CN113435261A - 一种基于视觉弱光环境的洞穴渗透缺陷识别方法 - Google Patents

一种基于视觉弱光环境的洞穴渗透缺陷识别方法 Download PDF

Info

Publication number
CN113435261A
CN113435261A CN202110633535.2A CN202110633535A CN113435261A CN 113435261 A CN113435261 A CN 113435261A CN 202110633535 A CN202110633535 A CN 202110633535A CN 113435261 A CN113435261 A CN 113435261A
Authority
CN
China
Prior art keywords
cave
region
network
image
penetration
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.)
Pending
Application number
CN202110633535.2A
Other languages
English (en)
Inventor
何斌
缪奇航
李刚
沈润杰
陈杰
陆萍
周艳敏
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202110633535.2A priority Critical patent/CN113435261A/zh
Publication of CN113435261A publication Critical patent/CN113435261A/zh
Pending legal-status Critical Current

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于视觉弱光环境的洞穴渗透缺陷识别方法，具体包括：S1、获取洞穴渗透缺陷图像；S2、经数据增强算法进行扩充；S3、标注渗透缺陷；S4、输入到卷积神经网络进行特征提取，得到特征图；S5、特征图输入到区域候选网络中进行训练，得到目标区域和初始区域候选网络；S6、采用NMS算法筛选出感兴趣区域，输入到Faster RCNN网络中进行训练，得到初始Faster RCNN网络；S7、对初始Faster RCNN网络和初始区域候选网络的卷积层进行共享，同时进行训练并微调超参数，更新后经组合得到统一神经网络；S8、获取实时采集的洞穴图像，由统一神经网络进行识别并输出标记有渗透缺陷的洞穴图像。与现有技术相比，本发明具有提高识别渗透缺陷的效率和准确率等优点。

Description

一种基于视觉弱光环境的洞穴渗透缺陷识别方法
技术领域
本发明涉及无人机视觉识别领域，尤其是涉及一种基于视觉弱光环境的洞穴渗透缺陷识别方法。
背景技术
近些年，随着无人机技术的飞速发展，无人机的应用价值也越来越大。将无人机用于洞穴探测，具有低成本、安全、作业灵活的特点，改善了传统的人工探测效率低、危险性及不可预测性大、劳动强度大的弊端。无人机在视觉弱光环境下的飞行探测过程中所获得的洞穴图像的可识别度以及清晰度都影响着人们对目标的判断。在对洞穴图像的处理中，图像渗透缺陷识别是其关键所在。为了提高图像渗透缺陷识别精度，研究人员提出了很多图像缺陷识别算法。但是，在视觉弱光的环境下，无人机获得的洞穴渗透缺陷图像识别精度过低。近些年，提出的超快速目标区域检测算法(Faster RCNN)可避免图像特征重复计算，逐渐被用于图像缺陷识别中，但Faster RCNN需要对每个目标区域分类处理，因此计算效率低。
因此，现有技术对视觉弱光环境下无人机获得的洞穴图像中的图像缺陷检测方法，存在着检测准确率低下以及检测效率低下等问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的检测准确率低下以及检测效率低下的缺陷而提供一种基于视觉弱光环境的洞穴渗透缺陷识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于视觉弱光环境的洞穴渗透缺陷识别方法，用于无人机对视觉弱光环境下洞穴渗透缺陷进行识别，具体包括以下步骤：
S1、获取无人机在视觉弱光环境下飞行过程中采集到的洞穴渗透缺陷图像以及非缺陷图像，得到原始数据集；
S2、通过数据增强算法增加所述原始数据集中缺陷样本图像的数量，得到扩充后的数据集；
S3、对所述扩充后的数据集中洞穴渗透缺陷图像进行标注，并且将经过标注后的洞穴渗透缺陷图像作为样本集；
S4、将所述经过标注后的洞穴渗透缺陷图像输入到卷积神经网络进行渗透缺陷特征的提取，得到无人机在视觉弱光环境下洞穴渗透缺陷图像对应的特征图；
S5、所述特征图输入到区域候选网络中进行训练，得到包含渗透缺陷特征的目标区域以及初始区域候选网络；
S6、采用非极大值抑制(NMS)算法从所述目标区域中筛选出感兴趣区域，再将所述感兴趣区域输入到Faster RCNN网络中进行训练，得到初始Faster RCNN网络；
S7、对所述初始Faster RCNN网络和初始区域候选网络的卷积层进行共享，基于初始Faster RCNN网络对初始区域候选网络进行训练且微调超参数，得到更新后的区域候选网络，同时，对初始Faster RCNN网络的超参数进行微调，得到更新后的Faster RCNN网络，将更新后的区域候选网络和Faster RCNN网络进行组合得到统一神经网络；
S8、获取无人机在视觉弱光环境下实时采集的洞穴图像，输入至所述统一神经网络，所述统一神经网络进行识别并输出标记有渗透缺陷的洞穴图像。
所述无人机为具有独立飞行功能的多旋翼无人机。
所述步骤S2中数据增强算法具体包括以下步骤：
S201、对所述洞穴渗透缺陷图像加入随机高斯噪声，得到有噪声干扰的样本图像；
S202、将所述有噪声干扰的样本图像旋转多种角度，得到多种旋转角度下的样本图像；
S203、构建生成式对抗网络，将所述多种旋转角度下的样本图像输入至所述生成式对抗网络，将所述生成式对抗网络输出的图片加入到原始数据集中，得到扩充后的数据集。
进一步地，所述生成式对抗网络包括解码器、鉴别器以及编码器。
所述步骤S5中具体通过使用区域候选网络的卷积核和特征图进行卷积，得到包含渗透缺陷特征的目标区域以及初始区域候选网络。
所述步骤S6中采用非极大值抑制算法从所述目标区域中筛选出感兴趣区域的过程具体包括以下步骤：
S601、计算所述洞穴渗透缺陷图像的边缘像素点的梯度值；
S602、计算所述洞穴渗透缺陷图像的梯度幅值；
S603、根据所述洞穴渗透缺陷图像的梯度值以及梯度幅值计算边缘像素点的最大梯度差；
S604、根据所述边缘像素点的最大梯度差，找到局部梯度差最大的边缘像素点；
S605、在梯度方向上，将局部梯度差最大的边缘像素点之外的其他像素点的梯度值设置为零，从而缩小目标区域的范围，得到所述感兴趣区域。
所述目标区域的数量为特征图的面积的倍数。
所述Faster RCNN网络包含ROI池化层。
进一步地，所述感兴趣区域输入到Faster RCNN网络中进行训练的过程具体包括以下步骤：
S606、将所述感兴趣区域输入到所述Faster RCNN网络的ROI池化层中；
S607、通过所述池化层筛选得到感兴趣区域中的正样本和负样本；
S608、将所述正正样本和负样本输入至Faster RCNN网络的全连接层中进行数据处理操作并计算相应的损失；
S609、根据计算得到的损失，计算洞穴渗透缺陷图像的损失率；
S610、通过所述损失率判断Faster RCNN网络的训练效果。
进一步地，所述Faster RCNN网络的全连接层中进行的数据处理操作的类型包括分类处理和位置边框回归处理。
所述步骤S3中对所述扩充后的数据集中洞穴渗透缺陷图像进行标注的具体过程为标注出所述洞穴渗透缺陷图像中图像缺陷的实际目标区域。
进一步地，所述步骤S607中筛选正样本和负样本的过程具体为计算感兴趣区域与标注的实际目标区域的重叠比例，若所述重叠比例大于正样本比例则对应的感兴趣区域设置为正样本，若所述重叠比例小于负样本比例则对应的感兴趣区域设置为负样本。
与现有技术相比，本发明具有以下有益效果：
1.本发明通过对视觉弱光环境下无人机获得的洞穴渗透缺陷图像的渗透缺陷特征进行提取，再基于区域候选网络获取目标区域，从而筛选出质量高的目标区域，提高了识别渗透缺陷的效率。
2.本发明通过构建生成式对抗网络对原本数据集进行数据增强，从而扩大了原始数据集，提高了渗透缺陷识别的准确率。
3.本发明基于非极大值抑制(NMS)算法从目标区域中提取出感兴趣区域，有效改善了Faster RCNN网络在边缘处理上的不足。
4.本发明通过共享初始Faster RCNN网络和初始区域候选网络的卷积层，大幅度提高了渗透缺陷的识别速率，从而使得识别效率得到大大提升。
附图说明
图1为本发明的流程示意图；
图2为本发明中数据增强算法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1所示，一种基于视觉弱光环境的洞穴渗透缺陷识别方法，用于无人机对视觉弱光环境下洞穴渗透缺陷进行识别，具体包括以下步骤：
S1、获取无人机在视觉弱光环境下飞行过程中采集到的洞穴渗透缺陷图像以及非缺陷图像，得到原始数据集；
S2、通过数据增强算法增加原始数据集中缺陷样本图像的数量，得到扩充后的数据集；
S3、对扩充后的数据集中洞穴渗透缺陷图像进行标注，并且将经过标注后的洞穴渗透缺陷图像作为样本集；
S4、将经过标注后的洞穴渗透缺陷图像输入到卷积神经网络进行渗透缺陷特征的提取，得到无人机在视觉弱光环境下洞穴渗透缺陷图像对应的特征图；
S5、特征图输入到区域候选网络中进行训练，得到包含渗透缺陷特征的目标区域以及初始区域候选网络；
S6、采用非极大值抑制(NMS)算法从目标区域中筛选出感兴趣区域，再将感兴趣区域输入到Faster RCNN网络中进行训练，得到初始Faster RCNN网络；
S7、对初始Faster RCNN网络和初始区域候选网络的卷积层进行共享，基于初始Faster RCNN网络对初始区域候选网络进行训练且微调超参数，得到更新后的区域候选网络，同时，对初始Faster RCNN网络的超参数进行微调，得到更新后的Faster RCNN网络，将更新后的区域候选网络和Faster RCNN网络进行组合得到统一神经网络；
S8、获取无人机在视觉弱光环境下实时采集的洞穴图像，输入至统一神经网络，统一神经网络进行识别并输出标记有渗透缺陷的洞穴图像。
无人机为具有独立飞行功能的多旋翼无人机。
如图2所示，步骤S2中数据增强算法具体包括以下步骤：
S201、对洞穴渗透缺陷图像加入随机高斯噪声，得到有噪声干扰的样本图像；
S202、将有噪声干扰的样本图像旋转多种角度，得到多种旋转角度下的样本图像；
S203、构建生成式对抗网络，将多种旋转角度下的样本图像输入至生成式对抗网络，将生成式对抗网络输出的图片加入到原始数据集中，得到扩充后的数据集。
生成式对抗网络包括解码器、鉴别器以及编码器。
步骤S5中具体通过使用区域候选网络的卷积核和特征图进行卷积，得到包含渗透缺陷特征的目标区域以及初始区域候选网络。
步骤S6中采用非极大值抑制算法从目标区域中筛选出感兴趣区域的过程具体包括以下步骤：
S601、计算洞穴渗透缺陷图像的边缘像素点的梯度值；
S602、计算洞穴渗透缺陷图像的梯度幅值；
S603、根据洞穴渗透缺陷图像的梯度值以及梯度幅值计算边缘像素点的最大梯度差；
S604、根据边缘像素点的最大梯度差，找到局部梯度差最大的边缘像素点；
S605、在梯度方向上，将局部梯度差最大的边缘像素点之外的其他像素点的梯度值设置为零，从而缩小目标区域的范围，得到感兴趣区域。
目标区域的数量为特征图的面积的倍数，本实施例中，特征图具体为长宽比为H*L的特征图，则区域候选网络输出H*L*3*3个目标区域。
Faster RCNN网络包含ROI池化层。
感兴趣区域输入到Faster RCNN网络中进行训练的过程具体包括以下步骤：
S606、将感兴趣区域输入到Faster RCNN网络的ROI池化层中；
S607、通过池化层筛选得到感兴趣区域中的正样本和负样本；
S608、将正正样本和负样本输入至Faster RCNN网络的全连接层中进行数据处理操作并计算相应的损失；
S609、根据计算得到的损失，计算洞穴渗透缺陷图像的损失率；
S610、通过损失率判断Faster RCNN网络的训练效果。
Faster RCNN网络的全连接层中进行的数据处理操作的类型包括分类处理和位置边框回归处理。
步骤S3中对扩充后的数据集中洞穴渗透缺陷图像进行标注的具体过程为标注出洞穴渗透缺陷图像中图像缺陷的实际目标区域。
步骤S607中筛选正样本和负样本的过程具体为计算感兴趣区域与标注的实际目标区域的重叠比例，若重叠比例大于正样本比例则对应的感兴趣区域设置为正样本，若重叠比例小于负样本比例则对应的感兴趣区域设置为负样本，本实施例中，正样本比例具体为0.8，负样本比例具体为0.2。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于视觉弱光环境的洞穴渗透缺陷识别方法，其特征在于，具体包括以下步骤：
S1、获取无人机在视觉弱光环境下飞行过程中采集到的洞穴渗透缺陷图像以及非缺陷图像，得到原始数据集；
S2、通过数据增强算法增加所述原始数据集中缺陷样本图像的数量，得到扩充后的数据集；
S3、对所述扩充后的数据集中洞穴渗透缺陷图像进行标注，并且将经过标注后的洞穴渗透缺陷图像作为样本集；
S4、将所述经过标注后的洞穴渗透缺陷图像输入到卷积神经网络进行渗透缺陷特征的提取，得到无人机在视觉弱光环境下洞穴渗透缺陷图像对应的特征图；
S5、所述特征图输入到区域候选网络中进行训练，得到包含渗透缺陷特征的目标区域以及初始区域候选网络；
S6、采用非极大值抑制算法从所述目标区域中筛选出感兴趣区域，再将所述感兴趣区域输入到Faster RCNN网络中进行训练，得到初始Faster RCNN网络；
S7、对所述初始Faster RCNN网络和初始区域候选网络的卷积层进行共享，基于初始Faster RCNN网络对初始区域候选网络进行训练且微调超参数，得到更新后的区域候选网络，同时，对初始Faster RCNN网络的超参数进行微调，得到更新后的Faster RCNN网络，将更新后的区域候选网络和Faster RCNN网络进行组合得到统一神经网络；
S8、获取无人机在视觉弱光环境下实时采集的洞穴图像，输入至所述统一神经网络，所述统一神经网络进行识别并输出标记有渗透缺陷的洞穴图像。
2.根据权利要求1所述的一种基于视觉弱光环境的洞穴渗透缺陷识别方法，其特征在于，所述步骤S2中数据增强算法具体包括以下步骤：
S201、对所述洞穴渗透缺陷图像加入随机高斯噪声，得到有噪声干扰的样本图像；
S202、将所述有噪声干扰的样本图像旋转多种角度，得到多种旋转角度下的样本图像；
S203、构建生成式对抗网络，将所述多种旋转角度下的样本图像输入至所述生成式对抗网络，将所述生成式对抗网络输出的图片加入到原始数据集中，得到扩充后的数据集。
3.根据权利要求2所述的一种基于视觉弱光环境的洞穴渗透缺陷识别方法，其特征在于，所述生成式对抗网络包括解码器、鉴别器以及编码器。
4.根据权利要求1所述的一种基于视觉弱光环境的洞穴渗透缺陷识别方法，其特征在于，所述步骤S5中具体通过使用区域候选网络的卷积核和特征图进行卷积，得到包含渗透缺陷特征的目标区域以及初始区域候选网络。
5.根据权利要求1所述的一种基于视觉弱光环境的洞穴渗透缺陷识别方法，其特征在于，所述步骤S6中采用非极大值抑制算法从所述目标区域中筛选出感兴趣区域的过程具体包括以下步骤：
S601、计算所述洞穴渗透缺陷图像的边缘像素点的梯度值；
S602、计算所述洞穴渗透缺陷图像的梯度幅值；
S603、根据所述洞穴渗透缺陷图像的梯度值以及梯度幅值计算边缘像素点的最大梯度差；
S604、根据所述边缘像素点的最大梯度差，找到局部梯度差最大的边缘像素点；
S605、在梯度方向上，将局部梯度差最大的边缘像素点之外的其他像素点的梯度值设置为零，从而缩小目标区域的范围，得到所述感兴趣区域。
6.根据权利要求1所述的一种基于视觉弱光环境的洞穴渗透缺陷识别方法，其特征在于，所述Faster RCNN网络包含ROI池化层。
7.根据权利要求6所述的一种基于视觉弱光环境的洞穴渗透缺陷识别方法，其特征在于，所述感兴趣区域输入到Faster RCNN网络中进行训练的过程具体包括以下步骤：
S606、将所述感兴趣区域输入到所述Faster RCNN网络的ROI池化层中；
S607、通过所述池化层筛选得到感兴趣区域中的正样本和负样本；
S608、将所述正正样本和负样本输入至Faster RCNN网络的全连接层中进行数据处理操作并计算相应的损失；
S609、根据计算得到的损失，计算洞穴渗透缺陷图像的损失率；
S610、通过所述损失率判断Faster RCNN网络的训练效果。
8.根据权利要求7所述的一种基于视觉弱光环境的洞穴渗透缺陷识别方法，其特征在于，所述Faster RCNN网络的全连接层中进行的数据处理操作的类型包括分类处理和位置边框回归处理。
9.根据权利要求7所述的一种基于视觉弱光环境的洞穴渗透缺陷识别方法，其特征在于，所述步骤S3中对所述扩充后的数据集中洞穴渗透缺陷图像进行标注的具体过程为标注出所述洞穴渗透缺陷图像中图像缺陷的实际目标区域。
10.根据权利要求9所述的一种基于视觉弱光环境的洞穴渗透缺陷识别方法，其特征在于，所述步骤S607中筛选正样本和负样本的过程具体为计算感兴趣区域与标注的实际目标区域的重叠比例，若所述重叠比例大于正样本比例则对应的感兴趣区域设置为正样本，若所述重叠比例小于负样本比例则对应的感兴趣区域设置为负样本。
CN202110633535.2A 2021-06-07 2021-06-07 一种基于视觉弱光环境的洞穴渗透缺陷识别方法 Pending CN113435261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110633535.2A CN113435261A (zh) 2021-06-07 2021-06-07 一种基于视觉弱光环境的洞穴渗透缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110633535.2A CN113435261A (zh) 2021-06-07 2021-06-07 一种基于视觉弱光环境的洞穴渗透缺陷识别方法

Publications (1)

Publication Number Publication Date
CN113435261A true CN113435261A (zh) 2021-09-24

Family

ID=77803962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110633535.2A Pending CN113435261A (zh) 2021-06-07 2021-06-07 一种基于视觉弱光环境的洞穴渗透缺陷识别方法

Country Status (1)

Country Link
CN (1) CN113435261A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563446A (zh) * 2017-09-05 2018-01-09 华中科技大学 一种微操作***目标检测方法
CN109191429A (zh) * 2018-07-26 2019-01-11 中国科学院福建物质结构研究所 一种基于机器视觉的3d打印喷嘴检测方法
CN109285139A (zh) * 2018-07-23 2019-01-29 同济大学 一种基于深度学习的x射线成像焊缝检测方法
CN109840512A (zh) * 2019-02-28 2019-06-04 北京科技大学 一种面部动作单元识别方法及识别装置
CN110598767A (zh) * 2019-08-29 2019-12-20 河南省收费还贷高速公路管理有限公司航空港分公司 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法
CN110705544A (zh) * 2019-09-05 2020-01-17 中国民航大学 基于Faster-RCNN的自适应快速目标检测方法
CN111798447A (zh) * 2020-07-18 2020-10-20 太原理工大学 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法
CN111860439A (zh) * 2020-07-31 2020-10-30 广东电网有限责任公司 一种无人机巡检图像缺陷检测方法、***及设备
CN112446429A (zh) * 2020-11-27 2021-03-05 广东电网有限责任公司肇庆供电局 一种基于cgan的巡检图像数据小样本扩充方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563446A (zh) * 2017-09-05 2018-01-09 华中科技大学 一种微操作***目标检测方法
CN109285139A (zh) * 2018-07-23 2019-01-29 同济大学 一种基于深度学习的x射线成像焊缝检测方法
CN109191429A (zh) * 2018-07-26 2019-01-11 中国科学院福建物质结构研究所 一种基于机器视觉的3d打印喷嘴检测方法
CN109840512A (zh) * 2019-02-28 2019-06-04 北京科技大学 一种面部动作单元识别方法及识别装置
CN110598767A (zh) * 2019-08-29 2019-12-20 河南省收费还贷高速公路管理有限公司航空港分公司 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法
CN110705544A (zh) * 2019-09-05 2020-01-17 中国民航大学 基于Faster-RCNN的自适应快速目标检测方法
CN111798447A (zh) * 2020-07-18 2020-10-20 太原理工大学 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法
CN111860439A (zh) * 2020-07-31 2020-10-30 广东电网有限责任公司 一种无人机巡检图像缺陷检测方法、***及设备
CN112446429A (zh) * 2020-11-27 2021-03-05 广东电网有限责任公司肇庆供电局 一种基于cgan的巡检图像数据小样本扩充方法

Similar Documents

Publication Publication Date Title
Zhao et al. A surface defect detection method based on positive samples
CN108898610B (zh) 一种基于mask-RCNN的物体轮廓提取方法
CN108647585B (zh) 一种基于多尺度循环注意力网络的交通标识符检测方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN108460341B (zh) 基于集成深度卷积网络的光学遥感图像目标检测方法
CN108596055B (zh) 一种复杂背景下高分辨遥感图像的机场目标检测方法
CN106897681B (zh) 一种遥感图像对比分析方法及***
CN109242791B (zh) 一种针对破损植物叶片的批量修复方法
CN113436169B (zh) 一种基于半监督语义分割的工业设备表面裂纹检测方法及***
CN110648310B (zh) 基于注意力机制的弱监督铸件缺陷识别方法
CN109447979B (zh) 基于深度学习和图像处理算法的目标检测方法
CN104077577A (zh) 一种基于卷积神经网络的商标检测方法
CN111126184B (zh) 一种基于无人机视频的震后建筑物损毁检测方法
CN111951284B (zh) 一种基于深度学习的光学遥感卫星图像精细化云检测方法
CN112465759A (zh) 一种基于卷积神经网络的航空发动机叶片缺陷检测方法
CN112270280A (zh) 一种基于深度学习的遥感图像中的露天矿场检测方法
CN109741340B (zh) 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法
CN110555868A (zh) 一种复杂地面背景下运动小目标检测方法
CN109584206B (zh) 零件表面瑕疵检测中神经网络的训练样本的合成方法
CN111582004A (zh) 一种地面图像中的目标区域分割方法及装置
CN111210417B (zh) 基于卷积神经网络的布匹缺陷检测方法
CN116205879A (zh) 一种基于无人机图像及深度学习的小麦倒伏面积估算方法
CN109615610B (zh) 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法
CN112381730B (zh) 一种遥感影像数据扩增方法
CN113313678A (zh) 一种基于多尺度特征融合的***形态学自动分析方法

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