期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于二值化赋范梯度的中厚板表面缺陷检测
被引量：
7
1
作者
梁颖
詹光曹
徐科
《表面技术》
EI
CAS
CSCD
北大核心
2019年第10期336-341,共6页
目的针对中厚板表面复杂、缺陷识别率低的问题,设计一种有效的候选窗口提取方法,提升中厚板表面缺陷检测的准确性与实时性。方法引入视觉选择性注意机制,采用一种基于二值化赋范梯度特征(Binarized Normed Gradients,BING)的一般对象估...
目的针对中厚板表面复杂、缺陷识别率低的问题,设计一种有效的候选窗口提取方法,提升中厚板表面缺陷检测的准确性与实时性。方法引入视觉选择性注意机制,采用一种基于二值化赋范梯度特征(Binarized Normed Gradients,BING)的一般对象估计算法来快速准确地提取缺陷感兴趣区域(Region of Interest,ROI),有效缩短搜寻过程。首先将样本归一化到8×8大小,提取规范化梯度特征(Normed Gradients,NG),学习一个测量显著性的线性SVM分类器来预测图像窗口含有缺陷的可能性。然后再通过样本尺度优化显著性评分,学习一个校准显著评分的线性SVM分类器。最后将两个SVM模型级联,用于在线检测,提取缺陷感兴趣区域。结果将训练好的BING模型与Inception-V3卷积神经网络相结合,用于中厚板表面缺陷检测与识别,BING算法有效减少了ROI数量,在ROI数量为500的情况下,达到了98.2%的召回率。结论在保证缺陷召回率的前提下,BING生成的ROI数量比滑动窗口遍历方式少2个数量级,有效减少了后续识别算法的计算量,有利于引入复杂的分类器提升中厚板表面缺陷识别的准确率。
展开更多
关键词
中厚板
缺陷检测
二
值
化
赋
范
梯度
(
bing
)
ROI提取
规
范
化
梯度
(NG)
线性SVM
下载PDF
职称材料
基于融合特征及改进二值化规范梯度特征技术的车辆识别算法
被引量：
2
2
作者
符锌砂
朱振杰
+1 位作者
郭恩强
朱博雅
《科学技术与工程》
北大核心
2018年第5期99-104,共6页
针对高速公路视频监控中基于单一形状特征的车辆检测算法出现较多的误检,且运用支持向量机(SVM)滑动窗口检测存在耗时大的问题,提出一种基于快速提取物体目标候选窗口的融合HOG-LBP特征的车辆检测方法。首先基于二值化规范梯度特征(BING...
针对高速公路视频监控中基于单一形状特征的车辆检测算法出现较多的误检,且运用支持向量机(SVM)滑动窗口检测存在耗时大的问题,提出一种基于快速提取物体目标候选窗口的融合HOG-LBP特征的车辆检测方法。首先基于二值化规范梯度特征(BING)方法及背景差分快速提取车辆候选窗口,再计算候选窗口图像的方向梯度直方图(HOG)特征和局部二值模式(LBP)特征并进行特征融合,结合SVM分类器进行车辆检测。实验结果表明,融合形状和纹理特征能够有效提高车辆检测性能,而通过快速提取候选窗口可以将SVM检测速度提升8倍左右,满足工程实时性要求。
展开更多
关键词
车辆检测
特征融合
二
值
化
规
范
梯度
(
bing
)特征
SVM分类器
下载PDF
职称材料
题名
基于二值化赋范梯度的中厚板表面缺陷检测
被引量：
7
1
作者
梁颖
詹光曹
徐科
机构
北京科技大学钢铁共性技术协同创新中心
福建三钢闽光股份有限公司中板厂
出处
《表面技术》
EI
CAS
CSCD
北大核心
2019年第10期336-341,共6页
基金
“十三五”国家重点研发计划课题(2018YFB0704304)
国家自然科学基金项目(51674031)~~
文摘
目的针对中厚板表面复杂、缺陷识别率低的问题,设计一种有效的候选窗口提取方法,提升中厚板表面缺陷检测的准确性与实时性。方法引入视觉选择性注意机制,采用一种基于二值化赋范梯度特征(Binarized Normed Gradients,BING)的一般对象估计算法来快速准确地提取缺陷感兴趣区域(Region of Interest,ROI),有效缩短搜寻过程。首先将样本归一化到8×8大小,提取规范化梯度特征(Normed Gradients,NG),学习一个测量显著性的线性SVM分类器来预测图像窗口含有缺陷的可能性。然后再通过样本尺度优化显著性评分,学习一个校准显著评分的线性SVM分类器。最后将两个SVM模型级联,用于在线检测,提取缺陷感兴趣区域。结果将训练好的BING模型与Inception-V3卷积神经网络相结合,用于中厚板表面缺陷检测与识别,BING算法有效减少了ROI数量,在ROI数量为500的情况下,达到了98.2%的召回率。结论在保证缺陷召回率的前提下,BING生成的ROI数量比滑动窗口遍历方式少2个数量级,有效减少了后续识别算法的计算量,有利于引入复杂的分类器提升中厚板表面缺陷识别的准确率。
关键词
中厚板
缺陷检测
二
值
化
赋
范
梯度
(
bing
)
ROI提取
规
范
化
梯度
(NG)
线性SVM
Keywords
medium plates
defect detection
Binarized Normed Gradients(
bing
)
extraction of ROI
Normed Gradients(NG)
linear SVM
分类号
TG142.71 [一般工业技术—材料科学与工程]
下载PDF
职称材料
题名
基于融合特征及改进二值化规范梯度特征技术的车辆识别算法
被引量：
2
2
作者
符锌砂
朱振杰
郭恩强
朱博雅
机构
华南理工大学土木与交通学院
出处
《科学技术与工程》
北大核心
2018年第5期99-104,共6页
基金
国家自然科学基金(51578247
51178193)
广东省交通运输厅科技项目(科技-2015-02-071)资助
文摘
针对高速公路视频监控中基于单一形状特征的车辆检测算法出现较多的误检,且运用支持向量机(SVM)滑动窗口检测存在耗时大的问题,提出一种基于快速提取物体目标候选窗口的融合HOG-LBP特征的车辆检测方法。首先基于二值化规范梯度特征(BING)方法及背景差分快速提取车辆候选窗口,再计算候选窗口图像的方向梯度直方图(HOG)特征和局部二值模式(LBP)特征并进行特征融合,结合SVM分类器进行车辆检测。实验结果表明,融合形状和纹理特征能够有效提高车辆检测性能,而通过快速提取候选窗口可以将SVM检测速度提升8倍左右,满足工程实时性要求。
关键词
车辆检测
特征融合
二
值
化
规
范
梯度
(
bing
)特征
SVM分类器
Keywords
vehicle detection future fusion ObjectNess binarized normed gradients SVM classifie
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于二值化赋范梯度的中厚板表面缺陷检测
梁颖
詹光曹
徐科
《表面技术》
EI
CAS
CSCD
北大核心
2019
7
下载PDF
职称材料
2
基于融合特征及改进二值化规范梯度特征技术的车辆识别算法
符锌砂
朱振杰
郭恩强
朱博雅
《科学技术与工程》
北大核心
2018
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
