欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022105782527
申请人: 云南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种瓷砖瑕疵检测方法,其特征在于,包括:

获取目标瓷砖图片;

根据所述目标瓷砖图片和瓷砖瑕疵检测模型得到瓷砖瑕疵检测结果;所述瓷砖瑕疵检测模型是根据可变形卷积网络和自注意力模块建立的;所述瓷砖瑕疵检测结果包括所述目标瓷砖图片是否存在瑕疵以及存在瑕疵时的瑕疵类别和位置信息;

所述可变形卷积网络包括依次连接的尺度感知层、空间感知层、可变形卷积层和可变形池化层;所述自注意力模块包括依次连接的编码模块、解码模块和预测模块;

所述可变形卷积层用于使所述可变形卷积网络自适应地学习瑕疵的采样位置;构建所述可变形卷积层,具体包括:对深度学习领域进行卷积运算:

其中,S(i,j)为深度学习领域的卷积运算,I为输入网络的图像,R为卷积核,i和j表示特征图每个点的坐标值,m表示卷积核的宽,n表示卷积核的高;

对输入图像进行卷积运算得到特征图:

其中,y(p0)为所述对输入图像进行卷积运算得到的特征图,pn为卷积核R的所有元素,p0为区域建议框上的点,Δpn为卷积核每个采样点的偏移量,x(·)为输入图像,x(p0+pn+Δpn)表示输入图像p0+pn+Δpn处的值,w(pn)表示卷积核pn处的取值;

所述可变形池化层用于将区域建议框进行微调,使瓷砖瑕疵区域能够占据所述区域建议框的大部分区域,避免无关的背景因素的干扰导致所述可变形卷积网络误检;构建所述可变形池化层,具体包括:将所述区域建议框映射到原始特征图,所述原始特征图为所述尺度感知层的输入,并把映射到原始特征图的区域建议框划分为k×k个区域,对每个区域bin(i,j)(0≤i,j≤k):将Δpi,j作用到bin(i,j)的每个元素得到偏移后的RoI区域,输出每个元素偏移后的特征图:将所述每个元素偏移后的特征图经过RoI池化层处理,送入FC层:

其中,x(·)为输入图像,y(i,j)为每个元素偏移后的特征图,nij为bin(i,j)中的像素点的个数,p0为区域建议框上的点,p表示遍历区域bin(i,j)的每个位置,Δpi,j表示网络学习到的bin(i,j)中第(i,j)个位置的偏移量,{Δpi,j|0≤i,j≤k},λ为先验值,将学习到的偏移量信息,符号表示向量的点乘,w0、h0表示RoI框的宽和高。

2.根据权利要求1所述的瓷砖瑕疵检测方法,其特征在于,所述瓷砖瑕疵检测模型的确定方法为:获取训练数据;所述训练数据包括瑕疵瓷砖训练图片和对应的瑕疵标签;所述瑕疵标签包括瑕疵瓷砖训练图片是否存在瑕疵以及存在瑕疵时的瑕疵类别和位置信息;

将所述训练数据输入所述可变形卷积网络,将所述可变形卷积网络输出的初步检测结果作为所述自注意力模块的输入,以所述自注意力模块输出的瓷砖瑕疵预测结果与所述瑕疵标签之间的损失最小为目标进行训练,得到所述瓷砖瑕疵检测模型。

3.根据权利要求2所述的瓷砖瑕疵检测方法,其特征在于,在所述获取训练数据,之前还包括:构建依次连接的可变形卷积网络和自注意力模块。

4.根据权利要求2所述的瓷砖瑕疵检测方法,其特征在于,在所述将所述训练数据输入所述可变形卷积网络,将所述可变形卷积网络输出的初步检测结果作为所述自注意力模块的输入,以所述自注意力模块输出的瓷砖瑕疵预测结果与所述瑕疵标签之间的损失最小为目标进行训练,得到所述瓷砖瑕疵检测模型,之前还包括:对所述训练数据进行预处理,得到预处理数据。

5.根据权利要求4所述的瓷砖瑕疵检测方法,其特征在于,所述对所述训练数据进行预处理,得到预处理数据,具体包括:构建样本筛选器模块;

将切片数据输入所述样本筛选器模块进行瑕疵筛选,得到预处理数据。

6.一种瓷砖瑕疵检测系统,其特征在于,包括:

图像采集模块,用于获取目标瓷砖图片;

瑕疵检测模块,用于根据所述目标瓷砖图片和瓷砖瑕疵检测模型得到瓷砖瑕疵检测结果;所述瓷砖瑕疵检测模型是根据可变形卷积网络和自注意力模块建立的;所述瓷砖瑕疵检测结果包括所述目标瓷砖图片是否存在瑕疵以及存在瑕疵时的瑕疵类别和位置信息;

所述可变形卷积网络包括依次连接的尺度感知层、空间感知层、可变形卷积层和可变形池化层;所述自注意力模块包括依次连接的编码模块、解码模块和预测模块;

所述可变形卷积层用于使所述可变形卷积网络自适应地学习瑕疵的采样位置;构建所述可变形卷积层,具体包括:对深度学习领域进行卷积运算:

其中,S(i,j)为深度学习领域的卷积运算,I为输入网络的图像,R为卷积核,i和j表示特征图每个点的坐标值,m表示卷积核的宽,n表示卷积核的高;

对输入图像进行卷积运算得到特征图:

其中,y(p0)为所述对输入图像进行卷积运算得到的特征图,pn为卷积核R的所有元素,p0为区域建议框上的点,Δpn为卷积核每个采样点的偏移量,x(·)为输入图像,x(p0+pn+Δpn)表示输入图像p0+pn+Δpn处的值,w(pn)表示卷积核pn处的取值;

所述可变形池化层用于将区域建议框进行微调,使瓷砖瑕疵区域能够占据所述区域建议框的大部分区域,避免无关的背景因素的干扰导致所述可变形卷积网络误检;构建所述可变形池化层,具体包括:将所述区域建议框映射到原始特征图,所述原始特征图为所述尺度感知层的输入,并把映射到原始特征图的区域建议框划分为k×k个区域,对每个区域bin(i,j)(0≤i,j≤k):将Δpi,j作用到bin(i,j)的每个元素得到偏移后的RoI区域,输出每个元素偏移后的特征图:将所述每个元素偏移后的特征图经过RoI池化层处理,送入FC层:

其中,x(·)为输入图像,y(i,j)为每个元素偏移后的特征图,nij为bin(i,j)中的像素点的个数,p0为区域建议框上的点,p表示遍历区域bin(i,j)的每个位置,Δpi,j表示网络学习到的bin(i,j)中第(i,j)个位置的偏移量,{Δpi,j|0≤i,j≤k},λ为先验值,将学习到的偏移量信息,符号表示向量的点乘,w0、h0表示RoI框的宽和高。

7.根据权利要求6所述的瓷砖瑕疵检测系统,其特征在于,还包括:模型确定模块;所述模型确定模块用于确定所述瓷砖瑕疵检测模型;所述模型确定模块,包括:数据获取单元,用于获取训练数据;所述训练数据包括瑕疵瓷砖训练图片和对应的瑕疵标签;所述瑕疵标签包括瑕疵瓷砖训练图片是否存在瑕疵以及存在瑕疵时的瑕疵类别和位置信息;

模型训练单元,用于将所述训练数据输入所述可变形卷积网络,将所述可变形卷积网络输出的初步检测结果作为所述自注意力模块的输入,以所述自注意力模块输出的瓷砖瑕疵预测结果与所述瑕疵标签之间的损失最小为目标进行训练,得到所述瓷砖瑕疵检测模型。

8.根据权利要求7所述的瓷砖瑕疵检测系统,其特征在于,所述模型确定模块,还包括:模型构建单元,用于构建依次连接的可变形卷积网络和自注意力模块;所述可变形卷积网络包括依次连接的尺度感知层、空间感知层、可变形卷积层和可变形池化层;所述自注意力模块包括依次连接的编码模块、解码模块和预测模块。

9.根据权利要求7所述的瓷砖瑕疵检测系统,其特征在于,所述模型确定模块,还包括:预处理单元,用于对所述训练数据进行预处理,得到预处理数据。

10.根据权利要求9所述的瓷砖瑕疵检测系统,其特征在于,所述预处理单元,包括:筛选器构建子单元,用于构建样本筛选器模块;

筛选子单元,用于将切片数据输入所述样本筛选器模块进行瑕疵筛选,得到预处理数据。