-
公开(公告)号：CN111612784A
公开(公告)日：2020-09-01
申请号：CN202010484381.0
申请日：2020-06-01
Applicant: 南通大学
Abstract: 本发明提供了一种基于分类优先YOLO网络的钢板表面缺陷检测方法，包括如下步骤：S10建立钢板表面缺陷标准图库；S20待检测图片缺陷分类，使用迁移学习模型对所述缺陷标准图库的进行训练分类，获得训练模型，使用所述训练模型对对所述待检测图片进行训练分类，保留分类结果；以及S30待检测图片缺陷位置判定，使用YOLO网络确定所述分类结果中的缺陷类别所在位置。本发明的一种基于分类优先YOLO网络的钢板表面缺陷检测方法，与传统检测算法相比，检测精度更高，速度更快，尤其对夹杂和斑块等缺陷有着较好的检测效果。
-
公开(公告)号：CN111612784B
公开(公告)日：2023-11-14
申请号：CN202010484381.0
申请日：2020-06-01
Applicant: 南通大学
IPC: G06T7/00 , G06V10/764 , G06V10/762 , G06V10/82 , G06N3/0464 , G01N21/88
Abstract: 本发明提供了一种基于分类优先YOLO网络的钢板表面缺陷检测方法，包括如下步骤：S10建立钢板表面缺陷标准图库；S20待检测图片缺陷分类，使用迁移学习模型对所述缺陷标准图库的进行训练分类，获得训练模型，使用所述训练模型对对所述待检测图片进行训练分类，保留分类结果；以及S30待检测图片缺陷位置判定，使用YOLO网络确定所述分类结果中的缺陷类别所在位置。本发明的一种基于分类优先YOLO网络的钢板表面缺陷检测方法，与传统检测算法相比，检测精度更高，速度更快，尤其对夹杂和斑块等缺陷有着较好的检测效果。
-
公开(公告)号：CN111627018B
公开(公告)日：2023-08-04
申请号：CN202010484073.8
申请日：2020-06-01
Applicant: 南通大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G01N21/88 , G06N3/045
Abstract: 本发明提供了一种基于双流神经网络模型的钢板表面缺陷分类方法，包括如下步骤：S10建立钢板表面缺陷标准图库；S20待检测图片缺陷分类，将待检测图片导入双流神经网络获得全局优先值以及局部特征值，综合所述全局优先值以及所述局部特征值确定每张所述待检测图片的缺陷类别；以及S30待检测图片缺陷位置判定，使用YOLO网络确定所述分类结果中的缺陷类别所在位置，其中所述YOLO网络中的两个残差网络模块替换为两个特征复用网络模块。本发明的一种双流神经网络模型的钢板表面缺陷分类方法，采用双流神经网络模型首先判断缺陷的类别，后将待检测图片导入YOLO网络预测缺陷位置；双流神经网络和YOLO网络配合提高了缺陷定位精度，提高了检测的效率。
-
公开(公告)号：CN111627018A
公开(公告)日：2020-09-04
申请号：CN202010484073.8
申请日：2020-06-01
Applicant: 南通大学
Abstract: 本发明提供了一种基于双流神经网络模型的钢板表面缺陷分类方法，包括如下步骤：S10建立钢板表面缺陷标准图库；S20待检测图片缺陷分类，将待检测图片导入双流神经网络获得全局优先值以及局部特征值，综合所述全局优先值以及所述局部特征值确定每张所述待检测图片的缺陷类别；以及S30待检测图片缺陷位置判定，使用YOLO网络确定所述分类结果中的缺陷类别所在位置，其中所述YOLO网络中的两个残差网络模块替换为两个特征复用网络模块。本发明的一种双流神经网络模型的钢板表面缺陷分类方法，采用双流神经网络模型首先判断缺陷的类别，后将待检测图片导入YOLO网络预测缺陷位置；双流神经网络和YOLO网络配合提高了缺陷定位精度，提高了检测的效率。
-
-
-
Search Results
4
records
(took 0.025 seconds)
