CN109580629A - 曲轴止推片智能检测方法及系统 - Google Patents
曲轴止推片智能检测方法及系统 Download PDFInfo
- Publication number
- CN109580629A CN109580629A CN201810973178.2A CN201810973178A CN109580629A CN 109580629 A CN109580629 A CN 109580629A CN 201810973178 A CN201810973178 A CN 201810973178A CN 109580629 A CN109580629 A CN 109580629A
- Authority
- CN
- China
- Prior art keywords
- image
- crankshaft thrust
- thrust plate
- network
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 45
- 230000002950 deficient Effects 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 21
- 238000012372 quality testing Methods 0.000 abstract 1
- 230000004913 activation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01N2021/8854—Grading and classifying of flaws
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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种曲轴止推片智能检测方法及系统,方法包括以下步骤:获取曲轴止推片不同工作面图像;对获取到的图像进行去噪和规范化预处理;根据预处理图像建立深度学习网络,并训练网络的初始权值和样本到无缺陷模板之间的特征映射关系;利用深度学习网络获取到的特征对待测曲轴止推片进行检测和分类。本发明提出的一种曲轴止推片智能检测方法可以在无监督的条件下自发地学习图像中的特征,因而并不是特别需要对训练图像的特征做人为标注和其它特殊处理,能快速完成权值训练,较大地缩短质量检测时间。
Description
技术领域
本发明涉及智能检测技术领域,具体涉及一种曲轴止推片智能检测方法及系统。
背景技术
曲轴止推片作为发动机滑动轴承的一种,在发动机中主要起着曲轴轴向支撑的作用,在 保证曲轴轴向转动的同时,阻止曲轴轴向窜动。随着汽车工业和内燃工业的高速发展,我国 已成为曲轴止推片消费大国,其需求量飞速增长,与此同时对其质量的要求也越来越高。特 别是曲轴止推片作为参与机械传动并承受轴向压力的减磨垫片,对其厚度和外观工作面的瑕 疵面积、以及孔、油槽、铣角、内外圆倒角、标识等参数的要求更为严格。
目前由于对曲轴止推片质量检测设备改造和更新重视不足,造成检测方法和系统整体自 动化程度低、工人劳动强度大、测量精度差等缺点,严重影响产品参与市场竞争的能力,因 此实现曲轴止推片质量智能检测势在必行。
发明内容
为解决现有技术的不足,本发明提供了一种解决现有曲轴止推片检测方法和系统整体自 动化程度低、工人劳动强度大、测量精度差的曲轴止推片智能检测方法及系统。
为了实现上述目标,本发明采用如下的技术方案:
一种曲轴止推片智能检测方法,包括以下步骤:获取曲轴止推片不同工作面图像;对获 取到的图像进行去噪和规范化预处理;根据预处理图像建立深度学习网络,并训练网络的初 始权值和样本到无缺陷模板之间的特征映射关系;利用深度学习网络获取到的特征对待测曲 轴止推片进行检测和分类。
进一步地,所述对获取到的图像进行去噪和规范化预处理,包括以下步骤:采用直接灰 度变换法将获取到的图像转换为灰度图像;采用低通滤波方式对灰度图像去噪;对去噪后的 灰度图像进行归一化操作。
进一步地,所述采用低通滤波方式对灰度图像去噪具体为采用滑动平均窗滤波器对灰度 图像去噪。
进一步地,所述深度学习网络为深度置信网络。
进一步地,所述根据预处理图像建立深度学习网络,并训练网络的初始权值和样本到无 缺陷模板之间的特征映射关系,包括以下步骤:无监督地训练每层网络得到网络初始权值; 通过反向传播神经网络在线微调所述网络初始权值。
进一步地,所述利用深度学习网络获取到的特征对曲轴止推片进行检测和分类,包括以 下步骤:利用获取的特征重构图像;比较重构后的图像和获取到的待测曲轴止推片图像;根 据识别结果,将待测曲轴止推片分为正品和不同等级的缺陷品。
一种曲轴止推片智能检测系统,包括:图像获取单元,获取曲轴止推片不同工作面图像; 图像预处理单元,对获取到的图像进行去噪和规范化预处理;特征提取单元,根据预处理图 像建立深度学习网络,并训练网络的初始权值和样本到无缺陷模板之间的特征映射关系;识 别分类单元,利用深度学习网络获取到的特征对待测曲轴止推片进行检测和分类。
进一步地,所述图像获取单元包括CCD相机和光学镜头。
进一步地,所述图像获取单元还包括照明光源。
进一步地,所述曲轴止推片智能检测系统还包括:进物星轮、检测主轮盘、正品盘和次 品盘;待测曲轴止推片通过所述进物星轮运送至所述检测主轮盘;所述正品盘用于盛放检验 合格的正品;所述次品盘用于盛放检验不合格的缺陷品。
本发明提供额外有益之处在于曲轴止推片智能检测方法采用深度信念网络,可以在无监 督的条件下自发地学习图像中的特征,因而并不是特别需要对训练图像的特征做人为标注和 其它特殊处理,能快速完成权值训练,较大地缩短质量检测时间,同时使其产品背景、位置、 型号发生改变时,也能满足生产需要。
本发明提供额外有益之处在于曲轴止推片智能检测系统将深度学习网络应用于曲轴止推 片的质量检测,可以减少复杂的人工特征提取过程,实现无缺陷模板特征的自主提取,较大 地缩短产品质量缺陷对比检测时间,能更好满足在线产品检测。同时对多样性的曲轴止推片 缺陷特征实现自适应的深度学习,提高曲轴止推片缺陷特征的区分度,完成不同缺陷类型的 准确识别。
附图说明
图1是本发明的一种曲轴止推片智能检测方法的流程图;
图2是本发明的深度置信网络的结构图;
图3是本发明一种曲轴止推片智能检测系统的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示,一种曲轴止推片智能检测方法,包括以下步骤:S1获取曲轴止推片不同工 作面图像,S2对获取到的图像进行去噪和规范化预处理,S3根据预处理图像建立深度学习网 络,并训练网络的初始权值和样本到无缺陷模板之间的特征映射关系,S4利用深度学习网络 获取到的特征对待测曲轴止推片进行检测和分类。
对于步骤S1获取曲轴止推片不同工作面图像:
通过图像获取装置获取曲轴止推片不同工作面图像,获取多个不同工作面图像,可以对 产品的检测更加精确和细致。
对于步骤S2对获取到的图像进行去噪和规范化预处理:
通过步骤S1获取到的图像由于光照等原因造成图像的色彩并不能提供太多有效信息,反 而会增加信息量造成后续深度学习训练复杂度增加,优选的,采用直接灰度变换法先将图像 转换为灰度图像。同时,产品外观工作面缺陷在转换后的灰度图像中表现为暗区,即这些缺 陷处的灰度值都比较小,同时孔、油槽、铣角、内外圆倒角、标识等外观特征自然有边缘存 在,即在图像中表现为连续的低灰度值,因此,单独出现的边缘点或灰度异常点通常都是噪 声。优选的,以包含若干个像素点为窗大小的灰度值均小于特定值为判断依据,对转换后图 像采用滑动平均窗低通滤波器进行去噪。去噪后的图像灰度值一般在[0,255]之间,为使图像 不同部分在识别时的权重不至于相差过大,同时为了适应深度学习网路对数据的要求,优选 的,对图像进行归一化处理将所有灰度值统一到[0,1]区间。
对于步骤S3根据预处理图像建立深度学习网络,并训练网络的初始权值和样本到无缺陷 模板之间的特征映射关系:
如图2所示,优先的,深度学习网络采用深度置信网络,其将图像处理和特征提取结合 为一体,还可以完成模式识别,较大地缩短质量检测时间,为后续的分类提供快速实现途径。 其步骤包括:
(一)无监督地训练每层网络,确保底层特征向量映射到高层特征空间时,尽可能多地 保留特征信息,通过训练得到网络初始权值;
首先初始化网络,设置数量为n的曲轴止推片不同工作面图像为训练样本,样本中包括 无质量问题图像和有各种质量缺陷图像,并将这些样本作为可见层单元初始状态v,令可见 层和隐藏层之间的连接权重w、可见层的偏置a和隐藏层的偏置b为随机的较小数值。
然后训练网络1,即可见层v和第1个隐藏层h构成的网络,其中隐藏层包含m个隐藏单 元,采用限制玻尔兹曼机模型优化,计算得到训练样本在隐藏层的输出值。所述限制玻尔兹 曼机模型是一种生成式随机神经网络,是深度置信网络的基本构成部分,模型表达式为:
其中,
当给定网络可见单元状态时,各隐藏单元的激活状态之间是条件独立的,由此可得到第j 个隐藏单元的激活概率为:
其中,
为Sigmod激活函数。
从上述计算的概率分布中采样:
hj~P(hj=1|v),
根据限制玻尔兹曼机模型的对称结构,同理可得到第i个可见单元的激活概率为:
同样地,从上述计算的概率分布中采样:
vi~P(vi=1|h),
为得到网络参数wij、ai和bj,用极大似然法最大化可见单元的激活概率表达式,具体为:
其中,
θ={wij,ai,bj},
接下去更新权值:
其中,ε表示学习率。
经过若干次训练后,隐藏层不仅能够较为精准地显示可见层的特征,同时还能够还原可 见层。
利用上一步的结果作为网络2训练的输入值,同样使用限制玻尔兹曼机模型优化,并计 算网络的输出值,用同样方法训练网络3。
将上面3个网络展开连接成新的网络,用前面两步得到的值给整个新网路赋初值,完成 无监督地训练每层网络结构。
本发明实施例采用3个网络的深度置信网络,可选的,可以根据实际需求,网络的个数 可以调整。
(二)通过反向传播神经网络在线微调所述网络初始权值。
将最初的输入值作为网络理论的输出标签值,并结合已经训练得到的网络初始权值,利 用反向传播神经网络计算网络的代价函数和代价函数的偏导数,采用共轭梯度下降法优化整 个网络,得到最终的网络权值。具体地,在深度置信网络的最后一层设置反向传播神经网络, 接收整个网络的输出标签值并作为其输入值,有监督地训练网络权值。由于每一层网络只能 确保自身层内的权值对该层特征向量映射达到最优,并不是对整个深度置信网络的特征向量 映射达到最优,所以反向传播网络还需将误差信息自顶向下传播至每一层网络,从而完成微 调整个深度置信网络的权值。特别地,整个网络的训练过程可以看作是对一个深层反向传播 神经网络权值的初始化,使深度置信网络克服了后者因随机初始化权值而容易陷入局部最优 和训练时间长的缺点。
对于步骤S4利用深度学习网络获取到的特征对待测曲轴止推片进行检测和分类:
本发明实施例中,利用获取的特征重构图像,比较重构后的图像和获取到的待测曲轴止 推片图像,实现自动识别。具体地,在深度学习网络训练样本得到的无缺陷模板特征的基础 上重构图像,并与输入的图像进行对比,根据对比差值就可以识别曲轴止推片是否存在质量 问题,以及具体在哪些部位出现缺陷。根据图像对比识别结果,将曲轴止推片进行分类。具 体地,根据质量问题和缺陷部位,将曲轴止推片分为检验合格的正品和检验不合格的缺陷品, 其中,缺陷品可以根据缺陷的等级进行进一步地划分。
缺陷品的进一步划分包括如下步骤:
判断缺陷品图像瑕疵的面积是否超过阈值,如果超过阈值则先归为一类;
然后将另一个缺陷品的图像瑕疵面积与已经归类的缺陷品的图像瑕疵的面积计算差值的 绝对值;
判断差值的绝对值是否在阈值范围中,如果是,则归为一类;
如果不是,则使其单独归为一类;
分类完成后,用类似方案以图像瑕疵的亮度作为参考进行分类,
在两种分类中归为一组重合的,则作为最终分组,而不重合的则分别分组。
与上述曲轴止推片智能检测方法相对应的,本发明实施例还提供了一种曲轴止推片智能 检测系统,如图3所示,该曲轴止推片智能检测系统主要包括:图像获取单元4、图像预处 理单元5、特征提取单元6和识别分类单元7,其中,图像获取单元4用于获取曲轴止推片不 同工作面图像,图像预处理单元5对获取到的图像进行去噪和规范化预处理,特征提取单元 6根据预处理图像建立深度学习网络,并训练网络的初始权值和样本到无缺陷模板之间的特 征映射关系,识别分类单元7利用深度学习网络获取到的特征对待测曲轴止推片1进行检测 和分类。
优选的,该曲轴止推片智能检测系统还包括进物星轮2、检测主轮盘3、正品盘8和次品 盘9,其中,待测曲轴止推片1通过进物星轮2到达检测主轮盘3,正品盘8用于盛放检验合 格的正品,次品盘9用于盛放检验不合格的缺陷品。
优选的,次品盘9内部分割有多个独立的容纳腔,缺陷品根据缺陷的等级进行进一步地 划分,不同等级的缺陷品被分到次品盘中不同的容纳腔中。
优选的,曲轴止推片智能检测系统包含多组图像获取单元4,每组图像获取单元4由CCD 相机和光学镜头组成,多组图像获取单元4安装于曲轴止推片检测主轮盘3的不同位置和角 度,待测曲轴止推片1通过进物星轮2到达检测主轮盘3,通过光学镜头将待测曲轴止推片1 成像于CCD相机传感器上,光信号先转换成电信号,进而转换成计算机能处理的数字信号。 可选的,为了能够获取曲轴止推片不同工作面图像,也可以采用一组图像获取单元4,该一 组图像获取单元4可以通过其他方式获取到曲轴止推片不同工作面图像,比如可以采用引导 轨道的的方式和待测曲轴止推片1同步运动从而获取不同角度的图像。
优选的,每组图像获取单元4还包括一个光源,用于照明待测曲轴止推片1,使得系统 成像更加清晰,识别效率更高。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解, 上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案, 均落在本发明的保护范围内。
Claims (10)
1.一种曲轴止推片智能检测方法,其特征在于,包括以下步骤:获取曲轴止推片不同工作面图像;对获取到的图像进行去噪和规范化预处理;根据预处理图像建立深度学习网络,并训练网络的初始权值和样本到无缺陷模板之间的特征映射关系;利用深度学习网络获取到的特征对待测曲轴止推片进行检测和分类。
2.根据权利要求1所述的曲轴止推片智能检测方法,其特征在于:
所述对获取到的图像进行去噪和规范化预处理,包括以下步骤:采用直接灰度变换法将获取到的图像转换为灰度图像;采用低通滤波方式对灰度图像去噪;对去噪后的灰度图像进行归一化操作。
3.根据权利要求2所述的曲轴止推片智能检测方法,其特征在于:
所述采用低通滤波方式对灰度图像去噪具体为采用滑动平均窗滤波器对灰度图像去噪。
4.根据权利要求1所述的曲轴止推片智能检测方法,其特征在于:
所述深度学习网络为深度置信网络。
5.根据权利要求1所述的曲轴止推片智能检测方法,其特征在于:
所述根据预处理图像建立深度学习网络,并训练网络的初始权值和样本到无缺陷模板之间的特征映射关系,包括以下步骤:无监督地训练每层网络得到网络初始权值;通过反向传播神经网络在线微调所述网络初始权值。
6.根据权利要求1所述的曲轴止推片智能检测方法,其特征在于:
所述利用深度学习网络获取到的特征对曲轴止推片进行检测和分类,包括以下步骤:利用获取的特征重构图像;比较重构后的图像和获取到的待测曲轴止推片图像;根据识别结果,将待测曲轴止推片分为正品和不同等级的缺陷品。
7.一种曲轴止推片智能检测系统,其特征在于,包括:图像获取单元,获取曲轴止推片不同工作面图像;图像预处理单元,对获取到的图像进行去噪和规范化预处理;特征提取单元,根据预处理图像建立深度学习网络,并训练网络的初始权值和样本到无缺陷模板之间的特征映射关系;识别分类单元,利用深度学习网络获取到的特征对待测曲轴止推片进行检测和分类。
8.根据权利要求7所述的曲轴止推片智能检测系统,其特征在于:
所述图像获取单元包括CCD相机和光学镜头。
9.根据权利要求8所述的曲轴止推片智能检测系统,其特征在于:
所述图像获取单元还包括照明光源。
10.根据权利要求7所述的曲轴止推片智能检测系统,其特征在于:
所述曲轴止推片智能检测系统还包括:进物星轮、检测主轮盘、正品盘和次品盘;待测曲轴止推片通过所述进物星轮运送至所述检测主轮盘;所述正品盘用于盛放检验合格的正品;所述次品盘用于盛放检验不合格的缺陷品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810973178.2A CN109580629A (zh) | 2018-08-24 | 2018-08-24 | 曲轴止推片智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810973178.2A CN109580629A (zh) | 2018-08-24 | 2018-08-24 | 曲轴止推片智能检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109580629A true CN109580629A (zh) | 2019-04-05 |
Family
ID=65919699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810973178.2A Pending CN109580629A (zh) | 2018-08-24 | 2018-08-24 | 曲轴止推片智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109580629A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391966A (zh) * | 2014-12-03 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于深度学习的典型车标搜索方法 |
CN104851099A (zh) * | 2015-05-21 | 2015-08-19 | 周口师范学院 | 一种基于表示学习的图像融合方法 |
CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
CN105354548A (zh) * | 2015-10-30 | 2016-02-24 | 武汉大学 | 一种基于ImageNet检索的监控视频行人重识别方法 |
CN106295601A (zh) * | 2016-08-18 | 2017-01-04 | 合肥工业大学 | 一种改进的安全带检测方法 |
CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
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 |
CN107292256A (zh) * | 2017-06-14 | 2017-10-24 | 西安电子科技大学 | 基于辅任务的深度卷积小波神经网络表情识别方法 |
CN108021938A (zh) * | 2017-11-29 | 2018-05-11 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 |
CN108133473A (zh) * | 2017-12-21 | 2018-06-08 | 江南大学 | 基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法 |
CN108389180A (zh) * | 2018-01-19 | 2018-08-10 | 浙江工业大学 | 一种基于深度学习的织物疵点检测方法 |
-
2018
- 2018-08-24 CN CN201810973178.2A patent/CN109580629A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391966A (zh) * | 2014-12-03 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于深度学习的典型车标搜索方法 |
CN104851099A (zh) * | 2015-05-21 | 2015-08-19 | 周口师范学院 | 一种基于表示学习的图像融合方法 |
CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
CN105354548A (zh) * | 2015-10-30 | 2016-02-24 | 武汉大学 | 一种基于ImageNet检索的监控视频行人重识别方法 |
CN106295601A (zh) * | 2016-08-18 | 2017-01-04 | 合肥工业大学 | 一种改进的安全带检测方法 |
CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
CN106503661A (zh) * | 2016-10-25 | 2017-03-15 | 陕西师范大学 | 基于烟花深度信念网络的人脸性别识别方法 |
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 |
CN107292256A (zh) * | 2017-06-14 | 2017-10-24 | 西安电子科技大学 | 基于辅任务的深度卷积小波神经网络表情识别方法 |
CN108021938A (zh) * | 2017-11-29 | 2018-05-11 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 |
CN108133473A (zh) * | 2017-12-21 | 2018-06-08 | 江南大学 | 基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法 |
CN108389180A (zh) * | 2018-01-19 | 2018-08-10 | 浙江工业大学 | 一种基于深度学习的织物疵点检测方法 |
Non-Patent Citations (4)
Title |
---|
HONG-WEI HUANG ET AL.: "Deep learning based image recognition for crack and leakage defects of metro shield tunnel", 《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》 * |
何东健等: "《数字图像处理》", 28 February 2015, 西安:西安电子科技大学出版社 * |
余永维等: "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》 * |
景军锋等: "应用深度卷积神经网络的色织物缺陷检测", 《纺织学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN109724984B (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
CN106875373B (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 | |
CN111189837B (zh) | 一种烟支外观在线检测方法及其装置 | |
CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN111260640B (zh) | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 | |
CN111325713A (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
CN113554631B (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
CN110403232A (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN109472783B (zh) | 一种泡沫镍表面缺陷提取及分类方法 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN106340007A (zh) | 一种基于图像处理的车身漆膜缺陷检测识别方法 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN111598858B (zh) | 一种基于迁移学习的橡胶手套的检测方法及系统 | |
CN113554638A (zh) | 一种芯片表面缺陷检测模型建立方法和系统 | |
CN112991271A (zh) | 基于改进yolov3的铝型材表面缺陷视觉检测方法 | |
CN113970560A (zh) | 一种基于多传感融合的缺陷三维检测方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN115311250A (zh) | 基于深度学习和时空特征融合的烟支外观检测方法 | |
CN113673396B (zh) | 一种孢子发芽率计算方法、装置及存储介质 | |
CN118225803A (zh) | 一种推土机刀片表面外观视觉检测方法 | |
CN113538342B (zh) | 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |
|
RJ01 | Rejection of invention patent application after publication |