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

CN110599452A - 锈迹检测网络、方法、计算机设备及可读存储介质 - Google Patents

锈迹检测网络、方法、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN110599452A
CN110599452A CN201910726368.9A CN201910726368A CN110599452A CN 110599452 A CN110599452 A CN 110599452A CN 201910726368 A CN201910726368 A CN 201910726368A CN 110599452 A CN110599452 A CN 110599452A
Authority
CN
China
Prior art keywords
layer
characteristic diagram
feature map
output
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.)
Granted
Application number
CN201910726368.9A
Other languages
English (en)
Other versions
CN110599452B (zh
Inventor
甘津瑞
吴鹏
赵婷
董世文
王岳
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.)
State Grid Corp of China SGCC
State Grid Shandong Electric Power Co Ltd
Global Energy Interconnection Research Institute
Original Assignee
State Grid Corp of China SGCC
State Grid Shandong Electric Power Co Ltd
Global Energy Interconnection 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 State Grid Corp of China SGCC, State Grid Shandong Electric Power Co Ltd, Global Energy Interconnection Research Institute filed Critical State Grid Corp of China SGCC
Priority to CN201910726368.9A priority Critical patent/CN110599452B/zh
Publication of CN110599452A publication Critical patent/CN110599452A/zh
Application granted granted Critical
Publication of CN110599452B publication Critical patent/CN110599452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种锈迹检测网络、方法与可读存储介质，属于计算机视觉技术领域。本发明实施例提供的锈迹检测网络为U型分割网络结构，解码阶段会在升采样过程中与编码阶段对应的特征图进行拼接，以最大程度的保留编码阶段中降采样过程得到的一些重要的特征信息，能够处理任意大小的图像、精准的定位锈迹；引入感受野模块代替传统卷积操作，能够有效的提高感受野，很好的解决锈迹的错分部分，提高锈迹检测的准确率。同时，本申请提供的锈迹检测方法，基于上述锈迹检测网络对待检测图像进行处理，能够实现对锈迹的精准定位。

Description

锈迹检测网络、方法、计算机设备及可读存储介质
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种锈迹检测网络、方法、计算机设备及可读存储介质。
背景技术
随着经济的快速发展,高压输电线路越建越多，且距离长、跨度广,对可靠性的要求越来越高。输电线路由架空导地线、绝缘子、金具、杆塔、基础和接地装置等部件组成，由于这些设备长期暴露在外，会受到各种气候条件的影响，这都使输电线路设备的金属部件在容易受到腐蚀破坏，导致设备损坏，引起安全事故。因此，高压输电线路的锈蚀检测至关重要，对输电线路的安全运行产生了重要的影响。
目前，在输电线路安全检测领域，主要通过两种方式，一种是人工巡检，一种则是利用无人机、机器人拍摄输电线路的相关部件,获取巡检图像,运用计算机视觉技术对图像进行处理,实现输电线路的自动诊断。
但是，目前针对输电线路锈蚀检测的研究非常少，在输电线路的锈迹检测方面，存在着准确率不高、且模型训练中参数过多运算量过大的问题。
发明内容
本申请实施例提供了一种锈迹检测网络、方法、计算机设备及可读存储介质，能解决相关技术中对锈迹识别准确率低的问题。所述技术方案如下：
一方面，提供了一种锈迹检测网络，包括：
编码网络与解码网络；所述编码网络的输出与所述解码网络的输入连接；其中，
所述编码网络共有5层：所述编码网络的第一层至第五层顺次连接；
所述编码网络的第一层，包括增强感受野模块；
所述编码网络的第二至五层，包括最大池化层、增强感受野模块；
所述解码网络共有5层：所述编码网络的第五层至第一层顺次连接；
解码网络第五至二层，包括反卷积层、拼接层、增强感受野模块；
解码网络第一层，包括拼接层、增强感受野模块、卷积层；
所述编码网络的第五层与所述解码网络的第五层连接。
可选的，所述增强感受野模块包括：
获取模块，用于获取上一层得到的特征图，以获取的特征图作为所述增强感受野模块的原始特征图；
第一卷积层，包括2个不同的1×1卷积核，用于对所述增强感受野模块的原始特征图进行处理，输出特征图A1、特征图A2；
第二卷积层，包括3个不同的卷积核，用于对第一层卷积输出的特征图进行处理：通过1×1卷积核对所述原始特征图进行处理，输出特征图B0；通过3×3卷积核对所述特征图A1进行卷积操作，输出特征图B1；通过5×5卷积核对所述特征图A2进行卷积操作，输出特征图B2；
第三卷积层，包括3个不同的卷积模块，用于对所述第二卷积层输出的特征图进行处理：通过3×3卷积核及膨胀率为1的空洞卷积滤波对所述特征图B0进行处理，输出特征图C0；通过3×3卷积核及膨胀率为3的空洞卷积滤波对所述特征图B0进行处理，输出特征图C1；通过3×3卷积核及膨胀率为5的空洞卷积滤波对所述特征图B0进行处理，输出特征图C2；
第一融合模块，用于对所述第三卷积层输出的特征图进行处理：对所述特征图C0、特征图C1、特征图C2进行拼接，之后通过1×1卷积核对拼接后得到的特征图进行滤波，输出特征图D1；
第二融合模块，用于将所述增强感受野模块的原始特征图和所述第一融合模块输出的特征图进行相加；
输出模块，对所述第二融合模块输出的特征图进行激活，并输出激活后的特征图，
其中，所述卷积操作均采用填充策略，以保证分辨率与卷积前一致。
一方面，提供了一种锈迹检测方法，包括：
获取待检测图像；
通过锈迹检测网络对待检测图像进行分析，以得到所述待检测图像的分割图；其中，所述锈迹检测网络是本申请实施例提供的锈迹检测网络；
计算并标注待检测图像中的锈迹位置。
可选的，通过锈迹检测网络对待检测图像进行分析，以得到所述待检测图像的分割图，包括：
通过感受野模块对待检测图像进行滤波，得到编码网络第一层输出特征图；
对所述编码网络第一层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第二层输出特征图；
对所述编码网络第二层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第三层输出特征图；
对所述编码网络第三层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第四层输出特征图；
对所述编码网络第四层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第五层输出特征图。
可选的，所述通过锈迹检测网络对待检测图像进行分析，以得到所述待检测图像的分割图，还包括：
对所述编码网络第五层输出特征图进行反卷积，获取与所述编码网络第四层输出特征图尺寸相同的图像，之后与所述编码网络第四层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第四层输出特征图；
对所述解码网络第四层输出特征图进行反卷积，获取与所述编码网络第三层输出特征图尺寸相同的图像，之后与所述编码网络第三层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第三层输出特征图；
对所述解码网络第三层输出特征图进行反卷积，获取与所述编码网络第二层输出特征图尺寸相同的图像，之后与所述编码网络第二层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第二层输出特征图；
对所述解码网络第二层输出特征图进行反卷积，获取与所述编码网络第一层输出特征图尺寸相同的图像，之后与所述编码网络第一层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第一层输出特征图，即解码网络第一层的输出特征图。
可选的，所述增强感受野模块，包含：
获取模块，用于获取上一层得到的特征图，以获取的特征图作为所述增强感受野模块的原始特征图；
第一卷积层，用于对所述增强感受野模块的原始特征图进行处理；
第二卷积层，用于对所述第一卷积层输出的特征图进行处理；
第三卷积层，用于对所述第二卷积层输出的特征图进行处理；
第一融合模块，用于对所述第三卷积层输出的特征图进行处理；
第二融合模块，用于将所述增强感受野模块的原始特征图和所述第一融合模块输出的特征图进行相加；
输出模块，对所述第二融合模块输出的特征图进行激活，并输出激活后的特征图。
可选的，所述第一卷积层，用于对所述增强感受野模块的原始特征图进行处理，包括：
通过两个不同的1×1卷积核分别对所述增强感受野模块的原始特征图进行卷积操作，输出特征图A1、特征图A2。
可选的，所述第二卷积层，用于对所述第一卷积层输出的特征图进行处理，包括：
通过1×1卷积核对所述增强感受野模块的原始特征图进行卷积操作，输出特征图B0；
通过3×3卷积核对所述特征图A1进行卷积操作，输出特征图B1；
通过5×5卷积核对所述特征图A2进行卷积操作，输出特征图B2。
可选的，所述第三卷积层，用于对所述第二卷积层输出的特征图进行处理，包括：
通过3×3卷积核及膨胀率为1的空洞卷积滤波对所述特征图B0进行处理，输出特征图C0；
通过3×3卷积核及膨胀率为3的空洞卷积滤波对所述特征图B0进行处理，输出特征图C1；
通过3×3卷积核及膨胀率为5的空洞卷积滤波对所述特征图B0进行处理，输出特征图C2。
可选的，所述第一融合模块，用于对所述第三卷积层输出的特征图进行处理，包括：
对所述特征图C0、特征图C1、特征图C2进行拼接，之后通过1×1卷积核对拼接后得到的特征图进行滤波，输出特征图D1。
可选的，所述卷积操作均采用填充策略，以保证分辨率与卷积前一致。
可选的，所述获取待检测图像的分割图，包括：
对所述解码阶段第一层的输出特征图进行卷积操作，获取待检测图像的分割图，所述分割图通道数为1，取值范围为0～1之间；
采用图像级的二分类损失和像素级的二分类损失融合的方式，对检测结果进行损失度量；
所述图像级分类损失采用普通的交叉熵损失；
所述像素级的二分类损失采用聚焦损失函数。
可选的，所述计算并标注待检测图像中的锈迹位置，包括：
当某一个像素的分割图取值大于0.5，则标注该像素为锈迹像素。
一方面，提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令或程序，所述至少一条指令或程序由所述处理器加载并执行以实现本申请提供的锈迹检测方法。
一方面，提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令或程序，所述指令或程序由处理器加载并执行以实现本申请提供的锈迹检测方法。
本申请实施例提供的技术方案，带来的有益效果至少包括如下：
本申请提供的锈迹检测网络为U型分割网络结构，解码阶段会在升采样过程中与编码阶段对应的特征图进行拼接，以最大程度的保留编码阶段中降采样过程得到的一些重要的特征信息，能够处理任意大小的图像、精准的定位锈迹；以引入感受野模块代替传统卷积操作，能够有效的提高感受野，很好的解决锈迹的错分部分，提高锈迹检测的准确率。
本申请提供的锈迹检测方法，基于上述锈迹检测网络对待检测图像进行处理，能够对锈迹进行精准的定位。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中锈迹检测网络的一个示意的结构图；
图2为本发明实施例中感受野模块的示意结构图；
图3为本发明实施例中锈迹检测方法的一个示意流程图；
图4为U-Net网络结构示意图；
图5为本发明实施例中感受野模块的示意结构图；
图6为本申请一个示例性实施例中的计算机设备的框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
首先对实施例中涉及的相关名词进行解释，在实施例中不再对这些概念进行赘述：
感受野(Receptive Field)：在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图(feature map)上的像素点在输入图片上映射的区域大小。通俗点的解释是，特征图上的一个点对应输入图上的区域。
初始网络(Inception Network)：Inception网络是卷积神经网络发展史上重要的里程碑。为了使网络既能学习全局性特征，又能学习局部性特征，Inception网络做了如下改进：使用3个不同的卷积核1×1，3×3，5×5；在宽度上增加3×3最大池化，是为了增强图像的抗噪能力；以上4个模块的结果会在通道轴上做拼接。
空洞卷积(dilated convolution)：在标准的卷积操作里里注入空洞，以此来增加感受野。相比原来的正常卷积，空洞卷积多了一个超参数称之为膨胀率，指的是核心(kernel)的间隔数量(比如正常的卷积膨胀率为1)。
聚焦损失函数(focal loss)：聚焦损失函数主要是为了解决目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。聚焦损失函数是在交叉熵损失函数基础上加了一个γ因子，其中γ>0使得减少易分类样本的损失。使得更关注于困难的、错分的样本。
Relu激活函数：线性整流激活函数。
图1，示出了本发明实施例中锈迹检测网络的一个示意的结构图。如图1所示，包括编码网络与解码网络；编码网络的输出与解码网络的输入连接；其中，
编码网络共有5层：编码网络的第一层至第五层顺次连接；
编码网络的第一层，包括增强感受野模块；
编码网络的第二至五层，包括最大池化层、增强感受野模块；
解码网络共有5层：编码网络的第五层至第一层顺次连接；
解码网络第五至二层，包括反卷积层、拼接层、增强感受野模块；
解码网络第一层，包括拼接层、增强感受野模块、卷积层；
编码网络的第五层与解码网络的第五层连接。
可选的，增强感受野模块包括：
获取模块，用于获取上一层得到的特征图，以获取的特征图作为增强感受野模块的原始特征图；
第一卷积层，包括2个不同的1×1卷积核，用于对增强感受野模块的原始特征图进行处理，输出特征图A1、特征图A2；
第二卷积层，包括3个不同的卷积核，用于对第一层卷积输出的特征图进行处理：通过1×1卷积核对原始特征图进行处理，输出特征图B0；通过3×3卷积核对特征图A1进行卷积操作，输出特征图B1；通过5×5卷积核对特征图A2进行卷积操作，输出特征图B2；
第三卷积层，包括3个不同的卷积模块，用于对第二卷积层输出的特征图进行处理：
通过3×3卷积核及膨胀率为1的空洞卷积滤波对特征图B0进行处理，输出特征图C0；通过3×3卷积核及膨胀率为3的空洞卷积滤波对特征图B0进行处理，输出特征图C1；通过3×3卷积核及膨胀率为5的空洞卷积滤波对特征图B0进行处理，输出特征图C2；
第一融合模块，用于对第三卷积层输出的特征图进行处理：对特征图C0、特征图C1、特征图C2进行拼接，之后通过1×1卷积核对拼接后得到的特征图进行滤波，输出特征图D1；
第二融合模块，用于将增强感受野模块的原始特征图和第一融合模块输出的特征图进行相加；
输出模块，对第二融合模块输出的特征图进行激活，并输出激活后的特征图，
其中，卷积操作均采用填充策略，以保证分辨率与卷积前一致。
本申请提供的锈迹检测网络基于经典的U-Net网络结构，U-Net网络结构如图4所示。U-Net包含两部分：编码和解码，分别如图4中的左半部分和右半部分。编码阶段中每一层包含两个无填充的3×3的卷积层，随后会接上一个步长为2的2×2的最大池化层。每一次卷积后面会采用relu激活函数，并且每一次池化后都会增加比前一层一倍的通道数。
在解码阶段，图像的分辨率还原采用2×2的反卷积操作(激活函数也是relu)和两个无填充的3×3的卷积层。每一次的上采样后的特征图都会拼接上编码阶段中同一层的特征图(经裁剪以保持相同的形状)。网络的最后接上一个1×1的卷积层，得到所需要的分类结果的数量。U-Net网络由于只有卷积和池化操作，则可以处理任意形状的图片。
一般而言，较浅的卷积层(靠前的)的感受域比较小，学习感知细节部分的能力强，较深的隐藏层(靠后的)，感受域相对较大，适合学习较为整体的、相对更宏观一些的特征。所以在较深的卷积层上进行反卷积还原，自然会丢失很多细节特征。尽管U-Net网络在解码阶段利用了编码阶段中的特征图，但还是无法避免对细节不敏感等问题。
本申请提供的锈迹检测网络在U-Net网络的基础上在卷积操作中通过模拟人类视觉的感受野加强网络的特征提取能力，引入增强感受野模块，即借鉴了Inception的思想，主要是在Inception的基础上加入了空洞卷积层，从而有效增大感受野。本申请提供的锈迹检测网络基于U-Net模型，将其中的常规卷积操作用增强感受野模块替代，增强感受野模块结构如图2所示。
增强感受野模块是多分支卷积块，其内部结构可以分为两个部分，具有不同内核的多分支卷积层和空洞卷积层，如图3所示：前一部分使用具有不同内核的多分支池化层模拟多种尺寸的感受野，后一部分的空洞卷积层再现了人类视觉系统中感受野尺寸与离心率之间的关系。最后会将不同尺寸和比率的卷积层输出进行拼接，达到融合不同特征的目的。
最终，整个网络结构如图1所示。
其与U-Net网络结构的不同点在于：
(1)利用增强感受野模块替代常规的卷积操作；
(2)增强感受野模块中的卷积操作采用填充策略，保证分辨率与卷积前相同，这样在解码阶段的拼接操作就不用裁剪以保证形状一致。最终的损失函数包含两部分：图像级的二分类损失和像素级的二分类损失，如下式：
L＝Lpixel+λLimg
其中Lpixel为像素级的二分类损失，采用常规的focal loss损失函数；Limg为图像级的二分类损失，采用常规的交叉熵损失函数；λ为平滑参数，设置为0.01。
在网络的训练阶段，权重初始化采用泽维尔(Xavier)初始化，优化器使用0.99动量系数的随机梯度下降法(Stochastic gradient descent,SGD)，批处理(batch)数设置为16，其它则采用U-Net相似的参数且采用类似的数据增强策略。
在损失函数设计中，融合了图像级的二分类损失和像素级的二分类损失。其中图像级分类损失采用普通的交叉熵损失，惩罚图像有无锈迹的错分；而像素级的二分类损失采用focal loss函数，一方面惩罚像素的锈迹错分，另一方面平衡正负样本的不均衡性。
综上所述，本申请实施例中，提供的锈迹检测网络为U型分割网络结构，解码阶段会在升采样过程中与编码阶段对应的特征图进行拼接，以最大程度的保留编码阶段中降采样过程得到的一些重要的特征信息，能够处理任意大小的图像、精准的定位锈迹；以引入感受野模块代替传统卷积操作，能够有效的提高感受野，很好的解决锈迹的错分部分，提高锈迹检测的准确率。
可选的，在像素级的二分类损失采用focal loss函数，一方面惩罚像素的锈迹错分，另一方面平衡正负样本的不均衡性，能很好应对实际场景中锈迹检测中正负样本的不均衡性。
如图5所示，本申请实施例提供一种锈迹检测方法，包括：
步骤501，获取待检测图像；
步骤502，通过锈迹检测网络对待检测图像进行分析，以得到所待检测图像的分割图；其中，锈迹检测网络是本申请实施例提供的锈迹检测网络；
步骤503，计算并标注待检测图像中的锈迹位置。
可选的，通过锈迹检测网络对待检测图像进行分析，以得到待检测图像的分割图，包括：
通过感受野模块对待检测图像进行滤波，得到编码网络第一层输出特征图；
对编码网络第一层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第二层输出特征图；
对编码网络第二层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第三层输出特征图；
对编码网络第三层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第四层输出特征图；
对编码网络第四层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第五层输出特征图。
可选的，通过锈迹检测网络对待检测图像进行分析，以得到待检测图像的分割图，还包括：
对编码网络第五层输出特征图进行反卷积，获取与编码网络第四层输出特征图尺寸相同的图像，之后与编码网络第四层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第四层输出特征图；
对解码网络第四层输出特征图进行反卷积，获取与编码网络第三层输出特征图尺寸相同的图像，之后与编码网络第三层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第三层输出特征图；
对解码网络第三层输出特征图进行反卷积，获取与编码网络第二层输出特征图尺寸相同的图像，之后与编码网络第二层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第二层输出特征图；
对解码网络第二层输出特征图进行反卷积，获取与编码网络第一层输出特征图尺寸相同的图像，之后与编码网络第一层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第一层输出特征图，即解码网络第一层的输出特征图。
例如，本申请提供的检测网络能够对输入图像进行如下处理：
将输入图像经过增强感受野模块进行滤波得到编码阶段中第一层输出特征图，通道数为64；
将编码阶段中第一层输出特征图进行2×2最大值池化操作，使得特征图尺寸减半；然后经过增强感受野模块进行滤波得到编码阶段中第二层输出特征图，通道数为128；
将编码阶段中第二层输出特征图进行2×2最大值池化操作，使得特征图尺寸再次减半；然后经过增强感受野模块进行滤波得到编码阶段中第三层输出特征图，通道数为256；
将编码阶段中第三层输出特征图进行2×2最大值池化操作，使得特征图尺寸再次减半；然后经过增强感受野模块进行滤波得到编码阶段中第四层输出特征图，通道数为512；
将编码阶段中第四层输出特征图进行2×2最大值池化操作，使得特征图尺寸再次减半；然后经过增强感受野模块进行滤波得到编码阶段中第五层输出特征图，通道数为1024；
将编码阶段中第五层输出特征图进行2×2反卷积操作，使得特征图尺寸增倍，以保证与编码阶段中第四层输出特征图保持相同尺寸；然后与编码阶段中第四层输出特征图在通道维度上进行简单拼接；再经过增强感受野模块进行滤波得到解码阶段中第四层输出特征图，通道数为512；
将解码阶段中第四层输出特征图进行2×2反卷积操作，使得特征图尺寸增倍，以保证与编码阶段中第三层输出特征图保持相同尺寸；然后与编码阶段中第三层输出特征图在通道维度上进行简单拼接；再经过增强感受野模块进行滤波得到解码阶段中第三层输出特征图，通道数为256；
将解码阶段中第三层输出特征图进行2×2反卷积操作，使得特征图尺寸增倍，以保证与编码阶段中第二层输出特征图保持相同尺寸；然后与编码阶段中第二层输出特征图在通道维度上进行简单拼接；再经过增强感受野模块进行滤波得到解码阶段中第二层输出特征图，通道数为128；
将解码阶段中第二层输出特征图进行2×2反卷积操作，使得特征图尺寸增倍，以保证与编码阶段中第一层输出特征图保持相同尺寸；然后与编码阶段中第一层输出特征图在通道维度上进行简单拼接；再经过增强感受野模块进行滤波得到解码阶段中第一层输出特征图，通道数为64；
最后将解码阶段中第一层输出特征图进行常规的1×1卷积操作，得到输出分割图。由于锈迹检测是一个二分类问题，因此输出的分割图通道数为1，取值范围为0～1之间。
根据输出分割图，当某一个像素的输出值大于0.5则标注该像素为锈迹像素。
可选的，增强感受野模块，包含：
获取模块，用于获取上一层得到的特征图，以获取的特征图作为增强感受野模块的原始特征图；
第一卷积层，用于对增强感受野模块的原始特征图进行处理；
第二卷积层，用于对第一卷积层输出的特征图进行处理；
第三卷积层，用于对第二卷积层输出的特征图进行处理；
第一融合模块，用于对第三卷积层输出的特征图进行处理；
第二融合模块，用于将增强感受野模块的原始特征图和第一融合模块输出的特征图进行相加；
输出模块，对第二融合模块输出的特征图进行激活，并输出激活后的特征图。
可选的，第一卷积层，用于对增强感受野模块的原始特征图进行处理，包括：
通过两个不同的1×1卷积核分别对增强感受野模块的原始特征图进行卷积操作，输出特征图A1、特征图A2。
可选的，第二卷积层，用于对第一卷积层输出的特征图进行处理，包括：
通过1×1卷积核对增强感受野模块的原始特征图进行卷积操作，输出特征图B0；此时，为了增加细节信息，在第二层中再次使用1×1卷积核对输入原始特征图进行滤波；通过3×3卷积核对特征图A1进行卷积操作，输出特征图B1；
通过5×5卷积核对特征图A2进行卷积操作，输出特征图B2；
这种使用具有不同内核的多分支池化层用于模拟多种尺寸的感受野。
可选的，第三卷积层，用于对第二卷积层输出的特征图进行处理，包括：
通过3×3卷积核及膨胀率为1的空洞卷积滤波对特征图B0进行处理，输出特征图C0；
通过3×3卷积核及膨胀率为3的空洞卷积滤波对特征图B0进行处理，输出特征图C1；
通过3×3卷积核及膨胀率为5的空洞卷积滤波对特征图B0进行处理，输出特征图C2；
这种使用空洞卷积层再现了人类视觉系统中感受野尺寸与离心率之间的关系。
可选的，第一融合模块，用于对第三卷积层输出的特征图进行处理，包括：
对特征图C0、特征图C1、特征图C2进行拼接，之后通过1×1卷积核对拼接后得到的特征图进行滤波，输出特征图D1；这种拼接能达到融合不同特征的目的。
可选的，第二融合模块，用于将增强感受野模块的原始特征图和第一融合模块输出的特征图进行相加，对增强感受野模块的原始特征图进行缩减操作后再与一融合模块输出的特征图进行相加，缩减操作能避免深度网络中梯度的消失，使网络训练更加容易。
可选的，输出模块，对第二融合模块输出的特征图进行激活，并输出激活后的特征图，该模块的输出与输入保持相同的尺寸和通道数。
可选的，卷积操作均采用填充策略，以保证分辨率与卷积前一致。
可选的，获取待检测图像的分割图，包括：
对解码阶段第一层的输出特征图进行卷积操作，获取待检测图像的分割图，分割图通道数为1，取值范围为0～1之间；
采用图像级的二分类损失和像素级的二分类损失融合的方式，对检测结果进行损失度量；
图像级分类损失采用普通的交叉熵损失；
像素级的二分类损失采用聚焦损失函数。
可选的，计算并标注待检测图像中的锈迹位置，包括：
当某一个像素的分割图取值大于0.5，则标注该像素为锈迹像素。
图6示出了本申请一个示例性实施例提供的计算机设备的结构框图。该计算机设备包括：处理器610和存储器620。该计算机设备可以图1实施例中的处理终端140。
处理器610可以是中央处理器(英文：central processing unit，CPU)，网络处理器(英文：network processor，NP)或者CPU和NP的组合。处理器还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integratedcircuit，ASIC)，可编程逻辑器件(英文：programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，FPGA)，通用阵列逻辑(英文：generic array logic，GAL)或其任意组合。
存储器620通过总线或其它方式与处理器610相连，存储器620中存储有至少一条指令、至少一段程序、代码集或指令集，上述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述实施例中由处理终端执行的锈迹检测方法。
存储器620可以为易失性存储器(英文：volatile memory)，非易失性存储器(英文：non-volatile memory)或者它们的组合。易失性存储器可以为随机存取存储器(英文：random-access memory，RAM)，例如静态随机存取存储器(英文：static random accessmemory，SRAM)，动态随机存取存储器(英文：dynamic random access memory，DRAM)。非易失性存储器可以为只读存储器(英文：read only memory image，ROM)，例如可编程只读存储器(英文：programmable read only memory，PROM)，可擦除可编程只读存储器(英文：erasable programmable read only memory，EPROM)，电可擦除可编程只读存储器(英文：electrically erasable programmable read-only memory，EEPROM)。非易失性存储器也可以为快闪存储器(英文：flash memory)，磁存储器，例如磁带(英文：magnetic tape)，软盘(英文：floppy disk)，硬盘。非易失性存储器也可以为光盘。
本申请实施例还提供一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述任一实施例所述的锈迹检测方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (15)

1.一种锈迹检测网络，其特征在于，包括：编码网络与解码网络；所述编码网络的输出与所述解码网络的输入连接；其中，
所述编码网络共有5层：所述编码网络的第一层至第五层顺次连接；
所述编码网络的第一层，包括增强感受野模块；
所述编码网络的第二至五层，包括最大池化层、增强感受野模块；
所述解码网络共有5层：所述编码网络的第五层至第一层顺次连接；
解码网络第五至二层，包括反卷积层、拼接层、增强感受野模块；
解码网络第一层，包括拼接层、增强感受野模块、卷积层；
所述编码网络的第五层与所述解码网络的第五层连接。
2.根据权利要求1所述的锈迹检测网络，其特征在于，所述增强感受野模块包括：
获取模块，用于获取上一层得到的特征图，以获取的特征图作为所述增强感受野模块的原始特征图；
第一卷积层，包括2个不同的1×1卷积核，用于对所述增强感受野模块的原始特征图进行处理，输出特征图A1、特征图A2；
第二卷积层，包括3个不同的卷积核，用于对第一层卷积输出的特征图进行处理：通过1×1卷积核对所述原始特征图进行处理，输出特征图B0；通过3×3卷积核对所述特征图A1进行卷积操作，输出特征图B1；通过5×5卷积核对所述特征图A2进行卷积操作，输出特征图B2；
第三卷积层，包括3个不同的卷积模块，用于对所述第二卷积层输出的特征图进行处理：通过3×3卷积核及膨胀率为1的空洞卷积滤波对所述特征图B0进行处理，输出特征图C0；通过3×3卷积核及膨胀率为3的空洞卷积滤波对所述特征图B0进行处理，输出特征图C1；通过3×3卷积核及膨胀率为5的空洞卷积滤波对所述特征图B0进行处理，输出特征图C2；
第一融合模块，用于对所述第三卷积层输出的特征图进行处理：对所述特征图C0、特征图C1、特征图C2进行拼接，之后通过1×1卷积核对拼接后得到的特征图进行滤波，输出特征图D1；
第二融合模块，用于将所述增强感受野模块的原始特征图和所述第一融合模块输出的特征图进行相加；
输出模块，对所述第二融合模块输出的特征图进行激活，并输出激活后的特征图，
其中，所述卷积操作均采用填充策略，以保证分辨率与卷积前一致。
3.一种锈迹检测方法，其特征在于，所述方法包括：
获取待检测图像；
通过锈迹检测网络对待检测图像进行分析，以得到所述待检测图像的分割图；其中，所述锈迹检测网络是根据权利要求1或2得到的；
计算并标注待检测图像中的锈迹位置。
4.根据权利要求3所述的方法，其特征在于：通过锈迹检测网络对待检测图像进行分析，以得到所述待检测图像的分割图，包括：
通过感受野模块对待检测图像进行滤波，得到编码网络第一层输出特征图；
对所述编码网络第一层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第二层输出特征图；
对所述编码网络第二层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第三层输出特征图；
对所述编码网络第三层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第四层输出特征图；
对所述编码网络第四层输出特征图进行最大池化，之后通过感受野模块进行滤波，得到编码网络第五层输出特征图。
5.根据权利要求4所述的方法，其特征在于：所述通过锈迹检测网络对待检测图像进行分析，以得到所述待检测图像的分割图，还包括：
对所述编码网络第五层输出特征图进行反卷积，获取与所述编码网络第四层输出特征图尺寸相同的图像，之后与所述编码网络第四层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第四层输出特征图；
对所述解码网络第四层输出特征图进行反卷积，获取与所述编码网络第三层输出特征图尺寸相同的图像，之后与所述编码网络第三层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第三层输出特征图；
对所述解码网络第三层输出特征图进行反卷积，获取与所述编码网络第二层输出特征图尺寸相同的图像，之后与所述编码网络第二层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第二层输出特征图；
对所述解码网络第二层输出特征图进行反卷积，获取与所述编码网络第一层输出特征图尺寸相同的图像，之后与所述编码网络第一层输出特征图在通道维度上进行拼接，再通过增强感受野模块进行滤波得到解码网络第一层输出特征图，即解码网络第一层的输出特征图。
6.根据权利要求3所述的方法，其特征在于，所述增强感受野模块，包含：
获取模块，用于获取上一层得到的特征图，以获取的特征图作为所述增强感受野模块的原始特征图；
第一卷积层，用于对所述增强感受野模块的原始特征图进行处理；
第二卷积层，用于对所述第一卷积层输出的特征图进行处理；
第三卷积层，用于对所述第二卷积层输出的特征图进行处理；
第一融合模块，用于对所述第三卷积层输出的特征图进行处理；
第二融合模块，用于将所述增强感受野模块的原始特征图和所述第一融合模块输出的特征图进行相加；
输出模块，对所述第二融合模块输出的特征图进行激活，并输出激活后的特征图。
7.根据权利要求6所述的方法，其特征在于，所述第一卷积层，用于对所述增强感受野模块的原始特征图进行处理，包括：
通过两个不同的1×1卷积核分别对所述增强感受野模块的原始特征图进行卷积操作，输出特征图A1、特征图A2。
8.根据权利要求6所述的方法，其特征在于，所述第二卷积层，用于对所述第一卷积层输出的特征图进行处理，包括：
通过1×1卷积核对所述增强感受野模块的原始特征图进行卷积操作，输出特征图B0；
通过3×3卷积核对所述特征图A1进行卷积操作，输出特征图B1；
通过5×5卷积核对所述特征图A2进行卷积操作，输出特征图B2。
9.根据权利要求6所述的方法，其特征在于，所述第三卷积层，用于对所述第二卷积层输出的特征图进行处理，包括：
通过3×3卷积核及膨胀率为1的空洞卷积滤波对所述特征图B0进行处理，输出特征图C0；
通过3×3卷积核及膨胀率为3的空洞卷积滤波对所述特征图B0进行处理，输出特征图C1；
通过3×3卷积核及膨胀率为5的空洞卷积滤波对所述特征图B0进行处理，输出特征图C2。
10.根据权利要求6所述的方法，其特征在于，所述第一融合模块，用于对所述第三卷积层输出的特征图进行处理，包括：
对所述特征图C0、特征图C1、特征图C2进行拼接，之后通过1×1卷积核对拼接后得到的特征图进行滤波，输出特征图D1。
11.根据权利要求6至10中任一项所述的方法，其特征在于，所述卷积操作均采用填充策略，以保证分辨率与卷积前一致。
12.根据权利要求3所述的方法，其特征在于，所述获取待检测图像的分割图，包括：
对所述解码阶段第一层的输出特征图进行卷积操作，获取待检测图像的分割图，所述分割图通道数为1，取值范围为0～1之间；
采用图像级的二分类损失和像素级的二分类损失融合的方式，对检测结果进行损失度量；
所述图像级分类损失采用普通的交叉熵损失；
所述像素级的二分类损失采用聚焦损失函数。
13.根据权利要求3所述的方法，其特征在于，所述计算并标注待检测图像中的锈迹位置，包括：
当某一个像素的分割图取值大于0.5，则标注该像素为锈迹像素。
14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令或程序，所述至少一条指令或程序由所述处理器加载并执行以实现如权利要求1至11中任一所述的锈迹检测方法。
15.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令或程序，所述指令或程序由处理器加载并执行以实现权利要求1至11中任一所述的锈迹检测方法。
CN201910726368.9A 2019-08-07 2019-08-07 锈迹检测系统、方法、计算机设备及可读存储介质 Active CN110599452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910726368.9A CN110599452B (zh) 2019-08-07 2019-08-07 锈迹检测系统、方法、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910726368.9A CN110599452B (zh) 2019-08-07 2019-08-07 锈迹检测系统、方法、计算机设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN110599452A true CN110599452A (zh) 2019-12-20
CN110599452B CN110599452B (zh) 2022-02-22

Family

ID=68853780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910726368.9A Active CN110599452B (zh) 2019-08-07 2019-08-07 锈迹检测系统、方法、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110599452B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275034A (zh) * 2020-01-19 2020-06-12 世纪龙信息网络有限责任公司 从图像中提取文本区域的方法、装置、设备和存储介质
CN113139617A (zh) * 2021-05-10 2021-07-20 郑州大学 一种输电线路自主定位方法、装置及终端设备
CN113255634A (zh) * 2021-07-18 2021-08-13 杭州电子科技大学 基于改进Yolov5的车载移动端目标检测方法
CN113516594A (zh) * 2021-04-01 2021-10-19 浙江大华技术股份有限公司 图像处理方法、图像处理装置及计算机可读存储介质
CN114049354A (zh) * 2022-01-12 2022-02-15 山东仲良格环保技术有限公司 一种基于金属锈蚀程度的除锈剂优化配比方法及系统
CN115908999A (zh) * 2022-11-25 2023-04-04 合肥中科类脑智能技术有限公司 配电杆塔顶部金具锈蚀检测方法、介质和边缘终端设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268284A1 (en) * 2017-03-15 2018-09-20 Samsung Electronics Co., Ltd. System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions
CN108734211A (zh) * 2018-05-17 2018-11-02 腾讯科技（深圳）有限公司 图像处理的方法和装置
CN109344883A (zh) * 2018-09-13 2019-02-15 西京学院 一种基于空洞卷积的复杂背景下果树病虫害识别方法
CN109409504A (zh) * 2018-10-10 2019-03-01 深圳乐信软件技术有限公司 一种数据处理方法、装置、计算机及存储介质
CN109949276A (zh) * 2019-02-28 2019-06-28 华中科技大学 一种于改进SegNet分割网络的淋巴结检测方法
US20190213779A1 (en) * 2018-01-10 2019-07-11 The Board Of Trustees Of The University Of Illinois Apparatus and method for producing three-dimensional models from magnetic resonance imaging
CN110059758A (zh) * 2019-04-24 2019-07-26 海南长光卫星信息技术有限公司 一种基于语义分割的遥感影像养殖塘检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268284A1 (en) * 2017-03-15 2018-09-20 Samsung Electronics Co., Ltd. System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions
US20190213779A1 (en) * 2018-01-10 2019-07-11 The Board Of Trustees Of The University Of Illinois Apparatus and method for producing three-dimensional models from magnetic resonance imaging
CN108734211A (zh) * 2018-05-17 2018-11-02 腾讯科技（深圳）有限公司 图像处理的方法和装置
CN109344883A (zh) * 2018-09-13 2019-02-15 西京学院 一种基于空洞卷积的复杂背景下果树病虫害识别方法
CN109409504A (zh) * 2018-10-10 2019-03-01 深圳乐信软件技术有限公司 一种数据处理方法、装置、计算机及存储介质
CN109949276A (zh) * 2019-02-28 2019-06-28 华中科技大学 一种于改进SegNet分割网络的淋巴结检测方法
CN110059758A (zh) * 2019-04-24 2019-07-26 海南长光卫星信息技术有限公司 一种基于语义分割的遥感影像养殖塘检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN SZEGEDY等: "Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning", 《ARXIV》 *
蒋宏达等: "一种改进的I⁃Unet网络的皮肤病图像分割算法", 《现代电子技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275034A (zh) * 2020-01-19 2020-06-12 世纪龙信息网络有限责任公司 从图像中提取文本区域的方法、装置、设备和存储介质
CN111275034B (zh) * 2020-01-19 2023-09-12 天翼数字生活科技有限公司 从图像中提取文本区域的方法、装置、设备和存储介质
CN113516594A (zh) * 2021-04-01 2021-10-19 浙江大华技术股份有限公司 图像处理方法、图像处理装置及计算机可读存储介质
CN113139617A (zh) * 2021-05-10 2021-07-20 郑州大学 一种输电线路自主定位方法、装置及终端设备
CN113255634A (zh) * 2021-07-18 2021-08-13 杭州电子科技大学 基于改进Yolov5的车载移动端目标检测方法
CN114049354A (zh) * 2022-01-12 2022-02-15 山东仲良格环保技术有限公司 一种基于金属锈蚀程度的除锈剂优化配比方法及系统
CN115908999A (zh) * 2022-11-25 2023-04-04 合肥中科类脑智能技术有限公司 配电杆塔顶部金具锈蚀检测方法、介质和边缘终端设备

Also Published As

Publication number Publication date
CN110599452B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN110599452B (zh) 锈迹检测系统、方法、计算机设备及可读存储介质
CN112017189B (zh) 图像分割方法、装置、计算机设备和存储介质
CN109685842B (zh) 一种基于多尺度网络的稀疏深度稠密化方法
CN114049356B (zh) 一种结构表观裂缝检测方法、装置及系统
CN110414674A (zh) 一种基于残差网络及局部细化的单目深度估计方法
CN110414421A (zh) 一种基于连续帧图像的行为识别方法
CN117036895B (zh) 基于相机与激光雷达点云融合的多任务环境感知方法
CN116229452A (zh) 一种基于改进的多尺度特征融合的点云三维目标检测方法
CN111898539A (zh) 一种多目标检测方法、装置、系统、设备及可读存储介质
CN112699889A (zh) 基于多任务监督的无人驾驶实时道路场景语义分割方法
CN112446292B (zh) 一种2d图像显著目标检测方法及系统
CN113269164B (zh) 车道线检测方法及其检测装置
CN113111740A (zh) 一种遥感图像目标检测的特征编织方法
CN117611994A (zh) 基于注意力机制加权特征融合的遥感图像目标检测方法
CN112001453A (zh) 一种视频事件检测算法的准确率计算方法及装置
CN116993987A (zh) 一种基于轻量级神经网络模型的图像语义分割方法及系统
CN116258756B (zh) 一种自监督单目深度估计方法及系统
CN115908999B (zh) 配电杆塔顶部金具锈蚀检测方法、介质和边缘终端设备
CN115619740B (zh) 一种高精度视频测速方法、系统、电子设备及存储介质
CN117746359A (zh) 目标检测方法、装置、电子设备及可读存储介质
CN116580232A (zh) 一种图像自动标注方法、系统及电子设备
CN112131925B (zh) 一种多通道特征空间金字塔的构造方法
CN116468702A (zh) 黄褐斑评估方法、装置、电子设备及计算机可读存储介质
CN116343159A (zh) 一种非结构化场景可通行区域检测方法、装置及存储介质
CN113326891A (zh) 小目标对象的检测方法、系统及装置

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
GR01 Patent grant
GR01 Patent grant