CN108562589A - 一种对磁路材料表面缺陷进行检测的方法 - Google Patents
一种对磁路材料表面缺陷进行检测的方法 Download PDFInfo
- Publication number
- CN108562589A CN108562589A CN201810278203.5A CN201810278203A CN108562589A CN 108562589 A CN108562589 A CN 108562589A CN 201810278203 A CN201810278203 A CN 201810278203A CN 108562589 A CN108562589 A CN 108562589A
- Authority
- CN
- China
- Prior art keywords
- defect
- sample
- mark
- training
- image
- 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
Links
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Image Processing (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种对磁路材料表面缺陷进行检测的方法,其包括如下步骤:收集训练图片;进行人工标注;将训练图和标注图用设计的卷积神经网络进行训练;输入相机采集的磁路未标注图像得到预测结果;根据预设阈值融合生成检测结果。本发明提供的方法能够对磁路产品表面的缺陷形态进行自我学习并优化网络模型,克服了产品缺陷形态随机,纹理复杂,对比度低等干扰因素带来的诸多不利影响,尤其是在少量样本输入的条件下,采用数据增强也能获得优秀的网络模型,从而提高缺陷识别率,另外,本发明方法的数据处理速度至少与现有机器视觉算法相当,且准确率与良率远超现有机器视觉算法,能够显著提高磁路产品的出厂质量。
Description
技术领域
本发明涉及一种磁路材料的检测方法,具体涉及一种基于深度学习算法对磁路材料表面缺陷进行检测的方法。
背景技术
磁路主要作为3C行业中手机扬声器的组成材料。磁路在生产过程中的质量直接影响到扬声器声学性能。通常情况下,由于磁路表面会出现裂纹、脏污、杂质及外观缺失等缺陷,传统生产线中都是采用人工在线判断,但人工也由于疲劳、人眼的限制等导致产品良率下降,影响出货品质,达不到最终用户要求。
近年来,部分系统集成商采用机器视觉的方法对磁路表面缺陷进行检测,首先通过特殊光路对磁路表面缺陷进行成像,获取产品表面的缺陷信息,再使用形态学处理、几何分析、傅立叶变换、模板匹配等常规机器视觉算法对缺陷信息进行分析,从而判断缺陷是否存在。由于磁路表面纹理复杂,表面缺陷形态非常随机,对比度低,同时生产线上磁路成像的稳定性也很难保证,现有的机器视觉算法在分析缺陷的过程中存在很大局限性,漏判率和误判率很高,很难达到实际生产要求。而且现有的机器视觉算法在面对随机出现的各种缺陷时,需要不断的调整和优化算法,适应性非常差,同时也会导致时间的浪费。
发明内容
本发明的主要目的在于提供一种对磁路材料表面缺陷进行检测的方法,以克服现有技术的不足。
为实现前述发明目的,本发明采用的技术方案包括:
本发明实施例提供了一种对磁路材料表面缺陷进行检测的方法,其包括如下步骤:
(1)收集训练图片作为训练样本,所述训练图片包括无缺陷样品图片和缺陷样品图片;
(2)至少对缺陷样品图片中示出的缺陷进行像素级的分类标注;
(3)对训练样本和步骤(2)生成的标注样本进行变换生成新的训练样本,实现训练样本增强,之后以原始的训练样本和新生成的训练样本作为输入数据,步骤(2)生成的标注样本经过二值处理生成的N张特征图作为参考输出,输入到卷积神经网络中进行训练,通过多次迭代达到稳定收敛的准确率为止,其中N=(缺陷的种类数量+1);
(4)保存步骤(3)生成的训练好的网络模型,对输入的未标注图像进行预测,每一未标注图像经预测生成N张特征图,该N张特征图中每个像素代表在原图中该像素位置上的特征属于(N-1)种缺陷中的一种的概率得分;
(5)对步骤(4)生成的N张概率得分图进行处理,设置每种缺陷的概率得分阈值,生成聚类索引图,进而用blob提取方法,按索引区域标签提取出缺陷所在位置。
进一步地,在所述的步骤(1)中,收集的无缺陷样品图片与具有不同缺陷的缺陷样品图片的数量相当。
进一步地,所述的步骤(2)包括:对无缺陷样品图片和缺陷样品图片均予以标注,其中,无缺陷样品图像标注保存为像素全为黑色的且与原图大小相同的图片,缺陷样品图像标注以不同颜色代表不同缺陷类型,按像素区域标记出缺陷位置,生成的标注图像为除标注区域有颜色之外,其他部分都为黑色的图片。
进一步地,所述的步骤(3)包括:在每轮训练时对训练样本和步骤(2)生成的标注样本进行图像的尺度变换。
进一步地,在步骤(3)中,所述的变换包括旋转、缩放、镜像、错切中的任意一种或两种以上的组合。
进一步地,在步骤(3)中,所述卷积神经网络的前向传播过程包括:
输入原始的训练样本和新生成的训练样本,并对训练图片进行归一化,归一化采用先减去图像均值再除以图像方差的方式;
将输入的原始的训练样本、步骤(2)生成的标注样本以及新生成的训练样本缩放至网络输入层的大小,进一步地将缩放后的图片传入五层卷积加池化和四层反卷积加上采样的网络中;
用Softmax算法得到N张特征图的预测结果。
进一步地,在步骤(3)中,所述的训练包括:采用类似梯度下降的优化算法对每轮训练的得到的预测结果和标注结果作为对比,然后对网络参数做迭代优化,直至训练出一组参数使得预测结果和标注结果极其近似为止。
进一步地,所述的步骤(4)包括将相机采集的未标注图像输入所述训练好的网络模型中,执行一次前向传播得到N张特征图的过程。
进一步地,所述的步骤(5)包括:将步骤(4)生成的N张特征图中每一张图的每一个位置上的点与其他各特征图的同一个位置的点上的概率值比较,生成每个点概率最大索引的二维统计图,即所述的聚类索引图,并且在生成所述统计图时,设置概率得分阈值,若其中某一点位置的最大类别概率小于设置的概率得分阈值,则将该点位置视为背景特征,否则,依据该点位置的最大类别概率,判定其所属的缺陷类型,之后,依据所述的二维统计图进一步用blob提取方法提取出所述未标注图像上的缺陷所在区域。
较之现有技术,本发明提供的一种基于深度学习算法对磁路材料表面缺陷进行检测的方法能够对磁路产品表面的缺陷形态进行自我学习并优化网络模型,克服了产品缺陷形态随机,纹理复杂,对比度低等干扰因素带来的诸多不利影响,尤其是在少量样本输入的条件下,采用数据增强也能获得优秀的网络模型,从而提高缺陷识别率,另外,本发明方法的数据处理速度至少与现有机器视觉算法相当,且准确率与良率远超现有机器视觉算法,能够显著提高磁路产品的出厂质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一典型实施方案中一种对磁路材料表面缺陷进行检测的方法的原理图。
图2是本发明一典型实施方案中卷积神经网络的前向传播过程图。
图3是本发明一典型实施方案中根据预设阈值融合生成检测结果的示意图。
具体实施方式
如前所述,鉴于现有技术的不足,本案发明人经长期研究和大量实践,得以提出本发明的技术方案。下面将对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如前所述,本案发明人经长期研究和实践,提出了一种新型的磁路材料表面缺陷检测方法,其主要采用了基于深度卷积神经网络的分类算法,其中对输入图像块进行压缩与切割,导入分类器,形成多层神经网络模型,其能够适应磁路表面缺陷随机性带来的干扰,准确识别缺陷。
进一步的讲,参阅图1所示,本发明一典型实施案例中提供的一种对磁路材料表面缺陷进行检测的方法包括如下步骤:
步骤(1),收集训练图片;
步骤(2),进行人工标注;
步骤(3),将训练图和标注图用设计的卷积神经网络进行训练;
步骤(4),输入相机采集的磁路未标注图像得到预测结果;
步骤(5),根据预设阈值融合生成检测结果。
如下将予以更为详细的说明。
在该典型实施例中,所述的步骤(1)包括:收集训练图片,作为训练的样本数据,需分类收集无缺陷样品图片和缺陷样品图片,无缺陷样品图片和每一种缺陷的图片尽量提供数量差不多。在该典型实施例中,所述的步骤(2)包括:用图像标注工具进行标注,对无缺陷样品和缺陷样品都予以标注。无缺陷样品图像标注只需保存为像素全为黑色的且和原图大小相同的图片,缺陷样品图像标注需用不同颜色代表不同缺陷类型的画笔,按像素区域标记出缺陷位置,生成的标注图像为除了标注区域有颜色,其他部分都为黑色的图片。
在该典型实施例中,所述的步骤(3)包括:用卷积神经网络进行训练,在训练开始时,进行图像的多尺度增强,该种处理方式是在每轮训练的时候都对原始样本图像做一些尺度变换,如缩放、旋转、镜像、错切,此步操作可以达到样本图像数量较少的情况下也可以训练出泛化能力很好的模型。
进一步地,在该典型实施例中,所述卷积神经网络的前向传播过程大致如图2所示,包括:首先,输入训练图片,对图片进行归一化,归一化采用先减去图像均值再除以图像方差的方式;接着,将输入原图和标注图缩放至网络输入层的大小,进一步地将缩放后的图片传入五层卷积加池化和四层反卷积加上采样的网络中;最后,用Softmax算法得到N张特征图的预测结果。
进一步地,在该典型实施例中,所述的训练包括:采用类似梯度下降的优化算法对每轮训练的得到的预测结果和标注结果做对比,然后对网络参数做迭代优化,直至训练出一组参数使得预测结果和标注结果极其近似为止。
进一步地,在该典型实施例中,所述的步骤(4)包括:将相机采集的未标注图像输入以上训练好的网络当中,执行一次前向传播得到N张特征图的过程。
进一步地,在该典型实施例中,所述的步骤(5)的过程可以如图3所示。在一些情况下,可以假设磁路缺陷有两种,输入的图片中包含两种缺陷,图片大小为5*5,标注图背景为0,两种缺陷标注像素值为1和2,图3所示输入一张5*5大小待预测图片,经过卷积神经网络预测得到三张特征图。三张特征图每一个像素位置上的值代表该点可能为该种特征的概率,进一步将三张特征图每张图的每一个位置上的点与其他两张特征图的同一个位置的点上的概率值做比较,生成一张每个点概率最大索引的统计图,在生成统计图时,本发明的方法中还加入了概率阈值,即,如果某一点位置的最大类别概率小于设置的阈值,该点位置都将视为是背景特征,其索引将被设为0,如图3中设置阈值为0.95,则第二行最后一个点被视为背景而不是1类缺陷。最后生成的二维统计图每个点表征的是该点是0、1、2三种类型的一种,根据该二维统计图进一步用blob提取方法便可简单的画出原图上的缺陷所在区域。
应当理解,上述实施例仅为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种对磁路材料表面缺陷进行检测的方法,其特征在于包括如下步骤:
(1)收集训练图片作为训练样本,所述训练图片包括无缺陷样品图片和缺陷样品图片;
(2)至少对缺陷样品图片中示出的缺陷进行像素级的分类标注;
(3)对训练样本和步骤(2)生成的标注样本进行变换生成新的训练样本,实现训练样本增强,之后以原始的训练样本和新生成的训练样本作为输入数据,步骤(2)生成的标注样本经过二值处理生成的N张特征图作为参考输出,输入到卷积神经网络中进行训练,通过多次迭代达到稳定收敛的准确率为止,其中N=(缺陷的种类数量+1);
(4)保存步骤(3)生成的训练好的网络模型,对输入的未标注图像进行预测,每一未标注图像经预测生成N张特征图,该N张特征图中每个像素代表在原图中该像素位置上的特征属于(N-1)种缺陷中的一种的概率得分;
(5)对步骤(4)生成的N张概率得分图进行处理,设置每种缺陷的概率得分阈值,生成聚类索引图,进而用blob提取方法,按索引区域标签提取出缺陷所在位置。
2.如权利要求1所述的方法,其特征在于:在所述的步骤(1)中,收集的无缺陷样品图片与具有不同缺陷的缺陷样品图片的数量相当。
3.如权利要求1所述的方法,其特征在于,所述的步骤(2)包括:对无缺陷样品图片和缺陷样品图片均予以标注,其中,无缺陷样品图像标注保存为像素全为黑色的且与原图大小相同的图片,缺陷样品图像标注以不同颜色代表不同缺陷类型,按像素区域标记出缺陷位置,生成的标注图像为除标注区域有颜色之外,其他部分都为黑色的图片。
4.如权利要求1所述的方法,其特征在于,所述的步骤(3)包括:在每轮训练时对训练样本和步骤(2)生成的标注样本进行图像的尺度变换。
5.如权利要求1或4所述的方法,其特征在于,在步骤(3)中,所述的变换包括旋转、缩放、镜像、错切中的任意一种或两种以上的组合。
6.如权利要求1所述的方法,其特征在于,在步骤(3)中,所述卷积神经网络的前向传播过程包括:
输入原始的训练样本和新生成的训练样本,并对训练图片进行归一化,归一化采用先减去图像均值再除以图像方差的方式;
将输入的原始的训练样本、步骤(2)生成的标注样本以及新生成的训练样本缩放至网络输入层的大小,进一步地将缩放后的图片传入五层卷积加池化和四层反卷积加上采样的网络中;
用Softmax算法得到N张特征图的预测结果。
7.如权利要求1或6所述的方法,其特征在于,在步骤(3)中,所述的训练包括:采用类似梯度下降的优化算法对每轮训练的得到的预测结果和标注结果作为对比,然后对网络参数做迭代优化,直至训练出一组参数使得预测结果和标注结果极其近似为止。
8.如权利要求6所述的方法,其特征在于,所述的步骤(4)包括将相机采集的未标注图像输入所述训练好的网络模型中,执行一次前向传播得到N张特征图的过程。
9.如权利要求1所述的方法,其特征在于,所述的步骤(5)包括:将步骤(4)生成的N张特征图中每一张图的每一个位置上的点与其他各特征图的同一个位置的点上的概率值比较,生成每个点概率最大索引的二维统计图,即所述的聚类索引图,并且在生成所述统计图时,设置概率得分阈值,若其中某一点位置的最大类别概率小于设置的概率得分阈值,则将该点位置视为背景特征,否则,依据该点位置的最大类别概率,判定其所属的缺陷类型,之后,依据所述的二维统计图进一步用blob提取方法提取出所述未标注图像上的缺陷所在区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810278203.5A CN108562589B (zh) | 2018-03-30 | 2018-03-30 | 一种对磁路材料表面缺陷进行检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810278203.5A CN108562589B (zh) | 2018-03-30 | 2018-03-30 | 一种对磁路材料表面缺陷进行检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108562589A true CN108562589A (zh) | 2018-09-21 |
CN108562589B CN108562589B (zh) | 2020-12-01 |
Family
ID=63533543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810278203.5A Active CN108562589B (zh) | 2018-03-30 | 2018-03-30 | 一种对磁路材料表面缺陷进行检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108562589B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800708A (zh) * | 2018-12-13 | 2019-05-24 | 程琳 | 基于深度学习的航空发动机孔探图像损伤智能识别方法 |
CN109872313A (zh) * | 2019-02-15 | 2019-06-11 | 苏州晓创光电科技有限公司 | 一种基于深度卷积自编码器的产品表面缺陷检测方法 |
CN109886934A (zh) * | 2019-01-28 | 2019-06-14 | 厦门理工学院 | 碳化竹片缺陷检测方法及系统 |
CN109903287A (zh) * | 2019-03-29 | 2019-06-18 | 北京百度网讯科技有限公司 | 质量检测方法及装置 |
CN110044905A (zh) * | 2019-03-27 | 2019-07-23 | 北京好运达智创科技有限公司 | 一种双块式轨枕的裂纹检测方法 |
CN110060237A (zh) * | 2019-03-29 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 一种故障检测方法、装置、设备及系统 |
CN110243934A (zh) * | 2019-05-30 | 2019-09-17 | 中国计量大学上虞高等研究院有限公司 | 一种基于小波卷积神经网络的超声波焊缝检测方法 |
CN110514734A (zh) * | 2019-08-12 | 2019-11-29 | 广东工业大学 | 一种复合磁场磁光成像无损检测系统及方法 |
CN110633758A (zh) * | 2019-09-20 | 2019-12-31 | 四川长虹电器股份有限公司 | 针对小样本或样本不平衡的癌症区域检测定位的方法 |
CN111060601A (zh) * | 2019-12-27 | 2020-04-24 | 武汉武船计量试验有限公司 | 一种基于深度学习的焊缝超声相控阵检测数据智能分析方法 |
CN111144513A (zh) * | 2020-01-02 | 2020-05-12 | 大连理工大学 | 一种结合生成对抗网络与传统图像处理技术的工业产品喷涂缺陷数据增强方法 |
CN111311542A (zh) * | 2020-01-15 | 2020-06-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
WO2020143592A1 (zh) * | 2019-01-07 | 2020-07-16 | 鲁班嫡系机器人(深圳)有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
CN111582294A (zh) * | 2019-03-05 | 2020-08-25 | 慧泉智能科技(苏州)有限公司 | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 |
CN111652098A (zh) * | 2020-05-25 | 2020-09-11 | 四川长虹电器股份有限公司 | 产品表面缺陷检测方法及装置 |
CN111861966A (zh) * | 2019-04-18 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及缺陷检测方法、装置 |
CN111968095A (zh) * | 2020-08-19 | 2020-11-20 | 成都数之联科技有限公司 | 一种产品表面缺陷检测方法及系统及装置及介质 |
CN112017150A (zh) * | 2020-04-30 | 2020-12-01 | 河南爱比特科技有限公司 | 一种锂离子电池极片表面缺陷智能视觉检测方法及设备 |
CN112381794A (zh) * | 2020-11-16 | 2021-02-19 | 哈尔滨理工大学 | 一种基于深度卷积生成网络的印刷缺陷检测方法 |
CN112551298A (zh) * | 2020-12-01 | 2021-03-26 | 慧泉智能科技(苏州)有限公司 | 一种升降梯轿厢内电瓶车进入预警方法 |
CN112767354A (zh) * | 2021-01-19 | 2021-05-07 | 南京汇川图像视觉技术有限公司 | 基于图像分割的缺陷检测方法、装置、设备及存储介质 |
CN113112442A (zh) * | 2019-12-25 | 2021-07-13 | 精锐视觉智能科技(深圳)有限公司 | 缺陷检测方法、装置及终端设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0720016A1 (de) * | 1994-12-29 | 1996-07-03 | Hüls Aktiengesellschaft | Verfahren zur Beurteilung der Druckqualität |
WO2004090521A1 (en) * | 2003-04-09 | 2004-10-21 | Crc For Intelligent Manufacturing Systems & Technologies Ltd | Method of classifying defects |
CN101424645A (zh) * | 2008-11-20 | 2009-05-06 | 上海交通大学 | 基于机器视觉的焊球表面缺陷检测装置与方法 |
CN103439342A (zh) * | 2013-09-17 | 2013-12-11 | 华东交通大学 | 基于热图时序特征的红外无损检测方法 |
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 |
TWI608369B (zh) * | 2016-11-23 | 2017-12-11 | 財團法人工業技術研究院 | 分類方法、分類模組及電腦程式產品 |
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN107831173A (zh) * | 2017-10-17 | 2018-03-23 | 哈尔滨工业大学(威海) | 光伏组件缺陷检测方法及系统 |
-
2018
- 2018-03-30 CN CN201810278203.5A patent/CN108562589B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0720016A1 (de) * | 1994-12-29 | 1996-07-03 | Hüls Aktiengesellschaft | Verfahren zur Beurteilung der Druckqualität |
WO2004090521A1 (en) * | 2003-04-09 | 2004-10-21 | Crc For Intelligent Manufacturing Systems & Technologies Ltd | Method of classifying defects |
CN101424645A (zh) * | 2008-11-20 | 2009-05-06 | 上海交通大学 | 基于机器视觉的焊球表面缺陷检测装置与方法 |
CN103439342A (zh) * | 2013-09-17 | 2013-12-11 | 华东交通大学 | 基于热图时序特征的红外无损检测方法 |
TWI608369B (zh) * | 2016-11-23 | 2017-12-11 | 財團法人工業技術研究院 | 分類方法、分類模組及電腦程式產品 |
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 |
CN107831173A (zh) * | 2017-10-17 | 2018-03-23 | 哈尔滨工业大学(威海) | 光伏组件缺陷检测方法及系统 |
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
Non-Patent Citations (11)
Title |
---|
《水利信息化新技术及应用》编委会: "《水利信息化新技术及应用》", 31 July 2013, 羊城晚报出版社 * |
CELIK, H. I.: "Development of a machine vision system: real-time fabric defect detection and classification with neural networks", 《JOURNAL OF THE TEXTILE INSTITUTE》 * |
FAGHIH-ROOHI, SHAHRZAD: "Deep Convolutional Neural Networks for Detection of Rail Surface Defects", 《2016 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
LEE, CS: "Feature extraction algorithm based on adaptive wavelet packet for surface defect classification", 《INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, PROCEEDINGS - VOL II》 * |
余永维: "基于深度学习网络的射线图像缺陷识别方法", 《仪器仪表学报》 * |
孙涛: "《光学遥感影像复原与超分辨重建》", 30 June 2012, 国防工业出版社 * |
张鸿: "《基于人工智能的多媒体数据挖掘和应用实例》", 31 January 2018, 武汉大学出版社 * |
曾向阳: "《智能水中目标识别》", 31 March 2016, 国防工业出版社 * |
杨光辉: "《冷连轧带钢板形控制与检测》", 31 January 2015, 冶金工业出版社 * |
阮晓钢: "《神经计算科学 在细胞的水平上模拟脑功能》", 31 May 2006, 国防工业出版社 * |
陈敏: "《认知计算导论》", 31 May 2017, 华中科技大学出版社 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800708A (zh) * | 2018-12-13 | 2019-05-24 | 程琳 | 基于深度学习的航空发动机孔探图像损伤智能识别方法 |
WO2020143592A1 (zh) * | 2019-01-07 | 2020-07-16 | 鲁班嫡系机器人(深圳)有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
CN109886934B (zh) * | 2019-01-28 | 2020-12-18 | 厦门理工学院 | 碳化竹片缺陷检测方法及系统 |
CN109886934A (zh) * | 2019-01-28 | 2019-06-14 | 厦门理工学院 | 碳化竹片缺陷检测方法及系统 |
CN109872313A (zh) * | 2019-02-15 | 2019-06-11 | 苏州晓创光电科技有限公司 | 一种基于深度卷积自编码器的产品表面缺陷检测方法 |
CN111582294A (zh) * | 2019-03-05 | 2020-08-25 | 慧泉智能科技(苏州)有限公司 | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 |
CN111582294B (zh) * | 2019-03-05 | 2024-02-27 | 慧泉智能科技(苏州)有限公司 | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 |
CN110044905A (zh) * | 2019-03-27 | 2019-07-23 | 北京好运达智创科技有限公司 | 一种双块式轨枕的裂纹检测方法 |
CN110060237B (zh) * | 2019-03-29 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 一种故障检测方法、装置、设备及系统 |
CN109903287A (zh) * | 2019-03-29 | 2019-06-18 | 北京百度网讯科技有限公司 | 质量检测方法及装置 |
CN110060237A (zh) * | 2019-03-29 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 一种故障检测方法、装置、设备及系统 |
CN111861966B (zh) * | 2019-04-18 | 2023-10-27 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及缺陷检测方法、装置 |
CN111861966A (zh) * | 2019-04-18 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及缺陷检测方法、装置 |
CN110243934A (zh) * | 2019-05-30 | 2019-09-17 | 中国计量大学上虞高等研究院有限公司 | 一种基于小波卷积神经网络的超声波焊缝检测方法 |
CN110514734A (zh) * | 2019-08-12 | 2019-11-29 | 广东工业大学 | 一种复合磁场磁光成像无损检测系统及方法 |
CN110514734B (zh) * | 2019-08-12 | 2024-04-09 | 广东工业大学 | 一种复合磁场磁光成像无损检测系统及方法 |
CN110633758A (zh) * | 2019-09-20 | 2019-12-31 | 四川长虹电器股份有限公司 | 针对小样本或样本不平衡的癌症区域检测定位的方法 |
CN113112442A (zh) * | 2019-12-25 | 2021-07-13 | 精锐视觉智能科技(深圳)有限公司 | 缺陷检测方法、装置及终端设备 |
CN111060601A (zh) * | 2019-12-27 | 2020-04-24 | 武汉武船计量试验有限公司 | 一种基于深度学习的焊缝超声相控阵检测数据智能分析方法 |
CN111144513B (zh) * | 2020-01-02 | 2022-09-20 | 大连理工大学 | 一种结合生成对抗网络与传统图像处理技术的工业产品喷涂缺陷数据增强方法 |
CN111144513A (zh) * | 2020-01-02 | 2020-05-12 | 大连理工大学 | 一种结合生成对抗网络与传统图像处理技术的工业产品喷涂缺陷数据增强方法 |
CN111311542A (zh) * | 2020-01-15 | 2020-06-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
CN111311542B (zh) * | 2020-01-15 | 2023-09-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
CN112017150A (zh) * | 2020-04-30 | 2020-12-01 | 河南爱比特科技有限公司 | 一种锂离子电池极片表面缺陷智能视觉检测方法及设备 |
CN111652098A (zh) * | 2020-05-25 | 2020-09-11 | 四川长虹电器股份有限公司 | 产品表面缺陷检测方法及装置 |
CN111968095B (zh) * | 2020-08-19 | 2022-08-02 | 成都数之联科技股份有限公司 | 一种产品表面缺陷检测方法及系统及装置及介质 |
CN111968095A (zh) * | 2020-08-19 | 2020-11-20 | 成都数之联科技有限公司 | 一种产品表面缺陷检测方法及系统及装置及介质 |
CN112381794B (zh) * | 2020-11-16 | 2022-05-31 | 哈尔滨理工大学 | 一种基于深度卷积生成网络的印刷缺陷检测方法 |
CN112381794A (zh) * | 2020-11-16 | 2021-02-19 | 哈尔滨理工大学 | 一种基于深度卷积生成网络的印刷缺陷检测方法 |
CN112551298A (zh) * | 2020-12-01 | 2021-03-26 | 慧泉智能科技(苏州)有限公司 | 一种升降梯轿厢内电瓶车进入预警方法 |
CN112767354A (zh) * | 2021-01-19 | 2021-05-07 | 南京汇川图像视觉技术有限公司 | 基于图像分割的缺陷检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108562589B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN111161243B (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
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 | |
CN114757900B (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN111047655B (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN114240939B (zh) | 一种主板元器件外观缺陷检测方法、系统、设备及介质 | |
CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN108985337A (zh) | 一种基于图像深度学习的产品表面划痕检测方法 | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 | |
CN115731198A (zh) | 一种皮革表面缺陷智能检测系统 | |
CN107145888A (zh) | 视频字幕实时翻译方法 | |
CN114187247A (zh) | 一种基于图像配准的安瓿瓶印刷字缺陷检测方法 | |
CN114387269A (zh) | 一种基于激光的纤维丝缺损检测方法 |
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 |