CN108918527A - 一种基于深度学习的印刷品缺陷检测方法 - Google Patents

一种基于深度学习的印刷品缺陷检测方法 Download PDF

Info

Publication number
CN108918527A
CN108918527A CN201810463261.5A CN201810463261A CN108918527A CN 108918527 A CN108918527 A CN 108918527A CN 201810463261 A CN201810463261 A CN 201810463261A CN 108918527 A CN108918527 A CN 108918527A
Authority
CN
China
Prior art keywords
image
printed matter
deep learning
training
inspection method
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
Application number
CN201810463261.5A
Other languages
English (en)
Inventor
袁文智
魏登明
王华龙
李志鹏
李力
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.)
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
Original Assignee
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development 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 Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute, Foshan Guangdong University CNC Equipment Technology Development Co. Ltd filed Critical Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Priority to CN201810463261.5A priority Critical patent/CN108918527A/zh
Publication of CN108918527A publication Critical patent/CN108918527A/zh
Pending legal-status Critical Current

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
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种基于深度学习的印刷品缺陷检测方法，所述印刷品缺陷检测方法包括以下步骤：步骤A：利用CCD工业相机采集图像；步骤B：在所采集的图像中选取不同类别的缺陷图像和无缺陷图像作为训练样本；步骤C：利用训练样本离线集训深度学习算法，得到网络模型的连接权值和偏置参数；步骤D：利用训练好的深度学习算法，在线检测识别印刷品图像的缺陷。本发明提出一种基于深度学习的印刷品缺陷检测方法，通过在印刷过程中采集印刷品图像，并对图像进行预处理，然后预处理后的图像输入到预先训练好的缺陷检测模型进行缺陷检测，提高在生产中印刷品缺陷检测的效率。

Description

一种基于深度学习的印刷品缺陷检测方法
技术领域
本发明涉及印刷品缺陷检测技术领域，尤其涉及一种基于深度学习的印刷品缺陷检测方法。
背景技术
随着现代科技的进步和信息技术的发展，印刷品与人们的日常生活、工作和学习息息相关。历史的进步，是的人们在满足物质需求的基础上，精神追求变得越来越高，印刷品外观也不例外，但是在印刷的过程中，由于受到一些随机因素的影响，在印刷产品的表面上，经常出现各种各样的缺陷。近年来计算机技术与机器视觉技术的迅速发展，出现了基于机器视觉和模式识别的印刷品缺陷检测技术，然而这些智能检测手段采用的仍是传统的图像处理识别技术，且利用了人工选取的特征，在印刷过程中的检测效率有限。
而深度学习作为机器学习研究的一个新的领域，其优点是通过构建具有多个隐含层的深度网络模型来对输入的训练样本进行层层抽样，自动学习到有用的特征。将深度学习方法应用于印刷品缺陷的识别，可以减少复杂的人工的特征提取过程，实现缺陷特征的自主提取。
发明内容
本发明的目的在于提出一种基于深度学习的印刷品缺陷检测方法，通过在印刷过程中采集印刷品图像，并对图像进行预处理，然后预处理后的图像输入到预先训练好的缺陷检测模型进行缺陷检测，提高在生产中印刷品缺陷检测的效率。
为达此目的，本发明采用以下技术方案：
一种基于深度学习的印刷品缺陷检测方法，所述印刷品缺陷检测方法包括以下步骤：
步骤A：利用CCD工业相机采集图像；
步骤B：在所采集的图像中选取不同类别的缺陷图像和无缺陷图像作为训练样本；
步骤C：利用训练样本离线集训深度学习算法，得到网络模型的连接权值和偏置参数；
步骤D：利用训练好的深度学习算法，在线检测识别印刷品图像的缺陷。
优选的，选取不同类别的缺陷图像和无缺陷图像作为训练样本包括从CCD工业相机采集到的图像中，分别选取起皱、油墨、污点、字符漏印、套印不准和刮伤六大类印刷品缺陷图像。
优选的，利用训练样本离线集训深度学习算法，得到网络模型的连接权值和偏置参数包括使用CRBM模型训练深度学习算法，包括以下步骤：
步骤C1：建立基于深度卷积信念网络的CRBM模型，通过多层深度卷积神经网络提取图像特征；
步骤C2：使用池化层降低网络训练参数，减少模型的过拟合程度；
步骤C3：使用全连接网络做分类，将从深度卷积神经网络学习到的特征输入全连接网络层，分类得到样本的标签类别。
优选的，使用CRBM模型训练深度学习算法包括以下步骤：
步骤一：输入参数；
步骤二：初始化CRBM模型；
步骤三：计算CRBM模型的隐藏层；
步骤四：对隐藏层进行采样；
步骤五：计算重构样本及误差；
步骤六：根据误差更新参数；
步骤七：判断CRBM模型的训练次数是否达到规定值，若达到规定值，则将训练得到的数据输入到池化层并输出结果；若达不到规定值，则循环步骤三、步骤四和步骤五。
优选的，利用CCD工业相机采集图像包括选用线阵CCD工业相机和利用机器视觉专用光源采集图像，并将采集到的图像进行保存。
附图说明
图1是本发明基于深度学习的印刷品缺陷检测流程图；
图2是本发明的CRBM模型训练流程图；
图3是本发明的CRBM简化模型图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
本实施例的一种基于深度学习的印刷品缺陷检测方法，如图1所示，其步骤包括如下：
步骤A：利用CCD工业相机采集图像；
步骤B：在所采集的图像中选取不同类别的缺陷图像和无缺陷图像作为训练样本；
步骤C：利用训练样本离线集训深度学习算法，得到网络模型的连接权值和偏置参数；
步骤D：利用训练好的深度学习算法，在线检测识别印刷品图像的缺陷。
具体地，步骤A中，采集图像过程为选用线阵CCD的工业相机，利用机器视觉专用光源，两者相配合采集足够数量的印刷品表面图像，并保存以供后序步骤使用；
在步骤B中，从采集到的图像中选取训练图片，选取起皱、油墨、污点、字符漏印、套印不准、刮伤6大类印刷品缺陷图像和无缺陷图像作为训练样本集，其中每一类印刷缺陷采集500张图像以及500张无缺陷图像，所述500张的数量因根据实际实验结果进行设置；
在步骤C中，建立基于深度卷积信念网络的CRBM模型，如图3所示，简化模型。卷积神经网络对于图像的平移、缩放或其他变形具有高度不变性，从而增强原信号特征并降低噪音；单层卷积网络学到的特征是局部的，而通过多层深度卷积神经网络可以提取到高层次和全局化的图像特征；使用下采样层(池化层)降低网络训练参数，减小模型的过拟合程度；使用全连接网络做分类，将从深度卷积神经网络学习到的特征输入全连接网络层，分类得到样本的标签类别；
如图2所示，CRBM模型训练流程实验采用MATLAB平台构建模型。具体步骤如下：
步骤一：输入参数：将步骤B中选取的图像作为训练样本集X＝{x1,x2,...,xn}，池化层常数2,卷积核个数4,卷积核大小15x15；
步骤二：初始化CRBM模型：可见层状态v1＝xi,连接权值W、可见层偏置、隐藏层偏置初始化为随机数，训练次数为500次；
步骤三：计算CRBM模型的隐藏层，根据如下公式：
(其中θ＝{Wij,ai,bj}为CRBM模型的参数)
可以从一个初始的状态(v,h),通过交替计算P(v|h,θ)和P(h|v,θ),求出所有可见单元和隐藏单元的状态。
步骤四：对隐藏层进行采样：利用Gibbs采样法对隐藏层采样，其公式为：
步骤五和步骤六：计算重构样本及误差，根据误差更新参数：以训练的样本数据作为初始状态，经过一次Gibbs采样后获得的样本作为重构，二者之间的差值作为重构误差，根据误差大小更新连接权值w、可见层偏置、隐藏层偏置；
步骤七：判断CRBM模型的训练次数是否达到规定值：设定训练次数为500，当训练次数<500时，重复上述步骤三、步骤四和步骤五；当训练次数达到预定次数后，将数据输入池化层，最后输出结果。
在步骤D中，利用训练好的深度算法，在线检测识别印刷品图像的缺陷，并实现缺陷的自动分类。
本发明的有益效果：
1、通过预先采集的不同缺陷类型图像训练深度学习算法，在利用训练好的深度学习算法检测识别出印刷品的缺陷，解决了传统图像处理算法无法识别检测出的形态各异的缺陷的难题；
2、实现缺陷特征的自主提取，对多样性的印刷品缺陷特征实现自适应的自主学习，提高印刷品缺陷特征的区分度，完成不同缺陷类型的准确识别，提高生产的自动化和智能化程度，降低检测成本。
本发明基于一种深度学习的印刷品缺陷检测方法，通过预先采集的不同缺陷类型图像训练深度学习算法，在利用训练好的深度学习算法检测识别出印刷品的缺陷，解决了传统图像处理算法无法识别检测出的形态各异的缺陷的难题。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (5)

1.一种基于深度学习的印刷品缺陷检测方法，其特征在于：所述印刷品缺陷检测方法包括以下步骤：
步骤A：利用CCD工业相机采集图像；
步骤B：在所采集的图像中选取不同类别的缺陷图像和无缺陷图像作为训练样本；
步骤C：利用训练样本离线集训深度学习算法，得到网络模型的连接权值和偏置参数；
步骤D：利用训练好的深度学习算法，在线检测识别印刷品图像的缺陷。
2.根据权利要求1所述一种基于深度学习的印刷品缺陷检测方法，其特征在于：
选取不同类别的缺陷图像和无缺陷图像作为训练样本包括从CCD工业相机采集到的图像中，分别选取起皱、油墨、污点、字符漏印、套印不准和刮伤六大类印刷品缺陷图像。
3.根据权利要求1所述一种基于深度学习的印刷品缺陷检测方法，其特征在于：
利用训练样本离线集训深度学习算法，得到网络模型的连接权值和偏置参数包括使用CRBM模型训练深度学习算法，包括以下步骤：
步骤C1：建立基于深度卷积信念网络的CRBM模型，通过多层深度卷积神经网络提取图像特征；
步骤C2：使用池化层降低网络训练参数，减少模型的过拟合程度；
步骤C3：使用全连接网络做分类，将从深度卷积神经网络学习到的特征输入全连接网络层，分类得到样本的标签类别。
4.根据权利要求3所述一种基于深度学习的印刷品缺陷检测方法，其特征在于：
使用CRBM模型训练深度学习算法包括以下步骤：
步骤一：输入参数；
步骤二：初始化CRBM模型；
步骤三：计算CRBM模型的隐藏层；
步骤四：对隐藏层进行采样；
步骤五：及孙重构样本及误差；
步骤六：根据误差更新参数；
步骤七：判断CRBM模型的训练次数是否达到规定值，若达到规定值，则将训练得到的数据输入到池化层并输出结果；若达不到规定值，则循环步骤三、步骤四和步骤五。
5.根据权利要求1所述一种基于深度学习的印刷品缺陷检测方法，其特征在于：
利用CCD工业相机采集图像包括选用线阵CCD工业相机和利用机器视觉专用光源采集图像，并将采集到的图像进行保存。
CN201810463261.5A 2018-05-15 2018-05-15 一种基于深度学习的印刷品缺陷检测方法 Pending CN108918527A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810463261.5A CN108918527A (zh) 2018-05-15 2018-05-15 一种基于深度学习的印刷品缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810463261.5A CN108918527A (zh) 2018-05-15 2018-05-15 一种基于深度学习的印刷品缺陷检测方法

Publications (1)

Publication Number Publication Date
CN108918527A true CN108918527A (zh) 2018-11-30

Family

ID=64404267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810463261.5A Pending CN108918527A (zh) 2018-05-15 2018-05-15 一种基于深度学习的印刷品缺陷检测方法

Country Status (1)

Country Link
CN (1) CN108918527A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109507209A (zh) * 2019-01-22 2019-03-22 中科院金华信息技术有限公司 一种薄膜印刷缺陷检测系统及方法
CN109859198A (zh) * 2019-02-01 2019-06-07 佛山市南海区广工大数控装备协同创新研究院 一种大幅面pcb板多区域精准定位方法
CN109884066A (zh) * 2019-01-22 2019-06-14 江苏恒力化纤股份有限公司 一种离线检测长丝丝卷油污疵点的方法
CN109934814A (zh) * 2019-03-15 2019-06-25 英业达科技有限公司 表面缺陷侦测系统及其方法
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
CN110335262A (zh) * 2019-06-28 2019-10-15 西安理工大学 一种机器视觉中印刷品缺陷自动分类方法
CN111105396A (zh) * 2019-12-12 2020-05-05 山东浪潮人工智能研究院有限公司 一种基于人工智能的印刷品质量检测方法及系统
CN111126391A (zh) * 2019-12-24 2020-05-08 熵智科技(深圳)有限公司 一种印刷字符缺陷定位方法
CN111291830A (zh) * 2020-03-04 2020-06-16 东莞理工学院 一种提高玻璃表面缺陷检测效率与准确率的方法
CN111340898A (zh) * 2020-05-20 2020-06-26 征图新视(江苏)科技股份有限公司 基于深度学习的印刷品背景异色缺陷检测方法
CN111537512A (zh) * 2020-05-21 2020-08-14 中国烟草总公司郑州烟草研究院 一种基于深度学习的烟梗形态智能识别系统及方法
CN111612759A (zh) * 2020-05-19 2020-09-01 佛山科学技术学院 一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法
CN111626712A (zh) * 2020-06-04 2020-09-04 重庆通通印标签印刷有限公司 一种高效数码印刷生产工作流程
CN111693534A (zh) * 2020-06-12 2020-09-22 北京百度网讯科技有限公司 表面缺陷的检测方法、模型训练方法、装置、设备和介质
CN111783901A (zh) * 2020-07-13 2020-10-16 征图新视(江苏)科技股份有限公司 一种基于深度学习的印刷质量分类方法
CN112734703A (zh) * 2020-12-28 2021-04-30 佛山市南海区广工大数控装备协同创新研究院 一种利用ai云端协同检测的pcb缺陷优化方法
CN113486457A (zh) * 2021-06-04 2021-10-08 宁波海天金属成型设备有限公司 一种压铸件缺陷预测及诊断系统
CN113538427A (zh) * 2021-09-16 2021-10-22 深圳市信润富联数字科技有限公司 产品缺陷识别方法、装置、设备及可读存储介质
CN113965163A (zh) * 2021-02-03 2022-01-21 苏州威华智能装备有限公司 一种电池片缺陷检测方法
CN116482113A (zh) * 2023-04-24 2023-07-25 广东绿之彩科技股份有限公司 一种基于神经网络的印刷品外观缺陷检测工艺

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106556781A (zh) * 2016-11-10 2017-04-05 华乘电气科技（上海）股份有限公司 基于深度学习的局部放电缺陷图像诊断方法及系统
CN106845401A (zh) * 2017-01-20 2017-06-13 中国科学院合肥物质科学研究院 一种基于多空间卷积神经网络的害虫图像识别方法
CN106845442A (zh) * 2017-02-15 2017-06-13 杭州当虹科技有限公司 一种基于深度学习的台标检测方法
CN107145893A (zh) * 2017-03-13 2017-09-08 中国矿业大学 一种基于卷积深度网络的图像识别算法及系统
CN107725283A (zh) * 2017-09-19 2018-02-23 江苏方天电力技术有限公司 一种基于深度信念网络模型的风机故障检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106556781A (zh) * 2016-11-10 2017-04-05 华乘电气科技（上海）股份有限公司 基于深度学习的局部放电缺陷图像诊断方法及系统
CN106845401A (zh) * 2017-01-20 2017-06-13 中国科学院合肥物质科学研究院 一种基于多空间卷积神经网络的害虫图像识别方法
CN106845442A (zh) * 2017-02-15 2017-06-13 杭州当虹科技有限公司 一种基于深度学习的台标检测方法
CN107145893A (zh) * 2017-03-13 2017-09-08 中国矿业大学 一种基于卷积深度网络的图像识别算法及系统
CN107725283A (zh) * 2017-09-19 2018-02-23 江苏方天电力技术有限公司 一种基于深度信念网络模型的风机故障检测方法

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109507209A (zh) * 2019-01-22 2019-03-22 中科院金华信息技术有限公司 一种薄膜印刷缺陷检测系统及方法
CN109884066A (zh) * 2019-01-22 2019-06-14 江苏恒力化纤股份有限公司 一种离线检测长丝丝卷油污疵点的方法
CN109859198A (zh) * 2019-02-01 2019-06-07 佛山市南海区广工大数控装备协同创新研究院 一种大幅面pcb板多区域精准定位方法
CN109859198B (zh) * 2019-02-01 2020-10-30 佛山市南海区广工大数控装备协同创新研究院 一种大幅面pcb板多区域精准定位方法
CN109934814A (zh) * 2019-03-15 2019-06-25 英业达科技有限公司 表面缺陷侦测系统及其方法
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
CN110335262A (zh) * 2019-06-28 2019-10-15 西安理工大学 一种机器视觉中印刷品缺陷自动分类方法
CN111105396A (zh) * 2019-12-12 2020-05-05 山东浪潮人工智能研究院有限公司 一种基于人工智能的印刷品质量检测方法及系统
CN111126391A (zh) * 2019-12-24 2020-05-08 熵智科技(深圳)有限公司 一种印刷字符缺陷定位方法
CN111126391B (zh) * 2019-12-24 2023-10-31 熵智科技(深圳)有限公司 一种印刷字符缺陷定位方法
CN111291830A (zh) * 2020-03-04 2020-06-16 东莞理工学院 一种提高玻璃表面缺陷检测效率与准确率的方法
CN111291830B (zh) * 2020-03-04 2023-03-03 东莞理工学院 一种提高玻璃表面缺陷检测效率与准确率的方法
CN111612759A (zh) * 2020-05-19 2020-09-01 佛山科学技术学院 一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法
CN111612759B (zh) * 2020-05-19 2023-11-07 佛山科学技术学院 一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法
CN111340898A (zh) * 2020-05-20 2020-06-26 征图新视(江苏)科技股份有限公司 基于深度学习的印刷品背景异色缺陷检测方法
CN111537512A (zh) * 2020-05-21 2020-08-14 中国烟草总公司郑州烟草研究院 一种基于深度学习的烟梗形态智能识别系统及方法
CN111626712A (zh) * 2020-06-04 2020-09-04 重庆通通印标签印刷有限公司 一种高效数码印刷生产工作流程
CN111693534B (zh) * 2020-06-12 2023-09-15 北京百度网讯科技有限公司 表面缺陷的检测方法、模型训练方法、装置、设备和介质
US11763552B2 (en) 2020-06-12 2023-09-19 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for detecting surface defect, method for training model, apparatus, device, and media
CN111693534A (zh) * 2020-06-12 2020-09-22 北京百度网讯科技有限公司 表面缺陷的检测方法、模型训练方法、装置、设备和介质
CN111783901A (zh) * 2020-07-13 2020-10-16 征图新视(江苏)科技股份有限公司 一种基于深度学习的印刷质量分类方法
CN112734703A (zh) * 2020-12-28 2021-04-30 佛山市南海区广工大数控装备协同创新研究院 一种利用ai云端协同检测的pcb缺陷优化方法
CN113965163A (zh) * 2021-02-03 2022-01-21 苏州威华智能装备有限公司 一种电池片缺陷检测方法
CN113486457A (zh) * 2021-06-04 2021-10-08 宁波海天金属成型设备有限公司 一种压铸件缺陷预测及诊断系统
CN113538427A (zh) * 2021-09-16 2021-10-22 深圳市信润富联数字科技有限公司 产品缺陷识别方法、装置、设备及可读存储介质
CN116482113A (zh) * 2023-04-24 2023-07-25 广东绿之彩科技股份有限公司 一种基于神经网络的印刷品外观缺陷检测工艺
CN116482113B (zh) * 2023-04-24 2024-01-26 广东绿之彩科技股份有限公司 一种基于神经网络的印刷品外观缺陷检测工艺

Similar Documents

Publication Publication Date Title
CN108918527A (zh) 一种基于深度学习的印刷品缺陷检测方法
CN108918536B (zh) 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质
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
CN110806736B (zh) 一种模锻成形智能制造生产线锻件质量信息检测方法
CN109239102B (zh) 一种基于cnn的柔性电路板外观缺陷检测方法
CN109724984B (zh) 一种基于深度学习算法的缺陷检测识别装置和方法
CN109816644B (zh) 一种基于多角度光源影像的轴承缺陷自动检测系统
CN108074231B (zh) 一种基于卷积神经网络的磁片表面缺陷检测方法
CN111257341B (zh) 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法
CN107194418B (zh) 一种基于对抗特征学习的水稻蚜虫检测方法
CN110555475A (zh) 一种基于语义信息融合的少样本目标检测方法
CN107480679B (zh) 基于卷积神经网络的分类和连通区域分析的路网提取方法
CN106355579A (zh) 烟条表面褶皱的缺陷检测方法
CN106874929B (zh) 一种基于深度学习的珍珠分类方法
CN111242896A (zh) 一种彩色印刷标签缺陷检测与质量评级方法
CN108392213B (zh) 基于绘画心理学的心理分析方法及装置
CN108932712A (zh) 一种转子绕组质量检测系统及方法
CN109583295B (zh) 一种基于卷积神经网络的转辙机缺口自动检测方法
CN112381175A (zh) 一种基于图像处理的电路板识别与分析方法
CN109859199B (zh) 一种sd-oct图像的淡水无核珍珠质量检测的方法
CN114882039B (zh) 一种应用于pcb板自动分拣过程中的pcb板缺陷识别方法
Verma et al. Automatic container code recognition via spatial transformer networks and connected component region proposals
CN110554052A (zh) 一种人造板表面缺陷检测方法及其系统
CN111612759B (zh) 一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法
CN117011260A (zh) 一种芯片外观缺陷自动检测方法、电子设备及存储介质

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

Application publication date: 20181130

RJ01 Rejection of invention patent application after publication