CN111028207B - 基于即时-通用特征提取网络的纽扣瑕疵检测方法 - Google Patents
基于即时-通用特征提取网络的纽扣瑕疵检测方法 Download PDFInfo
- Publication number
- CN111028207B CN111028207B CN201911152308.7A CN201911152308A CN111028207B CN 111028207 B CN111028207 B CN 111028207B CN 201911152308 A CN201911152308 A CN 201911152308A CN 111028207 B CN111028207 B CN 111028207B
- Authority
- CN
- China
- Prior art keywords
- button
- feature extraction
- extraction network
- instant
- 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.)
- Active
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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]
-
- 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
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于即时‑通用特征提取网络的纽扣瑕疵检测方法,将实时获得的纽扣图像数据输入到训练好的即时‑通用特征提取网络模型中,由其输出分类结果,即有瑕疵纽扣或无瑕疵纽扣的代码,根据分类结果确定当前纽扣是否属于有瑕疵纽扣;即时‑通用特征提取网络模型的训练过程即以历史获得的纽扣图像数据作为输入,以其对应的分类结果作为理论输出,不断更新即时‑通用特征提取网络模型的参数,直至网络收敛,精度不再增加的过程。本发明的方法省去了复杂的特征工程操作,不仅能检测纽扣的轮廓形状瑕疵,还可检测纽扣的花纹等瑕疵,且适用于多种纽扣的瑕疵检测,普适性高,检测速度快,检测准确率高。
Description
技术领域
本发明属于机器视觉和深度学习技术领域,涉及一种基于即时-通用特征提取网络的纽扣瑕疵检测方法。
背景技术
中国是纺织生产和出口大国,纺织行业经过多年发展,已经日趋完善,纽扣生产属于纺织行业中的辅料生产部分,纽扣的质量直接影响服装的销售。目前在纽扣的生产过程中,大多数生产厂家依旧依靠人工检测纽扣瑕疵,由于外界因素以及人为因素的影响,人工检测的效率和精度都无法得到保证。
近几年来,机器视觉处理已成为科学和技术领域的重要组成部分。通过机器视觉进行物体的瑕疵检测在工业生产中是一种常用的方式。传统的纽扣瑕疵检测方式主要以频谱法、统计法、模型法为主,他们均需对纽扣图像进行特征工程的处理,如图像分割,轮廓提取,形态学处理等,以得到直方图、信息熵、空间相关图等特征。这些方式基本只适用于单种纯色纽扣的轮廓形状瑕疵检测,无法应用于多种纽扣的瑕疵检测,且对纽扣花纹等瑕疵无法进行有效的检测,普适性极低。
相比于传统的机器视觉处理方式,通过深度神经网络进行纽扣瑕疵检测不需要进行复杂的特征工程工作,该方法适用于多种纽扣,普适性高,且可以检测彩色纽扣花纹的瑕疵,在完成检测任务的同时,还可通过丰富数据集继续提升检测方法的检测能力,并且由于计算机硬件的发展,深度神经网络对图像的处理能力完全能达到实时纽扣瑕疵检测的要求。
具体而言,深度神经网络通过随机生成参数并迭代更新,自动提取数字图像特征,省去了很大一部分特征提取的工作,随着计算机硬件水平的提高,其学习速度也有了较大改善。其中以VGG-16为代表的深度卷积神经网络在数字图像处理中有了广泛的应用。
因此,研究一种通过深度神经网络进行纽扣瑕疵检测的方法具有十分重要的意义。
发明内容
本发明的目的是解决现有技术中通过机器视觉进行物体的瑕疵检测存在无法应用于多种纽扣的瑕疵检测,对纽扣花纹等瑕疵无法进行有效的检测以及普适性较低的问题,提供一种基于即时-通用特征提取网络的纽扣瑕疵检测方法。
为达到上述目的,本发明采用的技术方案如下:
基于即时-通用特征提取网络的纽扣瑕疵检测方法,将实时获得的纽扣图像数据输入到训练好的即时-通用特征提取网络模型中,由其输出分类结果,即有瑕疵纽扣或无瑕疵纽扣的代码(例如有瑕疵纽扣为“1”,无瑕疵纽扣为“0”),根据分类结果确定当前纽扣是否属于有瑕疵纽扣;
即时-通用特征提取网络模型由通用特征提取网络和即时特征提取网络结合得到,结合过程为:首先将即时特征提取网络和通用特征提取网络得到的特征图在通道维度进行拼接,然后通过一个卷积层,使来自两个网络的特征图进行有效的融合,接着对其进行全局平均池化后送入全连接层,最后进行分类;
即时-通用特征提取网络模型的训练过程即以历史获得的纽扣图像数据作为输入,以其对应的分类结果作为理论输出,不断更新即时-通用特征提取网络模型的参数,直至网络收敛,精度不再增加的过程;训练过程中,冻结通用特征提取网络的最后两个卷积层之外的网络层,将flatten层更改为全局池化层,减少全连接层数,减小全连接层神经元数,并随着epoch(神经网络中训练的“轮数”,把训练集训练全部训练一遍为一“轮”,即一个epoch)增加设置不同学习率lr,
作为优选的技术方案:
如上所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,通用特征提取网络是通过将以VGG16为基础删除其全连接层之后的网络在ImageNet数据集上进行预训练得到的。
如上所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,即时特征提取网络为基于CNN建立的一个浅层神经网络。
如上所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,融合两个网络的特征图采用的卷积层为3*3的卷积层。
如上所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,减少后全连接层数为1,减少后全连接层神经元数为64。
如上所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,实时获得的纽扣图像数据和历史获得的纽扣图像数据都为经过预处理和标准化处理的纽扣图像数据。
如上所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,预处理过程为:以纽扣图像的中心为原点裁剪出1024*1024的图像,并将图像压缩为224*224。
如上所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,标准化处理的公式如下:
式中,x_'为标准化处理后的纽扣图像,x_为标准化处理前的纽扣图像,x_mean为纽扣图像各通道上的均值(三个通道对应三个均值),x_std为纽扣图像各通道上的方差(三个通道对应三个方差)。
如上所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,历史获得的纽扣图像数据为纽扣训练集x_train中的样本,纽扣训练集x_train的构建过程为:首先将nk1个无瑕疵纽扣的纽扣图像样本和nk2个有瑕疵纽扣的纽扣图像样本组成nk个纽扣图像样本(nk=nk1+nk2),然后对nk个纽扣图像样本进行预处理,获取每个纽扣图像样本的标准图像样本,接着对标准图像样本进行重复抽样,将抽样到的标准图像样本组成初始纽扣训练集,最后将初始纽扣训练集以一定概率进行图像旋转和平移操作后,进行标准化处理,得到纽扣训练集x_train。
如上所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,nk1=nk2。
本发明根据人类人脑的知识学习逻辑,使用基于ImageNet预训练的VGG-16作为通用特征提取网络,基于卷积神经网络建立简易神经网络作为即时特征提取网络:首先用全局平均池化层替换了通用特征提取网络中得flatten层,用一层64个神经元的全连接层替换了原始网络中的多层全连接层,最后输入二分类器进从而完成二分类。在训练中,通过冻结除通用特征提取网络最后两个卷积层之外的网络层,设置不同的学习率,并基于集成学习bagging中划分训练集的方式,对采集到的纽扣样本进行重复抽样,最终提高了分类准确性并减少了模型的过拟合。
本发明应用于服装辅料之一的纽扣生产的瑕疵检测领域,通过构建即时-通用特征提取网络对五种纽扣的瑕疵检测,最高检测精度达到了97.826%,最高检出率为97.737%,单个纽扣的检测时间为0.00019s。与现有的纽扣检测算法相比,本发明省去了复杂的特征工程操作,不仅能检测纽扣的轮廓形状瑕疵,还可检测纽扣的花纹等瑕疵,且适用于多种纽扣的瑕疵检测任务,具有普适性高,检测速度快,检测准确率高的特点。
有益效果:
(1)本发明的基于即时-通用特征提取网络的纽扣瑕疵检测方法,省去了复杂的特征工程操作,不仅能检测纽扣的轮廓形状瑕疵,还可检测纽扣的花纹等瑕疵,且适用于多种纽扣的瑕疵检测;
(2)本发明的基于即时-通用特征提取网络的纽扣瑕疵检测方法,简单易行,普适性高,检测速度快,检测准确率高。
附图说明
图1为即时-通用特征提取网络结构图;
图2为本发明实施流程图;
其中,1-拼接层,2-卷积层,3-最大池化层,4-全连接层。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
基于即时-通用特征提取网络的纽扣瑕疵检测方法,步骤如下:
(1)构建纽扣训练集x_train,过程为:
首先将nk1个无瑕疵纽扣的纽扣图像样本和nk2个有瑕疵纽扣的纽扣图像样本组成nk个纽扣图像样本,然后对nk个纽扣图像样本进行预处理,获取每个纽扣图像样本的标准图像样本,接着对标准图像样本进行重复抽样,将抽样到的标准图像样本组成初始纽扣训练集,最后将初始纽扣训练集以一定概率进行图像旋转和平移操作后,进行标准化处理,得到纽扣训练集x_train,nk1=nk2,nk=764,纽扣图像样本的格式为RGB,大小为2046*1536;
其中,预处理过程为:以纽扣图像的中心为原点裁剪出1024*1024的图像,并将图像压缩为224*224;
重复抽样的过程如图2所示,对采集到的nk=764个纽扣图像样本D每次从中随机挑选一个纽扣样本,将其拷贝放入纽扣训练集x_train,然后再将纽扣样本放回D中,使得该纽扣样本在下次采样时仍有可能被采到;这个过程重复nk=764次,显然D中有一部分样本不会被采到,在经过nk=764次采样后,始终不被采到的概率是这样充分利用了nk=764个纽扣图像样本数据,并将未被采样到的纽扣样本数据用于测试,最终得到样本大小为nk=764的纽扣训练集x_train,样本大小大约为0.3676×nk=280的纽扣测试集x_test;
(2)由通用特征提取网络(通用特征提取网络是通过将以VGG16为基础删除其全连接层之后的网络在ImageNet数据集上进行预训练得到的)和即时特征提取网络(即时特征提取网络为基于CNN建立的一个浅层神经网络)结合得到即时-通用特征提取网络模型,如图1所示,结合过程为:首先将即时特征提取网络和通用特征提取网络得到的特征图在通道维度进行拼接,得到拼接层1,然后通过一个3*3卷积层2,使来自两个网络的特征图进行有效的融合,接着对其进行全局平均池化(即最大池化层3)后送入全连接层4,最后进行分类;
(3)训练即时-通用特征提取网络模型,即时-通用特征提取网络模型的训练过程即以历史获得的纽扣图像数据(纽扣训练集x_train中的样本)作为输入,以其对应的分类结果(分类结果,即有瑕疵纽扣或无瑕疵纽扣的代码,设定有瑕疵纽扣的代码为1,无瑕疵纽扣的代码为0)作为理论输出,不断更新即时-通用特征提取网络模型的参数,直至网络收敛,精度不再增加的过程;训练过程中,冻结通用特征提取网络的最后两个卷积层之外的网络层,将flatten层更改为全局池化层,减少全连接层数至1,减小全连接层神经元数至64,并随着epoch增加设置不同学习率lr,
(4)将实时获得的纽扣图像数据进行同上的预处理和标准化处理后,输入到训练好的即时-通用特征提取网络模型中,由其输出分类结果,即有瑕疵纽扣或无瑕疵纽扣的代码,根据分类结果确定当前纽扣是否属于有瑕疵纽扣。
采用上述基于即时-通用特征提取网络的纽扣瑕疵检测方法对5批待检测的纽扣(批次的颜色各不相同)进行测试,检测结果见下表,其中,有瑕疵纽扣包含轮廓形状瑕疵和花纹等瑕疵;
检测结果表明,上述的基于即时-通用特征提取网络的纽扣瑕疵检测方法能检测纽扣的轮廓形状瑕疵,还可检测纽扣的花纹等瑕疵,且适用于多种纽扣的瑕疵检测任务,具有普适性高、检测速度快、检测准确率高的特点。
Claims (8)
1.基于即时-通用特征提取网络的纽扣瑕疵检测方法,其特征是:将实时获得的纽扣图像数据输入到训练好的即时-通用特征提取网络模型中,由其输出分类结果,即有瑕疵纽扣或无瑕疵纽扣的代码,根据分类结果确定当前纽扣是否属于有瑕疵纽扣;
即时-通用特征提取网络模型由通用特征提取网络和即时特征提取网络结合得到,结合过程为:首先将即时特征提取网络和通用特征提取网络得到的特征图在通道维度进行拼接,然后通过一个卷积层,使来自两个网络的特征图进行有效的融合,接着对其进行全局平均池化后送入全连接层,最后进行分类;
通用特征提取网络是通过将以VGG16为基础删除其全连接层之后的网络在ImageNet数据集上进行预训练得到的;即时特征提取网络为基于CNN建立的一个浅层神经网络;
2.根据权利要求1所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,其特征在于,融合两个网络的特征图采用的卷积层为3*3的卷积层。
3.根据权利要求1所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,其特征在于,减少后全连接层数为1,减少后全连接层神经元数为64。
4.根据权利要求1所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,其特征在于,实时获得的纽扣图像数据和历史获得的纽扣图像数据都为经过预处理和标准化处理的纽扣图像数据。
5.根据权利要求4所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,其特征在于,预处理过程为:以纽扣图像的中心为原点裁剪出1024*1024的图像,并将图像压缩为224*224。
7.根据权利要求4所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,其特征在于,历史获得的纽扣图像数据为纽扣训练集x_train中的样本,纽扣训练集x_train的构建过程为:首先将nk1个无瑕疵纽扣的纽扣图像样本和nk2个有瑕疵纽扣的纽扣图像样本组成nk个纽扣图像样本,然后对nk个纽扣图像样本进行预处理,获取每个纽扣图像样本的标准图像样本,接着对标准图像样本进行重复抽样,将抽样到的标准图像样本组成初始纽扣训练集,最后将初始纽扣训练集以一定概率进行图像旋转和平移操作后,进行标准化处理,得到纽扣训练集x_train。
8.根据权利要求7所述的基于即时-通用特征提取网络的纽扣瑕疵检测方法,其特征在于,nk1=nk2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911152308.7A CN111028207B (zh) | 2019-11-22 | 2019-11-22 | 基于即时-通用特征提取网络的纽扣瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911152308.7A CN111028207B (zh) | 2019-11-22 | 2019-11-22 | 基于即时-通用特征提取网络的纽扣瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111028207A CN111028207A (zh) | 2020-04-17 |
CN111028207B true CN111028207B (zh) | 2023-06-09 |
Family
ID=70206450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911152308.7A Active CN111028207B (zh) | 2019-11-22 | 2019-11-22 | 基于即时-通用特征提取网络的纽扣瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028207B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767860A (zh) * | 2020-06-30 | 2020-10-13 | 阳光学院 | 一种通过卷积神经网络实现图像识别的方法及终端 |
CN111832466A (zh) * | 2020-07-08 | 2020-10-27 | 上海东普信息科技有限公司 | 基于vgg网络的暴力分拣识别方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509978A (zh) * | 2018-02-28 | 2018-09-07 | 中南大学 | 基于cnn的多级特征融合的多类目标检测方法及模型 |
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 |
CN110287932A (zh) * | 2019-07-02 | 2019-09-27 | 中国科学院遥感与数字地球研究所 | 基于深度学习图像语义分割的道路阻断信息提取 |
-
2019
- 2019-11-22 CN CN201911152308.7A patent/CN111028207B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108509978A (zh) * | 2018-02-28 | 2018-09-07 | 中南大学 | 基于cnn的多级特征融合的多类目标检测方法及模型 |
CN110287932A (zh) * | 2019-07-02 | 2019-09-27 | 中国科学院遥感与数字地球研究所 | 基于深度学习图像语义分割的道路阻断信息提取 |
Also Published As
Publication number | Publication date |
---|---|
CN111028207A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
US20210374940A1 (en) | Product defect detection method, device and system | |
CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN110992317A (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN112837295A (zh) | 一种基于生成对抗网络的橡胶手套缺陷检测方法 | |
CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN111028207B (zh) | 基于即时-通用特征提取网络的纽扣瑕疵检测方法 | |
CN113554631B (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
CN110766664B (zh) | 一种基于深度学习的电子元器件外观不良品的检测方法 | |
CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其系统 | |
CN111402197A (zh) | 一种针对色织物裁片缺陷区域的检测方法 | |
CN111798409A (zh) | 一种基于深度学习的pcb缺陷数据生成方法 | |
CN111932639B (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
Tao et al. | Rolling surface defect inspection for drum-shaped rollers based on deep learning | |
Chen et al. | X-ray of tire defects detection via modified faster R-CNN | |
CN113838040A (zh) | 一种针对彩色纹理织物缺陷区域的检测方法 |
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 |