智能制造概论-6-智能检测技术课件

6 智能检测技术 2024/6/2716 智能检测技术 2023/7/291主要内容2024/6/272主要内容2023/7/292智能检测技术基本概念p智能检测就是利用计算机及相关仪器，实现检测过程的智能化和自动化。p智能检测技术指能自动获取信息，并利用有关知识和策略，采用实时动态建模在线识别，人工智能，专家系统等技术，对被测对象（过程）实现检测、监控、自诊断和自修复的技术。2024/6/273智能检测技术基本概念智能检测就是利用计算机及相关仪器，实现检智能检测基本概念p智能检测的技术内涵：从智能制造的定义和智能制造要实现的目标来看，智能检测技术内涵包括：传感技术微电子技术计算机技术信号分析与处理技术数据通信技术模式识别技术可靠性技术抗干扰技术人工智能技术2024/6/274智能检测基本概念智能检测的技术内涵：从智能制造的定义和智能制6.1 射频识别技术2024/6/2756.1 射频识别技术2023/7/295射频识别技术p射频识别技术工作原理1)概述：射频识别(Radio Frequency Identification，RFID)技术，又称无线射频识别，是自动识别技术的一种，是利用射频信号通过空间耦合（交变磁场或电磁场）方式进行非接触双向数据通信，对目标进行识别并获取相关数据的一种技术。2)FRID的构成：FRID系统通常由标签，识读器和计算机网络系统几部分组成。射频标签是射频识别系统中存储可识别数据的电子装置。识读器将标签中的信息读出，或将标签所需要存储的信息写入标签的装置。计算机网络系统是对数据进行管理和通信传输的设备。2024/6/276射频识别技术射频识别技术工作原理2023/7/296射频识别技术p射频识别技术工作原理3)RFID 的工作原理：RFID技术的基本原理是利用射频信号或空间耦合实现对物体或商品的自动识别数据存储在电子数据载体（又称应答器）之中，应答器的能量供应以及应答器与阅读器之间的数据交换，不是通过电流的触点接通，而是通过磁场或电磁场。4)RFID 的特征和分类：射频识别系统的特征，包括工作方式、应答器存储数据量、应答器读写方式、应答器能量供应方式、系统工作频率和作用距离、应答器到阅读器的数据传输方式等。根据这些特征可以对射频识别系统进行分类。2024/6/277射频识别技术射频识别技术工作原理2023/7/297射频识别技术pFRID识别系统的编码调制和解调1)通信与通信系统：人类在生活、生产和社会活动中总是伴随着消息（或信息）的传递，这种传递消息（或信息）的过程就叫做通信。通信系统是指完成通信这一过程的全部设备和传输媒介，一般可概括为如下图所示的模型：通常，按照信道中传输的是模拟信号还是数字信号，相应地把通信系统分为模拟通信系统和数字通信系统。模拟信号中代表消息的信号参考量为连续值，数字信号中代表消息的信号参考量为有限个。2024/6/278射频识别技术FRID识别系统的编码调制和解调2023/7/2射频识别技术pFRID识别系统的编码调制和解调模拟通信系统是利用模拟信号来传递信息的通信系统。在模拟通信系统中，发送设备简化为调制器，接收设备简化为解调器，主要是强调在模拟通信系统中调制的重要作用。其模型可概括如下图：数字通信系统是利用数字信号来传递信息的通信系统。与模拟通信系统有所不同，其模型可概括如下图:2024/6/279射频识别技术FRID识别系统的编码调制和解调2023/7/2射频识别技术pFRID识别系统的编码调制和解调2)FRID系统的编码：射频识别系统的结构与通信系统的基本模型相类似，满足了通信功能的基本要求。读写器和电子标签之间的数据传输构成了与该基本通信模型相类似的结构。按照从读写器到电子标签的数据传输方向，呈现出以下基本结构：3)RFID 系统的调制与解调：通常基带信号具有较低的频率分量，不宜通过无线信道传输。因此，在通信系统的发送端需要由一个载波来运载基带信号，也就是使载波的某个参量随基带信号的规律而变化，这一过程称为（载波）调制。2024/6/2710射频识别技术FRID识别系统的编码调制和解调2023/7/2射频识别技术pFRID识别系统的编码调制和解调调制的基本作用是频率搬移。概括起来，调制主要有如下几个目的：频率搬移、实现信道复用、工作频率越高带宽越大、工作频率越高天线尺寸越小。2024/6/2711射频识别技术FRID识别系统的编码调制和解调2023/7/2射频识别技术pFRID识别系统的数据完整性与安全性射频识别系统是一个开放的无线系统，外界的各种干扰容易使数据传输产生错误，同时数据也容易被外界窃取，因此需要有相应的措施，使数据保持完整性和安全性。1）数据完整性。在RFID系统中，数据传输的完整性存在两个方面的问题：外界的各种干扰可能使数据传输产生错误；多个应答器同时占用信道使发送数据产生碰撞。2024/6/2712射频识别技术FRID识别系统的数据完整性与安全性2023/7射频识别技术pFRID识别系统的数据完整性与安全性在RFID系统中，为防止各种干扰和电子标签之间数据的碰撞，经常采用差错控制和防碰撞算法来分别解决这两个问题。差错控制是一种保证接收数据完整、准确的方法。在数字通信中，差错控制利用编码方法对传输中产生的差错进行控制，以提高数字消息传输的准确性。碰撞的类型主要分为标签碰撞和读写器碰撞。在无线通信技术中，一般通信碰撞的有四种解决防碰撞的方法：空分多址、频分多址、码分多址、时分多址。2024/6/2713射频识别技术FRID识别系统的数据完整性与安全性2023/7射频识别技术pFRID识别系统的数据完整性与安全性2）数据安全性。RFID数据的安全性主要是要解决信息认证和数据加密的问题，以防止RFID系统非授权的访问，或企图跟踪、窃取甚至恶意篡改RFID电子标签信息的行为。信息认证是指在RFID数据交易进行前，超高频读写器和RFID标签必须确认对方的身份，即双方在通信过程中首先应该相互检验对方的密钥，才能进行进一步的操作。数据加密是指经过身份认证的电子标签和鸿陆RFID读写器，在数据传输前使用密钥和加密算法对数据明文进行处理，得到密文，在接收方使用解密密钥和解密算法将密文恢复成明文。2024/6/2714射频识别技术FRID识别系统的数据完整性与安全性2023/7射频识别技术pFRID识别系统的数据完整性与安全性信息认证和数据加密的设置有效地实现了RFID标签数据的安全性，但同时其复杂的算法和流程也提高了RFID系统的成本。对一些低成本标签，它们往往受成本严格的限制而难以实现上述复杂的密码机制，此时可以采用一些物理方法限制标签的功能，防止部分安全威胁。2024/6/2715射频识别技术FRID识别系统的数据完整性与安全性2023/76.2 机器视觉检测技术2024/6/27166.2 机器视觉检测技术2023/7/2916机器视觉检测技术p概论机器视觉的定义 机器视觉（Machine Vision）是通过光学的装置和非接触的传感器自动地接受和处理一个真实物体的图像，通过分析图像获得所需信息或用于控制机器运动的装置。随着信息技术及现场总线技术的发展，机器视觉伴已成为现代加工制造业不可或缺的工具，广泛应用于食品和料。化妆品制药、建材和化工、金属加工。电子制造包装、汽车制造等行业。机器视觉的引入，代替传统的人工检测方法，极大地提高了产品质量和生产效率。2024/6/2717机器视觉检测技术概论2023/7/2917机器视觉检测技术2)机器视觉系统的构成 典型的机器视觉系统一般包括如下部分:光源，镜头，相机，图像处理单元（或图像捕获卡），图像处理软件，监视器，通信/输入输出单元等。光源 机器视觉系统的核心是图像采集和处理。所有信息均来源于图像之中，图像本身的质量对整个视觉系统极为关键。而光源则是影响机器视觉系统图像质量的重要因素，照明对输入数据的影响至少占到30。镜头 在机器视觉系统中，镜头的主要作用是将成像目标聚焦在图像传感器的光敏面上。镜头对成像质量有着关键性的作用，它对成像质量的几个最主要指标都有影响，包括分辨率、对比度、景深及各种像差。2024/6/2718机器视觉检测技术2023/7/2918机器视觉检测技术相机 相机作为机器视觉系统的核心部件，根据功能和应用领域可分为工业相机，可变焦工业相机和OEM（Original Equipment/Entrusted Manufacture）工业相机。图像采集卡 图像采集卡（Image Grabber）又称为图像卡，它将摄像机的图像视频信号，以帧为单位，送到计算机的内存和VGA帧存，供计算机处理、存储、显示和传输等使用。在机器视觉系统中，图像卡采集到的图像，供处理器做出工件是否合格、运动物体的运动偏差量、缺陷所在的位置等处理。2024/6/2719机器视觉检测技术2023/7/2919机器视觉检测技术图像数据传输方式 模拟传输方式是相机得到图像的数字信号，再通过模拟方式传输给采集卡，而采集卡再经过AD转换得到离散的数字图像信息。数字化传输方式是将图像采集卡集成到相机上。由相机得到的模拟信号先经过图像采集卡转化为数字信号，然后再进行传输。2024/6/2720机器视觉检测技术图像数据传输方式2023/7/2920机器视觉检测技术p机器视觉核心算法图像预处理 由于噪声、光照等外界环境或设备本身的原因，通常所获取的原始数字图像质量不是非常高，因此在对图像进行边缘检测、图像分割等操作之前，一般都需要对原始数字图像进行增强处理。图像增强主要有两方面应用，一方面是改善图像的视觉效果，另一方面也能提高边缘检测或图像分割的质量，突出图像的特征，便于计算机更有效地对图像进行识别和分析。数学形态学 数学形态学可以用来解决抑制噪声、特征提取、边缘检测、图像分割、形状识别、纹理分析、图像恢复与重建、图像压缩等图像处理问题。阈值分割 阈值是在分割时作为区分物体与背景像素的门限，大于或等于阈值的像素属于物体，而其他属于背景。这种方法对于在物体与背景之间存在明显差别（对比）的景物分割十分有效。2024/6/2721机器视觉检测技术机器视觉核心算法2023/7/2921机器视觉检测技术为了有效地分割物体与背景，人们发展了各种各样的阈值处理技术。图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。区域生长是指将成组的像素或区域发展成更大区域的过程。边缘检测是指图像局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看做一个阶跃，即从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。函数优化。贝叶斯决策理论方法是统计模式识别中的一个基本方法。贝叶斯决策判据既考虑了各类参考总体出现的概率大小，又考虑了因误判造成的损失大小，判别能力强。2024/6/2722机器视觉检测技术为了有效地分割物体与背景，人们发展了各种各样机器视觉检测技术p机器视觉工程应用快速实时视觉检测系统设计 基本设计参数。机器视觉应用项目在总体设计初期，要考虑如何选择摄像机的类型、计算摄像机的视场、估计分辨率、计算数据处理量、评估硬件处理的可能性、选择摄像机型号、选择镜头、选择光照技术、选择采集卡、设计图像处理算法等。图像处理算法的设计主要分两个步骤，即图像简化和图像解释。图像简化，是通过对原始图像进行预处理和图像分割，来突出特征，消除背景。图像解释，是提取被测物体的特征，包括统计特征或几何特征，并根据预设的判据输出决策。统计特征包括如平均灰度或像素和等统计信息，鲁棒但不精确；而几何特征比较精确，但容易被杂质干扰；决策技术有基于统计的，如线性分类，用于零件分类或OCR；也有基于决策树的，用于精确测量的应用场合。2024/6/2723机器视觉检测技术机器视觉工程应用2023/7/29236.3 无损缺陷检测技术 2024/6/27246.3 无损缺陷检测技术 2023/7/2924无损缺陷检测技术p概论无损缺陷检测的定义 无损检测技术就是利用声、光、磁和电等特性，在不损害或不影响被检对象使用性能的前提下，检测被检对象中是否存在缺陷或不均匀性，给出缺陷的大小、位置、性质和数量等信息，进而判定被检对象所处技术状态（如合格与否、剩余寿命等）的所有技术手段的总称。无损检测技术分为常规无损检测技术和非常规无损检测技术。常规无损检测技术有超声波检测、射线检测、磁粉检测、渗透检测、涡流检测等。非常规无损检测技术有声发射、红外检测、激光全息检测等。2024/6/2725无损缺陷检测技术概论2023/7/2925无损缺陷检测技术p无损检测技术的应用特点1)不损坏试件材质、结构 无损检测技术的最大特点就是能在不损坏试件材质、结构的前提下进行检测，因此实施无损检测后，产品的检查率可以达到100。但是，并不是所有需要测试的项目和指标都能进行无损检测，无损检测技术也有自身的局限性。某些试验只能采用破坏性试验，因此目前无损检测还不能代替破坏性检测。也就是说，对一个工件、材料、机器设备的评价，必须把无损检测的结果与破坏性试验的结果互相对比和配合，才能作出准确的评定。2024/6/2726无损缺陷检测技术无损检测技术的应用特点2023/7/2926无损缺陷检测技术2)正确选用实施无损检测的时机 无损检测系统在无损检测时，必须根据无损检测的目的，正确选择无损检测实施的时机。3)正确选用最适当的无损检测 由于各种检测方法都具有一定的特点，为提高检测结果的可靠性，应根据设备材质、制造方法、工作介质、使用条件和失效模式，以及预计可能产生的缺陷种类、形状、部位和取向，选择合适的无损检测方法。2024/6/2727无损缺陷检测技术2)正确选用实施无损检测的时机2023/7无损缺陷检测技术4）综合应用各种无损检测方法 任何一种无损检测方法都不是万能的，每种方法都有自己的优点和缺点。应尽可能多用几种检测方法，互相取长补短，以保障承压设备安全运行。此外，在无损检测技术的应用中，还应充分认识到，检测的目的 不是片面追求过高要求的高质量，而是应在充分保证安全性和合适风险率的前提下，着重考虑其经济性。只有这样，无损检测技术在承压设备中的应用才能达到预期目的。2024/6/2728无损缺陷检测技术4）综合应用各种无损检测方法2023/7/2无损缺陷检测技术p无损检测技术的发展1)便携式无损检测仪器设备袖珍化 随着计算机软件技术及电子元器件技术的不断发展，便携式无损检测仪器设备具备了向掌上型、袖珍化发展的条件，体积越来越小巧，质量越来越小，但是功能并不减少，从而更方便现场使用。2)多种检测方法综合一体化 不仅出现了把同一检测方法中的多种功能合为一体的仪器，如把常规超声检测与TOFD（Time of Flight Diffraction）功能、相控阵功能合为一体的数字化超声波探伤仪，而且出现了把不同无损检测方法合为一体的综合检测仪器，如涡流传感器与工业内窥镜探头一体化，集视频图像与实时八频涡流、远场涡流、磁记忆、漏磁、低频电磁场于一体的多信息融合扫描成像检测系统等。2024/6/2729无损缺陷检测技术无损检测技术的发展2023/7/2929无损缺陷检测技术3)检测结果显示的数字图像化 无损检测技术检测的是被检物体中的物理参数变化，其检测结果的表现是多种多样的，除了渗透检测和磁粉检测可以直观地看到迹痕图形，射线透照可以较直观地看到投影图像等以外，很多检测方法所得到的结果是不直观的。随着计算机技术的飞速发展，无论是硬件还是软件都发展到了很高的层次，因此在无损检测技术应用中已经越来越多地利用数字图像处理技术，利用计算机来处理检测结果中的数据、图形和图像信息，将不直观的检测结果转变成可视图像满足检测结果的可视化效果需要，如超声波检测技术中的B扫描、C扫描、P扫描、MA扫描与计算机大屏幕连接用于培训教学的超轻便多用途超声探伤仪，荧光磁粉检测的CCD摄像机记录等。2024/6/2730无损缺陷检测技术3)检测结果显示的数字图像化2023/7/2无损缺陷检测技术4)检测工艺设计、检测结果评定的智能化 无损检测技术的基础是物质的各种物理性质或它们的组合及与物质相互作用的物理现象。检测结果的评定依赖于检测人员的主观因素，受到检测结果的评定依赖于检测人员的主观因素，受到检测人员的技术水平、实践经验、思想与身体素质、知识状况等多种因素影响，特别是无损检测结果的定位、定量与定性三大要素中的“定性”对于被检对象的安全评估有着特别重要的意义5)大型自动化无损检测系统 出于提高生产效率的需要，以及市场经济的深入发展，企业越来越重视成本效益，特别是我国经济改革开放以来，企业对自动化、半自动化检测的需求越来越大，从而大大促进了我国在大型自动化无损检测系统方面的发展，包括各种超声波探伤自动化成套检测设备、自动化涡流/超声检测系统、X射线实时成像自动检测系统等。2024/6/2731无损缺陷检测技术4)检测工艺设计、检测结果评定的智能化202无损缺陷检测技术6)不断有采用新无损检测技术的和适应新领域的检测设备投入应用 随着工业生产的发展，许多产品的质量要求日渐提高，从而对无损检测技术的需求也大大增加。顺应无损检测需求的新的无损检测技术和适应新领域、新要求的无损检测设备器材也在不断推出并投入应用，如飞机机舱内应用的便携式激光电子散斑与脉冲散斑检测设备，长输管线应用的磁致伸缩型导波检测系统，基于X射线荧光分析技术的便携式、手持式合金/金属分析仪，最深可达水下500米的水下专用超声波测厚仪，水下应用的数字式超声波探伤仪，可在日光下远距离检测在役运行中高压设备潜在故障的紫外成像仪等。2024/6/2732无损缺陷检测技术6)不断有采用新无损检测技术的和适应新领域的6.4 基于深度学习的检测技术 2024/6/27336.4 基于深度学习的检测技术 2023/7/2933基于深度学习的检测技术p概论1）无损缺陷检测的定义 深度学习(Deep Learning，D,)是机器学习(ML,Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标人工智能(AI,Artificial Intelligence)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。2024/6/2734基于深度学习的检测技术概论2023/7/2934基于深度学习的检测技术 深度学习已被应用到多个领域。例如，用于图像生成、增强、风格化的生成对抗网络（GAN），用于游戏对战、网络结构搜索的强化学习网络，用于图像分类、检测、跟踪、分割、重识别的卷积神经网络，用于自然语言处理、手写体识别的循环神经网络，甚至可以作为一个中间环节用于完成摄像机标定、人体模型参数化等工作。2）深度学习分类 深度学习分为三个流派，分别是有监督学习（supervised learning）、无监督学习（unsupervised learning）和强化学习（reinforcement learning）。有监督学习通过对有标签数据集的学习学到或建立一个模型，输出这个数据的标签，并把 与对应的 进行差异比对，根据差异对模型进行调整，以提高其精度，最终通过学到或建立的模型进行数据标签预测，即输入一个数据，通过模型将数据最后可能的标签输出。2024/6/2735基于深度学习的检测技术 深度学习已被应用到多个领域基于深度学习的检测技术 无监督学习会从大量的训练数据中分析出具有相似类别或结构的数据（即数据的相似性），并把它们进行归类，划分成不同的集合。这就好比我们对乐曲进行分类，或许我们并不清楚自己听到的乐曲是什么类型、什么种类的，但是通过不断地欣赏，我们能够发现不同乐曲中相似的曲调等，并在此基础上将它们划分为抒情的、欢快的或悲伤的。强化学习算法的目标就是最大化回报函数。可以把回报函数当成一种延迟和稀疏的标签数据形式，而不是在每个数据点获得特定的答案（right或者 wrong）。会得到一个延迟的反应，而它只会提示是否在朝着目标方向前进。2024/6/2736基于深度学习的检测技术 无监督学习会从大量的基于深度学习的检测技术p深度学习的主要检测方法 以R-CNN和SSD为例分别介绍两阶段目标检测方法和单阶段目标检测方法。在图像上进行目标检测时，R-CNN首先使用 selective search建议框提取方法，在图像中选取大约2000个建议框。接着，将每个建议框调整为同一尺寸（227227）并送入 AlexNet中提取特征，得到特征图。然后，对每个类别，使用该类别的SVM分类器对得到的所有特征向量进行打分，得到这幅图像中的所有建议框对应于每个类别的得分。随后，同样在每个类别上独立地对建议框使用贪心的非极大值抑制的方法进行筛选，过滤IoU大于一个特定阈值的分类打分较低的建议框，并使用边界框回归的方法对建议框的位置与大小进行微调，使之对目标的包围更加精确。2024/6/2737基于深度学习的检测技术深度学习的主要检测方法2023/7/2基于深度学习的检测技术 从R-CNN到R-FCN，都是目标检测中基于候选区域的方法。该类目标检测方法的工作通常分为两步:第一步是从图像中提取建议框，并剔除一部分背景建议框，同时做一次位置修正；第二步是对每个建议框进行检测分类与位置修正。因此，基于候选区域的方法又称为两阶段目标检测方法。为了使目标检测满足实时性要求，研究人员提出了单阶段目标检测方法（SSD方法）。在单阶段目标检测方法中，不再使用建议框进行“粗检测精修”，而采用一步到位的方式得到结果。单阶段目标检测方法只进行一次前馈网络计算，因此在速度上有了很大的提升。2024/6/2738基于深度学习的检测技术 从R-CNN到R-FCN，都是基于深度学习的检测技术p深度学习检测应用肋骨骨折检测 肋骨骨折是胸部损伤中比较常见的一种情况，主要分为移位性骨折、非移位性骨折和陈旧性骨折。目前，通常通过胸部CT（computed tomography，电子计算机断层扫描）对肋骨骨折进行诊断。由于胸部CT切片数量巨大，诊断工作耗时很长。同时，由于肋骨在CT切片中的走向是倾斜的，需要医生连续观察、评估，给确诊带来了一定的难度，尤其对细微的非移位性肋骨骨折及同一个患者有多处肋骨骨折的情况，漏诊率可达30。2024/6/2739基于深度学习的检测技术深度学习检测应用肋骨骨折检测202基于深度学习的检测技术1）解决方案 流行的基于卷积神经网络的目标检测方法（例如YOLO v33、RefineDet），对细微特征（例如骨折位置）的检测效果一般。为此，本节描述了一种图像分割和卷积神经网络相结合的肋骨骨折检测方法。本方法最显著的特点是将医学影像分割和基于三维卷积核的卷积神经网络的图像分类方法相结合，相对于目前流行的基于卷积神经网络的目标检测方法，本方法在检测精度上有10的提升。2）预处理 如图所示，在训练过程中，先依据CT值对整个集合中所有的胸部CT图像提取肋骨框架，然后对每幅图片进行形态学膨胀操作，进而构建2D连通区域，最后依据连通区域的面积，剔除面积过小的连通区域，同时依据连通区域的形态学特征，将胸腔冠状结构剔除，保证只有肋骨被保留。2024/6/2740基于深度学习的检测技术1）解决方案2023/7/2940基于深度学习的检测技术 形态学膨胀操作非常重要，因为它可以抚平有裂纹的肋骨。从中所示的肋骨框架中分割出肋骨区域，再对应到原始切片中，得到下图所示的待分类区域。2024/6/2741基于深度学习的检测技术2023/7/2941基于深度学习的检测技术3）肋骨骨折检测 传统的基于卷积神经网络的图像分类方法主要针对二维输入图像进行设计，虽然对体积较大的物体取得了很好的分类效果，但对微小物体的mAP只有不到40。本节描述了一种基于三维卷积核的图像分类方法本方法利用胸部CT序列的三维特征，选取一定数量的连续肋骨区域图像序列，将其送入图像分类网络，通过三维卷积核提取肋骨的三维特征，依据三维特征得到更好的分类结果。2024/6/2742基于深度学习的检测技术3）肋骨骨折检测2023/7/2942基于深度学习的检测技术4）实验结果分析 骨折检测问题属于针对微小物体的检测。其特点在于:CT图像中有大量的噪声，而且骨折位置细微。所以，在本节中，我们先利用 DICOM图像函数库提取CT值，将肋骨区域提取出来，再接入分类网络。实验结果表明，本节采取的方法比端到端的目标检测方法有更高的精度和效率。这也说明，将传统的图像处理方法和深度学习相结合，有时检测效果更好。2024/6/2743基于深度学习的检测技术4）实验结果分析2023/7/2943本章小结2024/6/2744本章小结2023/7/2944