CN110648310B - 基于注意力机制的弱监督铸件缺陷识别方法 - Google Patents
基于注意力机制的弱监督铸件缺陷识别方法 Download PDFInfo
- Publication number
- CN110648310B CN110648310B CN201910815305.0A CN201910815305A CN110648310B CN 110648310 B CN110648310 B CN 110648310B CN 201910815305 A CN201910815305 A CN 201910815305A CN 110648310 B CN110648310 B CN 110648310B
- Authority
- CN
- China
- Prior art keywords
- casting
- network
- image
- defect
- training
- 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.)
- Active
Links
- 238000005266 casting Methods 0.000 title claims abstract description 69
- 230000007547 defect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000007246 mechanism Effects 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000004913 activation Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000002950 deficient Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30116—Casting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于注意力机制的弱监督铸件缺陷识别方法，首先获取铸件的射线图像，并图像中铸件类别和缺陷进行多标签的弱标注，形成训练集。然后在训练样本集上训练ResNe‑50网络模型，利用多标签信息，形成注意力机制，使模型在弱监督的情况下对铸件缺陷进行精准识别，再计算激活映射图得出缺陷的准确位置。本发明在保证铸件缺陷识别正确率的情况下，减少了标注数据的人力消耗，最终实现了生产成本的降低。
Description
技术领域
本发明涉及一种铸件质量检测技术，特别涉及一种基于注意力机制的弱监督铸件缺陷识别方法。
背景技术
射线检测系统是保证工业铸件整体质量的一种无损检测方式，能够在不破坏铸件的情况下，检测出铸件内部缺陷。射线系统从不同角度对目标铸件进行数字化射线成像，然后根据检测人员对射线图片进行人工观察，判断被测铸件质量是否合格。人工观察依据检测经验，可以检测出射线图片中铸件的内部缺陷，但随着检测人员的疲劳，检测效率和准确率大大降低。铸件缺陷检测自动化的实现，对于提高生产效率、保障产品质量和加快制造智能化着重要意义。
机器视觉在很多工业生产场合有着成熟的应用，在基于射线图像的铸件缺陷检测方面也有现成的技术方案。目前，利用机器视觉在射线图像中，检测铸件缺陷的方法分为两大类，一类为数值计算方法，例如差值法、匹配法、分割法；另一类为机器学习方法，又可以细分为统计学习和深度学习。采用数值计算方法虽然结果比较直观，但是对于复杂的背景和结构，整体算法和阈值参数的调整变得十分复杂。采用机器学习方法虽然有良好的准确率和泛化性，但不论是手工算法的设计，还是训练样本的标注，都非常消耗人力，直接增加了生产成本。
发明内容
本发明是针对现在铸件缺陷检测存在的问题，提出了一种基于注意力机制的弱监督铸件缺陷识别方法，通过多种类的标签，使ResNet-50网络形成注意力机制，使网络能够在弱监督训练下，准确挖掘缺陷与非缺陷的区别，实现铸件缺陷识别，再计算激活映射图得出精准的缺陷位置。
本发明的技术方案为：一种基于注意力机制的弱监督铸件缺陷识别方法，具体包括如下步骤：
1)对获取到的每幅铸件射线图像，进行图像尺度归一化和颜色通道扩展预处理，再进行多标签的弱标注；
2)将步骤1)处理后图像随机选取一部分送入神经网络中进行分类训练，在训练过程中，利用多种类标签信息使ResNet-50网络形成注意力机制，进行弱监督训练，使网络能够对无缺陷和有缺陷的铸件射线图片进行识别，直到网络收敛，输出训练完全的网络；
3)、在实际检测过程中，首先获取铸件射线图像，再进行步骤1)的预处理，然后送入步骤2)训练完全的网络进行铸件类型预测和铸件缺陷预测，当预测结果为缺陷时，利用训练完全的网络中铸件缺陷特征与输出层的权重，计算激活映射图，根据激活映射图得出铸件的缺陷具体位置。
所述步骤1)具体实现步骤如下：
1.1)把每幅铸件射线图像缩放至512*512，对于空缺像素采用双线性插值，完成图像尺度归一化处理；
1.2)对图像尺度归一化处理后的图像进行颜色通道扩展；
1.3)对经过1.1)和1.2)预处理后的所有图像进行多种类弱标注，其中多种类是指图像中包括铸件类型和是否含有缺陷的标注信息，简称类型标签和缺陷标签；弱标注是指不需要具体标注出图像中铸件缺陷的具体位置。
所述步骤2)具体实现步骤如下：
2.1)在所有经过所述步骤1)预处理和多种类弱标注后的图像中，随机选取一部分送入ResNet-50进行分类训练；
2.2)利用所述步骤1)中标注的类型标签，对ResNet-50网络的前三个网络结构进行训练，识别输入图像中的铸件类型，从而形成注意力机制；
2.3)利用所述步骤1)中标注的缺陷标签，对ResNet-50网络的后两个网络结构进行训练，识别输入图像中铸件是否有缺陷存在；
2.4)训练过程直到网络收敛，输出训练完全的网络。
所述步骤3)中计算激活映射图，根据激活映射图得出铸件的缺陷具体位置具体实现方法：根据预测结果对应的输出层节点，将节点权重与最后一层特征的线性组合构成激活映射图，对激活映射图进行归一化和上采样，使激活映射图的数值在0至1，同时数值和尺寸符合输入图像；对激活映射图进行二值化，阈值选择为0.8，得到二值图；计算二值图的最大连通区域，所得区域即是缺陷位置。
本发明的有益效果在于：本发明基于注意力机制的弱监督铸件缺陷识别方法，在训练ResNet-50网络的阶段，采用了多种类弱标注，利用种类标签形成注意力机制，使网络能够在弱监督的训练下，保证了缺陷识别率，同时减少了数据标注的人力成本；采用了激活映射图，把分类网络的缺陷预测结果转化成了带有缺陷位置信息的识别结果。
附图说明
图1为本发明基于注意力机制的弱监督铸件缺陷识别方法流程图；
图2为本发明实例获取处理后的铸件射线图；
图3为本发明实例使用的卷积神经网络ResNet-50结构图；
图4为本发明激活映射图与铸件图像的叠加图；
图5为本发明铸件缺陷识别的结果图。
具体实施方式
如图1所示基于注意力机制的弱监督铸件缺陷识别方法流程图，方法具体如下如下步骤：
1、对获取到的每幅铸件射线图像(图2)，进行图像尺度归一化和颜色通道扩展预处理，再进行多标签的弱标注。实现具体如下：
1.1、把每幅铸件射线图像缩放至512*512，对于空缺像素采用双线性插值，完成图像尺度归一化处理；
1.2、对图像尺度归一化处理后的图像进行颜色通道扩展，扩展方式为原值拷贝，扩展后通道数为3；
1.3、对预处理后的所有图像进行多种类弱标注，得到所有图像标注集合其中n是图像的总数，既每张图像同时包含类型标签yt和缺陷标签yd。
其中多种类是指图像中包括铸件类型和是否含有缺陷的标注信息，简称类型标签和缺陷标签；弱标注是指不需要具体标注出图像中铸件缺陷的具体位置。
2、将步骤1处理后图像随机选取一部分送入神经网络中进行分类训练，在训练过程中，利用多种类标签信息使ResNet-50网络形成注意力机制，进行弱监督训练，使网络能够对无缺陷和有缺陷的铸件射线图片进行识别，直到网络收敛，输出训练完全的网络。实现具体如下：
2.1、实例采用ResNet-50卷积神经网络结构，如图3所示，ResNet-50网络由五个网络结构组成，结构可以分为两类：卷积层和残差单元；其中Conv1表示卷积层，作为第一个网络结构，ResBlock1、2、3、4表示残差单元，作为后四个网络结构。图像输入第一个网络结构后，得到高维的图像特征，然后图像特征再输入至下一个网络结构，依次可以得到每个网络结构对应的图像特征。对网络的前半部分ResBlock2的特征采用全局均值池化(GAP)，对池化后的特征进行铸件类型预测，形成注意力机制。
2.2、对网络后半部分ResBlock4的特征采用GAP，对池化后的特征进行铸件缺陷预测。
2.3、实例采用预测分类器为Softmax，训练损失函数为交叉熵，优化器为SGD，学习率为0.001。
3、在实际检测过程中，首先获取铸件射线图像，再进行步骤1的预处理，然后送入步骤2训练完全的网络进行铸件类型预测和铸件缺陷预测，当预测结果为缺陷时，利用训练完全的网络中ResBlock4经过GAP后的特征与输出层的权重，计算激活映射图，根据响应图得出铸件的缺陷具体位置。实现具体如下：
3.1、计算激活映射图，根据预测结果对应的输出层节点，激活映射图为节点权重与最后一层特征的线性组合其中，k是ResBlock4输出特征fk(x,y)的通道数，/>是输出层对应预测结果c的权重。对激活映射图进行归一化和上采样，使激活映射图的数值在0至1，同时数值和尺寸符合输入图像。如图4所示激活映射图与铸件图像叠加显示的结果。
3.2、对激活映射图进行二值化，阈值选择为0.8，得到二值图。计算二值图的最大连通区域，所得区域既是缺陷位置，以矩形框表示，如图5所示铸件缺陷识别的结果图。
通过上述实例，本发明提出了一种基于注意力机制的弱监督铸件缺陷识别方法，通过多种类的弱标签，使ResNet-50网络形成注意力机制，使网络能够在弱监督训练下，实现准确的铸件缺陷识别。再配合激活映射图得出缺陷的准确位置。本发明在保证准确率的前提下，有效地减少人力和降低成本。
对于从事本领域的技术和开发人员应该了解，本发明不受上述实例的限制，上述事例和说明书中的描述只是说明发明原理，在不违背本发明原理和精神的情况下,对这些实施方式进行各种变化、修改、替换和变型，仍落入在本发明的保护范围内。
Claims (1)
1.一种基于注意力机制的弱监督铸件缺陷识别方法，其特征在于，具体包括如下步骤：
1)对获取到的每幅铸件射线图像，进行图像尺度归一化和颜色通道扩展预处理，再进行多标签的弱标注；具体实现步骤如下：
1.1)把每幅铸件射线图像缩放至512*512，对于空缺像素采用双线性插值，完成图像尺度归一化处理；
1.2)对图像尺度归一化处理后的图像进行颜色通道扩展；
1.3)对经过1.1)和1.2)预处理后的所有图像进行多种类弱标注，
其中多种类是指图像中包括铸件类型和是否含有缺陷的标注信息，简称类型标签和缺陷标签；弱标注是指不需要具体标注出图像中铸件缺陷的具体位置；
2)将步骤1)处理后图像随机选取一部分送入神经网络中进行分类训练，在训练过程中，利用多种类标签信息使ResNet-50网络形成注意力机制，进行弱监督训练，使网络能够对无缺陷和有缺陷的铸件射线图片进行识别，直到网络收敛，输出训练完全的网络；具体实现步骤如下：
2.1)在所有经过所述步骤1)预处理和多种类弱标注后的图像中，随机选取一部分送入ResNet-50进行分类训练；
2.2)利用所述步骤1)中标注的类型标签，对ResNet-50网络的前三个网络结构进行训练，识别输入图像中的铸件类型，从而形成注意力机制；
2.3)利用所述步骤1)中标注的缺陷标签，对ResNet-50网络的后两个网络结构进行训练，识别输入图像中铸件是否有缺陷存在；
2.4)训练过程直到网络收敛，输出训练完全的网络；
3)、在实际检测过程中，首先获取铸件射线图像，再进行步骤1)的预处理，然后送入步骤2)训练完全的网络进行铸件类型预测和铸件缺陷预测，当预测结果为缺陷时，利用训练完全的网络中铸件缺陷特征与输出层的权重，计算激活映射图，根据激活映射图得出铸件的缺陷具体位置；具体方法如下：根据预测结果对应的输出层节点，将节点权重与最后一层特征的线性组合构成激活映射图，对激活映射图进行归一化和上采样，使激活映射图的数值在0至1，同时数值和尺寸符合输入图像；
对激活映射图进行二值化，阈值选择为0.8，得到二值图；计算二值图的最大连通区域，所得区域即是缺陷位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910815305.0A CN110648310B (zh) | 2019-08-30 | 2019-08-30 | 基于注意力机制的弱监督铸件缺陷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910815305.0A CN110648310B (zh) | 2019-08-30 | 2019-08-30 | 基于注意力机制的弱监督铸件缺陷识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110648310A CN110648310A (zh) | 2020-01-03 |
| CN110648310B true CN110648310B (zh) | 2023-08-04 |
Family
ID=69009923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910815305.0A Active CN110648310B (zh) | 2019-08-30 | 2019-08-30 | 基于注意力机制的弱监督铸件缺陷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110648310B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507960A (zh) * | 2020-04-16 | 2020-08-07 | 重庆三峡学院 | 一种基于神经网络可视化的摄像模组镜头脏污检测方法 |
| CN112070733A (zh) * | 2020-08-28 | 2020-12-11 | 深兰人工智能芯片研究院（江苏）有限公司 | 基于弱监督模式的缺陷粗定位方法和装置 |
| JP7143388B2 (ja) * | 2020-12-17 | 2022-09-28 | 株式会社クボタ | 検査方法 |
| JP7101235B2 (ja) * | 2020-12-17 | 2022-07-14 | 株式会社クボタ | 検査装置及び検査方法 |
| JP7101236B2 (ja) * | 2020-12-17 | 2022-07-14 | 株式会社クボタ | 検査装置及び検査方法 |
| US20230033187A1 (en) * | 2021-07-28 | 2023-02-02 | Coopervision International Limited | Systems and methods for acquiring and inspecting lens images of ophthalmic lenses |
| CN113902670B (zh) * | 2021-08-31 | 2022-07-29 | 北京医准智能科技有限公司 | 一种基于弱监督学习的超声视频分割方法及装置 |
| CN115841485A (zh) * | 2023-02-13 | 2023-03-24 | 成都数联云算科技有限公司 | 一种面板缺陷检测方法、装置、设备及介质 |
| CN116091502B (zh) * | 2023-04-10 | 2023-07-25 | 厦门微图软件科技有限公司 | 基于改进深度残差网络的弱标签工业缺陷图像分类方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035233A (zh) * | 2018-07-24 | 2018-12-18 | 西安邮电大学 | 视觉注意力网络及工件表面缺陷检测方法 |
| CN109829893A (zh) * | 2019-01-03 | 2019-05-31 | 武汉精测电子集团股份有限公司 | 一种基于注意力机制的缺陷目标检测方法 |
| CN110097544A (zh) * | 2019-04-25 | 2019-08-06 | 武汉精立电子技术有限公司 | 一种显示面板外观缺陷检测方法 |
-
2019
- 2019-08-30 CN CN201910815305.0A patent/CN110648310B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035233A (zh) * | 2018-07-24 | 2018-12-18 | 西安邮电大学 | 视觉注意力网络及工件表面缺陷检测方法 |
| CN109829893A (zh) * | 2019-01-03 | 2019-05-31 | 武汉精测电子集团股份有限公司 | 一种基于注意力机制的缺陷目标检测方法 |
| CN110097544A (zh) * | 2019-04-25 | 2019-08-06 | 武汉精立电子技术有限公司 | 一种显示面板外观缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习特征匹配的铸件微小缺陷自动定位方法;余永雄 等;《仪器仪表学报》;20160630;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110648310A (zh) | 2020-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
| CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
| CN108460764B (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
| CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
| CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
| CN112381788B (zh) | 一种基于双分支匹配网络的零部件表面缺陷增量检测方法 | |
| CN113643268B (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
| CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
| CN112766334B (zh) | 一种基于伪标签域适应的跨域图像分类方法 | |
| CN112102229A (zh) | 一种基于深度学习的工业ct检测缺陷的智能识别方法 | |
| CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
| CN115496746A (zh) | 基于图像和点云数据融合的板材表面缺陷检测方法和系统 | |
| CN112766110A (zh) | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 | |
| CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
| CN115731400A (zh) | 基于自监督学习的x光图像异物检测方法 | |
| CN113591948A (zh) | 一种缺陷模式识别方法、装置、电子设备和存储介质 | |
| CN114332008A (zh) | 一种基于多层次特征重构的无监督缺陷检测与定位方法 | |
| CN115937091A (zh) | 基于可变换patch的变电站设备缺陷图像检测方法 | |
| CN116205876A (zh) | 基于多尺度标准化流的无监督笔记本外观缺陷检测方法 | |
| CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
| CN112581483B (zh) | 基于自学习的植物叶片叶脉分割方法和装置 | |
| CN112215303B (zh) | 一种基于自学属性的图像理解方法及系统 | |
| CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
| CN116704526A (zh) | 工尺谱扫描机器人及其方法 | |
| CN116843657A (zh) | 基于注意力融合的焊接缺陷检测方法及装置 |
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 |