CN110910353B - 一种工业假不良检测方法及系统 - Google Patents

一种工业假不良检测方法及系统 Download PDF

Info

Publication number
CN110910353B
CN110910353B CN201911075978.3A CN201911075978A CN110910353B CN 110910353 B CN110910353 B CN 110910353B CN 201911075978 A CN201911075978 A CN 201911075978A CN 110910353 B CN110910353 B CN 110910353B
Authority
CN
China
Prior art keywords
defect
picture
model
real scale
detection
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
CN201911075978.3A
Other languages
English (en)
Other versions
CN110910353A (zh
Inventor
不公告发明人
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.)
Chengdu Shuzhilian Technology Co Ltd
Original Assignee
Chengdu Shuzhilian Technology Co Ltd
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 Chengdu Shuzhilian Technology Co Ltd filed Critical Chengdu Shuzhilian Technology Co Ltd
Priority to CN201911075978.3A priority Critical patent/CN110910353B/zh
Publication of CN110910353A publication Critical patent/CN110910353A/zh
Application granted granted Critical
Publication of CN110910353B publication Critical patent/CN110910353B/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种工业假不良检测方法及系统，所述方法包括：采集缺陷图片及对应缺陷类别编码数据；对图片的缺陷位置打标，标注缺陷类别编码、缺陷的边框和缺陷的真实尺度，得到训练数据集；利用训练数据集训练深度学习目标检测类算法模型，得到缺陷检测模型；利用缺陷检测模型识别待识别图片的缺陷位置，输出对应缺陷类别编码的置信度水平及缺陷的真实尺度。本方法提出极小假不良点目标的标注方法，并通过增加并行全连接层预测缺陷的真实尺度，最终通过经验将真实尺度信息与类别信息进行业务组合判断提升模型对真、假不良检测分类的效果。

Description

一种工业假不良检测方法及系统
技术领域
本发明涉及工业检测领域，具体地，涉及一种工业假不良检测方法及系统。
背景技术
现有的缺陷自动分类(auto defect classification,ADC)方法主要基于深度学习框架实现，通过图像卷积网络学习不同缺陷的特征；在应用时，通过图像卷积网络检测缺陷区域，并结合已经学习到的缺陷特征对检测到的缺陷进行分类。
在ADC项目中，多个缺陷类型可能极其相似——特别是在工业假不良检测中，缺陷的尺度分布很广；假不良尺度很小，且真不良(NG)与假不良(OK)在同一尺度下基本没有区分度。如果还沿用现有的数据打标方式(打标框为检测目标的外接矩形框)，并利用图像卷积网络的方式直接进行真、假不良的检测、分类，极小假不良点(假不良点小于网络预测层特征图feature map的步长stride)很可能被漏检，同时真、假不良在同一尺度下相似的问题也会导致模型很难判别。
发明内容
本发明提出了一种工业假不良检测方法及系统，通过改进训练数据的打标方式以及改进模型提高模型的精度。
为实现上述发明目的，本发明一方面提供了一种工业假不良检测方法，所述方法包括：
步骤1：采集缺陷图片及对应缺陷类别编码数据；
步骤2：对缺陷图片的缺陷位置打标，标注缺陷类别编码、缺陷边框和缺陷的真实尺度，得到训练数据集；
步骤3：利用训练数据集训练深度学习目标检测类算法模型，得到缺陷检测模型；
步骤4：利用缺陷检测模型识别待识别图片的缺陷位置，输出对应缺陷类别编码的置信度水平及缺陷的真实尺度。
优选的，所述方法还包括步骤5：
设定真、假不良真实尺度阈值优化模型分类结果；使用阈值θ过滤每张图片对应的缺陷位置及置信度。
优选的，所述方法还包括步骤6：设定缺陷类别编码置信度水平阈值α，将缺陷类别编码置信度水平低于α的图片自动转为人工判定，提升整体识别的准确率。
优选的，步骤2中标注的缺陷最小边框bounding box尺度大于网络预测特征图feature map的最小步长stride。
优选的，步骤3通过增加并行全连接层来预测缺陷的真实尺度。
优选的，本方法基于两阶段检测网络(faster rcnn)，利用全连接层对单个候选目标(region proposal)做边框回归、分类回归的位置增加并行全连接层来预测缺陷的真实尺度(Target real bounding box)。如图4所示，新增加的预测目标区域真实尺度的全连接层，与做边框回归、分类回归的全连接层共享候选目标的特征图feature map；其中，变量ratio X为一个候选目标region proposal经过感兴趣区域的池化配准(ROI Pooling)后得到特征图feature map的一个特征点与该region proposal对应区域宽度的比例值，变量ratio Y为一个候选目标region proposal经过感兴趣区域的池化配准(ROI Pooling)后得到特征图feature map的一个特征点与该region proposal对应区域高度的比例值。
本方法首先提出极小假不良点目标的标注方法，使其能被网络正确检测；其次，基于两阶段检测网络(faster rcnn)，通过增加并行全连接层预测缺陷的真实尺度，最终通过经验将真实尺度信息与类别信息进行业务组合判断提升模型对真、假不良检测分类效果。
另一方面，本发明还提供了一种工业假不良检测系统，所述系统包括：
数据采集模块，用于采集缺陷图片及对应缺陷类别编码数据；
训练数据集获得模块，用于对缺陷图片的缺陷位置打标，标注缺陷类别编码信息、缺陷的边框bounding box和缺陷的真实尺度，得到训练数据集；
模型训练模块，用于利用训练数据训练深度学习目标检测类算法模型，得到缺陷检测模型；
缺陷识别及输出模块，用于利用缺陷检测模型识别待识别图片的缺陷位置，输出对应缺陷类别编码的置信度水平及缺陷的真实尺度。
进一步的，所述系统还包括：过滤及优化模块和切换模块；
过滤及优化模块，用于设定真、假不良真实尺度阈值优化模型分类结果，使用阈值θ过滤每张图片对应的缺陷位置及置信度；
切换模块用于设定缺陷类别编码置信度水平阈值α，将缺陷类别编码置信度水平低于α的图片自动转为人工判定。
进一步的，训练数据集获得模块标注的缺陷最小边框bounding box尺度大于网络预测特征图feature map的最小步长stride。
进一步的，模型训练模块通过增加并行全连接层来预测缺陷的真实尺度，本系统基于两阶段检测网络(faster rcnn)，利用全连接层对单个候选目标(region proposal)做边框回归、分类回归的位置增加并行全连接层来预测缺陷的真实尺度(Target realbounding box)。如图4所示，新增加的预测目标区域真实尺度的全连接层，与做边框回归、分类回归的全连接层共享候选目标的特征图feature map；其中，变量ratio X为一个候选目标region proposal经过感兴趣区域的池化配准(ROI Pooling)后得到特征图featuremap的一个特征点与该region proposal对应区域宽度的比例值，变量ratio Y为一个候选目标region proposal经过感兴趣区域的池化配准(ROI Pooling)后得到特征图featuremap的一个特征点与该region proposal对应区域高度的比例值。
本系统首先提出极小假不良点目标的标注方法，使其能被网络正确检测；其次，基于两阶段检测网络(faster rcnn)，通过增加并行全连接层预测缺陷的真实尺度，最终通过经验将真实尺度信息与类别信息进行业务组合判断提升模型对真、假不良检测分类的效果。
本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明中的方法及系统通过改进训练数据打标方式以及改进模型提高模型精度，基于本发明能将工业真、假不良检测模型的准确率提高2％。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，并不构成对本发明实施例的限定；
图1是本发明中一种工业假不良检测方法的流程示意图；
图2是本发明中针对小目标的标注真实目标区域对标注区域的占比示意图；
图3是本发明中针对大目标的标注真实目标区域对标注区域的占比示意图；
图4是本发明中增加并行全连接层来预测缺陷的真实尺度的原理示意图；
图5是本发明中一种工业假不良检测系统的组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
请参考图1，本发明实施例提供了一种工业假不良检测方法，通过改进训练数据打标方式、改进模型提高模型的精度。具体步骤包括：
步骤1，采集缺陷图片，收集缺陷类别编码数据；
步骤2，对缺陷图片中的缺陷位置打标，标注缺陷类别编码、缺陷边框boundingbox、缺陷的真实尺度(真实宽高)，得到训练数据集；
步骤3，利用训练数据集训练深度学习目标检测类算法模型，得到缺陷检测模型；
步骤4，对得到的模型执行上线操作，模型将自动识别图片的缺陷位置，输出对应缺陷类别编码的置信度水平及缺陷的真实尺度。
步骤5，设定真、假不良真实尺度阈值优化模型分类结果，使用阈值θ过滤每张图片对应的缺陷位置及置信度。
步骤6，设定缺陷类别编码置信度水平阈值α，将缺陷类别编码置信度水平低于α的图片自动转为人工判定，从而提升整体识别的准确率。
其中，上述步骤2在标注数据时，1.要求标注的缺陷最小边框bounding box尺度大于网络预测特征图feature map的最小步长stride；2.增加标注缺陷的真实尺度(预测时会在网络中实时预测缺陷的真实尺度)。以这种方式标注，针对小缺陷真实缺陷区域对标注区域的占比如图2所示，而较大缺陷真实缺陷区域对标注区域的占比如图3所示：
针对步骤3，本发明基于两阶段检测网络(faster rcnn)，通过增加并行全连接层预测缺陷的真实尺度(Target real bounding box)。原理如图4所示，其中，变量ratio X为一个候选目标region proposal经过感兴趣区域的池化配准(ROI Pooling)后得到特征图feature map的一个特征点与该候选目标region proposal对应区域宽度的比例值；变量ratio Y为一个候选目标region proposal经过感兴趣区域的池化配准(ROI Pooling)后得到特征图feature map的一个特征点与该候选目标region proposal对应区域高度的比例值。在得到目标真实尺度后，加入真实尺度阈值(业务信息)，便可以帮助用户分类真、假不良。
请参考图5，本发明实施例还提供了一种工业假不良检测系统，所述系统包括：
数据采集模块，用于采集缺陷图片及对应缺陷类别编码数据；
训练数据集获得模块，用于对缺陷图片的缺陷位置打标，标注缺陷类别编码、缺陷边框bounding box和缺陷的真实尺度，得到训练数据集；
模型训练模块，用于利用训练数据集训练深度学习目标检测类算法模型，得到缺陷检测模型；
缺陷识别及输出模块，用于利用缺陷检测模型识别待识别图片的缺陷位置，输出对应缺陷类别编码的置信度水平及缺陷的真实尺度。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种工业假不良检测方法，其特征在于，所述方法包括：
步骤1：采集缺陷图片及对应缺陷类别编码数据；
步骤2：对缺陷图片的缺陷位置打标，标注缺陷类别编码、缺陷边框和缺陷的真实尺度，得到训练数据集；
步骤3：利用训练数据集训练深度学习目标检测类算法模型得到缺陷检测模型；
步骤4：利用缺陷检测模型识别待识别图片中的缺陷位置，输出对应缺陷类别编码的置信度水平及缺陷的真实尺度；
步骤3通过增加并行全连接层预测缺陷的真实尺度；
本方法基于两阶段检测网络，通过增加并行全连接层预测缺陷的真实尺度，变量X为一个候选目标经过感兴趣区域的池化配准后得到特征图的一个特征点与该候选目标对应区域宽度的比例值；变量Y为一个候选目标经过感兴趣区域的池化配准后得到特征图的一个特征点与该候选目标对应区域高度的比例值。
2.根据权利要求1所述的一种工业假不良检测方法，其特征在于，所述方法还包括步骤5：
设定真、假不良真实尺度阈值优化缺陷检测模型分类结果；使用阈值θ过滤每张图片对应的缺陷位置及置信度。
3.根据权利要求2所述的一种工业假不良检测方法，其特征在于，所述方法还包括步骤6：设定缺陷类别编码置信度水平阈值α，将缺陷类别编码置信度水平低于α的图片自动转为人工判定。
4.根据权利要求1所述的一种工业假不良检测方法，其特征在于，步骤2中标注的缺陷最小边框尺度大于网络预测特征图的最小步长。
5.一种工业假不良检测系统，其特征在于，所述系统包括：
数据采集模块，用于采集缺陷图片及对应缺陷类别编码数据；
训练数据集获得模块，用于对缺陷图片的缺陷位置打标，标注缺陷类别编码、缺陷边框和缺陷的真实尺度，得到训练数据集；
模型训练模块，用于利用训练数据集训练深度学习目标检测类算法模型得到缺陷检测模型；
缺陷识别及输出模块，用于利用缺陷检测模型识别待识别图片的缺陷位置，输出对应缺陷类别编码的置信度水平及缺陷的真实尺度；
模型训练模块中通过增加并行全连接层来预测目标区域真实尺度，本系统基于两阶段检测网络，通过增加并行全连接层预测缺陷的真实尺度，变量X为一个候选目标经过感兴趣区域的池化配准后得到特征图的一个特征点与该候选目标对应区域宽度的比例值；变量Y为一个候选目标经过感兴趣区域的池化配准后得到特征图的一个特征点与该候选目标对应区域高度的比例值。
6.根据权利要求5所述的一种工业假不良检测系统，其特征在于，所述系统还包括：过滤及优化模块和切换模块；
过滤及优化模块，用于设定真、假不良真实尺度阈值优化模型分类结果；使用阈值θ过滤每张图片对应的缺陷位置及置信度；
切换模块用于设定缺陷类别编码置信度水平阈值α，将缺陷类别编码置信度水平低于α的图片自动转为人工判定。
7.根据权利要求5所述的一种工业假不良检测系统，其特征在于，训练数据集获得模块标注的缺陷最小边框尺度大于网络预测特征图的最小步长。
CN201911075978.3A 2019-11-06 2019-11-06 一种工业假不良检测方法及系统 Active CN110910353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911075978.3A CN110910353B (zh) 2019-11-06 2019-11-06 一种工业假不良检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911075978.3A CN110910353B (zh) 2019-11-06 2019-11-06 一种工业假不良检测方法及系统

Publications (2)

Publication Number Publication Date
CN110910353A CN110910353A (zh) 2020-03-24
CN110910353B true CN110910353B (zh) 2022-06-10

Family

ID=69814854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911075978.3A Active CN110910353B (zh) 2019-11-06 2019-11-06 一种工业假不良检测方法及系统

Country Status (1)

Country Link
CN (1) CN110910353B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754456B (zh) * 2020-05-15 2022-10-14 清华大学 基于深度学习的二维pcb外观缺陷实时自动检测技术
CN111814867A (zh) * 2020-07-03 2020-10-23 浙江大华技术股份有限公司 缺陷检测模型的训练方法、缺陷检测方法及相关装置
CN113204868B (zh) * 2021-04-25 2023-02-28 中车青岛四方机车车辆股份有限公司 一种基于pod定量分析的缺陷检测参数优化方法及优化系统
CN113838015B (zh) * 2021-09-15 2023-09-22 上海电器科学研究所（集团）有限公司 一种基于网络协同的电器产品外观缺陷检测方法
CN113588562A (zh) * 2021-09-30 2021-11-02 高视科技(苏州)有限公司 应用多轴机械臂的锂电池外观检测方法
CN117372368A (zh) * 2023-10-17 2024-01-09 苏州真目人工智能科技有限公司 基于级联闭环深度学习算法的外观检测装置和方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108624880A (zh) * 2018-08-10 2018-10-09 南通大学 一种激光熔覆质量智能控制系统及其智能控制方法
CN109142371A (zh) * 2018-07-31 2019-01-04 华南理工大学 基于深度学习的高密度柔性基板外观缺陷检测系统与方法
CN109544522A (zh) * 2018-11-12 2019-03-29 北京科技大学 一种钢板表面缺陷检测方法及系统
CN109993094A (zh) * 2019-03-26 2019-07-09 苏州富莱智能科技有限公司 基于机器视觉的材料缺陷智能检测系统及方法
CN110097053A (zh) * 2019-04-24 2019-08-06 上海电力学院 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法
CN110175982A (zh) * 2019-04-16 2019-08-27 浙江大学城市学院 一种基于目标检测的缺陷检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8315453B2 (en) * 2010-07-27 2012-11-20 Applied Materials Israel, Ltd. Defect classification with optimized purity
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109142371A (zh) * 2018-07-31 2019-01-04 华南理工大学 基于深度学习的高密度柔性基板外观缺陷检测系统与方法
CN108624880A (zh) * 2018-08-10 2018-10-09 南通大学 一种激光熔覆质量智能控制系统及其智能控制方法
CN109544522A (zh) * 2018-11-12 2019-03-29 北京科技大学 一种钢板表面缺陷检测方法及系统
CN109993094A (zh) * 2019-03-26 2019-07-09 苏州富莱智能科技有限公司 基于机器视觉的材料缺陷智能检测系统及方法
CN110175982A (zh) * 2019-04-16 2019-08-27 浙江大学城市学院 一种基于目标检测的缺陷检测方法
CN110097053A (zh) * 2019-04-24 2019-08-06 上海电力学院 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法

Also Published As

Publication number Publication date
CN110910353A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN110910353B (zh) 一种工业假不良检测方法及系统
US10885618B2 (en) Inspection apparatus, data generation apparatus, data generation method, and data generation program
CN110610166B (zh) 文本区域检测模型训练方法、装置、电子设备和存储介质
US11455805B2 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN110648310A (zh) 基于注意力机制的弱监督铸件缺陷识别方法
CN111861966B (zh) 模型训练方法、装置及缺陷检测方法、装置
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
CN111160432A (zh) 一种面板生产制造缺陷的自动分类方法及系统
US20200034626A1 (en) Method for recognizing an object of a mobile unit
CN110909598A (zh) 一种基于深度学习的非机动车道交通违法行驶识别方法
CN112309126A (zh) 车牌检测方法、装置、电子设备及计算机可读存储介质
CN110660049A (zh) 一种基于深度学习的轮胎缺陷检测方法
CN111008554B (zh) 一种基于深度学习的动态交通斑马线内不礼让行人识别方法
CN115136209A (zh) 缺陷检测系统
CN112541372B (zh) 一种困难样本筛选方法及装置
CN111414878A (zh) 一种关于地块的社会属性分析、图像处理方法及装置
CN114299040A (zh) 瓷砖瑕疵检测方法、装置和电子设备
CN116863711B (zh) 基于公路监控的车道流量检测方法、装置、设备及介质
CN111582332B (zh) 一种高速铁路接触网吊弦部件的图片识别方法
CN113034511A (zh) 基于高分辨率遥感影像与深度学习的乡村建筑识别算法
CN115760854A (zh) 基于深度学习的电力设备缺陷检测方法、装置及电子设备
CN112990350B (zh) 目标检测网络训练方法及基于目标检测网络煤矸识别方法
CN112949630B (zh) 基于边框分级筛选的弱监督目标检测方法
CN112001388B (zh) 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法
CN112733864B (zh) 模型训练方法、目标检测方法、装置、设备及存储介质

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
CB02 Change of applicant information

Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan

Applicant after: Chengdu shuzhilian Technology Co.,Ltd.

Address before: 610000 No.2, 4th floor, building 1, Jule Road intersection, West 1st section of 1st ring road, Wuhou District, Chengdu City, Sichuan Province

Applicant before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant