公开(公告)号：CN112967271B

公开(公告)日：2022-04-19

申请号：CN202110317123.8

申请日：2021-03-25

Applicant: 湖南大学 ,  长沙理工大学

Inventor： 张辉 ,  车爱博 ,  王可 ,  李晨 ,  刘理 ,  陈煜嵘 ,  王耀南 ,  缪志强

IPC: G06T7/00 ,  G06V10/25 ,  G06V10/26 ,  G06V10/82 ,  G06N3/04

Abstract: 本发明提供了一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法包括如下步骤：步骤S1、采集铸件图像数据集，获得训练集和测试集；步骤S2、构建网络模型，并通过训练集和测试集对网络模型进行数据训练和修正，生成缺陷检测网络；步骤S3、设计缺陷检测网络的损失函数；步骤S4、所述缺陷检测网络识别并输出铸件缺陷检测结果，并显示检测时长。本发明采用深度学习的方法对铸件表面缺陷进行识别，提升了缺陷识别的精度和速度，为工业铸件质量检测提供新思路。

公开(公告)号：CN113870230A

公开(公告)日：2021-12-31

申请号：CN202111161614.4

申请日：2021-09-30

Applicant: 湖南大学

Inventor： 张辉 ,  赵晨阳 ,  李晨 ,  廖德 ,  刘优武 ,  王耀南 ,  毛建旭

IPC: G06T7/00 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明具体公开了一种基于混合监督学习的表面异常检测方法。所述方法包括以下步骤：首先获取表面正常的正常样本以及表面异常的异常样本并进行预处理；并构建包括异常定位网络、自注意力网络和异常判别网络的神经网络模型，然后将预处理数据输入神经网络模型中进行训练以获取异常检测神经网络模型；最后将待测图像数据输入异常检测神经网络模型中，进而能够自动判别待测图像是否存在异常以及对异常区域进行定位。本发明中只需要对少量异常样本进行粗糙标注，无需提供大量精细标注的缺陷样本作为训练样本，减轻了全监督学习的高精度标注需求，大大降低了标注成本，提高了检测效率，能够准确高效完成工业表面检测任务。