CN116645365B - 基于频谱的石英玻璃检测方法、装置、设备及介质 - Google Patents

基于频谱的石英玻璃检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN116645365B
CN116645365B CN202310897267.4A CN202310897267A CN116645365B CN 116645365 B CN116645365 B CN 116645365B CN 202310897267 A CN202310897267 A CN 202310897267A CN 116645365 B CN116645365 B CN 116645365B
Authority
CN
China
Prior art keywords
feature map
convolution
frequency
enhancement
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310897267.4A
Other languages
English (en)
Other versions
CN116645365A (zh
Inventor
何良雨
崔健
刘彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fengrui Lingchuang Zhuhai Technology Co ltd
Original Assignee
Fengrui Lingchuang Zhuhai Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fengrui Lingchuang Zhuhai Technology Co ltd filed Critical Fengrui Lingchuang Zhuhai Technology Co ltd
Priority to CN202310897267.4A priority Critical patent/CN116645365B/zh
Publication of CN116645365A publication Critical patent/CN116645365A/zh
Application granted granted Critical
Publication of CN116645365B publication Critical patent/CN116645365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P40/00—Technologies relating to the processing of minerals
    • Y02P40/50—Glass production, e.g. reusing waste heat during processing or shaping
    • Y02P40/57—Improving the yield, e-g- reduction of reject rates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，尤其涉及一种基于频谱的石英玻璃检测方法、装置、设备及介质。对待检测石英玻璃图像进行卷积特征提取，得到第一卷积特征图，对第一卷积特征图进行卷积特征提取，对第一卷积特征图进行两次图像增强，将增强特征图进行融合，提取第一卷积特征图中的高频特征图与低频特征图，计算高频特征图与低频特征图之间的关联度，根据关联度对第一卷积特征图进行增强融合，得到融合特征图，对融合特征图进行检测，得到检测结果。本申请中，根据石英玻璃图像中不同频谱信号特征图的关联度，增强不同频谱信号特征图的差异性，进而提升对石英玻璃检测的准确度。

Description

基于频谱的石英玻璃检测方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于频谱的石英玻璃检测方法、装置、设备及介质。
背景技术
石英玻璃被誉为“玻璃王”，是以二氧化硅单一组分构成的特种玻璃材料，其物理、化学性质稳定，具有耐高温、耐腐蚀、透光性强、膨胀系数低、绝缘性好和真空性好等多项优点，广泛应用于半导体、光伏、光学、光通信、航空航天等高新技术领域。在石英玻璃制造过程中，通常需要严格控制石英玻璃表面及内部的工艺缺陷以保证其品质，尤其是光刻掩模石英玻璃基板、拉晶石英玻璃坩埚等半导体高端应用场景中，石英玻璃纯度和性能要求极高，会对所用石英玻璃工艺缺陷和杂质含量进行检测。
现有技术中，对石英玻璃进行检测时，一般使用视觉检测方法，由于石英玻璃缺陷可能具有不同的形状、大小和分布，微小的缺陷相较背景纹理并不突出，增加了检测难度，使检测准确度较低，因此，在石英玻璃缺陷检测过程中，如何提高检测准确度成为亟需解决的问题。
发明内容
有鉴于此，本申请实施例提供了一种基于频谱的石英玻璃检测方法、装置及介质，以解决在对石英玻璃的检测时，检测准确度较低的问题。
第一方面，本申请实施例提供一种基于频谱的石英玻璃检测方法，所述石英玻璃检测方法包括：
获取待检测石英玻璃图像，对所述待检测石英玻璃图像进行卷积特征提取，得到第一卷积特征图；
对所述第一卷积特征图进行卷积特征提取，得到第二卷积特征图，对所述第二卷积特征图进行第一下采样，得到第一增强特征图，对所述第一增强特征图进行第二下采样，得到第二增强特征图，将所述第一增强特征图与所述第二增强特征图进行融合，得到融合增强特征图；
提取所述第一卷积特征图中的高频特征图与低频特征图，计算所述高频特征图与所述低频特征图之间的关联度，得到关联度矩阵；
对所述关联度矩阵进行激活处理，得到权值激活矩阵，使用所述权值激活矩阵对所述融合增强特征图进行增强，得到增强特征图，将所述增强特征图与所述第一卷积特征图融合，得到融合特征图，对所述融合特征图进行检测，得到检测结果。
第二方面，本申请实施例提供一种基于频谱的石英玻璃检测装置，所述石英玻璃检测装置包括：
获取模块，用于获取待检测石英玻璃图像，对所述待检测石英玻璃图像进行卷积特征提取，得到第一卷积特征图；
增强模块，用于对所述卷积特征图进行卷积特征提取，得到第二卷积特征图，对所述第二卷积特征图进行通道维度的增强，得到第一增强特征图，对所述第一增强特征图进行空间维度的增强，得到第二增强特征图，将所述第一增强特征图与所述第二增强特征图进行融合，得到融合增强特征图；
提取模块，用于提取所述第一卷积特征图中的高频信号的高频特征图与低频信号的低频特征图，计算所述高频特征图与所述低频特征图之间的关联度，得到关联度矩阵；
检测模块，用于对所述关联度矩阵进行激活处理，得到权值激活矩阵，使用所述权值激活矩阵对所述融合增强特征图进行增强，得到增强特征图，将所述增强特征图与所述第一卷积特征图融合，得到融合特征图，对所述融合特征图进行检测，得到检测结果。
第三方面，本发明实施例提供一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的石英玻璃检测方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的石英玻璃检测方法。
本发明与现有技术相比存在的有益效果是：
获取待检测石英玻璃图像，对待检测石英玻璃图像进行卷积特征提取，得到第一卷积特征图，对第一卷积特征图进行卷积特征提取，得到第二卷积特征图，对第二卷积特征图进行第一下采样，得到第一增强特征图，对第一增强特征图进行第二下采样，得到第二增强特征图，将第一增强特征图与第二增强特征图进行融合，得到融合增强特征图，提取第一卷积特征图中的高频特征图与低频特征图，计算高频特征图与低频特征图之间的关联度，得到关联度矩阵，对关联度矩阵进行激活处理，得到权值激活矩阵，使用权值激活矩阵对融合增强特征图进行增强，得到增强特征图，将增强特征图与第一卷积特征图融合，得到融合特征图，对融合特征图进行检测，得到检测结果。本申请中，根据石英玻璃图像中不同频谱信号特征图的关联度，增强不同频谱信号特征图的差异性，进而提升对石英玻璃检测的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种基于频谱的石英玻璃检测方法的一应用环境示意图；
图2是本申请实施例一提供的一种基于频谱的石英玻璃检测方法的流程示意图；
图3是本申请实施例二提供的一种基于频谱的石英玻璃检测方法的流程示意图；
图4是本申请实施例三提供的一种基于频谱的石英玻璃检测方法与其他缺陷检测模型在针对一高清工业相机获取的原图像的检测效果对比图；
图5是本申请实施例四提供的一种基于频谱的石英玻璃检测装置的结构框图。
图6是本申请实施例五提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
本发明实施例一提供的一种基于频谱的石英玻璃检测方方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机（ultra-mobile personal computer，UMPC）、上网本、个人数字助理（personal digital assistant，PDA）等终端设备。服务端可以用独立的服务器或者是多个服务器生成的服务器集群来实现。
参见图2，是本发明实施例一提供的一种基于频谱的石英玻璃检测方法的流程示意图，上述基于频谱的石英玻璃检测方法可以应用于图1中的服务端，上述服务端连接相应的客户端，如图2所示，该基于频谱的石英玻璃检测方法可以包括以下步骤。
S201：获取待检测石英玻璃图像，对待检测石英玻璃图像进行卷积特征提取，得到第一卷积特征图。
在步骤S201中，获取待检测石英玻璃图像，待检测石英玻璃图像可以为光学特征图像，通过卷积操作，对待检测石英玻璃图像进行卷积特征提取，得到第一卷积特征图。
本实施例中，通过RGB相机对待检测石英玻璃进行拍照得到待检测石英玻璃图像，其中，待检测石英玻璃图像的大小为C×H×W中，C为第一图像与第二图像的通道数，H为第一图像与第二图像的高度，W为第一图像与第二图像的宽度。将待检测石英玻璃图像输入至3×3的卷积层中，对待检测石英玻璃图像进行卷积处理，得到第一卷积特征图。
S202：对第一卷积特征图进行卷积特征提取，得到第二卷积特征图，对第二卷积特征图进行第一下采样，得到第一增强特征图，对第二卷积特征图进行第二下采样，得到第二增强特征图，将第一增强特征图与第二增强特征图进行融合，得到融合增强特征图。
在步骤S202中，通过卷积操作，对第一卷积特征图再次进行卷积特征提取，得到第二卷积特征图，通过下采样的方式，对第二卷积特征图进行增强处理，将不同下采样得到的增强图像进行融合，得到融合增强特征图。
本实施中，将第一卷积特征图输入至3×3的卷积层中，对第一卷积特征图进行卷积处理，得到第二卷积特征图。对第二卷积特征图进行第一下采样到第一增强特征图，对第二卷积特征图进行第二下采样，得到第二增强特征图，将第一增强特征图与第二增强特征图进行融合，得到融合增强特征图，其中，第一增强特征图是在通道维度上的增强，第二增强特征图是在空间维度上的增强。
可选地，对第二卷积特征图进行第一下采样，得到第一增强特征图，包括：
对第二卷积特征图中的每个通道特征分别进行全局平均池化与全局最大值池化，得到每个通道对应的均值池化特征值与最大值池化特征值，将每个通道对应的均值池化特征值与最大值池化特征值融合，得到每个通道对应的全局融合特征向量；
对全局融合特征向量进行特征提取，得到特征提取向量，对特征提取向量进行激活操作，得到通道权重向量；
根据通道权重向量与第二卷积特征图，计算得到第一增强特征图。
本实施例中，将维度为H×W×C的第二卷积特征图进行通道维度上的全局平均池化操作与全局最大值池化操作，得到大小为1×1×C的均值池化特征值与最大值池化特征值，将均值池化特征值与最大值池化特征值融合，得到每个通道对应的全局融合特征向量，对全局融合特征向量进行特征提取，使用多层感知网络（MLP）进行特征提取，其中多层感知网络由输入层、两个隐藏层和一个输出层组成，隐藏层是为输入向量赋予权重值和偏置项。通过多层感知网络进行特征提取和通道降维后，得到特征提取向量，对特征提取向量进行激活操作，得到通道权重向量，将通道权重向量与第二卷积特征图进行相乘，计算得到第一增强特征图，其中，通道权重向量的计算公式如下：
其中，为通道权重向量，/>多层感知网络，/>全局最大值池化操作函数，/>全局平均池化操作函数，/>为第二卷积特征图。
第一增强特征图的计算公式如下：其中，/>为第一增强特征图，/>为通道权重向量，/>为第二卷积特征图。
可选地，对第二卷积特 征图进行第二下采样，得到第二增强特征图，包括：
对第一增强特征图在空间维度上进行卷积操作和激活操作，得到空间权重矩阵；
根据空间权重矩阵与第二卷积特征图，计算得到第二增强特征图。
本实施例中，对第一增强特征图在空间维度上进行卷积操作和激活操作，其中卷积操作的卷积函数为1×1的卷积函数。激活操作中的激活函数为激活函数。空间权重矩阵计算公式如下：/>
其中，为空间权重矩阵，/>为卷积函数，/>为激活函数，/>为sigmoid激活函数，/>为第一增强特征图。
第二增强特征图的计算公式如下：
其中，为第二增强特征图，/>为空间权重矩阵，/>为第二卷积特征图。
S203：提取第一卷积特征图中的高频特征图与低频特征图，计算高频特征图与低频特征图之间的关联度，得到关联度矩阵。
在步骤S203中，通过对第一卷积特征图进行频率分解，得到第一卷积特征图中的高频特征图与低频特征图，其中高频特征为缺陷特征，低频特征为背景特征，高频特征图为包含缺陷特征的特征图，低频特征图为包含背景特征的特征图。
本实施例中，对第一卷积特征图进行频率分解，得到高频特征图与低频特征图，根据低频特征图高频特征图，计算高频特征图与低频特征图之间的关联度，得到关联度矩阵。
可选地，提取第一卷积特征图中的高频特征图与低频特征图，包括：
使用预设高通滤波器对第一卷积特征图进行滤波处理，得到第一卷积特征图的高频特征图；
使用预设低通滤波器对第一卷积特征图进行滤波处理，得到第一卷积特征图的低频特征图。
本实施例中，对第一卷积特征图进行频率分解，提取对应的高频信号与低频信号，从而得到对应的高频特征图与低频特征图，提取第一卷积特征图中的高频信号与低频信号用公式表示如下：
其中，为第一卷积特征图，/>为低频信号，表示背景特征，/>为高频信号，表示缺陷特征，由于公式中的乘积不可分，所以对上式两边取对数得：
频域表达式为：
其中，表示第一卷积特征图/>进行傅里叶变换后的频域表达结果，为特征图中的每个点，/>为低频信号/>进行傅里叶变换后的频域表达结果，为高频信号/>进行傅里叶变换后的频域表达结果。
公式两边使用滤波函数处理得到：
其中，为滤波传递函数，这样就可以将高频信号与低频信号进行分离。
再对公式两边进行傅里叶逆变换得：
其中，表示/>进行傅里叶逆变换的结果，/>表示进行傅里叶逆变换的结果，/>表示/>进行傅里叶逆变换的结果。
两边同时取指数得：
为滤波传递函数进行滤波后的图像，因此，由上式可以看出，决定整个滤波效果的因素完全在于滤波器的选择即滤波传递函数/>的选择。
本实施例中，使用预设高通滤波器对第一卷积特征图进行滤波处理，得到第一卷积特征图的高频特征图，使用预设低通滤波器对第一卷积特征图进行滤波处理，得到第一卷积特征图的低频特征图。
高频特征图与低频特征图的计算公式如下：
其中，为低频特征图，/>为高频特征图，/>为低通滤波传递函数，/>为高通滤波传递函数；
其中，
其中，为点/>到滤波中心/>的距离，t为控制高频阻带变换率，/>为参数，取值范围为[5,15]。
可选地，计算高频特征图与低频特征图之间的关联度，得到关联度矩阵，包括：
对低频特征图进行卷积操作，得到低频卷积特征图，对低频卷积特征图进行全局平均池化操作，得到低频池化特征图，将低频池化特征图进行投影转换，得到低频投影特征图；
将高频特征图进行投影转换，得到高频投影特征图，对高频投影特征图进行激活操作，计算得到激活后的高频特征矩阵；
将低频投影特征图与激活后的高频特征矩阵进行相乘，计算对应关联度，得到关联度矩阵。
本实施例中，对低频特征图进行卷积操作，得到低频卷积特征图，其中，卷积操作的卷积核大小为3×3的卷积函数，对低频卷积特征图进行全局平均池化操作，得到低频池化特征图，将低频池化特征图进行投影转换，得到低频投影特征图，其中投影转换的投影函数为，转换为大小为1×C的低频投影特征图。将高频特征图进行投影转换，得到高频投影特征图，其中，投影转换的投影函数为/>，将大小为C×H×W的高频特征图转换为大小为C×HW的高频投影特征图，对高频投影特征图进行激活操作，计算得到激活后的高频特征矩阵，其中，激活函数为Swish激活函数，计算公式如下：/>
其中，为激活后的高频特征矩阵，/>为高频投影特征图，Swish激活函数的导数恒大于0，在输入为0的附近值时，具有输出具有一定的平滑度，有利于训练过程中的优化和泛化。
将低频投影特征图与激活后的高频特征矩阵进行相乘，计算对应关联度，得到关联度矩阵。计算公式如下：
其中，为关联度矩阵，/>为低频投影特征图，/>为激活后的高频特征矩阵。
S204：对关联度矩阵进行激活处理，得到权值激活矩阵，使用权值激活矩阵对融合增强特征图进行增强，得到增强特征图，将增强特征图与第一卷积特征图融合，得到融合特征图，对融合特征图进行检测，得到检测结果。
在步骤S204中，使用关联度矩阵对融合增强特征图进行增强，得到增强特征图，将增强特征图与第一卷积特征图融合，得到融合特征图，对融合特征图进行缺陷检测，得到检测结果，其中，关联度矩阵可以对特征图中低频信号与高频信号之间的关联程度进行建模，得到不同频率信号之间的关联程度，进而增大低频信号与高频信号之间的差异。
本实施例中，对关联度矩阵进行激活处理，得到权值激活矩阵，其中，激活函数为sigmoid激活函数，计算公式为：
其中，为权值激活矩阵，/>为关联度矩阵。
使用权值激活矩阵对融合增强特征图进行增强，得到增强特征图，增强之前，将权值激活矩阵进行投影转换，得到频率差异权重矩阵，将频率差异权重矩阵与融合增强特征图进行点乘，得到增强特征图，将增强特征图与第一卷积特征图进行相加融合，得到融合特征图，计算公式如下：
其中，为融合特征图，/>为第一卷积特征图，/>为频率差异权重矩阵，/>为融合增强特征图。
对融合特征图进行检测，得到检测结果，其中，检测时，使用U-net网络进行检测。U-net网络是一种Ｕ型网络，其网络结构包含了前端的编码器路径和后端的解码器路径两个主要部分，编码器部分由5个卷积层组成，每个卷积层有两个尺寸为3×3的卷积核。每个3×3的卷积核之间加入本发明方法的融合特征提取模块、BN(Batch normalization)层、线性校正单元层(ReLU)和一个2×2最大池化操作，用于下采样。对应地，编码器路径中主要是5个连续的由卷积层、ReLu激活层及池化层组成的特征提取块组成，在每两个特征提取块之间使用2×2卷积进行一次2倍上采样操作，实现特征图的还原，可以获得更多细节信息，同时使用跳跃链接的方式将高级语义特征与浅层特征相融合，保留了更多的信息。在解码器路径最后一层特征提取块所输出的特征图中使用Softmax作为分类层，利用一个1×1卷积将每个分量特征向量映射到所需检测的类别数，实现逐像素分类。
需要说明的是，在使用U-net网络进行检测之前，需要对U-net网络进行训练，训练时，利用高清工业相机采集待检测石英玻璃图像，包括不同规格、不同缺陷类别的多种类型的石英玻璃图像。对于每张图像，手动标注了缺陷的位置信息，以便后续的缺陷检测和质量评估。数据集构建了包括3000张石英玻璃图像，包含划痕、色斑、麻点、气泡、污染等各类缺陷目标，图像分辨率为512×512，随机选取2000张图像作为训练集，1000张图像作为测试集。本发明在Pytorch框架下使用Adam优化器对模型进行训练。使用Windows 10操作***，两个NVIDIA Quadro M5000图形处理单元(GPU)。网络的初始训练参数如表1所示：
表1
本发明采用整体准确率（OA）、平均交并比 (mIoU) 和平均F1得分(AF)作为评价指标，在石英玻璃数据集上进行训练与测试，检测准确率如表2所示，与目前先进的语义分割模型对比。本发明所提出的方法显著提升了对石英玻璃缺陷的检测准确度，对石英玻璃缺陷检测效果对比如表2所示：
表2
根据表2中各个缺陷检测模型中的缺陷检测准确率对比，可知，本发明方法中的缺陷检测模型的检测精度，整体准确率、平均交并比与平均F1得分比现有技术中的检测方法的检测精度都高，所以本申请中石英玻璃的检测方法具有显著的有益效果。
可选地，使用权值激活矩阵对融合增强特征图进行增强，得到增强特征图，包括：
将权值激活矩阵进行投影转换，得到频率差异权重矩阵；
使用频率差异权重矩阵对融合增强特征图进行加权增强，得到增强特征图。
本实施例中，将权值激活矩阵进行投影转换，得到频率差异权重矩阵，其中投影函数为，转换为大小为1×H×W的低频信号与高频信号间的频率差异权重矩阵，使用频率差异权重矩阵对融合增强特征图进行加权增强，得到增强特征图，加权增强时，将频率差异权重矩阵与融合增强特征图进行点乘。
需要说明的是，本申请实施例提出的基于频谱的石英玻璃检测方法，可适用于各种各样的计算机智能处理任务中，包括但不局限于目标检测、目标分类等各类应用场景的智能处理任务中，具体不做限定。
示例性的，上述智能处理任务，具体可应用于包括但不局限于半导体等微、纳米级别等图像分析、检测和目标分类场景中，比如，具体可应用于半导体检测中，具体本申请实施例不做限定。比如，如若应用于目标检测应用场景中，则可利用本申请提供的基于频谱的石英玻璃检测方法最终得到的输出图像特征，进行目标检测处理，得到目标检测结果。
参见图3，是本申请实施例二提供的一种基于频谱的石英玻璃检测方法的流程示意图，获取待检测石英玻璃图像，通过卷积层1对待检测石英玻璃图像进行卷积特征提取，得到第一卷积特征图，通过卷积层2对第一卷积特征图/>进行卷积特征提取，得到第二卷积特征图/>，对第二卷积特征图进行全局平均池化处理与最大值池化处理，将处理后的结果进行相加融合，得到全局融合特征向量，使用多层感知网络（MLP）进行特征提取与激活，得到通道权重向量/>，将通道权重向量/>与第二卷积特征图/>进行相乘，得到第一增强特征图/>，对第一增强特征图在空间维度上进行卷积操作和激活操作，得到空间权重矩阵/>，将空间权重矩阵/>与第二卷积特征图/>进行相乘，得到第二增强特征图/>，将第一增强特征图/>与第二增强特征图/>进行融合，得到融合增强特征图/>。
提取第一卷积特征图中的高频特征图/>与低频特征图/>，对低频特征图/>进行全局平均池化操作，得到低频池化特征图/>，对高频特征图/>进行维度转换，得到高频投影特征图/>，使用Swish激活函数对高频投影特征图进行激活操作，得到激活后的高频特征矩阵/>，根据激活后的高频特征矩阵/>低频池化特征图/>，计算高频特征图与低频特征图的关联度矩阵/>，使用sigmoid激活函数对关联度矩阵/>进行激活处理，得到权值激活矩阵/>，将权值激活矩阵/>与融合增强特征图/>进行融合，得到增强特征图/>，将增强特征图/>与第一卷积特征图融合/>，得到融合特征图/>，基于融合特征图/>进行检测。
参见图4，是本申请实施例三提供的一种基于频谱的石英玻璃检测方法与其他缺陷检测模型在针对一高清工业相机获取的原图像的检测效果对比图。原图像为待检测石英玻璃图像，由图4可知，使用DeeplabV3-Plus模型对待检测石英玻璃进行检测时，得到3检测结果，使用HRNet 模型对待检测石英玻璃进行检测时，得到3个检测结果，使用HMANet模型对待检测石英玻璃进行检测时，得到5个检测结果，使用本发明方法模型对待检测石英玻璃进行检测时，得到8个检测结果，根据对比结果图可知，本发明方法具有显著的有益效果。
获取待检测石英玻璃图像，对待检测石英玻璃图像进行卷积特征提取，得到第一卷积特征图，对第一卷积特征图进行卷积特征提取，得到第二卷积特征图，对第二卷积特征图进行第一下采样，得到第一增强特征图，对第一增强特征图进行第二下采样，得到第二增强特征图，将第一增强特征图与第二增强特征图进行融合，得到融合增强特征图，提取第一卷积特征图中的表征高频特征图与低频特征图，计算高频特征图与低频特征图之间的关联度，得到关联度矩阵，对关联度矩阵进行激活处理，得到权值激活矩阵，使用权值激活矩阵对融合增强特征图进行增强，得到增强特征图，将增强特征图与第一卷积特征图融合，得到融合特征图，对融合特征图进行检测，得到检测结果。本申请中，根据石英玻璃图像中不同频谱信号特征图的关联度，增强不同频谱信号特征图的差异性，进而提升对石英玻璃检测的准确度。
对应于上文实施例的一种基于频谱的石英玻璃检测方法，图5出了本申请实施例四提供的一种基于频谱的石英玻璃检测装置的结构框图，上述石英玻璃检测装置应用于上述服务端。为了便于说明，仅示出了与本申请实施例相关的部分。参见图5，该石英玻璃检测装置50包括：获取模块51，增强模块52，提取模块53，检测模块54。
获取模块51，用于获取待检测石英玻璃图像，对待检测石英玻璃图像进行卷积特征提取，得到第一卷积特征图。
增强模块52，用于对第一卷积特征图进行卷积特征提取，得到第二卷积特征图，对第二卷积特征图进行第一下采样，得到第一增强特征图，对第二卷积特征图进行第二下采样，得到第二增强特征图，将第一增强特征图与第二增强特征图进行融合，得到融合增强特征图；
提取模块53，用于提取第一卷积特征图中的表征高频特征图与低频特征图，计算高频特征图与低频特征图之间的关联度，得到关联度矩阵。
检测模块54，用于对关联度矩阵进行激活处理，得到权值激活矩阵，使用权值激活矩阵对融合增强特征图进行增强，得到增强特征图，将增强特征图与第一卷积特征图融合，得到融合特征图，对融合特征图进行检测，得到检测结果。
可选地，上述增强模块52包括：
通道特征单元，用于对第二卷积特征图中的每个通道特征分别进行全局平均池化与全局最大值池化，得到每个通道对应的均值池化特征值与最大值池化特征值，将每个通道对应的均值池化特征值与最大值池化特征值融合，得到每个通道对应的全局融合特征向量。
激活单元，用于对全局融合特征向量进行特征提取，得到特征提取向量，对特征提取向量进行激活操作，得到通道权重向量。
第一计算单元，用于根据通道权重向量与第二卷积特征图，计算得到第一增强特征图。
可选地，上述增强模块52包括：
空间权重得到单元，用于对第一增强特征图在空间维度上进行卷积操作和激活操作，得到空间权重矩阵；
第一计算单元，用于根据空间权重矩阵与第二卷积特征图，计算得到第二增强特征图。
可选地，上述提取模块53包括：
第一滤波单元，用于使用预设高通滤波器对第一卷积特征图进行滤波处理，得到第一卷积特征图的高频特征图。
第二滤波单元，用于使用预设低通滤波器对第一卷积特征图进行滤波处理，得到第一卷积特征图的低频特征图。
可选地，上述提取模块53包括：
第一投影单元，用于对低频特征图进行卷积操作，得到低频卷积特征图，对低频卷积特征图进行全局平均池化操作，得到低频池化特征图，将低频池化特征图进行投影转换，得到低频投影特征图。
激活单元，用于将高频特征图进行投影转换，得到高频投影特征图，对高频投影特征图进行激活操作，计算得到激活后的高频特征矩阵。
关联度计算单元，用于将低频投影特征图与激活后的高频特征矩阵进行相乘，计算对应关联度，得到关联度矩阵。
可选地，上述检测模块54包括：
第二投影单元，用于将权值激活矩阵进行投影转换，得到频率差异权重矩阵。
加权单元，用于使用频率差异权重矩阵对融合增强特征图进行加权增强，得到增强特征图。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图6为本申请实施例五提供的一种终端设备的结构示意图。如图6所示，该实施例的终端设备包括：至少一个处理器（图6中仅示出一个）、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个基于频谱的石英玻璃检测方法实施例中的步骤。
该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图6仅仅是终端设备的举例，并不构成对终端设备的限定，终 端设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等，其中，内存储器可以是终端设备的内存，内存储器为可读存储介质中的操作***和计算机可读指令的运行提供环境。可读存储介质可以是终端设备的硬盘，在另一些实施例中也可以是终端设备的外部存储设备，例如，终端设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（SecureDigital，SD）卡、闪存卡（Flash Card）等。进一步地，存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储操作***、应用程序、引导装载程序（BootLoader）、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于频谱的石英玻璃检测方法，其特征在于，所述石英玻璃检测方法包括：
获取待检测石英玻璃图像，对所述待检测石英玻璃图像进行卷积特征提取，得到第一卷积特征图；
对所述第一卷积特征图进行卷积特征提取，得到第二卷积特征图，对所述第二卷积特征图进行第一下采样，得到第一增强特征图，对所述第二卷积特征图进行第二下采样，得到第二增强特征图，将所述第一增强特征图与所述第二增强特征图进行融合，得到融合增强特征图；
提取所述第一卷积特征图中的高频特征图与低频特征图，计算所述高频特征图与所述低频特征图之间的关联度，得到关联度矩阵；
对所述关联度矩阵进行激活处理，得到权值激活矩阵，使用所述权值激活矩阵对所述融合增强特征图进行增强，得到增强特征图，将所述增强特征图与所述第一卷积特征图融合，得到融合特征图，对所述融合特征图进行检测，得到检测结果。
2.如权利要求1所述的石英玻璃检测方法，其特征在于，所述对所述第二卷积特征图进行第一下采样，得到第一增强特征图，包括：
对所述第二卷积特征图中的每个通道特征分别进行全局平均池化与全局最大值池化，得到每个通道对应的均值池化特征值与最大值池化特征值，将所述每个通道对应的均值池化特征值与最大值池化特征值融合，得到每个通道对应的全局融合特征向量；
对所述全局融合特征向量进行特征提取，得到特征提取向量，对所述特征提取向量进行激活操作，得到通道权重向量；
根据所述通道权重向量与所述第二卷积特征图，计算得到第一增强特征图。
3.如权利要求1所述的石英玻璃检测方法，其特征在于，所述对所述第二卷积特征图进行第二下采样，得到第二增强特征图，包括：
对所述第一增强特征图在空间维度上进行卷积操作和激活操作，得到空间权重矩阵；
根据所述空间权重矩阵与所述第二卷积特征图，计算得到第二增强特征图。
4.如权利要求1所述的石英玻璃检测方法，其特征在于，所述提取所述第一卷积特征图中的高频特征图与低频特征图，包括：
使用预设高通滤波器对所述第一卷积特征图进行滤波处理，得到所述第一卷积特征图的高频特征图；
使用预设低通滤波器对所述第一卷积特征图进行滤波处理，得到所述第一卷积特征图的低频特征图。
5.如权利要求1所述的石英玻璃检测方法，其特征在于，所述计算所述高频特征图与所述低频特征图之间的关联度，得到关联度矩阵，包括：
对所述低频特征图进行卷积操作，得到低频卷积特征图，对所述低频卷积特征图进行全局平均池化操作，得到低频池化特征图，将所述低频池化特征图进行投影转换，得到低频投影特征图；
将所述高频特征图进行投影转换，得到高频投影特征图，对所述高频投影特征图进行激活操作，计算得到激活后的高频特征矩阵；
将所述低频投影特征图与所述激活后的高频特征矩阵进行相乘，计算对应关联度，得到关联度矩阵。
6.如权利要求1所述的石英玻璃检测方法，其特征在于，所述使用所述权值激活矩阵对所述融合增强特征图进行增强，得到增强特征图，包括：
将所述权值激活矩阵进行投影转换，得到频率差异权重矩阵；
使用所述频率差异权重矩阵对所述融合增强特征图进行加权增强，得到增强特征图。
7.一种基于频谱的石英玻璃检测装置，其特征在于，所述石英玻璃检测装置包括：
获取模块，用于获取待检测石英玻璃图像，对所述待检测石英玻璃图像进行卷积特征提取，得到第一卷积特征图；
增强模块，用于对所述卷积特征图进行卷积特征提取，得到第二卷积特征图，对所述第二卷积特征图进行通道维度的增强，得到第一增强特征图，对所述第一增强特征图进行空间维度的增强，得到第二增强特征图，将所述第一增强特征图与所述第二增强特征图进行融合，得到融合增强特征图；
提取模块，用于提取所述第一卷积特征图中的高频信号的高频特征图与低频信号的低频特征图，计算所述高频特征图与所述低频特征图之间的关联度，得到关联度矩阵；
检测模块，用于对所述关联度矩阵进行激活处理，得到权值激活矩阵，使用所述权值激活矩阵对所述融合增强特征图进行增强，得到增强特征图，将所述增强特征图与所述第一卷积特征图融合，得到融合特征图，对所述融合特征图进行检测，得到检测结果。
8.如权利要求7所述的石英玻璃检测装置，其特征在于，所述增强模块包括：
通道特征单元，用于对所述第二卷积特征图中的每个通道特征分别进行全局平均池化与全局最大值池化，得到每个通道对应的均值池化特征值与最大值池化特征值，将所述每个通道对应的均值池化特征值与最大值池化特征值融合，得到每个通道对应的全局融合特征向量；
激活单元，用于对所述全局融合特征向量进行特征提取，得到特征提取向量，对所述特征提取向量进行激活操作，得到通道权重向量；
计算单元，用于根据所述通道权重向量与所述第二卷积特征图，计算得到第一增强特征图。
9.一种终端设备，其特征在于，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的石英玻璃检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的石英玻璃检测方法。
CN202310897267.4A 2023-07-21 2023-07-21 基于频谱的石英玻璃检测方法、装置、设备及介质 Active CN116645365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310897267.4A CN116645365B (zh) 2023-07-21 2023-07-21 基于频谱的石英玻璃检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310897267.4A CN116645365B (zh) 2023-07-21 2023-07-21 基于频谱的石英玻璃检测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116645365A CN116645365A (zh) 2023-08-25
CN116645365B true CN116645365B (zh) 2023-11-17

Family

ID=87640350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310897267.4A Active CN116645365B (zh) 2023-07-21 2023-07-21 基于频谱的石英玻璃检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116645365B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117705827B (zh) * 2024-02-06 2024-04-12 上海强华实业股份有限公司 基于多变量精烧能耗优化对石英玻璃缺陷检测的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807368A (zh) * 2021-09-24 2021-12-17 上海大风实验室设备有限公司 基于yolo算法的玻璃仪器检测方法、装置及相关设备
US11222217B1 (en) * 2020-08-14 2022-01-11 Tsinghua University Detection method using fusion network based on attention mechanism, and terminal device
CN114936993A (zh) * 2022-05-13 2022-08-23 常熟理工学院 高分辨率与像素关系强化注意力的强融合遥感图像分割方法
CN115578590A (zh) * 2022-10-13 2023-01-06 深圳云天励飞技术股份有限公司 基于卷积神经网络模型的图像识别方法、装置及终端设备
CN115937571A (zh) * 2022-10-24 2023-04-07 江苏长欣车辆装备有限公司 车用玻璃球面度检测装置及其检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11651588B1 (en) * 2020-06-05 2023-05-16 Aetherai Ip Holding Llc Object detection method and convolution neural network for the same
US20230162480A1 (en) * 2021-11-24 2023-05-25 GM Global Technology Operations LLC Frequency-based feature constraint for a neural network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11222217B1 (en) * 2020-08-14 2022-01-11 Tsinghua University Detection method using fusion network based on attention mechanism, and terminal device
CN113807368A (zh) * 2021-09-24 2021-12-17 上海大风实验室设备有限公司 基于yolo算法的玻璃仪器检测方法、装置及相关设备
CN114936993A (zh) * 2022-05-13 2022-08-23 常熟理工学院 高分辨率与像素关系强化注意力的强融合遥感图像分割方法
CN115578590A (zh) * 2022-10-13 2023-01-06 深圳云天励飞技术股份有限公司 基于卷积神经网络模型的图像识别方法、装置及终端设备
CN115937571A (zh) * 2022-10-24 2023-04-07 江苏长欣车辆装备有限公司 车用玻璃球面度检测装置及其检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度学习的玻璃缺陷检测;李建刚;中国优秀硕士论文全文数据库;正文第1-49页 *
玻璃缺陷特征提取方法研究;李思民;现代工业经济和信息化(第86期);第70-71页 *

Also Published As

Publication number Publication date
CN116645365A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN110399929B (zh) 眼底图像分类方法、装置以及计算机可读存储介质
Zhang et al. Single image defogging based on multi-channel convolutional MSRCR
CN106934397B (zh) 图像处理方法、装置及电子设备
CN111242127A (zh) 基于非对称卷积的具有粒度级多尺度特性的车辆检测方法
CN116645365B (zh) 基于频谱的石英玻璃检测方法、装置、设备及介质
CN115326809B (zh) 一种隧道衬砌表观裂纹检测方法及检测装置
CN109977834B (zh) 从深度图像中分割人手与交互物体的方法和装置
CN113052775B (zh) 一种图像去阴影方法及装置
CN110599455A (zh) 显示屏缺陷检测网络模型、方法、装置、电子设备及存储介质
CN115861380A (zh) 雾天低照度场景下端到端无人机视觉目标跟踪方法及装置
Rahman et al. Diverse image enhancer for complex underexposed image
CN110660048B (zh) 一种基于形状特征的皮革表面缺陷检测方法
CN115937693A (zh) 一种基于遥感图像的道路识别方法及***
CN114202473A (zh) 一种基于多尺度特征和注意力机制的图像复原方法及装置
CN117952883A (zh) 一种基于双边网格和显著性引导的逆光图像增强方法
CN116309612B (zh) 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质
CN113963333A (zh) 一种基于改进yolof模型的交通标志牌检测方法
CN110738625B (zh) 图像重采样方法、装置、终端及计算机可读存储介质
CN115358962B (zh) 一种端到端视觉里程计方法及装置
Yi et al. Gated residual feature attention network for real-time Dehazing
Yao et al. A multi-expose fusion image dehazing based on scene depth information
CN113256528B (zh) 基于多尺度级联深度残差网络的低照度视频增强方法
CN114549548A (zh) 基于偏振线索的玻璃图像分割方法
CN113205530A (zh) 阴影区域处理方法及装置、计算机可读介质和电子设备
CN112800952A (zh) 一种基于改进ssd算法的海洋生物识别方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant