CN110992336A - 基于图像处理和人工智能的小样本缺陷检测方法 - Google Patents
基于图像处理和人工智能的小样本缺陷检测方法 Download PDFInfo
- Publication number
- CN110992336A CN110992336A CN201911212982.XA CN201911212982A CN110992336A CN 110992336 A CN110992336 A CN 110992336A CN 201911212982 A CN201911212982 A CN 201911212982A CN 110992336 A CN110992336 A CN 110992336A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- image processing
- artificial intelligence
- method based
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明涉及图像处理缺陷检测技术领域,且公开了基于图像处理和人工智能的小样本缺陷检测方法,包括如下步骤:S1.图像获取,安装多位相机,获取待处理工件各个位面的图像;S2.图像预处理检测缺陷,一、不具备明显纹理特征的图像检测;二、纹理缺陷检测。该基于图像处理和人工智能的小样本缺陷检测方法,具备极大地减少了权重的数目,同样减少了网络所需的训练参数,降低了网络的复杂性,更加便于实际使用,能够更加有效的对工件的良率进行快速检测的优点。
Description
技术领域
本发明涉及图像处理缺陷检测技术领域,具体为基于图像处理和人工智能的小样本缺陷检测方法。
背景技术
一些小的电子器件像电容电阻磁芯这些有些表面缺陷需要检测出来,并且分开良品和不良品,目前仅仅通过图像处理检测不出细小的裂纹,通过图像处理和人工智能的结合,可以达到检测大部分缺陷,像一些工件表面的裂纹、凹坑、划痕、缺角等缺陷,但整体耗时较长,为了达到跑料和自动分拣,检测耗时也要严格控制,所以为了减少耗时,需要改进了图像处理工具和算法。
卷积神经网络是多层感知机(MLP)的变种,由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来,视觉皮层的细胞存在一个复杂的构造,这些细胞对视觉输入空间的子区域非常敏感,称之为感受野。
CNN由纽约大学的YannLecun于1998年提出,其本质是一个多层感知机,成功的原因在于其所采用的局部连接和权值共享的方式:一方面减少了权值的数量使得网络易于优化;另一方面降低了模型的复杂度,也就是减小了过拟合的风险
该优点在网络的输入是图像时表现的更为明显,使得图像可以直接作为网络的输入,避免了传统识别算法中复杂的特征提取和数据重建的过程,在二维图像的处理过程中有很大的优势,如网络能够自行抽取图像的特征包括颜色、纹理、形状及图像的拓扑结构,在处理二维图像的问题上,特别是识别位移、缩放及其他形式扭曲不变性的应用上具有良好的鲁棒性和运算效率等。
2006年,Hinton提出了深度学习,两个主要的观点是:1,多隐层的人工神经网络具有优异的特征学习能力,学习到的数据更能反映数据的本质特征有利于可视化或分类;2,深度神经网络在训练上的难度,可以通过逐层无监督训练有效克服。卷积神经网络是一种带有卷积结构的深度神经网络,卷积结构可以减少深层网络占用的内存量,其三个关键的操作,其一是局部感受野,其二是权值共享,其三是pooling层,有效的减少了网络的参数个数,缓解了模型的过拟合问题。
如何结合现有先进技术对图像处理进行改进是十分重要的方向。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于图像处理和人工智能的小样本缺陷检测方法,具备极大地减少了权重的数目,同样减少了网络所需的训练参数,降低了网络的复杂性,更加便于实际使用,能够更加有效的对工件的良率进行快速检测的优点,解决了一些小的电子器件像电容电阻磁芯这些有些表面缺陷需要检测出来,并且分开良品和不良品,目前仅仅通过图像处理检测不出细小的裂纹,通过图像处理和人工智能的结合,可以达到检测大部分缺陷,像一些工件表面的裂纹、凹坑、划痕、缺角等缺陷,但整体耗时较长,为了达到跑料和自动分拣,检测耗时也要严格控制,所以为了减少耗时,需要改进了图像处理工具和算法的问题。
(二)技术方案
为实现极大地减少了权重的数目,同样减少了网络所需的训练参数,降低了网络的复杂性,更加便于实际使用,能够更加有效的对工件的良率进行快速检测的目的,本发明提供如下技术方案:基于图像处理和人工智能的小样本缺陷检测方法,包括如下步骤:
S1.图像获取
安装多位相机,获取待处理工件各个位面的图像;
S2.图像预处理检测缺陷
一、不具备明显纹理特征的图像检测
先用边缘检测算子提取缺陷区域边缘,再将其从目标图像中分割出来,提取其特征参数面积,周长,质心,从而进行缺陷检测和分类,再采用数学形态学方法对瑕疵边界缺损补偿,填充细小空洞、链接邻近物体、在不明显改变物体面积和现状的情况下平滑边界,也方便瑕疵区域像素覆盖的面积、周长、圆形度等特征参数的计算;
二、纹理缺陷检测
通过灰度直方图特征提取灰度均值灰度方差扭曲度、峰度、能量、嫡六维灰度直方图统计特征,确定纹理图像中灰度或空间分布与背景纹理显著不同的像素位置和幅度;
S3.神经网络智能检测
建立包括输入层、卷积计算层、激励层、池化层、全连接层和输出层的卷积神经网络,卷积计算层、激励层、池化层进行特征提取,全连接层起到分类器的作用,卷积核覆盖在输入图上,对应位置求积再求和得到一个值并赋给输出图对应的位置。每次卷积核在输入图上移动一个位置,从上到下从左到右交叠覆盖一遍之后得到输出矩阵输出图,如果卷积核的输入图输入图为Mx*Nx大小,卷积核为Mw*Nw大小,那么输出图Y为(Mx-Mw+1)*(Nx-Nw+1)大小;
在错误信号反向传播过程中,先按照神经网络的错误反传方式得到尾部分类器中各神经元的错误信号,然后错误信号由分类器向前面的特征抽取器传播,错误信号从子采样层的特征图往前面卷积层的特征图传播要通过一次full卷积过程来完成,如果卷积核kernalW的长度为Mw*Mw的方阵,那么子采样层的特征图的错误信号矩阵Qerr需要上下左右各拓展Mw-1行或列,与此同时卷积核自身旋转180度,子采样层的特征图的错误信号矩阵Perr等于子采样层的特征图的误差矩阵Qerr卷积旋转180度的卷积核;
S4.自动分拣
经S3的图像处理后反馈信息给生产线进行相关分拣,选择良品和不良品的工件进行分类处理。
优选的,所述S2中边缘检测算子有梯度算子、Log算子和canny算子。
优选的,所述S2中的图像分隔方法为阈值算法、区域生长或分水岭其中的一种。
优选的,所述S2中的灰度直方图具体为采用图像中多种不同灰度的像素分布的概率统计。
优选的,所述S3中的卷积层、激励层和池化层三者可以相互叠加连接。
优选的,所述S2图像预处理检测缺陷采用小波融合的方法进行实施。
优选的,所述S3中的卷积层是前一层的图像与多个卷积核进行卷积计算,并通过激励函数得到对应的特征图,卷积层计算公式:
y=f(wx+b)
w为卷积核的权重;b为偏置;x为输入;y为输出值;f为激励函数。
优选的,所述S3中的池化层的输入来源于上一个卷积层,因此其往往夹在连续的卷积层中间,对经过滤、放大后的图像特征进行降采样,加强了整个网络的鲁棒性,并且压缩了数据和参数的量,防止过拟合现象的发生。
(三)有益效果
与现有技术相比,本发明提供了基于图像处理和人工智能的小样本缺陷检测方法,具备以下有益效果:
1、该基于图像处理和人工智能的小样本缺陷检测方法,通过图像预处理检测缺陷技术,能够有效减少图像的噪声,提高目标与背景的对比度,突出图像中的缺陷特征,且应用技术为小波技术,采用小波融合的方法既能很好地保留原图片信息,又能突出图像的缺陷边缘等高频信息。
2、该基于图像处理和人工智能的小样本缺陷检测方法,通过基于卷积神经网络的智能检测方法,相对于传统的BP神经网络每个神经元节点都要与图片的每个像素点连接,需要设置数量众多的层与层之间的连接权重,相应增加网络训练的负担,达不到好的分类效果的问题,采用卷积神经网络中的卷积层,基于神经生理学的感受野概念,借助于滤波器进行原始图像的分组特征提取,相当于没有数量巨大的神经元与对应的像素相连接,极大地减少了权重的数目,同样减少了网络所需的训练参数,降低了网络的复杂性,更加便于实际使用,能够更加有效的对工件的良率进行快速检测。
附图说明
图1为本发明提出的基于图像处理和人工智能的小样本缺陷检测方法的流程结构示意图;
图2为本发明提出的基于图像处理和人工智能的小样本缺陷检测方法的卷积神经网络结构图。
具体实施方式
下面将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做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。
请参阅图1-2,基于图像处理和人工智能的小样本缺陷检测方法,包括如下步骤:
S1.图像获取
安装多位相机,获取待处理工件各个位面的图像;
S2.图像预处理检测缺陷
一、不具备明显纹理特征的图像检测
先用边缘检测算子提取缺陷区域边缘,再将其从目标图像中分割出来,提取其特征参数面积,周长,质心,从而进行缺陷检测和分类,再采用数学形态学方法对瑕疵边界缺损补偿,填充细小空洞、链接邻近物体、在不明显改变物体面积和现状的情况下平滑边界,也方便瑕疵区域像素覆盖的面积、周长、圆形度等特征参数的计算;
二、纹理缺陷检测
通过灰度直方图特征提取灰度均值灰度方差扭曲度、峰度、能量、嫡六维灰度直方图统计特征,确定纹理图像中灰度或空间分布与背景纹理显著不同的像素位置和幅度;
S3.神经网络智能检测
建立包括输入层、卷积计算层、激励层、池化层、全连接层和输出层的卷积神经网络,卷积计算层、激励层、池化层进行特征提取,全连接层起到分类器的作用,卷积核覆盖在输入图上,对应位置求积再求和得到一个值并赋给输出图对应的位置。每次卷积核在输入图上移动一个位置,从上到下从左到右交叠覆盖一遍之后得到输出矩阵输出图,如果卷积核的输入图输入图为Mx*Nx大小,卷积核为Mw*Nw大小,那么输出图Y为(Mx-Mw+1)*(Nx-Nw+1)大小;
在错误信号反向传播过程中,先按照神经网络的错误反传方式得到尾部分类器中各神经元的错误信号,然后错误信号由分类器向前面的特征抽取器传播,错误信号从子采样层的特征图往前面卷积层的特征图传播要通过一次full卷积过程来完成,如果卷积核kernalW的长度为Mw*Mw的方阵,那么子采样层的特征图的错误信号矩阵Qerr需要上下左右各拓展Mw-1行或列,与此同时卷积核自身旋转180度,子采样层的特征图的错误信号矩阵Perr等于子采样层的特征图的误差矩阵Qerr卷积旋转180度的卷积核;
S4.自动分拣
经S3的图像处理后反馈信息给生产线进行相关分拣,选择良品和不良品的工件进行分类处理。
S2中边缘检测算子有梯度算子、Log算子和canny算子。
S2中的图像分隔方法为阈值算法、区域生长或分水岭其中的一种。
S2中的灰度直方图具体为采用图像中多种不同灰度的像素分布的概率统计。
S3中的卷积层、激励层和池化层三者可以相互叠加连接。
S2图像预处理检测缺陷采用小波融合的方法进行实施。
S3中的卷积层是前一层的图像与多个卷积核进行卷积计算,并通过激励函数得到对应的特征图,卷积层计算公式:
y=f(wx+b)
w为卷积核的权重;b为偏置;x为输入;y为输出值;f为激励函数。
S3中的池化层的输入来源于上一个卷积层,因此其往往夹在连续的卷积层中间,对经过滤、放大后的图像特征进行降采样,加强了整个网络的鲁棒性,并且压缩了数据和参数的量,防止过拟合现象的发生。
综上所述,该基于图像处理和人工智能的小样本缺陷检测方法,。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.基于图像处理和人工智能的小样本缺陷检测方法,其特征在于:包括如下步骤:
S1.图像获取
安装多位相机,获取待处理工件各个位面的图像;
S2.图像预处理检测缺陷
一、不具备明显纹理特征的图像检测
先用边缘检测算子提取缺陷区域边缘,再将其从目标图像中分割出来,提取其特征参数面积,周长,质心,从而进行缺陷检测和分类,再采用数学形态学方法对瑕疵边界缺损补偿,填充细小空洞、链接邻近物体、在不明显改变物体面积和现状的情况下平滑边界,也方便瑕疵区域像素覆盖的面积、周长、圆形度等特征参数的计算;
二、纹理缺陷检测
通过灰度直方图特征提取灰度均值灰度方差扭曲度、峰度、能量、嫡六维灰度直方图统计特征,确定纹理图像中灰度或空间分布与背景纹理显著不同的像素位置和幅度;
S3.神经网络智能检测
建立包括输入层、卷积计算层、激励层、池化层、全连接层和输出层的卷积神经网络,卷积计算层、激励层、池化层进行特征提取,全连接层起到分类器的作用,卷积核覆盖在输入图上,对应位置求积再求和得到一个值并赋给输出图对应的位置。每次卷积核在输入图上移动一个位置,从上到下从左到右交叠覆盖一遍之后得到输出矩阵输出图,如果卷积核的输入图输入图为Mx*Nx大小,卷积核为Mw*Nw大小,那么输出图Y为(Mx-Mw+1)*(Nx-Nw+1)大小;
在错误信号反向传播过程中,先按照神经网络的错误反传方式得到尾部分类器中各神经元的错误信号,然后错误信号由分类器向前面的特征抽取器传播,错误信号从子采样层的特征图往前面卷积层的特征图传播要通过一次full卷积过程来完成,如果卷积核kernalW的长度为Mw*Mw的方阵,那么子采样层的特征图的错误信号矩阵Qerr需要上下左右各拓展Mw-1行或列,与此同时卷积核自身旋转180度,子采样层的特征图的错误信号矩阵Perr等于子采样层的特征图的误差矩阵Qerr卷积旋转180度的卷积核;
S4.自动分拣
经S3的图像处理后反馈信息给生产线进行相关分拣,选择良品和不良品的工件进行分类处理。
2.根据权利要求1所述的基于图像处理和人工智能的小样本缺陷检测方法,其特征在于:所述S2中边缘检测算子有梯度算子、Log算子和canny算子。
3.根据权利要求1所述的基于图像处理和人工智能的小样本缺陷检测方法,其特征在于:所述S2中的图像分隔方法为阈值算法、区域生长或分水岭其中的一种。
4.根据权利要求1所述的基于图像处理和人工智能的小样本缺陷检测方法,其特征在于:所述S2中的灰度直方图具体为采用图像中多种不同灰度的像素分布的概率统计。
5.根据权利要求1所述的基于图像处理和人工智能的小样本缺陷检测方法,其特征在于:所述S3中的卷积层、激励层和池化层三者可以相互叠加连接。
6.根据权利要求1所述的基于图像处理和人工智能的小样本缺陷检测方法,其特征在于:所述S2图像预处理检测缺陷采用小波融合的方法进行实施。
7.根据权利要求1所述的基于图像处理和人工智能的小样本缺陷检测方法,其特征在于:所述S3中的卷积层是前一层的图像与多个卷积核进行卷积计算,并通过激励函数得到对应的特征图,卷积层计算公式:
y=f(wx+b)
w为卷积核的权重;b为偏置;x为输入;y为输出值;f为激励函数。
8.根据权利要求1所述的基于图像处理和人工智能的小样本缺陷检测方法,其特征在于:所述S3中的池化层的输入来源于上一个卷积层,因此其往往夹在连续的卷积层中间,对经过滤、放大后的图像特征进行降采样,加强了整个网络的鲁棒性,并且压缩了数据和参数的量,防止过拟合现象的发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212982.XA CN110992336A (zh) | 2019-12-02 | 2019-12-02 | 基于图像处理和人工智能的小样本缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212982.XA CN110992336A (zh) | 2019-12-02 | 2019-12-02 | 基于图像处理和人工智能的小样本缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110992336A true CN110992336A (zh) | 2020-04-10 |
Family
ID=70089023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911212982.XA Pending CN110992336A (zh) | 2019-12-02 | 2019-12-02 | 基于图像处理和人工智能的小样本缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992336A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862039A (zh) * | 2020-07-20 | 2020-10-30 | 中山西尼视觉科技有限公司 | 快速编带视觉检测方法 |
CN112200805A (zh) * | 2020-11-11 | 2021-01-08 | 北京平恒智能科技有限公司 | 一种工业品图像目标提取及缺陷判断方法 |
CN112712504A (zh) * | 2020-12-30 | 2021-04-27 | 广东粤云工业互联网创新科技有限公司 | 基于云端的工件检测方法及系统、计算机可读存储介质 |
CN115439452A (zh) * | 2022-09-13 | 2022-12-06 | 杭州凯智莆电子有限公司 | 一种基于数据分析的电容产品检测评估系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
CN106409711A (zh) * | 2016-09-12 | 2017-02-15 | 佛山市南海区广工大数控装备协同创新研究院 | 一种太阳能硅晶片缺陷检测系统及方法 |
CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
CN108109137A (zh) * | 2017-12-13 | 2018-06-01 | 重庆越畅汽车科技有限公司 | 车辆部件的机器视觉检测系统及方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
CN110119687A (zh) * | 2019-04-17 | 2019-08-13 | 浙江工业大学 | 基于图像处理和卷积神经网络相结合的道路表面裂痕缺陷的检测方法 |
CN110314854A (zh) * | 2019-06-06 | 2019-10-11 | 苏州市职业大学 | 一种基于视觉机器人的工件检测分拣的装置及方法 |
-
2019
- 2019-12-02 CN CN201911212982.XA patent/CN110992336A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
CN106409711A (zh) * | 2016-09-12 | 2017-02-15 | 佛山市南海区广工大数控装备协同创新研究院 | 一种太阳能硅晶片缺陷检测系统及方法 |
CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
CN108109137A (zh) * | 2017-12-13 | 2018-06-01 | 重庆越畅汽车科技有限公司 | 车辆部件的机器视觉检测系统及方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
CN110119687A (zh) * | 2019-04-17 | 2019-08-13 | 浙江工业大学 | 基于图像处理和卷积神经网络相结合的道路表面裂痕缺陷的检测方法 |
CN110314854A (zh) * | 2019-06-06 | 2019-10-11 | 苏州市职业大学 | 一种基于视觉机器人的工件检测分拣的装置及方法 |
Non-Patent Citations (3)
Title |
---|
王永慧等: "带钢表面缺陷图像小波融合方法", 《东北大学学报(自然科学版)》 * |
禹建东: "带钢表面缺陷智能检测系统的设计与研究", 《中国优秀硕士学位论文全文数据库_信息科技辑》 * |
黄志强: "卷积神经网络研究及其在基音检测中的应用", 《中国优秀硕士学位论文全文数据库_信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862039A (zh) * | 2020-07-20 | 2020-10-30 | 中山西尼视觉科技有限公司 | 快速编带视觉检测方法 |
CN112200805A (zh) * | 2020-11-11 | 2021-01-08 | 北京平恒智能科技有限公司 | 一种工业品图像目标提取及缺陷判断方法 |
CN112712504A (zh) * | 2020-12-30 | 2021-04-27 | 广东粤云工业互联网创新科技有限公司 | 基于云端的工件检测方法及系统、计算机可读存储介质 |
CN112712504B (zh) * | 2020-12-30 | 2023-08-15 | 广东粤云工业互联网创新科技有限公司 | 基于云端的工件检测方法及系统、计算机可读存储介质 |
CN115439452A (zh) * | 2022-09-13 | 2022-12-06 | 杭州凯智莆电子有限公司 | 一种基于数据分析的电容产品检测评估系统 |
CN115439452B (zh) * | 2022-09-13 | 2023-04-11 | 杭州凯智莆电子有限公司 | 一种基于数据分析的电容产品检测评估系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992336A (zh) | 基于图像处理和人工智能的小样本缺陷检测方法 | |
CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
Capizzi et al. | A novel neural networks-based texture image processing algorithm for orange defects classification | |
CN106951870B (zh) | 主动视觉注意的监控视频显著事件智能检测预警方法 | |
Unay et al. | Automatic defect segmentation of ‘Jonagold’apples on multi-spectral images: A comparative study | |
CN113222959B (zh) | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 | |
Gutte et al. | A survey on recognition of plant disease with help of algorithm | |
Raja | Surface Grading Using Deep Learning Approach For Ceramic Tiles | |
CN114005081A (zh) | 一种烟丝异物智能检测装置及方法 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
Tian et al. | An image processing method for green apple lesion detection in natural environment based on GA-BPNN and SVM | |
Hekim et al. | A hybrid model based on the convolutional neural network model and artificial bee colony or particle swarm optimization-based iterative thresholding for the detection of bruised apples | |
Bhadur et al. | Agricultural crops disease identification and classification through leaf images using machine learning and deep learning technique: a review | |
Patki et al. | A review: Cotton leaf disease detection | |
CN109840498B (zh) | 一种实时行人检测方法及神经网络、目标检测层 | |
Rios-Cabrera et al. | ANN analysis in a vision approach for potato inspection | |
CN108985294B (zh) | 一种轮胎模具图片的定位方法、装置、设备及存储介质 | |
Avalekar et al. | Tomato grading system based on colour models by using neural network | |
KR102372714B1 (ko) | 딥러닝 기반 자동 결함 검사 장치 및 방법 | |
CN114882303A (zh) | 一种基于帧过滤和目标检测的牲畜计数方法 | |
AmeethaJunaina et al. | A survey on fresh produce grading algorithms using machine learning and image processing techniques | |
Aleksi et al. | Features extraction and texture defect detection of sawn wooden board images | |
CN112098422A (zh) | 一种工业视觉检测中的产品缺陷在线分类方法 | |
Chen et al. | Novel Embedded Smart Gateway Framework for Fruit/Vegetable Quality Classification. | |
Singh et al. | A Survey on Intelligent Techniques for Disease Recognition in Agricultural Crops |
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 | ||
CB02 | Change of applicant information |
Address after: 523841 No. 2, 2nd Floor, 4th West First Street, Xingfa North Road, Wusha Community, Chang'an Town, Dongguan City, Guangdong Province Applicant after: Guangdong Xini Technology Co.,Ltd. Address before: 523846 2, two floor, 4 West Street, Xingfa Road, Changan Town, Changan Town, Dongguan, Guangdong Applicant before: DONGGUAN XINI AUTOMATION TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |