专利交易市场

本发明公开了基于优化内存模块和U‑Net++的表面缺陷检测方法，涉及工业图像表面缺陷检测技术领域，包括步骤如下：将所有正态样本均进行预处理，然后使用ResNet18模型对正态样本进行特征提取，并在冻结ResNet18模型特征提取的网络参数，再针对提取到的所有正态样本不同层的特征图，使用聚类算法，得到优化内存模块；本发明通过使用基于K‑means聚类算法的优化内存模块，即避免了内存模型中由于存储过多正态样本特征导致的内存空间消耗过多以及最佳差值信息计算耗时较长的问题，又避免内存模型中存储有限的正态样本但过于片面不能涵盖所有正态特征分布的问题。

本发明属于计算机视觉的目标检测领域，具体设计一种基于改进YOLOV5模型的智能手机表面缺陷检测方法。该方法包括：智能手机表面缺陷图像实时采集；采集图像的分割；图像增强和标注，手机面板的数据集制作；构建改进YOLOV5模型；对改进的YOLOV5模型进行训练；使用训练好的YOLOV5模型对智能手机面板表面进行检测。所述YOLOV5模型：Backbone中引入注意力模块；Neck中增加特征图的跨尺度和跨层融合；Head中加入可变形卷积；同时使用Varifocalloss交叉熵函数；在锚框筛选阶段，在锚框集合中，通过框强邻抑制和弱邻强化，提升锚框去重的效率和置信度；最后对改进YOLOV5模型的结构进行轻量化压缩。改进的YOLOV5模型检测智能手机表面缺陷，较原始的YOLOV5模型有着更好准确度和实时性能。

本发明公开了一种基于特征预融合与掩膜引导的表面缺陷检测方法，主要解决现有缺陷检测技术对弱区分度、小尺度缺陷检测结果准确率低的问题。其实施方案为：1)获取数据集与检测标签；2)构建缺陷检测模型；3)构建损失函数；4)训练缺陷检测模型；5)推理并获得检测结果。本发明构建的表面缺陷检测模型，通过特征预融合进行感受野的扩大与信息扩散，实现特征图内上下文的增强，有效提升了对弱区分度缺陷的检测准确率；通过多阶段特征融合引入缺陷边界框的掩膜标签，使得缺陷区域信息密度升高，提升了小尺度缺陷的检测准确率。

本发明公开了一种基于深度学习的表面缺陷检测方法，包括：对待检测的产品图像进行处理，并对处理后的待检测产品图像进行特征提取，获取产品图像特征图；基于头部网络对所述产品图像特征图进行处理，获得带有表面缺陷的图像的高级特征；通过解耦式检测头根据所述高级特征进行检测，对生成的检测结果进行解码，获得最终的检测结果。本发明通过应用CST模块、FasterNet模块、解耦式检测头和EIoU损失函数来实现精度的提高和加快模型运行速度。