CN108985337A - 一种基于图像深度学习的产品表面划痕检测方法 - Google Patents
一种基于图像深度学习的产品表面划痕检测方法 Download PDFInfo
- Publication number
- CN108985337A CN108985337A CN201810637934.4A CN201810637934A CN108985337A CN 108985337 A CN108985337 A CN 108985337A CN 201810637934 A CN201810637934 A CN 201810637934A CN 108985337 A CN108985337 A CN 108985337A
- Authority
- CN
- China
- Prior art keywords
- layer
- block
- image
- scratch
- convolutional neural
- 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
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明基于深度学习的高反光表面划痕检测方法，通过在高反光表面不同光照、产品下取得不同类型、形态、尺寸的划痕缺陷图像块作为训练样本训练多层卷积神经网络深度学习算法，再利用训练好的网络模型检测识别出高反光表面划痕缺陷，解决了传统图像识别方法无法识别光影区域内划痕缺陷的难题。
Description
技术领域
本发明涉及机器视觉技术领域，更具体地，涉及一种基于深度学习的高反光表面划痕检测方法。
背景技术
工业生产线上高反光产品如金属服务器、金属电脑机箱、手机金属外壳等产量极大，从配料到最终成型的整个过程中，由于运输、生产工艺等意外情况，高反光产品表面常常存在各种缺陷，例如磕伤、划伤、擦伤、异色不均等，而这些存在缺陷的产品会影响用户体验甚至影响产品质量，因而是不允许流入市场的。尽管在过去十几年中，生产工业有了极大的改进，但生产需求日益增加、品质要求不断提高，对相关工业产品的缺陷检测仍然依赖人工分拣的方式，严重制约工业制造的自动化进程。这种人工的缺陷检测方式不仅速度慢，效率非常低，而且检测结果不稳定，且人工成本逐渐增加。
目前尚未有高反光表面划痕检测专利，传统划痕检测的通常作法为：(1)对图像进行定位矫正，然后利用灰度图像进行分割；(2)利用canny等边缘检测算子检测边缘，然后进行中值滤波或高斯滤波处理；(3)图像二值化；(4)对图像进行形态学分析与粒子过滤；(5)根据所得粒子数目，结合样本数据统计结果分析判断是否存在划痕。但是高反光表面的反光及拉丝特性，使该方法不仅不能适应各种划痕形态、高反光的影响，不能处理如图1中处于光影区域内的划痕，还需要凭借大量经验手动设计划痕特征，无论从处理时间还是检测精准度上，都无法满足工业生产的需求。
发明内容
针对现有技术存在的问题，本发明的目的就是为了克服光照变化、背景复杂多变的高反光表面划痕检测问题而提供的一种基于图像深度学习的产品表面划痕检测方法，该方法包括如下步骤：
步骤1：图像采集模块采集待测图像I；
步骤2：将图像分割成大小相等的图像块Iblock；
步骤3：选取各种类型的含划痕以及不含划痕的图像块作为训练集样本；
步骤4：利用训练集离线训练深度卷积神经网络，深度学习算法选择基于金属表面缺陷检测网络MSDDNet的多层深度卷积网络；
步骤5：利用训练好的深度卷积神经网络在线识别检测高反光表面的划痕缺陷。
其中，步骤2将图像分割成大小相等的图像块Iblock包括：以为步长，将待测图像I裁剪为s×s的图像块Iblock，其中s表示Iblock的尺寸，k表示I的最短边的尺寸。
步骤3选取各种类型的含划痕以及不含划痕的图像块作为训练集样本包括：
步骤3.1：对图像块Iblock进行上、下、左、右、左上、右上、左下、右下八个方向的旋转；
步骤3.2：随机变换图像块Iblock的对比度；
步骤3.3：训练样本集的准备：采集3套服务器中，6种相机高度、4种光源变化的多种形态尺寸的划痕缺陷图像块和无划痕缺陷图像块作为训练样本集，并通过所述步骤3.1和步骤3.2对选取的图像块进行8个方向的旋转，得到20000张划痕缺陷图像块以及20000张无划痕缺陷图像块。
步骤4中利用训练集离线训练深度卷积神经网络包括：
步骤4.1：构造深度卷积神经网络并利用MSRA方式进行参数初始化；
步骤4.2：利用训练样本集，采用Adam算法对深度卷积神经网络的误差梯度做最速下降优化，离线训练深度卷积神经网络。
其中，所述训练包括：迭代60000次对深度卷积神经网络进行训练，每一次迭代随机从训练样本集中选取100张图像块作为输入，采用交叉熵的损失函数，并进行L2正则化处理，利用Adam算法对多层卷积神经网络进行最速下降优化。
多层卷积神经网络构成以后利用开源深度学习模型框架Caffe进行开发，并利用GPU对深度学习算法进行加速。
步骤4中金属表面缺陷检测网络MSDDNet具有14层，包括6层卷积层、5层池化层、1层全局平均池化层、1层输入层、1层输出层，具体网络结构如下：
第一层S1：大小为s×s的图像块Iblock的输入层。
第二层S2：卷积核大小为3×3,数量为64的卷积层，卷积层用于提取图像的高维特征。
第三层S3：卷积核大小为3×3,数量为64的卷积层。
第四层S4：池化核大小为3×3的最大池化层，最大池化层的输入一般来源于上一个卷积层，主要作用是提供了很强的鲁棒性，取一小块区域内的最大值，此时若此区域中的其他值略有变化，，或者图像稍有平移，池化的结果仍然不变，并且减少了参数的数量，防止过拟合现象的发生，池化层一般没有参数，所以反向传播的时候，只需要对输入参数进行求导，不需要进行权重迭代更新。
第五层S5：卷积核大小为3×3,数量为96的卷积层，并且卷积核之间的连接采用channel shuffle操作。
第六层S6：池化核大小为3×3的最大池化层。
第七层S7：卷积核大小为3×3,数量为128的卷积层，并且卷积核之间的连接采用channel shuffle操作。
第八层S8：池化核大小为3×3的最大池化层。
第九层S9：卷积核大小为3×3,数量为256的卷积层，并且卷积核之间的连接采用channel shuffle操作。
第十层S10：池化核大小为3×3的最大池化层。
第十一层S11：卷积核大小为3×3,数量为318的卷积层，并且卷积核之间的连接采用channel shuffle操作。
第十二层S12：池化核大小为3×3的最大池化层。
第十三层S13：全局平均池化层，全局平均池化层主要是对上层中每个特征图计算一个均值，相较于全连接层，大大减少了参数的计算，防止过拟合现象的发生，而且大大加快了训练检测速度。
第十四层S14：softmax分类输出层，该层主要用于分类，由于只有含划痕以及不含划痕两类，因此该层只有两个节点。
步骤5中利用训练好的卷积神经网络在线识别检测高反光表面的划痕缺陷包括：
步骤5.1：对所有高反光表面待检图像I根据大小s×s图像块Iblock进行切割保存。
步骤5.2：对上述保存的s×s大小的图像块Iblock输入到基于MSDDNet多层卷积神经网络的划痕检测系统中进行识别，然后筛选出分类标记为划痕的图像块，并记录其图像块相对高反光表面待检图像的位置坐标，然后在高反光表面待检图像I中用红色检测框标出，从而完成最终对划痕的检测效果。
本发明提供一种基于深度学习的高反光表面划痕检测方法的有益效果在于：
1)本发明基于深度学习的高反光表面划痕检测方法，通过在高反光表面不同光照、产品下取得不同类型、形态、尺寸的划痕缺陷图像块作为训练样本训练MSDDNet多层卷积神经网络深度学习算法，再利用训练好的MSDDNet网络模型检测识别出高反光表面划痕缺陷，解决了传统图像识别方法无法识别光影区域内划痕缺陷的难题。
2)本发明基于深度学习的高反光表面划痕检测方法能在复杂随机纹理的高反光表面下高精度的识别检测出划痕，然后利用Caffe深度学习开源模型框架进行开发，并利用GPU对深度学习算法MSDDNet多层卷积网络进行加速，能满足工业应用的实时以及准确的需求。
附图说明
图1为光影区域内划痕图像，左为原始图像，右为二值化图像；
图2为本发明检测方法的流程图；
图3为MSDDNet网络结构图。
具体实施方式
附图2显示了本发明基于图像深度学习的产品表面划痕检测方法的流程图，参见附图2，步骤1至步骤5的流程，具体如下：
步骤1：图像采集模块采集待测图像I；
步骤2：将图像分割成大小相等的图像块Iblock；
步骤3：选取各种类型的含划痕以及不含划痕的图像块作为训练集样本；
步骤4：利用训练集离线训练深度卷积神经网络，该深度卷积神经网络选择金属表面缺陷检测网络MSDDNet；
步骤5：利用训练好的深度卷积神经网络在线识别检测高反光表面的划痕缺陷。
其中，步骤2将图像分割成大小相等的图像块Iblock包括：以为步长，将待测图像I裁剪为s×s的图像块Iblock，其中s表示Iblock的尺寸，k表示I的最短边的尺寸。
步骤3选取各种类型的含划痕以及不含划痕的图像块作为训练集样本包括：
步骤3.1：对图像块Iblock进行上、下、左、右、左上、右上、左下、右下八个方向的旋转；
步骤3.2：随机变换图像块Iblock的对比度；
步骤3.3：训练样本集的准备：采集3套服务器中，6种相机高度、4种光源变化的各种形态尺寸的划痕及无划痕的2类划痕缺陷图像块和无划痕缺陷图像块作为训练样本集，并通过所述步骤3.1和步骤3.2对选取的图像块进行8个方向的旋转，得到20000张划痕缺陷图像块以及20000张无划痕缺陷图像块。
步骤4中利用训练集离线训练深度卷积神经网络包括：
步骤4.1：构造深度卷积神经网络并利用MSRA方式进行参数初始化；
步骤4.2：利用训练样本集，采用Adam算法对深度卷积神经网络的误差梯度做最速下降优化，离线训练深度卷积神经网络。
其中，所述离线训练包括：迭代60000次对深度卷积神经网络进行训练，每一次迭代随机从训练样本集中选取100张图像块作为输入，采用交叉熵的损失函数，并对其进行L2正则化处理，利用Adam算法对多层卷积神经网络进行最速下降优化。
多层卷积神经网络构成以后利用开源深度学习模型框架Caffe进行开发，并利用GPU对深度学习算法进行加速。
附图3显示了金属表面缺陷检测网络MSDDNet具体网络结构，其具有S1-S14一共14层，包括6层卷积层、5层池化层、1层全局平均池化层、1层输入层、1层输出层，具体网络结构如下：
第一层S1：大小为s×s的图像块Iblock的输入层。
第二层S2：卷积核大小为3×3,数量为64的卷积层，卷积层用于提取图像的高维特征。
第三层S3：卷积核大小为3×3,数量为64的卷积层。
第四层S4：池化核大小为3×3的最大池化层，最大池化层的输入一般来源于上一个卷积层，主要作用是提供了很强的鲁棒性，取一小块区域内的最大值，此时若此区域中的其他值略有变化，，或者图像稍有平移，池化的结果仍然不变，并且减少了参数的数量，防止过拟合现象的发生，池化层一般没有参数，所以反向传播的时候，只需要对输入参数进行求导，不需要进行权重迭代更新。
第五层S5：卷积核大小为3×3,数量为96的卷积层，并且卷积核之间的连接采用channel shuffle操作。
第六层S6：池化核大小为3×3的最大池化层。
第七层S7：卷积核大小为3×3,数量为128的卷积层，并且卷积核之间的连接采用channel shuffle操作。
第八层S8：池化核大小为3×3的最大池化层。
第九层S9：卷积核大小为3×3,数量为256的卷积层，并且卷积核之间的连接采用channel shuffle操作。
第十层S10：池化核大小为3×3的最大池化层。
第十一层S11：卷积核大小为3×3,数量为318的卷积层，并且卷积核之间的连接采用channel shuffle操作。
第十二层S12：池化核大小为3×3的最大池化层。
第十三层S13：全局平均池化层，全局平均池化层主要是对上层中每个特征图计算一个均值，相较于全连接层，大大减少了参数的计算，防止过拟合现象的发生，而且大大加快了训练检测速度。
第十四层S14：softmax分类输出层，该层主要用于分类，由于只有含划痕以及不含划痕两类，因此该层只有两个节点。
MSDDNet网络采用14层的结构，保证了高反光表面划痕缺陷的充分检测，解决了传统图像识别方法无法识别光影区域内划痕缺陷的技术问题；同时在上述第一层S1-第十四层S14中，关键部分包括：
(1)S5、S7、S9、S11层，所述层中采用channel shuffle操作。
(2)S13层为全局平均池化层。
(3)利用Adam算法对多层卷积神经网络MSDDNet进行最速下降优化。
步骤5中利用训练好的卷积神经网络在线识别检测高反光表面的划痕缺陷包括：
步骤5.1：对所有高反光表面待检图像I根据大小s×s图像块Iblock进行切割保存。
步骤5.2：对上述保存的s×s大小的图像块Iblock输入到基于MSDDNet多层卷积神经网络的划痕检测系统中进行识别，然后筛选出分类标记为划痕的图像块，并记录其图像块相对高反光表面待检图像的位置坐标，然后在高反光表面待检图像I中用红色检测框标出，从而完成最终对划痕的检测效果。
本发明还公开了一种基于图像深度学习的产品表面划痕检测装置，包括图像采集模块、图像分割模块、训练集样本制作模块、训练模块以及识别模块；图像采集样本模块用于采集待测图像I；图像分割模块用于将图像分割成大小相等的图像块Iblock；训练集样本制作模块用于选取各种类型的含划痕以及不含划痕的图像块作为训练集样本；训练模块利用训练集离线训练深度卷积神经网络，该深度卷积神经网络选择金属表面缺陷检测网络MSDDNet；识别模块利用训练好的深度卷积神经网络在线识别检测高反光表面的划痕缺陷。
Claims (8)
1.一种基于图像深度学习的产品表面划痕检测方法，其特征在于，包括如下步骤：
步骤1：图像采集模块采集待测图像I；
步骤2：将所述待测图像I分割成大小相等的图像块Iblock；
步骤3：从图像块Iblock中选取多种类型的含划痕以及不含划痕的图像块作为训练集样本；
步骤4：利用训练集样本离线训练深度卷积神经网络，所述深度卷积神经网络选择基于金属表面缺陷检测网络MSDDNet的多层卷积神经网络；
步骤5：利用训练好的多层卷积神经网络在线识别检测高反光表面的划痕缺陷。
2.如权利要求1所述检测方法，所述步骤2将所述待测图像I分割成大小相等的图像块Iblock包括：以为步长，将待测图像I裁剪为s×s的图像块Iblock，其中s表示Iblock的尺寸，k表示I的最短边的尺寸。
3.如权利要求1所述检测方法，所述步骤3从图像块Iblock中选取各种类型的含划痕以及不含划痕的图像块作为训练集样本包括：
步骤3.1：对图像块Iblock进行上、下、左、右、左上、右上、左下、右下八个方向的旋转；
步骤3.2：随机变换图像块Iblock的对比度；
步骤3.3：训练样本集的准备：采集3套服务器中，6种相机高度、4种光源变化的多种形态尺寸的划痕缺陷图像块和无划痕缺陷图像块作为训练样本集，并通过所述步骤3.1和步骤3.2对选取的图像块进行8个方向的旋转，得到20000张划痕缺陷图像块以及20000张无划痕缺陷图像块。
4.如权利要求1所述检测方法，所述步骤4中利用训练集样本离线训练深度卷积神经网络包括：
步骤4.1：构造深度卷积神经网络并利用MSRA方式进行参数初始化；
步骤4.2：利用训练样本集，采用Adam算法对多层卷积神经网络的误差梯度做最速下降优化，离线训练多层卷积神经网络。
5.如权利要求4所述检测方法，所述步骤4.2包括：迭代60000次对多层卷积神经网络络进行训练，每一次迭代随机从训练样本集中选取100张图像块作为输入，采用交叉熵的损失函数，并进行L2正则化处理，利用Adam算法对多层卷积神经网络进行最速下降优化。
6.如权利要求5所述的检测方法，所述多层卷积神经网络构成以后利用开源深度学习模型框架Caffe进行开发，并利用GPU对深度学习算法进行加速。
7.如权利要求4所述检测方法，步骤4中金属表面缺陷检测网络MSDDNet具有14层，包括6层卷积层、5层池化层、1层全局平均池化层、1层输入层、1层输出层，具体网络结构如下：
第一层S1：大小为s×s的图像块Iblock的输入层；
第二层S2：卷积核大小为3×3,数量为64的卷积层；
第三层S3：卷积核大小为3×3,数量为64的卷积层；
第四层S4：池化核大小为3×3的最大池化层，最大池化层的输入来源于上一个卷积层；
第五层S5：卷积核大小为3×3,数量为96的卷积层，并且卷积核之间的连接采用channel shuffle操作；
第六层S6：池化核大小为3×3的最大池化层；
第七层S7：卷积核大小为3×3,数量为128的卷积层，并且卷积核之间的连接采用channel shuffle操作；
第八层S8：池化核大小为3×3的最大池化层；
第九层S9：卷积核大小为3×3,数量为256的卷积层，并且卷积核之间的连接采用channel shuffle操作；
第十层S10：池化核大小为3×3的最大池化层；
第十一层S11：卷积核大小为3×3,数量为318的卷积层，并且卷积核之间的连接采用channel shuffle操作；
第十二层S12：池化核大小为3×3的最大池化层；
第十三层S13：全局平均池化层，全局平均池化层主要是对上层中每个特征图计算一个均值；
第十四层S14：softmax分类输出层，只有含划痕以及不含划痕两类，只有两个节点。
8.如权利要求1所述检测方法，所述步骤5中利用训练好的多层卷积神经网络在线识别检测高反光表面的划痕缺陷包括：
步骤5.1：对所有高反光表面待检图像I根据大小s×s图像块Iblock进行切割保存；
步骤5.2：对上述保存的s×s大小的图像块Iblock输入到基于MSDDNet多层卷积神经网络的划痕检测系统中进行识别，然后筛选出分类标记为划痕的图像块，并记录其图像块相对高反光表面待检图像的位置坐标，然后在高反光表面待检图像I中用红色检测框标出，从而完成最终对划痕的检测效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810637934.4A CN108985337A (zh) | 2018-06-20 | 2018-06-20 | 一种基于图像深度学习的产品表面划痕检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810637934.4A CN108985337A (zh) | 2018-06-20 | 2018-06-20 | 一种基于图像深度学习的产品表面划痕检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108985337A true CN108985337A (zh) | 2018-12-11 |
Family
ID=64541540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810637934.4A Pending CN108985337A (zh) | 2018-06-20 | 2018-06-20 | 一种基于图像深度学习的产品表面划痕检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108985337A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685030A (zh) * | 2018-12-29 | 2019-04-26 | 哈尔滨理工大学 | 一种基于卷积神经网络的马克杯杯口缺陷检测分类方法 |
| CN109934811A (zh) * | 2019-03-08 | 2019-06-25 | 中国科学院光电技术研究所 | 一种基于深度学习的光学元件表面缺陷检测方法 |
| CN110310262A (zh) * | 2019-06-19 | 2019-10-08 | 上海理工大学 | 一种用于检测轮胎缺陷的方法、装置及系统 |
| CN110895810A (zh) * | 2019-10-24 | 2020-03-20 | 中科院广州电子技术有限公司 | 基于改进Mask RCNN的染色体图像实例分割方法及装置 |
| CN110930383A (zh) * | 2019-11-20 | 2020-03-27 | 佛山市南海区广工大数控装备协同创新研究院 | 基于深度学习语义分割和图像分类的注射器缺陷检测方法 |
| CN111680750A (zh) * | 2020-06-09 | 2020-09-18 | 创新奇智(合肥)科技有限公司 | 图像识别方法、装置和设备 |
| CN112734690A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 一种表面缺陷检测方法、装置及计算机可读存储介质 |
| CN113255590A (zh) * | 2021-06-25 | 2021-08-13 | 众芯汉创（北京）科技有限公司 | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 |
| CN115082431A (zh) * | 2022-07-20 | 2022-09-20 | 惠州威尔高电子有限公司 | 一种pcb板表面缺陷检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050002560A1 (en) * | 2003-05-29 | 2005-01-06 | Nidek Co., Ltd. | Defect inspection apparatus |
| CN104766097A (zh) * | 2015-04-24 | 2015-07-08 | 齐鲁工业大学 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
| 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 |
| CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 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 |
| CN108074231A (zh) * | 2017-12-18 | 2018-05-25 | 浙江工业大学 | 一种基于卷积神经网络的磁片表面缺陷检测方法 |
| CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
-
2018
- 2018-06-20 CN CN201810637934.4A patent/CN108985337A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050002560A1 (en) * | 2003-05-29 | 2005-01-06 | Nidek Co., Ltd. | Defect inspection apparatus |
| CN104766097A (zh) * | 2015-04-24 | 2015-07-08 | 齐鲁工业大学 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
| 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 |
| CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 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 |
| CN108074231A (zh) * | 2017-12-18 | 2018-05-25 | 浙江工业大学 | 一种基于卷积神经网络的磁片表面缺陷检测方法 |
| CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李玉宝: "基于机器视觉的表面缺陷检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 聂振宇: "金属部件表面缺陷视觉检测系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 郭联金等: "PNN与BP神经网络在钢板表面缺陷分类中的应用研究", 《MECHANICAL & ELECTRICAL ENGINEERING MAGAZINE》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685030A (zh) * | 2018-12-29 | 2019-04-26 | 哈尔滨理工大学 | 一种基于卷积神经网络的马克杯杯口缺陷检测分类方法 |
| CN109934811A (zh) * | 2019-03-08 | 2019-06-25 | 中国科学院光电技术研究所 | 一种基于深度学习的光学元件表面缺陷检测方法 |
| CN110310262A (zh) * | 2019-06-19 | 2019-10-08 | 上海理工大学 | 一种用于检测轮胎缺陷的方法、装置及系统 |
| CN110895810A (zh) * | 2019-10-24 | 2020-03-20 | 中科院广州电子技术有限公司 | 基于改进Mask RCNN的染色体图像实例分割方法及装置 |
| CN110895810B (zh) * | 2019-10-24 | 2022-07-05 | 中科院广州电子技术有限公司 | 基于改进Mask RCNN的染色体图像实例分割方法及装置 |
| CN110930383A (zh) * | 2019-11-20 | 2020-03-27 | 佛山市南海区广工大数控装备协同创新研究院 | 基于深度学习语义分割和图像分类的注射器缺陷检测方法 |
| CN111680750A (zh) * | 2020-06-09 | 2020-09-18 | 创新奇智(合肥)科技有限公司 | 图像识别方法、装置和设备 |
| CN111680750B (zh) * | 2020-06-09 | 2022-12-06 | 创新奇智(合肥)科技有限公司 | 图像识别方法、装置和设备 |
| CN112734690A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 一种表面缺陷检测方法、装置及计算机可读存储介质 |
| CN113255590A (zh) * | 2021-06-25 | 2021-08-13 | 众芯汉创（北京）科技有限公司 | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 |
| CN115082431A (zh) * | 2022-07-20 | 2022-09-20 | 惠州威尔高电子有限公司 | 一种pcb板表面缺陷检测方法 |
| CN115082431B (zh) * | 2022-07-20 | 2023-01-06 | 惠州威尔高电子有限公司 | 一种pcb板表面缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985337A (zh) | 一种基于图像深度学习的产品表面划痕检测方法 | |
| CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN110310259B (zh) | 一种基于改进YOLOv3算法的木结瑕疵检测方法 | |
| CN111640157B (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
| CN112037219B (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
| CN110321769A (zh) | 一种多尺寸货架商品检测方法 | |
| CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
| CN114219794B (zh) | 基于机器视觉的刨花板表面质量评估方法及系统 | |
| CN111582294A (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 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
| CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
| CN109215015A (zh) | 一种基于卷积神经网络的蚕茧在线视觉检测方法 | |
| CN108647706A (zh) | 基于机器视觉的物品识别分类与瑕疵检测方法 | |
| CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
| CN109685030A (zh) | 一种基于卷积神经网络的马克杯杯口缺陷检测分类方法 | |
| CN110992314A (zh) | 一种路面缺陷检测方法、装置及存储介质 | |
| CN112085017A (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
| CN114972216A (zh) | 一种纹理表面缺陷检测模型的构建方法及其应用 | |
| CN114820471A (zh) | 一种面向智能制造精微结构表面缺陷的视觉检测方法 | |
| CN115082477A (zh) | 一种基于去反光效果的半导体晶圆加工质量检测方法 | |
| CN115731198A (zh) | 一种皮革表面缺陷智能检测系统 | |
| CN111260609A (zh) | 一种基于深度学习的烟支外观缺陷检测方法 | |
| CN113160136B (zh) | 一种基于改进Mask R-CNN的木材缺陷识别和分割方法 |
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 |
Application publication date: 20181211 |
|
| RJ01 | Rejection of invention patent application after publication |