CN117911403A - 一种基于知识蒸馏的轻量化动态dr钢管焊缝缺陷检测方法 - Google Patents
一种基于知识蒸馏的轻量化动态dr钢管焊缝缺陷检测方法 Download PDFInfo
- Publication number
- CN117911403A CN117911403A CN202410303280.7A CN202410303280A CN117911403A CN 117911403 A CN117911403 A CN 117911403A CN 202410303280 A CN202410303280 A CN 202410303280A CN 117911403 A CN117911403 A CN 117911403A
- Authority
- CN
- China
- Prior art keywords
- image
- loss
- model
- lightweight
- steel pipe
- 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 57
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 34
- 239000010959 steel Substances 0.000 title claims abstract description 34
- 238000013140 knowledge distillation Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 15
- 230000003190 augmentative effect Effects 0.000 claims description 9
- 238000004821 distillation Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 17
- 238000003466 welding Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，本申请涉及管道焊缝缺陷检测技术领域，本申请提供的轻量化动态DR钢管缺陷检测模型，从数据增强的角度丰富数据场景，对特征进行泛化，使目标检测器学习到更一般的特征，提高泛化能力，采用基于RepVGGBlock轻量化模块代替普通卷积构造特征提取的主干网络，特征融合的颈部网络和快速检测头网络，在保持精度的同时，提升模型推理速度，使用知识蒸馏模型压缩技术，通过教师模型与学生模型之间的知识迁移，在不增加额外参数的同时，进一步提升模型精度，本申请适用于边缘场景下动态DR钢管焊缝缺陷检测场景的部署。
Description
技术领域
本申请涉及管道焊缝缺陷检测技术领域，特别是涉及一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法。
背景技术
在钢管制造生产中，钢管卷管的焊接是一个重要的环节，焊接质量直接影响到钢管结构的安全性、稳定性和使用寿命，如果焊接过程中出现问题，如焊缝不连续、焊接不牢固等，都会导致钢管卷管的强度下降，从而影响到整个结构的安全性，再如焊接缝隙出现气孔、夹渣等问题，会导致钢管卷管的密封性降低，从而影响到其使用寿命，此外，如果钢管卷管内部存在渗漏，不仅会影响到其正常使用，严重时甚至会导致安全事故。
因此，钢管的缺陷检测和返修就显得格外重要，钢管焊接是一个复杂而关键的过程，其中缺陷检测和返修对于确保安全性、稳定性、耐久性、维护成本及生产效率等方面都具有重要的影响，通过缺陷检测，可以及时发现这些问题并进行相应的返修措施，如矫直、修补、填充焊缝或打磨焊缝等，返修后，应再次进行检测以确保缺陷已被完全消除，现国内钢管厂普遍采用的缺陷检测方式为动态DR检测，动态DR成像系统使得钢管焊接的流程更加自动化，但是扫描速度快，停留时间少，车间普遍采用人工缺陷检测的方式。
目前以深度学习技术为基础的机器视觉技术恰好可以弥补人工检测的缺陷，并且以目标检测方法为主，目标检测方法以整张图像为输入，检测出与人工指定标签类别相同特征的矩形区域，输出区域的坐标，这不仅可以大大提高生成效率和生成自动化程度，而且机器易于实现信息集成，满足数字化自动生产的要求，基于目标检测的方法进行缺陷检测的步骤分为：图像增强、特征融合、缺陷分类和边框回归，并且，伴随着近几年深度学习的发展，Faster-RCNN与YOLO系列等算法的出现使得缺陷检测领域取得了飞速的发展，但是以目标检测技术为主的机器视觉的焊缝缺陷检测方式也存在以下问题：通用目标检测网络参数量大，运行速度慢，难以部署在要求高实时性的边缘场景下，而一般的轻量化网络虽然参数量少，推理速度快，但不可避免会带来精度的下降，仍然不适合用于要求高精度的缺陷检测场景中。
因此，针对现有技术不足，提供一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法以解决现有技术不足甚为必要。
发明内容
本申请的目的在于避免现有技术的不足之处而提供一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，本申请提供的轻量化动态DR钢管缺陷检测模型；
从数据增强的角度丰富数据场景，对特征进行泛化，使目标检测器学习到更一般的特征，提高泛化能力；
采用基于RepVGGBlock轻量化模块代替普通卷积构造特征提取的主干网络，特征融合的颈部网络和快速检测头网络，在保持精度的同时，提升模型推理速度；
使用知识蒸馏模型压缩技术，通过教师模型与学生模型之间的知识迁移，在不增加额外参数的同时，进一步提升模型精度，本申请适用于边缘场景下动态DR钢管焊缝缺陷检测场景的部署。
本申请的上述目的通过如下技术手段实现。
提供一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，包括以下步骤；
S1：数据采集，依据DR数字成像原理得到管道焊缝缺陷图像；
S2：制作数据集，对管道焊缝缺陷图像进行缺陷标注得到真实标签，制作数据集；
S3：增强管道焊缝缺陷图像获得增广图像；
步骤S3中采用随机数据增强方法，如翻转、随机亮度调整、图像扭曲等获得增广图像具体操作步骤如下；
S3.1：图像翻转，给定图像，水平翻转后的图像/>可表示为：
（公式6）
垂直翻转后的图像，/>可表示为：
（公式7）
其中表示通道，/>表示横坐标，/>表示纵坐标；
S3.2：随机亮度调整,给定图像，随机亮度调整后的图像/>可表示为：
（公式8）
其中，为截断函数，确保最终图像的像素在0-255内，/>为随机生成的亮度增量；
S3.3：图像扭曲，给定图像，扭曲后的图像/>可表示为：
（公式9）
其中，为图像扭曲数学模型生成的扭曲偏置。
S4：初始化教师模型和学生模型；
S5：将增广图像分别送入教师模型与学生模型，进行缺陷分类与定位，计算损失函数；
S5.1：将增广图像缩放至固定尺度PX640*640，通道数为3；
S5.2：将步骤S5.1所得增广图像送入基于RepVGGBlock的主干网络提取特征,输出三个尺度的特征图；
在步骤S5.2中主干网络基于Resnet50网络，使用轻量化卷积模块RepVGGBlock，特征提取分为三个的阶段，特征提取的三个阶段输出尺度分别为PX80*80、PX40*40、PX20*20的三个特征图。
S5.3：将三个尺度的特征图输入到轻量化颈部网络中进行特征融合，获得三个尺度的融合特征图；
在步骤S5.3中首先使用轻量化卷积模块RepVGGBlock对三个尺度特征图进行采样，然后送入特征金字塔网络FPN和路径聚合网络PAN中进行特征融合，最终获得三个尺度的融合特征图。
S5.4：将三个尺度的融合特征图送入教师模型与学生模型的轻量化快速检测头模型中，分别预测得到前背景置信度、分类置信度/>和边框坐标/>，其中，/> ， />；
轻量化快速检测头模型由两层轻量化卷积模块RepVGGBlock构成，且第二层的轻量化卷积模块RepVGGBlock具有3个并行分支。
S5.5：保存教师网络与学生网络的中间层特征结果；
S5.6：计算损失函数，步骤S5.6中具体操作如下；
计算目标检测损失函数 ，其中损失函数/>包括：边框定位损失/>、分类损失、前背景损失/>和蒸馏损失/>；
利用前背景置信度、分类置信度/>和边框坐标/>，与真实标签/>计算目标边框定位损失/>、分类损失/>和前背景损失/>；
利用中间层特征，前背景置信度/>、分类置信度/>和边框坐标，计算蒸馏损失/>；
其中，是基于/>损失函数的边框定位损失，其公式如下：
（公式1）
是基于/>损失函数的分类损失，其公式如下：
（公式2）
是基于二值交叉熵损失函数前背景损失，其公式如下：
（公式3）
是基于infoNCE损失函数的蒸馏损失，其公式如下：
（公式4）
检测损失函数其公式如下：
（公式5）。
S6：判断损失函数是否稳定，若不稳定，则返回步骤S2进行迭代训练，若损失函数/>达到稳定状态，则保留学生模型作为量化动态DR钢管缺陷检测模型。
本申请的目的在于避免现有技术的不足之处而提供一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，本申请提供的轻量化动态DR钢管缺陷检测模型；
从数据增强的角度丰富数据场景，对特征进行泛化，使目标检测器学习到更一般的特征，提高泛化能力；
采用基于RepVGGBlock轻量化模块代替普通卷积构造特征提取的主干网络，特征融合的颈部网络和快速检测头网络，在保持精度的同时，提升模型推理速度；
使用知识蒸馏模型压缩技术，通过教师模型与学生模型之间的知识迁移，在不增加额外参数的同时，进一步提升模型精度，本申请适用于边缘场景下动态DR钢管焊缝缺陷检测场景的部署。
附图说明
利用附图对本申请作进一步的说明，但附图中的内容不构成对本申请的任何限制。
图1是本申请一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法的检测方法总流程图。
图2是本申请一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法的管道焊缝缺陷数据增强流程图。
图3是本申请一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法的知识蒸馏算法流程图。
具体实施方式
结合以下实施例对本申请作进一步描述。
实施例1
如图1-2所示，一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，包括以下步骤；
S1：数据采集，依据DR数字成像原理，利用光电技术和数字处理技术将电信号转换为数字信号，再将数字信号编码为DCM图像文件，得到管道焊缝缺陷图像；
S2：制作数据集，对管道焊缝缺陷图像进行缺陷标注得到真实标签，制作数据集；
S3：增强管道焊缝缺陷图像获得增广图像；
步骤S3中采用随机数据增强方法，如翻转、随机亮度调整、图像扭曲等获得增广图像具体操作步骤如下；
S3.1：图像翻转，给定图像，水平翻转后的图像/>可表示为：
（公式6）
垂直翻转后的图像，/>可表示为：
（公式7）
其中表示通道，/>表示横坐标，/>表示纵坐标；
S3.2：随机亮度调整,给定图像，随机亮度调整后的图像/>可表示为：
（公式8）
其中，为截断函数，确保最终图像的像素在0-255内，/>为随机生成的亮度增量；
S3.3：图像扭曲，给定图像，扭曲后的图像/>可表示为：
（公式9）
其中，为图像扭曲数学模型生成的扭曲偏置。
S4：初始化教师模型和学生模型。
S5：将增广图像分别送入教师模型与学生模型，进行缺陷分类与定位，计算损失函数。
S5.1：将增广图像缩放至固定尺度PX640*640，通道数为3。
S5.2：将步骤S5.1所得增广图像送入基于RepVGGBlock的主干网络提取特征,输出三个尺度的特征图；
其中，主干网络基于Resnet50网络，并使用轻量化卷积模块RepVGGBlock替换常规卷积，特征提取分为三个不同的阶段，特征提取的三个阶段输出尺度分别为PX80*80、PX40*40、PX20*20的三个特征图。
S5.3：将三个尺度的特征图输入到轻量化颈部网络中进行特征融合，获得三个尺度的融合特征图。
在步骤S5.3中使用轻量化卷积模块RepVGGBlock替换特征金字塔FPN和路径聚合网络PAN中的传统卷积，首先使用轻量化卷积模块RepVGGBlock对三个尺度特征图进行采样，然后送入特征金字塔网络FPN和路径聚合网络PAN中进行特征融合，最终获得三个尺度的融合特征图。
S5.4：将三个尺度的融合特征图送入教师模型与学生模型的轻量化快速检测头模型中，分别预测得到前背景置信度、分类置信度/>和边框坐标/>， 其中，/> ， />；
轻量化快速检测头模型由两层轻量化卷积模块RepVGGBlock构成，且第二层的轻量化卷积模块RepVGGBlock具有3个并行分支。
S5.5：保存教师网络与学生网络的中间层特征结果；
S5.6：计算损失函数；
计算目标检测损失函数 ，其中损失函数/>包括：边框定位损失/>、分类损失、前背景损失/>和蒸馏损失/>；
利用前背景置信度、分类置信度/>和边框坐标/>，与真实标签/>计算目标边框定位损失/>、分类损失/>和前背景损失/>；
利用中间层特征，前背景置信度/>、分类置信度/>和边框坐标，计算蒸馏损失/>；
其中，是基于/>损失函数的边框定位损失，其公式如下：
（公式1）
是基于/>损失函数的分类损失，其公式如下：
（公式2）
是基于二值交叉熵损失函数前背景损失，其公式如下：
（公式3）
是基于infoNCE损失函数的蒸馏损失，其公式如下：
（公式4）
检测损失函数其公式如下：
（公式5）。
S6：判断损失函数是否稳定，若不稳定，则返回步骤S2进行迭代训练，若损失函数/>达到稳定状态，则保留学生模型作为量化动态DR钢管缺陷检测模型；
其中，损失函数稳定为在学生模型迭代训练的任意50轮内，损失不再减小，则可认为学生模型达到稳定，学生模型已训练为轻量化动态DR钢管缺陷检测模型。
实施例2
本实施例2中数据采集与数据增强均与实施例1中相同，其不同之处在于，如图3所示，本实施例中在迭代训练过程中仅选择学生模型进行迭代训练，并基于RepVGGBlock重构简化参数，保持精度的同时，进一步提升模型推理速度；
使用和/>来分别表示输入通道为，输出通道为/>的3×3卷积层和1×1卷积层，另外使用/>来分别表示残差单元、1×1卷积层分支和3×3卷积层分支的均值、均方差、批量标准化标度因子和偏差；
设定输入到repvggblock中的特征图为x且；
设从repvggblock中输出的特征图为y且；
当，RepVGGBlock可描述为如下形式；
（公式10）
以3×3卷积层+批量标准化为例：
（公式11）
其中令：
（公式12）
可将3×3卷积层+批量标准化公式化简为：
（公式13）
经过这种变换本申请可以得到带有批量标准化参数的3×3卷积层，这种变换也同样适用于1×1卷积层分支和残差单元，由于残差单元可以认为是一种特殊的1×1卷积，将得到1个3×3卷积层和2个1×1卷积层，然后将2个1×1卷积填充至3×3卷积层，相加得到最终的等效3×3卷积层，通过这种方式以达到轻量化网络模型的效果。
本申请的目的在于避免现有技术的不足之处而提供一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，本申请提供的轻量化动态DR钢管缺陷检测模型；
从数据增强的角度丰富数据场景，对特征进行泛化，使目标检测器学习到更一般的特征，提高泛化能力；
采用基于RepVGGBlock轻量化模块代替普通卷积构造特征提取的主干网络，特征融合的颈部网络和快速检测头网络，在保持精度的同时，提升模型推理速度；
使用知识蒸馏模型压缩技术，通过教师模型与学生模型之间的知识迁移，在不增加额外参数的同时，进一步提升模型精度，本申请适用于边缘场景下动态DR钢管焊缝缺陷检测场景的部署。
最后应当说明的是，以上实施例仅用以说明本申请的技术方案而非对本申请保护范围的限制，尽管参照较佳实施例对本申请作了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或者等同替换，而不脱离本申请技术方案的实质和范围。
Claims (7)
1.一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，其特征在于：包括以下步骤：
S1：数据采集，依据DR数字成像原理得到管道焊缝缺陷图像；
S2：制作数据集，对管道焊缝缺陷图像进行缺陷标注得到真实标签，制作数据集；
S3：增强管道焊缝缺陷图像获得增广图像；
S4：初始化教师模型和学生模型；
S5：将增广图像分别送入教师模型与学生模型，进行缺陷分类与定位，计算损失函数；
S6：判断损失函数是否稳定，若不稳定，则返回步骤S2进行迭代训练，若损失函数/>达到稳定状态，则保留学生模型作为量化动态DR钢管缺陷检测模型。
2.根据权利要求1所述的一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，其特征在于：步骤S5中具体操作步骤如下；
S5.1：将增广图像缩放至固定尺度PX640*640，通道数为3；
S5.2：将步骤S5.1所得增广图像送入基于RepVGGBlock的主干网络提取特征,输出三个尺度的特征图；
S5.3：将三个尺度的特征图输入到轻量化颈部网络中进行特征融合，获得三个尺度的融合特征图；
S5.4：将三个尺度的融合特征图送入教师模型与学生模型的轻量化快速检测头模型中，分别预测得到前背景置信度、分类置信度/>和边框坐标/>， 其中，/> ， />；
S5.5：保存教师网络与学生网络的中间层特征结果；
S5.6：计算损失函数。
3.根据权利要求2所述的一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，其特征在于：在步骤S5.2中主干网络基于Resnet50网络，使用轻量化卷积模块RepVGGBlock，特征提取的三个阶段输出尺度分别为PX80*80、PX40*40、PX20*20的三个特征图。
4.根据权利要求3所述的一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，其特征在于：在步骤S5.3中三个尺度的特征图融合在颈部网络使用轻量化卷积模块RepVGGBlock提取出轻量化颈部特征获得三个尺度的融合特征图。
5.根据权利要求2所述的一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，其特征在于：所述轻量化快速检测头模型由两层轻量化卷积模块RepVGGBlock构成，且第二层的轻量化卷积模块RepVGGBlock具有3个并行分支。
6.根据权利要求3所述的一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，其特征在于：步骤S5.6中具体操作如下；
计算目标检测损失函数 ，其中损失函数/>包括：边框定位损失/>、分类损失/>、前背景损失/>和蒸馏损失/>；
利用前背景置信度、分类置信度/>和边框坐标/>，与真实标签/>计算目标边框定位损失/>、分类损失/>和前背景损失/>；
利用中间层特征，前背景置信度/>、分类置信度/>和边框坐标/>，计算蒸馏损失/>；
其中，是基于/>损失函数的边框定位损失，其公式如下：
（公式1）
是基于/>损失函数的分类损失，其公式如下：
（公式2）
是基于二值交叉熵损失函数前背景损失，其公式如下：
（公式3）
是基于infoNCE损失函数的蒸馏损失，其公式如下：
（公式4）
检测损失函数其公式如下：
（公式5）。
7.根据权利要求4所述的一种基于知识蒸馏的轻量化动态DR钢管焊缝缺陷检测方法，其特征在于：步骤S3中采用随机数据增强方法，如翻转、随机亮度调整、图像扭曲等获得增广图像具体操作步骤如下：
S3.1：图像翻转，给定图像，水平翻转后的图像/>可表示为：
（公式6）
垂直翻转后的图像，/>可表示为：
（公式7）
其中表示通道，/>表示横坐标，/>表示纵坐标；
S3.2：随机亮度调整,给定图像，随机亮度调整后的图像/>可表示为：
（公式8）
其中，为截断函数，确保最终图像的像素在0-255内，/>为随机生成的亮度增量；
S3.3：图像扭曲，给定图像，扭曲后的图像/>可表示为：
（公式9）
其中，为图像扭曲数学模型生成的扭曲偏置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410303280.7A CN117911403A (zh) | 2024-03-18 | 2024-03-18 | 一种基于知识蒸馏的轻量化动态dr钢管焊缝缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410303280.7A CN117911403A (zh) | 2024-03-18 | 2024-03-18 | 一种基于知识蒸馏的轻量化动态dr钢管焊缝缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117911403A true CN117911403A (zh) | 2024-04-19 |
Family
ID=90694046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410303280.7A Pending CN117911403A (zh) | 2024-03-18 | 2024-03-18 | 一种基于知识蒸馏的轻量化动态dr钢管焊缝缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117911403A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115797736A (zh) * | 2023-01-19 | 2023-03-14 | 北京百度网讯科技有限公司 | 目标检测模型的训练和目标检测方法、装置、设备和介质 |
| CN116468716A (zh) * | 2023-04-26 | 2023-07-21 | 山东省计算中心（国家超级计算济南中心） | 一种基于YOLOv7-ECD的钢材表面缺陷检测方法 |
| CN116468684A (zh) * | 2023-04-12 | 2023-07-21 | 西南石油大学 | 一种基于改进yolo网络的管道焊缝缺陷检测方法 |
| CN117474914A (zh) * | 2023-12-27 | 2024-01-30 | 湖南大学 | 一种基于轻量化神经网络的飞机蒙皮表面缺陷检测方法 |
| CN117540779A (zh) * | 2023-11-24 | 2024-02-09 | 中科(洛阳)机器人与智能装备研究院 | 一种基于双源知识蒸馏的轻量化金属表面缺陷检测方法 |
| CN117593264A (zh) * | 2023-11-20 | 2024-02-23 | 哈尔滨工业大学 | 一种改进的联合YOLOv5和知识蒸馏的汽车发动机缸孔内壁检测方法 |
-
2024
- 2024-03-18 CN CN202410303280.7A patent/CN117911403A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115797736A (zh) * | 2023-01-19 | 2023-03-14 | 北京百度网讯科技有限公司 | 目标检测模型的训练和目标检测方法、装置、设备和介质 |
| CN116468684A (zh) * | 2023-04-12 | 2023-07-21 | 西南石油大学 | 一种基于改进yolo网络的管道焊缝缺陷检测方法 |
| CN116468716A (zh) * | 2023-04-26 | 2023-07-21 | 山东省计算中心（国家超级计算济南中心） | 一种基于YOLOv7-ECD的钢材表面缺陷检测方法 |
| CN117593264A (zh) * | 2023-11-20 | 2024-02-23 | 哈尔滨工业大学 | 一种改进的联合YOLOv5和知识蒸馏的汽车发动机缸孔内壁检测方法 |
| CN117540779A (zh) * | 2023-11-24 | 2024-02-09 | 中科(洛阳)机器人与智能装备研究院 | 一种基于双源知识蒸馏的轻量化金属表面缺陷检测方法 |
| CN117474914A (zh) * | 2023-12-27 | 2024-01-30 | 湖南大学 | 一种基于轻量化神经网络的飞机蒙皮表面缺陷检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHIEN-YAO WANG，ET AL.: "YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors", 《ARXIV》, 6 July 2022 (2022-07-06) * |
| CHUYI LI，ET AL.: "YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications", 《ARXIV》, 7 September 2022 (2022-09-07), pages 1 - 2 * |
| XIAOHAN DING，ET AL.: "RepVGG: Making VGG-style ConvNets Great Again", 《2021 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, 31 December 2021 (2021-12-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113674247B (zh) | 一种基于卷积神经网络的x射线焊缝缺陷检测方法 | |
| CN108108768B (zh) | 基于卷积神经网络的光伏玻璃缺陷分类方法及装置 | |
| CN112184711B (zh) | 一种光伏组件缺陷检测和定位方法及系统 | |
| CN114757938B (zh) | 一种变压器漏油识别方法和系统 | |
| CN114742799B (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 | |
| CN113112403B (zh) | 一种红外图像拼接方法、系统、介质及电子设备 | |
| CN114170552A (zh) | 基于红外热成像的天然气泄漏实时预警方法及系统 | |
| CN115376024A (zh) | 一种输电线路电力配件语义分割方法 | |
| CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
| CN116542932A (zh) | 一种基于改进的YOLOv5s的注塑件表面缺陷检测方法 | |
| CN114596278A (zh) | 一种用于光伏电站的光伏面板热斑缺陷检测方法及装置 | |
| CN112561807A (zh) | 一种基于卷积神经网络的端到端径向畸变校正方法 | |
| 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 | |
| CN116309292A (zh) | 一种基于视觉转换层与实例分割的焊缝缺陷智能识别方法 | |
| CN109886936B (zh) | 一种低对比度缺陷检测方法和装置 | |
| Chindarkkar et al. | Deep learning based detection of cracks in electroluminescence images of fielded PV modules | |
| CN115151942B (zh) | 基于卷积神经网络模型训练的带钢表面缺陷检测方法 | |
| CN114445615A (zh) | 基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法 | |
| CN114627044A (zh) | 一种基于深度学习的太阳能光伏组件热斑检测方法 | |
| CN117876308A (zh) | 基于图像分析的光伏板检测方法 | |
| CN117911403A (zh) | 一种基于知识蒸馏的轻量化动态dr钢管焊缝缺陷检测方法 | |
| CN116563157A (zh) | 一种基于深度学习的面向空间卫星低照度图像增强方法 | |
| CN111539885A (zh) | 一种基于多尺度网络的图像增强去雾方法 | |
| CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
| CN112102306B (zh) | 一种基于双重gan的边缘修复特征融合的缺陷检测方法 |
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 |