公开(公告)号：CN117974634A

公开(公告)日：2024-05-03

申请号：CN202410361714.9

申请日：2024-03-28

Applicant: 南京邮电大学

Inventor： 陈蕾 ,  唐家磊 ,  陈向龙 ,  陈欣易 ,  王淼 ,  骆健

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于基于计算机视觉的缺陷检测领域，公开了一种基于证据深度学习的无锚框表面缺陷可信检测方法，包括：获取缺陷样本训练数据集；构建基于证据深度学习的无锚框表面缺陷可信检测模型；使用所提出的不确定性自适应加权损失训练模型；获取缺陷样本测试数据集；将测试图像输入已训练的模型中，分别预测缺陷中心证据热力图、缺陷尺寸热力图和离散化误差热力图；使用D‑S理论对缺陷中心证据热力图局部峰值点进行可信融合，结合尺寸和离散化误差来生成最终结果。本发明使用证据深度学习方法建模不确定性，有效缓解现代深度网络过度自信的问题，降低高端装备核心零部件表面缺陷检测时漏检或误检风险。

公开(公告)号：CN117974634B

公开(公告)日：2024-06-04

申请号：CN202410361714.9

申请日：2024-03-28

Applicant: 南京邮电大学

Inventor： 陈蕾 ,  唐家磊 ,  陈向龙 ,  陈欣易 ,  王淼 ,  骆健

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于基于计算机视觉的缺陷检测领域，公开了一种基于证据深度学习的无锚框表面缺陷可信检测方法，包括：获取缺陷样本训练数据集；构建基于证据深度学习的无锚框表面缺陷可信检测模型；使用所提出的不确定性自适应加权损失训练模型；获取缺陷样本测试数据集；将测试图像输入已训练的模型中，分别预测缺陷中心证据热力图、缺陷尺寸热力图和离散化误差热力图；使用D‑S理论对缺陷中心证据热力图局部峰值点进行可信融合，结合尺寸和离散化误差来生成最终结果。本发明使用证据深度学习方法建模不确定性，有效缓解现代深度网络过度自信的问题，降低高端装备核心零部件表面缺陷检测时漏检或误检风险。