申请/专利权人:中科(洛阳)机器人与智能装备研究院
申请日:2023-12-20
公开(公告)日:2024-03-08
公开(公告)号:CN117670858A
主分类号:G06T7/00
分类号:G06T7/00;G06N3/0455;G06N3/0895;G06V10/82;G06V10/774;G06T5/40;G06T5/90;G06V10/40;G06V10/74;G01N21/88
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.03.26#实质审查的生效;2024.03.08#公开
摘要:基于CFLOW‑AD模型的金属带材表面缺陷检测方法,获取无缺陷金属带材表面图像,扩增后构建训练数据集,搭建PatchSVDD特征提取模型,导入训练数据集进行特征提取预训练,得到预训练模型;将预训练模型传入CFLOW‑AD模型的编码层作为特征提取器;提取正常金属带材高斯金字塔的特征,构建多尺度特征金字塔;利用训练数据集训练每个尺度层的独立解码器;利用训练好的CFLOW‑AD模型对有缺陷的测试样本图像进行检测,确定缺陷在图像上的区域。采用无缺陷样本进行自监督学习,解决了缺陷样本难以收集的问题,并通过数据扩增解决因成像因素带来的图像噪音,提高鲁棒性,降低了噪声误检。
主权项:1.基于CFLOW-AD模型的金属带材表面缺陷检测方法,其特征在于:包括如下步骤:(1)、获取无缺陷金属带材表面图像;(2)、对步骤(1)获取的图像进行扩增,构建训练数据集;(3)、搭建PatchSVDD特征提取模型,并导入步骤(2)的训练数据集进行特征提取预训练,得到预训练模型;(4)、搭建CFLOW-AD模型,对步骤(2)训练数据集的图像进行池化操作,构建高斯金字塔;其中,将步骤(3)的预训练模型传入CFLOW-AD模型的编码层作为特征提取器,提取正常金属带材高斯金字塔的特征,构建多尺度特征金字塔;(5)、利用步骤(2)的训练数据集训练步骤(4)多尺度特征金字塔每个尺度层的独立解码器;(6)、利用步骤(5)训练好的CFLOW-AD模型对有缺陷的测试样本图像进行检测,确定缺陷在图像上的区域。
全文数据:
权利要求:
百度查询: 中科(洛阳)机器人与智能装备研究院 基于CFLOW-AD模型的金属带材表面缺陷检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。