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: 2024103617149
申请人: 南京邮电大学
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:

1.一种基于证据深度学习的无锚框表面缺陷可信检测方法,其特征在于:所述无锚框表面缺陷可信检测方法用于基于计算机视觉的工业产品表面缺陷检测,该方法包括以下步骤:步骤1、获取缺陷样本训练数据集;

步骤2、构建不确定性感知缺陷检测模型:基于证据深度学习构建无锚框表面缺陷可信检测模型,包括构建特征提取网络、构建缺陷中心证据热力图预测头、构建缺陷尺寸预测头和构建离散化误差预测头;

步骤3、提出一种不确定性自适应加权的中心证据热力图损失,并结合尺寸损失和离散化误差损失,训练所述不确定性感知缺陷检测模型;

步骤4、获取缺陷样本测试数据集;

步骤5、将测试图像输入训练好的不确定性感知缺陷检测模型中,分别预测缺陷中心证据热力图、缺陷尺寸热力图以及离散化误差热力图;

步骤6,基于DS证据融合的识别推理:根据主观逻辑理论以及DS证据理论进行缺陷中心证据热力图局部峰值点可信融合,再结合缺陷尺寸热力图和离散化误差热力图得到最终预测框,其中:步骤3包括以下步骤:

步骤3.1、缺陷中心证据热力图预测头的不确定性自适应加权损失,具体包括以下步骤:步骤3.1.1、缺陷中心证据热力图预测头输出的热力图其中

步骤3.1.2、设缺陷中心热力图的真实标签为根据上述公式得到在中心热力图上的每个像素点上的对应交叉熵损失的贝叶斯风险损失函数:其中ψ(·)是digamma函数,步骤3.1.3、使用模型不确定性其中γ是控制不确定性权重的超参数;

步骤3.1.4、令

其中Γ(·)为gamma函数,ψ(·)是digamma函数;

步骤3.1.5、增加一个正确类别正则化项:其中

步骤3.1.6、缺陷中心证据热力图预测头损失表示:其中λ

步骤3.2、缺陷尺寸预测头和离散化误差预测头损失:缺陷尺寸预测头输出热力图步骤3.3、计算单样本的总损失,并且训练:缺陷图片样本X其中λ

步骤6包括以下步骤:

步骤6.1、缺陷中心证据热力图峰值点可信证据融合:将证据热力图上的每个点转换成对应的信念值b定义缺陷中心的不确定性加权的置信度为:其中

其中

步骤6.2,融合后的第m个峰值点为

2.根据权利要求1所述的一种基于证据深度学习的无锚框表面缺陷可信检测方法,其特征在于:所述步骤2具体包括以下步骤:步骤2.1、构建特征提取网络:设输入特征提取网络的图像为步骤2.2、构建缺陷中心证据热力图预测头:将步骤2.1输出的特征图输入到缺陷中心证据热力图预测头中,将缺陷中心证据热力图预测头记为F步骤2.3、构建缺陷尺寸预测头:将步骤2.1输出的特征图FM步骤2.4、构建离散化误差预测头:将步骤2.1输出的特征图输入到离散化误差预测头F