公开(公告)号：CN113379689B

公开(公告)日：2024-05-10

申请号：CN202110599182.9

申请日：2021-05-31

Applicant: 东南大学

Inventor： 滕亚鹏 ,  夏思宇 ,  李昊阳 ,  许毓楼

IPC: G06T7/00 ,  G06T5/70 ,  G06T3/4023 ,  G06V10/774 ,  G06V10/764

Abstract: 本发明公开一种基于深度学习的缺陷检测方法，该方法包含以下步骤：使用预训练权重网络对正样本进行特征提取，并建立特征库；使用相同网络对测试集的样本进行特征提取；在提取完测试图像的特征以后，使用KNN算法通过比较最后一层的图像级之间的距离来获取与测试图像最相似的K个正样本图片；再比较测试图片和K个正样本的中间层输出特征图之间的像素级距离来获取每一层的缺陷得分图；再将不同层的特征图通过插值resize为图像大小，并取平均值；最后将得到的缺陷得分图进行高斯滤波；设定阈值获得图片的缺陷mask。本发明方法无需额外的训练就可以简单有效的获取测试图像的缺陷图。

公开(公告)号：CN113379689A

公开(公告)日：2021-09-10

申请号：CN202110599182.9

申请日：2021-05-31

Applicant: 东南大学

Inventor： 滕亚鹏 ,  夏思宇 ,  李昊阳 ,  许毓楼

IPC: G06T7/00 ,  G06T5/00 ,  G06T3/40 ,  G06K9/62

Abstract: 本发明公开一种基于深度学习的缺陷检测方法，该方法包含以下步骤：使用预训练权重网络对正样本进行特征提取，并建立特征库；使用相同网络对测试集的样本进行特征提取；在提取完测试图像的特征以后，使用KNN算法通过比较最后一层的图像级之间的距离来获取与测试图像最相似的K个正样本图片；再比较测试图片和K个正样本的中间层输出特征图之间的像素级距离来获取每一层的缺陷得分图；再将不同层的特征图通过插值resize为图像大小，并取平均值；最后将得到的缺陷得分图进行高斯滤波；设定阈值获得图片的缺陷mask。本发明方法无需额外的训练就可以简单有效的获取测试图像的缺陷图。