CN112686843B - 一种基于神经网络的木板缺陷检测方法及系统 - Google Patents
一种基于神经网络的木板缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN112686843B CN112686843B CN202011518279.4A CN202011518279A CN112686843B CN 112686843 B CN112686843 B CN 112686843B CN 202011518279 A CN202011518279 A CN 202011518279A CN 112686843 B CN112686843 B CN 112686843B
- Authority
- CN
- China
- Prior art keywords
- defect detection
- neural network
- network
- module
- plank
- 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.)
- Active
Links
Classifications
-
- 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
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了木板缺陷检测技术领域的一种基于神经网络的木板缺陷检测方法及系统,方法包括:步骤S10、获取木板图像并进行预处理;步骤S20、利用基准深度神经网络提取木板图像的木板特征;步骤S30、利用特征融合神经网络对木板特征进行融合操作;步骤S40、利用融合特征对缺陷检测网络进行训练;步骤S50、利用软连接非极大值抑制算法对缺陷检测框进行合并以及过滤;步骤S60、利用复合缩放算法对各网络进行网络搜索操作,确定各维度的缩放比例系数,利用缩放比例系数分配各网络的计算力;步骤S70、利用基准深度神经网络、特征融合神经网络以及缺陷检测网络对待检木板图像进行缺陷检测。本发明的优点在于:极大的提升了木板缺陷检测的质量以及效率。
Description
技术领域
本发明涉及木板缺陷检测技术领域,特别指一种基于神经网络的木板缺陷检测方法及系统。
背景技术
木板是家具制造业的主要原料,而在木板的加工和处理过程中,由于先天或后天原因,会造成木材表面存在缺陷。这些缺陷的主要形成原因为:先天造成的组织和结构缺陷、木材生产过程中人为、机械等因素导致的加工缺陷等,导致木板表面缺陷类型多、形状复杂。
针对木板的缺陷检测,目前多数企业还局限于人工检测的方法,既大量工作人员在木板生产单元的后端作业,通过视觉观察和主观经验对木板进行观察;由于现代的木板生产线每天需要生产大量木板,检测人员在单一枯燥的机械性劳动中容易疲劳,导致错检率和漏检率随工作时间的增加而增长,其分类检测的结果受工作人员的主观因素影响较大,导致了木板的质量稳定性难以保证,且频繁返工对生产方按时交货造成严重影响。
因此,如何提供一种基于神经网络的木板缺陷检测方法及系统,实现提升木板缺陷检测的质量以及效率,成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题,在于提供一种基于神经网络的木板缺陷检测方法及系统,实现提升木板缺陷检测的质量以及效率。
第一方面,本发明提供了一种基于神经网络的木板缺陷检测方法,包括如下步骤:
步骤S10、获取大量的木板图像,并对各所述木板图像进行预处理;
步骤S20、构建一基准深度神经网络,利用所述基准深度神经网络提取预处理后的木板图像的木板特征;
步骤S30、构建一特征融合神经网络,利用所述特征融合神经网络对木板特征进行融合操作,输出融合特征;
步骤S40、构建一用于生成缺陷检测框以及缺陷类别的缺陷检测网络,利用所述融合特征对缺陷检测网络进行训练;
步骤S50、在所述缺陷检测网络训练过程中,利用软连接非极大值抑制算法对所述缺陷检测框进行合并以及过滤;
步骤S60、利用复合缩放算法对所述基准深度神经网络、特征融合神经网络以及缺陷检测网络进行网络搜索操作,确定各维度的缩放比例系数,利用所述缩放比例系数分配各网络的计算力;
步骤S70、利用所述基准深度神经网络、特征融合神经网络以及缺陷检测网络对待检木板图像进行缺陷检测。
进一步地,所述步骤S10具体包括:
步骤S11、获取大量的木板图像,利用目标框对各所述木板图像的缺陷进行框选,再标注各所述目标框的缺陷类别;
步骤S12、利用聚类算法对所述目标框以及缺陷类别进行过滤;
步骤S13、去除各所述木板图像的噪声数据以及冗余背景。
进一步地,所述步骤S20中,所述基准深度神经网络采用可分离卷积结构,包括若干个不同尺度的特征块;各所述特征块均包括卷积运算模块、跳跃连接模块、池化模块以及SE模块。
进一步地,所述步骤S30中,所述特征融合神经网络基于加权双向特征金字塔网络构建,用于自下而上和自上而下融合基准深度神经网络输出的多尺度的木板特征。
进一步地,所述步骤S40中,所述缺陷检测网络基于多层卷积神经网络模块、池化模块以及全连接网络模块构建,用于预测缺陷检测框的大小和位置以及缺陷检测框对应的缺陷类别的概率。
第二方面,本发明提供了一种基于神经网络的木板缺陷检测系统,包括如下模块:
木板图像预处理模块,用于获取大量的木板图像,并对各所述木板图像进行预处理;
木板特征提取模块,用于构建一基准深度神经网络,利用所述基准深度神经网络提取预处理后的木板图像的木板特征;
木板特征融合模块,用于构建一特征融合神经网络,利用所述特征融合神经网络对木板特征进行融合操作,输出融合特征;
缺陷检测网络训练模块,用于构建一用于生成缺陷检测框以及缺陷类别的缺陷检测网络,利用所述融合特征对缺陷检测网络进行训练;
缺陷检测框合并过滤模块,用于在所述缺陷检测网络训练过程中,利用软连接非极大值抑制算法对所述缺陷检测框进行合并以及过滤;
网格搜索模块,用于利用复合缩放算法对所述基准深度神经网络、特征融合神经网络以及缺陷检测网络进行网络搜索操作,确定各维度的缩放比例系数,利用所述缩放比例系数分配各网络的计算力;
木板缺陷检测模块,用于利用所述基准深度神经网络、特征融合神经网络以及缺陷检测网络对待检木板图像进行缺陷检测。
进一步地,所述木板图像预处理模块具体包括:
木板图像标注单元,用于获取大量的木板图像,利用目标框对各所述木板图像的缺陷进行框选,再标注各所述目标框的缺陷类别;
标注过滤单元,用于利用聚类算法对所述目标框以及缺陷类别进行过滤;
噪声过滤单元,用于去除各所述木板图像的噪声数据以及冗余背景。
进一步地,所述木板特征提取模块中,所述基准深度神经网络采用可分离卷积结构,包括若干个不同尺度的特征块;各所述特征块均包括卷积运算模块、跳跃连接模块、池化模块以及SE模块。
进一步地,所述木板特征融合模块中,所述特征融合神经网络基于加权双向特征金字塔网络构建,用于自下而上和自上而下融合基准深度神经网络输出的多尺度的木板特征。
进一步地,所述缺陷检测网络训练模块中,所述缺陷检测网络基于多层卷积神经网络模块、池化模块以及全连接网络模块构建,用于预测缺陷检测框的大小和位置以及缺陷检测框对应的缺陷类别的概率。
本发明的优点在于:
1、通过对木板图像进行预处理后,输入基准深度神经网络提取木板特征,再利用特征融合神经网络对木板特征进行融合操作得到融合特征,利用融合特征对缺陷检测网络进行训练,并在训练过程中利用软连接非极大值抑制算法对缺陷检测网络输出的缺陷检测框进行合并以及过滤,再利用复合缩放算法对基准深度神经网络、特征融合神经网络以及缺陷检测网络进行网络搜索操作,确定各维度的缩放比例系数,最终利用搭建的神经网络对待检木板图像进行缺陷检测,相对于传统上的人工检测,极大的提升了木板缺陷检测的质量以及效率。
2、基于加权双向特征金字塔网络构建特征融合神经网络,能进行两个方向的特征融合(自下而上和自上而下),融合了高层和底层的特征,使得融合后的融合特征的特征表达性更强,极大的提高了网络的构建效率。
3、通过复合缩放算法对所述基准深度神经网络、特征融合神经网络以及缺陷检测网络进行网络搜索操作,确定各维度的缩放比例系数,即固化网络搜索空间及路径,有效降低网络搜索的时间复杂度,进而提升木板缺陷检测的效率。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于神经网络的木板缺陷检测方法的流程图。
图2是本发明一种基于神经网络的木板缺陷检测系统的结构示意图。
图3是本发明加权双向特征金字塔网络的结构示意图。
具体实施方式
本申请实施例中的技术方案,总体思路如下:构建基准深度神经网络、特征融合神经网络以及缺陷检测网络,利用基准深度神经网络对木板图像进行木板特征的提取,将木板特征输入特征融合神经网络进行融合操作输出融合特征,再将融合特征输入缺陷检测网络进行缺陷检测框的位置和大小以及缺陷检测框对应的缺陷类别的预测,完成木板缺陷检测,以提升木板缺陷检测的质量以及效率。
请参照图1至图3所示,本发明一种基于神经网络的木板缺陷检测方法的较佳实施例,包括如下步骤:
步骤S10、获取大量的木板图像,并对各所述木板图像进行预处理;
步骤S20、构建一基准深度神经网络,利用所述基准深度神经网络提取预处理后的木板图像的木板特征;
步骤S30、构建一特征融合神经网络,利用所述特征融合神经网络对木板特征进行融合操作,输出融合特征;
步骤S40、构建一用于生成(预测)缺陷检测框以及缺陷类别的缺陷检测网络,利用所述融合特征对缺陷检测网络进行训练,即将所述融合特征划分为训练集和验证集,利用所述训练集对缺陷检测网络进行训练,再利用所述验证集对训练后的缺陷检测网络进行验证;所述缺陷检测网络可同时检测多个木板缺陷以及缺陷类别;
步骤S50、在所述缺陷检测网络训练过程中,利用软连接非极大值抑制算法对所述缺陷检测框进行合并以及过滤;由于预测的缺陷检测框以及缺陷类别存在大量的重叠和无效的结果,因此利用软连接非极大值抑制算法,根据识别概率值过滤冗余的缺陷检测框,合并部分缺陷检测框,输出最优的缺陷检测框和缺陷类别;
步骤S60、利用复合缩放算法(神经结构搜索,Neural Architecture Search)对所述基准深度神经网络、特征融合神经网络以及缺陷检测网络进行网络搜索操作,确定各维度的缩放比例系数,利用所述缩放比例系数分配各网络的计算力,选取效率以及精度最优的网络结构,扩展木板检测的精度与准确度;
步骤S70、利用所述基准深度神经网络、特征融合神经网络以及缺陷检测网络对待检木板图像进行缺陷检测。
所述步骤S10具体包括:
步骤S11、获取大量的木板图像,利用目标框对各所述木板图像的缺陷进行框选,再标注各所述目标框的缺陷类别;所述木板图像为高清图像,且存在不同缺陷类别的木板缺陷;所述目标框为矩形框;所述缺陷类别至少包括节裂、节洞、水裂、胶线裂;具体实施时,可将所述木板图像的缺陷通过目标框标注在一定的像素范围内;
步骤S12、利用聚类算法对所述目标框以及缺陷类别进行过滤;由于木板缺陷的尺寸和各缺陷类别的数量不一,但木板缺陷的尺寸和缺陷类别对最终木板的检测效果影响很大,因此需要利用聚类算法进行过滤,例如将目标框过滤为8个尺寸,将缺陷类别过滤为7种;
步骤S13、去除各所述木板图像的噪声数据以及冗余背景。
所述步骤S20中,所述基准深度神经网络采用可分离卷积结构,包括若干个不同尺度的特征块;各所述特征块均包括卷积运算模块、跳跃连接模块、池化模块以及SE模块(Squeeze-and-Excitation),各模块重复N次。采用可分离卷积结构,即将传统的卷积操作修改为两层的卷积操作,在空间和深度信息上解耦,从而有效利用网络参数,输出涵盖细节与语义信息的不同特征图像。例如通过7个特征块叠加形成基准深度神经网络,前2个特征块用于底层特征映射,后5各特征块用于不同尺度的木板特征提取。
所述步骤S30中,所述特征融合神经网络基于加权双向特征金字塔网络构建,用于自下而上和自上而下融合基准深度神经网络输出的多尺度的木板特征。其中,不同特征层之间的融合系数根据网络结构学习,输出增强特征表达效果的5个融合特征,同一尺度的融合特征根据木板图像的尺寸连接多个,从而固定每个融合特征输出大小。
所述步骤S40中,所述缺陷检测网络基于多层卷积神经网络模块、池化模块以及全连接网络模块构建,用于预测缺陷检测框的大小和位置以及缺陷检测框对应的缺陷类别的概率。所述缺陷检测网络包括一用于预测缺陷检测框的大小和位置的回归网络,一用于预测缺陷检测框的缺陷类别的分类网络。缺陷检测框的大小和位置通过4个顶点的坐标确定。
本发明一种基于神经网络的木板缺陷检测系统的较佳实施例,包括如下模块:
木板图像预处理模块,用于获取大量的木板图像,并对各所述木板图像进行预处理;
木板特征提取模块,用于构建一基准深度神经网络,利用所述基准深度神经网络提取预处理后的木板图像的木板特征;
木板特征融合模块,用于构建一特征融合神经网络,利用所述特征融合神经网络对木板特征进行融合操作,输出融合特征;
缺陷检测网络训练模块,用于构建一用于生成(预测)缺陷检测框以及缺陷类别的缺陷检测网络,利用所述融合特征对缺陷检测网络进行训练,即将所述融合特征划分为训练集和验证集,利用所述训练集对缺陷检测网络进行训练,再利用所述验证集对训练后的缺陷检测网络进行验证;所述缺陷检测网络可同时检测多个木板缺陷以及缺陷类别;
缺陷检测框合并过滤模块,用于在所述缺陷检测网络训练过程中,利用软连接非极大值抑制算法对所述缺陷检测框进行合并以及过滤;由于预测的缺陷检测框以及缺陷类别存在大量的重叠和无效的结果,因此利用软连接非极大值抑制算法,根据识别概率值过滤冗余的缺陷检测框,合并部分缺陷检测框,输出最优的缺陷检测框和缺陷类别;
网格搜索模块,用于利用复合缩放算法(神经结构搜索,Neural ArchitectureSearch)对所述基准深度神经网络、特征融合神经网络以及缺陷检测网络进行网络搜索操作,确定各维度的缩放比例系数,利用所述缩放比例系数分配各网络的计算力,选取效率以及精度最优的网络结构,扩展木板检测的精度与准确度;
木板缺陷检测模块,用于利用所述基准深度神经网络、特征融合神经网络以及缺陷检测网络对待检木板图像进行缺陷检测。
所述木板图像预处理模块具体包括:
木板图像标注单元,用于获取大量的木板图像,利用目标框对各所述木板图像的缺陷进行框选,再标注各所述目标框的缺陷类别;所述木板图像为高清图像,且存在不同缺陷类别的木板缺陷;所述目标框为矩形框;所述缺陷类别至少包括节裂、节洞、水裂、胶线裂;具体实施时,可将所述木板图像的缺陷通过目标框标注在一定的像素范围内;
标注过滤单元,用于利用聚类算法对所述目标框以及缺陷类别进行过滤;由于木板缺陷的尺寸和各缺陷类别的数量不一,但木板缺陷的尺寸和缺陷类别对最终木板的检测效果影响很大,因此需要利用聚类算法进行过滤,例如将目标框过滤为8个尺寸,将缺陷类别过滤为7种;
噪声过滤单元,用于去除各所述木板图像的噪声数据以及冗余背景。
所述木板特征提取模块中,所述基准深度神经网络采用可分离卷积结构,包括若干个不同尺度的特征块;各所述特征块均包括卷积运算模块、跳跃连接模块、池化模块以及SE模块(Squeeze-and-Excitation),各模块重复N次。采用可分离卷积结构,即将传统的卷积操作修改为两层的卷积操作,在空间和深度信息上解耦,从而有效利用网络参数,输出涵盖细节与语义信息的不同特征图像。例如通过7个特征块叠加形成基准深度神经网络,前2个特征块用于底层特征映射,后5各特征块用于不同尺度的木板特征提取。
所述木板特征融合模块中,所述特征融合神经网络基于加权双向特征金字塔网络构建,用于自下而上和自上而下融合基准深度神经网络输出的多尺度的木板特征。其中,不同特征层之间的融合系数根据网络结构学习,输出增强特征表达效果的5个融合特征,同一尺度的融合特征根据木板图像的尺寸连接多个,从而固定每个融合特征输出大小。
所述缺陷检测网络训练模块中,所述缺陷检测网络基于多层卷积神经网络模块、池化模块以及全连接网络模块构建,用于预测缺陷检测框的大小和位置以及缺陷检测框对应的缺陷类别的概率。所述缺陷检测网络包括一用于预测缺陷检测框的大小和位置的回归网络,一用于预测缺陷检测框的缺陷类别的分类网络。缺陷检测框的大小和位置通过4个顶点的坐标确定。
综上所述,本发明的优点在于:
1、通过对木板图像进行预处理后,输入基准深度神经网络提取木板特征,再利用特征融合神经网络对木板特征进行融合操作得到融合特征,利用融合特征对缺陷检测网络进行训练,并在训练过程中利用软连接非极大值抑制算法对缺陷检测网络输出的缺陷检测框进行合并以及过滤,再利用复合缩放算法对基准深度神经网络、特征融合神经网络以及缺陷检测网络进行网络搜索操作,确定各维度的缩放比例系数,最终利用搭建的神经网络对待检木板图像进行缺陷检测,相对于传统上的人工检测,极大的提升了木板缺陷检测的质量以及效率。
2、基于加权双向特征金字塔网络构建特征融合神经网络,能进行两个方向的特征融合(自下而上和自上而下),融合了高层和底层的特征,使得融合后的融合特征的特征表达性更强,极大的提高了网络的构建效率。
3、通过复合缩放算法对所述基准深度神经网络、特征融合神经网络以及缺陷检测网络进行网络搜索操作,确定各维度的缩放比例系数,即固化网络搜索空间及路径,有效降低网络搜索的时间复杂度,进而提升木板缺陷检测的效率。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (6)
1.一种基于神经网络的木板缺陷检测方法,其特征在于:包括如下步骤:
步骤S10、获取大量的木板图像,并对各所述木板图像进行预处理;
步骤S20、构建一基准深度神经网络,利用所述基准深度神经网络提取预处理后的木板图像的木板特征;所述基准深度神经网络采用可分离卷积结构,包括若干个不同尺度的特征块;各所述特征块均包括卷积运算模块、跳跃连接模块、池化模块以及SE模块;
步骤S30、构建一特征融合神经网络,利用所述特征融合神经网络对木板特征进行融合操作,输出融合特征;所述特征融合神经网络基于加权双向特征金字塔网络构建,用于自下而上和自上而下融合基准深度神经网络输出的多尺度的木板特征;
步骤S40、构建一用于生成缺陷检测框以及缺陷类别的缺陷检测网络,利用所述融合特征对缺陷检测网络进行训练;
步骤S50、在所述缺陷检测网络训练过程中,利用软连接非极大值抑制算法对所述缺陷检测框进行合并以及过滤;
步骤S60、利用复合缩放算法对所述基准深度神经网络、特征融合神经网络以及缺陷检测网络进行网络搜索操作,确定各维度的缩放比例系数,利用所述缩放比例系数分配各网络的计算力;
步骤S70、利用所述基准深度神经网络、特征融合神经网络以及缺陷检测网络对待检木板图像进行缺陷检测。
2.如权利要求1所述的一种基于神经网络的木板缺陷检测方法,其特征在于:所述步骤S10具体包括:
步骤S11、获取大量的木板图像,利用目标框对各所述木板图像的缺陷进行框选,再标注各所述目标框的缺陷类别;
步骤S12、利用聚类算法对所述目标框以及缺陷类别进行过滤;
步骤S13、去除各所述木板图像的噪声数据以及冗余背景。
3.如权利要求1所述的一种基于神经网络的木板缺陷检测方法,其特征在于:所述步骤S40中,所述缺陷检测网络基于多层卷积神经网络模块、池化模块以及全连接网络模块构建,用于预测缺陷检测框的大小和位置以及缺陷检测框对应的缺陷类别的概率。
4.一种基于神经网络的木板缺陷检测系统,其特征在于:包括如下模块:
木板图像预处理模块,用于获取大量的木板图像,并对各所述木板图像进行预处理;
木板特征提取模块,用于构建一基准深度神经网络,利用所述基准深度神经网络提取预处理后的木板图像的木板特征;所述基准深度神经网络采用可分离卷积结构,包括若干个不同尺度的特征块;各所述特征块均包括卷积运算模块、跳跃连接模块、池化模块以及SE模块;
木板特征融合模块,用于构建一特征融合神经网络,利用所述特征融合神经网络对木板特征进行融合操作,输出融合特征;所述特征融合神经网络基于加权双向特征金字塔网络构建,用于自下而上和自上而下融合基准深度神经网络输出的多尺度的木板特征;
缺陷检测网络训练模块,用于构建一用于生成缺陷检测框以及缺陷类别的缺陷检测网络,利用所述融合特征对缺陷检测网络进行训练;
缺陷检测框合并过滤模块,用于在所述缺陷检测网络训练过程中,利用软连接非极大值抑制算法对所述缺陷检测框进行合并以及过滤;
网格搜索模块,用于利用复合缩放算法对所述基准深度神经网络、特征融合神经网络以及缺陷检测网络进行网络搜索操作,确定各维度的缩放比例系数,利用所述缩放比例系数分配各网络的计算力;
木板缺陷检测模块,用于利用所述基准深度神经网络、特征融合神经网络以及缺陷检测网络对待检木板图像进行缺陷检测。
5.如权利要求4所述的一种基于神经网络的木板缺陷检测系统,其特征在于:所述木板图像预处理模块具体包括:
木板图像标注单元,用于获取大量的木板图像,利用目标框对各所述木板图像的缺陷进行框选,再标注各所述目标框的缺陷类别;
标注过滤单元,用于利用聚类算法对所述目标框以及缺陷类别进行过滤;
噪声过滤单元,用于去除各所述木板图像的噪声数据以及冗余背景。
6.如权利要求4所述的一种基于神经网络的木板缺陷检测系统,其特征在于:所述缺陷检测网络训练模块中,所述缺陷检测网络基于多层卷积神经网络模块、池化模块以及全连接网络模块构建,用于预测缺陷检测框的大小和位置以及缺陷检测框对应的缺陷类别的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011518279.4A CN112686843B (zh) | 2020-12-21 | 2020-12-21 | 一种基于神经网络的木板缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011518279.4A CN112686843B (zh) | 2020-12-21 | 2020-12-21 | 一种基于神经网络的木板缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686843A CN112686843A (zh) | 2021-04-20 |
CN112686843B true CN112686843B (zh) | 2023-09-15 |
Family
ID=75449777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011518279.4A Active CN112686843B (zh) | 2020-12-21 | 2020-12-21 | 一种基于神经网络的木板缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686843B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331226B (zh) * | 2022-03-08 | 2022-06-24 | 天津联创科技发展有限公司 | 一种企业需求智能诊断方法、系统以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111325713A (zh) * | 2020-01-21 | 2020-06-23 | 浙江省北大信息技术高等研究院 | 基于神经网络的木材缺陷检测方法、系统及存储介质 |
CN111415329A (zh) * | 2020-02-20 | 2020-07-14 | 广州中国科学院先进技术研究所 | 一种基于深度学习的工件表面缺陷检测方法 |
CN111539438A (zh) * | 2020-04-28 | 2020-08-14 | 北京百度网讯科技有限公司 | 文本内容的识别方法、装置及电子设备 |
CN111666980A (zh) * | 2020-05-13 | 2020-09-15 | 武汉大学 | 一种基于轻量化网络的目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
-
2020
- 2020-12-21 CN CN202011518279.4A patent/CN112686843B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111325713A (zh) * | 2020-01-21 | 2020-06-23 | 浙江省北大信息技术高等研究院 | 基于神经网络的木材缺陷检测方法、系统及存储介质 |
CN111415329A (zh) * | 2020-02-20 | 2020-07-14 | 广州中国科学院先进技术研究所 | 一种基于深度学习的工件表面缺陷检测方法 |
CN111539438A (zh) * | 2020-04-28 | 2020-08-14 | 北京百度网讯科技有限公司 | 文本内容的识别方法、装置及电子设备 |
CN111666980A (zh) * | 2020-05-13 | 2020-09-15 | 武汉大学 | 一种基于轻量化网络的目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112686843A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
Li et al. | Sewer pipe defect detection via deep learning with local and global feature fusion | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN108932523B (zh) | 图像分类以及分类数据制作系统和方法、存储介质 | |
CN111080622A (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
US20120185818A1 (en) | Method for smart defect screen and sample | |
CN111667476B (zh) | 布料瑕疵检测方法、装置、电子设备及可读存储介质 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN113239818B (zh) | 基于分割和图卷积神经网络的表格跨模态信息提取方法 | |
CN112330594A (zh) | 一种纸筒缺陷检测方法、装置、电子设备及存储介质 | |
CN112184679A (zh) | 一种基于YOLOv3的酒瓶瑕疵自动检测方法 | |
CN112686843B (zh) | 一种基于神经网络的木板缺陷检测方法及系统 | |
CN113627435A (zh) | 一种瓷砖的瑕疵检测与识别方法及系统 | |
CN116152244A (zh) | 一种smt缺陷检测方法、系统 | |
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 | |
CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN116958052A (zh) | 一种基于yolo和注意力机制的印刷电路板缺陷检测方法 | |
CN110992361A (zh) | 基于代价平衡的发动机紧固件检测系统及检测方法 | |
CN114119562B (zh) | 一种基于深度学习的刹车盘外表面缺陷检测方法及系统 | |
CN115953387A (zh) | 一种基于深度学习的射线图像焊缝缺陷检测方法 | |
CN113344041B (zh) | 一种基于多模型融合卷积神经网络的pcb缺陷图像识别方法 | |
KR20230063742A (ko) | 계층적 cnn을 이용한 스마트 팩토리에서의 제품 불량 탐지 방법 및 이를 기록한 기록매체 |
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 |