CN113971676B 一种基于深度学习的连接件剖面图像自动分割方法 （长三角先进材料研究院）_第1页
CN113971676B 一种基于深度学习的连接件剖面图像自动分割方法 （长三角先进材料研究院）_第2页
CN113971676B 一种基于深度学习的连接件剖面图像自动分割方法 （长三角先进材料研究院）_第3页
CN113971676B 一种基于深度学习的连接件剖面图像自动分割方法 （长三角先进材料研究院）_第4页
CN113971676B 一种基于深度学习的连接件剖面图像自动分割方法 （长三角先进材料研究院）_第5页
已阅读5页，还剩12页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

self-piercingrivetingcro一种基于深度学习的连接件剖面图像自动本发明公开了一种基于深度学习的连接件像增强处理，并生成对应的掩码图像及文本文数；将训练样本加入深度学习网络模型进行训2步骤3，选择或搭建基于图像实例分割的深度学习模型；深度学习框架选择Deeplearning4j中的一种；图像实例分割的深度网络模型为FCN、U-Net、SegNet、Mask-步骤5，设置深度学习网络模型的训练参数；深度学习网络模型的参数设置包括学习步骤6，将训练样本加入步骤3中选定的深度学习网络模型进行步骤7，将待检测的图像输入步骤6中训练得到的深度学习2.根据权利要求1所述的一种基于深度学习的连接件剖面图像自动分割方法，其特征3.根据权利要求1所述的一种基于深度学习的连接件剖面图像自动分割方法，其特征在于，步骤2中对图像增强工具选择OpenCV、Imgaug、Skimage、PIL、Augmentor、Albumentations中的一种或者34.根据权利要求3所述的一种基于深度学习的连接件剖面图像自动分割方法，其特征45得到适用于该连接件剖面图像自动分割的深[0016]进一步，步骤1中对样本图像进行标注的标注工具选择Labelme、CVAT、VIA、Albumentations中的一种或者[0020]进一步，步骤3中的深度学习框架选择Tensorflow、Keras、Pytorch、Caffe、[0021]进一步，图像实例分割的深度学习网络模型FCN、U-Net、SegNet、Mask-RCNN、[0022]进一步，步骤5中的深度学习网络模型的参数设置包括学习率(LearningRate)、6(LearningRate)、优化器(Optimizer)、批次大小(BatchSize)、激活函数(Activation练完成后得到适用于该连接件剖面图像自动分割的7[0048]在本实施例中，步骤2中对图像进行增强处理的增强工具选用OpenCV、Imgaug、[0060]图3给出了按照本实施例技术方案得到的深度学习分割模型的测试效果图，从分[0065]图5-7给出了按照本实施例技术方案得到的深度学习分割模型的测试效果图，从

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论