CN111398291A - 基于深度学习的扁平漆包电磁线表面瑕疵检测方法 - Google Patents
基于深度学习的扁平漆包电磁线表面瑕疵检测方法 Download PDFInfo
- Publication number
- CN111398291A CN111398291A CN202010241280.0A CN202010241280A CN111398291A CN 111398291 A CN111398291 A CN 111398291A CN 202010241280 A CN202010241280 A CN 202010241280A CN 111398291 A CN111398291 A CN 111398291A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic wire
- image
- flat enameled
- flat
- flaws
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
Abstract
本发明公开基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法,包括步骤:1、扁平漆包电磁线图像采集:搭建暗场环境并使用按指定方式安装的面光源和摄像头采集扁平漆包电磁线图像;2、扁平漆包电磁线图像预处理:使用聚类算法分割出漆包线所在区域图像;3、扁平漆包电磁线的瑕疵识别:使用标签数据训练卷积神经网络,训练模型供检测系统调用,实现对扁平漆包电磁线的表面瑕疵检测;本发明通过机器视觉方法采集并预处理扁平漆包电磁线图像,并通过卷积神经网络精确的识别扁平漆包电磁线表面瑕疵,可减少人力的投入,降低检测成本,提高识别精度。
Description
技术领域
本发明属于电磁线表面瑕疵检测技术领域,特别涉及基于深度学习的扁平漆包电磁线表面瑕疵检测方法。
背景技术
产品表面质量问题一直是工业生产中备受关注的主要问题,产品表面质量会影响产品的商业价值和使用价值。电磁线又称绕组线,是用以制造电工产品中的线圈或绕组的绝缘电线。电磁线通常分为漆包线、绕包线、漆包绕包线和无机绝缘线。其中漆包电磁线是在导体外涂以相应的漆溶液,再经溶剂挥发和漆膜固化、冷却而制成,涂漆的主要目的是为了绝缘,但在电磁线涂漆过程中会出现涂抹不均匀、瑕疵突出等问题,产出不合格的电磁线。现有的扁平漆包电磁线的品质参数检测一般为人工检测,存在检测精度低、自动化程度低的缺点。生产出既符合标准要求,又满足客户要求的产品并不容易,它受原材料质量,工艺参数,生产设备,环境等因素影响,因此,各种漆包线的质量特性各不相同。
现有的精密扁平漆包电磁线品质参数检测一般为人工检测,存在检测精度低、自动化程度低的缺点,因此亟需研发扁平漆包电磁线品质检测装置。
发明内容
本发明的主要目的在于提供基于深度学习的扁平漆包电磁线表面瑕疵检测方法,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:
基于深度学习的扁平漆包电磁线表面瑕疵检测方法,包括步骤:
(1)扁平漆包电磁线图像采集:在暗场环境下使用按指定方式安装的摄像头和面光源采集扁平漆包电磁线图像;
(2)扁平漆包电磁线图像预处理:利用K均值聚类方法去除图像中不含扁平漆包电磁线的部分;
(3)扁平漆包电磁线的瑕疵识别:使用标签数据训练卷积神经网络使其可以识别漆包线的瑕疵,训练模型由检测系统调用。
优选的,所述步骤(1)中在暗场环境下使用摄像头和LED异侧的安置方式采集扁平漆包电磁线图像的方法是:在暗场环境下,在扁平漆包电磁线的一侧将LED灯与摄像头对应放置,两者与扁平漆包电磁线均成60度夹角,垂直距离为20cm,LED灯发出的光线经扁平漆包电磁线反射后由摄像头接收,由此完成扁平漆包电磁线图像的采集。
优选的,所述步骤(2)中的利用K均值聚类方法去除图像中不含扁平漆包电磁线的部分的方法是:首先选取K个不同的灰度值作为聚类中心,遍历所有数据并根据数据点与聚类中心的灰度值差异将每个数据点划分到最近的分类区域中,通过计算找出每个分类的中心点作为下一次迭代的聚类中心,再计算下一次迭代的聚类中心与当前聚类中心的差距,如两者之间的差距小于给定迭代阈值时,迭代结束,反之,继续下一次迭代直至满足设定要求,由此可以得到扁平漆包电磁线的聚类图,灰度值较低的一类即为电磁线所在区域,由此可以将电磁线图像分割出来。
优选的,所述步骤(3)中扁平漆包电磁线表面瑕疵识别的方法是:先采集足够数量的经过预处理的样本图像,通过人工标记,将预处理图像分为有瑕疵和无瑕疵两种,使用标记图像训练卷积神经网络,得到可以识别图像中有无缺陷的训练模型,进行瑕疵检测的时,系统直接调用训练好的网络模型,在对图像进行预处理之后系统通过训练模型判断检测的扁平漆包电磁线表面是否存在瑕疵,有瑕疵时系统显示瑕疵图像并进行报警提示,若有新的样品需要检测,采集足够多的待检测样本数据进行人工标记之后使用新的图像训练卷积神经网络,得到可以识别扁平漆包电磁线表面瑕疵的新训练模型供系统调用即可,由此完成扁平漆包电磁线表面瑕疵检测。
优选的,所使用的卷积神经网络为使用DenseBlock采集图像中的特征信息,DenseBlock中每个网络层均从前面的所有层获得额外的特征信息,并将自己的特征映射传递到后续的所有层,有效利用图像的特征信息,可以减少网络参数,提高训练效率。
优选的,在训练阶段采用人工标记分类的扁平漆包电磁线作为输入,数据分为有瑕疵和无瑕疵两类,网络最终输出图像是有瑕疵图像还是无瑕疵图像的概率,当交叉熵损失函数降低到某一预定值时停止训练得到训练模型。
优选的,所述卷积神经网络共有121层,首先使用7×7的卷积核生成特征图像,后使用4个DenseBlock和三个Translationlayer采集图像的不同维度的特征信息,最后使用全连接和Softmax层实现图像分类。
与现有技术相比,本发明具有如下有益效果:
1、本发明在暗场环境下对扁平漆包电磁线的两侧分别进行采集图像,有效的避免了外界光源对数据采集的影响。
2、本发明使用K均值聚类方法分割图像中的扁平漆包电磁线和背景,有效的保留了图像中的感兴趣区域。
3、本发明基于卷积神经网络识别扁平漆包电磁线的表面瑕疵,识别速度快,识别准确度高,可以有效的节省人力,降低生产成本。
附图说明
图1为采集环境及器件安置示意图。
图2为K均值聚类分割效果示意图。
图3为整体方案流程图。
图4为神经网络结构图。
图中:1、LED面光源;2、摄像头;3、电磁线;4、暗箱环境。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
如图1-4示,基于深度学习的扁平漆包电磁线表面瑕疵检测方法,其包括以下步骤:
步骤1:扁平漆包电磁线图像采集:在暗场环境下使用按指定方式安装的摄像头和面光源采集扁平漆包电磁线图像;
步骤2:扁平漆包电磁线图像预处理:利用K均值聚类方法去除图像中不含扁平漆包电磁线的部分;
步骤3:扁平漆包电磁线的瑕疵识别:使用标签数据训练卷积神经网络使其可以识别漆包线的瑕疵,训练模型由检测系统调用。
对于步骤1,具体的,所述的暗场下的图像采集方法是:为保证采集不受外界光源的影响,在一个密闭的盒子中进行数据采集,使用两组摄像头对扁平漆包电磁线的两侧进行检测,每个摄像头搭配一个LED灯使用,且分布在电磁线的同一侧,摄像头与LED灯与电磁线之间的夹角均为60度,与电磁线之间的垂直距离为20cm。LED灯发出的光线打到扁平漆包电磁线表面时会发生散射、折射、透射等现象,摄像头通过采集反射光形成扁平漆包电磁线图像。
以下对步骤1做进一步的详细介绍:
摄像头采集的图像的灰度值范围为0-255之间,为了采集到电磁线与背景对比度差异较大图像,需要搭建一个相对稳定的采集环境,为了规避外界光源对采集过程的影响,在一个密闭空间中进行数据采集,在密闭空间的内测涂抹黑色哑光漆以削减空间内部自有光源对采集图像质量的影响并有效提高电磁线和背景和对比度差异便于后期分割。为了对扁平漆包电磁线的两侧进行检测,需要使用两组摄像头,每个摄像头搭配一个LED光源使用,此处使用LED面光源以使样本受光均匀,可以采集特征明显、不含光斑的图像。电磁线反射系数较高,光源直射会致使图像过度曝光,无法显示细节信息,此处将LED光源和摄像头与电磁线成60度角放置以采集亮度适中、细节明显的图像,为了保证可以在图像中清晰显示出电磁线的瑕疵,本发明中将摄像头和光源与电磁线之间的垂直距离设置为16cm,此时视场范围的一半宽度为12cm。
假设瑕疵真实长度为ΔX,S为摄像机分辨率,Δd为瑕疵在图像中的大小,则:
Δd=S×ΔX/12
本发明使用摄像头像素为500万,若ΔX=0.2cm,则Δd=37,意味着2mm的瑕疵在图像中显示的长度为37个像素点,能够明显识别,两组摄像头分别由电磁线的不同检测点采集电磁线两侧的图像以有效的降低两组光源之间的影响。
对于步骤2,具体的,所述的图像预处理方法是:为了更好地识别扁平漆包电磁线的瑕疵,需要对采集图像进行分割,分离电磁线和背景信息,此处使用K均值聚类方法进行分割。
以下对步骤2做进一步详细说明:
本发明采用K均值聚类方法对采集图像进行分割。本发明中采集的图像中的电磁线和背景的对比对差异较大,使用K均值聚类方法将图像中灰度相近的像素进行聚类可以确定图像中电磁线的边缘,然后根据边缘进行分割。在一张图像中,每一个像素点对应位置坐标和色彩坐标,用K均值算法对图像聚类,不是对其位置信息进行聚类,而是对其像素值进行聚类。K均值分割方法是一种动态聚类法,首先要选择若干初始聚类中心,在本发明中聚类中心指的是图像的像素值,然后样本按照设定准则划分到各类中,得到初始分类,最后用选定原则进行修改,直到分类比较合理为止。该方法以误差平方和准则作为聚类准则函数,通过反复迭代以优化聚类结果,使所有样本到各自所属类别中心的距离平方和达到最小,具体步骤如下:
1.任意选择k个像素值作为初始聚类中心;
2.计算剩余各个样本像素值到每一个聚类中心的距离,把该样本归到离它最近那个聚类中心所在的类,距离远近通过平方差判断
其中,x(i)为样本点,i=1,...,n,共n个样本点,c(i)为x(i)最相似的类别,即x(i)被分为该类别,μj为聚类中心j=1,...,k,共k个类别;
3.重新计算每个类的平均值,更新每个类的聚类中心;
K均值聚类法是一种无监督学习算法,电磁线的背景为黑色,使用该聚类算法可以较为准确的识别属于电磁线的像素并进行聚类。电磁线的背景为黑色,所以聚类结果中灰度值较小的一类即为电磁线所在区域,由此确定电磁线的范围并将其分割出来;
对于步骤3,具体的,使用标签数据训练卷积神经网络,得到可以识别扁平漆包电磁线表面瑕疵的训练模型方法是:通过本发明中提出的数据采集方法采集适量的样本图像,包括有瑕疵和无瑕疵两个种类的图像,然后对图像进行人工标记,将有无瑕疵的两种图像分类,使用带有标签的数据训练卷积神经网络。在达到分类精确度要求的情况下,停止训练得到可以识别图像中有无瑕疵的训练模型。在系统对扁平漆包电磁线进行检测的时,直接调用训练好的模型即可判断该段电磁线是否有去瑕疵,有瑕疵时在屏幕上显示并进行报警提示。若后期需要检测不同类型的电磁线,经本发明提出的系统采集足够的样本图像,对图像进行标记后送入神经网络中进行训练,得到新的网络模型,系统进行检测时直接调用新的训练模型即可实现检测。
以下对步骤3做进一步详细说明:
从前述内容可知,现有的漆包电磁线检测大都是人工进行的,需要检测人员在生产线上进行观测以挑选出有瑕疵的产品。这种检测方法消耗了大量的人力,且检测精度有限,人眼所能观察的瑕疵尺度是有限的,最终可能形成漏检降低产品的良品率。而单纯使用机器视觉的检测方法耗时较多,算法需要进行大量的计算以确定该段电磁线是否存在瑕疵,效率较低,且需要计算力较强的硬件配置,不适合生产线上的实时测量。为了迅速并精确的判断扁平漆包电磁线是否存在瑕疵,降低系统软硬件成本,本文采用深度学习方法识别电磁线的瑕疵。
本发明将电磁线的瑕疵识别问题转化为图像分类问题,将采集的图像进行分割之后进行人工标记。本发明中将有瑕疵的图像标签设置为1,将无瑕疵的图像标签设置为0,制作数据集时将要收集足够多的样本图像,以保证后续识别的精确度。使用带有标签的数据训练卷积神经网络,得到可以对有无瑕疵图像进行分类的训练模型。本发明中使用深度学习的方法识别电磁线表面瑕疵,深度学习使用层数较多的卷积神经网络,可以较好提取图像中的特征信息,此外还可以通过GPU提高计算速度有效提升神经网络的训练效率。训练时网络输入数据为带有标签的图像,输出为识别精度即判断该图像中有无瑕疵的概率。为了有效识别图像中的像素,本发明结合全卷积网络和Densenet结构设计了一种分类网络,该
网络拥有更高的识别精度和特征利用率,在训练参数较少的情况下,可以获得比其他模型更准确的结果。
所述的卷积神经网络使用稠密模块提取图像中的特征信息,稠密模块中的每两个网络层之间都有连接,用于将浅层网络的特征传输到深层网络中。浅层网络提取的特征能有效体现在最终的结果中,这样可以有效提取图像特征。本发明中使用灰度图像训练神经网络,根据图像特点和识别需求,所设计的卷积神经网络共有121层,共有4个稠密模块和3个过渡层,稠密层和过渡层交叉使用。首先使用尺寸为7×7的卷积核提取特征图像,之后使用最大池化降低特征图尺寸,再使用稠密模块和过渡层不断地提取图像特征。稠密模块主要包含多个1×1卷积和3×3卷积,1×1卷积可以减少输入的特征图数量,能降维减少计算量并融合各个通道的特征,3×3卷积用于提取新的图像特征。过渡层中使用1×1卷积和平均池化降低特征图维度,最后使用全连接层和Softmax层输出判断结果。四个稠密模块中的卷积组数量分别为6,12,24,16,特征增长率为32。本发明中使用神经网络的目的是进行图像分类,所使用的损失函数为交叉熵损失函数:
其中,n代表种类数量,yi和y^i分别代表目标值和输出值。
本发明所使用的网络与其他模型相比有更高的识别精度和特征利用率,在参数较少的情况下可以获得较为准确的结果。模型训练好之后,在系统进行瑕疵检测时可以直接调用训练模型对预处理图像进行判断,检测到瑕疵时将采集图像显示在显示屏并报警提示。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法,其特征在于,包括步骤:
(1)扁平漆包电磁线图像采集:在暗场环境下使用按指定方式安装的摄像头和面光源采集扁平漆包电磁线图像;
(2)扁平漆包电磁线图像预处理:利用K均值聚类方法去除图像中不含扁平漆包电磁线的部分;
(3)扁平漆包电磁线的瑕疵识别:使用标签数据训练卷积神经网络使其可以识别漆包线的瑕疵,训练模型由检测系统调用。
2.如权利要求1所述的基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法,其特征在于,所述步骤(1)中在暗场环境下使用摄像头和LED异侧的安置方式采集扁平漆包电磁线图像的方法是:在暗场环境下,在扁平漆包电磁线的一侧将LED灯与摄像头对应放置,两者与扁平漆包电磁线均成60度夹角,垂直距离为20cm,LED灯发出的光线经扁平漆包电磁线反射后由摄像头接收,由此完成扁平漆包电磁线图像的采集。
3.如权利要求1所述的基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法,其特征在于,所述步骤(2)中的利用K均值聚类方法去除图像中不含扁平漆包电磁线的部分的方法是:首先选取K个不同的灰度值作为聚类中心,遍历所有数据并根据数据点与聚类中心的灰度值差异将每个数据点划分到最近的分类区域中,通过计算找出每个分类的中心点作为下一次迭代的聚类中心,再计算下一次迭代的聚类中心与当前聚类中心的差距,如两者之间的差距小于给定迭代阈值时,迭代结束,反之,继续下一次迭代直至满足设定要求,由此可以得到扁平漆包电磁线的聚类图,灰度值较低的一类即为电磁线所在区域,由此可以将电磁线图像分割出来。
4.如权利要求1所述的基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法,其特征在于,所述步骤(3)中扁平漆包电磁线表面瑕疵识别的方法是:先采集足够数量的经过预处理的样本图像,通过人工标记,将预处理图像分为有瑕疵和无瑕疵两种,使用标记图像训练卷积神经网络,得到可以识别图像中有无缺陷的训练模型,进行瑕疵检测的时,系统直接调用训练好的网络模型,在对图像进行预处理之后系统通过训练模型判断检测的扁平漆包电磁线表面是否存在瑕疵,有瑕疵时系统显示瑕疵图像并进行报警提示,若有新的样品需要检测,采集足够多的待检测样本数据进行人工标记之后使用新的图像训练卷积神经网络,得到可以识别扁平漆包电磁线表面瑕疵的新训练模型供系统调用即可,由此完成扁平漆包电磁线表面瑕疵检测。
5.如权利要求4所述的基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法,其特征在于,所使用的卷积神经网络为使用DenseBlock采集图像中的特征信息,DenseBlock中每个网络层均从前面的所有层获得额外的特征信息,并将自己的特征映射传递到后续的所有层,有效利用图像的特征信息,可以减少网络参数,提高训练效率。
6.如权利要求4所述的基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法,其特征在于,在训练阶段采用人工标记分类的扁平漆包电磁线作为输入,数据分为有瑕疵和无瑕疵两类,网络最终输出图像是有瑕疵图像还是无瑕疵图像的概率,当交叉熵损失函数降低到某一预定值时停止训练得到训练模型。
7.如权利要求5所述的基于深度学习的扁平漆包电磁线表面瑕疵机器视觉检测方法,其特征在于,所述卷积神经网络共有121层,首先使用7×7的卷积核生成特征图像,后使用4个DenseBlock和三个Translationlayer采集图像的不同维度的特征信息,最后使用全连接和Softmax层实现图像分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010241280.0A CN111398291B (zh) | 2020-03-31 | 2020-03-31 | 基于深度学习的扁平漆包电磁线表面瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010241280.0A CN111398291B (zh) | 2020-03-31 | 2020-03-31 | 基于深度学习的扁平漆包电磁线表面瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111398291A true CN111398291A (zh) | 2020-07-10 |
CN111398291B CN111398291B (zh) | 2023-04-18 |
Family
ID=71434808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010241280.0A Active CN111398291B (zh) | 2020-03-31 | 2020-03-31 | 基于深度学习的扁平漆包电磁线表面瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111398291B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139517A (zh) * | 2021-05-14 | 2021-07-20 | 广州广电卓识智能科技有限公司 | 人脸活体模型训练方法、检测方法、存储介质和检测系统 |
CN113358154A (zh) * | 2021-06-03 | 2021-09-07 | 广东工业大学 | 一种农机设备故障监控溯源系统和方法 |
CN113554854A (zh) * | 2021-08-02 | 2021-10-26 | 铜陵兢强电子科技股份有限公司 | 漆包设备失速报警系统 |
CN113634553A (zh) * | 2021-08-05 | 2021-11-12 | 上海申茂电磁线有限公司 | 漆包扁线智能清洗方法和系统 |
CN114120318A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于集成决策树的暗场图像目标点精确提取方法 |
CN114972334A (zh) * | 2022-07-19 | 2022-08-30 | 杭州因推科技有限公司 | 一种管材瑕疵检测方法、装置、介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
CN103940824A (zh) * | 2014-04-29 | 2014-07-23 | 长春工程学院 | 一种空中输电线路绝缘子检测方法 |
CN106934418A (zh) * | 2017-03-09 | 2017-07-07 | 国家电网公司 | 一种基于卷积递归网络的绝缘子红外诊断方法 |
CN110222683A (zh) * | 2019-06-11 | 2019-09-10 | 云南电网有限责任公司曲靖供电局 | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 |
CN110309865A (zh) * | 2019-06-19 | 2019-10-08 | 上海交通大学 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
-
2020
- 2020-03-31 CN CN202010241280.0A patent/CN111398291B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
CN103940824A (zh) * | 2014-04-29 | 2014-07-23 | 长春工程学院 | 一种空中输电线路绝缘子检测方法 |
CN106934418A (zh) * | 2017-03-09 | 2017-07-07 | 国家电网公司 | 一种基于卷积递归网络的绝缘子红外诊断方法 |
CN110222683A (zh) * | 2019-06-11 | 2019-09-10 | 云南电网有限责任公司曲靖供电局 | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 |
CN110309865A (zh) * | 2019-06-19 | 2019-10-08 | 上海交通大学 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
Non-Patent Citations (1)
Title |
---|
林礼健等: "基于无人机智能视觉的输电线路全息全景重建", 《计算机测量与控制》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139517A (zh) * | 2021-05-14 | 2021-07-20 | 广州广电卓识智能科技有限公司 | 人脸活体模型训练方法、检测方法、存储介质和检测系统 |
CN113139517B (zh) * | 2021-05-14 | 2023-10-27 | 广州广电卓识智能科技有限公司 | 人脸活体模型训练方法、检测方法、存储介质和检测系统 |
CN113358154A (zh) * | 2021-06-03 | 2021-09-07 | 广东工业大学 | 一种农机设备故障监控溯源系统和方法 |
CN113554854A (zh) * | 2021-08-02 | 2021-10-26 | 铜陵兢强电子科技股份有限公司 | 漆包设备失速报警系统 |
CN113554854B (zh) * | 2021-08-02 | 2022-08-05 | 铜陵兢强电子科技股份有限公司 | 漆包设备失速报警系统 |
CN113634553A (zh) * | 2021-08-05 | 2021-11-12 | 上海申茂电磁线有限公司 | 漆包扁线智能清洗方法和系统 |
CN113634553B (zh) * | 2021-08-05 | 2022-06-21 | 上海申茂电磁线有限公司 | 漆包扁线智能清洗方法和系统 |
CN114120318A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于集成决策树的暗场图像目标点精确提取方法 |
CN114120318B (zh) * | 2021-11-29 | 2024-04-26 | 哈尔滨工业大学 | 一种基于集成决策树的暗场图像目标点精确提取方法 |
CN114972334A (zh) * | 2022-07-19 | 2022-08-30 | 杭州因推科技有限公司 | 一种管材瑕疵检测方法、装置、介质 |
CN114972334B (zh) * | 2022-07-19 | 2023-09-15 | 杭州因推科技有限公司 | 一种管材瑕疵检测方法、装置、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111398291B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111398291B (zh) | 基于深度学习的扁平漆包电磁线表面瑕疵检测方法 | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
Davari et al. | Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos | |
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN111415329B (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN111652852B (zh) | 一种产品表面缺陷检测方法和装置及设备 | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
CN107081765A (zh) | 一种变电站巡视机器人自主识别方法和一种巡视机器人 | |
CN112686833A (zh) | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 | |
CN113221889A (zh) | 一种芯片字符抗干扰识别方法及装置 | |
CN111079640A (zh) | 一种基于自动扩增样本的车型识别方法及系统 | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN112270659A (zh) | 一种动力电池极片表面缺陷快速检测方法和系统 | |
CN111105398A (zh) | 一种基于可见光图像数据的输电线路部件裂纹检测方法 | |
CN111986145A (zh) | 一种基于Faster-RCNN的轴承滚子瑕疵检测方法 | |
CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
CN112345534B (zh) | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 | |
CN112257621A (zh) | 一种无人机巡检的设备图像识别方法 |
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 |