CN110084812A - 一种太赫兹图像缺陷检测方法、装置、系统及存储介质 - Google Patents
一种太赫兹图像缺陷检测方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN110084812A CN110084812A CN201910388784.2A CN201910388784A CN110084812A CN 110084812 A CN110084812 A CN 110084812A CN 201910388784 A CN201910388784 A CN 201910388784A CN 110084812 A CN110084812 A CN 110084812A
- Authority
- CN
- China
- Prior art keywords
- terahertz image
- feature
- defect
- defects detection
- terahertz
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种太赫兹图像缺陷检测方法、装置、系统及计算机可读存储介质,包括建立太赫兹图像缺陷检测模型;获取待检测太赫兹图像;采用太赫兹图像缺陷检测模型对待检测太赫兹图像进行视觉特征提取,得到整体视觉特征和局部显著图特征;依据注意力机制对整体视觉特征和局部显著图特征进行分析,得到加权特征;对加权特征进行识别分析,得到与待检测太赫兹图像对应的缺陷类别。本发明中在得到与待检测太赫兹图像对应的整体视觉特征和局部显著图特征后,通过注意力机制将局部显著图特征作用到整体视觉特征中,所得到的加权特征不仅包括待检测太赫兹图像的整体视觉特征,还加强了待检测太赫兹图像局部重要特征,从而提高了缺陷识别的精确度。
Description
技术领域
本发明实施例涉及图像识别技术领域,特别是涉及一种太赫兹图像缺陷检测方法、装置、系统及计算机可读存储介质。
背景技术
近年来,国内外学者利用太赫兹成像技术在对太赫兹图像缺陷方面进行了相关的研究,特别是在探伤成像的后期图像增强方面进行了一定的探索研究。
目前,太赫兹图像缺陷检测的技术方法主要包括基于小波变换与利普系茨指数的太赫兹图像缺陷检测和基于小波去噪的太赫兹图像缺陷检测,其中,基于小波变换与利普系茨指数的太赫兹图像缺陷检测对缺陷识别十分模糊,最后的分类结果需要人工辅助加以实现;基于小波去噪的太赫兹图像缺陷检测方法是基于太赫兹图像整体特征进行分析,忽略了局部特征,易引起缺陷误判。
鉴于此,如何提供一种提高太赫兹图像缺陷检测精度的方法、装置、系统及计算机可读存储介质成为本领域技术人员目前需要解决的问题。
发明内容
本发明实施例的目的是提供一种太赫兹图像缺陷检测方法、装置、系统及计算机可读存储介质,在使用过程中能够提高了缺陷识别的精确度。
为解决上述技术问题,本发明实施例提供了一种太赫兹图像缺陷检测方法,包括:
建立太赫兹图像缺陷检测模型;
获取待检测太赫兹图像;
采用所述太赫兹图像缺陷检测模型对所述待检测太赫兹图像进行视觉特征提取,得到整体视觉特征和局部显著图特征;
依据注意力机制对所述整体视觉特征和所述局部显著图特征进行分析,得到加权特征;
对所述加权特征进行识别分析,得到与所述待检测太赫兹图像对应的缺陷类别。
可选的,所述建立太赫兹图像缺陷检测模型的过程为:
对预先建立的太赫兹图像缺陷检测网络模型进行网络参数初始化,得到初始化后的太赫兹图像缺陷检测器;
通过各个样本太赫兹图像及缺陷类别预测损失函数对所述初始化后的太赫兹图像缺陷检测网络模型进行迭代训练,确定出缺陷类别预测损失函数值最小时对应的网络模型参数;
将依据所述网络模型参数建立的太赫兹图像缺陷检测网络模型作为所述太赫兹图像缺陷检测模型。
可选的,所述太赫兹图像缺陷检测网络模型包括视觉特征提取器、注意力模型和缺陷类别识别器;
所述对预先建立的太赫兹图像缺陷检测网络模型进行网络参数初始化的过程为:
通过正态分布对所述视觉特征提取器中的第一卷积层的卷积核、对所述注意力模型中的转换矩阵U以及对所述缺陷类别识别器中的全连接层和softmax层进行初始化,其中,所述第一卷积层的卷积核的形状为3×3×4。
可选的,所述所述缺陷类别预测损失函数为:
其中,Lloos(x,y)为损失值,x为四通图像道特征,y为图像真实的缺陷类别,为图像预测的缺陷类别,所述四通道包括R、G、B及显著图通道。
可选的,所述通过各个样本太赫兹图像及缺陷类别预测损失函数对所述初始化后的太赫兹图像缺陷检测网络模型进行迭代训练的过程为:
采用梯度下降算法、通过各个样本太赫兹图像及缺陷类别预测损失函数对所述初始化后的太赫兹图像缺陷检测网络模型进行迭代训练。
可选的,所述注意力机制为基于第一计算公式建立的,所述第一计算公式为:
其中,
为加权特征,vi为整体视觉特征中的第i个特征图,li为与vi对应的权值向量,U为待学习的转换矩阵,a为局部显著图特征,vj为整体视觉特征中的第j个特征图,n为整体视觉特征中特征图的总个数,T为转置。
本发明实施例还相应的提供了一种太赫兹图像缺陷检测装置,包括:
建立模块,用于建立太赫兹图像缺陷检测模型;
获取模块,用于获取待检测太赫兹图像;
提取模块,用于采用预先建立的太赫兹图像缺陷检测模型对所述待检测太赫兹图像进行视觉特征提取,得到整体视觉特征和局部显著图特征;
分析模块,用于依据注意力机制对所述整体视觉特征和所述局部显著图特征进行分析,得到加权特征;
识别模块,用于对所述加权特征进行识别分析,得到与所述待检测太赫兹图像对应的缺陷类别。
可选的,所述建立模块包括:
初始化单元,用于对预先建立的太赫兹图像缺陷检测网络模型进行网络参数初始化,得到初始化后的太赫兹图像缺陷检测器;
训练单元,用于通过各个样本太赫兹图像及缺陷类别预测损失函数对所述初始化后的太赫兹图像缺陷检测网络模型进行迭代训练,确定出缺陷类别预测损失函数值最小时对应的网络模型参数;
建立单元,用于将依据所述网络模型参数建立的太赫兹图像缺陷检测网络模型作为所述太赫兹图像缺陷检测模型。
本发明实施例还提供了一种太赫兹图像缺陷检测系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述太赫兹图像缺陷检测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述太赫兹图像缺陷检测方法的步骤。
本发明实施例提供了一种太赫兹图像缺陷检测方法、装置、系统及计算机可读存储介质,包括:建立太赫兹图像缺陷检测模型;获取待检测太赫兹图像;采用太赫兹图像缺陷检测模型对待检测太赫兹图像进行视觉特征提取,得到整体视觉特征和局部显著图特征;依据注意力机制对整体视觉特征和局部显著图特征进行分析,得到加权特征;对加权特征进行识别分析,得到与待检测太赫兹图像对应的缺陷类别。
可见,本实施例中通过预先建立的太赫兹图像缺陷检测模型能够提取出待检测太赫兹图像的整体视觉特征和局部显著图特征,并根据注意力机制对整体视觉特征和局部显著图特征进行分析得到相应的加权特征,进而通过对该加权特征进行识别分析得到相应的缺陷类别。由于本实施例中通过注意力机制将局部显著图特征作用到整体视觉特征中,所得到的加权特征不仅包括待检测太赫兹图像的整体视觉特征,还加强了待检测太赫兹图像局部重要特征,从而提高了缺陷识别的精确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种太赫兹图像缺陷检测方法的流程示意图;
图2为本发明实施例提供的一种太赫兹图像缺陷检测模型建立的流程示意图;
图3为本发明实施例提供的一种太赫兹图像缺陷检测模型的结构框图;
图4为本发明实施例提供的一种太赫兹图像缺陷检测装置的结构示意图。
具体实施方式
本发明实施例提供了一种太赫兹图像缺陷检测方法、装置、系统及计算机可读存储介质,在使用过程中能够提高了缺陷识别的精确度。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参照图1,图1为本发明实施例提供的一种太赫兹图像缺陷检测方法的流程示意图。该方法包括:
S110:建立太赫兹图像缺陷检测模型;
具体的,本实施例中的太赫兹图像缺陷检测模型可以预先通过多个样本太赫兹图像进行建立,并且只需要建立一次即可,在建立完成后可以用于后续对待检测太赫兹图像的检测识别。
进一步的,请参照图2,上述S110中建立太赫兹图像缺陷检测模型的过程,具体可以包括:
S210:对预先建立的太赫兹图像缺陷检测网络模型进行网络参数初始化,得到初始化后的太赫兹图像缺陷检测器;
具体的,本实施例中可以预先进行太赫兹图像缺陷检测网络模型的设计,该太赫兹图像缺陷检测网络模型可以包括视觉特征提取器、注意力模型和缺陷类别识别器,具体参照图3,其中:
视觉特征提取器包括整体特征提取单元和局部特征提取单元,并且整体特征提取单元的输入图像为x,224×224×4为图像x的形状,图像x的前三个通道为RGB三通道,第四通道为该图像的显著图通道,也即,整体特征提取单元基于VGG-16网络卷积层结构,VGG-16网络卷积层包括第一卷积层组、第二卷积层组、第三卷积层组、第四卷积层组和第五卷积层组,其中,第一卷积层组的第一卷积层中卷积核形状由3×3×3变为3×3×4,其余卷积层VGG-16原结构一致,并且提取的整体视觉特征为n=196为视觉特征中特征图的个数,可见通过本申请中的视觉特征提取器所提取的整体视觉特征中包括显著图特征;另外,本实施例中的局部特征提取单元的输入图像的三个通道均为显著图通道,并且输入图像在经过五个卷积层组后在经过一个全连接层,以便得到局部显著图特征。
注意力模型主要是采用注意力机制计算基于视觉特征提取器输出的局部显著图特征和整体视觉特征的加权特征,其中,局部显著图特征为显著图在局部特征提取单元的VGG-16中第一个全连接层的特征,并且显著图的维度可以为4096,局部特征提取单元VGG-16的输入为三个相同的显著图,大小为224×224×3。本实施例中的注意力机制的使用起到了显著图的二次增强作用,有利于加强缺陷特征表示,提高缺陷类别分类精度。
具体的,本实施例中的注意力机制可以为基于第一计算公式建立的,第一计算公式为:
其中,
为加权特征,vi为整体视觉特征中的第i个特征图,li为与vi对应的权值向量,U为待学习的转换矩阵,a为局部显著图特征,vj为整体视觉特征中的第j个特征图,n为整体视觉特征中特征图的总个数,T为转置。
缺陷类别识别器是一个softmax分类器,其包括一个全连接层和一个softmax层,其中,全连接层神经元数量为2048,softmax层神经元数量为缺陷类别个数。
具体的,在设计完成太赫兹图像缺陷检测网络模型后,对预先建立的太赫兹图像缺陷检测网络模型进行网络参数初始化,其过程具体可以为:
通过正态分布对视觉特征提取器中的第一卷积层的卷积核、对注意力模型中的转换矩阵U以及对缺陷类别识别器中的全连接层和softmax层进行初始化,其中,第一卷积层的卷积核的形状为3×3×4。
需要说明的是,VGG-16网络卷积层中除第一卷积层组之外,其他的卷积层组均采用ImageNet数据集预训练模型初始化,在视觉特征提取器的整体视觉特征提取单元的第一卷积层组第一卷积层的卷积核的形状为3×3×4,并采用正态分布初始化。
S220:通过各个样本太赫兹图像及缺陷类别预测损失函数对初始化后的太赫兹图像缺陷检测网络模型进行迭代训练,确定出缺陷类别预测损失函数值最小时对应的网络模型参数;
具体的,在初始化完成后可以进行缺陷类别预测损失函数和训练参数的设置,并且在设置好缺陷类别预测损失函数和训练参数后,从太赫兹缺陷图像数据库中随机选取80%作为样本太赫兹图像,并对初始化后的太赫兹图像缺陷检测网络模型进行迭代训练,选取出缺陷类别预测损失函数值最小的网络模型对应的网络模型参数作为最优参数。
其中,缺陷类别预测损失函数为:
其中,Lloos(x,y)为损失值,x为四通图像道特征,y为图像真实的缺陷类别,为图像预测的缺陷类别,四通道包括R、G、B及显著图通道。
所设置的训练参数可以包括学习率和每次训练迭代的图像数量,其中,学习率可以为0.01,每次训练迭代的图像数量可以为32,当然,具体数值也可以根据实际需要进行设定,本申请不做特殊限定。
进一步的,上述通过各个样本太赫兹图像及缺陷类别预测损失函数对初始化后的太赫兹图像缺陷检测网络模型进行迭代训练的过程,具体可以为:
采用梯度下降算法、通过各个样本太赫兹图像及缺陷类别预测损失函数对初始化后的太赫兹图像缺陷检测网络模型进行迭代训练。
当然,还需要说明的是,除了采用梯度下降法之外,也可以采用其他的方法实现对初始化后的太赫兹图像缺陷检测网络模型的迭代训练。
S230:将依据网络模型参数建立的太赫兹图像缺陷检测网络模型作为太赫兹图像缺陷检测模型。
具体的,根据最优参数建立的太赫兹图像缺陷检测网络模型作为太赫兹图像缺陷检测器的最优模型,也即作为用于后续进行待检测太赫兹图像检测识别的太赫兹图像缺陷检测模型。
S120:获取待检测太赫兹图像;
S130:采用太赫兹图像缺陷检测模型对待检测太赫兹图像进行视觉特征提取,得到整体视觉特征和局部显著图特征;
具体的,在对待检测太赫兹图像进行识别时,通过建立好的太赫兹图像缺陷检测模型中的视觉特征提取器对待检测太核磁图像进行视觉特征提取,提取出与待检测太核磁图像对应的整体视觉特征和局部显著图特征。
S140:依据注意力机制对整体视觉特征和局部显著图特征进行分析,得到加权特征;
具体的,在提取到与待检测太核磁图像对应的整体视觉特征和局部显著图特征后,可以采用太赫兹图像缺陷检测模型中的注意力模型对整体视觉特征和局部显著图特征进行分析,得到加权特征。
S150:对加权特征进行识别分析,得到与待检测太赫兹图像对应的缺陷类别。
具体的,采用太赫兹图像缺陷检测模型中的缺陷类别识别器对加权特征进行识别分析,得到与待检测太赫兹图像对应的缺陷类别。
可见,本实施例中通过预先建立的太赫兹图像缺陷检测模型能够提取出待检测太赫兹图像的整体视觉特征和局部显著图特征,并根据注意力机制对整体视觉特征和局部显著图特征进行分析得到相应的加权特征,进而通过对该加权特征进行识别分析得到相应的缺陷类别。由于本实施例中通过注意力机制将局部显著图特征作用到整体视觉特征中,所得到的加权特征不仅包括待检测太赫兹图像的整体视觉特征,还加强了待检测太赫兹图像局部重要特征,从而提高了缺陷识别的精确度。
在上述实施例的基础上,本发明实施例还相应的提供了一种太赫兹图像缺陷检测装置,具体请参照图4。该装置包括:
建立模块41,用于建立太赫兹图像缺陷检测模型;
获取模块42,用于获取待检测太赫兹图像;
提取模块43,用于采用预先建立的太赫兹图像缺陷检测模型对待检测太赫兹图像进行视觉特征提取,得到整体视觉特征和局部显著图特征;
分析模块44,用于依据注意力机制对整体视觉特征和局部显著图特征进行分析,得到加权特征;
识别模块45,用于对加权特征进行识别分析,得到与待检测太赫兹图像对应的缺陷类别。
可选的,建立模块41包括:
初始化单元,用于对预先建立的太赫兹图像缺陷检测网络模型进行网络参数初始化,得到初始化后的太赫兹图像缺陷检测器;
训练单元,用于通过各个样本太赫兹图像及缺陷类别预测损失函数对初始化后的太赫兹图像缺陷检测网络模型进行迭代训练,确定出缺陷类别预测损失函数值最小时对应的网络模型参数;
建立单元,用于将依据网络模型参数建立的太赫兹图像缺陷检测网络模型作为太赫兹图像缺陷检测模型。
需要说明的是,本实施例中提供的太赫兹图像缺陷检测装置具有与上述实施例中所提供的太赫兹图像缺陷检测方法相同的有益效果,并且对于本实施例中所涉及到的太赫兹图像缺陷检测方法的具体介绍请参照上述实施例,本申请在此不再赘述。
在上述实施例的基础上,本发明实施例还提供了一种太赫兹图像缺陷检测系统,该系统包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述太赫兹图像缺陷检测方法的步骤。
例如,本实施例中的处理器用于实现建立太赫兹图像缺陷检测模型;获取待检测太赫兹图像;采用太赫兹图像缺陷检测模型对待检测太赫兹图像进行视觉特征提取,得到整体视觉特征和局部显著图特征;依据注意力机制对整体视觉特征和局部显著图特征进行分析,得到加权特征;对加权特征进行识别分析,得到与待检测太赫兹图像对应的缺陷类别。
在上述实施例的基础上,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述太赫兹图像缺陷检测方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种太赫兹图像缺陷检测方法,其特征在于,包括:
建立太赫兹图像缺陷检测模型;
获取待检测太赫兹图像;
采用所述太赫兹图像缺陷检测模型对所述待检测太赫兹图像进行视觉特征提取,得到整体视觉特征和局部显著图特征;
依据注意力机制对所述整体视觉特征和所述局部显著图特征进行分析,得到加权特征;
对所述加权特征进行识别分析,得到与所述待检测太赫兹图像对应的缺陷类别。
2.根据权利要求1所述的太赫兹图像缺陷检测方法,其特征在于,所述建立太赫兹图像缺陷检测模型的过程为:
对预先建立的太赫兹图像缺陷检测网络模型进行网络参数初始化,得到初始化后的太赫兹图像缺陷检测器;
通过各个样本太赫兹图像及缺陷类别预测损失函数对所述初始化后的太赫兹图像缺陷检测网络模型进行迭代训练,确定出缺陷类别预测损失函数值最小时对应的网络模型参数;
将依据所述网络模型参数建立的太赫兹图像缺陷检测网络模型作为所述太赫兹图像缺陷检测模型。
3.根据权利要求2所述的太赫兹图像缺陷检测方法,其特征在于,所述太赫兹图像缺陷检测网络模型包括视觉特征提取器、注意力模型和缺陷类别识别器;
所述对预先建立的太赫兹图像缺陷检测网络模型进行网络参数初始化的过程为:
通过正态分布对所述视觉特征提取器中的第一卷积层的卷积核、对所述注意力模型中的转换矩阵U以及对所述缺陷类别识别器中的全连接层和softmax层进行初始化,其中,所述第一卷积层的卷积核的形状为3×3×4。
4.根据权利要求3所述的太赫兹图像缺陷检测方法,其特征在于,所述所述缺陷类别预测损失函数为:
其中,Lloos(x,y)为损失值,x为四通图像道特征,y为图像真实的缺陷类别,为图像预测的缺陷类别,所述四通道包括R、G、B及显著图通道。
5.根据权利要求1所述的太赫兹图像缺陷检测方法,其特征在于,所述通过各个样本太赫兹图像及缺陷类别预测损失函数对所述初始化后的太赫兹图像缺陷检测网络模型进行迭代训练的过程为:
采用梯度下降算法、通过各个样本太赫兹图像及缺陷类别预测损失函数对所述初始化后的太赫兹图像缺陷检测网络模型进行迭代训练。
6.根据权利要求1-5任意一项所述的太赫兹图像缺陷检测方法,其特征在于,所述注意力机制为基于第一计算公式建立的,所述第一计算公式为:
其中,
为加权特征,vi为整体视觉特征中的第i个特征图,li为与vi对应的权值向量,U为待学习的转换矩阵,a为局部显著图特征,vj为整体视觉特征中的第j个特征图,n为整体视觉特征中特征图的总个数,T为转置。
7.一种太赫兹图像缺陷检测装置,其特征在于,包括:
建立模块,用于建立太赫兹图像缺陷检测模型;
获取模块,用于获取待检测太赫兹图像;
提取模块,用于采用预先建立的太赫兹图像缺陷检测模型对所述待检测太赫兹图像进行视觉特征提取,得到整体视觉特征和局部显著图特征;
分析模块,用于依据注意力机制对所述整体视觉特征和所述局部显著图特征进行分析,得到加权特征;
识别模块,用于对所述加权特征进行识别分析,得到与所述待检测太赫兹图像对应的缺陷类别。
8.根据权利要求7所述的太赫兹图像缺陷检测装置,其特征在于,所述建立模块包括:
初始化单元,用于对预先建立的太赫兹图像缺陷检测网络模型进行网络参数初始化,得到初始化后的太赫兹图像缺陷检测器;
训练单元,用于通过各个样本太赫兹图像及缺陷类别预测损失函数对所述初始化后的太赫兹图像缺陷检测网络模型进行迭代训练,确定出缺陷类别预测损失函数值最小时对应的网络模型参数;
建立单元,用于将依据所述网络模型参数建立的太赫兹图像缺陷检测网络模型作为所述太赫兹图像缺陷检测模型。
9.一种太赫兹图像缺陷检测系统,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任意一项所述太赫兹图像缺陷检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述太赫兹图像缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388784.2A CN110084812B (zh) | 2019-05-10 | 2019-05-10 | 一种太赫兹图像缺陷检测方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388784.2A CN110084812B (zh) | 2019-05-10 | 2019-05-10 | 一种太赫兹图像缺陷检测方法、装置、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084812A true CN110084812A (zh) | 2019-08-02 |
CN110084812B CN110084812B (zh) | 2023-02-10 |
Family
ID=67419658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910388784.2A Active CN110084812B (zh) | 2019-05-10 | 2019-05-10 | 一种太赫兹图像缺陷检测方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084812B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579483A (zh) * | 2019-09-24 | 2019-12-17 | 清华大学深圳国际研究生院 | 基于太赫兹波的内部缺陷成像装置、方法及可读存储介质 |
CN111191739A (zh) * | 2020-01-09 | 2020-05-22 | 电子科技大学 | 一种基于注意力机制的墙面缺陷检测方法 |
CN113744163A (zh) * | 2021-11-03 | 2021-12-03 | 季华实验室 | 集成电路图像增强方法、装置、电子设备及存储介质 |
CN116503390A (zh) * | 2023-06-25 | 2023-07-28 | 深圳市智宇精密五金塑胶有限公司 | 一种基于计算机视觉的五金零件缺陷检测方法 |
WO2024060917A1 (zh) * | 2022-09-23 | 2024-03-28 | 中国电信股份有限公司 | 缺陷识别方法、装置和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008076159A (ja) * | 2006-09-20 | 2008-04-03 | Aisin Seiki Co Ltd | 内部欠陥検査方法及び内部欠陥検査装置 |
CN104697928A (zh) * | 2014-12-25 | 2015-06-10 | 中国矿业大学 | 基于太赫兹焦平面成像的聚乙烯管焊缝检测装置与方法 |
JP2016191589A (ja) * | 2015-03-31 | 2016-11-10 | 株式会社Screenホールディングス | 欠陥分類装置および欠陥分類方法 |
CN108229341A (zh) * | 2017-12-15 | 2018-06-29 | 北京市商汤科技开发有限公司 | 分类方法和装置、电子设备、计算机存储介质、程序 |
CN108362702A (zh) * | 2017-12-14 | 2018-08-03 | 北京木业邦科技有限公司 | 一种基于人工智能的单板缺陷检测方法、系统及设备 |
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
-
2019
- 2019-05-10 CN CN201910388784.2A patent/CN110084812B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008076159A (ja) * | 2006-09-20 | 2008-04-03 | Aisin Seiki Co Ltd | 内部欠陥検査方法及び内部欠陥検査装置 |
CN104697928A (zh) * | 2014-12-25 | 2015-06-10 | 中国矿业大学 | 基于太赫兹焦平面成像的聚乙烯管焊缝检测装置与方法 |
JP2016191589A (ja) * | 2015-03-31 | 2016-11-10 | 株式会社Screenホールディングス | 欠陥分類装置および欠陥分類方法 |
CN108362702A (zh) * | 2017-12-14 | 2018-08-03 | 北京木业邦科技有限公司 | 一种基于人工智能的单板缺陷检测方法、系统及设备 |
CN108229341A (zh) * | 2017-12-15 | 2018-06-29 | 北京市商汤科技开发有限公司 | 分类方法和装置、电子设备、计算机存储介质、程序 |
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
Non-Patent Citations (1)
Title |
---|
杨振刚 等: "太赫兹无损检测的研究", 《物理》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579483A (zh) * | 2019-09-24 | 2019-12-17 | 清华大学深圳国际研究生院 | 基于太赫兹波的内部缺陷成像装置、方法及可读存储介质 |
CN110579483B (zh) * | 2019-09-24 | 2021-09-07 | 清华大学深圳国际研究生院 | 基于太赫兹波的内部缺陷成像装置、方法及可读存储介质 |
CN111191739A (zh) * | 2020-01-09 | 2020-05-22 | 电子科技大学 | 一种基于注意力机制的墙面缺陷检测方法 |
CN111191739B (zh) * | 2020-01-09 | 2022-09-27 | 电子科技大学 | 一种基于注意力机制的墙面缺陷检测方法 |
CN113744163A (zh) * | 2021-11-03 | 2021-12-03 | 季华实验室 | 集成电路图像增强方法、装置、电子设备及存储介质 |
CN113744163B (zh) * | 2021-11-03 | 2022-02-08 | 季华实验室 | 集成电路图像增强方法、装置、电子设备及存储介质 |
WO2024060917A1 (zh) * | 2022-09-23 | 2024-03-28 | 中国电信股份有限公司 | 缺陷识别方法、装置和系统 |
CN116503390A (zh) * | 2023-06-25 | 2023-07-28 | 深圳市智宇精密五金塑胶有限公司 | 一种基于计算机视觉的五金零件缺陷检测方法 |
CN116503390B (zh) * | 2023-06-25 | 2023-09-22 | 深圳市智宇精密五金塑胶有限公司 | 一种基于计算机视觉的五金零件缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110084812B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
CN110084812A (zh) | 一种太赫兹图像缺陷检测方法、装置、系统及存储介质 | |
CN109670528B (zh) | 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法 | |
CN101944174B (zh) | 车牌字符的识别方法 | |
CN107392901A (zh) | 一种用于输电线路部件智能自动识别的方法 | |
CN111695466B (zh) | 一种基于特征mixup的半监督极化SAR地物分类方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN107808358A (zh) | 图像水印自动检测方法 | |
CN106295502A (zh) | 一种人脸检测方法及装置 | |
CN105354595A (zh) | 一种鲁棒视觉图像分类方法及系统 | |
CN106874929B (zh) | 一种基于深度学习的珍珠分类方法 | |
CN101930549B (zh) | 基于第二代曲线波变换的静态人体检测方法 | |
CN112541532B (zh) | 基于密集连接结构的目标检测方法 | |
CN102034107B (zh) | 基于鲁棒视觉注意特征与稀疏表示的不良图像判别方法 | |
CN110287806A (zh) | 一种基于改进ssd网络的交通标志识别方法 | |
CN111931505A (zh) | 一种基于子图嵌入的跨语言实体对齐方法 | |
CN109410190B (zh) | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 | |
Xiong et al. | MSN: Modality separation networks for RGB-D scene recognition | |
CN112364747B (zh) | 一种有限样本下的目标检测方法 | |
CN110414513A (zh) | 基于语义增强卷积神经网络的视觉显著性检测方法 | |
CN111598854B (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN102930495A (zh) | 一种基于隐写测评的隐写分析方法 | |
CN109472733A (zh) | 基于卷积神经网络的图像隐写分析方法 | |
CN104778466A (zh) | 一种联合多种上下文线索的图像关注区域检测方法 | |
CN108932455A (zh) | 遥感图像场景识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |