公开(公告)号：CN114549446B

公开(公告)日：2024-09-24

申请号：CN202210146225.2

申请日：2022-02-17

Applicant: 南京工程学院

Inventor： 黄晓华 ,  邵秀燕 ,  郝飞 ,  刘迁

IPC: G06T7/00 ,  G06V10/774 ,  G06V10/766 ,  G06V10/25 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供一种基于深度学习的气缸套缺陷标检测方法，所述检测方法包括以下步骤：采集气缸套图像构建原始数据集，对原始数据集内的图像进行预处理和标注，获取训练集的局部缺陷图；利用基于Swin变换器的Mask R‑CNN算法进行建模，得到网络模型；通过得到的网络模型对测试集的图像进行检测；通过掩码机制对检测结果提取兴趣区域增强检测效果；对网络模型的检测性能进行评价；通过得到的网络模型对采集的气缸套图像进行缺陷标检测。本发明通过图像预处理，减少气缸套噪声影响，将原图构建局部图，得到新的一批训练数据，通过以小图映射大图的方法，得到原图的检测结果，通过掩码机制过滤噪声区域，提高小目标检测精度。

公开(公告)号：CN114663729A

公开(公告)日：2022-06-24

申请号：CN202210318273.5

申请日：2022-03-29

Applicant: 南京工程学院

Inventor： 刘迁 ,  黄晓华 ,  邵秀燕 ,  朱晓春 ,  柳圣 ,  郝飞

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/46 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于元学习的气缸套小样本缺陷检测方法，将Yolov3网络和元学习方法(MAML)融合起来，从而进行小样本的气缸套检测。首先进行数据收集并进行图像预处理操作，其次选择Yolov3算法作为骨架网络，在训练图像测试集的支持集之前，加入迁移学习模块，使得元测试集中的支持集有较强的特征提取能力，让模型更容易识别特征信息，加快模型收敛。面对未知的气缸套数据集，模型基于元测试集的支持集进行微调，利用查询集进行小样本的检测。在训练和测试中，随机采取N‑wayK‑shot任务分类方法对模型进行训练和测试，最终实现对小样本的检测。

公开(公告)号：CN114549446A

公开(公告)日：2022-05-27

申请号：CN202210146225.2

申请日：2022-02-17

Applicant: 南京工程学院

Inventor： 黄晓华 ,  邵秀燕 ,  郝飞 ,  刘迁

IPC: G06T7/00 ,  G06K9/62 ,  G06V10/774 ,  G06V10/25 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于深度学习的气缸套缺陷标检测方法，所述检测方法包括以下步骤：采集气缸套图像构建原始数据集，对原始数据集内的图像进行预处理和标注，获取训练集的局部缺陷图；利用基于Swin变换器的Mask R‑CNN算法进行建模，得到网络模型；通过得到的网络模型对测试集的图像进行检测；通过掩码机制对检测结果提取兴趣区域增强检测效果；对网络模型的检测性能进行评价；通过得到的网络模型对采集的气缸套图像进行缺陷标检测。本发明通过图像预处理，减少气缸套噪声影响，将原图构建局部图，得到新的一批训练数据，通过以小图映射大图的方法，得到原图的检测结果，通过掩码机制过滤噪声区域，提高小目标检测精度。