CN112070712B - 基于自编码器网络的印刷缺陷检测方法 - Google Patents

基于自编码器网络的印刷缺陷检测方法 Download PDF

Info

Publication number
CN112070712B
CN112070712B CN202010504336.7A CN202010504336A CN112070712B CN 112070712 B CN112070712 B CN 112070712B CN 202010504336 A CN202010504336 A CN 202010504336A CN 112070712 B CN112070712 B CN 112070712B
Authority
CN
China
Prior art keywords
self
defect
defective
encoder network
network
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
CN202010504336.7A
Other languages
English (en)
Other versions
CN112070712A (zh
Inventor
彭成斌
李文茜
刘晓坤
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.)
Hubei Golden Three Gorges Printing Industry Co ltd
Original Assignee
Hubei Golden Three Gorges Printing Industry Co ltd
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 Hubei Golden Three Gorges Printing Industry Co ltd filed Critical Hubei Golden Three Gorges Printing Industry Co ltd
Priority to CN202010504336.7A priority Critical patent/CN112070712B/zh
Publication of CN112070712A publication Critical patent/CN112070712A/zh
Application granted granted Critical
Publication of CN112070712B publication Critical patent/CN112070712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/21—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
    • 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
    • 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
    • G06T2207/30144—Printing quality

Abstract

本发明公开了一种基于自编码器网络的印刷缺陷检测方法，包括：采集无缺陷样本；生成不同形状的局部缺陷图案数据；将所述局部缺陷图案数据与所述无缺陷样本融合，生成有缺陷样本，用于进行对抗神经网络的训练；至少利用所述有缺陷样本和无缺陷样本进行缺陷过滤型自编码器网络的训练；将所述对抗神经网络和自编码器网络联合训练；以及，利用所述自编码器网络对产品进行缺陷检测。本发明可以从有限的产品缺陷样本中学习适用于多种相似产品的通用缺陷检测方法，可以显著提高生产线自动化缺陷学习、检测能力，有助于大幅改善产品质量和降低人力成本。

Description

基于自编码器网络的印刷缺陷检测方法
技术领域
本发明涉及一种印刷缺陷检测方法，尤其涉及一种基于自编码器的印刷缺陷检测方法，属于人工智能技术领域。
背景技术
传统的印刷缺陷检测通常采用人工检测，然而人眼的分辨能力存在个体差异以及易产生疲劳，很容易出现错检和漏检。随着我国生产制造的自动化水平不断提高，传统的人工检测方法已经不能适应大规模的生产需求，检测技术的滞后直接导致低下的生产效率。
针对这种现状，众多研究者尝试利用急速发展的机器视觉检测技术解决这一难题。机器视觉具有高效性，非接触性等优点，已经被广泛引用到现代工业的各个领域中。使用机器视觉来代替人工检测可以极大地提高检测工序的效率和质量，提高整个生产过程的效率。然而现有的智能检测手段大多采用传统的图像处理识别技术，且利用了人工选取的特征，因而在印刷过程中的缺陷检测效率有限。
发明内容
本发明的主要目的在于提供一种基于自编码器的印刷缺陷检测方法及系统，以克服现有技术的不足。
为实现上述发明目的，本发明提供如下技术方案：
本发明实施例提供了一种基于自编码器网络的印刷缺陷检测方法，其包括：
采集无缺陷样本；
生成不同形状的局部缺陷图案数据；
将所述局部缺陷图案数据与所述无缺陷样本融合，生成有缺陷样本，用于进行对抗神经网络的训练；
至少利用所述有缺陷样本和无缺陷样本进行缺陷过滤型自编码器网络的训练；
将所述对抗神经网络和自编码器网络联合训练；以及
利用所述自编码器网络对产品进行印刷缺陷检测。
在一些实施方案中，所述印刷缺陷检测方法包括：
依据下式(1)所述局部缺席图案数据与所述无缺陷样本融合，生成有缺陷样本用于进行对抗神经网络的训练；
依据下式(2)-(4)所述将有缺陷样本和无缺陷样本进行缺陷过滤型自编码器网络的训练。
在一些实施方案中，所述自编码器网络以二范数为衡量标准，并且相应的要求包括：
若所述自编码器网络的输入数据为无缺陷样本，则所述自编码器网络的输出数据与输入数据接近；
若所述自编码器网络的输入数据为生成的有缺陷样本，则所述自编码器网络的输出数据与用于生成所述有缺陷样本的无缺陷样本的相似度在99％以上；
若所述自编码器网络的输入数据为生成或直接采集到的有缺陷样本，则所述自编码器网络的输出数据与输入数据的相似度低于99％。
在一些实施方案中，所述的印刷缺陷检测方法具体包括：依据式(1)将所述局部缺席图案数据与所述无缺陷样本融合，生成有缺陷样本，
其中，E表示期望，px(x)、py(y)分别表示无缺陷样本的分布、有缺陷样本的分布，pz(z)表示噪声变量的先验分布，DY(y)表示数据y来自于有缺陷样本集的概率，G(z，x)表示缺陷样本生成模型，X表示无缺陷样本的集合，Y表示有缺陷样本的集合，G为生成函数，生成函数G的网络由两个感知层级联而成，其中的第一个感知层为多层感知网络，并以随机变量z为输入生成缺陷特征，确定该缺陷出现在产品图片x的位置pos，第二个感知层将该缺陷与产品图片的相应位置进行融合，得到图片，其中采用的训练目标函数为：
在一些实施方案中，所述缺陷过滤型自编码器网络为：
其中，F′表示F的逆运算；以及，所述自编码器网络以如下二范数为衡量标准：
N为自然数，表示样本数量。
在一些实施方案中，所述的印刷缺陷检测方法还包括：
首先，用手工数据积累的基础数据对所述对抗神经网络和所述自编码器网络进行基础训练，包括：
1)以所述对抗神经网络用无缺陷样本生成有缺陷样本，输入所述自编码器网络，最小化损失函数 为所述对抗神经网络生成的有缺陷样本；
2)用所述自编码器网络将生产现场获得的有缺陷样本重建得到无缺陷样本；
3)将有缺陷样本以及步骤2)形成的无缺陷样本加入所述对抗神经网络的训练数据中进行训练，生成新的有缺陷样本；
然后，将所述对抗神经网络和自编码器网络级联并轮流训练。
在一些实施方案中，所述的印刷缺陷检测方法具体包括：
i、以所述对抗神经网络用无缺陷样本生成有缺陷样本，再输入所述自编码器网络，并最小化损失函数其中/>是所述对抗神经网络生成的有缺陷样本；
ii、用所述自编码器网络将现场获得的有缺陷样本重建得到对应的无缺陷样本，并将所述对应的无缺陷样本加入所述对抗神经网络的训练数据中进行训练；
iii、训练后的所述对抗神经网络再用现场获得的新的无缺陷样本生成有缺陷样本；
iv、循环进行步骤i～步骤iii的操作。
在一些实施方案中，所述的印刷缺陷检测方法具体包括：使用成像设备采集所述无缺陷样本及相应标注信息。
在一些实施方案中，所述的印刷缺陷检测方法具体包括：在所述联合训练完成后，利用所述自编码器网络对产品进行印刷缺陷识别和缺陷特征分析。
本发明以上实施例提供的印刷缺陷检测方法之中，利用对抗神经网络的方法有效扩充缺陷样本数据，有效避免模式崩溃问题，与此同时，使用缺陷过滤型自编码器对重建前后的图像对比进行分析，相对于卷积神经网络模型，能较强的适应产品形态变化。
本发明以上实施例提供的印刷缺陷检测方法可以从有限的产品缺陷样本中学习适用于多种相似产品的相对通用的缺陷检测方法，这对于提高生产线自动化缺陷学习、检测能力具有重要价值，在实施时将有效提高产品质量，降低人力成本。
附图说明
图1是本发明一典型实施例中一种印刷缺陷检测方法的流程图；
图2示出了本发明一典型实施例中一种缺陷过滤型自编码器网络的训练流程；
图3示出了本发明一典型实施例中使用训练好的自编码器网络进行缺陷检测的流程。
具体实施方式
以下结合实施例与附图对本发明作进一步详细描述，需要指出的是，以下实施例旨在便于对本发明的理解，而对其不起任何限定作用。
本发明一典型实施例中一种基于自编码器网络的印刷缺陷检测方法包括：基于对抗神经网络的缺陷样品构建过程，以及，基于缺陷过滤型自编码器网络(以下也可简称为“缺陷过滤自编码器”或“自编码器”等)的缺陷检测过程。
请而参阅图1，其中一种基于自编码器网络的印刷缺陷检测方法包括：
使用成像设备采集无缺陷的产品图片，作为无缺陷样本；
用无缺陷样本融合不同的局部缺陷图案，生成有缺陷样本，用于进行对抗神经网络的训练；
准备有缺陷样本和无缺陷样本，用于进行缺陷过滤型自编码器网络的训练；
将所述对抗神经网络和自编码器网络联合训练；以及
利用所述自编码器网络对产品进行印刷缺陷检测，包括缺陷识别和缺陷特征分析。
进一步的，在进行缺陷样品构建时，需先用成像设备采集无缺陷样本及标注信息，并应生成不同形状的局部缺陷图案，再使用对抗神经网络将局部缺席图案融合到无缺陷样本中，生成有缺陷样本。
进一步的，所述印刷缺陷检测方法包括：将生成的有缺陷样本输入缺陷过滤型自编码器网络，将其输出与输入进行对比，进行缺陷检测，之后将两个网络联合训练，实现自动化学习。
其中，对前述过程所生成的有缺陷样本输入自编码器网络进行缺陷检测的过程(这一过程也作为对自编码器网络进行训练的过程)具体可以包括：
以二范数为衡量标准，设计基于缺陷特征过滤的自编码器网络(即，缺陷过滤型自编码器网络)；
对于无缺陷样本输入，输出图像与输入接近；
对于有缺陷样本输入，输出图像与融合缺陷图案之前的无缺陷样本相近。
进一步的，对所述对抗神经网络和自编码器网络级联循环训练的过程可以包括：
首先用收集的有缺陷与无缺陷实际产品数据对对抗神经网络和自编码器网络进行基础训练；
然后将两个网络级联，轮流训练，逐步优化。
例如，前述印刷缺陷检测方法可以包括如下具体步骤：
步骤一：使用成像设备采集无缺陷的产品图片，用于自编码器网络。
步骤二：生成不同形状的缺陷图案，并将之与无缺陷的样本数据融合，得到有缺陷的样本数据。将这些数据结合实际缺陷样例和正常样例数据，来共同训练对抗神经网络。
步骤三：构建缺陷特征过滤的自编码器网络，将步骤二生成的有缺陷的样本数据输入，进行训练，输出要求与缺陷融合之前的样本接近。
步骤四：轮流训练步骤二的对抗神经网络和步骤三的自编码器网络，首先以对抗神经网络用无缺陷样本生成有缺陷样本，输入自编码器网络，将自编码器网络输出的无缺陷样本再次输入对抗神经网络训练，如此往复，对模型进行训练。
至此，所述印刷缺陷检测的训练阶段完成。再训练完成以后，可以用得到的自编码器网络进行缺陷检测。
更为具体的，所述印刷缺陷检测方法为：
步骤一：采用成像设备采集无缺陷的产品图片，生成无缺陷样本
步骤二：预先生成不同形状的缺陷图案，将缺陷图案与无缺陷样本融合，生成有缺陷样本。
其中，E表示期望，px(x)和py(y)分别表示无缺陷样本和有缺陷样本的分布，pz(z)表示噪声变量的先验分布，DY(y)表示数据y来自于有缺陷样本集的概率，G(z，x)表示缺陷样本生成模型，X表示无缺陷样本的集合，Y表示有缺陷样本的集合。
设计可实现函数G的网络，该网络由两个感知层级联而成。
第一个感知层为多层感知网络，其以随机变量z为输入，生成缺陷特征，确定该缺陷出现在整体产品图片x的位置pos；
第二个感知层将该缺陷与无缺陷产品图片x的相应位置进行融合，得到图片训练目标函数为：
步骤三：对于步骤二使用对抗神经网络生成的有缺陷样本，利用基于缺陷特征过滤的自编码器网络对其检测。
该基于缺陷特征过滤的自编码器网络为：
其中，F′表示F的逆运算。
该自编码器网络具备过滤缺陷特征的功能，以二范数为衡量标准：
N为自然数，表示样本个数。
要求：如果输入无缺陷样品的图像，则输出图像与输入图像接近；如果输入为生成的有缺陷样本图像，则输出图像与融合缺陷之前的无缺陷样本图像接近。
步骤四：将步骤二的对抗神经网络与步骤三的缺陷过滤的自编码器网络级联。
首先用手工数据积累的基础数据对两个模型进行初步训练；
然后将对抗神经网络和自编码器网络级联，轮流训练，逐步优化。
所述初步训练的过程包括如下过程：
以对抗神经网络用无缺陷样本生成有缺陷样本，输入自编码器网络，并最小化损失函数其中/>是对抗神经网络生成的缺陷样本；
之后用自编码器网络将生产现场获得的缺陷样本(无需标注缺陷具体位置)重建得到对应的无缺陷样本，并将这些的对应样本加入对抗神经网络的训练数据中进行训练；
训练后的对抗神经网络再用生产现场获得的新的无缺陷样本图片生成缺陷图片，如此循环，实现无需人工干预的训练数据与自动化学习；
以上的过程可以循环重复进行，在模型设计训练完成以后，用得到的自编码器网络进行缺陷检测。
以上实施例提供的方法可以从有限的产品缺陷样本中学习适用于多种相似产品的相对通用的缺陷检测方法，可以显著提高生产线自动化缺陷学习、检测能力，有助于大幅改善产品质量和降低人力成本。
本发明的技术方案不限于上述具体实施案例的限制，凡是在不脱离本发明宗旨和权利要求所保护的范围情况下，根据本发明的技术方案做出的技术变形，均落于本发明的保护范围之内。

Claims (4)

1.一种基于自编码器网络的印刷缺陷检测方法，其特征在于包括：
S1、采集无缺陷样本；
S2、生成不同形状的局部缺陷图案数据；
S3、使用对抗神经网络并依据下式将所述局部缺陷图案数据与所述无缺陷样本融合，生成有缺陷样本
其中，E表示期望，px(x)、py(y)分别表示无缺陷样本的分布、有缺陷样本的分布，pz(z)表示噪声变量的先验分布，DY(y)表示数据y来自于有缺陷样本集的概率，G(z,x)表示缺陷样本生成模型，X表示无缺陷样本的集合，Y表示有缺陷样本的集合，G为生成函数，且用于生成函数G的网络由两个感知层级联而成，其中的第一个感知层为多层感知网络，并以z为输入生成缺陷特征，确定该缺陷出现在产品图片x的位置pos，第二个感知层将该缺陷与产品图片的相应位置进行融合，得到图片其中采用的训练目标函数为：
S4、至少利用所述有缺陷样本和无缺陷样本进行缺陷过滤型自编码器网络的训练；
S5、将所述对抗神经网络和自编码器网络联合训练，具体包括：
首先，用手工数据积累的基础数据对所述对抗神经网络和所述自编码器网络进行基础训练，包括：
i)以所述对抗神经网络用无缺陷样本生成有缺陷样本，再输入所述自编码器网络，并最小化损失函数其中/>为所述对抗神经网络生成的有缺陷样本；
ii)用所述自编码器网络将生产现场获得的有缺陷样本重建得到对应的无缺陷样本，并将所述对应的无缺陷样本加入所述对抗神经网络的训练数据中进行训练；
iii)训练后的所述对抗神经网络再用现场获得的新的无缺陷样本生成有缺陷样本；
iv、循环进行步骤i～步骤iii的操作，以将所述对抗神经网络和自编码器网络级联并轮流训练；
然后，利用所述自编码器网络对产品进行印刷缺陷检测；
其中，所述缺陷过滤型自编码器网络为：
其中，F′表示F的逆运算；以及，所述自编码器网络以如下二范数为衡量标准：
N为自然数，表示样本个数；
其中，所述自编码器网络以二范数为衡量标准，并且相应的要求包括：
若所述自编码器网络的输入数据为无缺陷样本，则所述自编码器网络的输出数据与输入数据的相似度在99％以上；
若所述自编码器网络的输入数据为生成的有缺陷样本，则所述自编码器网络的输出数据与用于生成所述有缺陷样本的无缺陷样本的相似度在99％以上；
若所述自编码器网络的输入数据为生成或直接采集到的有缺陷样本，则所述自编码器网络的输出数据与输入数据的相似度低于99％。
2.根据权利要求1所述的印刷缺陷检测方法，其特征在于：所述现场获得的有缺陷样本中未标注缺陷的具体位置。
3.根据权利要求1所述的印刷缺陷检测方法，其特征在于，具体包括：使用成像设备采集所述无缺陷样本及相应标注信息。
4.根据权利要求1所述的印刷缺陷检测方法，其特征在于，具体包括：在所述联合训练完成后，利用所述自编码器网络对产品进行印刷缺陷识别和缺陷特征分析。
CN202010504336.7A 2020-06-05 2020-06-05 基于自编码器网络的印刷缺陷检测方法 Active CN112070712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010504336.7A CN112070712B (zh) 2020-06-05 2020-06-05 基于自编码器网络的印刷缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010504336.7A CN112070712B (zh) 2020-06-05 2020-06-05 基于自编码器网络的印刷缺陷检测方法

Publications (2)

Publication Number Publication Date
CN112070712A CN112070712A (zh) 2020-12-11
CN112070712B true CN112070712B (zh) 2024-05-03

Family

ID=73657098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010504336.7A Active CN112070712B (zh) 2020-06-05 2020-06-05 基于自编码器网络的印刷缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112070712B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884741B (zh) * 2021-02-22 2023-01-24 西安理工大学 一种基于图像相似性对比的印刷表观缺陷检测方法
CN113240790A (zh) * 2021-04-14 2021-08-10 北京交通大学 一种基于3d模型和点云处理的钢轨缺陷图像生成方法
CN114155244B (zh) * 2022-02-10 2022-05-31 北京阿丘科技有限公司 缺陷检测方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330897A (zh) * 2017-06-01 2017-11-07 福建师范大学 图像分割方法及其系统
CN110322433A (zh) * 2019-05-27 2019-10-11 苏州佳赛特智能科技有限公司 一种面向外观缺陷视觉检测的数据集扩增方法
CN110516747A (zh) * 2019-08-29 2019-11-29 电子科技大学 基于对抗生成网络和自编码结合的肺结节良恶性分类方法
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN110853035A (zh) * 2020-01-15 2020-02-28 征图新视(江苏)科技股份有限公司 工业视觉检测中基于深度学习的样本生成方法
CN110852373A (zh) * 2019-11-08 2020-02-28 深圳市深视创新科技有限公司 基于视觉的无缺陷样本深度学习网络训练方法
CN110992354A (zh) * 2019-12-13 2020-04-10 华中科技大学 基于引入自动记忆机制对抗自编码器的异常区域检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330897A (zh) * 2017-06-01 2017-11-07 福建师范大学 图像分割方法及其系统
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN110322433A (zh) * 2019-05-27 2019-10-11 苏州佳赛特智能科技有限公司 一种面向外观缺陷视觉检测的数据集扩增方法
CN110516747A (zh) * 2019-08-29 2019-11-29 电子科技大学 基于对抗生成网络和自编码结合的肺结节良恶性分类方法
CN110852373A (zh) * 2019-11-08 2020-02-28 深圳市深视创新科技有限公司 基于视觉的无缺陷样本深度学习网络训练方法
CN110992354A (zh) * 2019-12-13 2020-04-10 华中科技大学 基于引入自动记忆机制对抗自编码器的异常区域检测方法
CN110853035A (zh) * 2020-01-15 2020-02-28 征图新视(江苏)科技股份有限公司 工业视觉检测中基于深度学习的样本生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于卷积自编码器的手机Logo图像异常检测研究;柯木源;中国优秀硕士学位论文全文数据库（电子期刊）;1-64 *

Also Published As

Publication number Publication date
CN112070712A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN112070712B (zh) 基于自编码器网络的印刷缺陷检测方法
CN110992317B (zh) 一种基于语义分割的pcb板缺陷检测方法
CN111815601B (zh) 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法
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
CN111402226A (zh) 一种基于级联卷积神经网络的表面疵点检测方法
CN109272500B (zh) 基于自适应卷积神经网络的织物分类方法
CN108802041B (zh) 一种屏幕检测的小样本集快速换型的方法
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN112733950A (zh) 一种基于图像融合与目标检测结合的电力设备故障诊断方法
WO2022236876A1 (zh) 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN109544522A (zh) 一种钢板表面缺陷检测方法及系统
CN112070727B (zh) 一种基于机器学习的金属表面缺陷检测方法
CN111798409A (zh) 一种基于深度学习的pcb缺陷数据生成方法
CN107633272A (zh) 一种基于小样本下压缩感知的dcnn纹理疵点识别方法
CN115205521A (zh) 基于神经网络的厨余垃圾检测方法
CN111784644A (zh) 基于深度学习的印花瑕疵检测方法及系统
CN113627435A (zh) 一种瓷砖的瑕疵检测与识别方法及系统
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
Meng et al. X-DenseNet: deep learning for garbage classification based on visual images
CN112967271B (zh) 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法
CN113838040A (zh) 一种针对彩色纹理织物缺陷区域的检测方法
CN114219753A (zh) 一种基于深度学习的电力设备表面缺陷检测方法及终端
CN111028207B (zh) 基于即时-通用特征提取网络的纽扣瑕疵检测方法
CN111223113B (zh) 基于双重密集上下文感知网络的核磁共振海马体分割算法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240126

Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Wanzhida Technology Co.,Ltd.

Country or region after: China

Address before: Meishan campus of Ningbo University, 169 Qixing South Road, Meishan Township, Beilun District, Ningbo City, Zhejiang Province, 315000

Applicant before: Ningbo University

Country or region before: China

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240401

Address after: 443000 Qingdao Road, Dongshan Development Zone, Yichang, Hubei

Applicant after: Hubei Golden Three Gorges Printing Industry Co.,Ltd.

Country or region after: China

Address before: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant before: Shenzhen Wanzhida Technology Co.,Ltd.

Country or region before: China

GR01 Patent grant