-
公开(公告)号：CN117576095B
公开(公告)日：2024-04-05
申请号：CN202410057204.2
申请日：2024-01-16
Applicant: 南京航空航天大学
IPC: G06T7/00 , G06T7/10 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种多尺度学习任务的金属表面缺陷检测和分类方法，包括采集金属表面缺陷数据，获取金属缺陷特征图，将其输入细长部分卷积模块得到多尺度缺陷特征图，将其输入高效多尺度特征融合模块，获得高效多尺度融合特征图，构建金属表面缺陷检测网络AISDDNet，提取包含多尺度和位置的深层缺陷特征的特征图，检测出多尺度缺陷的边界框预测结果和分类结果，采用相似性和并集交集损失作为损失函数，对该模型进行训练和权重更新，得到最终的缺陷检测模型。本发明采用了专注于捕获细长和曲折的缺陷特征，采用了高效多尺度特征融合模块，提出的目标检测框架能同时提取到不同尺度的特征，适用于大部分工业场景下的金属表面跨尺度缺陷检测。
-
公开(公告)号：CN118429352B
公开(公告)日：2024-09-24
申请号：CN202410896567.5
申请日：2024-07-05
Applicant: 南京航空航天大学
Abstract: 本发明涉及编织复合材料预制体缺陷检测技术领域，尤其涉及一种大型预制体编织成形的表面缺陷检测方法，该方法包括以下步骤：搭建部署在生产流水线上用以视野全覆盖大型预制体表面的多视角图像采集设备；构建融合位置和邻域信息且用于对大型预制体编织成形表面缺陷进行精确检测并定位的缺陷检测模型；利用多视角图像采集设备获取生产流水线上大型预制体的多视角图像构建预制体缺陷数据集；采用预制体缺陷数据集对缺陷检测模型进行训练、测试以及验证，得到训练好的缺陷检测模型。本发明可实现大型预制体编织成形表面图像的缺陷准确检测，解决现有技术中预制体缺陷检测效率慢、检测精度低的问题。
-
公开(公告)号：CN117576379A
公开(公告)日：2024-02-20
申请号：CN202410052133.7
申请日：2024-01-15
Applicant: 南京航空航天大学
IPC: G06V10/25 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0985 , G06N3/084 , G06V10/774 , G06V10/80 , G06V10/764
Abstract: 本发明涉及一种基于元学习组合注意力机制网络模型的目标检测方法，包括：采集通用图像和待检测的目标图像，构建元学习组合注意力检测网络MetaSwinNet模型，在训练任务上，基于元学习的学习去初始化范式，使用通用图像的支持集和查询集训练网络模型，得到具有最优初始化参数的网络检测模型；在测试任务上，将网络检测模型的骨干网络进行冻结，再将目标图像的支持集输入该模型中训练，使用CWT自适应更新模块更新优化多尺度特征融合模块和注意力解码检测模块的网络参数，得到最终的目标检测模型。本发明能够克服有效样本稀少，目标存在的特征微小，遮挡严重等困难，有效提取图像上下文信息，实现在复杂背景下对小目标的准确检测。
-
公开(公告)号：CN120014621A
公开(公告)日：2025-05-16
申请号：CN202510279578.3
申请日：2025-03-11
Applicant: 南京航空航天大学
Abstract: 本发明涉及图像处理技术领域，解决了在面对检测图像中新出现的未知目标时无法实现开集检测的技术问题，尤其涉及一种基于融合文本信息的开集目标检测方法，包括：获取根据检测场景所预设的文本模版信息、用户所输入对应检测要求的用户文本信息以及原始图像；建立用于为具有未知类别的目标样本融合文本模态以实现开集检测的开集目标检测模型。本发明为目标检测用于解决检测图像中新出现的未知目标提供丰富的检测信息，实现对图像更细粒度的理解，提高开放世界下目标检测的精度，能够克服传统方法目标检测需限定目标的局限性，实现开放世界未知类别检测，更好适应真实世界场景。
-
Patent Agency Ranking
公开(公告)号：CN118429322A
公开(公告)日：2024-08-02
申请号：CN202410635739.3
申请日：2024-05-22
Applicant: 南京航空航天大学
IPC: G06T7/00 , G06T5/77 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/088
Abstract: 本发明涉及图像处理技术领域，解决了目前基于监督方法由于异常样本稀少而导致检测性能较低的技术问题，尤其涉及一种基于无监督的工业复合材料CT图像异常检查方法，该方法包括以下步骤：获取工业复合材料的CT图像并制作异常检测数据集；构建将工业复合材料异常检测任务转化为图像重建与判别任务的无监督异常检测网络CTAnoNet模型；构建用于无监督异常检测网络CTAnoNet模型的联合损失函数L。本发明通过将异常检测任务转化为图像重建与判别任务，能够有效克服有效样本稀少，CT图像异常模式难以有效建模的难题，实现在复杂背景下对异常模式的准确检测。
-
公开(公告)号：CN118429322B
公开(公告)日：2024-12-13
申请号：CN202410635739.3
申请日：2024-05-22
Applicant: 南京航空航天大学
IPC: G06T7/00 , G06T5/77 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/088
Abstract: 本发明涉及图像处理技术领域，解决了目前基于监督方法由于异常样本稀少而导致检测性能较低的技术问题，尤其涉及一种基于无监督的工业复合材料CT图像异常检查方法，该方法包括以下步骤：获取工业复合材料的CT图像并制作异常检测数据集；构建将工业复合材料异常检测任务转化为图像重建与判别任务的无监督异常检测网络CTAnoNet模型；构建用于无监督异常检测网络CTAnoNet模型的联合损失函数L。本发明通过将异常检测任务转化为图像重建与判别任务，能够有效克服有效样本稀少，CT图像异常模式难以有效建模的难题，实现在复杂背景下对异常模式的准确检测。
-
公开(公告)号：CN117576379B
公开(公告)日：2024-03-29
申请号：CN202410052133.7
申请日：2024-01-15
Applicant: 南京航空航天大学
IPC: G06V10/25 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0985 , G06N3/084 , G06V10/774 , G06V10/80 , G06V10/764
Abstract: 本发明涉及一种基于元学习组合注意力机制网络模型的目标检测方法，包括：采集通用图像和待检测的目标图像，构建元学习组合注意力检测网络MetaSwinNet模型，在训练任务上，基于元学习的学习去初始化范式，使用通用图像的支持集和查询集训练网络模型，得到具有最优初始化参数的网络检测模型；在测试任务上，将网络检测模型的骨干网络进行冻结，再将目标图像的支持集输入该模型中训练，使用CWT自适应更新模块更新优化多尺度特征融合模块和注意力解码检测模块的网络参数，得到最终的目标检测模型。本发明能够克服有效样本稀少，目标存在的特征微小，遮挡严重等困难，有效提取图像上下文信息，实现在复杂背景下对小目标的准确检测。
-
公开(公告)号：CN118429352A
公开(公告)日：2024-08-02
申请号：CN202410896567.5
申请日：2024-07-05
Applicant: 南京航空航天大学
Abstract: 本发明涉及编织复合材料预制体缺陷检测技术领域，尤其涉及一种大型预制体编织成形的表面缺陷检测方法，该方法包括以下步骤：搭建部署在生产流水线上用以视野全覆盖大型预制体表面的多视角图像采集设备；构建融合位置和邻域信息且用于对大型预制体编织成形表面缺陷进行精确检测并定位的缺陷检测模型；利用多视角图像采集设备获取生产流水线上大型预制体的多视角图像构建预制体缺陷数据集；采用预制体缺陷数据集对缺陷检测模型进行训练、测试以及验证，得到训练好的缺陷检测模型。本发明可实现大型预制体编织成形表面图像的缺陷准确检测，解决现有技术中预制体缺陷检测效率慢、检测精度低的问题。
-
公开(公告)号：CN117576095A
公开(公告)日：2024-02-20
申请号：CN202410057204.2
申请日：2024-01-16
Applicant: 南京航空航天大学
IPC: G06T7/00 , G06T7/10 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种多尺度学习任务的金属表面缺陷检测和分类方法，包括采集金属表面缺陷数据，获取金属缺陷特征图，将其输入细长部分卷积模块得到多尺度缺陷特征图，将其输入高效多尺度特征融合模块，获得高效多尺度融合特征图，构建金属表面缺陷检测网络AISDDNet，提取包含多尺度和位置的深层缺陷特征的特征图，检测出多尺度缺陷的边界框预测结果和分类结果，采用相似性和并集交集损失作为损失函数，对该模型进行训练和权重更新，得到最终的缺陷检测模型。本发明采用了专注于捕获细长和曲折的缺陷特征，采用了高效多尺度特征融合模块，提出的目标检测框架能同时提取到不同尺度的特征，适用于大部分工业场景下的金属表面跨尺度缺陷检测。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
