CN112862826A - 一种表面缺陷检测任务的正常样本无损生成方法 - Google Patents
一种表面缺陷检测任务的正常样本无损生成方法 Download PDFInfo
- Publication number
- CN112862826A CN112862826A CN202110450962.7A CN202110450962A CN112862826A CN 112862826 A CN112862826 A CN 112862826A CN 202110450962 A CN202110450962 A CN 202110450962A CN 112862826 A CN112862826 A CN 112862826A
- Authority
- CN
- China
- Prior art keywords
- defect
- sample
- normal sample
- defects
- frame
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 116
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002950 deficient Effects 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 230000001066 destructive effect Effects 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/70—
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30204—Marker
Abstract
本发明公开了一种表面缺陷检测任务的正常样本无损生成方法，包括如下步骤：快速定位未标注NG样本的缺陷区域；使用目标检测算法检测NG样本中的缺陷；融合精筛的检测框；提取缺陷区域，将缺陷回归框的长和宽放大；搜索匹配正常样本区域，在缺陷以外的图像区域匹配与放大后的缺陷回归框同等大小的正常样本区域，并进行正常样本提取；替换有缺陷区域的前景，生成无损的正常样本。
Description
技术领域
本发明涉及深度学习技术领域，尤其涉及一种表面缺陷检测任务的正常样本无损生成方法。
背景技术
表面缺陷检测在工业生产过程中起着非常重要的作用。传统的工业生产中，表面缺陷由工人目视检查，这是主观的、低效的和不准确的。由于各厂家制造工艺的差别，以及人眼观察的低效性和不准确性，无法完全保证百分之百的生产良率。
为了进一步提高生产质量，降低重复的密集劳动，越来越多的机器视觉技术正被应用于工业领域，助力企业增产降本。近几年，以卷积神经网络为核心的深度学习算法飞速发展，使得机器视觉技术不再是传统的图像处理，只能区分OK和NG样本，而是可以准确高效的区分缺陷的类别和定位缺陷出现的位置，甚至可以检测出缺陷的面积大小。
虽然深度学习应用于工业检测领域是成功的，但是仍然有一些还未解决的技术难点：
1、深度学习技术对数据量的依赖是庞大的，而当前工业数据的采集有一定局限性，因为涉及到数据保密、存储容量、大量数据的存储会降低生产效率等原因的限制，现有的工业生产线上图像的采集，大部分都是只保存NG的样本，这就造成了OK样本的大量缺失；
2、深度学习如果只学习含有缺陷的NG样本常常会使得模型的优化方向与真实的数据分布是有偏差的，这也是一种模型过拟合的现象，导致对OK样本的辨识力降低，因此需要适量的OK样本来验证模型的过杀指标和纠正模型的偏向性；
3、为了保证深度学习模型的准确性与鲁棒性，算法的测试评估显得尤为重要。尤其在表面缺陷检测任务中，普遍存在正负样本严重不平衡问题，含有缺陷的样本往往比不含缺陷的正常样本少的多；如果只用NG样本测试算法模型的效果，显然由于测试场景下和真实场景下数据分布的极度不一致性，导致算法测试的结果不再真实可信，因此OK样本在算法效果的评估中具有重要意义。
鉴于以上所述，实有必要提供一种新型的表面缺陷检测任务的正常样本无损生成方法以克服上述缺陷。
发明内容
本发明的目的是提供一种表面缺陷检测任务的正常样本无损生成方法，能够在NG样本中实现缺陷的准确定位，可生成无损的正常样本，改善正负样本不平衡的比例，并且将大量的正常样本引入测试集，使得测试集的数据分布接近工厂生产的真实数据分布，从而算法评估的结果会更加合理可信。
为了实现上述目的，本发明提供一种表面缺陷检测任务的正常样本无损生成方法，包括如下步骤：
S1：快速定位未标注NG样本的缺陷区域；
S2：使用目标检测算法检测NG样本中的缺陷；
S3：融合精筛的检测框；
S4：提取缺陷区域，将缺陷回归框的长和宽放大；
S5：搜索匹配正常样本区域，在缺陷以外的图像区域匹配与放大后的缺陷回归框同等大小的正常样本区域，并进行正常样本提取；
S6：替换有缺陷区域的前景，生成无损的正常样本。
优选的，未标注的NG样本中含有缺陷，通过如下步骤完成缺陷的快速定位：
S11：使用批量真实的OK样本，用均值叠加的方法生成作OK样本的模板图；
S12：将未标注的NG图片与OK样本模板使用帧差法得到差异图；
S13：将差异图转化为二值图，并过滤噪点，剩下的白色区域为候选缺陷；
S14：对二值图上的候选缺陷使用缺陷标准的判断逻辑进行二次过滤，低于缺陷最低判断标准的视为干扰滤除，剩下的区域为置信度高的缺陷，通过最小外接矩形算法获得缺陷的详细坐标。
优选的，S21：使用标注好的高质量NG样本数据重复训练目标检测网络形成若干个模型；
S22：使用S21中的最优模型在未标注的NG样本上检测缺陷；
S23：通过阈值法精筛检测框和非极大值抑制算法精筛检测框，得到检测置信度高且定位准确的缺陷类别和缺陷回归框的位置。
优选的，以缺陷回归框中心点为基准，将缺陷回归框的长和宽均放大s倍，并且保证放大的最小尺度为m像素，如公式（1）和（2）所得：
其中，w和h分别为原始的缺陷回归框的宽和高，w_new和h_new分别为放大后的缺陷回归框的宽和高。
优选的，通过权重叠加的方法得到高保真的图像拼接过渡区域，生成无损的正常样本。
优选的，权重的基准t由放大后的缺陷回归框的放大量决定，过渡区域每个像素位置拥有线性变化的权重，由放大后的缺陷回归框的中心向外递减，即由1按1/t的间隔递减到0，原图上对应拼接位置的权重由0按1/t的间隔递增到1；过渡区域每个像素的最终取值由公式（3）计算所得，
其中，i代表从回归框中心点向外侧移动的像素个数，Pi代表i所在位置的 融合后的像素值，Pio代表原图上正常样本区域在i位置的像素值，Pin代表匹配到的正常样本区域在i位置的像素值。
与现有技术相比，本发明提供的一种基于边框回归的数据标注校正方法，具有以下有益效果：1）能够在NG样本中实现缺陷的准确定位，可生成无损的正常样本，并且正常样本的生成可以根据不同的数据灵活调整缺陷的融合策略以及边缘的拼接算法；
2）在生成高质量正常样本的同时，远低于其他图像生成算法如生成式对抗网络所需的计算量；
3）可批量生成正常样本，改善正负样本不平衡的比例，并且将大量的正常样本引入测试集，使得测试集的数据分布接近工厂生产的真实数据分布，从而算法评估的结果会更加合理可信。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明提供的表面缺陷检测任务的正常样本无损生成方法的流程图。
图2为本发明提供的表面缺陷检测任务的正常样本无损生成方法的生成正常样本的示意图。
具体实施方式
为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。
需要理解的是，术语 “上”、 “下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参阅图1至图2，本发明提供一种表面缺陷检测任务的正常样本无损生成方法，包括如下步骤。
S1：快速定位未标注NG样本的缺陷区域；
具体的，未标注的NG样本中含有缺陷，但是不知道缺陷的具体位置，可通过如下步骤完成缺陷的快速定位：
S11：使用批量真实的OK样本，用均值叠加的方法生成作OK样本的模板图；
S12：将未标注的NG图片与OK样本模板使用帧差法得到差异图；
S13：将差异图转化为二值图，并过滤噪点，剩下的白色区域为候选缺陷；
S14：对二值图上的候选缺陷使用缺陷标准的判断逻辑（缺陷尺寸，灰度差，最小面积等）进行二次过滤，低于缺陷最低判断标准的视为干扰滤除，剩下的区域为置信度高的缺陷，从而通过最小外接矩形算法可以获得缺陷的详细坐标。
需要说明的是，最低判断标准指的是针对每种缺陷类型（如污渍、刮花、黑点、气泡等），每一类缺陷的判断标准可以根据客户需求或者算法人为定义的一些硬性数值。如：针对划伤类别，要求尺寸大于5，像素灰度值大于200，满足这两个条件则是划伤，否则认为是噪声或者正常背景。
S2：使用目标检测算法检测NG样本中的缺陷；
S21：使用标注好的高质量NG样本数据重复训练目标检测网络形成若干个模型；需要说明的是，每次训练目标检测网络，则形成一个模型；
S22：使用S21中检测效果最好的模型，在未标注的NG样本上检测缺陷；
S23：通过阈值法精筛检测框和非极大值抑制算法精筛检测框，得到检测置信度高且定位准确的缺陷类别和缺陷回归框的位置。
S3：通过重叠区域融合算法融合上述两种方法精筛的检测框，通过融合两种不同的方法精筛的检测框，可以有效提高缺陷的召回率；
将两种算法的检测框都保留，其中当两种算法都检测出同一缺陷时，则保留目标检测算法的边框；采用边框自相交检查的方式，若有两个以上的边框重叠，则用重叠框的最小外接框替换有重叠的框。
S4：提取缺陷区域，将缺陷回归框的长和宽放大；
以缺陷回归框中心点为基准，将缺陷回归框的长和宽均放大s倍，并且保证放大的最小尺度为m像素，如公式（1）和（2）所得：
其中，w和h分别为原始的缺陷回归框的宽和高，w_new和h_new分别为放大后的缺陷回归框的宽和高。
S5：搜索匹配正常样本区域，在缺陷以外的图像区域，匹配与放大后的缺陷回归框同等大小的正常样本区域，并进行正常样本提取；
根据放大后的缺陷回归框的中心点所在的区域，以图像横向和纵向中心线对称轴，在同一块材质上映射同等大小的正常区域；而且，在同一张图像上进行局部正常样本的提取，则可以保证成像质量的一致性。
S6：替换有缺陷区域的前景，使之成为无缺陷的正常区域；
通过自适应的权重叠加的方法，得到高保真的图像拼接过渡区域，使之成为无缺陷的正常区域，亦即生成无损的正常样本：
具体的：S61：自适应权重的基准t由放大后的缺陷回归框的放大量决定，以宽度方向为例，即t_w=w_new-w；
S62：过渡区域每个像素位置拥有线性变化的权重，以提取的正常样本区域为例，由放大后的缺陷回归框的中心向外递减，即由1按1/t的间隔递减到0。相应的，原图上对应拼接位置的权重由0按1/t的间隔递增到1；
S63：过渡区域每个像素的最终取值由公式（3）计算所得，
有益效果在于：本发明提出了一种表面缺陷检测任务的正常样本无损生成方法，能够在NG样本中实现缺陷的准确定位，可生成无损的正常样本，并且正常样本的生成可以根据不同的数据灵活调整缺陷的融合策略以及边缘的拼接算法。
本发明提供的表面缺陷检测任务的正常样本无损生成方法，所有的实现步骤均使用计算量较小的算法完成，在生成高质量正常样本的同时，大大降低了对计算资源的消耗，远低于其他图像生成算法如生成式对抗网络所需的计算量。
本发明提供的表面缺陷检测任务的正常样本无损生成方法，可批量生成正常样本，一定程度上改善正负样本不平衡的比例，并且将大量的正常样本引入测试集，使得测试集的数据分布接近工厂生产的真实数据分布，从而算法评估的结果会更加合理可信。
本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的示例。
Claims (6)
1.一种表面缺陷检测任务的正常样本无损生成方法，其特征在于，包括如下步骤：
S1：快速定位未标注NG样本的缺陷区域；
S2：使用目标检测算法检测NG样本中的缺陷；
S3：融合精筛的检测框；
S4：提取缺陷区域，将缺陷回归框的长和宽放大；
S5：搜索匹配正常样本区域，在缺陷以外的图像区域匹配与放大后的缺陷回归框同等大小的正常样本区域，并进行正常样本提取；
S6：替换有缺陷区域的前景，生成无损的正常样本。
2.权利要求1所述的表面缺陷检测任务的正常样本无损生成方法，其特征在于，未标注的NG样本中含有缺陷，通过如下步骤完成缺陷的快速定位：
S11：使用批量真实的OK样本，用均值叠加的方法生成作OK样本的模板图；
S12：将未标注的NG图片与OK样本模板使用帧差法得到差异图；
S13：将差异图转化为二值图，并过滤噪点，剩下的白色区域为候选缺陷；
S14：对二值图上的候选缺陷使用缺陷标准的判断逻辑进行二次过滤，低于缺陷最低判断标准的视为干扰滤除，剩下的区域为置信度高的缺陷，通过最小外接矩形算法获得缺陷的详细坐标。
3.如权利要求1所述的表面缺陷检测任务的正常样本无损生成方法，其特征在于，S21：使用标注好的高质量NG样本数据重复训练目标检测网络形成若干个模型；
S22：使用S21中的最优模型在未标注的NG样本上检测缺陷；
S23：通过阈值法精筛检测框和非极大值抑制算法精筛检测框，得到检测置信度高且定位准确的缺陷类别和缺陷回归框的位置。
4.如权利要求3所述的表面缺陷检测任务的正常样本无损生成方法，其特征在于，以缺陷回归框中心点为基准，将缺陷回归框的长和宽均放大s倍，并且保证放大的最小尺度为m像素，如公式（1）和（2）所得：
其中，w和h分别为原始的缺陷回归框的宽和高，w_new和h_new分别为放大后的缺陷回归框的宽和高。
5.如权利要求1所述的表面缺陷检测任务的正常样本无损生成方法，其特征在于，通过权重叠加的方法得到高保真的图像拼接过渡区域，生成无损的正常样本。
6.如权利要求5所述的表面缺陷检测任务的正常样本无损生成方法，其特征在于，权重的基准t由放大后的缺陷回归框的放大量决定，过渡区域每个像素位置拥有线性变化的权重，由放大后的缺陷回归框的中心向外递减，即由1按1/t的间隔递减到0，原图上对应拼接位置的权重由0按1/t的间隔递增到1；过渡区域每个像素的最终取值由公式（3）计算所得，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110450962.7A CN112862826B (zh) | 2021-04-26 | 2021-04-26 | 一种表面缺陷检测任务的正常样本无损生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110450962.7A CN112862826B (zh) | 2021-04-26 | 2021-04-26 | 一种表面缺陷检测任务的正常样本无损生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112862826A true CN112862826A (zh) | 2021-05-28 |
| CN112862826B CN112862826B (zh) | 2021-07-30 |
Family
ID=75992851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110450962.7A Active CN112862826B (zh) | 2021-04-26 | 2021-04-26 | 一种表面缺陷检测任务的正常样本无损生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862826B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114419399A (zh) * | 2022-03-22 | 2022-04-29 | 杭州利珀科技有限公司 | 机器视觉深度学习样本自动生成方法、计算机及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190197678A1 (en) * | 2016-08-29 | 2019-06-27 | Wuhan Jingce Electronic Group Co., Ltd. | Gpu-based tft-lcd mura defect detection method |
| CN111199543A (zh) * | 2020-01-07 | 2020-05-26 | 南京航空航天大学 | 一种基于卷积神经网络的冰柜表面缺陷检测 |
| CN111507945A (zh) * | 2020-03-31 | 2020-08-07 | 成都数之联科技有限公司 | 一种使用无缺陷图训练深度学习缺陷检测模型的方法 |
| CN111524100A (zh) * | 2020-04-09 | 2020-08-11 | 武汉精立电子技术有限公司 | 一种缺陷图像样本生成方法、装置及面板缺陷检测方法 |
-
2021
- 2021-04-26 CN CN202110450962.7A patent/CN112862826B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190197678A1 (en) * | 2016-08-29 | 2019-06-27 | Wuhan Jingce Electronic Group Co., Ltd. | Gpu-based tft-lcd mura defect detection method |
| CN111199543A (zh) * | 2020-01-07 | 2020-05-26 | 南京航空航天大学 | 一种基于卷积神经网络的冰柜表面缺陷检测 |
| CN111507945A (zh) * | 2020-03-31 | 2020-08-07 | 成都数之联科技有限公司 | 一种使用无缺陷图训练深度学习缺陷检测模型的方法 |
| CN111524100A (zh) * | 2020-04-09 | 2020-08-11 | 武汉精立电子技术有限公司 | 一种缺陷图像样本生成方法、装置及面板缺陷检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114419399A (zh) * | 2022-03-22 | 2022-04-29 | 杭州利珀科技有限公司 | 机器视觉深度学习样本自动生成方法、计算机及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112862826B (zh) | 2021-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
| CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
| CN110175982B (zh) | 一种基于目标检测的缺陷检测方法 | |
| CN109919934B (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
| CN110047073B (zh) | 一种x射线焊缝图像缺陷定级方法及系统 | |
| CN111080622B (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 | |
| CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
| CN106952250A (zh) | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 | |
| 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 | |
| CN111696077A (zh) | 一种基于WaferDet网络的晶圆缺陷检测方法 | |
| CN106934800A (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
| CN112365491A (zh) | 容器焊缝检测的方法、电子设备及存储介质 | |
| CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
| CN116091505B (zh) | 一种蓝宝石衬底自动缺陷检测分类的方法和系统 | |
| CN115797354A (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
| CN112862826B (zh) | 一种表面缺陷检测任务的正常样本无损生成方法 | |
| CN115829995A (zh) | 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统 | |
| CN115656182A (zh) | 基于张量投票主成分分析的板材点云缺陷检测方法 | |
| CN111986145A (zh) | 一种基于Faster-RCNN的轴承滚子瑕疵检测方法 | |
| CN111429431A (zh) | 一种基于卷积神经网络的元件定位识别方法 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN112017154A (zh) | 基于Mask R-CNN模型的一种射线缺陷检测方法 | |
| CN114202544B (zh) | 一种基于自编码器的复杂工件缺陷检测方法 | |
| CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
| CN114782362A (zh) | 一种基于深度迁移学习的焊接智能检测系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231213 Address after: Room 801, No. 1126 Shenbin South Road, Minhang District, Shanghai, 201107 Patentee after: MATRIXTIME ROBOTICS (SHANGHAI) Co.,Ltd. Address before: 211500 east side of 5th floor, building 4, Zhicheng Park, No.6 Zhida Road, Jiangbei new district, Nanjing City, Jiangsu Province Patentee before: Jushi Technology (Jiangsu) Co.,Ltd. |