-
公开(公告)号：CN113160139B
公开(公告)日：2022-12-16
申请号：CN202110311677.7
申请日：2021-03-24
Applicant: 华南理工大学
IPC: G06T7/00 , G06V10/82 , G06V10/764 , G06V10/766 , G06V10/80
Abstract: 本发明公开了一种基于注意力的Faster R‑CNN网络的钢板表面缺陷检测方法，包括步骤：1)获取钢板表面缺陷图片，划分训练集和测试集；2)把训练集的图片输入带注意力模块的resnet50骨干网络提取特征图；3)按FPN特征金字塔网络方式融合特征图；4)特征图输入RPN区域建议网络，根据原图尺寸生成建议框；5)建议框和特征图输入RoI align，再经过全连接网络进行分类和回归，得到相应的损失；6)通过损失对基于注意力的Faster R‑CNN网络进行权重调整，迭代次数达到设定值，即训练结束，得到权重文件，对测试集的图片进行预测。本发明将带有注意力模块的resnet50骨干网络与FPN特征金字塔结合对钢板表面缺陷图片提取特征，有助于提高钢板表面缺陷检测的分类和回归的精确率。
-
公开(公告)号：CN113160140A
公开(公告)日：2021-07-23
申请号：CN202110311680.9
申请日：2021-03-24
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于yolov3‑spp网络模型的钢板表面缺陷检测方法，包括步骤：1)获取钢板表面缺陷图片，划分为训练集和测试集；2)把训练集的图片输入yolov3‑spp网络模型，进行迭代训练，调整网络模型的权重参数，达到设定的迭代次数后，得到网络模型的权重文件；3)把权重文件加载到yolov3‑spp网络模型，对测试集的图片进行预测，得到检测结果。本发明将yolov3‑spp网络模型中的spp模块作为实现局部特征和全局特征融合的一种有效手段，能够充分提取缺陷在图片中的结构信息，经过训练集的学习，可以在测试集上有效地提高钢板表面缺陷检测的精确率。
-
公开(公告)号：CN113160139A
公开(公告)日：2021-07-23
申请号：CN202110311677.7
申请日：2021-03-24
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于注意力的Faster R‑CNN网络的钢板表面缺陷检测方法，包括步骤：1)获取钢板表面缺陷图片，划分训练集和测试集；2)把训练集的图片输入带注意力模块的resnet50骨干网络提取特征图；3)按FPN特征金字塔网络方式融合特征图；4)特征图输入RPN区域建议网络，根据原图尺寸生成建议框；5)建议框和特征图输入RoI align，再经过全连接网络进行分类和回归，得到相应的损失；6)通过损失对基于注意力的Faster R‑CNN网络进行权重调整，迭代次数达到设定值，即训练结束，得到权重文件，对测试集的图片进行预测。本发明将带有注意力模块的resnet50骨干网络与FPN特征金字塔结合对钢板表面缺陷图片提取特征，有助于提高钢板表面缺陷检测的分类和回归的精确率。
-
公开(公告)号：CN113160141A
公开(公告)日：2021-07-23
申请号：CN202110311684.7
申请日：2021-03-24
Applicant: 华南理工大学
Abstract: 本发明公开了一种钢板表面缺陷检测系统，包括数据处理模块、特征提取模块、特征金字塔模块、区域建议模块、池化检测模块，数据处理模块实现对钢板表面缺陷图片的训练集和测试集划分，特征提取模块实现对钢板表面缺陷图片的各层特征图的提取，特征金字塔模块实现各层特征图的融合，区域建议模块实现对建议框的提取，池化检测模块实现对建议框对应的特征图的检测，在训练阶段以检测的损失调整权重参数，在测试阶段仅获取钢板表面缺陷图片的缺陷位置和类别。本发明能够有效提取钢板表面缺陷图片的特征，有助于提高钢铁表面缺陷检测的精确率。
-
-
-
Search Results
4
records
(took 0.018 seconds)
