缺陷检测
文章平均质量分 83
DIAJEY
这个作者很懒,什么都没留下…
展开
-
《LF-YOLO》阅读笔记
LF-YOLO改进模块:RMF(多尺度改进模块),EFE(减少计算量)• 提出了一种名为RMF 的新型多尺度融合模块。它可以通过同时使用基于参数和无参数的方法来结合 X 射线图像的局部和全局线索。• 为了有效地学习表征,设计了一个新的 EFE 模块作为主干单元,它可以用很少的参数和低计算量提取有意义的特征。Multi-scale feature utilization 现有的基于 CNN 的算法存在卷积特征在对象检测任务中对尺度敏感的问题。 许多方法试图通过利用多尺度特征使网络适应不同的尺度,我原创 2021-11-25 08:25:23 · 817 阅读 · 0 评论 -
《Defects Detection Based on Deep Learning and Transfer Learning》-- 阅读笔记
论文信息整体思路:·无监督学习 根据源域样本特征对其进行训练,以便根据源域样本获得网络的权重。然后,将源域DBN的结构和参数转移到目标域, 并使用目标域样本对网络参数进行微调,以获取目标域训练样本与无缺陷模板之间的映射关系。最后,通过与重建图像进行比较来检测测试样品的缺陷。优点:通过参数传递学习解决DBN网络训练中的过拟合问题。通过迁移学习,可以解决样本不够的问题,并且可以通过两种样本相互交叉传递,微调,不断提高准确率。缺点:能检测相同位置的产品缺陷,而没有平移和旋转不变性。·DBN原创 2021-02-03 20:51:21 · 543 阅读 · 0 评论 -
《Deep Active Learning for Civil Infrastructure Defect Detection and Classification》-- 阅读笔记
论文信息主要思路·Active Learning:先使用粗糙的系统实现二分类,将无缺陷的样本筛选出去,然后再将有缺陷的样本发送到人类专家中进行再标记,然后进行二次训练,不断循环,以改善系统性能·ResNet网络:为了提升分类性能,该论文使用多层的AL框架。较深的网络可能会遇到梯度消失问题,因此使用ResNet的带有残差单元的映射代替网络中的原始映射。·加权损失函数:由于无缺陷样本往往比有缺陷样本多得多,为了解决因为样本偏差而导致性能出现偏差,因此在交叉熵的基础上对于非缺陷patch部分加上权原创 2021-02-02 15:44:10 · 377 阅读 · 0 评论 -
《Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks》学习笔记
基于卷积神经网络的金属表面缺陷自动检测与识别:·主要思想:将缺陷检测与识别分类分开。首先通过级联自编码器(CASAE)分割和定位缺陷,生成预测Mask。然后扔进训练好的CNN网络进行分类优点:1.不错的鲁棒性和准确性2.可以准确知道缺陷的位置和大小大致架构:·首先将输入的原始图像转换为基于CASAE的预测Mask。·其次,阈值模块用于对预测结果进行二值化以获得准确的缺陷轮廓。·第三,由缺陷区域检测器提取并裁剪被视为下一模块的输入的缺陷区域。·最后,在分类模块中,这些缺陷区域通过紧凑的C原创 2021-01-31 10:14:31 · 1337 阅读 · 2 评论 -
《Visualizing and understanding convolutional networks》阅读笔记
Visualizing and understanding convolutional networksAbsolution 大型卷积网络模型最近在ImageNet基准测试中证明了令人印象深刻的分类性能。但是,对于它们为什么表现如此出色或如何进行改进尚无明确的了解。本文介绍了一种可视化技术可深入了解中间要素层的功能以及分类器的操作。 在诊断角色中使用时,这些可视化使我们能够找到优于Krizhevsky等人的模型架构。 在ImageNet分类基准上。 我们还进行了消融研究,以发现不同模型层对性能的贡献。原创 2021-01-27 16:40:57 · 495 阅读 · 0 评论 -
缺陷检测(一)-- 通过CNN方法实现布匹缺陷检测
参考论文:《A fast and robust convolutional neural network-based defect detection model in product quality control》–Tian Wang·Yang Chen·Meina Qiao·Hichem snoussi1. CNN结构设计:1.1. 输入图像:三通道彩色图像或单通道灰色图片1.2. ConV(卷积层):卷积层利用一组滤波器,且这组滤波器仅连接到最后一层输出的一小部分。使用33或55的矩阵去原创 2020-09-05 20:07:27 · 5006 阅读 · 2 评论 -
《SDD-CNN: Small Data-Driven Convolution Neural》--翻译笔记
文章信息:摘要:在实际工业中,轴承的缺陷通常会极其细微且出现概率低,因此导致大数据量和小数据量检测的分布差异较大。因此本文使用一种小数据驱动的缺陷检测方法。第一步,使用标签扩张应用于去解决类分布不均匀的问题。第二步,使用半监督的数据扩张方法去扩张数据集,第三步,使用四种CNN的变形网络应用于检测和分类(SqueezeNet v1.1, Inception v3,VGG-16, and ResNet-18)。经过对比,Inception v3 midel检测结果最好,达到99.56%。并且和原始的CNN翻译 2021-01-21 11:32:58 · 1217 阅读 · 4 评论 -
《基于opencv的机械零件部件特征的识别与检测》—阅读笔记
·opencv 数据访问方式访问方式有四种:原创 2020-10-30 19:58:44 · 4988 阅读 · 3 评论 -
缺陷检测--斑点检测
·主要思路:斑点检测主要使检测出图像中比它周围像素灰度值大或比周围灰度值小的区域。一般有两种方法:1.基于求导的微分方法,也叫微分检测器(LOG算子)2.基于局部极值的分水岭算法(SimpleBlobDetector斑点检测算子)·LOG斑点检测LOG算子–高斯拉普拉斯算子(Laplace of Gaussian,LOG)·对于二维高斯函数:exp():·它的拉普拉斯变换为:·规范化后:如上图所示,规范化后算子在二维图像上使一个圆对称函数,可以用该算子去检测图像中的斑点。原创 2020-10-25 14:14:25 · 4399 阅读 · 2 评论