CN115330729A - 一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法 - Google Patents

一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法 Download PDF

Info

Publication number
CN115330729A
CN115330729A CN202210982203.XA CN202210982203A CN115330729A CN 115330729 A CN115330729 A CN 115330729A CN 202210982203 A CN202210982203 A CN 202210982203A CN 115330729 A CN115330729 A CN 115330729A
Authority
CN
China
Prior art keywords
strip steel
attention
feature fusion
module
scale
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
CN202210982203.XA
Other languages
English (en)
Inventor
周锋
吴瑞琦
李楠
郭乃宏
王如刚
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.)
Yancheng Institute of Technology
Original Assignee
Yancheng Institute of Technology
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 Yancheng Institute of Technology filed Critical Yancheng Institute of Technology
Priority to CN202210982203.XA priority Critical patent/CN115330729A/zh
Publication of CN115330729A publication Critical patent/CN115330729A/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
    • 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
    • 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
    • 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
    • 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
    • G06T2207/30136—Metal

Abstract

本发明公开了一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，包括构建轻量化YOLOX检测模型，引入多尺度特征融合注意力模块，并利用数据集对检测模型行迭代训练，在收敛后选取精度最高的检测模型作为带钢表面缺陷检测模型，其中，将YOLOX主干特征提取网络Darknet替换为CSPDarknet，并通过K*1和1*K的深度可分离卷积核代替用于特征提取的K*K普通卷积核，在不影响精度的情况下提高了检测速度，另外，通过添加多尺度特征融合注意力模块，提高模型的检测精度，尤其是对小目标的检测精度，从收敛后的模型中选取精度最高的模型作为最终模型，实现了高速、准确且鲁棒的带钢表面缺陷检测。

Description

一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法
技术领域
本发明涉及计算机视觉技术领域，具体为一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法。
背景技术
扁钢的应用范围相当广，在工业领域的需求量很大。在过去的几十年中，基于机器视觉的自动表面检测系统(Automated Surface Inspection System,ASIS)作为一种非接触、非破坏性和全自动的解决方案，得到了广泛的关注，用以辅助或代替传统检测仪。为了减少人工成本、提高检测效率，基于深度学习的检测算法代替了传统方式。深度学习技术已应用于解决许多挑战性的计算机视觉任务，如城市交通、多目标检测、医学图像分割等。深度神经网络的多层结构相较于手工方式，所有特征都是自动提取的，有更强大的特征提取性能。基于深度学习的目标检测算法有两类：双阶段和单阶段。双阶段网络分为生成建议区域和图像分类两个步骤，检测精度较高。常用的双阶段目标检测算法有R-CNN、Fast R-CNN、Faster R-CNN、SPPNet等。单阶段模型直接进行分类和回归。因此单阶段算法的检测速度快，但精度较低，尤其是重叠目标和小目标。常用的单阶段目标检测算法有YOLO、SSD等。
随着生产力的提高，检测装置对算法提出了更高的要求。常规生产过程中，扁钢的轧制速度可达20m/s以上，宽度可达1m。如此高速的实时操作需要特殊的图像处理设备和软件，执行时间很短。为此，就需要对获取到的图像进行压缩，简化图像中所包含的信息。然而，压缩图像信息的同时，也会影响缺陷检测的准确性。双阶段网络虽然有着很高的检测精度，但是速度却远没有达到高速轧钢生产线的要求。单阶段网络虽然检测速度很快，但往往精度不高，尤其是对于小目标和堆叠目标，因此急需一种一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法来解决上述问题。
发明内容
本发明提供一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，来解决现有带钢表面缺陷检测系统精度高而速度慢或者速度高而精度低等问题。
为实现上述目的，本发明提供如下技术方案：一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，包括如下步骤：
S1、构建标注有待检测带钢表面缺陷的数据集；
S2、将YOLOX主干特征提取网络Darknet替换为CSPDarknet，调整其中残差模块的重复次数，并通过深度可分离卷积和低秩分解压缩残差模块的参数量和计算量，构建轻量化的检测模型；
S3、将多尺度特征融合注意力模块添加至检测模型中；
S4、利用数据集对检测模型行迭代训练，在收敛后选取精度最高的检测模型作为带钢表面缺陷检测模型。
优选的，在步骤S1中，获取钢材表面缺陷检测数据集图像；提取数据集全图的平均灰度值，对图像周围进行灰度填充，将像素值由200*200填充至416*416；对数据集中标签进行适配，根据填充操作生成对应标签。
优选的，在步骤S2中，包括CSP1-CSP5五个CSP结构，其中，调整五个CSP结构中残差模块的重复次数：将残差块的重复次数由1、2、8、8、4调整为1、1、3、3、1；并将四个CSP模块的输出通道数缩放至原来的0.375倍，分别为48、96、192、384。
优选的，在步骤S2中，每个残差模块中，采用一个卷积层作为瓶颈来调整通道数，并通过K*1和1*K的深度可分离卷积核代替用于特征提取的K*K普通卷积核。
优选的，在步骤S3中，多尺度特征融合注意力模块添加在主干特征提取网络和Neck之间，确保主干特征提取网络的预训练权重使用。
优选的，添加多尺度特征融合注意力模块具体为：
对主干特征提取网络输出的三个分辨率的特征张量施加不同尺度感受野的注意力模块，并进行特征融合；
将获得的融合特征分别传入空间注意力模块和通道注意力模块；
优选的，对于空间注意力模块，通过合并每个通道上相同位置的像素信息来压缩空间信息，再用一层卷积调整通道数，经过Sigmoid激活后与原输入特征进行特征融合；
优选的，对于通道注意力模块，对每张特征图进行全局平均池化和全局最大池化来压缩通道信息，在全连接层前添加一层一维卷积进行特征学习，卷积核大小设置为7来保证跨通道的信息交互率，同样使用Sigmoid进行激活，最后与输入的特征张量进行特征融合；
将空间注意力模块和通道注意力模块的输出进行特征融合，得到整个注意力模块的输出。
优选的，对于CSP3的特征张量，分辨率最大，施加3*3和5*5三个尺度的感受野；
对于CSP4的特征张量，分辨率居中，施加1*1、3*3和5*5三个尺度的感受野；
对于CSP5的特征张量，分辨率最小，施加1*1和3*3两个尺度的感受野。
优选的，在步骤S4中，通过退火余弦算法调整学习率，在损失值停止下降后，继续训练若干次迭代，并从中选取精度最高的检测模型作为带钢表面缺陷检测模型。
与现有技术相比，本发明的有益效果：本发明中，采用轻量化设计优化YOLOX的主干特征提取网络，并通过K*1和1*K的深度可分离卷积核代替用于特征提取的K*K普通卷积核，在不影响精度的情况下提高了检测速度，另外，通过添加多尺度特征融合注意力模块，提高模型的检测精度，尤其是对小目标的检测精度，从收敛后的模型中选取精度最高的模型作为最终模型，实现了高速、准确且鲁棒的带钢表面缺陷检测。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1为本发明实施例的多尺度特征融合注意力的轻量带钢表面缺陷检测方法的整体流程图。
图2为本发明实施例的轻量化的CSP结构图；
图3为本发明实施例的改进后的YOLOX模型结构图；
图4为本发明实施例的MFFAM的结构图；
图5为本发明实施例的多尺度感受野结构图；
图6为本发明实施例的填充后的数据集图像；
图7为轻量化设计模型的AP值柱状对比图；
图8为不同注意力模块的AP值柱状对比图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：如图1所示，一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，包括如下步骤：
S1、构建标注有待检测带钢表面缺陷的数据集；其中，获取钢材表面缺陷检测数据集图像；提取数据集全图的平均灰度值，对图像周围进行灰度填充，将像素值由200*200填充至416*416；对数据集中标签进行适配，根据填充操作生成对应标签；
S2、将YOLOX主干特征提取网络Darknet替换为CSPDarknet(Cross StagePartial)包括CSP1、CSP2、CSP3、CSP4、CSP5五个CSP结构，调整五个CSP结构中残差模块的重复次数，并通过深度可分离卷积和低秩分解压缩残差模块的参数量和计算量，构建轻量化的检测模型；
其中，CSPDarknet通过CSP结构和残差块的堆叠来获取更好地学习优势；这种跨阶段的局部网络将梯度联合的差异最大化，以此来避免不同卷积层学习相同的梯度信息；CSP结构中存在重复调用的残差结构，模型的参数也主要集中在这部分；
参考图2所示，为了在不影响特征提取性能的前提下减少参数量和计算量，在模块中的残差部分，采用一个卷积层作为瓶颈来调整通道数，并通过K*1和1*K的深度可分离卷积核代替用于特征提取的K*K普通卷积核，进一步提高模型的运行速度，进行特征融合后输出；
调整五个CSP结构中残差模块的重复次数：将残差块的重复次数由1、2、8、8、4调整为1、1、3、3、1；并将四个CSP模块的输出通道数缩放至原来的0.375倍，分别为48、96、192、384；步长为2的CBS模块在网络中起下采样的作用；参考图3所示，为改进后的YOLOX模型结构图；
S3、根据未优化模型的检测结果，所有目标种类中龟裂纹(Crazing)的检测效果最不理想，AP值很低；该种目标的相对面积较小，属于小目标；为了提高模型对小目标的检测精度，将多尺度特征融合注意力模块添加至检测模中；
其中，多尺度特征融合注意力模块添加在主干特征提取网络和Neck之间，确保主干特征提取网络的预训练权重使用避免从零开始训练模型。在主干网络和Neck之间施加注意力是指对主干特征提取网络输出的三个分辨率的特征张量(feature1、feature2、feature3)施加不同尺度感受野的注意力模块，并进行特征融合；此处的特征图数量众多，每张特征图的分辨率相对较小，将获得的融合特征分别传入空间注意力模块和通道注意力模块，对于通道注意力模块，在全连接层前添加一层一维卷积，将空间注意力模块和通道注意力模块的输出进行特征融合，得到整个注意力模块的输出；
其中，参考图4所示，为MFFAM(Multi-scale Feature Fusion Attention Module)的结构图，包括3个子模块，其中，子模块1为多尺度感受野结构，子模块2、3为并联注意力的两个分支；
参考图5所示，为多尺度感受野结构，feature1(52*52)、feature2(26*26)、feature3(13*13)都处于模型的深层，图像信息都是经过高度提取和压缩的，特征十分抽象，因此需要加强图像的表征，子模块1通过3个不同大小的感受野，实现不同尺度的感知，最后进行特征融合，得到输出特征。
其中，若对大分辨率特征图采用过小的感受野，则传入注意力模块的只有局部信息，降低小目标的检测精度。若对小分辨率特征图采用过大的感受野，那将有其他目标的信息传入注意力模块，会提高训练难度，增加收敛所需要的时间，其中，CSP-3传输feature1，CSP-4传输feature2，CSP-5传输feature3。因此，对分辨率最大的feature1采用3*3和5*5的感受野，对中间的feature2采用1*1、3*3、5*5三个尺度的感受野，对feature3采用1*1和3*3的感受野。
S4、利用数据集对检测模型行迭代训练，通过退火余弦算法调整学习率，在损失值停止下降后，继续训练若干次迭代，在收敛后选取精度最高的检测模型作为带钢表面缺陷检测模型。
一具体实施例：采用东北大学宋克臣老师收集整理的NEU surface defectdatabase，包含六类典型的带钢表面缺陷：龟裂纹(Crazing，Cr)、包容物(Inclusion，In)、斑块(Patches，Pa)、凹陷表面(Pitted Surface，PS)、轧制氧化皮(Rolled-in Scale，RS)和划痕(Scratches，Sc)；每幅图像从拍摄照片中进行截取,原始分辨率为200*200像素，共1800张图片；由于拍摄环境和光线问题，数据集中的图片灰度差异很大；而且实际应用中采集设备传入模型的图片分辨率较大；
首先对图片进行处理提取数据集全图的平均灰度值，对图像周围进行灰度填充，将像素值由200*200填充至416*416；此时目标的平均面积占比降为原数据集的1/4，填充后的数据集图像如图6所示；随机对数据集部分图片进行翻转、旋转操作，并生成对应的标签，扩充数据集容量，最后按照6：2：2的比例划分训练集、验证集和测试集；
采用GPU为Tesla V100S，测试使用的GPU为NVIDIA RTX 20606G显存，基于Tensorflow-GPU 2.3.0版本，CPU为Intel Core i5-9400@2.9GHz，内存采用DDR42667MHz16G+16G双通道，发软件采用的是Pycharm，开发环境为Python3.7，为了分析所提出的改进对模型性能的影响，设计了两组实验分别对轻量化设计和注意力模块进行分析和比较，每组实验采用相同的数据集、训练超参数以及预训练权重；最终的整体模型就是将改良效果最好的注意力施加方式与轻量型主干特征提取网络相结合；训练时迭代次数设置为500，批大小设置为64，初始学习率设置为0.01，训练过程中通过余弦退火算法自动调整学习率；余弦退火算法为：
Figure BDA0003800741180000081
其中，lrmax表示最大学习率，设定为初始学习率；lrmin表示最小学习率，设定为0.0001；E表示总迭代次数，Ei表示当前迭代轮次。
将召回率R(Recall)、精准度P(Precision)、平均精度值mAP(mean AveragePrecision)以及每秒处理图片数量FPS(Frames Per Second)作为评测指标；计算时交并比IoU阈值选择0.5，IoU>0.5则认为成功检测到了目标；召回率公式为：
Figure BDA0003800741180000082
Figure BDA0003800741180000083
其中，mAP采用VOC2010以后的计算公式：
Figure BDA0003800741180000084
其中，n为6；
其中，在各项超参数相同的情况下，对改进后的网络模型进行压缩效果如下表所示：
Figure BDA0003800741180000085
Figure BDA0003800741180000091
其中，DWC表示仅在残差模块中用深度可分离卷积(DepthWiseConv2D)替换普通卷积；LR表示仅采在残差模块中用Low Rank来代替普通卷积核；L-CSP表示改进后的轻量化CSP结构。引入L-CSP模块后，对模型的体积有很好的压缩效果，计算量减少36.16％，每秒能处理的图片数量(416*416)提升了10.2张，同时mAP仅下降0.1％；参考图7所示，为轻量化设计模型的AP值柱状对比图；可以看出，采用性能较低的模块后，部分缺陷目标的AP有所提升，表明在训练时产生了过拟合；因此后续训练将引入Dropout，提升模型的鲁棒性；采用L-CSP后，各缺陷目标的AP值有所波动，但是变化都很小；这些轻量型模块均能在保持检测效果的同时，提升模型的检测速度；综合以上数据，对主干网络的轻量化设计是十分有效的。
添加不同注意力机制取得的优化效果如下表所示：
Figure BDA0003800741180000092
其中，第一行Ori表示未施加注意力的网络模型，作为对比。feature1/feature2/feature3分别表示传入Neck的52*52、26*26以及13*13的特征张量。施加类型包括1.SENet，2.Channel Attention，3.Spatial Attention，4.CBAM，5.CBAM^，6.ECANet，7.MFFAM，8.MFFAM^。其中，CBAM^表示在传统CBAM基础上，采用空间和通道并联施加的注意力模块，并在全连接前添加一层一维卷积；MFFAM表示三个特征张量采用三个相同尺度的MFFAM；MFFAM^表示根据特征张量的分辨率施加不同尺度的MFFAM
本实施例中，在在feature1/feature2/feature3处施加注意力时，要早70-110次迭代收敛，平均节省训练时间约17％。MFFAM和MFFAM^对小目标Crazing的检测效果提升很明显，mAP相较于基准模型提升5.15％，同时模型大小和计算量的增长也在可接受范围内，分别为1.51％和0.5％，参考图8所示，为不同注意力模块的AP值柱状对比图。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于，包括如下步骤：
S1、构建标注有待检测带钢表面缺陷的数据集；
S2、将YOLOX主干特征提取网络Darknet替换为CSPDarknet，调整其中残差模块的重复次数，并通过深度可分离卷积和低秩分解压缩残差模块的参数量和计算量，构建轻量化的检测模型；
S3、将多尺度特征融合注意力模块添加至检测模型中；
S4、利用数据集对检测模型行迭代训练，在收敛后选取精度最高的检测模型作为带钢表面缺陷检测模型。
2.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于：在步骤S1中，获取钢材表面缺陷检测数据集图像；提取数据集全图的平均灰度值，对图像周围进行灰度填充，将像素值由200*200填充至416*416；对数据集中标签进行适配，根据填充操作生成对应标签。
3.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于：在步骤S2中，包括CSP1-CSP5五个CSP结构，其中，调整五个CSP结构中残差模块的重复次数：将残差块的重复次数由1、2、8、8、4调整为1、1、3、3、1；并将四个CSP模块的输出通道数缩放至原来的0.375倍，分别为48、96、192、384。
4.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于：在步骤S2中，每个残差模块中，采用一个卷积层作为瓶颈来调整通道数，并通过K*1和1*K的深度可分离卷积核代替用于特征提取的K*K普通卷积核。
5.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于：在步骤S3中，多尺度特征融合注意力模块添加在主干特征提取网络和Neck之间，确保主干特征提取网络的预训练权重使用。
6.根据权利要求5所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于：添加多尺度特征融合注意力模块具体为：
对主干特征提取网络输出的三个分辨率的特征张量施加不同尺度感受野的注意力模块，并进行特征融合；
将获得的融合特征分别传入空间注意力模块和通道注意力模块；
将空间注意力模块和通道注意力模块的输出进行特征融合，得到整个注意力模块的输出。
7.根据权利要求6所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于：对于通道注意力模块，在全连接层前添加一层一维卷积。
8.根据权利要求3所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于：对于CSP3的特征张量，分辨率最大，施加3*3和5*5三个尺度的感受野；
对于CSP4的特征张量，分辨率居中，施加1*1、3*3和5*5三个尺度的感受野；
对于CSP5的特征张量，分辨率最小，施加1*1和3*3两个尺度的感受野。
9.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于：在步骤S4中，通过退火余弦算法调整学习率，在损失值停止下降后，继续训练若干次迭代，并从中选取精度最高的检测模型作为带钢表面缺陷检测模型。
CN202210982203.XA 2022-08-16 2022-08-16 一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法 Pending CN115330729A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210982203.XA CN115330729A (zh) 2022-08-16 2022-08-16 一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210982203.XA CN115330729A (zh) 2022-08-16 2022-08-16 一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN115330729A true CN115330729A (zh) 2022-11-11

Family

ID=83924193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210982203.XA Pending CN115330729A (zh) 2022-08-16 2022-08-16 一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115330729A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958086A (zh) * 2023-07-21 2023-10-27 盐城工学院 具有增强特征融合能力的金属表面缺陷检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958086A (zh) * 2023-07-21 2023-10-27 盐城工学院 具有增强特征融合能力的金属表面缺陷检测方法及系统
CN116958086B (zh) * 2023-07-21 2024-04-19 盐城工学院 具有增强特征融合能力的金属表面缺陷检测方法及系统

Similar Documents

Publication Publication Date Title
CN110660052B (zh) 一种基于深度学习的热轧带钢表面缺陷检测方法
CN111179229B (zh) 一种基于深度学习的工业ct缺陷检测方法
CN109840556B (zh) 一种基于孪生网络的图像分类识别方法
CN111461083A (zh) 基于深度学习的快速车辆检测方法
CN112819748B (zh) 一种带钢表面缺陷识别模型的训练方法及装置
CN110930378A (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN112258470B (zh) 基于缺陷检测的工业图像临界压缩率智能分析系统及方法
CN115147418B (zh) 缺陷检测模型的压缩训练方法和装置
CN115049640B (zh) 一种基于深度学习的道路裂缝检测方法
CN112288700A (zh) 一种铁轨缺陷检测方法
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN115330729A (zh) 一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法
CN114648669A (zh) 一种域自适应双目视差计算的动车组故障检测方法及系统
CN116402769A (zh) 一种兼顾大小目标的高精度纺织品瑕疵智能检测方法
CN115631411A (zh) 基于sten网络对不同环境中的绝缘子破损检测方法
CN116129135A (zh) 基于小目标视觉识别和虚拟实体映射的塔吊安全预警方法
CN115035381A (zh) 一种SN-YOLOv5的轻量化目标检测网络及农作物采摘检测方法
CN114972780A (zh) 一种基于改进YOLOv5的轻量化目标检测网络
CN111598807B (zh) 一种基于区块链的汽车零部件检测数据共享系统及方法
CN112084941A (zh) 一种基于遥感图像的目标检测与识别方法
CN115171079B (zh) 一种基于夜间场景的车辆检测方法
CN111339950A (zh) 一种遥感图像目标检测方法
CN116486166A (zh) 一种基于边缘计算的输电线异物识别检测方法
CN115937736A (zh) 基于注意力和上下文感知的小目标检测方法
CN112232102A (zh) 一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统

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