CN110441312A - 一种基于多光谱成像的产品表面缺陷检测系统 - Google Patents
一种基于多光谱成像的产品表面缺陷检测系统 Download PDFInfo
- Publication number
- CN110441312A CN110441312A CN201910694125.1A CN201910694125A CN110441312A CN 110441312 A CN110441312 A CN 110441312A CN 201910694125 A CN201910694125 A CN 201910694125A CN 110441312 A CN110441312 A CN 110441312A
- Authority
- CN
- China
- Prior art keywords
- module
- multispectral
- image
- fusion
- decision
- 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
- 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
- G01N21/8806—Specially adapted optical and illumination features
-
- 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
Abstract
本发明提供了一种基于多光谱成像的产品表面缺陷检测系统,其特征在于,包括多光谱图像采集模块和多光谱图像缺陷检测模块;多光谱图像采集模块包括多光谱光源、多光谱相机、传送带和检测台;多光谱相机和多光谱光源位于检测台上;传送带穿过检测台下方;多光谱图像缺陷检测模块包括特征提取模块、特征融合模块和决策网络模块;特征提取模块接收原始图像,产生图像特征集;特征融合模块连接特征提取模块,接收图像特征集,产生特征融合集;决策网络模块连接特征融合模块,接收特征融合集,输出产品检测结果。本发明的有益效果是:充分提取产品表面特征,利用端到端的算法地进行缺陷识别,减少多个算法的累积误差,可以快速适应多种缺陷分布。
Description
技术领域
本发明涉及产品表面缺陷检测检测领域,特别涉及一种基于多光谱成像的产品表面缺陷检测系统。
背景技术
自动光学识别是使用计算机技术对光学传感器采集得到的图像进行识别的技术,在流水线生产领域可用于流水线生产,而对于表面缺陷而言,自动光学识别的成功率在很大程度上都取决于照明系统的质量以及方式。
在传统的自动光学识别领域,自动光学识别系统使用某个角度以及特定的光源和相机组成的照明系统进行图像采集,然后再对该采集图像进行识别。常用的照明方法有高角度照明、低角度照明、背光照明等,常用的光源种类包括紫外光、可见光、红外光等。使用单一光谱成像对一些特定的表面缺陷有较好的效果,但对于一些比较复杂的缺陷,在单一种类光源的成像下,缺陷的特征不明显,从而导致后续算法开发的难度上升。
近年来也出现使用多光谱进行图像采集,然后通过一些图像融合的方式进行多光谱图像进行融合,再利用识别算法进一步识别缺陷。相比单一光谱,多光谱成像可以让缺陷有更加丰富的特征信息。现有利用多光谱图像进行表面缺陷检测的方法的一般流程为:使用不同角度的单色光来组合多光谱图,再利用光谱图计算物体表面法向量,然后使用机器学习算法结合法向量信息进行缺陷识别。这些方法需要对各个阶段算法参数进行细致的调整,当缺陷的分布差异较大时,适合的参数需要花费大量的时间进行调优。而且当算法的各个环节存在一定的误差时,即使是比较微小的误差,整体累加会导致较大误差。
故市场亟需一种能够在充分的提取产品表面特征的基础上,减少累积误差,可以快速适应多种缺陷分布的产品表面缺陷检测系统。
发明内容
为了解决上述技术问题,本发明中披露了一种基于多光谱成像的产品表面缺陷检测系统,本发明的技术方案是这样实施的:
一种基于多光谱成像的产品表面缺陷检测系统,其特征在于,包括多光谱图像采集模块和多光谱图像缺陷检测模块;所述多光谱图像采集模块包括多光谱光源、多光谱相机、传送带和检测台;所述多光谱相机和所述多光谱光源位于所述检测台上;所述传送带在所述检测台下方并穿过所述检测台;所述多光谱图像采集模块采集原始图像并将其传输至所述多光谱图像缺陷检测模块;所述多光谱图像缺陷检测模块包括特征提取模块、特征融合模块和决策网络模块;所述特征提取模块接收所述原始图像,并产生图像特征集;所述特征融合模块与所述特征提取模块相连,接收所述图像特征集,同时产生特征融合集;所述决策网络模块与特征融合模块相连,接收所述特征融合集,产生产品检测结果并予以输出。
优选地,所述多光谱光源所发出的为包括可见光、红外光、紫外光、超声波、X光的一种或多种;所述多光谱相机所接收的为包括可见光、红外光、紫外光、超声波、X光的一种或多种。
优选地,所述特征提取模块具有多个分支网络,每个所述分支网络分别对应一个光谱图;所述分支网络内部包括多个Block;所述Block内部使用多种大小不同的卷积层。
优选地,所述特征融合模块生成为特征融合算法的计算机程序;所述融合模型训练算法为包括小波融合算法、主成分分析融合算法、图像金字塔融合算法和加权融合算法的一种或多种。
优选地,所述产品检测结果包括是否具有缺陷、所述缺陷的具体位置和所述缺陷的尺寸的大小的一种或多种。
优选地,所述多光谱深度学习模型生成模块包括特征提取模型训练模块和决策模型训练模块;所述特征提取模型训练模块为基于分支网络训练算法的计算机程序;所述特征提取模型训练模块与决策模型训练模块和特征融合模块相连;所述决策模型训练模块为包括基于逻辑判断任务算法的计算机程序、基于分类任务算法的计算机程序和基于分割任务算法的计算机程序的一种或多种;所述决策模型训练模块与特征融合模块及决策网络模块相连。
优选地,当训练时,所述多光谱图像采集模块采集多个所述原始图像并将其发送给特征提取模型训练模块,所述特征提取模型训练模块产生特征提取模型同时产生特征提取集,所述特征提取集传输到特征融合模块产生训练用图像融合集,所述训练用图像融合集传输到所述决策模型训练模块,所述决策模型训练模块产生决策模型并将特征提取模型合并决策模型传输给多光谱图像缺陷检测模块。
优选地,所述多光谱图像缺陷检测模块还包括通道扩展模块;所述通道扩展模块连接所述多光谱图像采集模块与所述特征提取模块。
实施本发明的技术方案可解决现有技术中的技术问题;实施本发明的技术方案,可实现在充分的提取产品表面特征的基础上,减少累积误差,可以快速适应多种缺陷分布的技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一种实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一种基于多光谱成像的产品表面缺陷检测系统一种具体的实施方式的结构示意图;
在上述附图中,各图号标记分别表示:
1-多光谱图像采集模块
2-多光谱图像缺陷检测模块
21-特征提取模块;
22-特征融合模块;
23-决策网络模块;
3-多光谱深度学习模型生成模块;
31-特征提取模型训练模块;32-决策模型训练模块;33-通道扩展模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于多光谱成像的产品表面缺陷检测系统,如图1所示,其特征在于,包括多光谱图像采集模块1和多光谱图像缺陷检测模块2;多光谱图像采集模块1包括多光谱光源、多光谱相机、传送带和检测台;多光谱相机和多光谱光源位于检测台上;传送带在检测台下方并穿过检测台;多光谱图像采集模块1采集原始图像并将其传输至多光谱图像缺陷检测模块2;多光谱图像缺陷检测模块2包括特征提取模块21、特征融合模块22和决策网络模块23;特征提取模块21接收原始图像,并产生图像特征集;特征融合模块22与特征提取模块21相连,接收图像特征集,同时产生特征融合集;决策网络模块23与特征融合模块22相连,接收特征融合集,产生产品检测结果并予以输出。
在该种具体的实施方式中,检材位于传送带上,当传送带携带检材移动至检测台上后,进行图像采集,采集的方式为多光源一次曝光成像、多光源多次曝光成像和多光源多相机成像中的一种;多光源一次曝光成像采用的是使用多个不同波段的光源对物体同时进行照明,然后使用多光谱相机进行拍摄,该种方法可以省去拍摄后的配准步骤;多光源多次曝光成像为使用多个不同波段的光源,分别对检材进行照明,在分别照明的情况下进行拍摄,得到各个光源照射下的光谱图像,然后进行配准,该种方法可以防止各个光源之间相互影响;多光源多相机成像采用多个对应的光源和相机分别进行拍摄通过图像中的标志点,将多相机成像图片配准对齐,再合成为多通道图片,该方法的优点是可以针对不同光谱,自由地设计光源和相机的布局方式;在图像采集模块传输原始图像给特征提取模块21之后,特征提取模块21提取原始图像的特征产生图像特征集,图像特征集是原始图像的特征所形成的集合,根据不同种类波段的光谱,产生不同类型的特征信息;图像融合模块将各个波段的光谱图融合,产生了特征融合集,充分利用了不同的波段的光所具有的不同的物理特征,从而提高了图像信息的利用率、改善图像特征集的解译精度和可靠性、提升图像特征集的空间分辨率和光谱分辨率;决策网络模块23导入特征融合集,将特征融合集作为决策网络的输入;通过以上模块。
在一种优选的实施例中,如图1所示,多光谱光源所发出的为包括可见光、红外光、紫外光、超声波、X光的一种或多种;多光谱相机所接收的为包括可见光、红外光、紫外光、超声波、X光的一种或多种。
在该种优选的实施例中,多光谱光源发出为各种不同波段的电磁波,也可以是包括超声波声波,相应的,多光谱相机既可以是传统意义上接收可见光的光学相机,也可以是接收不可见光的包括红外相机、紫外相机、X光相机的一种或多种,亦可是非电磁波的超声波相机。
在一种优选的实施例中,如图1所示,特征提取模块21具有多个分支网络,每个分支网络分别对应一个光谱图;分支网络内部包括多个Block;Block内部使用多种大小不同的卷积层。
在该种优选的实施例中,每一种光谱图对应一种分支网络,每一种分支网络都根据其对应的光谱图的物理特征进行构建,从而实现了有针对性的特征提取;分支网络内部的多个Block内部使用多中不同大小的卷积层并行,可以充分的利用各个尺度的特征信息。
在一种优选的实施例中,如图1所示,特征融合模块22为特征融合算法的计算机程序;融合模型训练算法为包括小波融合算法、主成分分析融合算法、图像金字塔融合算法和加权融合算法的一种或多种。
在该种优选的实施例中,如图1所示,特征融合模块22使用基于小波融合算法、主成分分析融合算法、图像金字塔融合算法和加权融合算法的计算机程序的一种,具体选用哪种程序根据实际的需求以及图像类型进行相应的选择。
在一种优选的实施例中,如图1所示,产品检测结果包括是否具有缺陷、缺陷的具体位置和缺陷的尺寸的大小的一种或多种。
在该种优选的实施例中,产品检测结果的类型由决策网络的类型决定,决策网络的类型根据具体任务的类型决定,如果用于逻辑判断,即是否存在缺陷,则将决策网络的类型设置为分类结构,如果需要识别缺陷的具体位置或者需要识别缺陷的尺寸大小,则使用分割结构,从而实现了应对多种不同需求的缺陷识别的能力。
在一种优选的实施例中,如图1所示,多光谱深度学习模型生成模块3包括特征提取模型训练模块31和决策模型训练模块32;特征提取模型训练模块31为基于分支网络训练算法的计算机程序;特征提取模型训练模块31与决策模型训练模块32和特征融合模块22相连;决策模型训练模块32为包括基于逻辑判断任务算法的计算机程序、基于分类任务算法的计算机程序和基于分割任务算法的计算机程序的一种或多种;决策模型训练模块32与特征融合模块22及决策网络模块23相连。当训练时,多光谱图像采集模块1采集多个原始图像并将其发送给特征提取模型训练模块31,特征提取模型训练模块31产生特征提取模型同时产生特征提取集,特征提取集传输到特征融合模块22产生训练用图像融合集,训练用图像融合集传输到决策模型训练模块32,决策模型训练模块32产生决策模型并将特征提取模型合并决策模型传输给多光谱图像缺陷检测模块2。
在该种优选的实施例中,多光谱图像采集模块1使用前述多光源一次曝光成像、多光源多次曝光成像和多光源多相机成像的一种得到多个原始图像,多个原始图像发送给特征提取模型训练模块31,特征提取模型训练模块31使用基于基于分支网络训练算法的计算机程序训练该模型,特征提取算法为HOG,HAAR,LBP的一种,在生成特征提取模型后,特征提取模型生成模块使用生成的特征提取模型提取多个原始图像的特征,产生特征提取集,并将特征提取集传输到特征融合模块22,特征融合模块22融合特征提取集后产生训练用图像融合集,再将该训练用图像融合集和特征提取模型传输到决策模型训练模块32,决策模型训练模块32根据实际具体任务目标使用相应的训练算法,若任务目标为逻辑判断任务,则可使用包括LeNet、AlexNet、ZFNet、VGGNet、GoogleLeNet和ResNet的一种或者多种,若任务目标为识别缺陷的具体位置或者缺陷的尺寸大小,则可使用包括FCN、UNet、SegNet、DeepLab的一种或者多种,经过训练产生决策模型后,输出决策模型和特征提取模型到多光谱图像缺陷检测模块2,决策模型输入到决策网络模块23,特征提取模型输入到特征提取模块21,用于进行图像检测。
在一种优选的实施例中,如图1所示,多光谱深度学习模型生成模块3还包括通道扩展模块33;通道扩展模块33连接特征融合模块22与特征提取模型训练模块31。
在该种优选的实施例中,通道扩展模块33用于将特征提取模型进行改造,以适用于多种的原始图像类型;通道扩展模块33检测多光谱图像采集模块1的数据类型,如果原始图像的单个光谱图像是3通道的,将特征提取模型通道数进行整数倍扩展;如果原始图像的单个光谱图像是非3通道的,先对特征提取模型的第一层取均值,然后再进行扩展。
需要指出的是,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多光谱成像的产品表面缺陷检测系统,其特征在于,包括多光谱图像采集模块和多光谱图像缺陷检测模块;
所述多光谱图像采集模块包括多光谱光源、多光谱相机、传送带和检测台;所述多光谱相机和所述多光谱光源位于所述检测台上;所述传送带在所述检测台下方并穿过所述检测台;所述多光谱图像采集模块采集原始图像并将其传输至所述多光谱图像缺陷检测模块;
所述多光谱图像缺陷检测模块包括特征提取模块、特征融合模块和决策网络模块;所述特征提取模块接收所述原始图像,并产生图像特征集;所述特征融合模块与所述特征提取模块相连,接收所述图像特征集,同时产生特征融合集;所述决策网络模块与特征融合模块相连,接收所述特征融合集,产生产品检测结果并予以输出。
2.根据权利要求1所述的一种基于多光谱成像的产品表面缺陷检测系统,其特征在于,所述多光谱光源所发出的为包括可见光、红外光、紫外光、超声波、X光的一种或多种;
所述多光谱相机所接收的为包括可见光、红外光、紫外光、超声波、X光的一种或多种。
3.根据权利要求1所述的一种基于多光谱成像的产品表面缺陷检测系统,其特征在于,所述特征提取模块具有多个分支网络,每个所述分支网络分别对应一个光谱图;
所述分支网络内部包括多个Block;所述Block内部使用多种大小不同的卷积层。
4.根据权利要求1所述的一种基于多光谱成像的产品表面缺陷检测系统,其特征在于,所述特征融合模块生成为特征融合算法的计算机程序;
所述融合模型训练算法包括小波融合算法、主成分分析融合算法、图像金字塔融合算法和加权融合算法的一种或多种。
5.根据权利要求1所述的一种基于多光谱成像的产品表面缺陷检测系统,其特征在于,所述产品检测结果包括是否具有缺陷、所述缺陷的具体位置和所述缺陷的尺寸的大小的一种或多种。
6.根据权利要求1所述的一种基于多光谱成像的产品表面缺陷检测系统,其特征在于,还包括多光谱深度学习模型生成模块;
所述多光谱深度学习模型生成模块包括特征提取模型训练模块和决策模型训练模块;
所述特征提取模型训练模块为基于分支网络训练算法的计算机程序;所述特征提取模型训练模块与决策模型训练模块和特征融合模块相连;
所述决策模型训练模块为包括基于逻辑判断任务算法的计算机程序、基于分类任务算法的计算机程序和基于分割任务算法的计算机程序的一种或多种;所述决策模型训练模块与特征融合模块及决策网络模块相连。
7.根据权利要求6所述的一种基于多光谱成像的产品表面缺陷检测系统,其特征在于,当训练时,所述多光谱图像采集模块采集多个所述原始图像并将其发送给特征提取模型训练模块,所述特征提取模型训练模块产生特征提取模型同时产生特征提取集,所述特征提取集传输到特征融合模块产生训练用图像融合集,所述训练用图像融合集传输到所述决策模型训练模块,所述决策模型训练模块产生决策模型并将特征提取模型合并决策模型传输给多光谱图像缺陷检测模块。
8.根据权利要求1所述的一种基于多光谱成像的产品表面缺陷检测系统,其特征在于,所述多光谱深度学习模型生成模块还包括通道扩展模块;
所述通道扩展模块连接所述特征融合模块与所述特征提取模型训练模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910694125.1A CN110441312A (zh) | 2019-07-30 | 2019-07-30 | 一种基于多光谱成像的产品表面缺陷检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910694125.1A CN110441312A (zh) | 2019-07-30 | 2019-07-30 | 一种基于多光谱成像的产品表面缺陷检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110441312A true CN110441312A (zh) | 2019-11-12 |
Family
ID=68432170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910694125.1A Pending CN110441312A (zh) | 2019-07-30 | 2019-07-30 | 一种基于多光谱成像的产品表面缺陷检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110441312A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077093A (zh) * | 2020-01-10 | 2020-04-28 | 安徽理工大学 | 一种基于多光谱技术的煤矸石快速检测的方法与装置 |
CN111830046A (zh) * | 2020-07-15 | 2020-10-27 | 华中科技大学 | 基于多光谱分光成像的表面缺陷自动光学检测系统及方法 |
CN111957600A (zh) * | 2020-08-06 | 2020-11-20 | 北京霍里思特科技有限公司 | 多光谱融合的物料识别系统、智能分选设备及分选方法 |
CN111999254A (zh) * | 2020-08-09 | 2020-11-27 | 复旦大学 | 基于双通道的增材制造缺陷检测系统 |
WO2021120186A1 (zh) * | 2019-12-20 | 2021-06-24 | 京东方科技集团股份有限公司 | 分布式产品缺陷分析系统、方法及计算机可读存储介质 |
CN113923358A (zh) * | 2021-10-09 | 2022-01-11 | 上海深视信息科技有限公司 | 一种飞拍模式下的在线自动对焦方法和系统 |
CN114813588A (zh) * | 2022-06-28 | 2022-07-29 | 华慧健(天津)科技有限公司 | 通用型多光谱采集与检测处理系统 |
CN115393679A (zh) * | 2022-08-01 | 2022-11-25 | 国网江苏省电力有限公司南通供电分公司 | 一种rgb-红外输电线路缺陷图像特征融合方法及系统 |
CN115508366A (zh) * | 2022-10-20 | 2022-12-23 | 南京鹤梦信息技术有限公司 | 基于多光谱成像的产品缺陷智能检测系统及其方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120194662A1 (en) * | 2011-01-28 | 2012-08-02 | The Hong Kong Polytechnic University | Method and system for multispectral palmprint verification |
CN106568784A (zh) * | 2016-11-09 | 2017-04-19 | 石河子大学 | 一种用于果蔬表面缺陷在线检测的多光谱成像系统及实现方法 |
CN108108768A (zh) * | 2017-12-29 | 2018-06-01 | 清华大学 | 基于卷积神经网络的光伏玻璃缺陷分类方法及装置 |
CN108830330A (zh) * | 2018-06-22 | 2018-11-16 | 西安电子科技大学 | 基于自适应特征融合残差网的多光谱图像分类方法 |
CN108960345A (zh) * | 2018-08-08 | 2018-12-07 | 广东工业大学 | 一种遥感图像的融合方法、系统及相关组件 |
CN109003239A (zh) * | 2018-07-04 | 2018-12-14 | 华南理工大学 | 一种基于迁移学习神经网络的多光谱图像锐化方法 |
CN109146831A (zh) * | 2018-08-01 | 2019-01-04 | 武汉大学 | 基于双支深度学习网络的遥感图像融合方法及系统 |
CN109255785A (zh) * | 2018-09-26 | 2019-01-22 | 深圳源广安智能科技有限公司 | 一种轴承外观缺陷检测系统 |
CN109271921A (zh) * | 2018-09-12 | 2019-01-25 | 合刃科技(武汉)有限公司 | 一种多光谱成像的智能识别方法及系统 |
US20190057268A1 (en) * | 2017-08-15 | 2019-02-21 | Noblis, Inc. | Multispectral anomaly detection |
CN109447977A (zh) * | 2018-11-02 | 2019-03-08 | 河北工业大学 | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 |
-
2019
- 2019-07-30 CN CN201910694125.1A patent/CN110441312A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120194662A1 (en) * | 2011-01-28 | 2012-08-02 | The Hong Kong Polytechnic University | Method and system for multispectral palmprint verification |
CN106568784A (zh) * | 2016-11-09 | 2017-04-19 | 石河子大学 | 一种用于果蔬表面缺陷在线检测的多光谱成像系统及实现方法 |
US20190057268A1 (en) * | 2017-08-15 | 2019-02-21 | Noblis, Inc. | Multispectral anomaly detection |
CN108108768A (zh) * | 2017-12-29 | 2018-06-01 | 清华大学 | 基于卷积神经网络的光伏玻璃缺陷分类方法及装置 |
CN108830330A (zh) * | 2018-06-22 | 2018-11-16 | 西安电子科技大学 | 基于自适应特征融合残差网的多光谱图像分类方法 |
CN109003239A (zh) * | 2018-07-04 | 2018-12-14 | 华南理工大学 | 一种基于迁移学习神经网络的多光谱图像锐化方法 |
CN109146831A (zh) * | 2018-08-01 | 2019-01-04 | 武汉大学 | 基于双支深度学习网络的遥感图像融合方法及系统 |
CN108960345A (zh) * | 2018-08-08 | 2018-12-07 | 广东工业大学 | 一种遥感图像的融合方法、系统及相关组件 |
CN109271921A (zh) * | 2018-09-12 | 2019-01-25 | 合刃科技(武汉)有限公司 | 一种多光谱成像的智能识别方法及系统 |
CN109255785A (zh) * | 2018-09-26 | 2019-01-22 | 深圳源广安智能科技有限公司 | 一种轴承外观缺陷检测系统 |
CN109447977A (zh) * | 2018-11-02 | 2019-03-08 | 河北工业大学 | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
丁明跃主编: "《物联网识别技术[M]》", 31 December 2012 * |
刘松涛等: "基于LBP的多光谱图像纹理特征提取方法", 《光电技术应用》 * |
张世海等: "高层结构抗震选型的集成加权模糊推理网络法", 《土木工程学报》 * |
李翠等: "基于多光谱特征的柑桔品质检测算法研究", 《计算机仿真》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11880968B2 (en) | 2019-12-20 | 2024-01-23 | Boe Technology Group Co., Ltd. | Distributed computing system for product defect analysis |
WO2021120186A1 (zh) * | 2019-12-20 | 2021-06-24 | 京东方科技集团股份有限公司 | 分布式产品缺陷分析系统、方法及计算机可读存储介质 |
CN113632099A (zh) * | 2019-12-20 | 2021-11-09 | 京东方科技集团股份有限公司 | 分布式产品缺陷分析系统、方法及计算机可读存储介质 |
CN111077093A (zh) * | 2020-01-10 | 2020-04-28 | 安徽理工大学 | 一种基于多光谱技术的煤矸石快速检测的方法与装置 |
CN111830046A (zh) * | 2020-07-15 | 2020-10-27 | 华中科技大学 | 基于多光谱分光成像的表面缺陷自动光学检测系统及方法 |
CN111830046B (zh) * | 2020-07-15 | 2021-10-08 | 华中科技大学 | 基于多光谱分光成像的表面缺陷自动光学检测系统及方法 |
CN111957600A (zh) * | 2020-08-06 | 2020-11-20 | 北京霍里思特科技有限公司 | 多光谱融合的物料识别系统、智能分选设备及分选方法 |
CN111957600B (zh) * | 2020-08-06 | 2021-09-28 | 北京霍里思特科技有限公司 | 多光谱融合的物料识别系统、智能分选设备及分选方法 |
CN111999254A (zh) * | 2020-08-09 | 2020-11-27 | 复旦大学 | 基于双通道的增材制造缺陷检测系统 |
CN113923358A (zh) * | 2021-10-09 | 2022-01-11 | 上海深视信息科技有限公司 | 一种飞拍模式下的在线自动对焦方法和系统 |
CN114813588A (zh) * | 2022-06-28 | 2022-07-29 | 华慧健(天津)科技有限公司 | 通用型多光谱采集与检测处理系统 |
CN115393679A (zh) * | 2022-08-01 | 2022-11-25 | 国网江苏省电力有限公司南通供电分公司 | 一种rgb-红外输电线路缺陷图像特征融合方法及系统 |
CN115508366A (zh) * | 2022-10-20 | 2022-12-23 | 南京鹤梦信息技术有限公司 | 基于多光谱成像的产品缺陷智能检测系统及其方法 |
CN115508366B (zh) * | 2022-10-20 | 2023-09-22 | 南京鹤梦信息技术有限公司 | 基于多光谱成像的产品缺陷智能检测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110441312A (zh) | 一种基于多光谱成像的产品表面缺陷检测系统 | |
CN106504248B (zh) | 基于计算机视觉的车辆损伤判别方法 | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN110473178A (zh) | 一种基于多光源融合的外观缺陷检测方法及系统 | |
CN108520274A (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
CN102713582B (zh) | 抛光的宝石中的夹杂物检测 | |
CN114399672A (zh) | 一种基于深度学习的铁路货车闸瓦故障检测方法 | |
CN102854192B (zh) | 一种基于苹果表面缺陷检测系统的苹果表面缺陷检测方法 | |
CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
CN108288506A (zh) | 一种基于人工智能技术的癌症病理辅助诊断方法 | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
CN102374993B (zh) | 集成电路封装片三维引脚外观检测单元的检测方法 | |
CN106104573A (zh) | 霍夫处理器 | |
CN110211101A (zh) | 一种铁轨表面缺陷快速检测系统及方法 | |
CN110060237A (zh) | 一种故障检测方法、装置、设备及系统 | |
CN109887020B (zh) | 一种植株器官分离方法及系统 | |
CN109724984A (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
CN110120036A (zh) | 一种多尺度的轮胎x光病疵检测方法 | |
CN102915432B (zh) | 一种车载微机图像视频数据提取方法及装置 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
CN108490000A (zh) | 一种棒线材表面缺陷在线检测装置和方法 | |
CN112801230B (zh) | 一种配电线路无人机智能验收方法 | |
CN111126325A (zh) | 一种基于视频的智能人员安防识别统计方法 | |
CN110473179A (zh) | 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备 | |
CN110136101A (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |