CN112541889A - 一种多层级模型的复杂纹理对象表面缺陷检测方法 - Google Patents
一种多层级模型的复杂纹理对象表面缺陷检测方法 Download PDFInfo
- Publication number
- CN112541889A CN112541889A CN202011399614.3A CN202011399614A CN112541889A CN 112541889 A CN112541889 A CN 112541889A CN 202011399614 A CN202011399614 A CN 202011399614A CN 112541889 A CN112541889 A CN 112541889A
- Authority
- CN
- China
- Prior art keywords
- complex texture
- texture object
- image
- defect detection
- complex
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 238000003909 pattern recognition Methods 0.000 claims abstract description 15
- 238000013136 deep learning model Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000011895 specific detection Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 235000020061 kirsch Nutrition 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10024—Color 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
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)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多层级模型的复杂纹理对象表面缺陷检测方法，包括以下步骤：获取复杂纹理对象表面图像；设计得到基于检测规则的复杂纹理对象表面缺陷检测模型；构建缺陷检测的分类器，训练得到基于模式识别的表面缺陷检测模型；训练得到缺陷检测的深度学习模型；将上述三种模型进行层级连接并进行缺陷实时检测；当检测到表面缺陷时，发出预警报警信号。上述技术方案通过对基于检测规则的复杂纹理对象表面缺陷检测模型、基于模式识别的表面缺陷检测模型和缺陷检测的深度学习模型三种模型进行层级连接，实现对复杂纹路对象表面缺陷实时检测，从而达到对存在表面缺陷的复杂纹路对象进行预警报警，提高工作效率，降低漏报率，保障产品质量。
Description
技术领域
本发明涉及计算机视觉算法技术领域，尤其涉及一种多层级模型的复杂纹理对象表面缺陷检测方法。
背景技术
表面缺陷自动检测技术始于20世纪70年代，到20世纪末，德国、美国、日本等发达国家已经开发了具有实用价值的机器视觉表面在线检测系统。机器视觉检测技术按其所处理的数据类型划分，可以分为基于二值图像、灰度图像、彩色图像以及深度图像的检测，目前的表面检测系统一般采用灰度图像检测方法。灰度图像检测方法通过摄像机采集物体表面灰度图像，根据缺陷区域在灰度上的变化，对灰度图像进行处理，并利用缺陷的灰度特征对缺陷进行检测与识别。
复杂纹理对象缺陷在复杂纹理对象中形态多样，多呈现碎小和细长形态。针对碎小细长复杂背景的表面缺陷检测一直是工业视觉检测的难点，传统视觉检测需要针对每一种负样本(复杂纹理对象缺陷)建立检测模型，保证工业生产过程对低漏报率的要求。
中国专利文献CN102288613B公开了一种“灰度和深度信息融合的表面缺陷检测方法”。通过灰度与深度信息的融合提高缺陷检测与识别的准确率，并可应用于复杂形状和复杂表面的物体检测。利用单台彩色面阵CCD摄像机与多台不同颜色光源的组合采集物体表面的灰度图像与深度图像，其中深度信息的获取通过面结构光方式得到。通过深度图像与灰度图像的像素级融合进行图像的分割和缺陷边缘提取，从而可以更准确地检测缺陷所在的区域。根据检测到的缺陷区域，从灰度图像中提取缺陷的灰度特征、纹理特征以及二维几何特征，从深度图像中提取缺陷的三维几何特征，并进行特征级的融合，将融合后的特征量作为分类器的输入进行缺陷的分类，从而实现缺陷的识别。上述技术方案难以对复杂纹路进行有效检测。
发明内容
本发明主要解决原有的复杂纹路检测困难，人工漏报率高技术问题，提供一种多层级模型的复杂纹理对象表面缺陷检测方法，通过对基于检测规则的复杂纹理对象表面缺陷检测模型、基于模式识别的表面缺陷检测模型和缺陷检测的深度学习模型三种模型进行层级连接，实现对复杂纹路对象表面缺陷实时检测，从而达到对存在表面缺陷的复杂纹路对象进行预警报警，提高工作效率，降低漏报率，保障产品质量。
本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：
(1)获取复杂纹理对象表面图像；
(2)设计得到基于检测规则的复杂纹理对象表面缺陷检测模型；
(3)构建缺陷检测的分类器，训练得到基于模式识别的表面缺陷检测模型；
(4)训练得到缺陷检测的深度学习模型；
(5)将上述三种模型进行层级连接并进行缺陷实时检测；
(6)当检测到表面缺陷时，发出预警报警信号。
作为优选，所述的步骤1中的复杂纹理对象表面图像包括复杂纹理对象各个加工工序表面图像。
作为优选，所述的步骤2根据已有的复杂纹理对象缺陷图像样本建立特定的检测规则，包括对图像预处理及复杂纹理对象缺陷的形状特征规则确定，所述预处理具体包括：对复杂纹理对象图像进行图像增强处理、图像去噪处理及图像分割处理中的一种或几种。
作为优选，所述的图像增强处理为灰度变换、直方图均衡中的一种或几种，所述图像去噪处理为基于空域和频域的各种滤波算法中的一种或多种，图像分割方法为基于阈值的分割方法、区域生长法、聚类分割法及基于边缘的分割方法中的一种。
作为优选，所述的基于阈值的分割方法为固定阈值法、自适应阈值法中的一种；基于边缘的分割方法为Robert算子、Sobel算子、Prewitt算子、Kirsch算子、Canny算子、Log算子、Laplacian算子中的一种。
作为优选，所述的复杂纹理对象的形状特征规则为面积、周长、质心、分散度、矩形度、长宽比、方向、区域的矩形度、圆形度、球形度、偏心率、面积周长比、细度、Hu不变矩特征中的一种或多种。
作为优选，所述的步骤3基于模式识别的复杂纹理对象表面缺陷检测，包括图像特征提取、特征选择及特征融合，所述图像特征提取包括纹理特征、形状特征及颜色特征中的一种或几种。
作为优选，所述的纹理特征包括灰度共生矩GLCM、LBP纹理、傅里叶变换、Gabor滤波器、小波变换、Laws纹理中的一种或多种；所述形状特征包括面积、周长、质心、分散度、矩形度、长宽比、方向、区域的矩形度、圆形度、球形度、偏心率、面积周长比、细度、Hu不变矩特征中的一种或多种；所述颜色特征包括颜色直方图、颜色集、颜色矩和颜色聚合向量中的一种或多种。
作为优选，所述的特征选择的方法为主成分分析法PCA、独立成分分析法ICA、Fisher分析法FDA、相关分析法CFS、自组织映射法SOM、Relief法、遗传算法、模拟退火法、Tabu搜索法中的一种。
作为优选，所述的步骤4中的深度学习模型为DCGAN、WGAN、WGAN-GP、LSGAN或FCN中的一种。
本发明的有益效果是：通过对基于检测规则的复杂纹理对象表面缺陷检测模型、基于模式识别的表面缺陷检测模型和缺陷检测的深度学习模型三种模型进行层级连接，实现对复杂纹路对象表面缺陷实时检测，从而达到对存在表面缺陷的复杂纹路对象进行预警报警，提高工作效率，降低漏报率，保障产品质量。
附图说明
图1是本发明的一种流程图。
图2是本发明的一种原理连接结构框图。
图3是本发明的一种模式识别特征融合实例图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。实施例：本实施例的一种多层级模型的复杂纹理对象表面缺陷检测方法，如图1所示，包括以下步骤：
(1)获取复杂纹理对象表面图像，复杂纹理对象表面图像包括复杂纹理对象各个加工工序表面图像。
(2)根据已有的复杂纹理对象缺陷图像样本建立特定的检测规则，包括对图像预处理及复杂纹理对象缺陷的形状特征规则确定，设计得到基于检测规则的复杂纹理对象表面缺陷检测模型。复杂纹理对象的形状特征规则为面积、周长、质心、分散度、矩形度、长宽比、方向、区域的矩形度、圆形度、球形度、偏心率、面积周长比、细度、Hu不变矩特征中的一种或多种。
预处理具体包括：对复杂纹理对象图像进行图像增强处理、图像去噪处理及图像分割处理中的一种或几种。图像增强处理为灰度变换、直方图均衡中的一种或几种，图像去噪处理为基于空域和频域的各种滤波算法中的一种或多种，图像分割方法为基于阈值的分割方法、区域生长法、聚类分割法及基于边缘的分割方法中的一种。基于阈值的分割方法为固定阈值法、自适应阈值法中的一种；基于边缘的分割方法为Robert算子、Sobel算子、Prewitt算子、Kirsch算子、Canny算子、Log算子、Laplacian算子中的一种。
(3)构建缺陷检测的分类器，训练得到基于模式识别的表面缺陷检测模型。基于模式识别的复杂纹理对象表面缺陷检测，包括图像特征提取、特征选择及特征融合，所述图像特征提取包括纹理特征、形状特征及颜色特征中的一种或几种。特征选择的方法为主成分分析法PCA、独立成分分析法ICA、Fisher分析法FDA、相关分析法CFS、自组织映射法SOM、Relief法、遗传算法、模拟退火法、Tabu搜索法中的一种。
纹理特征包括灰度共生矩GLCM、LBP纹理、傅里叶变换、Gabor滤波器、小波变换、Laws纹理中的一种或多种；形状特征包括面积、周长、质心、分散度、矩形度、长宽比、方向、区域的矩形度、圆形度、球形度、偏心率、面积周长比、细度、Hu不变矩特征中的一种或多种；颜色特征包括颜色直方图、颜色集、颜色矩和颜色聚合向量中的一种或多种。
(4)训练得到缺陷检测的深度学习模型，深度学习模型为DCGAN、WGAN、WGAN-GP、LSGAN或FCN中的一种。
(5)将上述三种模型进行层级连接并进行缺陷实时检测。
(6)当检测到表面缺陷时，发出预警报警信号。
一种多层级模型的复杂纹理对象表面缺陷检测系统，包括获取模块、规则检测模块、模式识别模块、深度学习训练模块、实时检测模块和报警模块；
获取模块，用于获取复杂纹理对象表面复杂纹理对象图像。
规则检测模块，用于根据已有的复杂纹理对象缺陷图像样本建立特定的检测规则，包括：图像预处理及复杂纹理对象缺陷的形状特征确定，设计得到基于检测规则的复杂纹理对象表面缺陷检测模型。
模式识别模块，用于基于模式识别的复杂纹理对象表面缺陷检测包括：复杂纹理对象图像特征提取、特征选择及特征融合；根据提取的复杂纹理对象图像特征构建复杂纹理对象缺陷检测的分类器，训练得到基于模式识别的复杂纹理对象表面缺陷检测模型。
深度学习训练模块，用于基于深度学习的复杂纹理对象表面缺陷检测，即根据复杂纹理对象图像训练复杂纹理对象缺陷检测的深度学习模型。
实时检测模块，用于将三种模型层级连接，进行复杂纹理对象缺陷实时检测。
报警模块，用于系统检测到复杂纹理对象表面缺陷时，发出预警报警信号。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了检测规则、模式识别等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种多层级模型的复杂纹理对象表面缺陷检测方法，其特征在于，包括以下步骤：
(1)获取复杂纹理对象表面图像；
(2)设计得到基于检测规则的复杂纹理对象表面缺陷检测模型；
(3)构建缺陷检测的分类器，训练得到基于模式识别的表面缺陷检测模型；
(4)训练得到缺陷检测的深度学习模型；
(5)将上述三种模型进行层级连接并进行缺陷实时检测；
(6)当检测到表面缺陷时，发出预警报警信号。
2.根据权利要求1所述的一种多层级模型的复杂纹理对象表面缺陷检测方法，其特征在于，所述步骤1中的复杂纹理对象表面图像包括复杂纹理对象各个加工工序表面图像。
3.根据权利要求1所述的一种多层级模型的复杂纹理对象表面缺陷检测方法，其特征在于，所述步骤2根据已有的复杂纹理对象缺陷图像样本建立特定的检测规则，包括对图像预处理及复杂纹理对象缺陷的形状特征规则确定，所述预处理具体包括：对复杂纹理对象图像进行图像增强处理、图像去噪处理及图像分割处理中的一种或几种。
4.根据权利要求3所述的一种多层级模型的复杂纹理对象表面缺陷检测方法，其特征在于，所述图像增强处理为灰度变换、直方图均衡中的一种或几种，所述图像去噪处理为基于空域和频域的各种滤波算法中的一种或多种，图像分割方法为基于阈值的分割方法、区域生长法、聚类分割法及基于边缘的分割方法中的一种。
5.根据权利要求4所述的一种多层级模型的复杂纹理对象表面缺陷检测方法，其特征在于，所述基于阈值的分割方法为固定阈值法、自适应阈值法中的一种；基于边缘的分割方法为Robert算子、Sobel算子、Prewitt算子、Kirsch算子、Canny算子、Log算子、Laplacian算子中的一种。
6.根据权利要求3所述的一种多层级模型的复杂纹理对象表面缺陷检测方法，其特征在于，所述复杂纹理对象的形状特征规则为面积、周长、质心、分散度、矩形度、长宽比、方向、区域的矩形度、圆形度、球形度、偏心率、面积周长比、细度、Hu不变矩特征中的一种或多种。
7.根据权利要求1所述的一种多层级模型的复杂纹理对象表面缺陷检测方法，其特征在于，所述步骤3基于模式识别的复杂纹理对象表面缺陷检测，包括图像特征提取、特征选择及特征融合，所述图像特征提取包括纹理特征、形状特征及颜色特征中的一种或几种。
8.根据权利要求7所述的一种多层级模型的复杂纹理对象表面缺陷检测方法，其特征在于，所述纹理特征包括灰度共生矩GLCM、LBP纹理、傅里叶变换、Gabor滤波器、小波变换、Laws纹理中的一种或多种；所述形状特征包括面积、周长、质心、分散度、矩形度、长宽比、方向、区域的矩形度、圆形度、球形度、偏心率、面积周长比、细度、Hu不变矩特征中的一种或多种；所述颜色特征包括颜色直方图、颜色集、颜色矩和颜色聚合向量中的一种或多种。
9.根据权利要求7所述的一种多层级模型的复杂纹理对象表面缺陷检测方法，其特征在于，所述特征选择的方法为主成分分析法PCA、独立成分分析法ICA、Fisher分析法FDA、相关分析法CFS、自组织映射法SOM、Relief法、遗传算法、模拟退火法、Tabu搜索法中的一种。
10.根据权利要求1所述的一种多层级模型的复杂纹理对象表面缺陷检测方法，其特征在于，所述步骤4中的深度学习模型为DCGAN、WGAN、WGAN-GP、LSGAN或FCN中的一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011399614.3A CN112541889A (zh) | 2020-12-02 | 2020-12-02 | 一种多层级模型的复杂纹理对象表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011399614.3A CN112541889A (zh) | 2020-12-02 | 2020-12-02 | 一种多层级模型的复杂纹理对象表面缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112541889A true CN112541889A (zh) | 2021-03-23 |
Family
ID=75015742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011399614.3A Pending CN112541889A (zh) | 2020-12-02 | 2020-12-02 | 一种多层级模型的复杂纹理对象表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541889A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158994A (zh) * | 2021-05-21 | 2021-07-23 | 河南科技大学 | 一种用于小麦正常粒识别的方法 |
| CN113781430A (zh) * | 2021-09-09 | 2021-12-10 | 北京云屿科技有限公司 | 一种基于深度学习的手套表面缺陷检测方法及系统 |
| CN113808084A (zh) * | 2021-08-25 | 2021-12-17 | 杭州安脉盛智能技术有限公司 | 一种模型融合的在线烟包表面霉变检测方法及系统 |
| CN114155186A (zh) * | 2021-10-08 | 2022-03-08 | 四川大学 | 基于无监督学习的缺陷检测系统及方法 |
| CN115587978A (zh) * | 2022-10-08 | 2023-01-10 | 盐城工学院 | 一种基于深度学习的地板革贴合压纹在线检测系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288613A (zh) * | 2011-05-11 | 2011-12-21 | 北京科技大学 | 一种灰度和深度信息融合的表面缺陷检测方法 |
| CN104766097A (zh) * | 2015-04-24 | 2015-07-08 | 齐鲁工业大学 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
| CN107341499A (zh) * | 2017-05-26 | 2017-11-10 | 昆明理工大学 | 一种基于无监督分割和elm的织物缺陷检测和分类方法 |
| US20180322623A1 (en) * | 2017-05-08 | 2018-11-08 | Aquifi, Inc. | Systems and methods for inspection and defect detection using 3-d scanning |
| CN108921846A (zh) * | 2018-07-17 | 2018-11-30 | 北京航空航天大学 | 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法 |
| CN111462092A (zh) * | 2020-04-02 | 2020-07-28 | 浙江工业大学 | 一种基于深度学习的保温杯表面的缺陷检测方法 |
| US20200249651A1 (en) * | 2019-02-05 | 2020-08-06 | Samsung Display Co., Ltd. | System and method for generating machine learning model with trace data |
| CN111626976A (zh) * | 2019-11-01 | 2020-09-04 | 东莞灵虎智能科技有限公司 | 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法 |
-
2020
- 2020-12-02 CN CN202011399614.3A patent/CN112541889A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288613A (zh) * | 2011-05-11 | 2011-12-21 | 北京科技大学 | 一种灰度和深度信息融合的表面缺陷检测方法 |
| CN104766097A (zh) * | 2015-04-24 | 2015-07-08 | 齐鲁工业大学 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
| US20180322623A1 (en) * | 2017-05-08 | 2018-11-08 | Aquifi, Inc. | Systems and methods for inspection and defect detection using 3-d scanning |
| CN107341499A (zh) * | 2017-05-26 | 2017-11-10 | 昆明理工大学 | 一种基于无监督分割和elm的织物缺陷检测和分类方法 |
| CN108921846A (zh) * | 2018-07-17 | 2018-11-30 | 北京航空航天大学 | 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法 |
| US20200249651A1 (en) * | 2019-02-05 | 2020-08-06 | Samsung Display Co., Ltd. | System and method for generating machine learning model with trace data |
| CN111626976A (zh) * | 2019-11-01 | 2020-09-04 | 东莞灵虎智能科技有限公司 | 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法 |
| CN111462092A (zh) * | 2020-04-02 | 2020-07-28 | 浙江工业大学 | 一种基于深度学习的保温杯表面的缺陷检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| ZHOUFENG LIU 等: "Fabric Defect Detection Algorithm Based on Convolution Neural Network and Low-Rank Representation", 《2017 4TH IAPR ASIAN CONFERENCE ON PATTERN RECOGNITION (ACPR)》 * |
| 热爱学习的栾宝宝: "2017-12-16 机器视觉表面缺陷检测综述", 《HTTPS://BLOG.CSDN.NET/WEIXIN_41068770/ARTICLE/DETAILS/105680259》 * |
| 焦敬品 等: "集箱管接头内焊缝表面缺陷识别方法研究", 《仪器仪表学报》 * |
| 王健荣: "基于图像特征的钢轨表面瑕疵识别方法", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158994A (zh) * | 2021-05-21 | 2021-07-23 | 河南科技大学 | 一种用于小麦正常粒识别的方法 |
| CN113808084A (zh) * | 2021-08-25 | 2021-12-17 | 杭州安脉盛智能技术有限公司 | 一种模型融合的在线烟包表面霉变检测方法及系统 |
| CN113781430A (zh) * | 2021-09-09 | 2021-12-10 | 北京云屿科技有限公司 | 一种基于深度学习的手套表面缺陷检测方法及系统 |
| CN113781430B (zh) * | 2021-09-09 | 2023-08-25 | 北京云屿科技有限公司 | 一种基于深度学习的手套表面缺陷检测方法及系统 |
| CN114155186A (zh) * | 2021-10-08 | 2022-03-08 | 四川大学 | 基于无监督学习的缺陷检测系统及方法 |
| CN114155186B (zh) * | 2021-10-08 | 2023-05-12 | 四川大学 | 基于无监督学习的缺陷检测系统及方法 |
| CN115587978A (zh) * | 2022-10-08 | 2023-01-10 | 盐城工学院 | 一种基于深度学习的地板革贴合压纹在线检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112541889A (zh) | 一种多层级模型的复杂纹理对象表面缺陷检测方法 | |
| CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
| CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
| CN111145165A (zh) | 一种基于机器视觉的橡胶密封圈表面缺陷检测方法 | |
| CN108376403B (zh) | 基于霍夫圆变换的网格菌落图像分割方法 | |
| CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
| CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
| CN111402238A (zh) | 一种通过机器视觉实现的缺陷标识系统 | |
| CN113177477A (zh) | 一种基于三维点云分析的目标检测识别方法 | |
| CN110415222A (zh) | 一种基于纹理特征的丝饼侧面缺陷识别方法 | |
| CN113077392B (zh) | 一种针对指针表模糊照片的高准确度自动读数方法 | |
| CN115035050A (zh) | 一种电池极片表面缺陷检测方法、装置、设备及产品 | |
| CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
| CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
| CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN113808084A (zh) | 一种模型融合的在线烟包表面霉变检测方法及系统 | |
| CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
| CN115272305B (zh) | 一种纽扣孔洞缺陷检测方法 | |
| CN116524269A (zh) | 一种视觉识别检测系统 | |
| CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
| CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
| CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| Zhang et al. | Fabric defect detection based on visual saliency map and SVM |
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: 20210323 |