-
公开(公告)号：CN114170138B
公开(公告)日：2024-10-15
申请号：CN202111310242.7
申请日：2021-11-05
Applicant: 华中科技大学
Abstract: 本发明公开了一种无监督工业图像异常检测模型建立方法、检测方法及系统，属于工业图像处理领域，包括：建立并训练用于深度特征提取的源域神经网络和目标域神经网络，并建立映射神经网络，得到初始的无监督工业图像异常检测模型，其中，映射神经网络用于实现源域神经网络提取的源域深度特征图和目标域神经网络提取的目标域深度特征图之间的映射；将工业图像数据集中的训练样本输入源域神经网络和目标域神经网络，以最小化训练样本的L2损失为目标，优化映射神经网络的参数，得到训练后的无监督工业图像异常检测模型，其中，训练样本为合格工业样品的图像。提升无监督下工业图像异常检测的性能，降低人工成本，提高产线质检自动化、智能化水平。
-
公开(公告)号：CN114742770B
公开(公告)日：2024-09-10
申请号：CN202210288874.6
申请日：2022-03-22
Applicant: 华中科技大学
IPC: G06T7/00 , G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0499
Abstract: 本发明公开了一种电解铜板铜瘤子缺陷检测方法、训练方法及系统，属于图像处理技术领域。湿法炼铜在进行阴极铜析出时，由于电解质不纯等原因而容易造成阴极铜板上析出颗粒较大的铜瘤子，无法满足生产标准。本发明分为训练和推理两个阶段。首先对采集的铜板图像进行图像预处理。在训练阶段，通过已标注的、并经过预处理的图像数据进行神经网络参数训练，优化目标包括铜瘤子缺陷位置、置信度、深度。在推理阶段，将采集的图像经过图像预处理，输入训练好的神经网络进行前向推理，输出铜瘤子缺陷位置、置信度、深度，经过设计的判别准则，有助于准确高效地除铜瘤子缺陷。所公开方法可以提高现有铜瘤子去除效率，压缩生产工期。
-
公开(公告)号：CN117435691A
公开(公告)日：2024-01-23
申请号：CN202311411398.3
申请日：2023-10-25
Applicant: 华中科技大学 , 首都航天机械有限公司
Abstract: 本发明属于智能制造相关技术领域，并公开了一种基于多层级语义特征相似性的工件加工工艺预测方法。该方法包括下列步骤：S1采集工件的加工工艺数据构建正样本对和负样本对；S2将构建的正样本对和负样本对输入预设的自注意力大模型中，对述自注意力大模型进行微调；S3构建多层级索引库；S4将待检测文本输入自注意力大模型中获得相对应的语义特征，将获得的语义特征与所述多层级索引库中的数据逐层进行比较并计算相似度，每层相似度最大对应的加工特征的组合形成最相似加工工艺；根据该最相似加工工艺对待加工件进行辅助加工。通过本发明，解决加工工艺智能推理的问题。
-
公开(公告)号：CN110567974A
公开(公告)日：2019-12-13
申请号：CN201910937955.2
申请日：2019-09-30
Applicant: 华中科技大学
IPC: G01N21/88
Abstract: 本发明属于图像处理领域，并公开了一种基于云端人工智能表面缺陷检测系统。该系统包括边缘端模块和云端数据处理模块，其中，所述边缘端模块包括数据采集单元和结果反馈单元；所述云端数据处理模块包括智能标注单元、训练单元和检测单元，所述智能标注单元用于智能标注待标注图像的良品，次品以及缺陷信息，并将标注的图像作为待训练数据输入训练单元，训练单元用于建立预测模型传递给检测单元；检测单元用于利用预测模型对待检测的图像进行检测，以此获得待检测图像的检测结果，然后将检测结果反馈给结果反馈单元，通过结果反馈单元将检测结果进行显示。通过本发明，减小边缘端检测的计算成本，增大检测效率与检测精度，有助于提升产品良率。
-
Patent Agency Ranking
公开(公告)号：CN114742770A
公开(公告)日：2022-07-12
申请号：CN202210288874.6
申请日：2022-03-22
Applicant: 华中科技大学
Abstract: 本发明公开了一种电解铜板铜瘤子缺陷检测方法、训练方法及系统，属于图像处理技术领域。湿法炼铜在进行阴极铜析出时，由于电解质不纯等原因而容易造成阴极铜板上析出颗粒较大的铜瘤子，无法满足生产标准。本发明分为训练和推理两个阶段。首先对采集的铜板图像进行图像预处理。在训练阶段，通过已标注的、并经过预处理的图像数据进行神经网络参数训练，优化目标包括铜瘤子缺陷位置、置信度、深度。在推理阶段，将采集的图像经过图像预处理，输入训练好的神经网络进行前向推理，输出铜瘤子缺陷位置、置信度、深度，经过设计的判别准则，有助于准确高效地除铜瘤子缺陷。所公开方法可以提高现有铜瘤子去除效率，压缩生产工期。
-
公开(公告)号：CN114742773A
公开(公告)日：2022-07-12
申请号：CN202210305558.5
申请日：2022-03-25
Applicant: 华中科技大学
IPC: G06T7/00 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于正样本诱导的不平衡异常图像检测方法，属于图像处理技术领域。异常图像检测对于提升工业视觉质量检测精度和效率具有重要意义，在大多数真实场景下的异常图像检测中，往往存在正、负样本比例不平衡的情况，使得异常图像检测更具挑战性。本发明通过提出一种新型的正样本诱导损失来训练深度神经网络，以处理异常图像检测中的正负样本不平衡问题。所提出的正样本诱导损失包括正样本分类分数诱导损失和正样本特征对比损失。为进一步提升正负样本不平衡问题下的检测精度，本发明通过将负样本划分为多个子集，提出了基于正样本诱导损失的多模型集成方法。能够有效提升异常图像检测精度。
-
公开(公告)号：CN114170138A
公开(公告)日：2022-03-11
申请号：CN202111310242.7
申请日：2021-11-05
Applicant: 华中科技大学
Abstract: 本发明公开了一种无监督工业图像异常检测模型建立方法、检测方法及系统，属于工业图像处理领域，包括：建立并训练用于深度特征提取的源域神经网络和目标域神经网络，并建立映射神经网络，得到初始的无监督工业图像异常检测模型，其中，映射神经网络用于实现源域神经网络提取的源域深度特征图和目标域神经网络提取的目标域深度特征图之间的映射；将工业图像数据集中的训练样本输入源域神经网络和目标域神经网络，以最小化训练样本的L2损失为目标，优化映射神经网络的参数，得到训练后的无监督工业图像异常检测模型，其中，训练样本为合格工业样品的图像。提升无监督下工业图像异常检测的性能，降低人工成本，提高产线质检自动化、智能化水平。
-
公开(公告)号：CN110598753A
公开(公告)日：2019-12-20
申请号：CN201910759496.3
申请日：2019-08-16
Applicant: 华中科技大学
Abstract: 本发明属于图像处理技术领域，并公开了一种基于主动学习的缺陷识别方法，包括如下步骤：S1获取待测对象的图像样本，对一部分图像样本进行随机标记获得已标记样本 剩下的图像样本记为未标记样本 利用 更新多分类神经网络模型；S2计算 中各样本的熵值，并将分为高置信度标记样本 未标记样本 和待标记样本 S3对 进行自动及人工标记获得自动标记样本 和人工标记样本 由 和 构建新标记样本 S4利用 更新神经网络模型，判断神经网络模型是否收敛，若是，则结束，若否，令t＝t+1，转入步骤S5；S5重复步骤S2～S4直至神经网络模型收敛。本发明可有效减少缺陷识别中对人工标记的依赖，具有识别精度高、速度快等优点。
-
公开(公告)号：CN114742773B
公开(公告)日：2024-09-06
申请号：CN202210305558.5
申请日：2022-03-25
Applicant: 华中科技大学
IPC: G06T7/00 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0499
Abstract: 本发明公开了一种基于正样本诱导的不平衡异常图像检测方法，属于图像处理技术领域。异常图像检测对于提升工业视觉质量检测精度和效率具有重要意义，在大多数真实场景下的异常图像检测中，往往存在正、负样本比例不平衡的情况，使得异常图像检测更具挑战性。本发明通过提出一种新型的正样本诱导损失来训练深度神经网络，以处理异常图像检测中的正负样本不平衡问题。所提出的正样本诱导损失包括正样本分类分数诱导损失和正样本特征对比损失。为进一步提升正负样本不平衡问题下的检测精度，本发明通过将负样本划分为多个子集，提出了基于正样本诱导损失的多模型集成方法。能够有效提升异常图像检测精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.019 seconds)
