申请/专利权人:浙江工业大学
申请日:2024-01-11
公开(公告)日:2024-05-17
公开(公告)号:CN118052770A
主分类号:G06T7/00
分类号:G06T7/00;G06V10/25;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/0895
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.06.04#实质审查的生效;2024.05.17#公开
摘要:一种基于半监督训练策略的表面缺陷检测方法,进行表面图像采集,构建表面缺陷数据集;划分表面缺陷数据集;使用Labelimg工具对标注数据集中的图片进行数据标注;划分标注数据集,修改yolov7模型,得到yolov7‑ea模型;在监督阶段,yolov7‑ea模型在标注数据集进行训练,并将训练好的yolov7‑ea模型作为伪标签生成器;在半监督阶段,使用yolov7‑ea模型作为检测模型。利用伪标签生成器推理未标注数据生成伪标签,联合标注数据和带伪标签的未标注数据训练检测模型,并且实时用效果最好的检测模型更新伪标签生成器。本发明大大减少人工标注工作量的同时取得良好的检测性能。
主权项:1.一种基于半监督训练策略的表面缺陷检测方法,其特征在于,所述方法包括以下步骤:S1,搭建表面图像采集系统,进行表面图像采集,构建表面缺陷数据集;S2,划分表面缺陷数据集,按照设定比例划分为未标注数据集和标注数据集;S3,使用Labelimg工具对标注数据集中的图片进行数据标注;S4,划分标注数据集,按照设定比例划分为训练集和测试集;S5,修改yolov7模型,得到yolov7-ea模型;S6,在监督阶段,yolov7-ea模型在标注数据集进行训练,并将训练好的yolov7-ea模型作为伪标签生成器;S7,在半监督阶段,使用yolov7-ea模型作为检测模型,利用伪标签生成器推理未标注数据生成伪标签,联合标注数据和带伪标签的未标注数据训练检测模型,并且实时用效果最好的检测模型更新伪标签生成器。
全文数据:
权利要求:
百度查询: 浙江工业大学 一种基于半监督训练策略的表面缺陷检测方法
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。