公开(公告)号：CN116740462B

公开(公告)日：2024-03-15

申请号：CN202310814642.4

申请日：2023-07-05

Applicant: 北京科技大学

Inventor： 张桃红 ,  杨湖广 ,  郭徐徐

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/80 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06T7/60

Abstract: 本发明公开了一种基于特征增强的单分支粗糙度检测方法，包括构建并训练基于特征增强的单分支粗糙度检测模型：获取样品表面粗糙度的训练图像集；基于训练图像集选取不同光源的图像，使用双分支结构提取不同光源的特征信息进行预训练参数学习，并通过交叉混合注意力模块、图卷积通道注意力模块对不同光源的特征信息进行交互和融合；预训练后，选取双分支结构中的单分支网络结构作为单分支粗糙度检测模型，选定多个评价指标对训练后的单分支粗糙度检测模型进行评价，将待检测图像输入到训练好的单分支粗糙度检测模型中得到检测结果。本发明能够在不同光源不同加工参数下对多种金属表面进行准确高效快速的粗糙度检测。

公开(公告)号：CN116740462A

公开(公告)日：2023-09-12

申请号：CN202310814642.4

申请日：2023-07-05

Applicant: 北京科技大学

Inventor： 张桃红 ,  杨湖广 ,  郭徐徐

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/80 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06T7/60

Abstract: 本发明公开了一种基于特征增强的单分支粗糙度检测方法，包括构建并训练基于特征增强的单分支粗糙度检测模型：获取样品表面粗糙度的训练图像集；基于训练图像集选取不同光源的图像，使用双分支结构提取不同光源的特征信息进行预训练参数学习，并通过交叉混合注意力模块、图卷积通道注意力模块对不同光源的特征信息进行交互和融合；预训练后，选取双分支结构中的单分支网络结构作为单分支粗糙度检测模型，选定多个评价指标对训练后的单分支粗糙度检测模型进行评价，将待检测图像输入到训练好的单分支粗糙度检测模型中得到检测结果。本发明能够在不同光源不同加工参数下对多种金属表面进行准确高效快速的粗糙度检测。