CN110782183A - 一种基于Faster R-CNN的铝材缺陷检测方法 - Google Patents
一种基于Faster R-CNN的铝材缺陷检测方法 Download PDFInfo
- Publication number
- CN110782183A CN110782183A CN201911082749.4A CN201911082749A CN110782183A CN 110782183 A CN110782183 A CN 110782183A CN 201911082749 A CN201911082749 A CN 201911082749A CN 110782183 A CN110782183 A CN 110782183A
- Authority
- CN
- China
- Prior art keywords
- cnn
- faster
- information
- defect
- roi
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 74
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000011176 pooling Methods 0.000 claims abstract description 13
- 239000000463 material Substances 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013434 data augmentation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明特别涉及一种基于Faster R‑CNN的铝材缺陷检测方法。该基于Faster R‑CNN的铝材缺陷检测方法,结合FPN网络,加强特征表达,较好的保留图像的特征信息;采用Deformable Convolution可变形卷积来提升对不同形状的缺陷框的处理能力;通过Contextual ROI Pooling方法,在提取候选框ROI特征时,引入上下文信息,来更好的确定候选框的信息。该基于Faster R‑CNN的铝材缺陷检测方法,解决了工业缺陷检测问题中样本不平衡,缺陷框多变的问题,能够在给定的铝材图片中定位出铝材缺陷的位置,并准确识别出缺陷的类型,极大的提高了检测和标注的准确率。
Description
技术领域
本发明涉及工业缺陷检测技术领域,特别涉及一种基于Faster R-CNN的铝材缺陷检测方法。
背景技术
铝型材的生产是工业生产中的重要一环。在铝型材的实际生产过程中,由于各方面因素的影响,铝型材表面会产生裂纹、起皮、划伤等瑕疵,这些瑕疵会严重影响铝型材的质量。为保证产品质量,需要人工进行肉眼目测。然而,铝型材的表面自身会含有纹路,与瑕疵的区分度不高。传统人工肉眼检查十分费力,不能及时准确的判断出表面瑕疵,质检的效率难以把控。
近年来,深度学习在图像识别等领域取得了突飞猛进的成果。铝型材制造商迫切希望能够采用最新的AI技术来革新现有质检流程,自动完成质检任务,以减少漏检发生率,提高产品的质量,使铝型材产品的生产管理者彻底摆脱无法全面掌握产品表面质量的状态。
但是,若要实现铝材的自动化质量检测,首先要解决的问题是需要在给定的铝材图片中定位出铝材缺陷的位置,并准确识别出缺陷的类型。常见的铝材缺陷包括漆泡,喷流,脏点,漏底,擦花,桔皮,不导电,起坑等等。而其中漆泡,喷流的缺陷样本很少,脏点在照片中占比很小,喷流与背景很相似,擦花很不规则。因此,铝材自动缺陷检测中检测和标注的准确率很低。
针对于上面所述的铝材自动缺陷检测时标注准确率低的问题,本发明提出了一种基于Faster R-CNN的铝材缺陷检测方法,对常用的目标检测框架Faster R-CNN进行改良。
发明内容
本发明为了弥补现有技术的缺陷,提供了一种简单高效的基于Faster R-CNN的铝材缺陷检测方法。
本发明是通过如下技术方案实现的:
一种基于Faster R-CNN的铝材缺陷检测方法,其特征在于:包括以下几部分:
第一,结合FPN(Feature Pyramid Network,特征金字塔网络)网络,加强特征表达,较好的保留图像的特征信息;
第二,采用Deformable Convolution可变形卷积来提升对不同形状的缺陷框的处理能力;
第三,通过Contextual ROI Pooling方法,在提取候选框ROI特征时,引入上下文信息,来更好的确定候选框的信息。
该基于Faster R-CNN的铝材缺陷检测方法,包括以下步骤:
第一步,数据增广
将原始质检图片进行水平和竖直翻转,翻转之后,再将候选框变换到对应位置,从而构建出一批新的数据,作为训练数据;
第二步,搭建基本架构
采用二阶检测器Faster R-CNN作为基本架构;
第三步,特征提取
采用特征金字塔结构对Faster R-CNN网络进行改进,在ROI Pooling层前利用FPN(Feature Pyramid Network,特征金字塔网络)网络对图片进行特征提取;
第四步,可变形的卷积计算
采用可变形的卷积,在卷积计算的过程中能够自动地计算每个点的偏移,从而从最合适的地方取特征进行卷积;
第五步,提取候选框ROI特征
采用Contextual ROI Pooling方法,引入context上下文信息,帮助ROI根据图片信息更精确的生成候选框,同时还能提升图片背景信息干扰大的缺陷检测准确率。
为了增加小样本缺陷的数量,同时也提高模型的鲁棒性,所述第一步中,通过数据增广将训练数据扩增到原来的四倍。
所述第二步中,二阶检测器是先由一个RPN(Region Proposal Network,区域候选网络)网络生成的候选框,所述选框通过ROI Pooling层及两个全连接层提取特征,最终预测缺陷的类别以及再次调整候选框的位置。
所述第三步中,为了减小计算开销,系统架构将原始质检图片缩小16倍后再传入特征提取网络。该缩小过程会丢失很多特征信息,同时使面积在图片中占比小的缺陷更难检测到。
所述第四步中,通过可变形的卷积计算让卷积的区域尽可能地集中在缺陷上,从而更好地应对形状多变的缺陷情况,处理擦花这种形状多变且不规则的缺陷特征。
所述第五步中,先根据关键帧信息、人员图像和位置信息重构压缩视频,再进行ROI特征提取。
所述第五步中,在提取候选框ROI特征时,结合图片的背景信息可以更好地处理喷流这种与图片背景信息相似的缺陷。
本发明的有益效果是:该基于Faster R-CNN的铝材缺陷检测方法,解决了工业缺陷检测问题中样本不平衡,缺陷框多变的问题,能够在给定的铝材图片中定位出铝材缺陷的位置,并准确识别出缺陷的类型,极大的提高了检测和标注的准确率。
附图说明
附图1为本发明基于Faster R-CNN的铝材缺陷检测方法示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明中的技术方案,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚,完整的描述。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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
Faster R-CNN是现今最常用且高效的目标检测框架之一。工业场景下,铝材自动缺陷检测时,目标检测的复杂性由两个因素引起,包括两点:一是大量候选框需要处理;二是这些候选框的定位是很粗糙的,必须被微调。
该基于Faster R-CNN的铝材缺陷检测方法,包括以下几部分:
第一,结合FPN(Feature Pyramid Network,特征金字塔网络)网络,加强特征表达,较好的保留图像的特征信息;比如可以较好地提取和保留在图片中占比面积较小的脏点缺陷的特征信息。
第二,传统正规的正方形卷积难以对长条型的缺陷进行卷积操作,采用Deformable Convolution可变形卷积来提升对不同形状的缺陷框的处理能力;以较好的处理擦花这种形状多变且不规则的缺陷特征。
第三,通过Contextual ROI Pooling方法,在提取候选框ROI特征时,引入上下文信息,比如图像本身的信息,来更好的确定候选框的信息。
该基于Faster R-CNN的铝材缺陷检测方法,包括以下步骤:
第一步,数据增广
将原始质检图片进行水平和竖直翻转,翻转之后,再将候选框变换到对应位置,从而构建出一批新的数据,作为训练数据;
第二步,搭建基本架构
采用二阶检测器Faster R-CNN作为基本架构;
第三步,特征提取
采用特征金字塔结构对Faster R-CNN网络进行改进,在ROI Pooling层前利用FPN(Feature Pyramid Network,特征金字塔网络)网络对图片进行特征提取;
第四步,可变形的卷积计算
采用可变形的卷积,在卷积计算的过程中能够自动地计算每个点的偏移,从而从最合适的地方取特征进行卷积;
第五步,提取候选框ROI特征
采用Contextual ROI Pooling方法,引入context上下文信息,帮助ROI根据图片信息更精确的生成候选框,同时还能提升图片背景信息干扰大的缺陷检测准确率。
铝材的缺陷是具有翻转不变性的,将一张质检图片水平和竖直翻转之后,它的瑕疵信息是不会变的。为了增加小样本缺陷的数量,同时也提高模型的鲁棒性,所述第一步中,通过数据增广可以将训练数据扩增到原来的四倍。
所述第二步中,二阶检测器是先由一个RPN(Region Proposal Network,区域候选网络)网络生成的候选框,所述选框通过ROI Pooling层及两个全连接层提取特征,最终预测缺陷的类别以及再次调整候选框的位置。
Faster R-CNN网络将区域候选网络(Region Proposal Network,简称RPN)和FastR-CNN(快速的基于区域的卷积网络方法)融合到一个网络架构中。
其中,RPN(Region Proposal Network,区域候选网络)用于提出候选框ROI(Region of Interest);Fast R-CNN检测器,则使用RPN提出的RoIs进行分类和框的微调。
Faster R-CNN是在工业界和学术界应用都非常广泛的通用物体检测方案,主要的优势是精度高,速度快。
所述第三步中,为了减小计算开销,系统架构将原始质检图片缩小16倍后再传入特征提取网络。该缩小过程会丢失很多特征信息,同时使面积在图片中占比小的缺陷更难检测到。为了较小缩小过程带来的影响,采用特征金字塔结构对Faster R-CNN网络进行改进。
因为铝材的瑕疵有很多是这种条状的,传统正规的正方形结构的卷积对这种形状的缺陷处理能力还不够强。所述第四步中,通过可变形的卷积计算让卷积的区域尽可能地集中在缺陷上,从而更好地应对形状多变的缺陷情况,处理擦花这种形状多变且不规则的缺陷特征。
所述第五步中,先根据关键帧信息、人员图像和位置信息重构压缩视频,再进行ROI特征提取。
所述第五步中,在提取候选框ROI特征时,结合图片的背景信息可以更好地处理喷流这种与图片背景信息相似的缺陷。
以上对本发明实例中的一种基于Faster R-CNN的铝材缺陷检测方法进行了详细的介绍。本部分采用具体实例对发明的原理及实施方式进行了阐述,以上实例仅用于帮助理解本发明的核心思想,在不脱离本发明原理的情况下,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
Claims (8)
1.一种基于Faster R-CNN的铝材缺陷检测方法,其特征在于,包括以下几部分:
第一,结合FPN网络,加强特征表达,较好的保留图像的特征信息;
第二,采用Deformable Convolution可变形卷积来提升对不同形状的缺陷框的处理能力;
第三,通过Contextual ROI Pooling方法,在提取候选框ROI特征时,引入上下文信息,来更好的确定候选框的信息。
2.根据权利要求1所述的基于Faster R-CNN的铝材缺陷检测方法,其特征在于,包括以下步骤:
第一步,数据增广
将原始质检图片进行水平和竖直翻转,翻转之后,再将候选框变换到对应位置,从而构建出一批新的数据,作为训练数据;
第二步,搭建基本架构
采用二阶检测器Faster R-CNN作为基本架构;
第三步,特征提取
采用特征金字塔结构对Faster R-CNN网络进行改进,在ROI Pooling层前利用FPN网络对图片进行特征提取;
第四步,可变形的卷积计算
采用可变形的卷积,在卷积计算的过程中能够自动地计算每个点的偏移,从而从最合适的地方取特征进行卷积;
第五步,提取候选框ROI特征
采用Contextual ROI Pooling方法,引入context上下文信息,帮助ROI根据图片信息更精确的生成候选框,同时还能提升图片背景信息干扰大的缺陷检测准确率。
3.根据权利要求2所述的基于Faster R-CNN的铝材缺陷检测方法,其特征在于:为了增加小样本缺陷的数量,同时也提高模型的鲁棒性,所述第一步中,通过数据增广将训练数据扩增到原来的四倍。
4.根据权利要求2所述的基于Faster R-CNN的铝材缺陷检测方法,其特征在于:所述第二步中,二阶检测器是先由一个RPN网络生成的候选框,所述选框通过ROI Pooling层及两个全连接层提取特征,最终预测缺陷的类别以及再次调整候选框的位置。
5.根据权利要求2所述的基于Faster R-CNN的铝材缺陷检测方法,其特征在于:所述第三步中,为了减小计算开销,系统架构将原始质检图片缩小16倍后再传入特征提取网络。
6.根据权利要求2所述的基于Faster R-CNN的铝材缺陷检测方法,其特征在于:所述第四步中,通过可变形的卷积计算让卷积的区域尽可能地集中在缺陷上,从而更好地应对形状多变的缺陷情况,处理擦花这种形状多变且不规则的缺陷特征。
7.根据权利要求2所述的基于Faster R-CNN的铝材缺陷检测方法,其特征在于:所述第五步中,先根据关键帧信息、人员图像和位置信息重构压缩视频,再进行ROI特征提取。
8.根据权利要求2所述的基于Faster R-CNN的铝材缺陷检测方法,其特征在于:所述第五步中,在提取候选框ROI特征时,结合图片的背景信息可以更好地处理喷流这种与图片背景信息相似的缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911082749.4A CN110782183A (zh) | 2019-11-07 | 2019-11-07 | 一种基于Faster R-CNN的铝材缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911082749.4A CN110782183A (zh) | 2019-11-07 | 2019-11-07 | 一种基于Faster R-CNN的铝材缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110782183A true CN110782183A (zh) | 2020-02-11 |
Family
ID=69390069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911082749.4A Pending CN110782183A (zh) | 2019-11-07 | 2019-11-07 | 一种基于Faster R-CNN的铝材缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782183A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523540A (zh) * | 2020-04-17 | 2020-08-11 | 中南大学 | 基于深度学习的金属表面缺陷检测方法 |
CN112184619A (zh) * | 2020-08-25 | 2021-01-05 | 华北电力大学(保定) | 一种基于深度学习的金属部件表面缺陷检测方法 |
CN113034476A (zh) * | 2021-03-30 | 2021-06-25 | 广东工业大学 | 皮革瑕疵检测方法、系统、储存介质及计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
CN109886925A (zh) * | 2019-01-19 | 2019-06-14 | 天津大学 | 一种主动学习与深度学习相结合的铝材表面缺陷检测方法 |
-
2019
- 2019-11-07 CN CN201911082749.4A patent/CN110782183A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
CN109886925A (zh) * | 2019-01-19 | 2019-06-14 | 天津大学 | 一种主动学习与深度学习相结合的铝材表面缺陷检测方法 |
Non-Patent Citations (5)
Title |
---|
BIGBAI: "铝型材表面瑕疵识别-风不动队-季军-解决方案", 《HTTPS://TIANCHI.ALIYUN.COM/FORUM/POSTDEATAILS?POSTID=38497》 * |
ODINGDONGO: "铝型材表面瑕疵识别-Are you OK?队-1-解决方案", 《HTTPS://TIANCHI.ALIYUN.COM/FORUM/POSTDETAIL?POSTID=38469》 * |
SHENGPING WEN ET.AL: "Vision-Based Surface Inspection System for Bearing", 《APPLIED SCIENCES》 * |
卖火车的小男孩: "天池广东工业智造大数据创新大赛--铝型材表面瑕疵识别 --top1方案", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/50548998》 * |
沈晓海等: "基于多任务深度学习的铝材表面缺陷检测", 《激光与光电子学进展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523540A (zh) * | 2020-04-17 | 2020-08-11 | 中南大学 | 基于深度学习的金属表面缺陷检测方法 |
CN112184619A (zh) * | 2020-08-25 | 2021-01-05 | 华北电力大学(保定) | 一种基于深度学习的金属部件表面缺陷检测方法 |
CN113034476A (zh) * | 2021-03-30 | 2021-06-25 | 广东工业大学 | 皮革瑕疵检测方法、系统、储存介质及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN110782183A (zh) | 一种基于Faster R-CNN的铝材缺陷检测方法 | |
CN108665458B (zh) | 透明体表面缺陷提取及识别方法 | |
CN112037219B (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
CN103759644B (zh) | 一种滤光片表面缺陷的分离细化智能检测方法 | |
CN110363781B (zh) | 基于深度神经网络的熔池轮廓检测方法 | |
CN108827181B (zh) | 一种基于视觉的板材表面检测方法 | |
CN104899839A (zh) | 基于ViBe算法的鬼影快速抑制方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN109685788B (zh) | 一种基于形态学特征的楼面缺陷图像自动检测方法 | |
CN109378279B (zh) | 晶圆检测方法及晶圆检测系统 | |
CN111861990B (zh) | 一种产品不良外观检测的方法、系统及存储介质 | |
CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
CN113538503B (zh) | 一种基于红外图像的太阳能板缺陷检测方法 | |
CN110309765B (zh) | 一种视频运动目标高效检测方法 | |
CN111179250A (zh) | 一种基于多任务学习的工业品缺陷检测系统 | |
CN114743102A (zh) | 一种面向家具板材的瑕疵检测方法、系统及装置 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其系统 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN114266895A (zh) | 一种风机叶片图像分割、拼接方法及装置 | |
CN114332041A (zh) | 基于U-Net的抛釉砖表面瑕疵检测方法及装置 | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks |
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: 20200211 |