-
公开(公告)号：CN118823780A
公开(公告)日：2024-10-22
申请号：CN202410796706.7
申请日：2024-06-20
Applicant: 华中科技大学
IPC: G06V20/70 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06T7/00
Abstract: 本发明涉及计算机视觉技术领域，提供了一种工业缺陷图像像素级标注生成方法和装置。方法包括：提取缺陷图像的判别性特征，使用所述缺陷图像的判别性特征对缺陷图像进行低分辨率像素级标注；提取正常图像的判别性特征，使用所述正常图像的判别性特征对正常图像进行低分辨率像素级标注；对缺陷图像的判别性特征和VAE解码器输出的高分辨率特征进行融合，得到精细化特征，使用精细化特征对缺陷图像进行高分辨率像素级标注；根据缺陷图像和正常图像的低分辨率像素级标注和高分辨率像素级标注、缺陷图像掩码和正常图像掩码，生成目标函数，使用目标函数对标注生成模型进行优化。本发明能够实现与缺陷区域精准对齐的高分辨率像素级标注。
-
公开(公告)号：CN114742799B
公开(公告)日：2024-04-26
申请号：CN202210401019.1
申请日：2022-04-18
Applicant: 华中科技大学
IPC: G06T7/00 , G06V10/26 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明公开一种基于自监督异构网络的工业场景未知类型缺陷分割方法：准备大型预训练网络并固定参数，作为教师网络；构建异构学生网络，由异构特征编码模块、特征融合模块和分割模块组成；训练异构学生网络，将合成异常图像输入至教师和异构学生网络中，一方面，约束学生网络在合成图像的正常区域提取的多尺度特征与教师网络相应尺度特征相似，另一方面，约束分割模块产生的分割概率图准确回归合成的异常区域；测试阶段通过教师和异构学生网络提取的相应尺度的特征图的差异和分割概率图得到异常得分图，设置合适的阈值二值化得到异常分割图。本发明通过对特征编码模块的相关设计和自监督的引入，实现了对图像异常区域的精确分割。
-
公开(公告)号：CN117689675A
公开(公告)日：2024-03-12
申请号：CN202311732881.1
申请日：2023-12-14
Applicant: 华中科技大学
Abstract: 本发明公开一种基于伪异常蒸馏判别网络的点云异常分割方法：使用伪异常生成模块在训练点云上模拟异常；使用生成的伪异常点云进行教师‑学生网络训练；使用学生输出特征和教师输出特征训练判别网络；在训练时固定教师特征提取模块中的网络参数，端到端训练学生提取模块与判别网络；测试阶段，将测试点云分别输入教师特征提取模块与学生特征提取模块，得到教师输出特征与学生输出特征，将教师输出特征与学生输出特征作差后与学生输出特征一起输入到判别网络中，得到二类概率点云，取最后一维作为异常分数点云，使用逆距离权重插值到原始点云中，根据预设的阈值得到异常分割结果。本发明还提供相应的基于伪异常蒸馏判别网络的点云异常分割装置。
-
公开(公告)号：CN117649395A
公开(公告)日：2024-03-05
申请号：CN202311724247.3
申请日：2023-12-14
Applicant: 华中科技大学
Abstract: 本发明公开一种基于无标签图像互打分的零样本工业缺陷分割方法：使用深度神经网络提取所有无标签测试图像特征；将提取的局部图像区域级特征输入多聚合度邻域聚合模块中，获得在多个不同大小邻域范围内聚合的聚合区域级特征；将所有无标签测试图像的所有聚合区域级特征输入互打分模块中，得到零样本分割结果；将提取的图像级特征和图像的异常分数图输入到分类优化模块中，使用基于流形学习方法进行分类分数的互优化，得到零样本分类结果。本发明通过无标签测试图像彼此间打分的方式充分利用无标签测试图像中丰富的正常先验信息，对缺陷的检测和分割精度大幅超越当前零样本工业缺陷检测分割方法。本发明还提供了相应的零样本工业缺陷分割装置。
-
公开(公告)号：CN112712011B
公开(公告)日：2022-05-06
申请号：CN202011583490.4
申请日：2020-12-28
Applicant: 华中科技大学
IPC: G06V20/58 , G06V10/80 , G06V10/74 , G06V10/764 , G06V10/44 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于边界细节补偿和相似特征强化的实时道路检测方法，包括：采用多尺度图像特征提取器对单目相机采集的单帧图像进行多尺度图像特征提取；采用边界细节补偿模块对提取的多尺度图像特征进行融合，得到道路边界细节补偿后的高层语义图像特征；采用相似特征强化模块对得到的道路边界细节补偿后的高层语义图像特征进行基于相似度的局部特征聚合；道路检测，采用第一分类器基于输出的强化图像特征图，输出所述单帧图像场景中的道路检测结果。该方法通过边界细节补偿模块和相似特征强化模块，解决了轻量级特征提取器道路边界预测不准确和在复杂场景条件下易产生道路误检和漏检的问题，提高了道路检测网络的实时性、鲁棒性和准确性。
-
Patent Agency Ranking
公开(公告)号：CN114170599A
公开(公告)日：2022-03-11
申请号：CN202111523499.0
申请日：2021-12-14
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于蒸馏比较的异常物体分割方法：在无异常训练集上，训练一个语义分割网络，移除语义分类头后作为教师分支；固定教师分支参数，利用语义特征分布蒸馏获得与教师分支结构相似的学生分支。两分支的输出在正常类上保持一致，在异常类上不一致。输入带异常测试图像，两分支分别对图像进行多尺度特征提取和聚合，提取的语义特征逐位置进行比较得到异常分数图，异常分数图双线性插值取阈值将图像中的所有像素划分为正常和异常两类。本方法引入了一种全新的简单灵活的蒸馏比较网络来进行异常物体分割，在推理阶段没有利用语义分类头的结果，大幅减少了对语义分割错误的正常类别像素的误判，实现了更准确的异常物体分割。
-
公开(公告)号：CN112712011A
公开(公告)日：2021-04-27
申请号：CN202011583490.4
申请日：2020-12-28
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于边界细节补偿和相似特征强化的实时道路检测方法，包括：采用多尺度图像特征提取器对单目相机采集的单帧图像进行多尺度图像特征提取；采用边界细节补偿模块对提取的多尺度图像特征进行融合，得到道路边界细节补偿后的高层语义图像特征；采用相似特征强化模块对得到的道路边界细节补偿后的高层语义图像特征进行基于相似度的局部特征聚合；道路检测，采用第一分类器基于输出的强化图像特征图，输出所述单帧图像场景中的道路检测结果。该方法通过边界细节补偿模块和相似特征强化模块，解决了轻量级特征提取器道路边界预测不准确和在复杂场景条件下易产生道路误检和漏检的问题，提高了道路检测网络的实时性、鲁棒性和准确性。
-
公开(公告)号：CN114863098B
公开(公告)日：2024-07-19
申请号：CN202210397331.8
申请日：2022-04-15
Applicant: 华中科技大学
IPC: G06V10/26 , G06V10/40 , G06V10/80 , G06V10/764 , G06V10/82 , G06F18/2415 , G06N3/0464 , G06N3/0455 , G06N3/0985
Abstract: 本发明公开了一种用于工业场景的细小微弱缺陷分割方法。所述方法包括以下步骤：利用深度卷积神经网络特征编码器对RGB图像进行多尺度特征提取来适应不同尺度的缺陷；特征解码器对特征编码器提取的多尺度图像特征进行融合上采样以尽可能保留细节信息，得到高分辨率高区分力的图像特征图；基于融合后的图像特征图，采用分类器对图像进行逐像素二分类，将图像中所有像素划分为正常像素和缺陷像素两类。本方法提出了一种将正常像素与缺陷像素损失平衡的目标函数，使模型更有效学习到细小微弱缺陷特征，大幅减少了对工业场景下细小微弱缺陷的漏检，实现了更准确的缺陷像素级分割。
-
公开(公告)号：CN117686742A
公开(公告)日：2024-03-12
申请号：CN202311708645.6
申请日：2023-12-13
Applicant: 华中科技大学
IPC: G01P21/00
Abstract: 本发明公开了一种加速度传感器的高温测试系统及其测试方法，包括：振动激励单元、振动传递单元、电荷放大器和数据处理单元；振动激励单元通过正弦信号产生激励，驱动振动传递单元产生振动；振动传递单元同时设置有标准加速度传感器和待测压电加速度传感器，同时对标准加速度传感器和待测压电加速度传感器施加振动，并使待测压电加速度传感器产生电荷信号；电荷放大器接收待测压电加速度传感器产生的电荷信号，并转换为电压信号；数据处理单元根据电压信号，得到待测压电加速度传感器的灵敏度。本发明既实现了传感器的背靠背安装，简化测试步骤，保证比较法的准确性，又可对传感器在不同温度区间的灵敏度进行测试，还可测试传感器的横向灵敏度。
-
公开(公告)号：CN117649397A
公开(公告)日：2024-03-05
申请号：CN202311725442.8
申请日：2023-12-14
Applicant: 华中科技大学
IPC: G06T7/00 , G06V10/44 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种基于多聚合度邻域聚合特征的新类别工业缺陷发现方法：使用深度神经网络提取所有测试集图像特征；将提取的局部图像区域级特征输入多聚合度邻域聚合模块中，获得在多个不同大小邻域范围内聚合的聚合区域级特征；将所有测试图像和参考图像的所有聚合区域级特征输入异常概率估计模块中，得到每个局部图像区域处的异常概率，然后将聚合区域级特征和每个局部图像区域对应的异常概率输入到图像级特征构建模块中，得到对每张图像的特征表达；使用图像级特征间的L2距离来近似表示两张图像在高维空间中的距离，使用层次聚类将测试集中的所有图像划分为k个聚类簇，属于该聚类簇的图像聚类标签相同，将其作为该图像的缺陷类别并输出。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.029 seconds)
