CN110335262A - 一种机器视觉中印刷品缺陷自动分类方法 - Google Patents
一种机器视觉中印刷品缺陷自动分类方法 Download PDFInfo
- Publication number
- CN110335262A CN110335262A CN201910574709.5A CN201910574709A CN110335262A CN 110335262 A CN110335262 A CN 110335262A CN 201910574709 A CN201910574709 A CN 201910574709A CN 110335262 A CN110335262 A CN 110335262A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- printed matter
- stride
- convolution
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种机器视觉中印刷品缺陷自动分类方法,首先定义印刷品缺陷类型,将印刷品缺陷分类为暗缺陷、亮缺陷、刀丝和偏色四类;然后采集四类缺陷样本图像,并进行预处理以获得对应的形态特征图像,对缺陷样本及其对应的形态特征图像进行标记;设计卷积神经网络模型;优化选择合适的训练参数和训练策略,训练卷积神经网络模型;最后对于待分类的印刷缺陷图像,提取其形态特征图像,连同缺陷图像一起作为输入图像,进行分类,以确定其属于暗缺陷、亮缺陷、刀丝和偏色中的哪一类型。本发明解决了现有技术中存在的印刷缺陷特征提取鲁棒性不够好、分类识别的正确率较低的问题。
Description
技术领域
本发明属于印刷技术领域,具体涉及一种机器视觉中印刷品缺陷自动分类方法。
背景技术
现代印刷机的速度越来越快,印刷企业对产品质量的要求越来也越高。为了及时发现印刷缺陷,减少浪费,提高产品质量,大多数的印刷企业都配备了基于机器视觉的印刷品质量检测系统。但目前的检测系统大多是能将缺陷检测出来,但无法对印刷缺陷的种类进行精确的分类。由于不同缺陷产生的原因不同,有些缺陷是临时出现的,只需标记出来;而另外一些缺陷属于严重缺陷,是由设备异常引起的,会在生产的过程中一直存在,如果不及时停机处理将造成巨大的浪费。因此,企业迫切需要精确的印刷缺陷自动分类方法,以能够自动区分不同类型的缺陷。同时,对不同种类的缺陷进行标记,也有利于生产企业对出现错误的原因进行分析,便于生产管理。
目前,在印刷缺陷的分类方面大多数还是基于传统的机器学习方法。通过人工设计的特征提取方法,提取缺陷区域的面积、周长、长宽比及纹理特征并通过相应的分类器进行分类。人工设计的特征提取方法,因人而异,提取的特征在鲁棒性、适应性、分类的准确性方面均存在着问题。为克服这些问题,本发明提出一种机器视觉中印刷缺陷特征自动分类方法,能够自适应的提取不同种类的印刷缺陷特征,具有较高的分类正确率。
发明内容
本发明的目的是提供一种机器视觉中印刷品缺陷自动分类方法,解决了现有技术中存在的印刷缺陷特征提取鲁棒性不够好、分类识别的正确率较低的问题。
本发明所采用的技术方案是,一种机器视觉中印刷品缺陷自动分类方法,具体按照以下步骤实施:
步骤1、定义印刷品缺陷类型,将印刷品缺陷分类为暗缺陷、亮缺陷、刀丝和偏色四类;
步骤2、采集步骤1所述四类缺陷样本图像,并进行预处理以获得对应的形态特征图像,对缺陷样本及其对应的形态特征图像进行标记;
步骤3、设计适合印刷缺陷分类的卷积神经网络模型;
步骤4、优化选择合适的训练参数和训练策略,训练步骤3所设计的卷积神经网络模型;
步骤5、对于待分类的印刷缺陷图像,提取其形态特征图像,连同缺陷图像一起作为输入图像,应用步骤4训练好的模型进行分类,以确定其属于暗缺陷、亮缺陷、刀丝和偏色中的哪一类型。
本发明的特点还在于,
步骤2具体按照以下步骤实施:
步骤2.1、计算检测到的缺陷的缺陷中心点,然后以该中心点为中心,裁切出128×128大小的图像作为缺陷样本图像;
步骤2.2、将检测到缺陷的图像,和检测系统中的标准图像配准对齐,进行差分,求取差分后图像中的缺陷中心点,以该中心点为中心,在差分图像中裁切出128×128大小的图像作为该缺陷样本图像对应的形态特征图像;
步骤2.3、人工标记出每个缺陷样本图像及其对应的形态特征图像的缺陷的种类。
步骤3卷积神经网络模型包括输入层、6个卷积层、2个全连接层及分类层。
输入层为128×128大小的缺陷图像及其对应的形态特征图像。
6个卷积层具体如下:
C1层:32个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成32个64×64的特征图;
C2层:64个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成64个32×32的特征图;
C3层:128个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成128个16×16的特征图;
C4层:256个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成256个8×8的特征图;
C5层:512个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成512个4×4的特征图;
C6层:1024个卷积核,每个卷积核大小为3×3,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成1024个2×2的特征图。
2个全连接层具体如下:
F1层:全连接层,该层神经元个数为4096个,紧接着进行批处理归一化,并使用ReLu激活函数;
F2层:全连接层,该层神经元个数为128个,紧接着进行批处理归一化,并使用ReLu激活函数。
分类层具体如下:
分类层:采用Softmax分类器,输出类别为4,采用的损失函数为:
式(1)中,n为训练样本数,m为分类数,本发明中取m=4,yim为训练样本实际输出,为训练样本的期望输出。
步骤4中,学习率为0.001,Batchsize设置为50,在卷积层的每一层参数进行dropout处理并设置为0.15,在全连接层的dropout设置为0.5,用以训练步骤3的卷积神经网络模型;训练时,对于缺陷样本较少的类别,采用自适应综合过采样的方法ADASYN解决类别不平衡的问题。
本发明的有益效果是,一种机器视觉中印刷品缺陷自动分类方法,相比较传统的方法,提取的印刷缺陷特征不需要人为设计,可以自动提取,所提取的特征具有适应性强、鲁棒性好的特点,发明的分类方法具有高的分类正确识别率,可以快速识别出缺陷的类型,有助于提高企业的产品质量、及时发现严重的缺陷,从而减少废品率。
附图说明
图1是本发明一种机器视觉中印刷品缺陷自动分类方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种机器视觉中印刷品缺陷自动分类方法,流程图如图1所示,具体按照以下步骤实施:
步骤1、定义印刷品缺陷类型,将印刷品缺陷分类为暗缺陷、亮缺陷、刀丝和偏色四类;
步骤2、采集步骤1所述四类缺陷样本图像,并进行预处理以获得对应的形态特征图像,对缺陷样本及其对应的形态特征图像进行标记,具体按照以下步骤实施:
步骤2.1、计算检测到的缺陷的缺陷中心点,然后以该中心点为中心,裁切出128×128大小的图像作为缺陷样本图像;
步骤2.2、将检测到缺陷的图像,和检测系统中的标准图像配准对齐,进行差分,求取差分后图像中的缺陷中心点,以该中心点为中心,在差分图像中裁切出128×128大小的图像作为该缺陷样本图像对应的形态特征图像;
步骤2.3、人工标记出每个缺陷样本图像及其对应的形态特征图像的缺陷的种类。
步骤3、设计适合印刷缺陷分类的卷积神经网络模型,卷积神经网络模型包括输入层、6个卷积层、2个全连接层及分类层,其中,
输入层为128×128大小的缺陷图像及其对应的形态特征图像。
6个卷积层具体如下:
C1层:32个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成32个64×64的特征图;
C2层:64个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成64个32×32的特征图;
C3层:128个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成128个16×16的特征图;
C4层:256个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成256个8×8的特征图;
C5层:512个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成512个4×4的特征图;
C6层:1024个卷积核,每个卷积核大小为3×3,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成1024个2×2的特征图。
2个全连接层具体如下:
F1层:全连接层,该层神经元个数为4096个,紧接着进行批处理归一化,并使用ReLu激活函数;
F2层:全连接层,该层神经元个数为128个,紧接着进行批处理归一化,并使用ReLu激活函数。
分类层具体如下:
分类层:采用Softmax分类器,输出类别为4,采用的损失函数为:
式(1)中,n为训练样本数,m为分类数,本发明中取m=4,yim为训练样本实际输出,为训练样本的期望输出。
步骤4、优化选择合适的训练参数和训练策略,训练步骤3所设计的卷积神经网络模型,其中,学习率为0.001,Batchsize设置为50,在卷积层的每一层参数进行dropout处理并设置为0.15,在全连接层的dropout设置为0.5,用以训练步骤3的卷积神经网络模型;训练时,对于缺陷样本较少的类别,采用自适应综合过采样的方法ADASYN解决类别不平衡的问题。
步骤5、对于待分类的印刷缺陷图像,提取其形态特征图像,连同缺陷图像一起作为输入图像,应用步骤4训练好的模型进行分类,以确定其属于暗缺陷、亮缺陷、刀丝和偏色中的哪一类型。
本发明一种机器视觉中印刷品缺陷自动分类方法,应用于企业实际中检测到的印刷品缺陷之中验证效果如下:
采集4650幅暗缺陷图像、5158幅亮缺陷图像、5520幅刀丝图像和252幅偏色图像,经采用本发明方法,平均正确识别率达到了94.84%,其中暗缺陷的正确识别率为92.43%,亮缺陷的正确识别率为99.22%,刀丝缺陷的正确识别率为100%,偏色缺陷的正确识别率为87.693%。偏色识别率较低的原因是其样本较少,实际中较难采集。从以上实际应用可以看出,本发明一种机器视觉中印刷品缺陷自动分类方法,具有特征自动提取、正确识别率较高的特点。分类方法适应性强,分类效果好,能够提高整个机器视觉检测系统中印刷品缺陷的分类能力。
Claims (8)
1.一种机器视觉中印刷品缺陷自动分类方法,其特征在于,具体按照以下步骤实施:
步骤1、定义印刷品缺陷类型,将印刷品缺陷分类为暗缺陷、亮缺陷、刀丝和偏色四类;
步骤2、采集步骤1所述四类缺陷样本图像,并进行预处理以获得对应的形态特征图像,对缺陷样本及其对应的形态特征图像进行标记;
步骤3、设计适合印刷缺陷分类的卷积神经网络模型;
步骤4、优化选择合适的训练参数和训练策略,训练步骤3所设计的卷积神经网络模型;
步骤5、对于待分类的印刷缺陷图像,提取其形态特征图像,连同缺陷图像一起作为输入图像,应用步骤4训练好的模型进行分类,以确定其属于暗缺陷、亮缺陷、刀丝和偏色中的哪一类型。
2.根据权利要求1所述的一种机器视觉中印刷品缺陷自动分类方法,其特征在于,所述步骤2具体按照以下步骤实施:
步骤2.1、计算检测到的缺陷的缺陷中心点,然后以该中心点为中心,裁切出128×128大小的图像作为缺陷样本图像;
步骤2.2、将检测到缺陷的图像,和检测系统中的标准图像配准对齐,进行差分,求取差分后图像中的缺陷中心点,以该中心点为中心,在差分图像中裁切出128×128大小的图像作为该缺陷样本图像对应的形态特征图像;
步骤2.3、人工标记出每个缺陷样本图像及其对应的形态特征图像的缺陷的种类。
3.根据权利要求1所述的一种机器视觉中印刷品缺陷自动分类方法,其特征在于,所述步骤3卷积神经网络模型包括输入层、6个卷积层、2个全连接层及分类层。
4.根据权利要求3所述的一种机器视觉中印刷品缺陷自动分类方法,其特征在于,所述输入层为128×128大小的缺陷图像及其对应的形态特征图像。
5.根据权利要求3所述的一种机器视觉中印刷品缺陷自动分类方法,其特征在于,所述6个卷积层具体如下:
C1层:32个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成32个64×64的特征图;
C2层:64个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成64个32×32的特征图;
C3层:128个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成128个16×16的特征图;
C4层:256个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成256个8×8的特征图;
C5层:512个卷积核,每个卷积核大小为5×5,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成512个4×4的特征图;
C6层:1024个卷积核,每个卷积核大小为3×3,步幅为1,Padding方式为SAME,卷积之后进行批处理归一化,然后使用ReLu激活函数,最后采用步幅为2、大小为2×2的最大池化,形成1024个2×2的特征图。
6.根据权利要求3所述的一种机器视觉中印刷品缺陷自动分类方法,其特征在于,所述2个全连接层具体如下:
F1层:全连接层,该层神经元个数为4096个,紧接着进行批处理归一化,并使用ReLu激活函数;
F2层:全连接层,该层神经元个数为128个,紧接着进行批处理归一化,并使用ReLu激活函数。
7.根据权利要求3所述的一种机器视觉中印刷品缺陷自动分类方法,其特征在于,所述分类层具体如下:
分类层:采用Softmax分类器,输出类别为4,采用的损失函数为:
式(1)中,n为训练样本数,m为分类数,本发明中取m=4,yim为训练样本实际输出,为训练样本的期望输出。
8.根据权利要求1所述的一种机器视觉中印刷品缺陷自动分类方法,其特征在于,所述步骤4中,学习率为0.001,Batchsize设置为50,在卷积层的每一层参数进行dropout处理并设置为0.15,在全连接层的dropout设置为0.5,用以训练步骤3的卷积神经网络模型;训练时,对于缺陷样本较少的类别,采用自适应综合过采样的方法ADASYN解决类别不平衡的问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910574709.5A CN110335262A (zh) | 2019-06-28 | 2019-06-28 | 一种机器视觉中印刷品缺陷自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910574709.5A CN110335262A (zh) | 2019-06-28 | 2019-06-28 | 一种机器视觉中印刷品缺陷自动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110335262A true CN110335262A (zh) | 2019-10-15 |
Family
ID=68143545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910574709.5A Pending CN110335262A (zh) | 2019-06-28 | 2019-06-28 | 一种机器视觉中印刷品缺陷自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110335262A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105396A (zh) * | 2019-12-12 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的印刷品质量检测方法及系统 |
CN111260621A (zh) * | 2020-01-14 | 2020-06-09 | 湖南大学 | 一种印制电路板表面缺陷定位与识别方法 |
CN111402223A (zh) * | 2020-03-12 | 2020-07-10 | 安徽南瑞继远电网技术有限公司 | 一种利用变电站视频图像的变电站缺陷问题检测方法 |
CN111524120A (zh) * | 2020-04-22 | 2020-08-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的印刷品细小划痕、套印偏差检测方法 |
CN112070716A (zh) * | 2020-08-03 | 2020-12-11 | 西安理工大学 | 一种基于深度学习的印刷缺陷智能识别方法 |
CN112884741A (zh) * | 2021-02-22 | 2021-06-01 | 西安理工大学 | 一种基于图像相似性对比的印刷表观缺陷检测方法 |
CN113109348A (zh) * | 2021-03-12 | 2021-07-13 | 华南理工大学 | 一种基于机器视觉的桨影移印缺陷识别方法 |
CN113449690A (zh) * | 2021-07-21 | 2021-09-28 | 华雁智科(杭州)信息技术有限公司 | 图像场景变化的检测方法、系统及电子设备 |
CN115409841A (zh) * | 2022-11-01 | 2022-11-29 | 新乡市今彩彩印有限公司 | 一种基于视觉的印刷品检验方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050169514A1 (en) * | 1999-05-04 | 2005-08-04 | Speedline Technologies, Inc. | Systems and methods for detecting defects in printed solder paste |
CN205317678U (zh) * | 2015-12-08 | 2016-06-15 | 广东锐视智能检测有限公司 | 一种基于机器视觉的金属制品印刷缺陷在线检测系统 |
CN105844621A (zh) * | 2016-03-17 | 2016-08-10 | 阜阳市飞扬印务有限公司 | 一种印刷品质量检测方法 |
CN106525873A (zh) * | 2016-10-25 | 2017-03-22 | 广州市申发机电有限公司 | 一种基于机器视觉的全自动旋转印刷产品缺陷检测装置 |
CN106556611A (zh) * | 2016-12-07 | 2017-04-05 | 江苏唯侓机器人科技有限公司 | 基于机器视觉的彩色印刷品缺陷自动检测系统及检测方法 |
CN106778657A (zh) * | 2016-12-28 | 2017-05-31 | 南京邮电大学 | 基于卷积神经网络的新生儿疼痛表情分类方法 |
CN107389693A (zh) * | 2017-06-29 | 2017-11-24 | 西安理工大学 | 一种基于机器视觉的印刷品缺陷自动检测方法 |
CN108918527A (zh) * | 2018-05-15 | 2018-11-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的印刷品缺陷检测方法 |
CN109239076A (zh) * | 2018-08-29 | 2019-01-18 | 西安理工大学 | 一种基于机器视觉的缝纫线迹缺陷检测方法 |
-
2019
- 2019-06-28 CN CN201910574709.5A patent/CN110335262A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050169514A1 (en) * | 1999-05-04 | 2005-08-04 | Speedline Technologies, Inc. | Systems and methods for detecting defects in printed solder paste |
CN205317678U (zh) * | 2015-12-08 | 2016-06-15 | 广东锐视智能检测有限公司 | 一种基于机器视觉的金属制品印刷缺陷在线检测系统 |
CN105844621A (zh) * | 2016-03-17 | 2016-08-10 | 阜阳市飞扬印务有限公司 | 一种印刷品质量检测方法 |
CN106525873A (zh) * | 2016-10-25 | 2017-03-22 | 广州市申发机电有限公司 | 一种基于机器视觉的全自动旋转印刷产品缺陷检测装置 |
CN106556611A (zh) * | 2016-12-07 | 2017-04-05 | 江苏唯侓机器人科技有限公司 | 基于机器视觉的彩色印刷品缺陷自动检测系统及检测方法 |
CN106778657A (zh) * | 2016-12-28 | 2017-05-31 | 南京邮电大学 | 基于卷积神经网络的新生儿疼痛表情分类方法 |
CN107389693A (zh) * | 2017-06-29 | 2017-11-24 | 西安理工大学 | 一种基于机器视觉的印刷品缺陷自动检测方法 |
CN108918527A (zh) * | 2018-05-15 | 2018-11-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的印刷品缺陷检测方法 |
CN109239076A (zh) * | 2018-08-29 | 2019-01-18 | 西安理工大学 | 一种基于机器视觉的缝纫线迹缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
方卫华: "《跨拦河建筑物安全状态感知、融合与预测》", 31 December 2018 * |
李长云等: "《智能感知技术及在电气工程中的应用》", 31 May 2017 * |
董军: "《"心迹"的计算 隐性知识的人工智能途径》", 31 December 2016 * |
闫秋艳: "《机器学习的煤与瓦斯突出前兆识别方法研究》", 31 October 2017 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105396A (zh) * | 2019-12-12 | 2020-05-05 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的印刷品质量检测方法及系统 |
CN111260621A (zh) * | 2020-01-14 | 2020-06-09 | 湖南大学 | 一种印制电路板表面缺陷定位与识别方法 |
CN111402223A (zh) * | 2020-03-12 | 2020-07-10 | 安徽南瑞继远电网技术有限公司 | 一种利用变电站视频图像的变电站缺陷问题检测方法 |
CN111402223B (zh) * | 2020-03-12 | 2021-01-26 | 安徽南瑞继远电网技术有限公司 | 一种利用变电站视频图像的变电站缺陷问题检测方法 |
CN111524120A (zh) * | 2020-04-22 | 2020-08-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的印刷品细小划痕、套印偏差检测方法 |
CN112070716A (zh) * | 2020-08-03 | 2020-12-11 | 西安理工大学 | 一种基于深度学习的印刷缺陷智能识别方法 |
CN112884741A (zh) * | 2021-02-22 | 2021-06-01 | 西安理工大学 | 一种基于图像相似性对比的印刷表观缺陷检测方法 |
CN112884741B (zh) * | 2021-02-22 | 2023-01-24 | 西安理工大学 | 一种基于图像相似性对比的印刷表观缺陷检测方法 |
CN113109348A (zh) * | 2021-03-12 | 2021-07-13 | 华南理工大学 | 一种基于机器视觉的桨影移印缺陷识别方法 |
CN113449690A (zh) * | 2021-07-21 | 2021-09-28 | 华雁智科(杭州)信息技术有限公司 | 图像场景变化的检测方法、系统及电子设备 |
CN115409841A (zh) * | 2022-11-01 | 2022-11-29 | 新乡市今彩彩印有限公司 | 一种基于视觉的印刷品检验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335262A (zh) | 一种机器视觉中印刷品缺陷自动分类方法 | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
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 | |
CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN109376792A (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
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 | |
CN114757900B (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
CN101221623B (zh) | 一种物体类型的在线训练和识别方法及其系统 | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN106204618A (zh) | 基于机器视觉的产品包装表面缺陷检测与分类方法 | |
CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
CN110458821A (zh) | 一种基于深度神经网络模型的精子形态分析方法 | |
CN101739570B (zh) | 棉花异性纤维在线分类方法和系统 | |
CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
CN106355180B (zh) | 一种基于颜色与边缘特征相结合的车牌定位方法 | |
CN108520212A (zh) | 基于改进的卷积神经网络的交通标志检测方法 | |
CN109507209A (zh) | 一种薄膜印刷缺陷检测系统及方法 | |
CN110766664B (zh) | 一种基于深度学习的电子元器件外观不良品的检测方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 | |
CN112070716A (zh) | 一种基于深度学习的印刷缺陷智能识别方法 | |
CN104766097A (zh) | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 | |
CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
CN102236925B (zh) | 大张检查机机检数据离线二次检测核查的系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |