CN112102306A - 一种基于双重gan的边缘修复特征融合的缺陷检测方法 - Google Patents
一种基于双重gan的边缘修复特征融合的缺陷检测方法 Download PDFInfo
- Publication number
- CN112102306A CN112102306A CN202011024288.8A CN202011024288A CN112102306A CN 112102306 A CN112102306 A CN 112102306A CN 202011024288 A CN202011024288 A CN 202011024288A CN 112102306 A CN112102306 A CN 112102306A
- Authority
- CN
- China
- Prior art keywords
- defect
- edge
- network
- repairing
- layer
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 131
- 230000008439 repair process Effects 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 claims abstract description 33
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 claims abstract description 33
- 230000002950 deficient Effects 0.000 claims abstract description 16
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 11
- 230000008030 elimination Effects 0.000 claims abstract description 6
- 238000003379 elimination reaction Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/529—Depth or shape recovery from texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双重GAN的边缘修复特征融合的缺陷检测方法，该方法采用先修复后分割的思想，设计了双重GAN分别对缺陷元件的边缘图和原图进行修复，分别对应的缺陷的纹理特征与灰度特征，并通过特征拼接的方式将修复好的纹理特征融合至缺陷修复网络，辅助对缺陷原图的修复，提高了网络对位于元件边缘的缺陷的修复性能；其中，边缘修复网络中，采用了可形变卷积对残差块的卷积方式进行更改，相较于普通卷积方式，可形变卷积能有效利用全局的边缘信息修复缺陷的边缘。最后对修复前后的处置图上进行了孤立点消除得到缺陷的像素标注。在公开的数据集上的测试结果验证了本发明对缺陷检测性能提升的有效性。
Description
技术领域
本发明属于缺陷检测领域，具体涉及一种基于双重GAN的边缘修复特征融合的缺陷检测方法。
背景技术
缺陷检测在工业生产中是非常重要的一环，是把控产品质量的关键。缺陷检测技术的应用对产品工艺技术的延续和发展起着至关重要的影响。但是由于工业产品以及工业产品缺陷的多样性，传统的针对特定对象的图像处理方法缺少泛化性、迁移性，鲁棒性差。随着深度网络的发展，工业产品表面缺陷检测也得到了新的发展。深度网络具有较强的学习能力，提取的特征更具有代表性，通过参数的更新能轻易实现网络功能的转变。在缺陷检测任务中表现出更高的精度以及鲁棒性。
深度网络的参数更新需要大量数据的参与，而工业生产中缺陷样本只占很少一部分，并且缺陷分割任务标注需要耗费大量的人力。所以基于少量缺陷样本或者无缺陷样本的缺陷检测算法就尤为重要。基于多尺度卷积消噪自编码网络模型通过金字塔季候能够减少对一定缺陷样本的需求。而GAN的横空出世，对缺少缺陷样本的问题提供了新的解决思路。通过对无缺陷样本添加噪声结合GAN，能够训练出一个在细节上和边缘上有良好重建效果的修复网络。输入样本与修复样本的差值作为缺陷像素标注的结果。但是目前的缺陷检测算法仅对分布在元件内部或者背景是重复性图样的缺陷有一定效果，对于位于元件边缘的缺陷并不能按照元件完好的外貌进行修复。
发明内容
针对目前深度学习的缺陷检测方法存在的问题，本发明提供了一种基于双重GAN的边缘修复特征融合的缺陷检测方法。
本发明采用如下技术方案来实现：
一种基于双重GAN的边缘修复特征融合的缺陷检测方法，包括以下步骤：
1)采用双重GAN先后对前处理后的缺陷图像的边缘提取结果和原图进行修复，并将边缘修复网络中修复好的纹理特征以拼接的方式融合至缺陷修复网络，将原图修复前后的差值图做孤立点消除处理获得缺陷的像素标注结果；
2)边缘修复网络中引入可形变卷积，减少边缘修复过程中的无效信息，使网络能够利用全局的边缘信息对缺陷的边缘提取结果进行修复。
本发明进一步的改进在于，步骤1)中，采用先修复后分割，使用两个GAN分别训练边缘修复网络和缺陷修复网络，边缘修复网络对缺陷元件图像的边缘提取结果单独进行获取和修复，然后将修复好的纹理信息融合至缺陷修复网络之中，缺陷修复网络最终输出的为缺陷元件图像的修复结果，利用孤立点消除法对修复前后的差值图进行处理得到缺陷像素标注。
本发明进一步的改进在于，步骤2)中，边缘修复网络中引入了可形变卷积，边缘修复网络由编码层、中间层、解码层三部分构成，解码层由3个卷积层构成，对特征进行下采样，解码层由2个反卷积层和1个卷积层构成，3个反卷积层后的输出特征分别为Xe1、Xe2，中间层包含了可形变卷积的8个残差块，形变卷积在普通卷积的基础上给每一个卷积核的点赋予了偏移量以及有效性，通过对残差块卷积方式的更改，网络能够扩大感知范围，根据元件完好的边缘信息去修复缺陷位置的边缘。
本发明进一步的改进在于，使用GAN结合l2_loss对缺陷修复网络进行训练，输出为缺陷元件边缘的修复结果，反卷积层后的特征作为拼接特征输入到缺陷修复网络之中。
本发明进一步的改进在于，缺陷修复网络由编码层、中间层、解码层三部分构成，解码层由1个卷积层与2个卷积池化层构成，池化方式为最大池化，中间层由8个级联的残差块构成，解码层由2个上采样层和1个卷积层构成，上采样方式为双线性插值，上采样后的特征Xc1、Xc2分别与边缘修复网络2个反卷积层的输出Xe1、Xe2进行通道上的拼接，经过卷积层和全连接层对融合特征进行整合，最后经过一层卷积层将输出通道述变更为图像通道数。
本发明进一步的改进在于，每次上采样之后，将边缘修复网络中相应尺寸的特征拼接到卷积层之前，将边缘修复网络获取到修复好的纹理特征拼接到缺陷修复网络中相同尺寸的高层特征上，缺陷修复网络就能根据元件的纹理对缺陷处的灰度值进行修正，卷积后在再通过全连接层进行通道间的整合，最后一层卷积使得输出特征与图像的通道一致，用GAN结合l2_loss对缺陷修复网络进行训练，输出为缺陷元件修复结果。
本发明至少具有以下有益的技术效果：
本发明提供的一种基于双重GAN的边缘修复特征融合的缺陷检测方法。该方法基于缺陷的灰度信息和纹理信息，提出了边缘修复网络与缺陷修复网络的双重GAN。边缘修复网络修复好的纹理特征以特征拼接的方式融合至缺陷修复网络。缺陷修复网络完成对存在缺陷的元件的修复，以修复前后的差值作为缺陷像素标注的结果。其中在边缘修复网络设计添加了可形变卷积，增强了边缘修复效果。
进一步，所述方法中前处理阶段为图像二值化和边缘提取，分别作为缺陷修复网络和边缘修复网络的输入。训练阶段，为了简化了网络的学习任务，能够在有限的数据样本下训练缺陷修复网络，在阈值分割后的元件边缘处添加了圆形或者椭圆形的模拟缺陷。
进一步，所述方法中边缘修复网络是类自编码网络机构，主要由编码层、中间层、解码层三大结构。中间层由8个残差块构成，其中普通卷积替换为可形变卷积。网络的输入是缺陷原图的边缘提取结果，由于大部分的像素点灰度值为0，使用普通卷积会造成修复的边缘结果出现空缺。可形变卷积在每次进行卷积之前先学习到偏移量，偏移量就是在原卷积核的每一个点都加上了偏移，这一步骤能帮助网络修复边缘时获取到合适有效信息的位置。并且，可形变卷积给卷积核中每一个点赋予了一个权重，来决定其所对应的像素点信息是否有效。所以加入了可形变卷积之后，网络才能获取更广的感知域，学习到元件边缘的外貌特征，然后对缺陷的边缘提取结果进行修复。
进一步，缺陷修复网络是类自编码结构，主要由编码层、中间层、解码层构成。编码层由3个卷积层和2个最大池化层构成。池化层的目的是减少孤立点的信息，消除元件内部的孤立缺陷中间层由8个残差块构成。编码层由3个卷积层、2个上采样层、2个全连接层构成，每次上采样之后，将边缘修复网络中相应尺寸的特征拼接到卷积层之前。将边缘修复网络获取到修复好的纹理特征拼接到缺陷修复网络的相同尺寸的高层特征上，缺陷修复网络就能根据元件的纹理对缺陷处的灰度值进行修正。卷积后在再通过全连接层进行通道间的整合，能够在缺陷原图上完成对元件的修复。
进一步，所述方法中结果后处理阶段的主要任务是获取修复前后的差别作为缺陷像素标注的结果。利用ROI提取，孤立点检测与消除的方法对修复前后的差值图做处理，得到缺陷的像素标注结果。
进一步，为了验证所述方法的有效性，在首届“征图杯”校园机器视觉人工智能大赛的提供的两类元件数据集上进行了训练验证。通过实验证明所述方法中先修复边缘，再将修复好的纹理特征拼接到缺陷修复网络的双重GAN对修复不同元件的不同外貌及分布的缺陷都有一定效果。
综上所述，本发明提供了一种基于双重GAN的边缘修复特征融合的缺陷检测方法。本发明基于缺陷在纹理与灰度上与正常元件的区别，针对单个GAN对于不同分布的缺陷的修复性能鲁棒性差的问题，提出了双重GAN先后修复缺陷的纹理以及灰度，并采用了特征拼接的融合方式将修复好纹理特征拼接到缺陷修复网络，辅助网络对缺陷原图进行修复。同时在边缘修复网络中使用了可形变卷积，将中间层的残差块的卷积方式变更为可形变卷积，增强了边缘的修复效果。从整理上看，本发明的修复网络提高了缺陷修复的性能，通过简单的后处理方法获取缺陷的像素标注结果，提升了缺陷检测的性能，漏检率和过检率均接近于0。并且网络具有良好的泛化性，在不同的元件数据与缺陷类型上均表现出较好的修复性能，具有很高的工业应用价值。
附图说明
图1为本发明中一种基于双重GAN的边缘修复特征融合的缺陷检测方法训练流程图。
图2为本发明中一种基于双重GAN的边缘修复特征融合的缺陷检测方法测试流程图。
图3为本发明中基于可形变卷积的边缘修复网络的流程图。
图4为本发明中基于纹理特征拼接的缺陷修复网络的流程图。
具体实施方式
下面结合附图对本发明进行详细阐述：
如图1所示，本发明提供的一种基于双重GAN的边缘修复特征融合的缺陷检测方法，包括以下几个模块：
1)加噪模块，训练时对仅包含负样本的数据添加模拟缺陷，主要添加的缺陷是圆心位于边缘的圆形或者椭圆形，目的是简化修复网络的学习任务。
2)前处理模块，对包含缺陷的元件的图像进行二值化，避免元件图像的灰度不均对修复结果造成负面的影响，同时保留了缺陷的全部信息。
3)边缘修复网络，如图3所示，主要由编码层、中间层、解码层三大结构。编码由3个卷积层构成实现了对特征的两次下采样。中间层由8个残差块构成，其中普通卷积替换为可形变卷积，解码层由2个反卷积层和1个卷积层构成。使用GAN结合l2_loss对缺陷修复网络进行训练，输出为缺陷元件边缘的修复结果。反卷积层后的特征作为拼接特征输入到缺陷修复网络之中。
4)缺陷修复网络是类自编码结构，如图4所示，主要由编码层、中间层、解码层构成。编码层由1个卷积层和2个池化卷积层构成。中间层由8个残差块构成。编码层由3个卷积层、2个上采样层、2个全连接层构成，每次上采样之后，将边缘修复网络中相应尺寸的特征拼接到卷积层之前。将边缘修复网络获取到修复好的纹理特征拼接到缺陷修复网络中相同尺寸的高层特征上，缺陷修复网络就能根据元件的纹理对缺陷处的灰度值进行修正。卷积后在再通过全连接层进行通道间的整合，最后一层卷积使得输出特征与图像的通道一致。使用GAN结合l2_loss对缺陷修复网络进行训练，输出为缺陷元件修复结果。
5)后处理模块，主要是对缺陷修复网络的输入输出进行差值比较，然后移除差值图中的孤立的噪点，获得缺陷像素标注的结果。
具体来说，在训练阶段，如图1所示，对于输入的仅包含负样本的数据二值化，然后按照步骤1)添加模拟缺陷。然后先对图像二值化之后进行边缘提取，如步骤3)输入至边缘缺陷网络，输出为未加缺陷的二值图边缘提取的结果。利用GAN的训练方法，使用l2_loss辅助判别器训练边缘修复网络。之后如步骤4)再训练缺陷修复网络，输入为添加缺陷的二值化图，边缘修复网络的反卷积后特征按照尺寸对应地拼接至缺陷修复网络的解码层，输出为未加缺陷的二值化图。同样使用利用GAN的训练方法，使用l2_loss辅助判别器训练边缘修复网络。
在测试阶段，如图2所示，先对缺陷原图进行如步骤2)的二值化处理，二值图边缘提取的结果输入至边缘修复网络，获得编码层中两组反卷积后的纹理特征。然后将二值图输入到缺陷修复网络，同时将纹理特征按照尺寸拼接到缺陷修复网络的解码层的相对应层。最终输出元件缺陷修复图像。最后对修复前后的差值图按照步骤5)进行处理得到缺陷的像素标注结果。
为了测试本发明对于缺陷检测的有效性，在竞赛的提供的各1000张图像数据上进行训练，然后在人工标注的两个元件各150张数据上进行测试。元件1的缺陷主要分布在元件内部，元件2的缺陷主要分布在元件边缘。表一分别展示了本发明在两类元件上的测试结果。根据测试结果，本发明中所提出的边缘修复和缺陷修复的双重GAN以及基于可形变卷积的边缘修复网络能够针对不同元件以及不同分布的缺陷均有较好的检测性能，漏检率以及过检率都能保持较低的水平，同时，训练网络中没有用到任何缺陷样本，所以本发明能够在工业实际生产中发挥重要作用。
表1方法在不同缺陷元件数据集上的评估结果
Claims (6)
1.一种基于双重GAN的边缘修复特征融合的缺陷检测方法，其特征在于，包括以下步骤：
1)采用双重GAN先后对前处理后的缺陷图像的边缘提取结果和原图进行修复，并将边缘修复网络中修复好的纹理特征以拼接的方式融合至缺陷修复网络，将原图修复前后的差值图做孤立点消除处理获得缺陷的像素标注结果；
2)边缘修复网络中引入可形变卷积，减少边缘修复过程中的无效信息，使网络能够利用全局的边缘信息对缺陷的边缘提取结果进行修复。
2.根据权利要求1所述的一种基于双重GAN的边缘修复特征融合的缺陷检测方法，其特征在于，步骤1)中，采用先修复后分割，使用两个GAN分别训练边缘修复网络和缺陷修复网络，边缘修复网络对缺陷元件图像的边缘提取结果单独进行获取和修复，然后将修复好的纹理信息融合至缺陷修复网络之中，缺陷修复网络最终输出的为缺陷元件图像的修复结果，利用孤立点消除法对修复前后的差值图进行处理得到缺陷像素标注。
3.根据权利要求2所述的一种基于双重GAN的边缘修复特征融合的缺陷检测方法，其特征在于，步骤2)中，边缘修复网络中引入了可形变卷积，边缘修复网络由编码层、中间层、解码层三部分构成，解码层由3个卷积层构成，对特征进行下采样，解码层由2个反卷积层和1个卷积层构成，3个反卷积层后的输出特征分别为Xe1、Xe2，中间层包含了可形变卷积的8个残差块，形变卷积在普通卷积的基础上给每一个卷积核的点赋予了偏移量以及有效性，通过对残差块卷积方式的更改，网络能够扩大感知范围，根据元件完好的边缘信息去修复缺陷位置的边缘。
4.根据权利要求3所述的一种基于双重GAN的边缘修复特征融合的缺陷检测方法，其特征在于，使用GAN结合l2_loss对缺陷修复网络进行训练，输出为缺陷元件边缘的修复结果，反卷积层后的特征作为拼接特征输入到缺陷修复网络之中。
5.根据权利要求3所述的一种基于双重GAN的边缘修复特征融合的缺陷检测方法，其特征在于，缺陷修复网络由编码层、中间层、解码层三部分构成，解码层由1个卷积层与2个卷积池化层构成，池化方式为最大池化，中间层由8个级联的残差块构成，解码层由2个上采样层和1个卷积层构成，上采样方式为双线性插值，上采样后的特征Xc1、Xc2分别与边缘修复网络2个反卷积层的输出Xe1、Xe2进行通道上的拼接，经过卷积层和全连接层对融合特征进行整合，最后经过一层卷积层将输出通道述变更为图像通道数。
6.根据权利要求5所述的一种基于双重GAN的边缘修复特征融合的缺陷检测方法，其特征在于，每次上采样之后，将边缘修复网络中相应尺寸的特征拼接到卷积层之前，将边缘修复网络获取到修复好的纹理特征拼接到缺陷修复网络中相同尺寸的高层特征上，缺陷修复网络就能根据元件的纹理对缺陷处的灰度值进行修正，卷积后在再通过全连接层进行通道间的整合，最后一层卷积使得输出特征与图像的通道一致，用GAN结合l2_loss对缺陷修复网络进行训练，输出为缺陷元件修复结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011024288.8A CN112102306B (zh) | 2020-09-25 | 2020-09-25 | 一种基于双重gan的边缘修复特征融合的缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011024288.8A CN112102306B (zh) | 2020-09-25 | 2020-09-25 | 一种基于双重gan的边缘修复特征融合的缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112102306A true CN112102306A (zh) | 2020-12-18 |
| CN112102306B CN112102306B (zh) | 2022-10-25 |
Family
ID=73756266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011024288.8A Active CN112102306B (zh) | 2020-09-25 | 2020-09-25 | 一种基于双重gan的边缘修复特征融合的缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112102306B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114139648A (zh) * | 2021-12-07 | 2022-03-04 | 北京科技大学 | 一种尾矿充填管路异常智能检测方法及系统 |
| CN118212196A (zh) * | 2024-03-18 | 2024-06-18 | 四川数聚智造科技有限公司 | 一种基于图像修复的工业缺陷检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107886162A (zh) * | 2017-11-14 | 2018-04-06 | 华南理工大学 | 一种基于wgan模型的可变形卷积核方法 |
| CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
| CN109559287A (zh) * | 2018-11-20 | 2019-04-02 | 北京工业大学 | 一种基于DenseNet生成对抗网络的语义图像修复方法 |
| US20190354835A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Action detection by exploiting motion in receptive fields |
| CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
| CN110619618A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN111369466A (zh) * | 2020-03-05 | 2020-07-03 | 福建帝视信息科技有限公司 | 一种基于可变形卷积的卷积神经网络的图像畸变矫正增强方法 |
| CN111489287A (zh) * | 2020-04-10 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像转换方法、装置、计算机设备和存储介质 |
| CN111489291A (zh) * | 2020-03-04 | 2020-08-04 | 浙江工业大学 | 一种基于网络级联的医学图像超分辨率重建方法 |
-
2020
- 2020-09-25 CN CN202011024288.8A patent/CN112102306B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107886162A (zh) * | 2017-11-14 | 2018-04-06 | 华南理工大学 | 一种基于wgan模型的可变形卷积核方法 |
| US20190354835A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Action detection by exploiting motion in receptive fields |
| CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
| CN110619618A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN109559287A (zh) * | 2018-11-20 | 2019-04-02 | 北京工业大学 | 一种基于DenseNet生成对抗网络的语义图像修复方法 |
| CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
| CN111489291A (zh) * | 2020-03-04 | 2020-08-04 | 浙江工业大学 | 一种基于网络级联的医学图像超分辨率重建方法 |
| CN111369466A (zh) * | 2020-03-05 | 2020-07-03 | 福建帝视信息科技有限公司 | 一种基于可变形卷积的卷积神经网络的图像畸变矫正增强方法 |
| CN111489287A (zh) * | 2020-04-10 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像转换方法、装置、计算机设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| KAMYAR NAZERI等: "EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning", 《ARXIV》, 11 January 2019 (2019-01-11), pages 3 * |
| ZIQIANG PEI等: "Feature guidance GAN for high quality image restoration", 《ICDIP》, 12 June 2020 (2020-06-12), pages 1 - 10, XP060132674, DOI: 10.1117/12.2572942 * |
| 于重重等: "基于度量学习的小样本零器件表面缺陷检测", 《仪器仪表学报》, no. 07, 31 July 2020 (2020-07-31), pages 216 - 225 * |
| 蔡雨婷 等: "基于双层级联GAN的草图到真实感图像的异质转换", 《模式识别与人工智能》, 15 October 2018 (2018-10-15), pages 877 - 886 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114139648A (zh) * | 2021-12-07 | 2022-03-04 | 北京科技大学 | 一种尾矿充填管路异常智能检测方法及系统 |
| CN118212196A (zh) * | 2024-03-18 | 2024-06-18 | 四川数聚智造科技有限公司 | 一种基于图像修复的工业缺陷检测方法 |
| CN118212196B (zh) * | 2024-03-18 | 2024-09-03 | 四川数聚智造科技有限公司 | 一种基于图像修复的工业缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112102306B (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047522B (zh) | 一种基于边缘生成的图像修复方法 | |
| CN112102306B (zh) | 一种基于双重gan的边缘修复特征融合的缺陷检测方法 | |
| 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 | |
| CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
| CN111798409A (zh) | 一种基于深度学习的pcb缺陷数据生成方法 | |
| CN113129272A (zh) | 一种基于去噪卷积自编码器的缺陷检测方法及装置 | |
| CN111861990B (zh) | 一种产品不良外观检测的方法、系统及存储介质 | |
| CN114898352A (zh) | 一种同时实现图像去雾与车牌检测的方法 | |
| JP7493867B1 (ja) | 深層Ｒｅｔｉｎｅｘに基づいた低光画像強調方法 | |
| CN112149535A (zh) | 一种结合SegNet和U-Net的车道线检测方法和装置 | |
| CN113706464A (zh) | 一种印刷品外观质量检测方法及系统 | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN114066867B (zh) | 一种基于深度学习的裂纹扩展痕迹缺失区域的分割方法 | |
| CN113505772A (zh) | 基于生成对抗网络的车牌图像生成方法及系统 | |
| CN111968122B (zh) | 一种基于卷积神经网络的纺织材料ct图像分割方法和装置 | |
| CN112215907A (zh) | 一种焊缝缺陷自动提取方法 | |
| 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 | |
| CN116258854A (zh) | 一种基于密集连接策略和图像梯度的路面裂缝分割方法 | |
| CN114758133A (zh) | 基于超像素主动学习和半监督学习策略的图像瑕疵分割方法 | |
| CN114241344B (zh) | 一种基于深度学习的植物叶片病虫害严重程度评估方法 | |
| CN114820541A (zh) | 基于重构网络的缺陷检测方法 | |
| CN118115835A (zh) | 导光板缺陷小样本数据扩充方法、系统、设备及存储介质 | |
| CN112686822B (zh) | 一种基于堆叠生成对抗网络的图像补全方法 | |
| CN113034388A (zh) | 一种古代绘画虚拟修复方法及修复模型的构建方法 | |
| CN116912144A (zh) | 一种基于大律算法与通道注意力机制的数据增强方法 |
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 |