• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于改進(jìn)Yo lov4的風(fēng)電機(jī)組葉片缺陷檢測(cè)算法

      2022-03-16 05:44:32李亦倫成和祥蘇寶定劉方濤
      風(fēng)機(jī)技術(shù) 2022年1期
      關(guān)鍵詞:殘差準(zhǔn)確率卷積

      李亦倫 成和祥 董 禮 蘇寶定 劉方濤

      (1.中國(guó)廣核新能源控股有限公司;2.北京星閃世圖科技有限公司)

      0 引言

      當(dāng)前多數(shù)風(fēng)機(jī)葉片缺陷檢測(cè)分兩種情況。一是使用物體材料反射率差異巡查,即有缺陷和無缺陷物體反射頻率[1]不同,通道檢測(cè)可以發(fā)現(xiàn)缺陷;二是使用計(jì)算機(jī)視覺技術(shù)和深度學(xué)習(xí)[2]方法選出有缺陷的圖片,然后根據(jù)拍攝的信息具體定位到缺陷所在的風(fēng)機(jī)葉片上的準(zhǔn)確位置,最后派遣人員檢修或更換。

      玻璃鋼復(fù)合材料是一種高性能的纖維增強(qiáng)復(fù)合材料,具有質(zhì)量輕、硬度高和耐腐蝕等優(yōu)點(diǎn),適用于惡劣氣候等實(shí)際工況的要求,一直是大中型風(fēng)機(jī)葉片的常用材料。

      但是,由于風(fēng)機(jī)內(nèi)部結(jié)構(gòu)復(fù)雜,制造過程復(fù)雜,受風(fēng)蝕、雨蝕等環(huán)境因素的影響,如檢測(cè)和處理不當(dāng),葉片可能斷裂,造成嚴(yán)重后果。目前,風(fēng)機(jī)葉片檢測(cè)的方法主要有目視法、超聲波檢測(cè)、傳統(tǒng)視覺算法、聲發(fā)射檢測(cè)、紅外熱成像和圖像檢測(cè)技術(shù)等[3-4]。超聲波檢測(cè)能對(duì)缺陷進(jìn)行定位和定量描述,但易受主觀因素影響,需要有經(jīng)驗(yàn)的人員進(jìn)行測(cè)試;聲發(fā)射檢測(cè)可以識(shí)別葉片微小缺陷,覆蓋面廣,但是需要對(duì)設(shè)備施加外力才能進(jìn)行,無法反映檢測(cè)缺陷目標(biāo)的準(zhǔn)確情況。紅外熱成像技術(shù)是一種無損檢測(cè)方法,具有非接觸、高效、操作簡(jiǎn)單等優(yōu)點(diǎn),但設(shè)備成本高[5]。

      基于深度學(xué)習(xí)計(jì)算機(jī)視覺的目標(biāo)檢測(cè)算法主要分為兩類:一類是基于區(qū)域先驗(yàn)框的二階段算法,如Faster R-CNN[6];另一類是基于回歸的單階段算法,如SSD[7]、YOLO[8]等。將目標(biāo)檢測(cè)算法引入輸電線路器件缺陷檢測(cè)的工作有很多,侯春萍[9]等采用分類網(wǎng)絡(luò)和Faster R-CNN級(jí)聯(lián)的方法識(shí)別絕緣子自爆,白潔音[10]等通過改進(jìn)Faster R-CNN算法檢測(cè)絕緣子、防震錘和鳥巢等六種器件和缺陷目標(biāo)。史晉濤[11]等通過擴(kuò)充樣本,實(shí)現(xiàn)電網(wǎng)異物監(jiān)測(cè)。使用計(jì)算機(jī)視覺技術(shù)和深度學(xué)習(xí)方法,把采集的圖片直接送給檢測(cè)網(wǎng)絡(luò),輸出圖片中缺陷的位置和類別,這種方法存在以下幾點(diǎn)不足:1、由于缺陷在整幅圖像中相對(duì)較小(相對(duì)葉片來說缺陷并不?。?,現(xiàn)有網(wǎng)絡(luò)對(duì)密集目標(biāo)檢測(cè)不好,因此這種方法存在較多漏檢,存在錯(cuò)過一些重大隱患警告的可能;2、存在把非葉片區(qū)域的目標(biāo)檢測(cè)為缺陷的虛假檢測(cè),要消除這種虛假檢測(cè)既增加了人力工作量,同時(shí)又使缺陷分級(jí)不精確。綜上所述,現(xiàn)有技術(shù)較大地影響風(fēng)機(jī)葉片巡檢任務(wù)的精度和進(jìn)度,檢出效率低,誤解率高,增加了巡檢任務(wù)人力成本和安全風(fēng)險(xiǎn)。本文對(duì)數(shù)據(jù)做一些增強(qiáng)處理,并且在訓(xùn)練上做了一些改進(jìn),緩減上述不足所帶來的問題。

      1 改進(jìn)Yolov4基本原理

      Yolov4[12]是一個(gè)簡(jiǎn)單且高效的目標(biāo)檢測(cè)算法,該算法可通過普通的GPU(1080Ti或者2080Ti)來訓(xùn)練。由于使用原始固定的Yolov4框架算法來訓(xùn)練驗(yàn)證葉片的缺陷檢測(cè),其訓(xùn)練速度慢、模型訓(xùn)練5<loss<8,召回率和精度低[13]。為了改善以上問題,利用Yolov4提供的目標(biāo)檢測(cè)網(wǎng)絡(luò)思想,本文提出一種改進(jìn)Yolov4用于葉片缺陷檢測(cè)的網(wǎng)絡(luò)結(jié)構(gòu)。主要改變backbone(主干網(wǎng)絡(luò))網(wǎng)絡(luò)結(jié)構(gòu)和neck(頸干網(wǎng)絡(luò))的池化方法,同時(shí)采用一些數(shù)據(jù)增強(qiáng)擴(kuò)充數(shù)據(jù)。

      目標(biāo)檢測(cè)Yolov4屬于one-stage Detector如圖1,其中輸入圖片經(jīng)過backbone特征提取,再經(jīng)過neck特征融合,最后Dense Prediction回歸預(yù)測(cè)。

      圖1 改進(jìn)整體網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Improve the overallnet work structure

      本文改進(jìn)backbone中的ResNet殘差網(wǎng)絡(luò)和CSPDark Net網(wǎng)絡(luò)[14],對(duì)比二者在葉片檢測(cè)的準(zhǔn)確率和召回率,再插入改進(jìn)的特征金字塔(Spatial Pyramid Pooling neck)網(wǎng)絡(luò),與Yolov4的Receptive Field Block(RFB)[15]做對(duì)比實(shí)驗(yàn)。

      1.1 改進(jìn)的ResNet網(wǎng)絡(luò)結(jié)構(gòu)

      ResNet網(wǎng)絡(luò)[16]在深度上一直加深如圖2(b),隨著超參數(shù)增加,網(wǎng)絡(luò)訓(xùn)練開銷加大,但是模型準(zhǔn)確率不再增加,為了解決當(dāng)下葉片模型識(shí)別準(zhǔn)確率,本文改進(jìn)增加網(wǎng)絡(luò)寬度減少參數(shù)的同時(shí)增加模型準(zhǔn)確率和收斂速度。ResNet采用32個(gè)group縱向相加,中間有128個(gè)filter,如圖2(a)改進(jìn)的ResNet拆分128個(gè)filter為橫向4通道3×3獨(dú)立卷積,然后再輸入4通道的1×1卷積,最后再拼接為128維經(jīng)過1×1卷積,相加合并和殘差再相加,這樣的結(jié)構(gòu)比較簡(jiǎn)潔而且速度更快。

      而拼接的網(wǎng)絡(luò)比相加的網(wǎng)絡(luò)更能很好的保留獨(dú)立卷積的特征參數(shù),再加上殘差的短接融合高層特征來增加識(shí)別率。

      整個(gè)backbone由如圖2(a)的殘差塊組成,如式(1)中c是殘差塊的個(gè)數(shù),τi(x)是一系列卷積操作,τi是由連續(xù)卷積(1×1,3×3,1×1)組成,一共有32組;加入殘差短接后變?yōu)楣?。

      圖2 殘差單元的改進(jìn)和基本殘差單元Fig.2 The improvement of the residual unit and the basic residualunit

      1.2 改進(jìn)SPP特征融合

      由于SPP[17]對(duì)目標(biāo)葉片在圖像中不一定居中的情況下,采樣效果不佳導(dǎo)致圖像特征受影響,葉片特征單一在圖片占比較大,為了更好的得到葉片特征,需要增大感受野,所有要改進(jìn)SPP網(wǎng)絡(luò),受到語義分割空洞卷積的啟發(fā),如圖3紅色SPP改為三個(gè)3×3的采樣率為rates={6,12,18}的空洞卷積,濾波器數(shù)量為256,包含BN層,相鄰權(quán)重之間的間隔為rate-1,普通卷積rate為1,空洞卷積的實(shí)際大小為k+(k+1)(rate-1),其中k為原始卷積核大小,會(huì)在卷積核元素之間塞入空格。

      圖3 改進(jìn)SPP結(jié)構(gòu)圖Fig.3 Structure diagram of improved SPP

      對(duì)于輸入輸出圖像高寬H和W見式(3),(4),Hout,Hin分別表示輸出和輸入特征圖的高,Wout,Win分別表示輸出和輸入特征圖的寬。

      1.3 風(fēng)機(jī)葉片數(shù)據(jù)增強(qiáng)

      1.3.1 缺陷類型

      由于大多數(shù)風(fēng)力發(fā)電廠都建在沙漠和沿海腹地,葉片的工作條件差,缺陷種類繁多,本文將其缺陷分為四類。

      1)砂眼

      涂層有損傷,類似麻點(diǎn),見圖4在葉片連續(xù)的一片區(qū)域有比較密集離散的小孔。

      圖4 砂眼(黃色輪廓線)Fig.4 Sandhole(yellow outline)

      2)剝落

      涂層脫落、涂層起皮,發(fā)生部位比較淺,表面裸露也有腐蝕、銹蝕情況,見圖5。

      圖5 剝落(紅色輪廓線)Fig.5 Spalling(red outline)

      3)細(xì)長(zhǎng)裂紋

      狹長(zhǎng)劃痕,目視發(fā)生在表面,損傷不深。裂紋是狹長(zhǎng),寬度較窄,長(zhǎng)度較短,發(fā)生部位在葉片表面,包括橫縱向裂紋,見圖6。

      圖6 細(xì)長(zhǎng)裂紋(藍(lán)色輪廓線)Fig.6 Slender crack(blue outline)

      4)開放式開裂

      開裂比裂紋寬,目視發(fā)生部位較深,包括橫、縱向開裂,形狀不固定,見圖7。

      圖7 開放式開裂(白色輪廓線)Fig.7 Open cracking(white outline)

      1.3.2 離線葉片數(shù)據(jù)增強(qiáng)

      數(shù)據(jù)增強(qiáng)為了使模型訓(xùn)練前人為增加一些先驗(yàn)知識(shí)。葉片缺陷在圖片中占比較小,訓(xùn)練好的模型需要增強(qiáng)圖片缺陷數(shù)據(jù)。如圖8所示,其中一個(gè)紅色區(qū)域所示缺陷在原始的1920×1080,圖片尺寸為120×80,其所在區(qū)域在整幅圖像面積比為,當(dāng)切分原始的1920×1080圖片為多個(gè)小區(qū)域后,上述所示缺陷在其中所示560×400圖中尺寸和面積不變,但所在區(qū)域在整幅圖像面積比為,則切分為小圖后相對(duì)面積變大了約10倍,對(duì)小目標(biāo)檢測(cè)是很顯著的。

      圖8 區(qū)域裁剪Fig.8 Region clipping

      把切分完的這些子區(qū)域分別送入檢測(cè)網(wǎng)絡(luò)進(jìn)行檢測(cè)。將每一個(gè)子區(qū)域檢測(cè)完畢后,需要把檢測(cè)坐標(biāo)還原到原始大圖中去,然后再去掉具有相同類別但有交疊的區(qū)域。

      1.3.3 在線葉片數(shù)據(jù)增強(qiáng)

      不限于圖像旋轉(zhuǎn)、圖像飽和度和色調(diào)等數(shù)據(jù)增強(qiáng)方法,本文還加入了用來解決目標(biāo)遮擋及目標(biāo)不足的問題,在圖像中隨機(jī)裁剪矩形區(qū)域,并用0來填充(CutOut[18]算法)隨機(jī)裁剪多個(gè)矩形區(qū)域(hide-andseek,gridmask),如圖9;mixup[19]葉片數(shù)據(jù)增強(qiáng)對(duì)樣本及其標(biāo)簽的凸組合如圖10,把不同4張缺陷樣本隨機(jī)組合在一張圖片上,目的是加入一些噪聲使檢測(cè)魯棒性增加。

      圖9 CutOut葉片數(shù)據(jù)增強(qiáng)方法Fig.9 Data enhancement method of cutoutblade

      圖10 mixup葉片數(shù)據(jù)增強(qiáng)方法Fig.10 Mixup blade data enhancement method

      如圖9隨機(jī)將葉片圖像中黑色部分區(qū)域用0像素值填充,其中控制填充概率和填充像素大小,通過均勻分布采樣,并將矩形區(qū)域設(shè)置為與圖像的其它區(qū)域無關(guān)的純色值;遮擋一定的目標(biāo)缺陷,使訓(xùn)練出的模型魯棒性增強(qiáng)。

      如圖10,mixup是將4張葉片圖片按比例進(jìn)行插值來混合樣本,將不同像素的葉片圖像進(jìn)行混合,從而來彌補(bǔ)數(shù)據(jù)樣本集單一的情況。

      mixup原理公式為:

      其中Beat是貝塔分布,mix_batchx是混合后的batch樣本公式6,mix_batchy是混合后的batch樣本對(duì)應(yīng)的標(biāo)簽公式7。由于權(quán)重λ在每個(gè)batch樣本都會(huì)隨機(jī)產(chǎn)生,在整個(gè)訓(xùn)練過程中會(huì)有N個(gè)batch,權(quán)重在N個(gè)batch中期望近似為0.5。

      1.4 葉片缺陷檢測(cè)原理

      算法改進(jìn)以后需搭建實(shí)例工程驗(yàn)證整體原理的可行性。圖11是葉片缺陷的流程圖,主要分3步驟:(1)數(shù)據(jù)處理,先數(shù)據(jù)篩選清洗出有葉片的樣本數(shù)據(jù),再數(shù)據(jù)標(biāo)注,最后數(shù)據(jù)增強(qiáng)處理;2)環(huán)境工程搭建,開始訓(xùn)練數(shù)據(jù),實(shí)時(shí)觀察損失收斂情況;3)模型后處理,把識(shí)別框和標(biāo)簽映射到原始圖片上,呈現(xiàn)可視化結(jié)果。

      圖11 葉片缺陷檢測(cè)流程圖Fig.11 Flow chart of blade defect detection

      2 實(shí)驗(yàn)結(jié)果分析

      2.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)準(zhǔn)備

      本文實(shí)驗(yàn)使用的環(huán)境配置為:CPU型號(hào):Inte i7,GPU型號(hào):NVIDIA GTX 2080Ti,共4塊。操作系統(tǒng)是Ubuntu18.04,配置CUDA 10.0,Cudnn 7.6.5,基于darknet深度學(xué)習(xí)框架,python 3.6實(shí)現(xiàn)網(wǎng)絡(luò)。

      清洗好的葉片缺陷數(shù)據(jù)38500張使用labelImg[20]標(biāo)注矩形框,為了擴(kuò)充數(shù)據(jù)樣本多樣性,即混合使用隨機(jī)旋轉(zhuǎn)、翻轉(zhuǎn)、剪裁放大、噪聲、亮度變換、光照,顏色通道變換等操作,模擬了拍攝時(shí)光線、角度、距離、清晰度的不同,提高模型的魯棒性,并且開啟數(shù)據(jù)采用了2.3小節(jié)的CutOut算法和mixup算法數(shù)據(jù)增強(qiáng),目的是加入一些先驗(yàn)知識(shí)提高準(zhǔn)確率,最后數(shù)據(jù)分配訓(xùn)練集和測(cè)試集的準(zhǔn)備如表1。

      表1 數(shù)據(jù)集準(zhǔn)備Tab.1 Data set preparation

      本文采用隨機(jī)梯度下降法(SGD)進(jìn)行訓(xùn)練,動(dòng)量設(shè)置為0.9,權(quán)重衰減系數(shù)設(shè)置為0.0005,batchsize設(shè)為4。最大迭代次數(shù)epoch為60000,初始學(xué)習(xí)率設(shè)置為0.005,學(xué)習(xí)率使用warmingup進(jìn)行初始化。

      2.2 不同的backbone特征提取網(wǎng)絡(luò)比較

      本文以改進(jìn)的ResNet網(wǎng)絡(luò)結(jié)合SPP作為baseline,并嘗試了對(duì)比ResNet-50、ResNeXt-50[21]、CSPDarkNet-50分別進(jìn)行實(shí)驗(yàn)。為確保公平性,輸入圖片的分辨率和學(xué)習(xí)率均一致,不使用數(shù)據(jù)增強(qiáng),采用了遷移學(xué)習(xí)的方法,使用了主干網(wǎng)絡(luò)在相同數(shù)據(jù)集上面的預(yù)訓(xùn)練模型,最終的測(cè)試結(jié)果見表2。

      表2 不同backbone網(wǎng)絡(luò)模型準(zhǔn)確率比較Tab.2 Comparison of accuracy of different backbone net work models

      表格中P為準(zhǔn)確率(Precision,P),AP是平均準(zhǔn)確率(Average Precsion,AP),R為召回率[22](Recall,R),Params是模型參數(shù)。從表中可以看出ResNet的效果最差,AP為0.530。而CSPDark Net的AP最高0.687,但是召回率ResNeXt和改進(jìn)的ResNet最高。考慮到backbone平均精度CSPDark Net和改進(jìn)ResNet相差不大,且改進(jìn)ResNet參數(shù)更小,所有取較輕量的改進(jìn)ResNet做backbon。

      2.3 不同的特征融合方式比較

      本文進(jìn)一步比較CSPDark Net與改進(jìn)ResNet;同時(shí)不同的特征融合網(wǎng)絡(luò)SPP、RFB與改進(jìn)SPP做對(duì)比實(shí)驗(yàn)。表3的實(shí)驗(yàn)結(jié)果表明,通用Yolov4網(wǎng)絡(luò)CSPDark Net-50+RFB的準(zhǔn)確率最高,但平均準(zhǔn)確率AP不理想,葉片缺陷種類多平均準(zhǔn)確率越高越優(yōu)。改進(jìn)ResNet-50+RFB的召回率最高,但平均準(zhǔn)確率AP低于0.6不予考慮。最終采用改進(jìn)ResNet-50+改進(jìn)SPP的融合方法,在葉片樣本驗(yàn)證集中達(dá)最高平均準(zhǔn)確率0.787。

      表3 不同特征融合方式比較Tab.3 Comparison o f different feature fusionmethods

      2.4 數(shù)據(jù)增強(qiáng)對(duì)精度和推理時(shí)間的影響

      本文采用業(yè)界最優(yōu)主干網(wǎng)絡(luò)CSP Dark Net-50+RFB和改進(jìn)的ResNet-50+改進(jìn)SPP在葉片缺陷數(shù)據(jù)集上驗(yàn)證檢測(cè)效果,如表4經(jīng)過本文的數(shù)據(jù)集增強(qiáng)的網(wǎng)絡(luò)平均準(zhǔn)確率都有所提高,但是CSPDark Net-50+RFB網(wǎng)絡(luò)GPU內(nèi)存占用1721M較高,所有本實(shí)驗(yàn)要用ResNet-50+改進(jìn)SPP做主干網(wǎng)絡(luò)其AP為0.787,內(nèi)存占用較少為1467M,其FPS每秒也達(dá)27幀滿足要求。

      表4 不同模型對(duì)數(shù)據(jù)增強(qiáng)后準(zhǔn)確率比較Tab.4 Comparison of accuracy of different models after data enhancement

      2.5 不同算法的結(jié)果比較

      最后改進(jìn)算法輸入葉片缺陷數(shù)據(jù)集開始訓(xùn)練,圖12是訓(xùn)練loss一直在2上下浮動(dòng),平均準(zhǔn)確率AP也在0.887左右不再增加,所有在epoch為50000時(shí)停止訓(xùn)練,保存最優(yōu)模型測(cè)試集測(cè)試。同時(shí)驗(yàn)證改進(jìn)算法在葉片缺陷測(cè)試集中與Yolov3[23]和Yolov4比較如表5,Yolov3準(zhǔn)確率最差,Yolov4準(zhǔn)確率P是0.781最高,但召回率R和平均準(zhǔn)確率AP本文改進(jìn)的算法較高為R=0.823和AP=0.877。對(duì)應(yīng)缺陷問題召回率比較看重,召回率高可能有誤判,但人眼可以區(qū)分,避免有漏檢的可能造成安全隱患。

      圖12 loss下降曲線Fig.12 Loss decline curve

      表5 不同主干網(wǎng)絡(luò)結(jié)果比較Tab.5 Comparison of results of differentbackbone networks

      2.6 葉片目標(biāo)缺陷識(shí)別結(jié)果分析

      為了進(jìn)一步檢測(cè)改進(jìn)網(wǎng)絡(luò)的有效性,我們把每個(gè)缺陷的平均準(zhǔn)確率AP和召回率Recll打印出來比較如表6,數(shù)據(jù)集測(cè)試了建模時(shí)的4種缺陷砂眼(sandhole)、剝落(spalling)、細(xì)長(zhǎng)裂紋(slender crack)、開放式開裂(open cracking),其中細(xì)長(zhǎng)裂紋召回率Recll的最低是因?yàn)閱文繕?biāo)標(biāo)簽不止一個(gè),剝落平均準(zhǔn)確率最高,相比其他缺陷目標(biāo)明確訓(xùn)練收斂快。表中也展現(xiàn)了416分辨率整體優(yōu)于608分辨率的平均準(zhǔn)確率和召回率。

      表6 不同尺寸對(duì)比實(shí)驗(yàn)結(jié)果Tab.6 Experimenta l results of differentsizes

      圖13 檢測(cè)結(jié)果Fig.13 Test results

      3 結(jié)論

      經(jīng)過實(shí)驗(yàn)提出了一種基于改進(jìn)Yolov4的風(fēng)機(jī)葉片缺陷自動(dòng)檢測(cè)方法,主要改進(jìn)backbone的殘差單元和調(diào)整了SPP的卷積核,可實(shí)現(xiàn)高效率、實(shí)時(shí)性、低成本的葉片缺陷檢測(cè),保障風(fēng)機(jī)運(yùn)行的安全性和可靠性。也通過研究相關(guān)數(shù)據(jù)增強(qiáng)技術(shù),提出目標(biāo)遮擋和混合數(shù)據(jù)增強(qiáng)技術(shù)和形態(tài)學(xué)方法進(jìn)行缺陷目標(biāo)數(shù)據(jù)增強(qiáng)。最終在測(cè)試集上Recll從0.798提升到0.823;AP值從0.817提升到0.877,改進(jìn)效果顯著。實(shí)驗(yàn)結(jié)果表明,所提出的算法具有較高的精度,能滿足系統(tǒng)的基本要求。

      此改進(jìn)的葉片缺陷識(shí)別模型經(jīng)過量化和轉(zhuǎn)換,部署到瑞芯微和海思芯片測(cè)試,其精度損失在5%之內(nèi);模型量化前和量化后余弦相似度為99%。實(shí)際安裝到無人機(jī)測(cè)試檢測(cè)速度為363ms,達(dá)到了預(yù)期的效果,最后再進(jìn)一步優(yōu)化工程的穩(wěn)定性和模型算法的魯棒性。

      猜你喜歡
      殘差準(zhǔn)確率卷積
      基于雙向GRU與殘差擬合的車輛跟馳建模
      基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
      乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
      健康之家(2021年19期)2021-05-23 11:17:39
      不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
      2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
      基于殘差學(xué)習(xí)的自適應(yīng)無人機(jī)目標(biāo)跟蹤算法
      基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
      從濾波器理解卷積
      電子制作(2019年11期)2019-07-04 00:34:38
      高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
      基于傅里葉域卷積表示的目標(biāo)跟蹤算法
      彭山县| 琼中| 通化县| 手游| 清丰县| 甘谷县| 宜阳县| 土默特左旗| 临高县| 鄂托克旗| 绥中县| 万安县| 上饶市| 南雄市| 中卫市| 河北区| 黄骅市| 和林格尔县| 家居| 紫阳县| 察雅县| 弥渡县| 威信县| 綦江县| 余江县| 长岭县| 定兴县| 江城| 南江县| 灵璧县| 吕梁市| 都匀市| 莆田市| 航空| 巴中市| 卢龙县| 平安县| 樟树市| 揭西县| 六安市| 罗定市|