CN107607554A - 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 - Google Patents
一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 Download PDFInfo
- Publication number
- CN107607554A CN107607554A CN201710885469.1A CN201710885469A CN107607554A CN 107607554 A CN107607554 A CN 107607554A CN 201710885469 A CN201710885469 A CN 201710885469A CN 107607554 A CN107607554 A CN 107607554A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- flaw
- zinc
- full convolutional
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于全卷积神经网络(Fully convolutional networks,FCNs)的镀锌冲压件的瑕疵检测与分类方法,该方法包括:采集包含各种瑕疵种类的样本;根据图像灰度级标准差初步二分类,区分出合格工件与瑕疵工件;对初步筛选出的样本预处理提高对比度,提取感兴趣区域后作为改进的全卷积神经网络的输入进行训练;计算输出工件图片的像素值,设置阈值判断工件瑕疵种类并分类。本发明结合图像处理与全卷积神经网络进行瑕疵检测与分类,不仅避免了复杂的预处理与特征提取,还能较好地检测镀锌冲压件的瑕疵并进行分类。
Description
技术领域
本发明涉及一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法,该方法结合图像处理与全卷积神经网络,属于图像处理与深度学习技术领域,能够检测镀锌冲压件的表面瑕疵并进行分类。
背景技术
冲压件是一种重要的配件,广泛应用在各种工业领域,尤其是在汽车生产领域,因为它的广泛应用而越来越受关注。生产过程中,若残次品不能及时被检测出来并剔除掉,将会严重影响后续的装配环节,导致产品总体质量水平的下降,因此它的质量监控有助于优化整个生产链,从而提高成品率和产品质量。表面缺陷作为冲压件缺陷的主要缺陷组成,冲压件生产过程中出现的问题大部分会第一时间以表面缺陷形式呈现。针对瑕疵的类型,有的瑕疵件是可以返修重加工成为合格品,例如烧伤、锈蚀等,另一些瑕疵件则直接定义为废品,例如划痕、冲压伤等;通过对瑕疵种类的分析,可以预测是生产工艺中哪个环节产生的问题,并且有针对性地采取改进措施,改进操作方法和加工工艺,以达到提高劳动生产效率和经济效益的目的。但是冲压件在工业生产线上数量巨大,而且有些缺陷不明显、尺寸小,如果依靠传统的人工视觉检测会因冗长乏味的工作引起人眼疲劳,受主观影响较大,容易造成误判。所以提出缺陷的自动化检测与分类,对克服人工视觉检测的缺点、提高检测效率具有重要意义。
图像处理与分类器的机器视觉技术是缺陷检测方面的主流方法,主要包括图像预处理、分割、特征选择和分类。瑕疵检测在纺织领域中应用较早,传统方法中,多是针对瑕疵人为地描述特征,然后进行分类。Mahyari A.G.利用高通滤波和直方图变换,对大型钢板表面横竖划痕缺陷图像进行增强,然后提取多重分形的几何和灰度特征,提交给神经网络进行分类识别。Jong Pil Yun等在钢丝杆表面瑕疵检测上,通过采用双阈值二值化、形态学处理、边缘检测等方法提取到瑕疵特征,然后利用支持向量机实现了分类,对因氧化而导致的钢丝杆表面裂纹和脱磷可以有效识别。本发明以汽车制造领域应用的小型镀锌冲压件为研究对象,在冲压件的生产过程中,材料本身的瑕疵、切割及冲压不当、磨具的老化、表面处理时产生的氧化烧伤、镀锌时产生的锈蚀,都是使产品产生瑕疵的因素,瑕疵的类型主要包括划痕压痕、锈蚀烧伤。首先,镀锌冲压件上有镀锌纹,为传统方法中利用阈值及边缘信息对瑕疵进行分割造成困难;其次,冲压件上划痕和烧伤的形状、大小及亮度信息的不确定因素很大,所以很难对其特征进行描述。通过上述的机器视觉的应用,缺陷检测已经取得了很大的进展。但是对于镀锌冲压件的瑕疵检测,由于图像处理过程复杂、特征难以提取和图像质量不稳定.仅利用机器视觉的方法难以满足工程要求。
发明内容
本发明的目的是克服现有技术的上述不足,提出一种无需复杂预处理,不会被镀锌模式影响且实时性非常好的基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法,为此,本发明采用如下的技术方案:
1.采集各类瑕疵样本;
2.计算图像灰度级标准差,初步二分类,区分出合格工件与瑕疵工件;
3.对初步筛选出的样本预处理提高对比度,并提取出感兴趣区域;
4.将处理后的图像输入改进的全卷积神经网络,该网络通过融合低层特征和高层特征得到具有更多细节的分割结果;
5.采用小批量随机梯度下降法训练网络,并引入动量项加速收敛、减少振荡;
6.对经全卷积神经网络输出的图片设置阈值判断工件瑕疵的种类;
与现有技术相比,本发明的有益效果是:
1.操作简单。图像直接作为网络的输入,避免了传统算法复杂的预处理和特征提取。
2.实时性好。在测试集中根据标准差初步二分类,区分正常图片与缺陷图片,瑕疵工件和极少量合格工件接下来被输入到全卷积神经网络中,为后面的分割、分类减少工作量,提高整个系统的实时性。
3.精度高。将网络低层特征和网络高层特征连接,产生更为准确的输出
4.速度快。采用小批量梯度下降法训练网络,并引入动量优化算法,加速收敛,减少振荡,在保证高分类精度的同时还具有更好的适应性和稳定性。
附图说明
图1为本发明的流程图;
图2(a)为合格工件提取感兴趣区域后的图片;
图2(b)为烧伤瑕疵工件提取感兴趣区域后的图片;
图2(c)为划痕瑕疵工件提取感兴趣区域后的图片;
图2(d)为划痕+烧伤瑕疵工件提取感兴趣区域后的图片;
图3为改进的全卷积神经网络结构图;
图4为实验设备平台;
图5为网络迭代过程中的损失-精度曲线的仿真结果;
图6(a1)-(a3)分别为合格工件的原图、带有标注的图和检测结果图;
图6(b1)-(b3)为划痕瑕疵工件的原图、带有标注的图和检测结果图;
图6(c1)-(c3)为烧伤瑕疵工件的原图、带有标注的图和检测结果图;
图6(d1)-(d3)为划痕+烧伤瑕疵工件的原图、带有标注的图和检测结果图;
图6(e1)-(e3)为检测错误的原图、带有标注的图和结果图;
具体实施方式
本发明的流程如图1所示,首先,采集包含各种瑕疵种类的样本,计算样本灰度级标准差,根据标准差初步二分类,将瑕疵工件与合格工件区分出来;然后,对初步筛选出的样本简单预处理提高对比度,使特征更加明显,并提取感兴趣区域;将处理后样本作为全卷积神经网络的输入进行训练;最后对输出的样本设置阈值判断瑕疵种类。下面结合附图,对本发明技术方案的具体实施过程加以说明。
1.采集瑕疵样本;
采集包含各种瑕疵种类的样本图像。
2.根据标准差初步二分类
通过对大量实验样本的灰度级进行计算统计,缺陷图像的灰度级比正常图像灰度级大,因此可以简单地通过灰度级的标准差区分正常图像与缺陷图像。标准差δ定义如下:
其中,f(x,y)是图像的灰度值,是图像的平均灰度值,M×N是图像尺寸。通过观察,正常图片灰度级标准差为10-12,缺陷图片灰度级标准差大于13。基于这一标准,在测试集中尽可能地将正常图片与缺陷图片正确区分出来。瑕疵工件和极少量合格工件接下来会被输入到全卷积神经网络中,为后面的分割、分类减少工作量,提高整个系统的实时性。
3.预处理
对筛选出的样本直方图均衡化,提高瑕疵与背景的对比度,使特征更明显。将图像进行二值化处理,以凸显出感兴趣的目标的轮廓,针对实验数据,选取阈值25进行二值化处理。然后从二值图像中检索轮廓,返回检测到的轮廓的个数。遍历轮廓中的每个点。从而提取图像的ROI区域,最后将图像归一化到227*227大小提取感兴趣区域。提取感兴趣区域后样本图像尺寸较小,作为全卷积神经网络的输入便于进行训练。处理后的图片如图2所示。
4.全卷积神经网络训练模型
全卷积神经网络是卷积神经网络的一种扩展形式,卷积神经网络基于平移不变性,基本结构(卷积、池化和激活函数)在本地输入区域操作,而且只依赖于相对空间坐标。在特定层的位置(i,j)为数据向量输入xij,向下一层输出yij。
k是卷积核尺寸,s代表步长,fks是层的类型:卷积层或平均池化,空间最大池化,或对应元素的非线性激活函数等其他类型的层。卷积核尺寸和步长大小服从转换规则。
全卷积神经网络可以对任何大小的输入操作,并产生相应空间维度的输出。
基于全卷积神经网络结构,本发明将一种新型的全卷积神经网络用于冲压件瑕疵的分割和识别上,网络结构如图3所示。
实验发现,直接使用网络输出会发现网络的输出结果非常粗糙,不能完整的分割出瑕疵,这是由于经过多次最大池化操作造成精度下降。如本文所使用的网络结构中,最后一层步长为32像素,此时称该网络结构为FCN-32S。步长过大将失去很多细节特征,而步长过小将导致网络参数无法收敛,因此本文将网络低层特征和网络高层特征连接,以产生更为准确的输出。
在完成第一次网络训练的步骤后,将步长为32像素的特征做2倍上采样,与步长为16像素的特征连接,并将连接后的特征上采样至原图大小进行训练,此时将学习率缩小100倍,称这个网络结构为FCN-16S。相比FCN-32s,FCN-16S具有更加准确的边缘信息,但仍不够精确。使用同样的方法可以继续训练网络得到FCN-8s。FCN-8s的边缘信息预测更为准确。继续训练FCN4s对定位精确度提升并不明显,而训练时间大大增加,因此不考虑继续融合更低层的特征。
使用小批量梯度下降法训练网络,小批量处理尺寸为20个样本。学习率为10-4,引入动量优化算法,动量系数为0.99,权值衰减为5-4,偏移的学习率加倍。把卷积层的分类得分初始化为0,因为随机初始化既不会产生更好的性能也不会更快收敛。同时在训练阶段使用Dropout策略,有效提高系统泛化能力。
5.工件分类判定标准
对于经过全卷积神经网络输出的图片,主要有红(255,0,0)黄(255,255,0)绿(0,255,0)黑(0,0,0)四种像素值组成,分别代表划痕、烧伤、工件和背景。由于有些工件棱角的反光亮点、噪声或微小瑕疵的影响,会导致分割误判为小的瑕点,所以需要对像素数设置阈值来断定工件上有何种瑕疵。这里以m=30、n=100分别表示判定为划痕和烧伤两种瑕疵的像素数阈值,实际工程中,可以根据实际生产的需要微调m和n的值来把控工件生产的质量等级。
本发明效果可以通过以下实验进一步证实:
实验环境为一台PC机,30wCCD图像传感器,尺寸20cm*20cm的方形白光发光二极管,工件以任意姿态放在传送带上。实验装置如图4所示。
冲压件主要有两种瑕疵:划痕和烧伤,因此本发明研究工件的四种类型:划痕、烧伤、划痕+烧伤以及合格。实验数据包含2800张冲压件图片,选取2000张用来训练分类模型,剩余800张用来测试验证模型的准确性。网络迭代过程中损失-精度曲线如图5所示。部分瑕疵检测的结果图如图6所示。本发明方法能有效滤除小瑕疵和噪声引起的干扰,并通过设置阈值保证了最终判决结果的正确性。
为了验证本发明方法的准确性,每种瑕疵类型选取200张图片,实验结果统计如表1所示。
表1实验结果分析
与现有的缺陷检测技术相比,本发明的镀锌冲压件的瑕疵检测与分类方法精度高达99.6%,操作简单,具有实时性与稳定性,可以应用于工业生产实践。
Claims (6)
1.基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法,所述方法包括下列步骤:
(1)采集各类瑕疵样本;
(2)计算图像灰度级标准差,初步二分类,区分出合格工件与瑕疵工件;
(3)对初步筛选出的样本预处理提高对比度,并提取出感兴趣区域;
(4)将处理后的图像输入改进的全卷积神经网络,该网络通过融合低层特征和高层特征得到具有更多细节的分割结果;
(5)采用小批量随机梯度下降法训练网络,并引入动量项加速收敛、减少振荡;
(6)对经全卷积神经网络输出的图片设置阈值判断工件瑕疵的种类。
2.根据权利要求1所述的基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法,其特征在于,步骤(2)中,计算实验样本灰度级标准差,标准差小于13的样本判断为正常工件,大于13的样本包含瑕疵工件与极少数合格工件。
3.根据权利要求1所述的基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法,其特征在于,步骤(3)中,将图像进行二值化处理,以凸显出感兴趣的目标的轮廓,针对实验数据,选取阈值25进行二值化处理;然后从二值图像中检索轮廓,返回检测到的轮廓的个数,遍历轮廓中的每个点,从而提取图像的ROI区域,最后将图像归一化到227*227大小。
4.根据权利要求1所述的基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法,其特征在于,步骤(4)中,在完成第一次网络训练的步骤后,将步长为32像素的特征做2倍上采样,与步长为16像素的特征连接,并将连接后的特征上采样至原图大小进行训练,此时将学习率缩小100倍,这个网络结构为FCN-16S;使用同样的方法可以继续训练网络得到FCN-8s,FCN-8s能更为准确地预测边缘信息,网络结构如图2。
5.根据权利要求1所述的基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法,其特征在于,步骤(5)中,从训练集中随机选取每批20组数据一起计算梯度,采用加入动量项的小批量随机梯度下降法更新模型参数,动量系数为0.99。
6.根据权利要求1所述的基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法,其特征在于,步骤(6)中,对像素设置阈值,以30、100分别表示判定为划痕和烧伤两种瑕疵的像素数阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710885469.1A CN107607554A (zh) | 2017-09-26 | 2017-09-26 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710885469.1A CN107607554A (zh) | 2017-09-26 | 2017-09-26 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107607554A true CN107607554A (zh) | 2018-01-19 |
Family
ID=61058620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710885469.1A Pending CN107607554A (zh) | 2017-09-26 | 2017-09-26 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107607554A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491867A (zh) * | 2018-03-12 | 2018-09-04 | 苏州卓融新能源科技有限公司 | 基于人工智能的影像匹配及识别方法 |
CN108537192A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
CN108596871A (zh) * | 2018-03-08 | 2018-09-28 | 中北大学 | 一种基于深度学习的bga气泡缺陷图像检测方法 |
CN108593687A (zh) * | 2018-04-27 | 2018-09-28 | 中国科学院高能物理研究所 | 一种基于三维层析成像的快速缺陷检测方法 |
CN108672316A (zh) * | 2018-03-27 | 2018-10-19 | 哈尔滨理工大学 | 一种基于卷积神经网络的微小零件质量检测系统 |
CN109087281A (zh) * | 2018-07-02 | 2018-12-25 | 北京百度网讯科技有限公司 | 显示屏外围电路检测方法、装置、电子设备及存储介质 |
CN109255805A (zh) * | 2018-08-23 | 2019-01-22 | 苏州富鑫林光电科技有限公司 | 机器学习的工业智能数据收集系统和方法 |
CN109409428A (zh) * | 2018-10-25 | 2019-03-01 | 北京木业邦科技有限公司 | 木板识别及木板识别模型的训练方法、装置及电子设备 |
CN109740965A (zh) * | 2019-01-22 | 2019-05-10 | 北京市天元网络技术股份有限公司 | 一种工程验证分析方法及装置 |
CN109919908A (zh) * | 2019-01-23 | 2019-06-21 | 华灿光电(浙江)有限公司 | 发光二极管芯片缺陷检测的方法和装置 |
CN109919907A (zh) * | 2019-01-23 | 2019-06-21 | 华灿光电(浙江)有限公司 | 发光二极管外延片缺陷检测的方法和装置 |
CN109934811A (zh) * | 2019-03-08 | 2019-06-25 | 中国科学院光电技术研究所 | 一种基于深度学习的光学元件表面缺陷检测方法 |
CN110779937A (zh) * | 2019-10-11 | 2020-02-11 | 上海航天精密机械研究所 | 一种铸件产品内部缺陷智能检测装置 |
TWI692776B (zh) * | 2018-10-29 | 2020-05-01 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
CN111652839A (zh) * | 2020-04-21 | 2020-09-11 | 上海市杨浦区市东医院 | 基于快速区域全卷积神经网络的牙齿比色检测方法及系统 |
CN111951232A (zh) * | 2020-07-24 | 2020-11-17 | 上海微亿智造科技有限公司 | 一种金属粉末注射成型外观缺陷检测方法及系统 |
CN112270687A (zh) * | 2020-10-16 | 2021-01-26 | 鲸斛(上海)智能科技有限公司 | 布料瑕疵识别模型的训练方法和布料瑕疵的检测方法 |
TWI727595B (zh) * | 2018-10-29 | 2021-05-11 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
CN112881406A (zh) * | 2021-01-14 | 2021-06-01 | 广州大学 | 一种锌合金产品胚的外观检测方法、系统、装置及介质 |
CN112907595A (zh) * | 2021-05-06 | 2021-06-04 | 武汉科技大学 | 一种表面缺陷检测方法及装置 |
CN113267501A (zh) * | 2020-02-17 | 2021-08-17 | 远传电信股份有限公司 | 片状材料快速检测瑕疵整合系统及其使用方法 |
CN113366528A (zh) * | 2019-03-01 | 2021-09-07 | 株式会社安川电机 | 检查系统 |
CN113490960A (zh) * | 2019-03-28 | 2021-10-08 | 大众汽车股份公司 | 用于检查机动车上的视觉缺陷的方法和系统 |
TWI753347B (zh) * | 2018-10-29 | 2022-01-21 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
CN114226262A (zh) * | 2020-09-09 | 2022-03-25 | 宜谷京科技实业有限公司 | 瑕疵检测方法、瑕疵分类方法及其系统 |
CN114742828A (zh) * | 2022-06-09 | 2022-07-12 | 武汉东方骏驰精密制造有限公司 | 基于机器视觉的工件定损智能分析方法及装置 |
CN114998329A (zh) * | 2022-07-28 | 2022-09-02 | 启东市嘉信精密机械有限公司 | 一种电子通讯设备射频屏蔽罩的精密冲压质量分析系统 |
CN117830139A (zh) * | 2024-03-01 | 2024-04-05 | 天津世亚模具股份有限公司 | 一种高强度冲压件缺陷检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
CN106018422A (zh) * | 2016-07-13 | 2016-10-12 | 河北工业大学 | 基于匹配的异形冲压件轮廓缺陷视觉检测系统及方法 |
CN106203432A (zh) * | 2016-07-14 | 2016-12-07 | 杭州健培科技有限公司 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法 |
CN106529468A (zh) * | 2016-11-07 | 2017-03-22 | 重庆工商大学 | 一种基于卷积神经网络的手指静脉识别方法及系统 |
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN106920243A (zh) * | 2017-03-09 | 2017-07-04 | 桂林电子科技大学 | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 |
CN106951089A (zh) * | 2017-03-28 | 2017-07-14 | 深圳市石代科技有限公司 | 手势交互方法及系统 |
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN107123117A (zh) * | 2017-04-26 | 2017-09-01 | 广东工业大学 | 一种基于深度学习的ic引脚焊点质量检测方法及装置 |
-
2017
- 2017-09-26 CN CN201710885469.1A patent/CN107607554A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
CN106018422A (zh) * | 2016-07-13 | 2016-10-12 | 河北工业大学 | 基于匹配的异形冲压件轮廓缺陷视觉检测系统及方法 |
CN106203432A (zh) * | 2016-07-14 | 2016-12-07 | 杭州健培科技有限公司 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法 |
CN106529468A (zh) * | 2016-11-07 | 2017-03-22 | 重庆工商大学 | 一种基于卷积神经网络的手指静脉识别方法及系统 |
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN106920243A (zh) * | 2017-03-09 | 2017-07-04 | 桂林电子科技大学 | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 |
CN106951089A (zh) * | 2017-03-28 | 2017-07-14 | 深圳市石代科技有限公司 | 手势交互方法及系统 |
CN107123117A (zh) * | 2017-04-26 | 2017-09-01 | 广东工业大学 | 一种基于深度学习的ic引脚焊点质量检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
JONATHAN LONG等: ""Fully Convolutional Networks for Semantic Segmentation"", 《COMPUTER VISION AND PATTERN RECOGNITION.IEEE》 * |
MASCI等: ""steel defect classification with Max-Pooling Convolutional Neural Networks"", 《NEURAL NETWORKS, THE 2012 INTERNATIONAL JOINT CONFERENCE ON》 * |
乔丽: ""基于CNN的工件缺陷检测方法研究及系统设计"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
欧先锋等: ""基于FCN的TFT-LCD表面缺陷快速检测算法"", 《成都工业学院学报》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596871A (zh) * | 2018-03-08 | 2018-09-28 | 中北大学 | 一种基于深度学习的bga气泡缺陷图像检测方法 |
CN108491867A (zh) * | 2018-03-12 | 2018-09-04 | 苏州卓融新能源科技有限公司 | 基于人工智能的影像匹配及识别方法 |
CN108672316A (zh) * | 2018-03-27 | 2018-10-19 | 哈尔滨理工大学 | 一种基于卷积神经网络的微小零件质量检测系统 |
CN108537192A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
CN108537192B (zh) * | 2018-04-17 | 2021-11-30 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
CN108593687A (zh) * | 2018-04-27 | 2018-09-28 | 中国科学院高能物理研究所 | 一种基于三维层析成像的快速缺陷检测方法 |
CN109087281A (zh) * | 2018-07-02 | 2018-12-25 | 北京百度网讯科技有限公司 | 显示屏外围电路检测方法、装置、电子设备及存储介质 |
CN109255805A (zh) * | 2018-08-23 | 2019-01-22 | 苏州富鑫林光电科技有限公司 | 机器学习的工业智能数据收集系统和方法 |
CN109255805B (zh) * | 2018-08-23 | 2021-10-01 | 苏州富鑫林光电科技有限公司 | 机器学习的工业智能数据收集系统和方法 |
CN109409428A (zh) * | 2018-10-25 | 2019-03-01 | 北京木业邦科技有限公司 | 木板识别及木板识别模型的训练方法、装置及电子设备 |
US11704534B2 (en) | 2018-10-29 | 2023-07-18 | Industrial Technology Research Institute | Neural-network-based classification device and classification method |
TWI753347B (zh) * | 2018-10-29 | 2022-01-21 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
TWI727595B (zh) * | 2018-10-29 | 2021-05-11 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
TWI692776B (zh) * | 2018-10-29 | 2020-05-01 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
CN109740965A (zh) * | 2019-01-22 | 2019-05-10 | 北京市天元网络技术股份有限公司 | 一种工程验证分析方法及装置 |
CN109919908A (zh) * | 2019-01-23 | 2019-06-21 | 华灿光电(浙江)有限公司 | 发光二极管芯片缺陷检测的方法和装置 |
CN109919907A (zh) * | 2019-01-23 | 2019-06-21 | 华灿光电(浙江)有限公司 | 发光二极管外延片缺陷检测的方法和装置 |
CN113366528A (zh) * | 2019-03-01 | 2021-09-07 | 株式会社安川电机 | 检查系统 |
CN109934811A (zh) * | 2019-03-08 | 2019-06-25 | 中国科学院光电技术研究所 | 一种基于深度学习的光学元件表面缺陷检测方法 |
CN113490960A (zh) * | 2019-03-28 | 2021-10-08 | 大众汽车股份公司 | 用于检查机动车上的视觉缺陷的方法和系统 |
CN110779937A (zh) * | 2019-10-11 | 2020-02-11 | 上海航天精密机械研究所 | 一种铸件产品内部缺陷智能检测装置 |
CN113267501A (zh) * | 2020-02-17 | 2021-08-17 | 远传电信股份有限公司 | 片状材料快速检测瑕疵整合系统及其使用方法 |
CN111652839A (zh) * | 2020-04-21 | 2020-09-11 | 上海市杨浦区市东医院 | 基于快速区域全卷积神经网络的牙齿比色检测方法及系统 |
CN111951232A (zh) * | 2020-07-24 | 2020-11-17 | 上海微亿智造科技有限公司 | 一种金属粉末注射成型外观缺陷检测方法及系统 |
CN114226262A (zh) * | 2020-09-09 | 2022-03-25 | 宜谷京科技实业有限公司 | 瑕疵检测方法、瑕疵分类方法及其系统 |
CN112270687A (zh) * | 2020-10-16 | 2021-01-26 | 鲸斛(上海)智能科技有限公司 | 布料瑕疵识别模型的训练方法和布料瑕疵的检测方法 |
CN112881406A (zh) * | 2021-01-14 | 2021-06-01 | 广州大学 | 一种锌合金产品胚的外观检测方法、系统、装置及介质 |
CN112907595A (zh) * | 2021-05-06 | 2021-06-04 | 武汉科技大学 | 一种表面缺陷检测方法及装置 |
CN114742828B (zh) * | 2022-06-09 | 2022-10-14 | 武汉东方骏驰精密制造有限公司 | 基于机器视觉的工件定损智能分析方法及装置 |
CN114742828A (zh) * | 2022-06-09 | 2022-07-12 | 武汉东方骏驰精密制造有限公司 | 基于机器视觉的工件定损智能分析方法及装置 |
CN114998329A (zh) * | 2022-07-28 | 2022-09-02 | 启东市嘉信精密机械有限公司 | 一种电子通讯设备射频屏蔽罩的精密冲压质量分析系统 |
CN117830139A (zh) * | 2024-03-01 | 2024-04-05 | 天津世亚模具股份有限公司 | 一种高强度冲压件缺陷检测方法 |
CN117830139B (zh) * | 2024-03-01 | 2024-04-30 | 天津世亚模具股份有限公司 | 一种高强度冲压件缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
Liming et al. | Automated strawberry grading system based on image processing | |
CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
CN110349126A (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN106568783A (zh) | 一种五金零件缺陷检测系统及方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN107328787A (zh) | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
CN110308151A (zh) | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN113409314A (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN105069778B (zh) | 基于目标特征显著图构建的工业产品表面缺陷检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN104568956B (zh) | 基于机器视觉的带钢表面缺陷的检测方法 | |
CN110827235A (zh) | 钢板表面缺陷检测方法 | |
CN116883394B (zh) | 一种基于图像数据处理的金刚石质量检测方法 | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN114445397A (zh) | 一种基于浅层神经网络的带钢缺陷检测方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN114299059A (zh) | 一种热轧带钢表面未分类铸坯划伤缺陷的判定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180119 |
|
WD01 | Invention patent application deemed withdrawn after publication |