CN110084282B - 一种用于金属板带材缺陷图像分类方法 - Google Patents
一种用于金属板带材缺陷图像分类方法 Download PDFInfo
- Publication number
- CN110084282B CN110084282B CN201910255195.7A CN201910255195A CN110084282B CN 110084282 B CN110084282 B CN 110084282B CN 201910255195 A CN201910255195 A CN 201910255195A CN 110084282 B CN110084282 B CN 110084282B
- Authority
- CN
- China
- Prior art keywords
- sample
- train
- feature
- samples
- training set
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 18
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 13
- 239000002184 metal Substances 0.000 title claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T2207/20—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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于金属板带材缺陷图像分类方法，属于金属板带材缺陷图像分类技术领域。本发明包括步骤：首先提出通过欧式距离来计算随机抽取样本与其他样本的距离；然后根据距离的大小选出相同标签下最近k个样本，和不同标签下距离最近的k个样本；其次，根据选出的样本计算每个特征对标签的权重；最后，将特征权重引入达到贝叶斯分类器中，从而解决平均单一依赖估计器算法将多有特征对结果贡献看成一直的问题。本发明提高了分类的准确率和模型稳定性。
Description
技术领域
本发明涉及一种用于金属板带材缺陷图像分类方法，属于金属板带材缺陷图像分类技术领域。
背景技术
板带材是钢铁工业的主要产品之一，由于表面积大，覆盖能力强，且易剪裁、弯曲、焊接，使用灵活，在机械、汽车制造、建筑、船舶及电气产品等领域得以广泛应用。由于生产工艺及轧制环境等因素影响，板带材表面不可避免地存在一些的缺陷，例如网状裂纹、气孔、划痕，横向裂缝、凹坑、辊印等。这些缺陷不仅影响产品的外观，还会影响产品的耐腐蚀性，耐磨性和疲劳强度等性能，这会给企业带来巨大的经济损失，所以对产品表面缺陷检测成为提高表面质量的突破口。目前已有一些文献主要针对板带材缺陷分类问题，例如基于BP神经网络和支持向量机的铝板表面缺陷分类方法(申请号：2015102027499)，油斑和第一类缺陷作构建BP神经网络分类模型，用支持向量机分类模型对剩下的第一类缺陷再进行分类的形式来提高分类的准确率。基于视觉仿生的铜带表面质量智能检测装置及方法(申请号：2009102326777)使用离散的可观测马尔可夫模型实现目标的正确分类。
贝叶斯网络具有对概率预测和事件相关性有较好的表达能力，分类效率稳定，是一种处理不确定性因素时知识表示的技术。基于合理的概率知识，变量关系以图形展示，提供结果与变量之间关系的解释性表示，被广泛应用在图像分类中。朴素贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值，但是此假设在实际情况中通常是不成立的，进而影响分类准确率。平均单一依赖估计器(AggregatingOne-DependenceEstimators,AODE)算法是一种放松朴素贝叶斯网络假设条件得到的一种贝叶斯方法，AODE将每个属性作为其他特征的父属性，并且将这些弱分类器集成起来。但AODE将所有的特征属性对分类的贡献程度看成是相等的，在处理一些实际问题时，这样会极大地限制它分类的正确率。
发明内容
本发明提供了一种用于金属板带材缺陷图像分类方法，解决了平均单一依赖估计器算法将多有特征对结果贡献看成一直的问题。本发明提高了分类的准确率和模型稳定性。
本发明的技术方案是：一种用于金属板带材缺陷图像分类方法，包括以下步骤：
步骤1、首先对数据进行预处理：需要处理的数据有训练集Xtrain和待分类样本集Xtest，训练集为能表达缺陷图像特征的数据，待分类样本集为需要进行分类判断的当前数据；设板带材缺陷图像训练集Xtrain样本数量为m，特征个数为n；
步骤2、根据训练集Xtrain，计算每个特征的权重：
步骤2.1、设抽样次数为A＝0和特征权重wt＝0(t＝0,1,2,…,m)，抽样次数阈值为m；
步骤2.2、如果抽样次数A≤m，执行以下步骤：
从样本集中随机抽取一个样本XR，扫描训练集Xtrain中所有样本，计算训练集Xtrain中其他样本Xi与样本XR的距离：：
Xi表示训练集Xtrain中第i个样本，
表示第i个样本的第n个特征的值；
根据所计算出的欧式距离，从训练集Xtrain中除样本XR外，抽取k个与样本XR相同类别标签中距离最小的样本组合成为样本集H；从训练集Xtrain中除样本XR外，抽取k个与样本XR不同类别标签中距离最小的样本组合成为样本集M；根据步骤2.3计算特征权重wt；
如步骤2.3计算特征权重；
抽样次数A＝A+1，返回步骤2.2；
否则特征权重wt计算完成；
步骤2.3、计算特征权重wt：
其中，
表示样本XR第n个特征的值，
表示样本集Hj第j个样本中第n个特征的值；
表示样本XR和样本Hj在第n个特征上的差，
表示样本XR和样本Mj在第n个特征上的差，
表示样本Mj的所属标签集C中出现的概率，
表示样本XR的所属标签集C中出现的概率；
表示样本集Mj第j个样本中第n个特征的值，m表示训练集Xtrain样本总数，k表示样本集M中样本总数，
表示样本XR对应的标签，
表示样本集M中第j个样本所对应的标签；
步骤3、利用特征权重wt和平均单一依赖估计器构造出分类器，并将这些分类器集成起来，构造出分类算法公式：
其中，C(X)表示待分类样本集Xtest中的一个待分类样本X根据分类器得出分类标签；P(xn,Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的概率；
P(xj|xn,Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的前提下，第j个特征出现的概率；
步骤4、利用步骤3中构造的分类器对待分类样本进行分类，将待分类样本作为输入参数，利用分类器进行计算，计算出这样一个类别，使得分类器得出的值最大，那么该特征组就属于这个类别。
进一步地，步骤2.2中如果抽样次数已经达到所设定的阈值m，则计算特征权重的步骤2结束，否则执行步骤2.2和步骤2.3。
进一步地，所述训练集Xtrain和待分类样本集Xtest中的特征值均为离散型数据。
本发明的有益效果是：本发明提供的平均的单一依赖估计器与属性加权相结合的贝叶斯分类改进算法有效地改进现有的贝叶斯算法，分类准确率高，有效提高计算效率。
附图说明
图1是本发明的整体处理流程图。
图2是本发明方法特征权重求解步骤图。
具体实施方式
实施例1：如图1-2所示，一种用于金属板带材缺陷图像分类方法，包括以下步骤：
步骤1、首先对数据进行预处理：需要处理的数据有训练集Xtrain和待分类样本集Xtest，训练集为能表达缺陷图像特征的数据，待分类样本集为需要进行分类判断的当前数据；设板带材缺陷图像训练集Xtrain样本数量为m，特征个数为n；
步骤2、根据训练集Xtrain，计算每个特征的权重：
步骤2.1、设抽样次数为A＝0和特征权重wt＝0(t＝0,1,2,…,m)，抽样次数阈值为m；
步骤2.2、如果抽样次数A≤m，执行以下步骤：
从样本集中随机抽取一个样本XR，扫描训练集Xtrain中所有样本，计算训练集Xtrain中其他样本Xi与样本XR的距离：：
Xi表示训练集Xtrain中第i个样本，
表示第i个样本的第n个特征的值；
根据所计算出的欧式距离，从训练集Xtrain中除样本XR外，抽取k个与样本XR相同类别标签中距离最小的样本组合成为样本集H；从训练集Xtrain中除样本XR外，抽取k个与样本XR不同类别标签中距离最小的样本组合成为样本集M；根据步骤2.3计算特征权重wt；
如步骤2.3计算特征权重；
抽样次数A＝A+1，返回步骤2.2；
否则特征权重wt计算完成；
步骤2.3、计算特征权重wt：
其中，
表示样本XR第n个特征的值，
表示样本集Hj第j个样本中第n个特征的值；
表示样本XR和样本Hj在第n个特征上的差，
表示样本XR和样本Mj在第n个特征上的差，
表示样本Mj的所属标签集C中出现的概率，
表示样本XR的所属标签集C中出现的概率；
表示样本集Mj第j个样本中第n个特征的值，m表示训练集Xtrain样本总数，k表示样本集M中样本总数，
表示样本XR对应的标签，
表示样本集M中第j个样本所对应的标签；
步骤3、利用特征权重wt和平均单一依赖估计器构造出分类器，并将这些分类器集成起来，构造出分类算法公式：
其中，C(X)表示待分类样本集Xtest中的一个待分类样本X根据分类器得出分类标签；P(xn,Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的概率；
P(xj|xn,Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的前提下，第j个特征出现的概率；
步骤4、利用步骤3中构造的分类器对待分类样本进行分类，将待分类样本作为输入参数，利用分类器进行计算，计算出这样一个类别，使得分类器得出的值最大，那么该特征组就属于这个类别。
进一步地，步骤2.2中如果抽样次数已经达到所设定的阈值m，则计算特征权重的步骤2结束，否则执行步骤2.2和步骤2.3。
进一步地，所述训练集Xtrain和待分类样本集Xtest中的特征值均为离散型数据。
实施例2：如图1-2所示，一种用于金属板带材缺陷图像分类方法，具体包括如下步骤：
步骤1，首先对数据进行预处理：需要处理的数据有训练集Xtrain和待分类样本集Xtest，训练样本为大量能表达缺陷图像特征的数据，待分类样本集为需要进行分类判断的当前数据。
待分类样本集Xtest与训练样本集Xtrain有相同的特征数据。例如图像几何特征中的缺陷面积，缺陷周长，圆形度，不变矩；灰度特征的平均值，方差，熵，歪度，峭度，能量；纹理特征的能量，差异性，均质性，对比度，角二阶矩等。
设板带材缺陷图像训练集Xtrain样本数量为m，特征个数为n，
表示训练集中任意图像样本Xi(i∈m)；标签集C的大小为m×1，被分为v个类别{C1,C2,…,Cv}，v表示类别。训练集Xtrian中每个训练样本都具有类别，针对上述训练样本Xtrain和待分类样本集Xtest，其特征值均为离散型数据，以便继续其后的运算步骤；
步骤2，根据训练集Xtrain，计算每个特征的权重：
步骤2.1，设抽样次数为A＝0，设置特征权重wt＝0,(t＝1,2,…m)；
步骤2.2，如果抽样次数A≤m，执行以下步骤：
从样本集中随机抽取一个样本XR，扫描训练集Xtrain中所有样本，计算训练集Xtrain中其他样本Xi与样本XR的距离：
Xi表示训练集Xtrain中第i个样本，
表示第i个样本的第n个特征的值；
从训练集Xtrain中除样本XR外，抽取k个与样本XR相同类别标签中距离最小的样本组合成为样本集H；
从训练集Xtrain中除样本XR外，抽取k个与样本XR不同类别标签中距离最小的样本组合成为样本集M；
如步骤2.3计算特征权重；
抽样次数A＝A+1，返回步骤2.2；
否则特征权重wt计算完成；
步骤2.3，计算特征权重wt：
训练集Xtrain中每个训练样本都包含n个特征，扫描样本集H中每个样本；
扫描样本XR和样本集H中第j个样本的每个特征，计算权重：
训练集Xtrain中每个训练样本都包含n个特征，扫描样本集M中每一个样本；
扫描样本XR和样本集M中第j个样本的每个特征，计算权重：
步骤2.4，特征权重wt归一化：扫描所有特征权重，计算归一化后的特征权重wt：
其中max(wt)表示特征权重中最大值，min(wt)表示特征权重中最小值。
步骤3，利用步骤2中的权值构造出贝叶斯分类器：将训练集Xtrain中每个特征作为其他特征的依赖特征，然后利用这些特征构造m个超父特征分类器，并将这些超父特征分类器集成起来。同时，为了避免每个超父特征对分类结果的贡献是相同的，我们将步骤2中计算的特征权重wt对应添加到每个特征的超父特征分类器中，构造出如下对于待分类样本的分类器：
其中，C(X)表示待分类样本集Xtest中的一个待分类样本X根据分类器得出分类标签；P(xn,Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的概率，计算时式为：
其中
表示在训练集Xtrain上标签Cv和特征值xn同时出现的总数；
P(xj|xn,Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的前提下，第j个特征出现的概率，计算式为：
其中
表示在训练集Xtrain上标签Cv和特征值xn同时出现的前提下，第j个特征值为xj的总数；
步骤4，利用步骤3中构造的分类器对待分类样本进行分类，将待分类样本作为输入参数，利用分类器进行计算，计算出这样一个类别，使得分类器得出的值最大，那么该特征组就属于这个类别。
例如有六种缺陷，分别为氧化铁皮压入，斑块，裂纹，凹坑表面，夹杂物和划痕，分别表示标签集中的{C1,C2,C3,C4,C5,C6}，扫描待分类样本X的每个特征，计算待分类样本X在每种缺陷下的概率：
选择C(X)最大的结果作为该待分类样本X的最终标签。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种用于金属板带材缺陷图像分类方法，其特征在于：包括以下步骤：
步骤1、首先对数据进行预处理：需要处理的数据有训练集Xtrain和待分类样本集Xtest，训练集为能表达缺陷图像特征的数据，待分类样本集为需要进行分类判断的当前数据；设板带材缺陷图像训练集Xtrain样本数量为m，特征个数为n；
步骤2、根据训练集Xtrain，计算每个特征的权重：
步骤2.1、设抽样次数为A＝0和特征权重wt＝0(t＝0，1，2，…，n)，抽样次数阈值为m；
步骤2.2、如果抽样次数A≤m，执行以下步骤：
从样本集中随机抽取一个样本XR，扫描训练集Xtrain中所有样本，计算训练集Xtrain中其他样本Xi与样本XR的距离：：
Xi表示训练集Xtrain中第i个样本，
表示第i个样本的第n个特征的值；
根据所计算出的欧式距离，从训练集Xtrain中除样本XR外，抽取k个与样本XR相同类别标签中距离最小的样本组合成为样本集H；从训练集Xtrain中除样本XR外，抽取k个与样本XR不同类别标签中距离最小的样本组合成为样本集M；根据步骤2.3计算特征权重wt；
如步骤2.3计算特征权重；
抽样次数A＝A+1，返回步骤2.2；
否则特征权重wt计算完成；
步骤2.3、计算特征权重wt：
其中，
表示样本XR第n个特征的值，
表示样本集Hj第j个样本中第n个特征的值；
表示样本XR和样本Hj在第n个特征上的差，
表示样本XR和样本Mj在第n个特征上的差，
表示样本Mj的所属标签在标签集C中出现的概率，
表示样本XR的所属标签在标签集C中出现的概率；
表示样本集Mj第j个样本中第n个特征的值，m表示训练集Xtrain样本总数，k表示样本集M中样本总数，
表示样本XR对应的标签，
表示样本集M中第j个样本所对应的标签；
步骤3、利用特征权重wt和平均单一依赖估计器构造出分类器，并将这些分类器集成起来，构造出分类算法公式：
其中，C(X)表示待分类样本集Xtest中的一个待分类样本X根据分类器得出分类标签；P(xn，Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的概率；
P(xj|xn，Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的前提下，第j个特征出现的概率；
步骤4、利用步骤3中构造的分类器对待分类样本进行分类，将待分类样本作为输入参数，利用分类器进行计算，计算出这样一个类别，使得分类器得出的值最大，那么该特征组就属于这个类别。
2.根据权利要求1所述的用于金属板带材缺陷图像分类方法，其特征在于：步骤2.2中如果抽样次数已经达到所设定的阈值m，则计算特征权重的步骤2结束，否则执行步骤2.2和步骤2.3。
3.根据权利要求1所述的用于金属板带材缺陷图像分类方法，其特征在于：所述训练集Xtrain和待分类样本集Xtest中的特征值均为离散型数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910255195.7A CN110084282B (zh) | 2019-04-01 | 2019-04-01 | 一种用于金属板带材缺陷图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910255195.7A CN110084282B (zh) | 2019-04-01 | 2019-04-01 | 一种用于金属板带材缺陷图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084282A CN110084282A (zh) | 2019-08-02 |
| CN110084282B true CN110084282B (zh) | 2021-04-02 |
Family
ID=67414087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910255195.7A Active CN110084282B (zh) | 2019-04-01 | 2019-04-01 | 一种用于金属板带材缺陷图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084282B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463202A (zh) * | 2014-11-28 | 2015-03-25 | 苏州大学 | 一种多类图像半监督分类方法及系统 |
| US9218543B2 (en) * | 2012-04-30 | 2015-12-22 | Hewlett-Packard Development Company, L.P. | Selecting classifier engines |
| CN106569095A (zh) * | 2016-11-09 | 2017-04-19 | 于祥茹 | 一种基于加权平均依赖分类器的电网故障诊断系统 |
| CN106776316A (zh) * | 2016-12-15 | 2017-05-31 | 中国电力科学研究院 | 一种电力信息软件缺陷预防方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3497405B1 (en) * | 2016-08-09 | 2022-06-15 | Nauto, Inc. | System and method for precision localization and mapping |
-
2019
- 2019-04-01 CN CN201910255195.7A patent/CN110084282B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9218543B2 (en) * | 2012-04-30 | 2015-12-22 | Hewlett-Packard Development Company, L.P. | Selecting classifier engines |
| CN104463202A (zh) * | 2014-11-28 | 2015-03-25 | 苏州大学 | 一种多类图像半监督分类方法及系统 |
| CN106569095A (zh) * | 2016-11-09 | 2017-04-19 | 于祥茹 | 一种基于加权平均依赖分类器的电网故障诊断系统 |
| CN106776316A (zh) * | 2016-12-15 | 2017-05-31 | 中国电力科学研究院 | 一种电力信息软件缺陷预防方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084282A (zh) | 2019-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
| CN113409314B (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
| CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
| CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
| CN111652853A (zh) | 一种基于深度卷积神经网络的磁粉探伤检测方法 | |
| CN110544231A (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
| CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
| CN117351001B (zh) | 一种再生铝合金模板表面缺陷识别方法 | |
| Jian et al. | Imbalanced defect classification for mobile phone screen glass using multifractal features and a new sampling method | |
| CN108986077B (zh) | 基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法 | |
| CN107610119A (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
| Yazdchi et al. | Detection and classification of surface defects of cold rolling mill steel using morphology and neural network | |
| CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
| Tang et al. | Surface inspection system of steel strip based on machine vision | |
| Shao et al. | Design and research of metal surface defect detection based on machine vision | |
| CN110084282B (zh) | 一种用于金属板带材缺陷图像分类方法 | |
| CN104331711A (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
| CN112396580A (zh) | 一种圆形零件缺陷检测方法 | |
| CN116523901A (zh) | 一种基于计算机视觉的冲切模具检测方法 | |
| Tang et al. | An improved GANs model for steel plate defect detection | |
| CN115439405A (zh) | 一种钢板表面缺陷的分类方法 | |
| CN113887600A (zh) | 一种基于改进的lda-gsvd织物图像瑕疵分类方法及系统 | |
| CN114998182A (zh) | 一种在役混凝土结构表面病害分类识别方法 | |
| Yousef et al. | Parametric Study of Inspecting Surface Defects in Investment Casting. | |
| Li et al. | Application of Machine Learning Algorithms in Cold-Rolled Strip Steel Surface Defect Grading Systems |
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 |