CN108305243B - 一种基于深度学习的磁瓦表面缺陷检测方法 - Google Patents
一种基于深度学习的磁瓦表面缺陷检测方法 Download PDFInfo
- Publication number
- CN108305243B CN108305243B CN201711298006.1A CN201711298006A CN108305243B CN 108305243 B CN108305243 B CN 108305243B CN 201711298006 A CN201711298006 A CN 201711298006A CN 108305243 B CN108305243 B CN 108305243B
- Authority
- CN
- China
- Prior art keywords
- layer
- data set
- sample data
- deep learning
- learning model
- 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.)
- Expired - Fee Related
Links
- 230000007547 defect Effects 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000009466 transformation Effects 0.000 claims abstract description 36
- 238000013136 deep learning model Methods 0.000 claims abstract description 35
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000011176 pooling Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
Images
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习的磁瓦表面缺陷检测方法，包括如下步骤：对训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像进行数据增强变换处理，以得到扩大的训练样本数据集及检测样本数据集；以卷积神经网络为基础建立包含卷积层和全连接层的深度学习模型，其中卷积层包括九个单元，且每个单元均依次由图像卷积层、批归一化层、非线性变换层、图像卷积层、正则化层及特征合并层构成，全连接层依次由批归一化层、非线性变换层、全局平均池化层及缺陷分类层构成；用扩大的训练样本数据集离线训练已建立的深度学习模型，学习最优参数，以得到训练好的深度学习模型；在线检测时将扩大的检测样本数据集输入到已训练好的深度学习模型中，完成缺陷的自动分类识别；分类精度高，特征工程要求低，且泛化性能高。
Description
技术领域
本发明涉及机器视觉检测技术领域，更具体地，涉及一种基于深度学习的磁瓦表面缺陷检测方法。
背景技术
磁瓦是铁氧物永磁材料的主要产品之一，应用于众多领域，是电动机中的重要组成部件。由于磁瓦本身材料和制造过程的特点，在表面很容易破损产生缺陷，这直接影响了磁瓦的正常使用，因此含有缺陷的磁瓦应该在出厂前予以剔除，防止在装入电动机后工作状态下突发损坏，产生恶劣后果。磁瓦表面缺陷的检测一直是厂家十分关心的问题。
经检索，中国专利申请号201610479587.8，申请日为2016年6月24日，发明创造名称为：一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法，该申请案采用以下步骤：一、输入磁瓦图像，利用形态学的顶帽和底帽变换相结合的方法，增强图像整体灰度对比度；二、将所得图像均匀分成a*b个图像块，然后利用分块后的图像块的灰度特征量区分缺陷图像块和非缺陷图像块；三、采用改进Itti视觉注意机制模型计算所得缺陷图像块的显著度，选择初级特征用以形成综合显著图；四、选用大津阈值分割算法对综合显著图阈值化，提取缺陷区域。
又如中国专利申请号201310020370.7，申请日为2013年1月18日，发明创造名称为：一种基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法，该申请案首先构造用于表面缺陷特征提取的5尺度、8方向Gabor滤波器组，并对原始图像滤波，得到40幅分量图；提取分量图的灰度均值和方差特征，组成80维特征向量；用PCA主成分法和ICA独立成分法对80维特征向量降维，去除相关和冗余，得到20维特征向量，并对数据归一化处理；采用网格法和K-CV交叉验证法实现SVM参数寻优，基于样本数据离线训练SVM模型；在线检测时，数据经预处理至SVM，实现缺陷的自动分类识别。
又如中国专利申请号201110251473.5，申请日为2011年8月30日，发明创造名称为：一种磁瓦表面缺陷检测系统及其检测方法，该申请案包括由多个相机组成的图像采集模块、图像传输和处理模块以及多个传感器组成的相机触发和计算机中断模块，所述图像采集模块中的相机用于获取磁瓦不同表面图像，所述图像传输和处理模块包括交换机和计算机，所述相机分别与交换机连接，交换机与计算机连接，所述相机触发和计算机中断模块中的传感器用于对磁瓦位置进行检测，并触发相机，所述多个相机与多个传感器对应连接，所述传感器通过I/O接口与计算机连接。
以上三个技术主要采用传统图像模式识别和机器学习算法，但是传统方法存在以下3类不足：1)分类精度不高，难以满足实用要求；2)特征工程要求高，需领域专家长期摸索、反复调试获得，系统开发周期长；3)泛化性能低，改变检测目标或环境，需重新设计系统和算法，难以现代化生产作业的需要。由于传统方法本身存在的局限，导致实用性较差，目前很多生产磁瓦的厂家主要还是以人工目视检测为主，这种检测方法由于存在精度差、效率低、接触式等缺点，已无法满足现代化生产作业的需要。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于深度学习的磁瓦表面缺陷检测方法，分类精度高，特征工程要求低，且泛化性能高，能快速、有效地对各类工况下不同磁瓦表面缺陷进行自动识别。
为解决上述技术问题，本发明采用的技术方案是：
提供一种基于深度学习的磁瓦表面缺陷检测方法，包括如下步骤：
S1.扩大训练样本数据集及检测样本数据集：对训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像进行数据增强变换处理，以得到扩大的训练样本数据集及检测样本数据集；
S2.建立并训练深度学习模型：以卷积神经网络为基础建立包含卷积层和全连接层的深度学习模型，其中卷积层包括九个单元，且每个单元均依次由图像卷积层、批归一化层、非线性变换层、图像卷积层、正则化层及特征合并层构成，全连接层依次由批归一化层、非线性变换层、全局平均池化层及缺陷分类层构成；用扩大的训练样本数据集离线训练已建立的深度学习模型，学习最优参数，以建立训练样本数据集中的磁瓦表面缺陷图像与缺陷类别的关系，得到训练好的深度学习模型；
S3.识别缺陷：在线检测时将扩大的检测样本数据集输入到已训练好的深度学习模型中，完成缺陷的自动分类识别。
上述方案中，通过采用深度学习模型实现端到端的表征学习，直接将磁瓦表面缺陷图像输入深度学习模型，无需人工手动做特征工程，使得特征工程要求低，通过对原始磁瓦表面缺陷图像进行数据增强变换处理，扩大训练样本数据集及检测样本数据集，有效提升了该检测方法对环境和目标的适应性，泛化性能高，能快速、有效地对各类工况下不同磁瓦表面缺陷进行自动识别，且数据增强变换处理和深度学习模型相结合能降低检测方法过拟合的风险，有效提高分类精度。
优选地，步骤S1中的训练样本数据集及检测样本数据集中均包括四类缺陷的原始磁瓦表面缺陷图像，分别为裂纹、崩烂、起级及其他类缺陷。进一步优选地，步骤S1中的训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像均是在同一工位独立采样获取的。
优选地，步骤S1中的数据增强变换处理包括翻转、旋转、平移、缩放及加噪声变换处理；其中，旋转、平移、缩放及加噪声变换处理均为两个尺度，且加噪声变换处理为高斯噪声变换处理。
优选地，在步骤S2中训练深度学习模型时，图像卷积层使用的卷积核为
批归一化层使用的批大小为64，非线性变换层使用ReLU非线性处理，正则化层使用Dropout正则化处理，特征合并层将输入图像卷积层中的图像与经过正则化层处理后的图像合并在一起；扩大的训练样本数据集在卷积层中依次经过九个单元的处理后即可得到高维磁瓦表面缺陷的特征表示，再经过全连接层中全局平均池化层的处理后即可得到一维样本特征向量，最后对该一维样本特征向量进行训练学习以得到训练好的深度学习模型。
与现有技术相比，本发明的有益效果是：
本发明一种基于深度学习的磁瓦表面缺陷检测方法，通过采用深度学习模型实现端到端的表征学习，直接将磁瓦表面缺陷图像输入深度学习模型，无需人工手动做特征工程，使得特征工程要求低，通过对原始磁瓦表面缺陷图像进行数据增强变换处理，扩大训练样本数据集及检测样本数据集，有效提升了该检测方法对环境和目标的适应性，泛化性能高，能快速、有效地对各类工况下不同磁瓦表面缺陷进行自动识别，且数据增强变换处理和深度学习模型相结合能降低检测方法过拟合的风险，有效提高分类精度。
附图说明
图1为本实施例一种基于深度学习的磁瓦表面缺陷检测方法的流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例
本实施例一种基于深度学习的磁瓦表面缺陷检测方法，流程图如图1所示，包括如下步骤：
S1.扩大训练样本数据集及检测样本数据集：对训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像进行数据增强变换处理，以得到扩大的训练样本数据集及检测样本数据集；
S2.建立并训练深度学习模型：以卷积神经网络为基础建立包含卷积层和全连接层的深度学习模型，其中卷积层包括九个单元，且每个单元均依次由图像卷积层、批归一化层、非线性变换层、图像卷积层、正则化层及特征合并层构成，全连接层依次由批归一化层、非线性变换层、全局平均池化层及缺陷分类层构成；用扩大的训练样本数据集离线训练已建立的深度学习模型，学习最优参数，以建立训练样本数据集中的磁瓦表面缺陷图像与缺陷类别的关系，得到训练好的深度学习模型；
S3.识别缺陷：在线检测时将扩大的检测样本数据集输入到已训练好的深度学习模型中，完成缺陷的自动分类识别。
本发明一种基于深度学习的磁瓦表面缺陷检测方法，，通过采用深度学习模型实现端到端的表征学习，直接将磁瓦表面缺陷图像输入深度学习模型，无需人工手动做特征工程，使得特征工程要求低，通过对原始磁瓦表面缺陷图像进行数据增强变换处理，扩大训练样本数据集及检测样本数据集，有效提升了该检测方法对环境和目标的适应性，泛化性能高，能快速、有效地对各类工况下不同磁瓦表面缺陷进行自动识别，且数据增强变换处理和深度学习模型相结合能降低检测方法过拟合的风险，有效提高分类精度。
其中，步骤S1中的训练样本数据集及检测样本数据集中均包括四类缺陷的原始磁瓦表面缺陷图像，分别为裂纹、崩烂、起级及其他类缺陷。
本实施例中，步骤S1中的训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像均是在同一工位独立采样获取的。
另外，步骤S1中的数据增强变换处理包括翻转、旋转、平移、缩放及加噪声变换处理；其中，旋转、平移、缩放及加噪声变换处理均为两个尺度，且加噪声变换处理为高斯噪声变换处理。
其中，在步骤S2中训练深度学习模型时，图像卷积层使用的卷积核为
批归一化层使用的批大小为64，非线性变换层使用ReLU非线性处理，正则化层使用Dropout正则化处理，特征合并层将输入图像卷积层中的图像与经过正则化层处理后的图像合并在一起；扩大的训练样本数据集在卷积层中依次经过九个单元的处理后即可得到高维磁瓦表面缺陷的特征表示，再经过全连接层中全局平均池化层的处理后即可得到一维样本特征向量，最后对该一维样本特征向量进行训练学习以得到训练好的深度学习模型。
本实施例中，在步骤S3的识别缺陷中，为了证明该检测方法的有效性，对4000个原始检测样本数据进行测试，具体为：将1个原始检测样本先经数据增强变换，变换后形成10个检测样本，每1个检测样本输入深度学习模型得到1个识别结果，以概率值表示，10个检测样本得到10个概率值，然后对10个识别结果作算术平均，得到该原始检测样本的识别结果概率值；依次对4000个原始检测样本进行以上步骤处理，得到4000个识别结果概率值，最后对4000个识别结果概率值作算术平均，得到4000个原始检测样本的识别结果，以概率值表示。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于深度学习的磁瓦表面缺陷检测方法，其特征在于，包括如下步骤：
S1.扩大训练样本数据集及检测样本数据集：对训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像进行数据增强变换处理，以得到扩大的训练样本数据集及检测样本数据集；
S2.建立并训练深度学习模型：以卷积神经网络为基础建立包含卷积层和全连接层的深度学习模型，其中卷积层包括九个单元，且每个单元均依次由图像卷积层、批归一化层、非线性变换层、图像卷积层、正则化层及特征合并层构成，全连接层依次由批归一化层、非线性变换层、全局平均池化层及缺陷分类层构成；用扩大的训练样本数据集离线训练已建立的深度学习模型，学习最优参数，以建立训练样本数据集中的磁瓦表面缺陷图像与缺陷类别的关系，得到训练好的深度学习模型；
S3.识别缺陷：在线检测时将扩大的检测样本数据集输入到已训练好的深度学习模型中，完成缺陷的自动分类识别；
在步骤S2中训练深度学习模型时，图像卷积层使用的卷积核为
批归一化层使用的批大小为64，非线性变换层使用ReLU非线性处理，正则化层使用Dropout正则化处理，特征合并层将输入图像卷积层中的图像与经过正则化层处理后的图像合并在一起；扩大的训练样本数据集在卷积层中依次经过九个单元的处理后即可得到高维磁瓦表面缺陷的特征表示，再经过全连接层中全局平均池化层的处理后即可得到一维样本特征向量，最后对该一维样本特征向量进行训练学习以得到训练好的深度学习模型。
2.根据权利要求1所述的一种基于深度学习的磁瓦表面缺陷检测方法，其特征在于，步骤S1中的训练样本数据集及检测样本数据集中均包括四类缺陷的原始磁瓦表面缺陷图像，分别为裂纹、崩烂、起级及其他类缺陷。
3.根据权利要求2所述的一种基于深度学习的磁瓦表面缺陷检测方法，其特征在于，步骤S1中的训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像均是在同一工位独立采样获取的。
4.根据权利要求1所述的一种基于深度学习的磁瓦表面缺陷检测方法，其特征在于，步骤S1中的数据增强变换处理包括翻转、旋转、平移、缩放及加噪声变换处理；其中，旋转、平移、缩放及加噪声变换处理均为两个尺度，且加噪声变换处理为高斯噪声变换处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711298006.1A CN108305243B (zh) | 2017-12-08 | 2017-12-08 | 一种基于深度学习的磁瓦表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711298006.1A CN108305243B (zh) | 2017-12-08 | 2017-12-08 | 一种基于深度学习的磁瓦表面缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108305243A CN108305243A (zh) | 2018-07-20 |
| CN108305243B true CN108305243B (zh) | 2021-11-30 |
Family
ID=62870315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711298006.1A Expired - Fee Related CN108305243B (zh) | 2017-12-08 | 2017-12-08 | 一种基于深度学习的磁瓦表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108305243B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035232A (zh) * | 2018-07-24 | 2018-12-18 | 桂林电子科技大学 | 一种基于深度学习和机器视觉融合的夹片缺陷检测方法 |
| CN109239075B (zh) * | 2018-08-27 | 2021-11-30 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
| CN109211919B (zh) * | 2018-09-03 | 2021-04-30 | 珠海格力智能装备有限公司 | 磁瓦崩缺区域的识别方法及装置 |
| KR20200039047A (ko) * | 2018-10-01 | 2020-04-16 | 에스케이씨 주식회사 | 필름 결함 검출 방법 및 시스템 |
| CN109859203B (zh) * | 2019-02-20 | 2022-10-14 | 福建医科大学附属口腔医院 | 基于深度学习的缺陷牙齿图像识别方法 |
| CN110378435B (zh) * | 2019-07-25 | 2021-09-10 | 安徽工业大学 | 一种基于卷积神经网络的苹果叶片病害识别的方法 |
| CN110827263B (zh) * | 2019-11-06 | 2021-01-29 | 创新奇智(南京)科技有限公司 | 基于视觉识别技术的磁瓦表面缺陷检测系统及检测方法 |
| CN111044608A (zh) * | 2019-11-11 | 2020-04-21 | 四川大学 | 基于深度学习的磁瓦内部缺陷检测方法及其应用 |
| CN111144269B (zh) * | 2019-12-23 | 2023-11-24 | 威海北洋电气集团股份有限公司 | 一种基于深度学习的信号相关行为识别方法及系统 |
| CN111080636B (zh) * | 2019-12-23 | 2023-08-25 | 山东安亚金属科技有限公司 | 彩钢瓦表面缺陷的cnn语义分割自学习检测方法 |
| CN111053579B (zh) * | 2019-12-31 | 2023-07-07 | 深圳开立生物医疗科技股份有限公司 | 盆底状态的分类方法、系统、超声设备及计算机存储介质 |
| CN111179263B (zh) * | 2020-01-06 | 2023-10-13 | 广东宜通联云智能信息有限公司 | 一种工业图像表面缺陷检测模型、方法、系统及装置 |
| CN111507960A (zh) * | 2020-04-16 | 2020-08-07 | 重庆三峡学院 | 一种基于神经网络可视化的摄像模组镜头脏污检测方法 |
| CN111951229A (zh) * | 2020-07-22 | 2020-11-17 | 国网安徽省电力有限公司电力科学研究院 | 一种基于全连接层增广的小金具图像数据集训练方法 |
| CN112132784A (zh) * | 2020-08-22 | 2020-12-25 | 安徽大学 | 一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法 |
| CN112669275B (zh) * | 2020-12-23 | 2024-09-10 | 中国电子技术标准化研究院 | 基于YOLOv3算法的PCB表面缺陷检测方法及装置 |
| CN112668634B (zh) * | 2020-12-25 | 2022-08-09 | 广州利科科技有限公司 | 基于深度学习的地下管网自动识别检测的云系统 |
| CN113687227B (zh) * | 2021-08-24 | 2023-03-24 | 桂林电子科技大学 | 一种基于感兴趣区域增强的电机磁瓦缺陷分类方法 |
| CN113781430B (zh) * | 2021-09-09 | 2023-08-25 | 北京云屿科技有限公司 | 一种基于深度学习的手套表面缺陷检测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
| CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060029257A1 (en) * | 2004-08-03 | 2006-02-09 | Honda Motor Co., Ltd. | Apparatus for determining a surface condition of an object |
-
2017
- 2017-12-08 CN CN201711298006.1A patent/CN108305243B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
| CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| LVQ 神经网络在磁瓦表面缺陷分类中的运用;严俊龙等;《计算机与数字工程》;20091231(第12期);第147-150页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108305243A (zh) | 2018-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108305243B (zh) | 一种基于深度学习的磁瓦表面缺陷检测方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
| CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
| Park et al. | Ambiguous surface defect image classification of AMOLED displays in smartphones | |
| CN110751154B (zh) | 一种基于像素级分割的复杂环境多形状文本检测方法 | |
| CN108764361B (zh) | 基于集成学习的游梁式抽油机示功图的工况识别方法 | |
| CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
| CN109166092A (zh) | 一种图像缺陷检测方法及系统 | |
| CN114612472A (zh) | 一种基于SegNet改进的皮革缺陷分割网络算法 | |
| CN116682068B (zh) | 油井防砂作业施工监控方法及其系统 | |
| CN116612106A (zh) | 一种基于yolox算法的光学元件表面缺陷检测方法 | |
| Liu et al. | Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features | |
| CN113487538A (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
| Jin et al. | A survey of surface defect detection of industrial products based on a small number of labeled data | |
| CN117392066A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN110288040B (zh) | 一种基于拓扑验证的图像相似评判方法及设备 | |
| CN108615039A (zh) | 基于计算机视觉的弹壳表面缺陷自动检测方法 | |
| CN117067112B (zh) | 一种水切割机及其控制方法 | |
| CN117036342B (zh) | 一种芯片缺陷识别方法及系统 | |
| CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
| CN113989196A (zh) | 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法 | |
| CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
| CN117274148B (zh) | 基于深度学习的无监督晶圆缺陷检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211130 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |