申请/专利权人：重庆邮电大学

申请日：2023-11-29

公开（公告）日：2024-04-16

公开（公告）号：CN117893464A

主分类号：G06T7/00

分类号：G06T7/00;G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-公开

法律状态：2024.04.16#公开

摘要：本发明涉及一种面向复杂成像形态的金属表面缺陷快速自动检测方法，属于图像处理领域。该方法包括：1.采用FasterNet网络架构；2.采用PConv卷积通过执行逐点操作来降低计算负担和参数量；3.在主干特征提取网络中结合SENet注意力机制设计SENet‑FasterNet模块；4.针对在金属表面缺陷目标较小以及可能存在噪声的情况，重新设计Neck模块，加入BiFPN特征融合模块，使网络融合上下文特征信息，更加精准地定位到金属表面地缺陷位置；5.将金属表面缺陷检测平台获取到的金属表面图像数据输入到改进后的金属表面缺陷检测模型中，输出图像中每个表面缺陷目标的类别。

主权项：1.面向复杂成像形态的金属表面缺陷快速自动检测方法，其特征在于：该方法包括以下步骤：S1：搭建金属表面缺陷检测平台，所述金属表面缺陷检测平台用于检测模型的训练数据采集和模型运行；S2：收集金属表面缺陷图像数据，对图像数据做预处理，并整理为后续训练需要的数据集；S3：基于YOLOv5网络结构，引入FasterNet网络架构来替代传统的YOLOv5s中的CSPDarknet53主干网络，同时采用PConv卷积替换原来的卷积，通过执行逐点操作降低计算负担和参数量，添加融合注意力机制SENet，重新设计Neck模块，加入BiFPN特征融合模块，得到Yolov5-FasterNet；S4：根据S2中所述数据集，对S3中所述Yolov5-FasterNet进行训练，得到训练后的金属表面缺陷检测模型；S5：在所述金属表面缺陷检测平台中，导入S4训练完成的金属表面缺陷检测模型，在生产过程中，实时检测相机采集图像数据中是否出现表面缺陷，并将检测结果输出至边缘设备显示屏。

全文数据：

权利要求：

百度查询： 重庆邮电大学 面向复杂成像形态的金属表面缺陷快速自动检测方法

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。

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