CN108242054A - 一种钢板缺陷检测方法、装置、设备和服务器 - Google Patents
一种钢板缺陷检测方法、装置、设备和服务器 Download PDFInfo
- Publication number
- CN108242054A CN108242054A CN201810019418.5A CN201810019418A CN108242054A CN 108242054 A CN108242054 A CN 108242054A CN 201810019418 A CN201810019418 A CN 201810019418A CN 108242054 A CN108242054 A CN 108242054A
- Authority
- CN
- China
- Prior art keywords
- steel plate
- defect
- detected
- image data
- server
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 233
- 239000010959 steel Substances 0.000 title claims abstract description 233
- 230000007547 defect Effects 0.000 title claims abstract description 189
- 238000001514 detection method Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012797 qualification Methods 0.000 claims abstract description 12
- 230000009471 action Effects 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000007689 inspection Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 18
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 239000010410 layer Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 235000013399 edible fruits Nutrition 0.000 description 6
- 229910052742 iron Inorganic materials 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30136—Metal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种钢板缺陷检测方法、装置、设备和服务器。钢板检测方法包括:接收待检测钢板的图片数据,并根据所述图片数据生成缺陷检测请求;监测多个服务器的运行状态,将所述待检测钢板的图片数据和所述缺陷检测请求发送至第一服务器上;从所述第一服务器接收预测结果;其中,所述预测结果通过所述检测模型对所述待检测钢板的图片数据进行预测计算后得到,并且所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别;和根据所述预测结果,执行相应的响应动作。利用所提出的方法,能够得到缺陷的位置和类别,提高了检测精度。
Description
技术领域
本发明涉及图像处理领域,并具体涉及一种钢板缺陷检测方法、装置、设备和服务器。
背景技术
目前,由于计算机技术、尤其是图像处理技术的发展,越来越多的领域中开始使用图像处理技术来帮助工作。在某些传统领域、例如钢铁制造业中,图像处理技术也得到了广泛应用。
作为一种广泛使用的材料,钢板是钢铁制造业中非常重要的工业产品,而在钢板的生产中,质检无疑是非常重要的一个环节。传统钢铁企业的生产环境中,对质量进行控制的一种重要手段是对钢板的表面状态进行检测,以判断钢板是否存在瑕疵和缺陷,并根据检测结果对钢板做相应的处理。在传统钢铁企业中,质检系统在缺陷检测上主要有两种方式:第一为纯人工质检方式,即依赖于行业专家肉眼观察生产环境中的照片给出判断;第二为机器辅助的人工质检方式,主要由具有一定判断能力的质检系统过滤掉没有缺陷的照片,由行业专家对疑似存在缺陷的照片进行检测判断。第二种质检系统虽然实现了一定自动化,可以根据钢板照片的某些特征来判断钢板是否具有缺陷,但是特征和判定规则都是基于经验固化到机器中的,难以随业务的发展迭代,导致随着生产工艺的发展,系统的检测精度越来越低,甚至降低到完全不可用的状态。升级时需要对质检系统进行改造,成本高昂。并且,传统质检智能检测出钢板是否具有缺陷,检测精度较低。
发明内容
本发明实施例提供一种钢板缺陷检测方法、装置、设备和服务器,以至少解决现有技术中的以上技术问题。
第一方面,本发明实施例提供了一种钢板缺陷检测方法,包括:
接收待检测钢板的图片数据,并根据所述图片数据生成缺陷检测请求;
监测多个服务器的运行状态,将所述待检测钢板的图片数据和所述缺陷检测请求发送至第一服务器上;其中,所述多个服务器每个都搭载检测模型,并且所述第一服务器为所述多个服务器中计算负载最小的服务器;
从所述第一服务器接收预测结果;其中,所述预测结果通过所述检测模型对所述待检测钢板的图片数据进行预测计算后得到,并且所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别;和
根据所述预测结果,执行相应的响应动作。
结合第一方面,本发明在第一方面的第一种实施方式中,在所述根据所述预测结果,执行相应的响应动作之后,还包括:发送更新指令至所述第一服务器;其中,所述更新指令指示所述第一服务器根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新,并且将更新后的检测模型发送至所述多个服务器中的其他服务器。
根据第二方面,本发明提供了一种钢板缺陷检测方法,包括:
接收待检测钢板的图像数据和缺陷检测请求;和
根据所述缺陷检测请求,利用检测模型对所述图像数据进行预测计算,得到并输出预测结果;其中,所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别。
结合第二方面,本发明在第二方面的第一实施方式中,所述利用检测模型对所述图像数据进行预测计算,包括:
利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征;
根据所提取的钢板特征,判断所述待检测钢板是否具有缺陷;和
在确定所述待检测钢板具有缺陷时,利用预设分类器确定所述缺陷中的每个的位置和类别,并根据所述缺陷中的每个的位置和类别生成所述缺陷结果的预测结果;在确定没有在所述待检测钢板上检测到缺陷时,生成所述检测合格的预测结果。
结合第二方面的第一实施方式,在所述利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征之前,还包括:
对所述待检测钢板的图像数据进行预处理;
并且,所述利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征包括:利用深度卷积神经网络提取经预处理的图像数据中的钢板特征。
结合第二方面的第一实施方式,所述钢板特征利用多件钢板的图像通过训练获得,并且根据预定时间间隔或根据接收到的更新指令进行更新;其中,所述更新指令指示,根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新,并且所述多件钢板的规格相同并且以同一工艺形成。
结合第二方面的第一实施方式,所述根据所提取的钢板特征判断所述待检测钢板是否具有缺陷包括:
将所提取的钢板特征与合格钢板的对应钢板特征进行比较,并根据比较结果判断所述待检测钢板是否具有缺陷。
第三方面,本发明实施例提供了一种钢板缺陷检测装置,包括:数据接收模块,用于接收待检测钢板的图片数据,并根据所述图片数据生成缺陷检测请求;
数据发送模块,用于监测多个服务器的运行状态,将所述待检测钢板的图片数据和所述缺陷检测请求发送至第一服务器上;其中,所述多个服务器每个都搭载检测模型,并且所述第一服务器为所述多个服务器中计算负载最小的服务器;
结果接收模块,用于从所述第一服务器接收预测结果;其中,所述预测结果通过所述检测模型对所述待检测钢板的图片数据进行预测计算后得到,所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别;和
响应模块,用于根据所述预测结果,执行相应的响应动作。
第四方面,本发明实施例提供了一种钢板缺陷检测装置,包括:
接收模块,用于接收待检测钢板的图像数据和缺陷检测请求;和
预测模块,用于根据所述缺陷检测请求,利用检测模型对所述图像数据进行预测计算,得到并输出预测结果;其中,所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别。
第五方面,本发明实施例提供了一种设备,所述设备包括:
一个或多个处理器;
存储装置,配置为存储一个或多个程序;
通信接口,配置为使所述处理器和存储装置与外部设备进行通信;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述第一方面中的方法。
第六方面,本发明实施例提供了一种服务器,所述服务器包括:
一个或多个处理器;
存储装置,配置为存储一个或多个程序;
通信接口,配置为使所述处理器和存储装置与外部设备进行通信;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述第二方面中的方法。
第七方面,本发明实施例提供了一种计算机可读存储介质,用于存储所述钢板缺陷检测装置所用的计算机软件指令,其包括用于执行上述第一方面中的钢板缺陷检测方法为所述钢板缺陷检测装置所涉及的程序。
第八方面,本发明实施例提供了一种计算机可读存储介质,用于存储所述钢板缺陷检测装置所用的计算机软件指令,其包括用于执行上述第二方面中的钢板缺陷检测方法为所述钢板缺陷检测装置所涉及的程序。
上述技术方案中的另一个技术方案具有如下优点或有益效果:本发明实施例中,利用检测模型预测计算出缺陷的类别和位置,能够使检测结果更为精确。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1为根据本发明一个实施例的钢板缺陷检测方法的流程图;
图2为根据本发明另一实施例的钢板缺陷检测方法的流程图;
图3为根据本发明另一实施例的钢板缺陷检测方法的流程图;
图4为根据本发明另一实施例的获取钢板特征的方法的流程图;
图5为根据本发明另一实施例的钢板缺陷检测装置的结构示意图;
图6为根据本发明另一实施例的钢板缺陷检测装置的结构示意图;
图7为根据本发明另一实施例的钢板缺陷检测装置的结构示意图;
图8为根据本发明另一实施例的预测模块的结构示意图;和
图9为根据本发明另一实施例的设备的结构示意图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
图1示出了根据本发明一个实施例的钢板缺陷检测方法100的流程图。如图1所示,钢板缺陷检测方法100可以应用于第一设备,并且可以包括:
S110,接收待检测钢板的图片数据,并根据所述图片数据生成缺陷检测请求;
如今,钢板已经能够进行自动化生产,为了监控钢板的质量,在生产车间中都会安装有摄像机,摄像机会持续拍摄钢板的图片。在本发明一个优选实施例中,摄像机可以为高速摄像机。高速摄像机能够以很高的频率记录动态的图像,可以对处于生产线上的钢板拍摄多张图片,因此可以覆盖钢板的各个位置。对于本发明实施例而言,可以使得对钢板的检测结果更准确。
在本发明一个优选实施例中,摄像机获取的图片会首先被转换为信号传输至生产线上的控制电路,而控制电路在获取信号之后会对信号进行解析,以进行之后的处理。但是,可理解的是,还可以优选通过第一设备直接从摄像机接收图片而不经过控制电路的中转,本发明对此不做限制。特别地,第一设备可以是一台专门的服务器,用于对质检系统中的设备进行协调,使得负载均衡。
本发明实施例中,接收到待检测钢板的图像之后,会根据该图像生成缺陷检测请求。在本发明一个优选实施例中,该缺陷检测请求中可以包含待检测钢板的图片数据。
S120:监测多个服务器的运行状态,将所述待检测钢板的图片数据和所述缺陷检测请求发送至第一服务器上;其中,所述多个服务器每个都搭载检测模型,并且所述第一服务器为所述多个服务器中计算负载最小的服务器;
可以理解的是,钢板生产线上产生的钢板图片数量会非常大,需要多个服务器进行处理。在这种情况下,可以将检测工作分配至多个服务器上进行处理。而每个服务器在同一时间可能有大量数据待处理,此时可以对每个服务器的计算负载进行监测,并且选择计算负载最小的服务器进行缺陷检测,由此能够提高检测速度。
S130:从所述第一服务器接收预测结果;其中,所述预测结果通过所述检测模型对所述待检测钢板的图片数据进行预测计算后得到,所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别;
S140:根据所述预测结果,执行相应的响应动作。
为了使生产人员更方便地对钢板生产进行监控,如果预测结果是检测合格,则可以对预测结果进行记录,而如果钢板存在缺陷,则需要通知生产人员。特别地,可以将缺陷结果、例如每个缺陷的位置和类别显示给生产人员,供其参考。
图2示出了根据本发明另一实施例的钢板缺陷检测方法200的流程图,方法200与方法100的区别在于,方法200还可以包括:
S250:发送更新指令至所述第一服务器;其中,所述更新指令指示所述第一服务器根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新,并且将更新后的检测模型发送至所述多个服务器中的其他服务器。
利用方法200提供的钢板缺陷检测方法,能够在每次检测后使多个服务器上搭载的检测模型进行更新,可以使检测结果更加准确。
S210-S240与S110-S140相同,在此不赘述。
图3示出了根据本发明另一实施例的钢板缺陷检测方法300的流程图,方法300可以应用于第一服务器,并且可以包括:
S310:接收待检测钢板的图像数据和缺陷检测请求;
S320:根据所述缺陷检测请求,利用检测模型对所述图像数据进行预测计算,得到并输出预测结果;其中,所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别。
在本发明一个优选实施方式中,如图4所示,利用检测模型对所述图像数据进行预测计算,可以包括:
S321:利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征;
神经网络与人类的大脑相似,由一个个神经元组成,每个神经元和其他多个神经元相连接,形成网状。单个神经元只能用于解决简单的问题,但是分层组合起来,可以解决比较复杂的问题。卷积神经网络(Convolutional Neural Network,CNN)是神经网络的一种,通过“卷积核”将上下层神经元结合起来。CNN主要用于图像识别,是一种高效的识别方法。CNN一般包括特征提取层和特征映射层。
深度卷积神经网络融合了很多结构,是多层的卷积神经网络,常包括卷积层或是长短期记忆(Long Short Term Memory,LSTM)单元。一个深度卷积神经网络可以包括输入层、卷积层、池化层、全连接层等,每种层都可以包括多个这种类型的层,可根据需要进行设置。深度卷积神经网络对图像的刻画更强,因此本发明实施例中使用深度卷积神经网络来提取钢板特征,可以进一步提高检测结果的准确度。优选地,此处的钢板特征可以是特征向量。
S322:根据所提取的钢板特征,判断所述待检测钢板是否具有缺陷;
特别地,根据本发明一个优选实施方式,可以将所提取的钢板特征与合格钢板的对应钢板特征进行比较,并根据比较结果判断所述待检测钢板是否具有缺陷。
S323:在确定所述待检测钢板具有缺陷时,利用预设分类器确定所述缺陷中的每个的位置和类别,并根据所述缺陷中的每个的位置和类别生成所述缺陷结果的预测结果;在确定没有在所述待检测钢板上检测到缺陷时,生成所述检测合格的预测结果。
特别地,对缺陷进行分类时,可以利用前文所述CNN来进行,例如可以将CNN的最后一个池化层作为分类器。但是根据本发明的一个优选实施方式,预设分类器可以是以下中的任一种:区域卷积神经网络(Region CNN)、单卡多框检测器(Single Shot MultiBoxDetector,SSD),Faster RCNN,或仅视一次(You only look once,YOLO)模型,也可以是其他模型,只要其能完成缺陷分类即可,在此不做限制。
在本发明一个优选实施方式中,在利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征之前,还可以包括:
对所述待检测钢板的图像数据进行预处理;
在这种情况下,S321可以包括:利用深度卷积神经网络提取经预处理的图像数据中的钢板特征。
可以理解的是,摄像机所获取的图像可能包含与待检测钢板无关的背景、例如生产线上的其他设备的一部分等,为了便于缺陷检测,可以对图像进行预处理,例如可以将与待检测钢板无关的背景去除掉,只留下待检测钢板的图像。另外,为了便于缺陷检测,可以在预处理过程中将待检测的图像统一规格。例如,摄像机获取的图像大小可能是1000×500像素,可以将其进行压缩或者扩展,成为600×300像素或1500×750像素的图像。
此外,由于钢板的形制不同,可能具有的缺陷类别也会不同,缺陷检测所需的图像规格也可以不相同;而对图像的预处理可以通过任何一种现有技术实现,在此不做具体限制。
在本发明一个优选实施方式中,钢板特征可以利用多件钢板的图像通过训练获得,并且根据预定时间间隔或根据优选从所述第一设备接收到的更新指令进行更新;其中,所述更新指令指示所述第一服务器根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新,并且所述多件钢板的规格相同并且以同一工艺形成。
训练是机器学习所涉及的一种技术。机器学习是关于人工智能的科学,涉及对能通过经验自动改进的计算机算法的研究,利用数据或以往的经验来优化计算机程序的性能标准。
在机器学习技术中,通常是从给定的从给定的训练数据集中学习出一个函数,当新的数据到来时,可以根据这个函数预测结果。本发明实施例中,训练数据集可以是多件钢板的图像数据。可以理解的是,这多件钢板中可以包含有缺陷的钢板,也可以包含无缺陷钢板。需要指出的是,此处的无缺陷钢板并非是指钢板完全没有缺陷,而是指钢板中的缺陷是可以忽略的,不影响其使用。并且,这多件钢板是规格相同且以同一工艺形成的钢板,这是因为不同规格或以不同工艺形成的钢板可能包含的缺陷种类不同。
在实际应用中,钢板的生产线会经常进行调整,或者进行技术升级。在这种情况下,所使用的缺陷检测方法也需要进行更新,否则会影响检测结果。
例如,如果钢板的生产线经过升级,所生产的钢板可能具有更难以检测的缺陷,此时如果还继续使用之前的缺陷检测方法,容易遗漏这种缺陷,使得检测结果不够准确。为此,本发明实施例中,钢板特征可以根据预定时间间隔或根据更新指令进行更新。这样,可以经常调整需要提取的钢板特征,使得检测结果更加准确。特别地,当出现特殊情况、例如生产线进行技术升级时,还可以生成更新请求,以此对钢板特征进行更新,使得能够对以新技术生产出的钢板进行检测,也能够使检测结果更加准确。
此外,对于不同工艺形成的钢板,具有的缺陷类别也有不同。例如,对于热轧板而言,缺陷的类型包括辊印、表面夹杂、氧化铁皮等。而对于冷轧板,缺陷的类型则包括表面夹杂、介在物、气孔和夹层等。对于镀锌板,缺陷的类型包括露钢(漏镀)、锌层脱落、锌花不良等。对于彩涂板,缺陷的类型包括漏涂、漆层划伤、涂层脱落等。因此,对于不同工艺的生产线,此处所获取的钢板特征需要根据钢板的规格和形成工艺有所区别,才能准确地判断钢板是否具有缺陷,进而对缺陷进行定位和分类。
优选地,可以将方法100-300的执行过程中产生的各种数据以及得到的检测结果、即每个缺陷的位置和类别存储到预设的生产数据库中。数据库中的数据可以用于更新钢板特征,使得所获取的钢板特征更有针对性,进一步提高检测准确度。特别地,生产数据库也可以用于其他数据处理,为钢板生产提供参考。
图5示出了根据本发明一个实施例的钢板缺陷检测装置400的结构示意图,该装置400可以应用于第一设备,并且可以包括:
数据接收模块410,用于接收待检测钢板的图片数据,并根据所述图片数据生成缺陷检测请求;
数据发送模块420,用于监测多个服务器的运行状态,将所述待检测钢板的图片数据和所述缺陷检测请求发送至第一服务器上;其中,所述多个服务器每个都搭载检测模型,并且所述第一服务器为所述多个服务器中计算负载最小的服务器;
结果接收模块430,用于从所述第一服务器接收预测结果;其中,所述预测结果通过所述检测模型对所述待检测钢板的图片数据进行预测计算后得到,所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别;和
响应模块440,用于根据所述预测结果,执行相应的响应动作。
为了对检测模型进行更新,提高检测准确度,如图6所示,一种钢板缺陷检测装置500可以包括:
数据接收模块510,用于接收待检测钢板的图片数据,并根据所述图片数据生成缺陷检测请求;
数据发送模块520,用于监测多个服务器的运行状态,将所述待检测钢板的图片数据和所述缺陷检测请求发送至第一服务器上;其中,所述多个服务器每个都搭载检测模型,并且所述第一服务器为所述多个服务器中计算负载最小的服务器;
结果接收模块530,用于从所述第一服务器接收预测结果;其中,所述预测结果通过所述检测模型对所述待检测钢板的图片数据进行预测计算后得到,所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别;和
响应模块540,用于根据所述预测结果,执行相应的响应动作。
指令发送模块550,用于发送更新指令至所述第一服务器;其中,所述更新指令指示所述第一服务器根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新,并且将更新后的检测模型发送至所述多个服务器中的其他服务器。
图7示出了根据本发明另一实施例的钢板缺陷检测装置600的结构示意图,装置600可以应用于第一服务器,可以包括:
接收模块610,用于接收待检测钢板的图像数据和缺陷检测请求;和
预测模块620,用于根据所述缺陷检测请求,利用检测模型对所述图像数据进行预测计算,得到并输出预测结果;其中,所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别。
根据本发明一个优选实施方式,如图8所示,预测模块620可以包括:
特征提取单元621,用于利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征;
优选地,钢板特征利用多件钢板的图像通过训练获得,并且根据预定时间间隔或根据优选从所述第一设备接收到的更新指令进行更新;其中,所述更新指令指示所述第一服务器根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新,并且所述多件钢板的规格相同并且以同一工艺形成。
缺陷判断单元622,用于根据所提取的钢板特征,判断所述待检测钢板是否具有缺陷;
优选地,将所提取的钢板特征与合格钢板的对应钢板特征进行比较,并根据比较结果判断所述待检测钢板是否具有缺陷。
结果生成单元623,用于在确定所述待检测钢板具有缺陷时,利用预设分类器确定所述缺陷中的每个的位置和类别,并根据所述缺陷中的每个的位置和类别生成所述缺陷结果的预测结果;在确定没有在所述待检测钢板上检测到缺陷时,生成所述检测合格的预测结果。
优选地,预测模块620还可以包括:预处理单元,用于对所述待检测钢板的图像数据进行预处理;
并且,所述特征提取单元进一步用于利用深度卷积神经网络提取经预处理的图像数据中的钢板特征。
图9示出了根据本发明另一实施例的设备的结构示意图。如图9所示,改设备包括:
一个或多个处理器710;
存储装置720,配置为存储一个或多个程序;
通信接口730,配置为使所述处理器710和存储装置720与外部设备进行通信;
当所述一个或多个程序被所述一个或多个处理器710执行时,使得所述一个或多个处理器710实现前述任一种钢板缺陷检测方法。
根据本发明另一实施例,提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现前述任一种钢板缺陷检测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (18)
1.一种钢板缺陷检测分类方法,其特征在于,包括:
接收待检测钢板的图片数据,并根据所述图片数据生成缺陷检测请求;
监测多个服务器的运行状态,将所述待检测钢板的图片数据和所述缺陷检测请求发送至第一服务器上;其中,所述多个服务器每个都搭载检测模型,并且所述第一服务器为所述多个服务器中计算负载最小的服务器;
从所述第一服务器接收预测结果;其中,所述预测结果通过所述检测模型对所述待检测钢板的图片数据进行预测计算后得到,并且所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别;和
根据所述预测结果,执行相应的响应动作。
2.根据权利要求1所述的方法,其特征在于,在所述根据所述预测结果,执行相应的响应动作之后,还包括:发送更新指令至所述第一服务器;其中,所述更新指令指示所述第一服务器根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新,并且将更新后的检测模型发送至所述多个服务器中的其他服务器。
3.一种钢板缺陷检测方法,其特征在于,包括:
接收待检测钢板的图像数据和缺陷检测请求;和
根据所述缺陷检测请求,利用检测模型对所述图像数据进行预测计算,得到并输出预测结果;其中,所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别。
4.根据权利要求3所述的方法,其特征在于,所述利用检测模型对所述图像数据进行预测计算,包括:
利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征;
根据所提取的钢板特征,判断所述待检测钢板是否具有缺陷;和
在确定所述待检测钢板具有缺陷时,利用预设分类器确定所述缺陷中的每个的位置和类别,并根据所述缺陷中的每个的位置和类别生成所述缺陷结果的预测结果;在确定没有在所述待检测钢板上检测到缺陷时,生成所述检测合格的预测结果。
5.根据权利要求4所述的方法,其特征在于,在所述利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征之前,还包括:
对所述待检测钢板的图像数据进行预处理;
并且,所述利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征包括:利用深度卷积神经网络提取经预处理的图像数据中的钢板特征。
6.根据权利要求4所述的方法,其特征在于,所述钢板特征利用多件钢板的图像通过训练获得,并且根据预定时间间隔或根据接收到的更新指令进行更新;其中,所述更新指令指示,根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新,并且所述多件钢板的规格相同并且以同一工艺形成。
7.根据权利要求4所述的方法,其特征在于,所述根据所提取的钢板特征判断所述待检测钢板是否具有缺陷包括:
将所提取的钢板特征与合格钢板的对应钢板特征进行比较,并根据比较结果判断所述待检测钢板是否具有缺陷。
8.一种钢板缺陷检测装置,其特征在于,包括:
数据接收模块,用于接收待检测钢板的图片数据,并根据所述图片数据生成缺陷检测请求;
数据发送模块,用于监测多个服务器的运行状态,将所述待检测钢板的图片数据和所述缺陷检测请求发送至第一服务器上;其中,所述多个服务器每个都搭载检测模型,并且所述第一服务器为所述多个服务器中计算负载最小的服务器;
结果接收模块,用于从所述第一服务器接收预测结果;其中,所述预测结果通过所述检测模型对所述待检测钢板的图片数据进行预测计算后得到,所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别;和
响应模块,用于根据所述预测结果,执行相应的响应动作。
9.根据权利要求8所述的装置,其特征在于,还包括:
指令发送模块,用于发送更新指令至所述第一服务器;其中,所述更新指令指示所述第一服务器根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新,并且将更新后的检测模型发送至所述多个服务器中的其他服务器。
10.一种钢板缺陷检测装置,其特征在于,包括:
接收模块,用于接收待检测钢板的图像数据和缺陷检测请求;和
预测模块,用于根据所述缺陷检测请求,利用检测模型对所述图像数据进行预测计算,得到并输出预测结果;其中,所述预测结果包括检测合格和缺陷结果,所述缺陷结果中包括所述待检测钢板的缺陷中每个缺陷的位置和类别。
11.根据权利要求10所述的装置,其特征在于,所述预测模块包括:
特征提取单元,用于利用深度卷积神经网络提取所述待检测钢板的图像数据中的钢板特征;
缺陷判断单元,用于根据所提取的钢板特征,判断所述待检测钢板是否具有缺陷;和
结果生成单元,用于在确定所述待检测钢板具有缺陷时,利用预设分类器确定所述缺陷中的每个的位置和类别,并根据所述缺陷中的每个的位置和类别生成所述缺陷结果的预测结果;在确定没有在所述待检测钢板上检测到缺陷时,生成所述检测合格的预测结果。
12.根据权利要求11所述的装置,其特征在于,所述预测模块还包括:
预处理单元,用于对所述待检测钢板的图像数据进行预处理;
并且,所述特征提取单元进一步用于利用深度卷积神经网络提取经预处理的图像数据中的钢板特征。
13.根据权利要求11所述的装置,其特征在于,所述钢板特征利用多件钢板的图像通过训练获得,并且根据预定时间间隔或根据接收到的更新指令进行更新;其中,所述更新指令指示,根据所接收的钢板图片数据和所述预测结果对所述检测模型进行更新,并且所述多件钢板的规格相同并且以同一工艺形成。
14.根据权利要求11所述的装置,其特征在于,所述缺陷判断单元进一步用于:将所提取的钢板特征与合格钢板的对应钢板特征进行比较,并根据比较结果判断所述待检测钢板是否具有缺陷。
15.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,配置为存储一个或多个程序;
通信接口,配置为使所述处理器和所述存储装置与外部设备进行通信;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-2中任一所述的方法。
16.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储装置,配置为存储一个或多个程序;
通信接口,配置为使所述处理器和所述存储装置与外部设备进行通信;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求3-7中任一所述的方法。
17.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-2中任一所述的方法。
18.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求3-7中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810019418.5A CN108242054A (zh) | 2018-01-09 | 2018-01-09 | 一种钢板缺陷检测方法、装置、设备和服务器 |
US16/165,518 US10769774B2 (en) | 2018-01-09 | 2018-10-19 | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810019418.5A CN108242054A (zh) | 2018-01-09 | 2018-01-09 | 一种钢板缺陷检测方法、装置、设备和服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108242054A true CN108242054A (zh) | 2018-07-03 |
Family
ID=62699363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810019418.5A Pending CN108242054A (zh) | 2018-01-09 | 2018-01-09 | 一种钢板缺陷检测方法、装置、设备和服务器 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10769774B2 (zh) |
CN (1) | CN108242054A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003271A (zh) * | 2018-07-25 | 2018-12-14 | 江苏拙术智能制造有限公司 | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 |
CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
CN109086828A (zh) * | 2018-08-10 | 2018-12-25 | 北京百度网讯科技有限公司 | 用于检测电池极片的方法和装置 |
CN109117818A (zh) * | 2018-08-30 | 2019-01-01 | 苏州富莱智能科技有限公司 | 材料组织特性智能识别分析系统及分析方法 |
CN109146873A (zh) * | 2018-09-04 | 2019-01-04 | 凌云光技术集团有限责任公司 | 一种基于学习的显示屏缺陷智能检测方法及装置 |
CN109145846A (zh) * | 2018-08-30 | 2019-01-04 | 苏州富莱智能科技有限公司 | 材料微观结构智能识别分析系统及分析方法 |
CN109215022A (zh) * | 2018-09-05 | 2019-01-15 | 深圳灵图慧视科技有限公司 | 验布方法、装置、终端设备、服务器、存储介质和系统 |
CN109242825A (zh) * | 2018-07-26 | 2019-01-18 | 北京首钢自动化信息技术有限公司 | 一种基于深度学习技术的钢铁表面缺陷识别方法和装置 |
CN109345519A (zh) * | 2018-09-21 | 2019-02-15 | 江苏拙术智能制造有限公司 | 基于深度学习yolo算法的线束连接器加工型号检测方法 |
CN109584230A (zh) * | 2018-11-26 | 2019-04-05 | 深圳龙图腾创新设计有限公司 | 辅助质检方法、装置、计算机设备及可读存储介质 |
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
CN110197170A (zh) * | 2019-06-05 | 2019-09-03 | 北京科技大学 | 基于目标检测的钢卷卷形缺陷检测识别方法 |
CN110428175A (zh) * | 2019-08-05 | 2019-11-08 | 东北大学秦皇岛分校 | 一种基于深度学习的热轧带钢板凸度预报方法 |
WO2020047288A1 (en) * | 2018-08-31 | 2020-03-05 | Life Technologies Corporation | Image driven quality control for array based pcr |
CN111060512A (zh) * | 2018-10-16 | 2020-04-24 | 希捷科技有限公司 | 智能缺陷识别系统 |
WO2020137151A1 (ja) * | 2018-12-25 | 2020-07-02 | Jfeスチール株式会社 | 学習済みモデルの生成方法、学習済みモデル、表面欠陥検出方法、鋼材の製造方法、合否判定方法、等級判定方法、表面欠陥判定プログラム、合否判定プログラム、判定システム、及び鋼材の製造設備 |
CN111815576A (zh) * | 2020-06-23 | 2020-10-23 | 深圳供电局有限公司 | 金属部件腐蚀状况检测方法、装置、设备和存储介质 |
CN111968084A (zh) * | 2020-08-08 | 2020-11-20 | 西北工业大学 | 一种基于人工智能的航空发动机叶片缺陷快速精准识别方法 |
CN112150440A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(青岛)科技有限公司 | 一种成衣质检算法的测试方法和装置 |
CN112686852A (zh) * | 2020-12-25 | 2021-04-20 | 浙江伟星实业发展股份有限公司 | 一种产品缺陷识别方法、装置、设备及存储介质 |
CN113160140A (zh) * | 2021-03-24 | 2021-07-23 | 华南理工大学 | 基于yolov3-spp网络模型的钢板表面缺陷检测方法 |
CN113627378A (zh) * | 2021-08-19 | 2021-11-09 | 国网上海市电力公司 | 一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法 |
CN113744194A (zh) * | 2021-08-04 | 2021-12-03 | 武汉钢铁有限公司 | 钢板缺陷检测方法及计算机可读存储介质 |
CN113820326A (zh) * | 2021-11-19 | 2021-12-21 | 佛山市煜丰机械有限公司 | 一种长码拉链的缺陷检测系统 |
CN114742819A (zh) * | 2022-05-10 | 2022-07-12 | 上海晶岳电子有限公司 | Mos管背金工艺中硅片贴膜质检管理方法及系统 |
CN116629711A (zh) * | 2023-07-21 | 2023-08-22 | 苏州友得利金属制品有限公司 | 一种基于钢管质量检测的分流处理方法及系统 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598761A (zh) * | 2019-08-26 | 2019-12-20 | 深圳大学 | 一种点胶检测方法、装置及计算机可读存储介质 |
CN110619355B (zh) * | 2019-08-28 | 2023-01-06 | 武汉科技大学 | 基于深度学习的钢铁材料微观组织自动识别方法 |
CN110689531A (zh) * | 2019-09-23 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种基于yolo的输电线路机巡图像缺陷自动识别方法 |
CN111062915B (zh) * | 2019-12-03 | 2023-10-24 | 浙江工业大学 | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 |
CN111460189A (zh) * | 2020-04-01 | 2020-07-28 | 华显光电技术(惠州)有限公司 | 面板复判方法、装置、服务器、计算机设备和存储介质 |
CN111652853A (zh) * | 2020-05-11 | 2020-09-11 | 西南科技大学 | 一种基于深度卷积神经网络的磁粉探伤检测方法 |
CN111882030B (zh) * | 2020-06-29 | 2023-12-05 | 武汉钢铁有限公司 | 一种基于深度强化学习的加锭策略方法 |
CN111784670B (zh) * | 2020-06-30 | 2022-05-20 | 深圳赛安特技术服务有限公司 | 基于计算机视觉的热轧钢板表面缺陷识别方法及装置 |
CN111768404A (zh) * | 2020-07-08 | 2020-10-13 | 北京滴普科技有限公司 | 口罩外观缺陷检测系统、方法、装置以及存储介质 |
CN111798447B (zh) * | 2020-07-18 | 2023-03-10 | 太原理工大学 | 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法 |
CN113012101A (zh) * | 2021-02-05 | 2021-06-22 | 深圳讯安健康信息科技有限责任公司 | 疾病检测系统 |
CN114002405B (zh) * | 2021-11-17 | 2022-08-23 | 深圳市中航环海建设工程有限公司 | 高位钢结构缺陷无人检测装置及方法 |
CN114066890A (zh) * | 2022-01-14 | 2022-02-18 | 成都数联云算科技有限公司 | 齿轮缺陷检测方法、装置、计算机设备及存储介质 |
CN114782322A (zh) * | 2022-03-28 | 2022-07-22 | 华中科技大学 | YOLOv5模型的电弧增材制造熔池缺陷检测方法 |
CN114998216A (zh) * | 2022-05-06 | 2022-09-02 | 湖北文理学院 | 透明件表面缺陷快速检测方法及装置 |
CN114880951B (zh) * | 2022-06-06 | 2023-04-07 | 浙江理工大学 | 一种基于数字孪生的织物瑕疵预测方法 |
CN116343359B (zh) * | 2023-02-16 | 2023-10-31 | 唐山三友化工股份有限公司 | 一种工业生产异常行为态势检测方法及系统 |
CN116091506B (zh) * | 2023-04-12 | 2023-06-16 | 湖北工业大学 | 一种基于yolov5的机器视觉缺陷质检方法 |
CN116523893B (zh) * | 2023-05-16 | 2023-12-26 | 华院计算技术(上海)股份有限公司 | 一种基于机器视觉的飞钢检测系统及方法 |
CN117437190A (zh) * | 2023-10-18 | 2024-01-23 | 湖北汽车工业学院 | 一种基于YOLOv5s的铝材表面缺陷检测方法 |
CN117831659B (zh) * | 2024-03-04 | 2024-05-03 | 山东钢铁股份有限公司 | 宽厚板质量在线检测的方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
CN106153650A (zh) * | 2016-08-19 | 2016-11-23 | 苏州工业园区道青科技有限公司 | 一种轮毂缺陷检测装置 |
CN106529568A (zh) * | 2016-10-11 | 2017-03-22 | 浙江工业大学 | 一种基于bp神经网络的珍珠多分类方法 |
CN106845556A (zh) * | 2017-02-09 | 2017-06-13 | 东华大学 | 一种基于卷积神经网络的织物疵点检测方法 |
CN107091849A (zh) * | 2017-03-21 | 2017-08-25 | 南京铁道职业技术学院 | 轮毂探伤系统和方法 |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN107328787A (zh) * | 2017-07-05 | 2017-11-07 | 北京科技大学 | 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 |
CN107356616A (zh) * | 2017-03-21 | 2017-11-17 | 南京铁道职业技术学院 | 测温型轮毂探伤系统和方法 |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0651352A1 (en) * | 1993-10-27 | 1995-05-03 | Toshiba Engineering Corporation | Method and apparatus of inspecting surface irregularity of an object article |
US20040206181A1 (en) | 1999-03-22 | 2004-10-21 | Betriebsforschungsinstitut Vdeh Institut Fur Angewandte Forschung Gmbh | Defect type classifying method |
CN101498458B (zh) | 2009-03-02 | 2010-08-11 | 杭州电子科技大学 | 一种锅炉在线燃烧优化的模型更新方法 |
CN101996405B (zh) | 2010-08-30 | 2012-07-04 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
CN101949865B (zh) | 2010-09-19 | 2012-05-30 | 首钢总公司 | 一种百事泰在线表面缺陷检测系统的优化方法 |
CN102095731A (zh) | 2010-12-02 | 2011-06-15 | 山东轻工业学院 | 在纸张缺陷视觉检测中识别不同缺陷类型的系统及方法 |
EP2678665A4 (en) * | 2011-02-24 | 2017-07-05 | 3M Innovative Properties Company | System for detection of non-uniformities in web-based materials |
CN102252342A (zh) | 2011-05-05 | 2011-11-23 | 衢州远景资源再生科技有限公司 | 一种多孔介质燃烧器在线燃烧优化的模型更新方法 |
CN102253049B (zh) | 2011-06-30 | 2013-07-10 | 东北大学 | 带钢生产过程表面质量在线精准检测方法 |
JP2013123812A (ja) | 2011-12-13 | 2013-06-24 | Canon Inc | 検査装置、検査方法、コンピュータプログラム |
CN102735689A (zh) | 2012-06-20 | 2012-10-17 | 太仓博天网络科技有限公司 | 一种基于图形模式识别的纸张纸病检测系统 |
CN103399016A (zh) | 2013-07-26 | 2013-11-20 | 齐鲁工业大学 | 冷轧铝板表面缺陷在线检测系统及其检测方法 |
CN104090871A (zh) | 2014-07-18 | 2014-10-08 | 百度在线网络技术(北京)有限公司 | 图像翻译方法及系统 |
CN105335692B (zh) | 2014-08-15 | 2019-05-24 | 软控股份有限公司 | 一种轮胎x光图像检测识别方法及系统 |
KR101679650B1 (ko) | 2014-11-07 | 2016-11-25 | 부산대학교 산학협력단 | 홀 내부의 결함 검출방법 |
US10074041B2 (en) | 2015-04-17 | 2018-09-11 | Nec Corporation | Fine-grained image classification by exploring bipartite-graph labels |
CN104794491B (zh) | 2015-04-28 | 2018-01-23 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN104850858B (zh) | 2015-05-15 | 2016-09-07 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN104867144B (zh) | 2015-05-15 | 2018-05-01 | 广东工业大学 | 基于混合高斯模型的ic元件焊点缺陷检测方法 |
CN104850845B (zh) | 2015-05-30 | 2017-12-26 | 大连理工大学 | 一种基于非对称卷积神经网络的交通标志识别方法 |
KR101978995B1 (ko) | 2015-06-04 | 2019-05-16 | 가부시키가이샤 히다치 하이테크놀로지즈 | 결함 화상 분류 장치 및 결함 화상 분류 방법 |
CN105825175A (zh) | 2016-03-11 | 2016-08-03 | 上海弼智仿生高科技有限公司 | 一种工业视觉检测方案生成方法及工业视觉检测方法 |
CN106557778B (zh) | 2016-06-17 | 2020-02-07 | 北京市商汤科技开发有限公司 | 通用物体检测方法和装置、数据处理装置和终端设备 |
CN106355579A (zh) | 2016-09-14 | 2017-01-25 | 南京理工大学 | 烟条表面褶皱的缺陷检测方法 |
CN106485324A (zh) | 2016-10-09 | 2017-03-08 | 成都快眼科技有限公司 | 一种卷积神经网络优化方法 |
CN106803074A (zh) | 2017-01-12 | 2017-06-06 | 司马大大(北京)智能系统有限公司 | 中草药识别方法及装置 |
CN112435215B (zh) | 2017-04-11 | 2024-02-13 | 创新先进技术有限公司 | 一种基于图像的车辆定损方法、移动终端、服务器 |
CN107123114A (zh) | 2017-04-21 | 2017-09-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器学习的布匹缺陷检测方法及装置 |
CN107133943B (zh) | 2017-04-26 | 2018-07-06 | 贵州电网有限责任公司输电运行检修分公司 | 一种防震锤缺陷检测的视觉检测方法 |
CN107316295A (zh) | 2017-07-02 | 2017-11-03 | 苏州大学 | 一种基于深度神经网络的织物瑕疵检测方法 |
CN107392896B (zh) | 2017-07-14 | 2019-11-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
CN107451997A (zh) | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN107403173B (zh) | 2017-08-21 | 2020-10-09 | 合肥麟图信息科技有限公司 | 一种人脸识别系统及方法 |
-
2018
- 2018-01-09 CN CN201810019418.5A patent/CN108242054A/zh active Pending
- 2018-10-19 US US16/165,518 patent/US10769774B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
CN106153650A (zh) * | 2016-08-19 | 2016-11-23 | 苏州工业园区道青科技有限公司 | 一种轮毂缺陷检测装置 |
CN106529568A (zh) * | 2016-10-11 | 2017-03-22 | 浙江工业大学 | 一种基于bp神经网络的珍珠多分类方法 |
CN106845556A (zh) * | 2017-02-09 | 2017-06-13 | 东华大学 | 一种基于卷积神经网络的织物疵点检测方法 |
CN107091849A (zh) * | 2017-03-21 | 2017-08-25 | 南京铁道职业技术学院 | 轮毂探伤系统和方法 |
CN107356616A (zh) * | 2017-03-21 | 2017-11-17 | 南京铁道职业技术学院 | 测温型轮毂探伤系统和方法 |
CN107328787A (zh) * | 2017-07-05 | 2017-11-07 | 北京科技大学 | 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 |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003271A (zh) * | 2018-07-25 | 2018-12-14 | 江苏拙术智能制造有限公司 | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 |
CN109242825A (zh) * | 2018-07-26 | 2019-01-18 | 北京首钢自动化信息技术有限公司 | 一种基于深度学习技术的钢铁表面缺陷识别方法和装置 |
CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
CN109086828A (zh) * | 2018-08-10 | 2018-12-25 | 北京百度网讯科技有限公司 | 用于检测电池极片的方法和装置 |
CN109117818A (zh) * | 2018-08-30 | 2019-01-01 | 苏州富莱智能科技有限公司 | 材料组织特性智能识别分析系统及分析方法 |
CN109145846A (zh) * | 2018-08-30 | 2019-01-04 | 苏州富莱智能科技有限公司 | 材料微观结构智能识别分析系统及分析方法 |
WO2020047288A1 (en) * | 2018-08-31 | 2020-03-05 | Life Technologies Corporation | Image driven quality control for array based pcr |
US11836614B2 (en) | 2018-08-31 | 2023-12-05 | Life Technologies Corporation | Image driven quality control for array-based PCR |
CN109146873B (zh) * | 2018-09-04 | 2020-12-29 | 凌云光技术股份有限公司 | 一种基于学习的显示屏缺陷智能检测方法及装置 |
CN109146873A (zh) * | 2018-09-04 | 2019-01-04 | 凌云光技术集团有限责任公司 | 一种基于学习的显示屏缺陷智能检测方法及装置 |
CN109215022A (zh) * | 2018-09-05 | 2019-01-15 | 深圳灵图慧视科技有限公司 | 验布方法、装置、终端设备、服务器、存储介质和系统 |
CN109345519A (zh) * | 2018-09-21 | 2019-02-15 | 江苏拙术智能制造有限公司 | 基于深度学习yolo算法的线束连接器加工型号检测方法 |
CN111060512A (zh) * | 2018-10-16 | 2020-04-24 | 希捷科技有限公司 | 智能缺陷识别系统 |
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
CN109584230A (zh) * | 2018-11-26 | 2019-04-05 | 深圳龙图腾创新设计有限公司 | 辅助质检方法、装置、计算机设备及可读存储介质 |
WO2020137151A1 (ja) * | 2018-12-25 | 2020-07-02 | Jfeスチール株式会社 | 学習済みモデルの生成方法、学習済みモデル、表面欠陥検出方法、鋼材の製造方法、合否判定方法、等級判定方法、表面欠陥判定プログラム、合否判定プログラム、判定システム、及び鋼材の製造設備 |
CN113260854A (zh) * | 2018-12-25 | 2021-08-13 | 杰富意钢铁株式会社 | 学习完成模型的生成方法、学习完成模型、表面缺陷检测方法、钢材的制造方法、合格与否判定方法、等级判定方法、表面缺陷判定程序、合格与否判定程序、判定系统及钢材的制造设备 |
JPWO2020137151A1 (ja) * | 2018-12-25 | 2021-02-18 | Jfeスチール株式会社 | 学習済みモデルの生成方法、学習済みモデル、表面欠陥検出方法、鋼材の製造方法、合否判定方法、等級判定方法、表面欠陥判定プログラム、合否判定プログラム、判定システム、及び鋼材の製造設備 |
CN110197170A (zh) * | 2019-06-05 | 2019-09-03 | 北京科技大学 | 基于目标检测的钢卷卷形缺陷检测识别方法 |
CN110428175A (zh) * | 2019-08-05 | 2019-11-08 | 东北大学秦皇岛分校 | 一种基于深度学习的热轧带钢板凸度预报方法 |
CN110428175B (zh) * | 2019-08-05 | 2022-05-24 | 东北大学秦皇岛分校 | 一种基于深度学习的热轧带钢板凸度预报方法 |
CN111815576A (zh) * | 2020-06-23 | 2020-10-23 | 深圳供电局有限公司 | 金属部件腐蚀状况检测方法、装置、设备和存储介质 |
CN111815576B (zh) * | 2020-06-23 | 2024-01-19 | 深圳供电局有限公司 | 金属部件腐蚀状况检测方法、装置、设备和存储介质 |
CN111968084A (zh) * | 2020-08-08 | 2020-11-20 | 西北工业大学 | 一种基于人工智能的航空发动机叶片缺陷快速精准识别方法 |
CN112150440A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(青岛)科技有限公司 | 一种成衣质检算法的测试方法和装置 |
CN112686852A (zh) * | 2020-12-25 | 2021-04-20 | 浙江伟星实业发展股份有限公司 | 一种产品缺陷识别方法、装置、设备及存储介质 |
CN113160140A (zh) * | 2021-03-24 | 2021-07-23 | 华南理工大学 | 基于yolov3-spp网络模型的钢板表面缺陷检测方法 |
CN113744194A (zh) * | 2021-08-04 | 2021-12-03 | 武汉钢铁有限公司 | 钢板缺陷检测方法及计算机可读存储介质 |
CN113744194B (zh) * | 2021-08-04 | 2024-03-19 | 武汉钢铁有限公司 | 钢板缺陷检测方法及计算机可读存储介质 |
CN113627378A (zh) * | 2021-08-19 | 2021-11-09 | 国网上海市电力公司 | 一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法 |
CN113820326A (zh) * | 2021-11-19 | 2021-12-21 | 佛山市煜丰机械有限公司 | 一种长码拉链的缺陷检测系统 |
CN114742819A (zh) * | 2022-05-10 | 2022-07-12 | 上海晶岳电子有限公司 | Mos管背金工艺中硅片贴膜质检管理方法及系统 |
CN114742819B (zh) * | 2022-05-10 | 2022-12-09 | 上海晶岳电子有限公司 | Mos管背金工艺中硅片贴膜质检管理方法及系统 |
CN116629711B (zh) * | 2023-07-21 | 2023-10-27 | 苏州友得利金属制品有限公司 | 一种基于钢管质量检测的分流处理方法及系统 |
CN116629711A (zh) * | 2023-07-21 | 2023-08-22 | 苏州友得利金属制品有限公司 | 一种基于钢管质量检测的分流处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US10769774B2 (en) | 2020-09-08 |
US20190213734A1 (en) | 2019-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108242054A (zh) | 一种钢板缺陷检测方法、装置、设备和服务器 | |
CN113192040B (zh) | 一种基于YOLO v4改进算法的织物瑕疵检测方法 | |
CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
KR102229594B1 (ko) | 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체 | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
Çelik et al. | Development of a machine vision system: real-time fabric defect detection and classification with neural networks | |
CN108956614B (zh) | 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置 | |
Stojanovic et al. | Real-time vision-based system for textile fabric inspection | |
CN107564002A (zh) | 塑料管表面缺陷检测方法、系统及计算机可读存储介质 | |
CN108320278A (zh) | 产品缺陷检测定位方法、装置、设备及计算机可读介质 | |
CN107870172A (zh) | 一种基于图像处理的布匹疵点检测方法 | |
CN107944412A (zh) | 基于多层卷积神经网络的输电线路自动识别系统及方法 | |
CN108564104A (zh) | 产品缺陷检测方法、装置、系统、服务器及存储介质 | |
CN109389599A (zh) | 一种基于深度学习的缺陷检测方法及装置 | |
CN109671071A (zh) | 一种基于深度学习的地下管道缺陷定位及等级判定方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN106530288A (zh) | 基于深度学习算法的织物疵点检测方法 | |
CN103221807A (zh) | 快速处理和检测幅材型材料中的不均匀因素 | |
CN115169855A (zh) | 一种基于数字孪生车间混合数据集的不安全状态检测方法 | |
CN109283182A (zh) | 一种电池焊点缺陷的检测方法、装置及系统 | |
CN114677339A (zh) | 一种引入注意力机制的输电线路螺栓脱销缺陷检测方法 | |
CN113902710A (zh) | 基于异常检测算法进行工业零件表面缺陷检测方法及系统 | |
Ning et al. | Research on surface defect detection algorithm of strip steel based on improved YOLOV3 | |
CN108073873A (zh) | 基于高清智能摄像机的人脸检测与识别系统 | |
CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180703 |