内容提供者
基于深度学习网络的射线图像缺陷识别方法 (2).ppt
2024-08-23
10金币
733KB
23页
kp****93
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共23页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
基于深度学习网络的射线图像缺陷识别方法 (2).ppt
基于深度学习网络的射线图像缺陷识别方法射线图像卷积神经网络径向基网络径向基网络本文中的深度学习网络生长式网络结构网络生长规则网络训练方法实验过程初始卷积网络CNN-1初始卷积网络CNN-1第一次训练第一次生长第二次训练第二次生长第三次训练第三次生长第四次训练网络结构的选择：CNN-3CNN-3实验结果改进径向基网络实验结果
2024-08-23
10
733KB
基于深度学习的焊缝图像缺陷识别方法研究.docx
基于深度学习的焊缝图像缺陷识别方法研究基于深度学习的焊缝图像缺陷识别方法研究摘要：随着焊接技术的发展，焊接质量的要求也越来越高。而焊缝图像的缺陷识别对于保证焊接质量具有重要的意义。传统的焊缝缺陷识别方法需要人工提取特征并进行分类，这种方法存在着提取特征复杂、分类准确率不高等问题。基于深度学习的焊缝图像缺陷识别方法应运而生。在本文中，我们介绍了基于深度学习的焊缝图像缺陷识别方法以及其在焊缝质量控制中的应用。关键词：深度学习，焊缝图像，缺陷识别，质量控制1.引言焊接是一种常用的连接工艺，广泛应用于各个行业。然
2024-10-20
5
11KB
基于小波变换的X射线焊缝图像缺陷识别方法研究.docx
基于小波变换的X射线焊缝图像缺陷识别方法研究一、引言X射线焊缝检测是现代工业中的一项重要技术，它可以帮助人们更加准确地检测焊缝中的缺陷，并及时进行修补，保证焊缝的质量。因此，如何有效地识别焊缝中的缺陷是焊接领域的一个重要问题。传统的焊缝缺陷检测方法通常需要人工参与，费时费力且精度不高。而基于图像处理的方法则相对来说更加高效和精准。本文将介绍一种基于小波变换的X射线焊缝图像缺陷识别方法。二、小波变换简介小波变换是一种新兴的信号处理技术，它通过将信号分解成多个小波的形式来分析和处理信号。与傅里叶变换相比，小波
2024-10-18
5
11KB
一种基于深度学习的射线图像焊缝缺陷检测方法.pdf
本发明所提供的一种基于深度学习的射线图像焊缝缺陷检测方法，利用FasterRCNN网络对射线图像进行目标检测，在传统FasterRCNN的基础上，本发明增加背景减去网络层，得到五个模块的FasterRCNN网络结构，该背景减去网络层具有带更新的参数，能随着网络训练不断优化降低背景的效果，突出缺陷特点，同时，利用三支路区域推荐网络层代替传统区域推荐网络，它具有的两个回归分支使预测缺陷位置信息的任务得到细分，一个分支负责预测缺陷的中心点横坐标和宽，一个分支负责预测缺陷的中心点纵坐标和高，增强缺陷位置预测
2023-06-02
10
718KB
基于半监督深度学习的无砟轨道扣件缺陷图像识别方法.docx
基于半监督深度学习的无砟轨道扣件缺陷图像识别方法摘要:本研究提出了一种基于半监督深度学习的无砟轨道扣件缺陷图像识别方法。该方法采用卷积神经网络（CNN）结合一种半监督学习算法进行图像分类，通过无砟轨道扣件图像数据的人工标注和半监督学习算法可提高分类性能。实验表明，该方法的准确性在识别无砟轨道扣件缺陷方面较传统方法有显著提高。关键词:半监督深度学习，卷积神经网络，无砟轨道扣件，图像识别引言:无砟轨道扣件作为高载重、高速铁路的主干设备之一，对其性能和质量要求越来越高。因此，在其设计、生产和检测过程中，需要对其
2024-10-23
5
11KB