CN114627322A - 基于K-means算法的轮胎X射线缺陷图像分类方法 - Google Patents
基于K-means算法的轮胎X射线缺陷图像分类方法 Download PDFInfo
- Publication number
- CN114627322A CN114627322A CN202210410114.8A CN202210410114A CN114627322A CN 114627322 A CN114627322 A CN 114627322A CN 202210410114 A CN202210410114 A CN 202210410114A CN 114627322 A CN114627322 A CN 114627322A
- Authority
- CN
- China
- Prior art keywords
- image
- tire
- defect
- pixels
- follows
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003064 k means clustering Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000009659 non-destructive testing Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 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
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (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)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
一种基于K‑means算法的轮胎X射线缺陷图像分类方法,包括以下步骤:1)轮胎数据集预处理;2)迁移VGG16网络模型进行图像的特征提取;3)利用K均值聚类算法为每张图像分配类别标签,并用平均准确率和混淆矩阵来评估模型的分类效果。本发明通过对比度受限的自适应直方图均衡化进行图像进行预处理,使得图像强度分布更宽、缺陷与背景信息对比度明显;然后引入已经预训练好的VGG16网络来学习轮胎图像特征,减少了从头开始训练模型的过程。最后使用无监督的K‑means方法对轮胎数据进行分类,该方法不需要标记训练数据,训练速度快分类准确率高。
Description
技术领域
本发明属于图像分类领域,具体涉及基于K-means算法的轮胎X射线缺陷图像分类方法。
背景技术
随着我国经济技术的发展、人们生活质量的提升,汽车成为了每个家庭必备的代步工具,作为汽车主要配件的轮胎行业也得到了极大的发展。汽车需求的不断提升,导致轮胎产业规模不断扩大。由于现有生产设备和技术的局限性,轮胎生产时会产生不同的缺陷,根据成因不同可以分为劈缝、跳线、异物等。部分产品缺陷可以通过技术改进解决,但由于技术限制,在轮胎制造过程中,缺陷的产生往往是不可避免的。
传统的检测方法通过人工切割产品来实现轮胎内部缺陷检测,这种方法只能实现产品的抽样检测,无法实现全覆盖检测,同时还造成了产品的浪费。除了传统的切割检查外,无损检测技术被应用到缺陷检测中,经过比较分析发现多数无损检测技术不适用于轮胎缺陷无损检测,而X射线检测满足轮胎无损检测的要求,同时X射线检测具有成像功能,图像数据具有表现直观、易于观察的特点。
X射线下形成的图像虽然使轮胎内部缺陷能够被可视化,但伴随着图像噪声多、底纹复杂等问题,在检测过程中很容易将缺陷误判为噪声,对不同缺陷的分类准确率具有较大影响。因此发展高效的分类方法是提高轮胎缺陷分类准确率的首要问题。卷积神经网络(Convolutional Neural Network,CNN)因其强大的特征提取能力在分类图像方面已经超过人类的表现,然而训练一个CNN网络通常需要非常大的标记图像训练集,这是一项耗时且困难的任务。考虑到这些局限性,可以将迁移学习引入到轮胎缺陷分类中,即利用在ImageNet数据集上训练完成的VGG16网络的中间层来提取轮胎缺陷图像的特征信息。通过所获得的每张图像的本质特征来辅助轮胎缺陷图像分类任务。
本发明提供如下技术方案:
基于K-means算法的轮胎X射线缺陷图像分类方法,包括如下步骤:
1)数据集预处理:采集轮胎图像的数据集,根据轮胎缺陷种类将采集的轮胎数据集划分为四个类别,分别为劈缝缺陷、跳线缺陷、异物缺陷、以及正常轮胎,对每张图片进行对比度受限的自适应直方图均衡化处理;
2)网络模型迁移:在ImageNet数据集上预训练图像特征提取模型VGG16网络,对预训练好后VGG16网络进行迁移,,进行不同种类轮胎图像的缺陷特征提取;
3)构建缺陷分类模型:在VGG16网络提取轮胎缺陷图像特征后,利用K均值聚类算法为每张轮胎图像分配类别标签,并用平均准确率和混淆矩阵来评估模型的分类效果。
进一步的,所述步骤1)的具体过程为:
根据缺陷定位信息对图像进行统一缩放,然后,通过对比度受限的自适应直方图均衡化对每张图像进行预处理,使得图像强度分布更宽、缺陷更明显,达到图像增强的效果。
进一步的,对比度受限的自适应直方图均衡化算法的具体步骤如下:
a)将原图像划分为r个大小为m×n的子区域,每个子区域相互连续并互不重叠,m,n的取值决定图像的细节增强程度,取值越大,增强效果越强;
b)将每个子区域像素个数平均分配到每个灰度级,平均值Naver计算公式如下:
限定每个灰度级包含的像素数不超过平均值Naver的Nclip倍,则实际剪切极限值NCL的计算公式如下:
NCL=Nclip·Naver
式中Nclip是截取限制系数,其含义是限制每个灰度级所包含的像素数不超过平均像素数的Nclip倍;
c)剪切每个子块的灰度直方图,多余的像素数目重新分配到各直方图的灰度级中,设已被剪切的像素总数为N∑clip,得到每个灰度级均分的剪切像素Nacp,Nacp的计算公式如下:
通过以下方法来表示重新分配的过程:
if H(i)>HCL,H(i)=NCL;
else if H(i)+Hacp≥NCL,
H(i)=NCL;
else H(i)=H(i)+Nacp。
式中:H(i)为原始区域中第i个灰度级的像素数;
经过分配后,剩余的像素数数目为NLP,被分配像素的步进值的计算公式如下:
对剩余像素从最小灰度级开始按上述的步进值进行循环分配至像素为0,最终得到新的直方图。
d)对裁剪后的每个子区域的灰度直方图进行直方图均衡化;
e)把每个子块的中心点作为参考点,获取其灰度值,采用双线性插值的方法对图像中的每一个像素进行灰度线性插值,每个像素点的映射由其相邻的一组参考点对应区域的映射确定。
进一步,所述步骤2)的具体过程如下:
将步骤1)中预处理后的数据集输入到VGG16网络的输入层,网络中的多个中间层均可用作图像的特征表示,将其作为信号处理器,为每张轮胎图像生成一个特征描述符,最后利用无监督聚类方式对缺陷进行分类。
进一步,所述步骤3)的具体过程如下:
利用K-means算法为每张轮胎图像数据分配类别标签,将步骤2)中经过VGG16网络提取缺陷特征后的轮胎图像作为样本集,对于给定的样本集,按照样本之间的距离大小,将样本集划分为K个簇,簇的数量通过可视化数据后进行选择,算法的具体步骤如下:
设数据集为X={x1,x2,···,xi,···,xn},聚类成的簇的个数为K,聚类中心为C={c1,c2,···,cj,···,ck}。
a)从数据集中随机选择K个样本作为聚类中心;
b)计算数据集中每个样本xi(i=1,2,···,n)与聚类中心cj(j=1,2,···,k)的距离,距离的计算公式如下:
式中:m为样本的维度;
c)计算每个样本到聚类中心的距离,找到最小距离并将该样本划分到对应的簇;
d)对聚类中心进行重新计算更新,计算公式如下:
然后,计算目标函数的结果,计算公式如下:
e)对聚类中心和目标函数进行判断,将所有图像划分到对应的聚类中心内。
进一步,所述步骤3)中,各类别平均准确率mAP的公式如下:
式中:通过AP计算每个类别的分类准确率;TP表示数据得到正确分类的数量,FP表示数据被错误分类的数量;q表示类别数量;mAP表示各类别分类准确率的平均;该公式表示所有类别中正确分类的样本占样本总数的比例,数值越接近100%分类效果越好。
进一步的,步骤3)中,混淆矩阵采用b行b列的矩阵形式来表示,其中每列代表一个预测类别,每列的总数代表预测为该类别数据的数目。每行代表数据的真实类别,每行数据总数代表该类别数据实例数。
通过采用上述技术,与现有技术相比,本发明的有益效果如下:
本发明通过对比度受限的自适应直方图均衡化进行图像进行预处理,使得图像强度分布更宽、缺陷与背景信息对比度明显;然后引入已经预训练好的VGG16网络来学习轮胎图像特征,减少了从头开始训练模型的过程;最后使用无监督的K-means方法对轮胎数据进行分类,该方法不需要标记训练数据,训练速度快分类准确率高。
附图说明
图1是本发明的总体框架图;
图2是本发明数据集预处理前后的对比图;
图3是VGG16模型结构图;
图4是本发明模型分类结果的混淆矩阵;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合说明书附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
参照图1~图4,基于K-means算法的轮胎X射线缺陷图像分类方法,所述方法包括以下步骤:
(1)数据集预处理:轮胎数据集原始大小为20000×2000像素,经过归整后分为四个类别,分别为劈缝缺陷、跳线缺陷、异物缺陷、以及正常轮胎,每种类别80张图片,为了加快模型训练同时达到图像增强的效果,通过对比度受限的自适应直方图均衡化对每张图片进行预处理。
具体做法是根据缺陷定位信息将图像统一缩放到224×224像素,一方面可以加快特征提取速度,另一方面由于神经网络的权重参数是和训练图像的尺寸相关,网络只能处理相同维度的图像,VGG16网络对应的训练数据尺寸即224×224像素。进一步地,为了加强缺陷与背景信息的对比度,通过对比度受限的自适应直方图均衡化对每张图片进行预处理,使得图像强度分布更宽、缺陷更明显,达到图像增强的效果,预处理前后的图像对比如图2所示。
对比度受限的自适应直方图均衡化算法的步骤如下:
a)将原图像划分为r个大小为m×n的固定子区域,每个子区域相互连续并互不重叠,m,n的取值决定着图像的细节增强程度,取值越大,增强效果越强;
b)将每个子区域像素个数平均分配到每个灰度级,平均值Naver计算公式如下:
限定每个灰度级包含的像素数不超过平均值Naver的Nclip倍,则实际剪切极限值NCL可为:
NCL=Nclip·Naver
式中Nclip是截取限制系数,其含义是限制每个灰度级所包含的像素数不超过平均像素数的Nclip倍;
c)剪切每个子块的灰度直方图,多余的像素数目重新分配到各直方图的灰度级中,设已被剪切的像素总数为N∑clip,于是得到每个灰度级均分的剪切像素Nacp:
具体地,可以通过以下方法来表示重新分配的过程:
if H(i)>HCL,H(i)=NCL;
else if H(i)+Hacp≥NCL,
H(i)=NCL;
else H(i)=H(i)+Nacp。
式中:H(i)为原始区域中第i个灰度级的像素数。
经过分配后,剩余的像素数数目为NLP,被分配像素的步进值如下式:
对剩余像素从最小灰度级开始按上述的步进值进行循环分配至像素为0,最终得到新的直方图。
d)对裁剪后的每个子区域的灰度直方图进行直方图均衡化;
e)把每个子块的中心点作为参考点,获取其灰度值,对图像中的每一个像素进行灰度线性插值,采用双线性插值的方法,每个像素点的映射由其相邻的4个参考点对应区域的映射确定。
2)网络模型迁移:将在ImageNet数据集上预训练的图像特征提取模型VGG16网络迁移至本发明中,通它提取图像特征信息来辅助轮胎缺陷图像的分类任务。VGG16是一种神经网络结构,包含13层卷积层和3层全连接层,卷积核的大小3×3,步幅为1,通过最大池化对图像进行压缩,减少数据大小的空间,加快训练速度并且在一定程度上控制了过拟合,其模型结构见图3。
具体做法是将数据集预处理以及尺寸裁剪后形成新的数据集,把新的数据集输入到VGG16网络的输入层,网络中的多个中间层均可用作图像的特征表示,经过对比试验,在本发明中我们使用了fc2层。将fc2层作为信号处理器,为每张轮胎图像生成一个特征描述符,最后利用无监督聚类方式对缺陷进行分类。
3)构建缺陷分类模型:在VGG16网络提取轮胎缺陷图像特征后利用K-means算法为每张图像分配类别标签,并用平均准确率和混淆矩阵来评估模型的分类效果。
具体的做法是利用K-means聚类算法为每张图片数据分配类别标签,K-means是一种无监督的通过迭代求解的聚类算法,对于给定的样本集,按照样本之间的距离大小,将样本集划分为K个簇,让簇内的点尽量紧密的连在一起,而让簇间的距离尽量的大,簇的数量可以通过可视化数据后进行选择,本发明中的K选择5,算法的具体步骤如下:
设数据集为X={x1,x2,···,xi,···,xn},聚类成的簇的个数为K,聚类中心为C={c1,c2,···,cj,···,ck}。
a)从数据集中随机选择K个样本作为聚类中心。
b)计算数据集中每个样本xi(i=1,2,···,n)与聚类中心cj(j=1,2,···,k)的距离,距离公式如下所示:
式中:m为样本的维度。
c)计算每个样本到聚类中心的距离,找到最小距离并将该样本划分到对应的簇。
d)对聚类中心进行重新计算更新,计算公式如下:
然后,计算目标函数的结果,计算公式如下:
e)对聚类中心和目标函数进行判断,将所有图像划分到对应的聚类中心内。
通过K均值聚类算法为每张图像分配类别标签后利用平均准确率和混淆矩阵来评估模型的分类效果。
a)平均准确率
各类别平均准确率(mAP)公式如下表示:
式中:通过AP计算每个类别的分类准确率;TP表示数据得到正确分类的数量,FP表示数据被错误分类的数量;q表示类别数量;mAP表示各类别分类准确率的平均;该公式表示所有类别中正确分类的样本占样本总数的比例,数值越接近100%分类效果越好。经过上述方法对轮胎数据集的四种类别进行分类,平均分类准确率为95.9%,该方法原理易于理解,能够达到较高的分类准确率。
b)混淆矩阵
混淆矩阵用b行b列的矩阵形式来表示,其中每列代表一个预测类别,每列的总数代表预测为该类别数据的数目。每行代表数据的真实类别,每行数据总数代表该类别数据实例数。如图4所示,通过混淆矩阵能够更加直观的看出每个类别的分类效果。
Claims (7)
1.基于K-means算法的轮胎X射线缺陷图像分类方法,其特征在于:包括以下步骤:
1)数据集预处理:采集轮胎图像的数据集,根据轮胎缺陷种类将采集的轮胎数据集划分为四个类别,分别为劈缝缺陷、跳线缺陷、异物缺陷、以及正常轮胎,对每张图片进行对比度受限的自适应直方图均衡化处理;
2)网络模型迁移:在ImageNet数据集上预训练图像特征提取模型VGG16网络,迁移预训练好后的VGG16网络,进行不同种类轮胎图像的缺陷特征提取;
3)构建缺陷分类模型:在VGG16网络提取轮胎缺陷图像特征后,利用K均值聚类算法为每张轮胎图像分配类别标签,并用平均准确率和混淆矩阵来评估模型的分类效果。
2.如权利要求1所述的基于K-means算法的轮胎X射线缺陷图像分类方法,其特征在于,所述步骤1)的具体过程为:
根据缺陷定位信息对图像进行统一缩放,然后,通过对比度受限的自适应直方图均衡化对每张图像进行预处理,使得图像强度分布更宽、缺陷更明显,达到图像增强的效果。
3.如权利要求2所述的基于K-means算法的轮胎X射线缺陷图像分类方法,其特征在于,对比度受限的自适应直方图均衡化算法的具体步骤如下:
a)将原图像划分为r个大小为m×n的子区域,每个子区域相互连续并互不重叠,m,n的取值决定图像的细节增强程度,取值越大,增强效果越强;
b)将每个子区域像素个数平均分配到每个灰度级,平均值Naver计算公式如下:
限定每个灰度级包含的像素数不超过平均值Naver的Nclip倍,则实际剪切极限值NCL的计算公式如下:
NCL=Nclip·Naver
式中Nclip是截取限制系数,其含义是限制每个灰度级所包含的像素数不超过平均像素数的Nclip倍;
c)剪切每个子块的灰度直方图,多余的像素数目重新分配到各直方图的灰度级中,设已被剪切的像素总数为N∑clip,得到每个灰度级均分的剪切像素Nacp,Nacp的计算公式如下:
经过分配后,剩余的像素数数目为NLP,被分配像素的步进值的计算公式如下:
对剩余像素从最小灰度级开始按上述的步进值进行循环分配至像素为0,最终得到新的直方图;
d)对裁剪后的每个子区域的灰度直方图进行直方图均衡化;
e)把每个子块的中心点作为参考点,获取其灰度值,采用双线性插值的方法对图像中的每一个像素进行灰度线性插值,每个像素点的映射由其相邻的一组参考点对应区域的映射确定。
4.如权利要求3所述的基于K-means算法的轮胎X射线缺陷图像分类方法,其特征在于,所述步骤2)的具体过程如下:
将步骤1)中预处理后的数据集输入到VGG16网络的输入层,网络中的多个中间层均可用作图像的特征表示,将其作为信号处理器,为每张轮胎图像生成一个特征描述符,最后利用无监督聚类方式对缺陷进行分类。
5.如权利要求4所述的基于K-means算法的轮胎X射线缺陷图像分类方法,其特征在于,所述步骤3)的具体过程如下:
利用K-means算法为每张轮胎图像数据分配类别标签,将步骤2)中经过VGG16网络提取缺陷特征后的轮胎图像作为样本集,对于给定的样本集,按照样本之间的距离大小,将样本集划分为K个簇,簇的数量通过可视化数据后进行选择,算法的具体步骤如下:
设数据集为X={x1,x2,···,xi,···,xn},聚类成的簇的个数为K,聚类中心为C={c1,c2,···,cj,···,ck};
a)从数据集中随机选择K个样本作为聚类中心;
b)计算数据集中每个样本xi(i=1,2,···,n)与聚类中心cj(j=1,2,···,k)的距离,距离的计算公式如下:
式中:m为样本的维度;
c)计算每个样本到聚类中心的距离,找到最小距离并将该样本划分到对应的簇;
d)对聚类中心进行重新计算更新,计算公式如下:
然后,计算目标函数的结果,计算公式如下:
e)对聚类中心和目标函数进行判断,将所有图像划分到对应的聚类中心内。
7.如权利要求6所述的基于K-means算法的轮胎X射线缺陷图像分类方法,其特征在于,所述步骤3)中,混淆矩阵采用b行b列的矩阵形式来表示,其中每列代表一个预测类别,每列的总数代表预测为该类别数据的数目;每行代表数据的真实类别,每行数据总数代表该类别数据实例数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410114.8A CN114627322A (zh) | 2022-04-19 | 2022-04-19 | 基于K-means算法的轮胎X射线缺陷图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410114.8A CN114627322A (zh) | 2022-04-19 | 2022-04-19 | 基于K-means算法的轮胎X射线缺陷图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114627322A true CN114627322A (zh) | 2022-06-14 |
Family
ID=81905245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210410114.8A Pending CN114627322A (zh) | 2022-04-19 | 2022-04-19 | 基于K-means算法的轮胎X射线缺陷图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627322A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118097153A (zh) * | 2024-04-19 | 2024-05-28 | 武汉大学 | 一种用于遥感图像增强优化方法和装置 |
-
2022
- 2022-04-19 CN CN202210410114.8A patent/CN114627322A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118097153A (zh) * | 2024-04-19 | 2024-05-28 | 武汉大学 | 一种用于遥感图像增强优化方法和装置 |
CN118097153B (zh) * | 2024-04-19 | 2024-07-09 | 武汉大学 | 一种用于遥感图像增强优化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4027300A1 (en) | Apparatus, program, and method for anomaly detection and classification | |
CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
Rahmat et al. | Chest X-ray image classification using faster R-CNN | |
JP2017107543A (ja) | 細胞画像の自動分析方法及びシステム | |
CN110648310A (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、***及装置 | |
CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN112116571A (zh) | 一种基于弱监督学习的x光肺部疾病自动定位方法 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及***、电子设备和存储介质 | |
CN113362277A (zh) | 一种基于深度学习的工件表面缺陷检测和分割方法 | |
CN111145145A (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN113591948A (zh) | 一种缺陷模式识别方法、装置、电子设备和存储介质 | |
CN114627322A (zh) | 基于K-means算法的轮胎X射线缺陷图像分类方法 | |
CN116129426A (zh) | 一种宫颈细胞涂片18类别的细粒度分类方法 | |
CN116525075A (zh) | 基于少样本学习的甲状腺结节计算机辅助诊断方法及*** | |
CN114663687A (zh) | 模型训练方法、目标识别方法、装置、设备及存储介质 | |
CN114663391A (zh) | 一种基于无监督深度学习算法的工业图像缺陷检测方法 | |
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 | |
CN113177602A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN113763343A (zh) | 基于深度学习的阿兹海默症检测方法及计算机可读介质 | |
WO2020120039A1 (en) | Classification of cell nuclei | |
CN112241954A (zh) | 基于肿块差异化分类的全视野自适应分割网络配置方法 |
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 |