CN113837269A - 基于双线性卷积神经网络的金相组织识别方法 - Google Patents

基于双线性卷积神经网络的金相组织识别方法 Download PDF

Info

Publication number
CN113837269A
CN113837269A CN202111111864.7A CN202111111864A CN113837269A CN 113837269 A CN113837269 A CN 113837269A CN 202111111864 A CN202111111864 A CN 202111111864A CN 113837269 A CN113837269 A CN 113837269A
Authority
CN
China
Prior art keywords
bilinear
convolutional neural
training
feature
neural network
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
CN202111111864.7A
Other languages
English (en)
Inventor
李秀峰
谢国山
康晓鹏
韩志远
甄宏展
胡海军
张钰
龚雪茹
李涌泉
胡振龙
肖尧钱
黄子仪
申志远
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.)
Xian Jiaotong University
China Special Equipment Inspection and Research Institute
Original Assignee
Xian Jiaotong University
China Special Equipment Inspection and Research Institute
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 Xian Jiaotong University, China Special Equipment Inspection and Research Institute filed Critical Xian Jiaotong University
Priority to CN202111111864.7A priority Critical patent/CN113837269A/zh
Publication of CN113837269A publication Critical patent/CN113837269A/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
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

基于双线性卷积神经网络的金相组织识别方法，包括如下步骤：(1)采集金相图片构成数据集；(2)将数据集划分训练集和测试集，使用训练集数据训练两个不同的卷积神经分类网络，并使用测试集数据测试网络；(3)在两个训练好的卷积神经分类网络基础上建立双线性卷积神经网络；(4)使用训练集数据训练双线性卷积神经网络；(5)使用双线性卷积神经网络识别金相组织；本发明首次将双线性模型运用到金相组织识别任务中，该模型能够提取到更加丰富的特征信息，与单一的卷积神经网络模型相比，提高了金相组织的识别准确率。

Description

基于双线性卷积神经网络的金相组织识别方法
技术领域
本发明属于金属材料组织金相检测技术领域，具体涉及一种基于双线性卷积神经网络的金相组织识别方法。
背景技术
金相指金属或合金的化学成分以及各种成分在合金内部的物理状态和化学状态。金相组织与材料的综合性能有密切的联系，金相检验也是预测分析材料性能的重要手段。在炼油与化工行业，存在众多在高温、高压、腐蚀等环境下服役的过程设备，如反应器、塔器、换热器等。这些设备运行过程中受温度、压力和腐蚀介质等环境因素的影响，其金属材料的组织结构会逐渐发生变化，可能存在组织劣化、生成其他金属相等问题。因此需借助金相检测技术分析其材料的变化情况，对材料的组织结构是否正常给出正确判断，而判断的重要依据之一便是材料中相的构成。
目前金相检测主要依赖于专业分析人员进行人工检测。人工金相检测要求分析人员具备丰富的现场经验和专业知识，这一要求导致金相分析人员数量少、劳动强度大。因此，使用计算机视觉替代人工检验具有重要的工程价值和实际意义。
近年来，已有不少人将机器学习模型和单一卷积神经网络模型等计算机视觉方法运用到金相组织识别领域，但是均具备一定的局限性。金相组织的纹理具有形状多变、特征复杂、类间相似度高的特点，例如贝氏体具有羽毛状、针状和粒状等形态，又与马氏体形态相似。基于机器学习模型或单一卷积神经网络模型的方法无法提取出足够的特征来识别金相组织的种类。
发明内容
为了克服现有方法的缺陷，本发明提供了一种基于双线性卷积神经网络的金相组织识别方法，使用2个卷积神经网络提取特征进行特征聚合获得双线性特征后用于金相识别。相比于基于机器学习模型或单一卷积神经网络模型的方法，本发明能够提取到更丰富的图像特征信息，从而提高了金相组织的识别准确率。
为了达到上述目的，本发明采用的技术方案如下：
一种基于双线性卷积神经网络的金相组织识别方法，包括以下步骤：
S1:采集金相图像图片，组成原始金相图像数据集；
S2:选择两个卷积神经分类网络A和B，分别在训练数据集上进行训练，并分别在测试数据集上进行测试；
S3:建立双线性卷积神经网络，包括如下步骤：
S3.1:将训练好的卷积神经分类网络A和B作为两个特征提取通道，分别输出特征；
S3.2:对输出的特征，使用矩阵的外积操作，获得双线性特征，将双线性特征进行维度转换并通过全连接层进行分类，最终获得双线性模型；
S4:将建立的双线性卷积神经网络在训练数据集上进行训练；
S5:将测试数据集输入双线性模型中进行金相组织的识别。
所述步骤S2中，卷积神经分类网络训练，具体步骤为:
S2.1:使用K折交叉验证方法将数据集平均分成K部分，每一部分依次作为测试集，其余的部分作为训练集，训练集和测试集的比例为(K-1):1；
S2.2:对步骤S2.1所述的训练集数据采用在线增强的数据扩增方式，包括翻转、模糊、亮度和对比度调整、随机裁剪、随机网格洗牌和图像标准化操作，对步骤S2.1所述的测试集数据，仅采用图像标准化操作进行处理；
S2.3:依次选择训练集对两个卷积神经网络进行训练，并依次使用测试集进行交叉验证，取多次训练测试的平均结果作为模型测试最终结果。
所述步骤S2.2的图像标准化操作，标准化处理的具体数学表达式如下：
Figure BDA0003274174160000031
Figure BDA0003274174160000032
其中，μ是图像的均值；X表示图像矩阵；σ表示图像矩阵的标准方差；N表示图像X的像素数量。
所述的步骤S3.1中的将训练好的卷积神经分类网络A和B作为两个特征提取通道，具体步骤为：
S3.1.1：去除卷积神经分类网络A的平均池化层和全连接层，将其余层的权重冻结，作为特征提取通道A，输出形状为(B，C，H，W)的特征图，其中B为一次训练的批量数，C为网络A输出特征图的通道数，H和W分别为网络A输出特征图的高和宽；
S3.1.2：去除卷积神经分类网络B的平均池化层和全连接层，将其余层的权重冻结，作为特征提取通道B，输出形状为(B，C′，H，W)的特征图，其中B为一次训练的批量数，C′为网络B输出特征图的通道数，H和W分别为网络B输出特征图的高和宽；同时增加卷积核尺寸为1的卷积层，使输出特征图形状为(B，C，H，W)。
所述的步骤S3.2中的使用矩阵的外积操作获得双线性特征，具体操作为；
将特征提取通道A和特征提取通道B的输出特征图形状转换为(B，C，H×W)，并将两者特征按如下数学表达式进行组合：
bilinear(fA，fB)＝a1fA TfB+a2fA+a3fB
其中，bilinear()表示特征聚合操作，fA和fB分别表示特征提取通道A和特征提取通道B经形状转换后的特征图，a1、a2、a3为加权系数。
所述的步骤S3.2中的将双线性特征进行维度转换并通过全连接层进行分类，具体操作为，在获得的双线性特征基础上，增加1个全连接层以获得最后的组织分类结果，最终获得的双线性模型的数学表达如下：
BiCNN＝(fA，fB，P，C)
其中，BiCNN代表双线性模型，P表示池化过程，C表示分类过程。所述步骤S4中的双线性卷积神经网络的训练，具体步骤为：
S4.1:冻结特征提取通道A和B的权重；
S4.2:对增加的卷积核尺寸为1的卷积层以及全连接层进行训练。
与现有技术相比，本发明具有的有益效果是：
(1)、本发明首次提出使用双线性卷积神经网络模型提取金相图片的特征，进行金相组织识别分析。
(2)、本发明中，使用翻转、模糊、亮度和对比度调整、随机裁剪、随机网格洗牌和图像标准化对金相图像进行数据扩增，一定程度上缓解了模型过拟合的问题，提高了模型的识别精度。
(3)、与单一模型相比，本发明所提的双线性模型具有更高的识别精度。
附图说明
图1是本发明所述的一种基于双线性卷积神经网络的金相组织识别方法的流程图。
图2是本发明所述的采集到的金相图像数据集中的部分图片。
图3是本发明所述的部分图像数据扩增示意图；其中(a)为原图，(b)为模糊处理后的图，(c)为垂直翻转后的图，(d)为亮度调整后的图；(e)为对比度调整后的图；(f)为随机裁剪后的图。
图4是本发明所述的双线性模型示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的实施例仅用于解释本发明，使之更为清晰和具体。在不脱离本申请技术方案构思的前提下，所做出的若干改进及各种非创造性劳动成果，均属于本申请的保护范围。
结合图1，一种基于计算机视觉的金相组织识别方法，对金相组织进行检测和识别，步骤如下：
S1：收集压力容器金相图像，构建原始数据集，涉及到的钢材牌号有15CrMoR、1Cr5Mo、SA516Gr.70、Cr9Mo、1.25Cr0.5Mo、1Cr5Mo、SA302Gr.C、12Cr1MoVR、ASTMA106Gr.B和P91。数据集的部分图片如图2所示，对收集到的数据进行标注，标签为铁素体、珠光体和贝氏体的一种或多种。
S2:选择两个卷积神经分类网络，如以ResNet18为A模型，以EfficientNet-B0为B模型，分别在训练数据集上进行训练，并分别在测试数据集上进行测试包括如下步骤：
S2.1:将步骤S1中建立的数据集使用K(K＝5)折交叉验证平均分成5部分，每一部分依次作为测试集，其余的部分作为训练集；
S2.2:将步骤S2.1依次获得的训练集，使用翻转、模糊、亮度和对比度调整、随机裁剪、随机网格洗牌和图像标准化进行处理，如图3所示；对于依次获得的测试集数据使用图像标准化进行处理；
S2.3:依次选择训练集对A模型(ResNet18)和B模型(EfficientNet-B0)进行训练，并依次使用测试集进行交叉验证，取多次训练测试的平均结果作为模型测试最终结果。
对于训练过程，图片读取形状大小设置为1000像素×750像素，每次训练读取4张图片，优化器使用Adam，初始学习率设置为3E-4，共训练30epoch，当连续4个epoch损失不下降时，学习率降至原来的0.2倍；对于测试过程，根据准确率确定模型的分类性能，表1展示了单一的A模型(ResNet18)网络和B模型(EfficientNet-B0)网络的识别效果。
表1
Figure BDA0003274174160000071
S3:建立双线性卷积神经网络，其网络结构如图4所示，具体包括如下步骤：
S3.1:将训练好的卷积神经分类网络A模型(ResNet18)和B模型(EfficientNet-B0)作为两个特征提取通道，分别输出特征，包括如下步骤；
S3.1.1:去除A模型(ResNet18)的平均池化层和全连接层，将其余层的权重冻结，输出形状为(4，512，24，32)的特征图，作为特征提取通道A(ResNet18)；
S3.1.2:去除B模型(EfficientNet-B0)的平均池化层和全连接层，将其余层的权重冻结，输出形状为(4，1280，24，32)的特征图，作为特征提取通道B(EfficientNet-B0)；同时增加卷积核尺寸为1的卷积层，使输出特征图形状为(4，512，24，32)。
S3.2:对两个特征提取通道输出的特征，使用矩阵的外积操作，获得双线性特征，将双线性特征进行维度转换并通过全连接层进行分类，具体包括如下操作：
将特征提取通道A(ResNet18)和特征提取通道B(EfficientNet-B0)的输出特征图形状转换为(4，512，24×32)，将两者特征按如下数学表达式进行组合，获得双线性特征，式中取a1＝1，a2＝0，a3＝0。
bilinear(fA，fB)＝a1fA TfB+a2fA+a3fB
其中，bilinear()表示特征聚合操作，fA和fB分别表示特征提取通道A(ResNet18)和特征提取通道B(EfficientNet-B0)经形状转换后的特征图。
在获得的双线性特征基础上，增加1个全连接层以获得最后的组织分类结果。最终获得的双线性模型的数学表达如下：
BiCNN＝(fA，fB，P，C)
其中，BiCNN代表双线性模型，P表示池化过程，C表示分类过程。
S4.将步骤S3中建立的双线性卷积神经网络在训练数据集上进行训练，具体包括如下步骤：
S4.1:冻结特征提取通道A和B的权重；
S4.2:对增加的卷积核尺寸为1的卷积层以及全连接层进行训练；
S5:将测试数据集输入双线性模型中进行金相组织的识别，最终识别结果与单一的A模型(ResNet18)和B模型(EfficientNet-B0)的识别结果对比如表2所示：
表2
准确率 铁素体 珠光体 贝氏体 平均准确率
ResNet18 88.89％ 96.31％ 96.55％ 93.92％
EfficientNet-B0 89.97％ 95.45％ 96.64％ 94.02％
BiCNN 90.41％ 95.22％ 96.66％ 94.10％
可以看到，和单一的卷积神经网络相比，双线性模型提高了金相组织的平均识别准确率，尤其提高了铁素体的识别准确率。

Claims (7)

1.一种基于双线性卷积神经网络的金相组织识别方法，其特征在于，包括以下步骤：
S1:采集金相图像图片，组成原始金相图像数据集；
S2:选择两个卷积神经分类网络A和B，分别在训练数据集上进行训练，并分别在测试数据集上进行测试；
S3:建立双线性卷积神经网络，包括如下步骤：
S3.1:将训练好的卷积神经分类网络A和B作为两个特征提取通道，分别输出特征；
S3.2:对输出的特征，使用矩阵的外积操作，获得双线性特征，将双线性特征进行维度转换并通过全连接层进行分类，最终获得的双线性模型；
S4:将建立的双线性卷积神经网络在训练数据集上进行训练；
S5:将测试数据集输入双线性模型中进行金相组织的识别。
2.根据权利要求1所述的一种基于双线性卷积神经网络的金相组织识别方法，其特征在于，
所述步骤S2中，卷积神经分类网络训练，具体步骤为:
S2.1:使用K折交叉验证方法将数据集平均分成K部分，每一部分依次作为测试集，其余的部分作为训练集，训练集和测试集的比例为(K-1):1；
S2.2:对步骤S2.1所述的训练集数据采用在线增强的数据扩增方式，包括翻转、模糊、亮度和对比度调整、随机裁剪、随机网格洗牌和图像标准化操作，对步骤S2.1所述的测试集数据，仅采用图像标准化操作进行处理；
S2.3:依次选择训练集对两个卷积神经网络进行训练，并依次使用测试集进行交叉验证，取多次训练测试的平均结果作为模型测试最终结果。
3.根据权利要求2所述的一种基于双线性卷积神经网络的金相组织识别方法，其特征在于，
所述步骤S2.2的图像标准化操作，标准化处理的具体数学表达式如下：
Figure FDA0003274174150000021
Figure FDA0003274174150000022
其中，μ是图像的均值；X表示图像矩阵；σ表示图像矩阵的标准方差；N表示图像X的像素数量。
4.根据权利要求1所述的一种基于双线性卷积神经网络的金相组织识别方法，其特征在于，
所述的步骤S3.1中的将训练好的卷积神经分类网络A和B作为两个特征提取通道，具体步骤为：
S3.1.1:去除卷积神经分类网络A的平均池化层和全连接层，将其余层的权重冻结，作为特征提取通道A，输出形状为(B，C，H，W)的特征图，其中B为一次训练的批量数，C为网络A输出特征图通道数，H和W分别为网络A输出特征图的高和宽；
S3.1.2：去除卷积神经分类网络B的平均池化层和全连接层，将其余层的权重冻结，作为特征提取通道B，输出形状为(B，C′，H，W)的特征图，其中B为一次训练的批量数，C′为网络B输出特征图通道数，H和W分别为网络B输出特征图的高和宽；同时增加卷积核尺寸为1的卷积层，使输出特征图形状为(B，C，H，W)。
5.根据权利要求1所述的一种基于双线性卷积神经网络的金相组织识别方法，其特征在于，
所述的步骤S3.2中的使用矩阵的外积操作获得双线性特征，具体操作为：
将特征提取通道A和特征提取通道B的输出特征图形状转换为(B，C，H×W)，并将两者特征按如下数学表达式进行组合：
bilinear(fA，fB)＝a1fA TfB+a2fA+a3fB
其中，bilinear()表示特征聚合操作，fA和fB分别表示特征提取通道A和特征提取通道B经形状转换后的特征图，a1、a2、a3为加权系数。
6.根据权利要求1所述的一种基于双线性卷积神经网络的金相组织识别方法，其特征在于，
所述的步骤S3.2中的将双线性特征进行维度转换并通过全连接层进行分类，具体操作为，在获得的双线性特征基础上，增加一全连接层以获得最后的组织分类结果，最终获得的双线性模型的数学表达如下：
BiCNN＝(fA，fB，P，C)
其中，BiCNN代表双线性模型，P表示池化过程，C表示分类过程。
7.根据权利要求1所述的一种基于双线性卷积神经网络的金相组织识别方法，其特征在于，
所述步骤S4中的双线性卷积神经网络的训练，具体步骤为：
S4.1：冻结特征提取通道A和B的权重；
S4.2：对增加的卷积核尺寸为1的卷积层以及全连接层进行训练。
CN202111111864.7A 2021-09-23 2021-09-23 基于双线性卷积神经网络的金相组织识别方法 Pending CN113837269A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111111864.7A CN113837269A (zh) 2021-09-23 2021-09-23 基于双线性卷积神经网络的金相组织识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111111864.7A CN113837269A (zh) 2021-09-23 2021-09-23 基于双线性卷积神经网络的金相组织识别方法

Publications (1)

Publication Number Publication Date
CN113837269A true CN113837269A (zh) 2021-12-24

Family

ID=78969134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111111864.7A Pending CN113837269A (zh) 2021-09-23 2021-09-23 基于双线性卷积神经网络的金相组织识别方法

Country Status (1)

Country Link
CN (1) CN113837269A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647718A (zh) * 2018-05-10 2018-10-12 江苏大学 一种不同材料金相组织自动分类评级的方法
CN111860499A (zh) * 2020-07-01 2020-10-30 电子科技大学 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法
CN111965183A (zh) * 2020-08-17 2020-11-20 沈阳飞机工业（集团）有限公司 基于深度学习的钛合金显微组织检测方法
CN112001446A (zh) * 2020-08-25 2020-11-27 中国特种设备检测研究院 高铬马氏体耐热钢组织老化等级的确定方法及装置
US20210224586A1 (en) * 2017-10-09 2021-07-22 Harbin Institute Of Technology Shenzhen Graduate School Image privacy perception method based on deep learning

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210224586A1 (en) * 2017-10-09 2021-07-22 Harbin Institute Of Technology Shenzhen Graduate School Image privacy perception method based on deep learning
CN108647718A (zh) * 2018-05-10 2018-10-12 江苏大学 一种不同材料金相组织自动分类评级的方法
CN111860499A (zh) * 2020-07-01 2020-10-30 电子科技大学 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法
CN111965183A (zh) * 2020-08-17 2020-11-20 沈阳飞机工业（集团）有限公司 基于深度学习的钛合金显微组织检测方法
CN112001446A (zh) * 2020-08-25 2020-11-27 中国特种设备检测研究院 高铬马氏体耐热钢组织老化等级的确定方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TSUNG-YU LIN 等: "Bilinear CNN Models for Fine-grained Visual Recognition", 2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION（ICCV）, 18 February 2016 (2016-02-18), pages 1450 - 1452 *
李维刚;谌竟成;范丽霞;谢璐;: "基于卷积神经网络的钢铁材料微观组织自动辨识", 钢铁研究学报, vol. 32, no. 01, 15 January 2020 (2020-01-15), pages 36 *

Similar Documents

Publication Publication Date Title
CN110097543B (zh) 基于生成式对抗网络的热轧带钢表面缺陷检测方法
Wang et al. Integrated model of BP neural network and CNN algorithm for automatic wear debris classification
CN110619355B (zh) 基于深度学习的钢铁材料微观组织自动识别方法
CN106203395B (zh) 基于多任务深度学习的人脸属性识别方法
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN111080579B (zh) 基于深度学习实现图像分割和分类的骨龄评估方法
CN114038037B (zh) 基于可分离残差注意力网络的表情标签修正和识别方法
CN112927783B (zh) 图像检索方法及装置
CN108509601A (zh) 一种基于大数据分析的食品风味评定方法
CN114723708A (zh) 一种基于无监督图像分割的工艺品外观缺陷检测方法
CN112836809A (zh) 一种基于差分特征融合的卷积神经网络的设备特性提取方法以及故障预测的方法
CN110516526A (zh) 一种基于特征原型度量学习的小样本目标识别方法
CN116012337A (zh) 一种基于改进YOLOv4的热轧带钢表面缺陷检测方法
CN112070720A (zh) 一种基于深度学习模型的变电站设备缺陷识别方法
CN111402236A (zh) 一种基于图像灰度值的热轧带钢表面缺陷分级方法
CN112766283A (zh) 一种基于多尺度卷积网络的两相流流型识别方法
CN113159225B (zh) 多变量工业过程故障分类方法
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN117392450A (zh) 一种基于进化多尺度特征学习的钢铁材料质量解析方法
CN112488188A (zh) 一种基于深度强化学习的特征选择方法
CN112288000A (zh) 一种基于支持向量机的铁谱图像智能识别方法
CN112085727A (zh) 一种热轧钢材表面氧化铁皮结构智能识别方法
CN113837269A (zh) 基于双线性卷积神经网络的金相组织识别方法
CN113177602B (zh) 图像分类方法、装置、电子设备和存储介质
CN113780335B (zh) 一种小样本商品图像分类方法、装置、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