![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
AI专利
文章平均质量分 93
千穹凌帝
这个作者很懒,什么都没留下…
展开
-
LKNet--用于OLED显示屏Mura缺陷检测的神经网络
本专利设计了一种基于DenseNet和Xception神经网络模型称为LKNet,用于构建OLED面板良品检测卷积神经网络的主干部分,并加入特征金字塔结构用于多尺寸检测,使用空间金字塔池化适配不同尺寸大小的图片,增加通道混洗,用于特征通道间的特征流通,增加了L2正则化和Drop技术用于防止神经网络过拟合,设计了一种用于降维的空间通道金字塔池化(SCPP)模块,用于代替1*1卷积,加入数据并行(DP)模式用于减少显存消耗和提升训练速度;SCPP将特征图通道进行不同数量的分组,比如1份,每份为所有通道;原创 2024-06-15 22:38:44 · 796 阅读 · 0 评论 -
深度学习注意力机制消除图像噪声
由于噪声缺陷的特征以及期望的结果,本文选择使用基于注意力机制的神经网络进行噪声图像的恢复重构,将噪声照片输入AI模型,得到重构后的无噪声图片。本文的图像去噪方法类似傅里叶变换,将图像信息分解成不同的特征通道,每个特征通道表示图像的某种信息,使用深度学习方法自主学习各个特征通道的信息,将其中和噪声相关的特征通道通过注意力机制减弱或消除,相当于消除图像中的噪声信息,之后使用剩下的这些特征通道重构无噪声的图像。通过特征加和模块和Encoder分支同一层的特征进行相加,将浅层的特征信息融合进来,利于图像信息恢复;原创 2024-06-15 20:45:27 · 905 阅读 · 0 评论 -
基于深度学习变分自动编码器的Mura缺陷图像数据集生成方案
由于深度学习自身的算法特性,需要大量的Mura缺陷图片作为训练数据集供神经网络学习缺陷特征,而这些Mura缺陷图像的获取则成了制约深度学习在图像Mura缺陷检测领域发展应用的一大因素。每一张缺陷图片需要一个Mura缺陷屏幕,而缺陷屏幕的数量本就不是很多,且这些缺陷屏幕都是各个厂家的保密资产,难以得到。原创 2024-06-15 20:27:40 · 986 阅读 · 0 评论 -
基于条件变分自动编码器的类型可控显示屏外观缺陷图像数据集生成方案
深度学习作为新兴技术在显示屏外观缺陷检测领域蓬勃发展,因其自主学习显示屏外观缺陷特征避免了人工设计算法的繁琐,精准的检测性能、高效的检测效率以及对各种不同类型的显示屏外观缺陷都有比较好的泛化性能,使得深度学习技术在显示屏外观缺陷检测领域得到广泛应用。由于深度学习自身的算法特性,需要大量的显示屏外观缺陷图片作为训练数据集供神经网络学习显示屏外观缺陷特征,而这些缺陷图像的获取则成了制约深度学习在显示屏外观缺陷检测领域发展应用的一大因素。原创 2024-06-15 19:07:08 · 875 阅读 · 0 评论 -
基于条件生成对抗的PCB板缺陷数据集生成方案
将生成器生成的PCB板缺陷图像和真实的PCB板缺陷图像加上对应的缺陷类别标签信息输入到判别器,由判别器作区分,同时训练生成器和判别器,使得生成器学到PCB板缺陷图像的数据分布特征,而判别器能够较准确地分辨真假缺陷图像,是两者最终达到纳什平衡,即判别器对生成器生成的PCB板缺陷图片的分辨率只有50%。将生成器生成的伪缺陷图片G(Z|c)+对应的类型标签c以及真实缺陷图片X+真实缺陷类型标签c分别送入真假判别器Dt,得到该图片的真实概率P(G(Z|c))和P(X|c),计算真实损失值LDt;原创 2024-06-15 18:43:06 · 1185 阅读 · 0 评论 -
一种自对抗深度学习生成模式
两者进行互逆操作,生成器G将数据分布特征空间映射到图像,而反向器R将图像映射回数据分布特征空间,两个模块共享关键的卷积权重参数,即生成器G中的对应的反卷积权重参数和反向器R的卷积权重参数相同,两个模块各自从相对的角度同向逼近,相互对抗,由于共享关键权重参数,也可以和自身进行对抗,即自对抗生成模式。传统生成对抗网络的两个模块生成器G和判别器D是完全无关的神经网络,而本专利的生成器G和反向器R属于互逆模型,且共享卷积权重参数,能更好地进行互相对抗和互相监督。基于3×3卷积的模块(Conv);原创 2024-06-15 17:21:48 · 725 阅读 · 0 评论 -
一种层次化区块注意力卷积方法
本专利提出一种新的层次化区块注意力卷积方法,该卷积核一方面利用图像中各区块自身像素的注意力,减少了整张图像其他区块像素的影响,使得注意力计算更加关注自身区块内的像素,减小远处图像无关像素的影响,使得卷积能更好的针对该区块中特征较明显的部分,改进了传统卷积对所有像素一视同仁的做法,使得图像中更精细的区块部分中待处理物体相关的像素能更多地进入卷积操作,无关像素更少的被卷积捕获,提高卷积提取物体特征的效率,减少无关像素的干扰;图中,红色线为第一种划分方式,绿色线为第二种划分方式,周围浅色部分为0值填充。原创 2024-06-15 12:26:20 · 621 阅读 · 0 评论 -
一种多头金字塔分块自注意力方法
本专利提出一种新的多头金字塔分块自注意力方法,第一步,将图像划分为不重叠的小区块,在各自区块中进行自注意力计算,然后将计算结果按区块位置拼接起来,第二步,对图像使用可分离卷积进行金字塔操作,在每一层将图像划分为同样大小不重叠的小区块,在这些上一层级的小区块中再次进行自注意力计算,同样将计算结果按区块位置拼接起来,第三步,从上到下将各层自注意力结果进行双线性插值,使得该层自注意力张量尺寸和下一层的自注意力张量尺寸一致,然后两者按元素相加。原创 2024-06-15 11:46:04 · 538 阅读 · 0 评论 -
一种基于Canny算子的深度学习图像边缘强化方法
本专利使用特征金字塔结构对图像进行不同层次的特征提取,在每个特征提取阶段都进行Canny算子操作,并通过差分操作强化该层图像特征的边缘信息,将图像边缘信息更好地加入到整体图像特征信息中,通过特征分层以及融合,强化每一层特征的边缘信息,并整合成图像整体边缘特征,融入到整个图像的特征信息中,使得图像特征信息更加全面。图像边缘检测作为图像样本的基本处理流程,在图像领域有着十分重要的地位,在深度学习图像处理中,图像边缘信息是整张图像特征信息的关键部分,在神经网络对图像特征提取方面有着不可替代的作用。原创 2024-06-15 11:24:24 · 614 阅读 · 0 评论 -
一种层次化数据标准化方法
数据标准化,就是将原来分布范围不同的数据缩放在一个范围之内,一般来说是标准化到均值为0,标准差为1的标准正态分布,均值为0是为了让数据中心化,让各个维度的特征都平衡,标准差为1是为了让数据在各个维度上的长度都呈现一个单位向量(矩阵),也就是把原来大小范围分布不同的数据缩放成统一量纲,和拳击比赛一样,只有相同重量级的对手才能同台比赛,这里把数据的标准差缩放为1的意义就相当于把轻量级选手的体重加重,把重量级选手的体重减轻,让他们在同一个擂台上比赛,否则比赛就不公平。在下图中,可以看到归一化数据的效果。原创 2024-06-15 10:41:18 · 788 阅读 · 0 评论