CN111754502A - 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 - Google Patents
基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 Download PDFInfo
- Publication number
- CN111754502A CN111754502A CN202010619941.9A CN202010619941A CN111754502A CN 111754502 A CN111754502 A CN 111754502A CN 202010619941 A CN202010619941 A CN 202010619941A CN 111754502 A CN111754502 A CN 111754502A
- Authority
- CN
- China
- Prior art keywords
- magnetic core
- rcnn
- inputting
- scale
- fast
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000002950 deficient Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001629 suppression Effects 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
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4084—Scaling of whole images or parts thereof, e.g. expanding or contracting in the transform domain, e.g. fast Fourier transform [FFT] domain scaling
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30204—Marker
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)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开一种基于多尺度特征融合的Faster‑RCNN算法检测磁芯表面缺陷的方法,首先采集磁芯所有正反面图像,并对其进行预处理,然后制作成标准的PASCAL VOC2007格式的数据集,划分训练集、验证集和测试集。接着将训练集图片输入到改进的VGG16神经网络中,通过拼接和叠加Conv3层和Conv5层的特征图得到多尺度特征融合的磁芯特征。再将此特征输入到Faster‑RCNN的RPN网络中,生成缺陷最小外接矩形候选框。最后将此候选框输入到ROI网络中,采用多任务损失函数计算生成的矩形框与标注的矩形框的偏差,当低于设定的阈值时,结束训练,并将完成训练的网络作为磁芯表面缺陷检测模型,从而识别出磁芯的类别信息和位置信息。本发明的方法识别更快、更方便、更准确。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及图像检测与识别领域,尤其涉及一种基于深度学习目标检测与识别的磁芯缺陷检测方法。
背景技术
随着社会的不断发展,工业自动化程度从过去几十年里已经得到了巨大的飞跃,然而在保证生产效率的同时,产品存在的缺陷问题也依旧困扰着许多工业制造商。同时随着人们消费水平的提高,消费者对产品的质量要求也更加严格。目前大多数厂商仍然采用人工方法检测识别缺陷产品,这样做不仅降低了流水线的生产效率,还容易存在漏检、误检的情况,浪费了大量的人力、物力资源。为了改善人工质检存在的问题,在生产线质量检测环节采用计算机视觉、模式识别等智能检测手段来取代人工质检的方法已成为工业发展的趋势。
电子元器件在日常生活中的应用场合越来越多,发挥的作用也越来越重要,比如人们日常生活中所见的各种电路板,各种电子元件等,其中一种重要的电子元器件就是磁芯。面对如此多的应用需求,生产厂商必须在加工过程中对瑕疵产品进行严格检测和控制,由于生产加工的缺陷,或者在运输过程中发生碰撞和摩擦产生划痕,造成磁芯表面出现各种瑕疵,严重影响质量。
传统的磁芯缺陷检测方法主要依靠人工方法进行分类,难度大,效率低。如何使人们更方便、快捷、准确的实现对磁芯的缺陷检测成为一个技术难题。
发明内容
针对现有技术的不足,本发明提出一种基于多尺度特征融合的Faster-RCNN算法磁芯表面缺陷检测方法,具体技术方案如下:
一种基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法,该方法具体包括如下步骤:
S1:采集所有磁芯的正反面图片,并进行预处理操作,然后对图片进行类别打标注操作,标记图片中的缺陷最小外接矩形,生成图像特征集;
S2:将S1所得到的图像特征集分割成训练集、验证集和测试集;
S3:将S2所述的训练集输入到改进的VGG16神经网络中,生成磁芯的多尺度特征;
S4:将S3所得到的多尺度特征输入到Faster-RCNN的神经网络中进行训练,并使用验证集验证模型,生成最终的磁芯表面缺陷检测模型。
S5:将S2所述的测试集输入到S4所述的磁芯表面缺陷检测模型中,检测出磁芯的缺陷类别和位置信息。
进一步地,所述S3中生成多尺度特征的具体过程包括为:
S3.1:将VGG16神经网络的Conv5层和Conv3层的ROI区域进行池化层操作,分别得到两个维度尺寸大小不同的特征图;
S3.2:将S3.1所得到的两个特征图在维度上进行拼接,并叠加维度,然后对叠加维度的特征图进行1×1卷积操作;所述拼接操作和叠加操作的计算公式为:
式中,Dconcat表示拼接之后的单个输出通道,Dadd表示叠加之后的单个输出通道,Xi,Yi表示维度为i的输入通道,Ki表示第i个通道的卷积核,C为维度;
S3.3:将S3.2所得到的特征图与全连接层连接,从而实现了磁芯缺陷的多尺度特征的融合。
进一步地,所述S1中图像预处理过程为调整图片大小和灰度处理,其具体处理过程包括为:
(1)使用缩放变换来调整图片的大小,图像缩放的计算公式为:
其中x0,y0分别表示缩放前的图像像素横坐标和纵坐标。x,y分别表示缩放后的图像的像素的横坐标和纵坐标;
(2)使用加权平均法来对图像进行灰度处理,加权平均法灰度化公式为:
f(x,y)=0.30R(x0,y0)+0.59G(x0,y0)+0.11B(x0,y0)
R、G、B分别为该坐标处像素点的R、G、B值,f(x,y)为最后所得到的灰度像素值。
进一步地,所述S4中磁芯表面缺陷检测模型生成的具体过程为:
S4.1:将S3所得到的多尺度融合特征输入到Faster-RCNN的RPN网络中,RPN网络根据非极大值抑制法和IOC比率生成对应缺陷的最小外接矩形候选框;
S4.2:将S4.1所得到的候选框输入到Faster-RCNN的ROI网络中,识别出候选框所对应的磁芯缺陷类别信息和位置信息;
S4.3:将所述的验证集输入到Faster-RCNN网络中进行训练,得到磁芯表面缺陷的识别结果框;
S4.4:将S4.2所得到的结果框与S1所述的标注框进行多任务损失函数偏差计算,当所述偏差低于所设定的阈值时,则完成了对Faster-RCNN神经网络的训练;
S4.5:将S4.4所述的完成训练后的Faster-RCNN神经网络作为最终的磁芯表面缺陷检测模型。
本发明的有益效果如下:
(1)本发明的基于多尺度特征融合的Faster-RCNN算法可以自动的学习磁芯样本的所有特征,不需要人工对有缺陷的磁芯工件进行检测与分类,同时该方法不需要过多的图像预处理环节,更多是能够自动学习,在一定程度上节约了时间。
(2)本发明将深度学习目标检测算法应用到了磁芯自动缺陷检测的问题上,有效地提高了工厂的生产效率,大大地降低了工厂的生产成本,节约了许多人力、物力资源。
附图说明
图1是本发明的基于多尺度特征融合的Faster-RCNN算法的流程图。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的原理为:如图1所示,首先采集磁芯所有正反面图像,并对所有图片均进行缩放处理和灰度处理,然后把所有图片制作成标准的PASCAL VOC2007格式的数据集,划分训练集、验证集和测试集。接着将训练集图片输入到改进的VGG16神经网络中,通过拼接和叠加Conv3层和Conv5层的特征图得到多尺度特征融合的磁芯特征。然后将此特征输入到Faster-RCNN的RPN网络中,生成缺陷最小外接矩形框。最后将候选框输入到ROI网络中,采用多任务损失函数计算生成的矩形框与标注的矩形框的偏差,当低于所设定的阈值时,神经网络结束训练,并将此最终的完成训练的网络作为磁芯表面缺陷检测模型,将测试集输入到模型中,即可检测识别出磁芯的类别信息和位置信息。
作为其中一种实施例,本发明的基于深度学习目标检测与识别的磁芯缺陷检测方法的具体步骤如下:
S1:采集所有磁芯的正反面图片,并进行图像预处理操作,然后对图片进行类别打标注操作,标记图片中的缺陷最小外接矩形,生成图像特征集。预处理操作的具体过程为:
(1)使用缩放变换来调整图片的大小,图像缩放的计算公式为:
其中x0,y0分别表示缩放前的图像像素横坐标和纵坐标。x,y分别表示缩放后的图像的像素的横坐标和纵坐标。所选实例中经过上述步骤后得到的所有磁芯图像的大小为415×415×3。
(2)使用加权平均法来对图像进行灰度处理,加权平均法灰度化公式为:
f(x,y)=0.30R(x0,y0)+0.59G(x0,y0)+0.11B(x0,y0)
R、G、B分别为该坐标处像素点的R、G、B值,f(x,y)为最后所得到的灰度像素值。所选实例中将上述缩放后的图像进行灰度处理得到图像的大小为415×415×1。
S2:将S1所得到的图像特征集制作成PASCAL VOC2007格式的数据集,并分割成训练集、验证集和测试集,所选实例中训练集为1600张图片,验证集为800张图片,测试集为800张图片;
S3:将S2所述的训练集输入到改进的VGG16神经网络中,生成磁芯的多尺度特征,其具体过程为:
S3.1:将VGG16神经网络的Conv5层和Conv3层的ROI区域进行池化层操作,分别得到尺寸大小为7×7×512和7×7×256的特征图。
S3.2:将S3.1所得到的两个特征图在维度上进行拼接,并叠加维度得到尺寸大小为7×7×7×68的特征图,然后对叠加维度的特征图进行1×1卷积操作。所述拼接操作和叠加操作的计算公式为:
式中,Dconcat表示拼接之后的单个输出通道,Dadd表示叠加之后的单个输出通道,Xi,Yi表示维度为i的输入通道,Ki表示第i个通道的卷积核,C为维度;
S3.3:将S3.2所得到的特征图与全连接层连接,从而实现了磁芯缺陷的多尺度特征的融合。
S4:将S3所得到的多尺度特征输入到Faster-RCNN的神经网络中进行训练,并使用验证集验证模型,生成最终的磁芯表面缺陷检测模型。其具体过程为:
S4.1:将S3所得到的多尺度融合特征输入到Faster-RCNN的RPN网络中,所述RPN网络为3种尺度(8,16,32)和3种大小(1:1,1:2,2:1)的锚框,RPN网络根据非极大值抑制法和IOC比率来生成对应缺陷的最小外接矩形候选框。当IOC比率小于0.3时,RPN网络锚框判断锚框物体为背景,当IOC比率大于0.7时,RPN网络判断锚框物体为前景,并对物体进行Soft-max坐标回归生成物体的最小外接矩形框。
S4.2:将S4.1所得到的候选框输入到Faster-RCNN的ROI网络中,ROI网络根据多尺度特征图里的磁芯缺陷信息识别出候选框中所对应的磁芯缺陷类别和位置信息。
S4.3:将所述的验证集输入到Faster-RCNN网络中进行训练,得到磁芯表面缺陷的识别结果框。所述的结果框包括磁芯的类别信息、类别的置信度以及位置坐标。
S4.4:将S4.2所得到的结果框与S1所述的标注框进行多任务损失函数偏差计算,当所述偏差低于所设定的阈值时,神经网络精度达到了预期值,则完成了对Faster-RCNN神经网络的训练。
S4.5:将S4.4所述的完成训练后的Faster-RCNN神经网络作为最终的磁芯表面缺陷检测模型。
S5:将S2所述的优选实例测试集输入到S4所述的磁芯表面缺陷检测模型中,即可检测出磁芯的缺陷类别和位置信息。
本发明克服了传统人工质检方法的不足,不需要人工对有缺陷的磁芯工件进行检测与分类,在一定程度上节约了时间,有效地提高了工厂的生产效率,同时大大地降低了工厂的生产成本,节约了许多人力、物力资源。本发明不需要过多的图像预处理环节,能够自动地学习磁芯样本的所有特征。本发明的方法识别更快、更方便、更准确。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (4)
1.一种基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法,其特征在于,该方法具体包括如下步骤:
S1:采集所有磁芯的正反面图片,并进行预处理操作,然后对图片进行类别打标注操作,标记图片中的缺陷最小外接矩形,生成图像特征集;
S2:将S1所得到的图像特征集分割成训练集、验证集和测试集;
S3:将S2所述的训练集输入到改进的VGG16神经网络中,生成磁芯的多尺度特征;
S4:将S3所得到的多尺度特征输入到Faster-RCNN的神经网络中进行训练,并使用验证集验证模型,生成最终的磁芯表面缺陷检测模型。
S5:将S2所述的测试集输入到S4所述的磁芯表面缺陷检测模型中,检测出磁芯的缺陷类别和位置信息。
2.根据权利要求1所述的基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法,其特征在于,所述S3中生成多尺度特征的具体过程包括为:
S3.1:将VGG16神经网络的Conv5层和Conv3层的ROI区域进行池化层操作,分别得到两个维度尺寸大小不同的特征图;
S3.2:将S3.1所得到的两个特征图在维度上进行拼接,并叠加维度,然后对叠加维度的特征图进行1×1卷积操作;所述拼接操作和叠加操作的计算公式为:
式中,Dconcat表示拼接之后的单个输出通道,Dadd表示叠加之后的单个输出通道,Xi,Yi表示维度为i的输入通道,Ki表示第i个通道的卷积核,C为维度;
S3.3:将S3.2所得到的特征图与全连接层连接,从而实现了磁芯缺陷的多尺度特征的融合。
4.根据权利要求1所述的基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法,其特征在于,所述S4中磁芯表面缺陷检测模型生成的具体过程为:
S4.1:将S3所得到的多尺度融合特征输入到Faster-RCNN的RPN网络中,RPN网络根据非极大值抑制法和IOC比率生成对应缺陷的最小外接矩形候选框;
S4.2:将S4.1所得到的候选框输入到Faster-RCNN的ROI网络中,识别出候选框所对应的磁芯缺陷类别信息和位置信息;
S4.3:将所述的验证集输入到Faster-RCNN网络中进行训练,得到磁芯表面缺陷的识别结果框;
S4.4:将S4.2所得到的结果框与S1所述的标注框进行多任务损失函数偏差计算,当所述偏差低于所设定的阈值时,则完成了对Faster-RCNN神经网络的训练;
S4.5:将S4.4所述的完成训练后的Faster-RCNN神经网络作为最终的磁芯表面缺陷检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010619941.9A CN111754502A (zh) | 2020-06-30 | 2020-06-30 | 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010619941.9A CN111754502A (zh) | 2020-06-30 | 2020-06-30 | 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111754502A true CN111754502A (zh) | 2020-10-09 |
Family
ID=72678755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010619941.9A Pending CN111754502A (zh) | 2020-06-30 | 2020-06-30 | 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754502A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505049A (zh) * | 2020-10-14 | 2021-03-16 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
CN112819796A (zh) * | 2021-02-05 | 2021-05-18 | 杭州天宸建筑科技有限公司 | 烟丝异物识别方法及设备 |
CN113870262A (zh) * | 2021-12-02 | 2021-12-31 | 武汉飞恩微电子有限公司 | 基于图像处理的印刷电路板分类方法、装置及储存介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097053A (zh) * | 2019-04-24 | 2019-08-06 | 上海电力学院 | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 |
CN110826416A (zh) * | 2019-10-11 | 2020-02-21 | 佛山科学技术学院 | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 |
-
2020
- 2020-06-30 CN CN202010619941.9A patent/CN111754502A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097053A (zh) * | 2019-04-24 | 2019-08-06 | 上海电力学院 | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 |
CN110826416A (zh) * | 2019-10-11 | 2020-02-21 | 佛山科学技术学院 | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505049A (zh) * | 2020-10-14 | 2021-03-16 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
CN112505049B (zh) * | 2020-10-14 | 2021-08-03 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
CN112819796A (zh) * | 2021-02-05 | 2021-05-18 | 杭州天宸建筑科技有限公司 | 烟丝异物识别方法及设备 |
CN113870262A (zh) * | 2021-12-02 | 2021-12-31 | 武汉飞恩微电子有限公司 | 基于图像处理的印刷电路板分类方法、装置及储存介质 |
CN113870262B (zh) * | 2021-12-02 | 2022-04-19 | 武汉飞恩微电子有限公司 | 基于图像处理的印刷电路板分类方法、装置及储存介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109683360B (zh) | 液晶面板缺陷检测方法及装置 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN111754502A (zh) | 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 | |
CN108827969A (zh) | 金属零件表面缺陷检测与识别方法及装置 | |
CN110706293B (zh) | 基于surf特征匹配的电子元器件定位和检测方法 | |
CN110598698A (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
CN111368682A (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其系统 | |
CN111161213A (zh) | 一种基于知识图谱的工业产品缺陷图像分类方法 | |
CN110781913A (zh) | 一种拉链布带缺陷检测方法 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN113393438A (zh) | 一种基于卷积神经网络的树脂镜片缺陷检测方法 | |
CN112884741B (zh) | 一种基于图像相似性对比的印刷表观缺陷检测方法 | |
CN114299040A (zh) | 瓷砖瑕疵检测方法、装置和电子设备 | |
CN112926694A (zh) | 基于改进的神经网络对图像中的猪只进行自动识别的方法 | |
CN110163090B (zh) | 一种基于多特征和尺度估计的pcb板标识跟踪方法 | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
CN116563230A (zh) | 焊缝缺陷识别方法及系统 | |
CN112633327B (zh) | 分阶段金属表面缺陷检测方法、系统、介质、设备及应用 | |
CN113469984B (zh) | 一种基于yolo结构的显示面板外观检测方法 | |
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 | |
CN112651920A (zh) | Pcb裸板线路瑕疵检测方法、装置、电子设备 | |
CN114882298B (zh) | 一种对抗互补学习模型的优化方法及装置 | |
Yang et al. | Camera module Lens blemish detection based on neural network interpretability |
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 |