CN112364783A - 一种零件检测方法、装置及计算机可读存储介质 - Google Patents

一种零件检测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN112364783A
CN112364783A CN202011269001.8A CN202011269001A CN112364783A CN 112364783 A CN112364783 A CN 112364783A CN 202011269001 A CN202011269001 A CN 202011269001A CN 112364783 A CN112364783 A CN 112364783A
Authority
CN
China
Prior art keywords
resnet101
pictures
module
channel
layer
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
Application number
CN202011269001.8A
Other languages
English (en)
Other versions
CN112364783B (zh
Inventor
吴鑫
路孝举
俞金波
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.)
Heilongjiang Hongshi Digital Technology Co ltd
Original Assignee
Zhuji Look Technology 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 Zhuji Look Technology Co ltd filed Critical Zhuji Look Technology Co ltd
Priority to CN202011269001.8A priority Critical patent/CN112364783B/zh
Publication of CN112364783A publication Critical patent/CN112364783A/zh
Application granted granted Critical
Publication of CN112364783B publication Critical patent/CN112364783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种零件检测方法、装置及计算机可读存储介质，涉及视觉检测技术领域，采集零件的图片，对图片进行识别检测，判断图片对应的零件是否合格；对图片进行识别检测采用ResNet101，ResNet101嵌有CBAM模块；并将合格的零件对应的图片分为模板图片和训练图片，对图片进行识别检测前使用训练图片对ResNet101进行训练，获得加权融合特征，由加权融合特征对ResNet101进行训练。本发明提高了零件检测的速度和准确度。

Description

一种零件检测方法、装置及计算机可读存储介质
【技术领域】
本发明涉及视觉检测技术领域，具体涉及一种零件检测方法、装置及计算机可读存储介质。
【背景技术】
近年来，基于机器视觉的自动化工业检测装置有效解决了人工检验效率低下的问题，大幅提升了生产效率。但是，现有技术中，由于零件的尺寸和形状不同，使得目标在形态多样性、光照变化多样性、背景多样性等因素的作用下难以获取鲁棒性强的特征。然而提取特征的好坏直接影响到分类的准确性，因此，基于深度学习的目标检测方法在准确度以及速度上难以取得较好的结果。
【发明内容】
为解决前述问题，本发明提供了一种零件检测方法，提高了零件检测的速度和准确度。
为了达到上述目的，本发明采用如下技术方案：
一种零件检测方法，包括如下步骤：
采集零件的图片，对图片进行识别检测，判断图片对应的零件是否合格；
对图片进行识别检测采用ResNet101，ResNet101嵌有CBAM模块，所述CBAM模块嵌于ResNet101的卷积层和BN层之间，以对特征进行优化；
合格的零件对应的图片包括模板图片和训练图片，对图片进行识别检测前使用训练图片对ResNet101进行训练，对ResNet101进行训练时，对比模板图片和训练图片获得加权融合特征，由加权融合特征对ResNet101进行训练。
可选的，CBAM模块包括通道注意力模块和空间位置注意力模块，CBAM模块对特征进行优化包括如下步骤：
根据如下公式计算通道注意力模块的输出：
Figure BDA0002777093850000011
其中，F’为通道注意力模块的输出，F为输入CBAM模块的特征图，MaxPool(F)为特征图在全局最大池化层进行池化；AvgPool(F)为特征图在全局平均池化层进行池化；f为连续两个1×1卷积层进行卷积操作，第一个卷积层用于降维操作，降维比例为16；第二个卷积层用于升维操作；σ为sigmoid函数，
Figure BDA0002777093850000012
为逐元素相加，
Figure BDA0002777093850000013
为对应元素相乘；
将通道注意力模块的输出作为空间位置注意力模块的输入，送入通道最大池化层和通道平均池化层分别进行通道维度的压缩，将分别得到的压缩后的特征图进行通道维度上的拼接，拼接后使用7×7卷积进行降维，再使用sigmoid函数得到空间注意力图，对空间注意力图与输入CBAM模块的特征图进行对应元素相乘，得到空间位置注意力模块的输出；
空间位置注意力模块的输出即为优化后的特征。
可选的，ResNet101具有如下阶段：conv1、conv2_x、con3_x、con4_x、con5_x、，其中，CBAM模块嵌于conv2_x、con3_x、con4_x阶段的卷积层和BN层之间。
可选的，ResNet101采用RoIAlign，包括如下步骤：
根据需要池化固定的特征图的尺寸均分RoI，对划分的区域取其中心点位置，采用双线性插值算法计算每个中心点位置的像素值，取其中的最大值，依次遍历所有划分的区域，得到需要池化固定的特征图。
可选的，ResNet101采用FPN对不同尺寸的特征进行融合。
可选的，训练FPN时，锚框与真实边界框的交并比大于0.7，或锚框与真实边界框的交并比最大时，该锚框为正样本，锚框与真实边界框的交并比小于0.3时，该锚框为负样本。
本发明具有如下有益效果：本发明所提供的技术方案，可以适应于各种尺寸、形状的工业零件，即使目标在形态多样性、光照变化多样性、背景多样性等多重因素的影响下，依然能够准确快速地提取特征，使得零件检测的准确度以及速度都得到了提升。
基于同样的发明构思，本发明还提供了一种零件检测装置，采用上述任意一项所述的零件检测方法对零件进行检测。
本发明所提供的零件检测装置，其有益效果的推理过程与前述零件检测方法的有益效果推理过程相类似，在此不再赘述。
基于同样的发明构思，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本发明所提供的零件检测装置，其有益效果的推理过程与前述零件检测方法的有益效果推理过程相类似，在此不再赘述。
本发明的这些特点和优点将会在下面的具体实施方式中进行详细的揭露。本发明最佳的实施方式或手段将在具体实施方式中来详尽表现，但并非是对本发明技术方案的限制。另外，在每个下文中出现的这些特征、要素和组件是具有多个，并且为了表示方便而标记了不同的符号或数字，但均表示相同或相似构造或功能的部件。
【具体实施方式】
下面对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
在本说明书中引用的“一个实施例”或“实例”或“例子”意指结合实施例本身描述的特定特征、结构或特性可被包括在本专利公开的至少一个实施例中。短语“在一个实施例中”在说明书中的各位置的出现不必都是指同一个实施例。
实施例一：
本实施例提供一种零件检测方法。尽管在工业检测领域，基于深度学习的目标检测算法有一定的效果。但是，对于复杂环境下不同大小的工业固件的缺陷检测和目标识别依然面临着很大的挑战。不同大小的固件，摆放的姿态不同的固件等因素，直接影响到智能检测的整个流程。本实例通过设计新的卷积神经网络对一些复杂的小固件进行目标检测和缺陷检测，然后根据检测结果进行后续的测量和抓取任务，包括如下步骤：
采集零件的图片，对图片进行识别检测。在这一步骤中，为了提取到更好的图片特征，通过数据增强提高图片的分辨率，提高对高分辨率的底层特征再利用。为了能够深入提取图像的特征信息，对图片进行识别检测采用ResNet101，在ResNet101的基础上进行不同层次的特征融合，使得预测不同尺度的目标对应不同融合层的特征，有效地提高检测小尺度目标的性能，对于初始的锚框，根据实际检测的工件的大小，合理设置锚框。防止一些工件误检。最后，使用RoIAlign替换RoI pooling，避免了RoI pooling的两次量化操作，进一步提升了检测性能。
本实施例中，ResNet101嵌有CBAM模块，为了能够高效低获取图像的特征信息，CBAM模块嵌于ResNet101的卷积层和BN层之间，沿着两个独立的维度(通道和空间)依次推断注意力图，然后将注意力图与输入特征图相乘，以对特征进行自适应优化。CBAM模块包括通道注意力模块和空间位置注意力模块，CBAM模块对特征进行优化包括如下步骤：
根据如下公式计算通道注意力模块的输出：
Figure BDA0002777093850000031
其中，F’为通道注意力模块的输出，F为输入CBAM模块的特征图，MaxPool(F)为特征图在全局最大池化层进行池化；AvgPool(F)为特征图在全局平均池化层进行池化；f为连续两个1×1卷积层进行通道间的信息融合，第一个卷积层用于降维操作，以减少计算量，降维比例为16；第二个卷积层用于升维操作，保证特征图通道维度前后一致；σ为sigmoid函数，
Figure BDA0002777093850000032
为逐元素相加，
Figure BDA0002777093850000033
为对应元素相乘；
将通道注意力模块的输出作为空间位置注意力模块的输入，送入通道最大池化层和通道平均池化层分别进行通道维度的压缩，将分别得到的压缩后的特征图进行通道维度上的拼接，拼接后使用7×7卷积进行降维，再使用sigmoid函数得到空间注意力图，对空间注意力图与输入CBAM模块的特征图进行对应元素相乘，得到空间位置注意力模块的输出；
空间位置注意力模块的输出即为优化后的特征。
在本实施例中，ResNet101具有如下阶段：conv1、conv2_x、con3_x、con4_x、con5_x、，其中，CBAM模块嵌于conv2_x、con3_x、con4_x阶段的卷积层和BN层之间。
在本实施例中，ResNet101采用RoIAlign，包括如下步骤：
根据需要池化固定的特征图的尺寸均分RoI，本实施例中，经池化后固定为2×2大小的特征图，因此需要把RoI平均分成4个大小相同的区域，对于划分的每一个区域，如果采样数是4，即需要把每个区域平均划分4份，每一份取其中心点位置，对划分的区域取其中心点位置，采用双线性插值算法计算每个中心点位置的像素值，就会得到四个点的像素值，取其中的最大值，即最大池化，依次遍历所有划分的区域，得到2×2的特征图。
并且，为了能同时利用深层语义信息和浅层细节特征，本实施例ResNet101采用FPN对不同尺寸的特征进行融合。FPN采用自顶向下的方式融合多层特征，使得预测不同尺度的目标对应不同融合层的特征，有效地提升了目标检测算法在小目标检测上的性能。
原始FPN的锚框设置方式对于通用物体检测数据有着很全面的覆盖，但是针对某个特定的场景时，这样的锚框设置往往难以全面覆盖目标，此时可能会产生严重的目标漏检问题。在训练RPN的过程中，需要对锚框指定正负样本：锚框与真实边界框的交并比大于0.7，或锚框与真实边界框的交并比最大时，该锚框为正样本，锚框与真实边界框的交并比小于0.3时，该锚框为负样本。
完成对图片的识别后，判断图片对应的零件是否合格。为了进一步提升检测的精度，将合格的零件对应的图片区分为模板图片和训练图片，对图片进行识别检测前使用训练图片对ResNet101进行训练，对ResNet101进行训练时，对比模板图片和训练图片获得加权融合特征。进行加权融合特征时，首先通过ResNet101对合格零件所对应的模板图片进行特征提取，将获得的特征和训练图片的特征进行距离度量，当度量值大于设定的阈值时，融合两张图片的特征。当度量值小于阈值时，使用合格零件对应模板图片的特征值进行训练。训练初始时，阈值采用度量值的均值，在后续训练中，阈值会被迭代调整。由加权融合特征对ResNet101进行训练，通过模板图片的监督信息高效地指导模型的训练。通过模板和训练图片的对比，获得的加权融合特征不仅包含了正常样本的高效信息，也包含了两者的差异信息。对于工件的缺陷检测效果有很大的提升。
本申请所提供的技术方案，能够高效地进行工件的定位和检测，详细获取其所在的位置以及工件的好坏。对这些信息进行规范处理之后，通过网络通讯的方式将信息传送给抓取机器人，机器人根据信息能够将残次品抓取移除，对位置摆放不正确的产品，能够进行摆正。对于正常的产品，可以对其感兴趣区域进行提取以及测量任务，以提升后续的训练效果。
获取到被测目标后，通过特征参数和旋转的角度确定参考坐标系和测量坐标系，此为现有技术，在此不再赘述。对于不同的目标，可以自适应地更改参考坐标系。基于边缘检测的方式可以有效地获取图像的边缘，同时对点、线、角度、轮廓进行拟合。通过种子搜索、曲线追踪、曲线链接的方式提取轮廓。基于直线、B样条插值、圆、椭圆和多项式的方法对特殊的形状进行拟合。通过解析几何法计算距离、面积和角度。
实施例二
本实施例提供了一种零件检测装置，采用上述实施例一所述的零件检测方法对零件进行检测。
实施例三
本实施例提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现如上的任意实施例中的方法。本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。据此，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可实现上述任意一项实施例的方法。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)以及存储器总线动态RAM(RDRAM)等。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。

Claims (8)

1.一种零件检测方法，包括如下步骤：
采集零件的图片，对图片进行识别检测，判断图片对应的零件是否合格；
其特征在于，对图片进行识别检测采用ResNet101，ResNet101嵌有CBAM模块，所述CBAM模块嵌于ResNet101的卷积层和BN层之间，以对特征进行优化；
合格的零件对应的图片包括模板图片和训练图片，对图片进行识别检测前使用训练图片对ResNet101进行训练，对ResNet101进行训练时，对比模板图片和训练图片获得加权融合特征，由加权融合特征对ResNet101进行训练。
2.根据权利要求1所述的零件检测方法，其特征在于：CBAM模块包括通道注意力模块和空间位置注意力模块，CBAM模块对特征进行优化包括如下步骤：
根据如下公式计算通道注意力模块的输出：
Figure FDA0002777093840000011
其中，F’为通道注意力模块的输出，F为输入CBAM模块的特征图，MaxPool(F)为特征图在全局最大池化层进行池化；AvgPool(F)为特征图在全局平均池化层进行池化；f为连续两个1×1卷积层进行卷积操作，第一个卷积层用于降维操作，降维比例为16；第二个卷积层用于升维操作；σ为sigmoid函数，
Figure FDA0002777093840000012
为逐元素相加，
Figure FDA0002777093840000013
为对应元素相乘；
将通道注意力模块的输出作为空间位置注意力模块的输入，送入通道最大池化层和通道平均池化层分别进行通道维度的压缩，将分别得到的压缩后的特征图进行通道维度上的拼接，拼接后使用7×7卷积进行降维，再使用sigmoid函数得到空间注意力图，对空间注意力图与输入CBAM模块的特征图进行对应元素相乘，得到空间位置注意力模块的输出；
空间位置注意力模块的输出即为优化后的特征。
3.根据权利要求2所述的零件检测方法，其特征在于：ResNet101具有如下阶段：conv1、conv2_x、con3_x、con4_x、con5_x、，其中，CBAM模块嵌于conv2_x、con3_x、con4_x阶段的卷积层和BN层之间。
4.根据权利要求1所述的零件检测方法，其特征在于：ResNet101采用RoIAlign，包括如下步骤：
根据需要池化固定的特征图的尺寸均分RoI，对划分的区域取其中心点位置，采用双线性插值算法计算每个中心点位置的像素值，取其中的最大值，依次遍历所有划分的区域，得到需要池化固定的特征图。
5.根据权利要求1所述的零件检测方法，其特征在于：ResNet101采用FPN对不同尺寸的特征进行融合。
6.根据权利要求5所述的零件检测方法，其特征在于：训练FPN时，锚框与真实边界框的交并比大于0.7，或锚框与真实边界框的交并比最大时，该锚框为正样本，锚框与真实边界框的交并比小于0.3时，该锚框为负样本。
7.一种零件检测装置，其特征在于，所述零件检测装置采用权利要求1至6中任一项所述的零件检测方法对零件进行检测。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。
CN202011269001.8A 2020-11-13 2020-11-13 一种零件检测方法、装置及计算机可读存储介质 Active CN112364783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011269001.8A CN112364783B (zh) 2020-11-13 2020-11-13 一种零件检测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011269001.8A CN112364783B (zh) 2020-11-13 2020-11-13 一种零件检测方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112364783A true CN112364783A (zh) 2021-02-12
CN112364783B CN112364783B (zh) 2023-07-14

Family

ID=74514685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011269001.8A Active CN112364783B (zh) 2020-11-13 2020-11-13 一种零件检测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112364783B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633507A (zh) * 2017-09-02 2018-01-26 南京理工大学 基于轮廓检测和特征匹配的lcd缺陷检测方法
WO2019049133A1 (en) * 2017-09-06 2019-03-14 Osr Enterprises Ag SYSTEM AND METHOD FOR GENERATING TRAINING DOCUMENTS FOR A VIDEO CLASSIFIER
WO2019211067A1 (de) * 2018-05-02 2019-11-07 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum betreiben eines fahrzeugs mit umfeldsensoren zum erfassen eines umfelds des fahrzeugs, computerlesbares medium, system, und fahrzeug
CN110826588A (zh) * 2019-08-29 2020-02-21 天津大学 一种基于注意力机制的排水管道缺陷检测方法
WO2020102526A1 (en) * 2018-11-14 2020-05-22 North Carolina State University Deep neural network with compositional grammatical architectures
CN111389741A (zh) * 2020-04-16 2020-07-10 长春光华学院 基于机器视觉的汽车刹车片表面缺陷检测自动分拣系统
CN111639692A (zh) * 2020-05-25 2020-09-08 南京邮电大学 一种基于注意力机制的阴影检测方法
CN111681240A (zh) * 2020-07-07 2020-09-18 福州大学 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633507A (zh) * 2017-09-02 2018-01-26 南京理工大学 基于轮廓检测和特征匹配的lcd缺陷检测方法
WO2019049133A1 (en) * 2017-09-06 2019-03-14 Osr Enterprises Ag SYSTEM AND METHOD FOR GENERATING TRAINING DOCUMENTS FOR A VIDEO CLASSIFIER
WO2019211067A1 (de) * 2018-05-02 2019-11-07 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum betreiben eines fahrzeugs mit umfeldsensoren zum erfassen eines umfelds des fahrzeugs, computerlesbares medium, system, und fahrzeug
WO2020102526A1 (en) * 2018-11-14 2020-05-22 North Carolina State University Deep neural network with compositional grammatical architectures
CN110826588A (zh) * 2019-08-29 2020-02-21 天津大学 一种基于注意力机制的排水管道缺陷检测方法
CN111389741A (zh) * 2020-04-16 2020-07-10 长春光华学院 基于机器视觉的汽车刹车片表面缺陷检测自动分拣系统
CN111639692A (zh) * 2020-05-25 2020-09-08 南京邮电大学 一种基于注意力机制的阴影检测方法
CN111681240A (zh) * 2020-07-07 2020-09-18 福州大学 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
方钧婷等: "注意力级联网络的金属表面缺陷检测算法", 《计算机科学与探索》 *
郑敏;景军锋;张缓缓;苏泽斌;: "基于多特征融合的电子布缺陷分类" *

Also Published As

Publication number Publication date
CN112364783B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN111223088B (zh) 一种基于深层卷积神经网络的铸件表面缺陷识别方法
CN111474184B (zh) 基于工业机器视觉的aoi字符缺陷检测方法和装置
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN106909888B (zh) 应用于移动设备端的人脸关键点跟踪系统及方法
CN111080693A (zh) 一种基于YOLOv3的机器人自主分类抓取方法
CN113239930B (zh) 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN109632808B (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
CN111539938B (zh) 一种轧带钢带头曲度检测方法、系统、介质及电子终端
CN110503638B (zh) 螺旋胶质量在线检测方法
CN112037203A (zh) 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统
CN111179233B (zh) 基于激光切割二维零部件的自适应纠偏方法
CN113393426A (zh) 一种轧钢板表面缺陷检测方法
CN112200776A (zh) 芯片封装缺陷检测方法和检测装置
CN115797813B (zh) 基于航拍图像的水环境污染检测方法
JP2023145545A5 (zh)
CN116416268B (zh) 基于递归二分法的锂电池极片边缘位置检测方法及装置
CN115272204A (zh) 一种基于机器视觉的轴承表面划痕检测方法
CN111401449A (zh) 一种基于机器视觉的图像匹配方法
Li et al. YOLOv5-based defect detection model for hot rolled strip steel
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
CN114463314A (zh) 一种基于色彩差影模型的晶圆缺陷检测方法及系统
CN113065400A (zh) 基于无锚框两阶段网络检测发票印章的方法及装置
CN112069924A (zh) 车道线检测方法、装置及计算机可读存储介质
CN112364783B (zh) 一种零件检测方法、装置及计算机可读存储介质
CN111881748A (zh) 一种基于vbai平台建模的车道线视觉识别方法和系统

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: 20230615

Address after: Room 1413, Building 7, Huihong Financial Port Community, No. 66, Xuehua South 1st Road, Songbei District, Harbin, Heilongjiang 150028

Applicant after: Heilongjiang Hongshi Digital Technology Co.,Ltd.

Address before: 311800 1st floor, building 16, Juli Road, Taozhu street, Zhuji City, Shaoxing City, Zhejiang Province

Applicant before: Zhuji look Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant