CN110910363A - 基于机器视觉和深度学习的虚焊检测方法、系统及介质 - Google Patents
基于机器视觉和深度学习的虚焊检测方法、系统及介质 Download PDFInfo
- Publication number
- CN110910363A CN110910363A CN201911120569.0A CN201911120569A CN110910363A CN 110910363 A CN110910363 A CN 110910363A CN 201911120569 A CN201911120569 A CN 201911120569A CN 110910363 A CN110910363 A CN 110910363A
- Authority
- CN
- China
- Prior art keywords
- welding
- cold joint
- image
- joint detection
- deep learning
- 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
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
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G01N2021/8887—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 based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Abstract
本发明提供了一种基于机器视觉和深度学习的虚焊检测方法,包括:步骤1:对焊点处进行拍摄,获取原始数据图像;步骤2:对原始数据图像进行灰度化处理;步骤3:对灰度化处理后的图像进行预处理,进行滤波处理,消除噪声;步骤4:对预处理后的图像进行分割处理,将焊点与背景进行区分,得到所有的焊点目标;步骤5:对所有的焊点目标进行虚焊识别,完成焊点的虚焊检测。本发明方法实现了白车身焊点的自动识别与虚焊焊点检测,有助于节约人工成本;虚焊识别率高,减少了人为影响,有助于提升工业生产效率和可靠性。
Description
技术领域
本发明涉及焊接技术领域,具体地,涉及一种基于机器视觉和深度学习的虚焊检测方法、系统及介质。
背景技术
随着汽车行业的持续发展,自动化和智能化的需求日益提升,其中白车身焊点的检测目前还主要依靠人工肉眼。
对于虚焊的判别,需要X射线的穿透效应来获悉内部情况。
而X射线探测成本较高,不适合大面积推广使用;且存在安全隐患,影响了生产效率。
传统的视觉检测手段,比如检测尺寸,颜色,位置,与给定的标准进行对比,并不适合对虚焊的检测。人难以给出准确的虚焊判别标准,它不能用尺寸、颜色、异物等定量地显性描述。因此,不能依靠逻辑推理和专家知识库来解决。
深度学习神经网络是有大量结构化的可训练的参数,可以用大量的数据来训练这些参数,而使该网络学习到事物的规律,从而对新样本进行判断。
CNN卷积神经网络常用来学习2D的图像,广泛应用于人脸识别,无人驾驶,指纹识别等领域。
神经网络中要输入非线性模块,来学习到事物的非线性方面。采用ReLU作为传递函数,相比sigmoid和tanh函数,具有非饱和的特点,不会出现梯度弥散,在反向传播求误差梯度时,ReLU收敛速度更快。
采用交叉熵作为损失函数,迭代的目标是让损失函数最小化。通过损失函数梯度下降法反向传播更新神经网络的参数,使得估计值更接近真实值。
最大间类方差法(OSTU)是指利用阈值将图像分为前景和背景两个图像,被广泛应用于图像分割中。其算法思想为同时考虑像素的灰度值分布和它们邻域像素的平均灰度值分布,因此形成的阈值是一个二维矢量,最大的阈值在一个二维的测度准则下确定最大值时得到。
机器人点焊已经广泛应用于白车身点焊,机器人按照预定的轨迹在预定的位置进行点焊。这些焊点的位置信息可以共享给机器视觉的控制系统。
机器人点焊和机器视觉通过手眼标定而建立图像中的像素位置与物体的实际位置之间的关系。
根据点焊机械手的焊点位置信息,可以找到图像中焊点的中心。再根据OSTU,把焊点的形状和大小提取出来。
图像的Hog特征(Histogram of Oriented Gradient)是指一种在计算机视觉和图像处理中用来描述物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM(Support Vector Machine)分类器已被广泛应用是图像识别中。
当前白车身的焊点检测广泛依赖人工肉眼,人的疲劳、责任心和经验欠缺都可能造成误判。而且使用的人员数量较多所带来的管理问题,不同评判结果之间的争议没有评判标准等问题,都突显出机械视觉检测将带来的深远影响。
本发明的技术解决问题是:克服现有技术的不足,提出一种基于机器视觉和深度学习的图像特征提取和机器学习的虚焊检测方法,解决白车身焊点虚焊的自动检测问题,实现焊点正常/虚焊的分类。提高检测的可靠性和效率。
专利文献CN109727229A(申请号:201811434960.3)公开了一种虚焊检测方法及装置,该方法包括:检测设备先获取待检测产品对应的待识别图像,此待识别图像中包括待检测产品经点焊工艺后的点焊区域。然后,将此待识别图像输入至第一分类模块,以使第一分类模型对图像进行分类识别,分类结果可以包括待检测产品对应的缺陷信息。若缺陷信息满足预设二次分类条件,则表明此待检测产品很可能存在虚焊,因此,检测设备会将此待识别图像输入至第二分类模块,最终根据第二分类模型输出的分类结果确定待检测产品是否存在虚焊缺陷。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于机器视觉和深度学习的虚焊检测方法、系统及介质。
根据本发明提供的基于机器视觉和深度学习的虚焊检测方法,包括:
步骤1:对焊点处进行拍摄,获取原始数据图像;
步骤2:对原始数据图像进行灰度化处理;
步骤3:对灰度化处理后的图像进行预处理,进行滤波处理,消除噪声;
步骤4:对预处理后的图像进行分割处理,将焊点与背景进行区分,得到所有的焊点目标;
步骤5:对所有的焊点目标进行虚焊识别,完成焊点的虚焊检测。
优选地,所述滤波处理包括:对灰度化处理后的图像进行高斯滤波。
优选地,所述分割处理包括:根据OSTU算法对预处理后的图像进行分割处理。
优选地,所述步骤4包括:
步骤4.1:对焊点与背景分割的图像进行目标提取,根据点焊机器人的轨迹得到焊点的坐标,转化为图像中焊点的像素位置,提取焊点目标信息;
步骤4.2:根据焊点目标信息和先验信息,对焊点目标进行鉴别,剔除假焊点。
优选地,所述目标信息包括像素个数、长和宽;
所述先验信息包括焊点目标的预设尺寸大小和预设长宽比;
当实际尺寸大小超出预设尺寸大小的10%,并且长宽比超出预设长宽比10%时,判定为假焊点。
优选地,所述步骤5包括:
当焊点目标总数量小于预设阈值时,先提取焊点目标的HOG特征,再根据支持向量机SVM进行虚焊识别;
当焊点目标总数量大于等于预设阈值时,根据神经网络分类进行虚焊识别。
优选地,所述预设阈值的取值范围为3000-5000。
优选地,所述根据神经网络分类进行虚焊识别,包括:
构建神经网络:采用5层CNN卷积神经网络加1层全连接网络的方式,采用RGB三个输入通道,每层网络均加入深入理解dropout,随机减少50%的参数个数,减少过拟合;
第一层CNN卷积神经网络采用的卷积核大小为5×5,其余层CNN卷积神经网络采用的卷积核大小为3×3;
根据构建的神经网络对焊点目标进行分类,实现虚焊识别。
根据本发明提供的基于机器视觉和深度学习的虚焊检测系统,包括:
模块M1:获取原始数据图像;
模块M2:对原始数据图像进行灰度化处理;
模块M3:对灰度化处理后的图像进行预处理,进行滤波处理,消除噪声;
模块M4:对预处理后的图像进行分割处理,将焊点与背景进行区分,得到所有的焊点目标;
模块M5:对所有的焊点目标进行虚焊识别,完成焊点的虚焊检测。
与现有技术相比,本发明具有如下的有益效果:
1、本发明方法实现了白车身焊点的自动识别与虚焊焊点检测,有助于节约人工成本;
2、本发明虚焊识别率高,减少了人为影响,有助于提升工业生产效率和可靠性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明方法流程图;
图2为焊点的灰度化图像;
图3为截取的单个焊点的图像。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提出的基于机器视觉和深度学习的对虚焊的检测方法,步骤如下:
步骤1、对原始图像进行灰度化处理。
灰度化的目的:
(1)将RGB转为灰度后便于进行后续图像处理;
(2)依靠先验知识,将目标和背景的灰度差异拉大,图3为对图2灰度化后的结果;
步骤2、对灰度化处理后的图像进行预处理,进行滤波处理,消除噪声;预处理采用高斯滤波算法实现。
步骤3、对预处理后的图像进行分割,将焊点和背景进行区分;采用OTSU算法实现图像的分割处理。
点焊机械手把焊点的位置共享给相机,图像与焊点做手眼标定,于是可以获知相机拍的图像上为焊点的中心位置的像素点的坐标。
以焊点中心位置的像素点为中心,提取出80×80像素的区域为单个焊点的图像。与图像分割得到的小区域做对比,如果尺寸大小超出预设尺寸大小的10%,并且长宽比超出预设长宽比10%,则要排除脏污、光照、拍摄角度等干扰后重新做图像分割。
步骤4、对所有的焊点进行虚焊识别,完成焊点的虚焊检测。
具体为:
当焊点样本总数量小于阈值时,采用特征的支持向量机分类方法进行虚焊识别;
当焊点样本总数量大于阈值时,采用神经网络分类方法进行虚焊识别。所述阈值的取值范围为2000~5000。
步骤4.1、采用SVM分类方法进行虚焊识别,具体为:首先提取焊点目标的方向梯度直方图(Histogram of Oriented Gradient,HOG)特征,再采用SVM分类方法进行虚焊识别。
首先实现标注样本,得到正常样本和虚焊样本。然后训练模型,测试结果。
步骤4.2、采用神经网络分类方法进行虚焊识别,具体为:
(a)构建神经网络,具体为:
采用5层CNN卷积神经网络加一层全连接网络的方式,第一层CNN卷积神经网络采用的卷积核大小为5×5,其余层CNN卷积神经网络采用的卷积核大小为3×3。采用RGB三个输入通道,每层网络均加入dropout,随机减少50%参数个数,用于减少过拟合的情形;
(b)根据构建的神经网络对焊点样本进行分类,实现虚焊识别。
首先是样本增广,通过对样本进行缩放,旋转,镜像,加噪等处理,将样本增广到6000。
采用CNN进行分类,因为图像尺寸较小,网络层数不宜过大。5层过拟合时,可以改成3层的CNN。
采用CNN时,用5×5的卷积核出现过拟合时,可以改成3×3的卷积核,且增大dropout程度,随机使某些参数不再更新,减少神经网络的参数,用于减少过拟合的情形,实现了对样本的分类。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于机器视觉和深度学习的虚焊检测方法,其特征在于,包括:
步骤1:对焊点处进行拍摄,获取原始数据图像;
步骤2:对原始数据图像进行灰度化处理;
步骤3:对灰度化处理后的图像进行预处理,进行滤波处理,消除噪声;
步骤4:对预处理后的图像进行分割处理,将焊点与背景进行区分,得到所有的焊点目标;
步骤5:对所有的焊点目标进行虚焊识别,完成焊点的虚焊检测。
2.根据权利要求1所述的基于机器视觉和深度学习的虚焊检测方法,其特征在于,所述滤波处理包括:对灰度化处理后的图像进行高斯滤波。
3.根据权利要求1所述的基于机器视觉和深度学习的虚焊检测方法,其特征在于,所述分割处理包括:根据OSTU算法对预处理后的图像进行分割处理。
4.根据权利要求1所述的基于机器视觉和深度学习的虚焊检测方法,其特征在于,所述步骤4包括:
步骤4.1:对焊点与背景分割的图像进行目标提取,根据点焊机器人的轨迹得到焊点的坐标,转化为图像中焊点的像素位置,提取焊点目标信息;
步骤4.2:根据焊点目标信息和先验信息,对焊点目标进行鉴别,剔除假焊点。
5.根据权利要求4所述的基于机器视觉和深度学习的虚焊检测方法,其特征在于,所述目标信息包括像素个数、长和宽;
所述先验信息包括焊点目标的预设尺寸大小和预设长宽比;
当实际尺寸大小超出预设尺寸大小的10%,并且长宽比超出预设长宽比10%时,判定为假焊点。
6.根据权利要求1所述的基于机器视觉和深度学习的虚焊检测方法,其特征在于,所述步骤5包括:
当焊点目标总数量小于预设阈值时,先提取焊点目标的HOG特征,再根据支持向量机SVM进行虚焊识别;
当焊点目标总数量大于等于预设阈值时,根据神经网络分类进行虚焊识别。
7.根据权利要求6所述的基于机器视觉和深度学习的虚焊检测方法,其特征在于,所述预设阈值的取值范围为3000-5000。
8.根据权利要求6所述的基于机器视觉和深度学习的虚焊检测方法,其特征在于,所述根据神经网络分类进行虚焊识别,包括:
构建神经网络:采用5层CNN卷积神经网络加1层全连接网络的方式,采用RGB三个输入通道,每层网络均加入深入理解dropout,随机减少50%的参数个数,减少过拟合;
第一层CNN卷积神经网络采用的卷积核大小为5×5,其余层CNN卷积神经网络采用的卷积核大小为3×3;
根据构建的神经网络对焊点目标进行分类,实现虚焊识别。
9.一种基于机器视觉和深度学习的虚焊检测系统,其特征在于,包括:
模块M1:获取原始数据图像;
模块M2:对原始数据图像进行灰度化处理;
模块M3:对灰度化处理后的图像进行预处理,进行滤波处理,消除噪声;
模块M4:对预处理后的图像进行分割处理,将焊点与背景进行区分,得到所有的焊点目标;
模块M5:对所有的焊点目标进行虚焊识别,完成焊点的虚焊检测。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120569.0A CN110910363A (zh) | 2019-11-15 | 2019-11-15 | 基于机器视觉和深度学习的虚焊检测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120569.0A CN110910363A (zh) | 2019-11-15 | 2019-11-15 | 基于机器视觉和深度学习的虚焊检测方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110910363A true CN110910363A (zh) | 2020-03-24 |
Family
ID=69817453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911120569.0A Pending CN110910363A (zh) | 2019-11-15 | 2019-11-15 | 基于机器视觉和深度学习的虚焊检测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910363A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307818A (zh) * | 2020-02-25 | 2020-06-19 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
CN112529884A (zh) * | 2020-12-17 | 2021-03-19 | 中国石油大学(华东) | 一种基于压痕特征图像识别的焊点质量评价方法 |
CN113030111A (zh) * | 2021-03-30 | 2021-06-25 | 山东大学 | 一种基于机器视觉的汽车油冷器虚焊检测系统及方法 |
CN117288451A (zh) * | 2023-10-07 | 2023-12-26 | 江苏通上汽车零部件有限公司 | 基于大数据的汽车零部件质量监测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139386A (zh) * | 2015-08-12 | 2015-12-09 | 南京航空航天大学 | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 |
CN107610085A (zh) * | 2016-07-11 | 2018-01-19 | 富强 | 一种基于计算机视觉的焊点缺陷检测系统 |
WO2018072326A1 (zh) * | 2016-10-21 | 2018-04-26 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
CN109615609A (zh) * | 2018-11-15 | 2019-04-12 | 北京航天自动控制研究所 | 一种基于深度学习的焊点瑕疵检测方法 |
CN109727229A (zh) * | 2018-11-28 | 2019-05-07 | 歌尔股份有限公司 | 虚焊检测方法及装置 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
-
2019
- 2019-11-15 CN CN201911120569.0A patent/CN110910363A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139386A (zh) * | 2015-08-12 | 2015-12-09 | 南京航空航天大学 | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 |
CN107610085A (zh) * | 2016-07-11 | 2018-01-19 | 富强 | 一种基于计算机视觉的焊点缺陷检测系统 |
WO2018072326A1 (zh) * | 2016-10-21 | 2018-04-26 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109615609A (zh) * | 2018-11-15 | 2019-04-12 | 北京航天自动控制研究所 | 一种基于深度学习的焊点瑕疵检测方法 |
CN109727229A (zh) * | 2018-11-28 | 2019-05-07 | 歌尔股份有限公司 | 虚焊检测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307818A (zh) * | 2020-02-25 | 2020-06-19 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
CN112529884A (zh) * | 2020-12-17 | 2021-03-19 | 中国石油大学(华东) | 一种基于压痕特征图像识别的焊点质量评价方法 |
CN113030111A (zh) * | 2021-03-30 | 2021-06-25 | 山东大学 | 一种基于机器视觉的汽车油冷器虚焊检测系统及方法 |
CN117288451A (zh) * | 2023-10-07 | 2023-12-26 | 江苏通上汽车零部件有限公司 | 基于大数据的汽车零部件质量监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910363A (zh) | 基于机器视觉和深度学习的虚焊检测方法、系统及介质 | |
Sun et al. | An effective method of weld defect detection and classification based on machine vision | |
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
Staar et al. | Anomaly detection with convolutional neural networks for industrial surface inspection | |
CN110314854B (zh) | 一种基于视觉机器人的工件检测分拣的装置及方法 | |
Tao et al. | Wire defect recognition of spring-wire socket using multitask convolutional neural networks | |
CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN107194559B (zh) | 一种基于三维卷积神经网络的工作流识别方法 | |
CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
US20200057917A1 (en) | Object Location Method, Device and Storage Medium Based on Image Segmentation | |
Wu et al. | An inspection and classification method for chip solder joints using color grads and Boolean rules | |
Neto et al. | Brazilian vehicle identification using a new embedded plate recognition system | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN109598200B (zh) | 一种铁水罐罐号的图像智能识别系统及方法 | |
Xiang et al. | Moving object detection and shadow removing under changing illumination condition | |
Yusof et al. | Automated asphalt pavement crack detection and classification using deep convolution neural network | |
Miao et al. | Online inspection of narrow overlap weld quality using two-stage convolution neural network image recognition | |
CN104915642A (zh) | 前方车辆测距方法及装置 | |
Ye et al. | Overhead ground wire detection by fusion global and local features and supervised learning method for a cable inspection robot | |
CN114092478B (zh) | 一种异常检测方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
Sidehabi et al. | The Development of Machine Vision System for Sorting Passion Fruit using Multi-Class Support Vector Machine. | |
Singh et al. | Performance analysis of object detection algorithms for robotic welding applications in planar environment | |
Castejón-Limas et al. | Texture descriptors for automatic estimation of workpiece quality in milling | |
Koodtalang et al. | Glass bottle bottom inspection based on image processing and deep learning |
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 |