- 博客(4)
- 收藏
- 关注
RSS订阅原创 工业缺陷检测数据扩充论文综述
持续更新中前言在工业视觉检测领域，由于深度学习，尤其是卷积神经网络的通用性以及性能都显著高于传统的数字图像处理方法，并且，由于由于其基于数据驱动，不需要设计规则，其适用性也高于传统方法。所以其成为目前工业视觉检测领域的研究热点。但是深度学习是数据驱动的，因此，其需要大量的数据。而在工业产线上虽然可以取得大量的数据，但是大部分为重复的，价值密度低的无缺陷数据，而缺陷数据很少出现。因此深度学习的数据需求量和产线难出缺陷数据成为一组矛盾。因此，很多研究者提出数据扩充方法，希望可以缓解或者解决数据量不足的问
2021-11-25 17:04:54
2512
4
原创 论文解析：区域和强度可控的GAN用于工业图像缺陷生成，数据扩充，分割
前言论文地址：IEEE TII Region- and Strength-Controllable GAN for Defect Generation and Segmentation in Industrial Images摘要计算机视觉的深度学习 (DL) 基于海量、多样化和注释良好的训练集取得了显着的成果。 然而，很难收集涵盖所有可能特征的缺陷数据集，尤其是对于小而弱的缺陷。 因此，提出了一种缺陷区域和强度可控的缺陷图像生成方法。 被视为使用生成对抗网络 (GAN) 的图像修复，生成的缺陷区域
2021-11-24 20:58:45
3952
5
原创 论文解读 用于弱监督表面缺陷分割的缺陷注意模板循环对抗网络 （Defect attention template generation cycleGAN for weakly supervised）
前言该论文是一种解决模板的缺陷生成方法。通过Cyclegan 对每张待测图像（缺陷或者非缺陷）生成其对应的动态无缺陷模板,再通过对待测图像和动态模板进行模板匹配，阈值分割以获取像素级分割结果。为了提升弱特征（低对比度，小面积，边缘的缺陷）的检测能力，该方法设计了缺陷注意力模块作用于解码器的标签上，以增加模型对缺陷区域的关注。同时基于SSIM和L1设计了缺陷循环一致损失 以提高模型对结构与灰度特征的检测能力。论文链接：论文地址 Pattern Recognition下面是该论文的详细内容摘要表面缺
2021-11-24 15:47:09
4046
1
原创 Pytorch C++ windows部署教程
Pytorch C++ windows部署教程0 所需环境1 将PyTorch模型转换为Torch Script2 C++调用pytorch模型3 配置opencv4 编译参考文献0 所需环境软件：VS 2017 或 VS 2019Cmake ：安装过程中选择添加环境变量（Cmake安装：https://cmake.org/download/）部署包：LibtorchLibtorch是pytorch官方的部署工具包，已经预编译好了，不需要我们去编译我们在官网下载适合于Windo
2021-04-26 20:19:12
2410
6
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人