检测水轮机转轮叶片表面缺陷的缺陷检测网络，缺陷检测网络的架构如图3所示。
表2优化前后网络参数量对比
Figure BDA0003116956300000063
对于步骤S2，由于水轮机在日常运行维护的时间周期较长，一般为一年一次或一年2次，其采集的叶片数据很少，无法支撑深度学习所需的数据集要求，故实施例的数据集是人为在水轮机叶片上制作出缺陷进行拍摄而得。主要检测缺陷目标为气蚀(QS)、裂纹(lw)，部分缺陷图如图4所示。
对于步骤S3，在收集满足网络训练所需的图片过程中，需要对步骤S2采集的缺陷图片进行预处理。具体的，S3包括步骤：
S31：对步骤S2采集的缺陷图片进行筛选，保留与输入尺寸要求接近的缺陷图片，从而去除分辨率过大或过小的图片；
S32：利用labelImg软件对步骤S31筛选后的缺陷图片进行标签标注；
S33：将步骤S32标注后的缺陷图片修改为VOC数据格式(Pascal VOC 2012格式)，得到用于输入所述缺陷检测网络的数据集。
标签标注工作环境是：Windows10(AMD Ryzen 7 4800H with Radeon Graphics八核)；内存8GB；显卡是Nvidia GeForce GTX 1650(显存4GB)。
最后本实施例处理得到2080张的不同缺陷图片。其中气蚀(800张)和裂纹(800张)作为训练集，320张作为验证集，160张作为测试集。
对于步骤S4，在训练时，按照batch_size(批量大小)批量训练输入到网络中，反向传播更新和保存权重，训练次数达到指定迭代次数停止训练，训练网络中的可调超参数如下表3所示。对所述缺陷检测网络进行训练的迭代次数为N+M次，其中前N代学习率为0.001，后M代学习率为0.0001，这里N＝M＝1000。
表3可调超参数
Figure BDA0003116956300000071
其中，MobileNetV3采用深度可分离卷积并使用h-swish激活函数。整个缺陷检测网络在254层采用空间金字塔池化网络SPPNet，以进一步提取图片特征；在270层采用上采样层与181层结合，并卷积5次，作为第一个预测层；将69层与299层结合，作为第二个预测层；将268层与392层结合，作为第三个预测层。最后以2080张的不同缺陷图片作为数据集进行训练、测试和验证。
实验网络训练工作环境：Ubuntu(Core [email protected]六核)；金士顿DDR42666MHz(内存8GB)；显卡是Nvidia GeForce GTX 1660 SUPER(显存6GB)；Cuda 10.2；cuDNN7.6。
本实施例采用AP(准确率)、F1(F1-measure)、mAP(mean Average Precision)、FPS(Frame Per Second，每秒帧率)以及参数量去评判一个网络是否适合一个工况。YoloV4-Lite网络选取DarkNet53、CSPDarkNet53、MobileNetV1、MobileNetV2、MobileNetV3作为主干提取网络进行训练，其实验结果如下表4。
表4不同主干提取网络2000代训练结果
Figure BDA0003116956300000081
每个网络结构进行了2000代。从表4可以看出，CSPDarkNet53的mAP比DarkNet53高出0.41％，FPS下降了4.53，参数量高达244.29MB，比DarkNet53增加了7.97MB，由此可以看出以CSPDarkNet53为主干特征提取网络是很难满足便携式嵌入式和设备的需求。MobileNetV3与CSPDarkNet53比较，mAP提升了3.27％，网络检测缺陷的准确率得到了提升，FPS达到44.68，一秒内可以处理44张图像，提升了27.74，并且参数量只需要37.35MB，降低了206.94MB。综上所述，MobileNetV3具有更高的准确率，更好的速度，更低的参数量，它的优势能够满足便携式嵌入式和设备的需求，因此YoloV4-Lite选取MobileNetV3作为主干特征提取网络。
以MobileNetV3作为主干特征提取网络，进行2000代训练，对lw和QS缺陷识别，实验结果如图5所示，可以快速准确地识别缺陷，lw的识别率最高达到99％(0.99)，QS可以达到96％(0.96)。由此可以得出，本实施例的缺陷检测网络可以很好地满足便携设备的实时性和准确性。
综上所述，本发明实施例提出的一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，将YoloV4-Lite的主干提取网络替换成MobileNetV3，并将其应用到大型水轮机叶轮叶片主要表面缺陷检测中。实验结果表明，缺陷检测网络可以达到97.48％的准确率，且MobileNetV3的参数量比CSPDarkNet53降低了206.94MB，说明本发明提出的缺陷检测网络在水轮机转轮叶片缺陷检测方面具有高检测率、低内存存储、实时性优势。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，其特征在于，包括步骤：
S1：基于YoloV4-Lite网络构建缺陷检测网络；
所述步骤S1具体为：将YoloV4-Lite网络的主干特征提取网络CSPDarkNet53替换为MobileNetV3网络，将YoloV4-Lite网络的加强特征提取网络PaNet的1x1和3x3的标准卷积替换为深度可分离卷积，构建缺陷检测网络；所述缺陷检测网络在254层采用空间金字塔池化网络SPPNet，以进一步提取图片特征；在270层采用上采样层与181层结合，并卷积5次，作为第一个预测层；将69层与299层结合，作为第二个预测层；将268层与392层结合，作为第三个预测层；
S2：对水轮机转轮叶片的不同缺陷处进行图片采集，得到千张以上缺陷图片；
S3：对步骤S2采集的缺陷图片进行预处理，得到数据集；
S4：采用所述数据集对所述缺陷检测网络进行训练、测试和验证。
2.根据权利要求1所述的一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，其特征在于，所述步骤S3进行图像预处理包括步骤：
S31：对步骤S2采集的缺陷图片进行筛选，保留与输入尺寸要求接近的缺陷图片；
S32：对步骤S31筛选后的缺陷图片进行标签标注；
S33：将步骤S32标注后的缺陷图片修改为VOC数据格式，得到用于输入所述缺陷检测网络的数据集。
3.根据权利要求1或2所述的一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，其特征在于：所述步骤S4中，对所述缺陷检测网络进行训练的迭代次数为N+M次，其中前N代学习率为0.001，后M代学习率为0.0001。
4.根据权利要求3所述的一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，其特征在于：N＝M＝1000。
5.根据权利要求4所述的一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，其特征在于：步骤S2中采集时针对的缺陷为气蚀和裂纹。
6.根据权利要求5所述的一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，其特征在于，所述步骤S4具体包括步骤：
S41：将所述数据集分为训练集、测试集和验证集，所述训练集中包括相同数量的气蚀图像和裂纹图像；
S42：采用所述训练集对所述缺陷检测网络进行训练；
S43：采用所述测试集对训练后的所述缺陷检测网络进行测试，以及采用所述验证集对训练后的所述缺陷检测网络及用于对比的其他网络模型进行验证。
7.根据权利要求6所述的一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法，其特征在于：所述缺陷检测网络的宽度乘子α＝1.0，分辨率乘子β＝1.0。
CN202110666330.4A 2021-06-16 2021-06-16 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法 Active CN113240671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110666330.4A CN113240671B (zh) 2021-06-16 2021-06-16 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110666330.4A CN113240671B (zh) 2021-06-16 2021-06-16 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法

Publications (2)

Publication Number Publication Date
CN113240671A CN113240671A (zh) 2021-08-10
CN113240671B true CN113240671B (zh) 2022-06-24

Family

ID=77140096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110666330.4A Active CN113240671B (zh) 2021-06-16 2021-06-16 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法

Country Status (1)

Country Link
CN (1) CN113240671B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850324B (zh) * 2021-09-24 2022-08-16 郑州大学 一种基于Yolov4的多光谱目标检测方法
CN113865870A (zh) * 2021-09-30 2021-12-31 昆明理工大学 基于小波改进的MobileNet网络的轴承故障边缘诊断方法及***
CN114022748B (zh) * 2022-01-06 2022-04-08 深圳市海清视讯科技有限公司 目标识别方法、装置、设备及存储介质
CN114596335B (zh) * 2022-03-01 2023-10-31 广东工业大学 一种无人艇目标检测追踪方法及***
CN114431957B (zh) * 2022-04-12 2022-07-29 北京长木谷医疗科技有限公司 基于深度学习的全膝关节置换术后翻修术前规划***
CN115170829A (zh) * 2022-08-03 2022-10-11 无锡中车时代智能装备研究院有限公司 发电机转子通风孔异物监控识别***及方法
CN116298674B (zh) * 2023-02-14 2023-12-26 四川轻化工大学 基于MobileNetV3的同杆双回线路故障选相

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365478A (zh) * 2020-11-13 2021-02-12 上海海事大学 一种基于语义分割的电机换向器表面缺陷检测模型

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833328B (zh) * 2020-07-14 2023-07-25 汪俊 基于深度学习的飞机发动机叶片表面缺陷检测方法
CN112163545A (zh) * 2020-10-12 2021-01-01 北京易华录信息技术股份有限公司 一种头部特征提取方法、装置、电子设备及存储介质
CN112651966A (zh) * 2021-01-18 2021-04-13 厦门大学嘉庚学院 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法
CN112907523A (zh) * 2021-02-04 2021-06-04 中山大学 一种基于轻量化网络的工业产品表面缺陷检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365478A (zh) * 2020-11-13 2021-02-12 上海海事大学 一种基于语义分割的电机换向器表面缺陷检测模型

Also Published As

Publication number Publication date
CN113240671A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN113240671B (zh) 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法
CN111507990B (zh) 一种基于深度学习的隧道表面缺陷分割方法
CN106600577B (zh) 一种基于深度反卷积神经网络的细胞计数方法
CN108898560B (zh) 基于三维卷积神经网络的岩心ct图像超分辨率重建方法
CN107610194B (zh) 基于多尺度融合cnn的磁共振图像超分辨率重建方法
Gao et al. A Novel Deep Convolutional Neural Network Based on ResNet‐18 and Transfer Learning for Detection of Wood Knot Defects
CN112541511A (zh) 基于卷积神经网络的多通道时间序列数据故障诊断方法
CN114973032A (zh) 一种基于深度卷积神经网络的光伏板热斑检测方法及装置
CN111951289B (zh) 一种基于BA-Unet的水下声呐图像数据分割方法
CN110490188A (zh) 一种基于ssd网络改进型的目标物体快速检测方法
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
CN113192076A (zh) 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法
CN115170816A (zh) 多尺度特征提取***、方法和风机桨叶缺陷检测方法
CN115830436A (zh) 一种基于深度学习的海洋生物智能检测方法
CN112347531A (zh) 一种脆性大理石三维裂纹扩展路径预测方法及***
CN117521512A (zh) 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法
CN116309155A (zh) 基于卷积和转换器混合网络的图像修复方法、模型和装置
Yang et al. A global interactive attention-based lightweight denoising network for locating internal defects of CFRP laminates
CN114092467A (zh) 一种基于轻量化卷积神经网络的划痕检测方法及***
CN116797594A (zh) 一种风机桨叶缺陷检测方法、***、电子设备及存储介质
CN112146880A (zh) 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法
Gan et al. Application study of PointNet++ and hybrid filtering based point cloud denoising and segmentation algorithms for Blisk
Chen et al. Attention mechanism-based CNN for surface damage detection of wind turbine blades
Min et al. Research on real-time detection algorithm of rail-surface defects based on improved YOLOX
Liu et al. Method for detecting surface defects of runner blades of large hydraulic turbines based on improved real-time lightweight network

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