申请/专利权人：同济大学

申请日：2023-12-28

公开（公告）日：2024-04-12

公开（公告）号：CN117877032A

主分类号：G06V20/70

分类号：G06V20/70;G06V10/26;G06V10/774;G06V10/82;G06N3/0455;G06N3/0464;G06N3/0895;G06N3/096

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明提供了一种基于双向裁剪粘贴的半监督金属表面缺陷语义分割方法，包括如下步骤：步骤S1，将缺陷图像划分为训练集与测试集，将训练集的训练缺陷图像进行预处理；步骤S2，使用有标签图像对教师网络进行预训练；步骤S3，产生伪标签；步骤S4，得到混合缺陷图像；步骤S5，得到混合标签，作为学生网络的监督信息；步骤S6，将混合缺陷图像输入到学生网络中进行训练，同时更新教师网络的权重参数；步骤S7，得到预测结果。本发明减少深度学习模型对于数据标注的需求，从而减少人力标注成本，使得深度学习模型在有限标注样本下能对金属表面缺陷进行准确检测。

主权项：1.一种基于双向裁剪粘贴的半监督金属表面缺陷语义分割方法，用于在标注样本有限的情况下对金属表面进行缺陷检测，其特征在于，包括如下步骤：步骤S1，将缺陷图像划分为训练集与测试集，将所述训练集的训练缺陷图像进行预处理，所述训练缺陷图像包括有标签图像和无标签图像；步骤S2，使用所述有标签图像对教师网络进行预训练，所述教师网络由UNet与边缘感知模块构成；步骤S3，将所述无标签图像输入到所述教师网络中，产生伪标签；步骤S4，将所述有标签图像与所述无标签图像进行图像双向裁剪粘贴操作，得到混合缺陷图像；步骤S5，将所述伪标签与所述有标签图像的金标准进行标签双向裁剪粘贴操作，得到混合标签，作为学生网络的监督信息；步骤S6，将所述混合缺陷图像输入到所述学生网络中进行训练，同时使用移动指数平均方法更新所述教师网络的权重参数，所述学生网络采用与所述教师网络相同的网络结构；步骤S7，将所述测试集的测试缺陷图像输入到训练好的所述学生网络中，计算分割结果指标，得到预测结果。

全文数据：

权利要求：

百度查询： 同济大学 一种基于双向裁剪粘贴的半监督金属表面缺陷语义分割方法

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