CN110570396B - 一种基于深度学习的工业产品缺陷检测方法 - Google Patents

一种基于深度学习的工业产品缺陷检测方法 Download PDF

Info

Publication number
CN110570396B
CN110570396B CN201910723845.6A CN201910723845A CN110570396B CN 110570396 B CN110570396 B CN 110570396B CN 201910723845 A CN201910723845 A CN 201910723845A CN 110570396 B CN110570396 B CN 110570396B
Authority
CN
China
Prior art keywords
industrial product
defect detection
product image
convolution
loss
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
Application number
CN201910723845.6A
Other languages
English (en)
Other versions
CN110570396A (zh
Inventor
邹腊梅
车鑫
俞天敏
聂士伟
张松伟
钟胜
熊紫华
李晓光
李长峰
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910723845.6A priority Critical patent/CN110570396B/zh
Publication of CN110570396A publication Critical patent/CN110570396A/zh
Application granted granted Critical
Publication of CN110570396B publication Critical patent/CN110570396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明公开了一种基于深度学习的工业产品缺陷检测方法，属于计算机视觉和深度学习领域，所述方法包括：对原始工业产品图像进行像素级别的缺陷标注，并将原始工业产品图像及其对应的标注信息作为样本数据；对样本数据进行预处理和数据增强，得到训练集、测试集和验证集；构建缺陷检测网络；将所述训练集、测试集和验证集输入搭建好的缺陷检测网络进行训练，得到训练好的缺陷检测模型；将待检测的工业产品图像输入训练好的缺陷检测模型进行缺陷检测，得到所述工业产品图像的缺陷信息。本发明采用深层网络VGG16bn的特征提取网络前端进行下采样，采用亚像素卷积结构实现上采样，同时使用跳跃连接实现特征融合，可以高效、准确的检测出微小的工业产品缺陷。

Description

一种基于深度学习的工业产品缺陷检测方法
技术领域
本发明属于计算机视觉和深度学习领域，更具体地，涉及一种基于深度学习的工业产品缺陷检测方法。
背景技术
当前，工业自动化水平越来越高，消费者对产品质量要求也愈加严格，产品质量关乎生产厂商的生命线和未来发展。工业产品检测不仅可以保证产品质量，还可以反映生产工艺中存在的问题，是工业生产中必不可少的环节。例如，随着集成化水平不断提高，电子器件体积越来越小，结构越来越复杂，而产品上一个微小的缺陷可能会对产品质量产生巨大影响，因此对产品缺陷，尤其是微小缺陷的准确检测至关重要。
目前，工业界普遍采取的产品缺陷检测的方式主要有两种：(1)人工检测；(2)基于机器视觉的检测方法。其中，人工检测存在效率低、成本高、人工易产生疲倦等诸多缺点；在大批量工业生产中，基于机器视觉的缺陷检测方法在准确率、速度、成本等方面都优于人工方法，因此，采用基于机器视觉的智能检测手段来取代人工方法是工业质量检测的必然趋势。早期基于机器视觉的检测方法大多依赖于手工设计的特征，过程繁复，效果不佳，近年来，随着以卷积神经网络为代表的深度学习在目标检测等领域的广泛应用，研究者也逐渐开始将其应用到工业缺陷检测领域，让计算机自动从工业产品图像数据中学习工业缺陷模式特征并建立模型，实现智能化的工业产品检测。
但是由于微小缺陷在工业产品图像中的分辨率过低、像素数目较少，加之部分工业产品图像的背景复杂，现有的基于深度学习的工业缺陷检测方法，卷积神经网络提取到的只能是较为粗糙的特征，不能较好地检测并提取图像边界，导致缺陷检测的准确率较低。
总体而言，现有缺陷检测方法存在检测效率和准确率低的问题。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于深度学习的工业产品缺陷检测方法，旨在解决现有缺陷检测方法存在检测效率和准确率低的问题。
为实现上述目的，本发明提供了一种基于深度学习的工业产品缺陷检测方法，包括：
(1)对原始工业产品图像进行像素级别的缺陷标注，并将所述原始工业产品图像及其对应的标注信息作为样本数据；
(2)对所述样本数据进行预处理和数据增强，得到训练集、测试集和验证集；
(3)构建缺陷检测网络；
所述缺陷检测网络包括编码模块、解码模块、跳跃连接模块和输出模块；
所述编码模块，用于对样本数据进行多次卷积、池化实现下采样，得到不同分辨率的特征图；所述解码模块，用于对不同分辨率的特征图进行周期性重排，还原原始工业产品图像像素的位置信息；所述跳跃连接模块，用于将所述编码模块与解码模块对应的相同尺度的特征图进行相加或并联连接，实现特征融合；所述输出模块，用于将所述解码模块输出的特征图转化为二值掩模图像；
其中，所述解码模块包括依次连接的多个上采样单元；每个上采样单元包括依次连接的卷积层、亚像素卷积层以及非线性激活层；
(4)将所述训练集、测试集和验证集输入搭建好的缺陷检测网络进行训练，得到训练好的缺陷检测模型；
(5)将待检测的工业产品图像输入训练好的缺陷检测模型进行缺陷检测，得到所述工业产品图像的缺陷信息。
进一步地，步骤(2)中所述对所述样本数据进行预处理和数据增强，具体包括：
(2.1)将原始工业产品图像对应的标注信息转换成二元掩模图片；
(2.2)对所述原始工业产品图像和所述二元掩模图片进行尺寸归一化；
(2.3)对经过归一化的原始工业产品图像和二元掩模图片进行数据增强；
(2.4)按照设定比例将经过数据增强的原始工业产品图像和二元掩模图片划分训练集、验证集和测试集。
进一步地，步骤(2.3)中所述数据增强包括水平和垂直翻转、旋转、添加高斯噪声、HSV对比度变换。
进一步地，所述编码模块包括多个下采样单元；每个下采样单元包括依次连接的多个卷积模块和一个最大池化层。
进一步地，所述卷积模块包括依次连接的卷积层、批量归一化层和ReLU激活函数层。
进一步地，所述下采样单元的个数为5，其中，前两个下采样单元中卷积模块的个数为2，后三个下采样单元中卷积模块的个数为3。
进一步地，所述解码模块中上采样单元的个数为5。
进一步地，所述输出模块包括卷积核大小为1×1的卷积层和sigmoid函数层。
进一步地，步骤(4)中所述缺陷检测网络训练过程中采用的损失函数loss为：
loss＝ω1·lossbce+ω2·lossSoftDice
其中，ω1和ω2是权重，ω1+ω2＝1，lossbce表示二值交叉熵损失，lossSoftDice表示SoftDice损失函数。
进一步地，步骤(4)中所述缺陷检测网络训练过程使用含有动量项的随机梯度下降作为优化器。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得有益效果。
(1)本发明使用深度网络vgg16bn的特征提取前端网络作为下采样部分，通过不断卷积提取了样本数据高层语义信息，使网络的特征表达能力更强；同时与传统方法中将低分辨率特征图使用线性插值的方式完成上采样的方法相比，本发明采用亚像素卷积对不同分辨率的特征图进行上采样，可以充分利用已有特征图，不需要额外计算，有效地减少了模型的参数数量，大大简化了网络复杂度，提升了模型的预测准确率，对于一般的工业产品缺陷，以及微小的工业产品缺陷均具有高效、准确的检测效果。
(2)本发明采用跳跃连接将下采样提取的语义特征信息与上采样后的原始图像像素的位置信息相结合，从而输入特征图的微弱特征进一步强化，融合深层与浅层信息，获得图像中更具有代表性的特征，使分割结果更加准确，进一步提高了缺陷检测的准确度。
(3)本发明采用二值交叉熵损失和基于Dice系数的损失函数的加权对的缺陷检测模型进行优化，解决了工业生产实际中正负样本不平衡的难题，使模型对小缺陷更加敏感，收敛速度更快，泛化能力更强。
附图说明
图1是本发明实施例提供的基于深度学习的工业产品缺陷检测方法流程图；
图2是本发明实施例提供的缺陷检测网络结构示意图；
图3是本发明实施例提供的卷积模块结构示意图；
图4是本发明实施例提供的上采样模块结构示意图；
图5是本发明实施例提供的亚像素卷积操作示意图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参考图1，本发明提供了一种基于深度学习的工业产品缺陷检测方法，包括：
(1)对原始工业产品图像进行像素级别的缺陷标注，并将原始工业产品图像及其对应的标注信息作为样本数据；
(2)对所述样本数据进行预处理和数据增强，得到训练集、测试集和验证集；
具体地，步骤(2)具体包括：
(2.1)将原始工业产品图像对应的标注信息转换成8位灰度二元掩模图片；其中，灰度值0代表背景，灰度值255代表缺陷；
(2.2)对所述原始工业产品图像和所述二元掩模图片进行尺寸归一化；
本发明实施例将图像尺寸归一化为256×256像素或1024×1024像素，但本发明不限于此，实际应用中可以根据需要设定为其他大小；
(2.3)对经过归一化的原始工业产品图像和二元掩模图片进行数据增强；
本发明对经过归一化的原始工业产品图像和二元掩模图片随机进行水平和垂直翻转、旋转、添加高斯噪声、HSV(Hue,Saturation,Value)对比度变换等方式的数据增强，其中，随机概率为0.5，旋转角度范围在[-15°，15°]之间，但本发明不限于此，实际应用中可根据需要调整；
(2.4)按照设定比例将经过数据增强的原始工业产品图像和二元掩模图片划分训练集、验证集和测试集。
本发明实施例按10：1：1的数量比例划分训练集、验证集和测试集，但本发明不限于此，实际应用中可调整为其他比例。
(3)构建缺陷检测网络；
如图2所示，缺陷检测网络包括编码模块、解码模块、跳跃连接模块和输出模块；
编码模块，用于对样本数据进行多次卷积、池化实现下采样，得到不同分辨率的特征图；解码模块，用于对不同分辨率的特征图进行周期性重排，还原原始工业产品图像像素的位置信息；跳跃连接模块，用于将编码模块与解码模块对应的相同尺度的特征图进行相加或并联连接，实现特征融合；输出模块，用于将解码模块输出的特征图转化为二值掩模图像；
其中，编码模块采用深层网络VGG16bn的特征提取网络前端，包括多个下采样单元；每个下采样单元包括依次连接的多个卷积模块和一个最大池化层；如图3所示，卷积模块包括依次连接的卷积层、批量归一化层和ReLU(Rectified LinearUnit)激活函数层；批量归一化层通过一个批次(batch)的数据，计算数据的均值μB和方差
Figure BDA0002158205990000061
并学习尺度参数γ和偏移参数β，使不同的输入数据具有相同的分布；非线性激活层激活函数使用ReLU函数；
ReLU(x)＝max(0,x)
可选地，下采样单元的个数为5，其中，前两个下采样单元中卷积模块的个数为2，后三个下采样单元中卷积模块的个数为3。
解码模块包括依次连接的多个上采样单元；如图4所示，每个上采样单元包括依次连接的卷积层、亚像素卷积层以及非线性激活层；卷积层用于调整输入图像的特征维度；如图5所示，亚像素卷积层通过周期性排列操作增大图像大小，将N×r2×H×W维度的特征图重新排列成N×1×rH×rW的图像，其中，N为一个批量的特征图数量，r为上采样因子，H为特征图的高，W为特征图的宽。本发明方法中r＝2，在所得到的N×4维度的特征图像中，在相邻的4个通道的相同位置上取的4个像素值，按通道顺序排列组成一个2×2大小的特征块，这样4幅特征图将重组排列成1张长宽各扩大两倍的特征图；全部N×4维度的特征图经过亚像素卷积层处理，可以得到N维度的长宽分别扩大两倍的高分辨率特征图。与传统方法中将低分辨率特征图使用线性插值的方式完成上采样的方法相比，本方法所采用的亚像素卷积处理可以充分利用已有特征图，不需要额外计算，有效地减少了模型的参数数量，网络的复杂度得到大大简化，同时模型的预测准确率也都得到了一定程度的提升；非线性激活层使用ReLU激活函数；可选地，解码模块中上采样单元的个数为5。
输出模块包括卷积核大小为1×1的卷积层和sigmoid函数层。
(4)将所述训练集、测试集和验证集输入搭建好的缺陷检测网络进行训练，得到训练好的缺陷检测模型；
具体地，为加速优化，训练使用含有动量项的随机梯度下降(SGD，StochasticGradient Descent)作为优化器，其批尺寸(Batch Size)为16，动量(Momentum)为0.9，权重惩罚系数(WeightDecay)为5×10-4，初始化学习率为10-3，每20轮(Epoch)缩小10倍，训练轮数为100轮；训练采用的损失函数loss为：
loss＝ω1·lossbce+ω2·lossSoftDice
其中，ω1和ω2是权重，ω1+ω2＝1，lossbce表示二值交叉熵损失，lossSoftDice表示SoftDice损失函数，在本发明实施例中根据经验设置ω1＝0.3，ω2＝0.7。
损失函数的具体计算过程为：
Figure BDA0002158205990000071
L＝{l1,l2,...,lN}T
ln＝μn[ynlog10xn+(1-yn)log10(1-xn)]
Figure BDA0002158205990000072
其中，μn代表权重系数，本发明中μn＝1，xn和yn分别表示网络预测输出和标签值。
(5)将待检测的工业产品图像输入训练好的缺陷检测模型进行缺陷检测，得到所述工业产品图像的缺陷信息。
具体地，根据缺陷检测模型输出的二值掩模结果，计算连通域面积，输出总的缺陷数量；然后计算准确率、召回率、f1score指标，可视化输出缺陷标记；其中，准确率P、召回率R和f1score指标具体计算方法为：
Figure BDA0002158205990000081
其中，TP、FP、FN分别为真正例(true positive)、假正例(false positive)、假反例(false negative)的样本个数。
本领域的技术人员容易理解，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于深度学习的工业产品缺陷检测方法，其特征在于，包括：
(1)对原始工业产品图像进行像素级别的缺陷标注，并将所述原始工业产品图像及其对应的标注信息作为样本数据；
(2)对所述样本数据进行预处理和数据增强，得到训练集、测试集和验证集；
(3)构建缺陷检测网络；
所述缺陷检测网络包括编码模块、解码模块、跳跃连接模块和输出模块；
所述编码模块，用于对样本数据进行多次卷积、池化实现下采样，得到不同分辨率的特征图；所述解码模块，用于对不同分辨率的特征图进行周期性重排，还原原始工业产品图像像素的位置信息；所述跳跃连接模块，用于将所述编码模块与解码模块对应的相同尺度的特征图进行相加或并联连接，实现特征融合；所述输出模块，用于将所述解码模块输出的特征图转化为二值掩模图像；
其中，所述编码模块包括多个下采样单元；每个下采样单元包括依次连接的多个卷积模块和一个最大池化层；所述解码模块包括依次连接的多个上采样单元；每个上采样单元包括依次连接的卷积层、亚像素卷积层以及非线性激活层；所述输出模块包括卷积核大小为1×1的卷积层和sigmoid函数层；
(4)将所述训练集、测试集和验证集输入搭建好的缺陷检测网络进行训练，得到训练好的缺陷检测模型；训练过程中采用的损失函数loss为：
loss＝ω1·lossbce+ω2·lossSoftDice
其中，ω1和ω2是权重，ω1+ω2＝1，lossbce表示二值交叉熵损失，lossSoftDice表示SoftDice损失函数；
(5)将待检测的工业产品图像输入训练好的缺陷检测模型进行缺陷检测，得到所述工业产品图像的缺陷信息。
2.根据权利要求1所述的一种基于深度学习的工业产品缺陷检测方法，其特征在于，步骤(2)中所述对所述样本数据进行预处理和数据增强，具体包括：
(2.1)将原始工业产品图像对应的标注信息转换成二元掩模图片；
(2.2)对所述原始工业产品图像和所述二元掩模图片进行尺寸归一化；
(2.3)对经过归一化的原始工业产品图像和二元掩模图片进行数据增强；
(2.4)按照设定比例将经过数据增强的原始工业产品图像和二元掩模图片划分训练集、验证集和测试集。
3.根据权利要求2所述的一种基于深度学习的工业产品缺陷检测方法，其特征在于，步骤(2.3)中所述数据增强包括水平和垂直翻转、旋转、添加高斯噪声、HSV对比度变换。
4.根据权利要求1所述的一种基于深度学习的工业产品缺陷检测方法，其特征在于，所述卷积模块包括依次连接的卷积层、批量归一化层和ReLU激活函数层。
5.根据权利要求4所述的一种基于深度学习的工业产品缺陷检测方法，其特征在于，所述下采样单元的个数为5，其中，前两个下采样单元中卷积模块的个数为2，后三个下采样单元中卷积模块的个数为3。
6.根据权利要求1-5任一项所述的一种基于深度学习的工业产品缺陷检测方法，其特征在于，所述解码模块中上采样单元的个数为5。
7.根据权利要求1所述的一种基于深度学习的工业产品缺陷检测方法，其特征在于，步骤(4)中所述缺陷检测网络训练过程使用含有动量项的随机梯度下降作为优化器。
CN201910723845.6A 2019-08-07 2019-08-07 一种基于深度学习的工业产品缺陷检测方法 Active CN110570396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910723845.6A CN110570396B (zh) 2019-08-07 2019-08-07 一种基于深度学习的工业产品缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910723845.6A CN110570396B (zh) 2019-08-07 2019-08-07 一种基于深度学习的工业产品缺陷检测方法

Publications (2)

Publication Number Publication Date
CN110570396A CN110570396A (zh) 2019-12-13
CN110570396B true CN110570396B (zh) 2022-03-15

Family

ID=68774784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910723845.6A Active CN110570396B (zh) 2019-08-07 2019-08-07 一种基于深度学习的工业产品缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110570396B (zh)

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179229B (zh) * 2019-12-17 2023-10-20 中信重工机械股份有限公司 一种基于深度学习的工业ct缺陷检测方法
CN111161228B (zh) * 2019-12-20 2023-08-25 东南大学 一种基于迁移学习的纽扣表面缺陷检测方法
CN111127429B (zh) * 2019-12-24 2023-06-06 河北鹰眼智能科技有限公司 基于自训练深度神经网络的水利系统管螺纹缺陷检测方法
CN111242890A (zh) * 2019-12-24 2020-06-05 中国航空工业集团公司北京航空精密机械研究所 一种芳纶纸蜂窝涂胶缺陷检测方法
CN111127454A (zh) * 2019-12-27 2020-05-08 上海交通大学 基于深度学习生成工业缺陷样本的方法及系统
CN111161246A (zh) 2019-12-30 2020-05-15 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
CN111179253B (zh) * 2019-12-30 2023-11-24 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
CN111242185B (zh) * 2020-01-03 2023-10-27 凌云光技术股份有限公司 一种基于深度学习的缺陷快速初筛方法及系统
CN111257325A (zh) * 2020-01-19 2020-06-09 中国科学院微电子研究所 一种光刻掩膜板缺陷检测方法及设备和芯片
CN111311548B (zh) * 2020-01-20 2023-01-31 清华四川能源互联网研究院 一种骨料检测模型的形成方法和消力池底板骨料检测的方法
CN111429403B (zh) * 2020-02-26 2022-11-08 北京航空航天大学杭州创新研究院 一种基于机器视觉的汽车齿轮成品缺陷检测方法
CN111402209B (zh) * 2020-03-03 2023-06-13 广州中国科学院先进技术研究所 一种基于U-Net的高速铁路钢轨损伤检测方法
CN111429405B (zh) * 2020-03-04 2023-05-12 清华大学深圳国际研究生院 基于3d cnn的锡球缺陷检测方法及装置
CN111340796B (zh) * 2020-03-10 2023-07-21 创新奇智(成都)科技有限公司 一种缺陷检测方法、装置、电子设备及存储介质
CN111369550B (zh) * 2020-03-11 2022-09-30 创新奇智(成都)科技有限公司 图像配准与缺陷检测方法、模型、训练方法、装置及设备
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
CN111431986B (zh) * 2020-03-18 2023-02-28 宁波智诚祥科技发展有限公司 基于5g和ai云边协同的工业智能质检系统
CN111524135B (zh) * 2020-05-11 2023-12-26 安徽继远软件有限公司 基于图像增强的输电线路细小金具缺陷检测方法及系统
CN111696079B (zh) * 2020-05-15 2023-06-06 中山大学 一种基于多任务学习的表面缺陷检测方法
CN111626994B (zh) * 2020-05-18 2023-06-06 江苏远望仪器集团有限公司 基于改进U-Net神经网络的设备故障缺陷诊断方法
CN111612758A (zh) * 2020-05-19 2020-09-01 南京航空航天大学 一种基于卷积神经网络的隧道表面缺陷检测方法
CN111627012B (zh) * 2020-05-28 2021-12-21 华北电力大学（保定） 一种基于特征融合的深度神经网络表面缺陷检测方法
CN111627014B (zh) * 2020-05-29 2023-04-28 四川大学 一种基于深度学习的根管检测与评分的方法及系统
CN111784673B (zh) * 2020-06-30 2023-04-18 创新奇智(上海)科技有限公司 缺陷检测模型训练和缺陷检测方法、设备及存储介质
CN111768388B (zh) * 2020-07-01 2023-08-11 哈尔滨工业大学（深圳） 一种基于正样本参考的产品表面缺陷检测方法及系统
CN111833328B (zh) * 2020-07-14 2023-07-25 汪俊 基于深度学习的飞机发动机叶片表面缺陷检测方法
CN112102229A (zh) * 2020-07-23 2020-12-18 西安交通大学 一种基于深度学习的工业ct检测缺陷的智能识别方法
CN111754513B (zh) * 2020-08-07 2024-03-22 腾讯科技（深圳）有限公司 产品表面缺陷分割方法、缺陷分割模型学习方法及装置
CN111968095B (zh) * 2020-08-19 2022-08-02 成都数之联科技股份有限公司 一种产品表面缺陷检测方法及系统及装置及介质
CN112084917A (zh) * 2020-08-31 2020-12-15 腾讯科技（深圳）有限公司 一种活体检测方法及装置
CN112132196B (zh) * 2020-09-14 2023-10-20 中山大学 一种结合深度学习和图像处理的烟盒缺陷识别方法
CN112102306B (zh) * 2020-09-25 2022-10-25 西安交通大学 一种基于双重gan的边缘修复特征融合的缺陷检测方法
CN112183667B (zh) * 2020-10-31 2022-06-14 哈尔滨理工大学 一种协同深度学习的绝缘子故障检测方法
CN112330682B (zh) * 2020-11-09 2022-08-26 重庆邮电大学 一种基于深度卷积神经网络的工业ct图像分割方法
CN112419335B (zh) * 2020-11-19 2022-07-22 哈尔滨理工大学 一种细胞核分割网络的形状损失计算方法
CN112734703A (zh) * 2020-12-28 2021-04-30 佛山市南海区广工大数控装备协同创新研究院 一种利用ai云端协同检测的pcb缺陷优化方法
CN113160289B (zh) * 2021-03-31 2022-02-01 哈尔滨工业大学（深圳） 一种基于深度学习的工业印刷品图像配准方法及装置
CN113129288A (zh) * 2021-04-22 2021-07-16 安徽大学 一种基于深度学习图像语义分割的药片表面缺陷检测方法及其自动化处理装置
CN113240665A (zh) * 2021-06-04 2021-08-10 同济大学 一种基于深度学习的工业自动表面缺陷检测方法
CN113469087B (zh) * 2021-07-09 2023-05-16 上海智臻智能网络科技股份有限公司 建筑图纸中的图框检测方法、装置、设备及介质
CN113822882A (zh) * 2021-11-22 2021-12-21 武汉飞恩微电子有限公司 基于深度学习的电路板表面缺陷检测方法与检测装置
CN114299066B (zh) * 2022-03-03 2022-05-31 清华大学 基于显著性特征预提取与图像分割的缺陷检测方法和装置
CN114550021B (zh) * 2022-04-25 2022-08-09 深圳市华汉伟业科技有限公司 基于特征融合的表面缺陷检测方法及设备
CN115115610B (zh) * 2022-07-20 2023-08-22 南京航空航天大学 基于改进卷积神经网络的工业ct识别复材内部缺陷方法
CN115493532B (zh) * 2022-11-07 2023-02-28 西安中科慧远视觉技术有限公司 测量板材表面待测量元素面积的测量系统、方法及介质
CN115601357B (zh) * 2022-11-29 2023-05-26 南京航空航天大学 一种基于小样本的冲压件表面缺陷检测方法
CN116823718B (zh) * 2023-04-17 2024-02-23 南通大学 一种基于深度学习的筒纱缺陷图像分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035233A (zh) * 2018-07-24 2018-12-18 西安邮电大学 视觉注意力网络及工件表面缺陷检测方法
CN109064462A (zh) * 2018-08-06 2018-12-21 长沙理工大学 一种基于深度学习的钢轨表面缺陷检测方法
CN109615582A (zh) * 2018-11-30 2019-04-12 北京工业大学 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法
CN109829891A (zh) * 2019-01-02 2019-05-31 浙江大学 一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法
CN109872313A (zh) * 2019-02-15 2019-06-11 苏州晓创光电科技有限公司 一种基于深度卷积自编码器的产品表面缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10733722B2 (en) * 2017-06-27 2020-08-04 Nec Corporation Reconstructor and contrastor for anomaly detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035233A (zh) * 2018-07-24 2018-12-18 西安邮电大学 视觉注意力网络及工件表面缺陷检测方法
CN109064462A (zh) * 2018-08-06 2018-12-21 长沙理工大学 一种基于深度学习的钢轨表面缺陷检测方法
CN109615582A (zh) * 2018-11-30 2019-04-12 北京工业大学 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法
CN109829891A (zh) * 2019-01-02 2019-05-31 浙江大学 一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法
CN109872313A (zh) * 2019-02-15 2019-06-11 苏州晓创光电科技有限公司 一种基于深度卷积自编码器的产品表面缺陷检测方法

Also Published As

Publication number Publication date
CN110570396A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110570396B (zh) 一种基于深度学习的工业产品缺陷检测方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN112465748B (zh) 基于神经网络的裂缝识别方法、装置、设备及存储介质
CN109829891B (zh) 一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法
CN109902600B (zh) 一种道路区域检测方法
CN105678332B (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统
CN111210435A (zh) 一种基于局部和全局特征增强模块的图像语义分割方法
CN110738697A (zh) 基于深度学习的单目深度估计方法
CN114092389A (zh) 一种基于小样本学习的玻璃面板表面缺陷检测方法
CN112488025B (zh) 基于多模态特征融合的双时相遥感影像语义变化检测方法
CN107220643A (zh) 基于紧凑型神经网络的深度学习模型的交通标志识别系统
CN113591866B (zh) 基于db与crnn的特种作业证件检测方法及系统
CN114627383B (zh) 一种基于度量学习的小样本缺陷检测方法
CN113096085A (zh) 基于两阶段卷积神经网络的集装箱表面损伤检测方法
CN112819080B (zh) 一种高精度通用的三维点云识别方法
CN114724155A (zh) 基于深度卷积神经网络的场景文本检测方法、系统及设备
CN114022408A (zh) 基于多尺度卷积神经网络的遥感图像云检测方法
CN115147418B (zh) 缺陷检测模型的压缩训练方法和装置
CN110866900A (zh) 水体颜色识别方法及装置
CN114943694A (zh) 一种基于对抗生成网络与注意力的缺陷检测方法
CN112365478A (zh) 一种基于语义分割的电机换向器表面缺陷检测模型
CN115775236A (zh) 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统
CN116958827A (zh) 一种基于深度学习的撂荒区域提取方法
CN112967271B (zh) 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法

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
GR01 Patent grant
GR01 Patent grant