CN112884709A - 引入注意力机制的yolov3带钢表面缺陷检测与分类方法 - Google Patents
引入注意力机制的yolov3带钢表面缺陷检测与分类方法 Download PDFInfo
- Publication number
- CN112884709A CN112884709A CN202110064801.4A CN202110064801A CN112884709A CN 112884709 A CN112884709 A CN 112884709A CN 202110064801 A CN202110064801 A CN 202110064801A CN 112884709 A CN112884709 A CN 112884709A
- Authority
- CN
- China
- Prior art keywords
- target
- attention
- yolov3
- network
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 47
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 43
- 239000010959 steel Substances 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000007246 mechanism Effects 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 title abstract description 27
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009901 attention process Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000005286 illumination Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (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)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种引入注意力机制的yolov3带钢表面缺陷检测与分类方法,其包括:制作带钢图像缺陷数据集,将数据分为深化痕、浅划痕、孔洞三类;然后构建引入注意力模块的yolov3网络模型,其中注意力模块包含通道注意力与空间注意力两部分;进而利用制作好的带钢缺陷数据集进行训练,然后将网络模型以及训练好的权重文件保存;最后使用保存的模型即权重进行带钢缺陷检测。该算法识别准确率高,能够达到86%以上的正确率,与原版yolov3网络相比准确率提高5%;检测帧率大,可以实现45fps的检测速度,并且外界光照影响小,能够满足工业检测需求。
Description
技术领域
本发明属于计算机技术领域中的目标检测技术,具体涉及一种引入注意力机制的yolov3带钢表面缺陷检测与分类方法。
背景技术
带钢作为在钢铁工业上的一种重要产品,现如今已被广泛应用在电子电气、机械制造、航空航天工业等领域,所以带钢表面质量的好坏是决定其产品品质的一个必要指标。但由于在带钢生产过程中,会受到生产线上的机械设备、每项加工手法、还有不同生产空间环境等多方面影响,所以带钢表面质量就会出现边浪、夹杂、孔洞、划伤、污渍等各种各样的缺陷,而这些缺陷会严重影响带钢产品的质量。因此,如何高效、准确的检测出钢板带表面出现的缺陷,成为提高钢板带产品质量所需解决的问题,并具有重要的理论研究价值。
传统带钢缺陷检测一般分为两种方法,一种是依靠人工肉眼检测,这种方法过于依赖检验员的主观意识,从而降低可信度。另一种方法是依靠机器视觉系统以及传统图像处理方法,这种方法对环境要求极高,过于依赖稳定可靠的光线环境,而且传统图像处理算法高度定制化,即使设备出现微小偏移也会大大影响检测结果。
随着计算机的普及,硬件设备性能的提高,深度学习又一次在业界被广泛提及,因其能在传统的识别任务上显著提高准确率,彰显出高超的处理复杂任务的能力。许多领域的学者尝试利用深度学习来解决实际问题,其中基于深度学习的目标检测方法被广泛应用于视频处理,自动驾驶等领域,而在传统工业领域应用比较少,本文提出一种引入注意力机制的yolov3的带钢表面缺陷检测与分类方法。该算法具有识别速度快对环境依赖小的优点。
发明内容
本发明的目的是在减少环境依赖的情况下快速准确的进行带钢缺陷检测以及缺陷分类,将注意力机制于目标检测技术相结合,形成一个更加完善有效的检测方法,从而提高工业生产效率。
本发明克服了现有技术中的缺点,提供一种引入注意力机制的yolov3的带钢表面缺陷检测与分类方法。通过分析传统图像处理方法严重依赖环境,泛化能力弱等问题,以及现有目标检测方法识别效率低等问题,提出基于注意力机制和yolov3结合的方式,通过在yolov3的特征提取网络中引入多个注意力模块,使特征提取网络具有全局感受野,提高整个模型的表达能力,增加识别准确率。该算法识别准确率高,能够达到86%以上的正确率,与原版yolov3网络相比准确率提高5%,检测帧率大,可以实现45fps的检测速度,并且外界光照影响小,能够满足工业检测需求。
为了解决上述存在的技术问题,本发明提出如下技术方案:一种基于注意力机制和yolov3的带钢表面缺陷检测与分类方法,其包括如下步骤:
S1、首先制作带钢图像缺陷数据集,本数据集将缺陷分为深化痕、浅划痕和孔洞三类,每类3000张,得到标注的xml文件;
S2、构建包括卷积网络、特征提取网络和边界预测网络在内的yolov3模型,所述卷积网络包括53个1×1和3×3的卷积层,各卷积层后设有归一化层,对上层结果进行归一化,如式(1):
各卷积层后还设有激活层,激活函数为LeakyReLU:
其中,LeakyReLU(x'(k))指第k层权重经过函数计算的结果,x'(k)指第k层权重,a为(1,+∞)的固定值,该函数能防止在输入为负值的情况下神经元不更新参数;
所述特征提取网络使用ResNet18作为主干网络,使用卷积网络中大小分别是52、26和13三个特征层进行边框的预测;
在所述特征提取网络下方引入一种注意力模块,该模块包括通道注意力和空间注意力,通道注意力的过程为式(6):
Mc(F)=σ(MLP(AvgPool(F))+MLP(MaxPool(F))) (6)
其中,MC(F)表示特征经过并联池化并输入多层感知机后得到的通道注意力特征、σ表示标准差、MLP表示多层感知机、AvgPool表示平均池化操作、MaxPool表示最大池化操作、F表示输入特征;
空间注意力过程为式(7):
Ms(F)=σ(f7×7(AvgPool(F);MaxPool(F)]) (7)
其中,MS(F)表示通道注意力特征经过串联池化并输入卷积后得到的空间注意力特征;
S3、使用构建好的带钢缺陷数据集进行迭代训练,生成并保存权重文件。
优选地,构建yolov3模型后,设置yolov3网络的损失函数,损失函数包括目标定位偏移量损失、目标置信度损失和目标分类损失,其中,目标定位偏移量损失采用真实偏差值与预测偏差值差的平方和Lloc,如式(3):
目标类别损失采用二值交叉熵损失,如式(4):
其中,Lcla(O,C)表示目标分类损失,Oij表示预测目标边界框i中是否真实存在第j类目标,0表示不存在,1表示存在,表示网络预测目标边界框i内存在第j类目标的Sigmoid概率,由预测值通过Sigmoid函数得到;
目标置信度损失为预测目标矩形框内存在目标的概率,采用的是二值交叉熵损失,如式(5):
优选地,在所述边界预测网络中,三个特征图中分别通过(4+1+c)×k个大小为1×1的卷积核进行卷积预测,k为预设边界框的个数,c为预测目标的类别数,其中4×k个参数负责预测目标边界框的偏移量,k个参数负责预测目标边界框内包含目标的概率,c×k个参数负责预测这k个预设边界框对应c个目标类别的概率。
优选地,所述卷积层、归一化层、LeakyReLU拼接组成后作为卷积集合。
优选地,通道注意力包括并联而成的最大池化层和平均池化层,空间注意力由最大池化层和平均池化层串联而成。
优选地,使用工厂生产线实际采集图片,制作带钢缺陷数据集。
与现有技术相比,本发明具有以下有益效果:
(1)相比于传统算法,本发明对光照依赖较小,使用普通环境光即可,极端光照环境也能正常工作;
(2)相比于传统算法,本发明对于背景要求低,在复杂背景下同样可以工作;
(3)与普通yolov3相比,本发明引入注意力机制,检测准确度提高5%;
(4)与普通yolov3相比,本发明检测帧率达到45fps的检测速度,可以实时运行。
附图说明
图1(a)为本发明的带钢表面浅划痕的缺陷图;
图1(b)为本发明的带钢表面深化痕的缺陷图;
图1(c)为本发明的带钢表面孔洞的缺陷图;
图2为本发明的改进yolov3结构图;
图3为本发明的注意力模块模型图;
图4为本发明的注意力可视化结果图;
图5为本发明的检测结果图;
图6为本发明的训练准确率图;
图7为本发明的运行帧率图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的为,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
下面结合附图与具体实施方式对本发明提出的引入注意力机制的yolov3带钢表面缺陷检测与分类方法及检测装置作进一步详细说明。
一种引入注意力机制的yolov3带钢表面缺陷检测与分类方法,具体过程包括如下步骤:
S1、首先制作带钢图像缺陷数据集,带钢缺陷图像如图1所示,本数据集将缺陷分为三类,深化痕、浅划痕、孔洞,缺陷图像各3000张,共计9000张,得到标注好的xml文件。
S2、构建yolov3模型,如图2所示,此模型包括卷积网络、特征提取网络和边界预测网络三部分,卷积网络主要是由53个1×1和3×3的卷积层组成,每个卷积层后都会跟一个归一化层和一个激活层激活函数均为LeakyReLU的函数,归一化层的作用是对上层结果进行归一化,如公式(1):
LeakyReLU层的作用是防止在输入为负值的情况下神经元不更新参数。如公式(2):
其中,LeakyReLU(x'(k))指第k层权重经过函数计算的结果,x'(k)指第k层权重,a为(1,+∞)的固定值,本实验中取12。
特征提取网络使用ResNet18作为主干网络,使用卷积网络中大小分别是52、26和13三个特征层进行边框的预测,其中上采样是指用线性插值的方法将图像扩大两倍。卷积集合是指卷积层、归一化层、LeakyReLU拼接组成的集合。
边界预测网络,三个特征图中分别通过(4+1+c)×k个大小为1×1的卷积核进行卷积预测,k为预设边界框的个数,k默认取3,c为预测目标的类别数,取值为缺陷种类,即3类,其中4×k个参数负责预测目标边界框的偏移量,k个参数负责预测目标边界框内包含目标的概率,c×k个参数负责预测这k个预设边界框对应c个目标类别的概率。
然后需要设置yolov3网络的损失函数,损失函数主要分为三个部分:目标定位偏移量损失、目标置信度损失、目标分类损失。其中目标定位偏移量损失采用真实偏差值与预测偏差值差的平方和Lloc,如公式(3):
目标类别损失采用的是二值交叉熵损失,如公式(4):
其中,Lcla(O,C)表示目标分类损失,Oij表示预测目标边界框i中是否真实存在第j类目标,0表示不存在,1表示存在。表示网络预测目标边界框i内存在第j类目标的Sigmoid概率,由预测值通过Sigmoid函数得到。
目标置信度损失指的是预测目标矩形框内存在目标的概率,采用的是二值交叉熵损失,如公式(5):
其中,Lconf(O,C)表示目标偏移量损失,Oi表示预测目标边界框i中是否真实存在目标,0表示不存在,1表示存在。表示预测目标矩形框i内是否存在目标的Sigmoid概率将预测值通过Sigmoid函数得到。
然后需要构建注意力网络模块,如图3所示,注意力模块主要包含两个部分,即通道注意力部分和空间注意力部分,其中在通道注意力模块中先分别做最大池化和平均池化两个操作,得到的结果分别投入多层感知机MLP中,分别得到输出1和输出2,将这两个输出进行元素加和然后进入激活层进行激活,加和操作以表示,生成空间注意力模块需要的特征。这个过程可由下式进行表示:
Mc(F)=σ(MLP(AvgPool(F))+MLP(MaxPool(F))) (6)
其中,σ表示标准差,MLP表示多层感知机,AvgPool表示平均池化操作,MaxPool表示最大池化操作,F表示输入特征,Mc(F)表示特征经过并联池化并输入多层感知机后得到的通道注意力特征。
空间注意力部分为将最大池化结果和平均池化结果拼接,然后进行卷积操作,降维成单通道,再经过激活层激活得到最终输出特征。这个过程可由下式表示:
Ms(F)=σ(f7×7(AvgPool(F);MaxPool(F)]) (7)
其中,MS(F)表示通道注意力特征经过串联池化并输入卷积后得到的空间注意力特征。
在yolov3特征提取网络的最后连接一个注意力模块,可以有效的增加模型的特征提取能力,将加入注意力模块的特征提取结果进行可视化,如图4所示,可以发现在缺陷附近特征提取更加密集,周围部分特征提取数量降低。
S3、构建完网络模型后需要进行迭代训练,本次实验进行1000轮训练,得到训练集正确率达到98%,验证集准确率达到86%,而原版yolov3网络模型在训练集正确率为96%,验证集准确率只有81%,在引入注意力模块后精度提高5%左右。
本发明的实例在8.0G内存,64位操作系统,Intel CORE i5-8300H,2.3GHz处理器的计算机上进行仿真实验,带钢图像为416*416,输入一张带钢缺陷图查看缺陷检测效果,检查结果如图5所示,深化痕、浅划痕缺陷均得到标识。
本发明定义了三种带钢缺陷类别,利用基于yolov3目标识别框架将三种带钢缺陷进行识别和分类,并在yolov3框架中引入了注意力模型,进一步提高了识别准确率,通过图6所示的训练准确率曲线看出验证集正确率达到86%以上。检测帧率如图7所示可以实现45fps的检测速度;并且外界光照影响小,能够满足工业检测需求。
以上所述各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应该理解:其依然能对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种引入注意力机制的yolov3带钢表面缺陷检测与分类方法,其特征在于,其包括如下步骤:
S1、首先制作带钢图像缺陷数据集,本数据集将缺陷分为深化痕、浅划痕和孔洞三类,每类3000张,得到标注的xml文件;
S2、构建包括卷积网络、特征提取网络和边界预测网络在内的yolov3模型,所述卷积网络包括53个1×1和3×3的卷积层,各卷积层后设有归一化层,对上层结果进行归一化,如式(1):
各卷积层后还设有激活层,激活函数为LeakyReLU:
其中,LeakyRe LU(x′(k))指第k层权重经过函数计算的结果,x′(k)指第k层权重,a为(1,+∞)的固定值,该函数能防止在输入为负值的情况下神经元不更新参数;
所述特征提取网络使用ResNet18作为主干网络,使用卷积网络中大小分别是52、26和13三个特征层进行边框的预测;
在所述特征提取网络下方引入一种注意力模块,该模块包括通道注意力和空间注意力,通道注意力的过程为式(6):
Mc(F)=σ(MLP(AvgPool(F))+MLP(MaxPool(F))) (6)
其中,MC(F)表示特征经过并联池化并输入多层感知机后得到的通道注意力特征、σ表示标准差、MLP表示多层感知机、AvgPool表示平均池化操作、MaxPool表示最大池化操作、F表示输入特征;
空间注意力过程为式(7):
Ms(F)=σ(f7×7(AvgPool(F);MaxPool(F)]) (7)
其中,Ms(F)表示通道注意力特征经过串联池化并输入卷积后得到的空间注意力特征;
S3、使用构建好的带钢缺陷数据集进行迭代训练,生成并保存权重文件。
2.根据权利要求1所述的引入注意力机制的yolov3带钢表面缺陷检测与分类方法,其特征在于,构建yolov3模型后,设置yolov3网络的损失函数,损失函数包括目标定位偏移量损失、目标置信度损失和目标分类损失,其中,目标定位偏移量损失采用真实偏差值与预测偏差值差的平方和L1oc,如式(3):
目标类别损失采用二值交叉熵损失,如式(4):
目标置信度损失为预测目标矩形框内存在目标的概率,采用的是二值交叉熵损失,如式(5):
3.根据权利要求2所述的引入注意力机制的yolov3带钢表面缺陷检测与分类方法,其特征在于,在所述边界预测网络中,三个特征图中分别通过(4+1+c)×k个大小为1×1的卷积核进行卷积预测,k为预设边界框的个数,c为预测目标的类别数,其中4×k个参数负责预测目标边界框的偏移量,k个参数负责预测目标边界框内包含目标的概率,c×k个参数负责预测这k个预设边界框对应c个目标类别的概率。
4.根据权利要求1所述的引入注意力机制的yolov3带钢表面缺陷检测与分类方法,其特征在于,所述卷积层、归一化层、LeakyRe LU拼接组成后作为卷积集合。
5.根据权利要求1所述的引入注意力机制的yolov3带钢表面缺陷检测与分类方法,其特征在于,通道注意力包括并联而成的最大池化层和平均池化层,空间注意力由最大池化层和平均池化层串联而成。
6.根据权利要求1所述的引入注意力机制的yolov3带钢表面缺陷检测与分类方法,其特征在于,使用工厂生产线实际采集图片,制作带钢缺陷数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064801.4A CN112884709A (zh) | 2021-01-18 | 2021-01-18 | 引入注意力机制的yolov3带钢表面缺陷检测与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064801.4A CN112884709A (zh) | 2021-01-18 | 2021-01-18 | 引入注意力机制的yolov3带钢表面缺陷检测与分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884709A true CN112884709A (zh) | 2021-06-01 |
Family
ID=76049159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110064801.4A Pending CN112884709A (zh) | 2021-01-18 | 2021-01-18 | 引入注意力机制的yolov3带钢表面缺陷检测与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884709A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327243A (zh) * | 2021-06-24 | 2021-08-31 | 浙江理工大学 | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 |
CN113838208A (zh) * | 2021-09-02 | 2021-12-24 | 桂林电子科技大学 | 基于改进残差收缩网络的带钢缺陷检测方法 |
CN113870265A (zh) * | 2021-12-03 | 2021-12-31 | 绵阳职业技术学院 | 一种工业零件表面缺陷检测方法 |
CN114897778A (zh) * | 2022-04-08 | 2022-08-12 | 成都唐源电气股份有限公司 | 一种刚性汇流排缺陷检测方法及装置 |
CN115439436A (zh) * | 2022-08-31 | 2022-12-06 | 成都建工第七建筑工程有限公司 | 一种建筑结构多类型质量缺陷移动感知系统 |
CN116402763A (zh) * | 2023-03-16 | 2023-07-07 | 西南石油大学 | 一种引入注意力机制的YOLOv7热轧带钢表面缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826588A (zh) * | 2019-08-29 | 2020-02-21 | 天津大学 | 一种基于注意力机制的排水管道缺陷检测方法 |
CN111191739A (zh) * | 2020-01-09 | 2020-05-22 | 电子科技大学 | 一种基于注意力机制的墙面缺陷检测方法 |
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
CN111681240A (zh) * | 2020-07-07 | 2020-09-18 | 福州大学 | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 |
CN112232199A (zh) * | 2020-10-15 | 2021-01-15 | 燕山大学 | 基于深度学习的佩戴口罩检测方法 |
-
2021
- 2021-01-18 CN CN202110064801.4A patent/CN112884709A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826588A (zh) * | 2019-08-29 | 2020-02-21 | 天津大学 | 一种基于注意力机制的排水管道缺陷检测方法 |
CN111191739A (zh) * | 2020-01-09 | 2020-05-22 | 电子科技大学 | 一种基于注意力机制的墙面缺陷检测方法 |
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
CN111681240A (zh) * | 2020-07-07 | 2020-09-18 | 福州大学 | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 |
CN112232199A (zh) * | 2020-10-15 | 2021-01-15 | 燕山大学 | 基于深度学习的佩戴口罩检测方法 |
Non-Patent Citations (2)
Title |
---|
吴喆: ""基于深度学习的动态背景下航道船舶检测识别与跟踪研究"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
张前亮: """基于深度学习的磁环外观缺陷检测方法研究及应用"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327243A (zh) * | 2021-06-24 | 2021-08-31 | 浙江理工大学 | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 |
CN113327243B (zh) * | 2021-06-24 | 2024-01-23 | 浙江理工大学 | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 |
CN113838208A (zh) * | 2021-09-02 | 2021-12-24 | 桂林电子科技大学 | 基于改进残差收缩网络的带钢缺陷检测方法 |
CN113838208B (zh) * | 2021-09-02 | 2024-02-02 | 桂林电子科技大学 | 基于改进残差收缩网络的带钢缺陷检测方法 |
CN113870265A (zh) * | 2021-12-03 | 2021-12-31 | 绵阳职业技术学院 | 一种工业零件表面缺陷检测方法 |
CN114897778A (zh) * | 2022-04-08 | 2022-08-12 | 成都唐源电气股份有限公司 | 一种刚性汇流排缺陷检测方法及装置 |
CN115439436A (zh) * | 2022-08-31 | 2022-12-06 | 成都建工第七建筑工程有限公司 | 一种建筑结构多类型质量缺陷移动感知系统 |
CN116402763A (zh) * | 2023-03-16 | 2023-07-07 | 西南石油大学 | 一种引入注意力机制的YOLOv7热轧带钢表面缺陷检测方法 |
CN116402763B (zh) * | 2023-03-16 | 2024-09-06 | 西南石油大学 | 一种引入注意力机制的YOLOv7热轧带钢表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884709A (zh) | 引入注意力机制的yolov3带钢表面缺陷检测与分类方法 | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN110569738B (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
CN112561910A (zh) | 一种基于多尺度特征融合的工业表面缺陷检测方法 | |
CN109685765B (zh) | 一种基于卷积神经网络的x光片肺炎结果预测装置 | |
CN111738344A (zh) | 一种基于多尺度融合的快速目标检测方法 | |
CN113128558A (zh) | 基于浅层空间特征融合与自适应通道筛选的目标检测方法 | |
CN112115879B (zh) | 一种遮挡敏感的自监督行人重识别方法及系统 | |
CN111325237B (zh) | 一种基于注意力交互机制的图像识别方法 | |
CN117670820B (zh) | 一种塑料薄膜生产缺陷检测方法及系统 | |
CN114418980A (zh) | 印刷线路板缺陷识别的深度学习方法、系统、设备及介质 | |
CN116543261A (zh) | 用于图像识别的模型训练方法、图像识别方法设备及介质 | |
CN117765482B (zh) | 基于深度学习的海岸带垃圾富集区的垃圾识别方法及系统 | |
CN115035082A (zh) | 一种基于YOLOv4改进算法的航空器透明件缺陷检测方法 | |
CN111539931A (zh) | 一种基于卷积神经网络和边界限定优化的外观异常检测方法 | |
CN117456480B (zh) | 一种基于多源信息融合的轻量化车辆再辨识方法 | |
CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
Chen et al. | Real-time defect detection of TFT-LCD displays using a lightweight network architecture | |
CN116977859A (zh) | 基于多尺度图像切割和实例困难度的弱监督目标检测方法 | |
CN117576000A (zh) | 一种基于明场像和暗场像的芯片表面缺陷检测方法 | |
Shishkin et al. | Implementation of yolov5 for detection and classification of microplastics and microorganisms in marine environment | |
CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 | |
CN114529517B (zh) | 基于单样本学习的工业产品缺陷检测方法 | |
CN114998222A (zh) | 汽车差速器壳体表面检测方法、电子设备及介质 | |
CN115631154A (zh) | 一种电力设备状态监控分析方法与系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |