公开(公告)号：CN111105391B

公开(公告)日：2023-05-02

申请号：CN201911144016.9

申请日：2019-11-20

Applicant: 复旦大学

Inventor： 叶红霞 ,  林泽盛 ,  湛斌

IPC: G06T7/00

Abstract: 本发明属于表面缺陷检测技术领域，具体为一种基于深度神经网络增广训练的表面缺陷检测方法。本发明方法，对于深度神经网络在物体表面缺陷数据集经过增广的数据集上进行训练；训练过程分为：静态增广训练和动态增广训练；前者仅针对表面缺陷数据集进行翻转和小幅平移增广操作的数据集进行训练，后者针对表面缺陷数据集进行其它增广操作的数据集进行训练；对表面缺陷数据集的增广操作包括平移、旋转、缩放、添加噪声、亮度调整、图像填充等；实验表明，本发明可防止神经网络过拟合或无法拟合，节省训练时间，增强深度神经网络模型的准确率和鲁棒性；在数据集较小及类型不均衡的情况下，可以提高物体表面缺陷检测的精确度和召回率。

公开(公告)号：CN111105391A

公开(公告)日：2020-05-05

申请号：CN201911144016.9

申请日：2019-11-20

Applicant: 复旦大学

Inventor： 叶红霞 ,  林泽盛 ,  湛斌

IPC: G06T7/00

Abstract: 本发明属于表面缺陷检测技术领域，具体为一种基于深度神经网络增广训练的表面缺陷检测方法。本发明方法，对于深度神经网络在物体表面缺陷数据集经过增广的数据集上进行训练；训练过程分为：静态增广训练和动态增广训练；前者仅针对表面缺陷数据集进行翻转和小幅平移增广操作的数据集进行训练，后者针对表面缺陷数据集进行其它增广操作的数据集进行训练；对表面缺陷数据集的增广操作包括平移、旋转、缩放、添加噪声、亮度调整、图像填充等；实验表明，本发明可防止神经网络过拟合或无法拟合，节省训练时间，增强深度神经网络模型的准确率和鲁棒性；在数据集较小及类型不均衡的情况下，可以提高物体表面缺陷检测的精确度和召回率。