排序方式: 共有18条查询结果,搜索用时 0 毫秒
1.
2.
3.
4.
缺陷检测模型一般需要大量样本来学习缺陷的特征,但实际场景中一些重要缺陷的样本难以收集,如何用少量样本来学习罕见缺陷的特征成为一个具有挑战性的问题。为了促进少样本缺陷检测的研究,构建了一个新的工业表面缺陷数据集,包括缺陷样本和无缺陷样本。同时提出了一个两阶段缺陷增强网络以提升少样本场景下的缺陷检测性能,它利用了无缺陷样本,并将整个训练过程分为两个阶段。第一阶段的训练需要大量缺陷样本,而第二阶段的训练只需要少量缺陷样本和无缺陷样本。此外,还提出了一个缺陷突显模块,可以更好地利用无缺陷样本来增强缺陷区域的特征。在新数据集上的实验表明,该缺陷检测模型的性能优于其他的少样本目标检测模型,在工业表面缺陷检测中具有更好的应用前景。 相似文献
5.
带钢自动表面检测系统中缺陷图像的分割效果对缺陷识别具有重要影响.为了提高缺陷图像的分割效果,提出了采用 Mean shift 算法对带钢缺陷图像中的感兴趣区域进行平滑从而获取缺陷边缘的方法,并将该算法与中值滤波算法进行了比较.测试结果表明,Mean shift 算法能够有效地对缺陷图像中的感兴趣区域进行平滑,并精确得到缺陷目标的边缘,该算法在带钢的缺陷分割中具有较好的性能. 相似文献
6.
基于边界链码的幅度谱图像识别研究 总被引:1,自引:0,他引:1
基于边界链码方法,将二值图像中的目标轮廓边界链码变换为有序数组,并对有序数组进行频域变换,获得边界有序数组的幅度谱分布,得出了边界有序数组频域幅度谱与边界链码起点选取的无关性。当目标边界比例变化及含有噪声干扰时,讨论了边界数组的幅度谱分布情况。试验结果表明,当轮廓边界链码起点不定及变形目标外形轮廓变化不大情况下,仍可以利用幅度谱相似性对目标外形进行有效的识别。 相似文献
7.
8.
如何有效去除毛刺是图像处理中的一个经典问题,也是精确计算带钢裂纹长度的基础。传统毛刺去除方法需要人工定义毛刺的长度阈值,这对于同一幅样板图像中细小裂纹和粗大裂纹并存的带钢裂纹检测并不适用。本文利用纹理二值模型,将骨架图中的像素点分为端点、节点和一般骨架点。首先根据毛刺与端点和节点的关系,去除骨架图中的大部分毛刺,然后去除剩余节点的最短分支,最终得到无毛刺的骨架图。实验表明,该方法避免了单一阈值的选取,可有效去除毛刺并得到精确反映目标几何结构的骨架图。 相似文献
9.
10.