一个混合裂纹检测方法用于扫描电子显微镜图像使用深度学习的方法

文摘

扫描电子显微镜(SEM)是广泛应用于材料的分析和研究,包括裂缝分析、微观组织形貌,纳米材料分析。随着材料科学的迅速发展和计算机视觉技术,检测技术水平的不断提高。本文深入学习方法用于智能地识别微裂隙微观形态的扫描电镜图像。深度学习模型基于图像水平选择减少其他复杂的微观地形的干扰,检测方法,密集的连续边界盒适合SEM图像提出了。密集的和连续的边界框被用来获得裂缝的地方特色和旋转边界框减少边界框之间的功能差异。最后,边框和填充回归是用来突出微裂纹检测的效果。结果表明,我们的方法的检测精度达到71.12%,最高mIOU达到64.13%。同时,微裂隙在不同背景不同的放大和检测成功。

1。介绍

扫描电子显微镜(SEM)是一个大型精密仪器用于高分辨率microarea分析。大景深的特点,高分辨率,直观的影像,强大的立体感觉,放大范围宽,被测试的样品可以在三维空间(旋转和倾斜1- - - - - -4]。此外,它有丰富的优势类型的可测量的样品,几乎没有损害和污染原样品,和同步采集的形态、结构、组成和晶体信息等。5- - - - - -8]。目前,扫描电镜已广泛应用于材料科学的微观研究,如断裂分析,微观结构形态、和纳米材料分析。然而,它将是一个挑战来定位微裂隙直觉,迅速而准确地在复杂微貌或微裂隙与不同大小、形状和方向。人工智能算法被广泛应用于各领域的计算机硬件设备的发展,它会打开一个新的勘探microinvestigation材料科学的道路。

传统的方法手动改变SEM图像的放大显微形态学中找到感兴趣的区域(9]。虽然操作简单,但它是非常低效的。许多学者结合成像技术和扫描电镜图片找到目标领域的微观结构(10- - - - - -13),或提高研究效率通过突出研究对象的特点14,15]。然而,成像技术大大影响研究对象。研究人员开始将它们应用于微观结构分析,由于深度学习和机器学习有自动提取有用信息的能力(16]。例如,五种机器学习方法和一个深度学习模型,分别实现对能谱图像进行像素级矿物分类(17]。深度学习用来清除SEM图像噪声和改善线边缘粗糙度的测量精度18]。U-Net [19)是用于分析扫描电镜图像的矿物特性,杰出的有效混合矩阵的矿物颗粒和有机粘土总量(20.]。深度学习应用于检测纳米颗粒显微图像和使用的脚腕算法来检测粒子边缘(21]。由于断裂的微观形态,它的附近是非常复杂和疲劳裂纹有一定的相似性。基于像素的检测方法,如边缘提取或图像分割容易误认。因此,考虑使用基于图像的目标检测算法来预测微观形态学中的微裂隙。

深度学习来自机器学习,并在计算机视觉和杰出的表现自然语言处理(22]。在计算机视觉领域,智能识别的结构主要包括图像分类(23),对象检测(24),和图像分割25,26]。目前,许多学者做了大量的工作在表面裂纹结构的智能识别。一方面,基于YOLOv4 [27)算法,实时检测桥梁裂缝是通过网络实现轻量级28]。然而,这种方法可以获得裂缝的总体特征,这是不利于微观场景与更复杂的背景。裂缝分为几个类似的破解补丁来实现弱监督语义分割的裂缝,这解释了破解补丁和破解的特性有一定的相似(29日]。基于块的检测方法可以容忍噪声,但边缘位置是不准确的30.]。混合检测方法基于快R-CNN [31日),使用贝叶斯融合算法来优化破解补丁抑制虚假检测(32]。另一方面,通过训练支持向量机,成功地分为微观结构组,表明计算机视觉技术可以应用于微观研究[33]。碳化铁的声学裂纹检测方法开发利用深度学习(34]。卷积神经网络用于提高弧焊机器人实现在线缺陷检测铝合金表面的电弧焊(35]。DSOD [36)算法可以成功地确定疲劳裂纹的起始位置的合金化合物(37]。

目前,深入学习算法应用于宏观裂缝的调查取得了阶段性成果,但有微裂隙在微观形态学的研究相对较少。为了进一步探索微裂隙的智能检测微貌,本文使用了一个密集的旋转限位框基于深度学习模型的智能检测微裂隙微貌。SEM图像灰度图像;亮度和对比度信息不同的是由于成像技术的影响。受文献[29日,30.,32),我们考虑使用相同的边界框集中,不断沿着疲劳裂纹的轨迹和标签添加角约束的边界框来提高定位精度的边界框。边框与旋转角度首次用于文本检测算法,如东部[38]和R2CNN [39]。然后,它被广泛应用于遥感图像检测,如RR-CNN [40]和R3Det [41),在船舶远程传感检测表现良好。使用分割任务回归预测的边界框的边界框旋转(42)和单级旋转探测器基于RetinaNet [43][44),都需要通过后处理过程NMS (45]。因为破解补丁排列密集,不断,很容易失去某些有效边界框在后处理过程的概率相对较低的分数。因此,本文使用CenterNet [46),一个anchor-free探测器。旋转框架预测方法从文献[47]。首先,CenterNet决定了目标中心点,然后使用角度信息来计算交点损失,实现旋转边界框的回归。因为目标探测的结果分配一个预定义的类别标签检测所有对象(48]。每一个边界框本文只代表了当地的裂缝。因此,灵感来自于图像分割的结果,每个边界框的回归形状修改和箱子了。结果表明,检测方法的精度达到71.12%,最高和mIOU最高达到64.13%。它不仅降低了回归误差边界框的大小和位置,也可以应用于扫描电镜图像具有不同的放大和背景。

2。方法

2.1。概述

我们的方法显示在图的工作流程1。原始图像通过相同的盒子被削减和最初过滤对象区域和背景区域在阶段1中。将废弃的背景区域,和对象区域将用于数据增加数据集。如图所示红色边框,一个旋转限位框用于马克人口和不断裂缝目标获取数据,而神经网络在第二阶段需要学习和培训。标签框包含裂纹的地方特色。裂纹轨迹的形状是通过使用偏转角相结合,这有助于减少裂缝的形状的差异不同边界框。标记的数据将被发送到第三阶段的卷积神经网络进行训练。在培训过程中,深入学习模型的特征提取器提取有效裂缝特性和聚合成高维特征图。我们深入学习网络模型主要由残余网络(28)和CenterNet算法。其中,功能的变化映射显示在蓝色的盒子。浅特性图含有丰富的裂缝形态及边缘信息,而高维特征映射包含丰富的语义信息,表达了一些关键的裂纹图像中像素特征。我们会得到四个高维特征图谱在培训完成后,用于返回位置,抵消,大小和角度的目标边界框。退化的边界框是用来预测的关键区域的裂纹,然后修改回归形式边界框得到最终的检测结果,如阶段4所示。在下面几节中,旋转注释方法,深度学习网络模型的回归方法,和边界框将在部分2.2和部分2.3。

2.2。旋转标签

疲劳裂纹扩展的方向主要是作为一个复杂的曲线,由于标本受到影响加载形式,交变应力、表面状态、化学成分、夹杂物。每一个边界框对应于一个完整的检测目标在传统的目标检测方法。限制裂纹形状的多样性,不利于提取有效的特征如果一个边界框是用来表达裂纹的特征信息作为一个整体。因此,边界框只能表达当地的裂纹和表达完整的裂缝信息通过密集的和连续的标签。每个标签框包含裂纹轨迹的本地信息,但也有不同程度的不同信息。发现裂纹信息的传统边界框标签可能成为不规则的线段,通过比较数据2(一个)和2 (b)。它可以是一条直线垂直于某一坐标轴,或与任何角度曲线。它将帮助提取更加统一的裂缝网络模型的特性,如果我们减少之间的区别不同的边界框。因此,提出了一种旋转限位框来取代传统的边界框。如图2 (c),记录的常规标签框真正的位置,大小,和其他信息的对象,它的内容是需要学习和预测网络模型。如图2 (d),旋转限位框添加角信息的目标的基础上,传统的边界框。密集排列的边框可以有效地减少不相关的背景信息。在此基础上,通过添加角信息,可以接近边界框裂纹轨迹。因此,它不仅可以组合成任何形式的裂纹轨迹,还可以减少裂纹信息的特征区别不同边界框。

2.3。检测方法

2.3.1。网络模型

神经网络模型是一个特征提取器提取关键信息的图像深度学习模型。本文使用ResNet50 [28器)的功能。网络结构如图3和表1。首先,一个 卷积核是用来提取浅的粗糙的信息网络。其次,在四个不同尺度图像的特征提取剩余模块,和一个高维特征映射的宽度 是获得。最后,中心点位置、抵消、边界框大小和偏转角变形预测的卷积(29日]。其中,剩余模块由三个卷积层和剩余连接。输出可以计算为 使用剩余的连接,这意味着输出可以学习从输入的特性(28]。

预测表1是一个使用高维特征映射的过程倒退旋转边界框。如图4(一),四个高维特征图被用来预测位置,抵消,边界框大小和旋转角度的中心点。已知的中心点的位置和预测的抵消被用来确定预测中心点坐标 。然后,我们回到边界框的大小获得黑边界框,如图4 (b)。最后,我们逆时针旋转基于相同的中心点,得到预测结果图中的红色框所示4 (c)。之间有一个培训损失预测的结果和真正的边界框,这是计算如下:

其中,是真正的中心点和是预测中心点。 用于判断目标是否存在什么时候 表明目标存在。是中心点的偏移量,的损失是一个边界框的宽度和高度,然后呢和hyperparameters。是边界框的旋转角度,和值范围是什么 。

2.3.2。检测为圆

大多数SEM图像的裂纹的颜色是黑色或gray-black。人口安排边界框不利于人们观察检测结果,如果预测边界框直接返回到裂纹。本文提出一种方法来修改回归边界框进一步突出SEM图像的检测结果。如图5的中心点,预测结果可以计算 和 。 是边界框的对角线的长度,计算了吗 。绿色虚线圆的红盒子的内切圆边界框,和它的半径 。因此,中心和边界框的内切圆半径确定。我们只需要修改检测代码实现的回归和填充圆形边界框。曲线,伴随着裂纹跟踪时可以获得致密和持续回归边框相结合。

3所示。实验

3.1。实现细节

实验设备包括台式电脑(Intel (R) (TM)核心i7 - 9700 @ 3.00 ghz CPU、GPU NVIDIA GeForce 2080年代RTX, 16 gb的RAM和windows10 - 64位)范和高真空扫描电子显微镜由美国公司,如图6。20个图像从SEM断口表面获得钛合金的示例中,图像中的裂缝宽度从1μ米到20μ米,裂缝引起的疲劳实验。数据膨胀处理后,裁剪和旋转等裂缝的区域,得到了120张图片。插值算法被用来调整所有图片的大小来调整所有图像的大小 在第一位。然后,我们随机选择80张照片作为训练数据集,和20个图片作为验证数据集和测试数据集。我们的算法是运行在PyTorch CUDA10.0和cudnn7.6.4深度学习框架。所有实验都使用一个迭代训练策略和亚当优化和设置迭代次数总数达到5000。我们最初的学习速率和十倍的减弱学习的速度在3200年和4200年的迭代。

3.2。评价指标

精度 ,平均交叉比率(mIOU),分数,平均角损失(许多)将被用作模型性能的评价指标,计算如下:

其中,TP与正确的预测是一个正样本,FP和不正确的预测,是一个正样本和FN负样本错误的预测。精度是指比例正样本的预测结果,和许多代表之间的平均误差预测角和真正的角。是真正的边界框区域,是预测边界框区域,mIOU代表平均预测边界框之间的交叉率和真正的边界框。

3.3。实验分析和结果

3.3.1。比较不同的边界框

旋转注释和传统注释的数据集是用来进行实验。数据7(一)和7(b)与旋转训练损失曲线注释。损失价值将继续减少,随着培训的数量增加。其中,角损失是伴随着学习速率的衰减,和曲线的波动幅度逐渐减小并趋于稳定。精度的对比曲线的两种不同的方法实线框,如图所示7。它可以发现旋转标签法的准确性明显高于传统的标记方法,及其检测精度最高可以达到71.12%。借据曲线旋转标签的方法从其他方法并没有太大的区别,和mIOU最高可以达到64.13%,如图所示,图中的虚线框7。自旋转标签框架有一个角损失,借据值波动很大程度上由于角损失在最初的训练阶段。当角损失稳定mIOU也稳定。

传统的标签容易错过了在当地裂缝检测方法,如图所示的白色标志在第一列的图8。因为每个旋转限位框角的限制,它可以减少不同边界框之间的特性差异,提高裂缝的统一地方特色。因此,深入学习网络模型可以获得更高质量的高维特征图和改进模型的整体检测性能。如图所示黄色标志的第二列图8、边界框返回的传统标记方法有不同的大小或混乱的位置。边界框之间的回归误差将会减少,由于角度约束添加旋转标签方法的训练过程中,边界框之间的回归错误会减少。因此,与传统标记方法相比,旋转标签法的检测结果更紧凑,回归误差相对较少。有地方缺口裂纹,如图所示的红色标志的第三和第四列图8。的帮助下旋转边界框,区域差距的回归状态可以调整区分地方差距的裂纹区域。

3.3.2。比较不同的回归

成像分辨率不断变化。和图像背景,照明,也和裂缝特征改变当扫描电镜搜索受损区域。为了验证我们方法的可行性,人物9显示的检测效果比较广场边界盒、圆边界框,和实心圆边界框在不同分辨率的扫描电镜图像和背景。背景杂质相对较小,表面形貌是相对平滑的低分辨率图像。有更多的碎片和波微动磨损疲劳条纹,和高分辨率图像的形态更加复杂。比较四组的测试结果,发现回归圆面积回归小时平滑和边缘区域识别裂纹轨迹。因为每个边界框识别裂纹的一部分,大量的密度边界框当需要表达的总体特征的裂缝。了回归是用来取代密集的边界框,使检测结果更接近原始裂缝的形状。会有少量的确认细裂缝时,背景是黑暗的,第一行和第二行所示图9。检测效果更好当裂纹特征更明显。flat-shaped图像具有良好的检测性能,当背景是明亮的,而少量的丢失检测图像中出现明显的波动折叠,第三和第四行所示图9。可以看出从第二和第四行深度学习表现良好在具有复杂形状的图像,可以满足检测要求的扫描电子显微镜在不同的决议。

3.3.3。比较不同的方法

本文比较了我们的方法和四种不同的发布方法包括SSD (49],RetinaNet [43),快R-CNN [31日有人知道由罗[],27),分别。所有方法都使用相同的数据集和训练参数。五种不同方法的定性比较结果如图所示10。实验结果表明,SSD算法检测性能差,和更快的R-CNN和我们的方法表现良好。第一、第二和第四列图像的显微裂纹图像微动区域损失。在环境中有更多的接触磨损碎片,它可以发现SSD和RetinaNet有很多错过检测领域。如第三列所示,有许多波皱纹在疲劳断裂,使微裂隙的检测困难。例如,一些背景信息是错误地识别使用SSD算法,和其他三个公共方法有不同程度的漏检。但是我们的方法仍然表现得更好。

4所示。结论

裂缝密度检测方法与旋转边界框基于深度学习模型,提出了实现智能识别微裂隙的扫描电镜图像。首先,密集的和连续的边界框是用来标记沿着微裂纹增长轨迹来减少学习深度学习背景特性的模型。其次,采用旋转角减少裂缝的地方特色的差异在每个边界框架。我们的模型由ResNet特征提取器和一个漂泊的框架CenterNet算法,增加角度预测高维特征图。边界框的形状是修改和填写颜色优化裂缝SEM图像的检测效果。结果表明,我们的方法的检测精度达到71.12%,可用于扫描电镜裂纹图像检测与不同的放大。旋转的回归状态已成功用于区分本地缺口区域的裂纹。本文成功地裂缝深度学习方法结合SEM图像,发现它有很大的发展潜力在计算机通过实验材料。在未来,我们将考虑如何深入学习算法嵌入到SEM实现实时跟踪,和更多的智能检测微裂隙。

数据可用性

可以根据客户要求提供数据。

附加分

无花果/ 1. jpg Lun赵获得了博士学位,机械设计及理论从昆明科技大学,昆明,中国,2018年。他目前担任博士后研究员在深圳先进技术研究院、中国科学院深圳,中国。他的研究兴趣覆盖表加入的新技术,添加剂生产和机器学习。无花果/ 2。png云长盘收到了他的学士学位从东莞城市学院科技大学于2019年。现在,他正在寻求M。昆明理工大学学位。他的主要研究兴趣包括机器视觉检测和深刻的学习算法。无花果/ 3. jpg森王获得了博士学位,机械和电子工程的方向从昆明科技大学,昆明,中国,2017年。他目前正在与机电工程学院讲师,昆明科技大学。 His research interests concentrate on image processing, computer vision and deep learning. figs/4.jpg Liang Zhang received the Ph.D. degree in Materials Science and Engineering from Haerbin Institute of Technology, Haerbin, China, in 2013. He is an Associate Professor in Shenzhen Polytechnic, Shenzhen, China. His research interests include additive manufacturing and welding. figs/5.jpg Md Shafiqul Islam received his Ph.D. degree in mechanical engineering from Blekinge Institute of Technology, Blekinge, Sweden, in 2019. He is currently working as a postdoctoral researcher at the Faculty of Mechanical Engineering, Blekinge Institute of Technology. His research interests cover fracture mechanics, constitutive modelling, and machine learning.

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Lun赵和云龙锅了同样的工作。

引用

1. 孟c和h张”,扫描电子显微镜在金属材料”,Acta Microscpica卷,29号3、1580 - 1588年,2020页。视图:谷歌学术搜索
2. c .太阳勒克斯,e·穆勒m . Meffert和d . Gerthsen”多功能应用现代扫描电子显微镜对材料特性,”材料科学杂志,55卷,不。28日,第13835 - 13824页,2020年。视图:出版商的网站|谷歌学术搜索
3. a . l . Eberle s Mikula r . Schalek j .李奇曼m·l·k·泰特和d . Zeidler“高分辨率、高通量与多波束扫描电子显微镜成像,”杂志的显微镜,卷259,不。2、114 - 120年,2015页。视图:出版商的网站|谷歌学术搜索
4. a . Gartzke s Julmi c·克洛泽et al .,“调查退化的骨替代品的镁合金使用扫描电子显微镜和nanoindentation,”生物医学材料的力学行为杂志》上,第109卷,第103825页,2020年。视图:出版商的网站|谷歌学术搜索
5. n . Kuwano m . Itakura y Nagatomo,立花,“扫描电子显微镜观测半导体和金属材料的混乱,“杂志的电子显微镜卷,59号S1, S175-S181, 2010页。视图:出版商的网站|谷歌学术搜索
6. h . Hadjab j . f . Thimus和m . Chabaat”比较研究声发射和扫描电子显微镜对混凝土梁的断裂过程区,“土木工程材料》杂志上,22卷,不。11日,第1163 - 1156页,2010年。视图:出版商的网站|谷歌学术搜索
7. y锣和y王”,应用电子显微镜分析铝合金材料,”Acta Microscpica,28卷,不。5,1315 - 1322年,2019页。视图:谷歌学术搜索
8. 张成泽,a . e . Mag-isa j . Kim et al .,“单轴断口试验独立式的原始的石墨烯使用_in situ_拉力试验机在扫描电子显微镜下,“极端力学字母卷,14 - 15,2017页。视图:出版商的网站|谷歌学术搜索
9. c . s . Tang l .林问:程et al .,“量化和描述土壤微结构特征的图像处理技术,”电脑和土工技术,第128卷,第103817页,2020年。视图:出版商的网站|谷歌学术搜索
10. k . m . Gerke e . v . Korostilev k·a·罗曼年科和m . v . Karsanina”在土壤结构的精确分析:亚微米纳米FIB-SEM成像研究,“Geoderma,第383卷,第114739页,2021年。视图:出版商的网站|谷歌学术搜索
11. g .巴比里和f·p·达·席尔瓦,”收购的3 d模型submillimeter-sized从SEM图像利用摄影测量功能:维度microtomography相比,“微米卷。121年,26 - 32,2019页。视图:出版商的网站|谷歌学术搜索
12. e . Raguin k . Rechav r .日常用品和s·维纳,“聚焦离子矿化骨osteonal beam-SEM 3 d分析:薄片和水泥鞘结构,”Acta Biomaterialia卷,121年,第513 - 497页,2021年。视图:出版商的网站|谷歌学术搜索
13. f . Georget、w·威尔逊和k . l .公证人”edxia:微观结构描述从量化能谱hypermaps,”水泥和混凝土的研究,第141卷,第106327页,2021年。视图:出版商的网站|谷歌学术搜索
14. Golinejad和m . h . Mirjalili“快速和具有成本效益的植物细胞的准备扫描电子显微镜(SEM)分析,“分析生物化学,第609卷,第113920页,2020年。视图:出版商的网站|谷歌学术搜索
15. m . Mazumder r·艾哈迈德·a . Wajahat阿里和s·j·李,“SEM和整体技术用于分析沥青粘结剂和混合:一个国家的艺术评论,”建筑和建筑材料卷,186年,第329 - 313页,2018年。视图:出版商的网站|谷歌学术搜索
16. m . Ge f·苏、z赵和d·苏“深度学习分析显微成像技术在材料科学中,“今天材料纳米p . 100087,卷。11日,2020年。视图:出版商的网站|谷歌学术搜索
17. 王c, d, l .,“机器学习技术在矿物分类中的应用扫描电子显微镜-能量色散x射线能谱(能谱)图像,”石油科学与工程》杂志上,卷1,p。108178年,2020年。视图:谷歌学术搜索
18. e . Giannatou g . Papavieros诉Constantoudis h . Papageorgiou和e . Gogolides“深度学习的SEM图像去噪对低噪声l测量,”微电子工程,第216卷,第111051页,2019年。视图:出版商的网站|谷歌学术搜索
19. o . Ronneberger、p·费舍尔和t . Brox”U-Net:卷积网络生物医学图像分割,”计算机视觉和模式识别,https://arxiv.org/abs/1505.04597v1。视图:谷歌学术搜索
20. x z . Chen, j·杨,大肠,和y周,“深上优于SEM图像分割方法在矿物特征,从一个例子Duvernay页岩样品在加拿大西部沉积盆地,”电脑和地球科学,第138卷,第104450页,2020年。视图:出版商的网站|谷歌学术搜索
21. a . b . Oktay和a . Gurses”自动检测、定位和分割的纳米粒子与深度学习在显微镜图像,”微米卷,120年,第119 - 113页,2019年。视图:出版商的网站|谷歌学术搜索
22. c, h .局域网、高f和f·高,“审查”的光声成像深度学习,造影p . 100215,卷。21日,2021年。视图:出版商的网站|谷歌学术搜索
23. h . Alqahtani s巴拉和a·雷,“疲劳裂纹损伤的分类使用卷积神经网络在多晶合金结构,”工程失效分析,第119卷,第104908页,2021年。视图:出版商的网站|谷歌学术搜索
24. 赵x n . Wang, p .赵,y, z邹,和j . Ou”自动损伤检测的基于移动深度学习历史砖石建筑,”自动化建设卷。103年,66年53 - 2019页。视图:出版商的网站|谷歌学术搜索
25. 吴x、d . Sahoo和c·h·海下,“最近的对象检测深度学习的进步,“Neurocomputing卷,396年,页39 - 64,2020。视图:出版商的网站|谷歌学术搜索
26. y s . Wang, m . Chen,吴x, y . Zhang”FCN-SFW:钢结构裂缝分割使用一个完全卷积网络和结构化森林,”IEEE访问,8卷,第214373 - 214358页,2020年。视图:出版商的网站|谷歌学术搜索
27. a . Bochkovskiy c . y . Wang和h . m .廖”YOLOv4:最优目标检测的速度和准确性,”计算机视觉和模式识别,2020,https://arxiv.org/abs/2004.10934v1。视图:谷歌学术搜索
28. y z Yu沈,c .沈,“一个实时检测方法基于YOLOv4-FPM桥梁裂缝,“自动化建设,第122卷,第103514页,2021年。视图:出版商的网站|谷歌学术搜索
29. 崔b z, j . Wang, d . Wang和x王“Patch-based弱监督语义分割网络裂缝检测、”建筑和建筑材料,第258卷,第120291页,2020年。视图:出版商的网站|谷歌学术搜索
30. m . Abdellatif h·皮,a·g·科恩和r·富恩特斯”相结合的基于块和基于像素的方法改善裂纹检测和本地化,”自动化建设,第122卷,第103492页,2021年。视图:出版商的网站|谷歌学术搜索
31. 任,k .他、r . Girshick和j .太阳,“快R-CNN:对与地区建议网络实时目标检测,”计算机视觉和模式识别,https://arxiv.org/abs/1506.01497v3。视图:谷歌学术搜索
32. f .方l . Li y顾,h·朱和j·h·Lim”裂纹检测的一种新的混合方法,”模式识别,第107卷,第107474页,2020年。视图:出版商的网站|谷歌学术搜索
33. b . l . DeCost和e·A·霍尔姆“计算机视觉方法自动分析和微观结构图像数据分类”计算材料科学卷,110年,第133 - 126页,2015年。视图:出版商的网站|谷歌学术搜索
34. j·杨,y, b . Chen和c .王”裂纹检测在硬质合金砧使用听觉信号与粒子群优化深度学习,”测量,第173卷,第108668页,2021年。视图:出版商的网站|谷歌学术搜索
35. >,g .温家宝,陈,“焊缝图像深度上优于在线缺陷检测对铝合金使用卷积神经网络在机器人弧焊,”《生产流程,45卷,第216 - 208页,2019年。视图:出版商的网站|谷歌学术搜索
36. 沈z z . Liu j . Li Y.-G。蒋、陈y、x天雪,“从头DSOD:学习深入监督对象探测器,”IEEE计算机视觉国际会议,第1945 - 1937页,威尼斯,意大利,2017年。视图:出版商的网站|谷歌学术搜索
37. 郑胜耀Wang p > s . y .周d·b·魏f .叮,f·k·李,“基于计算机视觉的疲劳裂纹起始位点识别的机器学习方法,“卷。171年,p . 109259, 2020。视图:出版商的网站|谷歌学术搜索
38. x周,c .姚明,h .温家宝et al .,“东:一个高效和精确的场景文本探测器”计算机视觉与模式识别会议火奴鲁鲁,页2642 - 2651年,嗨,美国,2017年。视图:谷歌学术搜索
39. y江朱x, x, p .傅罗z,“R2CNN:旋转区域CNN取向健壮场景文字检测”计算机视觉与模式识别会议,2017年,https://arxiv.org/abs/1706.09579v2。视图:谷歌学术搜索
40. j . z . Liu, l·翁,y,“旋转地区基于CNN船舶检测,”IEEE国际会议上图像处理(ICIP),第904 - 900页,北京,中国,2017。视图:谷歌学术搜索
41. x, j .严、z .冯和t .他“R3Det:精制单级探测器对旋转物体的功能细化,”计算机视觉与模式识别会议(CVPR),2019年,https://arxiv.org/abs/1908.05612v6。视图:谷歌学术搜索
42. h·l . y . Wang Wang Lu, y,他“分割基于旋转边框预测为目标检测和图像合成的高分辨率航空影像,“Neurocomputing卷,388年,第211 - 202页,2020年。视图:出版商的网站|谷歌学术搜索
43. 林t, p . Goyal r . Girshick k .他和p .美元,“焦损失密集的对象检测,”IEEE模式分析与机器智能,42卷,不。2、318 - 327年,2020页。视图:出版商的网站|谷歌学术搜索
44. p .太阳,y, z, w . Xu和任问:“R4精细:精制单级探测器特性递归和细化在空中旋转物体的检测图像,”图像和视觉计算,第103卷,第104036页,2020年。视图:出版商的网站|谷歌学术搜索
45. a . Neubeck l . v .干傻事,“高效non-maximum抑制,”模式识别国际会议(ICPR),3卷,第855 - 850页,2006年。视图:谷歌学术搜索
46. x周,d . Wang和p . Krahenbuhl“对象作为点,”计算机视觉和模式识别,2019,https://arxiv.org/abs/1904.07850v2。视图:谷歌学术搜索
47. 严x杨,杨j . j . et al .,“SCRDet:向更健壮的检测对于小,凌乱和旋转对象,”计算机视觉国际会议(ICCV),页8231 - 8240年,汉城,韩国,2019。视图:谷歌学术搜索
48. 诉Sharma r·n·米尔,“一个全面、系统的仰望基于深度学习的对象检测技术:复习一下,”计算机科学评论,38卷,p。100301年,2020年。视图:出版商的网站|谷歌学术搜索
49. d . w . Liu Anguelov, d . Erhan et al .,“SSD:单身multibox探测器拍摄,”计算机视觉——2016年大会页21-37 Springer,可汗,2016年。视图:谷歌学术搜索

版权

版权©2021 Lun赵等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。