CN111242927A - 一种基于深度学习的正弦焊检测方法 - Google Patents
一种基于深度学习的正弦焊检测方法 Download PDFInfo
- Publication number
- CN111242927A CN111242927A CN202010038337.7A CN202010038337A CN111242927A CN 111242927 A CN111242927 A CN 111242927A CN 202010038337 A CN202010038337 A CN 202010038337A CN 111242927 A CN111242927 A CN 111242927A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- sine
- region
- deep learning
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000003466 welding Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 23
- 230000000877 morphologic effect Effects 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 description 4
- 238000011179 visual inspection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000002893 slag 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
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T2207/20084—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
- G06T2207/30152—Solder
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及深度学习技术领域，具体公开了一种基于深度学习的正弦焊检测方法，包括以下步骤：通过视觉检测相机及同轴光源对电池定位模组上待检测电池进行拍照，获得待检测图像；通过形态学方法，从待检测图像中获得待检测区域图像；提取待检测区域图像中的候选区域，将每个候选区域固定为同一尺寸大小并输入CNN模型中，得到特征向量；将特征向量输入到多类别分类器中，预测出候选区域中所含物体属于每个类的概率值，通过概率值判断是否符合正弦焊的一类特征；本发明能够对正弦波形的焊点进行自动检测，降低背景误判率，具有高精度、高稳定性和高效率的特点，满足自动化生产的要求。
Description
技术领域
本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的正弦焊检测方法。
背景技术
在电池生产过程中，需要将电池的极耳与保护板焊接成一体，以保证电池的使用性能，因此，焊接的质量好坏对电池性能起到很大影响，可见，焊接作业是电池生产过程中的一道重要工序。
在传统的焊接工艺中，多采用激光点的焊接方式，然而在焊接技术发展过程中，实际应用中测试出正弦波形的焊点比圆点形状的焊点拉拔力更好，效果更稳定。因此，在目前的焊接工艺中，逐渐出现以正弦波形的焊点来取代圆点形状的焊点的发展趋势。
但是，极耳的褶皱、变形以及焊渣等因素对正弦波形的检测有很大的影响，对视觉检测的要求非常高。用传统的深度学习方法很难处理遮挡问题，同时存在物体方向改变不易检测以及检测时间长等缺陷。
因此，现有技术中的检测方法很难稳定的检测正弦波的波形、长度、连续性、焊炸等特征，无法满足自动化生产的要求。
发明内容
针对上述技术问题，本发明提供了一种基于深度学习的正弦焊检测方法，能够对正弦波形的焊点进行自动检测，降低背景误判率，具有高精度、高稳定性和高效率的特点，满足自动化生产的要求。
为了解决上述技术问题，本发明提供的具体方案如下：
一种基于深度学习的正弦焊检测方法，包括以下步骤：
通过视觉检测相机及同轴光源对电池定位模组上待检测电池进行拍照，获得待检测图像；
通过形态学方法，从待检测图像中获得待检测区域图像；
提取待检测区域图像中的候选区域，将每个候选区域固定为同一尺寸大小并输入CNN模型中，得到特征向量；
将特征向量输入到多类别分类器中，预测出候选区域中所含物体属于每个类的概率值，通过概率值判断是否符合正弦焊的一类特征。
可选的，所述获得待检测图像，具体包括以下步骤：
根据电池定位模组上的电池个数和视觉检测相机的焦距决定拍照的次数，若多次拍照，需将多次拍照的图像拼接成一张图像，实现一次性检测，提高检测效率。
可选的，所述通过形态学方法，从待检测图像中获得待检测区域图像，具体包括以下步骤：
通过形态学的开运算和闭运算确定极耳焊盘区域图像，所述极耳焊盘区域图像为待检测区域图像，减少检测范围，提升检测速度。
可选的，所述提取待检测区域图像中的候选区域，具体包括以下步骤：
利用selective search算法在待检测区域图像中提取1000-2000个候选区域。
selective search算法是自底向上的分组方法，先找出图像中的相邻区域，然后定义一个领域相似度的计算规则，使用这些计算规则一直合并相似度较高的区域并且更新，直到覆盖至整张图像。
可选的，所述将每个候选区域固定为同一尺寸大小并输入CNN模型中，具体包括以下步骤：
采用各项异性缩放，对每个候选区域的长和宽进行缩放，根据正弦波的尺寸缩放成同一尺寸大小的候选区域。
由于前述提取的候选区域大小不一，而后续接入的深度网络输入是固定的，因此需要对每个候选区域的进行尺寸缩放，统一尺寸大小。
可选的，所述方法还包括训练阶段，所述训练阶段具体包括以下步骤：
通过视觉检测相机及同轴光源对电池定位模组上待检测电池进行拍照，获得待检测图像；
通过形态学方法，从待检测图像中获得待检测区域图像；
提取待检测区域图像中的候选区域，将每个候选区域固定为同一尺寸大小并输入CNN网络中进行训练，得到一个初始网络；
在初始网络的基础上进行微调，将与正弦波形的重叠度IoU超过0.5的设定为正类，其余的均为负类；
将CNN网络训练完成后以全连接层的输出得到新的特征向量，将所述特征向量输入到多类别分类器进行分类，完成训练过程。
可选的，所述特征向量包括正类或负类。
可选的，所述将所述特征向量输入到多类别分类器进行分类，完成训练过程，具体包括以下步骤：
所述多类别分类器找出评分最高的正样本，完成训练过程；所述正样本包括多个正类。
可选的，所述重叠度IoU的算法为：
所述重叠度IoU定义了两个候选区域的重叠度，包括候选区域A和候选区域B，重叠度IoU=(A∩B)/(A∪B)。
与现有技术相比，本发明的有益效果在于：本发明能够对正弦波形的焊点进行自动检测，降低背景误判率，具有高精度、高稳定性和高效率的特点，满足自动化生产的要求。
附图说明
图1为本发明实施例中提供的一种基于深度学习的正弦焊检测方法流程图。
图2为本发明实施例中提供的训练阶段流程图。
具体实施方式
为了详细说明本发明的技术方案，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
例如，一种基于深度学习的正弦焊检测方法，包括以下步骤：通过视觉检测相机及同轴光源对电池定位模组上待检测电池进行拍照，获得待检测图像；通过形态学方法，从待检测图像中获得待检测区域图像；提取待检测区域图像中的候选区域，将每个候选区域固定为同一尺寸大小并输入CNN模型中，得到特征向量；将特征向量输入到多类别分类器中，预测出候选区域中所含物体属于每个类的概率值，通过概率值判断是否符合正弦焊的一类特征。
本实施例提供的一种基于深度学习的正弦焊检测方法，能够对正弦波形的焊点进行自动检测，降低背景误判率，具有高精度、高稳定性和高效率的特点，满足自动化生产的要求。
请参照图1，图中示出了本申请的方法流程图。
该一种基于深度学习的正弦焊检测方法，包括以下步骤：
101、通过视觉检测相机及同轴光源对电池定位模组上待检测电池进行拍照，获得待检测图像。
具体的，在自动化生产过程中，产品在生产线上进行各道工艺加工后，都会被视觉检测相机及同轴光源的配合拍摄，从而根据拍摄的图像确认经过加工工艺后的产品是否合格。本示例及下述各实施例提供的场景可以是对产品进行正弦焊工艺后得到的待检测产品，并不仅限于电池上极耳与保护板的正弦焊检测。
本示例中，电池位于电池定位模组上，并由前一工序完成极耳与保护板的正弦焊之后，由传输模块或是机械手等将电池定位模组移送到视觉检测相机下端进行拍照，以获得待检测图像。
102、通过形态学方法，从待检测图像中获得待检测区域图像。
具体的，在本示例中，由于焊点只会出现在焊盘极耳区域，因此并没有将视觉检测相机采集的整张图像作为待检测的输入图像，而是通过形态学方法从待检测图像中获得待检测区域图像，将焊盘极耳区域提取作为待检测区域图像，并作为输入图像，可以缩小搜索范围，提高检测速度。
103、提取待检测区域图像中的候选区域，将每个候选区域固定为同一尺寸大小并输入CNN模型中，得到特征向量。
在该步骤中，由于提取的候选区域大小不一，而后续接入的CNN网络模型的输入是固定的，因此这些候选区域的大小需要适配CNN网络模型固定大小的输入，将每个候选区域固定为同一尺寸大小后输入CNN模型中，得到特征向量。
104、将特征向量输入到多类别分类器中，预测出候选区域中所含物体属于每个类的概率值，通过概率值判断是否符合正弦焊的一类特征。本申请中，采用的是two stage的目标检测深度学习算法。这种算法需要先生成一系列作为样本的候选区域，再通过卷积网络进行样本分类，利用了图像中的纹理、边缘、颜色等信息预先找出图中目标可能出现的位置，可以保证在选取较少窗口的情况下保持较高的召回率，这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高，降低背景误判率，满足自动化生产高效率的要求。
在一些实施例中，步骤101中，所述获得待检测图像，具体包括以下步骤：
根据电池定位模组上的电池个数和视觉检测相机的焦距决定拍照的次数，若多次拍照，需将多次拍照的图像拼接成一张图像，实现一次性检测，提高检测效率。
在实际生产过程中，由于不同型号的产品，所需的电池个数不同，因此，需根据实际电池定位模组上的电池个数来决定拍照的次数，若仅有一个电池，可单独拍摄一次，若电池数量较多，则需要多次拍照，同时也需要参考视觉检测相机的焦距来决定拍照的次数，以获得便于检测以及提高检测精准度的图像。比如说PACK电池有12个极耳，需要检测12个区域，由于受到机械位置的限制，不能安装多个相机，而小焦距的相机视野大，又会影响检测精度，因此，在多个电池组的情况下，可以采用单个相机移动拍照的方法，再将几次拍的图像拼接在一起。
在一些实施例中，步骤102中，所述通过形态学方法，从待检测图像中获得待检测区域图像，具体包括以下步骤：
通过形态学的开运算和闭运算确定极耳焊盘区域图像，所述极耳焊盘区域图像为待检测区域图像，减少检测范围，提升检测速度。
具体的，开运算能够除去孤立的笑点，毛刺和小桥，而总的位置和形状不变，开运算是基于几何运算的滤波器，结构元素大小的不同将导致滤波效果的不同，而不同的结构元素的选择导致了不同的分割，即提取出不同的特征。闭运算则能够填平小孔，弥合小裂缝，而总的位置和形状不变，闭运算是通过填充图像的凹角来滤波图像的，结构元素大小的不同将导致滤波效果的不同，不同结构元素的选择导致了不同的分割。本示例通过形态学的开运算和闭运算确定极耳焊盘区域图像，结合深度学习，提高了检测的精准性。
在一些实施例中，步骤103中，提取待检测区域图像中的候选区域，具体包括以下步骤：
利用selective search算法在待检测区域图像中提取1000-2000个候选区域。
selective search算法是自底向上的分组方法，先找出图像中的相邻区域，然后定义一个领域相似度的计算规则，使用这些计算规则一直合并相似度较高的区域并且更新，直到覆盖至整张图像。
在一些实施例中，步骤103中，将每个候选区域固定为同一尺寸大小并输入CNN模型中，具体包括以下步骤：
采用各项异性缩放，对每个候选区域的长和宽进行缩放，根据正弦波的尺寸缩放成同一尺寸大小的候选区域。
由于前述提取的候选区域大小不一，而后续接入的深度网络输入是固定的，因此需要对每个候选区域的进行尺寸缩放，统一尺寸大小。
请参照图2，图中示出了本申请的训练阶段流程图。
该基于深度学习的正弦焊检测方法的训练阶段具体包括以下步骤：
201、通过视觉检测相机及同轴光源对电池定位模组上待检测电池进行拍照，获得待检测图像。
本示例中，电池位于电池定位模组上，并由前一工序完成极耳与保护板的正弦焊之后，由传输模块或是机械手等将电池定位模组移送到视觉检测相机下端进行拍照，以获得待检测图像。
202、通过形态学方法，从待检测图像中获得待检测区域图像。
具体的，在本示例中，由于焊点只会出现在焊盘极耳区域，因此并没有将视觉检测相机采集的整张图像作为待检测的输入图像，而是通过形态学方法从待检测图像中获得待检测区域图像，将焊盘极耳区域提取作为待检测区域图像，并作为输入图像，可以缩小搜索范围，提高检测速度。
203、提取待检测区域图像中的候选区域，将每个候选区域固定为同一尺寸大小并输入CNN网络中进行训练，得到一个初始网络。
在该示例中，采用各项异性缩放，即对候选区域缩放的高和宽的倍数不同，根据正弦波的尺寸缩放成120*50（像素）的候选区域。
利用步骤202中输出的候选区域输入到CNN网络中进行训练，得到初始网络。
204、在初始网络的基础上进行微调，将与正弦波形的重叠度IoU超过0.5的设定为正类，其余的均为负类。
在微调时，考虑与ground truth，即包含正弦波形的重叠度IoU超过0.5的设定为正类，其余的均为负类，并选取0.0001的学习率。
205、将CNN网络训练完成后以全连接层的输出得到新的特征向量，将所述特征向量输入到多类别分类器进行分类，完成训练过程。
在该示例中，特征向量包括正类或负类。正类为包含正弦波形的重叠度IoU超过0.5，其余则为负类。
其中，所述将所述特征向量输入到多类别分类器进行分类，完成训练过程，具体包括以下步骤：
所述多类别分类器找出评分最高的正样本，完成训练过程；所述正样本包括多个正类。
在一些实施例中，所述重叠度IoU的算法为：
重叠度IoU定义了两个候选区域的重叠度，包括候选区域A和候选区域B，重叠度IoU=(A∩B)/(A∪B)，即候选区域A和候选区域B的重叠面积与它们的并集之比。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围，因此，本发明的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于深度学习的正弦焊检测方法，其特征在于，包括以下步骤：
通过视觉检测相机及同轴光源对电池定位模组上待检测电池进行拍照，获得待检测图像；
通过形态学方法，从待检测图像中获得待检测区域图像；
提取待检测区域图像中的候选区域，将每个候选区域固定为同一尺寸大小并输入CNN模型中，得到特征向量；
将特征向量输入到多类别分类器中，预测出候选区域中所含物体属于每个类的概率值，通过概率值判断是否符合正弦焊的一类特征。
2.根据权利要求1所述的基于深度学习的正弦焊检测方法，其特征在于，所述获得待检测图像，具体包括以下步骤：
根据电池定位模组上的电池个数和视觉检测相机的焦距决定拍照的次数，若多次拍照，需将多次拍照的图像拼接成一张图像。
3.根据权利要求1所述的基于深度学习的正弦焊检测方法，其特征在于，所述通过形态学方法，从待检测图像中获得待检测区域图像，具体包括以下步骤：
通过形态学的开运算和闭运算确定极耳焊盘区域图像，所述极耳焊盘区域图像为待检测区域图像。
4.根据权利要求1所述的基于深度学习的正弦焊检测方法，其特征在于，所述提取待检测区域图像中的候选区域，具体包括以下步骤：
利用selective search算法在待检测区域图像中提取1000-2000个候选区域。
5.根据权利要求1所述的基于深度学习的正弦焊检测方法，其特征在于，所述将每个候选区域固定为同一尺寸大小并输入CNN模型中，具体包括以下步骤：
采用各项异性缩放，对每个候选区域的长和宽进行缩放，根据正弦波的尺寸缩放成同一尺寸大小的候选区域。
6.根据权利要求1所述的基于深度学习的正弦焊检测方法，其特征在于，所述方法还包括训练阶段，所述训练阶段具体包括以下步骤：
通过视觉检测相机及同轴光源对电池定位模组上待检测电池进行拍照，获得待检测图像；
通过形态学方法，从待检测图像中获得待检测区域图像；
提取待检测区域图像中的候选区域，将每个候选区域固定为同一尺寸大小并输入CNN网络中进行训练，得到一个初始网络；
在初始网络的基础上进行微调，将与正弦波形的重叠度IoU超过0.5的设定为正类，其余的均为负类；
将CNN网络训练完成后以全连接层的输出得到新的特征向量，将所述特征向量输入到多类别分类器进行分类，完成训练过程。
7.根据权利要求6所述的基于深度学习的正弦焊检测方法，其特征在于，所述特征向量包括正类或负类。
8.根据权利要求7所述的基于深度学习的正弦焊检测方法，其特征在于，所述将所述特征向量输入到多类别分类器进行分类，完成训练过程，具体包括以下步骤：
所述多类别分类器找出评分最高的正样本，完成训练过程；所述正样本包括多个正类。
9.根据权利要求6所述的基于深度学习的正弦焊检测方法，其特征在于，所述重叠度IoU的算法为：
所述重叠度IoU定义了两个候选区域的重叠度，包括候选区域A和候选区域B，重叠度IoU=(A∩B)/(A∪B)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010038337.7A CN111242927B (zh) | 2020-01-14 | 2020-01-14 | 一种基于深度学习的正弦焊检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010038337.7A CN111242927B (zh) | 2020-01-14 | 2020-01-14 | 一种基于深度学习的正弦焊检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111242927A true CN111242927A (zh) | 2020-06-05 |
| CN111242927B CN111242927B (zh) | 2024-02-06 |
Family
ID=70874580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010038337.7A Active CN111242927B (zh) | 2020-01-14 | 2020-01-14 | 一种基于深度学习的正弦焊检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111242927B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184816A (zh) * | 2020-09-28 | 2021-01-05 | 珠海博明视觉科技有限公司 | 一种基于电池极耳的锂电池柔性定位方法 |
| CN118154560A (zh) * | 2024-03-20 | 2024-06-07 | 深圳个元科技有限公司 | 一种基于深度学习的极耳焊接缺陷检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564094A (zh) * | 2018-04-24 | 2018-09-21 | 河北智霖信息科技有限公司 | 一种基于卷积神经网络和分类器组合的材质识别方法 |
| CN109035242A (zh) * | 2018-08-09 | 2018-12-18 | 长安大学 | 一种基于深度学习的hf-erw焊接状态检测方法及装置 |
| CN109584227A (zh) * | 2018-11-27 | 2019-04-05 | 山东大学 | 一种基于深度学习目标检测算法的焊点质量检测方法及其实现系统 |
-
2020
- 2020-01-14 CN CN202010038337.7A patent/CN111242927B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564094A (zh) * | 2018-04-24 | 2018-09-21 | 河北智霖信息科技有限公司 | 一种基于卷积神经网络和分类器组合的材质识别方法 |
| CN109035242A (zh) * | 2018-08-09 | 2018-12-18 | 长安大学 | 一种基于深度学习的hf-erw焊接状态检测方法及装置 |
| CN109584227A (zh) * | 2018-11-27 | 2019-04-05 | 山东大学 | 一种基于深度学习目标检测算法的焊点质量检测方法及其实现系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184816A (zh) * | 2020-09-28 | 2021-01-05 | 珠海博明视觉科技有限公司 | 一种基于电池极耳的锂电池柔性定位方法 |
| CN112184816B (zh) * | 2020-09-28 | 2024-03-22 | 珠海博明视觉科技有限公司 | 一种基于电池极耳的锂电池柔性定位方法 |
| CN118154560A (zh) * | 2024-03-20 | 2024-06-07 | 深圳个元科技有限公司 | 一种基于深度学习的极耳焊接缺陷检测方法 |
| CN118154560B (zh) * | 2024-03-20 | 2024-11-01 | 深圳个元科技有限公司 | 一种基于深度学习的极耳焊接缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111242927B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111650210B (zh) | 高速高精度锂离子电池极片的毛刺检测方法及检测系统 | |
| JP5464244B2 (ja) | 画像処理装置、プログラム及び画像処理システム | |
| CN112001902A (zh) | 缺陷检测方法和相关装置、设备、存储介质 | |
| CN111223088A (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
| CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
| JPH10506206A (ja) | 医・生物学標本の自動焦点装置 | |
| CN110488481A (zh) | 一种显微镜对焦方法、显微镜及相关设备 | |
| CN113727022B (zh) | 巡检图像的采集方法及装置、电子设备、存储介质 | |
| CN111242927A (zh) | 一种基于深度学习的正弦焊检测方法 | |
| CN110889823A (zh) | 一种SiC缺陷的检测方法和系统 | |
| CA2333614C (en) | Method of unsupervised cell nuclei segmentation | |
| CN105606628A (zh) | 一种光学镜片检测系统及方法 | |
| CN113129335A (zh) | 一种基于孪生网络的视觉跟踪算法及多模板更新策略 | |
| CN117252815A (zh) | 基于2d-3d多模态图像的工业零件缺陷检测方法、系统、设备及存储介质 | |
| CN115641345A (zh) | 一种基于深度学习的多发性骨髓瘤细胞形态精细分割方法 | |
| CN110991414A (zh) | 一种交通要素高精度分割方法、电子设备及存储介质 | |
| CN110490118A (zh) | 图像处理方法及装置 | |
| CN113253416B (zh) | 一种基于星像椭圆率模型的望远镜高效精准调焦方法 | |
| CN117893519A (zh) | 一种基于多尺度特征融合的lcd屏幕缺陷检测方法 | |
| CN117495891A (zh) | 点云边缘检测方法、装置和电子设备 | |
| CN116385364A (zh) | 一种基于视差辅助语义分割的多级导地线缺陷识别方法 | |
| CN116206297A (zh) | 基于级联神经网络的视频流实时车牌识别系统及方法 | |
| CN114332112A (zh) | 一种细胞图像分割方法、装置、电子设备及存储介质 | |
| CN118247513B (zh) | 光伏板组件分割方法、装置、电子设备和介质 | |
| AU748081B2 (en) | Method of unsupervised cell nuclei segmentation |
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 |