CN112001396B - 一种轴承表面形变及文字混合缺陷图像检测方法 - Google Patents

一种轴承表面形变及文字混合缺陷图像检测方法 Download PDF

Info

Publication number
CN112001396B
CN112001396B CN202010804304.9A CN202010804304A CN112001396B CN 112001396 B CN112001396 B CN 112001396B CN 202010804304 A CN202010804304 A CN 202010804304A CN 112001396 B CN112001396 B CN 112001396B
Authority
CN
China
Prior art keywords
defect
convolution
text
bearing
character
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
Application number
CN202010804304.9A
Other languages
English (en)
Other versions
CN112001396A (zh
Inventor
陈进
毛维杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010804304.9A priority Critical patent/CN112001396B/zh
Publication of CN112001396A publication Critical patent/CN112001396A/zh
Application granted granted Critical
Publication of CN112001396B publication Critical patent/CN112001396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种轴承表面形变及文字混合缺陷图像检测方法。主要步骤为：构建文本检测模型和缺陷分割模型，利用已有的图像数据构建轴承图像数据集、文本标签数据集和缺陷标签数据集进行对文本检测模型和缺陷分割模型训练，获得两个训练后的文本检测模型和缺陷分割模型；搭建硬件平台，利用搭建好的硬件平台，工业摄像头拍摄待测轴承的表面，得到轴承表面图片；输入待检测的轴承表面图片，根据文本检测模型和缺陷分割模型进行融合处理输出检测结果。本发明使用多神经网络融合的图像检测，提高了轴承表面凹坑形变缺陷的检测精度，解决了单一传统视觉无法区分缺陷和文字的问题，解决了单一神经网络难以在文字区域中检测缺陷的问题。

Description

一种轴承表面形变及文字混合缺陷图像检测方法
技术领域
本发明涉及了一种轴承表面图像处理方法，特别涉及一种轴承表面形变及文字混合缺陷图像检测方法。
背景技术
轴承是机械行业应用最多且最重要的零件，无论是精度，批量化生产，表面质量，加工精度都对轴承寿命带来了巨大的影响。但是在实际生成加工中，受企业工艺的影响，轴承表面会带来多种损伤，其中最主要的形变缺陷是轴承表面凹坑形变。因此能够检测出轴承表面是否有凹坑形变，可以对企业生产轴承带来积极意义。
尽管目前有种类繁多的轴承缺陷检测方法，但这些方法大部分是在诊断使用过程中的轴承，而在轴承生产出来后检测方法大部分沿用的是振动，声发射，铁谱分析等动态方法，很难做到轻微凹坑的区分，尤其是在凹坑位置与轴承表面文字位置重叠的情况下。
已公开成果，公开号201910853357.7中采用了FasterR-cnn神经网络用于识别轴承表面和轴承外侧的缺陷，但是该发明并没有考虑到轴承表面的文字对识别结果带来的影响，成果中也未对可能出现的文字错识进行处理。
已公开成果，公开号201210106471.1中考虑到了轴承表面缺陷与轴承表面文字之间的区分问题，并采用了统计联通区域的传统方法，检测与文字区域重叠的缺陷部分。但该发明采用的方案实施起来效果不够好，检测出来的置信度比较低。
发明内容
为了解决背景技术中存在的问题，本发明主要提供了一种轴承表面形变及文字混合缺陷图像检测方法，解决现有技术中存在的采用现有神经网络识别轴承表面和轴承外侧的缺陷时轴承表面的文字对识别结果带来影响的问题、以及检测与文字区域重叠的缺陷部分时效果不好和置信度较低的问题。
本发明所采用的技术方案如下：
步骤1：构建基于深度学习的文本检测模型和缺陷分割模型，利用已有的图像数据构建轴承图像数据集、文本标签数据集和缺陷标签数据集进行对文本检测模型和缺陷分割模型训练，获得两个训练后的文本检测模型和缺陷分割模型；
文本检测模型采用的长宽不等的卷积核的全卷积网络来解决文本长条形状的识别分辨问题；缺陷分割模型利用的分割网络的像素级别分类的特点对整个图像进行分类。
步骤2：搭建硬件平台，利用搭建好的硬件平台，工业摄像头以固定的帧率拍摄待测轴承的表面，得到轴承表面图片；
针对轴承表面图片进行预处理得到分辨率更小的轴承防尘盖图片，来适应缺陷和文字集中在轴承表面的防尘盖区域的情况；
轴承图像数据集是按照步骤2相同方式处理获得的轴承防尘盖图片组成建立。
步骤3：将步骤2中的图片分别输入步骤1中的文本检测模型和缺陷分割模型中，如图5所示，根据文本检测模型和缺陷分割模型进行融合处理：
将轴承防尘盖图片同时输入到缺陷分割模型和文本检测模型中，缺陷分割模型输出缺陷的位置，文本检测模型输出文字区域，在经过文本检测模型处理后，对输出的文字区域进行文字识别输出文本字符；将两个模型的输出结果融合，若存在缺陷，融合后的结果中标明了具体的文字位置、文本字符和缺陷位置标记；若不存在缺陷，则缺陷分割模型输出为无，融合后的结果仅有具体的文字位置和文本字符。
所述步骤1中，以轴承图像数据集均作为文本检测模型和缺陷分割模型的数据输入，以文本标签数据集或者缺陷标签数据集分布作为文本检测模型、缺陷分割模型的数据输出，分别对文本检测模型、缺陷分割模型进行训练。
如图4所示，所述步骤1中，所述文本检测模型包括四个前置卷积层、三个卷积采样模块和三个后置卷积层；卷积采样模块主要由上采样层、合并层和连续两个卷积层依次连接构成；合并层是进行特征图的连接操作；轴承防尘盖图片经连续四个前置卷积层后输入到三个卷积采样模块中，第一个前置卷积层的输出同时输入到第三个卷积采样模块的合并层，第二个前置卷积层的输出同时输入到第二个卷积采样模块的合并层，第三个前置卷积层的输出同时输入到第一个卷积采样模块的合并层，第四个前置卷积层的输出输入到第一个卷积采样模块的上采样层，第三个卷积采样模块的输出经第一个后置卷积层后分别输入到第二个后置卷积层、第三个后置卷积层中，第二个后置卷积层和第三个后置卷积层融合后输出最终的文字区域识别结果。
具体实施中拍摄了少量合格的轴承表面图片，用于增加文字区域的数据量，再通过随机旋转的数据增广、扩充处理。
本发明中采用监督学习的方式，将输入数据集和标签数据集一起输入网络中，通过调整网络参数使输入数据集的预测结果与文本标签数据集逐渐吻合，文本标签数据集中的标签是指文字区域。
所述步骤1中，文本检测模型采用长宽不等的卷积核的全卷积网络，轴承上有文字，文本所在的图片区域有长条形特征，将每一卷积层的卷积核的宽设置为高的两倍以上，且每一卷积层的输入和输出的特征图尺寸大小关系设置为：
Figure BDA0002628530800000031
其中，w1表示卷积层输出特征图的宽度，w0表示卷积层输入特征图的宽度，Kw和Kh为卷积核的宽和高，stride表示卷积核移动的步长值，Pw表示图像左右边界分别增加的像素个数；
各个卷积层设置同比例关系的长宽不等的卷积核。
正常情况下，经过宽为Kw的卷积核的卷积操作，加上padding操作后输出得到图片的宽度w1。在文本识别处理中由于宽远大于高，本发明上述步骤在文本检测处理中设置了不同的卷积核的宽和高Kw、Kh在图片上进行卷积操作，这样获得更大的感受野，避免出现检测过程中文字截断的问题。
所述步骤1中，缺陷分割模型采用全卷积网络，通过连续的卷积操作提取语义特征，具有更大的感受野，能获得更好的语义信息；全卷积网络中具有边界精调层，能使得输出的预测图像中获得更加准确的缺陷轮廓，符合缺陷检测的要求。
所述的缺陷分割模型是在文本检测模型的基础上对局部部分进行了调整和改变，具体为：采用模型均采用长宽相等的卷积核，处理采取全图片像素级别的分类，删除了文本检测模型末尾用于输出类别和位置的最后两个卷积层。
所述步骤1中，缺陷分割模型训练步骤如下，对于缺陷分割模型，采集了合格图片两倍数量的缺陷轴承表面图片，用于增加缺陷区域的数据量，再通过随机旋转的数据增广、扩充处理。训练时采用监督学习的方式，将输入数据集和标签数据集一起输入网络中，通过调整网络参数使输入数据集的预测结果与标签数据集逐渐吻合，缺陷标签数据集中的标签是指是否有缺陷的分类。
所述步骤2中，文字区域和缺陷区域集中在轴承防尘盖图片上，采用同心圆点检测从轴承表面图片中分离获得文字所在的圆环区域，然后对圆环区域进行极坐标变换，将轴承表面图片预处理为轴承防尘盖图片，降低了分辨率，并且可以提高运行的速度。
所述步骤2中，所述硬件平台采用一套传送带装置，将轴承放在传送带装置的传送带上，传送带上方固定好工业相机，调节传送带的运行速度，利用工业相机实时拍摄轴承表面图片，保证正确读取每帧图片，每次获取的轴承表面图片为固定分辨率大小。
本发明提出的方法是使用两个神经网络并行的学习，将文本检测模型和缺陷分割模型结合在一起，二者相互训练，文本检测模型中加入了长宽不等的卷积核用于学习长条形文本的特征，缺陷分割模型中利用全卷积网络获得像素级别的分类，最后将结果融合得到最后的输出结果，结果表明本发明能够有更高的缺陷检测精度和区分缺陷文本的能力。
本发明方法分为两个任务，将文本检测模型进行文字检测任务，缺陷分割模型进行缺陷检测任务，文字检测任务中通过采用加入了长宽比不等的卷积核的全卷积网络用于文字检测，这样可以更好地适应长条形的文本图像，获得更大的感受野；而缺陷检测任务采用的是标准的全卷积分割网络，进行像素级别的分类，判断是否存在缺陷以及检测文字。
本发明的有益效果是：
由于本发明使用的多神经网络融合的缺陷检测方法，提高了轴承表面凹坑形变缺陷的检测精度。
本发明使用的多神经网络融合的缺陷检测方法，解决了单一传统视觉无法区分缺陷和文字的问题，解决了单一神经网络难以在文字区域中检测缺陷的问题。
附图说明
图1为实施例的摄像机拍摄下的轴承表面图片；
图2为实施例的剪切的防尘盖圆环区域图像；
图3为实施例的预处理后的轴承防尘盖图片；
图4为实施例的文字检测模型的结构图示例图；
图5为实施例整体的多任务深度学习网络模型结构图示例图；
图6为实施例的检测结果图；
具体实施方式
本发明结合具体的实验方式对一种轴承表面形变及文字混合缺陷图像检测方法作进一步说明。
本发明的具体实施例如下：
步骤1：制作数据集，本发明拥有摄像机拍摄下的轴承表面图片，轴承类别为6201Z型号，有400张不合格轴承的表面图片，200张合格轴承的表面图片，涉及的文本字符仅为0-9，A-Z这36个字符，如图1所示，图片分辨率为550*550，轴承的编号为6201Z，通过传统视觉霍夫圆检测方法，剪切出轴承表面图片中轴承防尘盖的圆环区域，如图2所示，对圆环区域进行极坐标变换，将圆环区域中的曲形文本转换为长条形文本，最终将轴承表面图片处理为550*32像素大小的轴承防尘盖图片，如图3所示，生成轴承图像数据集。其他编号的轴承，采用相同的变化方法，生成的轴承防尘盖图片分辨率是不同的，均需缩放到550*32像素大小，文本信息只限于数字0-9和字母A-Z。构建文本标签数据集和缺陷标签数据集，文本标签数据集中，只圈出文本区域，标签置为1，其他背景部分包括缺陷均置为0；缺陷标签数据集中，只圈出缺陷区域，标签置为1，其他的背景部分包括文字均置为0。
步骤2：构建文本检测模型，本模型采用全卷积网络，通过连续的卷积滤波器，提取图像的语义特征，然后再逐步的上采样，恢复分辨率。具体结构如下：
文本检测模型采用全卷积网络，如图4所示，通过四个前置卷积层提取语义特征，依据本发明的轴承图像数据集，轴承防尘盖图片的宽度远大于高度，使用传统的正方形卷积核感受野偏小，不能读全整个轴承防尘盖图片的文字信息，很容易把长条文字截断，而引入长宽不等的卷积核可以拥有更大的感受野，读取更好的语义信息。通过四个前置卷积层降采样后，再依次输入三个卷积采样模块进行上采样，恢复分辨率。第三个卷积采样模块的输出输入到第一个后置卷积层，第一个后置卷积层的输出分别输入到第二个后置卷积层和第三个后置卷积层，第二个后置卷积层和第三个后置卷积层融合后输出最终的文字区域识别结果。
步骤3：构建缺陷分割模型，本模型采用全卷积网络，通过连续的卷积滤波器，提取图像的语义特征，然后再逐步的上采样，恢复分辨率。具体结构如下：
缺陷分割模型采用全卷积网络，前面提取特征的部分与文字检测模型相同的，通过四个前置卷积层降采样后，再依次输入三个卷积采样模块进行上采样，恢复分辨率。区别于文本检测模型，缺陷分割模型不需要最后两个后置卷积层来输出文字区域识别结果。缺陷分割模型采用分割网络的逐像素分类性能，直接输出一张与输入轴承防尘盖图片相同分辨率的分类结果图和分类结果，当轴承防尘盖图片有缺陷时，输出为1，当轴承防尘盖图片无缺陷时，输出为0。
步骤4：将制作的待检测的轴承图像数据集输入文本检测模型中进行学习，通过调整模型参数，训练模型，生成文本检测图像，预测图像中文字区域位置，其中文本检测模型中，一些超参数设定如下，训练学习率设定为0.001，权重衰减率为0.005。将待检测的轴承图像数据集和缺陷标签数据集送入缺陷分割模型中进行学习，通过调整模型参数，其中缺陷分割模型中，超参数设定如下，训练学习率设定为0.001，权重衰减率设定为0.005，训练模型，生成缺陷分割图像，预测图像中缺陷区域位置。
步骤5：融合步骤4中文本检测模型的输出值和缺陷分割模型的输出值，若图片中同时有文字和缺陷，那么输出结果可以显示出缺陷和文字的具体位置加文本信息；若图片中没有缺陷，缺陷分割模型无输出值，输出结果仅为文字的具体位置加文本信息。

Claims (6)

1.一种轴承表面形变及文字混合缺陷图像检测方法，其特征在于：
步骤1：构建文本检测模型和缺陷分割模型，利用已有的图像数据构建轴承图像数据集、文本标签数据集和缺陷标签数据集进行对文本检测模型和缺陷分割模型训练，获得两个训练后的文本检测模型和缺陷分割模型；
步骤2：搭建硬件平台，利用搭建好的硬件平台，工业摄像头拍摄待测轴承的表面，得到轴承表面图片，再针对轴承表面图片进行预处理得到轴承防尘盖图片；
步骤3：将步骤2中的图片分别输入步骤1中的文本检测模型和缺陷分割模型中，根据文本检测模型和缺陷分割模型进行融合处理：将轴承防尘盖图片同时输入到缺陷分割模型和文本检测模型中，缺陷分割模型输出缺陷的位置，文本检测模型输出文字区域，在经过文本检测模型处理后，对输出的文字区域进行文字识别输出文本字符；将两个模型的输出结果融合，若存在缺陷，融合后的结果中标明了具体的文字位置、文本字符和缺陷位置标记；若不存在缺陷，则缺陷分割模型输出为无，融合后的结果仅有具体的文字位置和文本字符。
2.根据权利要求1所述的一种轴承表面形变及文字混合缺陷图像检测方法，其特征在于：所述步骤1中，以轴承图像数据集作为文本检测模型和缺陷分割模型的数据输入，以文本标签数据集和缺陷标签数据集分别作为文本检测模型、缺陷分割模型的数据输出，分别对文本检测模型、缺陷分割模型进行训练。
3.根据权利要求1所述的一种轴承表面形变及文字混合缺陷图像检测方法，其特征在于：所述步骤1中，所述文本检测模型包括四个前置卷积层、三个卷积采样模块和三个后置卷积层；卷积采样模块主要由上采样层、合并层和连续两个卷积层依次连接构成；合并层是进行特征图的连接操作；轴承防尘盖图片经连续四个前置卷积层后输入到三个卷积采样模块中，第一个前置卷积层的输出同时输入到第三个卷积采样模块的合并层，第二个前置卷积层的输出同时输入到第二个卷积采样模块的合并层，第三个前置卷积层的输出同时输入到第一个卷积采样模块的合并层，第三个卷积采样模块的输出经第一个后置卷积层后分别输入到第二个后置卷积层、第三个后置卷积层中，第二个后置卷积层和第三个后置卷积层融合后输出最终的文字区域识别结果；
所述的缺陷分割模型是在文本检测模型的基础上对局部部分进行了调整和改变，具体为：采用模型均采用长宽相等的卷积核，处理采取全图片像素级别的分类，删除了文本检测模型末尾用于输出类别和位置的最后两个卷积层。
4.根据权利要求3所述的一种轴承表面形变及文字混合缺陷图像检测方法，其特征在于：所述步骤1中，文本检测模型采用长宽不等的卷积核的全卷积网络，将每一卷积层的卷积核的宽设置为高的两倍以上，且每一卷积层的输入和输出的特征图尺寸大小关系设置为：
Figure FDA0003676885490000021
其中，w1表示卷积层输出特征图的宽度，w0表示卷积层输入特征图的宽度，Kw为卷积核的宽，stride表示卷积核移动的步长值，Pw表示图像左右边界分别增加的像素个数；各个卷积层设置同比例关系的长宽不等的卷积核。
5.根据权利要求1所述的一种轴承表面形变及文字混合缺陷图像检测方法，其特征在于：所述步骤1中，缺陷分割模型采用全卷积网络。
6.根据权利要求1所述的一种轴承表面形变及文字混合缺陷图像检测方法，其特征在于：所述步骤2中，采用同心圆点检测从轴承表面图片中分离获得文字所在的圆环区域，然后对圆环区域进行极坐标变换，将轴承表面图片预处理为轴承防尘盖图片。
CN202010804304.9A 2020-08-12 2020-08-12 一种轴承表面形变及文字混合缺陷图像检测方法 Active CN112001396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010804304.9A CN112001396B (zh) 2020-08-12 2020-08-12 一种轴承表面形变及文字混合缺陷图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010804304.9A CN112001396B (zh) 2020-08-12 2020-08-12 一种轴承表面形变及文字混合缺陷图像检测方法

Publications (2)

Publication Number Publication Date
CN112001396A CN112001396A (zh) 2020-11-27
CN112001396B true CN112001396B (zh) 2022-08-23

Family

ID=73464064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010804304.9A Active CN112001396B (zh) 2020-08-12 2020-08-12 一种轴承表面形变及文字混合缺陷图像检测方法

Country Status (1)

Country Link
CN (1) CN112001396B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024021081A1 (zh) * 2022-07-29 2024-02-01 宁德时代新能源科技股份有限公司 一种检测产品表面缺陷的方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5796410A (en) * 1990-06-12 1998-08-18 Lucent Technologies Inc. Generation and use of defective images in image analysis
CN104992449A (zh) * 2015-08-06 2015-10-21 西安冉科信息技术有限公司 基于机器视觉的信息识别及表面缺陷在线检测方法
CN108918536A (zh) * 2018-07-13 2018-11-30 广东工业大学 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质
CN111126391A (zh) * 2019-12-24 2020-05-08 熵智科技(深圳)有限公司 一种印刷字符缺陷定位方法
CN111179251A (zh) * 2019-12-30 2020-05-19 上海交通大学 基于孪生神经网络利用模板比对的缺陷检测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5796410A (en) * 1990-06-12 1998-08-18 Lucent Technologies Inc. Generation and use of defective images in image analysis
CN104992449A (zh) * 2015-08-06 2015-10-21 西安冉科信息技术有限公司 基于机器视觉的信息识别及表面缺陷在线检测方法
CN108918536A (zh) * 2018-07-13 2018-11-30 广东工业大学 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质
CN111126391A (zh) * 2019-12-24 2020-05-08 熵智科技(深圳)有限公司 一种印刷字符缺陷定位方法
CN111179251A (zh) * 2019-12-30 2020-05-19 上海交通大学 基于孪生神经网络利用模板比对的缺陷检测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An automatic system for bearing surface tiny defect detection based on multi-angle illuminations;Liu, B.,et.al;《Optik》;20200331;全文 *
Geometry-aware scene text detection with instance transformation network;Wang F, et.al;《Proceedings of the EEE Conference on Computer Vision and Pattern Recognition》;20181231;全文 *
轴承防尘盖缺陷机器视觉自动检测方法研究;郝勇等;《测控技术》;20200118(第01期);全文 *

Also Published As

Publication number Publication date
CN112001396A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN113674247B (zh) 一种基于卷积神经网络的x射线焊缝缺陷检测方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
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
CN111415329B (zh) 一种基于深度学习的工件表面缺陷检测方法
CN112037219B (zh) 一种基于两阶段卷积神经网络的金属表面缺陷检测方法
CN110490842B (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN114155527A (zh) 一种场景文本识别方法和装置
CN113436169A (zh) 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统
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
CN110648310A (zh) 基于注意力机制的弱监督铸件缺陷识别方法
CN111242185A (zh) 一种基于深度学习的缺陷快速初筛方法及系统
CN112861635A (zh) 一种基于深度学习的火灾及烟雾实时检测方法
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN114972316A (zh) 基于改进YOLOv5的电池壳端面缺陷实时检测方法
CN113780423A (zh) 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型
CN116071315A (zh) 一种基于机器视觉的产品可视缺陷检测方法及系统
CN115147380A (zh) 一种基于YOLOv5的小型透明塑料制品缺陷检测方法
CN116758545A (zh) 一种基于深度学习的纸质医药包装钢印字符识别方法
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
CN112001396B (zh) 一种轴承表面形变及文字混合缺陷图像检测方法
CN116071294A (zh) 一种光纤表面缺陷检测方法和装置
CN114359917A (zh) 一种手写汉字检测识别及字形评估方法
CN111767919B (zh) 一种多层双向特征提取与融合的目标检测方法
CN116843657A (zh) 基于注意力融合的焊接缺陷检测方法及装置

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