【摘 要】
：
深度学习在金属板带材表面缺陷检测中取得良好的检测效果,但随着网络层数的增加,针对较小样本的金属板带材表面缺陷数据集训练数据容易出现过拟合现象的问题,为此将残差网络与迁移学习结合提出了一种融合多层次缺陷特征的图像分类算法。该算法采用残差网络模块逐层提取金属表面缺陷特征,获得丰富的位置信息和语义信息缺陷特征的特征图,后续利用分类网络基于该融合特征图得到最终分类结果,同时对特征提取网络进行迁移学习,增加
论文部分内容阅读
深度学习在金属板带材表面缺陷检测中取得良好的检测效果,但随着网络层数的增加,针对较小样本的金属板带材表面缺陷数据集训练数据容易出现过拟合现象的问题,为此将残差网络与迁移学习结合提出了一种融合多层次缺陷特征的图像分类算法。该算法采用残差网络模块逐层提取金属表面缺陷特征,获得丰富的位置信息和语义信息缺陷特征的特征图,后续利用分类网络基于该融合特征图得到最终分类结果,同时对特征提取网络进行迁移学习,增加网络泛化能力,优化分类精度。利用钢带表面缺陷检测数据集评估本文算法性能,实验结果表明,提出的算法具有较好
其他文献
To solve the problem that the magnetic resonance(MR) image has weak boundaries, large amount of information,and low signal-to-noise ratio, we propose an image segmentation method based on the multi-re
快速城镇化时期自上而下、追求效率化"快"发展的蓝图式乡村规划方法,已不适应我国当前传统乡村社会生态修复、产业培育和文化传承的振兴目标与发展需求。传统乡村规划思路应从效率化"快"发展转向品质化"微"振兴,规划方法须从蓝图描绘走向行动陪伴,即根据长期驻村调研,明确乡村多元系统要素振兴诉求和居民发展需求,针对性的展开乡村社会治理、产业培育、环境修复及文化传承等"微"振兴行动,渐进式的重构乡村社会生态平衡
嫦娥五号探测器于11月24日在中国文昌航天发射场发射升空并进入地月转移轨道。探测器实施2次轨道修正、2次近月制动,顺利进入环月圆轨道。此后,探测器经历组合体分离、环月降轨及动力下降,着陆器和上升器组合体于12月1日在月球正面预选区域着陆并开展采样工作。12月3日,上升器点火起飞、精准入轨,于12月6日完成与轨道器和返回器组合体之间的交会对接及样品转移,此后按计划分离并受控落月。12月12日至16日
为了保留红外与可见光图像更多的边缘及纹理信息,在常用的非下采样剪切波变换(nonsubsampled shearlet transform, NSST)结合脉冲发放皮层(spiking corticalmodel, SCM)的图像融合算法基础上,引入引导滤波来处理高频系数,并将其作为SCM的外部激励,融合高频部分。结合区域均值和区域能量,作为SCM的外部激励,融合低频部分。仿真实验证明,所提算法的
视网膜血管的形态变化,如分叉角度、扩张程度等,可为眼底疾病的诊断提供依据。使用深度学习技术对视网膜病变程度进行评估成为目前研究的重点。提出了一种基于多路径输入和多尺度特征融合的视网膜血管分割方法来解决视网膜血管分割问题。采用了多路径输入和多特征融合的方式改进了U-Net模型,使本文的网络能够有效的解决眼底视网膜图像的分割效果差的问题。实验结果表明,算法在DRIVE和CHASE_DB1数据集上,敏感
针对磁瓦表面缺陷图像整体光照不均匀、对比度较低、纹理细节信息不清晰等问题,提出了一种改进的同态滤波与连续均值量化变换(successive mean quantization transform, SMQT)相结合的磁瓦表面缺陷图像增强算法。首先,使用改进的巴特沃斯传递函数替换传统同态滤波中的传递函数,使其将图像分解成高频图像和低频图像;然后,使用SMQT算法非线性拉伸高频图像的灰度范围使其扩展到
针对现有的分类深度神经网络大多为扁平型的网络架构,很少关注数据类别的层次性结构,导致分类器训练难度较大的问题,本文提出一种基于数据层次关系的多任务学习分类网络模型。依托番茄叶片病害的层次结构信息设计了一个带有共享网络的由粗粒度到细粒度的层次结构进行病害程度分类,网络模型以ResNet-50作为网络主干,包括两个子网络:粗粒度网络模块负责区分番茄病害共5类,细粒度网络模块在残差网络模块的基础上添加S
电力系统巡维图像中存在缺陷的样本图像极少,导致正常样本和缺陷样本不均衡,无法使用深度学习等算法来进一步研究输电线路的故障检测。目前各种基于深度机器学习的图像生成方法均存在分辨率低、缺陷特征不明显等问题,导致生成的样本图像难以满足研究人员的需要。本文提出一种基于集成学习(ensemble learning, EL)的PCA加权平均多元融合(diverse integration, DI)生成方法。采
特征提取是高光谱数据处理领域的一个重要研究内容。高光谱数据获取过程中的复杂性使传统的特征提取方法无法良好地处理高光谱图像。同时,高光谱图像标记样本数量的有限性,也为常用于特征提取的监督深度学习方法带来不利影响。为了摆脱对高光谱图像中标记样本的依赖,在卷积神经网络的基础上引入生成对抗网络,针对光谱特征提出了一种无监督的高光谱图像特征提取的方法。为了稳定网络的训练过程,提高生成对抗网络中判别器的特征表
针对传统暗通道先验去雾算法易产生明亮区域失真、去雾图像整体偏暗等问题,提出一种基于双通道及图像质量评价模型的去雾方法。首先,划分出图像的明亮区域与非明亮区域;其次,利用双通道先验算法准确估计出大气光值;接下来,将暗通道先验的透射率作为非明亮区域的透射率,在明亮区域单独构建透射率,将二者融合细化,得到带有参数的透射率;最后,通过构造参数驱动图像质量评价模型,迭代选取最优的无雾图像。实验结果表明,算法