个人信息
参与实验室科研项目
人机智能协同关键技术及其在智能制造中的应用
非可信智能驱动的可靠智造
学术成果
共撰写/参与撰写专利 2 项，录用/发表论文 1 篇，投出待录用论文0篇。 联培学生可能有其他不在此展示的论文/专利。
patent
-
基于多尺度标准化流的无监督笔记本外观缺陷检测方法
赵云波,
张杰,
李泽瑞,
康宇,
and 吕文君
[Abs]
本发明涉及工业缺陷检测技术领域，公开了 一种基于多尺度标准化流的无监督笔记本外观 缺陷检测方法，将采集得到的笔记本电脑外观图 像，依次输入到多尺度特征提取网络模型以及缺 陷检测模型，得到检测结果；训练方法包括：获取 笔记本电脑的原始外观图像后进行数据预处理， 得到训练数据集；构造基于ResNet50网络和特征 金字塔网络的多尺度特征提取网络模型，提取训 练数据集中外观图像的多尺度特征；构造基于多 尺度标准化流网络的缺陷检测模型，以多尺度特 征作为缺陷检测模型的输入，通过计算损失函数 对缺陷检测模型进行训练。本发明能很好地定位 不同尺度不同类型的缺陷，有着良好的检测效果 与缺陷定位效果。
-
一种基于多尺度标准化流的笔记本外观缺陷检测方法
赵云波,
张杰,
李泽瑞,
康宇,
and 吕文君
Conference Articles
-
Defect Detection of Laptop Appearance Based on Improved Multi-Scale Normalizing Flows
Jie Zhang,
Zerui Li,
and Yunbo Zhao
In 2023 38th Youth Acad. Annu. Conf. Chin. Assoc. Autom. YAC
2023
[Abs]
[doi]
[pdf]
In the laptop production process, timely detection of appearance defects is essential to ensure product quality. At present, there are many shortcomings in the manual visual inspection-based method on the laptops production line. In addition, due to the wide variety of laptop appearance defects and extreme differences in defect scales, existing defect detection algorithms perform poorly in the field of laptop appearance inspection. In response to the above problems, this paper proposes a defect detection algorithm based on improved multi-scale normalizing flows. First, the multi-level features extracted from the backbone network are fused by using the pyramid feature fusion module to obtain multi-scale features with rich semantic and spatial information. Then, the effective density estimation of the multi-scale features is achieved by fusing the normalizing flows of attention mechanisms. Finally, the defects are detected and localized based on the output likelihood values. The experimental results demonstrate the effectiveness of the proposed method in detecting and locating appearance defects.
学位论文
Theses
-
缺陷样本匮乏场景下的笔记本电脑表面缺陷检测方法研究
张杰
安徽大学, 合肥
2024
[Abs]
[pdf]
工业产品的表面缺陷检测是保证产品质量的一项重要步骤，在生产线上及时检测 并排除有缺陷的产品，可以确保制造出的产品符合质量标准和客户的期望，同时帮助企 业及时分析潜在的生产风险，提升产线的稳定性与生产效率。 在现有的笔记本电脑生产线上，仍然使用效率低、主观性强、成本高的人工目检方 式进行笔记本电脑的表面缺陷检测。随着计算机视觉、深度学习等人工智能技术的发 展，在缺陷样本数据充足的条件下，基于深度学习的缺陷检测算法能够有效地识别不同 类型的表面缺陷，具备较好的自适应性和准确性。然而，受限于笔记本电脑生产过程中 严格把控产品质量，产生缺陷的概率很小，导致难以收集相对充足的缺陷样本用于训练 深度学习算法。此外，基于有监督的深度学习检测算法往往难以检测训练集之外的未见 缺陷类型。为此，本文针对缺陷样本匮乏场景下的笔记本电脑表面缺陷检测问题，从无 监督学习、半监督学习的角度出发展开一系列研究，同时，通过合适的硬件选型构建图 像采集单元，并结合软件开发技术完成笔记本电脑外观缺陷检测系统的搭建。本文的主 要研究内容与工作如下：(1) 针对缺陷样本匮乏场景中难以获得足够的缺陷样本数据用于训练有监督缺陷检测 算法的问题，借助于无监督学习的思想，提出了一种基于多尺度标准化流的笔记 本电脑表面缺陷检测方法，在训练过程中仅利用正常样本。首先，通过多尺度特 征提取网络获取正常样本图像的多尺度特征，提高检测方法的尺度不变性。其次， 通过多尺度标准化流网络学习正常样本的特征分布，由于正常样本与缺陷样本之 间存在着明显的特征分布差异，通过在训练过程中对正常样本特征分布的拟合， 进而实现正常样本分布外的缺陷检测。 (2) 针对实际工业场景中，在获取充足的正常样本的同时，可以收集少量的缺陷样本 用于算法训练，借助于半监督、自监督学习的思想，提出了一种基于缺陷模拟的 记忆化笔记本电脑表面缺陷检测方法。在训练阶段，通过事先设计好的缺陷模拟 策略，在输入的正常样本的随机位置生成随机尺度大小的纹理缺陷，得到缺陷尺 度各异的模拟缺陷样本。然后，将生成的缺陷样本分别与正常样本特征记忆池和 缺陷样本特征记忆池进行最近匹配，利用与已知缺陷样本的共性和正常样本的差 异性辅助模型学习，最后通过解码器网络检测模拟缺陷样本的缺陷区域。在测试阶段，所提方法以端到端的方式对输入样本图像进行缺陷检测。 (3) 针对笔记本电脑生产过程中的表面缺陷检测流程，开发了一款笔记本电脑表面缺 陷检测系统。首先，基于工业相机、镜头、光源搭建实时图像采集单元。然后，基 于 PyQt5 配合图像采集单元进行软件开发。最后，通过集成训练好的缺陷检测算 法，该系统可以实时地对笔记本电脑进行表面缺陷检测，通过时耗分析，证明了 该系统的有效性与可应用性。
毕业去向
四川农商联合银行， 软件开发工程师