CN105044122A - 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 - Google Patents

一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 Download PDF

Info

Publication number
CN105044122A
CN105044122A CN201510532590.7A CN201510532590A CN105044122A CN 105044122 A CN105044122 A CN 105044122A CN 201510532590 A CN201510532590 A CN 201510532590A CN 105044122 A CN105044122 A CN 105044122A
Authority
CN
China
Prior art keywords
copper piece
semi
learning model
supervised learning
camera
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
Application number
CN201510532590.7A
Other languages
English (en)
Other versions
CN105044122B (zh
Inventor
吴浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN201510532590.7A priority Critical patent/CN105044122B/zh
Publication of CN105044122A publication Critical patent/CN105044122A/zh
Application granted granted Critical
Publication of CN105044122B publication Critical patent/CN105044122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开了一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法,属于铜件表面缺陷视觉检测技术领域。本发明针对常见的铜件表面缺陷,使用传送带和导轨将铜件移动到四个相应的检测工位,采用图像采集系统拍照取图来依次检测铜件的上下表面及两侧面是否有缺陷存在,并根据判定的结果对铜件进行分类,该系统还配备有一个相机来实时远程监控视觉检测系统的运行情况。上述的系统配置后的参数调整、数据的存储与统计、系统的实时远程监控及维护等操作采用在云端进行。本发明能实现自动连续地对铜件的表面缺陷进行检测,取代人工目视检测方法,提高了检测的效率与准确率。

Description

一种基于半监督学习模型的铜件表面缺陷视觉检测系统及 检测方法
技术领域
[0001] 本发明涉及铜件表面缺陷视觉检测技术领域,更具体地说,涉及一种基于半监督 学习模型的铜件表面缺陷视觉检测系统及检测方法。
背景技术
[0002] 电机精密铜件作为高铁、地铁等牵引电机的关键部件,对于其表面质量有着严格 要求。目前工厂对铜件的表面缺陷(夹杂,裂纹,气孔等)的检测主要采用着色探伤及人工 目检的方式,着色探伤所用到的着色剂对工人及环境都会有影响,而人工目视检测效率低 且误判率高,加之近年来劳动力成本上升的缘故,因此,采用机器视觉自动化检测系统来取 代传统检测方法是非常必要的。
[0003] 经检索,关于铜件表面缺陷的检测已有相关方案公开。如中国专利申请号 201120159962. 3,申请日为2011年5月19日,发明创造名称为:一种基于机器视觉的铜件 外观缺陷在线检测仪;该申请案包括控制单元,送料机构位于传送机构上方且送料机构中 送料导轨出口直对传送机构中的输送带,侧视检工位I、侧视检工位II、上视检工位III及分 拣机构自左至右依次间距设在传送机构的工作台上。该申请案能用机器代替人眼进行铜件 外观缺陷的自动化检测,提高了检测质量和效率。但该申请案结构复杂、制造成本高,仍需 进一步改进。
[0004] 又如中国专利申请号201410472732. 0,申请日为2014年9月16日,发明创造名称 为:一种铜件表面缺陷检测的机器视觉系统;该申请案包括皮带传送机构,用于将待检测 的铜件传送到指定位置;传感器,用于当所述铜件到达传感器固定位时,控制皮带传送机构 停止运动,并同时触发图像采集系统的工作;图像采集系统,其包括用于对铜件进行照射的 同轴光光源以及对铜件进行拍照的相机组件;所述机器视觉系统进行铜件表面缺陷检测的 方法是:步骤1、确定好图像采集系统各部分的工作参数;步骤2、铜件通过皮带传送机构, 传送到传感器固定位;步骤3、判断铜件的表面是否有裂纹缺陷;步骤4、判断铜件的表面是 否有夹杂、气孔或凹坑缺陷;步骤5、取图完毕后,完成分拣。该申请案提高了铜件的检测效 率,但该申请案对采集图像的处理效果欠佳,这直接影响到了对铜件表面缺陷检测的准确 性,因此整个方案仍需进一步改进。
发明内容
[0005] 1.发明要解决的技术问题
[0006] 本发明针对现有技术中,采用人工目检方式对铜件的检测效率低下且易造成后续 污染的问题,提出了一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法; 本发明主要对待检测的铜件先在本地处理器进行图像采集,图像处理,及缺陷判定;并且通 过云端进行实时监控,数据存储及系统维护,能够实现铜件表面夹杂、裂纹以及凹坑等缺陷 的自动化连续检测。
[0007] 2.技术方案
[0008] 为达到上述目的,本发明提供的技术方案为:
[0009] 本发明的一种基于半监督学习模型的铜件表面缺陷视觉检测系统,包括传送带、 导轨、上视检工位相机、第一侧视检相机、下视检工位相机、第二侧视检相机和光源,沿待检 铜件的运动方向设置有多于一段的传送带,所述的导轨设置于传送带上及两传送带之间; 上视检工位相机设置于传送带正上方,下视检工位相机设置于两传送带间隙处正下方,所 述的第一侧视检相机和第二侧视检相机则分别设置于传送带水平方向的两侧;所述的光源 为相机拍照提供光照。
[0010] 更进一步地,该视觉检测系统还包括一监控相机和云端服务器,所述的监控相机 实时远程监控视觉检测系统的运行情况;所述的云端服务器对视觉检测系统进行远程的实 时监控、维护及参数调整。
[0011] 更进一步地,所述的上视检工位相机、第一侧视检相机、下视检工位相机和第二侧 视检相机均配备有光源,该光源采用同轴光源。
[0012] 本发明的一种基于半监督学习模型的铜件表面缺陷视觉检测方法,其步骤为:
[0013] 步骤一、待检铜件在传送带的作用下到达检测工位,上视检工位相机在光源作用 下拍照,获取铜件上表面图片;
[0014] 步骤二、对步骤一采集图片进行图像处理,检测铜件上表面缺陷;
[0015] 步骤三、重复步骤一和步骤二,依次检测铜件一侧面、铜件底面和铜件另一侧面的 缺陷;
[0016] 步骤四、根据缺陷检测结果,对待检铜件进行分类;
[0017] 步骤五、将采集图片和获得的缺陷信息存储于云端,并通过云端服务器对视觉检 测系统进行远程的实时监控、维护及参数调整。
[0018] 更进一步地,步骤二所述对采集图片进行图像处理的过程为:
[0019] 1)取得铜件图片后,采用Sobel算子提取图像中的兴趣域ROI ;
[0020] 2)对步骤一所得图像采用最佳阈值分割法进行动态阈值分割,获得二值化图像;
[0021] 3)对步骤二所得图像采用数学形态学和BLOB分析,进行特征提取和选择,获得铜 件图像上的灰度及形状特征;
[0022] 4)采用基于贝叶斯和最大期望算法相结合的半监督学习模型对铜件缺陷进行分 类。
[0023] 3.有益效果
[0024] 采用本发明提供的技术方案,与已有的公知技术相比,具有如下显著效果:
[0025] (1)本发明的一种基于半监督学习模型的铜件表面缺陷视觉检测系统,针对常见 的铜件表面缺陷,使用传送带和导轨将铜件移动到四个相应的检测工位,采用图像采集系 统拍照取图来依次检测铜件的上下表面及两侧面是否有缺陷存在,并根据判定的结果对铜 件进行分类,该检测系统能实现自动连续地对铜件的表面缺陷进行检测,取代人工目视检 测方法,提高了检测的效率与准确率;
[0026] (2)本发明的一种基于半监督学习模型的铜件表面缺陷视觉检测系统,将检测结 果信息及图片保存到云端,通过半监督学习模型平台实现远程监控及维护,能够方便的对 检测系统进行参数调整、数据的存储与统计等控制操作;
[0027] (3)本发明的一种基于半监督学习模型的铜件表面缺陷视觉检测方法,能够高效 处理采集的铜件表面图像,处理后的图像能够准确表征铜件表面缺陷,提高了对铜件表面 缺陷检测的准确性,且能够检测出铜件表面夹杂、裂纹、气孔和凹坑等缺陷,缺陷检测全面。
附图说明
[0028] 图1是本发明的视觉检测系统的结构示意图;
[0029] 图2是本发明的视觉检测系统的云端操作示意图;
[0030] 图3是本发明进行视觉检测的流程图;
[0031] 图4是本发明进行视觉检测的图像处理流程图;
[0032] 图5是本发明的视觉检测系统的图像采集结构示意图;
[0033] 图6是本发明的视觉检测系统的半监督分类算法流程图。
[0034] 不意图中的标号说明:
[0035] 1、传送带;2、检测工位;3、待检铜件;4、导轨;51、上视检工位相机;52、第一侧视 检相机;53、下视检工位相机;54、第二侧视检相机;6、光源。
具体实施方式
[0036] 为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
[0037] 实施例1
[0038] 参看图1、图2和图5,本实施例的一种基于半监督学习模型的铜件表面缺陷视觉 检测系统,包括传送带1、导轨4、上视检工位相机51、第一侧视检相机52、下视检工位相机 53、第二侧视检相机54和光源6。所述的传送带1沿待检铜件3的运动方向设置了多段, 每段传送带1由辊轮传动,相邻两传送带1的上表面平行,能够保证待检铜件3在传送带1 上平稳移动。所述的导轨4也设置有多段,多段导轨4或设置于传送带1上,或设置于两传 送带1之间。所述的上视检工位相机51设置于传送带1正上方,该上视检工位相机51主 要用于对待检铜件3的上表面进行拍照,上视检工位相机51的附近设置有光源6,该光源6 采用同轴光源,其主要用于为相机拍照提供光照。所述的第一侧视检相机52、下视检工位相 机53和第二侧视检相机54也配备有光源6,下视检工位相机53设置于两传送带1间隙处 正下方,该下视检工位相机53主要用于对待检铜件3的下表面进行拍照。所述的第一侧视 检相机52和第二侧视检相机54则分别设置于传送带1水平方向的两侧,用于对待检铜件 3的两侧面进行拍照。
[0039] 本实施例的视觉检测系统还配备了一个监控相机,通过该监控相机来实时远程监 控系统运行情况。而系统配置后的参数调整、数据的存储与统计、系统的实时远程监控及维 护等操作,则根据处理实时性的要求设置了云端服务器,可以采用在云端进行操作或者云 端与处理器实时处理相结合的方式操作。本实施例的视觉检测系统,能实现自动连续地对 铜件的表面缺陷进行检测,取代人工目视检测方法,提高了检测的效率与准确率。
[0040] 参看图3,运用本实施例的视觉检测系统对铜件的表面缺陷进行检测的过程为:
[0041] 步骤一、铜件移动到检测工位:
[0042] 待检铜件3在传送带1的作用下到达指定的上表面缺陷检测工位2,触发上视检工 位相机51在同轴光源6的作用下拍照,获取铜件图片。本实施例中,传送带将铜件移动到检 测工位是采用编码器控制或者传感器指定位置的办法来实现,其中传送带的速度要与相机 的成像精度匹配,保证铜件在传送带上运动的过程中也能拍到清晰的铜件图片。图片采集 过程则需要调节光源的亮度,相机工作距离,镜头的光圈,焦距,工作距离以及视场大小等, 保证所拍摄的铜件图片清晰,缺陷特征明显。
[0043] 步骤二、检测铜件的上表面缺陷:
[0044] 待检铜件3到达上表面缺陷检测工位,取得铜件图片后,就可以采用如图4所示的 图像处理算法(该图像处理算法将在下文具体描述),首先对所取得的铜件图片采集图像, 接着对图像进行动态阈值分割作二值化处理,对分割后的铜件图像经过特征提取与选择后 就可以提取该铜件图像上的灰度及形状特征,接着采用基于贝叶斯和最大期望算法相结合 的半监督学习模型对铜件缺陷进行分类。上述的图像处理步骤根据缺陷检测实时性的要求 都是在云端或者实时处理器结合云端的方式进行操作的。
[0045] 步骤三、检测铜件的两侧面及下表面缺陷;
[0046] 待检铜件3完成步骤二的上表面缺陷检测后,在传送带1的作用下移动到第一侧 视检相机52所处的检测工位对铜件侧面I进行缺陷检测,用第一侧视检相机52拍取铜件 图片后经图4所示的图像处理过程就可以判定铜件侧面I是否存在缺陷。
[0047] 待检铜件3在传送带1的作用下继续移动,接着对铜件的下表面进行检测,对铜件 下表面的检测工位选在两个传送带1的间隔位置,即如图1所示的下视检工位相机53所在 的位置,由于相邻两传送带1的上表面平行,所以能够保证铜件平稳的从一个传送带过渡 到另一个。通过下视检工位相机53拍取铜件图片后经图4所示的图像处理过程就可以判 定铜件下表面是否存在缺陷。
[0048] 当完成铜件下表面缺陷检测后,在传送带1的作用下继续移动到第二侧视检相机 54所处的检测工位,就可以对铜件侧面II进行缺陷检测。
[0049] 步骤四、铜件依次经过四个检测工位且对采集到的铜件图像进行处理后,就可以 判定铜件是否有缺陷存在,然后根据判定结果,按照合格还是缺陷来分类铜件。其中图像处 理的程序根据实时性及处理量的大小采用本地处理器实时处理方式。
[0050] 步骤五、将采集图片和获得的缺陷信息存储于云端,方便后续的统计分析及历史 数据查询。同时,通过云端服务器对视觉检测系统进行远程的实时监控、维护及参数调整等 操作。
[0051] 参看图4,本实施例对采集的铜件图片进行图像处理的具体过程如下:
[0052] 取得铜件图片后,通过寻找铜件的边界来提取感兴趣(region of interest, R0I) 的区域,铜件边缘提取使用Sobel算子,以便进行下一步的检测。
[0053] 图像的阈值分割主要是通过设定不同的特征阈值,把图像分割成两个部分,小于 阈值的为黑色,大于阈值取为白色。本实施例采用最佳阈值分割法,该方法是找到阈值使得 类别方差的加权总和最小。所述的类别是小于阈值的灰度和大于阈值的灰度形成的两个类 另IJ,而加权值是指各类别的概率。
[0054] 由于阈值分割会因为图像的噪声等干扰导致图像不完整,遗失一些待测铜件的特 征。本实施例应用数学形态学来填补遗失特征,使待检铜件特征更趋于完整。数学形态学 的应用基于两个集合,其中一个集合用来处理另一个集合,被称为结构元素。数学形态学两 种基础运算是腐蚀和膨胀,从腐蚀和膨胀中又可以衍生出断开和闭合两种运算,断开主要 用来消除影像中的杂质和平滑边缘,闭合运算主要将图像中的细小部分填满。本实施例针 对铜件表面的裂纹缺陷,采用先闭合后断开的运算。
[0055] 对进行数学形态学闭运算后的图像通过Blob算法进行分析,Blob分析主要采用 标记的方式将图像中邻近的像素识别为一个相同特性的区块并分析区块的特征,所包括的 特征有面积、重心、形状、方向、周长、椭圆长轴、椭圆短轴等几何特征。进行Blob分析之后 提取图像的灰度特征,包括灰度均值。
[0056] 接着对提取出来上述几何及灰度特征采用信息增益进行特征选择,去除特征之间 的冗余,具体如下:
[0057] 信息增益值越大,特征带来的信息越多,也就越重要。一个属性A相对样例集合S 的信息增益Gain (S,A)的计算如公式(1)所示,Values(A)是所有可能的特征A的值的集 合,Sv是S中属性A的值为V的子集,(也就是,Sv = {s e S|A(s) = V))。公式(1)右边 第一项是原始集合S的熵值,第二项是用特征A分类后的熵,Gain (S,A)是知道特征A的值 后导致的期望熵的减少量。
Figure CN105044122AD00071
[0059] 分别计算各个特征的信息增益值,由高到低排序,依次选择出最佳特征来组合成 为特征子集,然后输入分类器进行测试,直到分类器能获得预期设定的性能为止。
[0060] 采用基于信息增益的方法进行特征选择后,本实施例采用分类器进行测试的过程 如图6所示,具体如下:首先根据前述提取的特征作为半监督学习模型的输入,最大期望算 法(EM)则对包含有未标注的样本集结合进贝叶斯分类器进行训练,首先根据少量的已经 标注缺陷类型的焊点样本训练得到第一个贝叶斯分类器Θ,然后在E-step中利用所得的 贝叶斯分类器Θ的参数计算所有类关于未标注样本集的后验概率值,随后在M-step中对 包含了已标注和未标注的样本集以及训练的后验概率值训练新的中间分类器Θ。EM步骤 一直迭代,直到收敛。
[0061] 进行贝叶斯分类的原理如下:
[0062] 首先根据已经标注的铜条样本集合,贝叶斯分类首先假设训练样本数据在特征空 间上服从高斯正态分布,计算每个样本属于各类别的概率,将样本归属于概率最大的类别。 设焊点图像的特征向量为XT = [xl,x2. ..,xp],可分为K类,当各类总体为多元正态分布 的参数Ν( μ k,Σ k)时,特征向量X在第k类的概率密度分布为:
Figure CN105044122AD00072
[0064] 其中,μ#Σ k为第k类总体的均值向量和协方差,S1 SEk的逆。
[0065] 根据贝叶斯公式,在X出现的条件下,归属于k类的概率为:
Figure CN105044122AD00073
[0067] 其中,Pl(i = 1,2. ..,K)为第i类的先验概率。当P(k/X)越大,X来自第k类的 概率也就越大,当P (k/X)取最大的值时,X就属于此时的k类,Bayes判别式为:当P (k*/X) =max[P(k/X)],则 X e k*〇
[0068] 在前述的贝叶斯分类过程中,公式(2)中的均值和协方差往往不是先知道的,这 样就需要对概率密度的参数进行估计,前面已经假设样本服从多元正态分布,那么概率密 度就可以表示为:
Figure CN105044122AD00081
[0070] k为密度函数分支的个数,a 各个分支密度的比例,所有分支的总和为1,f 1是 第i个分支的密度;Θ i是该分支的未知参数,则整个混合密度的参数为:
[0071] Θ = (Q1,..., ak; Θ 0k)
[0072] 采用最大似然法求取混合密度的参数
Figure CN105044122AD00082
[0074] 由于样本集合包含有未标注的样本,所以不能直接求出参数,考虑采用EM算法进 行迭代计算求解的方式。
[0075] EM算法本质上是一个迭代算法,通过不断的迭代使得函数单调递增,最后收敛于 终值。具体如下:
[0076] 首先设定初始值θ°,
[0077] E-步:根据初始给定的参数,计算未标注样本在多大程度上属于某一类别,在 M-步中计算新的参数值。求得最终的参数值,就可以根据贝叶斯分类器计算出样本所属具 体缺陷类别。
[0078] 以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所 示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技 术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案 相似的结构方式及实施例,均应属于本发明的保护范围。

Claims (5)

1. 一种基于半监督学习模型的铜件表面缺陷视觉检测系统,其特征在于:包括传送带 (1)、导轨(4)、上视检工位相机(51)、第一侧视检相机(52)、下视检工位相机(53)、第二侧 视检相机(54)和光源(6),沿待检铜件(3)的运动方向设置有多于一段的传送带(1),所述 的导轨(4)设置于传送带(1)上及两传送带(1)之间;上视检工位相机(51)设置于传送带 (1)正上方,下视检工位相机(53)设置于两传送带(1)间隙处正下方,所述的第一侧视检 相机(52)和第二侧视检相机(54)则分别设置于传送带⑴水平方向的两侧;所述的光源 (6)为相机拍照提供光照。
2. 根据权利要求1所述的一种基于半监督学习模型的铜件表面缺陷视觉检测系统,其 特征在于:该视觉检测系统还包括一监控相机和云端服务器,所述的监控相机实时远程监 控视觉检测系统的运行情况;所述的云端服务器对视觉检测系统进行远程的实时监控、维 护及参数调整。
3. 根据权利要求2所述的一种基于半监督学习模型的铜件表面缺陷视觉检测系统,其 特征在于:所述的上视检工位相机(51)、第一侧视检相机(52)、下视检工位相机(53)和第 二侧视检相机(54)均配备有光源(6),该光源(6)采用同轴光源。
4. 一种基于半监督学习模型的铜件表面缺陷视觉检测方法,其步骤为: 步骤一、待检铜件(3)在传送带(1)的作用下到达检测工位(2),上视检工位相机(51) 在光源(6)作用下拍照,获取铜件上表面图片; 步骤二、对步骤一采集图片进行图像处理,检测铜件上表面缺陷; 步骤三、重复步骤一和步骤二,依次检测铜件一侧面、铜件底面和铜件另一侧面的缺 陷; 步骤四、根据缺陷检测结果,对待检铜件(3)进行分类; 步骤五、将采集图片和获得的缺陷信息存储于云端,并通过云端服务器对视觉检测系 统进行远程的实时监控、维护及参数调整。
5. 根据权利要求4所述的一种基于半监督学习模型的铜件表面缺陷视觉检测方法,其 特征在于:步骤二所述对采集图片进行图像处理的过程为: 1) 取得铜件图片后,采用Sobel算子提取图像中的兴趣域ROI ; 2) 对步骤一所得图像采用最佳阈值分割法进行动态阈值分割,获得二值化图像; 3) 对步骤二所得图像采用数学形态学和BLOB分析,进行特征提取和选择,获得铜件图 像上的灰度及形状特征; 4) 采用基于贝叶斯和最大期望算法相结合的半监督学习模型对铜件缺陷进行分类。
CN201510532590.7A 2015-08-25 2015-08-25 一种基于半监督学习模型的铜件表面缺陷视觉检测方法 Active CN105044122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510532590.7A CN105044122B (zh) 2015-08-25 2015-08-25 一种基于半监督学习模型的铜件表面缺陷视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510532590.7A CN105044122B (zh) 2015-08-25 2015-08-25 一种基于半监督学习模型的铜件表面缺陷视觉检测方法

Publications (2)

Publication Number Publication Date
CN105044122A true CN105044122A (zh) 2015-11-11
CN105044122B CN105044122B (zh) 2019-01-22

Family

ID=54450835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510532590.7A Active CN105044122B (zh) 2015-08-25 2015-08-25 一种基于半监督学习模型的铜件表面缺陷视觉检测方法

Country Status (1)

Country Link
CN (1) CN105044122B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105548198A (zh) * 2015-12-09 2016-05-04 哈尔滨云控机器人科技有限公司 基于云平台的复杂产品质量自动检测的方法
CN106248680A (zh) * 2016-06-03 2016-12-21 广东工业大学 一种基于机器视觉的电机换向器质量检测系统及检测方法
CN106323600A (zh) * 2016-08-31 2017-01-11 武汉精测电子技术股份有限公司 一种级联分布式aoi缺陷检测系统及其检测方法
CN106353051A (zh) * 2016-08-12 2017-01-25 湖北周黑鸭食品工业园有限公司 一种封口检测设备及方法
CN107705284A (zh) * 2017-07-17 2018-02-16 苏州佳赛特智能科技有限公司 一种基于贝叶斯小样本学习的表面缺陷检测方法
CN107764835A (zh) * 2017-09-30 2018-03-06 长沙派数控股份有限公司 一种电子产品玻璃盖板检测装置及方法
CN109142393A (zh) * 2018-09-03 2019-01-04 佛亚智能装备(苏州)有限公司 一种缺陷分类方法、装置及系统
CN109738437A (zh) * 2018-12-29 2019-05-10 西安西电电力电容器有限责任公司 一种金属化薄膜电容器自愈点测量装置及方法
CN110385282A (zh) * 2019-07-10 2019-10-29 浙江大学 机械装配中基于深度学习的多余物视觉检测系统与方法
CN110517233A (zh) * 2019-08-15 2019-11-29 浙江赤霄智能检测技术有限公司 一种基于人工智能的缺陷分类学习系统及其分类方法
CN111126603A (zh) * 2019-12-25 2020-05-08 江苏远望仪器集团有限公司 基于神经网络模型的设备故障预测方法、装置及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002139446A (ja) * 2000-10-31 2002-05-17 Nkk Corp 表面欠陥検出方法及び装置
CN202087540U (zh) * 2011-05-19 2011-12-28 杭州华丰通信器材有限公司 一种基于机器视觉的铜件外观缺陷在线检测仪
CN202794051U (zh) * 2012-05-31 2013-03-13 杭州中粮包装有限公司 马口铁印刷品品质检测装置
CN103901040A (zh) * 2014-03-27 2014-07-02 华中科技大学 一种基于机器视觉的三维网状物缺陷在线检测系统
CN203798742U (zh) * 2014-04-21 2014-08-27 玉田县大恒印刷机械有限公司 印刷品背面质量检测机构及检品机
CN104280406A (zh) * 2014-09-16 2015-01-14 中国科学院广州能源研究所 一种铜件表面缺陷检测的机器视觉系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002139446A (ja) * 2000-10-31 2002-05-17 Nkk Corp 表面欠陥検出方法及び装置
CN202087540U (zh) * 2011-05-19 2011-12-28 杭州华丰通信器材有限公司 一种基于机器视觉的铜件外观缺陷在线检测仪
CN202794051U (zh) * 2012-05-31 2013-03-13 杭州中粮包装有限公司 马口铁印刷品品质检测装置
CN103901040A (zh) * 2014-03-27 2014-07-02 华中科技大学 一种基于机器视觉的三维网状物缺陷在线检测系统
CN203798742U (zh) * 2014-04-21 2014-08-27 玉田县大恒印刷机械有限公司 印刷品背面质量检测机构及检品机
CN104280406A (zh) * 2014-09-16 2015-01-14 中国科学院广州能源研究所 一种铜件表面缺陷检测的机器视觉系统

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105548198B (zh) * 2015-12-09 2018-02-23 哈尔滨云控机器人科技有限公司 基于云平台的复杂产品质量自动检测的方法
CN105548198A (zh) * 2015-12-09 2016-05-04 哈尔滨云控机器人科技有限公司 基于云平台的复杂产品质量自动检测的方法
CN106248680A (zh) * 2016-06-03 2016-12-21 广东工业大学 一种基于机器视觉的电机换向器质量检测系统及检测方法
CN106353051A (zh) * 2016-08-12 2017-01-25 湖北周黑鸭食品工业园有限公司 一种封口检测设备及方法
CN106323600A (zh) * 2016-08-31 2017-01-11 武汉精测电子技术股份有限公司 一种级联分布式aoi缺陷检测系统及其检测方法
CN107705284B (zh) * 2017-07-17 2020-10-09 苏州佳赛特智能科技有限公司 一种基于贝叶斯小样本学习的表面缺陷检测方法
CN107705284A (zh) * 2017-07-17 2018-02-16 苏州佳赛特智能科技有限公司 一种基于贝叶斯小样本学习的表面缺陷检测方法
CN107764835A (zh) * 2017-09-30 2018-03-06 长沙派数控股份有限公司 一种电子产品玻璃盖板检测装置及方法
CN109142393A (zh) * 2018-09-03 2019-01-04 佛亚智能装备(苏州)有限公司 一种缺陷分类方法、装置及系统
CN109738437A (zh) * 2018-12-29 2019-05-10 西安西电电力电容器有限责任公司 一种金属化薄膜电容器自愈点测量装置及方法
CN109738437B (zh) * 2018-12-29 2021-07-06 西安西电电力电容器有限责任公司 一种金属化薄膜电容器自愈点测量装置及方法
CN110385282A (zh) * 2019-07-10 2019-10-29 浙江大学 机械装配中基于深度学习的多余物视觉检测系统与方法
CN110517233A (zh) * 2019-08-15 2019-11-29 浙江赤霄智能检测技术有限公司 一种基于人工智能的缺陷分类学习系统及其分类方法
CN111126603A (zh) * 2019-12-25 2020-05-08 江苏远望仪器集团有限公司 基于神经网络模型的设备故障预测方法、装置及设备

Also Published As

Publication number Publication date
CN105044122B (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
CN105044122A (zh) 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法
CN107437245B (zh) 基于深度卷积神经网络的高速铁路接触网故障诊断方法
CN106841209B (zh) 一种基于大数据自学习化纤丝锭智能外观检测系统及方法
CN104992449B (zh) 基于机器视觉的信息识别及表面缺陷在线检测方法
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测系统及方法
CN106290388A (zh) 一种绝缘子故障自动检测方法
CN103913468A (zh) 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法
CN107944396B (zh) 一种基于改进深度学习的刀闸状态识别方法
CN102221559A (zh) 基于机器视觉的织物疵点在线自动检测方法及其装置
CN106778833A (zh) 一种复杂背景下小目标丢失故障的自动识别方法
CN102998316B (zh) 一种透明液体杂质检测系统及其检测方法
CN104198497A (zh) 一种基于视觉显著图和支持向量机的表面缺陷检测方法
CN111275679A (zh) 一种基于图像的太阳能电池缺陷检测系统及方法
CN102175692A (zh) 织物坯布疵点快速检测系统及方法
CN108985170A (zh) 基于三帧差分法及深度学习的输电线路悬挂物识别方法
CN111127448B (zh) 一种基于孤立森林检测空气弹簧故障的方法
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN110458807A (zh) 一种铁路轨道缺陷机器视觉检测系统
CN111260629A (zh) 基于图像处理的受电弓结构异常检测算法
CN103824092A (zh) 一种用于输变电设备状态在线监测的图像分类方法
CN104483320A (zh) 工业脱硝催化剂的数字化缺陷检测装置与检测方法
CN112434695B (zh) 一种基于深度学习的上拉杆故障检测方法
CN111784633A (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN111080691A (zh) 一种光伏组件红外热斑检测方法、装置
CN113222938A (zh) 芯片缺陷检测方法及系统与计算机可读存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant