公开(公告)号：CN109035242A

公开(公告)日：2018-12-18

申请号：CN201810903938.2

申请日：2018-08-09

Applicant: 长安大学

Inventor： 王会峰 ,  魏飞婷 ,  柴彩萍 ,  王孝贤 ,  郭健

IPC: G06T7/00 ,  G06K9/62 ,  G06N3/04

CPC classification number: G06T7/0004 ,  G06K9/6256 ,  G06N3/0454

Abstract: 本发明公开了一种基于深度学习的HF‑ERW焊接状态检测方法及装置，能够大幅提升焊接状态图像测试精度。该方法包括：获取HF‑ERW焊接状态图像数据集；建立基于卷积神经网络CNN的图像分类模型；生成HF‑ERW焊接质量状态数据集；将图像分类模型的卷积层和池化层迁移到HF‑ERW焊接质量状态数据集上；从HF‑ERW焊接质量状态数据集选取部分样本图像数据作为训练集，将训练集中的样本图像数据输入图像分类模型进行训练，获取预测分类结果；每完成一次训练后，调整图像分类模型的参数；当损失值小于预设值时停止训练；将待检测的HF‑ERW焊接状态图像输入图像分类模型，获取分类结果。

公开(公告)号：CN110634142A

公开(公告)日：2019-12-31

申请号：CN201910767799.X

申请日：2019-08-20

Applicant: 长安大学

Inventor： 王会峰 ,  柴彩萍 ,  魏飞婷 ,  杨文光 ,  黄鹤 ,  穆柯楠 ,  张佳佳 ,  倪敬雪 ,  关丽敏

IPC: G06T7/11 ,  G06T7/187 ,  G06T7/12 ,  G06K9/62 ,  G06T5/00

Abstract: 本发明提出了一种复杂车路图像边界优化方法，实现了复杂车路环境下图像目标的分类。首先通过SegNet算法模型进行大量数据的训练仿真得到粗糙的车路目标分类特征，然后利用简单线性迭代聚类算法获得图像的过分割区域，结合SegNet算法得到的神经网络确定每个超像素区域中每个像素的类别，最后通过利用条件随机场精确的边界恢复能力来优化语义分割的结果，实现对车路图像进行边界和小区域目标误分割优化。结果表明，本发明的方法可以提高对象边界的分割精度。

公开(公告)号：CN110634142B

公开(公告)日：2024-02-02

申请号：CN201910767799.X

申请日：2019-08-20

Applicant: 长安大学

Inventor： 王会峰 ,  柴彩萍 ,  魏飞婷 ,  杨文光 ,  黄鹤 ,  穆柯楠 ,  张佳佳 ,  倪敬雪 ,  关丽敏

IPC: G06V20/56 ,  G06V20/70 ,  G06V10/26 ,  G06V10/44 ,  G06V10/762 ,  G06V10/82

Abstract: 本发明提出了一种复杂车路图像边界优化方法，实现了复杂车路环境下图像目标的分类。首先通过SegNet算法模型进行大量数据的训练仿真得到粗糙的车路目标分类特征，然后利用简单线性迭代聚类算法获得图像的过分割区域，结合SegNet算法得到的神经网络确定每个超像素区域中每个像素的类别，最后通过利用条件随机场精确的边界恢复能力来优化语义分割的结果，实现对车路图像进行边界和小区域目标误分割优化。结果表明，本发明的方法可以提高对象边界的分割精度。

公开(公告)号：CN109035242B

公开(公告)日：2022-03-01

申请号：CN201810903938.2

申请日：2018-08-09

Applicant: 长安大学

Inventor： 王会峰 ,  魏飞婷 ,  柴彩萍 ,  王孝贤 ,  郭健

IPC: G06T7/00 ,  G06V10/774 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的HF‑ERW焊接状态检测方法及装置，能够大幅提升焊接状态图像测试精度。该方法包括：获取HF‑ERW焊接状态图像数据集；建立基于卷积神经网络CNN的图像分类模型；生成HF‑ERW焊接质量状态数据集；将图像分类模型的卷积层和池化层迁移到HF‑ERW焊接质量状态数据集上；从HF‑ERW焊接质量状态数据集选取部分样本图像数据作为训练集，将训练集中的样本图像数据输入图像分类模型进行训练，获取预测分类结果；每完成一次训练后，调整图像分类模型的参数；当损失值小于预设值时停止训练；将待检测的HF‑ERW焊接状态图像输入图像分类模型，获取分类结果。