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: 2024103259628
申请人: 江西瑞祥信息科技有限公司
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.基于优化内存模块和U-Net++的表面缺陷检测方法,其特征在于,包括步骤如下:S1、将所有正态样本均进行预处理,然后使用ResNet18模型对正态样本进行特征提取,并在冻结ResNet18模型特征提取的网络参数,再针对提取到的所有正态样本不同层的特征图,使用聚类算法,得到优化内存模块;在步骤S1中,优化内存模块用于对所有正态样本均进行预处理,则预处理步骤如下:将所有正态样本调整为256*256大小,并使用ResNet18模型对正态样本进行特征提取;

冻结ResNet18模型特征提取的网络参数,通过ResNet18模型的layer1层、layer2层和layer3层,分别获得[64,64,64]、[128,32,32]和[256,16,16]尺度的特征图;

针对提取到的所有正态样本不同层的特征图,分别对不同层使用K-means聚类算法,按照设定的聚类数目进行聚类,选择与各个聚类中心最近的特征保留在内存模块中,从而得到不同层的内存模块,其中,内存模块存储着正态的内存信息、标定为MI,内存信息MI中第j层的内存模型中特征定义公式为S2、将正态训练样本输入数据增广网络利用异常模拟策略中实现输入样本的随机增强,获取模拟异常图像和样本对应的真实GT图;

S3、将模拟异常样本与正常样本输入基于优化内存模块和U-Net++的模型网络,ResNet18模型给出预测的表面缺陷异常预测值,并计算损失函数Loss;在步骤S3中,基于优化内存模块和U-Net++的模型网络包括优化内存模块、图像增广模块、特征提取模块、最佳差分信息计算模块、多尺度融合模块和U-Net++解码模块,其中,优化内存模块:对所有正态样本均进行样本大小调整、特征提取和聚类计算的预处理操作得到不同层的内存模块,内存模块存储着正态的内存信息MI;

图像增广模块:将正态训练样本输入数据增广网络利用异常模拟策略中实现输入样本的随机增强,通过数据增广网络实现对输入正态样本的相关增强或引入局部不规则异常构造模拟异常样本,获取模拟异常样本与对应的正常样本,以及分别与模拟异常样本和对应的正常样本再对应的标签和真实GT图,用作后续训练;

特征提取模块:接收图像增广模块获得的异常模拟样本和正态样本并进行图像再次预处理,将异常模拟样本和正态样本调整为256*256大小,使用ResNet18模型对输入图片进行特征提取,分别保存ResNet18模型各层提取的特征图,layer0层特征图大小为[64,128,128],layer1层特征图大小为[64,64,64],layer2层特征图大小为[128,32,32],layer3层特征图大小为[256,16,16],layer4层特征图大小为[512,8,8];并将layer1层,layer2层,layer3层的特征图作为输入NI输出至最佳差分信息计算模块进行提炼特征用于区分缺陷,最佳差分信息计算模块:接收layer1层,layer2层,layer3层的特征图输入NI,并分层计算NI与所有内存信息MI之间的距离,找到各层中与输入特征距离最近的内存特征多尺度融合模块:将最佳差分信息DI

将各个串接信息CI

随后利用上采样对不同维度的特征图CI

其次利用空间注意力机制获取空间注意力图,对于最佳差分信息DI

最后获得的空间注意图M

U-Net++解码模块:将ResNet18模型提取的layer0层特征图和layer4层特征图分别作为f以f

U-Net++解码模块中最终得到的f

S4、ResNet18模型开始训练时,损失函数反向传播,不断优化ResNet18模型网络参数,经过多轮迭代,并对每次迭代结果都使用测试数据集进行测试,保存最优模型,直至所有迭代后得到最终缺陷检测模型;

S5、获取检测样本,并输入训练好的最终缺陷检测模型,缺陷检测模型给出预测的GT图,从而获取异常定位图。

2.根据权利要求1所述的基于优化内存模块和U-Net++的表面缺陷检测方法,其特征在于,在步骤S2中,获取模拟异常图像和样本对应的真实GT图的步骤如下:构建数据增广网络,利用异常模拟策略实现对输入正态样本的相关增强或引入局部不规则异常构造模拟异常样本;

获取模拟异常样本与对应的正常样本,以及分别与模拟异常样本和对应的正常样本相对应的标签和真实GT图,用作后续训练;

数据增广包括旋转、偏置、锐度、日光、均衡、亮度变化、颜色变化、自动对比度改变的增强处理操作,异常模拟策略是基于柏林噪声生成模拟异常样本,定义公式为

3.根据权利要求2所述的基于优化内存模块和U-Net++的表面缺陷检测方法,其特征在于,所述损失函数Loss的计算公式为Loss=λ