CN115775236A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115775236A CN115775236A CN202211483954.3A CN202211483954A CN115775236A CN 115775236 A CN115775236 A CN 115775236A CN 202211483954 A CN202211483954 A CN 202211483954A CN 115775236 A CN115775236 A CN 115775236A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- feature fusion
- characteristic diagram
- scale feature
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 230000007547 defect Effects 0.000 title claims abstract description 72
- 230000004927 fusion Effects 0.000 title claims abstract description 48
- 230000000007 visual effect Effects 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 3
- 238000010586 diagram Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 8
- 238000011179 visual inspection Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 2
- 239000000243 solution Substances 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了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,其中方法包括以下步骤:采集被测目标物图像集,并基于被测目标物图像集构建工业品微小缺陷的图像训练数据集;基于图像训练数据集,进行多尺度特征融合深度神经网络训练,得到优化后深度神经网络;将待测目标物图像输入至优化后深度神经网络进行处理,得到目标物缺陷图像。本申请通过采用注意力机制以及多尺度特征融合网络结构,可以有效抑制下采样导致的信息丢失,提高工业品微小缺陷检测的识别率,另外,增加小目标检测层,能够更加准确检测出工业品的微小缺陷,有利于机器视觉缺陷检测技术的应用研究。
Description
技术领域
本发明涉及机器视觉缺陷检测领域,具体涉及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。
背景技术
缺陷检测是工业检测领域的一种常用技术,缺陷检测的任务来从图像中检测物体缺陷的位置、大小以及分类,缺陷检测算法通过大量样本数据的训练和学习可以实现自动完成检测任务。相比于传统的缺陷检测算法,基于多尺度特征融合的缺陷检测方法能够更好适用于不同大小的物体检测以及定位物体缺陷的位置。因此基于多尺度特征融合的缺陷检测算法在人脸识别、自动驾驶、微小缺陷检测等方面得到广泛的应用。
现代工业生产对于质量要求与日俱增,尤其以高端电器铝型材加工、高端包装印刷、食品级注塑生产等行业,对于外观缺陷要求极高,缺陷最小尺寸小于0.1mm,这对于自动化视觉检测提出了很高的要求。传统的缺陷检测系统由于无法准确识别微小缺陷、检测精度低的限制,导致系统存在检测准确率低、效率低等问题。因此,开发能够更精确识别微小缺陷、检测准确率高的缺陷检测算法非常有助于视觉缺陷检测技术的应用和发展。
发明内容
针对传统微小缺陷视觉检测算法检测准确率及微小缺陷识别率低的问题,本申请提供了一种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。结合深度学习缺陷检测算法以及网络结构优化方法,提高了工业微小缺陷检测的识别率和准确率。
为达到上述目的,本申请提供了以下方案:
基于多尺度特征融合的表面微小缺陷视觉检测方法,包括以下步骤:
采集被测目标物图像集,并基于所述被测目标物图像集构建工业品微小缺陷的图像训练数据集;
基于所述图像训练数据集,进行多尺度特征融合深度神经网络训练,得到优化后深度神经网络;
将待测目标物图像输入至所述优化后深度神经网络进行处理,得到目标物缺陷图像。
优选的,所述被测目标物图像的采集方法包括:
拍摄X张被测目标物图像;
将X张所述被测目标物图像进行预处理,得到图像集B,所述图像集B作为所述被测目标物图像集。
优选的,获得所述预处理的方法包括:
将每张所述被测目标物进行亮度调整、旋转和翻转处理,得到Y张处理后子图像;
基于所述处理后子图像,构建包含K=X×(Y+1)张处理后图像的图像集A;
将K张所述处理后图像进行缺陷标注,得到预处理后的所述图像集B。
优选的,所述多尺度特征融合深度神经网络训练的方法包括:
设计特征提取过程中的注意力机制CA;
引入小目标检测层;
采用ADAM函数对所述多尺度特征融合深度神经网络进行损失函数Loss(Π)训练优化。
优选的,所述注意力机制CA的设计方法包括:
给定一个C×H×W的特征图f,将所述特征图f在x和y方向进行平均池化,得到C×H×1大小的第一特征图和C×1×W大小的第二特征图;
将所述第一特征图和所述第二特征图在空间通道进行连接和卷积激活操作得到定位特征向量D∈RC/r×1×(H+W);
利用两个卷积分别将x和y方向的特征图通道数变换为与输入通道数相同,将所述两个卷积的输出特征值相乘后输出一个C×H×W的特征图J;
将所述特征图f进行全局平均池化和最大池化,得到1×H×W大小的第三特征图和1×H×W大小的第四特征图;
将所述第三特征图和所述第四特征图在所述空间通道中连接并进行卷积,得到特征图F;
将特征图J和特征图F输入SKFF模块对感受野进行动态调整后与输入特征图f相乘输出一个C×H×W的特征图G。
优选的,所述小目标检测层的工作方法包括:
给定一个输入特征图I∈RC×H×W;
将所述特征图I∈RC×H×W经过卷积和上采样后得到特征图I′;
优选的,所述损失函数Loss(П)的优化过程如下式所示:
式中,N为检测层个数,α为损失函数的权重,Lb为边界框损失函数,Lo为目标物损失函数,Lc为分类损失函数,IoU为交并比,I为最小外接矩形的对角线距离,W为预测框与真实框中心点距离,v为衡量长宽比一致的参数,n为标签数,Bi为目标值,Si为模型输出值。
优选的,所述处理过程包括:
将所述被测目标物图像集经过多尺度特征提取和特征融合网络处理后得到图像组;
将所述图像组输入至所述小目标检测层后得到缺陷检测结果。
本申请还提供了基于多尺度特征融合的表面微小缺陷视觉检测系统,包括:图像采集模块、网络训练模块和检测模块;
所述图像采集模块用于采集被测目标物图像集,并基于所述被测目标物图像集构建工业品微小缺陷的图像训练数据集;
所述网络训练模块用于基于所述图像训练数据集,进行多尺度特征融合深度神经网络训练,得到优化后深度神经网络;
所述检测模块用于将所述被测目标物图像集输入至所述优化后深度神经网络进行处理,得到目标物缺陷图像。
本申请的有益效果为:
本申请设计出一种基于多尺度特征融合的工业微小缺陷视觉检测方法。通过采用注意力机制以及多尺度特征融合网络结构,可以有效抑制下采样导致的信息丢失,提高工业品微小缺陷检测的识别率。另外,增加小目标检测层,能够更加准确检测出工业品的微小缺陷。本申请有利于机器视觉缺陷检测技术的应用研究。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一的方法流程示意图;
图2为本申请实施例一的CA坐标注意力机制架构示意图;
图3为本申请实施例一的小目标检测层架构示意图;
图4为本申请实施例一的C3_1模块和C3_2模块组成示意图;
图5为本申请实施例一的多尺度特征融合深度神经网络架构示意图;
图6为本申请实施例二的系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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前提下所获得的所有其他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
在本实施例一种,如图1所示,基于多尺度特征融合的表面微小缺陷视觉检测方法,包括以下步骤:
S1.采集被测目标物图像集,并基于被测目标物图像集构建工业品微小缺陷的图像训练数据集。
被测目标物图像的采集方法包括:拍摄X张被测目标物图像,将X张被测目标物图像进行预处理,得到图像集B;其中,预处理的方法包括:将每张被测目标物进行亮度调整、旋转和翻转处理,得到Y张处理后子图像;基于处理后子图像,构建包含K=X×(Y+1)张处理后图像的图像集A;将K张所述处理后图像进行缺陷标注,得到预处理后的图像集B。
在本实施例一中,利用工业相机拍摄X=430张被测目标物图像,每个被测目标物图像记为ni,i=1,2,…,430;把被测目标物图像经过亮度调整、旋转、翻转等预处理后,得到Y=10张预处理后的子图像;将X=430张被测目标物图像采用相同方式预处理后,可得到包含K=430×(10+1)=4730张图像的输入图像集A;用矩形框将K=4730张被测物图像中的缺陷圈出后,可得到包含K=4730张图像的目标图像集B。
S2.基于图像训练数据集,进行多尺度特征融合深度神经网络训练,得到优化后深度神经网络。
多尺度特征融合深度神经网络训练的方法包括:设计特征提取过程中的注意力机制CA,引入小目标检测层,采用ADAM函数对所述多尺度特征融合深度神经网络进行损失函数Loss(П)训练优化。
在多尺度特征提取网络中,浅层特征提取部分通过卷积操作得到不同尺寸大小的特征图,深层特征通过不同池化核大小的最大池化进行多尺度特征提取。在网络中上层、中间层、中下层以及底层提取四个特征层,利用这四个不同尺寸大小的特征层进行多尺度特征融合,有利于提取出更好的特征,提高对微小缺陷的识别率。
其中,注意力机制CA的设计方法包括:给定一个C×H×W的特征图f,将所述特征图f在x和y方向进行平均池化,得到C×H×1大小的第一特征图和C×1×W大小的第二特征图;将第一特征图和第二特征图在空间通道进行连接和卷积激活操作得到定位特征向量D∈RC /r×1×(H+W);利用两个卷积分别将x和y方向的特征图通道数变换为与输入通道数相同,将两个卷积的输出特征值相乘后输出一个C×H×W的特征图J;将特征图f进行全局平均池化和最大池化,得到1×H×W大小的第三特征图和1×H×W大小的第四特征图;将第三特征图和第四特征图在所述空间通道中连接并进行卷积,得到特征图F;将特征图J和特征图F输入SKFF模块对感受野进行动态调整后与输入特征图f相乘输出一个C×H×W的特征图G。
在本实施例一中,如图2所示,给定一个C×H×W=180×80×80的特征图f,首先将特征图在x和y方向进行平均池化,得到C×H×1=128×80×1和C×1×W=128×1×80大小的特征图,将特征图在空间通道进行连接和卷积激活操作得到定位特征向量D∈R128 /32/1×(80+80),利用两个卷积分别将x和y方向的特征图的通道数变换为与输入通道数相同,将两个卷积输出特征值相乘后输出一个C×H×W=128×80×80的特征图J。其次,将特征图f进行全局平均池化和最大池化,得到两个1×H×W=1×80×80大小的特征图,在空间通道连接后采用卷积输出一张与特征图f相同尺寸的特征图F。最后将特征图J和特征图F输入SKFF模块对感受野进行动态调整后与输入特征图f相乘输出一个C×H×W=128×80×80的特征图G。其数学模型可以表示如下:
D=[Dh,Dw]=σ(Qa[Ax(f),Ay(f)])
J=σ(QbDh)·σ(QcDw)
F=σ(Qd[Aa(f),Am(f)])
其中,表示特征提取函数,Ax(·)表示在x方向平均池化,Ay(·)表示在y方向平均池化,Aa(·)表示在全局平均池化,Am(·)表示全局最大池化,σ(·)是sigmod函数,Qa、Qb、Qc和Qd表示卷积权重,S(·)是表示SKFF模块的隐函数。
为了提高工业微小缺陷检测的准确率,在特征融合网络中引入了如图3所示的小目标检测层,小目标检测层的工作方法包括:给定一个输入特征图I∈RC×H×W;将特征图I∈RC×H×W经过卷积和上采样后得到特征图I′;将特征图I′与另一张相同尺寸的特征图I″连接,输出融合后的特征图
在本实施例一中,给定一个输入特征图I∈R256×80×80,将特征图I∈R256×80×80经过卷积和上采样操作后得到特征图I′∈R128×160×160;将特征图I′与另一张相同尺寸的特征图I″∈R128×160×160连接;由C3_2模块输出融合后的特征图C3_1模块和C3_2模块如图4所示。
在本实施例一中,损失函数Loss(∏)的优化过程如下式所示:
式中,N为检测层个数,α为损失函数的权重,Lb为边界框损失函数,Lo为目标物损失函数,Lc为分类损失函数,IoU为交并比,I为最小外接矩形的对角线距离,W为预测框与真实框中心点距离,v为衡量长宽比一致的参数,n为标签数,Bi为目标值,Si为模型输出值。经过M次训练后,可以得到优化参数
S3.将待测目标物图像输入至优化后深度神经网络进行处理,得到目标物缺陷图像。
处理过程包括:将被测目标物图像集经过多尺度特征提取和特征融合网络处理后得到图像组;将图像组输入至所述小目标检测层后得到缺陷检测结果。
被测目标物图像经过多尺度特征提取网络提取特征以及多尺度特征融合后,得到z=4个尺寸依次减半的特征图由Detect模块对特征图Z′=[Z′1,Z′2,...,Z′4]进行预测,输出预测结果图Z,其数学模型可以表示如下:
Z=Z(x,y)=D(Z′)
其中,D(·)表示目标检测函数,Z′为包含z张输入特征图的数组,Z表示输出的检测特征图。
在本实施例一中,如图5所示,将被测目标物图像S∈R3×640×640输入到深度神经网络中,之后输出即为目标物缺陷图像Ot∈R3×640×640,其数学模型可以表示如下:
Ot=Ot(x,y)=Ψ(S,Π)
其中,Ot(x,y)表示目标物缺陷图像,Ψ(·)是表示神经网络的隐函数,Π是神经网络的参数,(x,y)表示像素坐标。
实施例二
在本实施例二中,如图6所示,基于多尺度特征融合的表面微小缺陷视觉检测系统,包括:图像采集模块、网络训练模块和检测模块;
图像采集模块用于采集被测目标物图像集,并基于被测目标物图像集构建工业品微小缺陷的图像训练数据集;被测目标物图像的采集方法包括:拍摄X张被测目标物图像,将X张被测目标物图像进行预处理,得到图像集B;其中,预处理的方法包括:将每张被测目标物进行亮度调整、旋转和翻转处理,得到Y张处理后子图像;基于处理后子图像,构建包含K=X×(Y+1)张处理后图像的图像集A;将K张所述处理后图像进行缺陷标注,得到预处理后的图像集B。
网络训练模块用于基于图像训练数据集,进行多尺度特征融合深度神经网络训练,得到优化后深度神经网络;尺度特征融合深度神经网络训练的方法包括:设计特征提取过程中的注意力机制CA,引入小目标检测层,采用ADAM函数对所述多尺度特征融合深度神经网络进行损失函数Loss(Π)训练优化。
检测模块用于将待测目标物图像输入至优化后深度神经网络进行处理,得到目标物缺陷图像;将被测目标物图像集经过多尺度特征提取和特征融合网络处理后得到图像组;将图像组输入至所述小目标检测层后得到缺陷检测结果。对于一个由工业相机拍摄的待测目标物图像S,经过多尺度特征提取和特征融合网络处理后得到图像组S′,最后将图像组输入小目标特征检测网络后可得到缺陷检测结果,即通过得到目标物缺陷检测结果图像。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (9)
1.基于多尺度特征融合的表面微小缺陷视觉检测方法,其特征在于,包括以下步骤:
采集被测目标物图像集,并基于所述被测目标物图像集构建工业品微小缺陷的图像训练数据集;
基于所述图像训练数据集,进行多尺度特征融合深度神经网络训练,得到优化后深度神经网络;
将待测目标物图像输入至所述优化后深度神经网络进行处理,得到目标物缺陷图像。
2.根据权利要求1所述基于多尺度特征融合的表面微小缺陷视觉检测方法,其特征在于,所述被测目标物图像的采集方法包括:
拍摄X张被测目标物图像;
将X张所述被测目标物图像进行预处理,得到图像集B,所述图像集B作为所述被测目标物图像集。
3.根据权利要求2所述基于多尺度特征融合的表面微小缺陷视觉检测方法,其特征在于,获得所述预处理的方法包括:
将每张所述被测目标物进行亮度调整、旋转和翻转处理,得到Y张处理后子图像;
基于所述处理后子图像,构建包含K=X×(Y+1)张处理后图像的图像集A;
将所述图像集A中的K张所述处理后图像进行缺陷标注,得到预处理后的所述图像集B。
4.根据权利要求1所述基于多尺度特征融合的表面微小缺陷视觉检测方法,其特征在于,所述多尺度特征融合深度神经网络训练的方法包括:
设计特征提取过程中的注意力机制CA;
引入小目标检测层;
采用ADAM函数对所述多尺度特征融合深度神经网络进行损失函数Loss(Π)训练优化。
5.根据权利要求4所述基于多尺度特征融合的表面微小缺陷视觉检测方法,其特征在于,所述注意力机制CA的设计方法包括:
给定一个C×H×W的特征图f,将所述特征图f在x和y方向进行平均池化,得到C×H×1大小的第一特征图和C×1×W大小的第二特征图;
将所述第一特征图和所述第二特征图在空间通道进行连接和卷积激活操作得到定位特征向量D∈RC/r×l×(H+W);
利用两个卷积分别将x和y方向的特征图通道数变换为与输入通道数相同,将所述两个卷积的输出特征值相乘后输出一个C×H×W的特征图J;
将所述特征图f进行全局平均池化和最大池化,得到1×H×W大小的第三特征图和1×H×W大小的第四特征图;
将所述第三特征图和所述第四特征图在所述空间通道中连接并进行卷积,得到特征图F;
将特征图J和特征图F输入SKFF模块对感受野进行动态调整后与输入特征图f相乘输出一个C×H×W的特征图G。
8.根据权利要求4所述基于多尺度特征融合的表面微小缺陷视觉检测方法,其特征在于,所述处理过程包括:
将所述被测目标物图像集经过多尺度特征提取和特征融合网络处理后得到图像组;
将所述图像组输入至所述小目标检测层后得到缺陷检测结果。
9.基于多尺度特征融合的表面微小缺陷视觉检测系统,其特征在于,包括:图像采集模块、网络训练模块和检测模块;
所述图像采集模块用于采集被测目标物图像集,并基于所述被测目标物图像集构建工业品微小缺陷的图像训练数据集;
所述网络训练模块用于基于所述图像训练数据集,进行多尺度特征融合深度神经网络训练,得到优化后深度神经网络;
所述检测模块用于将所述被测目标物图像集输入至所述优化后深度神经网络进行处理,得到目标物缺陷图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211483954.3A CN115775236B (zh) | 2022-11-24 | 2022-11-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211483954.3A CN115775236B (zh) | 2022-11-24 | 2022-11-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115775236A true CN115775236A (zh) | 2023-03-10 |
CN115775236B CN115775236B (zh) | 2023-07-14 |
Family
ID=85390125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211483954.3A Active CN115775236B (zh) | 2022-11-24 | 2022-11-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115775236B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115993365A (zh) * | 2023-03-23 | 2023-04-21 | 山东省科学院激光研究所 | 一种基于深度学习的皮带缺陷检测方法及系统 |
CN116958688A (zh) * | 2023-07-28 | 2023-10-27 | 南京信息工程大学 | 一种基于YOLOv8网络的目标检测方法及系统 |
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 |
CN117764969A (zh) * | 2023-12-28 | 2024-03-26 | 广东工业大学 | 多视角成像系统及轻量化多尺度特征融合缺陷检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421230A (zh) * | 2021-06-08 | 2021-09-21 | 浙江理工大学 | 基于目标检测网络的车载液晶屏导光板缺陷视觉检测方法 |
CN113658176A (zh) * | 2021-09-07 | 2021-11-16 | 重庆科技学院 | 基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法 |
WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
WO2021248687A1 (zh) * | 2020-06-10 | 2021-12-16 | 南京理工大学 | 伪3d卷积神经网络与注意力机制结合的驾驶疲劳检测方法及系统 |
CN114331895A (zh) * | 2021-12-30 | 2022-04-12 | 电子科技大学 | 一种基于生成对抗网络的蒙特卡罗渲染图去噪方法 |
CN114821423A (zh) * | 2022-04-24 | 2022-07-29 | 王龙兴 | 基于改进yolov5的火灾检测方法 |
-
2022
- 2022-11-24 CN CN202211483954.3A patent/CN115775236B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
WO2021248687A1 (zh) * | 2020-06-10 | 2021-12-16 | 南京理工大学 | 伪3d卷积神经网络与注意力机制结合的驾驶疲劳检测方法及系统 |
CN113421230A (zh) * | 2021-06-08 | 2021-09-21 | 浙江理工大学 | 基于目标检测网络的车载液晶屏导光板缺陷视觉检测方法 |
CN113658176A (zh) * | 2021-09-07 | 2021-11-16 | 重庆科技学院 | 基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法 |
CN114331895A (zh) * | 2021-12-30 | 2022-04-12 | 电子科技大学 | 一种基于生成对抗网络的蒙特卡罗渲染图去噪方法 |
CN114821423A (zh) * | 2022-04-24 | 2022-07-29 | 王龙兴 | 基于改进yolov5的火灾检测方法 |
Non-Patent Citations (4)
Title |
---|
ZIHAO ZHANG等: "Seismic Random Noise Suppression Based on MIRNet With Dense Feature Fusion", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 19, pages 1 - 5, XP011910871, DOI: 10.1109/LGRS.2022.3177231 * |
何迅等: "角钢钢印字符识别方法的研究综述", 《现代计算机》, vol. 28, no. 19, pages 39 - 44 * |
王生霄等: "嵌入CBAM结构的改进YOLOV3超宽带雷达生命信号检测算法", 《国外电子测量技术》, vol. 39, no. 03, pages 1 - 5 * |
祁成晓: "基于对抗生成网络的遥感图像超分辨技术研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, pages 028 - 51 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115993365A (zh) * | 2023-03-23 | 2023-04-21 | 山东省科学院激光研究所 | 一种基于深度学习的皮带缺陷检测方法及系统 |
CN116958688A (zh) * | 2023-07-28 | 2023-10-27 | 南京信息工程大学 | 一种基于YOLOv8网络的目标检测方法及系统 |
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 |
CN117764969A (zh) * | 2023-12-28 | 2024-03-26 | 广东工业大学 | 多视角成像系统及轻量化多尺度特征融合缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115775236B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598861B (zh) | 基于改进的Faster R-CNN模型的非均匀纹理小缺陷的检测方法 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN111507976B (zh) | 基于多角度成像的缺陷检测方法及系统 | |
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 | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN114549507B (zh) | 改进Scaled-YOLOv4的织物瑕疵检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN111754502A (zh) | 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
Sun et al. | Cascaded detection method for surface defects of lead frame based on high-resolution detection images | |
CN114331961A (zh) | 用于对象的缺陷检测的方法 | |
CN117315670B (zh) | 一种基于计算机视觉的水表读数区域检测方法 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
CN117975087A (zh) | 一种基于ECA-ConvNext铸件缺陷识别方法 | |
CN116824294A (zh) | 一种基于小目标识别的焊料缺陷检测方法及系统 | |
CN116843618A (zh) | 一种金属零件浅显外观缺陷检测方法 | |
CN115471494A (zh) | 基于图像处理的沃柑质检方法、装置、装备及存储介质 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |