CN112396580A - 一种圆形零件缺陷检测方法 - Google Patents
一种圆形零件缺陷检测方法 Download PDFInfo
- Publication number
- CN112396580A CN112396580A CN202011226410.XA CN202011226410A CN112396580A CN 112396580 A CN112396580 A CN 112396580A CN 202011226410 A CN202011226410 A CN 202011226410A CN 112396580 A CN112396580 A CN 112396580A
- Authority
- CN
- China
- Prior art keywords
- circular part
- image
- detection method
- defect detection
- edge
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 230000007547 defect Effects 0.000 title claims abstract description 47
- 238000003709 image segmentation Methods 0.000 claims abstract description 46
- 230000002950 deficient Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 20
- 238000012360 testing method Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
Abstract
本申请公开了一种圆形零件缺陷检测方法,其包括:获取待检测产品的图像,待检测产品中包含圆形零件;采用经训练的U‑Net图像分割模型对所述图像进行分割,获得对应于圆形零件的目标区域的二值化图形;提取二值化图形的边缘;基于二值化图形的边缘提取特征数据;以及基于特征数据采用经训练的SVM分类器进行分类,从而判别圆形零件是否有缺陷。根据本发明实施例,可以提高圆形零件图像分割的精确度和鲁棒性,并且有助于实现既准确又快速的检测。
Description
技术领域
本发明总体上涉及缺陷检测技术,特别是适用于圆形零件的缺陷检测方法。
背景技术
圆形工业零件缺陷检测是工业检测领域面对的主要问题之一,传统的人工检测抽样率低,实时性差,受人工经验和主观因素影响大。
基于机器视觉的检测方法受到了人们的关注和应用。传统的机器视觉算法大部分是采用灰度化、归一化、滤波和分水岭分割等相结合的方法进行图像分割。然而,这些方法在实际应用中有局限性并且需要比较精细的参数调整,同时存在鲁棒性较差的问题。
此外,在对圆形零件的圆形目标区域分割完成后,通常要对目标分割区域是否存在缺陷进行检测和分类。图像检测的常规网络有:Mask-RCNN、Segmentation-based deep-learning等专业网络,但这些网络过于庞大,训练周期较长,检测较为耗时,且对于圆形特征不具有针对性。
因此,针对圆形零件缺陷,尚有待于开发一种更加准确、有效的缺陷检测方法。
发明内容
本发明的目的是提供一种圆形零件缺陷检测方法,以至少部分地解决现有技术中存在的问题。
根据本发明的一个方面,提供了一种圆形零件缺陷检测方法,其包括以下处理:
获取待检测产品的图像,待检测产品中包含圆形零件;
采用经训练的U-Net图像分割模型对所述图像进行分割,获得对应于圆形零件的目标区域的二值化图形;
提取二值化图形的边缘;
基于二值化图形的边缘提取特征数据;以及
基于特征数据采用经训练的SVM分类器进行分类,从而判别圆形零件是否有缺陷。
所述处理优选为在线进行的。
在有利的实施例中,基于所述二值化图形的边缘提取特征数据包括:拟合计算所述边缘的圆心(a,b)、半径r,并按照下式计算定位误差εpos:
式中(xi,yi)表示所述边缘上的点的坐标,E表示边缘上的点的数量;提取半径r和定位误差εpos作为特征数据;并且所述SVM分类器以所述半径r和定位误差εpos作为输入的两个特征进行二分类。
进一步优选地,所述拟合计算采用最小二乘法。
在有利的实施例中,提取二值化图形的边缘包括采用Sobel算子进行边缘检测。
在一些实施例中,U-Net图像分割模型中卷积过程按照下式进行:
式中l表示层数,Mj代表输入的特征图,k为卷积核,b代表偏置,f为激活函数,其中,所述激活函数f优选为Relu函数。
U-Net图像分割模型中所使用的池化方法优选为最大池化法。
所述圆形零件缺陷检测方法还可以包括离线训练U-Net图像分割模型。在优选的实施例中,U-Net图像分割模型的离线训练中采用二元交叉熵与DICE系数损失的结合作为损失函数Loss:
所述圆形零件缺陷检测方法还可以包括离线训练SVM分类器,其中包括:
采用经训练的U-Net图像分割模型对待检测产品样本的图像进行图像分割而得到对应于圆形零件的目标区域的二值化图形,提取该二值化图形的边缘,并基于该边缘提取特征数据,从而得到特征数据样本;
根据特征数据样本所对应的待检测产品样本中的圆形零件是否有缺陷,将特征数据样本进行分类,得到分类结果;以及
利用特征数据样本以及对应的分类结果训练SVM分类器。
根据本发明实施例,提出了一种基于U-Net图像分割模型和SVM分类器的圆形零件缺陷检测方法。U-Net神经网络赢得了2015年ISBI细胞追踪比赛的冠军;由于圆形零件缺陷与生物细胞在目标形态与边界特征上具有一定的相似性,因此本发明中采用U-Net图像分割模型可以对圆形零件的图像进行更加精确的分割,并且有利于克服诸如基于分水岭分割算法等的图像分割技术的鲁棒性不足问题。此外,圆形零件缺陷的表征相对较为简单,所以在根据本发明实施例的圆形零件缺陷检测方法中选择采用SVM分类器而摒弃了常规的专业图像检测网络,有助于实现既准确又快速的检测。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为根据本发明实施例的圆形零件缺陷检测方法的示意性流程;
图2示出了图1所示检测方法的多个处理中所获得的结果的示例;
图3示出了可用于根据本发明实施例的圆形零件缺陷检测方法中的U型神经网络的一个优选示例;
图4、图5、图6和图7示出了用于训练U-Net图像分割模型的图像样本及其标签的示例;
图8示出了训练U-Net图像分割模型得到的损益函数图的示例;
图9示出了训练U-Net图像分割模型得到的IOU曲线图的示例;
图10和图11示出了U-Net图像分割模型在测试时对于负样本得到的图像分割结果;
图12和图13示出了U-Net图像分割模型在测试时对正样本得到的图像分割结果;
图14示出了用于对可用于根据本发明实施例的检测方法的SVM分类器进行训练和测试的特征数据样本的示例;
图15示意性地示出了SVM分类器的训练及测试结果。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1为根据本发明实施例的圆形零件缺陷检测方法100的示意性流程。如图1所示,圆形零件缺陷检测方法100包括以下处理:
S110:获取待检测产品的图像,待检测产品中包含圆形零件;
S120:采用经训练的U-Net图像分割模型对图像进行分割,获得对应于圆形零件的目标区域的二值化图形;
S130:提取二值化图形的边缘;
S140:基于二值化图形的边缘提取特征数据;以及
S150:基于特征数据采用经训练的SVM分类器进行分类,从而判别圆形零件是否有缺陷。
上述处理优选是在线进行,有利于提高检测的效率和实时性。
为了便于直观理解该方法中的处理过程,结合图2以检测易拉罐拉环盖圆形锚点的缺陷为例进行图示和介绍。图2示出了通过图1所示检测方法检测拉环盖锚点1的缺陷时在部分处理中所获得的结果的示例。图2中附图标记10指示了在处理S110中采集得到的待检测易拉罐拉环盖的图像,图像中显示了锚点1;附图标记20所指为在处理S120中采用U-Net图像分割模型进行分割之后得到的结果,其中包含了对应于锚点1的目标区域的二值化图形1a;附图标记30所指为通过处理S130得到的结果,其中提取了二值化图形1a的边缘1b;附图标记40示出在处理S140中基于上述边缘1b拟合得到对应的圆心1c。应该注意的是,拟合得到的圆心1c仅为处理S140中得到的结果,在不同实施例中,处理S140中所提取的特征数据可以包括圆心或者不包括圆心,也可以包括圆心以外的其它特征数据,只要这些特征数据能够用于表征圆形零件是否存在缺陷。处理S150通过SVM分类器分类得到分别表示“有缺陷”和“无缺陷”的分类结果,在图2中没有示出。
根据本发明实施例,处理S120中采用的图像分割模型具有U型神经网络结构。相比较于例如FCN(全卷积网络,Fully Convolutional Networks),U型网络在每一次上采样过程中将低层次的细节信息融合到上采样的特征中,从而提高了分割的准确性。
在一些实施例中,图像分割模型具有如图3所示的U型神经网络(U-Net)结构。该U型神经网络结构包括图3左半边特征提取(编码)部分以及图3右半边的上采样(解码)部分。在特征提取阶段对圆形工业零件的各种特征进行提取,随着层数的增加,网络的宽度也随之增加,提取的特征的形式也更多;在上采样阶段通过特征图拼接的方式一方面使得特征更多,一方面保证了不同尺度的特征融合,有效地提取了易拉罐的特征信息。在一些可选实施例中,该模型上采样到输入图像尺寸的分辨率大小,网络的最终输出为原图分辨率大小的分割后的二值图像。
图3所示U型神经网络结构模型通过大量的卷积操作来提取图像的特征信息,它是将不同卷积核与上层特征图进行卷积运算、加偏置传递给非线性激活函数完成映射后特征图作为下一层网络的输入,其卷积过程可描述为:
式中l表示层数,Mj代表输入的特征图,k为卷积核,b代表偏置,f为激活函数。
在优选的实施例中,激活函数f采用Relu函数,其计算方式为:
f(x)=max(x,0) (2)
相比于常用的Sigmoid函数与tanh函数,Relu函数可以避免反向传播过程中梯度消失的现象,通过构建稀疏矩阵,去除数据冗余,减少参数之间的关系,加快收敛速度。通过针对圆形零件缺陷检测的需要的特点,采用以Relu函数作为激活函数的U-Net图像分割模型有利于提高检测效率。
此外,在有利的实施例中,U-Net图像分割模型中采用的池化方法为最大池化方法,其计算方式如下:
式中,m、n为相应的步长,s为池化的模板尺寸。最大池化方法对邻域内特征值取最大,而当值取最大时,池化方法能够获得尺度不变和对纹理更敏感的特性,有利于提高分割准确度。
对于处理S130,根据本发明的不同实施例,提取对应于圆形零件的目标区域的二值化图形(例如图2所示二值化图形1a)的边缘可以采用不同的边缘检测算子,包括但不限于例如Sobel、Roberts、Prewitt、Canny、Log等算子等。在有利的实施例中,处理S130中提取二值化图形的边缘采用Sobel算子来进行,例如采用3×3邻域的Sobel算子。这是因为Sobel算子是一阶的微分算子,对灰度渐变低噪声的图像有较好的检测效果;在对圆形零件目标区域的二值化图形边缘提取时,只需要检测出中心孔和边界圆即可,所以相比较于其它定位精度高但是对噪声敏感的检测算子而言,采用Sobel算子有利于提高检测效率并保证检测精度。
在处理S140中,针对零件具有圆形形状的特点,提取零件边缘(例如图2所示边缘1b)的特征数据过程中一般先确定圆心。在一些实施例中,所述提取特征数据的处理还可以包括拟合计算半径r,并按照下式计算定位误差εpos:
式中(a,b)为圆心坐标,(xi,yi)表示边缘上的点的坐标,E表示边缘上的点的数量。在优选的实施例中,提取半径r和定位误差εpos两个特征作为特征数据。半径r和定位误差εpos的数据示例可以参见图14。
根据本发明实施例,在处理S150中,采用支持向量机(SVM,support vectormachine)分类器进行分类,从而判别圆形零件是否有缺陷。SVM分类器也称为最大间隔分类器,在解决二分类和小样本学习分类方面具有良好的性能,具有模型存储空间小、算法鲁棒性强的特点。根据本发明实施例的圆形零件检测方法100中,缺陷判别是一个线性二分类问题,而且圆形零件缺陷的表征相对较为简单,所以选择采用SVM分类器而摒弃了常规的图像检测网络,有助于实现既准确又快速的检测。常规的图像检测网络例如有Mask-RCNN、Segmentation-based deep-learning等网络,这样的网络过于庞大,训练周期较长,检测时较为耗时,且对于圆形特征不具有针对性。
上述在处理S140中提取半径r和所述定位误差εpos两个特征作为特征数据的实施例中,相应地在处理S150中,SVM分类器以半径r和定位误差εpos作为输入的两个特征进行缺陷判别。
仅作为示例,处理S150基于在处理S140中所提取的拟合圆形的半径和定位误差通过SVM分类器判别出图2中左边两列示出了有缺陷的易拉罐拉环盖锚点,右边两列示出了合格/无缺陷的易拉罐拉环盖锚点。
以上介绍了圆形零件缺陷检测方法100的检测处理,上述检测处理可以在线进行。根据本发明实施例的圆形零件缺陷检测方法还可以进一步包括离线的基于机器学习的模型训练部分。
在一些实施例中,根据本发明实施例的圆形零件缺陷检测方法可以包括离线训练U-Net图像分割模型。
U型神经网络是监督学习算法,需要大量的样本数据输入网络进行训练来使模型逼近目标函数。例如,在对易拉罐拉环盖圆形锚点缺陷进行检测时,采集待测产品样本的图像(参见图4和图6);对样本图像中的目标区域(锚点区域)用标签2进行标注得到标签图像(参见图5和图7,图5和图7所示分别为图4和图6的样本图像对应的标签图像);将样本图像和对应的标签图像作为U型神经网络的输入进行训练。
在U-Net图像分割模型的离线训练中,需要损失函数来估量模型的预测值与真实值的差异程度,以便准确而又稳健地分割出目标锚点区域。在本发明有利的实施例中,采用二元交叉熵(binary cross entropy,BCE)与DICE(dice coefficient)系数损失的结合作为损失函数Loss:
图8示出了通过上述方式训练U-Net图像分割模型得到的损益函数图的一个示例。如图8所示,损失曲线随着训练迭代周期次数的增长损失函数呈现下降的趋势并逐渐收敛。
图9示出了通过上述方式训练U-Net图像分割模型得到的交并比(intersectionover union,IOU)曲线图的一个示例。IOU曲线作为图像分割领域中的评价指标通常为像素集合,其原理是计算两个像素集合的交集与并集比。如图9所示,U-Net图像分割模型的IOU随着训练迭代周期次数的增长呈增长的趋势,渐渐趋于稳定。
作为示例,图10和图11示出了U-Net图像分割模型在测试时对于负样本(图10和图11中左侧部分所示)得到的图像分割结果(图10和图11中右侧部分所示);图12和图13示出了U-Net图像分割模型在测试时对正样本(图12和图13中左侧部分所示)得到的图像分割结果(图12和图13中右侧部分所示)。通过上述图示中的目标锚点区域分割结果可以看到,如上所述构造和训练的U-Net图像分割方法能够很好的分割出锚点目标区域,可以有效的为后续特征提取、分类算法提供良好的基础。
在一些实施例中,根据本发明实施例的圆形零件缺陷检测方法可以包括离线训练SVM分类器,其中包括:
(1)采用经训练的U-Net图像分割模型对待检测产品样本的图像进行图像分割而得到对应于圆形零件的目标区域的二值化图形,提取该二值化图形的边缘,并基于该边缘提取特征数据,从而得到特征数据样本;
(2)根据特征数据样本所对应的待检测产品样本中的圆形零件是否有缺陷,将所述特征数据样本进行分类,得到分类结果;以及
(3)利用所述特征数据样本以及它们对应的分类结果训练所述SVM分类器。
图14示出了用于对SVM分类器进行训练和测试的特征数据样本的示例,其中32组数据用于训练,32组数据用于测试。基于图14的数据样本进行SVM模型的训练与测试,得到图15所示结果。由图15所示的SVM分类器测试数据分类结果可知,测试数据中只有1组数据未分类正确,其中31组测试数据分类正确,则在该示例中基于U-Net和SVM的易拉罐拉环盖圆形锚点缺陷检测方法的准确率可以达到31/32,即96.88%。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种圆形零件缺陷检测方法,包括以下处理:
获取待检测产品的图像,所述待检测产品中包含圆形零件;
采用经训练的U-Net图像分割模型对所述图像进行分割,获得对应于所述圆形零件的目标区域的二值化图形;
提取所述二值化图形的边缘;
基于所述二值化图形的边缘提取特征数据;以及
基于所述特征数据采用经训练的SVM分类器进行分类,从而判别所述圆形零件是否有缺陷。
3.如权利要求2所述的圆形零件缺陷检测方法,其中,所述拟合计算采用最小二乘法。
4.如权利要求1-3中任一项所述的圆形零件缺陷检测方法,其中,所述提取所述二值化图形的边缘包括采用Sobel算子进行边缘检测。
6.如权利要求5所述的圆形零件缺陷检测方法,其中,所述U-Net图像分割模型中所使用的池化方法为最大池化法。
7.如权利要求1、5或6所述的圆形零件缺陷检测方法,其中,所述方法还包括离线训练所述U-Net图像分割模型。
9.如权利要求1或5所述的圆形零件缺陷检测方法,其中,所述方法还包括离线训练所述SVM分类器,其中包括:
采用所述经训练的U-Net图像分割模型对待检测产品样本的图像进行图像分割而得到对应于圆形零件的目标区域的二值化图形,提取该二值化图形的边缘,并基于该边缘提取特征数据,从而得到特征数据样本;
根据所述特征数据样本所对应的待检测产品样本中的圆形零件是否有缺陷,将所述特征数据样本进行分类,得到分类结果;以及
利用所述特征数据样本以及它们对应的分类结果训练所述SVM分类器。
10.如权利要求1所述的圆形零件缺陷检测方法,其中,所述处理为在线进行的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011226410.XA CN112396580B (zh) | 2020-11-05 | 2020-11-05 | 一种圆形零件缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011226410.XA CN112396580B (zh) | 2020-11-05 | 2020-11-05 | 一种圆形零件缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396580A true CN112396580A (zh) | 2021-02-23 |
CN112396580B CN112396580B (zh) | 2024-02-02 |
Family
ID=74598227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011226410.XA Active CN112396580B (zh) | 2020-11-05 | 2020-11-05 | 一种圆形零件缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396580B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991307A (zh) * | 2021-03-25 | 2021-06-18 | 中南大学 | 一种用于钻孔爆破的缺陷圆拟合方法、装置及介质 |
CN113781479A (zh) * | 2021-11-09 | 2021-12-10 | 聚时科技(江苏)有限公司 | 一种基于图像分割算法的半导体外观缺陷量化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127253A (zh) * | 2016-06-27 | 2016-11-16 | 北京航空航天大学 | 一种利用样本特征学习分类的红外弱小目标检测方法 |
CN106709909A (zh) * | 2016-12-13 | 2017-05-24 | 重庆理工大学 | 一种基于深度学习的柔性机器人视觉识别与定位系统 |
CN107481231A (zh) * | 2017-08-17 | 2017-12-15 | 广东工业大学 | 一种基于深度卷积神经网络的五金件缺陷分类识别方法 |
US20190188840A1 (en) * | 2017-12-19 | 2019-06-20 | Samsung Electronics Co., Ltd. | Semiconductor defect classification device, method for classifying defect of semiconductor, and semiconductor defect classification system |
CN110006907A (zh) * | 2019-04-10 | 2019-07-12 | 清华大学深圳研究生院 | 一种基于机器视觉的压铸件表面缺陷检测方法及系统 |
US20190333208A1 (en) * | 2018-04-25 | 2019-10-31 | Applied Materials Israel, Ltd. | Method of defect classification and system thereof |
US10468142B1 (en) * | 2018-07-27 | 2019-11-05 | University Of Miami | Artificial intelligence-based system and methods for corneal diagnosis |
CN111079556A (zh) * | 2019-11-25 | 2020-04-28 | 航天时代飞鸿技术有限公司 | 一种多时相无人机视频图像变化区域检测及分类方法 |
CN111681214A (zh) * | 2020-05-24 | 2020-09-18 | 哈尔滨理工大学 | 一种基于U-net网络的航空轴承表面铆钉检测方法 |
-
2020
- 2020-11-05 CN CN202011226410.XA patent/CN112396580B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127253A (zh) * | 2016-06-27 | 2016-11-16 | 北京航空航天大学 | 一种利用样本特征学习分类的红外弱小目标检测方法 |
CN106709909A (zh) * | 2016-12-13 | 2017-05-24 | 重庆理工大学 | 一种基于深度学习的柔性机器人视觉识别与定位系统 |
CN107481231A (zh) * | 2017-08-17 | 2017-12-15 | 广东工业大学 | 一种基于深度卷积神经网络的五金件缺陷分类识别方法 |
US20190188840A1 (en) * | 2017-12-19 | 2019-06-20 | Samsung Electronics Co., Ltd. | Semiconductor defect classification device, method for classifying defect of semiconductor, and semiconductor defect classification system |
US20190333208A1 (en) * | 2018-04-25 | 2019-10-31 | Applied Materials Israel, Ltd. | Method of defect classification and system thereof |
US10468142B1 (en) * | 2018-07-27 | 2019-11-05 | University Of Miami | Artificial intelligence-based system and methods for corneal diagnosis |
CN110006907A (zh) * | 2019-04-10 | 2019-07-12 | 清华大学深圳研究生院 | 一种基于机器视觉的压铸件表面缺陷检测方法及系统 |
CN111079556A (zh) * | 2019-11-25 | 2020-04-28 | 航天时代飞鸿技术有限公司 | 一种多时相无人机视频图像变化区域检测及分类方法 |
CN111681214A (zh) * | 2020-05-24 | 2020-09-18 | 哈尔滨理工大学 | 一种基于U-net网络的航空轴承表面铆钉检测方法 |
Non-Patent Citations (6)
Title |
---|
IOANNIS VALAVANIS 等: "Multiclass defect detection and classification in weld radiographic images using geometric and texture features", 《EXPERT SYSTEMS WITH APPLICATIONS》, pages 1 - 9 * |
李晓舟 等: "微小尺寸零件表面缺陷光学检测方法", 《兵工学报》, vol. 32, no. 7, pages 872 - 877 * |
杜晞盟: "基于机器视觉的端塞表面缺陷检测算法研究及实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, pages 138 - 1333 * |
王佳豪 等: "基于U-Net 和SVM 的圆形工业品形变缺陷检测方法", 《激光杂志》, vol. 41, no. 11, pages 25 - 31 * |
王煜 等: "基于支持向量机的规则零件检测技术研究", 《电子测量技术》, vol. 35, no. 1, pages 80 - 84 * |
郭正胜 等: "U型卷积神经网络的ZY-3影像道路提取方法", 《测绘科学》, vol. 45, no. 4, pages 51 - 57 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991307A (zh) * | 2021-03-25 | 2021-06-18 | 中南大学 | 一种用于钻孔爆破的缺陷圆拟合方法、装置及介质 |
CN113781479A (zh) * | 2021-11-09 | 2021-12-10 | 聚时科技(江苏)有限公司 | 一种基于图像分割算法的半导体外观缺陷量化方法 |
CN113781479B (zh) * | 2021-11-09 | 2022-04-12 | 聚时科技(江苏)有限公司 | 一种基于图像分割算法的半导体外观缺陷量化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112396580B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316300B (zh) | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 | |
CN108345911B (zh) | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
Xiao et al. | Surface defect detection using image pyramid | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN112200121B (zh) | 基于evm和深度学习的高光谱未知目标检测方法 | |
CN109003275B (zh) | 焊缝缺陷图像的分割方法 | |
Marques et al. | Automatic road pavement crack detection using SVM | |
CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
Bruinink et al. | Portable, automatic water level estimation using mobile phone cameras | |
CN113591948A (zh) | 一种缺陷模式识别方法、装置、电子设备和存储介质 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN114612472A (zh) | 一种基于SegNet改进的皮革缺陷分割网络算法 | |
CN112991271A (zh) | 基于改进yolov3的铝型材表面缺陷视觉检测方法 | |
CN113870202A (zh) | 一种基于深度学习技术的远端芯片缺陷检测系统 | |
CN110866931B (zh) | 图像分割模型训练方法及基于分类的强化图像分割方法 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 |
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 |