CN111899221A - 一种面向外观缺陷检测的自迁移学习方法 - Google Patents
一种面向外观缺陷检测的自迁移学习方法 Download PDFInfo
- Publication number
- CN111899221A CN111899221A CN202010612736.XA CN202010612736A CN111899221A CN 111899221 A CN111899221 A CN 111899221A CN 202010612736 A CN202010612736 A CN 202010612736A CN 111899221 A CN111899221 A CN 111899221A
- Authority
- CN
- China
- Prior art keywords
- module
- defect detection
- representing
- data
- self
- 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 73
- 238000013508 migration Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material 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
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
-
- 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
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种面向外观缺陷检测的自迁移学习方法,包括以下步骤:相机采图,获得初始图像数据集;构建自迁移学习模型,所述自迁移学习模型包括图像预处理模块、特征提取模块、缺陷检测模块和类别判断模块;将所述初始图像数据集输入所述图像预处理模块,经n种预处理算法,获得预处理后的图像集;将初始图像集和预处理后的图像集输入特征提取模块,通过训练,获得初始图像集特征向量和预处理后的图像集相应的特征向量;将预处理后的图像集相应的特征向量输入缺陷检测模块和类别判断模块并进行训练,优化参数,获得自迁移学习模型。在目标数据量特别稀少情况下,该模型能够挖掘目标数据的潜在特征,避免复杂缺陷特征的提取,缺陷检测准确率高。
Description
技术领域
本发明涉及缺陷检测技术领域,具体涉及一种面向外观缺陷检测的自迁移学习方法。
背景技术
随着经济的蓬勃发展,我国制造业也在迅速发展,对产品外观质量提出了越来越高的要求。目前大多外观质检仍采用人工目检的方式,这种方法效率低且经常会出现漏检误检等。导致产品质量降低,且造成了资源的浪费。为更好控制产品外观缺陷,基于机器视觉的智能检测手段,在生产线质量鉴定环节将逐步取代人工目检,成为主流方法。
对于背景复杂的目标图像,深度学习在训练的过程中会更易受到复杂因素的干扰,特征多,相互干扰,会使得深度学习模型难以拟合。
发明内容
本发明要解决的技术问题是提供一种面向外观缺陷检测的自迁移学习方法,其在增强缺陷特征的同时又保留了原图的信息,避免复杂缺陷特征的提取,缺陷检测准确率高。
为了解决上述技术问题,本发明提供了一种面向外观缺陷检测的自迁移学习方法,包括步骤一、使用相机采集图像,获得初始图像数据集X;
步骤二、构建自迁移学习模型,所述自迁移学习模型包括图像预处理模块、特征提取模块、缺陷检测模块和类别判断模块;
步骤五、将预处理后的图像集相应的特征向量输入至所述缺陷检测模块和类别判断模块并进行训练,优化参数,获得训练后的自迁移学习模型,具体包括:
所述缺陷检测模块采用的是交叉熵损失E1:
所述类别判断模块的检测方法包括:
E2表示检测所依据的损失,Dt表示目标数据集,nt表示目标数据集的数据类别数量,Cs表示源域的标记空间,是对不同预处理数据集进行类判别的判别器,预处理数据与原数据接近的数据权值高,差异大的数据权值低,表示样本权值,判断该样本的类别,表示有监督损失,di为样本域标签,λ表示超参数,k=1,...,|Cs|;
所述自迁移学习模型参数的优化方法为:
其中,θf表示特征提取模块的参数,表示特征提取模块待优化参数,θy表示缺陷检测模块的参数,表示缺陷检测模块待优化参数,θd表示类别判断模块的参数,表示类别判断模块的待优化参数,Ly表示缺陷检测模块的分类器,Ld表示缺陷检测模块分类器,μ是学习速率;
在训练过程中通过不断的交叉训练与更新,使自迁移学习模型的网络中的参数达到最优。
所述数据筛选模块的筛选方法包括:
对于每一批数据集,随机选取l个样本,选取m次,直至每一批数据集被遍历num次;
采用Wasserstein Distance衡量初始图像数据集X中的l个样本与每一批预处理数据集中的l个样本的接近程度,
W(Xn,X)<β,
其中,Xl表示每一批选取的数据集,Xn,X分别表示预处理之后的样本集和原样本集,xl分别表示两种数据集中的样本,n表示采用预处理的方法数量,γ表示两种样本在模型当中的受到的关联程度,β表示衡量的标准;
本发明的有益效果:
在目标原图特征复杂,干扰因素较多,缺陷类型不明显的情况下,采用数字图像技术预处理的同时也会造成一些信息的丢失,本发明构建自迁移学习模型进行缺陷检测,在目标数据量特别稀少情况下,该模型能够挖掘目标数据的潜在特征,同时避免复杂缺陷特征的提取,与单纯的深度神经网络相比,本发明的缺陷检测准确率更高。
附图说明
图2为实施例一中初始图像数据集和数据筛选模块筛选后的预处理数据集;
图3为实施例一中ALEXNET的检测结果;
图4为实施例一中自迁移模型的检测结果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参照图1所示,本发明公开了一种面向外观缺陷检测的自迁移学习方法,包括以下步骤:
步骤一、使用相机采集图像,获得初始图像数据集X。在此步骤中,可采用工业相机进行图像采集。
步骤二、构建自迁移学习模型,所述自迁移学习模型包括图像预处理模块、特征提取模块、缺陷检测模块和类别判断模块。
步骤四、将初始图像集X和预处理后的图像集输入特征提取模块,通过训练,获得初始图像集X相应的特征向量和预处理后的图像集相应的特征向量。特征提取模块由卷积层和池化层组成。通过训练,可得到相应的特征向量f。
步骤五、将预处理后的图像集相应的特征向量输入至所述缺陷检测模块和类别判断模块并进行训练,优化参数,获得训练后的自迁移学习模型,具体包括:
(1)缺陷检测模块负责判别图像是否存在缺陷,所述缺陷检测模块采用的是交叉熵损失E1:
(2)针对不同的预处理图像,需分别对其采用类别判断模块进行分类,类别判断模块判别图像所属的类别,所述类别判断模块的检测方法包括:
E2表示检测所依据的损失,Dt表示目标数据集,nt表示目标数据集的数据类别数量,Cs表示源域的标记空间,是对不同预处理数据集进行类判别的判别器,预处理数据与原数据接近的数据权值高,差异大的数据权值低,表示样本权值,判断该样本的类别,表示有监督损失,di为样本域标签,λ表示超参数,k=1,...,|Cs|;
参照图1所示,特征提取模块努力抽取样本的特征,目的是使抽取出的特征能让缺陷检测模块准确检测,还能使类别判断模块不能分辨出当前的对象属于哪一类数据集。类别判断模块,它要尽最大的分类能力,根据特征提取模块输出的特征进行分辨,但仍不能分辨出。只有达到这种程度,才能将两种不同样本之间区域的信息去除。
因此,在网络的优化过程就是缺陷检测监测模块和类别判断模块的对抗过程。通过加入梯度翻转,保证缺陷检测监测模块和类别判断模块优化的方向一致。
(3)模型的最终目标是,特征提取模块提取出的特征f为原图和预处理图的相似缺陷特征,从而实现迁移。训练方法是:缺陷检测模块依据目标函数努力分辨特征f是否属于缺陷图像。
所述自迁移学习模型参数的优化方法为:
其中,θf表示特征提取模块的参数,表示特征提取模块待优化参数,θy表示缺陷检测模块的参数,表示缺陷检测模块待优化参数,θd表示类别判断模块的参数,表示类别判断模块的待优化参数,Ly表示缺陷检测模块的分类器,Ld表示缺陷检测模块分类器,μ是学习速率;
在训练过程中通过不断的交叉训练与更新,使自迁移学习模型的网络中的参数达到最优。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:在目标原图特征复杂,干扰因素较多,缺陷类型不明显的情况下。采用数字图像技术预处理的同时也会造成一些信息的丢失。本发明构建缺陷引导深度学习模型进行缺陷检测,在增强缺陷特征的同时又保留了原图的信息,也避免复杂缺陷特征的提取。与单纯的深度神经网络相比,本发明的缺陷检测准确率更高。
本发明还包括数据筛选模块,为减少奇异数据集对迁移效果的影响,采用数据集筛选模块对不同预处理算法的数据集进行判断,将差异较大的数据集去除。所述步骤四和步骤五之间还包括:所述数据筛选模块对所述步骤四预处理后的图像集相应的特征向量进行筛选,去除差异大的预处理后的图像集。具体的,所述数据筛选模块的筛选方法包括:
S1、从数据集中随机选取l个样本,选取m次,直至数据集被遍历num次;
W(Xn,X)<β,
其中,Xl表示每一批选取的数据集,Xn,X分别表示预处理之后的样本集和原样本集,xl分别表示两种数据集中的样本,n表示采用预处理的方法数量,γ表示两种样本在模型当中的受到的关联程度,β表示衡量的标准;
实施例一
磁环制造行业中,生产出的磁环会存在隐裂缺陷,该缺陷类型不明显。检测效果往往不理想,因此采用自迁移学习方法进行检测。
一、在生产设备上进行图像的采集,得到图片数据集。对采集的数据用四种预处理算法得到X1,X2,X3,X4;
二、磁环图片经预处理之后如图2所示。将预处理之后的图片与原图送入特征提取模块,分别得到四种预处理图的特征:f1,f2,f3,f4,原图特征:forg。衡量预处理数据集与原图数据集特征层面的距离,去除距离最大的25%的数据集。筛选之后得到X1,X3,X4;
三、缺陷检测模块根据特征f判别磁环数据是否存在缺陷,采用交叉熵损失:
四、针对不同数据集中的磁环图片,分别采用类别判断模块进行分类,类别判断模块判断图像所属的类别,判断方法如下:
五、对特征引导深度学习模型进行训练,模型的目标函数如下:
E(θf,θy,θd)=E1-E2~W(Xn,X)
参数优化方法如下:
六、训练结束之后得到最优的模型参数θf,θy,θd,使用这组参数,进行后续的缺陷检测。
实验结果如图4所示,其中,“*”标记表示存在缺陷的磁环,“o”标记表示无缺陷磁环。检测结果为1表示网络分类该样本为缺陷样本,为0表示网络分类该样本为无缺陷样本。
为了进行对比,增加了单纯深度神经网络ALEXNET的检测结果,如图3所示为ALEXNET的检测结果示意图。
表1
检出缺陷 | 误检缺陷 | 检出率/% | 误检率/% | |
ALEXNET | 89 | 8 | 89 | 8.2 |
自迁移模型 | 96 | 2 | 96 | 2 |
表1为ALEXNET和自迁移模型实验结果的数据对比。从表1和图4可以看出,本发明中的特征引导深度学习模型检测精度优于单纯的深度神经网络。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (2)
1.一种面向外观缺陷检测的自迁移学习方法,其特征在于,包括以下步骤:
步骤一、使用相机采集图像,获得初始图像数据集X;
步骤二、构建自迁移学习模型,所述自迁移学习模型包括图像预处理模块、特征提取模块、缺陷检测模块和类别判断模块;
步骤五、将图像集相应的特征向量输入至所述缺陷检测模块和类别判断模块并进行训练,优化参数,获得训练后的自迁移学习模型,具体包括:
所述缺陷检测模块采用的是交叉熵损失E1:
所述类别判断模块的检测方法包括:
E2表示检测所依据的损失,Dt表示目标数据集,nt表示目标数据集的数据类别数量,Cs表示源域的标记空间,是对不同预处理数据集进行类判别的判别器,预处理数据与原数据接近的数据权值高,差异大的数据权值低,表示样本权值,判断该样本的类别,表示有监督损失,di为样本域标签,λ表示超参数,k=1,...,|Cs|;
所述自迁移学习模型参数的优化方法为:
其中,θf表示特征提取模块的参数,表示特征提取模块待优化参数,θy表示缺陷检测模块的参数,表示缺陷检测模块待优化参数,θd表示类别判断模块的参数,表示类别判断模块的待优化参数,Ly表示缺陷检测模块的分类器,Ld表示缺陷检测模块分类器,μ是学习速率;
在训练过程中通过不断的交叉训练与更新,使自迁移学习模型的网络中的参数达到最优。
2.如权利要求1所述的面向外观缺陷检测的自迁移学习方法,其特征在于,还包括数据筛选模块,所述步骤四和步骤五之间还包括:
S1、对于每一批数据集,随机选取l个样本,选取m次,直至每一批数据集被遍历num次;
S2、采用Wasserstein Distance衡量初始图像数据集X中的l个样本与每一批预处理数据集中的l个样本的接近程度,
W(Xn,X)<β,
其中,Xl表示每一批选取的数据集,Xn,X分别表示预处理之后的样本集和原样本集,xl分别表示两种数据集中的样本,n表示采用预处理的方法数量,γ表示两种样本在模型当中的受到的关联程度,β表示衡量的标准;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612736.XA CN111899221B (zh) | 2020-06-30 | 2020-06-30 | 一种面向外观缺陷检测的自迁移学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612736.XA CN111899221B (zh) | 2020-06-30 | 2020-06-30 | 一种面向外观缺陷检测的自迁移学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111899221A true CN111899221A (zh) | 2020-11-06 |
CN111899221B CN111899221B (zh) | 2022-08-09 |
Family
ID=73207922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010612736.XA Active CN111899221B (zh) | 2020-06-30 | 2020-06-30 | 一种面向外观缺陷检测的自迁移学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899221B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066056A (zh) * | 2021-03-15 | 2021-07-02 | 南昌大学 | 一种基于深度学习的口罩耳带焊点检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830294A (zh) * | 2018-05-09 | 2018-11-16 | 四川斐讯信息技术有限公司 | 一种图像数据的增广方法 |
CN109492099A (zh) * | 2018-10-28 | 2019-03-19 | 北京工业大学 | 一种基于领域对抗自适应的跨领域文本情感分类方法 |
CN109948741A (zh) * | 2019-03-04 | 2019-06-28 | 北京邮电大学 | 一种迁移学习方法及装置 |
CN110111297A (zh) * | 2019-03-15 | 2019-08-09 | 浙江大学 | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 |
US20200110181A1 (en) * | 2018-10-04 | 2020-04-09 | The Boeing Company | Detecting fault states of an aircraft |
-
2020
- 2020-06-30 CN CN202010612736.XA patent/CN111899221B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830294A (zh) * | 2018-05-09 | 2018-11-16 | 四川斐讯信息技术有限公司 | 一种图像数据的增广方法 |
US20200110181A1 (en) * | 2018-10-04 | 2020-04-09 | The Boeing Company | Detecting fault states of an aircraft |
CN109492099A (zh) * | 2018-10-28 | 2019-03-19 | 北京工业大学 | 一种基于领域对抗自适应的跨领域文本情感分类方法 |
CN109948741A (zh) * | 2019-03-04 | 2019-06-28 | 北京邮电大学 | 一种迁移学习方法及装置 |
CN110111297A (zh) * | 2019-03-15 | 2019-08-09 | 浙江大学 | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 |
Non-Patent Citations (4)
Title |
---|
SONG LIN等: "Defect Enhancement Generative Adversarial Network for Enlarging Data Set of Microcrack Defect", 《IEEE ACCESS》 * |
ZHANGJIE CAO等: "Partial Transfer Learning with Selective Adversarial Networks", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
林嵩: "面向表面缺陷检测的小样本机器学习方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
殷鹏: "基于迁移学习的织物布面缺陷检测研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066056A (zh) * | 2021-03-15 | 2021-07-02 | 南昌大学 | 一种基于深度学习的口罩耳带焊点检测方法 |
CN113066056B (zh) * | 2021-03-15 | 2022-10-11 | 南昌大学 | 一种基于深度学习的口罩耳带焊点检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111899221B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN113989228A (zh) | 一种基于自注意力的彩色纹理织物缺陷区域的检测方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN110322433B (zh) | 一种面向外观缺陷视觉检测的数据集扩增方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN108765412A (zh) | 一种带钢表面缺陷分类方法 | |
CN107220649A (zh) | 一种素色布匹缺陷检测和分类方法 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
CN114723708A (zh) | 一种基于无监督图像分割的工艺品外观缺陷检测方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN111161233A (zh) | 一种用于冲孔皮革缺陷检测方法及系统 | |
CN114119500A (zh) | 一种基于生成对抗网络的色织物缺陷区域的检测方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN116524269A (zh) | 一种视觉识别检测系统 | |
CN116205876A (zh) | 基于多尺度标准化流的无监督笔记本外观缺陷检测方法 | |
CN111899221B (zh) | 一种面向外观缺陷检测的自迁移学习方法 | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
CN113870204A (zh) | 一种光学玻璃的异常检测方法及装置 | |
CN117197682B (zh) | 一种长波红外遥感影像进行盲元检测与去除的方法 |
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 |