CN110083719A - 一种基于深度学习的工业制品病疵检测方法 - Google Patents

一种基于深度学习的工业制品病疵检测方法 Download PDF

Info

Publication number
CN110083719A
CN110083719A CN201910248978.2A CN201910248978A CN110083719A CN 110083719 A CN110083719 A CN 110083719A CN 201910248978 A CN201910248978 A CN 201910248978A CN 110083719 A CN110083719 A CN 110083719A
Authority
CN
China
Prior art keywords
file
model
defect
data set
training
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
CN201910248978.2A
Other languages
English (en)
Inventor
周后盘
姚广东
黄经州
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910248978.2A priority Critical patent/CN110083719A/zh
Publication of CN110083719A publication Critical patent/CN110083719A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • 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
    • 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
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Library & Information Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种一种基于深度学习的工业制品病疵检测方法，该方法具体为先下载，并测试官方的模型，搭建工业轮胎X光病疵数据库；使用标注软件LabelImg分别对train数据集和validation数据集进行标注，生成.XML文件，依次将.XML文件生成.CSV文件，最终生成.RECORD文件。然后创建.PBTXT轮胎病疵类别标签文件。接下来搭建Faster RCNN神经网络模型，同时下载模型作为预训练的权值，配置对应的配置文件。然后开始训练模型，当迭代次数达到设定值自动停止训练或者模型训练至收敛时，手动停止训练。导出训练模型，最后使用test数据集进行目标检测。

Description

一种基于深度学习的工业制品病疵检测方法
技术领域
本发明涉及利用Tensorflow object detection API和Faster R-CNN神经网络模型进行工业制品病疵检测方法，是一种利用预训练模型进行迁移学习的工业制品病疵检测方法，具体涉及一种工业轮胎X光病疵检测方法。
背景技术
随着经济和社会的快速发展，轮胎工业在生活中扮演了越来越重要的角色，但是由于原料、生产工艺等因素，导致轮胎出现多种不同病疵而影响轮胎质量和使用性能。传统的轮胎质量检测法是通过人眼观察来判定轮胎质量等级。这种方法存在明显的主观性，长时间的工作会使眼睛疲劳，不仅对工人的眼睛造成损伤，也会导致误检。轮胎在高速的自动化工业生产中极易产生质量问题，例如胎体帘线病疵、带束层帘线病疵和异物病疵等一系列问题，这些病疵会直接影响到成品轮胎的质量。若能及时、有效的发现这些轮胎病疵问题，便能大大杜绝大批量问题轮胎的产生，提高轮胎企业的生产效率，从而提高出厂产品质量。所以，找出工业产品中的病疵，确定病疵的位置和类别，是机器视觉领域的核心问题之一。
伴随着深度学习技术真正走进主流学术界和工业界的视野。深度神经网络的出现颠覆了传统的特征提取方式，凭借其强大的表达能力，通过丰富的训练数据和充分的训练能够自主学习有用的特征。这相比传统的人工发现特征并根据特征设计算法的方式是质的飞跃。目前主流的目标检测算法有R-CNN、Fast RCNN、SPPnet、SSD、YOLO、R-FCN、Faster R-CNN等，其中Faster R-CNN在工业制品检测中能满足实时检测、识别准确率高、能准确分类和定位出目标的位置。
本发明采用的工业轮胎X光病疵检测方法满足如下优点：1)使用Tensorflowobject detection API使目标检测更加简洁；2)迁移学习的方法解决了标注数据缺少，标注不准确等问题；3)检测过程稳定可靠，对工业制品病疵目标检测具有普适性，能适应个体差异和环境变化。
发明内容
本发明针对现有的工业病疵检测的不足，提出了一种全新的工业病疵检测方法，能够有效解决现有工业病疵目标检测方法的劣势。
一种基于Tensorflow object detection API下的工业制品病疵目标检测方法，该方法具体包括以下步骤：
步骤一：下载并安装Tensorflow object detection API，配置环境后进行测试官方模型；如果测试通过则此电脑安装配置Tensorflow object detection API成功，否则需重新配置；
步骤二：建立工业轮胎X光病疵数据库，将其分为train数据集，validation数据集和test数据集；使用标记工具LabelImg对train数据集和validation数据集进行一一标注。
步骤三：将标注后生成的.XML文件转换成.CSV文件，然后再将.CSV文件转换为tensorflow使用的数据格式TFRecord文件；并创建.pbtxt轮胎病疵类别标签文件；
步骤四：搭建Faster R-CNN神经网络模型，下载faster_rcnn_inception_v2_coco预训练模型，创建预训练模型的配置文件，配置文件中使用了步骤三中的.TFRecord文件和.pbtxt标签文件。
步骤五：模型训练；当迭代次数达到设定值后，模型训练结束或者直到模型训练至收敛。
步骤六：依据步骤五的训练结果导出frozen_inference_graph.pb模型文件。
步骤七：使用步骤六训练出的模型对test数据集进行测试。
作为优选：所述的模型训练具体为：先设定好模型训练的迭代次数，当迭代次数未达到设定值时，模型训练一直进行，当模型训练的次数达到设定值时，自动结束训练；或者模型训练至收敛，训练自动结束。
作为优选：使用训练出的模型对test数据集进行测试具体为：对于test数据集中的每一个图片数据，如果图片中没有病疵类别，经过测试后的图片数据中没有任何病疵被标出；如果图片数据中有一种或多种病疵类别，无论该种病疵类别的个数为几个，所有的病疵均会被标出，不同类别的病疵会被不同颜色的目标框框出其位置所在，并显示出分类结果。
本发明的有益效果：
1.利用Tensorflow object detection API和faster R-CNN神经网络模型进行工业制品病疵目标检测方法，此目标检测方法能够准确识别病疵类别，并标出病疵的位置。
2.本发明采用Tensorflow object detection API，该API使得目标检测的方法操作起来更加简便，极大的简化了目标检测的流程。
3.Faster R-CNN神经网络模型使用区域生成网络(Region Proposal Network)极大的加快了检测速度,真正实现端到端的目标检测模型,生成目标建议框时间快速。
4.在训练网络时，使用迁移学习的方法进行模型训练，提高模型的稳定性和泛化性，解决标注数据量缺少，标注不准确等问题。
本视线区域检测方法具有识别准确性高、检测速度快、稳定性好、可泛化性强等优点。
附图说明
图1(a)为接头开病疵类别的轮胎X光图像；
图1(b)为稀开根病疵类别的轮胎X光图像；
图1(c)为搭线病疵类别的轮胎X光图像；
图1(d)为杂物病疵类别的轮胎X光图像；
图2为Tensorflow object detection API下的工业制品病疵检测流程图；
图3为本发明工业制品病疵检测Faster R-CNN神经网络模型原理图；
图4(a)为本发明工业轮胎X光病疵检测效果图；
图4(b)为本发明工业轮胎X光病疵检测效果图；
具体实施方式
下面结合附图对本发明作进一步的说明。
一、本发明工业制品病疵检测流程图如图2所示
本发明具体实施流程为：下载Tensorflow object detection API，并测试官方的模型，如果测试通过则此电脑安装配置Tensorflow object detection API成功，否则需重新配置。搭建工业轮胎X光病疵数据库，分别为train数据集，validation数据集,test数据集。使用标注软件LabelImg分别对train数据集和validation数据集进行标注，生成.XML文件，依次将.XML文件生成.CSV文件，最终生成.RECORD文件。然后创建.PBTXT轮胎病疵类别标签文件。接下来搭建Faster RCNN神经网络模型，同时下载faster_rcnn_inception_v2_coco模型作为预训练的权值，配置对应的配置文件。然后开始训练模型，当迭代次数达到设定值自动停止训练或者模型训练至收敛时，手动停止训练。导出训练模型，最后使用test数据集进行目标检测。
主要包括Tensorflow object detection API、迁移学习预训练模型、FasterRCNN神经网络模型，并对工业制品病疵的位置和类别进行判断。
(1)本发明使用了tensorflow object detection API，其安装和配置如下。首先安装配置好tensorflow；下载object detection模型；编译Protobuf，生成.py文件；用命令行测试安装情况，如果命令行提示ok，则安装配置成功，否则需重新配置。
(2)本发明创建轮胎X光片病疵数据集并配置相关配置文件，其中图1(a)、图1(b)、图1(c)、图1(d)为四类病疵轮胎X光片样图,分别为接头开(Jointopen)、稀开根(Sparseroot)、搭线(Cordcontact)、杂物(Mess)。收集轮胎X光片病疵图片，分为三个数据集，分别为train数据集、validation数据集、test数据集。使用LabelImg标注工具分别对train数据集和validation数据集进行标注；经过标注工具标注后的图片生成.XML文件，然后通过xml_to_csv.py脚本文件，将.XML文件转换为.CSV文件，再使用csv_to_TFRecord.py脚本文件，将.CSV转化为TFRecord格式的文件；创建轮胎病疵标签分类的配置文件(label_map.pbtxt)。
(3)本发明使用了迁移学习预训练模型。迁移学习的基本思路是利用预训练模型，即已经通过现成的数据集训练好的模型,可以减少训练数据的规模，还可以有效避免过度拟合。下载faster_rcnn_inception_v2_coco预训练模型，并配置faster_rcnn_inception_v2_coco.config文件。
(4)本发明使用Faster RCNN神经网络模型。将整张图片输入卷积神经网络(CNN)，进行特征提取,用区域生成网络(Region Proposal Network)生成建议窗口(proposals)，每张图片生成300个建议窗口；把建议窗口映射到卷积神经网络(CNN)的最后一层卷积特征映射(feature map)上；通过兴趣区域池化(ROI pooling)层使每个兴趣区域(ROI)生成固定尺寸的特征映射；利用探测分类概率(Softmax Loss)和探测边框回归(Smooth L1Loss)对分类概率和边框回归(Bounding box regression)联合训练。Faster R-CNN抛弃了选择性搜索(Selective Search),引入了区域生成网络(RPN)网络，使用候选区域，使得分类、回归一起共用卷积特征，从而进一步加速了检测过程。其中Faster R-CNN使用了感兴趣区域锚(Anchor)的思想对在特征映射上进行预处理，产生多个候选框，使得区域生成网络(RPN)的回归变成了回归到感兴趣区域锚的相对位置，使得网络更加稳定。Faster R-CNN神经网络模型图如图3所示。
使用test数据集对训练出的模型测试，能准确识别病疵的位置和类别，并用不同颜色的标记框画出。最终本发明中工业轮胎X光病疵目标检测效果图如图4(a)、图4(b)所示。

Claims (3)

1.一种基于深度学习的工业制品病疵检测方法，其特征在于，该方法具体包括以下步骤：
步骤一：下载并安装Tensorflow object detection API，配置环境后进行测试官方模型；如果测试通过则此电脑安装配置Tensorflow object detection API成功，否则需重新配置；
步骤二：建立工业轮胎X光病疵数据库，将其分为train数据集，validation数据集和test数据集；使用标记工具LabelImg对train数据集和validation数据集进行一一标注；
步骤三：将标注后生成的.XML文件转换成.CSV文件，然后再将.CSV文件转换为tensorflow使用的数据格式TFRecord文件；并创建.pbtxt轮胎病疵类别标签文件；
步骤四：搭建Faster R-CNN神经网络模型，下载faster_rcnn_inception_v2_coco预训练模型，创建预训练模型的配置文件，配置文件中使用了步骤三中的.TFRecord文件和.pbtxt标签文件；
步骤五：模型训练；当迭代次数达到设定值后，模型训练结束或者直到模型训练至收敛；
步骤六：依据步骤五的训练结果导出frozen_inference_graph.pb模型文件；
步骤七：使用步骤六训练出的模型对test数据集进行测试。
2.根据权利要求1所述的一种基于深度学习的工业制品病疵检测方法，其特征在于：
所述的模型训练具体为：先设定好模型训练的迭代次数，当迭代次数未达到设定值时，模型训练一直进行，当模型训练的次数达到设定值时，自动结束训练；或者模型训练至收敛，训练自动结束。
3.根据权利要求1所述的一种基于深度学习的工业制品病疵检测方法，其特征在于：
使用训练出的模型对test数据集进行测试具体为：对于test数据集中的每一个图片数据，如果图片中没有病疵类别，经过测试后的图片数据中没有任何病疵被标出；如果图片数据中有一种或多种病疵类别，无论该种病疵类别的个数为几个，所有的病疵均会被标出，不同类别的病疵会被不同颜色的目标框框出其位置所在，并显示出分类结果。
CN201910248978.2A 2019-03-29 2019-03-29 一种基于深度学习的工业制品病疵检测方法 Pending CN110083719A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910248978.2A CN110083719A (zh) 2019-03-29 2019-03-29 一种基于深度学习的工业制品病疵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910248978.2A CN110083719A (zh) 2019-03-29 2019-03-29 一种基于深度学习的工业制品病疵检测方法

Publications (1)

Publication Number Publication Date
CN110083719A true CN110083719A (zh) 2019-08-02

Family

ID=67413869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910248978.2A Pending CN110083719A (zh) 2019-03-29 2019-03-29 一种基于深度学习的工业制品病疵检测方法

Country Status (1)

Country Link
CN (1) CN110083719A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378422A (zh) * 2019-07-22 2019-10-25 福州大学 一种基于Faster R-CNN的武器识别方法
CN111652212A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法
CN111862029A (zh) * 2020-07-15 2020-10-30 哈尔滨市科佳通用机电股份有限公司 一种铁路动车组垂向减震器螺栓部件故障检测方法
CN112016447A (zh) * 2020-08-27 2020-12-01 华南理工大学 基于Yolo神经网络的智能额头测温方法及其应用
CN112415015A (zh) * 2020-11-10 2021-02-26 霍尔果斯奇妙软件科技有限公司 一种轮胎带束层接头缺陷检测方法、装置、设备及介质
CN113065473A (zh) * 2021-04-07 2021-07-02 浙江天铂云科光电股份有限公司 一种适用于嵌入式系统的口罩人脸检测和体温测量方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140050387A1 (en) * 2012-08-17 2014-02-20 Cognex Corporation System and Method for Machine Vision Inspection
CN104318256A (zh) * 2014-11-17 2015-01-28 上海埃蒙特自动化系统有限公司 基于计算机软件实现玻璃缺陷自动检测分类的方法
CN104616031A (zh) * 2015-01-22 2015-05-13 哈尔滨工业大学深圳研究生院 迁移学习方法及装置
CN105243398A (zh) * 2015-09-08 2016-01-13 西安交通大学 基于线性判别分析准则的改进卷积神经网络性能的方法
CN106953862A (zh) * 2017-03-23 2017-07-14 国家电网公司 网络安全态势的感知方法和装置及感知模型训练方法和装置
CN106991439A (zh) * 2017-03-28 2017-07-28 南京天数信息科技有限公司 基于深度学习与迁移学习的图像识别方法
CN107247957A (zh) * 2016-12-16 2017-10-13 广州中国科学院先进技术研究所 一种基于深度学习和云计算的智能农产品分类方法及系统
CN107316061A (zh) * 2017-06-22 2017-11-03 华南理工大学 一种深度迁移学习的不平衡分类集成方法
US20170323636A1 (en) * 2016-05-05 2017-11-09 Conduent Business Services, Llc Semantic parsing using deep neural networks for predicting canonical forms
CN107972036A (zh) * 2017-12-25 2018-05-01 厦门大学嘉庚学院 基于TensorFlow的工业机器人动力学控制系统及方法
CN108197633A (zh) * 2017-11-24 2018-06-22 百年金海科技有限公司 基于TensorFlow的深度学习图像分类与应用部署方法
CN108399406A (zh) * 2018-01-15 2018-08-14 中山大学 基于深度学习的弱监督显著性物体检测的方法及系统
CN108564563A (zh) * 2018-03-07 2018-09-21 浙江大学 一种基于Faster R-CNN的轮胎X光病疵检测方法
CN108596470A (zh) * 2018-04-19 2018-09-28 浙江大学 一种基于TensorFlow框架的电力设备缺陷文本处理方法
CN108776777A (zh) * 2018-05-25 2018-11-09 武汉理工大学 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法
CN108985173A (zh) * 2018-06-19 2018-12-11 奕通信息科技（上海）股份有限公司 面向有标记噪声表观年龄数据库的深度网络迁移学习方法
CN109376773A (zh) * 2018-09-30 2019-02-22 福州大学 基于深度学习的裂纹检测方法
CN109523518A (zh) * 2018-10-24 2019-03-26 浙江工业大学 一种轮胎x光病疵检测方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140050387A1 (en) * 2012-08-17 2014-02-20 Cognex Corporation System and Method for Machine Vision Inspection
CN104318256A (zh) * 2014-11-17 2015-01-28 上海埃蒙特自动化系统有限公司 基于计算机软件实现玻璃缺陷自动检测分类的方法
CN104616031A (zh) * 2015-01-22 2015-05-13 哈尔滨工业大学深圳研究生院 迁移学习方法及装置
CN105243398A (zh) * 2015-09-08 2016-01-13 西安交通大学 基于线性判别分析准则的改进卷积神经网络性能的方法
US20170323636A1 (en) * 2016-05-05 2017-11-09 Conduent Business Services, Llc Semantic parsing using deep neural networks for predicting canonical forms
CN107247957A (zh) * 2016-12-16 2017-10-13 广州中国科学院先进技术研究所 一种基于深度学习和云计算的智能农产品分类方法及系统
CN106953862A (zh) * 2017-03-23 2017-07-14 国家电网公司 网络安全态势的感知方法和装置及感知模型训练方法和装置
CN106991439A (zh) * 2017-03-28 2017-07-28 南京天数信息科技有限公司 基于深度学习与迁移学习的图像识别方法
CN107316061A (zh) * 2017-06-22 2017-11-03 华南理工大学 一种深度迁移学习的不平衡分类集成方法
CN108197633A (zh) * 2017-11-24 2018-06-22 百年金海科技有限公司 基于TensorFlow的深度学习图像分类与应用部署方法
CN107972036A (zh) * 2017-12-25 2018-05-01 厦门大学嘉庚学院 基于TensorFlow的工业机器人动力学控制系统及方法
CN108399406A (zh) * 2018-01-15 2018-08-14 中山大学 基于深度学习的弱监督显著性物体检测的方法及系统
CN108564563A (zh) * 2018-03-07 2018-09-21 浙江大学 一种基于Faster R-CNN的轮胎X光病疵检测方法
CN108596470A (zh) * 2018-04-19 2018-09-28 浙江大学 一种基于TensorFlow框架的电力设备缺陷文本处理方法
CN108776777A (zh) * 2018-05-25 2018-11-09 武汉理工大学 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法
CN108985173A (zh) * 2018-06-19 2018-12-11 奕通信息科技（上海）股份有限公司 面向有标记噪声表观年龄数据库的深度网络迁移学习方法
CN109376773A (zh) * 2018-09-30 2019-02-22 福州大学 基于深度学习的裂纹检测方法
CN109523518A (zh) * 2018-10-24 2019-03-26 浙江工业大学 一种轮胎x光病疵检测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378422A (zh) * 2019-07-22 2019-10-25 福州大学 一种基于Faster R-CNN的武器识别方法
CN111652212A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法
CN111862029A (zh) * 2020-07-15 2020-10-30 哈尔滨市科佳通用机电股份有限公司 一种铁路动车组垂向减震器螺栓部件故障检测方法
CN112016447A (zh) * 2020-08-27 2020-12-01 华南理工大学 基于Yolo神经网络的智能额头测温方法及其应用
CN112415015A (zh) * 2020-11-10 2021-02-26 霍尔果斯奇妙软件科技有限公司 一种轮胎带束层接头缺陷检测方法、装置、设备及介质
CN112415015B (zh) * 2020-11-10 2023-12-05 霍尔果斯奇妙软件科技有限公司 一种轮胎带束层接头缺陷检测方法、装置、设备及介质
CN113065473A (zh) * 2021-04-07 2021-07-02 浙江天铂云科光电股份有限公司 一种适用于嵌入式系统的口罩人脸检测和体温测量方法

Similar Documents

Publication Publication Date Title
CN110083719A (zh) 一种基于深度学习的工业制品病疵检测方法
Pham et al. Road damage detection and classification with detectron2 and faster r-cnn
CN110136101B (zh) 一种基于孪生距离比对的轮胎x光病疵检测方法
CN104990926B (zh) 一种基于视觉的tr元件定位和缺陷检测方法
CN109376606B (zh) 一种电力巡检图像杆塔基础故障检测方法
CN109344825A (zh) 一种基于卷积神经网络的车牌识别方法
CN110288032B (zh) 一种车辆行驶轨迹类型检测方法及装置
CN109636772A (zh) 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN109523518B (zh) 一种轮胎x光病疵检测方法
CN110211173A (zh) 一种基于深度学习的古生物化石定位和识别方法
CN107437094A (zh) 基于机器学习的木板分拣方法及系统
CN106157688A (zh) 基于深度学习和大数据的停车位检测方法和系统
CN110263934B (zh) 一种人工智能数据标注方法和装置
CN110009617A (zh) 一种轴类件在线质量检测方法
CN107832780A (zh) 基于人工智能木板分选低置信度样本处理方法及系统
CN110246134A (zh) 一种钢轨伤损分类装置
CN108932712A (zh) 一种转子绕组质量检测系统及方法
CN109273023A (zh) 一种数据评测方法、装置、设备及可读存储介质
CN107016396A (zh) 一种装配连接件图像特征深度学习与识别方法
CN107622276A (zh) 一种基于机器人仿真与物理采样结合的深度学习训练方法
CN110120035A (zh) 一种可判别病疵等级的轮胎x光病疵检测方法
CN117911399A (zh) 一种轻量化多尺度的铝型材表面缺陷检测方法
CN117349462B (zh) 一种遥感智能解译样本数据集生成方法
CN111062437A (zh) 一种基于深度学习的桥梁结构病害自动目标检测模型
CN103617417A (zh) 植物自动识别方法和系统

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