-
公开(公告)号：CN111899221B
公开(公告)日：2022-08-09
申请号：CN202010612736.X
申请日：2020-06-30
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/774 , G06V10/764 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种面向外观缺陷检测的自迁移学习方法，包括以下步骤：相机采图，获得初始图像数据集；构建自迁移学习模型，所述自迁移学习模型包括图像预处理模块、特征提取模块、缺陷检测模块和类别判断模块；将所述初始图像数据集输入所述图像预处理模块，经n种预处理算法，获得预处理后的图像集；将初始图像集和预处理后的图像集输入特征提取模块，通过训练，获得初始图像集特征向量和预处理后的图像集相应的特征向量；将预处理后的图像集相应的特征向量输入缺陷检测模块和类别判断模块并进行训练，优化参数，获得自迁移学习模型。在目标数据量特别稀少情况下，该模型能够挖掘目标数据的潜在特征，避免复杂缺陷特征的提取，缺陷检测准确率高。
-
公开(公告)号：CN112767339B
公开(公告)日：2023-12-29
申请号：CN202110044782.9
申请日：2021-01-13
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于视觉注意模型的表面缺陷检测方法，包括如下步骤：S1、将有缺陷图像和无缺陷图像成对输入构建的视觉注意模型中进行模型训练，训练的目标是训练样本的缺陷位置的权重向量低于其他位置的权重向量，转至S2；S2、将待检测图像输入训练好的视觉注意模型中，训练好的视觉注意模型输出待检测图像的视觉显著图，视觉显著图中高注意力部分即为存在缺陷部分。本发明公开的基于视觉注意模型的表面缺陷检测方法，对训练样本的缺陷位置进行弱化，注意力越高的地方，其权重越低，最终输出的视觉显著图的高注意力部分即为有缺陷位置。
-
公开(公告)号：CN111899221A
公开(公告)日：2020-11-06
申请号：CN202010612736.X
申请日：2020-06-30
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种面向外观缺陷检测的自迁移学习方法，包括以下步骤：相机采图，获得初始图像数据集；构建自迁移学习模型，所述自迁移学习模型包括图像预处理模块、特征提取模块、缺陷检测模块和类别判断模块；将所述初始图像数据集输入所述图像预处理模块，经n种预处理算法，获得预处理后的图像集；将初始图像集和预处理后的图像集输入特征提取模块，通过训练，获得初始图像集特征向量和预处理后的图像集相应的特征向量；将预处理后的图像集相应的特征向量输入缺陷检测模块和类别判断模块并进行训练，优化参数，获得自迁移学习模型。在目标数据量特别稀少情况下，该模型能够挖掘目标数据的潜在特征，避免复杂缺陷特征的提取，缺陷检测准确率高。
-
公开(公告)号：CN112767339A
公开(公告)日：2021-05-07
申请号：CN202110044782.9
申请日：2021-01-13
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于视觉注意模型的表面缺陷检测方法，包括如下步骤：S1、将有缺陷图像和无缺陷图像成对输入构建的视觉注意模型中进行模型训练，训练的目标是训练样本的缺陷位置的权重向量低于其他位置的权重向量，转至S2；S2、将待检测图像输入训练好的视觉注意模型中，训练好的视觉注意模型输出待检测图像的视觉显著图，视觉显著图中高注意力部分即为存在缺陷部分。本发明公开的基于视觉注意模型的表面缺陷检测方法，对训练样本的缺陷位置进行弱化，注意力越高的地方，其权重越低，最终输出的视觉显著图的高注意力部分即为有缺陷位置。
-
-
-
Search Results
4
records
(took 0.02 seconds)
