CN116205881A - 一种基于轻量级语义分割的数码喷印图像缺陷检测方法 - Google Patents

一种基于轻量级语义分割的数码喷印图像缺陷检测方法 Download PDF

Info

Publication number
CN116205881A
CN116205881A CN202310180846.7A CN202310180846A CN116205881A CN 116205881 A CN116205881 A CN 116205881A CN 202310180846 A CN202310180846 A CN 202310180846A CN 116205881 A CN116205881 A CN 116205881A
Authority
CN
China
Prior art keywords
layer
semantic segmentation
image
lightweight
jet printing
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
CN202310180846.7A
Other languages
English (en)
Inventor
肖蕾
张铭芷
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.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
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 Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202310180846.7A priority Critical patent/CN116205881A/zh
Publication of CN116205881A publication Critical patent/CN116205881A/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/30144—Printing quality
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于轻量级语义分割的数码喷印图像缺陷检测方法，属于数码喷印缺陷检测技术领域，包括：获取数码印刷图像数据，通过对比合格图像和缺陷图像，确定需要检测的数码喷印缺陷类别；对缺陷图像进行像素级别的缺陷标注，将缺陷图像和标签图像作为样本数据集；对样本数据集中的图像进行预处理，并将图像划分为训练集和测试集；搭建轻量级语义分割模型，搭配轻量级主干网络用于特征提取，确定模型参数；将训练集输入到轻量级语义分割模型中进行多次迭代，轻量级语义分割模型收敛后得到训练好的轻量级语义分割模型；将测试集输入到训练好的轻量级语义分割模型中，得到测试结果。实现了更智能、更高精度、更高效的缺陷检测。

Description

一种基于轻量级语义分割的数码喷印图像缺陷检测方法
技术领域
本发明涉及数码喷印缺陷检测技术领域，特别涉及一种基于轻量级语义分割的数码喷印图像缺陷检测方法。
背景技术
随着印刷品行业技术智能化和高精尖技术的有力推进，数码喷印作为优秀的技术产业迎来了发展和热潮，并且计算机视觉技术也取得了较为成熟的发展，已涵盖了多数人类视觉需要的场景，高分辨率相机结合图像处理技术和深度学习算法已逐步运用到各类生产线的缺陷检测中，包括文字印刷、工件表面检测等，为保障生产运营有着重要的意义。
传统的人工目视检测有一定的局限性，如果没有及时进行处理，将会产生一整条生产线的不良品，进而导致产品原料浪费、影响品质并降低公司的生产出货效率。因此，采用基于计算机视觉的缺陷检测方法代替传统人工目视检测，计算机视觉检测具备准确率、速度、成本等方面的优势，通过搭建卷积神经网络的深度学习语义分割模型，能够对数码喷印生产进行科学检测，实现智能化的工业产品检测。
但是由于传统的卷积神经网络通常为了达到更高的精度，将网络建设的更深、更复杂，致使训练过程需要占用很大的内存空间，以及更高要求的GPU设备，而且更大的计算量会影响检测速度，总而言之，现有的缺陷检测方法存在结构复杂，高开销的问题。
发明内容
本发明的目的在于克服现有技术中所存在的现有的缺陷检测方法结构复杂，开销高的不足，提供一种基于轻量级语义分割的数码喷印图像缺陷检测方法。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于轻量级语义分割的数码喷印图像缺陷检测方法，包括以下步骤：
S1：获取数码印刷图像数据，通过对比合格图像和缺陷图像，确定需要检测的数码喷印缺陷类别；
S2：对所述缺陷图像进行像素级别的缺陷标注，将所述缺陷图像和标签图像作为样本数据集；
S3：对所述样本数据集中的图像进行预处理，并将所述图像划分为训练集和测试集；
S4：搭建轻量级语义分割模型，搭配轻量级主干网络用于特征提取，确定模型参数；
S5：将所述训练集输入到所述轻量级语义分割模型中进行多次迭代，所述轻量级语义分割模型收敛后得到训练好的轻量级语义分割模型；
S6：将所述测试集输入到所述训练好的轻量级语义分割模型中，得到测试结果。
采用上述技术方案，通过对数据集进行预处理操作，具有准确且快速识别不同条件下的不同数码喷印缺陷类型，具有有效性和优越性等卓越性能的特点；对图像的预处理操作丰富图像训练集，防止模型过拟合，接着通过改进的轻量级主干网络进行特征提取，节约了计算成本，最后通过语义分割模型得到分割和分类结果；本发明提供的基于轻量级语义分割的缺陷检测方法充分将深度学习和计算视觉的优势利用在数码喷印工艺生产中，促进了工业智能化发展，从而实现更智能、更高精度、更高效的缺陷检测。
作为本发明的优选方案，所述步骤S2中的所述数据集包括三种数码喷印缺陷，分别为：漏色、拉丝、白线。
作为本发明的优选方案，所述步骤S3中对所述样本数据集中的图像进行预处理包括：统一输入图像尺寸、图像灰度化、对所述数据集中的图像进行水平与垂直翻转。
作为本发明的优选方案，所述步骤S4中所述轻量级语义分割模型包括编码器和解码器两部分，所述编码器部分包括主干网络和空间特征金字塔池化模块；
所述主干网络用于提取出两个有效的特征层，分别为高级语义特征层和低级语义特征层，同时将所述高级语义特征层输入到所述空间特征金字塔池化模块；
所述空间特征金字塔池化模块用于对所述高级语义特征层进行多尺度的特征提取，并对输出的特征进行4倍上采样，并且与所述编码器输出的语义特征进行堆叠，最终得到缺陷分割图和缺陷类型。
作为本发明的优选方案，所述主干网络基于GhostNet改进的轻量级网络，第1层为卷积层，卷积核大小为3*3，步长为2；第2层和第3层、第6层和第7层、第14-19层均为GhostBottleneck模块，步长为1；第4层和第5层、第8层和第9层、第12和第13层、第24和第25层均为Ghost Bottleneck模块，使用深度可分离卷积，步长为2，其中，第4层和第5层用于将得到的所述低级语义特征层输入到所述解码器中，第8层和第9层插入CBAM注意力机制；第10层和第11层、第20-第23层、第26-33层均为Ghost Bottleneck模块，步长为1，插入CBAM注意力机制；第34层为卷积层，卷积核大小为3*3，步长为1；第35层为平均池化层，用于将得到的所述高级语义特征层输入到所述空间特征金字塔池化模块中。
作为本发明的优选方案，所述空间特征金字塔池化模块第一层为1*1卷积层，第二层到第四层为不同膨胀率的空洞卷积层，第五层为池化层。
作为本发明的优选方案，三个所述空洞卷积层的膨胀率分别是6、12、18，三个所述空洞卷积层分别添加了残差操作，用于将输入进来的所述高级特征语义信息与经过所述空洞卷积层的语义特征相加。
作为本发明的优选方案，所述轻量级语义分割模型的损失函数为Focal Loss。
作为本发明的优选方案，所述轻量级语义分割模型的激活函数为ReLU6。
另一方面，公开了一种基于轻量级语义分割的数码喷印图像缺陷检测装置，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
与现有技术相比，本发明的有益效果在于：通过对数据集进行预处理操作，具有准确且快速识别不同条件下的不同数码喷印缺陷类型，具有有效性和优越性等卓越性能的特点；对图像的预处理操作丰富图像训练集，防止模型过拟合，接着通过改进的轻量级主干网络进行特征提取，节约了计算成本，最后通过语义分割模型得到分割和分类结果；本发明提供的基于轻量级语义分割的缺陷检测方法充分将深度学习和计算视觉的优势利用在数码喷印工艺生产中，促进了工业智能化发展，从而实现更智能、更高精度、更高效的缺陷检测，同时，一般来说数码喷印缺陷部分相对于背景部分占比较小，Focal Loss可以突出缺陷部分的损失权重，可以解决前后背景不平衡的问题，保障缺陷检测模型的精度。
附图说明
图1为本发明实施例1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法的流程图；
图2为本发明实施例1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法的数据集的图像；
图3为本发明实施例1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法的轻量级语义分割模型结构图；
图4为本发明实施例1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法空间特征金字塔池化模块的结构图；
图5为本发明实施例1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法的激活函数ReLU6的曲线图；
图6为本发明实施例1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测装置的结构图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
一种基于轻量级语义分割的数码喷印图像缺陷检测方法，如图1所示，包括以下步骤：
S1：获取数码印刷图像数据，通过对比合格图像和缺陷图像，确定需要检测的数码喷印缺陷类别；
S2：对所述缺陷图像进行像素级别的缺陷标注，将所述缺陷图像和标签图像作为样本数据集；
具体的，从实际数码喷印生产线上通过工业相机采集获得数码喷印缺陷图像，作为本次研究的数据集，如图2所示。
S3：对所述样本数据集中的图像进行预处理，并将所述图像划分为训练集和测试集；
数据集包含三种数码喷印缺陷，分别为漏色、拉丝以及白线共3000张图像，且每种类型缺陷的数量相当，以0.9的比例分为训练集2700张，测试集300张，通过Labelme标记软件标记缺陷目标，并赋予相应缺陷类型，然后把原始缺陷图像和标注图像分别存储在不同的文件夹下，通过对数据集进行预处理操作，可以扩大数据集数量，在轻量级语义分割模型训练上得到更好的效果，同时图像预处理操作使得训练图像根据丰富性，克服了因外部环境变化，如光照、色差、阴影等，而造成的检测不稳定性；
所述步骤S3中对所述样本数据集中的图像进行预处理包括：统一输入图像尺寸、图像灰度化、对所述数据集中的图像进行水平与垂直翻转。
S4：搭建轻量级语义分割模型，如图3所示，搭配轻量级主干网络用于特征提取，确定模型参数；
所述步骤S4中所述轻量级语义分割模型包括编码器和解码器两部分，所述编码器部分包括主干网络和空间特征金字塔池化模块；
所述主干网络用于提取出两个有效的特征层，分别为高级语义特征层和低级语义特征层，同时将所述高级语义特征层输入到所述空间特征金字塔池化模块；
所述空间特征金字塔池化模块用于对所述高级语义特征层进行多尺度的特征提取，并对输出的特征进行4倍上采样，并且与所述编码器输出的语义特征进行堆叠，最终得到缺陷分割图和缺陷类型。
所述主干网络基于GhostNet改进的轻量级网络，第1层为卷积层，卷积核大小为3*3，步长为2；第2层和第3层、第6层和第7层、第14-19层均为Ghost Bottleneck模块，步长为1；第4层和第5层、第8层和第9层、第12和第13层、第24和第25层均为Ghost Bottleneck模块，使用深度可分离卷积，步长为2，其中，第4层和第5层用于将得到的所述低级语义特征层输入到所述解码器中，第8层和第9层插入CBAM注意力机制；第10层和第11层、第20-第23层、第26-33层均为Ghost Bottleneck模块，步长为1，插入CBAM注意力机制；第34层为卷积层，卷积核大小为3*3，步长为1；第35层为平均池化层，用于将得到的所述高级语义特征层输入到所述空间特征金字塔池化模块中。
如图4所示，所述空间特征金字塔池化模块第一层为1*1卷积层，第二层到第四层为不同膨胀率的空洞卷积层，第五层为池化层。
具体的，对所述主干网络输入进来的所述高级语义特征层进行多尺度特征提取，得到4个特征信息，然后将这4个特征信息与所述解码器输出的特征信息进行堆叠。
三个所述空洞卷积层的膨胀率分别是6、12、18，三个所述空洞卷积层分别添加了残差操作，用于将输入进来的所述高级特征语义信息与经过所述空洞卷积层的语义特征相加，能够使最终得到的特征层信息更加丰富，提高了所述轻量级语义分割模型检测的精度。
所述轻量级语义分割模型的损失函数为Focal Loss：FL(pt)＝-(1-pt)γlog(pt)，其中
Figure BDA0004102325880000071
其中，γ为一个参数，范围在[0,5]；p为模型预测属于前景的概率，取值为0-1，一般来说数码喷印缺陷部分相对于背景部分占比较小，Focal Loss可以突出缺陷部分的损失权重，可以解决前后背景不平衡的问题，保障缺陷检测模型的精度。
所述轻量级语义分割模型的激活函数为ReLU6，如图5所示，ReLU6激活函数为修正线性单元，取值范围是0-6，用于神经网络在梯度下降过程中找到局部极点值。
S5：将所述训练集输入到所述轻量级语义分割模型中进行多次迭代，所述轻量级语义分割模型收敛后得到训练好的轻量级语义分割模型；
S6：将所述测试集输入到所述训练好的轻量级语义分割模型中，得到测试结果。
采用上述技术方案，具有准确且快速识别不同条件下的不同数码喷印缺陷类型，具有有效性和优越性等卓越性能的特点；对图像的预处理操作丰富图像训练集，防止模型过拟合，接着通过改进的轻量级主干网络进行特征提取，节约了计算成本，最后通过语义分割模型得到分割和分类结果；本发明提供的基于轻量级语义分割的缺陷检测方法充分将深度学习和计算视觉的优势利用在数码喷印工艺生产中，促进了工业智能化发展，从而实现更智能、更高精度、更高效的缺陷检测。
实施例2
如图6所示，一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器，以及与所述至少一个处理器通讯连接的至少一个输入输出接口；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述实施例所述的一种方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，包括以下步骤：
S1：获取数码印刷图像数据，通过对比合格图像和缺陷图像，确定需要检测的数码喷印缺陷类别；
S2：对所述缺陷图像进行像素级别的缺陷标注，将所述缺陷图像和标签图像作为样本数据集；
S3：对所述样本数据集中的图像进行预处理，并将所述图像划分为训练集和测试集；
S4：搭建轻量级语义分割模型，搭配轻量级主干网络用于特征提取，确定模型参数；
S5：将所述训练集输入到所述轻量级语义分割模型中进行多次迭代，所述轻量级语义分割模型收敛后得到训练好的轻量级语义分割模型；
S6：将所述测试集输入到所述训练好的轻量级语义分割模型中，得到测试结果。
2.根据权利要求1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，所述步骤S2中的所述数据集包括三种数码喷印缺陷，分别为：漏色、拉丝、白线。
3.根据权利要求1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，所述步骤S3中对所述样本数据集中的图像进行预处理包括：统一输入图像尺寸、图像灰度化、对所述数据集中的图像进行水平与垂直翻转。
4.根据权利要求1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，所述步骤S4中所述轻量级语义分割模型包括编码器和解码器两部分，所述编码器部分包括主干网络和空间特征金字塔池化模块；
所述主干网络用于提取出两个有效的特征层，分别为高级语义特征层和低级语义特征层，同时将所述高级语义特征层输入到所述空间特征金字塔池化模块；
所述空间特征金字塔池化模块用于对所述高级语义特征层进行多尺度的特征提取，并对输出的特征进行4倍上采样，并且与所述编码器输出的语义特征进行堆叠，最终得到缺陷分割图和缺陷类型。
5.根据权利要求4所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，所述主干网络基于GhostNet改进的轻量级网络，第1层为卷积层，卷积核大小为3*3，步长为2；第2层和第3层、第6层和第7层、第14-19层均为Ghost Bottleneck模块，步长为1；第4层和第5层、第8层和第9层、第12和第13层、第24和第25层均为Ghost Bottleneck模块，使用深度可分离卷积，步长为2，其中，第4层和第5层用于将得到的所述低级语义特征层输入到所述解码器中，第8层和第9层插入CBAM注意力机制；第10层和第11层、第20-第23层、第26-33层均为Ghost Bottleneck模块，步长为1，插入CBAM注意力机制；第34层为卷积层，卷积核大小为3*3，步长为1；第35层为平均池化层，用于将得到的所述高级语义特征层输入到所述空间特征金字塔池化模块中。
6.根据权利要求4所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，所述空间特征金字塔池化模块第一层为1*1卷积层，第二层到第四层为不同膨胀率的空洞卷积层，第五层为池化层。
7.根据权利要求6所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，三个所述空洞卷积层的膨胀率分别是6、12、18，三个所述空洞卷积层分别添加了残差操作，用于将输入进来的所述高级特征语义信息与经过所述空洞卷积层的语义特征相加。
8.根据权利要求4所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，所述轻量级语义分割模型的损失函数为FocalLoss。
9.根据权利要求4所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，所述轻量级语义分割模型的激活函数为ReLU6。
10.一种基于轻量级语义分割的数码喷印图像缺陷检测装置，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至9中任一项所述的方法。
CN202310180846.7A 2023-02-27 2023-02-27 一种基于轻量级语义分割的数码喷印图像缺陷检测方法 Pending CN116205881A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310180846.7A CN116205881A (zh) 2023-02-27 2023-02-27 一种基于轻量级语义分割的数码喷印图像缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310180846.7A CN116205881A (zh) 2023-02-27 2023-02-27 一种基于轻量级语义分割的数码喷印图像缺陷检测方法

Publications (1)

Publication Number Publication Date
CN116205881A true CN116205881A (zh) 2023-06-02

Family

ID=86516924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310180846.7A Pending CN116205881A (zh) 2023-02-27 2023-02-27 一种基于轻量级语义分割的数码喷印图像缺陷检测方法

Country Status (1)

Country Link
CN (1) CN116205881A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315324A (zh) * 2023-08-30 2023-12-29 南京工业大学 一种用于火星崎岖地形的轻量级分类检测方法及系统
CN117372327A (zh) * 2023-07-07 2024-01-09 浙江大学 一种水田导航基准线检测方法、系统及设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117372327A (zh) * 2023-07-07 2024-01-09 浙江大学 一种水田导航基准线检测方法、系统及设备
CN117315324A (zh) * 2023-08-30 2023-12-29 南京工业大学 一种用于火星崎岖地形的轻量级分类检测方法及系统
CN117315324B (zh) * 2023-08-30 2024-03-22 南京工业大学 一种用于火星崎岖地形的轻量级分类检测方法及系统

Similar Documents

Publication Publication Date Title
TWI744283B (zh) 一種單詞的分割方法和裝置
CN109509187B (zh) 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法
CN116205881A (zh) 一种基于轻量级语义分割的数码喷印图像缺陷检测方法
CN111257341B (zh) 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法
CN110175613A (zh) 基于多尺度特征和编解码器模型的街景图像语义分割方法
CN111914698B (zh) 图像中人体的分割方法、分割系统、电子设备及存储介质
CN110245697B (zh) 一种表面脏污检测方法、终端设备及存储介质
CN112734691A (zh) 一种工业制品缺陷检测方法、装置、终端设备及存储介质
WO2024041032A1 (zh) 基于不可编辑的图文类图像生成可编辑文档的方法及装置
CN110570442A (zh) 一种复杂背景下轮廓检测方法、终端设备及存储介质
CN112085017A (zh) 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法
CN115984662A (zh) 一种多模态数据预训练及识别方法、装置、设备及介质
CN115423796A (zh) 一种基于TensorRT加速推理的芯片缺陷检测方法及系统
CN117871545A (zh) 一种电路板元器件缺陷检测方法、装置、终端及存储介质
CN113963333B (zh) 一种基于改进yolof模型的交通标志牌检测方法
CN116912674A (zh) 基于改进的YOLOv5s网络模型复杂水环境下目标检测方法及系统
Mirani et al. Object recognition in different lighting conditions at various angles by deep learning method
CN114898290A (zh) 一种海上船舶实时检测方法及系统
Lu et al. Defect detection of integrated circuit based on yolov5
CN114882204A (zh) 船名自动识别方法
CN112633327B (zh) 分阶段金属表面缺陷检测方法、系统、介质、设备及应用
CN117809115A (zh) Smt贴片错件检测方法、装置及视觉检测系统
CN110852102B (zh) 一种中文的词性标注方法、装置、存储介质及电子设备
Li et al. Low-contrast defects recognition using low-order residual network
Xu et al. Tolerance Information Extraction for Mechanical Engineering Drawings–A Digital Image Processing and Deep Learning-based Model

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