CN117132592B - 一种基于熵融合的工业缺陷检测方法 - Google Patents
一种基于熵融合的工业缺陷检测方法 Download PDFInfo
- Publication number
- CN117132592B CN117132592B CN202311382011.6A CN202311382011A CN117132592B CN 117132592 B CN117132592 B CN 117132592B CN 202311382011 A CN202311382011 A CN 202311382011A CN 117132592 B CN117132592 B CN 117132592B
- Authority
- CN
- China
- Prior art keywords
- image
- entropy
- feature
- defect
- value
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000379 polymerizing effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及缺陷检测技术领域，公开了一种基于熵融合的工业缺陷检测方法，包括以下步骤：步骤一：获取工业产品表面的图像，并对图像进行归一化处理，再采用直方图的熵算法获取熵图；步骤二：构建网络模型，实现熵图和图像的自适应融合，再通过编码器、缺陷增强模块以及解码器得到特征图，并将特征图恢复到编码前的尺寸；步骤三：通过训练数据集对网络模型进行训练，将测试图像输入到训练完成的网络模型中，得到测试图像的缺陷检测结果；本发明对图像的熵进行分析，能更好地提取图像的特征信息；通过熵图和图像的自注意力融合，提高了模型的鲁棒性；通过计算图像之间像素值分布比来获取图像缺陷信息，提高了缺陷检测的精度。
Description
技术领域
本发明涉及缺陷检测领域，具体涉及一种基于熵融合的工业缺陷检测方法。
背景技术
缺陷检测在生产工业制品流程中是一个重要的任务，它在检测制品磨损上起着重要的作用。随着集成电路设计、计算机处理技术以及视觉理论模型的快速发展，基本可以实现通过视觉来进行缺陷检测。图像中含有丰富的纹理信息，对工业制品的特征学习有很大帮助。但是图像非常容易受到光照的影响，特别是在黑暗环境等不良场景下很多细节会丢失。
现有的基于熵融合的工业缺陷检测方法存在以下问题：（1）通常适用于正常适宜的环境，但由于实际应用中场景复杂多变，例如在黑夜、暗光等不良场景中，采集的工业制品图像会出现不清晰、细节丢失等问题，导致感知效果差。（2）通过原图和熵图实现信息的互补，直接融合用于缺陷检测的效果不明显。
发明内容
为解决上述技术问题，本发明提供一种基于熵融合的工业缺陷检测方法。
为解决上述技术问题，本发明采用如下技术方案：
一种基于熵融合的工业缺陷检测方法，包括以下步骤：
步骤一：获取工业产品表面的图像，并对图像进行归一化处理，再采用直方图的熵算法获取熵图；将图像和熵图分为训练数据集和测试数据集；
步骤二：构建网络模型，使用熵注意力的融合方式实现熵图和图像的自适应融合，再通过网络模型的编码器、缺陷增强模块以及解码器得到能够凸显缺陷部分的特征图，并将特征图恢复到编码前的尺寸，具体包括；
步骤二A：首先用一个的卷积层对图像和熵图进行特征提取，然后使用如下类似于自注意力机制的方式进行融合：将图像信息编码成query和value，value为图像特征，query是对图像特征value的描述；将熵图信息编码为特征向量key；计算query和key之间的亲和力分数affinity，将亲和力分数经过Softmax函数后得到注意力权重，再使用注意力权重与value进行聚合aggregation：
；
其中为融合后的特征，γ是训练过程中的可调参数，query和value组成图像的特征数据对，key为从熵图得到的特征向量，/>为图像的特征图，/>为Softmax函数；
步骤二B：编码器的前两层采用了ResNet-50残差网络的前两个网络层，并且加载了预训练；编码器后面两层使用卷积层；
将融合后的特征经过编码器后，再通过缺陷增强模块进行全局和局部的缺陷特征增强，得到特征图；在全局上采用纹理算子进行缺陷特征的增强，在局部上采用条形池化进行缺陷特征的增强；
步骤二C：将步骤二B得到的特征图通过由四个反卷积层组成的解码器，逐步将特征图恢复到编码前的尺寸；
步骤三：通过训练数据集对网络模型进行训练，将测试数据集中的测试图像输入到训练完成的网络模型中，得到测试图像的缺陷检测结果；具体包括：
步骤三A：将训练数据集分批次输入到网络模型中，在整个训练数据集经过一轮迭代后，重新打乱整个训练数据集，再次进行训练，直至网络模型收敛；
步骤三B：将测试图像输入到训练完成的网络模型中，进行缺陷检测，得到分割出的测试图像的特征图；
步骤三C：再将步骤三B得到的特征图和无缺陷的模板图像的特征图做对比，计算像素值分布的方差比，判断方差比是否小于规定的阈值；如是，则测试图像中存在缺陷；如否，则测试图像中不存在缺陷；
；/>；/>；
其中表示测试图像的特征图的像素值分布方差，/>表示模板图像的特征图的像素值分布方差，/>分别为测试图像的特征图中像素点i的像素值、模板图像的特征图中像素点i的像素值。
进一步地，步骤一具体包括：
步骤一A：设置工业产品与相机的距离，使图像包含整个工业产品的表面；
步骤一B：随机选择拍摄到的若干张图像，进行不同的角度旋转，旋转角度范围为-10°~10°；
步骤一C：对获取的RGB通道的图像进行灰度化得到单通道图；将单通道图的像素值统计为直方图，再将直方图归一化得到每个像素点出现的概率hist(s)，然后将归一化后的直方图进行累加计算，用于求阈值做阈值分割：
；
其中为直方图累加和，/>为像素值s的出现概率；
步骤一D：采用直方图的熵算法，计算各个像素值的熵值并累加：
；
其中为像素值s的熵值；
求解用于得到熵图的阈值：计算使函数最大的t值，即为阈值；其中函数/>、/>如下：
；
；
再根据阈值进行单通道图的二值化，得到熵图。
与现有技术相比，本发明的有益技术效果是：
本发明对图像的熵进行分析，能更好地提取图像的特征信息；通过熵图和图像的自注意力融合，提高了模型的鲁棒性；本发明通过计算图像之间像素值分布比，来获取图像缺陷信息，提高了缺陷检测的精度。
附图说明
图1为本发明网络模型的结构示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
如图1所示，本实施例中的基于熵融合的工业缺陷检测方法，包括：
步骤一：通过高分辨率相机获取工业产品表面的图像，并对图像进行归一化处理，再采用直方图的熵算法获取熵图。具体包括：
步骤一A：设置工业产品与相机的距离，需要让图像包含整个工业产品的表面部分，图像大小为（），其中图像高和宽均为2048，方便后续算法进行处理。
步骤一B：在实际的生产线上，相机可能会有轻微的旋转，导致捕获的图像旋转；需要随机选择拍摄到的30张图像，将它们以不同的角度旋转（旋转角度为-10°~10°）。
步骤一C：对获取的RGB通道的图像进行灰度化得到单通道图，方便得到直方图并做归一化处理；
将单通道图的像素值统计为直方图，再将直方图归一化得到每个像素点/>出现的概率hist(s)，然后将归一化后的直方图进行累加计算，用于求阈值做阈值分割：
,/>；
其中为直方图累加和，/>为值为s的像素的出现概率。
步骤一D：采用一种速度比较快的直方图的熵算法，它对网络模型的速度几乎没有影响，先计算各个像素值的熵值并将其累加：
,/>；
其中为熵值。
求解用于得到熵图的阈值：计算使函数最大的t值，即为阈值；再根据阈值进行单通道图的二值化，得到一个关于熵的mask图；其中函数/>、/>如下：
；
。
步骤二：构建网络模型，使用熵注意力的融合方式，使网络模型实现熵图和图像的自适应融合，再通过编码器、解码器以及缺陷增强模块得到可以凸显缺陷部分的特征图，并将特征图恢复到原先的尺寸。
由于mask图含有一些噪点，需要对mask图采用形态学的开运算进行去噪后再将其用于图像的融合；图像中含有丰富的纹理细节信息，对特征提取有很大的帮助；但是图像易受光照的影响，在不良光照环境中细节信息的丢失将使网络模型性能下降；为此使用一种图像和熵图的自适应融合方式，通过注意力的远程上下文建模去捕获图像和熵图之间的依赖。具体包括：
步骤二A：首先用一个核为的卷积层conv对熵图和图像进行特征提取，然后使用一种类似于自注意力机制的方式进行融合，具体融合如下：从图像得到query和value，从熵图得到特征向量key，计算query和key之间的亲和力分数affinity，将分数经过Softmax函数后得到注意力权重，再使用注意力权重与value进行聚合aggregation，具体如下：
；
其中为融合后的特征，γ是训练过程中的可调参数，query和value组成图像的特征数据对，key为从熵图得到的特征向量，/>为图像的特征图，/>为Softmax函数。
步骤二B：在编码器的前两层采用了ResNet-50的前两个网络层res block，并且加载了预训练；后面两层使用了普通的核为的卷积层conv；
将融合过后的特征经过编码器的上述网络层后，再通过缺陷增强模块DefectEnhance进行全局和局部的缺陷特征增强，得到特征图。在全局上采用了纹理算子，在局部上采用了条形池化。
步骤二C：通过由四个反卷积层组成的解码器Decoder，逐步将特征图恢复到原先的尺寸。
步骤三：对网络模型进行训练，用训练完成的网络对测试图像进行缺陷检测以验证模型的有效性。具体如下：
步骤三A：将训练数据集分批次输入到所搭建的网络模型中，在整个训练数据集经过一轮迭代后，重新打乱整个训练数据集，进行再次训练，直至网络模型收敛为止。
具体地，随机初始化网络模型中的参数，使用Adam优化器优化网络模型。迭代的目标次数设为：100000次/训练数据集图像数量，每遍历完训练数据集中的图像一次，就将迭代轮次数加1。迭代结束后，保存得到的网络模型为最终用于缺陷检测的网络模型。
步骤三B：将拍摄到的图像放入训练完成的网络模型中，进行缺陷检测，得到分割出的笔记本表面特征图像。
步骤三C：再将步骤三B得到的特征图和无缺陷的模板图像的特征图做对比，计算两张图像的像素值分布的方差比，判断方差比是否小于规定的阈值；如是，则测试图像中存在缺陷；如否，则测试图像中不存在缺陷；
；/>；/>；
其中表示测试图像的特征图的像素值分布方差，/>表示模板图像的特征图的像素值分布方差，/>分别为测试图像的特征图中像素点i的像素值、模板图像的特征图中像素点i的像素值。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (2)
1.一种基于熵融合的工业缺陷检测方法，包括以下步骤：
步骤一：获取工业产品表面的图像，并对图像进行归一化处理，再采用直方图的熵算法获取熵图；将图像和熵图分为训练数据集和测试数据集；
步骤二：构建网络模型，使用熵注意力的融合方式实现熵图和图像的自适应融合，再通过网络模型的编码器、缺陷增强模块以及解码器得到能够凸显缺陷部分的特征图，并将特征图恢复到编码前的尺寸，具体包括；
步骤二A：首先用一个的卷积层对图像和熵图进行特征提取，然后使用如下类似于自注意力机制的方式进行融合：将图像信息编码成query和value，value为图像特征，query是对图像特征value的描述；将熵图信息编码为特征向量key；计算query和key之间的亲和力分数，将亲和力分数经过Softmax函数后得到注意力权重，再使用注意力权重与value进行聚合：
；
其中为融合后的特征，γ是训练过程中的可调参数，query和value组成图像的特征数据对，/>为图像的特征图，/>为Softmax函数；
步骤二B：编码器的前两层采用了ResNet-50残差网络的前两个网络层，并且加载了预训练；编码器后面两层使用卷积层；
将融合后的特征经过编码器后，再通过缺陷增强模块进行全局和局部的缺陷特征增强，得到特征图；在全局上采用纹理算子进行缺陷特征的增强，在局部上采用条形池化进行缺陷特征的增强；
步骤二C：将步骤二B得到的特征图通过由四个反卷积层组成的解码器，逐步将特征图恢复到编码前的尺寸；
步骤三：通过训练数据集对网络模型进行训练，具体包括：
将训练数据集分批次输入到网络模型中，在整个训练数据集经过一轮迭代后，重新打乱整个训练数据集，再次进行训练，直至网络模型收敛；
步骤四：将测试数据集中的测试图像输入到训练完成的网络模型中，得到测试图像的缺陷检测结果，具体包括：
将测试图像输入到训练完成的网络模型中，进行缺陷检测，得到分割出的测试图像的特征图；
再将得到的特征图和无缺陷的模板图像的特征图做对比，计算像素值分布的方差比，判断方差比是否小于规定的阈值；如是，则测试图像中存在缺陷；如否，则测试图像中不存在缺陷；
；/>；/>；
其中表示测试图像的特征图的像素值分布方差，/>表示模板图像的特征图的像素值分布方差，/>分别为测试图像的特征图中像素点i的像素值、模板图像的特征图中像素点i的像素值。
2.根据权利要求1所述的基于熵融合的工业缺陷检测方法，其特征在于，步骤一具体包括：
步骤一A：设置工业产品与相机的距离，使图像包含整个工业产品的表面；
步骤一B：随机选择拍摄到的若干张图像，进行不同的角度旋转，旋转角度范围为-10°~10°；
步骤一C：对获取的RGB通道的图像进行灰度化得到单通道图；将单通道图/>的像素值统计为直方图，再将直方图归一化得到每个像素点出现的概率hist(s)，然后将归一化后的直方图进行累加计算，用于求阈值做阈值分割：
；
其中为直方图累加和，/>为像素值s的出现概率；
步骤一D：采用直方图的熵算法，计算各个像素值的熵值并累加：
；
其中为像素值s的熵值；
求解用于得到熵图的阈值：计算使函数最大的t值，即为阈值；其中函数/>、/>如下：
；
；
再根据阈值将单通道图二值化，得到熵图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311382011.6A CN117132592B (zh) | 2023-10-24 | 2023-10-24 | 一种基于熵融合的工业缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311382011.6A CN117132592B (zh) | 2023-10-24 | 2023-10-24 | 一种基于熵融合的工业缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117132592A CN117132592A (zh) | 2023-11-28 |
| CN117132592B true CN117132592B (zh) | 2024-01-26 |
Family
ID=88860343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311382011.6A Active CN117132592B (zh) | 2023-10-24 | 2023-10-24 | 一种基于熵融合的工业缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117132592B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110246108A (zh) * | 2018-11-21 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
| US10901715B1 (en) * | 2019-09-26 | 2021-01-26 | Jonathan RAIMAN | Lazy compilation and kernel fusion in dynamic computation graphs |
| CN113240613A (zh) * | 2021-06-07 | 2021-08-10 | 北京航空航天大学 | 一种基于边缘信息重建的图像修复方法 |
| CN113554629A (zh) * | 2021-07-28 | 2021-10-26 | 江苏苏桥焊材有限公司 | 基于人工智能的带钢红锈缺陷检测方法 |
| CN113822885A (zh) * | 2021-11-23 | 2021-12-21 | 常州微亿智造科技有限公司 | 融合多注意力机制的工件缺陷检测方法和装置 |
| CN114708189A (zh) * | 2022-02-24 | 2022-07-05 | 中北大学 | 基于深度学习的多能x射线图像融合方法及装置 |
| CN116152244A (zh) * | 2023-04-19 | 2023-05-23 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种smt缺陷检测方法、*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114913565B (zh) * | 2021-01-28 | 2023-11-17 | 腾讯科技（深圳）有限公司 | 人脸图像检测方法、模型训练方法、装置及存储介质 |
-
2023
- 2023-10-24 CN CN202311382011.6A patent/CN117132592B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110246108A (zh) * | 2018-11-21 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
| US10901715B1 (en) * | 2019-09-26 | 2021-01-26 | Jonathan RAIMAN | Lazy compilation and kernel fusion in dynamic computation graphs |
| CN113240613A (zh) * | 2021-06-07 | 2021-08-10 | 北京航空航天大学 | 一种基于边缘信息重建的图像修复方法 |
| CN113554629A (zh) * | 2021-07-28 | 2021-10-26 | 江苏苏桥焊材有限公司 | 基于人工智能的带钢红锈缺陷检测方法 |
| CN113822885A (zh) * | 2021-11-23 | 2021-12-21 | 常州微亿智造科技有限公司 | 融合多注意力机制的工件缺陷检测方法和装置 |
| CN114708189A (zh) * | 2022-02-24 | 2022-07-05 | 中北大学 | 基于深度学习的多能x射线图像融合方法及装置 |
| CN116152244A (zh) * | 2023-04-19 | 2023-05-23 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种smt缺陷检测方法、*** |
Non-Patent Citations (3)
| Title |
|---|
| "multimodal learning for classroom cativity detection";Hang Li.et al;《IEEE》;全文 * |
| "Adaptive Diagnosis for Transformer With Unknown Faults Based on Antenna-Augmented RFID Sensor and Deep Learning";Tao Wang.et al;《ieee》;第23卷(第17期);全文 * |
| "二极管玻壳表面缺陷检测技术研究";牛乾;《知网》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117132592A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111553929B (zh) | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 | |
| CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
| CN106650721B (zh) | 一种基于卷积神经网络的工业字符识别方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
| CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN111445459B (zh) | 一种基于深度孪生网络的图像缺陷检测方法及*** | |
| CN111126412B (zh) | 基于特征金字塔网络的图像关键点检测方法 | |
| CN111209858B (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
| CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
| CN115880298B (zh) | 一种基于无监督预训练的玻璃表面缺陷检测*** | |
| CN112767369A (zh) | 小五金的缺陷识别检测方法、装置及计算机可读存储介质 | |
| CN109360179B (zh) | 一种图像融合方法、装置及可读存储介质 | |
| CN113592923B (zh) | 一种基于深度局部特征匹配的批图像配准方法 | |
| CN113177947B (zh) | 基于多模块卷积神经网络的复杂环境目标分割方法及装置 | |
| CN113139544A (zh) | 一种基于多尺度特征动态融合的显著性目标检测方法 | |
| CN109815923B (zh) | 基于lbp特征与深度学习的金针菇菇头分选识别方法 | |
| CN115797314B (zh) | 零件表面缺陷检测方法、***、设备及存储介质 | |
| WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
| CN107578011A (zh) | 视频关键帧的判定方法及装置 | |
| CN113657528A (zh) | 图像特征点提取方法、装置、计算机终端及存储介质 | |
| CN112634171A (zh) | 基于贝叶斯卷积神经网络的图像去雾方法及存储介质 | |
| CN115829942A (zh) | 基于非负性约束稀疏自编码器的电子电路缺陷检测方法 | |
| CN115033721A (zh) | 基于大数据的图像检索方法 | |
| CN113436220B (zh) | 一种基于深度图分割的图像背景估计方法 |
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 |