CN111028210A - 基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法 - Google Patents

基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法 Download PDF

Info

Publication number
CN111028210A
CN111028210A CN201911166973.1A CN201911166973A CN111028210A CN 111028210 A CN111028210 A CN 111028210A CN 201911166973 A CN201911166973 A CN 201911166973A CN 111028210 A CN111028210 A CN 111028210A
Authority
CN
China
Prior art keywords
glass tube
face
neural network
deep neural
end surface
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.)
Granted
Application number
CN201911166973.1A
Other languages
English (en)
Other versions
CN111028210B (zh
Inventor
蔡立明
李威
张文亮
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.)
CHINA AEROSPACE TIMES ELECTRONICS CO LTD
Beijing Aerospace Wanda Hi Tech Ltd
Original Assignee
CHINA AEROSPACE TIMES ELECTRONICS CO LTD
Beijing Aerospace Wanda Hi Tech 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 CHINA AEROSPACE TIMES ELECTRONICS CO LTD, Beijing Aerospace Wanda Hi Tech Ltd filed Critical CHINA AEROSPACE TIMES ELECTRONICS CO LTD
Priority to CN201911166973.1A priority Critical patent/CN111028210B/zh
Publication of CN111028210A publication Critical patent/CN111028210A/zh
Application granted granted Critical
Publication of CN111028210B publication Critical patent/CN111028210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，属于玻璃管端面缺陷检测技术领域。首先，进行直方图均衡化，即利用非线性拉伸将图像中像素个数多的灰度级进行展宽并对像素个数少的灰度级进行缩减，使图像变得清晰，且灰度细节丰富，防止图像中玻璃管端面过暗或过亮。然后，对待测玻璃管端面图像进行深度特征提取，用于模型训练。最终，利用训练好的模型识别玻璃管缺陷。

Description

基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测 方法
技术领域
本发明涉及基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，属于玻璃管端面缺陷检测技术领域。
背景技术
玻璃制品已经被应用于各个领域，工业生产对玻璃制品的质量有着严格的要求。由于技术和客观因素的影响，玻璃管端面容易出现破损，导致残次品的出现。传统的人工玻璃管缺陷检测方法较难保证检测的准确性与稳定性。有研究表明，人眼仅能够识别高于0.5mm2的玻璃缺陷，并且人眼识别的准确率容易受到主观影响。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提出基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法。
本发明的技术解决方案是：
基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，该方法所检测的玻璃管内径不大于0.5mm，外径不大于2mm；
该方法的步骤包括：
(1)使用工业相机对待检测的玻璃管端面进行拍照，得到端面照片；
(2)对步骤(1)得到的端面照片进行直方图均衡化，得到直方图均衡化后的端面照片，该直方图均衡化后的端面照片的数据类型为双精度浮点型，即得到双精度浮点型端面照片；
(3)将步骤(2)得到的双精度浮点型端面照片转换为单精度浮点型，即得到单精度浮点型端面照片，单精度浮点型端面照片用矩阵X表示，矩阵X大小为N×B，N＝m×n，N为步骤(1)得到的端面照片中像元的个数，B为3个波段数，m为所使用的工业相机的行分辨率，n为所使用的工业相机的列分辨率；
(4)利用深度神经网络对矩阵X进行特征提取，具体步骤为：
a，建立稀疏自动编码器的学习过程如下：
Figure BDA0002287722490000021
Figure BDA0002287722490000022
其中，Y为学习值，Y的初值为Y0，Z为学习值，Z的初值为Z0，Wy、Wz、by和bz均为高斯分布函数，Wy和by为初始值时得到Y0，Wz和bz为初始值时得到Z0；
b，通过梯度下降法求解Wy、Wz、by、bz，求解过程如下：
Figure BDA0002287722490000023
Wz＝Wy T
Figure BDA0002287722490000024
by＝bz T
其中，η为梯度下降步长；
c，对式(3)中的
Figure BDA0002287722490000025
进行稀疏化，得到
Figure BDA0002287722490000026
的稀疏值
Figure BDA0002287722490000027
为：
Figure BDA0002287722490000031
对式(4)中的
Figure BDA0002287722490000032
进行稀疏化，得到
Figure BDA0002287722490000033
的稀疏值
Figure BDA0002287722490000034
为：
Figure BDA0002287722490000035
其中，
Figure BDA0002287722490000036
为p与
Figure BDA0002287722490000037
的距离，p为常数，一般为0.5，j＝1,2，
Figure BDA0002287722490000038
表示玻璃管端面无缺陷时的距离常数，
Figure BDA0002287722490000039
表示玻璃管端面有缺陷的距离常数；
Figure BDA00022877224900000310
通过式(5)和式(6)得到稀疏化后的Wy、Wz、by、bz；
d，根据式(7)得到玻璃管端面的缺陷类别；
Figure BDA00022877224900000311
其中，Wz1为玻璃管端面无缺陷时Wz的初始值，bz1为玻璃管端面无缺陷时bz的初始值，Z1为玻璃管端面无缺陷时Z的初始值，Wz2为玻璃管端面有缺陷时Wz的初始值，bz2为玻璃管端面有缺陷时bz的初始值，Z2为玻璃管端面有缺陷时Z的初始值；
利用柔性最大值方法将Pj转换为P1或P2，从而得到玻璃管端面的缺陷类别为有缺陷或无缺陷。
有益效果
(1)本发明的方法中的直方图均衡化可以自动增强图像的整体对比度，防止图像中玻璃管端面过暗或过亮。直方图均衡化通过非线性拉伸将图像中像素个数多的灰度级进行展宽，对像素个数少的灰度级进行缩减，使图像变得清晰，且灰度细节丰富。进行直方图均衡化，减少由于粉尘、镜头上的脏污、光线影响或设备震动对图像的影响；减少传感器采集的图像中噪声的影响；减少由照明系统造成的图像亮度不均、偏色等问题对检测结果的影响；
(2)本发明的方法中减少由于粉尘、镜头上的脏污、光线影响或设备震动对图像的影响；减少传感器采集的图像中噪声的影响；减少由照明系统造成的图像亮度不均、偏色等问题对检测结果的影响。
(3)本发明提供了一种基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法。首先，进行直方图均衡化，即利用非线性拉伸将图像中像素个数多的灰度级进行展宽并对像素个数少的灰度级进行缩减，使图像变得清晰，且灰度细节丰富，防止图像中玻璃管端面过暗或过亮。然后，对待测玻璃管端面图像进行深度特征提取，用于模型训练。最终，利用训练好的模型识别玻璃管缺陷。
具体实施方式
下面结合实施例对本发明作进一步说明。
实施例
基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，该方法所检测的玻璃管内径为0.3mm，外径为0.5mm；
该方法的步骤包括：
(1)使用工业相机对待检测的玻璃管端面进行拍照，得到端面照片；
(2)对步骤(1)得到的端面照片进行直方图均衡化，得到直方图均衡化后的端面照片，该直方图均衡化后的端面照片的数据类型为双精度浮点型，即得到双精度浮点型端面照片；
(3)将步骤(2)得到的双精度浮点型端面照片转换为单精度浮点型，即得到单精度浮点型端面照片，单精度浮点型端面照片用矩阵X表示，矩阵X大小为N×B，N＝m×n，N为步骤(1)得到的端面照片中像元的个数，B为3个波段数，m为所使用的工业相机的行分辨率，n为所使用的工业相机的列分辨率；
(4)利用深度神经网络对矩阵X进行特征提取，具体步骤为：
a，建立稀疏自动编码器的学习过程如下：
Figure BDA0002287722490000051
Figure BDA0002287722490000052
其中，Y为学习值，Y的初值为Y0，Z为学习值，Z的初值为Z0，Wy、Wz、by和bz均为高斯分布函数，Wy和by为初始值时得到Y0，Wz和bz为初始值时得到Z0；
b，通过梯度下降法求解Wy、Wz、by、bz，求解过程如下：
Figure BDA0002287722490000053
Wz＝Wy T
Figure BDA0002287722490000054
by＝bz T
其中，η为梯度下降步长；
c，对式(3)中的
Figure BDA0002287722490000055
进行稀疏化，得到
Figure BDA0002287722490000056
的稀疏值
Figure BDA0002287722490000057
为：
Figure BDA0002287722490000061
对式(4)中的
Figure BDA0002287722490000062
进行稀疏化，得到
Figure BDA0002287722490000063
的稀疏值
Figure BDA0002287722490000064
为：
Figure BDA0002287722490000065
其中，
Figure BDA0002287722490000066
为p与
Figure BDA0002287722490000067
的距离，p为常数，一般为0.5，j＝1,2，
Figure BDA0002287722490000068
表示玻璃管端面无缺陷时的距离常数，
Figure BDA0002287722490000069
表示玻璃管端面有缺陷的距离常数；
Figure BDA00022877224900000610
通过式(5)和式(6)得到稀疏化后的Wy、Wz、by、bz；
d，根据式(7)得到玻璃管端面的缺陷类别；
Figure BDA00022877224900000611
其中，Wz1为玻璃管端面无缺陷时Wz的初始值，bz1为玻璃管端面无缺陷时bz的初始值，Z1为玻璃管端面无缺陷时Z的初始值，Wz2为玻璃管端面有缺陷时Wz的初始值，bz2为玻璃管端面有缺陷时bz的初始值，Z2为玻璃管端面有缺陷时Z的初始值；
利用柔性最大值方法将Pj转换为P1或P2，从而得到玻璃管端面的缺陷类别为有缺陷或无缺陷。

Claims (10)

1.基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，其特征在于该方法的步骤包括：
(1)使用工业相机对待检测的玻璃管端面进行拍照，得到端面照片；
(2)对步骤(1)得到的端面照片进行直方图均衡化，得到直方图均衡化后的端面照片，该直方图均衡化后的端面照片的数据类型为双精度浮点型，即得到双精度浮点型端面照片；
(3)将步骤(2)得到的双精度浮点型端面照片转换为单精度浮点型，即得到单精度浮点型端面照片，单精度浮点型端面照片用矩阵X表示，矩阵X大小为N×B，N＝m×n，N为步骤(1)得到的端面照片中像元的个数，B为波段数，m为所使用的工业相机的行分辨率，n为所使用的工业相机的列分辨率；
(4)利用深度神经网络对矩阵X进行特征提取，得到玻璃管端面的缺陷类别，具体步骤为：
a，建立稀疏自动编码器的学习过程如下：
Figure FDA0002287722480000011
Figure FDA0002287722480000012
其中，Y为学习值，Y的初值为Y0，Z为学习值，Z的初值为Z0，Wy、Wz、by和bz均为高斯分布函数，Wy和by为初始值时得到Y0，Wz和bz为初始值时得到Z0；
b，通过梯度下降法求解Wy、Wz、by、bz，求解过程如下：
Figure FDA0002287722480000013
Figure FDA0002287722480000021
其中，η为梯度下降步长；
c，对式(3)中的
Figure FDA0002287722480000022
进行稀疏化，得到
Figure FDA0002287722480000023
的稀疏值
Figure FDA0002287722480000024
为：
Figure FDA0002287722480000025
对式(4)中的
Figure FDA0002287722480000026
进行稀疏化，得到
Figure FDA0002287722480000027
的稀疏值
Figure FDA0002287722480000028
为：
Figure FDA0002287722480000029
其中，
Figure FDA00022877224800000210
为p与
Figure FDA00022877224800000211
的距离，p为常数，j＝1,2，
Figure FDA00022877224800000212
表示玻璃管端面无缺陷时的距离常数，
Figure FDA00022877224800000213
表示玻璃管端面有缺陷的距离常数；
Figure FDA00022877224800000214
通过式(5)和式(6)得到稀疏化后的Wy、Wz、by、bz；
d，根据式(7)得到玻璃管端面的缺陷类别；
Figure FDA0002287722480000031
其中，Wz1为玻璃管端面无缺陷时Wz的习得值，bz1为玻璃管端面无缺陷时bz的习得值，Z1为玻璃管端面无缺陷时Z的习得值，Wz2为玻璃管端面有缺陷时Wz的习得值，bz2为玻璃管端面有缺陷时bz的习得值，Z2为玻璃管端面有缺陷时Z的习得值；
利用柔性最大值方法将Pj转换为P1或P2，从而得到玻璃管端面的缺陷类别为有缺陷或无缺陷。
2.根据权利要求1所述的基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，其特征在于：玻璃管内径不大于0.5mm。
3.根据权利要求1所述的基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，其特征在于：玻璃管外径不大于2mm。
4.根据权利要求1所述的基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，其特征在于：η为1-5。
5.根据权利要求4所述的基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，其特征在于：η为4。
6.根据权利要求1所述的基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，其特征在于：工业相机的行分辨率为800。
7.根据权利要求1所述的基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，其特征在于：工业相机的列分辨率为600。
8.根据权利要求1所述的基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，其特征在于：波段数为3。
9.根据权利要求1所述的基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，其特征在于：p为0.5。
10.根据权利要求1所述的基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法，其特征在于：
Figure FDA0002287722480000041
为一常数。
CN201911166973.1A 2019-11-25 2019-11-25 一种基于深度神经网络的玻璃管端面缺陷检测方法 Active CN111028210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911166973.1A CN111028210B (zh) 2019-11-25 2019-11-25 一种基于深度神经网络的玻璃管端面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911166973.1A CN111028210B (zh) 2019-11-25 2019-11-25 一种基于深度神经网络的玻璃管端面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN111028210A true CN111028210A (zh) 2020-04-17
CN111028210B CN111028210B (zh) 2023-07-18

Family

ID=70206593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911166973.1A Active CN111028210B (zh) 2019-11-25 2019-11-25 一种基于深度神经网络的玻璃管端面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN111028210B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465758A (zh) * 2020-11-19 2021-03-09 河南省科学院应用物理研究所有限公司 一种铝基覆铜板质量的诊断方法
CN114088729A (zh) * 2022-01-21 2022-02-25 潍坊佳昇光电科技有限公司 载板玻璃端面品质的检测装置及方法

Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0563897A1 (en) * 1992-03-30 1993-10-06 Fuji Photo Film Co., Ltd. Defect inspection system
CN102903089A (zh) * 2012-09-07 2013-01-30 山东大学 一种Linux环境下生成遥感图像快视图的方法
CN104182978A (zh) * 2014-08-22 2014-12-03 哈尔滨工程大学 一种基于空谱核稀疏表示的高光谱图像目标检测方法
CN104200478A (zh) * 2014-09-12 2014-12-10 广东财经大学 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法
CN104778671A (zh) * 2015-04-21 2015-07-15 重庆大学 一种基于sae和稀疏表示的图像超分辨率方法
CN105741267A (zh) * 2016-01-22 2016-07-06 西安电子科技大学 聚类引导深度神经网络分类的多源图像变化检测方法
CN105806849A (zh) * 2016-04-08 2016-07-27 广东工业大学 基于机器视觉的汽车座椅表面缺陷检测系统及检测方法
EP3091486A2 (en) * 2015-05-07 2016-11-09 Siemens Aktiengesellschaft Method and system for approximating deep neural networks for anatomical object detection
CN106599840A (zh) * 2016-12-13 2017-04-26 郑州云海信息技术有限公司 一种图像识别协处理器、图像识别系统及方法
GB201704373D0 (en) * 2017-03-20 2017-05-03 Rolls-Royce Ltd Surface defect detection
CN106771320A (zh) * 2016-11-23 2017-05-31 北京航天控制仪器研究所 一种火箭橇图像测速方法
CN107145903A (zh) * 2017-04-28 2017-09-08 武汉理工大学 一种基于卷积神经网络图片特征提取的船舶类型识别方法
CN107292885A (zh) * 2017-08-08 2017-10-24 广东工业大学 一种基于自动编码器的产品缺陷分类识别方法及装置
CN107742124A (zh) * 2017-09-22 2018-02-27 北京航天控制仪器研究所 一种加权梯度方向共生矩阵纹理特征的提取方法
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
CN108122223A (zh) * 2017-12-18 2018-06-05 浙江工业大学 基于Fisher准则的铁氧体缺陷深度学习识别方法
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
CN108364281A (zh) * 2018-01-08 2018-08-03 佛山市顺德区中山大学研究院 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法
US20180227483A1 (en) * 2017-02-07 2018-08-09 Intel Corporation Image difference based segmentation using recursive neural networks
WO2018149133A1 (zh) * 2017-02-17 2018-08-23 深圳大学 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统
CN108846410A (zh) * 2018-05-02 2018-11-20 湘潭大学 基于稀疏自动编码深度神经网络的电能质量扰动分类方法
CN108921846A (zh) * 2018-07-17 2018-11-30 北京航空航天大学 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法
CN109102012A (zh) * 2018-07-30 2018-12-28 上海交通大学 一种局部放电信号的缺陷识别方法及系统
WO2019001208A1 (zh) * 2017-06-28 2019-01-03 苏州比格威医疗科技有限公司 一种oct图像中脉络膜新生血管分割算法
CN109191430A (zh) * 2018-07-27 2019-01-11 江苏理工学院 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法
CN109540084A (zh) * 2018-10-25 2019-03-29 北京航天控制仪器研究所 一种浮液中零件三维姿态的测量方法及装置
EP3495992A1 (en) * 2017-12-07 2019-06-12 IMRA Europe SAS Danger ranking using end to end deep neural network
CN110188774A (zh) * 2019-05-27 2019-08-30 昆明理工大学 一种基于深度学习的电涡流扫描图像分类识别方法
KR102039472B1 (ko) * 2018-05-14 2019-11-01 연세대학교 산학협력단 컴퓨터 단층촬영 영상 재구성 장치 및 방법

Patent Citations (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0563897A1 (en) * 1992-03-30 1993-10-06 Fuji Photo Film Co., Ltd. Defect inspection system
CN102903089A (zh) * 2012-09-07 2013-01-30 山东大学 一种Linux环境下生成遥感图像快视图的方法
CN104182978A (zh) * 2014-08-22 2014-12-03 哈尔滨工程大学 一种基于空谱核稀疏表示的高光谱图像目标检测方法
CN104200478A (zh) * 2014-09-12 2014-12-10 广东财经大学 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法
CN104778671A (zh) * 2015-04-21 2015-07-15 重庆大学 一种基于sae和稀疏表示的图像超分辨率方法
EP3091486A2 (en) * 2015-05-07 2016-11-09 Siemens Aktiengesellschaft Method and system for approximating deep neural networks for anatomical object detection
CN105741267A (zh) * 2016-01-22 2016-07-06 西安电子科技大学 聚类引导深度神经网络分类的多源图像变化检测方法
CN105806849A (zh) * 2016-04-08 2016-07-27 广东工业大学 基于机器视觉的汽车座椅表面缺陷检测系统及检测方法
CN106771320A (zh) * 2016-11-23 2017-05-31 北京航天控制仪器研究所 一种火箭橇图像测速方法
CN106599840A (zh) * 2016-12-13 2017-04-26 郑州云海信息技术有限公司 一种图像识别协处理器、图像识别系统及方法
US20180227483A1 (en) * 2017-02-07 2018-08-09 Intel Corporation Image difference based segmentation using recursive neural networks
WO2018149133A1 (zh) * 2017-02-17 2018-08-23 深圳大学 基于核非负矩阵分解的字典学习和稀疏特征表示的人脸识别方法及系统
GB201704373D0 (en) * 2017-03-20 2017-05-03 Rolls-Royce Ltd Surface defect detection
CN107145903A (zh) * 2017-04-28 2017-09-08 武汉理工大学 一种基于卷积神经网络图片特征提取的船舶类型识别方法
WO2019001208A1 (zh) * 2017-06-28 2019-01-03 苏州比格威医疗科技有限公司 一种oct图像中脉络膜新生血管分割算法
CN107292885A (zh) * 2017-08-08 2017-10-24 广东工业大学 一种基于自动编码器的产品缺陷分类识别方法及装置
CN107742124A (zh) * 2017-09-22 2018-02-27 北京航天控制仪器研究所 一种加权梯度方向共生矩阵纹理特征的提取方法
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
EP3495992A1 (en) * 2017-12-07 2019-06-12 IMRA Europe SAS Danger ranking using end to end deep neural network
CN108122223A (zh) * 2017-12-18 2018-06-05 浙江工业大学 基于Fisher准则的铁氧体缺陷深度学习识别方法
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
CN108364281A (zh) * 2018-01-08 2018-08-03 佛山市顺德区中山大学研究院 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法
CN108846410A (zh) * 2018-05-02 2018-11-20 湘潭大学 基于稀疏自动编码深度神经网络的电能质量扰动分类方法
KR102039472B1 (ko) * 2018-05-14 2019-11-01 연세대학교 산학협력단 컴퓨터 단층촬영 영상 재구성 장치 및 방법
CN108921846A (zh) * 2018-07-17 2018-11-30 北京航空航天大学 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法
CN109191430A (zh) * 2018-07-27 2019-01-11 江苏理工学院 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法
CN109102012A (zh) * 2018-07-30 2018-12-28 上海交通大学 一种局部放电信号的缺陷识别方法及系统
CN109540084A (zh) * 2018-10-25 2019-03-29 北京航天控制仪器研究所 一种浮液中零件三维姿态的测量方法及装置
CN110188774A (zh) * 2019-05-27 2019-08-30 昆明理工大学 一种基于深度学习的电涡流扫描图像分类识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李威,张文亮,蔡立明,余正海,段荣: "基于卷积神经网络的电路板器件分类算法", vol. 10, no. 10 *
范佳楠;刘英;胡忠康;赵乾;沈鹭翔;周晓林;: "基于Faster R-CNN的实木板材缺陷检测识别系统", no. 03 *
薛参观;: "基于堆叠降噪稀疏自动编码器的软件缺陷预测", no. 05 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465758A (zh) * 2020-11-19 2021-03-09 河南省科学院应用物理研究所有限公司 一种铝基覆铜板质量的诊断方法
CN114088729A (zh) * 2022-01-21 2022-02-25 潍坊佳昇光电科技有限公司 载板玻璃端面品质的检测装置及方法
CN114088729B (zh) * 2022-01-21 2022-04-12 潍坊佳昇光电科技有限公司 载板玻璃端面品质的检测装置及方法

Also Published As

Publication number Publication date
CN111028210B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN110389127B (zh) 一种金属陶瓷零件识别及表面缺陷检测系统和方法
CN108876768B (zh) 导光板暗影缺陷检测方法
CN111028210B (zh) 一种基于深度神经网络的玻璃管端面缺陷检测方法
CN109993154B (zh) 变电站单指针式六氟化硫型仪表智能识别方法
CN101819024B (zh) 一种基于机器视觉的二维位移检测方法
CN111062961A (zh) 一种基于深度学习的隐形眼镜边缘缺陷检测方法
CN109685789B (zh) 基于视觉检测的电芯表面胶纸检测方法及装置
WO2018010387A1 (zh) 元件反件检测方法和系统
WO2018010386A1 (zh) 元件反件检测方法和系统
CN112233111A (zh) 一种基于数字图像处理的隧道缝隙检测方法
CN110554052A (zh) 一种人造板表面缺陷检测方法及其系统
CN113820319A (zh) 一种纺织品表面缺陷检测装置与方法
CN111199194A (zh) 基于机器视觉和深度学习的汽车智能座舱仪表测试方法
CN103900499B (zh) 基于计算机视觉技术的卷烟包装警语区域面积测定方法
CN112268663A (zh) 一种机器视觉皂泡法气密性检验方法
CN115222735A (zh) 一种基于麻点缺陷的金属模具质量检测方法
CN110400320B (zh) 一种电润湿缺陷像素的分割方法
CN116721039B (zh) 一种应用于自动化光学缺陷检测中的图像预处理方法
CN110674737B (zh) 一种虹膜识别的增强方法
CN109461155B (zh) 一种生丝质量检测方法
CN108830834B (zh) 一种爬索机器人视频缺陷信息自动提取方法
CN111238777A (zh) 一种基于深度学习的显示屏点亮缺陷检测方法
CN113504250B (zh) 基于棱镜式rgb色彩提取的花生黄曲霉素检测装置及方法
CN104897688B (zh) 一种化纤纸管外观检测过程中图像精确处理方法及系统
CN114742823A (zh) 一种物体表面划痕智能检测方法

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