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: 2025109555189
申请人: 湖南大学
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.汽车零部件缺陷识别方法,其特征在于,所述方法包括以下步骤:S100:获取包含汽车零部件缺陷的原始图像,对原始图像进行离散傅里叶变换得到高频结构特征图像;

S200:搭建缺陷识别网络,包括特征提取网络、特征融合模块和分类网络;

S300:将高频结构特征图像与原始图像分别输入至特征提取网络进行特征提取,得到缺陷原始特征和缺陷结构特征;将缺陷原始特征和缺陷结构特征输入至特征融合模块进行融合,得到高频结构特征增强和融合后的缺陷特征;

S400:基于高频结构特征增强和融合后的缺陷特征计算不同类别缺陷特征之间的互信息,得到互信息损失;S400具体为:;

其中是第i个已知类别的特征,K是第k个类别的训练样本数,是变量x与y的与的联合概率分布,表示不同缺陷类别特征向量之间的互信息,表示互信息损失;

S500:将高频结构特征增强和融合后的缺陷特征输入至分类网络,结合预设的损失函数得到已知类分类损失,联合已知类分类损失和互信息损失约束缺陷识别网络训练,当达到预设的训练结束条件时,得到训练好的缺陷识别网络;

S600:获取实时输入图像,将实时输入图像输入至训练好的缺陷识别网络,进行已知类类别的预测,并对输入样本数据是否属于未知类进行判别,完成汽车零部件缺陷识别。

2.根据权利要求1所述的方法,其特征在于,S100具体为:;

;

其中是高频结构特征图像,是输入图像,是离散傅里叶变换,是离散傅里叶逆变换,是高频分量阈值,是输入的原始图像的离散傅里叶变换,N是图像的像素个数总数,是图像中每个像素的位置坐标,是傅里叶变换后图像中每个像素的位置坐标。

3.根据权利要求2所述的方法,其特征在于,S300具体为:;

;

;

其中是特征提取网络,是输入图像,是提取的缺陷原始特征,是高频结构特征图像,是提取的缺陷结构特征,是高频结构特征增强和融合后的缺陷特征,是卷积核大小为1的卷积运算,是特征拼接运算。

4.根据权利要求3所述的方法,其特征在于,特征提取网络由3层卷积池化操作组成,每一层的卷积池化操作具体为:;

其中为输入特征图或上一层的输出,是卷积核为3的卷积操作,是尺度为2的最大池化,是批标准化归一化操作,是输出特征图。

5.根据权利要求4所述的方法,其特征在于,S500中联合已知类分类损失和互信息损失约束缺陷识别网络训练,具体为:;

;

其中,是高频结构特征融合增强和类互信息约束的汽车零部件缺陷识别方法的训练总损失,是已知类分类损失,是不同类别缺陷特征之间的互信息损失,N是样本数量,C是类别数量,是真实标签,是预测标签,是自然对数。

6.基于如权利要求1至5任一项所述方法的汽车零部件缺陷识别系统,其特征在于,包括高频结构特征图像获取模块、缺陷识别网络搭建模块、特征提取和融合模块、互信息损失计算模块、分类及缺陷识别网络训练模块和汽车零部件缺陷识别模块,高频结构特征图像获取模块,用于获取包含汽车零部件缺陷的原始图像,对原始图像进行离散傅里叶变换得到高频结构特征图像;

缺陷识别网络搭建模块,用于搭建缺陷识别网络,包括特征提取网络、特征融合模块和分类网络;

特征提取和融合模块,用于接收高频结构特征图像与原始图像进行特征提取,得到缺陷原始特征和缺陷结构特征;将缺陷原始特征和缺陷结构特征进行融合,得到高频结构特征增强和融合后的缺陷特征;

互信息损失计算模块,用于基于高频结构特征增强和融合后的缺陷特征计算不同类别缺陷特征之间的互信息,得到互信息损失;

分类及缺陷识别网络训练模块,用于将高频结构特征增强和融合后的缺陷特征输入至分类网络,结合预设的损失函数得到已知类分类损失,联合已知类分类损失和互信息损失约束缺陷识别网络训练,当达到预设的训练结束条件时,得到训练好的缺陷识别网络;

汽车零部件缺陷识别模块,用于获取实时输入图像,将实时输入图像输入至训练好的缺陷识别网络,进行已知类类别的预测,并对输入样本数据是否属于未知类进行判别,完成汽车零部件缺陷识别。

7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。

8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。