-
公开(公告)号：CN111179251A
公开(公告)日：2020-05-19
申请号：CN201911394231.4
申请日：2019-12-30
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于孪生神经网络利用模板比对的缺陷检测系统及方法，采用深度学习的检测方案，利用孪生神经网络，通过少量数据与先验知识在短时间内训练出优于人工检测漏检率的神经网络模型，所述模型为已训练完成基于孪生神经网络的深度学习模型，通过将待检产品图像与模板图像输入已训练网络得到缺陷的检测结果。本发明能够解决工业中有模板图像、少数据集、多目标类别的检测任务，同时网络亦可实现传统分类网络的功能，实现高精度的质量检测，有效满足带有模板图像的产品生产中对于视检缺陷的自动化检测的要求。
-
公开(公告)号：CN114529523A
公开(公告)日：2022-05-24
申请号：CN202210143237.X
申请日：2022-02-16
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于不确定度的工业缺陷程度推断方法及系统，包括：步骤1：根据工业产品的原始图像数据，得到训练图像数据；步骤2：根据卷积神经网络模型和全卷积神经网络，构建待训练检测模型；步骤3：使用训练图像数据对待训练检测模型进行训练，得到已训练检测模型；步骤4：根据已训练检测模型输出的不确定度数值推断工业产品的工业缺陷程度。与现有技术相比，本发明使用不确定度推断当前工业产品的缺陷程度，避免了工业质检指标过于单一，对质量粗糙离散分类，标注质量较差样本影响模型性能等问题。
-
公开(公告)号：CN111179251B
公开(公告)日：2021-04-02
申请号：CN201911394231.4
申请日：2019-12-30
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于孪生神经网络利用模板比对的缺陷检测系统及方法，采用深度学习的检测方案，利用孪生神经网络，通过少量数据与先验知识在短时间内训练出优于人工检测漏检率的神经网络模型，所述模型为已训练完成基于孪生神经网络的深度学习模型，通过将待检产品图像与模板图像输入已训练网络得到缺陷的检测结果。本发明能够解决工业中有模板图像、少数据集、多目标类别的检测任务，同时网络亦可实现传统分类网络的功能，实现高精度的质量检测，有效满足带有模板图像的产品生产中对于视检缺陷的自动化检测的要求。
-
公开(公告)号：CN114463652A
公开(公告)日：2022-05-10
申请号：CN202210129541.9
申请日：2022-02-11
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于关键点位移向量表征的细长目标检测系统和方法，包括：获取待测目标的图像原始数据，进行多阶段标注和数据增强，得到训练数据；通过特征提取器提取出输入工业图像的特征，将在图像数据集ImageNet上预训练好的模型参数作为训练开始时网络的参数，得到待训练检测模型；使用得到的训练数据，输入得到的待训练检测模型，进行模型前向计算，最终得到已训练检测模型；将得到的已训练检测模型用于实际工业细长目标检测场景中，进行工业细长目标的检测。本发明通过使用双平行分支的卷积神经网络结构直接预测工业细长目标的关键点和位移向量，解决了工业视觉检测超参调整困难，模型鲁棒性差，无法解决复杂工业场景的问题。
-
-
-
Search Results
4
records
(took 0.015 seconds)
