-
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。
-
公开(公告)号：CN119027384A
公开(公告)日：2024-11-26
申请号：CN202411093690.X
申请日：2024-08-09
Applicant: 华中科技大学
Abstract: 本发明涉及计算机视觉技术领域，提供了一种基于连通域数量稳定性的异常分数图二值化方法和装置。方法包括：统计每张异常分数图对应的全图异常分数，自适应地确定阈值的搜索空间；对于异常分数图，在阈值搜索空间内进行等间隔的穷尽搜索，统计每个阈值下二值化结果中的连通域数量；根据阈值变化时二值化结果的连通域数量变化情况来自适应估计对应的阈值，并进行二值化。本发明通过自适应确定阈值搜索空间，并根据阈值变化时二值化结果的连通域数量变化情况来自适应地获得每张异常分数图像的二值化阈值，从而比较准确地定位缺陷在原图像中的位置，对于缺陷的误漏检具有较强的抑制能力，进而增强二值化结果的稳健性和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN119027385A
公开(公告)日：2024-11-26
申请号：CN202411093692.9
申请日：2024-08-09
Applicant: 华中科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/26 , G06V10/82 , G06N3/045 , G06N3/096
Abstract: 本发明涉及计算机视觉技术领域，提供了一种基于掩膜引导对比学习的工业缺陷新类别发现方法。方法包括：对待分类的无标注数据集和辅助的标注数据集进行预处理，得到对应的掩膜；使用掩膜引导对比学习；基于掩膜中缺陷区域的面积对子图预测进行加权合并，得到原始图像的分类结果。本发明基于掩膜引导对比学习，能够使用掩膜去有效引导模型关注到对应的缺陷区域，进而通过对比学习后提升网络模型对不同类型的缺陷的区分能力。
-
公开(公告)号：CN118823506A
公开(公告)日：2024-10-22
申请号：CN202410796707.1
申请日：2024-06-20
Applicant: 华中科技大学
IPC: G06V10/774 , G06V10/82 , G06V10/44 , G06V10/778 , G06T7/00 , G06N3/0455 , G06N3/045 , G06N3/0464
Abstract: 本发明涉及计算机视觉技术领域，提供了一种用于少样本缺陷图像生成的扩散模型微调方法和装置。方法包括：将多个缺陷词元和单个产品词元组合得到不平衡异常文本提示；选取少样本缺陷图像以及缺陷图像掩码作为缺陷图像分支的输入，根据缺陷图像掩码，将缺陷词元对齐到图像中的缺陷区域，优化第一目标函数和第二目标函数；选取固定数量的正常图像作为正常图像样本分支的输入，用不平衡异常文本提示中的与产品相关的部分，优化第三目标函数；混合训练策略用于使不同缺陷类别的缺陷图像共同参与训练。本发明在工业场景中每一缺陷类别的缺陷图像数量较少的情况下，依旧能够实现较理想的训练效果，从而使用训练完成的扩散模型生成缺陷图像。
-
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：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。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
