-
公开(公告)号：CN113762277A
公开(公告)日：2021-12-07
申请号：CN202111055699.8
申请日：2021-09-09
Applicant: 东北大学
Abstract: 本发明涉及一种基于Cascade‑GAN的多波段红外图像融合方法，首先，通过将采集到的包括短波、中波、长波在内的针对同一场景的多波段红外图像沿通道进行连接，得到的三通道图像作为级联生成对抗网络模型Cascade‑GAN的训练数据集，利用训练好的去噪生成对抗网络模型DnGAN生成去噪图像，提高图像信噪比；然后将去噪后的图像输入融合生成对抗网络FuGAN，通过该融合网络的生成器GFu与其判别器DFu之间的对抗博弈进行高质量图像融合；级联网络通过建立总损失函数，利用FuGAN输出结果指导DnGAN的训练，通过提高FuGAN的输出质量来改善DnGAN的融合效果，从而获得高质量融合图像。本发明与传统融合方法相比，基于深度学习的融合方法具有更高的鲁棒性，并且具有较佳的融合效果，能够充分改善融合精度。
-
公开(公告)号：CN113762277B
公开(公告)日：2024-05-24
申请号：CN202111055699.8
申请日：2021-09-09
Applicant: 东北大学
IPC: G06V10/30 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/088 , G06N3/0475 , G06N3/0455 , G06N3/094 , G06N3/098
Abstract: 本发明涉及一种基于Cascade‑GAN的多波段红外图像融合方法，首先，通过将采集到的包括短波、中波、长波在内的针对同一场景的多波段红外图像沿通道进行连接，得到的三通道图像作为级联生成对抗网络模型Cascade‑GAN的训练数据集，利用训练好的去噪生成对抗网络模型DnGAN生成去噪图像，提高图像信噪比；然后将去噪后的图像输入融合生成对抗网络FuGAN，通过该融合网络的生成器GFu与其判别器DFu之间的对抗博弈进行高质量图像融合；级联网络通过建立总损失函数，利用FuGAN输出结果指导DnGAN的训练，通过提高FuGAN的输出质量来改善DnGAN的融合效果，从而获得高质量融合图像。本发明与传统融合方法相比，基于深度学习的融合方法具有更高的鲁棒性，并且具有较佳的融合效果，能够充分改善融合精度。
-
公开(公告)号：CN113436169A
公开(公告)日：2021-09-24
申请号：CN202110711857.4
申请日：2021-06-25
Applicant: 东北大学
Abstract: 本发明提供一种基于半监督语义分割的工业设备表面裂纹检测方法及系统。本发明包括如下步骤：获取设备表面带裂纹的原始图片，进行像素级别的缺陷标注；将原始图片输入进深度卷积生成对抗网络进行训练，获得不带标签训练集；构建半监督语义分割网络SE‑Net，将带标签训练集和不带标签训练集输入进SE‑Net进行监督学习与无监督学习相结合的训练；生成器生成裂纹分割图像，鉴别器SE‑DNet对分割结果进行鉴别，判断输入属于标记图像还是SE‑GNet生成的图像；将待检测样本图像输入到训练好的SE‑GNet网络进行裂纹检测，得到对应输出的裂纹检测结果。本发明在工业设备裂纹数据集不充足的情况下，显著提高了网络的拟合能力，减轻了人工标注工作量。
-
公开(公告)号：CN113436169B
公开(公告)日：2023-12-19
申请号：CN202110711857.4
申请日：2021-06-25
Applicant: 东北大学
Abstract: 情况下，显著提高了网络的拟合能力，减轻了人本发明提供一种基于半监督语义分割的工 工标注工作量。业设备表面裂纹检测方法及系统。本发明包括如下步骤：获取设备表面带裂纹的原始图片，进行像素级别的缺陷标注；将原始图片输入进深度卷积生成对抗网络进行训练，获得不带标签训练集；构建半监督语义分割网络SE‑Net，将带标签训练集和不带标签训练集输入进SE‑Net进行监督学习与无监督学习相结合的训练；生成器生成裂纹分割图像，鉴别器SE‑DNet对分割结果进行鉴别，判断输入属于标记图像还是SE‑GNet生成(56)对比文件冉蓉;徐兴华;邱少华;崔小鹏;欧阳斌.基于深度卷积神经网络的裂纹检测方法综述.计算机工程与应用.2021,全文.
-
-
-
Search Results
4
records
(took 0.012 seconds)
