-
公开(公告)号：CN113935989B
公开(公告)日：2024-11-05
申请号：CN202111392841.8
申请日：2021-11-23
申请人： 沈阳建筑大学
IPC分类号： G06T7/00 , G06T7/11 , G06V10/44 , G06V10/26 , G06V10/82 , G06V10/764 , G06F30/27 , G06N3/0464 , G06N3/08 , G06F119/02 , G06F119/14
摘要： 本发明提供一种基于深度学习的金属材料断口疲劳条带识别与分割方法，涉及金属断口技术领域。该方法首先建立断口疲劳条带数学模型；然后模拟疲劳条带延伸轨迹，结合断口疲劳条带的数学模型获得疲劳条带的纹理曲线图像；采集断口图像，对断口图像的条带进行标记，获得标注好的数据样本，再结合疲劳条带曲线图像建立疲劳条带样本数据集；对疲劳条带样本数据集图片进行预处理；搭建基于神经网络的疲劳条带识别分割模型，并使用标记好的疲劳条带样本数据进行模型训练；最后将待识别分割的疲劳条带图像输入已训练好的疲劳条带识别模型，对断口疲劳条带图片进行条带识别分割。该方法能够以较高准确率从复杂的疲劳断口中分割出疲劳条带特征区域。
-
公开(公告)号：CN113935989A
公开(公告)日：2022-01-14
申请号：CN202111392841.8
申请日：2021-11-23
申请人： 沈阳建筑大学
IPC分类号： G06T7/00 , G06T7/11 , G06V10/44 , G06V10/26 , G06V10/82 , G06V10/764 , G06K9/62 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/02 , G06F119/14
摘要： 本发明提供一种基于深度学习的金属材料断口疲劳条带识别与分割方法，涉及金属断口技术领域。该方法首先建立断口疲劳条带数学模型；然后模拟疲劳条带延伸轨迹，结合断口疲劳条带的数学模型获得疲劳条带的纹理曲线图像；采集断口图像，对断口图像的条带进行标记，获得标注好的数据样本，再结合疲劳条带曲线图像建立疲劳条带样本数据集；对疲劳条带样本数据集图片进行预处理；搭建基于神经网络的疲劳条带识别分割模型，并使用标记好的疲劳条带样本数据进行模型训练；最后将待识别分割的疲劳条带图像输入已训练好的疲劳条带识别模型，对断口疲劳条带图片进行条带识别分割。该方法能够以较高准确率从复杂的疲劳断口中分割出疲劳条带特征区域。
-
公开(公告)号：CN114066867B
公开(公告)日：2024-10-18
申请号：CN202111392850.7
申请日：2021-11-23
申请人： 沈阳建筑大学
IPC分类号： G06T7/00 , G06T7/11 , G06T7/12 , G06T7/13 , G06N3/0895 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06V10/25 , G06V10/44 , G06V10/82 , G06V10/774
摘要： 本发明提供一种基于深度学习的裂纹扩展痕迹缺失区域的分割方法，涉及计算机视觉技术领域。该方法首先对含有裂纹扩展痕迹缺失区域的图像进行预处理，将一部分裂纹扩展痕迹缺失区域数据集图像利用标注工具进行外边框标记后输入至辅助分割模型进行弱监督训练，得到mask语义分割图像输入至缺失区域语义分割模型；将另一部分裂纹扩展痕迹缺失区域数据集图像利用标注工具进行mask标记后输入至缺失区域语义分割模型进行全监督训练；将输入至缺失区域语义分割模型训练过的两部分裂纹扩展痕迹缺失区域数据集图像进行融合，得到缺失分割区域；最后，利用生成对抗网络形成裂纹扩展痕迹缺失区域精细轮廓分割模型，将输入图片的裂纹扩展痕迹缺失区域分割出来。
-
公开(公告)号：CN114066867A
公开(公告)日：2022-02-18
申请号：CN202111392850.7
申请日：2021-11-23
申请人： 沈阳建筑大学
IPC分类号： G06T7/00 , G06T7/11 , G06T7/12 , G06T7/13 , G06N3/04 , G06N3/08 , G06V10/25 , G06V10/44 , G06K9/62 , G06V10/82 , G06V10/774
摘要： 本发明提供一种基于深度学习的裂纹扩展痕迹缺失区域的分割方法，涉及计算机视觉技术领域。该方法首先对含有裂纹扩展痕迹缺失区域的图像进行预处理，将一部分裂纹扩展痕迹缺失区域数据集图像利用标注工具进行外边框标记后输入至辅助分割模型进行弱监督训练，得到mask语义分割图像输入至缺失区域语义分割模型；将另一部分裂纹扩展痕迹缺失区域数据集图像利用标注工具进行mask标记后输入至缺失区域语义分割模型进行全监督训练；将输入至缺失区域语义分割模型训练过的两部分裂纹扩展痕迹缺失区域数据集图像进行融合，得到缺失分割区域；最后，利用生成对抗网络形成裂纹扩展痕迹缺失区域精细轮廓分割模型，将输入图片的裂纹扩展痕迹缺失区域分割出来。
-
公开(公告)号：CN114049343A
公开(公告)日：2022-02-15
申请号：CN202111392839.0
申请日：2021-11-23
申请人： 沈阳建筑大学
IPC分类号： G06T7/00 , G06T7/12 , G06T7/13 , G06T5/00 , G06V10/44 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提供一种基于深度学习的裂纹扩展历程复杂缺失纹理的追溯方法，涉及计算机视觉技术领域。该方法首先通过边缘提取以及修复算法获得标记缺失区域的纹理图像，然后再构建纹理内容生成器和纹理内容判别器从而生成基于对抗网络的纹理追溯模型，再将标记缺失区域的纹理图像、完整的特征轮廓图像和Mask图像作为训练数据集对纹理追溯模型进行训练，最后利用训练好的纹理追溯模型进行缺失纹理的追溯。该方法主要分为网络训练过程以及追溯过程两部分，更具体的本发明方法可对纹理缺失图像进行有效的纹理追溯，为后续的微观纹理分析打下了良好的基础，具有很高的实用性。
-
-
-
-
搜索结果
5 条记录 (耗时 0.022 秒)
