公开(公告)号：CN118351053A

公开(公告)日：2024-07-16

申请号：CN202410299180.1

申请日：2024-03-15

Applicant: 同济大学

Inventor： 孙杳如 ,  梁伟建 ,  张思禹

IPC: G06T7/00 ,  G06T5/70 ,  G06V10/44 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于多尺度注意力的钕铁硼微小缺陷检测方法，包括：获取钕铁硼图像数据集，对所述钕铁硼图像数据集的缺陷进行标注，构建钕铁硼缺陷数据集；将所述钕铁硼缺陷数据集导入网络模型，对所述网络模型进行训练，利用目标检测算法和环形特征金字塔结构，提取缺陷的特征，在所述网络模型中引入注意机制，得到第一网络模型；通过所述第一网络模型，对钕铁硼表面缺陷进行实际检测，得到缺陷检测结果，增强微小缺陷特征的判别性和鲁棒性，提高微小缺陷的检测效果。

公开(公告)号：CN118351058A

公开(公告)日：2024-07-16

申请号：CN202410326208.6

申请日：2024-03-21

Applicant: 同济大学

Inventor： 孙杳如 ,  梁伟建 ,  张思禹

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/80 ,  G06V10/774 ,  G06V10/764 ,  G06V10/52

Abstract: 本发明公开了一种基于跳跃式多尺度特征融合网络的磁片缺陷检测方法，涉及缺陷检测技术领域，包括基于采集的磁片图像数据进行标注并构建数据集；对所述数据集进行数据增强；利用目标检测算法YOLOv8和跳跃式多尺度特征融合网络Skip‑MFFNet构建磁片表面缺陷检测网络模型；利用数据增强后的数据集对磁片表面缺陷检测网络模型进行训练；基于所述磁片表面缺陷检测网络模型进行缺陷检测。本发明通过利用跳跃式多尺度特征融合网络Skip‑MFFNet，使特征融合更直接全面，提高缺陷的特征表示，增强特征判别性和鲁棒性，提高表面缺陷的检测效果；通过嵌入跳跃连接提高多尺度特征的融合效率，有效提高缺陷的特征表示；能够准确检测磁片表面存在的缺陷，应用范围广。

公开(公告)号：CN113435514A

公开(公告)日：2021-09-24

申请号：CN202110723467.9

申请日：2021-06-29

Applicant: 同济大学

Inventor： 孙杳如 ,  杨俊 ,  张思禹 ,  毛毛雨 ,  陈页名 ,  邬欣诺 ,  阚高远 ,  许春权 ,  刘钦源 ,  魏永起 ,  田春崎

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明涉及一种基于元深度学习的建筑垃圾精细分类方法、装置，方法包括：构建包括分别用于对建筑垃圾2D图像、建筑垃圾3D图像和建筑垃圾光谱图像中建筑垃圾分类的第一分类网络、第二分类网络和第三分类网络；采集图像构建训练集，基于元深度学习算法训练所述的第一分类网络、第二分类网络和第三分类网络；采集建筑垃圾2D图像和建筑垃圾3D图像，并利用第一分类网络和第二分类网络进行第一阶段预测，当第一阶段预测结果置信度大于设定阈值则输出建筑垃圾类别，否则采集建筑垃圾光谱图像并输入至第三分类网络进行第二阶段预测并输出建筑垃圾类别。与现有技术相比，本发明具有分类结果准确的优点。