-
公开(公告)号：CN112381794A
公开(公告)日：2021-02-19
申请号：CN202011276148.X
申请日：2020-11-16
Applicant: 哈尔滨理工大学
Abstract: 一种基于深度卷积生成网络的印刷缺陷检测方法，本发明涉及缺陷检测技术中，印刷品微小缺陷准确检测的问题。近年来，深度学习被广泛用于缺陷检测。虽然目前的方法在简单背景下的缺陷检测任务上取得了进展，但对于细微缺陷还是无法准确检测。针对这一问题，本发明提出了一种基于深度卷积生成网络的印刷缺陷检测方法。首先，加入上采样模块，减少上采样中的损失。其次，提出一种自注意力机制，从而使得网络可以生成结构性更为复杂和细节更为准确的图像。最后，拟合生成器生成图像的噪声分布，去除噪声，获得缺陷图像。在保证准确率的基础上，提高了检测精度。本发明应用于无监督的印刷微小缺陷检测。
-
公开(公告)号：CN110737788B
公开(公告)日：2022-05-31
申请号：CN201910980788.X
申请日：2019-10-16
Applicant: 哈尔滨理工大学
IPC: G06F16/51 , G06F16/583 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 快速的三维模型索引建立及检索方法，本发明涉及三维模型检索过程中，二维视图表征三维模型存在冗余的问题以及检索效率低下的问题。目前基于视图的三维模型检索是先将三维模型投影成二维视图集合，然后采用深度学习技术对其进行分类和检索。然而,现有的方法在精度和效率方面都有待提升。为此，本发明采用K‑means方法选出代表性视图来替代投影所产生的所有视图，极大的减少了投影视图的数量。然后利用训练好的卷积神经网络(CNN)提取具有代表性的特征，并将特征按类别建立索引。检索时，利用CNN首先将代表性视图分到一个类别中，然后相似度匹配仅在该类别中进行而不是所有类别。通过这种方式，减少了检索算法的搜索空间。此外，本发明提出了一种视图递增的检索方法，该方法在满足条件时，提前终止检索，使得检索平均时间进一步减少，再次提高了检索效率。本发明应用于三维模型检索。
-
公开(公告)号：CN110737788A
公开(公告)日：2020-01-31
申请号：CN201910980788.X
申请日：2019-10-16
Applicant: 哈尔滨理工大学
IPC: G06F16/51 , G06F16/583 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 快速的三维模型索引建立及检索方法，本发明涉及三维模型检索过程中，二维视图表征三维模型存在冗余的问题以及检索效率低下的问题。目前基于视图的三维模型检索是先将三维模型投影成二维视图集合，然后采用深度学习技术对其进行分类和检索。然而,现有的方法在精度和效率方面都有待提升。为此，本发明采用K-means方法选出代表性视图来替代投影所产生的所有视图，极大的减少了投影视图的数量。然后利用训练好的卷积神经网络(CNN)提取具有代表性的特征，并将特征按类别建立索引。检索时，利用CNN首先将代表性视图分到一个类别中，然后相似度匹配仅在该类别中进行而不是所有类别。通过这种方式，减少了检索算法的搜索空间。此外，本发明提出了一种视图递增的检索方法，该方法在满足条件时，提前终止检索，使得检索平均时间进一步减少，再次提高了检索效率。本发明应用于三维模型检索。
-
公开(公告)号：CN112381794B
公开(公告)日：2022-05-31
申请号：CN202011276148.X
申请日：2020-11-16
Applicant: 哈尔滨理工大学
Abstract: 一种基于深度卷积生成网络的印刷缺陷检测方法，本发明涉及缺陷检测技术中，印刷品微小缺陷准确检测的问题。近年来，深度学习被广泛用于缺陷检测。虽然目前的方法在简单背景下的缺陷检测任务上取得了进展，但对于细微缺陷还是无法准确检测。针对这一问题，本发明提出了一种基于深度卷积生成网络的印刷缺陷检测方法。首先，加入上采样模块，减少上采样中的损失。其次，提出一种自注意力机制，从而使得网络可以生成结构性更为复杂和细节更为准确的图像。最后，拟合生成器生成图像的噪声分布，去除噪声，获得缺陷图像。在保证准确率的基础上，提高了检测精度。本发明应用于无监督的印刷微小缺陷检测。
-
-
-
Search Results
4
records
(took 0.017 seconds)
