CN113298190B - 一种基于大尺寸的不平衡样本的焊缝图像识别分类算法 - Google Patents

一种基于大尺寸的不平衡样本的焊缝图像识别分类算法 Download PDF

Info

Publication number
CN113298190B
CN113298190B CN202110754411.XA CN202110754411A CN113298190B CN 113298190 B CN113298190 B CN 113298190B CN 202110754411 A CN202110754411 A CN 202110754411A CN 113298190 B CN113298190 B CN 113298190B
Authority
CN
China
Prior art keywords
image
weld
network
algorithm
defect
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
Application number
CN202110754411.XA
Other languages
English (en)
Other versions
CN113298190A (zh
Inventor
赵武
刘也琪
张凯
于淼
郭鑫
陈领
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN202110754411.XA priority Critical patent/CN113298190B/zh
Publication of CN113298190A publication Critical patent/CN113298190A/zh
Application granted granted Critical
Publication of CN113298190B publication Critical patent/CN113298190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于大尺寸的不平衡样本的焊缝图像识别分类算法，本发明计算好焊缝与缺陷焊缝的相似度，找出与缺陷焊缝图像相似度最高的好焊缝图像，用好焊缝与该缺陷焊缝图像进行图像融合生成新的焊缝缺陷图像，再输入生成对抗网络，进行充分的对抗训练之后，可生成指定缺陷的缺陷样本，本发明通过先融合再生成的算法可以避免生成自由度过大的样本，通过该算法扩充数据集后，极大的减小因为类不平衡导致对缺陷分类问题的影响，提高识别算法的精度；本发明算法不仅可用于焊缝的缺陷图像数据集，同时可以用于其他正品样本与缺陷样本之间差距不大的情况下生成新的缺陷样本。

Description

一种基于大尺寸的不平衡样本的焊缝图像识别分类算法
技术领域
本发明具体涉及一种焊缝缺陷图像识别领域，具体是一种基于大尺寸的不平衡样本的焊缝图像识别分类算法。
背景技术
实际工业应用中，在大尺寸铝合金的焊缝图像样本中，焊缝的缺陷类型不同，焊缝缺陷识别类型分为：好焊缝、焊穿、未熔合、夹渣、气孔。由于焊缝缺陷在实际工业生产中出现缺陷的概率并不高，导致好焊缝的数量远远大于其他焊缝缺陷的图片，而每种焊缝发生的概率也不一样，所以采集到的图片，不同类别之间的焊缝图像数量差距较大，也称之为类不平衡问题。类不平衡会导致，类别的分类精度低，因为学习不到足够的少样本的特征，而对于样本较多的类别又容易出现过拟合，因此当出现类不平衡问题的时候，算法不能正确地表示数据的分布特征，无法用精度来表示模型的分类准确度，因为当模型将所有的测试样本都归为样本数较多的类别时也可以达到较高的精度，但此时的模型没有分类的意义了。
因此类不平衡问题是工业缺陷检测中必须要面对和解决的一个问题。而目前常采用的过采样和欠采样要么丢弃原始样本导致无法充分学习到原始数据的特征，或是复制现有样本又容易出现过拟合的问题。
好焊缝容易采集，且好焊缝的图像多种多样，焊接过程中，好焊缝产生缺陷往往只是在产生缺陷的部分，因为环境或是参数的影响导致焊缝缺陷的发生，因此好焊缝和焊缝缺陷只在局部特征处有较明显的差别，故针对上述问题，我们需要提出一种针对焊缝缺陷类不平衡的图像识别算法。
发明内容
本发明的目的在于提供一种基于大尺寸的不平衡样本的焊缝图像识别分类算法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于大尺寸的不平衡样本的焊缝图像识别分类算法，包括如下步骤：。
1.通过结构相似性算法单元对两张图形的亮度、对比度和结构的相似度进行评价，筛选出与某焊缝缺陷图像最相似的好焊缝图像，将焊缝缺陷图像和与其最相似的好焊缝图像作为下一步图像融合算法的输入；
2.将好焊缝图像和缺陷焊缝图像按照0.5:0.5的比例进行权重融合得到一张新的图片，作为生成对抗网络的输入图片；
3.生成对抗网络中生成器采用U-Net和ResNet相结合的编码-解码器结构，判别器为一个基本的四层卷积网络，基于GLS-GAN建立对抗训练模型。
4.图像生成算法的训练：
输入：步骤2融合后的图像集合X，真实的焊缝缺陷图像R，100维随机噪声z，生成器网络权重参数φ，判别器网络权重参数θ。
(1)随机初始化网络参数φ，θ；
(2)随机初始化噪声z；
(3)从集合X和集合R中挑选训练图像对；
(4)将X(k)和噪声z输入生成器网络，生成图像Z(k)；
(5)将X(k)和Z(k)输入判别器并进行前向传播；
(6)通过Adam优化算法更新θ以最小化目标函数；
(7)最小化该目标函数得到损失函数Lθ(x)。
(8)通过RMSProp优化算法更新φ以最小化生成器的目标函数。
(9)重复2-8直至网络收敛。
5.将生成的焊缝缺陷图像归类到真实焊缝图像集中，实现焊缝图像数据集的数据扩充；得到的焊缝数据集再输入到ResNet50卷积神经网络实现焊缝的识别，使用逻辑斯特交叉熵作为损失函数，L2正则化，使用Adam优化算法对网络进行优化。
6.缺陷识别算法的训练：输入：训练样本图像集合R，标签y；
(1)随机初始化网络参数θ；
(2)按批次随机挑选训练样本图像输入网络，计算网络预测结果
Figure BDA0003146945000000031
(3)根据标签
Figure BDA0003146945000000032
和真实标签y计算损失函数；
(4)根据Adam优化算法更新θ以最小化损失；
(5)重复步骤(2)～(4)直到损失收敛。
更进一步的方案：所述步骤1中结构相似性算法单元包括SSIM(x,y)函数，
Figure BDA0003146945000000041
其中μx、μy是待评价图像x,y的平均值。
Figure BDA0003146945000000042
是x,y的方差，σxy是x,y的协方差。c1＝(k1L)2,c2＝(k2L)2，是用来维持稳定的常数，L是像素值的动态范围。一般取默认值k1＝0.01，k1＝0.03。
更进一步的方案：所述步骤3中GLS-GAN的目标函数为：
Figure BDA0003146945000000043
通过最小化该目标函数，得到一个损失函数Lθ(x)；
对应的生成器，目标函数为：
Figure BDA0003146945000000044
其中Pr和PG分别表示真是数据和生成数据的概率分布，Δ(x,zG)是以真实样本x和生成样本zG的一个度量，θ，φ是判别器和生成器的权值参数。
更进一步的方案：选择ReLU函数作为GLS-GAN目标函数的C类函数，
Figure BDA0003146945000000045
更进一步方案：所述步骤5中逻辑斯特交叉熵如下所示：
Figure BDA0003146945000000046
其中，hθ(x)表示参数为θ，输入为x的神经网络的输出，y表示输入x的标签值，批次训练的损失函数如下所示：
Figure BDA0003146945000000051
其中
Figure BDA0003146945000000052
和yi表示第i个图像块的预测值和标签值，W表示网络权值的集合，λ为权重系数。
与现有技术相比，本发明的有益效果是：本发明计算好焊缝与缺陷焊缝的相似度，找出与缺陷焊缝图像相似度最高的好焊缝图像，用好焊缝与该缺陷焊缝图像进行图像融合生成新的焊缝缺陷图像，再输入生成对抗网络，进行充分的对抗训练之后，可生成指定缺陷的缺陷样本，具体优点包括：
1.通过先融合再生成的算法可以避免生成自由度过大的样本，通过该算法扩充数据集后，极大的减小因为类不平衡导致对缺陷分类问题的影响，提高识别算法的精度；
2.该算法不仅可用于焊缝的缺陷图像数据集，同时可以用于其他正品样本与缺陷样本之间差距不大的情况下生成新的缺陷样本。
附图说明
图1为基于大尺寸的不平衡样本的焊缝图像识别分类算法的结构示意图。
图2为基于大尺寸的不平衡样本的焊缝图像识别分类算法中什么的的结构示意图。
图3为基于大尺寸的不平衡样本的焊缝图像识别分类算法中生成器网络结构的示意图。
图4为基于大尺寸的不平衡样本的焊缝图像识别分类算法中判别器网络结构的示意图。
图5为基于大尺寸的不平衡样本的焊缝图像识别分类算法中焊缝图像缺陷识别算法的步骤流程图。
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
请参阅图1～5，本发明实施例中，一种基于大尺寸的不平衡样本的焊缝图像识别分类算法，包括如下步骤：
一、焊缝缺陷图像生成算法
1、图像筛选
好焊缝与好焊缝之间，同类焊缝缺陷的不同图片之间都是有一定差异，因此找到与待融合的缺陷图像最相似的好焊缝图像尤为重要。本算法采用结构相似性(strucuralsimilarity,SSIM)作为选取下一步图像融合的好焊缝图像的评价指标。
结构相似性，是一种衡量两幅图像相似度的指标。
SSIM的定义如下：
Figure BDA0003146945000000071
其中μx、μy是待评价图像x,y的平均值。
Figure BDA0003146945000000072
是x,y的方差，σxy是x,y的协方差。c1＝(k1L)2,c2＝(k2L)2，是用来维持稳定的常数，L是像素值的动态范围。一般取默认值k1＝0.01，k1＝0.03。
SSIM指标结合亮度、对比度和结构三方面的差异对两张图像的相似度进行评价，均值评价亮度差异，方差评价对比度差异，协方差评价结构相似性。
结构相似性的范围从-1到1.当两张图像一一模一样时，SSIM的值等于1。
用上述算法，筛选出与某焊缝缺陷图像最相似的好焊缝图像。将焊缝缺陷图像和与其最相似的好焊缝图像作为下一步图像融合算法的输入。
2、图像融合
每张焊缝缺陷图像都能找到与该缺陷图像最相似的好焊缝图像，焊缝缺陷图像与好焊缝图像进行图像融合生成新的焊缝缺陷图像，可以将焊缝缺陷的数据量翻倍。
首先将好焊缝图像和缺陷焊缝图像按照0.5:0.5的比例进行融合得到一张新的图片，由于好焊缝的图片和焊缝缺陷的图片都是一样的大小，因此采用最基础的线性融合算法对两张图片进行融合生成新的图片，作为生成对抗网络的输入图片，如图2所示。
3、图像生成
生成对抗网络是生成图像领域最常用的一个网络，生成器G(Genrative model)采用U-Net和ResNet相结合的编码-解码器结构，如图3所示，判别器D(Discriminativemodel)是一个基本的四层卷积网络，如图4所示。
基于GLS-GAN建立对抗训练模型，GLS-GAN学习的是损失函数Lθ(x),Lθ(x)在真实样本上尽可能小，在生成的新样本上尽可能大。GLS-GAN的目标函数为：
Figure BDA0003146945000000081
通过最小化该目标函数，得到一个损失函数Lθ(x)。
对应的生成器，目标函数为：
Figure BDA0003146945000000082
其中Pr和PG分别表示真是数据和生成数据的概率分布，Δ(x,zG)是以真实样本x和生成样本zG的一个度量，θ，φ是判别器和生成器的权值参数。
选择ReLU函数作为GLS-GAN目标函数的C类函数。
Figure BDA0003146945000000083
图像生成算法的训练：
输入：第二步融合后的图像集合X，真实的焊缝缺陷图像R。100维随机噪声z，生成器网络权重参数φ，判别器网络权重参数θ。
(1)随机初始化网络参数φ，θ；
(2)随机初始化噪声z；
(3)从集合X和集合R中挑选训练图像对；
(4)将X(k)和噪声z输入生成器网络，生成图像Z(k)；
(5)将X(k)和Z(k)输入判别器并进行前向传播；
(6)通过Adam优化算法更新θ以最小化目标函数；
(7)最小化该目标函数得到损失函数Lθ(x)。
(8)通过RMSProp优化算法更新φ以最小化生成器的目标函数。
(9)重复2-8直至网络收敛。
二、焊缝图像缺陷识别算法
将生成的焊缝缺陷图像归类到真实焊缝图像集中，实现焊缝图像数据集的数据扩充。从而减小数据集类不平衡的现象。
得到的焊缝数据集再输入到ResNet50卷积神经网络实现焊缝的识别。使用逻辑斯特交叉熵作为损失函数，L2正则化，使用Adam优化算法对网络进行优化。
逻辑斯特交叉熵如下所示：
Figure BDA0003146945000000091
其中，hθ(x)表示参数为θ，输入为x的神经网络的输出，y表示输入x的标签值。批次训练的损失函数如下所示：
Figure BDA0003146945000000092
其中
Figure BDA0003146945000000093
和yi表示第i个图像块的预测值和标签值，W表示网络权值的集合，λ为权重系数。
缺陷识别算法的训练：输入：训练样本图像集合R，标签y；
(1)随机初始化网络参数θ；
(2)按批次随机挑选训练样本图像输入网络，计算网络预测结果
Figure BDA0003146945000000101
(3)根据标签
Figure BDA0003146945000000102
和真实标签y计算损失函数；
(4)根据Adam优化算法更新θ以最小化损失；
(5)重复步骤(2)～(4)直到损失收敛。
该算法的优势：通过先融合再生成的算法可以避免生成自由度过大的样本。通过该算法扩充数据集后，极大的减小因为类不平衡导致对缺陷分类问题的影响，提高识别算法的精度。
该算法不仅可用于焊缝的缺陷图像数据集，同时可以用于其他正品样本与缺陷样本之间差距不大的情况下生成新的缺陷样本。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (4)

1.一种基于大尺寸的不平衡样本的焊缝图像识别分类算法，其特征在于，包括如下步骤：
(1).通过结构相似性算法单元对两张图形的亮度、对比度和结构的相似度进行评价，筛选出与某焊缝缺陷图像最相似的好焊缝图像，将焊缝缺陷图像和与其最相似的好焊缝图像作为下一步图像融合算法的输入，
(2).将好焊缝图像和缺陷焊缝图像按照0.5：0.5的比例进行权重融合得到一张新的图片，作为生成对抗网络的输入图片；
(3).生成对抗网络中生成器采用U-Net和ResNet相结合的编码-解码器结构，判别器为一个基本的四层卷积网络，基于GLS-GAN建立对抗训练模型；
(4).图像生成算法的训练：
输入：步骤2融合后的图像集合X，真实的焊缝缺陷图像R，100维随机噪声z，生成器网络权重参数φ，判别器网络权重参数θ；
1)随机初始化网络参数φ，θ；
2)随机初始化噪声z；
3)从集合X和集合R中挑选训练图像对；
4)将X(k)和噪声z输入生成器网络，生成图像Z(k)；
5)将X(k)和Z(k)输入判别器并进行前向传播；
6)通过Adam优化算法更新θ以最小化目标函数；
7)最小化该目标函数得到损失函数Lθ(x)；
8)通过RMSProp优化算法更新φ以最小化生成器的目标函数；
9)重复步骤2)～8)直至网络收敛；
(5).将生成的焊缝缺陷图像归类到真实焊缝图像集中，实现焊缝图像数据集的数据扩充；得到的焊缝数据集再输入到ResNet50卷积神经网络实现焊缝的识别，使用逻辑斯特交叉熵作为损失函数，L2正则化，使用Adam优化算法对网络进行优化；
(6).缺陷识别算法的训练：输入：训练样本图像集合R，标签y；
1)随机初始化网络参数θ；
2)按批次随机挑选训练样本图像输入网络，计算网络预测结果
Figure FDA0003946867600000025
3)根据标签
Figure FDA0003946867600000026
和真实标签y计算损失函数；
4)根据Adam优化算法更新θ以最小化损失；
5)重复步骤2)～4)直到损失收敛；
所述步骤(1)中结构相似性算法单元包括SSIM(x，y)函数，
Figure FDA0003946867600000021
其中μx、μy是待评价图像x，y的平均值；
Figure FDA0003946867600000022
是x，y的方差，σxy是x，y的协方差；c1＝(k1L)2，c2＝(k2L)2，是用来维持稳定的常数，L是像素值的动态范围；一般取默认值k1＝0.01，k1＝0.03。
2.根据权利要求1所述的基于大尺寸的不平衡样本的焊缝图像识别分类算法，其特征在于，所述步骤(3)中GLS-GAN的目标函数为：
Figure FDA0003946867600000023
通过最小化该目标函数，得到一个损失函数Lθ(x)；
对应的生成器，目标函数为：
Figure FDA0003946867600000024
其中Pr和PG分别表示真是数据和生成数据的概率分布，Δ(x，zG)是以真实样本x和生成样本zG的一个度量，θ，φ是判别器和生成器的权值参数。
3.根据权利要求2所述的基于大尺寸的不平衡样本的焊缝图像识别分类算法，其特征在于，选择ReLU函数作为GLS-GAN目标函数的C类函数，
Figure FDA0003946867600000031
4.根据权利要求1所述的基于大尺寸的不平衡样本的焊缝图像识别分类算法，其特征在于，所述步骤(5)中逻辑斯特交叉熵如下所示：
Figure FDA0003946867600000032
其中，hθ(x)表示参数为θ，输入为x的神经网络的输出，y表示输入x的标签值，批次训练的损失函数如下所示：
Figure FDA0003946867600000033
其中
Figure FDA0003946867600000034
和yi表示第i个图像块的预测值和标签值，W表示网络权值的集合，λ为权重系数。
CN202110754411.XA 2021-07-05 2021-07-05 一种基于大尺寸的不平衡样本的焊缝图像识别分类算法 Active CN113298190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110754411.XA CN113298190B (zh) 2021-07-05 2021-07-05 一种基于大尺寸的不平衡样本的焊缝图像识别分类算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110754411.XA CN113298190B (zh) 2021-07-05 2021-07-05 一种基于大尺寸的不平衡样本的焊缝图像识别分类算法

Publications (2)

Publication Number Publication Date
CN113298190A CN113298190A (zh) 2021-08-24
CN113298190B true CN113298190B (zh) 2023-04-07

Family

ID=77330387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110754411.XA Active CN113298190B (zh) 2021-07-05 2021-07-05 一种基于大尺寸的不平衡样本的焊缝图像识别分类算法

Country Status (1)

Country Link
CN (1) CN113298190B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688947B (zh) * 2021-10-11 2024-03-15 国网智能科技股份有限公司 一种配电设备红外图像故障识别方法及系统
CN114187256A (zh) * 2021-11-24 2022-03-15 南京芯谱视觉科技有限公司 一种焊缝x射线照片缺陷检测方法
CN114549472A (zh) * 2022-02-23 2022-05-27 天津大学 一种基于深度学习的焊缝图像缺陷的检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3056498A1 (en) * 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
CN109741328A (zh) * 2019-02-02 2019-05-10 东北大学 一种基于生成式对抗网络的汽车表观质量检测方法
CN111986142A (zh) * 2020-05-23 2020-11-24 冶金自动化研究设计院 一种热轧板卷表面缺陷图像数据无监督增强的方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107481231A (zh) * 2017-08-17 2017-12-15 广东工业大学 一种基于深度卷积神经网络的五金件缺陷分类识别方法
CN108776808A (zh) * 2018-05-25 2018-11-09 北京百度网讯科技有限公司 一种用于检测钢包溶蚀缺陷的方法和装置
CN110097543B (zh) * 2019-04-25 2023-01-13 东北大学 基于生成式对抗网络的热轧带钢表面缺陷检测方法
CN110120038B (zh) * 2019-05-07 2021-02-26 重庆同枥信息技术有限公司 一种基于对抗生成网络的路面裂缝缺陷检测方法
CN111126446B (zh) * 2019-11-29 2023-04-07 西安工程大学 一种机器人视觉工业产品缺陷图像数据增广方法
CN111127454A (zh) * 2019-12-27 2020-05-08 上海交通大学 基于深度学习生成工业缺陷样本的方法及系统
SE1930421A1 (en) * 2019-12-30 2021-07-01 Unibap Ab Method and means for detection of imperfections in products
CN112116560B (zh) * 2020-08-20 2023-09-26 华南理工大学 一种焊接图像缺陷识别方法、装置、存储介质及设备
CN112232400B (zh) * 2020-10-12 2023-06-20 太原科技大学 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法
CN112686894B (zh) * 2021-03-10 2021-06-04 武汉大学 基于生成式对抗网络的fpcb板缺陷检测方法及装置
CN112802016B (zh) * 2021-03-29 2023-08-08 深圳大学 基于深度学习的实时布匹缺陷检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3056498A1 (en) * 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
CN109741328A (zh) * 2019-02-02 2019-05-10 东北大学 一种基于生成式对抗网络的汽车表观质量检测方法
CN111986142A (zh) * 2020-05-23 2020-11-24 冶金自动化研究设计院 一种热轧板卷表面缺陷图像数据无监督增强的方法

Also Published As

Publication number Publication date
CN113298190A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN113298190B (zh) 一种基于大尺寸的不平衡样本的焊缝图像识别分类算法
CN109829895B (zh) 一种基于gan的aoi缺陷检测方法
CN109919934B (zh) 一种基于多源域深度迁移学习的液晶面板缺陷检测方法
CN114600154B (zh) 用于sem图像的bbp辅助缺陷检测流程
KR20190063839A (ko) 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템
CN110135521A (zh) 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统
US20220189002A1 (en) Method and system for defect inspection based on deep learning
CN111400040B (zh) 基于深度学习和边缘计算的工业互联网系统及工作方法
CN111126433A (zh) 一种工厂pcb板缺陷检测中正负样本数据平衡方法
TWI763451B (zh) 利用自動地選擇演算法模組來檢驗樣本的系統、方法、和非暫時性電腦可讀媒體
CN110930470A (zh) 一种基于深度学习的布匹缺陷图像生成方法
JP2020139945A (ja) オンザフライ単一粒子再構成のための畳み込みニューラルネットワークの使用
CN113906451A (zh) 基于ai的预训练模型决定系统及利用该系统的用于产品生产线的基于ai的视觉检查管理系统
WO2019176989A1 (ja) 検査システム、識別システム、及び学習データ生成装置
CN117011563B (zh) 基于半监督联邦学习的道路损害巡检跨域检测方法及系统
CN114648528B (zh) 一种半导体检测方法、装置以及计算机可读存储介质
AU2021106346A4 (en) Unsupervised coal flow anomaly detection method based on a generative adversarial learning
CN113763364B (zh) 一种基于卷积神经网络的图像缺陷检测方法
CN114120066A (zh) 一种基于轻量化网络的小样本钢材表面缺陷分类方法
KR102364865B1 (ko) 제품의 양불을 판정하는 방법 및 장치
CN116228682A (zh) 一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法
CN114022739A (zh) 一种基于对齐变分自编码器与三元组结合的零样本学习方法
CN113469977B (zh) 一种基于蒸馏学习机制的瑕疵检测装置、方法、存储介质
CN115082435A (zh) 一种基于自监督动量对比的缺陷检测方法
CN114119479A (zh) 一种基于图像识别的工业流水线质量监控方法

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