CN111179229A - 一种基于深度学习的工业ct缺陷检测方法 - Google Patents
一种基于深度学习的工业ct缺陷检测方法 Download PDFInfo
- Publication number
- CN111179229A CN111179229A CN201911303343.4A CN201911303343A CN111179229A CN 111179229 A CN111179229 A CN 111179229A CN 201911303343 A CN201911303343 A CN 201911303343A CN 111179229 A CN111179229 A CN 111179229A
- Authority
- CN
- China
- Prior art keywords
- model
- defect
- mask
- image
- training
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000002950 deficient Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000012805 post-processing Methods 0.000 claims abstract description 4
- 230000001965 increasing effect Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000011799 hole material Substances 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 239000002893 slag Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 20
- 238000000034 method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习的工业CT缺陷检测方法，它包括以下步骤：采集数据；划分数据集；图像标注；图像增强；构造模型；自定义损失函数及评价标准；训练模型：训练模型并保存训练后模型最好的权重；后处理：将验证集图片输入至模型得到验证集原图像对应的原始缺陷掩码，对掩码进行后续处理；计算缺陷区域面积：通过得到的包含缺陷的掩码图像，计算缺陷像素面积；分割缺陷：加载训练模型中保存的权重作为预测模型，将模型输入即可得到原图像包含各类缺陷的原始掩码图像，再对掩码图像做后处理以及缺陷区域面积计算可以得到最终包含缺陷掩码图像以及缺陷面积；通过本发明可以在实际生产中准确而快速地检测并识别出缺陷区域。
Description
技术领域
本发明属于人工智能领域，具体涉及一种基于深度学习的工业CT缺陷检测方法。
背景技术
在目前的工业缺陷检测领域，大部分仍采用肉眼观察缺陷的方法确定缺陷区域并人工标注，这种方法无法确定精确的缺陷区域，同时耗费大量的时间；另一种方法即采用传统的图像处理技术，如SIFT+SVM采用对抽取的图片特征聚类后再进行分类，又如近年来基于深层卷积神经网络的VGG或DenseNet分类模型以及基于Mask RCNN等实例分割模型，但此种分类方法针对缺陷前景背景不均衡或缺陷种类不均衡时模型准确率不佳，导致实际生产中缺陷区域检测的准确率不高，增加了生产成本。
发明内容
本发明的目的是为了克服现有技术的不足，而提供一种可以在实际生产中准确而快速地检测并识别出缺陷区域的基于深度学习的工业CT缺陷检测方法。
本发明的目的是这样实现的：一种基于深度学习的工业CT缺陷检测方法，它包括以下步骤：
步骤一、采集数据：首先通过工业CT采集设备零部件的3D图像，选取切片后包含缺陷与不包含缺陷的2D图像作为模型数据；
步骤二、划分数据集：将步骤一得到的数据按一定比例划分为训练集、验证集、测试集三部分，同时对数据集洗牌使每部分均包含相同比例的缺陷图像，其中训练集的数据作为模型训练的基础数据，验证集用来检验模型并进行微调，测试集作为模型最终的验证标准；
步骤三、图像标注：对步骤二中的训练集与验证集图像标注，并得到孔洞、杂质、渣孔、针孔共4类缺陷对应的掩码；
步骤四、图像增强：由于采集图像条件特殊导致包含缺陷图像较少，故对训练集及其掩码采用图像增强，图像增强增加数据集的同时使模型具有更好的鲁棒性；
步骤五、构造模型：模型主要包含编码器及解码器两部分；
步骤六、自定义损失函数及评价标准：由于实际生产中缺陷面积区域占总背景比例较小，为增加惩罚系数的同时增加稳定性，故自定义评价标准θd；
步骤七、训练模型：设置编码器与解码器不同的动态衰减学习率，训练模型至验证集的损失函数不再下降，最终实现对缺陷图像的像素级分割，同时保存训练后模型最好的权重；
步骤八、后处理：将验证集图片输入至模型得到验证集原图像对应的原始缺陷掩码，对掩码进行后续处理，对所有缺陷分类分别设置阈值及最小像素个数，当掩码中像素数小于最小像素个数时整个掩码强制为空，若大于最小像素个数则不更改掩码，得到最终的掩码图像，实现针对缺陷的像素级分割；
步骤九、计算缺陷区域面积：通过步骤八得到的包含缺陷的掩码图像，计算掩码矩阵中不为0的个数之和即缺陷像素面积；
步骤十、分割缺陷：加载步骤七保存的权重作为预测模型，将测试集或其他新图像作为模型输入，即可得到原图像包含各类缺陷的原始掩码图像，再对掩码图像做步骤八的后处理以及步骤九的面积计算可以得到最终包含缺陷掩码图像以及缺陷面积。
所述的步骤一中，为了避免模型数据样本极端不平衡而造成模型过拟合，需对模型数据进行筛选，使得筛选后包含缺陷的图片大约占总图片数量比例的30％～40％。
所述的步骤二中训练集、验证集和测试集分别占步骤一中所得模型数据的比例为80％、15％和5％。
所述的步骤四中图像增强的内容包括：水平翻转、垂直翻转、随机旋转+对称填充、平移缩放旋转、网格失真、弹性变换。
所述的步骤五中模型编码器主干部分采用残差网络SE-ResNet结构，同时增加以下功能：(1)分组卷积：从第二个卷积层开始，将残差块由1组改为32组分别进行卷积，进行下一次卷积之前完成32组卷积4通道的拼接；(2)特征重标定：通过损失函数学习特征的权重，每一次迭代使有效的特征增大，使无效或效果较小的特征减小；(3)每一个卷积块中的非线性激活函数设置为包含泄露值的Leaky-ReLU；(4)将编码器中的第一个卷积块输入通道设置为11；(5)增加卷积核个数，将卷积层中的卷积核设置为SE-ResNet中卷积核的2倍，以此得到更多的语义特征；该编码器在全局平均池化层之前分别保留5个卷积块的特征张量送入解码器。
解码器即模型上采样部分，编码器的全连接层作为解码器的输入，每次上采样之后分别与解码器对应层的特征张量融合，融合之后继续上采样，最终得到与输入编码器尺寸大小相同的图像。
所述的步骤六中的评价标准θd等于0.7倍包含smooth的骰子系数以及0.3倍的交叉熵之和，损失函数设置为loss＝1-θd。
本发明的有益效果：(1)本发明结合深度学习，设计一种新型的缺陷分割方法，通过该方法可以在实际生产中准确而快速地检测并识别出缺陷区域，可以在工件进行下一步加工前确定其是否包含缺陷，从而确定是否继续加工或对工件进行其他决策，可以有效提高生产效率并减少生产成本；(2)本发明在自动检测出缺陷区域的同时，识别缺陷种类并计算缺陷区域的面积，使模型具备一定延展性，可以针对模型的输出优化生产流程或生产方法。
附图说明
附图1为本发明一种基于深度学习的工业CT缺陷检测方法的整体流程图；
附图2为包含缺陷的原图像及标注后其缺陷掩码的部分图片；
附图3为图像增强后的图像及其缺陷掩码部分图片，其中，图3.1为缺陷原图及其掩码未增强时的图像，图3.2为弹性变换后的图像及其掩码，图3.3为网格失真后的图像及其掩码，图3.4为对称填充后的图像及其掩码，图3.5为水平翻转后的图像及其掩码；
附图4：缺陷分割模型输出的测试原图片及其缺陷掩码；
附图5：模型编码器残差块示意图，其中，图5.1为模型编码器残差块与恒等块的单通道示意图，该图中上通路为残差块、下图中为恒等块，图5.2为图5.1中32组通道的结构示意图；
附图6：缺陷分割模型流程图。
具体实施方式
下面结合附图对本发明做进一步的说明。
实施例1
如图1-6所示，一种基于深度学习的工业CT缺陷检测方法，它包括以下步骤：
步骤一、采集数据：首先通过工业CT采集设备零部件的3D图像，选取切片后包含缺陷与不包含缺陷的2D图像作为模型数据；
步骤二、划分数据集：将步骤一得到的数据按一定比例划分为训练集、验证集、测试集三部分，同时对数据集洗牌使每部分均包含相同比例的缺陷图像，其中训练集的数据作为模型训练的基础数据，验证集用来检验模型并进行微调，测试集作为模型最终的验证标准；
步骤三、图像标注：对步骤二中的训练集与验证集图像标注，并得到孔洞、杂质、渣孔、针孔共4类缺陷对应的掩码；
步骤四、图像增强：由于采集图像条件特殊导致包含缺陷图像较少，故对训练集及其掩码采用图像增强，图像增强增加数据集的同时使模型具有更好的鲁棒性；
步骤五、构造模型：模型主要包含编码器及解码器两部分；
步骤六、自定义损失函数及评价标准：由于实际生产中缺陷面积区域占总背景比例较小，为增加惩罚系数的同时增加稳定性，故自定义评价标准θd；
步骤七、训练模型：设置编码器与解码器不同的动态衰减学习率，训练模型至验证集的损失函数不再下降，最终实现对缺陷图像的像素级分割，同时保存训练后模型最好的权重；
步骤八、后处理：将验证集图片输入至模型得到验证集原图像对应的原始缺陷掩码，对掩码进行后续处理，对所有缺陷分类分别设置阈值及最小像素个数，当掩码中像素数小于最小像素个数时整个掩码强制为空，若大于最小像素个数则不更改掩码，得到最终的掩码图像，实现针对缺陷的像素级分割；
步骤九、计算缺陷区域面积：通过步骤八得到的包含缺陷的掩码图像，计算掩码矩阵中不为0的个数之和即缺陷像素面积；
步骤十、分割缺陷：加载步骤七保存的权重作为预测模型，将测试集或其他新图像作为模型输入，即可得到原图像包含各类缺陷的原始掩码图像，再对掩码图像做步骤八的后处理以及步骤九的面积计算可以得到最终包含缺陷掩码图像以及缺陷面积。
所述的步骤一中，为了避免模型数据样本极端不平衡而造成模型过拟合，需对模型数据进行筛选，使得筛选后包含缺陷的图片大约占总图片数量比例的30％～40％。
所述的步骤二中训练集、验证集和测试集分别占步骤一中所得模型数据的比例为80％、15％和5％。
所述的步骤四中图像增强的内容包括：水平翻转、垂直翻转、随机旋转+对称填充、平移缩放旋转、网格失真、弹性变换。
所述的步骤五中模型编码器主干部分采用残差网络SE-ResNet结构，同时增加以下功能：(1)分组卷积：从第二个卷积层开始，将残差块由1组改为32组分别进行卷积，进行下一次卷积之前完成32组卷积4通道的拼接；(2)特征重标定：通过损失函数学习特征的权重，每一次迭代使有效的特征增大，使无效或效果较小的特征减小；(3)每一个卷积块中的非线性激活函数设置为包含泄露值的Leaky-ReLU；(4)将编码器中的第一个卷积块输入通道设置为11；(5)增加卷积核个数，将卷积层中的卷积核设置为SE-ResNet中卷积核的2倍，以此得到更多的语义特征；该编码器在全局平均池化层之前分别保留5个卷积块的特征张量送入解码器。
解码器即模型上采样部分，编码器的全连接层作为解码器的输入，每次上采样之后分别与解码器对应层的特征张量融合，融合之后继续上采样，最终得到与输入编码器尺寸大小相同的图像。
所述的步骤六中的评价标准θd等于0.7倍包含smooth的骰子系数以及0.3倍的交叉熵之和，损失函数设置为loss＝1-θd。
本发明，首先采集图像并构建数据集，并按比例分为训练集、验证集、测试集三部分；根据采集图片的缺陷特点对训练集与验证集进行缺陷分类，标注得到训练模型所需的数据集，对数据集增强后输入模型。
模型网络整体架构如下：考虑此解码器将图像放大25倍，首先将输入图片大小重新调整为352x352，经过5组卷积层以及最大池化层分别得到176x176、88x88、44x44、22x22、11x11共5组依次提取高、低层次的语义特征图，将5组特征特图输入至解码器；解码器从底层首先将11x11的特征图上采样得到22x22的特征图，将此特征图与编码器22x22的特征图拼接卷积操作进行特征融合，大幅度结合高层语义和低层的细粒度表层信息，之后再次进行上采样，依次得到44x44、88x88、176x176、352x352的特征图，最终的352x352图像即为模型输出掩码；另一方面，编码器包含共5组卷积层，每一组卷积层分别将卷积块分成32个通道进行卷积，每组的输入输出都是4通道，分组卷积完成后将4通道合并输入至下一个卷积层。5个卷积层从1至5层卷积核个数构成分别如下所示：
该模型可以在不明显增加网络参数量级的同时提升模型准确率，通过该模型得到预测掩码后根据步骤八、步骤九、步骤十对输出的缺陷掩码后续处理实现对缺陷图像的像素分割及计算缺陷面积。
Claims (7)
1.一种基于深度学习的工业CT缺陷检测方法，其特征在于：它包括以下步骤：
步骤一、采集数据：首先通过工业CT采集设备零部件的3D图像，选取切片后包含缺陷与不包含缺陷的2D图像作为模型数据；
步骤二、划分数据集：将步骤一得到的数据按一定比例划分为训练集、验证集、测试集三部分，同时对数据集洗牌使每部分均包含相同比例的缺陷图像，其中训练集的数据作为模型训练的基础数据，验证集用来检验模型并进行微调，测试集作为模型最终的验证标准；
步骤三、图像标注：对步骤二中的训练集与验证集图像标注，并得到孔洞、杂质、渣孔、针孔共4类缺陷对应的掩码；
步骤四、图像增强：由于采集图像条件特殊导致包含缺陷图像较少，故对训练集及其掩码采用图像增强，图像增强增加数据集的同时使模型具有更好的鲁棒性；
步骤五、构造模型：模型主要包含编码器及解码器两部分；
步骤六、自定义损失函数及评价标准：由于实际生产中缺陷面积区域占总背景比例较小，为增加惩罚系数的同时增加稳定性，故自定义评价标准θd；
步骤七、训练模型：设置编码器与解码器不同的动态衰减学习率，训练模型至验证集的损失函数不再下降，最终实现对缺陷图像的像素级分割，同时保存训练后模型最好的权重；
步骤八、后处理：将验证集图片输入至模型得到验证集原图像对应的原始缺陷掩码，对掩码进行后续处理，对所有缺陷分类分别设置阈值及最小像素个数，当掩码中像素数小于最小像素个数时整个掩码强制为空，若大于最小像素个数则不更改掩码，得到最终的掩码图像，实现针对缺陷的像素级分割；
步骤九、计算缺陷区域面积：通过步骤八得到的包含缺陷的掩码图像，计算掩码矩阵中不为0的个数之和即缺陷像素面积；
步骤十、分割缺陷：加载步骤七保存的权重作为预测模型，将测试集或其他新图像作为模型输入，即可得到原图像包含各类缺陷的原始掩码图像，再对掩码图像做步骤八的后处理以及步骤九的面积计算可以得到最终包含缺陷掩码图像以及缺陷面积。
2.根据权利要求1所述的基于深度学习的工业CT缺陷检测方法，其特征在于：所述的步骤一中，为了避免模型数据样本极端不平衡而造成模型过拟合，需对模型数据进行筛选，使得筛选后包含缺陷的图片大约占总图片数量比例的30％～40％。
3.根据权利要求1所述的基于深度学习的工业CT缺陷检测方法，其特征在于：所述的步骤二中训练集、验证集和测试集分别占步骤一中所得模型数据的比例为80％、15％和5％。
4.根据权利要求1所述的基于深度学习的工业CT缺陷检测方法，其特征在于：所述的步骤四中图像增强的内容包括：水平翻转、垂直翻转、随机旋转+对称填充、平移缩放旋转、网格失真、弹性变换。
5.根据权利要求1所述的基于深度学习的工业CT缺陷检测方法，其特征在于：所述的步骤五中模型编码器主干部分采用残差网络SE-ResNet结构，同时增加以下功能：(1)分组卷积：从第二个卷积层开始，将残差块由1组改为32组分别进行卷积，进行下一次卷积之前完成32组卷积4通道的拼接；(2)特征重标定：通过损失函数学习特征的权重，每一次迭代使有效的特征增大，使无效或效果较小的特征减小；(3)每一个卷积块中的非线性激活函数设置为包含泄露值的Leaky-ReLU；(4)将编码器中的第一个卷积块输入通道设置为11；(5)增加卷积核个数，将卷积层中的卷积核设置为SE-ResNet中卷积核的2倍，以此得到更多的语义特征；该编码器在全局平均池化层之前分别保留5个卷积块的特征张量送入解码器。
6.根据权利要求1或5所述的基于深度学习的工业CT缺陷检测方法，其特征在于：解码器即模型上采样部分，编码器的全连接层作为解码器的输入，每次上采样之后分别与解码器对应层的特征张量融合，融合之后继续上采样，最终得到与输入编码器尺寸大小相同的图像。
7.根据权利要求1所述的基于深度学习的工业CT缺陷检测方法，其特征在于：所述的步骤六中的评价标准θd等于0.7倍包含smooth的骰子系数以及0.3倍的交叉熵之和，损失函数设置为loss＝1-θd。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911303343.4A CN111179229B (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度学习的工业ct缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911303343.4A CN111179229B (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度学习的工业ct缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111179229A true CN111179229A (zh) | 2020-05-19 |
| CN111179229B CN111179229B (zh) | 2023-10-20 |
Family
ID=70657373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911303343.4A Active CN111179229B (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度学习的工业ct缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111179229B (zh) |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612066A (zh) * | 2020-05-21 | 2020-09-01 | 成都理工大学 | 基于深度融合的卷积神经网络的遥感图像分类方法 |
| CN111784673A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(上海)科技有限公司 | 缺陷检测模型训练和缺陷检测方法、设备及存储介质 |
| CN111862025A (zh) * | 2020-07-14 | 2020-10-30 | 中国船舶重工集团公司第七一六研究所 | 基于深度学习的pcb缺陷自动检测方法 |
| CN111951232A (zh) * | 2020-07-24 | 2020-11-17 | 上海微亿智造科技有限公司 | 一种金属粉末注射成型外观缺陷检测方法及系统 |
| CN112102229A (zh) * | 2020-07-23 | 2020-12-18 | 西安交通大学 | 一种基于深度学习的工业ct检测缺陷的智能识别方法 |
| CN112233059A (zh) * | 2020-08-13 | 2021-01-15 | 浙江理工大学 | 基于分割+决策的二阶段残差注意力网络的导光板缺陷检测方法 |
| CN112257849A (zh) * | 2020-10-23 | 2021-01-22 | 西南石油大学 | 基于深度学习的智能检测方法、系统、装置及其应用 |
| CN112330682A (zh) * | 2020-11-09 | 2021-02-05 | 重庆邮电大学 | 一种基于深度卷积神经网络的工业ct图像分割方法 |
| CN112365443A (zh) * | 2020-10-16 | 2021-02-12 | 珠海市奥德维科技有限公司 | 基于深度学习的六面体缺陷检测方法及介质 |
| CN112581001A (zh) * | 2020-12-24 | 2021-03-30 | 成都安易迅科技有限公司 | 设备的评估方法及装置、电子设备、可读存储介质 |
| CN112767369A (zh) * | 2021-01-25 | 2021-05-07 | 佛山科学技术学院 | 小五金的缺陷识别检测方法、装置及计算机可读存储介质 |
| CN112966603A (zh) * | 2021-03-05 | 2021-06-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车渡板脱落的故障识别方法 |
| CN113076989A (zh) * | 2021-03-30 | 2021-07-06 | 太原理工大学 | 一种基于ResNet网络的芯片缺陷图像分类方法 |
| CN113129288A (zh) * | 2021-04-22 | 2021-07-16 | 安徽大学 | 一种基于深度学习图像语义分割的药片表面缺陷检测方法及其自动化处理装置 |
| CN113240665A (zh) * | 2021-06-04 | 2021-08-10 | 同济大学 | 一种基于深度学习的工业自动表面缺陷检测方法 |
| CN113658180A (zh) * | 2021-10-20 | 2021-11-16 | 北京矩视智能科技有限公司 | 一种基于空间上下文引导的表面缺陷区域分割方法和装置 |
| CN113723480A (zh) * | 2021-08-18 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
| CN113822870A (zh) * | 2021-09-27 | 2021-12-21 | 陈博源 | 一种电致发光半导体板材表面缺陷ai检测方法 |
| CN114022409A (zh) * | 2021-09-30 | 2022-02-08 | 电子科技大学 | 基于深度学习的包覆药表面缺陷检测算法 |
| CN114820619A (zh) * | 2022-06-29 | 2022-07-29 | 深圳市信润富联数字科技有限公司 | 块茎类植物分选方法、系统、计算机设备和存储介质 |
| CN115587989A (zh) * | 2022-10-21 | 2023-01-10 | 国家工业信息安全发展研究中心 | 一种工件ct图像缺陷检测分割方法及系统 |
| CN115984244A (zh) * | 2023-02-08 | 2023-04-18 | 成都数之联科技股份有限公司 | 面板缺陷标注方法、装置、存储介质、设备及程序产品 |
| WO2023097637A1 (zh) * | 2021-12-03 | 2023-06-08 | 宁德时代新能源科技股份有限公司 | 一种用于缺陷检测的方法和系统 |
| CN116630323A (zh) * | 2023-07-25 | 2023-08-22 | 山东建筑大学 | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 |
| CN117218114A (zh) * | 2023-11-06 | 2023-12-12 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像数据处理的网状织物缺陷快速检测方法 |
| CN118397284A (zh) * | 2024-07-01 | 2024-07-26 | 惠生清洁能源科技集团股份有限公司 | 焊接射线照片中缺陷视觉分割方法、装置、设备、及介质 |
| CN118549450A (zh) * | 2024-07-25 | 2024-08-27 | 深圳中慧创新科技有限公司 | 基于图像分析的电池密封圈缺陷检测方法及相关装置 |
| CN118397284B (zh) * | 2024-07-01 | 2024-10-25 | 惠生清洁能源科技集团股份有限公司 | 焊接射线照片中缺陷视觉分割方法、装置、设备、及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232675A (zh) * | 2019-03-28 | 2019-09-13 | 昆明理工大学 | 一种工业环境下的纹理表面缺陷检测与分割装置及方法 |
| WO2019200747A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技（深圳）有限公司 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
| CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
-
2019
- 2019-12-17 CN CN201911303343.4A patent/CN111179229B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019200747A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技（深圳）有限公司 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
| CN110232675A (zh) * | 2019-03-28 | 2019-09-13 | 昆明理工大学 | 一种工业环境下的纹理表面缺陷检测与分割装置及方法 |
| CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈龙现等: "基于CNN的木材内部CT图像缺陷辨识", 《林业科学》 * |
Cited By (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612066A (zh) * | 2020-05-21 | 2020-09-01 | 成都理工大学 | 基于深度融合的卷积神经网络的遥感图像分类方法 |
| CN111612066B (zh) * | 2020-05-21 | 2022-03-08 | 成都理工大学 | 基于深度融合的卷积神经网络的遥感图像分类方法 |
| CN111784673A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(上海)科技有限公司 | 缺陷检测模型训练和缺陷检测方法、设备及存储介质 |
| CN111784673B (zh) * | 2020-06-30 | 2023-04-18 | 创新奇智(上海)科技有限公司 | 缺陷检测模型训练和缺陷检测方法、设备及存储介质 |
| CN111862025A (zh) * | 2020-07-14 | 2020-10-30 | 中国船舶重工集团公司第七一六研究所 | 基于深度学习的pcb缺陷自动检测方法 |
| CN112102229A (zh) * | 2020-07-23 | 2020-12-18 | 西安交通大学 | 一种基于深度学习的工业ct检测缺陷的智能识别方法 |
| CN111951232A (zh) * | 2020-07-24 | 2020-11-17 | 上海微亿智造科技有限公司 | 一种金属粉末注射成型外观缺陷检测方法及系统 |
| CN112233059A (zh) * | 2020-08-13 | 2021-01-15 | 浙江理工大学 | 基于分割+决策的二阶段残差注意力网络的导光板缺陷检测方法 |
| CN112365443B (zh) * | 2020-10-16 | 2021-10-12 | 珠海市奥德维科技有限公司 | 基于深度学习的六面体缺陷检测方法及介质 |
| CN112365443A (zh) * | 2020-10-16 | 2021-02-12 | 珠海市奥德维科技有限公司 | 基于深度学习的六面体缺陷检测方法及介质 |
| CN112257849A (zh) * | 2020-10-23 | 2021-01-22 | 西南石油大学 | 基于深度学习的智能检测方法、系统、装置及其应用 |
| CN112330682A (zh) * | 2020-11-09 | 2021-02-05 | 重庆邮电大学 | 一种基于深度卷积神经网络的工业ct图像分割方法 |
| CN112581001B (zh) * | 2020-12-24 | 2024-06-07 | 成都安易迅科技有限公司 | 设备的评估方法及装置、电子设备、可读存储介质 |
| CN112581001A (zh) * | 2020-12-24 | 2021-03-30 | 成都安易迅科技有限公司 | 设备的评估方法及装置、电子设备、可读存储介质 |
| CN112767369A (zh) * | 2021-01-25 | 2021-05-07 | 佛山科学技术学院 | 小五金的缺陷识别检测方法、装置及计算机可读存储介质 |
| CN112966603B (zh) * | 2021-03-05 | 2022-03-08 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车渡板脱落的故障识别方法 |
| CN112966603A (zh) * | 2021-03-05 | 2021-06-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车渡板脱落的故障识别方法 |
| CN113076989A (zh) * | 2021-03-30 | 2021-07-06 | 太原理工大学 | 一种基于ResNet网络的芯片缺陷图像分类方法 |
| CN113129288A (zh) * | 2021-04-22 | 2021-07-16 | 安徽大学 | 一种基于深度学习图像语义分割的药片表面缺陷检测方法及其自动化处理装置 |
| CN113240665A (zh) * | 2021-06-04 | 2021-08-10 | 同济大学 | 一种基于深度学习的工业自动表面缺陷检测方法 |
| CN113723480A (zh) * | 2021-08-18 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
| CN113723480B (zh) * | 2021-08-18 | 2024-03-05 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
| CN113822870A (zh) * | 2021-09-27 | 2021-12-21 | 陈博源 | 一种电致发光半导体板材表面缺陷ai检测方法 |
| CN114022409A (zh) * | 2021-09-30 | 2022-02-08 | 电子科技大学 | 基于深度学习的包覆药表面缺陷检测算法 |
| CN114022409B (zh) * | 2021-09-30 | 2023-04-18 | 电子科技大学 | 基于深度学习的包覆药表面缺陷检测算法 |
| CN113658180A (zh) * | 2021-10-20 | 2021-11-16 | 北京矩视智能科技有限公司 | 一种基于空间上下文引导的表面缺陷区域分割方法和装置 |
| WO2023097637A1 (zh) * | 2021-12-03 | 2023-06-08 | 宁德时代新能源科技股份有限公司 | 一种用于缺陷检测的方法和系统 |
| US11922617B2 (en) | 2021-12-03 | 2024-03-05 | Contemporary Amperex Technology Co., Limited | Method and system for defect detection |
| CN114820619A (zh) * | 2022-06-29 | 2022-07-29 | 深圳市信润富联数字科技有限公司 | 块茎类植物分选方法、系统、计算机设备和存储介质 |
| CN115587989B (zh) * | 2022-10-21 | 2023-08-18 | 国家工业信息安全发展研究中心 | 一种工件ct图像缺陷检测分割方法及系统 |
| CN115587989A (zh) * | 2022-10-21 | 2023-01-10 | 国家工业信息安全发展研究中心 | 一种工件ct图像缺陷检测分割方法及系统 |
| CN115984244A (zh) * | 2023-02-08 | 2023-04-18 | 成都数之联科技股份有限公司 | 面板缺陷标注方法、装置、存储介质、设备及程序产品 |
| CN116630323B (zh) * | 2023-07-25 | 2023-09-22 | 山东建筑大学 | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 |
| CN116630323A (zh) * | 2023-07-25 | 2023-08-22 | 山东建筑大学 | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 |
| CN117218114B (zh) * | 2023-11-06 | 2024-01-30 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像数据处理的网状织物缺陷快速检测方法 |
| CN117218114A (zh) * | 2023-11-06 | 2023-12-12 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像数据处理的网状织物缺陷快速检测方法 |
| CN118397284A (zh) * | 2024-07-01 | 2024-07-26 | 惠生清洁能源科技集团股份有限公司 | 焊接射线照片中缺陷视觉分割方法、装置、设备、及介质 |
| CN118397284B (zh) * | 2024-07-01 | 2024-10-25 | 惠生清洁能源科技集团股份有限公司 | 焊接射线照片中缺陷视觉分割方法、装置、设备、及介质 |
| CN118549450A (zh) * | 2024-07-25 | 2024-08-27 | 深圳中慧创新科技有限公司 | 基于图像分析的电池密封圈缺陷检测方法及相关装置 |
| CN118549450B (zh) * | 2024-07-25 | 2024-09-27 | 深圳中慧创新科技有限公司 | 基于图像分析的电池密封圈缺陷检测方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111179229B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111179229B (zh) | 一种基于深度学习的工业ct缺陷检测方法 | |
| CN111814867B (zh) | 缺陷检测模型的训练方法、缺陷检测方法及相关装置 | |
| CN111126472B (zh) | 一种基于ssd改进的目标检测方法 | |
| CN107123111B (zh) | 一种用于手机屏幕缺陷检测的深度残差网络构造方法 | |
| CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
| CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
| CN111986125B (zh) | 一种用于多目标任务实例分割的方法 | |
| CN107871316B (zh) | 基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
| CN113781510B (zh) | 边缘检测方法、装置及电子设备 | |
| CN113205502A (zh) | 一种基于深度学习的绝缘子缺陷检测方法及其系统 | |
| CN113221731B (zh) | 一种多尺度遥感图像目标检测方法及系统 | |
| CN111160100A (zh) | 一种基于样本生成的轻量级深度模型航拍车辆检测方法 | |
| CN114596316A (zh) | 一种基于语义分割的道路图像细节抓取方法 | |
| CN111738114A (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
| CN113221956A (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
| CN114639102A (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
| CN110910497A (zh) | 实现增强现实地图的方法和系统 | |
| CN114428110A (zh) | 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统 | |
| CN113205136A (zh) | 一种用于电源适配器外观缺陷的实时高精度检测方法 | |
| CN113920421A (zh) | 一种快速分类的全卷积神经网络模型 | |
| CN117671452A (zh) | 轻量化上采样yolox的断栅检测模型构建方法及系统 | |
| CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
| CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
| CN110136098B (zh) | 一种基于深度学习的线缆顺序检测方法 | |
| CN114419078B (zh) | 基于卷积神经网络的表面缺陷区域分割方法及装置 |
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 |