申请/专利权人:北京航空航天大学
申请日:2023-11-29
公开(公告)日:2024-04-09
公开(公告)号:CN117853777A
主分类号:G06V10/764
分类号:G06V10/764;G06V10/766;G06V10/774;G06V10/82;G06N3/045;G06N3/0464;G06N3/084;G06T7/00
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.26#实质审查的生效;2024.04.09#公开
摘要:本发明公开一种基于注意力引导上下文的HRNet铸件缺陷识别方法,包括:采集铸件缺陷图像数据样本;利用数据处理方法优化铸件缺陷图像;构建一个端到端的两阶段神经网络的Cascade‑rcnn变体模型,主干网络为HRNet,辅以ACFPN构成特征提取网络;利用RPN网络用于初始候选框的筛选;并在三个级联检测器中分别进行全局平均池化操作,更好地对候选框进行分类和回归;将优化后的铸件缺陷图像训练Cascade‑rcnn变体模型;将待测试的铸件图像输入到铸件缺陷识别模型中,相应的输出缺陷位置和缺陷大小等缺陷识别信息,由此完成整体铸件图像的缺陷自动化识别过程。
主权项:1.一种基于注意力引导上下文的HRNet铸件缺陷识别方法,其特征在于,包括如下步骤:S1:采集具有铸件缺陷图像的数据集样本;S2:利用图像尺度归一化和数据增强等预处理方法优化铸件缺陷图像;S3:构建一个端到端的两阶段神经网络的Cascade-rcnn变体模型,主干网络为HRNet,辅以ACFPN网络构成特征提取网络从而组成特征提取模块;其中第一阶段网络为RPN网络,用于初始候选框的筛选;第二阶段为三个级联检测器,并分别进行全局平均池化操作,加强上下文语义特征的表达,更好地对筛选过的候选框进行进一步的分类和回归;S4:通过优化后的所述铸件缺陷图像数据集训练所述Cascade-rcnn变体模型;S5:将待测试的铸件缺陷图像输入训练好的所述Cascade-rcnn变体模型中进行检测。
全文数据:
权利要求:
百度查询: 北京航空航天大学 基于注意力引导上下文的HRNet铸件缺陷识别方法
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。