-
公开(公告)号：CN116403042A
公开(公告)日：2023-07-07
申请号：CN202310368796.5
申请日：2023-04-07
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: 本发明涉及轻量化卫生用品缺陷检测的方法，其方法包括：获取卫生用品的表面图像并输入到基于深度学习的轻量级的目标检测神经网络模型中，以对表面图像进行数据增强处理，进而获得初始的特征图，通过嵌有EVC模块的CSP模块对初始的特征图进行多尺度特征提取，通过FPV模块的特征金字塔法将不同尺度的特征图进行融合，通过PANet模块的路径聚合法将不同分辨率的特征图进行融合，通过CSConv模块的轻量级卷积操作对CSP模块、FPV模块和PANet模块的输出特征进行融合，以获得并输出最终的检测结果。本发明通过将GSConv和EVC模块融入到深度学习的目标检测神经网络模型中，提高目标检测的精度和效率，同时保持轻量化和快速的特性。
-
公开(公告)号：CN116385790A
公开(公告)日：2023-07-04
申请号：CN202310368809.9
申请日：2023-04-07
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06N3/0895 , G06N20/20
Abstract: 本发明涉及一种基于数据生成的弱监督卫生用品缺陷检测方法及装置，其中方法包括：训练缺陷检测模型；基于训练后的缺陷检测模型，检测新输入的测试图像是否为有缺陷图像；若检测新输入的测试图像为有缺陷图像，基于剪贴增强策略生成伪缺陷图像，所述伪缺陷图像与所述有缺陷图像对应；基于训练后的缺陷检测模型，对所述伪缺陷图像进行缺陷定位，得到缺陷位置信息。本发明通过剪贴增强策略引入不规则性，只利用正常图像进行训练，需要少量标注缺陷图像。在不同类型的表面缺陷检测任务中取得较高的准确性和鲁棒性，且需要少量标注数据和人工干预。
-
公开(公告)号：CN112785525B
公开(公告)日：2022-08-16
申请号：CN202110106827.0
申请日：2021-01-26
Applicant: 桂林电子科技大学
Abstract: 本发明属于刀具刃口图像处理领域，具体是指一种基于深度学习去除刀具刃口图像中的附着物的方法及系统，包括采集含附着物和擦拭干净的刀具刃口图像并生成数据集，其特征为，还包括以下步骤，步骤一，采用卷积和激活函数对输入的含附着物图片的浅层特征提取和通道提升；步骤二，采用长短期记忆网络提取附着物递归去除过程中的时序信息；步骤三，对输入的含附着物图片的引入自注意力模块进行深层特征提取；步骤四，通过的卷积，整合通道的特征，输出图像。该方法降低了90%参数量和计算量，符合工业现场的速度需求；提高了特征图通道中的附着物定位能力，使附着物与刀具边缘的衔接部分更平滑，去除效果显著，提升了刀具豁口检测系统精度。
-
公开(公告)号：CN112785525A
公开(公告)日：2021-05-11
申请号：CN202110106827.0
申请日：2021-01-26
Applicant: 桂林电子科技大学
Abstract: 本发明属于刀具刃口图像处理领域，具体是指一种基于深度学习去除刀具刃口图像中的附着物的方法及系统，包括采集含附着物和擦拭干净的刀具刃口图像并生成数据集，其特征为，还包括以下步骤，步骤一，采用卷积和激活函数对输入的含附着物图片的浅层特征提取和通道提升；步骤二，采用长短期记忆网络提取附着物递归去除过程中的时序信息；步骤三，对输入的含附着物图片的引入自注意力模块进行深层特征提取；步骤四，通过的卷积，整合通道的特征，输出图像。该方法降低了90%参数量和计算量，符合工业现场的速度需求；提高了特征图通道中的附着物定位能力，使附着物与刀具边缘的衔接部分更平滑，去除效果显著，提升了刀具豁口检测系统精度。
-
-
-
Search Results
4
records
(took 0.023 seconds)
