-
公开(公告)号：CN119048500B
公开(公告)日：2025-01-03
申请号：CN202411525360.3
申请日：2024-10-30
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0464 , G06N3/0895 , G06V10/26 , G06V10/762 , G06V10/764 , G06V10/82
Abstract: 本申请涉及一种基于弱监督学习的航空发动机叶片缺陷检测方法，获取航空发动机涡轮叶片的表面图像，并对其进行类别标注；基于表面图像及其对应的类别标签，利用分类网络得到缺陷初步定位图，并生成对应的缺陷区域边界框；基于缺陷区域边界框对表面图像和缺陷初步定位图进行取块，构造图块对，并对图块对进行聚类分析；在聚类结果中选择一簇向量，对选择的向量在缺陷初步定位图和表面图像上映射的区域进行自适应抑制；将抑制后的表面图像以及缺陷初步定位图进行融合，并输入至分类网络，得到缺陷更新定位图；基于缺陷更新定位图转换得到更新的缺陷区域边界框；将表面图像和更新的缺陷区域边界框输入至视觉分割模型，得到缺陷分割结果。
-
公开(公告)号：CN119379683B
公开(公告)日：2025-03-28
申请号：CN202411948379.9
申请日：2024-12-27
Applicant: 湖南大学
Abstract: 本申请涉及一种基于小样本学习的航空发动机叶片缺陷检测方法，该方法包括：获取航空发动机涡轮叶片的表面缺陷图像，并为其建立掩膜真值标注；将多个表面缺陷图像按照对应的真值掩膜划分为训练集、支持集、查询集，并构建缺陷检测模型，缺陷检测模型包括跨层多级特征聚合模块、具有大感受域的混合器、前景校正模块；通过跨层多级特征聚合模块聚合支持集中支持图像与查询集中查询图像不同层次的特征，得到缺陷特征；通过具有大感受域的混合器处理缺陷特征，得到聚合特征；通过前景校正模块将聚合特征与提取的查询图像的背景特征融合并校正，得到精细化的分割结果。该方法提高了模型训练的效率和成本效益。
-
公开(公告)号：CN119379683A
公开(公告)日：2025-01-28
申请号：CN202411948379.9
申请日：2024-12-27
Applicant: 湖南大学
Abstract: 本申请涉及一种基于小样本学习的航空发动机叶片缺陷检测方法，该方法包括：获取航空发动机涡轮叶片的表面缺陷图像，并为其建立掩膜真值标注；将多个表面缺陷图像按照对应的真值掩膜划分为训练集、支持集、查询集，并构建缺陷检测模型，缺陷检测模型包括跨层多级特征聚合模块、具有大感受域的混合器、前景校正模块；通过跨层多级特征聚合模块聚合支持集中支持图像与查询集中查询图像不同层次的特征，得到缺陷特征；通过具有大感受域的混合器处理缺陷特征，得到聚合特征；通过前景校正模块将聚合特征与提取的查询图像的背景特征融合并校正，得到精细化的分割结果。该方法提高了模型训练的效率和成本效益。
-
公开(公告)号：CN119048500A
公开(公告)日：2024-11-29
申请号：CN202411525360.3
申请日：2024-10-30
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0464 , G06N3/0895 , G06V10/26 , G06V10/762 , G06V10/764 , G06V10/82
Abstract: 本申请涉及一种基于弱监督学习的航空发动机叶片缺陷检测方法，获取航空发动机涡轮叶片的表面图像，并对其进行类别标注；基于表面图像及其对应的类别标签，利用分类网络得到缺陷初步定位图，并生成对应的缺陷区域边界框；基于缺陷区域边界框对表面图像和缺陷初步定位图进行取块，构造图块对，并对图块对进行聚类分析；在聚类结果中选择一簇向量，对选择的向量在缺陷初步定位图和表面图像上映射的区域进行自适应抑制；将抑制后的表面图像以及缺陷初步定位图进行融合，并输入至分类网络，得到缺陷更新定位图；基于缺陷更新定位图转换得到更新的缺陷区域边界框；将表面图像和更新的缺陷区域边界框输入至视觉分割模型，得到缺陷分割结果。
-
-
-
Search Results
4
records
(took 0.019 seconds)
