CN109239074A - 一种基于机器视觉的生阳极炭块检测方法 - Google Patents

一种基于机器视觉的生阳极炭块检测方法 Download PDF

Info

Publication number
CN109239074A
CN109239074A CN201810945779.2A CN201810945779A CN109239074A CN 109239074 A CN109239074 A CN 109239074A CN 201810945779 A CN201810945779 A CN 201810945779A CN 109239074 A CN109239074 A CN 109239074A
Authority
CN
China
Prior art keywords
carbon block
image
face
label
slice
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
Application number
CN201810945779.2A
Other languages
English (en)
Other versions
CN109239074B (zh
Inventor
刘志元
何健
刘春昊
沈洋
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.)
Zhong Lv International Project Limited-Liability Co
Original Assignee
Zhong Lv International Project Limited-Liability Co
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 Zhong Lv International Project Limited-Liability Co filed Critical Zhong Lv International Project Limited-Liability Co
Priority to CN201810945779.2A priority Critical patent/CN109239074B/zh
Publication of CN109239074A publication Critical patent/CN109239074A/zh
Application granted granted Critical
Publication of CN109239074B publication Critical patent/CN109239074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
    • C25C3/00—Electrolytic production, recovery or refining of metals by electrolysis of melts
    • C25C3/06—Electrolytic production, recovery or refining of metals by electrolysis of melts of aluminium
    • C25C3/08—Cell construction, e.g. bottoms, walls, cathodes
    • C25C3/12—Anodes
    • C25C3/125—Anodes based on carbon
    • 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

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种生阳极炭块检测方法，尤其涉及一种碳素厂生产智能化的基于机器视觉的生阳极炭块检测方法。一种基于机器视觉的生阳极炭块检测方法，在成型车间炭块成型机的出口处多角度设置摄像头采集炭块图像，摄像头采集炭块各个表面的图像，然后进行离线建模和在线检测；离线建模由炭块顶面建模和其余五个面建模两部分组成；在线检测包括炭块顶面检测、炭块其余五个面检测和合格炭块的判断策略。本发明的优点效果：1、成型车间炭块检测环节实现智能化，降低劳动定员；2、基于机器视觉的炭块检测执行统一的标准，不受人为主观意识及人员状态影响，检测结果更为准确；3、该方法可将炭块检测的结果进行数据库存储，为全厂MES系统提供数据支持。

Description

一种基于机器视觉的生阳极炭块检测方法
技术领域
本发明涉及一种生阳极炭块检测方法，尤其涉及一种碳素厂生产智能化的基于机器视觉的生阳极炭块检测方法。
背景技术
随着科学技术发展，对碳素厂生产的智能化提出了越来越高的要求，设备智能化取代人工已成为智能化工厂发展的一种主流模式。碳素厂生阳极车间内工序复杂，工况环境恶劣，对智能化生产的需求更为迫切。
现阶段碳素厂生阳极车间中成型环节的炭块检测主要依靠现场人工肉眼完成，长时间的现场工作对工作人员的健康有害，而且容易由于人员的疲劳、身体状态及主观意识等因素造成检测失误，造成材料浪费或者产品质量下降。
发明内容
为了解决上述技术问题本发明提供一种基于机器视觉的生阳极炭块检测方法，目的是使成型车间炭块检测环节实现智能化，降低劳动定员；使其检测结果更为准确。
为达上述目的本发明一种基于机器视觉的生阳极炭块检测方法，在成型车间炭块成型机的出口处多角度设置摄像头采集炭块图像，摄像头采集炭块各个表面的图像，然后进行离线建模和在线检测；离线建模由炭块顶面建模和其余五个面建模两部分组成；在线检测包括炭块顶面检测、炭块其余五个面检测和合格炭块的判断策略。
所述的炭块顶面建模包括：正常炭块顶面样本图像采集；正常样本图像标号；图像灰度处理；灰度图像标号；将标号的灰度图像作为训练样本输入对比网络进行网络参数训练；生成对比网络，提取图像特征值作为在线检测环节的参照标准特征值。
所述的其余五个面建模包括：正常炭块面样本图像采集；正常样本图像标号；图像灰度处理；灰度图像标号、切片，图像切片是指将图片按照一定数量均分，其数量可由实际情况而定，各图像切片的标号要与被切片灰度图像一致；将标号的灰度图像切片作为训练样本输入对比网络进行网络参数训练；生成对比网络，并计算出面图像的离散度阈值、面图像所有切片特征中心及特征半径最大值，取此特征半径最大值为检测环节中的特征半径判断阈值，面图像的离散度阈值取为所有参与建模的样本图像特征离散度的最大值，图像切片特征中心取为该面图像所有切片的特征均值，图像切片特征半径取为所有切片特征值与特征中心之间的最大距离。
所述的炭块顶面检测包括：实时采集炭块顶面图像并标号，顶面标号与建模时标号相一致；图像灰度处理；灰度图像标号，顶面标号与建模时标号相一致；运用训练生成的炭块顶面对比网络任一分支卷积神经网络对灰度图像进行特征提取；计算灰度图像特征值与参照标准特征值的相似度，相似度取为实时炭块图像特征值与标准特征值之间的距离。根据实际情况设定特征相似度阈值，如果相似度大于该阈值，判定该炭块顶面不合格，反之为合格。
所述的炭块其余五个面检测包括：实时采集炭块面图像并标号，标号与建模时标号相一致；图像灰度处理；灰度图像切片、标号，图像切片的数量可由实际情况而定，各图像切片的标号要与被切片灰度图像一致；运用训练生成的炭块面对比网络任一分支卷积神经网络对灰度图像切片进行特征提取；计算该面图像所有切片特征离散度（特征标准差），如果该面图像特征离散度不大于上述面图像的离散度阈值，则判定该面无瑕疵，反之判定为该面有瑕疵，需进一步计算瑕疵面积；计算图像所有切片特征半径，如果某一切片的特征半径大于上述特征半径判断阈值，则判定该切片所在面积为瑕疵面积，因为面图像切片数量选定后，每一切片的面积即为定值，因此计算各面瑕疵的面积可以简化为判断瑕疵切片的数量。
所述的合格炭块的判断策略：首先判断炭块顶面是否合格，如果顶面不合格，则判定该炭块不合格，如果顶面合格，则进一步判断炭块其余五个面；根据现场实际情况设定各面图像瑕疵切片数量阈值，如果该面瑕疵切片数量不大于设定的阈值，则判定该面合格，反之判定该面不合格，依次判断五个面，如有一个面不合格，则判定该炭块不合格，反之继续判定；根据现场实际情况设定其余五个面图像瑕疵切片数量总和阈值，如果瑕疵切片数量总和大于设定的阈值，则判定该炭块不合格，反之，该炭块合格。
对炭块的六个面进行标号，顶面标号为1，四周四个面标号为2~5，底面标号为6。
本发明的优点效果：1、成型车间炭块检测环节实现智能化，降低劳动定员；2、基于机器视觉的炭块检测执行统一的标准，不受人为主观意识及人员状态影响，检测结果更为准确；3、该方法可将炭块检测的结果进行数据库存储，为全厂MES系统提供数据支持。
附图说明
图1为对比网络结构图；
图2为典型的卷积神经网络的结构图；
图3为炭块顶面离线建模流程图；
图4为炭块其余五个面离线建模流程图；
图5为炭块顶面检测流程图；
图6为炭块其余五个面检测流程图；
图7为合格炭块的判断流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图所示本发明一种基于机器视觉的生阳极炭块检测方法，在成型车间炭块成型机的出口处多角度设置摄像头采集炭块图像，摄像头采集炭块各个表面的图像，然后进行离线建模和在线检测；离线建模由炭块顶面建模和其余五个面建模两部分组成；在线检测包括炭块顶面检测、炭块其余五个面检测和合格炭块的判断策略。
如图3所示，炭块顶面建模包括：正常炭块顶面样本图像采集；正常样本图像标号；图像灰度处理；灰度图像标号；将标号的灰度图像作为训练样本输入对比网络进行网络参数训练；生成对比网络，提取图像特征值作为在线检测环节的参照标准特征值。
如图4所示，其余五个面建模包括：正常炭块面样本图像采集；正常样本图像标号；图像灰度处理；灰度图像标号、切片，图像切片是指将图片按照一定数量均分，其数量可由实际情况而定，各图像切片的标号要与被切片灰度图像一致；将标号的灰度图像切片作为训练样本输入对比网络进行网络参数训练；生成对比网络，并计算出面图像的离散度阈值、面图像所有切片特征中心及特征半径最大值，取此特征半径最大值为检测环节中的特征半径判断阈值，面图像的离散度阈值取为所有参与建模的样本图像特征离散度（特征标准差）的最大值，图像切片特征中心取为该面图像所有切片的特征均值，图像切片特征半径取为所有切片特征值与特征中心之间的最大距离。
如图5所示，炭块顶面检测包括：实时采集炭块顶面图像并标号，顶面标号与建模时标号相一致；图像灰度处理；灰度图像标号，顶面标号与建模时标号相一致；运用训练生成的炭块顶面对比网络任一分支卷积神经网络对灰度图像进行特征提取；计算灰度图像特征值与参照标准特征值的相似度，相似度取为实时炭块图像特征值与标准特征值之间的距离。根据实际情况设定特征相似度阈值，如果相似度大于该阈值，判定该炭块顶面不合格，反之为合格。
如图6所示，炭块其余五个面检测包括：实时采集炭块面图像并标号，标号与建模时标号相一致；图像灰度处理；灰度图像切片、标号，图像切片的数量可由实际情况而定，各图像切片的标号要与被切片灰度图像一致；运用训练生成的炭块面对比网络任一分支卷积神经网络对灰度图像切片进行特征提取；计算该面图像所有切片特征离散度（特征标准差），如果该面图像特征离散度不大于上述面图像的离散度阈值，则判定该面无瑕疵，反之判定为该面有瑕疵，需进一步计算瑕疵面积；计算图像所有切片特征半径，如果某一切片的特征半径大于上述特征半径判断阈值，则判定该切片所在面积为瑕疵面积，因为面图像切片数量选定后，每一切片的面积即为定值，因此计算各面瑕疵的面积可以简化为判断瑕疵切片的数量。
如图7所示，合格炭块的判断策略：首先判断炭块顶面是否合格，如果顶面不合格，则判定该炭块不合格，如果顶面合格，则进一步判断炭块其余五个面；根据现场实际情况设定各面图像瑕疵切片数量阈值，如果该面瑕疵切片数量不大于设定的阈值，则判定该面合格，反之判定该面不合格，依次判断五个面，如有一个面不合格，则判定该炭块不合格，反之继续判定；根据现场实际情况设定其余五个面图像瑕疵切片数量总和阈值，如果瑕疵切片数量总和大于设定的阈值，则判定该炭块不合格，反之，该炭块合格。
由于炭块的顶面留有碳碗，与其余五个面表征不同，因此需要将炭块顶面与其余五个面分开处理，对炭块的六个面进行标号，顶面标号为1，四周四个面标号为2~5，底面标号为6。
此外，本发明应用了对比深度网络的瑕疵检测方法，该方法属于半监督学习方法，前期建模阶段只需要少量的正常样本图像数据，可以很好地降低建模阶段的工作量，易于实现。对比网络结构如图1所示，其主要由卷积神经网络组成，卷积神经网络是一种常用的深度学习方法，是将卷积和神经网络两个思想结合起来，如图2所示卷积神经网络包括卷积层、池化层、全连接层，卷积层实现权值和输入数据的卷积运算，池化层实现对卷积层的输出的降维处理，卷积层和池化层为特征提取层，全链接层实现从特征到输出的映射。
在悬链将炭块吊起后，摄像头采集炭块各个表面的图像。
同时，本发明实现对炭块的实时检测，并将检测结果存储至数据库，后台连锁控制悬链走向，进而将合格炭块与不合格炭块进行分类，合格的炭块通过合格炭块皮带机输送至合格炭块存储区域，不合格的炭块通过相应的皮带机输送至指定的存储区域。
上述对比网络结构如图1所示，分为上下两个分支，两个分支权值共享，即卷积神经网络的权值相同。训练过程损失函数为：
其中，为第i个样本，W为权值，每个样本都是由一对输入和一个标记组成，如果两个输入数据标记相同则标记为1，如果两个输入数据标记不同则标记为0。为不同类别对数据损失函数，为相同类别对数据损失函数，q为训练样本数，为单调递减函数，为单调递增函数。

Claims (7)

1.一种基于机器视觉的生阳极炭块检测方法，其特征在于在成型车间炭块成型机的出口处多角度设置摄像头采集炭块图像，摄像头采集炭块各个表面的图像，然后进行离线建模和在线检测；离线建模由炭块顶面建模和其余五个面建模两部分组成；在线检测包括炭块顶面检测、炭块其余五个面检测和合格炭块的判断策略。
2.根据权利要求1所述的一种基于机器视觉的生阳极炭块检测方法，其特征在于所述的炭块顶面建模包括：正常炭块顶面样本图像采集；正常样本图像标号；图像灰度处理；灰度图像标号；将标号的灰度图像作为训练样本输入对比网络进行网络参数训练；生成对比网络，提取图像特征值作为在线检测环节的参照标准特征值。
3.根据权利要求1所述的一种基于机器视觉的生阳极炭块检测方法，其特征在于所述的其余五个面建模包括：正常炭块面样本图像采集；正常样本图像标号；图像灰度处理；灰度图像标号、切片，图像切片是指将图片按照一定数量均分，其数量可由实际情况而定，各图像切片的标号要与被切片灰度图像一致；将标号的灰度图像切片作为训练样本输入对比网络进行网络参数训练；生成对比网络，并计算出面图像的离散度阈值、面图像所有切片特征中心及特征半径最大值，取此特征半径最大值为检测环节中的特征半径判断阈值，面图像的离散度阈值取为所有参与建模的样本图像特征离散度的最大值，图像切片特征中心取为该面图像所有切片的特征均值，图像切片特征半径取为所有切片特征值与特征中心之间的最大距离。
4.根据权利要求1所述的一种基于机器视觉的生阳极炭块检测方法，其特征在于所述的炭块顶面检测包括：实时采集炭块顶面图像并标号，顶面标号与建模时标号相一致；图像灰度处理；灰度图像标号，顶面标号与建模时标号相一致；运用训练生成的炭块顶面对比网络任一分支卷积神经网络对灰度图像进行特征提取；计算灰度图像特征值与参照标准特征值的相似度，相似度取为实时炭块图像特征值与标准特征值之间的距离，根据实际情况设定特征相似度阈值，如果相似度大于该阈值，判定该炭块顶面不合格，反之为合格。
5.根据权利要求1所述的一种基于机器视觉的生阳极炭块检测方法，其特征在于所述的炭块其余五个面检测包括：实时采集炭块面图像并标号，标号与建模时标号相一致；图像灰度处理；灰度图像切片、标号，图像切片的数量可由实际情况而定，各图像切片的标号要与被切片灰度图像一致；运用训练生成的炭块面对比网络任一分支卷积神经网络对灰度图像切片进行特征提取；计算该面图像所有切片特征离散度，如果该面图像特征离散度不大于上述面图像的离散度阈值，则判定该面无瑕疵，反之判定为该面有瑕疵，需进一步计算瑕疵面积；计算图像所有切片特征半径，如果某一切片的特征半径大于上述特征半径判断阈值，则判定该切片所在面积为瑕疵面积，因为面图像切片数量选定后，每一切片的面积即为定值，因此计算各面瑕疵的面积可以简化为判断瑕疵切片的数量。
6.根据权利要求1所述的一种基于机器视觉的生阳极炭块检测方法，其特征在于所述的合格炭块的判断策略：首先判断炭块顶面是否合格，如果顶面不合格，则判定该炭块不合格，如果顶面合格，则进一步判断炭块其余五个面；根据现场实际情况设定各面图像瑕疵切片数量阈值，如果该面瑕疵切片数量不大于设定的阈值，则判定该面合格，反之判定该面不合格，依次判断五个面，如有一个面不合格，则判定该炭块不合格，反之继续判定；根据现场实际情况设定其余五个面图像瑕疵切片数量总和阈值，如果瑕疵切片数量总和大于设定的阈值，则判定该炭块不合格，反之，该炭块合格。
7.根据权利要求1所述的一种基于机器视觉的生阳极炭块检测方法，其特征在于对炭块的六个面进行标号，顶面标号为1，四周四个面标号为2~5，底面标号为6。
CN201810945779.2A 2018-08-20 2018-08-20 一种基于机器视觉的生阳极炭块检测方法 Active CN109239074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810945779.2A CN109239074B (zh) 2018-08-20 2018-08-20 一种基于机器视觉的生阳极炭块检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810945779.2A CN109239074B (zh) 2018-08-20 2018-08-20 一种基于机器视觉的生阳极炭块检测方法

Publications (2)

Publication Number Publication Date
CN109239074A true CN109239074A (zh) 2019-01-18
CN109239074B CN109239074B (zh) 2021-06-29

Family

ID=65070979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810945779.2A Active CN109239074B (zh) 2018-08-20 2018-08-20 一种基于机器视觉的生阳极炭块检测方法

Country Status (1)

Country Link
CN (1) CN109239074B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113588653A (zh) * 2021-05-31 2021-11-02 内蒙古霍煤鸿骏铝电有限责任公司 一种检测和追踪铝用阳极炭块质量的系统及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008299120A (ja) * 2007-05-31 2008-12-11 Canon Inc 帯電部材
CN202730259U (zh) * 2012-07-27 2013-02-13 中国铝业股份有限公司 一种铝电解用阳极炭块缺陷筛检装置
CN103076345A (zh) * 2013-01-16 2013-05-01 东莞市三姆森光电科技有限公司 一种ito导电玻璃的检测方法及其全自动光学检测系统
WO2013091034A1 (pt) * 2011-12-22 2013-06-27 Petróleo Brasileiro S.A. - Petrobras Método para ensaios de carregamentos não uniformes em tubos
CN103544499A (zh) * 2013-10-12 2014-01-29 江南大学 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法
CN103792241A (zh) * 2012-10-29 2014-05-14 上海造币有限公司 用于多面隐形图案的硬币或章的高速采集检测系统
CN104535017A (zh) * 2014-12-19 2015-04-22 合肥市百胜科技发展股份有限公司 在线轮廓测量装置
CN105444697A (zh) * 2015-12-31 2016-03-30 河南科达东大国际工程有限公司 阳极炭块外形测量系统
CN106872487A (zh) * 2017-04-21 2017-06-20 佛山市南海区广工大数控装备协同创新研究院 一种基于视觉的表面瑕疵检测方法及装置
CN107966099A (zh) * 2017-12-04 2018-04-27 南通尚力机电工程设备有限公司 一种零件不良品的检测方法
CN107966447A (zh) * 2017-11-14 2018-04-27 浙江大学 一种基于卷积神经网络的工件表面缺陷检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008299120A (ja) * 2007-05-31 2008-12-11 Canon Inc 帯電部材
WO2013091034A1 (pt) * 2011-12-22 2013-06-27 Petróleo Brasileiro S.A. - Petrobras Método para ensaios de carregamentos não uniformes em tubos
CN202730259U (zh) * 2012-07-27 2013-02-13 中国铝业股份有限公司 一种铝电解用阳极炭块缺陷筛检装置
CN103792241A (zh) * 2012-10-29 2014-05-14 上海造币有限公司 用于多面隐形图案的硬币或章的高速采集检测系统
CN103076345A (zh) * 2013-01-16 2013-05-01 东莞市三姆森光电科技有限公司 一种ito导电玻璃的检测方法及其全自动光学检测系统
CN103544499A (zh) * 2013-10-12 2014-01-29 江南大学 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法
CN104535017A (zh) * 2014-12-19 2015-04-22 合肥市百胜科技发展股份有限公司 在线轮廓测量装置
CN105444697A (zh) * 2015-12-31 2016-03-30 河南科达东大国际工程有限公司 阳极炭块外形测量系统
CN106872487A (zh) * 2017-04-21 2017-06-20 佛山市南海区广工大数控装备协同创新研究院 一种基于视觉的表面瑕疵检测方法及装置
CN107966447A (zh) * 2017-11-14 2018-04-27 浙江大学 一种基于卷积神经网络的工件表面缺陷检测方法
CN107966099A (zh) * 2017-12-04 2018-04-27 南通尚力机电工程设备有限公司 一种零件不良品的检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113588653A (zh) * 2021-05-31 2021-11-02 内蒙古霍煤鸿骏铝电有限责任公司 一种检测和追踪铝用阳极炭块质量的系统及方法

Also Published As

Publication number Publication date
CN109239074B (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN111209434B (zh) 一种基于多源异构数据融合的变电站设备巡检系统及方法
CN107480775B (zh) 一种基于数据修复的池塘溶解氧预测方法
CN106875373A (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN103927534A (zh) 一种基于卷积神经网络的喷码字符在线视觉检测方法
CN109978835B (zh) 一种在线装配缺陷识别系统及其方法
CN106228137A (zh) 一种基于关键点定位的atm机异常人脸检测方法
CN112418130A (zh) 一种基于bp神经网络的香蕉成熟度检测方法及装置
CN106529568A (zh) 一种基于bp神经网络的珍珠多分类方法
CN110927171A (zh) 一种基于机器视觉的轴承滚子倒角面缺陷检测方法
CN109064459A (zh) 一种基于深度学习的布匹瑕疵检测方法
CN106874929B (zh) 一种基于深度学习的珍珠分类方法
CN110070526A (zh) 基于深度神经网络热度图预测的缺陷检测方法
CN114255357A (zh) 一种基于计算机视觉的群养生猪身份识别与健康监测方法
CN107730500A (zh) 一种瓷砖纹理检测方法、系统、装置及可读存储介质
CN109035226A (zh) 基于LSTM模型的Mura缺陷检测方法
CN117152119A (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN114463843A (zh) 一种基于深度学习的多特征融合鱼类异常行为检测方法
CN110427019B (zh) 一种基于多变量判别分析的工业过程故障分类方法及控制装置
CN106326914B (zh) 一种基于svm的珍珠多分类方法
CN109239074A (zh) 一种基于机器视觉的生阳极炭块检测方法
Kalia et al. Fruit quality evaluation using Machine Learning: A review
Zhang et al. Fabric defect detection based on visual saliency map and SVM
CN113674225A (zh) 一种基于卷积神经网络的电力设备故障检测方法
CN105160336B (zh) 基于Sigmoid函数的人脸识别方法
CN116977904A (zh) 一种基于YOLOv5的快速识别大场景多人工衣检测方法

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