CN104766097A - 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 - Google Patents
基于bp神经网络和支持向量机的铝板表面缺陷分类方法 Download PDFInfo
- Publication number
- CN104766097A CN104766097A CN201510202749.9A CN201510202749A CN104766097A CN 104766097 A CN104766097 A CN 104766097A CN 201510202749 A CN201510202749 A CN 201510202749A CN 104766097 A CN104766097 A CN 104766097A
- Authority
- CN
- China
- Prior art keywords
- neural network
- support vector
- defect
- aluminum plate
- vector machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 102
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 42
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 39
- 238000013145 classification model Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 235000012364 Peperomia pellucida Nutrition 0.000 claims description 5
- 240000007711 Peperomia pellucida Species 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000004064 recycling Methods 0.000 claims description 2
- 229910052751 metal Inorganic materials 0.000 abstract description 4
- 239000002184 metal Substances 0.000 abstract description 4
- 238000005097 cold rolling Methods 0.000 abstract 2
- 238000003062 neural network model Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 239000004411 aluminium Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了基于BP神经网络和支持向量机的铝板表面缺陷分类方法,提取铝板表面缺陷的特征值作为BP神经网络分类模型的输入量,油斑和第一类缺陷作为输出量构建BP神经网络分类模型;第一类缺陷采用一对一的分类方法,构建多个支持向量机分类模型;获取学习样本并训练BP神经网络分类模型与支持向量机分类模型;利用BP神经网络分类模型进行油斑和第一类缺陷的分类,把BP神经网络分类模型认为是油斑的测试样本剔除,用支持向量机分类模型对剩下的第一类缺陷再进行分类;最后统计得到分类结果。该方法不仅提高了冷轧铝板表面油斑的识别分类率,同时也提高了冷轧铝板表面缺陷的整体识别率,也可用于其他金属表面缺陷的识别分类,且简单,易于实现。
Description
技术领域
本发明涉及模式识别技术领域,尤其涉及一种基于BP神经网络和支持向量机的铝板表面缺陷分类方法。适用于金属表面缺陷检测系统对含有油斑等多类金属表面缺陷进行识别分类。
背景技术
冷轧铝板表面缺陷检测分类经历了人工目测分类、传统无损检测分类和基于机器视觉的检测分类3个发展阶段,人工目视检测分类表面缺陷的方法效率低、容易漏检、劳动强度大、实时性差。传统无损检测分类方法包括涡流检测分类、红外检测分类、漏磁检测分类、激光检测分类等,这些方法检出的缺陷种类少,并且检测分类的实时性不强,无法有效评估产品的表面质量状况。目前,基于机器视觉的表面质量检测分类方法是研究的热点,该方法采用CCD摄相机采集铝板表面图像,然后通过图像处理和分析提取缺陷图像特征。进行缺陷的自动分类。冷轧铝板表面缺陷的分类实质是模式识别,传统的模式识别或人工神经网络方法适合少类别分类,对多类别分类总体识别精度不高,算法耗时多,泛化能力差且需要较多的训练样本。支持向量机适合多类别分类,整体分辨率较高,但是对于个别类缺陷识别率不是很高,尤其是油斑。因此提高油斑缺陷识别分类率和整体识别分类率成为亟待解决的问题。
提高油斑缺陷识别分类率和整体识别分类率可以在硬件上进行改进,使铝板表面缺陷检测系统采用超高性能的CCD相机,并且通过改变硬件设施解决铝板表面高反光性对缺陷正确检测的影响。这种方案在一定程度上可以提高冷轧铝板表面单个缺陷识别分类率和整体识别分类率,却增加了硬件的复杂性,提高了成本,不利于在需求铝板表面缺陷检测系统的中小型冷轧铝板生产企业进行推广使用。
发明内容
本发明的目的就是为了解决上述问题,提供了一种基于BP神经网络和支持向量机的铝板表面缺陷分类方法,该方法不仅提高了冷轧铝板表面油斑的识别分类率,同时也提高了冷轧铝板表面缺陷的整体识别率,也可用于其他金属表面缺陷的识别分类,且简单,易于实现。
为了实现上述目的,本发明采用如下技术方案:
基于BP神经网络和支持向量机的铝板表面缺陷分类方法,利用神经网络的非线性映射功能,选择多输入双输出的前向神经网络,从冷轧铝板表面缺陷上提取的缺陷特征值作为学习样本数据,应用误差反向传播学习算法对网络进行训练,得到最优的BP神经网络分类模型,实现对油斑的高识别分类。
把BP神经网络分类模型认为不是油斑的第一类缺陷交由支持向量机进行再分类,支持向量机采用一对一的分类方法构建多个二分类支持向量机模型进行分类,每个支持向量机用所分的二分类所对应提取的缺陷特征值进行训练,训练完成后支持向量机分类模型则对BP神经网络认为不是油斑类的第一类缺陷进行分类;综合BP神经网络和支持向量机分类的结果输出,得到油斑及第一类缺陷的分类。
基于BP神经网络和支持向量机的铝板表面缺陷分类方法,提取铝板表面缺陷的特征值作为BP神经网络分类模型的输入量,油斑和非油斑的第一类缺陷作为输出量构建BP神经网络分类模型;
第一类缺陷采用一对一的分类方法,构建多个支持向量机分类模型;
获取学习样本并训练BP神经网络分类模型与支持向量机分类模型;
利用训练后的BP神经网络分类模型分出油斑和非油斑的第一类缺陷,把训练后的BP神经网络分类模型认为是油斑的测试样本剔除,只剩下第一类缺陷的测试样本;
用训练后的支持向量机分类模型对剩下的第一类缺陷再进行分类;最后统计得到分类结果;
利用BP神经网络分出油斑,再利用支持向量机对第一类缺陷进行细分,两类分类方法的融合实现了精准快速的分类。
所述第一类缺陷包括气泡、破皮、暗痕、亮痕、孔洞及黑线。
采用自适应阈值法对缺陷图进行分割,从几何特征、形状特征及灰度特征三类特征中提取得铝板表面缺陷的多个特征值,将每一个特征值归一化在[-1,1]之间,把归一化的特征值作为学习样本的数据。
获取学习样本的方法为:对铝板表面缺陷检测系统采集的缺陷图进行缺陷特征值数据的提取,得到学习样本数据。
得到学习样本后,采用BP算法训练BP神经网络分类模型并得到最优的BP神经网络分类模型参数。
最后的统计得到的分类类别包括油斑、气泡、破皮、暗痕、亮痕、孔洞及黑线。
BP神经网络分类模型的结构为三层,包括输入层、隐含层和输出层,输入层节点数与提取的缺陷特征值维数相同,输出层节点数为2,隐含层节点数为6~15。
所述的支持向量机分类模型采用带惩罚因子C的支持向量机类型,高斯径向基函数作为核函数,构建多个子分类模型。采用网格搜索法来确定支持向量机分类模型的最优参数。
所述支持向量机分类模型学习的样本包括气泡、破皮、暗痕、亮痕、孔洞及黑线。
本发明的有益效果:
(1)BP神经网络模型与支持向量机模型的相融合的方法充分结合了BP神经网络可以实现复杂的输入与输出间的非线性映射关系,能逼近任意非线性函数,分类速度快与支持向量机可以自动寻找那些对分类有较好区分能力的支持向量,构造出的分类器可以最大化类与类的间隔,有较好的推广性能和较好的分类准确率的优点。因此,采用此方法能提高冷轧铝板表面油斑以及其他类型缺陷的分类精度。
(2)本发明通过有机的结合,巧妙地综合了BP神经网络和支持向量机的优点。本发明除充分利用了BP神经网络分类器在油斑分类效果上表现尤其好的特点以及支持向量机对除油斑外其他类缺陷有较高分类准确率和较好的推广性能的特点外,还具有实现简单有效的特点。
(3)本发明的方法实现简单,成本低廉。通过BP神经网络对油斑缺陷样本进行学习,训练出的BP神经网络分类模型可以实现对油斑的高识别分类率。通过支持向量机对除油斑外的气泡、破皮、暗痕、亮痕、孔洞、黑线等类别样本的学习训练,可以实现高的整体识别分类率。单一的神经网络模型和支持向量机只能解决单一的问题,不能同时提高油斑缺陷识别分类率和整体识别分类率。本发明充分结合了两者的优点,并且以油斑和第一类缺陷为两大类缺陷,提高了分类的效率,又利用支持向量机对第一类缺陷进行细分,提高了分辨识别的准确度,得到了一加一不等于二的效果。
附图说明
图1为本发明流程示意图。
图2为本发明实施例流程示意图。
具体实施方式
如图1-2所示,以一个含油斑在内的七类冷轧铝板表面缺陷分类实施例说明本方法的具体实施方法,主要包括以下六个步骤:
(1)建立BP神经网络模型和支持向量机模型
为了实现油斑的高正确率分类,把除油斑外的其余的缺陷看做一类缺陷,为第一类缺陷。
取油斑的特征值和第一类缺陷的特征值作为输入量,油斑和第一类缺陷作为输出量来构建BP神经网络模型,因此选择三层(即输入层、隐含层、输出层)结构的BP神经网络。从灰度特征、几何特征及形状特征三大类特征中提取了缺陷的24个特征值作为输入量,输入层节点数定为24,输出层节点数为2,隐含层节点数为14。
建立支持向量机模型是为了把BP神经网络模型认为不是油斑的第一类缺陷进行细分类,即分为气泡、破皮、暗痕、亮痕、孔洞、黑线,对这些缺陷采用一对一的方法进行分类,需要构建15个支持向量机分类模型,图2中的n即为15,并且采用径向基核函数作为支持向量机的核函数。
(2)获取学习样本
用分类模型解决实际问题的首要工作是收集学习样本数据。为了使学习后的分类模型具有良好的性能,所收集的样本数据应该反映要解决问题的全部模式。利用冷轧铝板表面缺陷检测系统,获取大量铝板表面缺陷图,由于铝板反光性比较强,造成获取的缺陷图亮度不均匀,为了对缺陷进行准确的分割,本发明采用自适应阈值法对缺陷进行分割,从几何特征、形状特征、灰度特征及纹理特征等几大类型中选取了24个特征值进行提取,在进行提取后,提取出来的特征值范围变化很大,有的特征值达到负的几十次方数量级,有的达到正的几次方数量级,为了避免一组特征值中极大值和极小值对分类模型的影响,将每一个特征值归一化在[-1,1]之间,把归一化的特征值作为学习样本的数据。
(3)训练BP神经网络与支持向量机模型
只有训练后的分类模型才能实现其功能,本发明把步骤(2)得到的学习样本数据,采用BP算法训练由步骤(1)得到的神经网络,得到其模型参数。神经网络的训练过程是通过不断调整输入层与隐含层的权系数,隐含层与输出层的权系数使神经网络的输出与期望值的误差很小直到满足应用要求。支持向量机在最开始提出的时候,主要是进行二分的分类模型,本发明中采用一对一的方法进行多分类,对于支持向量机要分除油斑外的另外6类的缺陷,要训练15个二分类模型进行分类。
本发明选择带惩罚因子C的支持向量机类型和高斯径向基函数作为核函数,因此需要确定两个参数:惩罚因子C和参数γ,对此采用libsvm包中的网格搜索法进行确定参数,网格搜索法就是将参数C和γ分别设定一个范围,然后对两个参数取不同的值进行交叉验证,求出识别率最高的一个组合作为最优参数。最终我们训练出最优的支持向量机模型。
(4)BP神经网络分类模型进行油斑和其它缺陷分类
用训练好的BP神经网络模型对待分类的缺陷进行分类,把BP神经网络认为是油斑的缺陷输出分类结果,认为不是油斑的第一类缺陷交由支持向量机分类模型进行分类。采用OpenCV进行编程,实现把BP神经网络模型认为是油斑的缺陷样本进行删除,允许BP神经网络模型认为不是油斑的样本进入支持向量机模型进行分类。
(5)支持向量机进行第一类缺陷的再分类
对BP神经网络分类模型认为不是油斑的缺陷细分为气泡、破皮、暗痕、亮痕、孔洞、黑线,并输出分类结果。
(6)统计并综合分类结果
对BP神经网络分类模型和支持向量机模型输出结果进行综合统计,得出分类结果。
BP神经网络模型与支持向量机模型的结合一个重点在于如何避免BP神经网络分类模型认为是油斑的缺陷样本进入支持向量机分类模型进行再分类。本发明采用OpenCV进行编程,实现把BP神经网络模型认为是油斑的缺陷样本进行“删除”。把BP神经网络模型认为是油斑的缺陷样本图片存入文件夹1内,BP神经网络模型认为不是油斑的缺陷图存入文件夹2内,从文件夹2内读取缺陷样本输送给支持向量机分类模型,从而实现了允许BP神经网络模型认为不是油斑的样本进入支持向量机模型进行分类。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于BP神经网络和支持向量机的铝板表面缺陷分类方法,其特征是,
提取铝板表面缺陷的特征值作为BP神经网络分类模型的输入量,油斑和非油斑的第一类缺陷作为输出量构建BP神经网络分类模型;
第一类缺陷采用一对一的分类方法,构建多个支持向量机分类模型;
获取学习样本并训练BP神经网络分类模型与支持向量机分类模型;
利用训练后的BP神经网络分类模型分出油斑和非油斑的第一类缺陷,把训练后的BP神经网络分类模型认为是油斑的测试样本剔除,只剩下第一类缺陷的测试样本;
用训练后的支持向量机分类模型对剩下的第一类缺陷再进行分类;最后统计得到分类结果;
利用BP神经网络分出油斑,再利用支持向量机对第一类缺陷进行细分,两类分类方法的融合实现了精准快速的分类。
2.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法,其特征是,所述第一类缺陷包括气泡、破皮、暗痕、亮痕、孔洞及黑线。
3.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法,其特征是,获取学习样本的方法为:对铝板表面缺陷检测系统采集的缺陷图进行缺陷特征值数据的提取,得到学习样本数据。
4.如权利要求3所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法,其特征是,采用自适应阈值法对缺陷图进行分割,从几何特征、形状特征及灰度特征三类特征中提取得铝板表面缺陷的多个特征值,将每一个特征值归一化在[-1,1]之间,把归一化的特征值作为学习样本的数据。
5.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法,其特征是,得到学习样本后,采用BP算法训练BP神经网络分类模型并得到最优的BP神经网络分类模型参数。
6.如权利要求2所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法,其特征是,最后的统计得到的分类类别包括油斑、气泡、破皮、暗痕、亮痕、孔洞及黑线。
7.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法,其特征是,BP神经网络分类模型的结构为三层,包括输入层、隐含层和输出层,输入层节点数与提取的缺陷特征值维数相同,输出层节点数为2,隐含层节点数为6~15。
8.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法,其特征是,所述的支持向量机分类模型采用带惩罚因子C的支持向量机类型,高斯径向基函数作为核函数,构建多个子分类模型。
9.如权利要求8所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法,其特征是,采用网格搜索法来确定支持向量机分类模型的最优参数。
10.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法,其特征是,所述支持向量机分类模型学习的样本包括气泡、破皮、暗痕、亮痕、孔洞及黑线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510202749.9A CN104766097B (zh) | 2015-04-24 | 2015-04-24 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510202749.9A CN104766097B (zh) | 2015-04-24 | 2015-04-24 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104766097A true CN104766097A (zh) | 2015-07-08 |
CN104766097B CN104766097B (zh) | 2018-01-05 |
Family
ID=53647911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510202749.9A Expired - Fee Related CN104766097B (zh) | 2015-04-24 | 2015-04-24 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766097B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525967A (zh) * | 2016-10-14 | 2017-03-22 | 陕西师范大学 | 基于支持向量机的多特征融合超声金属防伪识别方法 |
CN106845524A (zh) * | 2016-12-28 | 2017-06-13 | 田欣利 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
CN107154037A (zh) * | 2017-04-20 | 2017-09-12 | 西安交通大学 | 基于深度层次特征提取的风机叶片故障识别方法 |
CN107844338A (zh) * | 2017-10-31 | 2018-03-27 | 广东欧珀移动通信有限公司 | 应用程序管控方法、装置、介质及电子设备 |
CN108108745A (zh) * | 2016-11-23 | 2018-06-01 | 财团法人工业技术研究院 | 分类方法、分类模块及计算机程序产品 |
CN108242053A (zh) * | 2017-12-29 | 2018-07-03 | 武汉钢铁有限公司 | 一种基于vai表面检测系统的缺陷图片分类收集方法 |
CN108876761A (zh) * | 2017-05-11 | 2018-11-23 | 欧姆龙株式会社 | 图像处理装置、电脑可读取记录媒体、图像处理系统 |
CN108985337A (zh) * | 2018-06-20 | 2018-12-11 | 中科院广州电子技术有限公司 | 一种基于图像深度学习的产品表面划痕检测方法 |
CN111079832A (zh) * | 2019-12-13 | 2020-04-28 | 辽宁科技大学 | 具有抗特征噪声性能的钢板表面缺陷分类方法 |
CN112488983A (zh) * | 2019-09-11 | 2021-03-12 | 中信戴卡股份有限公司 | 缺陷识别网络的获得方法、缺陷识别方法和等级确定方法 |
CN112541889A (zh) * | 2020-12-02 | 2021-03-23 | 杭州安脉盛智能技术有限公司 | 一种多层级模型的复杂纹理对象表面缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1581140A (zh) * | 2003-08-15 | 2005-02-16 | 英业达股份有限公司 | 网络多媒体实时互动教学的系统及其方法 |
CN101114316A (zh) * | 2006-07-26 | 2008-01-30 | 珠海市西山居软件有限公司 | 一种可点歌的网络游戏系统及网络游戏中点歌的方法 |
CN104331707A (zh) * | 2014-11-02 | 2015-02-04 | 西安电子科技大学 | 基于深度pca网络和svm的极化sar图像分类方法 |
-
2015
- 2015-04-24 CN CN201510202749.9A patent/CN104766097B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1581140A (zh) * | 2003-08-15 | 2005-02-16 | 英业达股份有限公司 | 网络多媒体实时互动教学的系统及其方法 |
CN101114316A (zh) * | 2006-07-26 | 2008-01-30 | 珠海市西山居软件有限公司 | 一种可点歌的网络游戏系统及网络游戏中点歌的方法 |
CN104331707A (zh) * | 2014-11-02 | 2015-02-04 | 西安电子科技大学 | 基于深度pca网络和svm的极化sar图像分类方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525967A (zh) * | 2016-10-14 | 2017-03-22 | 陕西师范大学 | 基于支持向量机的多特征融合超声金属防伪识别方法 |
CN108108745A (zh) * | 2016-11-23 | 2018-06-01 | 财团法人工业技术研究院 | 分类方法、分类模块及计算机程序产品 |
CN106845524A (zh) * | 2016-12-28 | 2017-06-13 | 田欣利 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
CN106845524B (zh) * | 2016-12-28 | 2020-01-03 | 田欣利 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
CN107154037A (zh) * | 2017-04-20 | 2017-09-12 | 西安交通大学 | 基于深度层次特征提取的风机叶片故障识别方法 |
CN108876761B (zh) * | 2017-05-11 | 2022-05-27 | 欧姆龙株式会社 | 图像处理装置、电脑可读取记录媒体、图像处理系统 |
CN108876761A (zh) * | 2017-05-11 | 2018-11-23 | 欧姆龙株式会社 | 图像处理装置、电脑可读取记录媒体、图像处理系统 |
WO2019085750A1 (zh) * | 2017-10-31 | 2019-05-09 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、介质及电子设备 |
CN107844338B (zh) * | 2017-10-31 | 2019-09-13 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、介质及电子设备 |
CN107844338A (zh) * | 2017-10-31 | 2018-03-27 | 广东欧珀移动通信有限公司 | 应用程序管控方法、装置、介质及电子设备 |
CN108242053A (zh) * | 2017-12-29 | 2018-07-03 | 武汉钢铁有限公司 | 一种基于vai表面检测系统的缺陷图片分类收集方法 |
CN108242053B (zh) * | 2017-12-29 | 2020-12-01 | 武汉钢铁有限公司 | 一种基于vai表面检测系统的缺陷图片分类收集方法 |
CN108985337A (zh) * | 2018-06-20 | 2018-12-11 | 中科院广州电子技术有限公司 | 一种基于图像深度学习的产品表面划痕检测方法 |
CN112488983A (zh) * | 2019-09-11 | 2021-03-12 | 中信戴卡股份有限公司 | 缺陷识别网络的获得方法、缺陷识别方法和等级确定方法 |
CN111079832A (zh) * | 2019-12-13 | 2020-04-28 | 辽宁科技大学 | 具有抗特征噪声性能的钢板表面缺陷分类方法 |
CN111079832B (zh) * | 2019-12-13 | 2023-04-18 | 辽宁科技大学 | 具有抗特征噪声性能的钢板表面缺陷分类方法 |
CN112541889A (zh) * | 2020-12-02 | 2021-03-23 | 杭州安脉盛智能技术有限公司 | 一种多层级模型的复杂纹理对象表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104766097B (zh) | 2018-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766097A (zh) | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN109447977B (zh) | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 | |
CN105303193B (zh) | 一种基于单帧图像处理的人数统计系统 | |
JP5376024B1 (ja) | 画像処理装置、プログラム及び画像処理システム | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN111368690B (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN114240878A (zh) | 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法 | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN101221623B (zh) | 一种物体类型的在线训练和识别方法及其系统 | |
CN110852288B (zh) | 一种基于两阶段卷积神经网络的细胞图像分类方法 | |
CN104463196A (zh) | 一种基于视频的天气现象识别方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN101876987A (zh) | 一种面向类间交叠的两类文本分类方法 | |
CN108765402A (zh) | 无纺布缺陷检测与分类方法 | |
Yusof et al. | Automated asphalt pavement crack detection and classification using deep convolution neural network | |
CN103745454A (zh) | 一种基于排序学习的图像处理算法或系统的评价方法 | |
CN112258459A (zh) | 一种基于集成深度学习的锂电池瑕疵检测方法 | |
CN101655909A (zh) | 匹配程度计算装置及方法 | |
CN115546211B (zh) | 一种焊点缺陷分类方法、终端及计算机存储介质 | |
CN113158969A (zh) | 一种苹果外观缺陷识别系统及方法 | |
CN109523514A (zh) | 对逆合成孔径雷达isar的批量成像质量评估方法 | |
CN115131747A (zh) | 基于知识蒸馏的输电通道工程车辆目标检测方法及系统 | |
CN109347719A (zh) | 一种基于机器学习的图像垃圾邮件过滤方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201214 Address after: Floor 16, block a, xinquancheng building, Huaiyin District, Jinan City, Shandong Province Patentee after: SHANDONG YIZE TIANTAI MEDICAL TECHNOLOGY Co.,Ltd. Address before: 250353 Science Park, West New Town University, Changqing District, Shandong, Ji'nan Patentee before: Qilu University of Technology |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180105 |