CN107705284B - 一种基于贝叶斯小样本学习的表面缺陷检测方法 - Google Patents

一种基于贝叶斯小样本学习的表面缺陷检测方法 Download PDF

Info

Publication number
CN107705284B
CN107705284B CN201710583489.3A CN201710583489A CN107705284B CN 107705284 B CN107705284 B CN 107705284B CN 201710583489 A CN201710583489 A CN 201710583489A CN 107705284 B CN107705284 B CN 107705284B
Authority
CN
China
Prior art keywords
sample
detected
samples
image
learning
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.)
Active
Application number
CN201710583489.3A
Other languages
English (en)
Other versions
CN107705284A (zh
Inventor
何志勇
林嵩
张�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.)
Suzhou Jiasaite Intelligent Technology Co ltd
Original Assignee
Suzhou Jiasaite Intelligent Technology Co ltd
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 Suzhou Jiasaite Intelligent Technology Co ltd filed Critical Suzhou Jiasaite Intelligent Technology Co ltd
Priority to CN201710583489.3A priority Critical patent/CN107705284B/zh
Publication of CN107705284A publication Critical patent/CN107705284A/zh
Application granted granted Critical
Publication of CN107705284B publication Critical patent/CN107705284B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一种基于贝叶斯小样本学习的表面缺陷检测方法，首先采用线阵工业相机对工业生产中的被检物进行图像采集；将采集的被检物图像从RGB颜色空间转成单通道的灰度图像；将被检物图像进行滑窗滤波将被检物图像中的噪声点去除；用sobel算子对被检物图像中的缺陷进行增强处理；在被检物图像中选取经过增强的正常的训练样本和有缺陷的训练样本各一幅作为待检测样本，并计算出它们的梯度特征并进行学习。再结合其他步骤就能利用贝叶斯算法，依据被检物的梯度特征进行运算处理，提高了检测的性能和精确度，能够有效节省劳力、降低劳动强度、改善了工作效率且检测精度较高。

Description

一种基于贝叶斯小样本学习的表面缺陷检测方法
技术领域
本发明涉及缺陷检测技术领域，具体涉及一种基于小样本学习的表面缺陷检测方法，尤其涉及一种基于贝叶斯小样本学习的表面缺陷检测方法。
背景技术
在现有的工业生产中，对产品进行表面缺陷检测成为保证产品质量的一个重要环节。目前，表面缺陷检测多以人工为主，但人眼分辨速度有限，易受主观因素影响，易发生误检，错检等问题。以先进的机器视觉技术代替人工检测缺陷，是提高生产效率、减少劳动力、降低人工劳动强度和保证产品质量的重要措施。但目前很多训练学习检测方法都需要大量的缺陷训练样本，而在实际的生产当中，大量的缺陷样本获取困难。
目前国内外进行表面缺陷检测的训练学习算法多是如下两种：
一.SVM作为比较成熟的分类训练学习算法已经在越来越多的领域得到应用。通过国内外学者的不断完善，SVM在表面缺陷检测中也能达到较高的准确率。但是，基于SVM检测表面缺陷的应用中，一般需要数十幅以上的训练样本，但在现实生产中，却时常难以满足。
二.CNN作为目前研究火热的训练学习算法，也应用到了表面缺陷检测领域，且达到了很高检测准确率。但是这种方法的缺点也较明显，也需要大量的训练样本，而在实际生产过程当中，产品缺陷样本却难以获取。
发明内容
为解决上述问题，本发明提供了一种基于贝叶斯小样本学习的表面缺陷检测方法，该方法利用贝叶斯算法，依据被检物的梯度特征进行运算处理，提高了检测的性能和精确度，能够有效节省劳力、降低劳动强度、改善了工作效率且检测精度较高。
为了克服现有技术中的不足，本发明提供了一种基于贝叶斯小样本学习的表面缺陷检测方法的解决方案，具体如下：
一种基于贝叶斯小样本学习的表面缺陷检测方法，步骤如下:
步骤1：首先采用线阵工业相机对工业生产中的被检物进行图像采集；
步骤2：将采集的被检物图像从RGB颜色空间转成单通道的灰度图像；
步骤3：将被检物图像进行滑窗滤波将被检物图像中的噪声点去除；
步骤4：用sobel算子对被检物图像中的缺陷进行增强处理；
步骤5：在被检物图像中选取经过增强的正常的训练样本和有缺陷的训练样本各一幅作为待训练样本，并计算出它们的梯度特征并进行学习；
步骤6：计算待检测样本的梯度特征，依据学习得到的梯度特征分别求取其属于完好样本和存在缺陷样本的先验概率；
步骤7：通过贝叶斯算法将待测样本的先验概率和样本的总体分布相结合来求取待测样本属于完好样本和存在缺陷样本的后验概率；
步骤8：比较待测样本属于完好样本和存在缺陷样本的后验概率大小，后验概率更大的那一类即为待测样本所属的类。
所述步骤1中的线阵工业相机在进行图像采集时，在线阵工业相机下方且平行于镜头的位置放置着线型光源。
所述步骤3中的滑窗滤波为最小值滑窗滤波。
所述步骤5和步骤6中的梯度特征计算方法如下：
首先将训练样本图片的行像素和列像素分别按照公式(1)和式(2)相加，
Figure DEST_PATH_GDA0001470647230000021
Figure DEST_PATH_GDA0001470647230000031
Figure DEST_PATH_GDA0001470647230000032
为学习阶段中行像素的灰度值之和；
Figure DEST_PATH_GDA0001470647230000033
为学习阶段中列像素的灰度值之和；
Figure DEST_PATH_GDA0001470647230000034
为学习阶段中被检物图像的像素值；i为被检物图像的行像素序号；j为被检物图像的列像素序号；x为学习阶段的图像标号；
相加得到了1*128的向量
Figure DEST_PATH_GDA0001470647230000035
和
Figure DEST_PATH_GDA0001470647230000036
之后，选取步长d计算出行列像素的梯度特征
Figure DEST_PATH_GDA0001470647230000037
和
Figure DEST_PATH_GDA0001470647230000038
如公式(3)和公式(4)所示：
Figure DEST_PATH_GDA0001470647230000039
Figure DEST_PATH_GDA00014706472300000310
所述通过贝叶斯算法计算后验概率的方法如下：
将待测样本的特征值与学习得到的训练样本的梯度值作对比得到两者的相似度Feature0和Feature1，分别为正常类的相似度和缺陷类的相似度，如公式(5)和公式(6)所示：
Figure DEST_PATH_GDA00014706472300000311
Figure DEST_PATH_GDA0001470647230000041
Dc(i)是待分类样本的梯度值，
Figure DEST_PATH_GDA0001470647230000042
和
Figure DEST_PATH_GDA0001470647230000043
分别是学习得到的正常训练样本的梯度值和有缺陷训练样本的梯度值。公式(7)为待测样本的特征值属于正常样本的先验概率或缺陷样本的先验概率P(Dc(i)|y＝k)，其中k＝0时为正常样本， k＝1时为缺陷样本：
Figure DEST_PATH_GDA0001470647230000044
Y为被检物所属的类别值，若被检物存在缺陷，y＝1；被检物不存在缺陷， y＝0；
得到待测样本的特征值属于k类样本的先验概率后，再计算待测样本的特征值Dc(i)属于k类样本的后验概率,如公式式(8)所示：
Figure DEST_PATH_GDA0001470647230000045
其中P(Dc(i))在测试样本属于不同类别时都相同，不影响不同类别的后验概率的比较结果，因此在计算中可以将其省略。所有特征值所属的k类样本的后验概率之积即为待测样本的后验概率，为了不使其过度趋向于0，如公式(9) 所示取对数求和求得后验概率P(y＝k|Ic)：
Figure DEST_PATH_GDA0001470647230000046
其中Ic为检测阶段被检物的图像。
本发明的有益效果为：
本发明针对SVM和CNN算法中训练样本需求量大，训练时间长的问题，提出了贝叶斯小样本学习的表面缺陷检测算法，无需大量的训练样本。在算法复杂度、训练时间和训练所需的样本数上都要远低于传统算法以及深度学习算法。经实验证明，该方法具有较高的检测准确度。
具体实施方式
下面将结合实施例对本发明做进一步地说明。
基于贝叶斯小样本学习的表面缺陷检测方法，本实施例将其运用到织物缺陷检测上。先将采集到的彩色图像转为灰度图，之后进行图像增强，选取正常和存在缺陷的样本各一幅图片，求取特征值并进行学习。学习结束后对待测样本求梯度特征值计算其属于每一类的先验概率，依据所有特征值的先验概率得到待测样本属于每一类的后验概率，最后依据后验概率的大小判断样本是否存在缺陷，具体步骤如下:
步骤1：首先采用线阵工业相机对工业生产中的织物进行图像采集；
步骤2：将采集的织物图像从RGB颜色空间转成单通道的灰度图像；
步骤3：将织物图像进行滑窗滤波将织物图像中的噪声点去除；
步骤4：用sobel算子对织物图像中的缺陷进行增强处理；
步骤5：如表1所示，在织物图像中选取经过增强的正常的训练样本和有缺陷的训练样本各一幅作为待训练样本，将步长d设定为1，并计算出它们的梯度特征并进行学习；
表1
Figure DEST_PATH_GDA0001470647230000061
步骤6：如表2所示，计算待检测样本的梯度特征，依据学习得到的梯度特征分别求取其属于完好样本和存在缺陷样本的先验概率；
表2
Figure DEST_PATH_GDA0001470647230000071
步骤7：通过贝叶斯算法将待测样本的先验概率和样本的总体分布相结合来求取待测样本属于完好样本和存在缺陷样本的后验概率；
步骤8：比较待测样本属于完好样本和存在缺陷样本的后验概率大小，后验概率更大的那一类即为待测样本所属的类。
所述步骤1中的线阵工业相机在进行图像采集时，在线阵工业相机下方且平行于镜头的位置放置着线型光源以保证图像采集质量。
所述步骤3中的滑窗滤波为最小值滑窗滤波。
所述步骤5和步骤6中的梯度特征计算方法如下：
首先将训练样本图片的行像素和列像素分别按照公式(1)和式(2)相加，
Figure DEST_PATH_GDA0001470647230000081
Figure DEST_PATH_GDA0001470647230000082
Figure DEST_PATH_GDA0001470647230000083
为学习阶段中行像素的灰度值之和；
Figure DEST_PATH_GDA0001470647230000084
为学习阶段中列像素的灰度值之和；
Figure DEST_PATH_GDA0001470647230000085
为学习阶段中被检物图像的像素值；i为被检物图像的行像素序号；j为被检物图像的列像素序号；x为学习阶段的图像标号；
相加得到了1*128的向量
Figure DEST_PATH_GDA0001470647230000086
和
Figure DEST_PATH_GDA0001470647230000087
之后，选取步长d计算出行列像素的梯度特征
Figure DEST_PATH_GDA0001470647230000088
和
Figure DEST_PATH_GDA0001470647230000089
如公式(3)和公式(4)所示：
Figure DEST_PATH_GDA00014706472300000810
Figure DEST_PATH_GDA00014706472300000811
所述通过贝叶斯算法计算后验概率的方法如下：
将待测样本的特征值与学习得到的训练样本的梯度值作对比得到两者的相似度Feature0和Feature1，分别为正常类的相似度和缺陷类的相似度，如公式(5)和公式(6)所示：
Figure DEST_PATH_GDA00014706472300000812
Figure DEST_PATH_GDA0001470647230000091
Dc(i)是待分类样本的梯度值，
Figure DEST_PATH_GDA0001470647230000092
和
Figure DEST_PATH_GDA0001470647230000093
分别是学习得到的正常训练样本的梯度值和有缺陷训练样本的梯度值，公式(7)为待测样本的特征值属于正常样本的先验概率或缺陷样本的先验概率P(Dc(i)|y＝k)，其中k＝0时为正常样本， k＝1时为缺陷样本：
Figure DEST_PATH_GDA0001470647230000094
y为被检物所属的类别值，若被检物存在缺陷，y＝1；若被检物不存在缺陷， y＝0；
得到待测样本的特征值属于k类样本的先验概率后，再计算待测样本的特征值Dc(i)属于k类样本的后验概率,如公式式(8)所示：
Figure DEST_PATH_GDA0001470647230000095
其中P(Dc(i))在测试样本属于不同类别时都相同，因此在计算中可以将其省略，所有特征值所属的k类样本的后验概率之积即为待测样本的后验概率，为了不使其过度趋向于0，如公式(9)所示取对数求和求得后验概率P(y＝k|Ic)：
Figure DEST_PATH_GDA0001470647230000096
Ic：检测阶段被检物的图像。
以上以实施例说明的方式对本发明作了描述，本领域的技术人员应当理解，本公开不限于以上描述的实施例，在不偏离本发明的范围的情况下，可以做出各种变化、改变和替换。

Claims (2)

1.一种基于贝叶斯小样本学习的表面缺陷检测方法，其特征在于，步骤如下:
步骤1：首先采用线阵工业相机对工业生产中的被检物进行图像采集；
步骤2：将采集的被检物图像从RGB颜色空间转成单通道的灰度图像；
步骤3：将步骤2获得的图像进行滑窗滤波将被检物图像中的噪声点去除；
步骤4：用sobel算子对步骤3获得的图像中的缺陷进行增强处理；
步骤5：在被检物图像中选取经过增强的正常的训练样本和有缺陷的训练样本各一幅作为待训练样本，并计算出它们的梯度特征并进行学习；
步骤6：计算待检测样本的梯度特征，依据学习得到的梯度特征分别求取其属于完好样本和存在缺陷样本的先验概率；
步骤7：通过贝叶斯算法将待检测样本的先验概率和样本的总体分布相结合来求取待检测样本属于完好样本和存在缺陷样本的后验概率；
步骤8：比较待检测样本属于完好样本和存在缺陷样本的后验概率大小，后验概率更大的那一类即为待检测样本所属的类。
2.根据权利要求1所述的基于贝叶斯小样本学习的表面缺陷检测方法，其特征在于，所述通过贝叶斯算法计算后验概率的方法如下：
将待检测样本的特征值与学习得到的训练样本的梯度值作对比得到两者的相似度Feature0和Feature1，分别为正常类的相似度和缺陷类的相似度，如公式(5)和公式(6)所示：
Figure FDA0002600564540000021
Figure FDA0002600564540000022
Dc(i)是待检测样本的梯度值，
Figure FDA0002600564540000023
和
Figure FDA0002600564540000024
分别是学习得到的正常训练样本的梯度值和有缺陷训练样本的梯度值；公式(7)为待检测样本的特征值属于完好样本的先验概率或存在缺陷样本的先验概率，其中k＝0时为完好样本，k＝1时为存在缺陷样本：
Figure FDA0002600564540000025
y表示被检物所属的类别值，若被检物存在缺陷，y＝1；若被检物不存在缺陷，y＝0；得到待检测样本的特征值属于k类样本的先验概率P(Dc(i)|y＝k)后，再计算待检测样本的特征值Dc(i)属于k类样本的后验概率,如公式(8)所示：
Figure FDA0002600564540000026
其中P(Dc(i))在待检测样本属于不同类别时都相同，不影响不同类别的后验概率的比较结果，因此在计算中可以将其省略，所有特征值所属的k类样本的后验概率之积即为待检测样本的后验概率，为了不使其过度趋向于0，如公式(9)所示取对数求和求得后验概率P(y＝k|Ic)：
Figure FDA0002600564540000031
其中Ic为检测阶段被检物的图像。
CN201710583489.3A 2017-07-17 2017-07-17 一种基于贝叶斯小样本学习的表面缺陷检测方法 Active CN107705284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710583489.3A CN107705284B (zh) 2017-07-17 2017-07-17 一种基于贝叶斯小样本学习的表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710583489.3A CN107705284B (zh) 2017-07-17 2017-07-17 一种基于贝叶斯小样本学习的表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN107705284A CN107705284A (zh) 2018-02-16
CN107705284B true CN107705284B (zh) 2020-10-09

Family

ID=61170728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710583489.3A Active CN107705284B (zh) 2017-07-17 2017-07-17 一种基于贝叶斯小样本学习的表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN107705284B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114577812A (zh) * 2018-08-15 2022-06-03 心鉴智控(深圳)科技有限公司 基于超小样本训练高效质检模型的方法及系统
CN109377483A (zh) * 2018-09-30 2019-02-22 云南电网有限责任公司普洱供电局 瓷绝缘子裂纹检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004109105A (ja) * 2002-07-23 2004-04-08 Jfe Steel Kk 表面欠陥検出における疵種分類境界設定方法、及び欠陥検出方法
CN103093462A (zh) * 2013-01-14 2013-05-08 河海大学常州校区 基于视觉注意机制下的铜带表面缺陷快速检测方法
CN105044122A (zh) * 2015-08-25 2015-11-11 安徽工业大学 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
CN105139027A (zh) * 2015-08-05 2015-12-09 北京天诚盛业科技有限公司 胶囊头缺陷检测方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004109105A (ja) * 2002-07-23 2004-04-08 Jfe Steel Kk 表面欠陥検出における疵種分類境界設定方法、及び欠陥検出方法
CN103093462A (zh) * 2013-01-14 2013-05-08 河海大学常州校区 基于视觉注意机制下的铜带表面缺陷快速检测方法
CN105139027A (zh) * 2015-08-05 2015-12-09 北京天诚盛业科技有限公司 胶囊头缺陷检测方法和装置
CN105044122A (zh) * 2015-08-25 2015-11-11 安徽工业大学 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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Learning-Based Approach for Automatic Defect Detection in Textile Images;Daniel Yapi et al.;《IFIC》;20150630;第48卷(第3期);第2423-2428页 *
Matching Networks for One Shot Learning;Oriol Vinyals et al.;《30th Conference on Neural Information Processing Systems》;20161231;第1-9页 *
One-shot learning by inverting a compositional causal process;Brenden M. Lake et al.;《Proceedings of the 26th International Conference on Neural Information Processing Systems》;20131231;第2526-2534页 *
带钢表面缺陷检测算法研究;袁新焰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140515;正文全文 *
航空滚动轴承典型缺陷的分类识别研究;张东英;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20150215;正文全文 *

Also Published As

Publication number Publication date
CN107705284A (zh) 2018-02-16

Similar Documents

Publication Publication Date Title
CN106650770B (zh) 一种基于样本学习和人眼视觉特性的mura缺陷检测方法
Stromer et al. Enhanced crack segmentation (eCS): a reference algorithm for segmenting cracks in multicrystalline silicon solar cells
CN111325721A (zh) 一种基于红外热成像的气体泄漏检测方法及系统
CN106780455B (zh) 一种基于滑动的局部邻域窗口的产品表面检测方法
CN109727233B (zh) 一种lcd缺陷检测方法
CN108805862B (zh) 一种基于改进结构相似度的标签鉴别方法
CN110298840B (zh) 一种基于图像的纱线缺陷检测方法
CN104574389A (zh) 基于彩色机器视觉的电池片色差分选控制方法
CN102974551A (zh) 一种基于机器视觉的多晶硅太阳能检测分选的方法
CN111563896B (zh) 一种用于接触网异常检测的图像处理方法
CN115131353B (zh) 平网印花纺织品生产异常识别定位方法及系统
CN110781913B (zh) 一种拉链布带缺陷检测方法
CN107705284B (zh) 一种基于贝叶斯小样本学习的表面缺陷检测方法
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN104834939A (zh) 一种在线自动检测多孔金属材料空洞缺陷的方法
CN112862744A (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN114998314A (zh) 一种基于计算机视觉的pcb电路板缺陷检测方法
CN111667475A (zh) 一种基于机器视觉的大枣分级检测方法
CN110570418B (zh) 一种织唛缺陷检测方法和装置
CN116777911A (zh) 一种基于图像识别的双基板散热器表面缺陷检测系统
TW201512649A (zh) 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN108805854B (zh) 一种复杂环境下药片快速计数与完整性检测方法
Lin et al. A new prediction method for edge detection based on human visual feature
CN116523916B (zh) 产品表面缺陷检测方法、装置、电子设备及存储介质
CN116843618A (zh) 一种金属零件浅显外观缺陷检测方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 513, Building 2, Yangchenghu International Science and Technology Pioneering Park, 116 Chengyang Road, Xiangcheng District, Suzhou City, Jiangsu Province

Applicant after: Suzhou Jia seet Intelligent Technology Co., Ltd.

Address before: Room 513, Building 2, Yangchenghu International Science and Technology Pioneering Park, 116 Chengyang Road, Xiangcheng District, Changzhou City, Jiangsu Province

Applicant before: Suzhou Jia seet Intelligent Technology Co., Ltd.

GR01 Patent grant
GR01 Patent grant