CN114913132A - 一种基于卷积神经网络的汽车电镀件缺陷检测方法 - Google Patents
一种基于卷积神经网络的汽车电镀件缺陷检测方法 Download PDFInfo
- Publication number
- CN114913132A CN114913132A CN202210415737.4A CN202210415737A CN114913132A CN 114913132 A CN114913132 A CN 114913132A CN 202210415737 A CN202210415737 A CN 202210415737A CN 114913132 A CN114913132 A CN 114913132A
- Authority
- CN
- China
- Prior art keywords
- image
- automobile
- neural network
- classification
- coarse
- 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
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于卷积神经网络的汽车电镀件缺陷检测方法,主要包括以下步骤:S1:采集相关汽车电镀件图像;S2:对S1采集到的图像进行预处理;S3:建立一种面向汽车电镀件缺陷检测的混合分类模型;S4:建立的混合分类模型在推理过程当中对网络进行训练,汽车电镀件缺陷识别分类的过程是使用训练数据作为输入,并提供输出作为测试数据,通过提取最优特征对汽车电镀件是否缺陷以及缺陷的种类进行分类。本方法减少了汽车电镀件图像数据的不确定性,以更少的参数提高精度,同时能够处理模糊数据,使该方法可以应用于智能相机上,对汽车电镀件的识别更为精确、高效。
Description
技术领域
本发明涉及汽车电镀件缺陷检测方法,更具体的是涉及一种基于卷积神经网络的汽车电镀件缺陷检测方法。
背景技术
汽车行业的蓬勃发展,随之而来的是对零部件需求数量越来越多,质量要求也越来越高。而汽车电镀件作为汽车装饰件的重要组成部分,一辆汽车上有一万余种电镀件,而电镀件有20余种缺陷,针对这种缺陷的检测,目前市面上普遍采用的是人工检测,人工检测具有效率低且易受主观性影响等缺点。
目前市面上存在的图像处理算法很多,而这些算法基本上都是针对某一种特定的图像。专利CN112784976A,提出了一种基于脉冲神经网络的图像识别***及方法,虽然能有效的减少图片信息的丢失,提升图像识别准确率,但是仍然不适用于多曲面、不规则、低对比度的汽车电镀件的图像识别,容易产生漏检的现象。专利CN113505821A,提出了一种基于样本可信度的深度神经网络图像识别方法和***,虽然实现图像可信样本与不可信样本的识别准确率,但是识别速度慢,效率低下。专利CN113205467A,提出了一种基于模糊检测的图像处理方法及装置,虽然能够针对性的只对图像信息中的模糊部分进行处理,进一步提升效率,但是针对于汽车电镀件的多曲面、不规则、低对比度的特点,且缺陷种类多这种图像处理方法并不适用。
发明内容
为解决现有技术中对汽车电镀件缺陷检测方法的不足,现提供一种基于卷积神经网络的汽车电镀件缺陷检测方法。
一种基于卷积神经网络的汽车电镀件缺陷检测方法,主要包括以下步骤:
S1:采集相关汽车电镀件图像;
S2:对S1采集到的图像进行预处理,预处理方式包括图像增强和图像分割;
S3:建立一种面向汽车电镀件缺陷检测的混合分类模型,该混合分类模型由传统的卷积神经网络模型、循环神经网络模型和长期记忆神经元作为循环神经元的模式混合搭建而成;
S4:将S3建立的混合分类模型在推理过程当中对网络进行训练,将训练数据作为输入源,输出测试数据,提取最优特征判断汽车电镀件是否缺陷以及对缺陷种类进行分类。
优选地,所述S2中图像增强和图像分割的步骤为:通过二维度离散余弦变换生成二维图像的系数,设置阈值将细节和纹理的余弦值细化,提高电镀件的对比度和局部细节,通过双层阈值法将像素点分割为亮暗两部分。
优选地,通过二维度离散余弦变换生成二维图像的系数,设置阈值将细节和纹理的余弦值细化,通过双层阈值法将像素点分割为亮暗两部分具体步骤为:定义大小为R×S的电镀件图像系数C为:
设置阈值算法将C的余弦值细化为:
其中,k≥0,e≤R-1,l≥0,f≤S-1,C的绝对值最小表示细节和纹理,C(0,0)表示电镀件图像中定义均值的最大分量;
γ的定义为:
其中,γ表示用于控制局部细节增强级别,F为图像位的深度,SD(Tglobal)和SD(I)分别为增强前后的水果图像,(Tglobal)为对应的真实汽车电镀件图像的标准差;
定义改进的图像分配函数:
g(m)=r(m)+(1+h(m))
其中,h为均匀的直方图,m=1,2,3…L表示电镀件图像的灰度整数;
定义更改后的sig-moid函数:
将分配函数g归一化为:
定义标准g赋值函数为:
定义计算新灰度率函数为:
g(m)=[g(m)(vmin,vmax)+vmin]
双层阈值分割算法定义为:
其中,双层阈值法中的0表示暗像素,1表示亮像素,α∈(0,1)为焦点,x∈W为自变量,α和λ的关系是指μdark和μbright。变量W将水果图像划分为暗、亮两种模糊分区。
优选地,S3中长期记忆神经元作为循环神经源在t时间处:
it=σ(Wxixt+Whiht-1+Wviv+bi)
ft=σ(Wxfxt+Whfht-1+Wvfv+bf)
ot=σ(Wxoxt+Whoht-1+Wvov+bo)
其中,σ为sigmoid函数(σ(x)=(1+e-x)-1),其中为双曲正切函数(φ(x)=ex-e-x)。it、ft、ot、gt、x、h、v、c分别表示门入口、遗忘门、输出门、入口调节门、输入向量、秘密状态、视觉图像和存储单元。
优选地,S4的具体步骤为:通过将电镀件图像生成分类标签,将标签按照从粗到细的顺序进行排列,混合分类器将不同级别的标签作为不同时间戳的输入;在训练阶段,利用粗级标签作为输入,将粗预测和细预测联合优化;在推理阶段,当实际的粗级标签不存在时,使用预测标签作为后续的输入。
优选地,混合分类器的分类策略为:
策略1:由粗到细,粗分类和细分类分别有100和20个图像数据集;
策略2:从细到粗,细分类细分类和粗分类分别有100和20个图像数据集;
策略3:细和粗分类,细分类和粗分类分别有100和20个图像数据集,并行进行处理;
策略4:结合策略1、2、3。
优选地,S1中采集相关汽车电镀件图像的具体步骤为:利用照明装置为采集提供合适的光照环境,计算机发送采集规则到采集控制***,采集控制***控制相机,通过内置的光学镜头和光学元器件将图像信号转化为电信号,在数字相机模块对模拟的电信号进行模数转换得到数字图像,最后将得到的数字图像传递给计算机。
有益效果:
与传统的汽车电镀件缺陷检测方法相比,本发明提供的一种基于卷积神经网络,通过建立一种面向汽车电镀件缺陷检测的混合分类模型,该混合分类模型由传统的卷积神经网络模型、循环神经模型和长期记忆神经元作为循环神经元的模式混合搭建而成,基于该种混合分类模型使得汽车电镀件缺陷的识别率和准确度得到提高,同时通过构建网络,将模糊卷积与规则卷积相结合,在微观层面上进行卷积运算,与之前的算法相比,不仅可以解决图像数据的不确定性,而且可以以更少的参数提高图像的识别精度。使其更适用于对汽车电镀件的检测,能够适用于多曲面、不规则、低对比度的特点,同时可检测的种类多,能够检测出暗印、鼓泡、划伤、靠焦、色差、开裂等20余种缺陷,助力图像处理、减少人力成本、为企业提高效率。
附图说明
图1是实施例中图像采集示意图。
图2是实施例中混合分类器的管道示意图。
图3是实施例中分类***。
图4是实施例中混合分类器的四种分类策略。
图5是实施例中分类器准确率实验结果。
具体实施方式
为了加深对本发明的理解,下面将结合实施例和附图对本发明作进一步详述,该实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
实施例:
一种基于卷积神经网络的汽车电镀件缺陷检测方法,主要包括以下步骤:
(1)采集相关汽车电镀件:图1是图像采集示意图,照明装置为采集提供合适的光照环境后,计算机发送采集规则给采集控制***,采集控制***控制相机通过内置的光学镜头和光学元器件将图像信号转化为电信号,在数字相机模块对模拟的电信号进行模数转换得到数字图像信号传递给计算机。
(2)对图像进行预处理:通过二维度离散余弦变换生成二维图像的系数,设置阈值将细节和纹理的余弦值细化,提高电镀件的却具对比度和局部细节。通过双层阈值法将像素点分割为亮暗两部分。
定义大小为R×S的电镀件图像系数C为:
设置阈值算法将C的余弦值细化为:
γ的定义为:
定义改进的图像分配函数:
g(m)=r(m)+(1+h(m));
定义更改后的sigmoid函数为:
将分配函数g归一化为:
定义标准g赋值函数为:
定义计算新灰度率函数为:
g(m)=[g(m)(vmin,vmax)+vmin]
双层阈值分割算法定义为:
其中,k≥0,e≤R-1,l≥0,f≤S-1,C的绝对值最小表示细节和纹理,C(0,0)表示电镀件图像中定义均值的最大分量。γ表示用于控制局部细节增强级别,γ很大就会出现过度增强。F为图像位的深度,SD(Tglobal)和SD(I)分别为增强前后的水果图像,(Tglobal)为对应的真实水果图像的标准差。h为均匀的直方图,m=1,2,3…L表示电镀件图像的灰度整数,双层阈值法中的0表示暗像素,1表示亮像素,在G中定义了dark和bright两个模糊集,α∈(0,1)为焦点,x∈W为自变量。α和λ的关系是指μdark和μbright。变量W将水果图像划分为暗、亮两种模糊分区。
(3)建议一种面向汽车电镀件缺陷检测的混合分类:该混合分类模型由传统的卷积神经网络模型、循环神经网络模型和长期神经元作为循环神经元的混合搭建而成。通过建立两个分类器,一个是传统的卷积神经网络分类器,另一个是循环神经网络分类器,传统部分的卷积神经网络分类器从获取的电镀件图像中获取清晰的图像特征,识别电镀件和电镀件的明显特征,循环神经网络分类器对电镀件的顺序标签的粗类和细类分类标签进行增强,提高电镀件缺陷分类的准确率。长期记忆神经元作为循环神经元,对循环神经网络无法学习的长期时间动态进行动态建模。细胞的行为由三个门来调节:输入门、遗忘门和输出门。通过栅极调节输入门读取其输入量、通过忘记栅极处理当前的单元值,通过输出门来输出新的单元值。长期记忆神经元作为循环神经元在t时间处:
it=σ(Wxixt+Whiht-1+Wviv+bi)
ft=σ(Wxfxt+Whfht-1+Wvfv+bf)
ot=σ(Wxoxt+Whoht-1+Wvov+bo)
其中σ为sigmoid函数(σ(x)=(1+e-x)-1),其中为双曲正切函数(φ(x)=ex-e-x)。it、ft、ot、gt分别表示门入口、遗忘门、输出门和入口调节门。x、h、v、c分别表示输入向量、秘密状态、视觉图像和存储单元。
(4)如图4所示,建立的混合分类模型在推理过程当中对网络进行训练,汽车电镀件缺陷识别分类的过程是使用训练数据作为输入,并提供输出作为测试数据,通过提取最优特征对汽车电镀件是否缺陷以及缺陷的种类进行分类。具体为:通过将电镀件图像生成分类标签,标签按照从粗到细的顺序排列,混合分类器将不同级别的标签作为不同时间戳的输入,其中较粗级别的标签出现在前面的时间步骤中,较粗级别的标签可以提供关于预测较细标签的深刻知识。在训练阶段,利用粗级标签作为输入,将粗预测和细预测联合优化,在推理阶段,当实际的粗级标签不存在时,使用预测标签作为后续的输入。其中混合分类器的分类策略为,策略1:由粗到细,粗分类和细分类分别有100和20个图像数据集。策略2:从细到粗,细分类细分类和粗分类分别有100和20个图像数据集。策略3:细和粗分类,细分类和粗分类分别有100和20个图像数据集,并行进行处理。策略4:结合策略1、2、3。
对三种类型的分类器进行实验,记录识别率的实验结果如下:
利用五种类型的分类器对10种汽车电镀件缺陷进行了识别,识别结果如图5所示。
综上,混合分类器相对于其他类型的分类器具有更高的识别率和准确度。
作为进一步改进,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于卷积神经网络的汽车电镀件缺陷检测方法,其特征在于,主要包括以下步骤:
S1:采集相关汽车电镀件图像;
S2:对S1采集到的图像进行预处理,预处理方式包括图像增强和图像分割;
S3:建立一种面向汽车电镀件缺陷检测的混合分类模型,该混合分类模型由传统的卷积神经网络模型、循环神经网络模型和长期记忆神经元作为循环神经元的模式混合搭建而成;
S4:将S3建立的混合分类模型在推理过程当中对网络进行训练,将训练数据作为输入源,输出测试数据,提取最优特征判断汽车电镀件是否缺陷以及对缺陷种类进行分类。
2.根据权利要求1所述的一种基于卷积神经网络的汽车电镀件缺陷检测方法,其特征在于,S2中图像增强和图像分割的步骤为:通过二维度离散余弦变换生成二维图像的系数,设置阈值将细节和纹理的余弦值细化,通过双层阈值法将像素点分割为亮暗两部分。
3.根据权利要求2所述的一种基于卷积神经网络的汽车电镀件缺陷检测方法,其特征在于,通过二维度离散余弦变换生成二维图像的系数,设置阈值将细节和纹理的余弦值细化,通过双层阈值法将像素点分割为亮暗两部分具体步骤为:定义大小为R×S的电镀件图像系数C为:
设置阈值算法将C的余弦值细化为:
其中,k≥0,e≤R-1,l≥0,f≤S-1,C的绝对值最小表示细节和纹理,C(0,0)表示电镀件图像中定义均值的最大分量;
γ的定义为:
其中,γ表示用于控制局部细节增强级别,F为图像位的深度,SD(Tglobal)和SD(I)分别为增强前后的汽车电镀件图像,(Tglobal )为对应的真实汽车电镀件图像的标准差;
定义改进的图像分配函数:
g(m)=r(m)+(1+h(m))
其中,h为均匀的直方图,m=1,2,3…L表示电镀件图像的灰度整数;
定义更改后的sig-moid函数:
将分配函数g归一化为:
定义标准g赋值函数为:
定义计算新灰度率函数为:
g(m)=[g(m)(vmin,vmax)+vmin]
双层阈值分割算法定义为:
其中,双层阈值法中的0表示暗像素,1表示亮像素,α∈(0,1)为焦点,x∈W为自变量,α和λ的关系是指μdark和μbright。变量W将水果图像划分为暗、亮两种模糊分区。
5.根据权利要求1所述的一种基于卷积神经网络的汽车电镀件缺陷检测方法,其特征在于,S4的具体步骤为:通过将电镀件图像生成分类标签,将标签按照从粗到细的顺序进行排列,混合分类器将不同级别的标签作为不同时间戳的输入;在训练阶段,利用粗级标签作为输入,将粗预测和细预测联合优化;在推理阶段,当实际的粗级标签不存在时,使用预测标签作为后续的输入。
6.根据权利要求5所述的一种基于卷积神经网络的汽车电镀件缺陷检测方法,其特征在于,混合分类器的分类策略为:
策略1:由粗到细,粗分类和细分类分别有100和20个图像数据集;
策略2:从细到粗,细分类细分类和粗分类分别有100和20个图像数据集;
策略3:细和粗分类,细分类和粗分类分别有100和20个图像数据集,并行进行处理;
策略4:结合策略1、2、3。
7.根据权利要求1所述的一种基于卷积神经网络的汽车电镀件缺陷检测方法,其特征在于,S1中采集相关汽车电镀件图像的具体步骤为:利用照明装置为采集提供合适的光照环境,计算机发送采集规则到采集控制***,采集控制***控制相机,通过内置的光学镜头和光学元器件将图像信号转化为电信号,在数字相机模块对模拟的电信号进行模数转换得到数字图像,最后将得到的数字图像传递给计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415737.4A CN114913132A (zh) | 2022-04-20 | 2022-04-20 | 一种基于卷积神经网络的汽车电镀件缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415737.4A CN114913132A (zh) | 2022-04-20 | 2022-04-20 | 一种基于卷积神经网络的汽车电镀件缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114913132A true CN114913132A (zh) | 2022-08-16 |
Family
ID=82765093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210415737.4A Pending CN114913132A (zh) | 2022-04-20 | 2022-04-20 | 一种基于卷积神经网络的汽车电镀件缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913132A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309553A (zh) * | 2023-05-12 | 2023-06-23 | 东莞市希锐自动化科技股份有限公司 | 一种非平面电镀五金件电镀缺陷检测方法 |
CN116342597A (zh) * | 2023-05-29 | 2023-06-27 | 深圳市民达科技有限公司 | 一种汽车配件表面电镀加工缺陷检测方法和*** |
CN117684243A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市海里表面技术处理有限公司 | 一种智能电镀控制***及控制方法 |
-
2022
- 2022-04-20 CN CN202210415737.4A patent/CN114913132A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309553A (zh) * | 2023-05-12 | 2023-06-23 | 东莞市希锐自动化科技股份有限公司 | 一种非平面电镀五金件电镀缺陷检测方法 |
CN116342597A (zh) * | 2023-05-29 | 2023-06-27 | 深圳市民达科技有限公司 | 一种汽车配件表面电镀加工缺陷检测方法和*** |
CN117684243A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市海里表面技术处理有限公司 | 一种智能电镀控制***及控制方法 |
CN117684243B (zh) * | 2024-02-04 | 2024-04-09 | 深圳市海里表面技术处理有限公司 | 一种智能电镀控制***及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114913132A (zh) | 一种基于卷积神经网络的汽车电镀件缺陷检测方法 | |
CN109741328B (zh) | 一种基于生成式对抗网络的汽车表观质量检测方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
Markou et al. | A neural network-based novelty detector for image sequence analysis | |
CN112232399B (zh) | 基于多特征融合机器学习的汽车座椅缺陷检测方法 | |
CN111862093A (zh) | 一种基于图像识别的腐蚀等级信息处理方法及*** | |
CN100535931C (zh) | 一种多分辨率退化字符自适应识别***及方法 | |
AU2020351825A1 (en) | Method and system for performing non-invasive genetic testing using an artificial intelligence (AI) model | |
CN110647907B (zh) | 利用多层分类和字典学习的多标签图像分类算法 | |
CN111612737A (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
CN117011563B (zh) | 基于半监督联邦学习的道路损害巡检跨域检测方法及*** | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及***、电子设备和存储介质 | |
CN117351001B (zh) | 一种再生铝合金模板表面缺陷识别方法 | |
US20230044794A1 (en) | Neural network training device, system and method | |
CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
CN112613410A (zh) | 基于迁移学习的寄生虫虫卵识别方法 | |
CN114565798A (zh) | 基于铁谱图像分析的动力装置磨损故障诊断方法及*** | |
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 | |
Bejerano et al. | Rice (Oryza Sativa) Grading classification using Hybrid Model Deep Convolutional Neural Networks-Support Vector Machine Classifier | |
Friedrich et al. | A system for automated tool wear monitoring and classification using computer vision | |
Luo et al. | An mRMR-SVM approach for Opto-fluidic microorganism classification | |
CN200969105Y (zh) | 一种多分辨率退化字符识别装置 | |
Ergun | Wood identification based on macroscopic images using deep and transfer learning approaches | |
Wang et al. | Textile defect detection and classification based on deep convolution neural network | |
Lahoti et al. | Convolutional Neural Network-Assisted Adaptive Sampling for Sparse Feature Detection in Image and Video Data |
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 |