CN112418131A - 一种基于半锚式检测器的目标检测方法 - Google Patents
一种基于半锚式检测器的目标检测方法 Download PDFInfo
- Publication number
- CN112418131A CN112418131A CN202011381559.5A CN202011381559A CN112418131A CN 112418131 A CN112418131 A CN 112418131A CN 202011381559 A CN202011381559 A CN 202011381559A CN 112418131 A CN112418131 A CN 112418131A
- Authority
- CN
- China
- Prior art keywords
- semi
- image
- prediction
- anchor
- target detection
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 230000007547 defect Effects 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000011478 gradient descent method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 208000025174 PANDAS Diseases 0.000 claims description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 3
- 235000016496 Panda oleosa Nutrition 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 240000000220 Panda oleosa Species 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 240000004718 Panda Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (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半锚式检测器的目标检测方法,获取目标检测图像;将所述目标检测图像中的缺陷进行标注,将标注之后的目标检测图像进行可视化;根据不同缺陷的目标检测图像对应的数据量占比,将目标检测图像分为训练图像和测试图像;搭建半锚式检测器模型结构,输入所述训练图像,利用梯度下降法和focal损失来训练半锚式检测器模型结构,反复学习后得到收敛后的半锚式检测器模型;利用所述测试图像对半锚式检测器模型进行测试,若所述半锚式检测器模型的准确率大于阈值,则输出半锚式检测器模型。本发明可以提高产线上酒瓶缺陷检测的速度和准确率。
Description
技术领域
本发明涉及深度学习计算机视觉领域,具体涉及一种基于半锚式检测器的目标检测方法。
背景技术
酒瓶制造厂家在酒瓶的生产过程中,可能会出现瓶身和瓶盖上的缺陷,传统的缺陷检测主要有人工来完成酒瓶的质量检测,由于产线上酒瓶的制造数量庞大,造成检测的任务量巨大,并且易出现漏检;随着工业化程度的普及,生产上开始使用机器代替人工进行缺陷检测,现有技术的缺陷检测通常是在检测装置上设置阈值范围,根据阈值范围来确定检测目标是否存在缺陷;这种检测方法只能针对单一的缺陷种类进行设置,若需要同时检测多种缺陷种类,则需要多台检测机器依次进行检测,严重影响检测效率。
随着人工智能研究不断取得新的成果,各行业都在不断融合人工智能算法来提高生产和监管的智能化,其中计算机视觉的酒瓶缺陷检测领域也越来越普及。采用计算机视觉算法,利用摄像头拍摄酒瓶就能立即判断酒瓶是否含有缺陷,解放人工,计算机视觉领域的应用中对检测模型的准确率要求极高,因此对检测模型的训练过程要求也很严格,因此,如何选择合适的检测模型,如何对检测模型进行高效率的训练,以确保训练之后检测模型的准确性和效率成为计算机视觉领域急需解决的问题。
发明内容
针对现有技术的不足,本发明的目的旨在提供一种基于半锚式检测器的目标检测方法,提高了缺陷预测的速度和准确度。
为实现上述目的,本发明采用如下技术方案:一种基于半锚式检测器的目标检测方法,包括如下步骤:
S01:获取目标检测图像;
S02:将所述目标检测图像中的缺陷进行标注,将标注之后的目标检测图像进行可视化,获取不同缺陷的目标检测图像对应的数据量占比;
S03:根据不同缺陷的目标检测图像对应的数据量占比,将目标检测图像分为训练图像和测试图像;所述训练图像和测试图像均包含各个种类缺陷的目标检测图像;
S04:搭建半锚式检测器模型结构,输入所述训练图像,利用梯度下降法和focal损失来训练半锚式检测器模型结构,反复学习后得到收敛后的半锚式检测器模型;其中,所述半锚式检测器模型结构包括特征提取部分、分类分支和预测框回归分支;所述特征提取部分的输出端同时连接所述分类分支和预测框回归分支的输入端;
S05:利用所述测试图像对半锚式检测器模型进行测试,若所述半锚式检测器模型的准确率大于阈值,则输出半锚式检测器模型;若半锚式检测器模型的准确率小于等于阈值,则返回步骤S04重新对所述半锚式检测器模型结构进行训练。
进一步的,所述步骤S01中利用工业相机拍摄生产线上的酒瓶图像作为目标检测图像。
进一步的,所述工业相机为两个,分别拍摄瓶盖图像和瓶身图像,所述瓶盖图像和瓶身图像共同形成目标检测图像。
进一步的,所述步骤S02利用panda库和matplotlib库将标注之后的目标检测图像进行可视化。
进一步的,所述步骤S04具体包括:
S041:所述训练图像输入至特征提取部分进行特征提取,获得该训练图像的特征图;
S042:将所述特征图同时输入至分类分支和预测框回归分支;所述分类分支输出预测类别值,所述预测框回归分支输出预测框的角点坐标值和预测框的类别预测值;
S043:综合所述预测类别值、预测框的角点坐标值和预测框的类别预测值,利用梯度下降法和focal损失来训练半锚式检测器模型结构。
进一步的,所述分类分支包括四个1×1×255的卷积层一个1×1×C的卷积层,C表示目标检测图像中的缺陷种类数。
进一步的,所述预测类别值的获取方法如下:
将提取的特征图经过四个1×1×255的卷积层和一个1×1×C的卷积层得到锚点的分类预测值Y,其中每个通道上的像素点代表预测为前景的置信分数yi,通过如下公式将置信分数yi转换为初始预测类别值:
其中,K表示每个位置关联的不同比例的预测框的个数;
对初始预测类别值进行如下分类:
然后求每个通道上该点的最大值,即为预测类别值:
进一步的,所述预测框回归分支包括四个1×1×255的卷积层、一个1×1×4K的卷积层和一个1×1×K的卷积层;所述四个1×1×255的卷积层依次连接,且最后一个1×1×255卷积层的输出端分别连接1×1×4K卷积层和1×1×K卷积层的输入端,K表示每个位置关联的不同比例的预测框的个数。
进一步的,还包括S06:获得最终的模型应用在现场识别系统上进行调试;所述现场识别系统包括工业相机和生产酒瓶的生产线;所述工业相机包括两个,分别用于拍摄生产线上的瓶身图像和瓶盖图像。
本发明的有益效果在于:本发明利用计算机视觉算法,识别的速度和精度都要远远优与人工,大大提升了生产之后的检测效率和精度,缩短了酒瓶生产的制造周期,同时,保证了酒瓶的质量检测后的良品率;本发明算法的结合了anchor-free的预测速度快,超参数少和anchor-based的精度高数据,不会产生类不平衡问题两中方案的优点,综合提升了预测的精度,可以达到完成具有类别数量不平衡和缺陷尺度变换范围大的酒瓶缺陷检测任务的要求;本发明算法在没有锚的情况下对feature map中的位置进行分类。在分类中,我们可以将锚点的正候选点与负候选点的比率从1:1400提高到位置的1:200。对于回归,我们为每个位置关联多个锚点,并从锚点学习前景位置的边界框,并且我们附加一个锚分类头来识别每个位置的前景锚来提升性能。
附图说明
图1为本发明是利用工业相机采集的原始含有瓶盖缺陷的图像;
图2为本发明是利用工业相机采集的原始含有瓶身缺陷的图像;
图3为本发明是利用matlabplot可视化酒瓶缺陷的数据的类别分布图;
图4为本发明中半锚式目标检测器的网络结构框架图;
图5为本发明利用半锚式目标检测器训练酒瓶缺陷数据之后进行预测生产的图像;
图6为本发明中对模型进行现场测试的一个简化系统图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述:
本发明中检测方法可以适用于任意产品缺陷检测领域,这里以酒瓶缺陷检测领域为例进行说明:
一种基于半锚式检测器的目标检测方法,包括如下步骤:
S01:获取目标检测图像;
因为酒瓶缺陷可能在瓶盖和瓶身,所以将分别采集瓶身和瓶盖的图片。
采用高精度的工业相机拍摄在生产环境下的缺陷酒瓶照片,需要在两个地方布置相机,一个采集瓶盖图像,一个进行采集瓶身图像,如图1和图2;瓶盖图像和瓶身图像共同形成目标检测图像。
将图片利用opencv库全部统一成416×416大小,保证网络的输入的固定大小。
S02:将目标检测图像中的缺陷进行标注,将标注之后的目标检测图像进行可视化,获取不同缺陷的目标检测图像对应的数据量占比。
根据所有缺陷类别,制定出所有缺陷特征的标准,一种分为10种缺陷:瓶盖破损、瓶盖变形、瓶盖坏边、瓶盖打旋、瓶盖断点、标贴歪斜、标贴起皱、标贴气泡、喷码正常、喷码异常。
标注整理完之后,将所有标注信息数据利用panda库和matplotlib库等进行数据可视化,查看数据的分布情况,以及缺陷特征各种类型的数据量占比,如图3可以看出各种特征的比例关系。然后利用目标分割的标记软件LabelImg对缺陷进行人工标注,将所有图片中的缺陷进行框选和标记分类,得到图像的标注信息文件。
S03:根据不同缺陷的目标检测图像对应的数据量占比,将目标检测图像分为训练图像和测试图像;训练图像和测试图像均包含各个种类缺陷的目标检测图像。
然后按照COCO数据集的格式,对数据和对应标注文件就进行整理,分成训练图像和测试图像三部分;在分类过程中保证每个类别的数据量都足够模型进行学习,保证数据的均衡性。这里的训练图像指的是所有用来训练模型的图像;测试图像指的是所有用来测试模型的图像;除此以外,还可以设置验证图像,验证图像用于在模型训练之后,模型测试之前对模型的预测效果进行验证。
S04:搭建半锚式检测器模型结构,输入训练图像,利用梯度下降法和focal损失来训练半锚式检测器模型结构,反复学习后得到收敛后的半锚式检测器模型;其中,半锚式检测器模型结构包括特征提取部分、分类分支和预测框回归分支;特征提取部分的输出端同时连接所述分类分支和预测框回归分支的输入端。
本步骤具体包括:
S041:训练图像输入至特征提取部分进行特征提取,获得该训练图像的特征图;半锚式检测器模型结构的特征提取部分采用的是基于ResNet101的特征金字塔结构,一个自底向上的线路(网络的前向过程),一个自顶向下的线路(采用上采样进行),横向连接,这种结构可以综合低层的目标位置的准确性和高层语义信息的丰富性。
S042:将特征图同时输入至分类分支和预测框回归分支;分类分支输出预测类别值,预测框回归分支输出预测框的角点坐标值和预测框的类别预测值。
(1)特征提取后的网络分支一,分类分支用于实现分类任务,如附图4所示,将提取的特征图经过四个层1×1×255的卷积操作,然后经过再经过1×1×C(其中C代表目标检测的对象数目)的卷积得到锚点的分类预测值Y,其中每个通道上的像素点代表预测为前景的置信分数yi,然后将其转化成初始预测类别值的公式如下:
K代表的是基于一般锚的方法一样,每个锚点关联有K个不同比例的锚框。
同时,利用如下公式将y小于1的预测为背景,并且可以解决类别不平衡,背景数量太多,对训练造成学习缓慢,精度不够的情况:
然后求每个通道上该点的最大值,当做预测类别值:
(2)特征提取后的网络分支二,预测框回归分支用于实现预测框回归任务,如附图4所示,同样也是将特征提取得到的特征图经过四个卷积后,然后用两个不同的卷积核,分别是1×1×4K和1×1×K(K代表设置的每个位置关联的不同比例的锚框的个数)来输出得到模型预测的预测框的角点坐标值和预测框的类别预测值,其中K个锚点应该输出的哪个的概率公式为:
S043:综合预测类别值、预测框的角点坐标值和预测框的类别预测值,利用梯度下降法和focal损失来训练半锚式检测器模型结构。
最后通过focalloss损失函数来学习该分类器:
最后综合两个分支的目标函数,通过梯度下降法来对模型进行拟合数据来训练该检测器模型:
S05:利用测试图像对半锚式检测器模型进行测试,若半锚式检测器模型的准确率大于阈值,则输出半锚式检测器模型;若半锚式检测器模型的准确率小于等于阈值,则返回步骤S04重新对所述半锚式检测器模型结构进行训练。
(1)模型训练拟合之后,可以初步利用测试集数据对模型进行一个测试,查看模型对新的数据的缺陷检测的精度如何。大致的效果图如图5所示。先粗略查看模型是否出现基本的错误(标签对应出错、明显缺陷未检测出等),如果有,就需要重新检查数据标注信息和训练文件的设置信息。
(2)如果没有出现基本错误,那么可以评估模型对的各类缺陷的检测能力,计算各类别的AP(average precision)值和MAP(mean average precision)值。观察每个类别的AP值,然后可以得到哪些类别的识别精度还不够高,针对性的对该类数据进行数据增强等操作,来提高模型的整体检测精度。
(3)直到loss损失函数的值比较稳定,那么当前数据的拟合程度就大概达到稳定状态,说明此时半锚式检测器模型的准确率大于阈值,可以输出半锚式检测器模型。如果精度还不够,说明半锚式检测器模型的准确率小于等于阈值,就需要继续添加数据丰富性,或者采用数据增强手段,获得不同角度,亮度等数据,来提高数据的多样性,可以提升模型的精度,此时,返回步骤S04采用完善的数据继续进行模型训练。
S06:获得最终的模型到现场的识别系统上进行调试。
最终当模型的训练精度足够高和足够稳定和达到各项模型的评估指标达到要求之后,可以加载到现场进行测试,我们利用图6的系统结构对模型进行实时测试,利用固定安装的工业相机采集到生产的酒瓶图像(另一个采集酒瓶瓶盖的摄像头和这个类似,未在图中画出),然后传给电脑输入到模型中,进行缺陷的检测,观察检测的效果是否稳定,不稳定,就需要对比现场的环境是都发生变化,如果变化需要重新采集新的图像数据,然后进行训练学习,来提高模型的识别精度直到模型能稳定检测出图像中的缺陷。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (9)
1.一种基于半锚式检测器的目标检测方法,其特征在于,包括如下步骤:
S01:获取目标检测图像;
S02:将所述目标检测图像中的缺陷进行标注,将标注之后的目标检测图像进行可视化,获取不同缺陷的目标检测图像对应的数据量占比;
S03:根据不同缺陷的目标检测图像对应的数据量占比,将目标检测图像分为训练图像和测试图像;所述训练图像和测试图像均包含各个种类缺陷的目标检测图像;
S04:搭建半锚式检测器模型结构,输入所述训练图像,利用梯度下降法和focal损失来训练半锚式检测器模型结构,反复学习后得到收敛后的半锚式检测器模型;其中,所述半锚式检测器模型结构包括特征提取部分、分类分支和预测框回归分支;所述特征提取部分的输出端同时连接所述分类分支和预测框回归分支的输入端;
S05:利用所述测试图像对半锚式检测器模型进行测试,若所述半锚式检测器模型的准确率大于阈值,则输出半锚式检测器模型;若半锚式检测器模型的准确率小于等于阈值,则返回步骤S04重新对所述半锚式检测器模型结构进行训练。
2.根据权利要求1所述的一种基于半锚式检测器的目标检测方法,其特征在于,所述步骤S01中利用工业相机拍摄生产线上的酒瓶图像作为目标检测图像。
3.根据权利要求2所述的一种基于半锚式检测器的目标检测方法,其特征在于,所述工业相机为两个,分别拍摄瓶盖图像和瓶身图像,所述瓶盖图像和瓶身图像共同形成目标检测图像。
4.根据权利要求1所述的一种基于半锚式检测器的目标检测方法,其特征在于,所述步骤S02利用panda库和matplotlib库将标注之后的目标检测图像进行可视化。
5.根据权利要求1所述的一种基于半锚式检测器的目标检测方法,其特征在于,所述步骤S04具体包括:
S041:所述训练图像输入至特征提取部分进行特征提取,获得该训练图像的特征图;
S042:将所述特征图同时输入至分类分支和预测框回归分支;所述分类分支输出预测类别值,所述预测框回归分支输出预测框的角点坐标值和预测框的类别预测值;
S043:综合所述预测类别值、预测框的角点坐标值和预测框的类别预测值,利用梯度下降法和focal损失来训练半锚式检测器模型结构。
6.根据权利要求5所述的一种基于半锚式检测器的目标检测方法,其特征在于,所述分类分支包括四个1×1×255的卷积层一个1×1×C的卷积层,C表示目标检测图像中的缺陷种类数。
8.根据权利要求5所述的一种基于半锚式检测器的目标检测方法,其特征在于,所述预测框回归分支包括四个1×1×255的卷积层、一个1×1×4K的卷积层和一个1×1×K的卷积层;所述四个1×1×255的卷积层依次连接,且最后一个1×1×255卷积层的输出端分别连接1×1×4K卷积层和1×1×K卷积层的输入端,K表示每个位置关联的不同比例的预测框的个数。
9.根据权利要求1所述的一种基于半锚式检测器的目标检测方法,其特征在于,还包括S06:获得最终的模型应用在现场识别系统上进行调试;所述现场识别系统包括工业相机和生产酒瓶的生产线;所述工业相机包括两个,分别用于拍摄生产线上的瓶身图像和瓶盖图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011381559.5A CN112418131A (zh) | 2020-12-01 | 2020-12-01 | 一种基于半锚式检测器的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011381559.5A CN112418131A (zh) | 2020-12-01 | 2020-12-01 | 一种基于半锚式检测器的目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418131A true CN112418131A (zh) | 2021-02-26 |
Family
ID=74830675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011381559.5A Pending CN112418131A (zh) | 2020-12-01 | 2020-12-01 | 一种基于半锚式检测器的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418131A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862832A (zh) * | 2022-05-31 | 2022-08-05 | 北京中祥英科技有限公司 | 缺陷检测模型的优化方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687132A (zh) * | 2019-10-08 | 2020-01-14 | 嘉兴凡视智能科技有限公司 | 一种基于深度学习算法的液体内异物与气泡智能视觉检测系统 |
CN111776392A (zh) * | 2020-08-11 | 2020-10-16 | 镁伽科技(深圳)有限公司 | 贴标设备、装置和系统及贴标方法及存储介质 |
CN111914013A (zh) * | 2020-08-13 | 2020-11-10 | 傲普(上海)新能源有限公司 | 基于pandas库与InfluxDB数据库的数据管理方法、系统、终端及介质 |
-
2020
- 2020-12-01 CN CN202011381559.5A patent/CN112418131A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687132A (zh) * | 2019-10-08 | 2020-01-14 | 嘉兴凡视智能科技有限公司 | 一种基于深度学习算法的液体内异物与气泡智能视觉检测系统 |
CN111776392A (zh) * | 2020-08-11 | 2020-10-16 | 镁伽科技(深圳)有限公司 | 贴标设备、装置和系统及贴标方法及存储介质 |
CN111914013A (zh) * | 2020-08-13 | 2020-11-10 | 傲普(上海)新能源有限公司 | 基于pandas库与InfluxDB数据库的数据管理方法、系统、终端及介质 |
Non-Patent Citations (1)
Title |
---|
LEI CHEN ET.AL: "Semi-Anchored Detector for One-Stage Object Detection", 《ARXIV:2009.04989V1》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862832A (zh) * | 2022-05-31 | 2022-08-05 | 北京中祥英科技有限公司 | 缺陷检测模型的优化方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
CN109740676B (zh) | 基于相似目标的物体检测迁移方法 | |
CN113077453A (zh) | 一种基于深度学习的电路板元器件缺陷检测方法 | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
CN110310262A (zh) | 一种用于检测轮胎缺陷的方法、装置及系统 | |
CN112686833B (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 | |
CN109376580B (zh) | 一种基于深度学习的电力塔架部件识别方法 | |
CN112184679A (zh) | 一种基于YOLOv3的酒瓶瑕疵自动检测方法 | |
CN111522951A (zh) | 一种基于图像识别的敏感数据识别与分类的技术方法 | |
CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
CN117152484B (zh) | 基于改进的YOLOv5s的小目标布匹瑕疵检测方法 | |
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 | |
CN111368703A (zh) | 一种基于fpn的台标检测与识别的方法 | |
US12094098B2 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
CN112233088B (zh) | 基于改进的Faster-rcnn的制动软管丢失检测方法 | |
CN111368682A (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
CN111652846B (zh) | 一种基于特征金字塔卷积神经网络的半导体缺陷识别方法 | |
CN113763364B (zh) | 一种基于卷积神经网络的图像缺陷检测方法 | |
CN111091534A (zh) | 一种基于目标检测的pcb板缺陷检测与定位方法 | |
CN112418131A (zh) | 一种基于半锚式检测器的目标检测方法 | |
Zhang et al. | DSA-Net: An Attention-Guided Network for Real-Time Defect Detection of Transmission Line Dampers Applied to UAV Inspections | |
CN116310293B (zh) | 一种基于弱监督学习的生成高质量候选框目标检测方法 | |
CN112364687A (zh) | 一种基于改进的Faster R-CNN加油站静电标志识别方法及系统 | |
CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |