CN112233090A - 基于改进注意力机制的薄膜瑕疵检测方法 - Google Patents
基于改进注意力机制的薄膜瑕疵检测方法 Download PDFInfo
- Publication number
- CN112233090A CN112233090A CN202011100208.2A CN202011100208A CN112233090A CN 112233090 A CN112233090 A CN 112233090A CN 202011100208 A CN202011100208 A CN 202011100208A CN 112233090 A CN112233090 A CN 112233090A
- Authority
- CN
- China
- Prior art keywords
- film
- target
- training
- image
- network model
- 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
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
- G06T7/0004—Industrial image inspection
-
- 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
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进注意力机制的薄膜瑕疵检测方法。本发明首先实时读取薄膜图像;然后将图像输入到网络模型中进行推理;再通过推理结果判断薄膜图像中是否有瑕疵,如有则自动用红的矩形框标注,否则读取下一张薄膜图像。本发明通过对YOLOv5网络结构的简化修改,通过对网络加入轻量级的注意力模块,使得在不影响速度的前提下能有效提高瑕疵检测的准确率;该方法用于工业薄膜瑕疵检测可以有效提高薄膜产品的质量,且不需要人工干预,节省了人工及时间成本。
Description
技术领域
本发明属于计算机视觉中的视频图像处理和模式识别领域,涉及一种基于深度学习的薄膜瑕疵检测方法。
背景技术
随着国际、国内薄膜市场对薄膜需求的日益增加,薄膜行业内部竞争的日益激烈,越来越多的薄膜生产企业开始使用幅宽更宽、生产速度更快的生产线,以降低成本、提高生产效率。然而在薄膜的实际生产过程中,由于各方面因素的影响,薄膜表面会出现诸如孔洞、蚊虫、黑点、晶点、划伤、斑点等瑕疵,严重影响了薄膜的质量,给生产商带来了不必要的损失。传统的人工检测的方法易受主观因素影响,缺乏一致性;并且人眼易于疲劳,很容易造成瑕疵漏检,从而造成质量损失。
随着卷积神经网络在图像领域的普遍应用以及GPU的迅猛发展,人们将注意力越来越多的转移到深度学习方面,已广泛应用于人脸识别、车辆检测、视频中物体检测与识别、无人机导航等许多领域,成为当前的主流算法。由于薄膜瑕疵的形状多数不规则,分布位置的不确定性较大,基于深度学习的目标检测算法凭借着速度更快、精确度更高的优点,正逐渐替代传统的图像处理算法。
目前基于深度学习的目标检测算法主要分为单阶段和两阶段的检测器。两阶段的算法主要有Fast R-CNN、Faster R-CNN等,首先运用候选区域生成网络(RPN),然后对它们进行进一步的分类和回归,这类方法精度较高,但是计算复杂,检测时间过长,无法满足工业生产的实时性要求;单阶段的算法主要包括SSD以及YOLO系列,今近年来单阶段的检测算法的精度不断提升,已经达到工业级要求,最新提出的YOLOv5算法对检测的速度更是有大幅度的提升,因此将YOLOv5用于实时瑕疵检测系统显得尤为合适。但是由于薄膜瑕疵的训练样本较少,薄膜瑕疵目标较小以及薄膜瑕疵的特征较为复杂,因此需要进一步改进YOLOv5算法以达到工业薄膜瑕疵检测的要求。
发明内容
基于上述分析,本发明提供了一种基于改进的注意力机制的薄膜瑕疵检测方法,该方法优化了YOLOv5的网络结构,增强了网络提取的特征表示,加强的特征表示包含了像素点的上下文信息,适用于薄膜生产过程中进行实时薄膜表面瑕疵检测,能够有效提高瑕疵检测的准确率。
一种基于改进的注意力机制的薄膜瑕疵检测方法,包括如下步骤:
步骤1、使用工业相机采集薄膜图像,手工标注薄膜瑕疵,得到一个薄膜数据集;
步骤2、在coco大型目标检测数据集上训练YOLOv5网络,得到一个YOLOv5的预训练网络模型;
步骤3、对YOLOv5的预训练网络模型的结构进行修改;
步骤4、在薄膜数据集上重新训练修改过的网络模型,训练得到一个新的网络模型,即目标网络模型;
步骤5、将目标网络模型加载到薄膜实时检测系统中,将相机采集的实时薄膜数据载入系统中进行检测;
其中步骤3具体是按如下步骤处理主干网络输出的特征表示X:
(1)将图像I中所有像素结构化为K个目标区域{M1,M2,…,MK},每个目标区域Mk对应于类k,由一个2维映射表示,其中每个2维映射表示对应像素属于类k的程度。
(2)通过将第k个目标区域中所有像素的表示集合,将每个目标区域表示为fk,即将所有属于第k个目标区域的像素按相似度加权集合表示,形成第k个目标区域。
(3)计算每个像素与每个目标区域的关系。
(4)通过对K个目标区域表示进行聚合,并考虑每个像素与所有目标区域的关系,对每个像素的表示进行增强,得到像素pi的对象上下文表示yi。
(5)对原始像素表示X进行如下两个运算:
其中Mc和Ms分别代表在通道维度和空间维度上做注意力操作。
(6)像素zi最终由两部分聚合得到,经过通道和空间注意力得到的特征X″i以及对象上下文表示yi:
其中ω(·)为转换函数。
进一步说,步骤4具体是:将经过修改的网络模型在薄膜数据集上进行训练,训练时将网络模型中未修改部分的参数载入预训练模型的网络参数,修改的部分参数进行Kaiming初始化,经过训练后得到目标网络。
进一步说,步骤5具体是:将采集薄膜图像的相机部署在生产线上,实时获取薄膜图像,将图像传入系统中进行实时检测。若检测到瑕疵,系统自动将图像中的瑕疵用矩形框标注出来。
本发明的有益效果是:本发明主要针对薄膜瑕疵数据量少,瑕疵较小,且特征不明显,导致使用深度学习的方法识别检测的难度大大提升。本发明提出的优化结构包含两个部分,第一部分让主干网络提取的特征通过一个通道和空间串行的注意力模块,给原始特征中需要重点关注的特征进行加权,增加了特征的表现力;第二部分让原始特征通过一个有效获取特征上下文信息的模块,使得到的特征可以充分利用像素点与其他上下文像素点的关系,可以更显示的利用目标区域的特征。最后将两部分改进后的特征融合,得到一个增强的特征表示,该增强的特征使模型重点关注需要被注意的特征,且由于加入的模块都是轻量级的,使模型能在不影响速度的情况下,有效提高瑕疵检测的准确率。
具体说明
图1为本发明瑕疵检测流程示意图;
图2为本发明改进的瑕疵检测网络修改示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明提供一种基于改进的注意力机制的薄膜瑕疵检测的方法。薄膜检测系统的工作流程如图1所示,其步骤如下:
(1)系统实时读取薄膜图像;
(2)将图像输入到网络模型中进行前向推理;
(3)系统根据推理结果判断薄膜图像中是否有瑕疵,如果有瑕疵则进入步骤(4),否则进入步骤(5);
(4)系统将瑕疵用矩形框标注出来,并提示该图像存在瑕疵;
(5)系统判断是否还有未读取的图像,如果有回到步骤(1),否则结束此次检测。
其中的网络模型由以下方式得到:
步骤1、使用工业相机采集薄膜图像,手工标注薄膜瑕疵,得到一个薄膜数据集;
步骤2、在coco大型目标检测数据集上训练YOLOv5网络,得到一个YOLOv5的预训练网络模型;
步骤3、对YOLOv5网络模型的结构进行修改;
步骤4、在薄膜数据集上重新训练修改过的网络,训练得到一个新的网络模型,即目标网络模型。
其中修改YOLOv5网络模型的结构,按如下步骤处理主干网络输出的特征表示X,见图2:
(1)将图像I中所有像素结构化为K个软目标区域 {M1,M2,…,MK},每个目标区域Mk对应于类k,由一个2维映射表示,其中每个2维映射表示对应像素属于类k的程度。从主干网络输出的特征表示计算K个目标区域。在训练过程中,利用交叉熵损失在 ground-truth的监督下学习目标区域生成器。
(2)通过将第k个目标区域中所有像素的表示集合,将每个目标区域表示为fk,即将所有属于第k个目标区域的像素按相似度加权集合表示,形成第k个目标区域,其公式如下:
(3)计算每个像素与每个目标区域的关系如下:
其中,κ(X,f)=φ(X)Tψ(f)是非规范关系函数。φ(·)和ψ(·)为两个相同的转换函数,其步骤为先后经过一个1x1的卷积层,一个 BatchNorm归一化函数和一个ReLU激活函数。
(4)通过对K个目标区域表示进行聚合,并考虑其与所有目标区域的关系,对每个像素的表示进行增强,像素pi的对象上下文表示yi计算公式如下:
其中δ(·)和ρ(·)为两个相同的转换函数,其步骤为先后经过一个 1x1的卷积层,一个BatchNorm归一化函数和一个ReLU激活函数。
(5)对原始像素表示X进行如下两个运算:
其中Mc和Ms分别代表在通道维度和空间维度上做注意力操作。 Mc的具体做法如下:
其中σ(·)为sigmod函数,MLP(·)为多层感知机,AvgPool(·)为平均池化操作,MaxPool(·)为最大池化操作,和分别代表在通道维度上经过平均池化和最大池化得到的特征表示,W0和W1代表的是多层感知机中的两层参数。
Ms的具体做法如下:
(6)像素zi最终由两部分聚合得到,经过通道和空间注意力得到的特征X″i以及对象上下文表示yi:
其中ω(·)为转换函数,其步骤为后经过一个1x1的卷积层,一个BatchNorm归一化函数和一个ReLU激活函数。
Claims (3)
1.基于改进注意力机制的薄膜瑕疵检测方法,其特征在于该方法包括如下步骤:
步骤1、使用工业相机采集薄膜图像,手工标注薄膜瑕疵,得到一个薄膜数据集;
步骤2、在coco大型目标检测数据集上训练YOLOv5网络,得到一个YOLOv5的预训练网络模型;
步骤3、对YOLOv5的预训练网络模型的结构进行修改;
步骤4、在薄膜数据集上重新训练修改过的网络模型,训练得到一个新的网络模型,即目标网络模型;
步骤5、将目标网络模型加载到薄膜实时检测系统中,将相机采集的实时薄膜数据载入系统中进行检测;
其中步骤3具体是按如下步骤处理主干网络输出的特征表示X:
(1)将图像I中所有像素结构化为K个目标区域{M1,M2,...,MK},每个目标区域Mk对应于类k,由一个2维映射表示,其中每个2维映射表示对应像素属于类k的程度;
(2)通过将第k个目标区域中所有像素的表示集合,将每个目标区域表示为fk,即将所有属于第k个目标区域的像素按相似度加权集合表示,形成第k个目标区域;
(3)计算每个像素与每个目标区域的关系;
(4)通过对K个目标区域表示进行聚合,并考虑每个像素与所有目标区域的关系,对每个像素的表示进行增强,得到像素pi的对象上下文表示yi;
(5)对原始像素表示X进行如下两个运算:
其中Mc和Ms分别代表在通道维度和空间维度上做注意力操作;
(6)像素zi最终由两部分聚合得到,经过通道和空间注意力得到的特征X″i以及对象上下文表示yi:
其中ω(·)为转换函数。
2.根据权利要求1所述的基于改进的注意力机制的薄膜瑕疵检测方法,其特征在于:
步骤4具体是:将经过修改的网络模型在薄膜数据集上进行训练,训练时将网络模型中未修改部分的参数载入预训练模型的网络参数,修改的部分参数进行Kaiming初始化,经过训练后得到目标网络。
3.根据权利要求1所述的基于改进的注意力机制的薄膜瑕疵检测方法,其特征在于:
步骤5具体是:将采集薄膜图像的相机部署在生产线上,实时获取薄膜图像,将图像传入系统中进行实时检测;若检测到瑕疵,系统自动将图像中的瑕疵用矩形框标注出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011100208.2A CN112233090B (zh) | 2020-10-15 | 2020-10-15 | 基于改进注意力机制的薄膜瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011100208.2A CN112233090B (zh) | 2020-10-15 | 2020-10-15 | 基于改进注意力机制的薄膜瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112233090A true CN112233090A (zh) | 2021-01-15 |
CN112233090B CN112233090B (zh) | 2023-05-30 |
Family
ID=74112966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011100208.2A Active CN112233090B (zh) | 2020-10-15 | 2020-10-15 | 基于改进注意力机制的薄膜瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233090B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699859A (zh) * | 2021-03-24 | 2021-04-23 | 华南理工大学 | 目标检测方法、装置、存储介质及终端 |
CN112733821A (zh) * | 2021-03-31 | 2021-04-30 | 成都西交智汇大数据科技有限公司 | 一种融合轻量级注意力模型的目标检测方法 |
CN112884064A (zh) * | 2021-03-12 | 2021-06-01 | 迪比(重庆)智能科技研究院有限公司 | 一种基于神经网络的目标检测与识别方法 |
CN113223044A (zh) * | 2021-04-21 | 2021-08-06 | 西北工业大学 | 一种结合特征聚合和注意力机制的红外视频目标检测方法 |
CN113705404A (zh) * | 2021-08-18 | 2021-11-26 | 南京邮电大学 | 一种面向嵌入式硬件的人脸检测方法 |
CN114372968A (zh) * | 2021-12-31 | 2022-04-19 | 江南大学 | 结合注意力机制与自适应记忆性融合网络的瑕疵检测方法 |
WO2022252348A1 (zh) * | 2021-06-01 | 2022-12-08 | 浙江工商大学 | 基于旋转目标和改进注意力机制的薄膜划痕瑕疵检测方法 |
US11619593B2 (en) | 2021-06-01 | 2023-04-04 | Zhejiang Gongshang University | Methods and systems for detecting a defect of a film |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574353A (zh) * | 2014-09-12 | 2015-04-29 | 苏州大学 | 基于视觉显著性的表面缺陷判定方法 |
CN110136126A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于全卷积神经网络的织物纹理瑕疵检测方法 |
CN110310259A (zh) * | 2019-06-19 | 2019-10-08 | 江南大学 | 一种基于改进YOLOv3算法的木结瑕疵检测方法 |
CN110415238A (zh) * | 2019-07-31 | 2019-11-05 | 河海大学常州校区 | 基于反向瓶颈结构深度卷积网络的膜片瑕点检测方法 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
-
2020
- 2020-10-15 CN CN202011100208.2A patent/CN112233090B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574353A (zh) * | 2014-09-12 | 2015-04-29 | 苏州大学 | 基于视觉显著性的表面缺陷判定方法 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN110136126A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于全卷积神经网络的织物纹理瑕疵检测方法 |
CN110310259A (zh) * | 2019-06-19 | 2019-10-08 | 江南大学 | 一种基于改进YOLOv3算法的木结瑕疵检测方法 |
CN110415238A (zh) * | 2019-07-31 | 2019-11-05 | 河海大学常州校区 | 基于反向瓶颈结构深度卷积网络的膜片瑕点检测方法 |
Non-Patent Citations (1)
Title |
---|
麻森权;周克;: "基于注意力机制和特征融合改进的小目标检测算法" * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884064A (zh) * | 2021-03-12 | 2021-06-01 | 迪比(重庆)智能科技研究院有限公司 | 一种基于神经网络的目标检测与识别方法 |
CN112884064B (zh) * | 2021-03-12 | 2022-07-29 | 迪比(重庆)智能科技研究院有限公司 | 一种基于神经网络的目标检测与识别方法 |
CN112699859A (zh) * | 2021-03-24 | 2021-04-23 | 华南理工大学 | 目标检测方法、装置、存储介质及终端 |
CN112699859B (zh) * | 2021-03-24 | 2021-07-16 | 华南理工大学 | 目标检测方法、装置、存储介质及终端 |
CN112733821A (zh) * | 2021-03-31 | 2021-04-30 | 成都西交智汇大数据科技有限公司 | 一种融合轻量级注意力模型的目标检测方法 |
CN113223044A (zh) * | 2021-04-21 | 2021-08-06 | 西北工业大学 | 一种结合特征聚合和注意力机制的红外视频目标检测方法 |
WO2022252348A1 (zh) * | 2021-06-01 | 2022-12-08 | 浙江工商大学 | 基于旋转目标和改进注意力机制的薄膜划痕瑕疵检测方法 |
US11619593B2 (en) | 2021-06-01 | 2023-04-04 | Zhejiang Gongshang University | Methods and systems for detecting a defect of a film |
CN113705404A (zh) * | 2021-08-18 | 2021-11-26 | 南京邮电大学 | 一种面向嵌入式硬件的人脸检测方法 |
CN114372968A (zh) * | 2021-12-31 | 2022-04-19 | 江南大学 | 结合注意力机制与自适应记忆性融合网络的瑕疵检测方法 |
CN114372968B (zh) * | 2021-12-31 | 2022-12-27 | 江南大学 | 结合注意力机制与自适应记忆性融合网络的瑕疵检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112233090B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112233090B (zh) | 基于改进注意力机制的薄膜瑕疵检测方法 | |
CN111553929B (zh) | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 | |
CN107886133A (zh) | 一种基于深度学习的地下管道缺陷自动识别方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN103927534A (zh) | 一种基于卷积神经网络的喷码字符在线视觉检测方法 | |
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 | |
CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
CN112037219A (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN111768365A (zh) | 基于卷积神经网络多特征融合的太阳能电池缺陷检测方法 | |
CN111476307B (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
CN110020691B (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
CN110929795A (zh) | 高速焊线机焊点快速识别与定位方法 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN112215203A (zh) | 一种基于深度学习的路面病害检测方法和装置 | |
CN116612106A (zh) | 一种基于yolox算法的光学元件表面缺陷检测方法 | |
CN112819748A (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN116402769A (zh) | 一种兼顾大小目标的高精度纺织品瑕疵智能检测方法 | |
CN109919215B (zh) | 基于聚类算法改进特征金字塔网络的目标检测方法 | |
CN109726754A (zh) | 一种lcd屏缺陷识别方法及装置 | |
Chen et al. | Real-time defect detection of TFT-LCD displays using a lightweight network architecture | |
CN116912625A (zh) | 一种基于先验缺陷特征与sspcab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 |