-
公开(公告)号：CN113610822A
公开(公告)日：2021-11-05
申请号：CN202110927828.1
申请日：2021-08-13
Applicant: 湖南大学
Abstract: 本发明公开了一种基于多尺度信息融合的表面缺陷检测方法，包括：获取待测物品的表面缺陷图像以及标注了缺陷真实坐标值与缺陷类别的标签文件，构建缺陷数据集；对缺陷数据集进行预处理，得到预处理后的缺陷数据集；搭建缺陷检测网络，缺陷检测网络包括特征提取模块和缺陷预测模块，特征提取模块包括主干网络、高层特征融合模块和相邻特征融合模块，缺陷预测模块包括目标区域提议模块和缺陷定位网络；根据预处理后的缺陷数据集对缺陷检测网络进行训练，得到缺陷检测模型；获取待测物品的待检测表面图像，根据待检测表面图像和缺陷检测模型得到表面缺陷检测结果。有效提高检测效率和准确性。
-
公开(公告)号：CN114821014B
公开(公告)日：2024-06-21
申请号：CN202210534762.4
申请日：2022-05-17
Applicant: 湖南大学
IPC: G06V10/25 , G06V10/32 , G06V10/74 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/56 , G06N3/0464 , G06N3/08 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种基于多模态多任务对抗学习的目标检测识别方法及装置，该方法将整个模型分成了特征提取阶段、区域提案阶段和多任务目标检测阶段三个部分。在特征提取阶段，采用多模态特征融合的方法，对输入数据的RGB图像和语义图像进行特征提取，使模型对于图像中目标的位置信息更加敏感，同时还增强了目标语义信息的提取；区域提案阶段用以生成随机窗口和提案框作为下阶段的输入；在多任务目标检测阶段中，采用多任务学习的方法，通过联合训练三个辅助任务来提高主任务的检测精度。对于目标检测网络，引入了对抗学习的思想，加入两个对抗式生成网络，用来生成多样式样本，提高模型的鲁棒性。
-
公开(公告)号：CN113610822B
公开(公告)日：2022-09-09
申请号：CN202110927828.1
申请日：2021-08-13
Applicant: 湖南大学
Abstract: 本发明公开了一种基于多尺度信息融合的表面缺陷检测方法，包括：获取待测物品的表面缺陷图像以及标注了缺陷真实坐标值与缺陷类别的标签文件，构建缺陷数据集；对缺陷数据集进行预处理，得到预处理后的缺陷数据集；搭建缺陷检测网络，缺陷检测网络包括特征提取模块和缺陷预测模块，特征提取模块包括主干网络、高层特征融合模块和相邻特征融合模块，缺陷预测模块包括目标区域提议模块和缺陷定位网络；根据预处理后的缺陷数据集对缺陷检测网络进行训练，得到缺陷检测模型；获取待测物品的待检测表面图像，根据待检测表面图像和缺陷检测模型得到表面缺陷检测结果。有效提高检测效率和准确性。
-
公开(公告)号：CN114821014A
公开(公告)日：2022-07-29
申请号：CN202210534762.4
申请日：2022-05-17
Applicant: 湖南大学
IPC: G06V10/10 , G06V10/32 , G06V10/74 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/56 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多模态多任务对抗学习的目标检测识别方法及装置，该方法将整个模型分成了特征提取阶段、区域提案阶段和多任务目标检测阶段三个部分。在特征提取阶段，采用多模态特征融合的方法，对输入数据的RGB图像和语义图像进行特征提取，使模型对于图像中目标的位置信息更加敏感，同时还增强了目标语义信息的提取；区域提案阶段用以生成随机窗口和提案框作为下阶段的输入；在多任务目标检测阶段中，采用多任务学习的方法，通过联合训练三个辅助任务来提高主任务的检测精度。对于目标检测网络，引入了对抗学习的思想，加入两个对抗式生成网络，用来生成多样式样本，提高模型的鲁棒性。
-
-
-
Search Results
4
records
(took 0.014 seconds)
