典型文献
基于边缘感知和小样本学习的多尺度带钢表面缺陷分割方法
文献摘要：
深度全卷积语义分割网络能够提供像素级带钢表面缺陷检测,对于带钢质量控制具有至关重要的作用.但是这类模型大多无法感知缺陷边缘,而且性能往往严重依赖大量精确标注的标签样本,严重影响其实际应用.为了解决以上困难,提出了一种基于边缘感知和小样本学习的多尺度带钢表面缺陷语义分割网络.该网络由两个级联的子网络组成.第一个子网络首先利用改进的一次性聚合模块和特征金字塔注意力模块构建编码器,提取多层级和多尺度特征并降低训练所需的数据量.然后将一系列全局注意力上采样模块作为解码器实现高级特征指导低级特征复原空间信息,并输出初步预测结果.第二个子网络利用一个浅层U-Net对第一个子网络获得的初步预测结果进行细化并增强边缘检测能力.东北大学热轧带钢表面缺陷数据集上的实验证明了该方法对夹杂、斑点和划伤等表面缺陷自动提取的可行性和有效性.
文献关键词：
语义分割;表面缺陷检测;小样本学习;特征金字塔注意力;全局注意力上采样模块
中图分类号：
作者姓名：
郭学俊;彭赞
作者机构：
太原理工大学 大数据学院,山西 晋中 030600
文献出处：
引用格式：
[1]郭学俊;彭赞-.基于边缘感知和小样本学习的多尺度带钢表面缺陷分割方法)[J].太原理工大学学报,2022(05):895-901
A类：
全局注意力上采样模块
B类：
边缘感知,小样本学习,带钢表面缺陷,缺陷分割,分割方法,全卷积,语义分割网络,像素级,钢表面缺陷检测,钢质,子网络,特征金字塔注意力模块,编码器,多层级,多尺度特征,数据量,解码器,低级,复原,空间信息,Net,边缘检测,检测能力,东北大学,热轧带钢,缺陷数据,夹杂,斑点,划伤,缺陷自动提取
AB值：
0.224614
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
