-
Patent Agency Ranking
公开(公告)号：CN115017672B
公开(公告)日：2024-09-24
申请号：CN202210376386.0
申请日：2022-04-11
Applicant: 苏州科技大学
IPC: G06F30/20 , G06N3/0464 , G06N3/08 , G06F113/24
Abstract: 本发明揭示了一种人造合成木板质量检测方法、装置及存储介质，方法包括：首先，制作仿真数据集，并构建卷积神经网络；其次，利用所述仿真数据集训练所述卷积神经网络；再次，利用真实数据集对预训练后的卷积神经网络进行迭代训练；最后，利用训练后的卷积神经网络对人造合成木板进行质量检测。本发明能够对人造合成木板的质量进行检测，提高检测准确率的同时降低数据集制作成本。
-
公开(公告)号：CN114820470B
公开(公告)日：2025-02-21
申请号：CN202210363743.X
申请日：2022-04-07
Applicant: 苏州科技大学
Abstract: 本发明公开了一种基于多特征融合的板材缺陷检测系统及检测方法，该系统包括：图像获取及预处理模块、色度坐标及纹理特征获取模块及缺陷检测标记模块；所述图像获取及预处理模块获取目标板材的图像信息，并将所述图像信息进行预处理；所述色度坐标及纹理特征获取模块将预处理后的图像信息进行计算得到色度库及纹理缺陷模型；所述缺陷检测标记模块将所述图像信息中缺陷进行检测，并标注缺陷的位置。本发明建立了板材缺陷检测系统，利用图像处理的方式建立色度库与纹理特征模型，处理速度快，精度高，视觉效果好。
-
公开(公告)号：CN115017672A
公开(公告)日：2022-09-06
申请号：CN202210376386.0
申请日：2022-04-11
Applicant: 苏州科技大学
IPC: G06F30/20 , G06N3/04 , G06N3/08 , G06F113/24
Abstract: 本发明揭示了一种人造合成木板质量检测方法、装置及存储介质，方法包括：首先，制作仿真数据集，并构建卷积神经网络；其次，利用所述仿真数据集训练所述卷积神经网络；再次，利用真实数据集对预训练后的卷积神经网络进行迭代训练；最后，利用训练后的卷积神经网络对人造合成木板进行质量检测。本发明能够对人造合成木板的质量进行检测，提高检测准确率的同时降低数据集制作成本。
-
公开(公告)号：CN115661582A
公开(公告)日：2023-01-31
申请号：CN202211413731.X
申请日：2022-11-11
Applicant: 苏州科技大学
IPC: G06V10/774 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种训练深度学习模型的方法、装置、电子设备及存储介质，属于深度学习技术领域。方法包括利用小样本数据集对待训练的深度学习模型进行初次训练；采集待检测产品的图像并将其输入至训练后的深度学习模型中进行预测，并在人机交互界面显示预测结果，判断是否需要进行矫正标注，并在是时进行矫正并设置相应权重，并将矫正标注后的图像和对应的标注添加至迭代数据集中，并利用其对模型进行迭代训练；判断准确率是否高于原深度学习模型，根据判断结果使用迭代后的深度学习模型参数替换旧的深度学习模型参数或者重新对迭代数据集进行切分并重新训练。本发明能够实现在线检测的同时训练深度学习模型，减少部署时对数据集数量的要求。
-
公开(公告)号：CN114820470A
公开(公告)日：2022-07-29
申请号：CN202210363743.X
申请日：2022-04-07
Applicant: 苏州科技大学
Abstract: 本发明公开了一种基于多特征融合的板材缺陷检测系统及检测方法，该系统包括：图像获取及预处理模块、色度坐标及纹理特征获取模块及缺陷检测标记模块；所述图像获取及预处理模块获取目标板材的图像信息，并将所述图像信息进行预处理；所述色度坐标及纹理特征获取模块将预处理后的图像信息进行计算得到色度库及纹理缺陷模型；所述缺陷检测标记模块将所述图像信息中缺陷进行检测，并标注缺陷的位置。本发明建立了板材缺陷检测系统，利用图像处理的方式建立色度库与纹理特征模型，处理速度快，精度高，视觉效果好。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
