公开(公告)号：CN113870230B

公开(公告)日：2022-08-02

申请号：CN202111161614.4

申请日：2021-09-30

Applicant: 湖南大学

Inventor： 张辉 ,  赵晨阳 ,  李晨 ,  廖德 ,  刘优武 ,  王耀南 ,  毛建旭

IPC: G06T7/00 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明具体公开了一种基于混合监督学习的表面异常检测方法。所述方法包括以下步骤：首先获取表面正常的正常样本以及表面异常的异常样本并进行预处理；并构建包括异常定位网络、自注意力网络和异常判别网络的神经网络模型，然后将预处理数据输入神经网络模型中进行训练以获取异常检测神经网络模型；最后将待测图像数据输入异常检测神经网络模型中，进而能够自动判别待测图像是否存在异常以及对异常区域进行定位。本发明中只需要对少量异常样本进行粗糙标注，无需提供大量精细标注的缺陷样本作为训练样本，减轻了全监督学习的高精度标注需求，大大降低了标注成本，提高了检测效率，能够准确高效完成工业表面检测任务。

公开(公告)号：CN113870230A

公开(公告)日：2021-12-31

申请号：CN202111161614.4

申请日：2021-09-30

Applicant: 湖南大学

Inventor： 张辉 ,  赵晨阳 ,  李晨 ,  廖德 ,  刘优武 ,  王耀南 ,  毛建旭

IPC: G06T7/00 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明具体公开了一种基于混合监督学习的表面异常检测方法。所述方法包括以下步骤：首先获取表面正常的正常样本以及表面异常的异常样本并进行预处理；并构建包括异常定位网络、自注意力网络和异常判别网络的神经网络模型，然后将预处理数据输入神经网络模型中进行训练以获取异常检测神经网络模型；最后将待测图像数据输入异常检测神经网络模型中，进而能够自动判别待测图像是否存在异常以及对异常区域进行定位。本发明中只需要对少量异常样本进行粗糙标注，无需提供大量精细标注的缺陷样本作为训练样本，减轻了全监督学习的高精度标注需求，大大降低了标注成本，提高了检测效率，能够准确高效完成工业表面检测任务。

公开(公告)号：CN115841481A

公开(公告)日：2023-03-24

申请号：CN202211638549.4

申请日：2022-12-20

Applicant: 湖南大学

Inventor： 张辉 ,  刘优武 ,  苏学叁 ,  陈煜嵘 ,  毛建旭 ,  王耀南

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/80 ,  G06V10/42 ,  G06V10/82 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种基于边界分布注意力的医药质量检测方法及系统，其包括：构造数据集，即对目标液体图像上可见异物的位置以及类别进行标定；构建包含特征提取网络、特征融合网络以及边界分布注意力检测头网络的神经网络模型；其中，边界分布注意力检测头网络的输出为每个像素点所属的类别以及以每个像素点为中心点的回归框的四条边界到中心点的距离，所述类别为可见异物类别或背景；利用数据集训练神经网络模型；将待检测的目标液体图像输入训练后的所述神经网络模型得到可见异物的检测结果。本发明技术方案创造性地设计出包含边界分布注意力检测头网络的神经网络，能够分析回归框的每条边界分布的重要程度，进而指导像素点分类，降低误检率。