CN114494780B 基于特征对比的半监督工业缺陷检测方法及系统 （上海交通大学）_第1页
CN114494780B 基于特征对比的半监督工业缺陷检测方法及系统 （上海交通大学）_第2页
CN114494780B 基于特征对比的半监督工业缺陷检测方法及系统 （上海交通大学）_第3页
CN114494780B 基于特征对比的半监督工业缺陷检测方法及系统 （上海交通大学）_第4页
CN114494780B 基于特征对比的半监督工业缺陷检测方法及系统 （上海交通大学）_第5页
已阅读5页，还剩26页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

SegmentationUsingUnreliCOMPUTERVISIONANDPATTERNREC基于特征对比的半监督工业缺陷检测方法本发明提供了一种基于特征对比的半监督测产品进行分类，分为有标签输入和无标签输本发明在工业缺陷检测数据的标注缺乏的情况2对于低可信度的标签根据特征编码信息对学生网络进行基于对比学习的特征优化的对于有标签输入用图片和对应的标签对于学生网络进行训练的步所述基于交叉熵是用以衡量输入图像和真实标注的标签中语义信息y,3对于低可信度的标签根据特征编码信息对学生网络进行基于对比学习的特征优化的对于有标签输入用图片和对应的标签对于学生网络进行训练的步所述基于交叉熵是用以衡量输入图像和真实标注的标签中语义信息4y,56y′[0033]对于低可信度的标签根据特征编码信息对学生网络进行基于对比学习的特征优78[0064]对于低可信度的标签根据特征编码信息对学生网络进行基于对比学习的特征优[0074]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、9[0105]对于低可信度的标签根据特征编码信息对学生网络进行基于对比学习的特征优[0113]本领域技术人员可以将本发明提供的一种基于特征对比的半监督工业缺陷检测对比的半监督工业缺陷检测系统可以通过执行所述基于特征对比的半监督工业缺陷检测y,[0139]对于低可信度的标签根据特征编码信息对学生网络进行基于对比学习的特征优yy[0191]具体实施中，该发明所用的特征提取神经网络包括并不限于Resnet、VGG、展时会遇到的梯度消失问题，为实现更深的网络结构提供了技术基础。在本发明中，以ResNet18为例介绍ResNet的网络结构，在实际的实施中，已成功使用了ResNet34、[0192]步骤S1.对已有数据集进行划分，以50％_25％_25％左右的比例分为训练集[0193]步骤S2.对于有标签数据和无标签[0195]步骤S4.根据上一步的分割信息，我们利用DeepLabv3+产生到特征向量进行拼[0196]步骤S5.训练中的loss函数的定义基[0200]如图1所示，本发明实现的基于特征对比的半监督工业缺陷检测系统及方法的训[0202](2)对真实的待检测图像样本与利用数据增强技术生成的缺陷图像样本进行部分[0205]本发明实现的基于特征对比的半监督工业缺陷检测系统及方法的检测键盘缺陷[0207](2)对键盘图像所有样本利用数据增强技术生成的键盘缺陷图像样本进行像素级[0210]本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系是一种

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论