公开(公告)号：CN114612453B

公开(公告)日：2024-03-26

申请号：CN202210272988.1

申请日：2022-03-18

Applicant: 西北工业大学

Inventor： 梅少辉 ,  张易凡 ,  徐梓瑞 ,  马明阳 ,  张顺

IPC: G06T7/00 ,  G06V10/77 ,  G06V10/772 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了基于深度学习和稀疏表示模型的基建表面缺陷检测方法，由以下步骤组成：利用缺陷训练集和正常训练集对卷积神经网络模型进行训练；利用训练后的卷积神经网络模型进行特征提取，并输入到稀疏表示模型中，求解每一张图像关于正常特征字典Dnor和缺陷特征字典的重构误差rnor，将待测图像特征集ftest与正常特征字典Dnor输入到稀疏表示模型中计算得到稀疏系数αnor和重构误差tnor，当tnor＞δnor时，将待测图像特征集ftest与缺陷特征字典Ddef输入到稀疏表示模型中计算得到稀疏系数αdef和重构误差tdef；当tnor＞tdef＞δdef时，得出待测图像为缺陷样本；本发明利用稀疏表示模型在小样本条件下实现物体表面缺陷高精度检测，能够克服现有的物体表面缺陷检测技术对训练样本依赖程度高的问题。

公开(公告)号：CN114612453A

公开(公告)日：2022-06-10

申请号：CN202210272988.1

申请日：2022-03-18

Applicant: 西北工业大学

Inventor： 梅少辉 ,  张易凡 ,  徐梓瑞 ,  马明阳 ,  张顺

IPC: G06T7/00 ,  G06V10/77 ,  G06V10/772 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于深度学习和稀疏表示模型的基建表面缺陷检测方法，由以下步骤组成：利用缺陷训练集和正常训练集对卷积神经网络模型进行训练；利用训练后的卷积神经网络模型进行特征提取，并输入到稀疏表示模型中，求解每一张图像关于正常特征字典Dnor和缺陷特征字典的重构误差rnor，将待测图像特征集ftest与正常特征字典Dnor输入到稀疏表示模型中计算得到稀疏系数αnor和重构误差tnor，当tnor＞δnor时，将待测图像特征集ftest与缺陷特征字典Ddef输入到稀疏表示模型中计算得到稀疏系数αdef和重构误差tdef；当tnor＞tdef＞δdef时，得出待测图像为缺陷样本；本发明利用稀疏表示模型在小样本条件下实现物体表面缺陷高精度检测，能够克服现有的物体表面缺陷检测技术对训练样本依赖程度高的问题。