基于深度学习的压缩感知重构及其应用现状与展望*

经典的奈奎斯特采样定理要求采样频率大于两倍信号最大频率,才能重构出原始信号,但是当信号具有稀疏性时,压缩感知方法可突破奈奎斯特采样定理的限制,大大降低采样频率,显著提高数据采集和分析的效率。近年来,压缩感知作为一种全新的稀疏信号处理框架,已广泛使用于图像重建、稀疏信号重构等领域。随着深度学习技术的快速发展,将各种深度神经网络用于压缩感知领域中,既能提高重构的精度,又能减少重构的时间。通过对公开文献进行广泛调研,介绍了压缩感知重构的基本概念,梳理了常用的压缩感知算法,归纳了深度压缩感知的主要应用领域。最后探讨了当前仍面临的问题及未来的发展趋势。     

基于正样本的产品表面缺陷视觉检测方法

表面缺陷视觉检测是产品质检重要环节之一，而实际工业应用中，往往存在表面缺陷样本少、需要大量标注样本等问题。为此，将注意力机制引入Resnet50网络，提出一种基于正样本的产品表面缺陷视觉检测方法。首先，利用预训练网络Resnet50_CBAM学习到包含来自不同语义层和分辨率信息的嵌入向量，并利用多元高斯参数表示图片正常特征；其次，将缺陷图像输入到预训练网络Resnet50_CBAM，获得相应的嵌入向量和多元高斯参数；最后，采用马氏距离计算整张缺陷图像所有像素点的缺陷分数图，实现基于像素级的缺陷区域定位。实验数据集验证结果表明，与已有方法相比，所提方法需要的正常样本更少且检测精度更高，从而可以有效解决少样本的产品缺陷视觉检测难题。