CN112330606A - 一种基于机器学习的缺陷检测方法 - Google Patents
一种基于机器学习的缺陷检测方法 Download PDFInfo
- Publication number
- CN112330606A CN112330606A CN202011125374.8A CN202011125374A CN112330606A CN 112330606 A CN112330606 A CN 112330606A CN 202011125374 A CN202011125374 A CN 202011125374A CN 112330606 A CN112330606 A CN 112330606A
- Authority
- CN
- China
- Prior art keywords
- data
- workpiece
- defect
- machine learning
- processing
- 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
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
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Sustainable Development (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于机器学习的缺陷检测方法,S1、图像采集:对所需检测的工件不断的进行传动,传动的过程中利用图像采集模块进行采集,将所采集的图像转化为电信号传输到计算机处理器中;S2、图像分析:对采集图像所转化的数据进一步的深度分析,分析所存在的缺陷然后进行分类,本发明涉及机器学习技术领域。该基于机器学习的缺陷检测方法,通过计算机的机器学习检测方法,首先避免了传统的人工的缺陷检测所产生的误判,然后提高了对工件的全方位的性能检测,再者对存在缺陷的工件进行逐级判断,不仅可以降低对工件检测的失误率,而且能够极大的提升工件的利用率,同时极大的提高了工件的使用质量和性能。
Description
技术领域
本发明涉及机器学习技术领域,具体为一种基于机器学习的缺陷检测方法。
背景技术
缺陷检测通常是指对物品表面缺陷的检测,表面缺陷检测是采用先进的机器视觉检测技术,对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测,机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科;专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
现有的人工检测过程往往会存在误判,以及也会存在一些人体无法检测到缺陷,而现有的机器学习检测也会存在对物料的简单判断,导致部分可利用的材料造成了浪费,为此,本发明提供了一种基于机器学习的缺陷检测方法。
发明内容
针对现有技术的不足,本发明提供了一种基于机器学习的缺陷检测方法,解决了现有的人工检测过程往往会存在误判,以及现有的机器学习检测也会存在对物料判断失误造成浪费的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于机器学习的缺陷检测方法,具体包括以下步骤:
S1、图像采集:对所需检测的工件不断的进行传动,传动的过程中利用图像采集模块进行采集,将所采集的图像转化为电信号传输到计算机处理器中;
S2、图像分析:对采集图像所转化的数据进一步的深度分析,分析所存在的缺陷然后进行分类,分类后和其他的无缺陷相同工件数据进行比较,分析该工件存在偏差,并将偏差的数据传输到数据处理中心;
S3、数据处理:在接受到各个数据后,对各个偏差的数值进行处理,判断相应的区间内所需采取的解决方式,首先判断所存在的缺陷是否影响其原有性能,在判断是否具有修复和二次加工的可能,并实施以具体的操作方式进行加工;
S4、二次加工:通过数据处理器的反馈将数据传输到对应的工作台,将工件进行二次的加工,加工后的工件将再次进行S1-S3的操作,直至报废或符合能够使用的标准;
S5、数据储存:将各个阶段所产生的对应数据进行记录并储存,然后通过对比得到较为标准的工件数值,根据对应的实施措施应用到各个加工线上,减小二次加工的次数。
优选的,所述S1中图像采集所需采集的数据为工件表面的斑点、凹坑、划痕、色差、缺损,以及加工所产生的温度,并对所采集的数据利用信号转化模块进行转化,可高清显示到计算机当中。
优选的,所述S1中图像采集所采用高清图像采集器、无线温度传感器,并通过无线局域网进行传输。
优选的,所述S2中根据对所接受的图像数据进行分析,分析中所产生的对应分类在运输台上也会产生对应的实物筛选,并通过S3中的数据处理,将各个所需加工的工件运输到各个对应的加工台,然后再回到S1中图像采集处进行新的流程。
优选的,所述S3中若所存在的缺陷影响其原有性能,则直接归为报废,并运输到报废处处理,若所存在的缺陷未影响其原有性能,进行二次判断,若该缺陷能够进行二次加工处理,则直接归于到二次加工处,若该缺陷无法进行二次加工处理,则直接归为报废,并运输到报废处处理。
优选的,所述S4中二次加工的操作均直接有计算机处理器的远程控制端操作,并对所有的二次加工数据进行记录,同时会通过各个轨道的工件运输进行再次检测,重复S1-S4的操作。
优选的,所述S5中将操作的过程中所产生的数据进行记录和储存,通过数据整理模块进行归纳,最后与现有的无缺陷工件数据进行综合,产生新的标准工件数据库,再进行不断的更新。
优选的,所述S1-S5中的数据均通过数据传输模块进行发送,其中利用数据补偿器进行调节,将数据产生的错误进行消除,且操作的过程中均有现场人员和远程操作人员同步观察。
有益效果
本发明提供了一种基于机器学习的缺陷检测方法。与现有技术相比具备以下有益效果:该基于机器学习的缺陷检测方法,通过在S1、图像采集:对所需检测的工件不断的进行传动,传动的过程中利用图像采集模块进行采集,将所采集的图像转化为电信号传输到计算机处理器中;S2、图像分析:对采集图像所转化的数据进一步的深度分析,分析所存在的缺陷然后进行分类,分类后和其他的无缺陷相同工件数据进行比较,分析该工件存在偏差,并将偏差的数据传输到数据处理中心;S3、数据处理:在接受到各个数据后,对各个偏差的数值进行处理,判断相应的区间内所需采取的解决方式,首先判断所存在的缺陷是否影响其原有性能,在判断是否具有修复和二次加工的可能,并实施以具体的操作方式进行加工;S4、二次加工:通过数据处理器的反馈将数据传输到对应的工作台,将工件进行二次的加工,加工后的工件将再次进行S1-S3的操作,直至报废或符合能够使用的标准;S5、数据储存:将各个阶段所产生的对应数据进行记录并储存,然后通过对比得到较为标准的工件数值,根据对应的实施措施应用到各个加工线上,减小二次加工的次数,通过计算机的机器学习检测方法,首先避免了传统的人工的缺陷检测所产生的误判,然后提高了对工件的全方位的性能检测,再者对存在缺陷的工件进行逐级判断,不仅可以降低对工件检测的失误率,而且能够极大的提升工件的利用率,同时极大的提高了工件的使用质量。
附图说明
图1为本发明的工艺流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种基于机器学习的缺陷检测方法,具体包括以下步骤:
S1、图像采集:对所需检测的工件不断的进行传动,传动的过程中利用图像采集模块进行采集,将所采集的图像转化为电信号传输到计算机处理器中;
S2、图像分析:对采集图像所转化的数据进一步的深度分析,分析所存在的缺陷然后进行分类,分类后和其他的无缺陷相同工件数据进行比较,分析该工件存在偏差,并将偏差的数据传输到数据处理中心;
S3、数据处理:在接受到各个数据后,对各个偏差的数值进行处理,判断相应的区间内所需采取的解决方式,首先判断所存在的缺陷是否影响其原有性能,在判断是否具有修复和二次加工的可能,并实施以具体的操作方式进行加工;
S4、二次加工:通过数据处理器的反馈将数据传输到对应的工作台,将工件进行二次的加工,加工后的工件将再次进行S1-S3的操作,直至报废或符合能够使用的标准;
S5、数据储存:将各个阶段所产生的对应数据进行记录并储存,然后通过对比得到较为标准的工件数值,根据对应的实施措施应用到各个加工线上,减小二次加工的次数。
S1中图像采集所需采集的数据为工件表面的斑点、凹坑、划痕、色差、缺损,以及加工所产生的温度,并对所采集的数据利用信号转化模块进行转化,可高清显示到计算机当中。
S1中图像采集所采用高清图像采集器、无线温度传感器,并通过无线局域网进行传输。
S2中根据对所接受的图像数据进行分析,分析中所产生的对应分类在运输台上也会产生对应的实物筛选,并通过S3中的数据处理,将各个所需加工的工件运输到各个对应的加工台,然后再回到S1中图像采集处进行新的流程。
S3中若所存在的缺陷影响其原有性能,则直接归为报废,并运输到报废处处理,若所存在的缺陷未影响其原有性能,进行二次判断,若该缺陷能够进行二次加工处理,则直接归于到二次加工处,若该缺陷无法进行二次加工处理,则直接归为报废,并运输到报废处处理。
S4中二次加工的操作均直接有计算机处理器的远程控制端操作,并对所有的二次加工数据进行记录,同时会通过各个轨道的工件运输进行再次检测,重复S1-S4的操作。
S5中将操作的过程中所产生的数据进行记录和储存,通过数据整理模块进行归纳,最后与现有的无缺陷工件数据进行综合,产生新的标准工件数据库,再进行不断的更新。
S1-S5中的数据均通过数据传输模块进行发送,其中利用数据补偿器进行调节,将数据产生的错误进行消除,且操作的过程中均有现场人员和远程操作人员同步观察。
通过计算机的机器学习检测方法,首先避免了传统的人工的缺陷检测所产生的误判,然后提高了对工件的全方位的性能检测,再者对存在缺陷的工件进行逐级判断,不仅可以降低对工件检测的失误率,而且能够极大的提升工件的利用率,同时极大的提高了工件的使用质量。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于机器学习的缺陷检测方法,其特征在于:具体包括以下步骤:
S1、图像采集:对所需检测的工件不断的进行传动,传动的过程中利用图像采集模块进行采集,将所采集的图像转化为电信号传输到计算机处理器中;
S2、图像分析:对采集图像所转化的数据进一步的深度分析,分析所存在的缺陷然后进行分类,分类后和其他的无缺陷相同工件数据进行比较,分析该工件存在偏差,并将偏差的数据传输到数据处理中心;
S3、数据处理:在接受到各个数据后,对各个偏差的数值进行处理,判断相应的区间内所需采取的解决方式,首先判断所存在的缺陷是否影响其原有性能,在判断是否具有修复和二次加工的可能,并实施以具体的操作方式进行加工;
S4、二次加工:通过数据处理器的反馈将数据传输到对应的工作台,将工件进行二次的加工,加工后的工件将再次进行S1-S3的操作,直至报废或符合能够使用的标准;
S5、数据储存:将各个阶段所产生的对应数据进行记录并储存,然后通过对比得到较为标准的工件数值,根据对应的实施措施应用到各个加工线上,减小二次加工的次数。
2.根据权利要求1所述的一种基于机器学习的缺陷检测方法,其特征在于:所述S1中图像采集所需采集的数据为工件表面的斑点、凹坑、划痕、色差、缺损,以及加工所产生的温度,并对所采集的数据利用信号转化模块进行转化,可高清显示到计算机当中。
3.根据权利要求1所述的一种基于机器学习的缺陷检测方法,其特征在于:所述S1中图像采集所采用高清图像采集器、无线温度传感器,并通过无线局域网进行传输。
4.根据权利要求1所述的一种基于机器学习的缺陷检测方法,其特征在于:所述S2中根据对所接受的图像数据进行分析,分析中所产生的对应分类在运输台上也会产生对应的实物筛选,并通过S3中的数据处理,将各个所需加工的工件运输到各个对应的加工台,然后再回到S1中图像采集处进行新的流程。
5.根据权利要求1所述的一种基于机器学习的缺陷检测方法,其特征在于:所述S3中若所存在的缺陷影响其原有性能,则直接归为报废,并运输到报废处处理,若所存在的缺陷未影响其原有性能,进行二次判断,若该缺陷能够进行二次加工处理,则直接归于到二次加工处,若该缺陷无法进行二次加工处理,则直接归为报废,并运输到报废处处理。
6.根据权利要求1所述的一种基于机器学习的缺陷检测方法,其特征在于:所述S4中二次加工的操作均直接有计算机处理器的远程控制端操作,并对所有的二次加工数据进行记录,同时会通过各个轨道的工件运输进行再次检测,重复S1-S4的操作。
7.根据权利要求1所述的一种基于机器学习的缺陷检测方法,其特征在于:所述S5中将操作的过程中所产生的数据进行记录和储存,通过数据整理模块进行归纳,最后与现有的无缺陷工件数据进行综合,产生新的标准工件数据库,再进行不断的更新。
8.根据权利要求1所述的一种基于机器学习的缺陷检测方法,其特征在于:所述S1-S5中的数据均通过数据传输模块进行发送,其中利用数据补偿器进行调节,将数据产生的错误进行消除,且操作的过程中均有现场人员和远程操作人员同步观察。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125374.8A CN112330606B (zh) | 2020-10-20 | 2020-10-20 | 一种基于机器学习的缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125374.8A CN112330606B (zh) | 2020-10-20 | 2020-10-20 | 一种基于机器学习的缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330606A true CN112330606A (zh) | 2021-02-05 |
CN112330606B CN112330606B (zh) | 2023-05-23 |
Family
ID=74310737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011125374.8A Active CN112330606B (zh) | 2020-10-20 | 2020-10-20 | 一种基于机器学习的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330606B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392802A (zh) * | 2022-10-28 | 2022-11-25 | 江苏智云天工科技有限公司 | 工业产品的缺陷检测方法、系统、介质及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106770321A (zh) * | 2016-12-08 | 2017-05-31 | 广东工业大学 | 一种基于多阈值区间的塑料零件缺陷检测方法 |
CN107085846A (zh) * | 2017-05-08 | 2017-08-22 | 湘潭大学 | 工件表面缺陷图像识别方法 |
CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
CN108346153A (zh) * | 2018-03-22 | 2018-07-31 | 北京木业邦科技有限公司 | 木材缺陷的机器学习及修复方法、装置、系统、电子设备 |
CN108780314A (zh) * | 2016-01-20 | 2018-11-09 | 罗伯特·博世有限公司 | 针对不稳定环境的模型适配和在线学习 |
CN109692821A (zh) * | 2017-10-23 | 2019-04-30 | 发那科株式会社 | 分拣系统 |
CN110116223A (zh) * | 2019-05-31 | 2019-08-13 | 青岛理工大学 | 电卡辅助内冷织构车刀及纳米流体微量润滑智能工作系统 |
CN110298839A (zh) * | 2019-07-10 | 2019-10-01 | 北京滴普科技有限公司 | 一种基于数据驱动的外观缺陷智能判别系统 |
US20200134800A1 (en) * | 2018-10-29 | 2020-04-30 | International Business Machines Corporation | Precision defect detection based on image difference with respect to templates |
CN111157531A (zh) * | 2019-12-25 | 2020-05-15 | 南京悠阔电气科技有限公司 | 一种基于深度学习的变电站设备缺陷识别方法 |
-
2020
- 2020-10-20 CN CN202011125374.8A patent/CN112330606B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108780314A (zh) * | 2016-01-20 | 2018-11-09 | 罗伯特·博世有限公司 | 针对不稳定环境的模型适配和在线学习 |
CN106770321A (zh) * | 2016-12-08 | 2017-05-31 | 广东工业大学 | 一种基于多阈值区间的塑料零件缺陷检测方法 |
CN107085846A (zh) * | 2017-05-08 | 2017-08-22 | 湘潭大学 | 工件表面缺陷图像识别方法 |
CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
CN109692821A (zh) * | 2017-10-23 | 2019-04-30 | 发那科株式会社 | 分拣系统 |
CN108346153A (zh) * | 2018-03-22 | 2018-07-31 | 北京木业邦科技有限公司 | 木材缺陷的机器学习及修复方法、装置、系统、电子设备 |
US20200134800A1 (en) * | 2018-10-29 | 2020-04-30 | International Business Machines Corporation | Precision defect detection based on image difference with respect to templates |
CN110116223A (zh) * | 2019-05-31 | 2019-08-13 | 青岛理工大学 | 电卡辅助内冷织构车刀及纳米流体微量润滑智能工作系统 |
CN110298839A (zh) * | 2019-07-10 | 2019-10-01 | 北京滴普科技有限公司 | 一种基于数据驱动的外观缺陷智能判别系统 |
CN111157531A (zh) * | 2019-12-25 | 2020-05-15 | 南京悠阔电气科技有限公司 | 一种基于深度学习的变电站设备缺陷识别方法 |
Non-Patent Citations (3)
Title |
---|
HIDETOSHI ANDO 等: "Improvements of classification accuracy of film defects by using GPU-accelerated image processing and machine learning frameworks", 《2016 NICOGRAPH INTERNATIONAL》 * |
刘大伟 等: "刨花板二次加工质量缺陷产生的原因及解决办法", 《吉林林业科技》 * |
朱宇轩: "计算机系统如何在制造企业中实现品质管理", 《企业改革与管理》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392802A (zh) * | 2022-10-28 | 2022-11-25 | 江苏智云天工科技有限公司 | 工业产品的缺陷检测方法、系统、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112330606B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Doshi et al. | Road damage detection using deep ensemble learning | |
US10803573B2 (en) | Method for automated detection of defects in cast wheel products | |
CN110806736A (zh) | 一种模锻成形智能制造生产线锻件质量信息检测方法 | |
CN109919243A (zh) | 一种基于cnn的废钢铁种类自动识别方法及装置 | |
CN110554052A (zh) | 一种人造板表面缺陷检测方法及其系统 | |
CN115880223A (zh) | 一种基于改进yolox的高反光金属表面缺陷检测方法 | |
CN112881412B (zh) | 一种废钢产品中非金属异物检测方法 | |
TWI707299B (zh) | 光學檢測二次圖像分類方法 | |
Wu et al. | An end-to-end learning method for industrial defect detection | |
CN104952754A (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
CN113111875A (zh) | 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法 | |
Wang et al. | Design of machine vision applications in detection of defects in high-speed bar copper | |
CN112330606A (zh) | 一种基于机器学习的缺陷检测方法 | |
CN110687120A (zh) | 法兰外观质量检测系统 | |
CN110738630A (zh) | 递归性深度学习系统的训练方法与检测系统 | |
CN110991469A (zh) | 一种水果可溶性固形物在线检测方法及系统 | |
CN116228682A (zh) | 一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法 | |
Cui et al. | Automated pattern recognition and defect inspection system | |
CN115047015A (zh) | 一种在线式x射线无损探伤检测方法及其系统 | |
CN116977241A (zh) | 检测车辆部件的缺陷的方法、装置、计算机可读存储介质以及计算机程序产品 | |
CN210775265U (zh) | 一种人造板表面缺陷检测系统 | |
CN114764763A (zh) | 一种基于深度学习的工件缺陷检测方法 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN202453301U (zh) | 一种视觉检测系统 | |
CN116681644B (zh) | 基于变分贝叶斯推理的烟支外观缺陷检测方法 |
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 |