-
公开(公告)号：CN114022586B
公开(公告)日：2024-07-02
申请号：CN202111240124.3
申请日：2021-10-25
Applicant: 华中科技大学
IPC: G06T11/00 , G06T7/00 , G06V10/774
Abstract: 本发明属于图像处理相关技术领域，其公开了一种基于对抗生成网络的缺陷图像生成方法，方法包括以下步骤：(1)采集工件的缺陷图像及无缺陷图像以分别构建缺陷数据集及无缺陷数据集，并对缺陷数据集进行像素级标注；(2)分别构建缺陷掩码输入模块及缺陷生成对抗网络；(3)构建缺陷方向向量模块；(4)构建缺陷注意损失，缺陷注意损失包括缺陷全图损失及缺陷区域损失；(5)训练缺陷生成对抗网络以得到缺陷生成参数模型，采用该缺陷生成参数模型生成缺陷图像。本发明能够生成“以假乱真”且超越现有采样数据空间限制的缺陷图像数据集，生成缺陷图像单张图像质量高，生成缺陷图像数据集缺陷多样性好，具有生成采样数据空间之外数据的能力。
-
公开(公告)号：CN116958156A
公开(公告)日：2023-10-27
申请号：CN202310700106.1
申请日：2023-06-13
Applicant: 华中科技大学
Abstract: 本发明公开了自适应的工业表面缺陷分割网络建立方法及其应用，属于缺陷分割领域，包括：基于神经架构搜索，结合现有手工设计缺陷检测架构的先验知识，设计精简但适用于工业场景的有潜力的分割网络搜索空间，完成网络级搜索空间的设计；总结工业检测架构中常用操作，并额外添加通道注意力操作和空间注意力操作作为候选操作，构建网络中的基本单元，完成单元级搜索空间的设计；由于网络整体架构相对固定，因此，最终的搜索范围被简化为单元的结构，而不是整个网络，从而在时间资源有限的条件下，在更短的时间内完成具有良好性能的体系结构构建，大幅节约了网络设计成本。在此基础上，进一步对搜索策略进行了优化，能够进一步提高搜索效率。
-
公开(公告)号：CN115100120A
公开(公告)日：2022-09-23
申请号：CN202210624077.0
申请日：2022-06-02
Applicant: 华中科技大学
Abstract: 本发明属于神经网络特征提取相关技术领域，其公开了一种增强神经网络特征多样性的缺陷检测方法及系统，方法包括：将待检测图像输入第一神经网络特征提取模块和第二神经网络提取模块，以提取不同维度的图像缺陷特征；采用特征差异性损失函数计算上述两提取模块提取到的图像缺陷特征之间的差异性损失，基于分割损失和差异性损失构建训练函数；采用训练函数对两种神经网络提取模块、以及两种神经网络提取模块提取结果的融合解码过程进行训练，直至收敛，得到缺陷图像。本申请提出一种能够提取不同特征的神经网络模块和衡量不同模块提取到特征之间差异性的损失函数，进而获得多样性特征，降低特征冗余，提升检测效果。
-
公开(公告)号：CN114972194A
公开(公告)日：2022-08-30
申请号：CN202210454583.X
申请日：2022-04-27
Applicant: 华中科技大学
Abstract: 本发明属于图像处理相关技术领域，其公开了一种从不一致标签中检测缺陷的方法，所述方法包括以下步骤：(1)基于粗糙集理论建立标签的不确定性模型(2)构建评分贝叶斯神经网络，所述评分贝叶斯神经网络包括贝叶斯分割网络和评分网络，采用训练集对所述贝叶斯分割网络和所述评分网络进行训练；(3)将待检测样本输入贝叶斯分割网络中，多次求解获得多张异常分割图，将多张异常分割图分别与对应的图像一起输入评分网络，获得多个质量评价分数，进而得到异常分割概率图；(4)根据缺陷阈值与异常分割概率图求得置信度，将求得的置信度与置信度阈值进行对比，根据对比结果判断是否存在表面缺陷。本发明提高了准确率。
-
公开(公告)号：CN114022586A
公开(公告)日：2022-02-08
申请号：CN202111240124.3
申请日：2021-10-25
Applicant: 华中科技大学
IPC: G06T11/00 , G06T7/00 , G06V10/774
Abstract: 本发明属于图像处理相关技术领域，其公开了一种基于对抗生成网络的缺陷图像生成方法，方法包括以下步骤：(1)采集工件的缺陷图像及无缺陷图像以分别构建缺陷数据集及无缺陷数据集，并对缺陷数据集进行像素级标注；(2)分别构建缺陷掩码输入模块及缺陷生成对抗网络；(3)构建缺陷方向向量模块；(4)构建缺陷注意损失，缺陷注意损失包括缺陷全图损失及缺陷区域损失；(5)训练缺陷生成对抗网络以得到缺陷生成参数模型，采用该缺陷生成参数模型生成缺陷图像。本发明能够生成“以假乱真”且超越现有采样数据空间限制的缺陷图像数据集，生成缺陷图像单张图像质量高，生成缺陷图像数据集缺陷多样性好，具有生成采样数据空间之外数据的能力。
-
Patent Agency Ranking
公开(公告)号：CN114972194B
公开(公告)日：2024-09-10
申请号：CN202210454583.X
申请日：2022-04-27
Applicant: 华中科技大学
Abstract: 本发明属于图像处理相关技术领域，其公开了一种从不一致标签中检测缺陷的方法，所述方法包括以下步骤：(1)基于粗糙集理论建立标签的不确定性模型(2)构建评分贝叶斯神经网络，所述评分贝叶斯神经网络包括贝叶斯分割网络和评分网络，采用训练集对所述贝叶斯分割网络和所述评分网络进行训练；(3)将待检测样本输入贝叶斯分割网络中，多次求解获得多张异常分割图，将多张异常分割图分别与对应的图像一起输入评分网络，获得多个质量评价分数，进而得到异常分割概率图；(4)根据缺陷阈值与异常分割概率图求得置信度，将求得的置信度与置信度阈值进行对比，根据对比结果判断是否存在表面缺陷。本发明提高了准确率。
-
公开(公告)号：CN111445484B
公开(公告)日：2022-08-02
申请号：CN202010247704.4
申请日：2020-04-01
Applicant: 华中科技大学
Abstract: 本发明属于机器视觉与机器学习领域，并具体公开了一种基于图像级标注的工业图像异常区域像素级分割方法，包括如下步骤：S1获取工业图像数据集，并进行图像级标注；S2构建正常图像模板生成网络，其包括正常图像模板生成器、异常图像模板生成器、正常图像鉴别器、异常图像鉴别器；S3根据优化目标，通过工业图像数据集对正常图像模板生成网络进行训练，得到正常图像模板生成模型；S4将待测工业图像输入正常图像模板生成模型中，得到对应的正常图像模板，进而将其与待测工业图像进行对比，实现对工业图像异常区域的分割。本方法能基于图像级标注数据获取精确的像素级图像分割结果，且相对于其他弱监督分割方法具有更好的实时性与泛化性。
-
公开(公告)号：CN112669265B
公开(公告)日：2022-06-21
申请号：CN202011500470.6
申请日：2020-12-17
Applicant: 华中科技大学
Abstract: 本发明属于图像处理相关技术领域，其公开了一种基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法，包括以下步骤：(1)将采集到的工件表面图像转为灰度图；(2)求图像的梯度方向特征图，并将梯度方向进行压缩；(3)生成梯度方向矩形和垂直梯度方向矩形；(4)分别计算得到所述梯度方向矩形及所述垂直梯度方向矩形的灰度特征，并分别写入新的图像中以得到对应的梯度方向特征图及垂直梯度方向特征图；(5)将梯度方向特征图及垂直梯度方向特征图相乘，并做灰度拉伸变换；(6)对图像做阈值提取以得到疑似缺陷区域，并对所述疑似缺陷区域进行对比度筛选以得到目标区域，继而完成表面缺陷检测。本发明提高了准确性和实时性。
-
公开(公告)号：CN110992354A
公开(公告)日：2020-04-10
申请号：CN201911286021.3
申请日：2019-12-13
Applicant: 华中科技大学
IPC: G06T7/00
Abstract: 本发明属于图像处理技术领域，并具体公开了一种基于引入自动记忆机制对抗自编码器的异常区域检测方法。包括：在工业现场图像划分的训练集和测试集中，训练集仅包含OK样本，测试集包含OK和NG样本；设计具备自动记忆机制的对抗自编码器模型；使用训练集训练，测试集评价，得到最优模型；构建训练集样本异常值的统计模型，得出判别OK/NG的判别阈值。将待检测样本输入已训练网络模型，生成器重构得到重构图，获取异常值，若小于判别阈值判定为OK，否则判定为NG，将输入图与重构图输入比较模块得到异常区域位置。本发明仅使用OK样本作为训练集，能够判别OK/NG，定位异常区域位置，并且NG样本召回率较高，检测速度较快。
-
公开(公告)号：CN118038175A
公开(公告)日：2024-05-14
申请号：CN202410284641.8
申请日：2024-03-13
Applicant: 华中科技大学
IPC: G06V10/764 , G06V10/80 , G06V10/774 , G06V10/74 , G06N3/082 , G06N3/0464
Abstract: 本发明属于网络轻量化相关技术领域，其公开了一种表面缺陷检测网络的剪枝方法及其应用与设备，该方法包括以下步骤：分别基于待裁剪表面缺陷检测网络的滤波器的贡献度以及滤波器的相关性从小到大对待裁剪表面缺陷检测网络的各层滤波器排序，再逐步筛选出两个排序结果中前预定个数的滤波器的交集作为被裁剪的滤波器集合，基于得到的滤波器集合对待裁剪表面缺陷检测网络的所有层同时进行裁剪。本发明从滤波器对预测结果的贡献度以及滤波器之间的相关性这2个角度出发来综合评估各层滤波器的重要性，从而筛选出冗余不重要的滤波器，如此能够有效减少检测网络的参数量及计算量。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.022 seconds)
