CN115578567A - 表面缺陷区域分割方法、装置及电子设备 - Google Patents
表面缺陷区域分割方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115578567A CN115578567A CN202211560194.1A CN202211560194A CN115578567A CN 115578567 A CN115578567 A CN 115578567A CN 202211560194 A CN202211560194 A CN 202211560194A CN 115578567 A CN115578567 A CN 115578567A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- network
- defect region
- fusion
- convolution
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 99
- 230000007547 defect Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 15
- 125000004122 cyclic group Chemical group 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 229910000976 Electrical steel Inorganic materials 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种表面缺陷区域分割方法、装置及电子设备,属于缺陷检测技术领域,本申请中的表面缺陷区域分割方法,包括:获取目标表面图像;利用训练好的分割网络模型对目标表面图像进行缺陷区域分割处理;其中,分割网络模型基于解码器‑编码器网络结构构建,分割网络结构中,在次深网络层级以上的网络中采用具有密集跳跃连接的特征融合结构,用于实现对分割网络中相同分辨率的多尺度特征的水平融合,以及对分割网络中不同分辨率的多尺度特征的垂直融合。本申请中采用具有密集跳跃连接的特征融合结构,有助于减少编码器和解码器之间的语义差异,使语义连接更相似,进而有利于方案实施过程中缺陷区域分割预测精度的提升。
Description
技术领域
本申请属于缺陷检测技术领域,具体涉及一种表面缺陷区域分割方法、装置及电子设备。
背景技术
近年来,基于深度学习的工件表面缺陷区域分割算法取得快速发展。现有代表性方法多采用U-Net等编码器-解码器架构方法,通过融合图像的底层空间细节和高层判别语义等多层级特征实现多尺度特征的有效融合,或者通过不同感受野范围的膨胀卷积金字塔,聚合不同距离范围的上下文信息,实现较为准确的分割预测。
相关技术中,基于编码器-解码器架构的方法在对图像的多尺度特征提取和融合方面取得了进展,但忽略了一个基本而又重要的问题:编码器和解码器之间语义差异的问题。尽管编码器和解码器之间的连接是同一层次的,但在语义上并不类似。来自编码器的特征是浅层、细粒度的,而解码器的是深层、粗粒度的特征,存在一定语义差异,这种编码器和解码器之间语义差异会最终影响缺陷区域分割的精度。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种表面缺陷区域分割方法、装置及电子设备,以解决采用编码器-解码器架构网络进行区域分割处理场景中由于存在语义差异,所导致的缺陷区域分割精度不佳的问题。
为实现以上目的,本申请采用如下技术方案:
第一方面,
本申请提供一种表面缺陷区域分割方法,该方法包括:
获取目标表面图像;
利用训练好的分割网络模型对所述目标表面图像进行缺陷区域分割处理;
其中,所述分割网络模型基于解码器-编码器网络结构构建,分割网络结构中,在次深网络层级以上的网络中采用具有密集跳跃连接的特征融合结构,用于实现对分割网络中相同分辨率的多尺度特征的水平融合,以及对分割网络中不同分辨率的多尺度特征的垂直融合。
可选地,所述特征融合结构由设置在编码器卷积块和解码器卷积块之间的融合卷积块构成,各所述融合卷积块在网络中的排列整体呈倒金字塔型:
所述分割网络结构中,处于层级第一阶段的各融合卷积块,对相应层级的编码器卷积块输出特征图和相应层级下一层级对应的上采样特征图进行卷积;
所述分割网络结构中,沿跳跃连接路径,同一层级的第一阶段之后的卷积块,对其同一层级前两个卷积块的输出特征图和下一层级对应的上采样特征图进行卷积。
可选地,所述分割网络结构中的编码器卷积块、解码器卷积块和融合卷积块均采用循环残差卷积块。
可选地,所述循环残差卷积块由两个连续的循环卷积块组成,两所述循环卷积块之间采用残差连接;
其中,各所述循环卷积块根据预设时间步长执行循环卷积。
可选地,所述分割网络结构中,最浅网络层级中的编码器卷积块用于图像输入,最浅网络层次中的解码器卷积块用于图像输出。
可选地,在模型的训练学习阶段,采用损失函数对所述分割网络结构进行监督式学习。
可选地,所述分割网络模型基于U-Net网络构建。
第二方面,
本申请提供一种表面缺陷区域分割装置,该装置包括:
获取模块,用于获取目标表面图像;
分割处理模块,用于利用训练好的分割网络模型对所述目标表面图像进行缺陷区域分割处理;
其中,所述分割网络模型基于解码器-编码器网络结构构建,分割网络结构中,在次深网络层级以上的网络中采用具有密集跳跃连接的特征融合结构,用于实现对分割网络中相同分辨率的多尺度特征的水平融合,以及对分割网络中不同分辨率的多尺度特征的垂直融合。
第三方面,
本申请提供一种电子设备,包括:
存储器,其上存储有可执行程序;
处理器,用于执行所述存储器中的所述可执行程序,以实现上述所述方法的步骤。
本申请采用以上技术方案,至少具备以下有益效果:
本申请中的表面缺陷区域分割方法,通过获取目标表面图像;利用训练好的分割网络模型对目标表面图像进行缺陷区域分割处理;其中,分割网络模型基于解码器-编码器网络结构构建,分割网络结构中,在次深网络层级以上的网络中采用具有密集跳跃连接的特征融合结构,用于实现对分割网络中相同分辨率的多尺度特征的水平融合,以及对分割网络中不同分辨率的多尺度特征的垂直融合。本申请的技术方案,在基于解码器-编码器架构的分割网络中,采用具有密集跳跃连接的特征融合结构,用于实现对分割网络中相同分辨率的多尺度特征的水平融合,以及对分割网络中不同分辨率的多尺度特征的垂直融合,这种有助于减少编码器和解码器之间的语义差异,使语义连接更相似,进而有利于方案实施过程中缺陷区域分割精度的提升。
本发明的其他优点、目标,和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解,并且构成说明书的一部分。其中,表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案,但并不构成对本申请技术方案的限制。
图1为本申请一个实施例提供的表面缺陷区域分割方法的流程示意图;
图2为本申请一个实施例中分割网络的整体结构示意说明图;
图3为本申请一个实施例中循环残差卷积块的示意说明图;
图4为本申请一个实施例中循环卷积块的示意说明图;
图5为本申请一个实施例提供的表面缺陷区域分割装置的结构示意图;
图6为本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
如背景技术中所述,近年来,基于深度学习的工件表面缺陷区域分割算法取得快速发展。现有代表性方法多采用U-Net等编码器-解码器架构方法,通过融合图像的底层空间细节和高层判别语义等多层级特征实现多尺度特征的有效融合,或者通过不同感受野范围的膨胀卷积金字塔,聚合不同距离范围的上下文信息,实现较为准确的分割预测
相关技术中,基于编码器-解码器架构的方法在对图像的多尺度特征提取和融合方面取得了进展,但忽略了一个基本而又重要的问题:编码器和解码器之间语义差异的问题。尽管编码器和解码器之间的连接是同一层次的,但在语义上并不类似。来自编码器的特征是浅层、细粒度的,而解码器的是深层、粗粒度的特征,存在一定语义差异,这种编码器和解码器之间语义差异会最终影响缺陷区域分割的精度。
针对于此,本申请提供一种表面缺陷区域分割方法,以解决采用编码器-解码器架构网络进行区域分割处理场景中由于语义差异,所导致的缺陷区域分割精度不佳的问题。
在一实施例中,如图1所示,本申请提出的表面缺陷区域分割方法,包括:
步骤S110,获取目标表面图像;
举例而言,该实施例的应用场景为硅钢带生产场景,该场景下需对硅钢带进行表面缺陷检测,生产现场具体配置有摄像装置,通过摄像装置来拍摄获取要输入检测处理系统的硅钢带的表面图像(即目标表面图像)。
之后继续如图1所示,进行步骤S120,利用训练好的分割网络模型对目标表面图像进行缺陷区域分割处理;
不同于现有技术的是,本申请的技术方案中,这里的分割网络模型基于解码器-编码器网络结构构建,分割网络结构中,在次深网络层级以上的网络中采用具有密集跳跃连接的特征融合结构,用于实现对分割网络中相同分辨率的多尺度特征的水平融合,以及对分割网络中不同分辨率的多尺度特征的垂直融合。
具体的,举例而言,该实施例中,分割网络模型基于U-Net网络构建,如图2所示,为该实施例中分割网络的整体结构示意说明图。
如图2所示,该基于U-Net网络构建的分割网络中有5个网络层级(或者说四级U-Net网络),次深网络层级指图2中卷积块X(3,0)所处层级;
如图2所示,本申请中所指的特征融合结构由设置在编码器卷积块(如图2中的卷积块X(0,0),X(1,0),…)和解码器卷积块(如图2中的卷积块X(0,4),X(1,3),…)之间的融合卷积块构成,各融合卷积块在网络中的排列整体呈倒金字塔型;
容易理解的是,特征融合结构的每层级中卷积层数(或者说融合卷积块的数目)根据其金字塔层级来确定的,如图2中所示的,在四级U-Net网络的最浅层级,编码器卷积块为X(0,0),解码器卷积块为X(0,4),融合卷积块将有三个,分别为X(0,1)、X(0,2)、X(0,3),具体在该实施例中,整体网络中,图2中的卷积块X(0,1),X(0,2),X(0,3),X(1,1),X(1,2),X(2,1)为融合卷积块;
该实施例中,分割网络结构中,处于层级第一阶段的各融合卷积块(如X(0,1),X(1 ,1)),对相应层级的编码器卷积块输出特征图和相应层级下一层级对应的上采样特征图进行卷积,
分割网络结构中,沿跳跃连接路径,同一层级的第一阶段之后的卷积块(如融合卷积块X(0,1)、X(0,2)、X(0,3),解码器卷积块X(0,4)),对其同一层级前两个卷积块的输出特征图和下一层级对应的上采样特征图进行卷积;
本领域技术人员容易理解的是,上述描述对应于图2中相应卷积块间的跳跃连接图例、上采样图例所示的处理过程。
该实施例中,分割网络结构中,最浅网络层级中的编码器卷积块(如图2中的编码器卷积块X(0,0))用于图像输入,最浅网络层次中的解码器卷积块(如图2中的编码器卷积块X(0,4))用于图像输出。
下面再从图像处理流程角度对图2中所示的分割网络进行一下说明:
首先输入图像,图像依次经过卷积块X(0,0)、X(1,0)、X(2,0)、X(3,0)、X(4,0)得到相应的特征图;
之后,对上述特征图进行上采样,并通过具有密集跳跃连接的特征融合结构,最终经过卷积块X(4,0)处理得到最后的结果图;
该过程中,以融合卷积块X(0,2)为例,其需要对来自同一层级的别块X(0,0)和X(0,1)的特征图进行卷积融合,并对下一层级的X(1,1)上采样得到的特征图进行卷积融合;
这样以此类推,本申请中具有密集跳跃连接的特征融合结构,将具有相同分辨率的多尺度特征进行水平融合,而将具有不同分辨率的多尺度特征进行垂直融合,这样处理后其不仅可以减少编码器和解码器之间的特征差异,还可以捕获多尺度上下文,从而实现了减少编码器和解码器之间的语义差异、使语义连接更相似的效果,进而有利于缺陷区域分割精度的提升。
在实际技术方案实施过程中,在模型的训练学习阶段,可采用损失函数对上述分割网络进行监督式学习,关于损失函数及监督式学习的相关实现方式可现于现有公开技术资料,本申请这里就不进行详述了。
分割网络模型训练好后,在后续的实际使用测试阶段,就可以直接利用上述已训练好网络进行表面缺陷区域分割的预测了。
进一步的,作为一种优选,在一实施例中,为了增加神经网络浅层的感受野,以便于能够提取出精确的低级特征,在上述实施例基础上,该实施例中的分割网络结构中,各编码器卷积块、各解码器卷积块和各融合卷积块均采用循环残差卷积块。
如图3所示,为循环残差卷积块的结构示意说明图,循环残差卷积块由两个连续的循环卷积块(或者说循环卷积模块)组成,两循环卷积块之间采用残差连接,残差连接用于通过结合原始特征输入和第二循环单元(图3中右上侧卷积块)的输出来生成最终输出,在循环卷积之间添加残差连接,有利于避免退化问题。
图3中所示的循环卷积块根据预设时间步长执行循环卷积,循环卷积块的结构如图4所示,举例而言,如图4中所示的结构,循环卷积块的预设时间步长t=2。
本申请中提出的表面缺陷区域分割方法中所采用的分割网络模型,其基于解码器-编码器网络结构构建,在普通卷积层上使用循环残差单元使网络能够精确提取低级特征而不会遇到退化问题,同时采用具有密集跳跃连接的特征融合结构,来减少编码器和解码器之间的语义差异从而使语义连接更相似,从而提高了缺陷区域分割预测的性能。
图5为本申请一个实施例提供的表面缺陷区域分割装置的结构示意图,如图5所示,该表面缺陷区域分割装置300包括:
获取模块301,用于获取目标表面图像;
分割处理模块302,用于利用训练好的分割网络模型对目标表面图像进行缺陷区域分割处理;
其中,分割网络模型基于解码器-编码器网络结构构建,分割网络结构中,在次深网络层级以上的网络中采用具有密集跳跃连接的特征融合结构,用于实现对分割网络中相同分辨率的多尺度特征的水平融合,以及对分割网络中不同分辨率的多尺度特征的垂直融合。
关于上述相关实施例中的表面缺陷区域分割装置300,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6为本申请一个实施例提供的电子设备的结构示意图,如图6所示,该电子设备400包括:
存储器401,其上存储有可执行程序;
处理器402,用于执行存储器401中的可执行程序,以实现上述方法的步骤。
关于上述实施例中的电子设备400,其处理器402执行存储器401中的程序的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人员在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种表面缺陷区域分割方法,其特征在于,包括:
获取目标表面图像;
利用训练好的分割网络模型对所述目标表面图像进行缺陷区域分割处理;
其中,所述分割网络模型基于解码器-编码器网络结构构建,分割网络结构中,在次深网络层级以上的网络中采用具有密集跳跃连接的特征融合结构,用于实现对分割网络中相同分辨率的多尺度特征的水平融合,以及对分割网络中不同分辨率的多尺度特征的垂直融合。
2.根据权利要求1所述的表面缺陷区域分割方法,其特征在于,所述特征融合结构由设置在编码器卷积块和解码器卷积块之间的融合卷积块构成,各所述融合卷积块在网络中的排列整体呈倒金字塔型:
所述分割网络结构中,处于层级第一阶段的各融合卷积块,对相应层级的编码器卷积块输出特征图和相应层级下一层级对应的上采样特征图进行卷积;
所述分割网络结构中,沿跳跃连接路径,同一层级的第一阶段之后的卷积块,对其同一层级前两个卷积块的输出特征图和下一层级对应的上采样特征图进行卷积。
3.根据权利要求2所述的表面缺陷区域分割方法,其特征在于,所述分割网络结构中的编码器卷积块、解码器卷积块和融合卷积块均采用循环残差卷积块。
4.根据权利要求3所述的表面缺陷区域分割方法,其特征在于,所述循环残差卷积块由两个连续的循环卷积块组成,两所述循环卷积块之间采用残差连接;
其中,各所述循环卷积块根据预设时间步长执行循环卷积。
5.根据权利要求1至4中任一项所述的表面缺陷区域分割方法,其特征在于,
所述分割网络结构中,最浅网络层级中的编码器卷积块用于图像输入,最浅网络层次中的解码器卷积块用于图像输出。
6.根据权利要求1至4中任一项所述的表面缺陷区域分割方法,其特征在于,
在模型的训练学习阶段,采用损失函数对所述分割网络结构进行监督式学习。
7.根据权利要求1至4中任一项所述的表面缺陷区域分割方法,其特征在于,所述分割网络模型基于U-Net网络构建。
8.一种表面缺陷区域分割装置,其特征在于,包括:
获取模块,用于获取目标表面图像;
分割处理模块,用于利用训练好的分割网络模型对所述目标表面图像进行缺陷区域分割处理;
其中,所述分割网络模型基于解码器-编码器网络结构构建,分割网络结构中,在次深网络层级以上的网络中采用具有密集跳跃连接的特征融合结构,用于实现对分割网络中相同分辨率的多尺度特征的水平融合,以及对分割网络中不同分辨率的多尺度特征的垂直融合。
9.一种电子设备,其特征在于,包括:
存储器,其上存储有可执行程序;
处理器,用于执行所述存储器中的所述可执行程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211560194.1A CN115578567A (zh) | 2022-12-07 | 2022-12-07 | 表面缺陷区域分割方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211560194.1A CN115578567A (zh) | 2022-12-07 | 2022-12-07 | 表面缺陷区域分割方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578567A true CN115578567A (zh) | 2023-01-06 |
Family
ID=84590169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211560194.1A Pending CN115578567A (zh) | 2022-12-07 | 2022-12-07 | 表面缺陷区域分割方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578567A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447994A (zh) * | 2018-11-05 | 2019-03-08 | 陕西师范大学 | 结合完全残差与特征融合的遥感图像分割方法 |
CN113887654A (zh) * | 2021-10-20 | 2022-01-04 | 北京矩视智能科技有限公司 | 基于交错特征融合的表面缺陷区域分割方法、装置及设备 |
US20220244194A1 (en) * | 2019-06-05 | 2022-08-04 | Lynx Inspection Inc. | Automated inspection method for a manufactured article and system for performing same |
-
2022
- 2022-12-07 CN CN202211560194.1A patent/CN115578567A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447994A (zh) * | 2018-11-05 | 2019-03-08 | 陕西师范大学 | 结合完全残差与特征融合的遥感图像分割方法 |
US20220244194A1 (en) * | 2019-06-05 | 2022-08-04 | Lynx Inspection Inc. | Automated inspection method for a manufactured article and system for performing same |
CN113887654A (zh) * | 2021-10-20 | 2022-01-04 | 北京矩视智能科技有限公司 | 基于交错特征融合的表面缺陷区域分割方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
MD ZAHANGIR ALOM 等: "Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation", 《HTTPS://ARXIV.ORG/ABS/1802.06955》 * |
ZONGWEI ZHOU 等: "UNet++: A Nested U-Net Architecture for Medical Image Segmentation", 《HTTPS://ARXIV.ORG/ABS/1807.10165》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047551B (zh) | 一种基于U-net改进算法的遥感影像变化检测方法及系统 | |
CN110232394B (zh) | 一种多尺度图像语义分割方法 | |
CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN111179229A (zh) | 一种基于深度学习的工业ct缺陷检测方法 | |
CN112597985B (zh) | 一种基于多尺度特征融合的人群计数方法 | |
CN112861729B (zh) | 一种基于伪深度图引导的实时深度补全方法 | |
CN112084923B (zh) | 一种遥感图像语义分割方法、存储介质及计算设备 | |
CN114972989B (zh) | 一种基于深度学习算法的单幅遥感影像高度信息估算方法 | |
CN114936605A (zh) | 基于知识蒸馏的神经网络训练方法、设备及存储介质 | |
CN112163520B (zh) | 一种基于改进损失函数的mdssd人脸检测方法 | |
CN112801047B (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN112927253A (zh) | 基于卷积神经网络的岩心fib-sem图像分割方法 | |
CN115424017B (zh) | 一种建筑物内外轮廓分割方法、装置及存储介质 | |
CN116228792A (zh) | 一种医学图像分割方法、系统及电子装置 | |
CN114742799A (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
CN113297959A (zh) | 一种基于角点注意力孪生网络的目标跟踪方法及系统 | |
CN116703885A (zh) | 一种基于Swin Transformer的表面缺陷检测方法及系统 | |
CN113628180B (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN113902793A (zh) | 基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备 | |
CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
CN110796003B (zh) | 车道线检测方法、装置及电子设备 | |
CN114419078B (zh) | 基于卷积神经网络的表面缺陷区域分割方法及装置 | |
CN115578567A (zh) | 表面缺陷区域分割方法、装置及电子设备 | |
CN116310899A (zh) | 基于YOLOv5改进的目标检测方法及装置、训练方法 | |
Feng et al. | Improved deep fully convolutional network with superpixel-based conditional random fields for building extraction |
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: 20230106 |
|
RJ01 | Rejection of invention patent application after publication |