CN111612747B - 产品表面裂缝快速检测方法及检测系统 - Google Patents
产品表面裂缝快速检测方法及检测系统 Download PDFInfo
- Publication number
- CN111612747B CN111612747B CN202010371104.9A CN202010371104A CN111612747B CN 111612747 B CN111612747 B CN 111612747B CN 202010371104 A CN202010371104 A CN 202010371104A CN 111612747 B CN111612747 B CN 111612747B
- Authority
- CN
- China
- Prior art keywords
- crack
- product
- cracks
- product surface
- mask
- 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 description 24
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000012031 short term test Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种产品表面裂缝快速检测方法,包括:步骤S1、对采集到的高分辨率图像进行分类,并对所采集到的原始图像进行裁剪处理后使用改进滑动窗口进行人工扩增数据集;步骤S2、采用具有良好特征提取效果的Mask R‑CNN网络进行计算处理;构建产品表面裂缝数据集,再构建数据集训练Mask R‑CNN模型,使该模型能识别产品表面裂缝;步骤S4、使用阈值化算法求解出产品表面裂缝图像全局分割阈值,准确地提取出裂缝面元中的裂缝特征;以及步骤S5、对裂缝中的像素点进行排列,分为左上角和右下角坐标并标记出两个坐标点确定的矩形区域作为包围盒,标记产品表面裂缝位置。本发明还提供了一种产品表面裂缝快速检测系统。
Description
技术领域
本发明涉及检测方法及系统,特别涉及一种融合图像处理和深度卷积神经网络的产品表面裂缝快速检测方法及检测系统。
背景技术
表面裂缝是影响产品外观、性能的重要缺陷,是产品质量检测的重要内容。采用合理的技术手段检测产品表面的裂缝缺陷,及早发现产品中存在的质量问题和安全隐患,是工业制造领域的热点问题。
目前大部分产品的裂缝缺陷检测或是采用人工肉眼观察的方法,或是采用传统的数字图像处理技术实现,如根据图像像素灰度值信息采用阈值分割或边缘检测方法提取裂缝特征等方法,在产品裂缝检测中得到了较多使用。
发明内容
本发明提供了一种新的裂缝检测方法,采用数字图像处理算法提取检测区域,并基于深度学习技术强大的特征提取能力,对于处理产品表面裂缝图像的检测和分类任务具有独特优势。
本发明所提供的一种产品表面裂缝快速检测方法,包括:
步骤S1、对采集到的高分辨率图像进行分类,并对所采集到的原始图像进行裁剪处理后使用改进滑动窗口进行人工扩增数据集;
步骤S2、采用具有良好特征提取效果的Mask R-CNN网络,其中所述Mask R-CNN网络包括共享卷积层Backbone、候选区生成网络RPN及Network Head,所述候选区生成网络RPN在共享卷积层输出的特征图上用3*3的卷积核进行卷积运算,每个卷积窗口有9个不同尺度的anchors,对于大小为m*n的特征图生成的anchor的数量为9*m*n,再把anchor输入到两个不同的分支,其中第一个分支是1*1的卷积层,用于识别anchor覆盖区域的类别是前景区还是背景区,第二个分支是1*1的卷积层,用于把覆盖在前景区的anchor的坐标进行修正,其中,该网络的损失函数采用以下公式:
其中,K为常数,h、w分别为图像的高度和宽度,b为训练批大小,当Y(i,j)=d时,1{Y(i,j)=d}为1,否则为0;
步骤S3、构建产品表面裂缝数据集,再构建数据集训练Mask R-CNN模型,使该模型能识别产品表面裂缝,其中网络的识别精度评价函数如下:
其中,/>TP为truepositive,FP为false positive;
步骤S4、使用阈值化算法求解出产品表面裂缝图像全局分割阈值,准确地提取出裂缝面元中的裂缝特征,所有基于裂缝面元提取出的裂缝特征最终组成整幅图像的裂缝图像:ω0(μ0-μt)2+ω1(μ1-μt)2=ω0(t)ω1(t)(μ0(t)-μt(t))2,其中,ω0(t)和ω1(t)分别表示物体属于前景和背景区域的概率,μ为对应的数学期望;以及
步骤S5、对裂缝中的像素点进行排列,分为左上角和右下角坐标并标记出两个坐标点确定的矩形区域作为包围盒,标记产品表面裂缝位置。
其中,所述共享卷积层Backbone用于提取特征;所述候选区生成网络RPN用于从特征图中选出需要被识别的候选区;所述Network Head用于识别出候选区的包围盒坐标和对象掩模mask。
本发明还提供了一种产品表面裂缝快速检测系统,包括原始图像处理单元、MaskR-CNN网络单元、产品表面裂缝识别单元、裂缝特征提取单元及裂缝位置标记单元;所述原始图像处理单元用于对采集到的高分辨率图像进行简单分类,并对所采集到的原始图像进行裁剪处理后使用改进滑动窗口进行人工扩增数据集;所述Mask R-CNN网络单元包含共享卷积层Backbone、候选区生成网络RPN及Network Head,其中,所述候选区生成网络RPN用于在共享卷积层输出的特征图上用3*3的卷积核进行卷积运算,每个卷积窗口有9个不同尺度的anchors,对于大小为m*n的特征图生成的anchor的数量为9*m*n,再把anchor输入到两个不同的分支,其中第一个分支是1*1的卷积层,用于识别anchor覆盖区域的类别是前景区还是背景区,第二个分支是1*1的卷积层,用于把覆盖在前景区的anchor的坐标进行修正;其中,该网络的损失函数采用以下公式:其中,K为常数,h、w分别为图像的高度和宽度,b为训练批大小,当Y(i,j)=d时,1{Y(i,j)=d}为1,否则为0;所述产品表面裂缝识别单元用于识别产品表面裂缝;所述裂缝特征提取单元用于使用阈值化算法求解出产品表面裂缝图像全局分割阈值,准确地提取出裂缝面元中的裂缝特征;所述裂缝位置标记单元用于对裂缝中的像素点进行排列,分为左上角和右下角坐标并标记出两个坐标点确定的矩形区域作为包围盒,标记产品表面裂缝位置。
其中,所述共享卷积层Backbone用于提取特征;所述候选区生成网络RPN用于从特征图中选出需要被识别的候选区;所述Network Head用于识别出候选区的包围盒坐标和对象掩模mask。
其中,所述产品表面裂缝识别单元用于首先构建产品表面裂缝数据集,再构建数据集训练Mask R-CNN模型,使该模型能识别产品表面裂缝,其中网络的识别精度评价函数如下:其中,/>TP为truepositive,FP为false positive。
其中,所述裂缝特征提取单元提取裂缝面元中的裂缝特征时,所有基于裂缝面元提取出的裂缝特征最终组成整幅图像的裂缝图像:
ω0(μ0-μt)2+ω1(μ1-μt)2=ω0(t)ω1(t)(μ0(t)-μt(t))2,ω0(t)和ω1(t)分别表示物体属于前景和背景区域的概率,μ为对应的数学期望。
本发明所述的一种产品表面裂缝快速检测方法及系统进行挑选后,经过图像处理算法(如水平翻转、垂直翻转、线性变化及空间滤波等)进行扩充,同时将其划分为含有障碍物(如污渍等)的图像、简单背景图像等几类,并使用上述算法进行数据集扩增。、使用基于语义分割的产品表面裂缝图像分割模型对高分辨率图像进行特征提取,使得该产品表面裂缝检测方法能够保持较高的识别成功率。
附图说明
图1为本发明产品表面裂缝快速检测方法的较佳实施方式的流程图。
图2为步骤S2中所述的Mask R-CNN网络结构图。
图3为步骤S5的示意图。
图4为本发明产品表面裂缝快速检测系统的较佳实施方式的方框图。
具体实施方式
下面结合附图对本发明作进一步说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换,均落入本发明保护范围。
请参考图1所示,本发明所述的一种产品表面裂缝快速检测方法的较佳实施方式的流程图。所述产品表面裂缝快速检测方法的较佳实施方式包括以下步骤:
步骤S1、对采集到的高分辨率图像进行简单分类,并对所采集到的原始图像进行裁剪处理后使用改进滑动窗口进行人工扩增数据集。
步骤S2、采用具有良好特征提取效果的Mask R-CNN网络,该网络包含3个部分:第一个部分是共享卷积层Backbone用于提取特征;第二个部分候选区生成网络RPN(Regionproposal network)用于从特征图中选出需要被识别的候选区;第三个部分是NetworkHead,用于识别出候选区的包围盒坐标和对象掩模mask。其中网络结构图如图2所示。
其中,RPN在共享卷积层输出的特征图上用3*3的卷积核进行卷积运算,每个卷积窗口有9个不同尺度的anchors,对于大小为m*n的特征图生成的anchor的数量为9*m*n。再把anchor输入到两个不同的分支。第一个分支是1*1的卷积层,用于识别anchor覆盖区域的类别是前景区还是背景区。第二个分支是1*1的卷积层,用于把覆盖在前景区的anchor的坐标进行修正。其中,该网络的损失函数J采用以下公式:
其中,K为常数,h、w分别为图像的高度和宽度,b为训练批大小,e为常数,Z为神经元函数,当Y(i,j)=d时,1{Y(i,j)=d)为1,否则为0。
步骤S3、使用在数据集上已经训练完毕的Mask R-CNN模型,进行迁移学习。首先构建产品表面裂缝数据集,再构建数据集训练Mask R-CNN模型,使该模型能识别产品表面裂缝。其中网络的识别精度评价函数mAP如下:
其中,TP为true positive,FP为false positive,Nclasses、NC为图像数量。
步骤S4、使用阈值化算法求解出产品表面裂缝图像全局分割阈值,准确地提取出裂缝面元中的裂缝特征,所有基于裂缝面元提取出的裂缝特征最终组成整幅图像的裂缝图像:
ω0(μ0-μt)2+ω1(μ1-μt)2=ω0(t)ω1(t)(μ0(t)-μt(t))2
其中,ω0(t)和ω1(t)分别表示物体属于前景和背景区域的概率,μ为对应的数学期望。
步骤S5、对裂缝中的像素点进行排列,分为左上角和右下角坐标并标记出两个坐标点确定的矩形区域作为包围盒,标记产品表面裂缝位置,如图3所示。
本发明所述的一种产品表面裂缝快速检测方法进行人工手动挑选后,经过图像处理算法(如水平翻转、垂直翻转、线性变化及空间滤波等)进行扩充,同时将其划分为含有障碍物(如污渍等)的图像、简单背景图像等几类,并使用上述算法进行数据集扩增。、使用基于语义分割的产品表面裂缝图像分割模型对高分辨率图像进行特征提取,使得该产品表面裂缝检测方法能够保持较高的识别成功率。
请继续参考图4所示,为本发明所述的一种产品表面裂缝快速检测系统的较佳实施方式的方框图。所述产品表面裂缝快速检测系统的较佳实施方式包括原始图像处理单元1、Mask R-CNN网络单元2、产品表面裂缝识别单元3、裂缝特征提取单元4及裂缝位置标记单元5。
所述原始图像处理单元1用于对采集到的高分辨率图像进行简单分类,并对所采集到的原始图像进行裁剪处理后使用改进滑动窗口进行人工扩增数据集。
所述Mask R-CNN网络单元2包含三个部分:第一个部分是共享卷积层Backbone用于提取特征;第二个部分候选区生成网络RPN(Region proposal network)用于从特征图中选出需要被识别的候选区;第三个部分是Network Head,用于识别出候选区的包围盒坐标和对象掩模mask。其中,RPN在共享卷积层输出的特征图上用3*3的卷积核进行卷积运算,每个卷积窗口有9个不同尺度的anchors,对于大小为m*n的特征图生成的anchor的数量为9*m*n。再把anchor输入到两个不同的分支。第一个分支是1*1的卷积层,用于识别anchor覆盖区域的类别是前景区还是背景区。第二个分支是1*1的卷积层,用于把覆盖在前景区的anchor的坐标进行修正。其中,该网络的损失函数采用以下公式:
其中,K为常数,h、w分别为图像的高度和宽度,b为训练批大小,e为常数,Z为神经元函数,当Y(i,j)=d时,1{Y(i,j)=d}为1,否则为0。
所述产品表面裂缝识别单元3用于识别产品表面裂缝。具体的,所述产品表面裂缝识别单元3首先构建产品表面裂缝数据集,再构建数据集训练Mask R-CNN模型,使该模型能识别产品表面裂缝。其中网络的识别精度评价函数如下:
其中,/>TP为true positive,FP为false positive,Nclasses、Nc为图像数量。
所述裂缝特征提取单元4用于使用阈值化算法求解出产品表面裂缝图像全局分割阈值,准确地提取出裂缝面元中的裂缝特征。其中所有基于裂缝面元提取出的裂缝特征最终组成整幅图像的裂缝图像:ω0(μ0-μt)2+ω1(μ1-μt)2=ω0(t)ω1(t)(μ0(t)-μt(t))2,ω0(t)和ω1(t)分别表示物体属于前景和背景区域的概率,μ为对应的数学期望。
所述裂缝位置标记单元5用于对裂缝中的像素点进行排列,分为左上角和右下角坐标并标记出两个坐标点确定的矩形区域作为包围盒,标记产品表面裂缝位置。
以上所述仅为本发明的优选实施例,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的相关技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,其中所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种产品表面裂缝快速检测方法,其特征在于:所述产品表面裂缝快速检测方法包括:
步骤S1、对采集到的原始图像进行分类,并对所采集到的原始图像进行裁剪处理后使用改进滑动窗口进行人工扩增数据集;
步骤S2、采用Mask R-CNN网络,其中所述Mask R-CNN网络包括共享卷积层Backbone、候选区生成网络RPN及Network Head,所述候选区生成网络RPN在共享卷积层输出的特征图上用3*3的卷积核进行卷积运算,每个卷积窗口有9个不同尺度的anchors,对于大小为m*n的特征图生成的anchor的数量为9*m*n,再把anchor输入到两个不同的分支,其中第一个分支是1*1的卷积层,用于识别anchor覆盖区域的类别是前景区还是背景区,第二个分支是1*1的卷积层,用于把覆盖在前景区的anchor的坐标进行修正,其中,Mask R-CNN网络的损失函数采用以下公式:其中,K为常数,h、w分别为图像的高度和宽度,b为训练的批大小,e为常数,Z为神经元函数,当Y(i,j)=d时,1{Y(i,j)=d}为1,否则为0;
步骤S3、构建产品表面裂缝数据集,再构建数据集训练Mask R-CNN模型,使该模型能识别产品表面裂缝,其中网络的识别精度评价函数如下:
其中,/>TP为truepositive,FP为false positive,Nclasses、Nc为图像数量;
步骤S4、使用阈值化算法求解出产品表面裂缝图像全局分割阈值,准确地提取出裂缝面元中的裂缝特征,所有基于裂缝面元提取出的裂缝特征最终组成整幅图像的裂缝图像:ω0(μ0-μt)2+ω1(μ1-μt)2=ω0(t)ω1(t)(μ0(t)-μt(t))2,其中,ω0(t)和ω1(t)分别表示物体属于前景和背景区域的概率,μ为对应的数学期望;以及
步骤S5、对裂缝中的像素点进行排列,分为左上角和右下角坐标并标记出两个坐标点确定的矩形区域作为包围盒,标记产品表面裂缝位置。
2.如权利要求1所述的产品表面裂缝快速检测方法,其特征在于:所述卷积层Backbone用于提取特征;所述候选区生成网络RPN用于从特征图中选出需要被识别的候选区;所述Network Head用于识别出候选区的包围盒坐标和对象掩模mask。
3.一种产品表面裂缝快速检测系统,其特征在于:所述产品表面裂缝快速检测系统包括原始图像处理单元、Mask R-CNN网络单元、产品表面裂缝识别单元、裂缝特征提取单元及裂缝位置标记单元;所述原始图像处理单元用于对采集到的高分辨率图像进行简单分类,并对所采集到的原始图像进行裁剪处理后使用改进滑动窗口进行人工扩增数据集;所述Mask R-CNN网络单元包含共享卷积层Backbone、候选区生成网络RPN及Network Head,其中,所述候选区生成网络RPN用于在共享卷积层输出的特征图上用3*3的卷积核进行卷积运算,每个卷积窗口有9个不同尺度的anchors,对于大小为m*n的特征图生成的anchor的数量为9*m*n,再把anchor输入到两个不同的分支,其中第一个分支是1*1的卷积层,用于识别anchor覆盖区域的类别是前景区还是背景区,第二个分支是1*1的卷积层,用于把覆盖在前景区的anchor的坐标进行修正;其中,Mask R-CNN网络的损失函数采用以下公式:
其中,K为常数,h、w分别为图像的高度和宽度,b为训练的批大小,e为常数,Z为神经元函数,当Y(i,j)=d时,1{Y(i,j)=d}为1,否则为0;所述产品表面裂缝识别单元用于识别产品表面裂缝;所述裂缝特征提取单元用于使用阈值化算法求解出产品表面裂缝图像全局分割阈值,准确地提取出裂缝面元中的裂缝特征;所述裂缝位置标记单元用于对裂缝中的像素点进行排列,分为左上角和右下角坐标并标记出两个坐标点确定的矩形区域作为包围盒,标记产品表面裂缝位置。
4.如权利要求3所述的产品表面裂缝快速检测系统,其特征在于:所述卷积层Backbone用于提取特征;所述候选区生成网络RPN用于从特征图中选出需要被识别的候选区;所述Network Head用于识别出候选区的包围盒坐标和对象掩模mask。
5.如权利要求3所述的产品表面裂缝快速检测系统,其特征在于:所述产品表面裂缝识别单元用于首先构建产品表面裂缝数据集,再构建数据集训练Mask R-CNN模型,使该模型能识别产品表面裂缝,其中网络的识别精度评价函数如下:
其中,/>TP为truepositive,FP为false positive。
6.如权利要求3所述的产品表面裂缝快速检测系统,其特征在于:所述裂缝特征提取单元提取裂缝面元中的裂缝特征时,所有基于裂缝面元提取出的裂缝特征最终组成整幅图像的裂缝图像:
ω0(μ0-μt)2+ω1(μ1-μt)2=ω0(t)ω1(t)(μ0(t)-μt(t))2,其中,ω0(t)和ω1(t)分别表示物体属于前景和背景区域的概率,μ为对应的数学期望。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010371104.9A CN111612747B (zh) | 2020-04-30 | 2020-04-30 | 产品表面裂缝快速检测方法及检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010371104.9A CN111612747B (zh) | 2020-04-30 | 2020-04-30 | 产品表面裂缝快速检测方法及检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612747A CN111612747A (zh) | 2020-09-01 |
CN111612747B true CN111612747B (zh) | 2023-10-20 |
Family
ID=72202043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010371104.9A Active CN111612747B (zh) | 2020-04-30 | 2020-04-30 | 产品表面裂缝快速检测方法及检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612747B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258529A (zh) * | 2020-11-02 | 2021-01-22 | 郑州大学 | 一种基于实例分割算法的路面裂缝像素级别检测方法 |
CN112304960B (zh) * | 2020-12-30 | 2021-08-10 | 中国人民解放军国防科技大学 | 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 |
CN113392849A (zh) * | 2021-06-30 | 2021-09-14 | 哈尔滨理工大学 | 一种基于r-cnn的复杂路面裂缝识别方法 |
CN115660596B (zh) * | 2022-11-03 | 2023-07-04 | 创启科技(广州)有限公司 | 一种移动终端的数据交互方法及移动终端 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105988145A (zh) * | 2015-03-04 | 2016-10-05 | 中国石油化工股份有限公司 | 一种裂缝参数的反演方法 |
CN106777847A (zh) * | 2017-03-29 | 2017-05-31 | 白远 | 低渗透油藏分段压裂水平井非稳态产能模型 |
CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
CN107123109A (zh) * | 2017-01-13 | 2017-09-01 | 陕西师范大学 | 一种用于桥梁裂缝检测的窗口滑动算法 |
CN107480611A (zh) * | 2017-07-31 | 2017-12-15 | 浙江大学 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
WO2018003212A1 (ja) * | 2016-06-30 | 2018-01-04 | クラリオン株式会社 | 物体検出装置及び物体検出方法 |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
CN109559298A (zh) * | 2018-11-14 | 2019-04-02 | 电子科技大学中山学院 | 一种基于深度学习的乳液泵缺陷检测的方法 |
CN109614883A (zh) * | 2018-11-21 | 2019-04-12 | 瑾逸科技发展扬州有限公司 | 一种基于卷积神经网络的致密砂岩裂缝智能识别方法 |
CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
CN109767423A (zh) * | 2018-12-11 | 2019-05-17 | 西南交通大学 | 一种沥青路面图像的裂缝检测方法 |
CN110084302A (zh) * | 2019-04-26 | 2019-08-02 | 西安因诺航空科技有限公司 | 一种基于遥感图像的裂缝检测方法 |
CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
US10410092B1 (en) * | 2015-12-16 | 2019-09-10 | Hrl Laboratories, Llc | Automated classification of rock types and analyst-centric visualizations—front end |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
CN110599448A (zh) * | 2019-07-31 | 2019-12-20 | 浙江工业大学 | 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统 |
CN110610475A (zh) * | 2019-07-07 | 2019-12-24 | 河北工业大学 | 一种深度卷积神经网络的视觉缺陷检测方法 |
CN110675370A (zh) * | 2019-09-04 | 2020-01-10 | 武汉理工大学 | 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法 |
WO2020046213A1 (en) * | 2018-08-31 | 2020-03-05 | Agency For Science, Technology And Research | A method and apparatus for training a neural network to identify cracks |
CN111028217A (zh) * | 2019-12-10 | 2020-04-17 | 南京航空航天大学 | 一种基于全卷积神经网络的图像裂缝分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9965719B2 (en) * | 2015-11-04 | 2018-05-08 | Nec Corporation | Subcategory-aware convolutional neural networks for object detection |
US10354159B2 (en) * | 2016-09-06 | 2019-07-16 | Carnegie Mellon University | Methods and software for detecting objects in an image using a contextual multiscale fast region-based convolutional neural network |
US10497145B2 (en) * | 2017-11-16 | 2019-12-03 | Nec Corporation | System and method for real-time large image homography processing |
US11055854B2 (en) * | 2018-08-23 | 2021-07-06 | Seoul National University R&Db Foundation | Method and system for real-time target tracking based on deep learning |
-
2020
- 2020-04-30 CN CN202010371104.9A patent/CN111612747B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105988145A (zh) * | 2015-03-04 | 2016-10-05 | 中国石油化工股份有限公司 | 一种裂缝参数的反演方法 |
US10410092B1 (en) * | 2015-12-16 | 2019-09-10 | Hrl Laboratories, Llc | Automated classification of rock types and analyst-centric visualizations—front end |
WO2018003212A1 (ja) * | 2016-06-30 | 2018-01-04 | クラリオン株式会社 | 物体検出装置及び物体検出方法 |
CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
CN107123109A (zh) * | 2017-01-13 | 2017-09-01 | 陕西师范大学 | 一种用于桥梁裂缝检测的窗口滑动算法 |
CN106777847A (zh) * | 2017-03-29 | 2017-05-31 | 白远 | 低渗透油藏分段压裂水平井非稳态产能模型 |
CN107480611A (zh) * | 2017-07-31 | 2017-12-15 | 浙江大学 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
WO2020046213A1 (en) * | 2018-08-31 | 2020-03-05 | Agency For Science, Technology And Research | A method and apparatus for training a neural network to identify cracks |
CN109559298A (zh) * | 2018-11-14 | 2019-04-02 | 电子科技大学中山学院 | 一种基于深度学习的乳液泵缺陷检测的方法 |
CN109614883A (zh) * | 2018-11-21 | 2019-04-12 | 瑾逸科技发展扬州有限公司 | 一种基于卷积神经网络的致密砂岩裂缝智能识别方法 |
CN109767423A (zh) * | 2018-12-11 | 2019-05-17 | 西南交通大学 | 一种沥青路面图像的裂缝检测方法 |
CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
CN110084302A (zh) * | 2019-04-26 | 2019-08-02 | 西安因诺航空科技有限公司 | 一种基于遥感图像的裂缝检测方法 |
CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
CN110610475A (zh) * | 2019-07-07 | 2019-12-24 | 河北工业大学 | 一种深度卷积神经网络的视觉缺陷检测方法 |
CN110599448A (zh) * | 2019-07-31 | 2019-12-20 | 浙江工业大学 | 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统 |
CN110675370A (zh) * | 2019-09-04 | 2020-01-10 | 武汉理工大学 | 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法 |
CN111028217A (zh) * | 2019-12-10 | 2020-04-17 | 南京航空航天大学 | 一种基于全卷积神经网络的图像裂缝分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111612747A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612747B (zh) | 产品表面裂缝快速检测方法及检测系统 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN110175982B (zh) | 一种基于目标检测的缺陷检测方法 | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN114140679B (zh) | 一种缺陷融合方法、装置、识别系统及存储介质 | |
CN108460764A (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
CN109444169B (zh) | 一种轴承缺陷检测方法及系统 | |
CN106910187B (zh) | 一种用于桥梁裂缝检测定位的图像数据集人工扩增方法 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN111461133B (zh) | 快递面单品名识别方法、装置、设备及存储介质 | |
CN115035182B (zh) | 一种山区滑坡灾害预警方法及系统 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
Joshi et al. | Damage identification and assessment using image processing on post-disaster satellite imagery | |
CN114549493A (zh) | 一种基于深度学习的磁芯缺陷检测系统及方法 | |
CN113988222A (zh) | 一种基于Faster-RCNN的森林火灾检测与识别方法 | |
CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
CN117095180A (zh) | 基于分期识别的胚胎发育阶段预测与质量评估方法 | |
Kofler et al. | Classifying defects in topography images of silicon wafers | |
CN116245882A (zh) | 电路板电子元件检测方法、装置及计算机设备 | |
CN116342525A (zh) | 基于Lenet-5模型的SOP芯片引脚缺陷检测方法及系统 | |
CN115937095A (zh) | 融合图像处理算法和深度学习的印刷缺陷检测方法及系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230920 Address after: 434000, No. 8, Development Avenue, Hongcheng Rural Economic Development Zone, Jianli City, Jingzhou City, Hubei Province (self declared) Applicant after: Hubei Huangchao Intelligent Automation Equipment Co.,Ltd. Address before: 401120 Yubei District, Chongqing Shuangfeng bridge airport development zone, Xiangyu Road, No. 15, 2. Applicant before: Chongqing Jianmang Information Technology Consulting Service Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |