CN112669274B - 一种用于表面异常区域像素级分割的多任务检测方法 - Google Patents
一种用于表面异常区域像素级分割的多任务检测方法 Download PDFInfo
- Publication number
- CN112669274B CN112669274B CN202011536795.XA CN202011536795A CN112669274B CN 112669274 B CN112669274 B CN 112669274B CN 202011536795 A CN202011536795 A CN 202011536795A CN 112669274 B CN112669274 B CN 112669274B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- anomaly
- detection branch
- unknown
- anomaly detection
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种用于表面异常区域像素级分割的多任务检测方法,包括如下步骤:获取图像数据集,并对其中已知异常进行像素级标注,如果无法获取到足够异常样本,则随机添加噪声作为异常;构建多任务异常检测网络模型,其包括已知异常检测分支D和未知异常检测分支S;根据预构建的多任务优化目标,通过图像数据集对多任务异常检测网络模型进行训练,得到最终的异常检测网络模型,其中多任务优化目标包含像素级分类损失函数和紧凑性损失函数;将待检测图像输入异常检测网络模型中,合并已知异常检测分支D与未知异常检测分支S的输出,实现图像异常区域像素级分割的检测。本发明所公开的方法可以提高异常检测的分割精细程度、实时性与准确率。
Description
技术领域
本发明涉及一种表面异常检测方法,特别涉及一种用于表面异常区域像素级分割的多任务检测方法。
背景技术
表面异常检测在工业生产、医学诊断、城建管理等领域都有巨大的应用价值。如工业生产中金属表面划痕的检测、半导体生产中晶圆表面瑕疵的检测、纺织生产中布匹表面污渍的检测、城市建设中垃圾倾倒的检测、生物化学用微流控芯片表面结构问题的检测、医学诊断中脑肿瘤的检测等。一种有效的表面异常检测方法对于减轻人力负担、提高产品良品率、降低检测成本有巨大的价值。
表面异常检测现有方法包括目检法、图像法、红外法、超声法、涡流法、接触法等,其中基于图像的检测方法具备普适性佳、结构损伤小、设备要求低、受内部结构影响小的优点,逐渐被广泛应用于表面异常检测中。针对表面异常检测问题,根据已获取到的已标记样本数量的不同,研究人员提出了不同的策略。能够获取到充足的被标记样本时,通过训练有监督目标检测或语义分割网络检测异常。无法获取到充足的异常样本时,则通过弱监督或者无监督方案。常见的无监督异常检测方案通过栅格化或者超像素分割的方式将图像切分成图像块,然后将图像块分类为正常或异常,常见的分类方案有聚类、支持向量机、孤立森林、稀疏表达等。近年随着深度学习的发展,出现了自编码器、生成对抗网络、迁移学习等方案。这些异常检测方法的普遍特征为仅使用正常样本,通过建模等方式表征正常样本的特征,将与正常样本差异较大的识别为异常。
现有的表面异常检测方法的主要问题如下:
图像数据量大,标注专业性强,标注成本过高,尤其是像素级标注。大多数有监督方法在训练样本不足时效果不佳,并且缺乏检测未知异常的能力。
基于图像的异常检测多针对小像素块构建不同模型,多尺度信息依赖采集多个不同尺度的图像块的特征融合后获取,存在多尺度特征利用困难、像素块分割定位精细度差、实时性差的问题。而通过迁移学习直接利用语义分割网络则存在提取特征针对性不强,区分能力差的问题,并且易将比例少的区域误识别为异常。
发明内容
为解决上述技术问题,本发明提供了一种用于表面异常区域像素级分割的多任务检测方法,以达到提高了异常检测的分割精细程度与实时性,提高了异常检测的准确率的目的。
为达到上述目的,本发明的技术方案如下:
一种用于表面异常区域像素级分割的多任务检测方法,包括如下步骤:
步骤一,获取图像数据集,并对其中已知异常进行像素级标注,如果无法获取到足够异常样本,则生成随机初始点、随机面积的随机噪声作为异常;
步骤二,构建多任务异常检测网络模型,其包括已知异常检测分支D和未知异常检测分支S,已知异常检测分支D用于检测图像中的已知异常或噪声,未知异常检测分支S用于检测图像中可能存在的未知异常;
步骤三,根据预构建的多任务优化目标,通过图像数据集对多任务异常检测网络模型进行训练,得到最终的异常检测网络模型,其中多任务优化目标包含像素级分类损失函数和紧凑性损失函数;
步骤四,将待检测图像输入异常检测网络模型中,合并已知异常检测分支D与未知异常检测分支S的输出,实现图像异常区域像素级分割的检测。
上述方案中,所述已知异常检测分支D使用特征金字塔结构或跨层连接融合主干网络不同层级特征训练已知异常或随机噪声的定位。
上述方案中,所述未知异常检测分支S仅使用无异常、无噪声的正常区域特征用于训练,未知异常检测分支S提取主干网络不同层级的特征用于增大正常区域特征紧凑性与正常/异常区域间的差异性。
上述方案中,步骤三中,对多任务异常检测网络模型进行训练的方法如下:
使用卷积神经网络作为主干网络提取特征,将提取出的特征分别输入到已知异常检测分支D与未知异常检测分支S中进行训练,未知异常检测分支S提取网络中间层特征,并对中间层中正常与异常区域的特征加以约束,损失函数lossCompact计算如下:
进一步的技术方案中,特征中心随机初始化,并在网络更新中学习,其更新方程为:
其中,Δci表示特征中心ci的增量。
进一步的技术方案中,在未知异常检测分支S训练时通过排序加权的方式增强对数量较少区域的学习,具体是通过对损失函数值排序后,对排序靠前的区域置更高的权重的方式,异常与噪声区域权重置0或忽略。
上述方案中,步骤四中,在检测阶段,未知异常检测分支S与已知异常检测分支D共享特征提取部分,其中未知异常检测分支S提取中间层特征后直接将不同维度的特征相加,采用二值化的方式得到该分支的输出;最终输出通过合并未知异常检测分支S与已知异常检测分支D的输出得到。
进一步的技术方案中,最终输出方法具体如下:
当已知异常检测分支D采用已获取到的异常样本训练时,未知异常检测分支S输出的异常图中与已知异常检测分支D的输出IoU较大的区域被去除,并将已知异常检测分支D的分类与分割结果作为输出;未知异常检测分支S输出的异常图中与已知异常检测分支D的输出IoU较小的区域被识别为可能存在的未知异常;
当已知异常检测分支D采用正常样本添加随机噪声后获取到的样本训练时,将已知异常检测分支D与未知异常检测分支S的输出直接合并为最终输出,即可能存在的未知异常。
上述方案中,步骤二中,使用卷积神经网络模型Yolact-MultiTask作为多任务异常检测网络模型,其主干网络使用ResNet50,包含卷积层Conv1~Conv5,输入层特征图大小为batch_size×3×550×550。
进一步的技术方案中,已知异常检测分支D通过特征金字塔FPN融合各层特征得到P3~P7层;未知异常检测分支S由Conv2层与Conv3层拼接而成,其中,Conv2层输出特征维度为138×138×256,Conv3层输出特征维度为69×69×512,将Conv3层输出双线性插值上采样到138×138与Conv2层输出拼接为138×138×768维特征Compact。
通过上述技术方案,本发明提供的一种用于表面异常区域像素级分割的多任务检测方法具有如下有益效果:
1、本发明创新性地提出了多任务检测方法,实现了图像异常区域的像素级分割,解决了像素块分类方法多尺度信息提取困难、实时性差的问题,提高了异常检测的分割精细程度与实时性。
2、本发明通过多任务学习方式增大正常区域间的相似性,同时通过合适的辅助任务提高了特征的描述性,解决了迁移学习的分割模型区分能力差的问题,提高了异常检测的准确率。
3、本发明通过复用分割网络提高网络对图像特征的提取能力,并通过增大正常区域的紧凑性与正常/异常间的差异提高了中间层特征的区分能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明所公开的一种用于表面异常区域像素级分割的多任务检测方法流程示意图;
图2为本发明实施例所公开的多任务训练的方法流程示意图;
图3为本发明实施例所公开的多任务检测的方法流程示意图;
图4为本发明实施例所公开的卷积神经网络结构示意图;
图5为以mask coefficient为系数线性组合模板mask示意图;
图6a为待检测异常图像;
图6b为检测效果图像。
具体实施方式
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。
本发明提供了一种用于表面异常区域像素级分割的多任务检测方法,实现了微流控芯片图像异常区域的像素级分割。其中微流控芯片是一种在生物化学实验中常用的微纳米结构芯片,如图1所示,包括如下步骤:
步骤一,获取微流控芯片图像数据,并选择已获取的异常进行像素级标注。如果无法获取到异常样本,则通过随机指定初始点、随机生成面积的方式生成异常掩模,然后在异常掩模范围内的每个像素上添加符合高斯分布的噪声。
将每张芯片图像归一化到550×550×3像素尺寸。将其中出现次数最多的异常类别——灰尘用于训练,把仅包含灰尘的图像用于训练,其他类别用于测试。同样可以选择生成的随机噪声用于训练。
步骤二,构建多任务异常检测网络模型,其包括已知异常检测分支D和未知异常检测分支S,已知异常检测分支D用于检测图像中的已知异常或噪声,未知异常检测分支S用于检测图像中可能存在的未知异常;本发明已知异常检测分支D可以采用其他深度学习任务代替,如检测噪声、检测流道等结构、超分等。
具体如下:
以语义分割网络Yolact为基础构建卷积神经网络模型Yolact-MultiTask,其结构如图4所示,其主干网络使用ResNet50,包含卷积层Conv1~Conv5,输入层特征图大小为batch_size×3×550×550。
已知异常检测分支D通过特征金字塔FPN融合各层特征得到P3~P7层。BoundingBox预测头提取FPN中P3~P7层的特征并在预设的每个Anchor的基础上生成Bounding Box、置信分数与mask coefficient的预测值,其中Anchor为针对P3~P7每个栅格生成的尺度分别为24/48/96/192/384的矩形,每个栅格生成纵横比为[1,1/2,2]的三个Anchor;生成的Bounding Box预测值由中心位置(x,y)与高宽(h,w)组成;生成的mask coefficient为k个范围在(-1,1)内的系数,其被用于组合Protonet输出的模板mask;置信分数由L个预测值组成,分别代表该Anchor为某个类别的概率,其中L为类别总数,在本实施例内L为1,表示灰尘。
再通过非极大值抑制NMS合并相近的Bounding Box得到Bounding Box预测头最终的输出。由全卷积层组成的Protonet预测头接受P3层作为输入,并生成k个模板mask,然后以k个mask coefficient作为系数线性组合k个模板mask,如图5。再将组合结果Sigmoid非线性化,然后使用Bounding Box进行裁剪得到最终的mask预测。
未知异常检测分支S由Conv2层与Conv3层拼接而成,其中Conv2层输出特征维度为138×138×256,Conv3层输出特征维度为69×69×512,将Conv3层输出双线性插值上采样到138×138与Conv2层输出拼接为138×138×768维特征Compact。原输入图像尺寸为550×550,对应到138×138维特征图,比例系数约为4。
步骤三,根据预构建的多任务优化目标,通过图像数据集对多任务异常检测网络模型进行训练,得到最终的异常检测网络模型,其中多任务优化目标包含像素级分类损失函数和紧凑性损失函数;如图2所示,训练的方法如下:
使用卷积神经网络作为主干网络提取特征,将提取出的特征分别输入到已知异常检测分支D与未知异常检测分支S中进行训练,未知异常检测分支S提取网络中间层特征,并对中间层中正常与异常区域的特征加以约束,本实施例共包含四种损失函数,分别为:
(1)Bounding Box类别置信度损失函数,该损失函数在本实施例中用于辅助像素级分类损失函数,采用Softmax损失函数;
(2)Bounding Box回归损失函数,该损失函数在本实施例中用于辅助像素级分类损失函数,采用Smooth-L1损失函数;
(3)像素级分类损失函数,通过mask预测与已知异常的像素级标注计算得来,该损失函数使得mask预测输出每个像素的类别,进而实现像素级分割,在本实施例中采用二分类交叉熵损失函数;
(4)紧凑性损失函数,分别采用Conv2层与Conv3层的输出计算,如下式:
特征中心随机初始化,并在网络更新中学习,其更新方程为:
其中,Δci表示特征中心ci的增量。
在未知异常检测分支S训练时通过排序加权的方式增强对数量较少区域的学习,具体是通过对损失函数值排序后,对排序靠前的区域置更高的权重的方式,异常与噪声区域权重置0或忽略。具体为:对前0.5%的损失函数值乘100,前1%-0.5%的损失函数值乘10,其余区域损失函数值不变。
网络模型在常见深度学习框架上构建,训练样本分批次输入模型,模型中所有权值通过ImageNet预训练模型初始化。采用SGD优化器更新权值。
步骤四,将待检测图像输入异常检测网络模型中,如图3所示,合并已知异常检测分支D与未知异常检测分支S的输出,实现图像异常区域像素级分割的检测。
利用测试集样本对训练完毕的模型进行测试,模型输出包含两个分支:已知异常检测分支D与未知异常检测分支S。
已知异常检测分支D采用Bounding Box预测头与Protonet预测头的输出合成而来,通过Bounding Box预测头的mask coefficient系数,线性组合Protonet预测头输出的模板mask,然后通过Bounding Box裁剪获得最终输出的mask。
未知异常检测分支S将Conv3层输出双线性插值上采样后与Conv2层拼接获得138×138×768维特征Compact,将768维特征相加求和,阈值分割二值化后输出尺寸为138×138的异常图。
未知异常检测分支S输出的异常图的图像处理,包括:
S1:去除像素数量小于3的像素噪声;
S2:利用区域生长算法合并被误分割为多块的异常;
S3:合并已知异常检测分支D与未知异常检测分支S的结果,去除与已知异常检测分支IoU>0.5的未知异常,将与已知异常IoU>0.5的未知异常视为已知异常,并将其余未知异常输出为未知异常。异常图像如图6a所示,检测结果如图6b所示。
以下为具体异常区域分割效果评价和算法实时性评价,以微流控芯片图像异常检测数据集为例。
本发明与其他方法的分割效果与时间对比见表1,其中对比方法为PereraPramuditha等在《Learning Deep Features for One-Class Classification》提出的异常检测方法,并通过先超像素分割后再分类的方式应用到分割任务中。
表1分割性能与时间比较
如表1所示,可以发现本发明的分割效果显著强于其他异常检测方法,并且在检测时间上存在优势。
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,在其它实施例中实现。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 (8)
1.一种用于表面异常区域像素级分割的多任务检测方法,其特征在于,包括如下步骤:
步骤一,获取图像数据集,并对其中已知异常进行像素级标注,如果无法获取到足够异常样本,则生成随机初始点、随机面积的随机噪声作为异常;
步骤二,构建多任务异常检测网络模型,其包括已知异常检测分支D和未知异常检测分支S,已知异常检测分支D用于检测图像中的已知异常或噪声,未知异常检测分支S用于检测图像中可能存在的未知异常;
步骤三,根据预构建的多任务优化目标,通过图像数据集对多任务异常检测网络模型进行训练,得到最终的异常检测网络模型,其中多任务优化目标包含像素级分类损失函数和紧凑性损失函数;
步骤四,将待检测图像输入异常检测网络模型中,合并已知异常检测分支D与未知异常检测分支S的输出,实现图像异常区域像素级分割的检测;
步骤三中,对多任务异常检测网络模型进行训练的方法如下:
使用卷积神经网络作为主干网络提取特征,将提取出的特征分别输入到已知异常检测分支D与未知异常检测分支S中进行训练,未知异常检测分支S提取网络中间层特征,并对中间层中正常与异常区域的特征加以约束,损失函数lossCompact计算如下:
特征中心随机初始化,并在网络更新中学习,其更新方程为:
其中,Δci表示特征中心ci的增量。
2.根据权利要求1所述的一种用于表面异常区域像素级分割的多任务检测方法,其特征在于,所述已知异常检测分支D使用特征金字塔结构或跨层连接融合主干网络不同层级特征训练已知异常或随机噪声的定位。
3.根据权利要求1所述的一种用于表面异常区域像素级分割的多任务检测方法,其特征在于,所述未知异常检测分支S仅使用无异常、无噪声的正常区域特征用于训练,未知异常检测分支S提取主干网络不同层级的特征用于增大正常区域特征紧凑性与正常/异常区域间的差异性。
4.根据权利要求1所述的一种用于表面异常区域像素级分割的多任务检测方法,其特征在于,在未知异常检测分支S训练时通过排序加权的方式增强对数量较少区域的学习,具体是通过对损失函数值排序后,对排序靠前的区域置更高的权重的方式,异常与噪声区域权重置0或忽略。
5.根据权利要求1所述的一种用于表面异常区域像素级分割的多任务检测方法,其特征在于,步骤四中,在检测阶段,未知异常检测分支S与已知异常检测分支D共享特征提取部分,其中未知异常检测分支S提取中间层特征后直接将不同维度的特征相加,采用二值化的方式得到该分支的输出;最终输出通过合并未知异常检测分支S与已知异常检测分支D的输出得到。
6.根据权利要求5所述的一种用于表面异常区域像素级分割的多任务检测方法,其特征在于,最终输出方法具体如下:
当已知异常检测分支D采用已获取到的异常样本训练时,未知异常检测分支S输出的异常图中与已知异常检测分支D的输出IoU较大的区域被去除,并将已知异常检测分支D的分类与分割结果作为输出;未知异常检测分支S输出的异常图中与已知异常检测分支D的输出IoU较小的区域被识别为可能存在的未知异常;
当已知异常检测分支D采用正常样本添加随机噪声后获取到的样本训练时,将已知异常检测分支D与未知异常检测分支S的输出直接合并为最终输出,即可能存在的未知异常。
7.根据权利要求1所述的一种用于表面异常区域像素级分割的多任务检测方法,其特征在于,步骤二中,使用卷积神经网络模型Yolact-MultiTask作为多任务异常检测网络模型,其主干网络使用ResNet50,包含卷积层Conv1~Conv5,输入层特征图大小为batch_size×3×550×550。
8.根据权利要求7所述的一种用于表面异常区域像素级分割的多任务检测方法,其特征在于,已知异常检测分支D通过特征金字塔FPN融合各层特征得到P3~P7层;未知异常检测分支S由Conv2层与Conv3层拼接而成,其中,Conv2层输出特征维度为138×138×256,Conv3层输出特征维度为69×69×512,将Conv3层输出双线性插值上采样到138×138与Conv2层输出拼接为138×138×768维特征Compact。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536795.XA CN112669274B (zh) | 2020-12-23 | 2020-12-23 | 一种用于表面异常区域像素级分割的多任务检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536795.XA CN112669274B (zh) | 2020-12-23 | 2020-12-23 | 一种用于表面异常区域像素级分割的多任务检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669274A CN112669274A (zh) | 2021-04-16 |
CN112669274B true CN112669274B (zh) | 2022-06-17 |
Family
ID=75408150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011536795.XA Active CN112669274B (zh) | 2020-12-23 | 2020-12-23 | 一种用于表面异常区域像素级分割的多任务检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669274B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240968A (zh) * | 2021-12-17 | 2022-03-25 | 联通(上海)产业互联网有限公司 | 一种分割图像中异常区域的自监督深度学习算法 |
CN114519696B (zh) * | 2021-12-31 | 2022-11-29 | 扬州盛强薄膜材料有限公司 | 基于光学智能化的pvc热收缩膜检测方法及系统 |
CN117437208B (zh) * | 2023-11-10 | 2024-08-13 | 北京交通大学 | 使用多传感器融合的轨道异常检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110558971A (zh) * | 2019-08-02 | 2019-12-13 | 苏州星空大海医疗科技有限公司 | 基于单目标及多目标的生成对抗网络心电图异常检测方法 |
CN110853069A (zh) * | 2019-10-09 | 2020-02-28 | 上海眼控科技股份有限公司 | 一种用于车辆外观分割的神经网络模型构建方法与系统 |
CN111223093A (zh) * | 2020-03-04 | 2020-06-02 | 武汉精立电子技术有限公司 | 一种aoi缺陷检测方法 |
CN111445484A (zh) * | 2020-04-01 | 2020-07-24 | 华中科技大学 | 一种基于图像级标注的工业图像异常区域像素级分割方法 |
CN111985317A (zh) * | 2020-07-10 | 2020-11-24 | 上海富洁科技有限公司 | 用于道路智能清扫的路面清洁度评估方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789912B (zh) * | 2016-11-22 | 2020-02-21 | 清华大学 | 基于分类回归决策树的路由器数据平面异常行为检测方法 |
CN110991220B (zh) * | 2019-10-15 | 2023-11-07 | 京东科技信息技术有限公司 | 禽蛋检测、图像处理方法,装置、电子设备及存储介质 |
CN111444969B (zh) * | 2020-03-30 | 2022-02-01 | 西安交通大学 | 一种弱监督的ivoct图像异常区域检测方法 |
CN112085728B (zh) * | 2020-09-17 | 2022-06-21 | 哈尔滨工程大学 | 一种海底管道及泄漏点检测方法 |
-
2020
- 2020-12-23 CN CN202011536795.XA patent/CN112669274B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110558971A (zh) * | 2019-08-02 | 2019-12-13 | 苏州星空大海医疗科技有限公司 | 基于单目标及多目标的生成对抗网络心电图异常检测方法 |
CN110853069A (zh) * | 2019-10-09 | 2020-02-28 | 上海眼控科技股份有限公司 | 一种用于车辆外观分割的神经网络模型构建方法与系统 |
CN111223093A (zh) * | 2020-03-04 | 2020-06-02 | 武汉精立电子技术有限公司 | 一种aoi缺陷检测方法 |
CN111445484A (zh) * | 2020-04-01 | 2020-07-24 | 华中科技大学 | 一种基于图像级标注的工业图像异常区域像素级分割方法 |
CN111985317A (zh) * | 2020-07-10 | 2020-11-24 | 上海富洁科技有限公司 | 用于道路智能清扫的路面清洁度评估方法 |
Non-Patent Citations (2)
Title |
---|
Learning Deep Features for One-Class Classification;Pramuditha Perera et al.;《IEEE Transactions on Image Processing》;20191130;第28卷(第11期);正文第1章、第3章 * |
YOLACT:Real-time Instance Segmentation;Daniel Bolya et al.;《2019 IEEE/CVF International Conference on Computer Vision (ICCV)》;20200227;正文第3-5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN112669274A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112669274B (zh) | 一种用于表面异常区域像素级分割的多任务检测方法 | |
CN112183788B (zh) | 一种域自适应设备运检系统和方法 | |
Xiao et al. | Surface defect detection using image pyramid | |
CN114841972B (zh) | 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法 | |
CN114972213A (zh) | 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法 | |
CN114372968B (zh) | 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 | |
CN111798409A (zh) | 一种基于深度学习的pcb缺陷数据生成方法 | |
CN113610822A (zh) | 一种基于多尺度信息融合的表面缺陷检测方法 | |
CN111382785A (zh) | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 | |
CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
CN116342894B (zh) | 基于改进YOLOv5的GIS红外特征识别系统及方法 | |
CN112488229A (zh) | 一种基于特征分离和对齐的域自适应无监督目标检测方法 | |
Kim et al. | An oversampling method for wafer map defect pattern classification considering small and imbalanced data | |
CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统 | |
CN112819837A (zh) | 一种基于多源异构遥感影像的语义分割方法 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN114170511A (zh) | 基于Cascade RCNN的路面裂缝病害识别方法 | |
CN116030361A (zh) | 一种基于cim-t架构的高分辨率影像变化检测方法 | |
CN112329771A (zh) | 一种基于深度学习的建筑材料样本识别方法 | |
CN117522871B (zh) | 基于视觉图像交互的半导体晶圆检测方法及系统 | |
Kumari et al. | YOLOv8 Based Deep Learning Method for Potholes Detection | |
CN111882545B (zh) | 基于双向信息传递及特征融合的织物疵点检测方法 | |
CN117495825A (zh) | 一种变电站塔杆异物检测方法 | |
JP3020973B2 (ja) | 画像処理方法 | |
CN116912184B (zh) | 一种基于篡改区域分离和区域约束损失的弱监督深度修复图像篡改定位方法及系统 |
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 |