CN109064454A - 产品缺陷检测方法及系统 - Google Patents

产品缺陷检测方法及系统 Download PDF

Info

Publication number
CN109064454A
CN109064454A CN201810765439.1A CN201810765439A CN109064454A CN 109064454 A CN109064454 A CN 109064454A CN 201810765439 A CN201810765439 A CN 201810765439A CN 109064454 A CN109064454 A CN 109064454A
Authority
CN
China
Prior art keywords
product
image
defects detection
detected
feature
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
CN201810765439.1A
Other languages
English (en)
Inventor
段艺霖
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.)
Shanghai Yilin flower gardening Co.,Ltd.
Original Assignee
Shanghai Butterfly Fish Intelligent Technology 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 Shanghai Butterfly Fish Intelligent Technology Co Ltd filed Critical Shanghai Butterfly Fish Intelligent Technology Co Ltd
Priority to CN201810765439.1A priority Critical patent/CN109064454A/zh
Publication of CN109064454A publication Critical patent/CN109064454A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种产品缺陷检测方法及系统，该产品缺陷检测方法包括：步骤S1：采集待检测产品的图像；步骤S2：对该采集的待检测产品的图像进行预处理；步骤S3：将该预处理得到的图像数据输入采用训练样本库中的数据训练好的卷积神经网络模型中，实现特征的提取，其中，该训练样本库包括多个已标注缺陷分类的产品图像；步骤S4：根据该提取的特征进行图像类别预测，实现该待检测产品的缺陷检测；步骤S5：根据该缺陷检测的结果执行报警操作。本发明提供的产品缺陷检测方法，可以减小外界因素对检测结果的影响，实现对生产线产品缺陷的准确检测，有利于在复杂环境下及经常变动的环境中提升检测的泛用性与准确率。

Description

产品缺陷检测方法及系统
技术领域
本发明涉及自动检测技术领域，具体涉及一种产品缺陷检测方法及系统。
背景技术
目前，对于自动化生产线的检测方式主要以人工抽检为主，而自动化更高的流水线会采用识别坐标点偏移等方法，并以此作为依据判断产品是否有误，这种方式准确率较高，但是对于光照、背景、传输速率等外在因素依赖程度较高。
发明内容
本发明的目的在于提供一种产品缺陷检测方法及系统，有利于在复杂环境下及经常变动的环境中提升检测的泛用性与准确率。
为实现上述目的，本发明的技术方案提供了一种产品缺陷检测方法，包括：
步骤S1：采集待检测产品的图像；
步骤S2：对所述采集的待检测产品的图像进行预处理；
步骤S3：将所述预处理得到的图像数据输入采用训练样本库中的数据训练好的卷积神经网络模型中，实现特征的提取，其中，所述训练样本库包括多个已标注缺陷分类的产品图像；
步骤S4：根据所述提取的特征进行图像类别预测，实现所述待检测产品的缺陷检测。
进一步地，所述步骤S2包括：
步骤S21：对所述采集的待检测产品的图像进行图像矩阵化处理，将所述采集的待检测产品的图像分割为多个子图像。
进一步地，所述步骤S2还包括：
步骤S22：对所述子图像进行颜色通道处理。
进一步地，所述训练好的卷积神经网络模型采用以下方式得到：
对所述训练样本库中的每一个图像进行预处理；
构建卷积神经网络模型；
对于所述训练样本库中的每一个图像，将其预处理得到的图像数据输入所述构建的卷积神经网络模型中进行特征的提取，并根据对其提取的特征以及其标注的缺陷分类信息进行特征记忆；
根据所述记忆的特征对所述构建的卷积神经网络模型进行固化。
进一步地，在所述步骤S4之后还包括：
步骤S5：根据所述缺陷检测的结果执行报警操作。
为实现上述目的，本发明的技术方案还提供了一种产品缺陷检测系统，包括图像采集装置及分析处理装置；
所述图像采集装置用于采集待检测产品的图像；
所述分析处理装置包括预处理模块、特征提取模块、分类模块；
所述预处理模块用于对所述采集的待检测产品的图像进行预处理；
所述特征提取模块用于将所述预处理得到的图像数据输入采用训练样本库中的数据训练好的卷积神经网络模型中，实现特征的提取，其中，所述训练样本库包括多个已标注缺陷分类的产品图像；
所述分类模块用于根据所述提取的特征进行图像类别预测，实现所述待检测产品的缺陷检测。
进一步地，所述预处理模块包括：
矩阵化处理单元，用于对所述采集的待检测产品的图像进行图像矩阵化处理，将所述采集的待检测产品的图像分割为多个子图像。
进一步地，所述预处理模块还包括：
颜色通道处理单元，用于对所述子图像进行颜色通道处理。
进一步地，所述分析处理装置还包括：
报警模块，用于根据所述缺陷检测的结果执行报警操作。
进一步地，所述产品缺陷检测系统还包括光源以及数字信号连接卡件。
本发明提供的产品缺陷检测方法，可以减小不同光源、检测件摆放角度、阴影情况、软性线缆随机卷曲等外界因素对检测结果的影响，实现对生产线产品缺陷的准确检测，有利于在复杂环境下及经常变动的环境中提升检测的泛用性与准确率。
附图说明
图1是本发明实施方式提供的一种产品缺陷检测方法的流程图；
图2是本发明实施方式提供的对卷积神经网络模型进行训练的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参见图1，图1是本发明实施方式提供的一种产品缺陷检测方法的流程图，该方法包括：
步骤S1：采集待检测产品的图像；
步骤S2：对所述采集的待检测产品的图像进行预处理；
步骤S3：将所述预处理得到的图像数据输入采用训练样本库中的数据训练好的卷积神经网络模型中，实现特征的提取，其中，所述训练样本库包括多个已标注缺陷分类的产品图像；
步骤S4：根据所述提取的特征进行图像类别预测，实现所述待检测产品的缺陷检测；
步骤S5：根据所述缺陷检测的结果执行报警操作，例如，在检测出不同缺陷类型时可以发出不同的报警信息。
其中，上述步骤S2可以包括步骤S21～S22；
步骤S21：对所述采集的待检测产品的图像进行图像矩阵化处理，将所述采集的待检测产品的图像分割为多个子图像；
具体地，首先将图片分解为矩阵形式，接下来将矩阵形式中的特征按照坐标进行排列；
步骤S22：对所述子图像进行颜色通道处理，例如，为了提高数据处理速度，可以将三通道图像转化为单通道图像。
其中，在本发明实施方式中，所述训练好的卷积神经网络模型采用以下方式得到：
步骤A：对训练样本库中的每一个图像进行预处理；
该训练样本库包括多个已标注缺陷分类的产品图像，例如，可以对与待检测产品相同生产线生产的产品进行图像采集，之后根据缺陷的类型对采集的图像进行标注；
例如，可以首先对训练样本库中的图像进行图像矩阵化处理，将其分割为多个子图像，之后对子图像进行颜色通道处理，例如可将其转换为单通道图像；
步骤B：构建卷积神经网络模型，例如，该卷积神经网络模型可以为7层神经网络模型、46层神经网络模型或者52层神经网络模型；
步骤C：对于所述训练样本库中的每一个图像，将其预处理得到的图像数据输入所述构建的卷积神经网络模型中进行特征的提取，并根据对其提取的特征以及其标注的缺陷分类信息进行特征记忆；
步骤D：根据所述记忆的特征对所述构建的卷积神经网络模型进行固化；
通过在构建的卷积神经网络模型中输入大量的标注图像进行学习，从这些图片中学习工程相关的核心特征，并将这种特征识别的模式固化为最终模型，从而实现对卷积神经网络模型的训练，具体地，参见图2，对训练样本库中的每一个图像，首先依次对其进行图像矩阵化处理以及颜色通道处理，之后将处理后得到的图像数据输入构建的卷积神经网络模型中，并提取特征，通过提取的特征进行图像类别预测，并将预测结果与图像标注的缺陷分类信息进行比对，如果预测正确，则记忆该特征，如果预测错误，则重新提取特征；
通过上述方式对识别的特征进行挑拣，将每个特征与样本最终的结果进行匹配，匹配正确的特征记忆保留下来，匹配失败的则通过loss参数进行忽略，经过多层卷积神经网络对大量图片的不断迭代，使卷积神经网络模型学会我们想要让其记忆的核心特征，并可以根据这些特征来对一张新的图片进行预测。
在训练开始之时，卷积神经网络模型的卷积层的滤波器是完全随机的，它们不会对任何特征激活(不能检测任何特征)，对于一个空白的滤波器，通过修改其权重(weights)以使它能检测特定的模式，整个过程就如同工程里面的反馈，通过这样的反馈，卷积神经网络模型可以自行学习需要判断的核心特征。
以92键键盘(92个检测点位)为例，对无缺陷的键盘进行图像采集，并随机对缺少2～91个键位的产品进行图像采集，形成训练样本库，例如，对于7层卷积神经网络模型，若训练样本库中包括200张正确图片以及200张缺键图片，训练后的神经网络模型的准确率可达75％，若训练样本库中包括300张正确图片以及300张缺键图片，训练后的神经网络模型的准确率可达82％，若训练样本库中包括1000张正确图片以及1000张缺键图片，训练后的神经网络模型的准确率可达94.3％，对于52层卷积神经网络模型，若训练样本库中包括1000张正确图片以及1000张缺键图片，训练后的神经网络模型的准确率可达99.5％；
以汽车杯托为例，检测的类别可以包括长边正面胶条检测、长边背面胶条检测、短边胶条检测、短边卡件检测、上顶盖有无检测、导光条检测等18项检测类别，通过采用本发明中的方法，能够准确检测汽车杯托生产线生产的产品，并在检测到缺陷后自动报警。例如，对于46层卷积神经网络模型，若训练样本库中包括18种缺陷各100张图像，训练后的神经网络模型的准确率可达72％，若训练样本库中包括18种缺陷各200张图像，训练后的神经网络模型的准确率可达87.5％，若训练样本库中包括18种缺陷各300张图像，训练后的神经网络模型的准确率可达98.2％。
本发明实施方式提供的产品缺陷检测方法，可以减小不同光源、检测件摆放角度、阴影情况、软性线缆随机卷曲等外界因素对检测结果的影响，实现对生产线产品缺陷的准确检测，有利于在复杂环境下及经常变动的环境中提升检测的泛用性与准确率。
此外，本发明实施方式还提供了一种产品缺陷检测系统，该系统包括图像采集装置、分析处理装置、光源以及数字信号连接卡件；
所述图像采集装置用于采集待检测产品的图像，例如，该图像采集装置可以为摄像头(如采用网络定焦摄像头)，实时帧率大于60Hz，其通过数字信号连接卡件连接分析处理装置；
所述分析处理装置包括预处理模块、特征提取模块、分类模块、报警模块；
所述预处理模块用于对所述采集的待检测产品的图像进行预处理；
所述特征提取模块用于将所述预处理得到的图像数据输入采用训练样本库中的数据训练好的卷积神经网络模型中，实现特征的提取，其中，所述训练样本库包括多个已标注缺陷分类的产品图像；
所述分类模块用于根据所述提取的特征进行图像类别预测，实现所述待检测产品的缺陷检测；
报警模块，用于根据所述缺陷检测的结果执行报警操作，例如，报警模块可以按照项目的实际需要发出报警、高低电平信号、操作指示信号等。
其中，所述预处理模块包括矩阵化处理单元和颜色通道处理单元；
矩阵化处理单元用于对所述采集的待检测产品的图像进行图像矩阵化处理，将所述采集的待检测产品的图像分割为多个子图像；
颜色通道处理单元用于对所述子图像进行颜色通道处理。
本发明实施方式提供的产品缺陷检测系统基于深度学习技术，通过构建卷积神经网络模型对大量产品的图像进行学习，可以自动提取出错误产品的特征，并根据检测出的不同错误类型发出报警，以便整体流水线工艺有依据的做出适时的调整。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种产品缺陷检测方法，其特征在于，包括：
步骤S1：采集待检测产品的图像；
步骤S2：对所述采集的待检测产品的图像进行预处理；
步骤S3：将所述预处理得到的图像数据输入采用训练样本库中的数据训练好的卷积神经网络模型中，实现特征的提取，其中，所述训练样本库包括多个已标注缺陷分类的产品图像；
步骤S4：根据所述提取的特征进行图像类别预测，实现所述待检测产品的缺陷检测。
2.根据权利要求1所述的产品缺陷检测方法，其特征在于，所述步骤S2包括：
步骤S21：对所述采集的待检测产品的图像进行图像矩阵化处理，将所述采集的待检测产品的图像分割为多个子图像。
3.根据权利要求2所述的产品缺陷检测方法，其特征在于，所述步骤S2还包括：
步骤S22：对所述子图像进行颜色通道处理。
4.根据权利要求1所述的产品缺陷检测方法，其特征在于，所述训练好的卷积神经网络模型采用以下方式得到：
对所述训练样本库中的每一个图像进行预处理；
构建卷积神经网络模型；
对于所述训练样本库中的每一个图像，将其预处理得到的图像数据输入所述构建的卷积神经网络模型中进行特征的提取，并根据对其提取的特征以及其标注的缺陷分类信息进行特征记忆；
根据所述记忆的特征对所述构建的卷积神经网络模型进行固化。
5.根据权利要求1所述的产品缺陷检测方法，其特征在于，在所述步骤S4之后还包括：
步骤S5：根据所述缺陷检测的结果执行报警操作。
6.一种产品缺陷检测系统，其特征在于，包括图像采集装置及分析处理装置；
所述图像采集装置用于采集待检测产品的图像；
所述分析处理装置包括预处理模块、特征提取模块、分类模块；
所述预处理模块用于对所述采集的待检测产品的图像进行预处理；
所述特征提取模块用于将所述预处理得到的图像数据输入采用训练样本库中的数据训练好的卷积神经网络模型中，实现特征的提取，其中，所述训练样本库包括多个已标注缺陷分类的产品图像；
所述分类模块用于根据所述提取的特征进行图像类别预测，实现所述待检测产品的缺陷检测。
7.根据权利要求6所述的产品缺陷检测系统，其特征在于，所述预处理模块包括：
矩阵化处理单元，用于对所述采集的待检测产品的图像进行图像矩阵化处理，将所述采集的待检测产品的图像分割为多个子图像。
8.根据权利要求7所述的产品缺陷检测系统，其特征在于，所述预处理模块还包括：
颜色通道处理单元，用于对所述子图像进行颜色通道处理。
9.根据权利要求6所述的产品缺陷检测系统，其特征在于，所述分析处理装置还包括：
报警模块，用于根据所述缺陷检测的结果执行报警操作。
10.根据权利要求6所述的产品缺陷检测系统，其特征在于，所述产品缺陷检测系统还包括光源以及数字信号连接卡件。
CN201810765439.1A 2018-07-12 2018-07-12 产品缺陷检测方法及系统 Pending CN109064454A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810765439.1A CN109064454A (zh) 2018-07-12 2018-07-12 产品缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810765439.1A CN109064454A (zh) 2018-07-12 2018-07-12 产品缺陷检测方法及系统

Publications (1)

Publication Number Publication Date
CN109064454A true CN109064454A (zh) 2018-12-21

Family

ID=64816159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810765439.1A Pending CN109064454A (zh) 2018-07-12 2018-07-12 产品缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN109064454A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
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
CN109829914A (zh) * 2019-02-26 2019-05-31 视睿（杭州）信息科技有限公司 检测产品缺陷的方法和装置
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
CN109919907A (zh) * 2019-01-23 2019-06-21 华灿光电（浙江）有限公司 发光二极管外延片缺陷检测的方法和装置
CN110298819A (zh) * 2019-05-23 2019-10-01 网宿科技股份有限公司 一种目标对象的质检方法及边缘计算设备
CN111105399A (zh) * 2019-12-19 2020-05-05 苏州经贸职业技术学院 开关表面缺陷检测方法及系统
CN111640089A (zh) * 2020-05-09 2020-09-08 武汉精立电子技术有限公司 一种基于特征图中心点的缺陷检测方法及装置
CN111693531A (zh) * 2019-03-14 2020-09-22 顶级手套(国际)有限公司 用于生产线中聚合物产品的缺陷检测的人工智能
CN111929327A (zh) * 2020-09-09 2020-11-13 深兰人工智能芯片研究院（江苏）有限公司 布匹缺陷检测方法和装置
CN112288676A (zh) * 2019-07-12 2021-01-29 富士通株式会社 检测产品缺陷的方法和装置
CN112634203A (zh) * 2020-12-02 2021-04-09 富泰华精密电子（郑州）有限公司 图像检测方法、电子设备及计算机可读存储介质
CN112683789A (zh) * 2019-10-17 2021-04-20 神讯电脑(昆山)有限公司 物件表面型态检测系统及其基于人工神经网络的检测方法
CN112884740A (zh) * 2021-02-20 2021-06-01 联想(北京)有限公司 一种图像检测方法、装置、电子设备及存储介质
CN112967224A (zh) * 2021-01-29 2021-06-15 绍兴隆芙力智能科技发展有限公司 一种基于人工智能的电子电路板检测系统、方法及介质
CN113490960A (zh) * 2019-03-28 2021-10-08 大众汽车股份公司 用于检查机动车上的视觉缺陷的方法和系统
TWI808801B (zh) * 2022-06-21 2023-07-11 福懋科技股份有限公司 異常檢查裝置及異常檢查方法
CN117437221A (zh) * 2023-12-18 2024-01-23 浙江祥晋汽车零部件股份有限公司 一种基于图像检测的亮饰条检测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1789990A (zh) * 2005-12-01 2006-06-21 渤海船舶重工有限责任公司 钢板预处理过程中的上、下表面缺陷在线自动检测方法
CN101324923A (zh) * 2008-08-05 2008-12-17 北京中星微电子有限公司 用于人脸识别的特征提取方法和装置
CN104112147A (zh) * 2014-07-25 2014-10-22 哈尔滨工业大学深圳研究生院 一种基于最近特征线的人脸特征提取方法和装置
CN104820985A (zh) * 2015-04-28 2015-08-05 电子科技大学 一种线缆表观缺陷检测和字符识别装置
CN205721986U (zh) * 2015-04-28 2016-11-23 电子科技大学 一种线缆表观缺陷检测和字符识别装置
CN106338521A (zh) * 2016-09-22 2017-01-18 华中科技大学 增材制造表面及内部缺陷与形貌复合检测方法及装置
CN106919980A (zh) * 2017-01-24 2017-07-04 南京大学 一种基于神经节分化的增量式目标识别系统
CN107292272A (zh) * 2017-06-27 2017-10-24 广东工业大学 一种在实时传输的视频中人脸识别的方法及系统
CN107563999A (zh) * 2017-09-05 2018-01-09 华中科技大学 一种基于卷积神经网络的芯片缺陷识别方法
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
CN108108768A (zh) * 2017-12-29 2018-06-01 清华大学 基于卷积神经网络的光伏玻璃缺陷分类方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1789990A (zh) * 2005-12-01 2006-06-21 渤海船舶重工有限责任公司 钢板预处理过程中的上、下表面缺陷在线自动检测方法
CN101324923A (zh) * 2008-08-05 2008-12-17 北京中星微电子有限公司 用于人脸识别的特征提取方法和装置
CN104112147A (zh) * 2014-07-25 2014-10-22 哈尔滨工业大学深圳研究生院 一种基于最近特征线的人脸特征提取方法和装置
CN104820985A (zh) * 2015-04-28 2015-08-05 电子科技大学 一种线缆表观缺陷检测和字符识别装置
CN205721986U (zh) * 2015-04-28 2016-11-23 电子科技大学 一种线缆表观缺陷检测和字符识别装置
CN106338521A (zh) * 2016-09-22 2017-01-18 华中科技大学 增材制造表面及内部缺陷与形貌复合检测方法及装置
CN106919980A (zh) * 2017-01-24 2017-07-04 南京大学 一种基于神经节分化的增量式目标识别系统
CN107292272A (zh) * 2017-06-27 2017-10-24 广东工业大学 一种在实时传输的视频中人脸识别的方法及系统
CN107563999A (zh) * 2017-09-05 2018-01-09 华中科技大学 一种基于卷积神经网络的芯片缺陷识别方法
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
CN108108768A (zh) * 2017-12-29 2018-06-01 清华大学 基于卷积神经网络的光伏玻璃缺陷分类方法及装置

Cited By (20)

* Cited by examiner, † Cited by third party
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
CN109919907A (zh) * 2019-01-23 2019-06-21 华灿光电（浙江）有限公司 发光二极管外延片缺陷检测的方法和装置
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
CN109829914A (zh) * 2019-02-26 2019-05-31 视睿（杭州）信息科技有限公司 检测产品缺陷的方法和装置
CN111693531A (zh) * 2019-03-14 2020-09-22 顶级手套(国际)有限公司 用于生产线中聚合物产品的缺陷检测的人工智能
CN113490960A (zh) * 2019-03-28 2021-10-08 大众汽车股份公司 用于检查机动车上的视觉缺陷的方法和系统
CN110298819A (zh) * 2019-05-23 2019-10-01 网宿科技股份有限公司 一种目标对象的质检方法及边缘计算设备
CN112288676A (zh) * 2019-07-12 2021-01-29 富士通株式会社 检测产品缺陷的方法和装置
CN112683789A (zh) * 2019-10-17 2021-04-20 神讯电脑(昆山)有限公司 物件表面型态检测系统及其基于人工神经网络的检测方法
CN111105399A (zh) * 2019-12-19 2020-05-05 苏州经贸职业技术学院 开关表面缺陷检测方法及系统
CN111640089A (zh) * 2020-05-09 2020-09-08 武汉精立电子技术有限公司 一种基于特征图中心点的缺陷检测方法及装置
CN111640089B (zh) * 2020-05-09 2023-08-15 武汉精立电子技术有限公司 一种基于特征图中心点的缺陷检测方法及装置
CN111929327A (zh) * 2020-09-09 2020-11-13 深兰人工智能芯片研究院（江苏）有限公司 布匹缺陷检测方法和装置
CN112634203A (zh) * 2020-12-02 2021-04-09 富泰华精密电子（郑州）有限公司 图像检测方法、电子设备及计算机可读存储介质
CN112634203B (zh) * 2020-12-02 2024-05-31 富联精密电子(郑州)有限公司 图像检测方法、电子设备及计算机可读存储介质
CN112967224A (zh) * 2021-01-29 2021-06-15 绍兴隆芙力智能科技发展有限公司 一种基于人工智能的电子电路板检测系统、方法及介质
CN112884740A (zh) * 2021-02-20 2021-06-01 联想(北京)有限公司 一种图像检测方法、装置、电子设备及存储介质
TWI808801B (zh) * 2022-06-21 2023-07-11 福懋科技股份有限公司 異常檢查裝置及異常檢查方法
CN117437221A (zh) * 2023-12-18 2024-01-23 浙江祥晋汽车零部件股份有限公司 一种基于图像检测的亮饰条检测方法及系统
CN117437221B (zh) * 2023-12-18 2024-04-26 浙江祥晋汽车零部件股份有限公司 一种基于图像检测的亮饰条检测方法及系统

Similar Documents

Publication Publication Date Title
CN109064454A (zh) 产品缺陷检测方法及系统
CN109239102A (zh) 一种基于cnn的柔性电路板外观缺陷检测方法
CN108596046A (zh) 一种基于深度学习的细胞检测计数方法及系统
CN110543878A (zh) 一种基于神经网络的指针仪表读数识别方法
CN110455822A (zh) 一种pcb板缺陷的检测方法
CN109816024A (zh) 一种基于多尺度特征融合与dcnn的实时车标检测方法
CN107944504B (zh) 木板识别及木板识别的机器学习方法、装置及电子设备
CN111178120B (zh) 一种基于作物识别级联技术的害虫图像检测方法
CN105574550A (zh) 一种车辆识别方法及装置
CN112926405A (zh) 一种安全帽佩戴检测方法、系统、设备及存储介质
CN107016396B (zh) 一种装配连接件图像特征深度学习与识别方法
CN114066848B (zh) 一种fpca外观缺陷视觉检测系统
CN109978872B (zh) 基于白质纤维束的白质微结构特征筛选系统及方法
WO2020038138A1 (zh) 样本标注方法及装置、损伤类别的识别方法及装置
CN112381175A (zh) 一种基于图像处理的电路板识别与分析方法
CN108932712A (zh) 一种转子绕组质量检测系统及方法
CN109948429A (zh) 图像分析方法、装置、电子设备及计算机可读介质
CN109472280A (zh) 一种更新物种识别模型库的方法、存储介质及电子设备
CN110929762A (zh) 一种基于深度学习的肢体语言检测与行为分析方法及系统
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN115019294A (zh) 一种指针式仪表读数识别方法及系统
CN110399804A (zh) 一种基于深度学习的食品检测识别方法
CN112132088B (zh) 一种巡检点位漏巡识别方法
CN112861663B (zh) 一种基于语义分割的家禽姿态监测方法和系统
CN112508946B (zh) 一种基于对抗神经网络的电缆隧道异常检测方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220105

Address after: NO.609, TAHUI Road, Shihudang Town, Songjiang District, Shanghai

Applicant after: Shanghai Yilin flower gardening Co.,Ltd.

Address before: Block a, room 752, unit 5, building 1, 688 Qiushi Road, Jinshanwei Town, Jinshan District, Shanghai

Applicant before: SHANGHAI DIEYU INTELLIGENT TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181221