CN114663436A - 一种基于深度学习的跨尺度缺陷检测方法 - Google Patents
一种基于深度学习的跨尺度缺陷检测方法 Download PDFInfo
- Publication number
- CN114663436A CN114663436A CN202210571824.9A CN202210571824A CN114663436A CN 114663436 A CN114663436 A CN 114663436A CN 202210571824 A CN202210571824 A CN 202210571824A CN 114663436 A CN114663436 A CN 114663436A
- Authority
- CN
- China
- Prior art keywords
- defect detection
- deep learning
- cross
- scale
- image
- 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 108
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
-
- 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 transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/60—Rotation of a whole image or part thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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]
-
- 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
-
- 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
-
- 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
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明公开了一种基于深度学习的跨尺度缺陷检测方法,包括S1,搭建视觉数据采集系统,获取待处理装备部件表面图像,构建缺陷数据集;S2,构建跨尺度缺陷检测深度学习模型,将S1获取的数据集送入构建好的模型,进行模型训练;S3,根据S2得到的跨尺度缺陷检测深度学习模型和S1的视觉数据采集系统,搭建缺陷检测系统,批量检测待处理装备部件表面图像中的缺陷。本发明将深度学习技术应用于缺陷检测,可提高装备部件缺陷的检测精度和检测效率,用以判断装备部件的质量和便于维修,保证装备部件的安全性能。
Description
技术领域
本发明属于大型装备部件缺陷检测技术领域,具体涉及一种基于深度学习的跨尺度缺陷检测方法。
背景技术
航空、航天、航海(“三航”)大型高端装备是国防安全保障,是我国装备制造业的重要组成部分,高端装备的产品质量直接影响最终作战性能与国际竞争力。在大型装备部件的生产和使用过程中,因为生产工艺和使用疲劳等因素,部件表面难以避免地会出现缺陷。大型装备部件表面的缺陷往往具有尺度范围大、内部缺陷复杂多样、表面缺陷结构复杂等特点。如何高效准确的检测这些缺陷异常,是保障武器装备质量、缩短研制生产周期的关键因素。
目前缺陷检测的方法可以概括为以下两类:
1)采用人工方法定性检测。但基于人眼的视觉检测不仅无法实现定量测量,而且存在人工检测费时费力、漏检率高、效率低、可靠性低等问题。且人工目检对于细微缺陷存在严重的漏检,难以满足实际的质量需求;
2)采用传统机器学习的方法提取特征进行缺陷检测,其主要任务量集中于图像预处理、提取特征、特征分类器设计。此类方法过度依赖人为设计的特征提取与分类方法,并且需要通过大量的实验进行参数调节和阈值设定,准确率随外界环境波动较大,误差率较高。
随着深度学习技术的不断发展和成熟,基于深度学习的缺陷检测技术逐渐成为研究热点,并且取得了一定的成果。该技术以经典的卷积神经网络为基础进行图像处理,进而生成特征图,最后完成缺陷检测。但是工业品表面缺陷尺度范围大,目前提出的基于深度学习的技术在工业品表面检测领域的应用受到了限制。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种基于深度学习的跨尺度缺陷检测方法,将深度学习技术应用于缺陷检测,可提高装备部件缺陷的检测精度和检测效率。
为实现上述技术目的,本发明采取的技术方案为:
一种基于深度学习的跨尺度缺陷检测方法,包括:
S1,搭建视觉数据采集系统,获取待处理装备部件表面图像,构建缺陷数据集;
S2,构建跨尺度缺陷检测深度学习模型,将S1获取的数据集送入构建好的模型,进行模型训练;
S3,根据S2得到的跨尺度缺陷检测深度学习模型和S1的视觉数据采集系统,搭建缺陷检测系统,批量检测待处理装备部件表面图像中的缺陷。
为优化上述技术方案,采取的具体措施还包括:
上述的S1具体为:
S11,采用深度传感器和视觉传感器采集装备部件表面图像不同缺陷的深度图像和可见光图像,将相应缺陷的可见光图像和深度图像作为一组缺陷数据;
S12,对S11采集到的图像进行旋转、剪切、缩放和转换,增加训练用装备部件表面图像数据;
S13,采用LabelImg对装备部件表面图像进行缺陷标注,得到缺陷数据集。
上述的缺陷分为以下几类:
在部件表面产生的划痕、缝隙,以及安装紧固件产生的凸出、凹陷、粗糙度。
上述的S2构建的跨尺度缺陷检测深度学习模型具体为:
1)将包括可见光图像和深度图像的一组缺陷数据作为输入;
2)跨尺度缺陷检测深度学习模型的主干网络,采用双支路的特征提取网络分别对可见光图像和深度图像进行特征提取,最后将两个支路采用注意力机制进行加权融合;
3)采用新的跨尺度特征融合策略,四个尺度的特征图和SE模块获取的,所有的通道维度从256降至64,使用卷积得到五个中间特征图;首先对特征图进行上采样和/或下采样,然后concatenate,以获得与对应尺度具有相同空间分辨率的 256-D特征图;最后,将的特征图与前面得到的256-D特征图相加,实现所有五个尺度的跨尺度融合,具体公式如下:
上述的2)中,双支路中每个支路的网络结构为:
混合卷积利用不同的感受野,通过不同的卷积核大小和分组大小融合多尺度局部信息;
挤压和激活分支区分特征层的显著性,残差跳跃连接加深语义提取和解码;
其中,分组大小G决定单个输入张量使用多少不同类型的卷积核;
在 G = 1 的情况下,混合卷积等效于普通深度卷积;
上述的2)中,注意力机制的融合公式为:
上述的S3具体为:
根据S2得到的跨尺度缺陷检测深度学习模型和S1的视觉数据采集系统,搭建缺陷检测系统;
视觉数据采集系统用于数据采集;
跨尺度缺陷检测深度学习模型用于缺陷检测和结果输出;
缺陷检测系统将缺陷检测结果实时输出并保存为以下形式:
包含缺陷的图片和具体缺陷位置的表格。
本发明具有以下有益效果:
本发明将深度学习技术应用于跨尺度缺陷检测,可提高缺陷的检测精度和检测效率;
另外,本发明提出的特征提取模块能够提取多尺度特征,不局限于单一尺度,对包含不同尺度的缺陷适用性强。
附图说明
图 1为本发明一种基于深度学习的跨尺度缺陷检测方法流程图;
图2是根据本发明实施例的跨尺度缺陷检测深度学习模型;
图3是根据本发明实施例的跨尺度特征提取网络;
图4是根据本发明实施例的跨尺度特征融合网络。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
本发明的一种基于深度学习的跨尺度缺陷检测方法,流程图如图1所示,包括如下步骤:
S1,搭建视觉数据采集系统,获取待处理装备部件表面图像,构建缺陷数据集,具体为:
S11,采用深度传感器和视觉传感器采集装备部件表面图像不同缺陷的深度图像和可见光图像,凸出、凹陷等结构性缺陷通过深度传感器可以很好的反映出来,划痕、掉漆等缺陷可以通过视觉传感器呈现。将相应缺陷的可见光图像和深度图像作为一组缺陷数据;
S12,对S11采集到的图像进行旋转、剪切、缩放和转换,增加训练用装备部件表面图像数据;
S13,采用LabelImg对装备部件表面图像进行缺陷标注,得到缺陷数据集。
实施例中,所述缺陷分为以下几类:在部件表面产生的划痕、缝隙,以及安装紧固件产生的凸出、凹陷、粗糙度等。
S2,构建跨尺度缺陷检测深度学习模型,将S1获取的数据集送入构建好的模型,进行模型训练;
实施例中,如图2所示,S2构建的跨尺度缺陷检测深度学习模型具体为:
1)将包括可见光图像和深度图像的一组缺陷数据作为输入;
2)跨尺度缺陷检测深度学习模型的主干网络,采用双支路的特征提取网络分别对可见光图像和深度图像进行特征提取,最后将两个支路采用注意力机制进行加权融合;
如图3所示,双支路中每个支路的网络结构为:
混合卷积利用不同的感受野,通过不同的卷积核大小和分组大小融合多尺度局部信息;
挤压和激活分支(SE)区分特征层的显著性,残差跳跃连接加深语义提取和解码;
其中,分组大小G决定单个输入张量使用多少不同类型的卷积核;
在 G = 1 的情况下,混合卷积等效于普通深度卷积;
注意力机制的融合公式为:
3)采用如图4所示的新的跨尺度特征融合策略:
S3具体为:
S3,根据S2得到的跨尺度缺陷检测深度学习模型和S1的视觉数据采集系统,搭建缺陷检测系统,批量检测待处理装备部件表面图像中的缺陷,用以判断装备部件的质量和便于维修,保证装备部件的安全性能。
实施例中,根据S2得到的跨尺度缺陷检测深度学习模型和S1的视觉数据采集系统,搭建缺陷检测系统;
视觉数据采集系统用于数据采集;
跨尺度缺陷检测深度学习模型用于缺陷检测和结果输出;
缺陷检测系统将缺陷检测结果实时输出并保存为以下形式:
包含缺陷的图片和具体缺陷位置的表格。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种基于深度学习的跨尺度缺陷检测方法,其特征在于,包括:
S1,搭建视觉数据采集系统,获取待处理装备部件表面图像不同缺陷的深度图像和可见光图像,构建缺陷数据集;
S2,构建跨尺度缺陷检测深度学习模型,将S1获取的数据集送入构建好的模型,进行模型训练;
S3,根据S2得到的跨尺度缺陷检测深度学习模型和S1的视觉数据采集系统,搭建缺陷检测系统,批量检测待处理装备部件表面图像中的缺陷。
2.根据权利要求1所述的一种基于深度学习的跨尺度缺陷检测方法,其特征在于,所述S1具体为:
S11,采用深度传感器和视觉传感器采集装备部件表面图像不同缺陷的深度图像和可见光图像,将相应缺陷的可见光图像和深度图像作为一组缺陷数据;
S12,对S11采集到的图像进行旋转、剪切、缩放和转换,增加训练用装备部件表面图像数据;
S13,采用LabelImg对装备部件表面图像进行缺陷标注,得到缺陷数据集。
3.根据权利要求1所述的一种基于深度学习的跨尺度缺陷检测方法,其特征在于,所述缺陷分为以下几类:
在部件表面产生的划痕、缝隙,以及安装紧固件产生的凸出、凹陷、粗糙度。
4.根据权利要求1所述的一种基于深度学习的跨尺度缺陷检测方法,其特征在于,S2构建的跨尺度缺陷检测深度学习模型具体为:
1)将包括可见光图像和深度图像的一组缺陷数据作为输入;
2)跨尺度缺陷检测深度学习模型的主干网络,采用双支路的特征提取网络分别对可见光图像和深度图像进行特征提取,最后将两个支路采用注意力机制进行加权融合;
5.根据权利要求4所述的一种基于深度学习的跨尺度缺陷检测方法,其特征在于,所述2)中,双支路中每个支路的网络结构为:
混合卷积利用不同的感受野,通过不同的卷积核大小和分组大小融合多尺度局部信息;
挤压和激活分支区分特征层的显著性,残差跳跃连接加深语义提取和解码;
其中,分组大小G决定单个输入张量使用多少不同类型的卷积核;
在 G = 1 的情况下,混合卷积等效于普通深度卷积。
7.根据权利要求1所述的一种基于深度学习的跨尺度缺陷检测方法,其特征在于,S3具体为:
根据S2得到的跨尺度缺陷检测深度学习模型和S1的视觉数据采集系统,搭建缺陷检测系统;
视觉数据采集系统用于数据采集;
跨尺度缺陷检测深度学习模型用于缺陷检测和结果输出;
缺陷检测系统将缺陷检测结果实时输出并保存为以下形式:
包含缺陷的图片和具体缺陷位置的表格。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571824.9A CN114663436A (zh) | 2022-05-25 | 2022-05-25 | 一种基于深度学习的跨尺度缺陷检测方法 |
US18/321,527 US20230306577A1 (en) | 2022-05-25 | 2023-05-22 | Cross-scale defect detection method based on deep learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571824.9A CN114663436A (zh) | 2022-05-25 | 2022-05-25 | 一种基于深度学习的跨尺度缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663436A true CN114663436A (zh) | 2022-06-24 |
Family
ID=82038315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210571824.9A Pending CN114663436A (zh) | 2022-05-25 | 2022-05-25 | 一种基于深度学习的跨尺度缺陷检测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230306577A1 (zh) |
CN (1) | CN114663436A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115775227A (zh) * | 2022-10-12 | 2023-03-10 | 浙江吉昌新材料有限公司 | 防裂匣钵的智能化生产方法及其控制系统 |
CN117094999A (zh) * | 2023-10-19 | 2023-11-21 | 南京航空航天大学 | 一种跨尺度缺陷检测方法 |
CN117576095A (zh) * | 2024-01-16 | 2024-02-20 | 南京航空航天大学 | 一种多尺度学习任务的金属表面缺陷检测和分类方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152577B (zh) * | 2023-10-30 | 2024-02-02 | 北京机械工业自动化研究所有限公司 | 铸件缺陷检测方法、装置、电子设备和存储介质 |
CN117333491B (zh) * | 2023-12-01 | 2024-03-15 | 北京航空航天大学杭州创新研究院 | 一种钢材表面缺陷检测方法及系统 |
CN117541587B (zh) * | 2024-01-10 | 2024-04-02 | 山东建筑大学 | 太阳能电池板缺陷检测方法、系统、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921846A (zh) * | 2018-07-17 | 2018-11-30 | 北京航空航天大学 | 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法 |
WO2021088300A1 (zh) * | 2019-11-09 | 2021-05-14 | 北京工业大学 | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 |
CN113128559A (zh) * | 2021-03-13 | 2021-07-16 | 郑州轻工业大学 | 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 |
CN114170174A (zh) * | 2021-12-02 | 2022-03-11 | 沈阳工业大学 | 基于RGB-D图像的CLANet钢轨表面缺陷检测系统及方法 |
CN114266964A (zh) * | 2021-12-10 | 2022-04-01 | 国网江苏省电力有限公司盐城供电分公司 | 一种深度图像引导的电缆管道缺陷检测与定位方法 |
CN114332559A (zh) * | 2021-12-17 | 2022-04-12 | 安徽理工大学 | 一种基于自适应跨模态融合机制和深度注意力网络的rgb-d显著性目标检测方法 |
-
2022
- 2022-05-25 CN CN202210571824.9A patent/CN114663436A/zh active Pending
-
2023
- 2023-05-22 US US18/321,527 patent/US20230306577A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921846A (zh) * | 2018-07-17 | 2018-11-30 | 北京航空航天大学 | 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法 |
WO2021088300A1 (zh) * | 2019-11-09 | 2021-05-14 | 北京工业大学 | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 |
CN113128559A (zh) * | 2021-03-13 | 2021-07-16 | 郑州轻工业大学 | 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 |
CN114170174A (zh) * | 2021-12-02 | 2022-03-11 | 沈阳工业大学 | 基于RGB-D图像的CLANet钢轨表面缺陷检测系统及方法 |
CN114266964A (zh) * | 2021-12-10 | 2022-04-01 | 国网江苏省电力有限公司盐城供电分公司 | 一种深度图像引导的电缆管道缺陷检测与定位方法 |
CN114332559A (zh) * | 2021-12-17 | 2022-04-12 | 安徽理工大学 | 一种基于自适应跨模态融合机制和深度注意力网络的rgb-d显著性目标检测方法 |
Non-Patent Citations (5)
Title |
---|
GONG CHENG 等: "Cross-Scale Feature Fusion for Object Detection in Optical Remote Sensing Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
JINGPENG WANG 等: "Collaborative Learning Attention Network Based on RGB Image and Depth Image for Surface Defect Inspection of No-Service Rail", 《IEEE/ASME TRANSACTIONS ON MECHATRONICS》 * |
YOU WU 等: "Automatic Fabric Defect Detection Using Cascaded Mixed Feature Pyramid with Guided Localization", 《SENSORS》 * |
吴志远 等: "基于RGB-D数据的笔记本面板表面缺陷检测研究", 《装备制造技术》 * |
郝帅 等: "基于注意力机制与跨尺度特征融合的YOLOv5输电线路故障检测", 《中国电机工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115775227A (zh) * | 2022-10-12 | 2023-03-10 | 浙江吉昌新材料有限公司 | 防裂匣钵的智能化生产方法及其控制系统 |
CN117094999A (zh) * | 2023-10-19 | 2023-11-21 | 南京航空航天大学 | 一种跨尺度缺陷检测方法 |
CN117094999B (zh) * | 2023-10-19 | 2023-12-22 | 南京航空航天大学 | 一种跨尺度缺陷检测方法 |
CN117576095A (zh) * | 2024-01-16 | 2024-02-20 | 南京航空航天大学 | 一种多尺度学习任务的金属表面缺陷检测和分类方法 |
CN117576095B (zh) * | 2024-01-16 | 2024-04-05 | 南京航空航天大学 | 一种多尺度学习任务的金属表面缺陷检测和分类方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230306577A1 (en) | 2023-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114663436A (zh) | 一种基于深度学习的跨尺度缺陷检测方法 | |
CN110264466B (zh) | 一种基于深度卷积神经网络的钢筋检测方法 | |
Wang et al. | RENet: Rectangular convolution pyramid and edge enhancement network for salient object detection of pavement cracks | |
CN112465748B (zh) | 基于神经网络的裂缝识别方法、装置、设备及存储介质 | |
CN103577817B (zh) | 表单识别方法与装置 | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN108074231A (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
Pan et al. | Image-based surface scratch detection on architectural glass panels using deep learning approach | |
CN112651966A (zh) | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN105574161B (zh) | 一种商标图形要素识别方法、装置和系统 | |
CN103439348A (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN109035232A (zh) | 一种基于深度学习和机器视觉融合的夹片缺陷检测方法 | |
CN112465809B (zh) | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 | |
CN115880298A (zh) | 一种基于无监督预训练的玻璃表面缺陷检测方法及系统 | |
CN111103307A (zh) | 一种基于深度学习的pcb板缺陷检测方法 | |
CN111738367A (zh) | 一种基于图像识别的零件分类方法 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN111783672A (zh) | 一种提高桥梁动位移精度的图像特征辨识方法 | |
CN114428110A (zh) | 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
CN114596273B (zh) | 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法 | |
CN115760808A (zh) | 平板玻璃尺寸测量方法、系统、装置及可读存储介质 |
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 |
Application publication date: 20220624 |
|
RJ01 | Rejection of invention patent application after publication |