CN119444735A 基于深度学习的波纹管内壁多类型瑕疵检测方法 （合肥三越半导体科技有限公司）

基于深度学习的波纹管内壁多类型瑕疵检本发明公开了一种基于深度学习的波纹管集初始波纹管内壁图像和不同光照环境下的波ResNet101网络从预处理图像中提取波纹管内壁几何整体特征输入改进的StyleGAN3网络，生成2S2、采用高斯滤波对原始图像进行去噪，利用S3、通过预训练的ResNet101网络从预处理图像中提取波纹管内壁的表面几何整体特S5、将增强图像输入多尺度自适应深度网络2.根据权利要求1所述的一种基于深度学习的波纹管内壁多类型瑕疵检测方法，其特3.根据权利要求1所述的一种基于深度学习的波纹管内壁多类型瑕疵检测方法，其特;;;其中，ΔI(a,y)表示增强后的图像边缘信息，I(c,y)表示图像在位置(a,y)处的像素3(-1,y)处的像素值，I(ac,y+1)表示图像在位置(a,y+1)处的像素值，I(ac,y-1)表示图像在位置(z,y-1)处的像素值；;;其中，K表示标定参数矩阵，fs和fy表示焦距，和cy表示主点坐标，R表示旋转;4.根据权利要求1所述的一种基于深度学习的波纹管内壁多类型瑕疵检测方法，其特;其中，表示潜在空间中的风格向量，表示从标准正态分布中采样的随机噪声，;L表示生成器中的卷积层数，conu表示第l层的卷l-1层的特征映射，(u)和B(u)分别表示风格向量w对每4;其中，Lr和LY分别表示预处理图像在和方向的周期长度，POSEnc(ar,gy)表示基;S44、定义区域对比损失函数，优化生成图像在瑕疵区域和正常区域之间的纹理对比;;;5.根据权利要求1所述的一种基于深度学习的波纹管内壁多类型瑕疵检测方法，其特;其中，Fi(ar,y)表示在位置的特征表示，表示卷积核权重，b表示偏置，5;;;;softmaac表示;;Bt表示真实边界框，Area表示框的面积，Lni表示位置预测的IOU损失；;;6S57、根据分类头输出的类别标签c(ac,y)和回归头输出6.根据权利要求1所述的一种基于深度学习的波纹管内壁多类型瑕疵检测方法，其特;;curvature(ac,gy)表示7[0006]本发明的一个目的在于提出一种基于深度学习的波纹管内壁多类型瑕疵检测方8S3、通过预训练的ResNet101网络从预处理图像中提取波纹管内壁的表面几何整;;像素值，Imin和Imasr表示图像中的最小和最大像素值，Lmin和Lmus表示映射后的像素;其中，ΔI(a,y)表示增强后的图像边缘信息，I(a像素值，I(ar+1,y)表示图像在位置(a+1,y)处的像素值，I(ar-1,y)表示图像在位置9(-1,y)处的像素值，I(ac,y+1)表示图像在位置(a,y+1)处的像素值，I(ac,y-1)表示图像在位置(z,y-1)处的像素值；;;;;;L表示生成器中的卷积层数，comv表示第l层(u)和BU)分别表示风格向量wu;其中，和分别表示预处理图像在ar和y方向的周期长度，POSEnc(ar,gy);;;;其中，Luoai表示总损失函数，入表示对比损失的权重因子，n表示学习率，;;;;;;;;;;;[0016]此外，多尺度自适应深度网络的应用使得本方法能够同图1为本发明提出的一种基于深度学习的波纹管内壁多类型瑕疵检测方法的流程图2为本发明提出的一种基于深度学习的波纹管内壁多类型瑕疵检测方法的多尺S3、通过预训练的ResNet101网络从预处理图像中提取波纹管内壁的表面几何整[0021]本实施方式中，所述环形光源通过光源调节器调节至不同的照射强度范围和角;;像素值，Imin和Imasr表示图像中的最小和最大像素值，Lmin和Lmus表示映射后的像素;其中，ΔI(a,y)表示增强后的图像边缘信息，I(a像素值，I(ar+1,y)表示图像在位置(a+1,y)处的像素值，I(ar-1,y)表示图像在位置(-1,y)处的像素值，I(ac,y+1)表示图像在位置(a,y+1)处的像素值，I(ac,y-1)表示图像在位置(z,y-1)处的像素值；;;;;;L表示生成器中的卷积层数，comv表示第l层(u)和BU)分别表示风格向量wu;其中，和分别表示预处理图像在ar和y方向的周期长度，POSEnc(ar,gy);;;;其中，Luoai表示总损失函数，入表示对比损失的权重因子，n表示学习率，;;;;;;;;;;;则需要30秒/根，检测效率提升了约1