.png){kind=icon}
返回
Deep Learning for Defect Detection in Answer Document Image
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-09368-4_14.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
文档图像中的缺陷（如污渍和划痕）会降低图像质量并严重影响文本和标记识别的准确性。现有缺陷检测方法由于抑制复杂背景干扰能力较弱，导致检测精度较低。本文提出一种基于深度学习的新方法，通过深度挖掘视觉特征进行缺陷检测。首先，采用定向边界框（OBB）最小化不规则形状异常物体的包围矩形。其次，设计了一种结合空间到深度卷积（SPDConv）的新卷积模块，以提高复杂背景下物体的特征提取能力。此外，采用多尺度上下文聚合（MSCA）注意力机制，有效捕捉多尺度信息并建立远距离像素间的依赖关系。为检测长线缺陷物体，引入P6检测头以扩大感受野范围。最后，将所提方法集成到YOLOv8中验证缺陷检测性能。实验结果表明，所提方法能有效检测文档图像中的四类缺陷，并在我们的数据集上达到92.1%的mAP(50)（数据集可从https://github.com/micangdao/defectanswersheetimage获取）。
Keyword:
answer document image
defect detection
space-to-depth convolution
multiscale context aggregation
oriented bounding box
visual features
期刊
D
IF:
0
论文数:
22
被引数:
0
机构
引用论文
R3Det: Refined Single-Stage Detector with Feature Refinement for Rotating ObjectR3Det: 具有旋转物体特征细化的细化单级检测器
OAAI
OAAI分享收藏分享收藏An Improved YOLOv8 OBB Model for Ship Detection through Stable Diffusion Data Augmentation通过稳定扩散数据增强改进的YOLOv8 OBB船舶检测模型.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏SegHist: A General Segmentation-Based Framework for Chinese Historical Document Text Line Detection
PREAI
分享收藏
查看更多内容