CN109829907A - 一种基于深度学习的金属轴表面缺陷识别方法 - Google Patents
一种基于深度学习的金属轴表面缺陷识别方法 Download PDFInfo
- Publication number
- CN109829907A CN109829907A CN201910099034.3A CN201910099034A CN109829907A CN 109829907 A CN109829907 A CN 109829907A CN 201910099034 A CN201910099034 A CN 201910099034A CN 109829907 A CN109829907 A CN 109829907A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- data
- metal shaft
- image
- defect
- 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
Abstract
本发明公开了一种基于深度学习的金属轴表面缺陷识别方法,所述识别方法步骤包括通过线阵相机扫描金属轴表面,获取全局图像数据;进行缺陷图像预筛选;对图像进行预处理,包括去噪和锐化;对图像数据进行增强,获取大量丰富的图像数据;在再制作数据集,通过标注软件进行标注,生成标签文件;划分数据集,将数据集划分成训练集、验证集、测试集;将数据集转换成TFRecord格式;将TFRecord格式的数据输入深度学习目标检测模型中进行训练;模型评估;导出计算图;在测试集上测试模型的性能。本发明将深度学习技术和金属轴表面缺陷检测相结合,在精度和泛化能力上有明显的优势,实现金属轴零部件的高效率检测。
Description
技术领域
本发明涉及人工智能和缺陷检测,更具体的说,尤其涉及一种基于深度学习的金属轴表面缺陷识别方法。
背景技术
随着科学技术的不断进步,出现了许多自动化无损探伤检测的技术,常规的轴表面缺陷无损探伤检测方法有渗透探伤检测、磁粉探伤检测、超声波探伤检测等,都存在一些难以克服的缺点。自上个世纪以来,机器视觉技术在缺陷检测和质量监控领域已得到广泛应用,视觉检测相对来说工序简单,检测速度快,不需要人为去观察,而且在识别能力上有很大的提升空间,但传统的视觉检测方法存在较明显的弊端,如模板匹配,对模板库的丰富度要求非常高,同时匹配的过程会进行相似度计算需要花费的时间比较长。
相对于传统的检测方案,深度学习泛化能力更强,检测准确率更高。深度学习的方式适应性非常强,不仅仅局限于一两种缺陷,通过学习的方式识别缺陷的种类可以达到无上限,而且迁移能力较强,未来若数据扩充或者种类的扩充,因此将深度学习应用到轴表面缺陷无损探伤检测领域显得尤为必要。
发明内容
本发明的目的在于解决传统的视觉识别算法泛化能力不足和传统的视觉识别方法识别准确率太低的问题,提出了一种基于深度学习的金属轴表面缺陷识别方法,将深度学习技术和金属轴表面缺陷检测相结合,在精度和泛化能力上有明显的优势,实现金属轴零部件的高效率检测。
本发明通过以下技术方案来实现上述目的:一种基于深度学习的金属轴表面缺陷识别方法,包括以下步骤:
S1:通过线阵相机扫描金属轴表面,获取全局图像数据;
S2:由于扫描图通常会比较大,需要对缺陷进行粗筛选,加快预测处理速度,同时在训练集的制作过程中也需要像素比较小的图,因此对采集到的图像进行灰度化后再进行网格化,设定一个用于筛选的阈值a,阈值为最小缺陷像素量占网格子块总像素量的的1/4,统计黑色像素量,若统计出超过阈值a则判断为可能存在缺陷,将子块保留到下一步预测,若统计出小于阈值a则直接将子图舍弃,不再做预测;
S3:对S2筛选出的缺陷图像数据进行预处理,提升数据的质量;所述预处理包括对图像的去噪、锐化;
S4:对经过S3步骤预处理之后的缺陷图像数据进行增强,获取大量丰富的缺陷图像数据;所述数据增强的方式主要由两种,一种是通过传统的图像随机仿射变换方式,另一种是通过深度学习gan模型,即深度学习生成对抗网络模型;
S5:制作数据集,通过标注软件对通过S3和S4步骤产生的缺陷图像进行标注,生成标签文件,包括图像数据集中缺陷目标的坐标以及类别;
S6:划分数据集,将S5步骤制作的数据集划分成训练集、验证集和测试集,训练集、验证集和测试集的比例为98:1:1;
S7:将数据集转换成TFRecord文件格式,即一种将图像数据和标签统一存储的二进制文件,能更好的利用内存,在tensorflow中快速的复制,移动,读取,存储等;tensorflow为谷歌研发的深度学习框架;
S8:将S7步骤中转换成TFRecord格式的数据集输入深度学习目标检测模型中进行训练,通过tensorboard,即tensorflow自带的可视化工具,有效地展示tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息,即对训练过程进行监控;
S9:对S8步骤训练过程中的深度学习模型进行评估,即将验证集数据导入到模型中进行准确率的测试,若准确率达到要求可提前停止训练;
S10:在训练停止之后,通过tensorflow自带的脚本程序导出计算图用于缺陷的预测;
S11:在测试集上测试模型的性能,即将测试集数据导图到S10步骤得到的计算图中进行准确率的测试。
步骤S2中,由于扫描图网格化之后,缺陷可能出现在网格交叉处,至少能保留1/4的缺陷作为下一步预测;由于缺陷图是一般情况下都是稀疏图像,缺陷可能只分布在某一个或几个子图中,因此通过粗筛选可以将大部分的子块都排除,提速效果非常的明显。
优选的,步骤S2和S3中,图像处理的过程在GPU中进行,通过cuda并行处理,能加快处理速度。cuda为一种由英伟达推出的通用并行计算架构。
优选的,步骤S3中去噪方法采用高斯双边滤波,由于金属轴缺陷中存在大量的细薄型缺陷,高斯双边滤波对边缘保存较好。
优选的,步骤S5中,制作数据集的过程通过算法进行自动标注,先对原始数据进行手工标注,可在步骤S5后面再加步骤S4中的图像随机仿射变换,图像的增强过程中,根据仿射变换规则,对标签坐标同步进行变换。
优选的,步骤S8中,深度学习目标检测模型以当前最新的模型为主,同时应尽量避免选用精度低的one-stage模型,即端对端的模型,因为较早的one-stage模型对小精度目标识别误差很高,金属轴表面缺陷存在大量的小缺陷。
优选的,步骤S8中,深度学习目标检测模型最佳为3~5层。应尽量避免大量的下采样层的出现,3~5层为最佳,过多的下采样层对小缺陷的识别非常不利。
优选的,步骤S9中模型评估方法采用mAP评估;mAP为均值平均精度,即预测目标位置以及类别的这一类算法的性能度量标准。
本发明的有益效果在于:本发明将深度学习技术和金属轴表面缺陷检测相结合,能有效的弥补传统的无损检测方法在缺陷检测上各种不足的问题,同时和传统的机器视觉目标检测算法相比,在精度和泛化能力上有明显的优势,实现金属轴零部件的高效率检测。
附图说明
图1是本发明一种基于深度学习的金属轴表面缺陷识别方法的工作流程图
具体实施方式
下面结合附图对本发明作进一步说明:
如图1所示,一种基于深度学习的金属轴表面缺陷识别方法,包括以下步骤:
S1:通过线阵相机扫描金属轴表面,获取全局图像数据;
S2:由于扫描图通常会比较大,需要对缺陷进行粗筛选,加快预测处理速度,同时在训练集的制作过程中也需要像素比较小的图,因此对采集到的图像进行灰度化后再进行网格化,设定一个用于筛选的阈值a,阈值为最小缺陷像素量占网格子块总像素量的的1/4,统计黑色像素量,若统计出超过阈值a则判断为可能存在缺陷,将子块保留到下一步预测,若统计出小于阈值a则直接将子图舍弃,不再做预测;
S3:对S2筛选出的缺陷图像数据进行预处理,提升数据的质量;所述预处理包括对图像的去噪、锐化;
S4:对经过S3步骤预处理之后的缺陷图像数据进行增强,获取大量丰富的缺陷图像数据;所述数据增强的方式主要由两种,一种是通过传统的图像随机仿射变换方式,另一种是通过深度学习gan模型,即深度学习生成对抗网络模型;
S5:制作数据集,通过标注软件对通过S3和S4步骤产生的缺陷图像进行标注,生成标签文件,包括图像数据集中缺陷目标的坐标以及类别;
制作数据集的自动标注算法包括如下步骤:
S51:手动标注原始数据;
S52:生成xml标签文件,边框的中心横坐标x,纵坐标y,边框长h,宽w,目标类别;
S53:随机旋转,坐标值根据旋转角度进行改变,类别不变;
S54:随机翻转,坐标值根据翻转进行改变,类别不变;
S55:随机偏移,坐标值根据偏移距离进行改变,类别不变;
S56:随机缩放,坐标值根据缩放尺寸进行告别,类别不变;
S57:生成xml标签文件。
S6:划分数据集,将S5步骤制作的数据集划分成训练集、验证集和测试集,训练集、验证集和测试集的比例为98:1:1;
S7:将数据集转换成TFRecord文件格式,即一种将图像数据和标签统一存储的二进制文件,能更好的利用内存,在tensorflow中快速的复制,移动,读取,存储等;tensorflow为谷歌研发的深度学习框架;
S8:将S7步骤中转换成TFRecord格式的数据集输入深度学习目标检测模型中进行训练,通过tensorboard,即tensorflow自带的可视化工具,有效地展示tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息,即对训练过程进行监控;
S9:对S8步骤训练过程中的深度学习模型进行评估,即将验证集数据导入到模型中进行准确率的测试,若准确率达到要求可提前停止训练;
S10:在训练停止之后,通过tensorflow自带的脚本程序导出计算图用于缺陷的预测;
S11:在测试集上测试模型的性能,即将测试集数据导图到S10步骤得到的计算图中进行准确率的测试。
步骤S2中,由于扫描图网格化之后,缺陷可能出现在网格交叉处,至少能保留1/4的缺陷作为下一步预测;由于缺陷图是一般情况下都是稀疏图像,缺陷可能只分布在某一个或几个子图中,因此通过粗筛选可以将大部分的子块都排除,提速效果非常的明显。
步骤S2和S3中,图像处理的过程在GPU中进行,通过cuda并行处理,能加快处理速度。cuda为一种由英伟达推出的通用并行计算架构。
步骤S3中去噪方法采用高斯双边滤波,由于金属轴缺陷中存在大量的细薄型缺陷,高斯双边滤波对边缘保存较好。
步骤S5中,制作数据集的过程通过算法进行自动标注,先对原始数据进行手工标注,可在步骤S5后面再加步骤S4中的图像随机仿射变换,图像的增强过程中,根据仿射变换规则,对标签坐标同步进行变换。
步骤S8中,深度学习目标检测模型以当前最新的模型为主,同时应尽量避免选用精度低的one-stage模型,即端对端的模型,因为较早的one-stage模型对小精度目标识别误差很高,金属轴表面缺陷存在大量的小缺陷。
步骤S8中,深度学习目标检测模型最佳为3~5层。应尽量避免大量的下采样层的出现,3~5层为最佳,过多的下采样层对小缺陷的识别非常不利。
步骤S9中模型评估方法采用mAP评估;mAP为均值平均精度,即预测目标位置以及类别的这一类算法的性能度量标准。
上述实施例只是本发明的较佳实施例,并不是对本发明技术方案的限制,只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案,均应视为落入本发明专利的权利保护范围内。
Claims (7)
1.一种基于深度学习的金属轴表面缺陷识别方法,其特征在于:包括以下步骤:
S1:通过线阵相机扫描金属轴表面,获取全局图像数据;
S2:由于扫描图通常会比较大,需要对缺陷进行粗筛选,加快预测处理速度,同时在训练集的制作过程中也需要像素比较小的图,因此对采集到的图像进行灰度化后再进行网格化,设定一个用于筛选的阈值a,阈值为最小缺陷像素量占网格子块总像素量的的1/4,统计黑色像素量,若统计出超过阈值a则判断为可能存在缺陷,将子块保留到下一步预测,若统计出小于阈值a则直接将子图舍弃,不再做预测;
S3:对S2筛选出的缺陷图像数据进行预处理,提升数据的质量;所述预处理包括对图像的去噪、锐化;
S4:对经过S3步骤预处理之后的缺陷图像数据进行增强,获取大量丰富的缺陷图像数据;所述数据增强的方式主要由两种,一种是通过传统的图像随机仿射变换方式,另一种是通过深度学习gan模型,即深度学习生成对抗网络模型;
S5:制作数据集,通过标注软件对通过S3和S4步骤产生的缺陷图像进行标注,生成标签文件,包括图像数据集中缺陷目标的坐标以及类别;
S6:划分数据集,将S5步骤制作的数据集划分成训练集、验证集和测试集,训练集、验证集和测试集的比例为98:1:1;
S7:将数据集转换成TFRecord文件格式,即一种将图像数据和标签统一存储的二进制文件,能更好的利用内存,在tensorflow中快速的复制,移动,读取,存储等;tensorflow为谷歌研发的深度学习框架;
S8:将S7步骤中转换成TFRecord格式的数据集输入深度学习目标检测模型中进行训练,通过tensorboard,即tensorflow自带的可视化工具,有效地展示tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息,即对训练过程进行监控;
S9:对S8步骤训练过程中的深度学习模型进行评估,即将验证集数据导入到模型中进行准确率的测试,若准确率达到要求可提前停止训练;
S10:在训练停止之后,通过tensorflow自带的脚本程序导出计算图用于缺陷的预测;
S11:在测试集上测试模型的性能,即将测试集数据导图到S10步骤得到的计算图中进行准确率的测试。
2.根据权利要求1所述的一种基于深度学习的金属轴表面缺陷识别方法,其特征在于:步骤S2和S3中,图像处理的过程在GPU中进行,通过cuda并行处理;cuda为一种由英伟达推出的通用并行计算架构。
3.根据权利要求1所述的一种基于深度学习的金属轴表面缺陷识别方法,其特征在于:步骤S3中去噪方法采用高斯双边滤波。
4.根据权利要求1所述的一种基于深度学习的金属轴表面缺陷识别方法,其特征在于:步骤S5中,制作数据集的过程通过算法进行自动标注,先对原始数据进行手工标注,可在步骤S5后面再加步骤S4中的图像随机仿射变换,图像的增强过程中,根据仿射变换规则,对标签坐标同步进行变换。
5.根据权利要求1所述的一种基于深度学习的金属轴表面缺陷识别方法,其特征在于:步骤S8中,深度学习目标检测模型以当前最新的模型为主,包括RefineDet和Yolov3模型。
6.根据权利要求1所述的一种基于深度学习的金属轴表面缺陷识别方法,其特征在于:步骤S8中,深度学习目标检测模型最佳为3~5层。
7.根据权利要求1所述的一种基于深度学习的金属轴表面缺陷识别方法,其特征在于:步骤S9中模型评估方法采用mAP评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910099034.3A CN109829907A (zh) | 2019-01-31 | 2019-01-31 | 一种基于深度学习的金属轴表面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910099034.3A CN109829907A (zh) | 2019-01-31 | 2019-01-31 | 一种基于深度学习的金属轴表面缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109829907A true CN109829907A (zh) | 2019-05-31 |
Family
ID=66862100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910099034.3A Pending CN109829907A (zh) | 2019-01-31 | 2019-01-31 | 一种基于深度学习的金属轴表面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829907A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223042A (zh) * | 2019-06-10 | 2019-09-10 | 北京云莱坞文化传媒有限公司 | 面向海量数据的评估方法及模型 |
CN110288027A (zh) * | 2019-06-27 | 2019-09-27 | 上海海事大学 | 一种基于ssd框架的起重机锈蚀识别和归类算法 |
CN110335272A (zh) * | 2019-07-12 | 2019-10-15 | 创新奇智(广州)科技有限公司 | 一种基于机器视觉的金属器件智能质检设备控制系统、方法及电子设备 |
CN110533191A (zh) * | 2019-08-22 | 2019-12-03 | 江苏联峰实业有限公司 | 一种处理窄成分合金钢的方法及装置 |
CN110689539A (zh) * | 2019-11-12 | 2020-01-14 | 南京大学 | 一种基于深度学习的工件表面缺陷检测方法 |
CN110992363A (zh) * | 2019-12-27 | 2020-04-10 | 中国石油大学(华东) | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 |
CN110992344A (zh) * | 2019-12-05 | 2020-04-10 | 北京华恒盛世科技有限公司 | 基于卫星图片缺陷的定位、识别和分类方法 |
CN111191771A (zh) * | 2019-12-29 | 2020-05-22 | 浪潮(北京)电子信息产业有限公司 | 一种数据处理方法、装置、设备及存储介质 |
CN111257422A (zh) * | 2020-02-28 | 2020-06-09 | 北京新联铁集团股份有限公司 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
CN111487250A (zh) * | 2020-04-02 | 2020-08-04 | 苏州奥创智能科技有限公司 | 一种应用于注塑件不良品检测的智能视觉检测方法及系统 |
CN111899227A (zh) * | 2020-07-06 | 2020-11-06 | 北京交通大学 | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 |
CN112129783A (zh) * | 2020-09-22 | 2020-12-25 | 广州番禺职业技术学院 | 基于深度学习的透明药瓶底部缺陷检测装置与检测方法 |
CN112295933A (zh) * | 2020-09-17 | 2021-02-02 | 东南大学 | 一种机器人快速分拣货物的方法 |
WO2021056389A1 (en) * | 2019-09-27 | 2021-04-01 | Intel Corporation | Methods and apparatus to process machine learning model in web-browser environment |
CN112766174A (zh) * | 2021-01-21 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路列车车厢组底板丢失故障检测方法 |
CN113487603A (zh) * | 2021-07-28 | 2021-10-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于目标检测算法的配件装包检查方法 |
CN114216911A (zh) * | 2021-12-20 | 2022-03-22 | 河北科技大学 | 一种金属选择性激光熔化成型中铺粉质量监测及控制方法 |
CN114332084A (zh) * | 2022-03-11 | 2022-04-12 | 齐鲁工业大学 | 一种基于深度学习的pcb表面缺陷检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
US20170132801A1 (en) * | 2015-09-14 | 2017-05-11 | Sightline Innovation Inc. | System and method for specular surface inspection |
CN106841212A (zh) * | 2016-12-30 | 2017-06-13 | 湖南大学 | 一种基于局部pca和bp神经网络的瓶口缺陷检测方法 |
CN107679572A (zh) * | 2017-09-29 | 2018-02-09 | 深圳大学 | 一种图像判别方法、存储设备及移动终端 |
CN108038832A (zh) * | 2017-12-25 | 2018-05-15 | 中国科学院深圳先进技术研究院 | 一种水下图像增强方法及系统 |
CN108389181A (zh) * | 2018-01-23 | 2018-08-10 | 南京大学 | 一种基于深度学习和法向图的零件缺陷检测和定位方法 |
CN108446667A (zh) * | 2018-04-04 | 2018-08-24 | 北京航空航天大学 | 基于生成对抗网络数据增强的人脸表情识别方法和装置 |
CN108537743A (zh) * | 2018-03-13 | 2018-09-14 | 杭州电子科技大学 | 一种基于生成对抗网络的面部图像增强方法 |
CN108615230A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种轮毂表面异常检测方法和系统 |
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
CN109034184A (zh) * | 2018-06-07 | 2018-12-18 | 广西电网有限责任公司玉林供电局 | 一种基于深度学习的均压环检测识别方法 |
-
2019
- 2019-01-31 CN CN201910099034.3A patent/CN109829907A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132801A1 (en) * | 2015-09-14 | 2017-05-11 | Sightline Innovation Inc. | System and method for specular surface inspection |
CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN106841212A (zh) * | 2016-12-30 | 2017-06-13 | 湖南大学 | 一种基于局部pca和bp神经网络的瓶口缺陷检测方法 |
CN107679572A (zh) * | 2017-09-29 | 2018-02-09 | 深圳大学 | 一种图像判别方法、存储设备及移动终端 |
CN108038832A (zh) * | 2017-12-25 | 2018-05-15 | 中国科学院深圳先进技术研究院 | 一种水下图像增强方法及系统 |
CN108389181A (zh) * | 2018-01-23 | 2018-08-10 | 南京大学 | 一种基于深度学习和法向图的零件缺陷检测和定位方法 |
CN108537743A (zh) * | 2018-03-13 | 2018-09-14 | 杭州电子科技大学 | 一种基于生成对抗网络的面部图像增强方法 |
CN108615230A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种轮毂表面异常检测方法和系统 |
CN108446667A (zh) * | 2018-04-04 | 2018-08-24 | 北京航空航天大学 | 基于生成对抗网络数据增强的人脸表情识别方法和装置 |
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN109034184A (zh) * | 2018-06-07 | 2018-12-18 | 广西电网有限责任公司玉林供电局 | 一种基于深度学习的均压环检测识别方法 |
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
Non-Patent Citations (2)
Title |
---|
韩英莉、颜云辉: "基于BP神经网络的带钢表面缺陷的识别与分类", 《仪器仪表学报》 * |
高靑: "基于深度学习的镁合金轧制薄板缺陷检测问题的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223042B (zh) * | 2019-06-10 | 2020-01-14 | 北京云莱坞文化传媒有限公司 | 面向海量数据的评估方法 |
CN110223042A (zh) * | 2019-06-10 | 2019-09-10 | 北京云莱坞文化传媒有限公司 | 面向海量数据的评估方法及模型 |
CN110288027A (zh) * | 2019-06-27 | 2019-09-27 | 上海海事大学 | 一种基于ssd框架的起重机锈蚀识别和归类算法 |
CN110288027B (zh) * | 2019-06-27 | 2023-04-07 | 上海海事大学 | 一种基于ssd框架的起重机锈蚀识别和归类算法 |
CN110335272A (zh) * | 2019-07-12 | 2019-10-15 | 创新奇智(广州)科技有限公司 | 一种基于机器视觉的金属器件智能质检设备控制系统、方法及电子设备 |
CN110533191A (zh) * | 2019-08-22 | 2019-12-03 | 江苏联峰实业有限公司 | 一种处理窄成分合金钢的方法及装置 |
WO2021056389A1 (en) * | 2019-09-27 | 2021-04-01 | Intel Corporation | Methods and apparatus to process machine learning model in web-browser environment |
CN110689539A (zh) * | 2019-11-12 | 2020-01-14 | 南京大学 | 一种基于深度学习的工件表面缺陷检测方法 |
CN110992344A (zh) * | 2019-12-05 | 2020-04-10 | 北京华恒盛世科技有限公司 | 基于卫星图片缺陷的定位、识别和分类方法 |
CN110992363B (zh) * | 2019-12-27 | 2023-05-16 | 中国石油大学(华东) | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 |
CN110992363A (zh) * | 2019-12-27 | 2020-04-10 | 中国石油大学(华东) | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 |
CN111191771A (zh) * | 2019-12-29 | 2020-05-22 | 浪潮(北京)电子信息产业有限公司 | 一种数据处理方法、装置、设备及存储介质 |
CN111257422B (zh) * | 2020-02-28 | 2023-09-08 | 北京新联铁集团股份有限公司 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
CN111257422A (zh) * | 2020-02-28 | 2020-06-09 | 北京新联铁集团股份有限公司 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
CN111487250A (zh) * | 2020-04-02 | 2020-08-04 | 苏州奥创智能科技有限公司 | 一种应用于注塑件不良品检测的智能视觉检测方法及系统 |
CN111899227A (zh) * | 2020-07-06 | 2020-11-06 | 北京交通大学 | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 |
CN112295933B (zh) * | 2020-09-17 | 2022-03-11 | 东南大学 | 一种机器人快速分拣货物的方法 |
CN112295933A (zh) * | 2020-09-17 | 2021-02-02 | 东南大学 | 一种机器人快速分拣货物的方法 |
CN112129783A (zh) * | 2020-09-22 | 2020-12-25 | 广州番禺职业技术学院 | 基于深度学习的透明药瓶底部缺陷检测装置与检测方法 |
CN112129783B (zh) * | 2020-09-22 | 2024-03-29 | 广州番禺职业技术学院 | 基于深度学习的透明药瓶底部缺陷检测方法 |
CN112766174B (zh) * | 2021-01-21 | 2021-10-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路列车车厢组底板丢失故障检测方法 |
CN112766174A (zh) * | 2021-01-21 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路列车车厢组底板丢失故障检测方法 |
CN113487603A (zh) * | 2021-07-28 | 2021-10-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于目标检测算法的配件装包检查方法 |
CN114216911A (zh) * | 2021-12-20 | 2022-03-22 | 河北科技大学 | 一种金属选择性激光熔化成型中铺粉质量监测及控制方法 |
CN114332084A (zh) * | 2022-03-11 | 2022-04-12 | 齐鲁工业大学 | 一种基于深度学习的pcb表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829907A (zh) | 一种基于深度学习的金属轴表面缺陷识别方法 | |
Jiang et al. | A deep learning approach for fast detection and classification of concrete damage | |
CN109460753B (zh) | 一种检测水上漂浮物的方法 | |
CN111062915B (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
Li et al. | Semi-supervised semantic segmentation using adversarial learning for pavement crack detection | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
CN111027443B (zh) | 一种基于多任务深度学习的票据文本检测方法 | |
CN109800698A (zh) | 基于深度网络的图标检测方法 | |
CN110263794B (zh) | 基于数据增强的目标识别模型的训练方法 | |
CN114638784A (zh) | 一种基于fe-yolo的铜管表面缺陷检测方法及装置 | |
Rong et al. | Pest identification and counting of yellow plate in field based on improved mask r-cnn | |
CN109271868B (zh) | 基于密集连接卷积网络超球体嵌入的目标重识别方法 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN111783608B (zh) | 一种换脸视频检测方法 | |
CN114998603A (zh) | 一种基于深度多尺度特征因子融合的水下目标检测方法 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN109815973A (zh) | 一种适用于鱼类细粒度识别的深度学习方法 | |
CN113420619A (zh) | 一种遥感影像建筑物提取方法 | |
CN115719445A (zh) | 一种基于深度学习和树莓派4b模块的海产品识别方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN111145314B (zh) | 一种结合地名标注的扫描电子地图地名符号的提取方法 | |
Li et al. | Automatic pavement crack detection based on single stage salient-instance segmentation and concatenated feature pyramid network | |
CN114638992A (zh) | 基于人工智能的显微镜下岩矿石图像识别方法 | |
Zhou et al. | Estimating the size of densely packed and complex grains using valley edge detection with a one-pixel width and grain shape information | |
CN114241194A (zh) | 一种基于轻量级网络的仪表识别及读数方法 |
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: 20190531 |
|
RJ01 | Rejection of invention patent application after publication |