先验知识辅助的金属涂层损伤分割方法OACSTPCD
Knowledge-Driven Metal Coating Defect Segmentation
金属涂层损伤的自动识别是一项具有重大实际应用价值的研究.随着深度学习在各类材质的表面损伤图像分割任务中取得突破性进展,大部分研究工作使用端到端的深度卷积神经网络分割模型分割损伤区域.然而,端到端深度学习方法很难利用金属涂层损伤相关的先验知识来识别损伤尺度差异大、训练数据不足等问题.因此,设计了一种基于先验知识的金属涂层损伤区域分割算法,结合深度学习分割模型U-Net实现金属涂层损伤的自动识别.该算法基于Hue通道分布和边缘响应对金属涂层图像中的异…查看全部>>
Automatic recognition of metal coating defects has significant value in realistic applications.As deep learning makes breakthrough in surface defect segmentation for a variety of materials,most of deep convolutional neural network segmentation models are trained in an end-to-end manner.However,it is difficult to exploit prior knowledge about metal coating defects in end-to-end deep learning and adapt to the variable scale of the defects and the limited train…查看全部>>
谢洲洋;舒畅;傅彦;周俊临;蒋家玮;陈端兵
成都数之联科技有限公司,成都 610094西南技术工程研究所,重庆 400039成都数之联科技有限公司,成都 610094||电子科技大学大数据研究中心,成都 611731成都数之联科技有限公司,成都 610094||电子科技大学大数据研究中心,成都 611731成都数之联科技有限公司,成都 610094成都数之联科技有限公司,成都 610094||电子科技大学大数据研究中心,成都 611731
计算机与自动化
深度学习损伤识别图像分割先验知识
deep learningdefect recognitionimage segmentationprior knowledge
《电子科技大学学报》 2024 (1)
时变社交网络结构与传播动力学研究
76-83,8
国家自然科学基金(61673085)西南技术工程研究所合作基金(HDHDW5902010301)
评论