CN113222919A - 基于多分支注意力金字塔结构的工业焊缝缺陷检测方法 - Google Patents

基于多分支注意力金字塔结构的工业焊缝缺陷检测方法 Download PDF

Info

Publication number
CN113222919A
CN113222919A CN202110479718.3A CN202110479718A CN113222919A CN 113222919 A CN113222919 A CN 113222919A CN 202110479718 A CN202110479718 A CN 202110479718A CN 113222919 A CN113222919 A CN 113222919A
Authority
CN
China
Prior art keywords
model
branch attention
branch
image
attention pyramid
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
Application number
CN202110479718.3A
Other languages
English (en)
Inventor
许文达
高忠科
逄文华
安扬
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.)
YANTAI INSTITUTE OF METROLOGY
Tianjin University
Original Assignee
YANTAI INSTITUTE OF METROLOGY
Tianjin University
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 YANTAI INSTITUTE OF METROLOGY, Tianjin University filed Critical YANTAI INSTITUTE OF METROLOGY
Priority to CN202110479718.3A priority Critical patent/CN113222919A/zh
Publication of CN113222919A publication Critical patent/CN113222919A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30152—Solder

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一种基于多分支注意力金字塔结构的工业焊缝缺陷检测方法：对射线探伤底片图像进行预处理；构建卷积神经网络，所述的卷积神经网络为多分支注意力金字塔模型，是由金字塔模型和多分支注意力模型构成，再移入通过迁移学习提取出权重而形成的多分支注意力金字塔模型；对形成的多分支注意力金字塔模型进行训练；用训练好的多分支注意力金字塔模型对需要进行检测的射线底片图像进行测试，将需要进行检测的射线底片图像进行预处理后，输入到训练好的多分支注意力金字塔模型中，多分支注意力金字塔模型的输出类别，作为工业焊缝缺陷检测结果。本发明的方法能够实现对有缺陷的图像快速判别，提高检测效率，质检智能化，节约生产时间成本。

Description

基于多分支注意力金字塔结构的工业焊缝缺陷检测方法
技术领域
本发明涉及一种工业焊缝缺陷检测。特别是涉及一种基于多分支注意力金字塔结构的工业焊缝缺陷检测方法。
背景技术
核电设备与压力容器作为工业系统中的重要设备，其安全运行直接影响工业生产的安全性。虽然其在生产、检查验收以及安装焊接时会采取严格的控制，但是仍然避免不了在材料内部以及焊接连接部位存在内部缺陷。因此，在生产加工时，对工业产品进行缺陷检测十分必要，既可以避免缺陷品流入市场，还可以及时改进工艺流程，提高经济效益。
全球传统工业视觉及其部件的市场规模在2025年将达到192亿美元，其中中国占比约为30％，并保持14％的年度平均增长率，这一领域正在逐步被新一代基于深度学习的工业视觉技术替代。现在工业生产过程中探伤检测多依靠人工判片，耗时费力还存在漏检误检的情况，已有基于深度学习的核电管道表面探伤缺陷检测方法应用于实际生产中，在此基础上，工业焊缝缺陷检测十分必要并同时有非常广阔的市场应用前景。
发明内容
本发明所要解决的技术问题是，提供一种能够提高检测效率，节约成本的基于多分支注意力金字塔结构的工业焊缝缺陷检测方法。
本发明所采用的技术方案是：一种基于多分支注意力金字塔结构的工业焊缝缺陷检测方法，包括如下步骤：
1)对射线探伤底片图像进行预处理；
2)构建卷积神经网络，所述的卷积神经网络为多分支注意力金字塔模型，是由金字塔模型和多分支注意力模型构成，再移入通过迁移学习提取出权重而形成的多分支注意力金字塔模型；
3)对形成的多分支注意力金字塔模型进行训练；
4)用训练好的多分支注意力金字塔模型对需要进行检测的射线底片图像进行测试，将需要进行检测的射线底片图像进行预处理后，输入到训练好的多分支注意力金字塔模型中，多分支注意力金字塔模型的输出类别，作为工业焊缝缺陷检测结果。
步骤1)包括：
(1)获得射线探伤底片图像数据集，对每一张射线探伤底片图像进行亮度与对比度处理；
(2)对数据集中射线探伤图像的种类进行手工标注；
(3)采取数据增强方法对射线探伤底片图像数据集中的每一个图像和标签值做线性插值，得到增强的图像数据集。
第(1)步所述的进行亮度与对比度处理，是对图像的每一个像素点按如下公式进行处理：
G(i,j)＝αf(i,j)+β
其中，f(i,j)表示横坐标为i、纵坐标为j的原像素点，G(i,j)表示横坐标为i、纵坐标为j的处理后的像素点，α为调节图像对比度的系数，α>0，β是增益变量。
步骤2)中所述的金字塔模型分自底向上和自顶向下的两部分，其中，自底向上的部分为特征提取部分由ResNet34构成，自顶向下的部分为特征图上采样层；所述的多分支注意力模型根据空间特征来聚合ResNet34输出的有效特征，对最终缺陷区域的结果进行类别判定输出。
所述的ResNet34模型，卷积层采用3×3的滤波器，对于输出的特征图尺寸相同的卷积层具有相同数量的滤波器；若输出的特征图尺寸缩小一半，滤波器个数加倍以保持每个卷积层的计算复杂度；下采样采用步长为1的卷积层进行，加权层为34层，ResNet34模型以全局平均池化层和具有log_softmax的1维全连接层结束；
所述的特征图上采样层，是通过双线性插值方法得到高分辨率特征图后，再依次采用一个1×1卷积核和一个3×3卷积核进行维度一致的处理，最后再通过跳跃连接分别与ResNet34模型的输出相加。
步骤2)中所述的多分支注意力模型构成，是将维度embSize平均分成n_head份，构成multi-head的self-attention；金字塔模型的输出经self-attention平分后，再依次经过Scaled Dot-Product Attention和concat，最终得到维度不变的输出数据。
步骤2)中所述的通过迁移学习提取出权重迁移到多分支注意力金字塔模型中，是再训练一个端到端的编码解码结构的模型，其中编码器结构使用的是ResNet34模型，解码器是Unet模型，将所述的端到端的编码解码结构的模型在开源的钢铁缺陷分类数据集上进行预训练后，提取出编码器部分的权重迁移到多分支注意力金字塔模型中。
步骤3)所述的训练中，输入为预处理后的射线探伤底片图像数据集中的图像，使用批处理大小设置为16，经过100轮训练，具体是将数据集分成十份，轮流将其中的9份作为训练数据，1份作为测试数据，训练的数据与测试的数据完全没有任何重合，训练的过程中，使用Focal Loss损失函数计算损失值，然后选取Adam优化器对多分支注意力金字塔模型进行优化。
本发明的基于多分支注意力金字塔结构的工业焊缝缺陷检测方法，结合专业评片人员的经验知识与判片习惯，构建带有多分支注意力金字塔模型的卷积神经网络训练方法，对工业焊缝种类进行判定，实现对探伤底片图像中的缺陷种类准确快速检测。本发明的方法可应用于辅助工业生产中判片人员来快速检测缺陷进行分类评定，通过分析数字扫描的探伤底片图像，实现对有缺陷的图像快速判别，提高检测效率，质检智能化，节约生产时间成本。
附图说明
图1是本发明基于多分支注意力金字塔结构的工业焊缝缺陷检测方法的训练流程图；
图2是本发明基于多分支注意力金字塔结构的工业焊缝缺陷检测方法的测试流程图。
具体实施方式
下面结合实施例和附图对本发明的基于多分支注意力金字塔结构的工业焊缝缺陷检测方法做出详细说明。
本发明的基于多分支注意力金字塔结构的工业焊缝缺陷检测方法，包括如下步骤：
1)对射线探伤底片图像进行预处理；包括：
(1)获得射线探伤底片图像数据集，对每一张射线探伤底片图像进行亮度与对比度处理；
原始焊缝图像存在对比度低，灰度值偏小，图像整体偏暗、灰度分布集中等等一系列问题。因此，采取一定的图像增强手段，将原始焊缝图像的灰度范围拓宽。所述的进行亮度与对比度处理，是对图像的每一个像素点按如下公式进行处理：
G(i,j)＝αf(i,j)+β
其中，f(i,j)表示横坐标为i、纵坐标为j的原像素点，G(i,j)表示横坐标为i、纵坐标为j的处理后的像素点，α为调节图像对比度的系数，α>0，β是增益变量。
α能使图像像素成倍数的增长或降低(α<1)，改变的是图像的对比度，因为使图像的差值变化了。β可为负，也可为正，那么任何一个像素都在(0，255)之间，加上一个值或减去一个值则会使这个像素点变大或变小，其实就是向白色或向黑色靠近(0为黑，255为白)，所以改变的是图像的亮度。
(2)对数据集中射线探伤图像的种类进行手工标注；
(3)采取数据增强方法对射线探伤底片图像数据集中的每一个图像和标签值做线性插值，得到增强的图像数据集。
以两张图像为例，设两张图像I1和I2，标签Y1和Y2，融合比例λmix，小样本类别比例θmix，进行如下公式的操作：
I'＝λmixI1+(1-λmix)I2
Y'＝θmixY1+(1-θmix)Y2
其中I'是新数据，Y'是新数据的标签。
2)构建卷积神经网络，所述的卷积神经网络为多分支注意力金字塔模型，是由金字塔模型和多分支注意力模型构成，再移入通过迁移学习提取出权重而形成的多分支注意力金字塔模型；其中，
所述的金字塔模型分自底向上和自顶向下的两部分，其中，自底向上的部分为特征提取部分由ResNet34构成，自顶向下的部分为特征图上采样层；所述的多分支注意力模型根据空间特征来聚合ResNet34输出的有效特征，对最终缺陷区域的结果进行类别判定输出。所述的ResNet34模型，卷积层采用3×3的滤波器，对于输出的特征图尺寸相同的层具有相同数量的滤波器；对于输出的特征图尺寸相同的卷积层具有相同数量的滤波器；若输出的特征图尺寸缩小一半，滤波器个数加倍以保持每个卷积层的计算复杂度。下采样采用步长为1的卷积层进行，加权层为34层，ResNet34模型以全局平均池化层和具有log_softmax的1维全连接层结束；所述的特征图上采样层，是通过双线性插值方法得到高分辨率特征图后，再依次采用一个1×1卷积核和一个3×3卷积核进行维度一致的处理，最后再通过跳跃连接分别与ResNet34模型的输出相加。
线性插值是，已知数据(a0,w0)与(a1,w1)，计算[a0,a1]区间内某一位置a在直线上的w值：
Figure BDA0003048716550000041
Figure BDA0003048716550000042
所述的双线性插值是有两个变量的插值函数的线性插值扩展，主要思想是在两个方向分别进行一次线性插值。例如需要得到未知函数f在点P＝(a,w)的值，假设我们已知函数f在Q11＝(a1,w1)、Q12＝(a1,w2),Q21＝(a2,w1)以及Q22＝(a2,w2)四个点的值。分别在a方向和w方向进行线性插值，得到最后结果：
Figure BDA0003048716550000043
所述的多分支注意力模型构成，是将维度embSize平均分成n_head份，构成multi-head的self-attention；金字塔模型的输出经self-attention平分后，再依次经过ScaledDot-Product Attention和concat，最终得到维度不变的输出数据。
所述的通过迁移学习提取出权重迁移到多分支注意力金字塔模型中，是再训练一个端到端的编码解码结构的模型，其中编码器结构使用的是ResNet34模型，解码器是Unet模型，将所述的端到端的编码解码结构的模型在开源的钢铁缺陷分类数据集上进行预训练后，提取出编码器部分的权重迁移到多分支注意力金字塔模型中。
3)如图1所示，对形成的多分支注意力金字塔模型进行训练；
所述的训练中，输入为预处理后的射线探伤底片图像数据集中的图像，使用批处理大小设置为16，经过100轮训练，具体是将数据集分成十份，轮流将其中的9份作为训练数据，1份作为测试数据，训练的数据与测试的数据完全没有任何重合，训练的过程中，使用Focal Loss损失函数计算损失值，然后选取Adam优化器对多分支注意力金字塔模型进行优化。
4)用训练好的多分支注意力金字塔模型对需要进行检测的射线底片图像进行测试，如图2所示，将需要进行检测的射线底片图像进行预处理后，输入到训练好的多分支注意力金字塔模型中，多分支注意力金字塔模型的输出类别，作为工业焊缝缺陷检测结果。

Claims (8)

1.一种基于多分支注意力金字塔结构的工业焊缝缺陷检测方法，其特征在于，包括如下步骤：
1)对射线探伤底片图像进行预处理；
2)构建卷积神经网络，所述的卷积神经网络为多分支注意力金字塔模型，是由金字塔模型和多分支注意力模型构成，再移入通过迁移学习提取出权重而形成的多分支注意力金字塔模型；
3)对形成的多分支注意力金字塔模型进行训练；
4)用训练好的多分支注意力金字塔模型对需要进行检测的射线底片图像进行测试，将需要进行检测的射线底片图像进行预处理后，输入到训练好的多分支注意力金字塔模型中，多分支注意力金字塔模型的输出类别，作为工业焊缝缺陷检测结果。
2.根据权利要求1所述的基于多分支注意力金字塔结构的工业焊缝缺陷检测方法，其特征在于，步骤1)包括：
(1)获得射线探伤底片图像数据集，对每一张射线探伤底片图像进行亮度与对比度处理；
(2)对数据集中射线探伤图像的种类进行手工标注；
(3)采取数据增强方法对射线探伤底片图像数据集中的每一个图像和标签值做线性插值，得到增强的图像数据集。
3.根据权利要求2所述的基于多分支注意力金字塔结构的工业焊缝缺陷检测方法，其特征在于，第(1)步所述的进行亮度与对比度处理，是对图像的每一个像素点按如下公式进行处理：
G(i,j)＝αf(i,j)+β
其中，f(i,j)表示横坐标为i、纵坐标为j的原像素点，G(i,j)表示横坐标为i、纵坐标为j的处理后的像素点，α为调节图像对比度的系数，α>0，β是增益变量。
4.根据权利要求1所述的基于多分支注意力金字塔结构的工业焊缝缺陷检测方法，其特征在于，步骤2)中所述的金字塔模型分自底向上和自顶向下的两部分，其中，自底向上的部分为特征提取部分由ResNet34构成，自顶向下的部分为特征图上采样层；所述的多分支注意力模型根据空间特征来聚合ResNet34输出的有效特征，对最终缺陷区域的结果进行类别判定输出。
5.根据权利要求4所述的基于多分支注意力金字塔结构的工业焊缝缺陷检测方法，其特征在于，所述的ResNet34模型，卷积层采用3×3的滤波器，对于输出的特征图尺寸相同的卷积层具有相同数量的滤波器；若输出的特征图尺寸缩小一半，滤波器个数加倍以保持每个卷积层的计算复杂度；下采样采用步长为1的卷积层进行，加权层为34层，ResNet34模型以全局平均池化层和具有log_softmax的1维全连接层结束；
所述的特征图上采样层，是通过双线性插值方法得到高分辨率特征图后，再依次采用一个1×1卷积核和一个3×3卷积核进行维度一致的处理，最后再通过跳跃连接分别与ResNet34模型的输出相加。
6.根据权利要求1所述的基于多分支注意力金字塔结构的工业焊缝缺陷检测方法，其特征在于，步骤2)中所述的多分支注意力模型构成，是将维度embSize平均分成n_head份，构成multi-head的self-attention；金字塔模型的输出经self-attention平分后，再依次经过Scaled Dot-Product Attention和concat，最终得到维度不变的输出数据。
7.根据权利要求1所述的基于多分支注意力金字塔结构的工业焊缝缺陷检测方法，其特征在于，步骤2)中所述的通过迁移学习提取出权重迁移到多分支注意力金字塔模型中，是再训练一个端到端的编码解码结构的模型，其中编码器结构使用的是ResNet34模型，解码器是Unet模型，将所述的端到端的编码解码结构的模型在开源的钢铁缺陷分类数据集上进行预训练后，提取出编码器部分的权重迁移到多分支注意力金字塔模型中。
8.根据权利要求1所述的基于多分支注意力金字塔结构的工业焊缝缺陷检测方法，其特征在于，步骤3)所述的训练中，输入为预处理后的射线探伤底片图像数据集中的图像，使用批处理大小设置为16，经过100轮训练，具体是将数据集分成十份，轮流将其中的9份作为训练数据，1份作为测试数据，训练的数据与测试的数据完全没有任何重合，训练的过程中，使用Focal Loss损失函数计算损失值，然后选取Adam优化器对多分支注意力金字塔模型进行优化。
CN202110479718.3A 2021-04-30 2021-04-30 基于多分支注意力金字塔结构的工业焊缝缺陷检测方法 Pending CN113222919A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110479718.3A CN113222919A (zh) 2021-04-30 2021-04-30 基于多分支注意力金字塔结构的工业焊缝缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110479718.3A CN113222919A (zh) 2021-04-30 2021-04-30 基于多分支注意力金字塔结构的工业焊缝缺陷检测方法

Publications (1)

Publication Number Publication Date
CN113222919A true CN113222919A (zh) 2021-08-06

Family

ID=77090423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110479718.3A Pending CN113222919A (zh) 2021-04-30 2021-04-30 基于多分支注意力金字塔结构的工业焊缝缺陷检测方法

Country Status (1)

Country Link
CN (1) CN113222919A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820444A (zh) * 2022-03-21 2022-07-29 东华大学 基于多注意力宽度神经网络模型的混合缺陷识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738146A (zh) * 2019-09-27 2020-01-31 华中科技大学 一种目标重识别神经网络及其构建方法和应用
CN111625675A (zh) * 2020-04-12 2020-09-04 南京理工大学 基于注意力机制下特征金字塔的深度哈希图像检索方法
CN111899225A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于多尺度金字塔结构的核电管道缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738146A (zh) * 2019-09-27 2020-01-31 华中科技大学 一种目标重识别神经网络及其构建方法和应用
CN111625675A (zh) * 2020-04-12 2020-09-04 南京理工大学 基于注意力机制下特征金字塔的深度哈希图像检索方法
CN111899225A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于多尺度金字塔结构的核电管道缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RUI LI 等: "Feature Pyramid Network with Multi-Head Attention for Semantic Segmentation of Fine-Resolution Remotely Sensed Images", 《ARXIV》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820444A (zh) * 2022-03-21 2022-07-29 东华大学 基于多注意力宽度神经网络模型的混合缺陷识别方法
CN114820444B (zh) * 2022-03-21 2024-07-16 东华大学 基于多注意力宽度神经网络模型的混合缺陷识别方法

Similar Documents

Publication Publication Date Title
CN110570396B (zh) 一种基于深度学习的工业产品缺陷检测方法
WO2023070911A1 (zh) 一种基于自注意力的彩色纹理织物缺陷区域的检测方法
CN111899225A (zh) 基于多尺度金字塔结构的核电管道缺陷检测方法
CN112258496A (zh) 一种基于全卷积神经网络的地下排水管道病害分割方法
CN111899224A (zh) 基于深度学习注意力机制的核电管道缺陷检测系统
CN113505865B (zh) 一种基于卷积神经网络的片材表面缺陷图像识别处理方法
CN114445366A (zh) 基于自注意力网络的长输管道射线影像缺陷智能识别方法
CN110047073A (zh) 一种x射线焊缝图像缺陷定级方法及系统
CN113284123A (zh) 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
CN112184693A (zh) 一种射线工业底片焊缝缺陷智能检测方法
CN113421304B (zh) 一种工业射线底片图像焊道区域智能定位方法
CN116416432A (zh) 一种基于改进UNet的管道焊缝图像分割方法
CN111754507A (zh) 一种轻量化的基于强注意力机制的工业缺陷图像分类方法
CN113222919A (zh) 基于多分支注意力金字塔结构的工业焊缝缺陷检测方法
CN115359064A (zh) 工业缺陷检测方法和装置
CN115908945A (zh) 一种基于畸变物体图像的形状特征参数的润滑油含水量检测方法
CN117787480B (zh) 基于Res-LSTM的焊缝成形质量实时预测方法
CN112712527B (zh) 一种基于DR-Unet104的医疗图像分割方法
CN116484921A (zh) 多物理量特征融合卷积神经网络的裂纹尺寸精准量化方法
CN116630343A (zh) 一种基于深度学习的无铆钉铆接接头剖面图像分割方法
Zhang et al. Research on weld defect identification with X-ray based on convolutional neural network
CN114972353B (zh) 一种金属高压特种管件质量评估方法及系统
CN113486599B (zh) 一种抽油机有效冲程的计算方法
CN114494236A (zh) 基于过完备卷积神经网络的织物缺陷检测方法及系统
CN111882535B (zh) 基于改进Unet网络的电阻焊接剪切强度识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210806