Nothing Special   »   [go: up one dir, main page]

CN114841931A - 一种基于剪枝算法的轨枕实时缺陷检测方法 - Google Patents

一种基于剪枝算法的轨枕实时缺陷检测方法 Download PDF

Info

Publication number
CN114841931A
CN114841931A CN202210404118.5A CN202210404118A CN114841931A CN 114841931 A CN114841931 A CN 114841931A CN 202210404118 A CN202210404118 A CN 202210404118A CN 114841931 A CN114841931 A CN 114841931A
Authority
CN
China
Prior art keywords
training
pruning
sleeper
layer
model
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
CN202210404118.5A
Other languages
English (en)
Inventor
吴松荣
涂振威
杨平
张浩然
周懿
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210404118.5A priority Critical patent/CN114841931A/zh
Publication of CN114841931A publication Critical patent/CN114841931A/zh
Pending legal-status Critical Current

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/08—Measuring installations for surveying permanent way
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (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)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于剪枝算法的轨枕实时缺陷检测方法，具体为：高速相机获取轨枕图像；对图像数据增强并扩充，按照正常轨枕、轨枕掉块、轨枕裂缝数量为1:1:1制作训练集；对训练集进行标注；采用深度学习YOLOv3目标检测算法对训练集进行模型基础训练；对模型稀疏训练，利用BN层的γ系数评判轨枕缺陷检测网络中各通道和层的重要性；进行重要性排序，并设定剪枝比例；对网络不重要的通道和层进行剪枝；将剪枝完成的模型进行微调。本发明在系统层面，有效加快了轨枕缺陷检测速度，可实现在嵌入式设备部署并在线检测；在模型层面，通过γ系数大小评判网络各通道重要性，具有原理简单、操作简便的优点。

Description

一种基于剪枝算法的轨枕实时缺陷检测方法
技术领域
本发明属于轨枕缺陷检测技术领域，尤其涉及一种基于剪枝算法的轨枕实时缺陷检测方法。
背景技术
轨枕是轨道的重要部件之一，其具有支承钢轨、保持轨距和方向，并将钢轨对它的各向压力传递到道床上的作用。因此轨枕必须具有坚固性、弹性和耐久性，轨枕的缺块(见图3)和裂缝(见图2)将使轨枕的作用大打折扣。轨枕缺块和轨枕裂缝等缺陷细微不易察觉但潜在危害巨大，若长久失修可能会导致钢轨变形、移位、塌陷等问题，严重时将导致列车脱轨等重大交通事故。
目前已涌现出许多优秀的机器视觉算法，并且已有相关研究将其用于处理轨道图像，如通过卷积神经网络(Conventional neural network)识别有砟轨道区域、轨道扣件等零件，获得了较高的检测精度。但这些检测算法存在检测速度慢、模型部署难的问题，这些检测方法运算量较大，需要较昂贵的计算设备，并且由此造成轨道检测系统体积庞大，质量较大，很难实现大规模应用部署。
发明内容
针对现有技术的不足，本发明提供了一种基于剪枝算法的轨枕实时缺陷检测方法。
本发明的一种基于剪枝算法的轨枕实时缺陷检测方法，包括以下步骤：
步骤1：数据图像获取。
安装在行驶的轨道车辆上的测距仪检测到一定时长的高度差脉冲时，代表此时行经轨枕区域，将触发轨道车辆底部的高速相机拍摄当前轨道场景，同时LED灯持续提供可靠光源，以获取高质量轨道零部件图像。
步骤2：数据图像筛选。
从获取的轨道图像中筛选出典型轨枕缺陷图和正常轨枕图，图像选取的标准是图像清晰、拍摄的轨枕部件完整无遮挡，并采用数据增强技术对数据集进行扩充；按照正常轨枕、轨枕掉块、轨枕裂缝数量为1:1:1制作训练集。
步骤3：数据图像标注。
将步骤2制作的训练集人工标注，使用LabelImg图像标注软件对轨枕正常、裂缝、掉块三类进行标注。
步骤4：模型基础训练。
采用深度学习YOLO v3目标检测算法对上述训练集进行模型基础训练；其中预训练模型采用已在ImgNet数据集上训练好的Darknet53.conv.74。
步骤5：模型稀疏训练。
利用BN层的γ系数评判轨枕缺陷检测网络中各通道和层的重要性，BN层前向传导公式为：
Figure BDA0003601565360000021
Figure BDA0003601565360000022
Figure BDA0003601565360000023
Figure BDA0003601565360000024
式中，m为mini-batch size，xi和yi分别为BN层的输入、输出，β为偏置系数，μB和
Figure BDA0003601565360000025
分别为输入的均值和方差。ε为一个无限接近0但不等于0的数。
稀疏训练具体操作是在原基础训练的损失函数的基础上，增加关于γ系数的稀疏正则化项，如下式：
Figure BDA0003601565360000026
其中，等式右边第一项为网络训练损失函数，x，y代表训练的输入和目标值，W为网络训练权重参数，λ为两项的平衡因子，Γ表示所有通道的集合，g(γ)为稀疏正则化项，取L1正则化：g(γ)＝γ。
步骤6：模型剪枝。
根据步骤5稀疏训练结果，对各通道和层进行重要性排序，并设定剪枝比例。
对YOLO v3的特征提取网络Darknet53进行剪枝，对前25％不重要的通道和层进行剪枝；对于层剪枝，是在通道剪枝的基础上对YOLO v3的shortcut层进行剪枝，同时减去该shortcut层前面的两个卷积层；与通道剪枝类似，层剪枝依据shortcut层前面的一个CBL层的γ均值排序情况，取最小的若干个shortcut层进行剪枝。
步骤7：模型微调。
将剪枝完成的模型再次进行数据集的训练，训练周期设置在100个周期。
步骤8：迭代剪枝；在步骤7微调模型后，再重复步骤5-步骤7。
进一步的，步骤2中数据增强包括调整亮度、旋转和添加噪声。
本发明的有益技术效果为：
1、本发明基于剪枝算法的轨枕缺陷检测方法，既保持了原基础模型的网络架构，又裁剪了网络中的不重要的通道和层，实现在保证轨枕缺陷检测精度的基础上，压缩模型尺寸，加快检测速度，大大提高了模型应用部署可行性。
2、本发明通过利用BN层的γ系数评判网络通道重要性，原理清晰且操作简单快捷地获取了各个通道在网络中的重要性，为剪枝提供了可靠依据。
3、本发明通道剪枝和层剪枝分别从网络的宽度和深度两个方面对模型进行压缩，通道剪枝侧重对模型参数尺寸的压缩，能大幅度地减少冗余参数；层剪枝能明显缩短模型推理时间。通道剪枝和层剪枝的相互结合使用，进一步增强了剪枝效果，获取了更小的模型和更快的模型推理速度。
附图说明
图1为本发明基于剪枝算法的轨枕实时缺陷检测方法流程图；
图2为轨枕裂缝示例图；
图3为轨枕缺块示例图；
图4为Darknet53网络结构图。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明的一种基于剪枝算法的轨枕实时缺陷检测方法如图1所示，包括以下步骤：
步骤1：数据图像获取。
安装在行驶的轨道车辆上的测距仪检测到一定时长的高度差脉冲时，代表此时行经轨枕区域，将触发轨道车辆底部的高速相机拍摄当前轨道场景，同时LED灯持续提供可靠光源，以获取高质量轨道零部件图像。
步骤2：数据图像筛选。
从获取的轨道图像中筛选出典型轨枕缺陷图和正常轨枕图，图像选取的标准是图像清晰、拍摄的轨枕部件完整无遮挡，并采用数据增强(调整亮度、旋转、添加噪声)技术对数据集进行扩充；按照正常轨枕、轨枕掉块、轨枕裂缝数量为1:1:1制作训练集。
步骤3：数据图像标注。
将步骤2制作的训练集人工标注，使用LabelImg图像标注软件对轨枕正常、裂缝、掉块三类进行标注。
步骤4：模型基础训练。
采用深度学习YOLO v3目标检测算法对上述训练集进行模型基础训练；为提高模型训练速度、加快收敛，并进一步增强模型泛化能力，采用迁移学习方式进行模型基础训练，其中预训练模型采用已在ImgNet数据集上训练好的Darknet53.conv.74。
步骤5：模型稀疏训练。稀疏训练的目的是对基础模型中的各通道和层进行重要性排序，评判不重要的通道和层，为第六步模型剪枝做准备。
利用BN层的γ系数评判轨枕缺陷检测网络中各通道和层的重要性，约束并优化γ系数，使评价各通道和层的重要性有据可循。BN层前向传导公式为：
Figure BDA0003601565360000041
Figure BDA0003601565360000042
Figure BDA0003601565360000043
Figure BDA0003601565360000044
式中，m为mini-batch size，xi和yi分别为BN层的输入、输出，β为偏置系数，μB和
Figure BDA0003601565360000045
分别为输入的均值和方差。卷积层的每个卷积核都会产生一个特征图，针对每个特征图BN层在归一化时有唯一的缩放系数γ与其对应。将BN层的γ系数视作该通道对网络的贡献值。γ系数越大，代表其对网络的增益越大，γ系数越接近0，说明该通道对网络的影响微乎其微，可考虑将该通道裁剪。
稀疏训练具体操作是在原基础训练的损失函数的基础上，增加关于γ系数的稀疏正则化项，如下式：
Figure BDA0003601565360000046
其中，等式右边第一项为网络训练损失函数，x，y代表训练的输入和目标值，W为网络训练权重参数，λ为两项的平衡因子，Γ表示所有通道的集合，g(γ)为稀疏正则化项，取L1正则化：g(γ)＝γ。
步骤6：模型剪枝。
根据步骤5稀疏训练结果，对各通道和层进行重要性排序，并设定剪枝比例。
对YOLO v3的特征提取网络Darknet53(如图4所示)进行剪枝，对前25％不重要的通道和层进行剪枝；对于层剪枝，是在通道剪枝的基础上对YOLO v3的23处shortcut层(图中Residual模块)进行剪枝，同时为保证网络结构的完整性，需要同时减去该shortcut层前面的两个卷积层；与通道剪枝类似，层剪枝依据shortcut层前面的一个CBL(Convolution-Batch normalization-LeakyReLu)层的γ均值排序情况，取最小的若干个shortcut层进行剪枝。
步骤7：模型微调。步骤6完成之后得到的剪枝模型会出现轨枕缺陷检测精度下降的情况，因此对模型进行微调。
将剪枝完成的模型再次进行数据集的训练，训练周期设置在100个周期。在模型微调完成之后，模型精度会再次提升至与第四部基础模型的精度水平左右。
步骤8：迭代剪枝；若想获取更加轻量的模型，可以使用迭代剪枝策略。
在步骤7微调模型后，再重复步骤5-步骤7。通过“少量多次，精准剪枝”的策略实现在尽可能压缩网络尺寸的同时，保证模型检测精度受影响程度较小。
本发明在系统层面，有效加快了轨枕缺陷检测速度，可实现在嵌入式设备部署并在线检测。在模型层面，通过γ系数大小评判网络各通道重要性，具有原理简单、操作简便的优点。

Claims (3)

1.一种基于剪枝算法的轨枕实时缺陷检测方法，其特征在于，包括以下步骤：
步骤1：数据图像获取；
安装在行驶的轨道车辆上的测距仪检测到一定时长的高度差脉冲时，代表此时行经轨枕区域，将触发轨道车辆底部的高速相机拍摄当前轨道场景，同时LED灯持续提供可靠光源，以获取高质量轨道零部件图像；
步骤2：数据图像筛选；
从获取的轨道图像中筛选出典型轨枕缺陷图和正常轨枕图，图像选取的标准是图像清晰、拍摄的轨枕部件完整无遮挡，并采用数据增强技术对数据集进行扩充；按照正常轨枕、轨枕掉块、轨枕裂缝数量为1:1:1制作训练集；
步骤3：数据图像标注；
将步骤2制作的训练集人工标注，使用LabelImg图像标注软件对轨枕正常、裂缝、掉块三类进行标注；
步骤4：模型基础训练；
采用深度学习YOLO v3目标检测算法对上述训练集进行模型基础训练；其中预训练模型采用已在ImgNet数据集上训练好的Darknet53.conv.74；
步骤5：模型稀疏训练；
利用BN层的γ系数评判轨枕缺陷检测网络中各通道和层的重要性，BN层前向传导公式为：
Figure FDA0003601565350000011
Figure FDA0003601565350000012
Figure FDA0003601565350000013
Figure FDA0003601565350000014
式中，m为mini-batch size，xi和yi分别为BN层的输入、输出，β为偏置系数，μB和
Figure FDA0003601565350000015
分别为输入的均值和方差；
稀疏训练具体操作是在原基础训练的损失函数的基础上，增加关于γ系数的稀疏正则化项，如下式：
Figure FDA0003601565350000016
其中，等式右边第一项为网络训练损失函数，x，y代表训练的输入和目标值，W为网络训练权重参数，λ为两项的平衡因子，Γ表示所有通道的集合，g(γ)为稀疏正则化项，取L1正则化：g(γ)＝γ；
步骤6：模型剪枝；
根据步骤5稀疏训练结果，对各通道和层进行重要性排序，并设定剪枝比例；
对YOLO v3的特征提取网络Darknet53进行剪枝，对前25％不重要的通道和层进行剪枝；对于层剪枝，是在通道剪枝的基础上对YOLO v3的shortcut层进行剪枝，同时减去该shortcut层前面的两个卷积层；与通道剪枝类似，层剪枝依据shortcut层前面的一个CBL层的γ均值排序情况，取最小的若干个shortcut层进行剪枝；
步骤7：模型微调；
将剪枝完成的模型再次进行数据集的训练，训练周期设置在100个周期。
2.根据权利要求1所述的一种基于剪枝算法的轨枕实时缺陷检测方法，其特征在于，还包括步骤8：迭代剪枝；在步骤7微调模型后，再重复步骤5-步骤7。
3.根据权利要求1所述的一种基于剪枝算法的轨枕实时缺陷检测方法，其特征在于，所述步骤2中数据增强包括调整亮度、旋转和添加噪声。
CN202210404118.5A 2022-04-18 2022-04-18 一种基于剪枝算法的轨枕实时缺陷检测方法 Pending CN114841931A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210404118.5A CN114841931A (zh) 2022-04-18 2022-04-18 一种基于剪枝算法的轨枕实时缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210404118.5A CN114841931A (zh) 2022-04-18 2022-04-18 一种基于剪枝算法的轨枕实时缺陷检测方法

Publications (1)

Publication Number Publication Date
CN114841931A true CN114841931A (zh) 2022-08-02

Family

ID=82566240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210404118.5A Pending CN114841931A (zh) 2022-04-18 2022-04-18 一种基于剪枝算法的轨枕实时缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114841931A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796168A (zh) * 2019-09-26 2020-02-14 江苏大学 一种基于改进YOLOv3的车辆检测方法
CN111325342A (zh) * 2020-02-19 2020-06-23 深圳中兴网信科技有限公司 模型的压缩方法、装置、目标检测设备和存储介质
CN111401523A (zh) * 2020-03-13 2020-07-10 大连理工大学 一种基于网络层剪枝的深度学习网络模型压缩方法
CN111815605A (zh) * 2020-07-09 2020-10-23 成都协创信和科技有限公司 基于分步深度学习的轨枕缺陷检测方法及存储介质
CN112001477A (zh) * 2020-06-19 2020-11-27 南京理工大学 一种基于深度学习的目标检测YOLOv3的模型优化算法
CN112668663A (zh) * 2021-01-05 2021-04-16 南京航空航天大学 一种基于YOLOv4的航拍小汽车检测方法
CN113128355A (zh) * 2021-03-29 2021-07-16 南京航空航天大学 一种基于通道剪枝的无人机图像实时目标检测方法
CN113222920A (zh) * 2021-04-30 2021-08-06 南京航空航天大学 基于剪枝YOLOv3的吸管缺陷检测方法
AU2021104243A4 (en) * 2021-07-16 2021-09-09 Ziteng Li Method of Pedestrian detection based on multi-layer feature fusion

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796168A (zh) * 2019-09-26 2020-02-14 江苏大学 一种基于改进YOLOv3的车辆检测方法
CN111325342A (zh) * 2020-02-19 2020-06-23 深圳中兴网信科技有限公司 模型的压缩方法、装置、目标检测设备和存储介质
CN111401523A (zh) * 2020-03-13 2020-07-10 大连理工大学 一种基于网络层剪枝的深度学习网络模型压缩方法
CN112001477A (zh) * 2020-06-19 2020-11-27 南京理工大学 一种基于深度学习的目标检测YOLOv3的模型优化算法
CN111815605A (zh) * 2020-07-09 2020-10-23 成都协创信和科技有限公司 基于分步深度学习的轨枕缺陷检测方法及存储介质
CN112668663A (zh) * 2021-01-05 2021-04-16 南京航空航天大学 一种基于YOLOv4的航拍小汽车检测方法
CN113128355A (zh) * 2021-03-29 2021-07-16 南京航空航天大学 一种基于通道剪枝的无人机图像实时目标检测方法
CN113222920A (zh) * 2021-04-30 2021-08-06 南京航空航天大学 基于剪枝YOLOv3的吸管缺陷检测方法
AU2021104243A4 (en) * 2021-07-16 2021-09-09 Ziteng Li Method of Pedestrian detection based on multi-layer feature fusion

Similar Documents

Publication Publication Date Title
CN106875373A (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN110569730B (zh) 一种基于U-net神经网络模型的路面裂缝自动识别方法
CN111626355A (zh) 一种基于Unet++卷积神经网络的地震数据初至拾取方法
CN113269787A (zh) 一种基于门控融合的遥感图像语义分割方法
CN115482491B (zh) 一种基于transformer的桥梁缺陷识别方法与系统
CN111598855B (zh) 一种基于深度学习和迁移学习的2c设备高铁接触网吊弦缺陷检测方法
CN115409824A (zh) 一种基于深度卷积神经网络的硅晶圆表面缺陷检测方法
CN113392849A (zh) 一种基于r-cnn的复杂路面裂缝识别方法
CN112084928B (zh) 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法
CN113269224B (zh) 一种场景图像分类方法、系统及存储介质
CN109840904B (zh) 一种高铁接触网大尺度差异零部件检测方法
CN110458019B (zh) 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法
CN113313031A (zh) 一种基于深度学习的车道线检测和车辆横向定位方法
CN111652211A (zh) 一种动车抗蛇行减振器安装座挂异物故障检测方法
CN117649607B (zh) 基于SegNet深度学习模型的海草床遥感识别方法、装置
CN117475296B (zh) 一种农村违章建筑实时监测方法及系统
CN116664478A (zh) 一种基于深度学习的钢材表面缺陷检测算法
CN116704188A (zh) 一种基于改进U-Net网络的不同容重小麦籽粒图像分割算法
CN110991317A (zh) 一种基于多尺度透视感知型网络的人群计数方法
CN115240069A (zh) 一种全雾天场景下的实时性障碍物检测方法
CN115409823A (zh) 一种基于生成式对抗网络的太阳能网版缺陷检测方法
CN117876397A (zh) 一种基于多视角数据融合的桥梁构件三维点云分割方法
CN115619718A (zh) 基于嵌入式边缘平台的钢板缺陷实时检测系统与方法
CN116934780A (zh) 一种基于深度学习的电成像测井图像裂缝分割方法及系统
CN111815526B (zh) 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220802