CN111127417B - 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 - Google Patents
一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 Download PDFInfo
- Publication number
- CN111127417B CN111127417B CN201911322918.7A CN201911322918A CN111127417B CN 111127417 B CN111127417 B CN 111127417B CN 201911322918 A CN201911322918 A CN 201911322918A CN 111127417 B CN111127417 B CN 111127417B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- detection method
- labeling
- feature matching
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 230000007547 defect Effects 0.000 title claims abstract description 51
- 230000006872 improvement Effects 0.000 title claims description 6
- 238000005286 illumination Methods 0.000 claims abstract description 6
- 238000002372 labelling Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009459 flexible packaging Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
-
- G06T5/70—
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30144—Printing quality
-
- 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
- G06T2207/30204—Marker
-
- 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
Abstract
一种基于SIFT特征匹配和改进的SSD算法的软包装卷料印刷缺陷检测方法,将传统视觉缺陷检测方法和深度学习检测方法相结合,即弥补了传统视觉缺陷检测方法对图像角度和光照的不足,也将新技术引入到软包装检测领域,在保障检测时间的前提下,提高了检测的准确性。
Description
技术领域
本发明涉及印刷品缺陷检测技术领域,具体涉及一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法。
背景技术
人们生活水平的提高,人们对印刷产品的需求也在增加。在生活中,处处离不开印刷的产品,其中软包装就是需求之一,而在印刷生产过程中不免会出现各种类型的缺陷。随着深度学习和大数据的发展,人们对印刷产品中图像的要求的不断提高,智能化视觉检测技术渐渐走入了印刷的行业,
深度学习作为机器学习中一个重要的领域,让计算机模拟人类的认知过程,从经验中学习,通过各种层去提取相关信息,学习有用的特征并识别它们。传统视觉检测具有时效性,将已有技术与深度学习相互融合,具有一定的创新。
发明内容
本发明结合传统视觉图像检测和深度学习缺陷检测,提出了一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法。将传统视觉缺陷检测方法和深度学习检测方法相结合,即弥补了传统视觉缺陷检测方法对图像角度和光照的不足,也将新技术引入到软包装检测领域,在保障检测时间的前提下,提高了检测的准确性。
一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法,包括以下几个步骤:
步骤1:利用CCD工业相机采集图像,进行图像预处理,用传统机器视觉方法做第一重筛选,利用SIFT特征匹配判断是否为相同图像,如图像一致则检测结束,不一致则进入步骤2;
步骤2:先构建改进的SSD网络模型,训练模型,利用训练好的模型进行缺陷标注,少量标注出现标注错误或者漏标注的情况,则进入人工检测过程;
步骤3:人工将标注错误或者漏标注图像进行收集,标注缺陷位置后制作成训练集再训练网络;
步骤4:再将图片送入再次训练过的模型中,如果可以成功标注错误信息,则软包装卷料印刷缺陷检测完成。
进一步地,步骤1中的预处理包括,首先对标准图像和用CCD相机采集到的印刷图像利用公式:gray=0.39×R+0.5×G+0.11×B进行灰度化处理,然后利用自适应中值滤波即空间域除去噪声的方法对图片进行降噪处理,中值滤波就是按9个点像素取平均放入中心像素中,以消除孤立噪声污染点。
进一步地,步骤1中SIFT特征匹配步骤如下:
步骤1-1,尺度空间上进行极值检测,即搜索所有尺度上的图像位置;
通过高斯微分函数,来识别潜在的对于尺度和旋转不变的兴趣点;在尺度空间中可以通过不同参数的高斯函数对图像进行处理,用L(x,y,σ)表示图像尺度空间,I(x,y)表示待处理图像,G(x,y,σ)表示高斯函数,即L(x,y,σ)=G(x,y,σ)*I(x,y),
步骤1-2,图像上关键点定位,即在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度;
关键点的选择依据于它们的稳定程度,其中关键点定位理论公式如下:
其中X=(x,y,σ)T;求导并让方程等于零,可以得到极值点的偏移量为:/>对应的极值点,方程的值为:/>当任何大小的偏移量等于0.5时,表示插值的中心已偏移到其相邻位置,因此必须更改当前键的位置。同时,在新位置重复插值,直到它收敛,可能超过设定的迭代次数或图像边界,并且应删除这些点;
步骤1-3,梯度方向确定,即基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向;后续对图像数据的操作都相对于关键点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性,利用与来计算出(x,y)点处的梯度值和方向;关键点的主方向可以用梯度直方图的峰值来确定,以使关键点匹配更加稳定;
步骤1-4,图像上关键点描述,即在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度;这些梯度被变换成一种表示,这种表示允许比较大的局部形状的变形和光照变化。
进一步地,步骤2中改进的SSD网络模型为FSSD网络模型,其采用基础网络和辅助网络来提取图像特征;
FSSD网络使用VGG16作为基础网络初步提取图片特征;为获取更多小尺度下的信息,FSSD在基础网络之后依次增加conv6_2和conv7_2用输出的特征图调整为相同尺寸后进行特征融合,利用融合得到的特征重构一组金字塔特征图来进行预测;
进一步地,步骤2中,FSSD模型训练的步骤为:
步骤A:用工业CCD相机采集缺陷图片,将图片进行预处理缩放后,对数据的每一个维度的值进行重新调节,使得最终的数据向量落在[0,1]或[-1,1]的区间内;如果数据采集较少,采用水平翻转的数据增强方法来验证FSSD模型的泛化能力;
步骤B:数据集制作过程中使用LabelImg来标注图片,每张图片标注完成后会生成.xml文件,生成的文件中包含标注框中四个角的真实坐标位置;将图片分成互斥的训练集、测试集和验证集三部分来标注;
步骤C:利用.xml文件训练FSSD网络,经过多层的卷积语义表达之后得到印刷缺陷的目标区域。
步骤5:人工将标注错误或者漏标注图像进行收集,标注缺陷位置后制作成训练集再训练网络,提高网络模型的泛化性和鲁棒性。
步骤6:再将图片送入再次训练过的模型中,如果可以成功标注错误信息,则软包装卷料印刷缺陷检测完成。
本发明达到的有益效果为:将传统视觉缺陷检测方法和深度学习检测方法相结合,即弥补了传统视觉缺陷检测方法对图像角度和光照的不足,也将新技术引入到软包装检测领域,在保障检测时间的前提下,提高了检测的准确性。
附图说明
图1是本发明的基于SIFT特征匹配和改进的SSD算法的软包装卷料印刷缺陷检测整体流程图。
图2是本发明改进的SSD深度网络模型结构图。
图3是本发明深度网络中的特征金字塔结构图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法,包括以下几个步骤:
步骤1:利用CCD工业相机采集图像,进行图像预处理,用传统机器视觉方法做第一重筛选,利用SIFT特征匹配判断是否为相同图像,如图像一致则检测结束,不一致则进入步骤2。
步骤1中的预处理包括,首先对标准图像和用CCD相机采集到的印刷图像利用公式:gray=0.39×R+0.5×G+0.11×B进行灰度化处理,然后利用自适应中值滤波即空间域除去噪声的方法对图片进行降噪处理,中值滤波就是按9个点像素取平均放入中心像素中,以消除孤立噪声污染点。
步骤1中SIFT特征匹配步骤如下:
步骤1-1,尺度空间上进行极值检测,即搜索所有尺度上的图像位置;
通过高斯微分函数,来识别潜在的对于尺度和旋转不变的兴趣点;在尺度空间中可以通过不同参数的高斯函数对图像进行处理,用L(x,y,σ)表示图像尺度空间,I(x,y)表示待处理图像,G(x,y,σ)表示高斯函数,即L(x,y,σ)=G(x,y,σ)*I(x,y),
步骤1-2,图像上关键点定位,即在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度。
关键点的选择依据于它们的稳定程度,其中关键点定位理论公式如下:其中X=(x,y,σ)T;求导并让方程等于零,可以得到极值点的偏移量为/>对应的极值点,方程的值为:/>当任何大小的偏移量等于0.5时,表示插值的中心已偏移到其相邻位置,因此必须更改当前键的位置。同时,在新位置重复插值,直到它收敛,可能超过设定的迭代次数或图像边界,并且应删除这些点。
步骤1-3,梯度方向确定,即基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向;后续对图像数据的操作都相对于关键点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性,利用与/>来计算出(x,y)点处的梯度值和方向;关键点的主方向可以用梯度直方图的峰值来确定,通过此方法可以使关键点匹配更加稳定。
步骤1-4,图像上关键点描述,即在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度;这些梯度被变换成一种表示,这种表示允许比较大的局部形状的变形和光照变化。
步骤2:先构建改进的SSD网络模型,训练模型,利用训练好的模型进行缺陷标注,少量标注出现标注错误或者漏标注的情况,则进入人工检测过程。
步骤2中改进的SSD网络模型为FSSD网络模型,其采用基础网络和辅助网络来提取图像特征。
FSSD网络使用VGG16作为基础网络初步提取图片特征;为获取更多小尺度下的信息,FSSD在基础网络之后依次增加conv6_2和conv7_2用输出的特征图调整为相同尺寸后进行特征融合,利用融合得到的特征重构一组金字塔特征图来进行预测。相对于传统SSD网络模型,FSSD网络模型对小物体的检测更加准确,可以用于检测印刷品上的各类缺陷。
FSSD网络使用随机梯度下降法,设定初始学习率为0.0005,动量为0.9,权重衰减为0.0005,批次大小为8,学习率下降策略采用为多步策略;正负样本由其归属类别的真实边框与预测边框的交并比IOU决定,并将IOU阈值设置为0.55,以区分正负样本;根据权重文件调整参数,以使模型最优化;其中训练时选择常见的4种印刷上的缺陷,如脏点、划痕、拖墨、糊字等缺陷图片各300张,共计1200张图片进行训练,按照voc2007格式制作数据集;其次将训练集输入到FSSD网络训练,根据权重文件调整网络结构与参数,直至网络收敛;最后使用最优化网络模型进行软包装缺陷的检测。
步骤2中,FSSD模型训练的步骤为:
步骤A:用工业CCD相机采集缺陷图片,将图片进行预处理缩放后,对数据的每一个维度的值进行重新调节,使得最终的数据向量落在[0,1]或[-1,1]的区间内;如果数据采集较少,采用水平翻转的数据增强方法来验证FSSD模型的泛化能力。
步骤B:数据集制作过程中使用LabelImg来标注图片,每张图片标注完成后会生成.xml文件,生成的文件中包含标注框中四个角的真实坐标位置;将图片分成互斥的训练集、测试集和验证集三部分来标注。
步骤C:利用.xml文件训练FSSD网络,经过多层的卷积语义表达之后得到印刷缺陷的目标区域。
步骤3:人工将标注错误或者漏标注图像进行收集,标注缺陷位置后制作成训练集再训练网络,这样可以提高网络的检测精度和泛化性。
步骤4:再将图片送入再次训练过的模型中,如果可以成功标注错误信息,则软包装卷料印刷缺陷检测完成。当印刷图像与标准图像一致或者缺陷位置标注完成则表示卷料印刷缺陷检测完成。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (6)
1.一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法,其特征在于:所述印刷缺陷检测方法包括以下几个步骤:
步骤1:利用CCD工业相机采集图像,进行图像预处理,用传统机器视觉方法做第一重筛选,利用SIFT特征匹配判断是否为相同图像,如图像一致则检测结束,不一致则进入步骤2;
步骤2:先构建改进的SSD网络模型,训练模型,利用训练好的模型进行缺陷标注,少量标注出现标注错误或者漏标注的情况,则进入人工检测过程;
步骤2中改进的SSD网络模型为FSSD网络模型,其采用基础网络和辅助网络来提取图像特征;
FSSD网络使用VGG16作为基础网络初步提取图片特征;为获取更多小尺度下的信息,FSSD在基础网络之后依次增加conv6_2和conv7_2用输出的特征图调整为相同尺寸后进行特征融合,利用融合得到的特征重构一组金字塔特征图来进行预测;
步骤3:人工将标注错误或者漏标注图像进行收集,标注缺陷位置后制作成训练集再训练网络;
步骤4:再将图片送入再次训练过的模型中,如果成功标注错误信息,则软包装卷料印刷缺陷检测完成。
2.根据权利要求1所述的一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法,其特征在于:步骤1中的预处理包括,首先对标准图像和用CCD相机采集到的印刷图像利用公式:gray=0.39×R+0.5×G+0.11×B进行灰度化处理,然后利用自适应中值滤波即空间域除去噪声的方法对图片进行降噪处理,中值滤波就是按9个点像素取平均放入中心像素中,以消除孤立噪声污染点。
3.根据权利要求1所述的一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法,其特征在于:步骤1中SIFT特征匹配步骤如下:
步骤1-1,尺度空间上进行极值检测,即搜索所有尺度上的图像位置;
通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点;在尺度空间中通过不同参数的高斯函数对图像进行处理,用L(x,y,σ)表示图像尺度空间,I(x,y)表示待处理图像,G(x,y,σ)表示高斯函数,即L(x,y,σ)=G(x,y,σ)*I(x,y),
步骤1-2,图像上关键点定位,即在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度;
关键点的选择依据于它们的稳定程度,其中关键点定位理论公式如下:
其中X=(x,y,σ)T;求导并让方程等于零,得到极值点的偏移量为:/>对应的极值点,方程的值为:/>当任何大小的偏移量等于0.5时,表示插值的中心已偏移到其相邻位置,因此必须更改当前键的位置;同时,在新位置重复插值,直到它收敛,超过设定的迭代次数或图像边界,并且应删除这些点;
步骤1-3,梯度方向确定,即基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向;然后对图像数据的操作都相对于关键点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性,利用与/>来计算出(x,y)点处的梯度值和方向;关键点的主方向用梯度直方图的峰值来确定,以使关键点匹配更加稳定;
步骤1-4,图像上关键点描述,即在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度;这些梯度被变换成一种表示,这种表示允许大的局部形状的变形和光照变化。
4.根据权利要求1所述的一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法,其特征在于:步骤2中,FSSD模型训练的步骤为:
步骤A:用工业CCD相机采集缺陷图片,将图片进行预处理缩放后,对数据的每一个维度的值进行重新调节,使得最终的数据向量落在[0,1]或[-1,1]的区间内;如果数据采集少,采用水平翻转的数据增强方法来验证FSSD模型的泛化能力;
步骤B:数据集制作过程中使用LabelImg来标注图片,每张图片标注完成后会生成.xml文件,生成的文件中包含标注框中四个角的真实坐标位置;将图片分成互斥的训练集、测试集和验证集三部分来标注;
步骤C:利用.xml文件训练FSSD网络,经过多层的卷积语义表达之后得到印刷缺陷的目标区域。
5.根据权利要求1所述的一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法,其特征在于:如图像存在少量的标注错误或者漏标现象,则将图片收集起来,人工标注后送入训练好的FSSD网络中再训练,这样提高网络的检测精度和泛化性。
6.根据权利要求1所述的一种基于SIFT特征匹配和改进SSD算法的印刷缺陷检测方法,其特征在于:当印刷图像与标准图像一致或者缺陷位置标注完成则表示卷料印刷缺陷检测完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911322918.7A CN111127417B (zh) | 2019-12-20 | 2019-12-20 | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911322918.7A CN111127417B (zh) | 2019-12-20 | 2019-12-20 | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127417A CN111127417A (zh) | 2020-05-08 |
CN111127417B true CN111127417B (zh) | 2024-02-06 |
Family
ID=70500536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911322918.7A Active CN111127417B (zh) | 2019-12-20 | 2019-12-20 | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127417B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344880A (zh) * | 2021-06-09 | 2021-09-03 | 浙江国研智能电气有限公司 | 基于Fast-RCNN的低压电器移印图案缺陷检测方法 |
CN113408396B (zh) * | 2021-06-15 | 2022-03-18 | 广西交科集团有限公司 | 一种基于云计算的桥梁智能感知系统 |
CN114332091B (zh) * | 2022-03-16 | 2022-06-03 | 武汉市金航艺精装印务有限公司 | 一种基于人工智能的印刷品缺陷检测方法 |
CN114372980A (zh) * | 2022-03-21 | 2022-04-19 | 视睿(杭州)信息科技有限公司 | 一种工业缺陷检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876781A (zh) * | 2018-06-26 | 2018-11-23 | 广东工业大学 | 基于ssd算法的表面缺陷识别方法 |
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 |
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109978014A (zh) * | 2019-03-06 | 2019-07-05 | 华南理工大学 | 一种融合密集连接结构的柔性基板缺陷检测方法 |
CN110554047A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 产品缺陷检测数据处理方法、装置、系统和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4750444B2 (ja) * | 2005-03-24 | 2011-08-17 | 株式会社日立ハイテクノロジーズ | 外観検査方法及びその装置 |
-
2019
- 2019-12-20 CN CN201911322918.7A patent/CN111127417B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876781A (zh) * | 2018-06-26 | 2018-11-23 | 广东工业大学 | 基于ssd算法的表面缺陷识别方法 |
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 |
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109978014A (zh) * | 2019-03-06 | 2019-07-05 | 华南理工大学 | 一种融合密集连接结构的柔性基板缺陷检测方法 |
CN110554047A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 产品缺陷检测数据处理方法、装置、系统和设备 |
Non-Patent Citations (2)
Title |
---|
Research on a Surface Defect Detection Algorithm Based on MobileNet-SSD;Yiting Li et al.;《applied sciences》;全文 * |
基于变步长采样的产品表面缺陷检测研究;徐青等;《激光与光电子学进展》(第09期);第2-3章节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111127417A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN108918536B (zh) | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 | |
CN111598861B (zh) | 基于改进的Faster R-CNN模型的非均匀纹理小缺陷的检测方法 | |
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN111507976B (zh) | 基于多角度成像的缺陷检测方法及系统 | |
CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
CN110706293B (zh) | 基于surf特征匹配的电子元器件定位和检测方法 | |
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
CN113592923B (zh) | 一种基于深度局部特征匹配的批图像配准方法 | |
CN111161260A (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法及装置 | |
CN113222982A (zh) | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 | |
CN110763700A (zh) | 一种半导体元器件缺陷检测方法和设备 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN114596500A (zh) | 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法 |
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 |