公开(公告)号：CN114549446A

公开(公告)日：2022-05-27

申请号：CN202210146225.2

申请日：2022-02-17

Applicant: 南京工程学院

Inventor： 黄晓华 ,  邵秀燕 ,  郝飞 ,  刘迁

IPC: G06T7/00 ,  G06K9/62 ,  G06V10/774 ,  G06V10/25 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于深度学习的气缸套缺陷标检测方法，所述检测方法包括以下步骤：采集气缸套图像构建原始数据集，对原始数据集内的图像进行预处理和标注，获取训练集的局部缺陷图；利用基于Swin变换器的Mask R‑CNN算法进行建模，得到网络模型；通过得到的网络模型对测试集的图像进行检测；通过掩码机制对检测结果提取兴趣区域增强检测效果；对网络模型的检测性能进行评价；通过得到的网络模型对采集的气缸套图像进行缺陷标检测。本发明通过图像预处理，减少气缸套噪声影响，将原图构建局部图，得到新的一批训练数据，通过以小图映射大图的方法，得到原图的检测结果，通过掩码机制过滤噪声区域，提高小目标检测精度。

公开(公告)号：CN114549446B

公开(公告)日：2024-09-24

申请号：CN202210146225.2

申请日：2022-02-17

Applicant: 南京工程学院

Inventor： 黄晓华 ,  邵秀燕 ,  郝飞 ,  刘迁

IPC: G06T7/00 ,  G06V10/774 ,  G06V10/766 ,  G06V10/25 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供一种基于深度学习的气缸套缺陷标检测方法，所述检测方法包括以下步骤：采集气缸套图像构建原始数据集，对原始数据集内的图像进行预处理和标注，获取训练集的局部缺陷图；利用基于Swin变换器的Mask R‑CNN算法进行建模，得到网络模型；通过得到的网络模型对测试集的图像进行检测；通过掩码机制对检测结果提取兴趣区域增强检测效果；对网络模型的检测性能进行评价；通过得到的网络模型对采集的气缸套图像进行缺陷标检测。本发明通过图像预处理，减少气缸套噪声影响，将原图构建局部图，得到新的一批训练数据，通过以小图映射大图的方法，得到原图的检测结果，通过掩码机制过滤噪声区域，提高小目标检测精度。

公开(公告)号：CN115527072A

公开(公告)日：2022-12-27

申请号：CN202211386361.5

申请日：2022-11-07

Applicant: 南京工程学院

Inventor： 黄晓华 ,  李阳 ,  邵秀燕 ,  赵群 ,  俞佳豪

IPC: G06V10/764 ,  G06T7/00 ,  G06V20/70 ,  G06V10/44 ,  G06V10/774 ,  G06V10/74 ,  G06V10/82

Abstract: 本发明公开了一种基于稀疏空间感知与元学习的芯片表面缺陷检测方法，首先，进行数据的采集并进行图像预处理操作，其次，选择相似对比学习增强网络算法来的对图片进行增强，在把增强变换后的图像特征输入到交叉变换的稀疏空间对齐网络之前，加入迁移学习模块，使得模型在细粒度上面更容易识别类内的特征信息，加快模型的收敛。最后，采取N‑way K‑shot任务检测方法，进行模型的训练和测试，最终实现对芯片缺陷的检测。本发明使得模型在学习的时候所需要的运算量大大的减少，达到了轻量化的效果；元学习的引入提升模型的泛化能力，少量的数据集来增强神经网络，从而学习图片标签类别之外的信息，提高对于芯片表面的缺陷检测的准确率。

公开(公告)号：CN117095401A

公开(公告)日：2023-11-21

申请号：CN202311008755.1

申请日：2023-08-11

Applicant: 南京工程学院

Inventor： 袁筱钰 ,  张植博 ,  黄晓华 ,  孙亚博 ,  邵秀燕 ,  柳圣

IPC: G06V30/148 ,  G06V30/19 ,  G06V10/82 ,  G06V10/80

Abstract: 本发明提供了一种基于优化深度网络的古文字样本采集、检测和识别方法。首先，进行数据采集和样本标注，并通过迭代采集的方法扩充和更新数据库，搭建古文字拓片摹本和单字数据库，弥补古文字图像数据库的缺乏。其次，选择CycleGAN对古文字摹本和拓片进行跨域图像转换，从风格迁移的角度扩充数据，并在此基础上进行古文字目标检测。在批量古文字图像上进行目标检测，可将对古文字的识别从单字转换为整片识别，提升了技术的实用性。此外，在搭建的古文字单字数据库的基础上，针对其长尾分布的特性，采用Mixup方法生成新的样本数据。再使用四种深层网络模型进行训练，最后建立一种决策级融合识别模型，完成古文字采集、检测和识别的目标。

公开(公告)号：CN114663729A

公开(公告)日：2022-06-24

申请号：CN202210318273.5

申请日：2022-03-29

Applicant: 南京工程学院

Inventor： 刘迁 ,  黄晓华 ,  邵秀燕 ,  朱晓春 ,  柳圣 ,  郝飞

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/46 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于元学习的气缸套小样本缺陷检测方法，将Yolov3网络和元学习方法(MAML)融合起来，从而进行小样本的气缸套检测。首先进行数据收集并进行图像预处理操作，其次选择Yolov3算法作为骨架网络，在训练图像测试集的支持集之前，加入迁移学习模块，使得元测试集中的支持集有较强的特征提取能力，让模型更容易识别特征信息，加快模型收敛。面对未知的气缸套数据集，模型基于元测试集的支持集进行微调，利用查询集进行小样本的检测。在训练和测试中，随机采取N‑wayK‑shot任务分类方法对模型进行训练和测试，最终实现对小样本的检测。