作者:
基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
光学元件损伤检测是激光驱动器健康管理的重要环节,复杂的原始损伤图像是损伤检测研究中的挑战性问题。卷积神经网络是深度学习的重要结构,在图像识别领域里有很好的应用实例。针对复杂环境下的光学元件损伤检测问题,提出一种基于卷积神经网络的损伤定位方法。设计了一种含有损伤和背景的数据集制作方法,生成大量伪数据。设计并训练卷积神经网络,得到分类器的参数模型。用多尺度分割原始损伤图像,并对每一分割区域进行归类和处理。实验结果证明,该检测方法具有较高的识别率和鲁棒性,可有效规避大规模噪声对损伤检测的影响。
推荐文章
一种基于卷积神经网络的结构损伤检测方法
卷积神经网络
损伤识别
加速度
抗噪性
卷积神经网络在岩性识别中的应用
测井解释
深度学习
卷积神经网络
岩性识别
基于卷积神经网络的目标检测研究综述
卷积神经网络
目标检测
深度学习
基于卷积神经网络的肺炎检测系统
卷积神经网络
胸部X光影像
肺炎诊断
图像预处理
VGG
特征提取
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 卷积神经网络在光学元件损伤检测中的应用
来源期刊 电脑知识与技术:学术交流 学科 工学
关键词 损伤检测 深度学习 卷积神经网络
年,卷(期) 2017,(2) 所属期刊栏目
研究方向 页码范围 178-182
页数 5页 分类号 TP183
字数 语种
DOI
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 刘岩 中国工程物理研究院计算机应用研究所 3 16 2.0 3.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2017(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
损伤检测
深度学习
卷积神经网络
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
电脑知识与技术:学术版
旬刊
1009-3044
34-1205/TP
安徽合肥市濉溪路333号
26-188
出版文献量(篇)
41621
总下载数(次)
23
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导