CN111144477A - 一种钢材表面缺陷的训练样本生成方法、系统及电子设备 - Google Patents

一种钢材表面缺陷的训练样本生成方法、系统及电子设备 Download PDF

Info

Publication number
CN111144477A
CN111144477A CN201911355383.3A CN201911355383A CN111144477A CN 111144477 A CN111144477 A CN 111144477A CN 201911355383 A CN201911355383 A CN 201911355383A CN 111144477 A CN111144477 A CN 111144477A
Authority
CN
China
Prior art keywords
defect image
steel surface
real
countermeasure network
training sample
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.)
Withdrawn
Application number
CN201911355383.3A
Other languages
English (en)
Inventor
郑利君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhijiang College of ZJUT
Original Assignee
Zhijiang College of ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhijiang College of ZJUT filed Critical Zhijiang College of ZJUT
Priority to CN201911355383.3A priority Critical patent/CN111144477A/zh
Publication of CN111144477A publication Critical patent/CN111144477A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种钢材表面缺陷的训练样本生成方法、系统及电子设备，本方法通过获取一预设对抗网络，所述预设对抗网络经过真实钢材表面缺陷图像训练获得，所述预设对抗网络设置一终止阈值，所述预设对抗网络基于所述真实钢材表面缺陷图像，每次模拟的结果都将输出当前的模拟缺陷图像作为训练样本，使得所述预设对抗网络可生成多张训练样本，提高了训练样本生成的效率和自动化，同时适应了钢材表面锈蚀缺陷的多样性和不规则性，每一输出的图像均可以做为训练样本，提高输出图像的利用率。

Description

一种钢材表面缺陷的训练样本生成方法、系统及电子设备
【技术领域】
本发明涉及钢材表面缺陷图像样本生成领域，特别涉及一种钢材表面缺陷的训练样本生成方法、系统及电子设备。
【背景技术】
钢铁是工业不可缺少的材料，但是成型的钢板或收卷的钢卷端面在运输或者储存过程中存在锈蚀，使得钢板表面产生一个或者多个锈蚀缺陷，当缺陷较多时，无法满足使用需要，需要对出厂的钢材进行质量检测。
现在已经出现通过神经网络图像识别钢材表面的锈蚀缺陷，但由于神经网络的可训练特性，且钢材锈蚀缺陷具有多样性、不规则性，同时锈蚀缺陷在钢材表面区域占比较小，神经网络需要经过大量训练才能准确识别，故对训练样本的数量要求较大。
现有的钢材表面缺陷的训练样本通过人工描绘费时费力，样本获取效率较低。
【发明内容】
为了克服目前现有的钢材表面缺陷样本获取效率较低的问题，本发明提供钢材表面缺陷的训练样本生成方法、系统及电子设备。
本发明为解决上述技术问题，提供一技术方案如下：一种钢材表面缺陷的训练样本生成方法，其特征在于：包括如下步骤:步骤S1：获取一预设对抗网络，所述预设对抗网络经过真实钢材表面缺陷图像训练获得，所述预设对抗网络设置一终止阈值；步骤S2：所述预设对抗网络基于所述真实钢材表面缺陷图像，生成一模拟缺陷图像；步骤S3：判断该模拟缺陷图像与真实钢材表面缺陷图像的相似度是否超过终止阈值，若是则进入步骤S4，若否则进入步骤S5；步骤S4：输出当前模拟缺陷图像以做为训练样本；及步骤S5：输出当前模拟缺陷图像以做为训练样本，并返回步骤S2。
优选地，上述步骤S3中检测模拟缺陷图像与真实钢材表面缺陷图像的相似度主要通过以下步骤：步骤S31：提取步骤S1中获得的真实钢材表面缺陷图像对应的真实特征向量并存储；及步骤S32：提取当前模拟缺陷图像对应的模拟特征向量，并基于所述真实特征向量判断所述模拟特征向量的相似度。
优选地，上述步骤S2中，所述预设对抗网络基于步骤S1中训练的真实钢材表面缺陷图像，模拟生成一模拟缺陷图像。
优选地，步骤S1中所述真实钢材表面缺陷图像包括一种或者多种不同的真实缺陷图像。
优选地，所述预设对抗网络包括判断层和模拟层，所述判断层经过真实钢材表面缺陷图像训练获得，所述模拟层未经过训练。
本发明还提供一种钢材表面缺陷的训练样本生成系统，包括：对抗网络获取单元，用于获取一预设对抗网络，所述预设对抗网络经过真实钢材表面缺陷图像训练获得，所述预设对抗网络设置一终止阈值；模拟图像生成单元，用于所述预设对抗网络基于所述真实钢材表面缺陷图像，生成一模拟缺陷图像；模拟判断单元，用于判断该模拟缺陷图像与真实钢材表面缺陷图像的相似度是否超过终止阈值；第一输出单元，用于当模拟缺陷图像与真实钢材表面缺陷图像的相似度超过终止阈值时，输出当前模拟缺陷图像以做为训练样本；及第二输出单元，用于当模拟缺陷图像与真实钢材表面缺陷图像的相似度未超过终止阈值时，输出当前模拟缺陷图像以做为训练样本。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行上述任一项中所述的钢材表面缺陷的训练样本生成方法；所述处理器被设置为通过所述计算机程序执行上述任一项中所述的钢材表面缺陷的训练样本生成方法。
与现有技术相比，本发明提供的一种钢材表面缺陷的训练样本生成方法、系统及电子设备，具有以下优点：
1、通过获取一预设对抗网络，所述预设对抗网络经过真实钢材表面缺陷图像训练获得，所述预设对抗网络设置一终止阈值，所述预设对抗网络基于所述真实钢材表面缺陷图像，每次模拟的结果都将输出当前的模拟缺陷图像作为训练样本，使得所述预设对抗网络可生成多张训练样本，提高了训练样本生成的效率和自动化，同时适应了钢材表面锈蚀缺陷的多样性和不规则性，每一输出的图像均可以做为训练样本，提高输出图像的利用率。
2、通过特征向量的对比以检测模拟缺陷图像与真实钢材表面缺陷图像的相似度，避免了像素级别的大量运算，提高样本生成的效率。
3、所述真实钢材表面缺陷图像包括一种或者多种不同的真实缺陷图像，使得所述预设对抗网络可模拟生成多种不同类型的模拟缺陷图像，提高了训练样本生成的多样性。
4、所述预设对抗网络包括判断层和模拟层，所述判断层经过真实钢材表面缺陷图像训练获得，所述模拟层未经过训练，使得所述模拟层需要通过更多次数的模拟生成模拟缺陷图像，提高了模拟缺陷图像生成的效率和自动化。
【附图说明】
图1为本发明第一实施例提供的一种钢材表面缺陷的训练样本生成方法的流程图。
图2为本发明第一实施例提供的一种钢材表面缺陷的训练样本生成方法中步骤S3的细节流程图。
图3为本发明第二实施例提供的一种钢材表面缺陷的训练样本生成系统的模块图。
图4为本发明第三实施例提供的一种电子设备的模块图。
附图标记说明：
1、对抗网络获取单元；2、模拟图像生成单元；3、模拟判断单元；4、第一输出单元；5、第二输出单元
10、存储器；20、处理器；
【具体实施方式】
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明第一实施例提供一种钢材表面缺陷的训练样本生成方法，包括以下步骤：
步骤S1：获取一预设对抗网络，所述预设对抗网络经过真实钢材表面缺陷图像训练获得，所述预设对抗网络设置一终止阈值。
可以理解，在步骤S1中，所述预设对抗网络为一有监督的生成式对抗网络(GAN,Generative Adversarial Networks)，在有监督的GAN网络下，可通过获取的真实钢材表面缺陷图像去模拟生成至少一张模拟缺陷图像，当输出的模拟缺陷图像与真实钢材表面缺陷图像的相似度超过所述终止阈值时，停止图像模拟。
可以理解，在步骤S1中，所述真实钢材表面缺陷图像包括一种或者多种不同的真实缺陷图像，使得所述预设对抗网络可模拟生成多种不同类型的模拟缺陷图像，提高了训练样本生成的多样性。
可以理解，在步骤S1中，所述预设对抗网络包括判断层和模拟层，所述判断层经过真实钢材表面缺陷图像训练获得，所述模拟层未经过训练，使得所述模拟层需要通过更多次数的模拟生成模拟缺陷图像，提高了模拟缺陷图像生成的效率和自动化。当然，所述判断层和模拟层也可以都经过训练获得，然后经过设置更高的阈值即可，或所述判断层和模拟层也可以都为未经过训练，在此不再赘述。
步骤S2：所述预设对抗网络基于所述真实钢材表面缺陷图像，生成一模拟缺陷图像。
步骤S3：判断该模拟缺陷图像与真实钢材表面缺陷图像的相似度是否超过终止阈值，若是则进入步骤S4，若否则进入步骤S5；
步骤S4：输出当前模拟缺陷图像以做为训练样本；及
步骤S5：输出当前模拟缺陷图像以做为训练样本，并返回步骤S2。
可以理解，在步骤S3中，通过判断当前模拟缺陷图像与真实钢材表面缺陷图像的相似度是否超过终止阈值，以决定是否继续模拟。
可以理解，在步骤S3中，每次模拟的结果都将输出当前的模拟缺陷图像作为训练样本，使得所述预设对抗网络可生成多张训练样本，提高了训练样本生成的效率和自动化，同时适应了钢材表面锈蚀缺陷的多样性和不规则性，每一输出的图像均可以做为训练样本，提高输出图像的利用率。
可以理解，在步骤S1中，所述终止阈值可以根据需要进行设定，使得在步骤S3中调整预设对抗网络的生成次数，获得数量不同的训练样本。
请参阅图2，上述步骤S3中检测模拟缺陷图像与真实钢材表面缺陷图像的相似度主要通过以下步骤：
步骤S31：提取步骤S1中获得的真实钢材表面缺陷图像对应的真实特征向量并存储；及
步骤S32：提取当前模拟缺陷图像对应的模拟特征向量，并基于所述真实特征向量判断所述模拟特征向量的相似度。
通过特征向量的对比以检测模拟缺陷图像与真实钢材表面缺陷图像的相似度，避免了像素级别的大量运算，提高样本生成的效率。
可以理解，步骤S31～S32仅为该实施例的一种实施方式，其实施方式并不限定于步骤S31～S32。
请参阅图3，本发明第二实施例还提供一种钢材表面缺陷的训练样本生成系统。该钢材表面缺陷的训练样本生成系统可以包括：
对抗网络获取单元1，用于获取一预设对抗网络，所述预设对抗网络经过真实钢材表面缺陷图像训练获得，所述预设对抗网络设置一终止阈值；
模拟图像生成单元2，用于所述预设对抗网络基于所述真实钢材表面缺陷图像，生成一模拟缺陷图像；
模拟判断单元3，用于判断该模拟缺陷图像与真实钢材表面缺陷图像的相似度是否超过终止阈值；
第一输出单元4，用于当模拟缺陷图像与真实钢材表面缺陷图像的相似度超过终止阈值时，输出当前模拟缺陷图像以做为训练样本；及
第二输出单元5，用于当模拟缺陷图像与真实钢材表面缺陷图像的相似度未超过终止阈值时，输出当前模拟缺陷图像以做为训练样本。
有关所述钢材表面缺陷的训练样本生成系统其他的限定内容，与本发明第一实施例中所述钢材表面缺陷的训练样本生成方法中的具体限定相同，在此不再赘述。
请参阅图4，本发明第三实施例提供一种用于实施上述钢材表面缺陷的训练样本生成方法的电子设备，所述电子设备包括存储器10和处理器20，所述存储器10中存储有运算机程序，所述运算机程序被设置为运行时执行上述任一项钢材表面缺陷的训练样本生成方法实施例中的步骤。所述处理器20被设置为通过所述运算机程序执行上述任一项钢材表面缺陷的训练样本生成方法实施例中的步骤。
可选地，在本实施例中，上述电子设备可以位于运算机网络的多个网络设备中的至少一个网络设备。
与现有技术相比，本发明提供的一种钢材表面缺陷的训练样本生成方法、系统及电子设备，具有以下优点：
1、通过获取一预设对抗网络，所述预设对抗网络经过真实钢材表面缺陷图像训练获得，所述预设对抗网络设置一终止阈值，所述预设对抗网络基于所述真实钢材表面缺陷图像，每次模拟的结果都将输出当前的模拟缺陷图像作为训练样本，使得所述预设对抗网络可生成多张训练样本，提高了训练样本生成的效率和自动化，同时适应了钢材表面锈蚀缺陷的多样性和不规则性，每一输出的图像均可以做为训练样本，提高输出图像的利用率。
2、通过特征向量的对比以检测模拟缺陷图像与真实钢材表面缺陷图像的相似度，避免了像素级别的大量运算，提高样本生成的效率。
3、所述真实钢材表面缺陷图像包括一种或者多种不同的真实缺陷图像，使得所述预设对抗网络可模拟生成多种不同类型的模拟缺陷图像，提高了训练样本生成的多样性。
4、所述预设对抗网络包括判断层和模拟层，所述判断层经过真实钢材表面缺陷图像训练获得，所述模拟层未经过训练，使得所述模拟层需要通过更多次数的模拟生成模拟缺陷图像，提高了模拟缺陷图像生成的效率和自动化。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。
在该计算机程序被处理器执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机存储器可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机存储器例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。
计算机存储器的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读信号介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括对抗网络获取单元、模拟图像生成单元、模拟判断单元、第一输出单元以及第二输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，模拟图像生成单元还可以被描述为“用于所述预设对抗网络基于所述真实钢材表面缺陷图像，生成一模拟缺陷图像的单元”。
作为另一方面，本申请还提供了一种计算机存储器，该计算机存储器可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机存储器承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取一预设对抗网络，所述预设对抗网络经过真实钢材表面缺陷图像训练获得，所述预设对抗网络设置一终止阈值；所述预设对抗网络基于所述真实钢材表面缺陷图像，生成一模拟缺陷图像；判断该模拟缺陷图像与真实钢材表面缺陷图像的相似度是否超过终止阈值，并输出每一次模拟生成的模拟缺陷图像作为训练样本。
以上仅为本发明较佳实施例而已，并不用以限制本发明，凡在本发明原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。

Claims (7)

1.一种钢材表面缺陷的训练样本生成方法，其特征在于：包括如下步骤:
步骤S1：获取一预设对抗网络，所述预设对抗网络经过真实钢材表面缺陷图像训练获得，所述预设对抗网络设置一终止阈值；
步骤S2：所述预设对抗网络基于所述真实钢材表面缺陷图像，生成一模拟缺陷图像；
步骤S3：判断该模拟缺陷图像与真实钢材表面缺陷图像的相似度是否超过终止阈值，若是则进入步骤S4，若否则进入步骤S5；
步骤S4：输出当前模拟缺陷图像以做为训练样本；及
步骤S5：输出当前模拟缺陷图像以做为训练样本，并返回步骤S2。
2.如权利要求1中所述钢材表面缺陷的训练样本生成方法，其特征在于：上述步骤S3中检测模拟缺陷图像与真实钢材表面缺陷图像的相似度主要通过以下步骤：
步骤S31：提取步骤S1中获得的真实钢材表面缺陷图像对应的真实特征向量并存储；及
步骤S32：提取当前模拟缺陷图像对应的模拟特征向量，并基于所述真实特征向量判断所述模拟特征向量的相似度。
3.如权利要求1中所述钢材表面缺陷的训练样本生成方法，其特征在于：上述步骤S2中，所述预设对抗网络基于步骤S1中训练的真实钢材表面缺陷图像，模拟生成一模拟缺陷图像。
4.如权利要求1中所述钢材表面缺陷的训练样本生成方法，其特征在于：步骤S1中所述真实钢材表面缺陷图像包括一种或者多种不同的真实缺陷图像。
5.如权利要求1中所述钢材表面缺陷的训练样本生成方法，其特征在于：所述预设对抗网络包括判断层和模拟层，所述判断层经过真实钢材表面缺陷图像训练获得，所述模拟层未经过训练。
6.一种钢材表面缺陷的训练样本生成系统，其特征在于，包括：
对抗网络获取单元，用于获取一预设对抗网络，所述预设对抗网络经过真实钢材表面缺陷图像训练获得，所述预设对抗网络设置一终止阈值；
模拟图像生成单元，用于所述预设对抗网络基于所述真实钢材表面缺陷图像，生成一模拟缺陷图像；
模拟判断单元，用于判断该模拟缺陷图像与真实钢材表面缺陷图像的相似度是否超过终止阈值；
第一输出单元，用于当模拟缺陷图像与真实钢材表面缺陷图像的相似度超过终止阈值时，输出当前模拟缺陷图像以做为训练样本；及
第二输出单元，用于当模拟缺陷图像与真实钢材表面缺陷图像的相似度未超过终止阈值时，输出当前模拟缺陷图像以做为训练样本。
7.一种电子设备，包括存储器和处理器，其特征在于：所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述钢材表面缺陷的训练样本生成方法；
所述处理器被设置为通过所述计算机程序执行所述权利要求1至5任一项中所述钢材表面缺陷的训练样本生成方法。
CN201911355383.3A 2019-12-25 2019-12-25 一种钢材表面缺陷的训练样本生成方法、系统及电子设备 Withdrawn CN111144477A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911355383.3A CN111144477A (zh) 2019-12-25 2019-12-25 一种钢材表面缺陷的训练样本生成方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911355383.3A CN111144477A (zh) 2019-12-25 2019-12-25 一种钢材表面缺陷的训练样本生成方法、系统及电子设备

Publications (1)

Publication Number Publication Date
CN111144477A true CN111144477A (zh) 2020-05-12

Family

ID=70519931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911355383.3A Withdrawn CN111144477A (zh) 2019-12-25 2019-12-25 一种钢材表面缺陷的训练样本生成方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN111144477A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111693534A (zh) * 2020-06-12 2020-09-22 北京百度网讯科技有限公司 表面缺陷的检测方法、模型训练方法、装置、设备和介质
CN111724372A (zh) * 2020-06-19 2020-09-29 深圳新视智科技术有限公司 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质
CN114529689A (zh) * 2022-04-24 2022-05-24 广州易道智慧信息科技有限公司 基于对抗神经网络的陶瓷杯缺陷样本扩增方法及系统
CN114742791A (zh) * 2022-04-02 2022-07-12 深圳市国电科技通信有限公司 印刷电路板组装的辅助缺陷检测方法、装置及计算机设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111693534A (zh) * 2020-06-12 2020-09-22 北京百度网讯科技有限公司 表面缺陷的检测方法、模型训练方法、装置、设备和介质
CN111693534B (zh) * 2020-06-12 2023-09-15 北京百度网讯科技有限公司 表面缺陷的检测方法、模型训练方法、装置、设备和介质
US11763552B2 (en) 2020-06-12 2023-09-19 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for detecting surface defect, method for training model, apparatus, device, and media
CN111724372A (zh) * 2020-06-19 2020-09-29 深圳新视智科技术有限公司 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质
WO2021253632A1 (zh) * 2020-06-19 2021-12-23 深圳新视智科技术有限公司 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质
CN114742791A (zh) * 2022-04-02 2022-07-12 深圳市国电科技通信有限公司 印刷电路板组装的辅助缺陷检测方法、装置及计算机设备
CN114529689A (zh) * 2022-04-24 2022-05-24 广州易道智慧信息科技有限公司 基于对抗神经网络的陶瓷杯缺陷样本扩增方法及系统
CN114529689B (zh) * 2022-04-24 2022-08-16 广州易道智慧信息科技有限公司 基于对抗神经网络的陶瓷杯缺陷样本扩增方法及系统

Similar Documents

Publication Publication Date Title
CN111144477A (zh) 一种钢材表面缺陷的训练样本生成方法、系统及电子设备
JP7138753B2 (ja) 画像欠陥検出方法、装置、電子機器、記憶媒体および製品
CN108510084B (zh) 用于生成信息的方法和装置
CN115122155B (zh) 基于工业互联网大数据的机床远程诊断方法及系统
CN112465049A (zh) 异常检测模型生成方法和装置、异常事件检测方法和装置
CN110070076B (zh) 用于选取训练用样本的方法和装置
CN112967248B (zh) 生成缺陷图像样本的方法、装置、介质及程序产品
CN110675359A (zh) 一种钢卷表面的缺陷样本生成方法、系统及电子设备
CN112037223A (zh) 图像缺陷检测方法、装置及电子设备
CN111327946A (zh) 视频质量评价和特征字典的训练方法、装置和介质
CN114898177B (zh) 缺陷图像生成方法、模型训练方法、设备、介质及产品
CN114757587A (zh) 一种基于大数据的产品质量控制系统及方法
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN109088793B (zh) 用于检测网络故障的方法和装置
CN108921792B (zh) 用于处理图片的方法和装置
CN111444834B (zh) 图像文本行检测方法、装置、设备及存储介质
CN117009125A (zh) 一种故障检测方法、装置、电子设备及存储介质
CN116264606A (zh) 用于处理视频的方法、设备和计算机程序产品
CN108447107B (zh) 用于生成视频的方法和装置
CN113393453A (zh) 用于检测自爆绝缘子的方法、装置、设备、介质和产品
CN113033397A (zh) 目标跟踪方法、装置、设备、介质及程序产品
CN112597994B (zh) 候选框处理方法、装置、设备及介质
CN111340137A (zh) 图像识别方法、装置及存储介质
CN113778882B (zh) 测试案例的生成方法、装置、电子设备及计算机存储介质
CN113608063B (zh) 电力线路故障识别方法、装置及电子设备

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200512