-
公开(公告)号：CN111260614B
公开(公告)日：2022-03-25
申请号：CN202010030557.5
申请日：2020-01-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于极限学习机的卷积神经网络布匹瑕疵检测方法，该方法通过构造一个卷积神经网络进行特征提取，并对提取的特征进行融合，在融合后的特征层上进行布匹瑕疵候选框的提取，在布匹瑕疵检测阶段，使用卷积神经网络对提取得到的布匹瑕疵候选框进行回归，使用极限学习机对布匹瑕疵候选框进行分类，对分类和回归结果结合样本图片的真实标签计算损失，基于得到的损失使用随机梯度下降法更新网络中的权重，不断进行迭代训练，直到网络的损失收敛到一个极小值或者达到预设的训练轮数，便得到训练好的基于极限学习机的布匹瑕疵检测的网络模型，即可进行布匹瑕疵检测，有效提高布匹瑕疵检测的整体性能，本发明具有更高的布匹瑕疵检测准确率。
-
Patent Agency Ranking
公开(公告)号：CN110992311A
公开(公告)日：2020-04-10
申请号：CN201911104107.X
申请日：2019-11-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于特征融合的卷积神经网络瑕疵检测方法，包括步骤：1)对数据集进行预处理；2)对输入到模型卷积网络中的图片，进行resize、padding和归一化操作；3)将瑕疵图片和模板图片输入到Resnet101卷积网络中进行特征提取，并分别构建出瑕疵图片和模板图片的FPN网络；4)将瑕疵图片和模板图片的FPN网络中对应的特征层的通道进行叠加，采用卷积的方式进行融合；5)基于融合后的特征层进行初步的候选区域提取，再进行ROI池化操作；6)级联多个ROI池化层和分类、回归层构成Cascade R-CNN网络，对输入的候选区域进行分类和回归；7)选定优化器，对模型进行训练；8)将待预测图片输入到训练好的模型中，输出瑕疵检测结果。本发明可提高瑕疵检测过程中对瑕疵的分类准确率和mAP值。
-
公开(公告)号：CN111260614A
公开(公告)日：2020-06-09
申请号：CN202010030557.5
申请日：2020-01-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于极限学习机的卷积神经网络布匹瑕疵检测方法，该方法通过构造一个卷积神经网络进行特征提取，并对提取的特征进行融合，在融合后的特征层上进行布匹瑕疵候选框的提取，在布匹瑕疵检测阶段，使用卷积神经网络对提取得到的布匹瑕疵候选框进行回归，使用极限学习机对布匹瑕疵候选框进行分类，对分类和回归结果结合样本图片的真实标签计算损失，基于得到的损失使用随机梯度下降法更新网络中的权重，不断进行迭代训练，直到网络的损失收敛到一个极小值或者达到预设的训练轮数，便得到训练好的基于极限学习机的布匹瑕疵检测的网络模型，即可进行布匹瑕疵检测，有效提高布匹瑕疵检测的整体性能，本发明具有更高的布匹瑕疵检测准确率。
-
公开(公告)号：CN111008649A
公开(公告)日：2020-04-14
申请号：CN201911104108.4
申请日：2019-11-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于三支决策的缺陷检测数据集预处理方法，该方法通过构造一个卷积神经网络来进行图片特征的提取，利用随机梯度下降法基于分类网络中的交叉熵损失来进行卷积神经网络权值的更新，同时利用卷积神经网络输出的特征来进行样本所属域的划分，对划分后的负域和边界域样本进行数据增强，再利用数据增强后的数据集继续进行训练，直到分类网络达到一个较好的分类准确率。通过实验证明了本发明方法比直接对数据集中的图片进行无差别的增强后进行训练，模型的收敛速度更快，最终的分类准确率更高。
-
公开(公告)号：CN110992311B
公开(公告)日：2023-04-28
申请号：CN201911104107.X
申请日：2019-11-13
Applicant: 华南理工大学
IPC: G06T7/00 , G06V10/80 , G06V10/766 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于特征融合的卷积神经网络瑕疵检测方法，包括步骤：1)对数据集进行预处理；2)对输入到模型卷积网络中的图片，进行resize、padding和归一化操作；3)将瑕疵图片和模板图片输入到Resnet101卷积网络中进行特征提取，并分别构建出瑕疵图片和模板图片的FPN网络；4)将瑕疵图片和模板图片的FPN网络中对应的特征层的通道进行叠加，采用卷积的方式进行融合；5)基于融合后的特征层进行初步的候选区域提取，再进行ROI池化操作；6)级联多个ROI池化层和分类、回归层构成Cascade R‑CNN网络，对输入的候选区域进行分类和回归；7)选定优化器，对模型进行训练；8)将待预测图片输入到训练好的模型中，输出瑕疵检测结果。本发明可提高瑕疵检测过程中对瑕疵的分类准确率和mAP值。
-
公开(公告)号：CN111008649B
公开(公告)日：2023-03-28
申请号：CN201911104108.4
申请日：2019-11-13
Applicant: 华南理工大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于三支决策的缺陷检测数据集预处理方法，该方法通过构造一个卷积神经网络来进行图片特征的提取，利用随机梯度下降法基于分类网络中的交叉熵损失来进行卷积神经网络权值的更新，同时利用卷积神经网络输出的特征来进行样本所属域的划分，对划分后的负域和边界域样本进行数据增强，再利用数据增强后的数据集继续进行训练，直到分类网络达到一个较好的分类准确率。通过实验证明了本发明方法比直接对数据集中的图片进行无差别的增强后进行训练，模型的收敛速度更快，最终的分类准确率更高。
-
-
-
-
-
Search Results
6
records
(took 0.028 seconds)
