CN113313694A - 一种基于轻量型卷积神经网络的表面缺陷快速检测方法 - Google Patents
一种基于轻量型卷积神经网络的表面缺陷快速检测方法 Download PDFInfo
- Publication number
- CN113313694A CN113313694A CN202110627893.2A CN202110627893A CN113313694A CN 113313694 A CN113313694 A CN 113313694A CN 202110627893 A CN202110627893 A CN 202110627893A CN 113313694 A CN113313694 A CN 113313694A
- Authority
- CN
- China
- Prior art keywords
- defect
- model
- convolution
- parameters
- surface 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20081—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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于轻量型卷积神经网络的表面缺陷快速检测方法YOLOv4‑Defect,用于快速精准的识别出缺陷的类型并检测出缺陷的位置。该方法基于YOLOv4目标检测算法,一方面,对YOLOv4的特征提取网络进行卷积结构优化、参数修剪以及参数量化等多维度的压缩处理,以简化模型,提升检测效率,并通过知识蒸馏对模型进行预训练以提高模型的特征提取能力,从而提高检测精度;另一方面,添加了具有更加细致感受野的预测尺度来优化模型结构,提高了模型对于微小缺陷的检测性能。
Description
技术领域
本发明属于表面缺陷检测技术领域,具体涉及一种轻量型卷积神经网络的表面缺陷快速检测方法。
背景技术
在工业生产过程中,对工件或产品的表面进行缺陷检测是必不可少的一步,即识别是否存在缺陷,缺陷的类型以及缺陷的位置。在传统行业中,工件或产品表面缺陷的检测仍处于人工检测阶段。受工人个人因素的影响,效率和质量难以保证,传统的人工检查方法已不能满足行业需求。在当今数据量和算力程爆炸式增长的时代,深度学习迎来了发展的春天,新的深度学习算法层出不穷,并被广泛应用于计算机视觉,语音识别以及自然语言处理等领域,且取得了巨大的成功。
近年来,许多学者对表面缺陷检测进行了深入的研究,基于深度卷积神经网络的视觉检测方法在表面缺陷检测中得到了越来越广泛的应用,无接触,无损伤,大大改善了表面缺陷的检测方法,并且提高了检测效率和检测精度。
如今,随着对于模型性能要求的不断提高,为了获得更好的检测结果,通常采用两种方法:1.采用大规模深度神经网络来提高模型的学习能力。因此出现了一系列高性能的大型神经网络模型,如VggNet、GoogleNet以及ResNet等;2.使用集成策略,集成多个相对较弱的模型,甚至是强强联合来实现更好的性能。但是,模型性能的改善伴随着参数量以及计算量大幅提升,这使得模型的部署变得困难并且在实际应用中受到限制,例如便携式设备、移动电话、以及高实时性的检测设备等。
由于表面缺陷检测与其他目标检测任务之间存在一定的差异性,在将深度学习技术应用于表面缺陷检测过程中仍然存在模型复杂且过于庞大,不利于在实际工业中的部署和应用,且对于多种微小的表面缺陷检测性能较差,例如细小的斑点和划痕等。
发明内容
本发明解决的技术问题是:为了克服现有技术的不足,本发明提供了一种基于轻量型卷积神经网络的表面缺陷快速检测方法YOLOv4-Defect。采用知识蒸馏的方法对特征提取网络进行预训练,通过向大型神经网络学习来提高模型的性能;使用改进的轻量型特征提取网络Darknet-Defect作为检测器模型YOLOv4-Defect的特征提取器,以降低模型的体积、参数量以及计算量;增加具有更细致感受野的预测尺度来优化模型结构,从而改善模型对于微小缺陷的检测性能。
本发明的技术方案是:一种基于轻量型卷积神经网络的表面缺陷快速检测方法,具体步骤如下:
步骤1:制作表面缺陷数据集:收集需要进行表面缺陷检测的数据集,并对其进行标记并选择缺陷类型后保存;
步骤2:特征提取网络优化,包括以下子步骤:
步骤2.1:采用深度可分离卷积进行卷积结构优化:在相同的输入和输出条件下,深度卷积具有I个k×k大小的卷积核和O个1×1×I卷积核,参数量为k×k×I+I×O,深度可分离卷积和常规卷积参数量的比值为:
步骤2.2:知识蒸馏:即优化Softmax分布的交叉熵:
步骤2.3:参数修剪:
其中γ为参数的权重系数,选择并删除作用较小的参数,并通过再训练更新参数以恢复模型精度,然后重复进行参数裁剪和更新的过程,直到获得符合要求的模型为止;
步骤2.4:参数量化:使用K-Means聚类算法对特征提取网络的参数进行聚类,将所有参数按照参数之间欧式距离的大小划分为K个簇,给定数据集D={x1,x2,…,xm},划分为k个簇(C1,C2,…,Ck),最小化目标函数平方误差E:
其中ui是簇Ci的均值向量,即质心:
参数聚类后,缩减参数的存储位数,进一步压缩模型体积;
步骤3:模型结构优化:将原始预测尺度进行扩展,并在最后扩展的测尺度上添加特征图;
步骤4:确定模型训练的超参数,然后采用表面缺陷数据集对模型进行训练及验证;
步骤5:将工业现场采集的表面缺陷图像输入到训练好的模型中,实现表面缺陷的识别,分类以及定位。
本发明进一步的技术方案是:所述步骤1中,使用labelImage数据标注工具对每个图像数据中的存在缺陷区域进行标记并选择缺陷类型,最后将每个图像的属性保存到文件中,其中包括缺陷标注区域的坐标信息以及缺陷的类型信息。
本发明进一步的技术方案是:在YOLOv4-Defect模型中,将YOLOv4的原始三个预测尺度扩展为四个。在第四个预测尺度上添加了104×104的特征图,在原始图像上对应的感受野为4×4,以学习更多的细节特征。
发明效果
本发明的技术效果在于:本发明和现有技术相比,
1、采用知识蒸馏的方法对特征提取网络进行预训练,通过向大型神经网络学习提高了模型的检测精度;
2、通过对特征提取网络进行卷积结构优化、参数修剪以及压缩参数存储位数等操作以精简模型,大大降低了模型的参数量以及计算量,从而有利于在各种存储空间小以及算力有限的工业场景中部署应用;
3、将原始YOLOv4中的三个预测尺度扩展为四个。在第四个预测尺度上添加了104×104的特征图,在原始图像上具有更加细致的感受野,以学习更加微小的细节特征,从而提高了模型对于微小缺陷的检测表现。
附图说明
附图1为本发明方法中的深度卷积示意图。
附图2为本发明方法中的点向卷积示意图。
附图3为本发明方法中深度可分离卷积与常规卷积的参数对比示意图。
附图4为本发明方法中的知识蒸馏示意图。
附图5为本发明方法中的参数修剪示意图。
附图6为本发明方法中的YOLOv4-Defect示意图。
附图7为本发明方法对不同类型的表面缺陷检测结果图。
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
参加图1-图7,本发明解决其技术问题所采用的技术方案如下:
一种基于轻量型卷积神经网络的表面缺陷快速检测方法,具体步骤如下:
步骤1:制作表面缺陷数据集。
收集需要进行表面缺陷检测的数据集,使用labelImage数据标注工具对每个图像数据中的存在缺陷区域进行标记并选择缺陷类型,最后将每个图像的属性保存到文件中,其中包括缺陷标注区域的坐标信息以及缺陷的类型信息。
步骤2:特征提取网络优化。
步骤2.1:卷积结构优化。
采用深度可分离卷积代替常规卷积。深度可分离卷积主要在卷积结构上进行优化,由深度卷积和点向卷积两个部分组成。常规卷积中卷积核是三维的,一个卷积核可同时操作所有通道,而深度卷积中的二维卷积核不同于常规卷积的立体卷积核,一个卷积核仅负责一个通道,不涉及其他通道的信息,卷积核的数量等于输入通道的数量,并且逐通道执行卷积,仅特征图的大小发生改变,而通道数不变。点向卷积在深度卷积输出的所有通道上执行点对点卷积,组合不同通道之间的信息,仅改变通道数,并不改变特征图的大小。
在相同的输入和输出条件下,常规卷积需要O个k×k×I的卷积核(I:输入通道数,O:输出通道数,k×k:卷积核的大小)。参数量为k×k×I×O;深度卷积具有I个k×k大小的卷积核和O个1×1×I卷积核,参数量为k×k×I+I×O。深度可分离卷积和常规卷积参数量的比值为(k通常为3,O远大于k):
步骤2.2:知识蒸馏。
在轻量级网络Darknet-Defect和训练好的大型网络ResNet之间进行知识蒸馏。先训练ResNet网络,然后训练Darknet-Defect网络以学习ResNet网络的预测,即Softmax输出,使Darknet-Defect网络和ResNet网络在相同输入条件下的Softmax输出分布尽可能接近,即优化Softmax分布的交叉熵:
步骤2.3:参数修剪。
对模型进行参数修剪处理。通过批标准化公式:
其中γ为参数的权重系数,选择并删除作用较小的参数,并通过再训练更新参数以恢复模型精度,然后重复进行参数裁剪和更新的过程,直到获得符合要求的模型为止。
步骤2.4:参数量化。
首先使用K-Means聚类算法对特征提取网络的参数进行聚类。将所有参数按照参数之间欧式距离距离的大小划分为K个簇,并且簇内参数之间的欧式距离越小越好,簇间的欧氏距离越大越好。给定数据集D={x1,x2,…,xm},划分为k个簇(C1,C2,…,Ck),最小化目标函数平方误差E:
其中ui是簇Ci的均值向量,即质心:
参数聚类后,缩减参数的存储位数,进一步压缩模型体积。
步骤3:模型结构优化。
在YOLOv4-Defect中,将YOLOv4的原始三个预测尺度扩展为四个。在第四个预测尺度上添加了104×104的特征图,在原始图像上对应的感受野为4×4,以学习更多的细节特征。
步骤4:确定模型训练的超参数,然后采用表面缺陷数据集对模型YOLOv4-Defect进行训练及验证。
步骤5:将工业现场采集的表面缺陷图像输入到训练好的YOLOv4-Defect模型中,实现表面缺陷的识别,分类以及定位。
下面结合附图和实施例对本发明进一步说明,所述实施例仅做示例,旨在解释本发明,而非对本发明的限制。
由于表面缺陷检测与其他目标检测任务之间存在一定的差异性,在将深度学习技术应用于表面缺陷检测过程中存在模型复杂且过于庞大,不利于在实际工业中的部署和应用,且对于多种微小的表面缺陷检测性能较差,例如细小的斑点和划痕等。为解决上述问题,本发明基于YOLOv4目标检测算法,采用知识蒸馏的方法对特征提取网络进行预训练,通过向大型神经网络学习提高了模型的检测精度;通过对特征提取网络进行卷积结构优化、参数修剪以及压缩参数存储位数等操作以精简模型,大大降低了模型的参数量以及计算量,从而有利于在各种存储空间小以及算力有限的工业场景中部署应用;3、将原始YOLOv4中的三个预测尺度扩展为四个。在第四个预测尺度上添加了104×104的特征图,在原始图像上具有更加细致的感受野,以学习更加微小的细节特征,从而提高了模型对于微小缺陷的检测表现。
本发明提供一种基于轻量型卷积神经网络的表面缺陷快速检测方法,包括以下步骤:
步骤1:制作表面缺陷数据集。
收集需要进行表面缺陷检测的数据集,使用labelImage数据标注工具对每个图像数据中的存在缺陷区域进行标记并选择缺陷类型,最后将每个图像的属性保存到文件中,其中包括缺陷标注区域的坐标信息以及缺陷的类型信息。
步骤2:特征提取网络优化。
步骤2.1:卷积结构优化。
采用深度可分离卷积代替常规卷积。深度可分离卷积主要在卷积结构上进行优化,由深度卷积和点向卷积两个部分组成。常规卷积中卷积核是三维的,一个卷积核可同时操作所有通道,而深度卷积中的二维卷积核不同于常规卷积的立体卷积核,一个卷积核仅负责一个通道,不涉及其他通道的信息,卷积核的数量等于输入通道的数量,并且逐通道执行卷积,仅特征图的大小发生改变,而通道数不变,如图1所示。点向卷积在深度卷积输出的所有通道上执行点对点卷积,组合不同通道之间的信息,仅改变通道数,并不改变特征图的大小,如图2所示。
如图3所示,在相同的输入和输出条件下,常规卷积需要O个k×k×I的卷积核(I:输入通道数,O:输出通道数,k×k:卷积核的大小)。参数量为k×k×I×O;深度卷积具有I个k×k大小的卷积核和O个1×1×I卷积核,参数量为k×k×I+I×O。深度可分离卷积和常规卷积参数量的比值为(k通常为3,O远大于k):
步骤2.2:知识蒸馏。
在轻量级网络Darknet-Defect和训练好的大型网络ResNet之间进行知识蒸馏。如图4所示,先训练ResNet网络,然后训练Darknet-Defect网络以学习ResNet网络的预测,即Softmax输出,使Darknet-Defect网络和ResNet网络在相同输入条件下的Softmax输出分布尽可能接近,即优化Softmax分布的交叉熵:
步骤2.3:参数修剪。
对模型进行参数修剪处理。通过批标准化公式:
其中γ为参数的权重系数,选择并删除作用较小的参数,并通过再训练更新参数以恢复模型精度,然后重复进行参数裁剪和更新的过程,如图5所示,直到获得符合要求的模型为止。
步骤2.4:参数量化。
首先使用K-Means聚类算法对特征提取网络的参数进行聚类。将所有参数按照参数之间欧式距离距离的大小划分为K个簇,并且簇内参数之间的欧式距离越小越好,簇间的欧氏距离越大越好。给定数据集D={x1,x2,…,xm},划分为k个簇(C1,C2,…,Ck),最小化目标函数平方误差E:
其中ui是簇Ci的均值向量,即质心:
参数聚类后,缩减参数的存储位数,进一步压缩模型体积。
步骤3:模型结构优化。
在YOLOv4-Defect中,将YOLOv4的原始三个预测尺度扩展为四个。在第四个预测尺度上添加了104×104的特征图,在原始图像上对应的感受野为4×4,以学习更多的细节特征,模型结构如图6所示。
步骤4:确定模型训练的超参数,然后采用表面缺陷数据集对模型YOLOv4-Defect进行训练及验证。
步骤5:将工业现场采集的表面缺陷图像输入到训练好的YOLOv4-Defect模型中,实现表面缺陷的识别,分类以及定位。
具体实施例:
本发明实施例以NEU-CLS钢板表面缺陷、DAGM 2007纹理缺陷以及钢锭表面缺陷三个数据集为例,对基于轻量型卷积神经网络的表面缺陷快速检测算法YOLOv4-Defect进行了验证:
1.收集需要进行表面缺陷检测的数据集,使用labelImage数据标注工具对每个图像数据中的存在缺陷区域进行标记并选择缺陷类型,最后将每个图像的属性保存到文件中,其中包括缺陷标注区域的坐标信息以及缺陷的类型信息。
2.首先使用深度可分离卷积代替常规卷积;然后采用知识蒸馏的方法对特征提取网络进行预训练,通过训练好的向大型神经网络ResNet学习提高模型的检测精度;接着通过参数修剪以及参数量化等操作进一步精简模型。
3.模型结构优化。
在YOLOv4-Defect中,将YOLOv4的原始三个预测尺度扩展为四个。在第四个预测尺度上添加了104×104的特征图,在原始图像上对应的感受野为4×4,以学习更多的细节特征。
4.确定模型训练的超参数,然后采用表面缺陷数据集对模型YOLOv4-Defect进行训练及验证。
5.将所收集的的表面缺陷图像输入到训练好的YOLOv4-Defect模型中,实现表面缺陷的识别,分类以及定位。
训练后得到基于YOLOv4-Defect算法的表面缺陷检测模型,本发明进行了不同类型缺陷检测的测试,结果如图7所示。说明本方法能够快速且高精度的对各种类型的表面缺陷进行检测。
Claims (3)
1.一种基于轻量型卷积神经网络的表面缺陷快速检测方法,其特征在于,具体步骤如下:
步骤1:制作表面缺陷数据集:收集需要进行表面缺陷检测的数据集,并对其进行标记并选择缺陷类型后保存;
步骤2:特征提取网络优化,包括以下子步骤:
步骤2.1:采用深度可分离卷积进行卷积结构优化:在相同的输入和输出条件下,深度卷积具有I个k×k大小的卷积核和O个1×1×I卷积核,参数量为k×k×I+I×O,深度可分离卷积和常规卷积参数量的比值为:
步骤2.2:知识蒸馏:即优化Softmax分布的交叉熵:
步骤2.3:参数修剪:
其中γ为参数的权重系数,选择并删除作用较小的参数,并通过再训练更新参数以恢复模型精度,然后重复进行参数裁剪和更新的过程,直到获得符合要求的模型为止;
步骤2.4:参数量化:使用K-Means聚类算法对特征提取网络的参数进行聚类,将所有参数按照参数之间欧式距离的大小划分为K个簇,给定数据集D={x1,x2,…,xm},划分为k个簇(C1,C2,…,Ck),最小化目标函数平方误差E:
其中ui是簇Ci的均值向量,即质心:
参数聚类后,缩减参数的存储位数,进一步压缩模型体积;
步骤3:模型结构优化:将原始预测尺度进行扩展,并在最后扩展的测尺度上添加特征图;
步骤4:确定模型训练的超参数,然后采用表面缺陷数据集对模型进行训练及验证;
步骤5:将工业现场采集的表面缺陷图像输入到训练好的模型中,实现表面缺陷的识别,分类以及定位。
2.如权利要求1所述的一种基于轻量型卷积神经网络的表面缺陷快速检测方法,其特征在于,所述步骤1中,使用labelImage数据标注工具对每个图像数据中的存在缺陷区域进行标记并选择缺陷类型,最后将每个图像的属性保存到文件中,其中包括缺陷标注区域的坐标信息以及缺陷的类型信息。
3.如权利要求1所述的一种基于轻量型卷积神经网络的表面缺陷快速检测方法,其特征在于,所述步骤3中,在YOLOv4-Defect中,将YOLOv4的原始三个预测尺度扩展为四个。在第四个预测尺度上添加了104×104的特征图,在原始图像上对应的感受野为4×4,以学习更多的细节特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110627893.2A CN113313694A (zh) | 2021-06-05 | 2021-06-05 | 一种基于轻量型卷积神经网络的表面缺陷快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110627893.2A CN113313694A (zh) | 2021-06-05 | 2021-06-05 | 一种基于轻量型卷积神经网络的表面缺陷快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313694A true CN113313694A (zh) | 2021-08-27 |
Family
ID=77377429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110627893.2A Pending CN113313694A (zh) | 2021-06-05 | 2021-06-05 | 一种基于轻量型卷积神经网络的表面缺陷快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313694A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962931A (zh) * | 2021-09-08 | 2022-01-21 | 宁波海棠信息技术有限公司 | 一种用于磁簧开关的异物缺陷检测方法 |
CN114120154A (zh) * | 2021-11-23 | 2022-03-01 | 宁波大学 | 一种高层建筑玻璃幕墙破损的自动检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229679A (zh) * | 2017-11-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 卷积神经网络去冗余方法及装置、电子设备和存储介质 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
CN111612758A (zh) * | 2020-05-19 | 2020-09-01 | 南京航空航天大学 | 一种基于卷积神经网络的隧道表面缺陷检测方法 |
CN111709489A (zh) * | 2020-06-24 | 2020-09-25 | 广西师范大学 | 一种基于改进YOLOv4的柑橘识别方法 |
CN111784692A (zh) * | 2020-08-11 | 2020-10-16 | 国网内蒙古东部电力有限公司 | 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备 |
CN112241789A (zh) * | 2020-10-16 | 2021-01-19 | 广州云从凯风科技有限公司 | 用于轻量化神经网络的结构化剪枝方法、装置、介质及设备 |
CN112270722A (zh) * | 2020-10-26 | 2021-01-26 | 西安工程大学 | 一种基于深度神经网络的数码印花织物缺陷检测方法 |
CN112288700A (zh) * | 2020-10-23 | 2021-01-29 | 西安科锐盛创新科技有限公司 | 一种铁轨缺陷检测方法 |
CN112381763A (zh) * | 2020-10-23 | 2021-02-19 | 西安科锐盛创新科技有限公司 | 一种表面缺陷检测方法 |
-
2021
- 2021-06-05 CN CN202110627893.2A patent/CN113313694A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229679A (zh) * | 2017-11-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 卷积神经网络去冗余方法及装置、电子设备和存储介质 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
CN111612758A (zh) * | 2020-05-19 | 2020-09-01 | 南京航空航天大学 | 一种基于卷积神经网络的隧道表面缺陷检测方法 |
CN111709489A (zh) * | 2020-06-24 | 2020-09-25 | 广西师范大学 | 一种基于改进YOLOv4的柑橘识别方法 |
CN111784692A (zh) * | 2020-08-11 | 2020-10-16 | 国网内蒙古东部电力有限公司 | 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备 |
CN112241789A (zh) * | 2020-10-16 | 2021-01-19 | 广州云从凯风科技有限公司 | 用于轻量化神经网络的结构化剪枝方法、装置、介质及设备 |
CN112288700A (zh) * | 2020-10-23 | 2021-01-29 | 西安科锐盛创新科技有限公司 | 一种铁轨缺陷检测方法 |
CN112381763A (zh) * | 2020-10-23 | 2021-02-19 | 西安科锐盛创新科技有限公司 | 一种表面缺陷检测方法 |
CN112270722A (zh) * | 2020-10-26 | 2021-01-26 | 西安工程大学 | 一种基于深度神经网络的数码印花织物缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
XIAOJIAO CHEN等: "《Surface Defect Detection of Electric Power Equipment in Substation Based on Improved YOLO-V4 Algorithm》", 《2020 10TH INTERNATIONAL CONFERENCE ON POWER AND ENERGY SYSTEMS》 * |
ZHUANG LIU等: "《Learning Efficient Convolutional Networks through Network Slimming》", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
尹文枫等: "《卷积神经网络压缩与加速技术研究进展》", 《计算机系统应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962931A (zh) * | 2021-09-08 | 2022-01-21 | 宁波海棠信息技术有限公司 | 一种用于磁簧开关的异物缺陷检测方法 |
CN114120154A (zh) * | 2021-11-23 | 2022-03-01 | 宁波大学 | 一种高层建筑玻璃幕墙破损的自动检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN110532920B (zh) | 基于FaceNet方法的小数量数据集人脸识别方法 | |
CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN111507357B (zh) | 一种缺陷检测语义分割模型建模方法、装置、介质及设备 | |
CN113313694A (zh) | 一种基于轻量型卷积神经网络的表面缺陷快速检测方法 | |
CN111798447B (zh) | 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN113222982A (zh) | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 | |
CN112800927B (zh) | 一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法 | |
CN111652273A (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN111245103A (zh) | 一种基于神经计算棒的电网变压器铭牌的显示和存储系统 | |
CN113378792A (zh) | 融合全局和局部信息的弱监督宫颈细胞图像分析方法 | |
CN115272225A (zh) | 一种基于对抗学习网络的带钢表面缺陷检测方法及系统 | |
CN113032613B (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
CN113723558A (zh) | 基于注意力机制的遥感图像小样本舰船检测方法 | |
CN111597367B (zh) | 基于视图和哈希算法的三维模型检索方法 | |
CN109214269B (zh) | 一种基于流形对齐和多图嵌入的人脸姿态对齐方法 | |
CN105844299A (zh) | 一种基于词袋模型的图像分类方法 | |
CN115601357A (zh) | 一种基于小样本的冲压件表面缺陷检测方法 | |
CN115272673A (zh) | 一种基于三维目标上下文表示的点云语义分割方法 | |
CN111898618B (zh) | 一种识别古代图形文字的方法、装置和程序储存介质 | |
CN111291820B (zh) | 一种结合定位信息和分类信息的目标检测方法 | |
CN115100694A (zh) | 一种基于自监督神经网络的指纹快速检索方法 | |
CN113327227A (zh) | 一种基于MobilenetV3的小麦头快速检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210827 |
|
WD01 | Invention patent application deemed withdrawn after publication |