CN113673594B 一种基于深度学习网络的瑕疵点识别方法 （浙江工商大学）_第1页
CN113673594B 一种基于深度学习网络的瑕疵点识别方法 （浙江工商大学）_第2页
CN113673594B 一种基于深度学习网络的瑕疵点识别方法 （浙江工商大学）_第3页
CN113673594B 一种基于深度学习网络的瑕疵点识别方法 （浙江工商大学）_第4页
CN113673594B 一种基于深度学习网络的瑕疵点识别方法 （浙江工商大学）_第5页
已阅读5页，还剩11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

本发明公开了一种基于深度学习网络的瑕疵点识别方法。本发明首先将瑕疵的图片通过通过改进的transformer网络对瑕疵进行检测，transformer2所述的编码器transformer-encoder中的自注意力层Self-Attention进行了改进，具同时还对输入至编码器transformer-encoder的Key和Value矩阵进行卷积降维，用于器transformer-decoder的输入，并把可学习的矩阵objectqueries输入到解码器步骤5、解码器transformerdecoder的结果输入3[0003]瑕疵点检测是工业界一项很重要的工作，目前主要依靠工人[0007]步骤1、拍摄包含瑕疵点的视频图像序列，将其输入至特征提取分支进行特征提[0009]所述的编码器transformer-encoder中的自注意力层Self-Attention进行了改[0010]同时还对输入至编码器transformer-encoder的Key和Value矩阵进行卷积降维，解码器transformer-decoder的输入，并把可学习的矩阵objectqueries输入到解码器4[0017]本发明在encoder(编码器)中计算Self-Attention(自注意力)层时，并行地计算[0026]本发明提出了一种基于深度学习网络的瑕疵识别方法。其网络框架结构如图1所5[0040]如图2所示，transformer-encoder(编码器)结构由下之上分别是：Self-V6[0047]本实施例在encoder(编码器)中的Self-Attention(自注意力)层添加一个与高斯[0048]本实施例计算本身的Attention的Q、K的Matmul(矩阵乘法)和softmax函数的同[0049]本实施例高斯分布的Attention的分支中采用标准正态分布的标准差σ2＝1/(2[0050]本实施例设置6个encoder(解码器)，对每个encoder(解码器)的Self-Attention[0056]第三步，Self-Attention(自注意力)中的Q分别由上一步的输出结果和object7器)加上同样的loss(损失函数)监督，对效果会有所提升，所以训练时会输出6个decoder代表瑕疵数据集的瑕疵类别数目；对预测框采用3层的MLP，输入通道数为256，隐藏层为89

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