专利交易市场

本发明涉及一种基于弱监督学习的单色布匹瑕疵检测方法，通过采集布匹原始图像并进行预处理，建立正常图像特征库；基于正常图像特征库进行异常阈值TH的整定，提取处理后的待检测图像的特征，采用K最近邻算法，在正常图像数据集中检索与待检测图像的相似性最接近的K张无瑕疵图像，计算K张无瑕疵图像与待检测图像间的异常得分；利用异常阈值TH进行阈值分割，得到布匹瑕疵对应的异常区域的分割掩膜图像。本发明检测的针对性更强，对于布匹图像的瑕疵有较高的查全率，不需要耗费大量时间进行数据集制作和模型训练，在保证检测实时性的同时，提高对小瑕疵目标的检测敏感度。

本发明公开了一种基于弱监督学习的协同显著性检测方法。本发明包括以下步骤：步骤(1)深度神经网络的构建和预训练；步骤(2)弱监督数据集的划分；步骤(3)显著性图像样本增强；步骤(4)协同显著性图的预测。使用弱监督的方式隐式地抓取图像间的协同特征，使用样本图像增强的方式增加神经网络的鲁棒性。协同显著性检测中，如何利用好图像间的协同特征是关键的，本发明使用约50％的样本输入到神经网络中进行训练微调隐式获取图像间的协同特征。同时存在图像样本中显著性目标在像素层面所占的比例较小的情况，不利于神经网络的训练和微调，本发明使用一种图像样本增强的手段来克服这一点，来实现对一组图像中显著性目标的预测。