检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度度量学习的视线估计研究

基于深度度量学习的视线估计研究

作者：周浩哈尔滨理工大学

学位级别：硕士

随着人工智能技术的飞速发展,眼动追踪技术广泛应用于认知科学、心理学(特别是心理语言学、视觉世界范式)、人机交互、人为因素和人体工程学、神经学诊断等领域。目前,眼动追踪技术主要分为基于模型的眼动追踪技术和基于外观的眼动追踪... 详细信息

随着人工智能技术的飞速发展,眼动追踪技术广泛应用于认知科学、心理学(特别是心理语言学、视觉世界范式)、人机交互、人为因素和人体工程学、神经学诊断等领域。目前,眼动追踪技术主要分为基于模型的眼动追踪技术和基于外观的眼动追踪技术。前者需要建立精准的眼部模型,对传感器和光照条件要求很高,应用受限;后者基于神经网络,鲁棒性和泛化性能较差,跨用户应用实现困难。因此,本文提出跨用户视线估计解决方案,在建立包含眼动方向和视线深度DDCEyes数据集(Direction and Depth Chinese Eyes Dataset,DDCEyes)的基础上,运用深度度量学习构建视线估计模型,解决跨用户问题,并尝试将其端-端应用于眼动控制轮椅。首先,基于模型推理速度和视线估计精度,构建速度较快的Feature Net1网络模型和精度较高的Feature Net2网络模型。将三元组损失函数和对比损失函数结合,提出三元组对比损失(Triplet Contrastive Loss,TCL)函数,解决三元组损失梯度消失问题,提升视线估计模型准确率。其次,设计视线估计数据集采集方案,采用15个栅格划分注视方向和深度,通过摄像机捕获测试者注视不同方向和深度的多维度(包含5个空间位置和7个头部位姿)视线估计数据。通过目标检测技术分别提取脸部特征信息和眼部特征信息,标定生成31500张眼动数据,建立DDCEyes数据集。再次,提出跨用户三元组选择策略和空间采样策略(Spatial sampling strategy,SPSS),根据脸部信息、注视方向及其空间位置相关性,挖掘硬样本,提升模型收敛速度和准确率。基于DDCEyes数据集和U2Eyes数据集进行对比实验,验证本文提出的视线估计方法,解决跨用户问题。最后,开发视线估计测试系统,使用迁移学习技术训练视线估计“分类器”。编写上位机应用软件,移植到Jeston Xavier NX,实现端-端的设计方案,完成对轮椅的眼动控制,帮助渐冻症患者走向美好世界。

关键词：深度度量学习视线估计三元组对比损失采样策略眼动控制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度度量学习的图像检索算法的研究

基于深度度量学习的图像检索算法的研究

作者：王一帆吉林大学

学位级别：硕士

随着近几年互联网技术的飞速发展,可获取的图像数据也在高速增长,这促使了计算机视觉分析技术的发展,许多的研究人员也开始投入其中。今天,在图像领域中,图像检索更是变成一个研究的焦点和难题,研究快捷、精确的手段从大规模图像数据库... 详细信息

随着近几年互联网技术的飞速发展,可获取的图像数据也在高速增长,这促使了计算机视觉分析技术的发展,许多的研究人员也开始投入其中。今天,在图像领域中,图像检索更是变成一个研究的焦点和难题,研究快捷、精确的手段从大规模图像数据库中获得需要的图像是图像检索的目的。而想要达到这个目的的方法是精确的提取各类图像的高区分性特征,并测量特征间的相似性,然后根据相似性得到检索结果。深度卷积神经网络的出现,使得提取到的图像的特征具有较高的区分性,但是想要得到精准的检索结果往往需要深度度量学习的介入。深度度量学习的研究重点是设计有效的损失函数,从而训练出一个优异的高维嵌入空间,在这个空间中,相似的图像距离更近,不相似的图像距离更远。本文将研究并设计深度度量学习的有效损失函数,并应用到图像检索中,主要的工作如下:1.深度度量学习的损失函数大致分为两类,分别是基于样本对的损失函数和基于代理的损失函数。基于样本对的损失函数往往提供给深度卷积神经网络过多的输入,导致训练复杂性过高并且收敛速度慢,但是可以充分利用样本间所带来的信息;基于代理的损失函数往往忽略了样本间丰富的语义信息,但是通过用代理替代一个类的所有样本进行训练能够有效的降低训练复杂性和加快模型收敛速度。Proxy-Anchor损失函数具有基于样本对的损失函数和基于代理的损失函数二者的优点,能够通过梯度利用样本间丰富的语义信息并且具有训练复杂性低的优势,但它使用了固定的边界区分正负样本,并没有充分的考虑到每个类各自的类内差异性。因此本文提出了一个可学习的动态边界的损失函数,该损失函数也是基于代理及样本对的融合设计,训练复杂度低且能够充分利用样本间信息,通过使用可学习的动态边界解决了Proxy-Anchor损失函数的缺点,能够充分考虑到每个类的类内差异性;此外,该损失函数中还增加了对代理间的语义度量,不仅可以保持类间的可分离性,而且可以参与动态边界的学习从而防止边界的过拟合。实验结果证明:使用可学习的动态边界的损失函数训练得到的嵌入空间具有很好的鲁棒性和区分性,在图像检索任务上显著的提高了检索精度。2.现有的深度度量学习方法是通过尽可能地最大化类间的差异来学习得到具有高区分性的嵌入空间,但是这些方法在学习过程中忽略了固有的类内差异,由于缺少标签,它们平等地对待所有正样本,并尽力区分正样本和负样本,而不同正样本的排序被完全丢弃。当类内差异被忽略时,局部结构会被无意识地破坏,容易过度拟合训练集,在测试集(训练集中不存在的类)上有较低的泛化性。在过去的方法中,对于正样本,如果它与锚点(可以是代理也可以是样本)之间满足一定的约束(如边界),则对模型的训练贡献很小,可是这样会浪费正样本携带的大量信息。因此,针对上述考虑,本文对满足约束的正样本进行样本生成,以便从真实正样本中获得可量化的类内差异,同时基于样本生成的关系利用自监督的思想设计了一种类内排序损失函数,使生成的嵌入空间对于同类样本的区分性更好,并能在嵌入空间中保持它们的排序关系,且这种损失函数可以很容易地与现有的深度度量学习方法结合。实验证明,使用基于样本生成的类内排序损失函数可以有效的提升图像检索的性能。

关键词：深度度量学习损失函数图像检索自监督学习样本生成

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多相似度损失的深度度量学习方法研究

基于多相似度损失的深度度量学习方法研究

作者：游戈山西大学

学位级别：硕士

随着数码相机和智能手机的普及,每天都有成千上万的图像从这些设备中产生,因此从大型数据集中准确地检索图像是一项巨大的挑战。深度度量学习旨在通过使用深度非线性映射获得更有判别力的嵌入空间,提高图像检索任务的准确率。大多数深... 详细信息

随着数码相机和智能手机的普及,每天都有成千上万的图像从这些设备中产生,因此从大型数据集中准确地检索图像是一项巨大的挑战。深度度量学习旨在通过使用深度非线性映射获得更有判别力的嵌入空间,提高图像检索任务的准确率。大多数深度度量学习方法都侧重于设计损失函数来改进对样本相似度的利用,进而学习更有判别力的嵌入空间。难样本挖掘是提高深度度量学习性能的重要手段,其核心是通过充分利用样本相似度来准确评估样本的困难程度。因此,在损失函数中引入多种相似度来挖掘难样本具有很高的研究价值。然而,现有的深度度量学习方法在损失函数中运用的相似度比较单一,这不利于难样本的准确挖掘和充分利用。为了解决以上问题,本文提出了两种基于多相似度损失的深度度量学习方法,主要内容如下:(1)为了更加准确地挖掘难样本,文章在难样本挖掘中引入代理相似度,提出了一种新的深度度量学习方法——基于代理相似度的深度度量学习方法,并基于此设计了一个包含多种相似度的新损失函数,即代理对比损失。该方法通过引入代理相似度,使模型关注特殊的样本对,这些样本对与样本到代理之间的关系非常相似,从而有助于提高样本在嵌入空间中的聚集和分离程度。与其它相关的算法相比,该方法在三个图像检索的基准数据集上获得了相对较好的实验结果。(2)为了在损失函数中充分利用生成的难样本,文章将特征存储结构的思想引入基于样本生成的难样本挖掘方法中,提出了一种新的深度度量学习方法——基于特征存储结构的深度对抗度量学习方法。该方法通过特征存储结构存储生成的难样本,使得当前损失函数可以利用生成难的样本与其同类样本间的相似度,有助于使其进一步聚集到其同类样本周围。除此之外,文章使用标签保持损失控制了生成样本的困难程度,从而有效地遏制生成的难样本向噪声的演化。文章在多个用于图像检索的基准数据集上验证了所提出的算法,与其它同类型方法相比,本文所提出的算法获得了相对较好的实验结果。

关键词：深度度量学习难样本挖掘损失函数生成对抗网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度度量学习的医学图像检索

基于深度度量学习的医学图像检索

作者：李旭中国医科大学

学位级别：硕士

目的:已有的医学影像中存在着与疾病相关的大量信息,如疾病种类、病灶区域等,必要时可作为后续临床诊断时的参考依据。医学图像检索技术可实时的从数据库中检索出与当前图像最相似的医学图像,为经验不足的医生提供参考依据。然而,有些... 详细信息

目的:已有的医学影像中存在着与疾病相关的大量信息,如疾病种类、病灶区域等,必要时可作为后续临床诊断时的参考依据。医学图像检索技术可实时的从数据库中检索出与当前图像最相似的医学图像,为经验不足的医生提供参考依据。然而,有些图像外观很相似,但细微的特征并不相同,本质上应归为不同类别。现有的医学图像检索方法不足以从这类医学图像中提取出具有高区分度的特征,导致检索不够准确。因此,有必要提出一种可以提取出高区分度的特征的方法,实现高外观相似医学图像的区分,用于提高医学图像检索的准确率,为医生提供更加准确的辅助诊断依据。方法:本文提出了一种基于深度度量学习的医学图像检索方法,对特征提取网络和度量损失函数进行了设计和改进。本研究设计了一种新颖的通道分组多尺度分支模块(Channel Grouping Multi-scale Branching Block,CGMB Block),结构内部多次应用了拼接和卷积的操作,融合空间注意力机制,可以捕获高外观相似医学图像中细微的特征信息,结合Res Net-50的骨干网络部分构成了基于注意力机制的通道分组多尺度分支模型(Channel Grouping Multiscale Branching Model based on the Attention,ACGMB Model)。为了使多相似性损失(Multi-Similarity Loss,MS Loss)中的正负权重因子自适应调整,提出了自适应多相似性损失(Adaptive MultiSimilarity Loss,AMS Loss);为了补全损失函数对样本和样本簇之间的约束,提出了自适应多约束损失(Adaptive Multi-Constraint Loss,AMC Loss),在AMS Loss的基础上将质心三元组损失添加为了约束项。结果:实验结果显示,本文提出的ACGMB Model在ISIC 2019 Challenge、MURA、Chest X-ray14三个数据集上分别取得了最高的Recall@1值90.10%、81.89%和98.19%,标准化互信息(Normalized Mutual Information,NMI)值分别达到了59.78、76.13和95.20,这说明了ACGMB Model具有强大的特征提取能力。与其他方法对比,多数情况下ACGMB Model能以更低的特征维度,取得更优的检索性能,证明了ACGMB Model的学习能力更强,所学习到的信息均为关键信息。对比其他特征提取网络,本文提出的ACGMB Model以更少的参数和更高的效率获得几乎相当的检索效果。当ACGMB Model的损失函数为AMS Loss时,三个数据集上的Recall@1值可分别达到90.17%、81.86%和98.21%,表明AMS Loss在实现超参数自适应调整的同时还指导模型学习到了更具区分性的特征嵌入。将所提出的AMC Loss作为ACGMB Model的损失函数,三个数据集上的Recall@1值进一步提升至了90.43%、83.33%和98.25%,这说明AMC Loss具有更好的特征辨别能力。检索结果可视化表明了ACGMB Model和AMC Loss配合使用能够检索出更多的正确结果。结论:本研究提出了基于深度度量学习的医学图像检索方法,该方法由ACGMB Model及AMC Loss结合而成,ACGMB Model可以捕获相似医学图像中具有区分性的细微特征信息,AMC Loss的较强的特征辨别能力进一步提高了检索性能。本文的方法相比于其他方法有较大的检索性能提升,可以实现更准确的高外观相似医学图像的区分检索,具有提供诊断参考依据的潜力。

关键词：医学图像检索多尺度注意力机制自适应深度度量学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于代理的深度度量学习算法研究

基于代理的深度度量学习算法研究

作者：李述特华南理工大学

学位级别：硕士

深度度量学习旨在学习样本间的语义相似性,由于其天然的泛化优势,被广泛应用于图像检索等开放集场景。基于代理的深度度量学习方法通过常驻内存的可训练代理为mini-batch供训练集在嵌入空间的全局分布近似,通过探究样本与代理的关系避... 详细信息

深度度量学习旨在学习样本间的语义相似性,由于其天然的泛化优势,被广泛应用于图像检索等开放集场景。基于代理的深度度量学习方法通过常驻内存的可训练代理为mini-batch供训练集在嵌入空间的全局分布近似,通过探究样本与代理的关系避免了基于样本对方法中复杂的采样问题和mini-batch局部性导致的模型局部最优问题。在深度度量学习领域,一个常见观点是大边距有利于判别特征的学习,从而升模型对测试集样本的分辨能力。然而,在基于代理的方法中,由于代理带来的全局分布观测,训练集样本可以很容易地被清晰分辨。此时的大边距可能在进一步升训练集样本分辨性的同时阻碍了通用特征的学习,而这些通用特征是识别开放集场景中未见类的关键保障。基于此猜想,本文探究了基于代理的方法中边距对模型性能的影响,发现一定程度的小边距能够升模型泛化能力,并针对两类经典方法出了基于小边距思想的改进方案。另一方面,为每个类分配单一代理无法表示类内分布结构,而目前基于多代理的方法都依赖于分类框架而无法充分利用样本间以及样本与代理之间的细粒度关系,同时还面临过拟合的风险。因此,本文出一种基于距离损失的多代理方法,旨在通过多代理扩展样本的细粒度语义,从而增强数据表示能力。考虑到样本可能不具有一个类的所有细粒度语义,在本文出的多代理方法中,每个样本自适应地与少量近邻代理相关联。与小边距思想相结合,本方法在促进通用特征学习的同时升了难例样本的分辨性,在引入更多代理的同时降低了模型训练复杂度。此外,尽管以代理为锚点的方法能够充分利用样本间的细粒度关系,由于mini-batch难以精确表征代理的局部近邻分布,其仍然面临对大批量采样的依赖问题。针对此问题,本文充分利用多代理优势,首次出将代理作为mini-batch在嵌入空间的数据增强以升代理更新稳定性和避免训练时对大批量采样的依赖问题。本文出的方法均在三个标准图像检索数据集上经过测试。实验结果表明,本文出的基于小边距思想的改进方案相较于原方法有大幅性能升,出的多代理方法和嵌入空间数据增强方法性能超越同领域最先进的方法。

关键词：图像检索深度度量学习深度学习模型泛化数据增强

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度度量学习的行人重识别方法

基于深度度量学习的行人重识别方法

作者：黄宗恒华中科技大学

学位级别：硕士

行人重识别是指从多个视野不重叠的相机所拍摄的图像中检索目标行人的技术,属于图像检索的子任务。实际场景中,由于光照和视角变化、遮挡、相机分辨率低等因素的影响,同一行人在不同相机下可能呈现较大差异。因此如何在巨大外观差异下,... 详细信息

行人重识别是指从多个视野不重叠的相机所拍摄的图像中检索目标行人的技术,属于图像检索的子任务。实际场景中,由于光照和视角变化、遮挡、相机分辨率低等因素的影响,同一行人在不同相机下可能呈现较大差异。因此如何在巨大外观差异下,准确度量行人图像间的相似度是目前行人重识别算法需要解决的关键问题之一。本文将从深度度量学习的角度出发,利用深度神经网络提取行人特征,并使用度量损失函数监督网络训练,提升行人图像相似度度量的准确性。针对行人重识别任务中因图像退化导致难以辨识行人身份的问题,提出了基于样本不确定度的距离度量,并设计了相应的损失函数,以缓解传统度量损失函数对噪声等图像退化的敏感性。该方法使用特征模长表征样本不确定度,并在计算损失时根据样本不确定度动态修正样本间距离,以降低低质量样本对训练的影响,从而提升行人重识别模型的鲁棒性。行人重识别是一个细粒度图像检索问题,行人图像中的细节特征对于判定其身份具有关键的意义。为此,提出一种基于交互式策略的局部区域相似性度量算法,通过滑窗匹配的方式查找候选集图像中与查询区域相似度最高局部区域。该算法可以根据用户框选的区域针对性的检索包含对应细节信息的行人,解决了现有方法中网络对细节特征不敏感的问题。为了处理跨模态图像检索问题,设计了模态感知难例挖掘算法。该算法通过组合具有不同模态组成的三元组损失函数,在降低模态差异的同时增强特征的类别判别性,并采用基于梯度的加权进行损失融合。实验表明,本方法在基于草图的图像检索和红外—可见光行人重识别这两大跨模态图像检索任务上都取得了较好的效果。综上,针对现有行人重识别算法存在的对噪声鲁棒性差、对细节特征不敏感、无法处理多模态输入等问题,从深度度量学习的角度对现有算法进行了改进,显著提升了行人重识别算法的检索性能。

关键词：计算机视觉深度学习度量学习深度度量学习行人重识别

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度度量学习的语义分割损失函数研究

基于深度度量学习的语义分割损失函数研究

作者：韩钰兰州大学

学位级别：硕士

语义分割是一项逐像素点的多分类任务,已经在自动驾驶、医学影像分析、气象学以及许多场景理解任务中得到了广泛的应用.随着深度学习的快速发展,深度神经网络模型正在逐步取代经典的概率模型在计算机视觉任务中取得更好表现,基于深度学... 详细信息

语义分割是一项逐像素点的多分类任务,已经在自动驾驶、医学影像分析、气象学以及许多场景理解任务中得到了广泛的应用.随着深度学习的快速发展,深度神经网络模型正在逐步取代经典的概率模型在计算机视觉任务中取得更好表现,基于深度学习的语义分割模型也进一步提升了语义分割模型的性能.损失函数是深度神经网络模型的大脑,控制着整个模型的训练过程,并且很大程度上决定模型提取的特征的质量.本文从语义分割模型中的特征提取机制和损失函数之间的机理出发,重新建立语义分割数学模型,通过引入深度度量学习的理念,将常规的语义分割损失函数加以改造,使其更加适合于语义分割任务.本文的主要研究有三个方面:1.本文在FPN的基础上对于语义分割任务进行数学建模,从数学模型角度分析语义分割的机理,探讨损失函数与特征质量之间的内在关系,发现FPN等经典网络在边缘部分预测表现不佳的原因是多次上采样的引入,这一问题通过改造损失函数提升特征质量得到了解决;2.本文在经典的SoftMax交叉熵损失函数之上先后引入了L归一化层、尺度变换层和可变的实时间隔参数,将深度度量学习和代价敏感学习的理念引入,提出了边分离加性间隔交叉熵损失函数(Boundary Margin SoftMax),结合损失函数和特征提取的内在逻辑借助实证分析和消融实验验证了改进方法;3.借助Pytorch框架实现了搭载本文提出的新型损失函数的端到端语义分割模型,并基于流形学习(TSNE)的降维方法进行特征可视化,生动呈现改进后的损失函数对于特征质量的提升.通过对于语义分割模型的重述,结合理论与实验,本文通过构建新型的损失函数,最终在不增加额外计算量的同时将基准模型FPN的最终预测均交并比(MIo U)从75.81%提升至76.93%,领先于使用额外模块进行上采样的Point Rend模型(76.47%),并且提升了特征质量.通过对语义分割模型结合相关数学理论的分析与思考,进一步分析实验结果,可以发现本文提出的边分离加性间隔交叉熵损失函数更加适合语义分割问题.

关键词：语义分割深度学习深度度量学习损失函数流形学习(TSNE)

基于样本旋转的生成困难样本的深度度量学习方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

山西大学学报(自然科学版) 2023年

作者：张鸽闫京魏巍梁吉业山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

现有深度度量学习方法通过构造困难样本生成方法指导模型高效训练，基于代数计算的困难样本生成方法具有简单、高效的优势。然而这类方法缺乏对数据整体分布的考虑，导致生成的样本随机性较强、模型收敛缓慢。针对该问题，将三元组中的... 详细信息

现有深度度量学习方法通过构造困难样本生成方法指导模型高效训练，基于代数计算的困难样本生成方法具有简单、高效的优势。然而这类方法缺乏对数据整体分布的考虑，导致生成的样本随机性较强、模型收敛缓慢。针对该问题，将三元组中的正样本以其所属的类的类中心为轴，旋转至锚点与该类中心连线的反向延长线上，提出一种基于样本旋转的困难样本生成方法，给出了一种新的损失函数，构建了一种基于样本旋转的生成困难样本的深度度量学习模型（RHS-DML），有效提升了模型的训练效率。在Cars196,CUB200-2011以及Stanford Online Products数据集上进行了图像检索的实验，与代数计算方法中对称生成样本方法进行了比较，结果表明，本文提出算法的检索性能相较于对称样生成本方法在三个数据集上分别高出2.4%,0.7%,1.4%。

关键词：深度度量学习困难样本生成多类N元组损失代数计算

基于深度度量学习的中间壳表面缺陷智能检测系统

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度度量学习的中间壳表面缺陷智能检测系统

作者：储世伟江南大学

学位级别：硕士

随着制造业的快速发展,零件表面缺陷检测已成为制造业中不可或缺的一环。表面缺陷会对零件的质量和性能产生严重影响,甚至会导致零件的失效。近年来人工智能技术不断进步,基于机器视觉的缺陷检测得到了大量发展与应用。然而,这些方法在... 详细信息

随着制造业的快速发展,零件表面缺陷检测已成为制造业中不可或缺的一环。表面缺陷会对零件的质量和性能产生严重影响,甚至会导致零件的失效。近年来人工智能技术不断进步,基于机器视觉的缺陷检测得到了大量发展与应用。然而,这些方法在实际应用时,存在泛化性不足、分类精度不高、收敛速度慢、易受噪声干扰等问题。本文针对上述问题,研究了基于O2U-Net(Overfitting to Underfitting Net)的标签噪声过滤方法和基于深度度量学习的表面缺陷检测方法,并将这两种方法结合,开发了一套中间壳表面缺陷智能检测系统以应用于实际产线。本文主要研究内容如下:1.为了缓解零件表面缺陷检测中标签噪声的影响,提出了一种基于改进O2U-Net的标签噪声过滤方法。首先,利用部分干净样本对加入MIC(Masked Image Consistency)模块的模型进行预训练,增加困难样本和错误标签样本之间的差异性,降低模型将困难样本识别为错误标签样本的风险;然后,为了提高数据利用率,将每个批次中提取的图像特征保存到记忆模块,并比较各个样本之间的相似度进一步筛选标签噪声;最后,通过中间壳表面缺陷数据集验证该方法的去噪性能,实验结果表明该方法针对不同噪声比例的样本能够达到97.54%的准确率,相较原方法最高能够提升8.77%的准确率。2.针对大部分深度学习模型应用于复杂零件表面缺陷检测时存在分类精度低、收敛速度慢、稳定性不高的问题,提出了一种基于深度度量学习的表面缺陷检测方法。首先,引入了深度注意中心损失函数,并根据各个样本到中心的距离对损失进行加权优化,大幅度增加背景和特征重要性区分度,同时提高了模型的分类精度和收敛速度;然后,利用改进的O2U-Net模型进行样本筛选和预训练,提取各类样本的中心作为中心损失的初始中心,有效降低了标签噪声的影响,改善了中心随机性问题,减少了模型训练崩溃的概率;最后,利用中间壳表面缺陷数据集对模型进行了测试,实验结果表明该方法最高能够达到97.14%的分类准确率,证明了其在零件表面缺陷检测中的优越性。3.为了实现零件表面缺陷的自动化检测,本文设计了一套中间壳表面缺陷智能检测系统。首先,对中间壳的表面缺陷类型和位置进行分析,并根据缺陷特点对检测系统进行整体规划;然后,对相机、镜头、光源等硬件设备进行了选型,设计了相关工业相机与光源的组合方案以完成图像采集工作;最后,基于.NET平台开发智能表面缺陷检测软件,该软件具备直线度检测、圆检测、边缘检测和深度学习等功能,并集成模板管理、数据统计、结果显示等界面。通过功能测试证明了本文所设计的系统能够实现中间壳表面缺陷高精度自动化检测功能,满足企业需求。

关键词：机械零件缺陷检测深度学习深度度量学习标签噪声