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

Inventor： 周瑜 ,  蔡雨萱 ,  罗东亮 ,  周欢 ,  白翔 ,  郑增强 ,  刘荣华

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：CN117274187A

公开(公告)日：2023-12-22

申请号：CN202311211768.9

申请日：2023-09-19

Applicant: 华中科技大学

Inventor： 白翔 ,  蔡雨萱 ,  何新卫 ,  梁定康 ,  罗东亮 ,  童奥

IPC: G06T7/00 ,  G06T7/73 ,  G06V10/26 ,  G06V10/766 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/09 ,  G06N3/096

Abstract: 本发明公开了一种基于差异感知的鲁棒异常检测方法。所述方法包括以下步骤：本发明由教师网络、学生网络、特征融合模块、分割模块及辅助分割模块组成。在训练阶段，将正常图像及合成异常图像分别输入至教师网络和学生网络，一方面，约束学生网络在正常区域回归教师网络，另一方面，计算两者特征之间的距离，得出差异图，融合差异图与学生网络特征，输入分割模块，约束分割模块准确定位异常。此外，本发明还将学生网络特征输入辅助分割模块中，以提升学生网络对异常的感知能力。在测试阶段，输入异常图像，结合教师‑学生网络的差异图和分割模块输出的分割概率图定位异常。本发明结合知识蒸馏与自监督，实现了高性能和较强鲁棒性的异常检测。

公开(公告)号：CN115641474A

公开(公告)日：2023-01-24

申请号：CN202211295955.5

申请日：2022-10-21

Applicant: 华中科技大学 ,  武汉精测电子集团股份有限公司 ,  武汉精立电子技术有限公司

Inventor： 白翔 ,  章哲彦 ,  罗东亮 ,  杨子豪 ,  蔡雨萱 ,  周瑜 ,  郑增强 ,  刘荣华

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V10/762 ,  G06V10/80 ,  G06V10/28 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于高效学生网络的未知类型缺陷检测方法。所述方法包括以下步骤：提出了一种预训练方法，通过让各个类别数据的平均损失最低的策略，在第三方数据集上对学生网络参数进行更新，得到了一个具有较强泛化能力的学生网络初始化模型，随后，在上述训练策略的基础上，在网络中通过多任务学习的思路和注意力机制的思想，加入了自适应权重模块和分类网络辅助学生网络训练，提升了预训练模型在异常检测任务上的效果。利用本发明提出的方法得到的初始化模型，在后续异常检测任务中，面对不同新类型的数据进行训练时，仅使用少量样本，即可实现快速收敛，并在测试阶段达到较好的异常检测效果。本发明还提供了相应的基于高效学生网络的未知类型缺陷检测装置。

公开(公告)号：CN115641437A

公开(公告)日：2023-01-24

申请号：CN202211293698.1

申请日：2022-10-21

Applicant: 华中科技大学 ,  武汉精测电子集团股份有限公司 ,  武汉精立电子技术有限公司

Inventor： 白翔 ,  杨子豪 ,  罗东亮 ,  章哲彦 ,  蔡雨萱 ,  周瑜 ,  郑增强 ,  刘荣华

IPC: G06V10/26 ,  G06V10/40 ,  G06V10/82 ,  G06V10/77 ,  G06V10/80 ,  G06V10/25 ,  G06V10/764 ,  G06V10/766 ,  G06V10/28 ,  G06N3/0464 ,  G06N3/08 ,  G06T7/00

Abstract: 本发明公开了一种工业缺陷实例分割方法。所述方法包括以下步骤：训练时不固定特征提取网络的浅层网络参数，以保证在开源自然实例数据集上得到的预训练网络能更好地拟合到工业缺陷实例，对工业缺陷实例进行有效的特征提取；使用级联缺陷区域建议模块，避免了从自然实例分割任务迁移到工业缺陷实例分割任务进行的大量参数调整，采用了多次候选框优化的机制提高了算法精度；提出了自适应分割质量评估探头，该模块能根据分割结果生成自适应的分割阈值进行分割结果的二值化，并对分割结果进行打分，解决了实例分割打分偏高的问题。以上设计使得本发明能够有效地解决工业缺陷实例分割问题。

公开(公告)号：CN114742799A

公开(公告)日：2022-07-12

申请号：CN202210401019.1

申请日：2022-04-18

Applicant: 华中科技大学

Inventor： 周瑜 ,  蔡雨萱 ,  罗东亮 ,  周欢 ,  白翔 ,  郑增强 ,  刘荣华

IPC: G06T7/00 ,  G06V10/26 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04

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。