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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD