CN112906302A - 基于深度残差网络的注塑件表面微缺陷自动快速检测方法 - Google Patents
基于深度残差网络的注塑件表面微缺陷自动快速检测方法 Download PDFInfo
- Publication number
- CN112906302A CN112906302A CN202110232284.7A CN202110232284A CN112906302A CN 112906302 A CN112906302 A CN 112906302A CN 202110232284 A CN202110232284 A CN 202110232284A CN 112906302 A CN112906302 A CN 112906302A
- Authority
- CN
- China
- Prior art keywords
- injection molding
- micro
- defect
- residual error
- defects
- 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
- 238000001746 injection moulding Methods 0.000 title claims abstract description 119
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000007547 defect Effects 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 238000013135 deep learning Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000002347 injection Methods 0.000 description 7
- 239000007924 injection Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 229920003023 plastic Polymers 0.000 description 4
- 239000004033 plastic Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G06T5/70—
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
Abstract
本发明公开了一种基于深度残差网络的注塑件表面微缺陷自动快速检测方法。步骤如下:S1利用注塑成型仿真软件和注塑成型工业产品两种途径分别收集注塑件表面微缺陷和无缺陷仿真、真实图形;S2对注塑件表面微缺陷和无缺陷仿真、真实图形进行归一化、降噪和裁剪处理;S3构建注塑件表面微缺陷混合数据集;S4设计基于深度学习的深度残差网络注塑件微缺陷识别框架;S5训练基于深度学习的深度残差网络微缺陷识别框架;S6获取基于深度学习的深度残差网络微缺陷识别框架模型;S7检测出微缺陷类别。本发明只需要输入一幅注塑件表面微缺陷图形,可快速识别出微缺陷类别。本发明微缺陷识别速度快,检出率高,具有广泛的实用价值与应用前景。
Description
技术领域
本发明属于微缺陷检测识别技术领域,具体涉及基于深度残差网络的注塑件表面微缺陷自动快速检测方法。
背景技术
随着人们生活水平的提高,对注塑件外观质量和使用性能的要求越来越高。在注射成型过程中,由于各种因素的影响,注塑件可能会出现短射、飞边、熔接痕、气泡、裂纹等表面微缺陷,这些微缺陷仅凭人工方法是无法检测和识别出的。因此,实现微缺陷检测是保证注塑件品质的一个重要环节。
当前,表面缺陷是注塑件检测领域的主要检测对象。注塑件表面缺陷检测和识别方法主要分为人工检测和非人工检测两种方式。人工检测方式存在着效率低、自动化程度低、检出率不高等问题,且易受到检测人员的主观意志的影响。非人工检测方式主要有利用支持向量机对注塑件提取到的形状特征进行分类(“基于机器视觉的注塑制品缺陷检测系统研究”,2008,东北大学,硕士学位论文)、利用图像处理算法获取注塑件表面缺陷特征提取与识别(“基于机器视觉的注塑过程检测技术”,2013,华中科技大学,硕士学位论文)、利用BP神经网络对缺陷区域提取到的形状特征进行分类(“注塑制品表面缺陷分析及自动识别研究”,2011,华南理工大学,硕士学位论文)、利用卷积神经网络对注塑件缺陷进行检测识别(“基于机器视觉的注塑制品尺寸检测及表面缺陷识别”,2015,华中科技大学,硕士学位论文)、利用数字信号处理技术的嵌入式塑料制品表面缺陷在线检测系统(“基于DSP的嵌入式塑料制品表面缺陷在线检测系统”,塑料科,2019,47(4):37-40.)等。上述非人工检测方式虽然有着非接触、自动化程度高等优势,但是严重依赖专业人员对采集图像中的缺陷区域进行特征提取和分析,尤其是图像含有噪声的情况下,这种特征分析变得更加困难。
综上所述,对注塑件表面缺陷的检测和识别取得了一些进展,但是针对注塑件表面微缺陷的检测和识别尚不多见,亟待开展深入研究,以实现注塑件表面微缺陷的自动快速检测。
发明内容
本发明的目的是针对上述问题,提供基于深度残差网络的注塑件表面微缺陷自动快速检测方法。该方法只需要输入注塑件表面微缺陷图形,就可以识别出微缺陷类别,识别速度快,检出率高。
为实现上述目的,本发明采用的技术方案如下:
基于深度残差网络的注塑件表面微缺陷自动快速检测方法,包括以下步骤:
S1:利用注塑成型仿真软件和注塑成型工业产品两种途径分别收集注塑件表面短射、飞边、熔接痕、气泡、裂纹五种类型的微缺陷和无缺陷仿真、真实图形;
S2:对所述步骤S1中的注塑件表面微缺陷和无缺陷仿真、真实图形进行归一化、降噪和裁剪处理;
S3:对所述步骤S2中的注塑件表面微缺陷和无缺陷仿真、真实图形进行微缺陷和无缺陷标记,进而构建注塑件表面微缺陷混合数据集;
S4:设计基于深度学习的深度残差网络注塑件微缺陷识别框架;
S5:利用步骤S3中的注塑件表面微缺陷混合数据集,对步骤S4中的基于深度学习的深度残差网络微缺陷识别框架进行训练和验证,直至满足预设识别精度要求,结束训练;
S6:获得所述步骤S5中的基于深度学习的深度残差网络注塑件微缺陷识别框架模型;
S7:输入一幅注塑件表面微缺陷图形到所述步骤S6中的模型中,即可识别出微缺陷类别。
所述步骤S1中的注塑件表面微缺陷和无缺陷仿真、真实图形,即可表示为Xi(i=1,2,…,N),其中N为注塑件表面微缺陷和无缺陷图形总和数;
所述步骤S2中的注塑件表面微缺陷和无缺陷仿真、真实图形进行归一化、降噪和裁剪处理,具体包括以下子步骤:
S21:所述的归一化,即将注塑件表面微缺陷和无缺陷仿真、真实图形归一化到[01]之间;
S22:所述的裁剪,即将注塑件表面微缺陷和无缺陷仿真、真实图形裁剪成256×256大小的像素尺寸;
S23:所述的降噪处理,即利用中值滤波算法对注塑件表面微缺陷和无缺陷仿真、真实图形进行噪声过滤;
所述步骤S4中的设计出适用于基于深度学习的深度残差网络注塑件微缺陷识别框架,具体包括以下子步骤:
S41:所述的输入图像为注塑件表面微缺陷或无缺陷图形,其大小为256×256;
S42:所述的卷积运算1,其卷积核大小为7×7,特征数为64,步长为2,输出图形大小为128×128;
S43:所述的最大池化运算,其卷积核大小为3×3、步长为2,输出图形大小为64×64;
S44:所述的残差学习模块1,其由两个卷积核大小为3×3、特征数为64的卷积运算组成,输出图形大小为64×64;
S45:继续后接1个所述步骤S44中的残差学习模块1;
S46:所述的残差学习模块2,其由1个卷积核大小为3×3、特征数为128和1个卷积核大小为3×3、特征数为128、步长为2的卷积运算组成,输出图形大小为32×32;
S47:所述的残差学习模块3,其由两个卷积核大小为3×3、特征数为128的卷积运算组成,输出图形大小为32×32;
S48:继续后接2个所述步骤S47中的残差学习模块3;
S49:所述的残差学习模块4,其由1个卷积核大小为3×3、特征数为256和1个卷积核大小为3×3、特征数为256、步长为2的卷积运算组成,输出图形大小为16×16;
S410:所述的残差学习模块5,其由两个卷积核大小为3×3、特征数为256的卷积运算组成,输出图形大小为16×16;
S411:继续后接2个所述步骤S410中的残差学习模块5;
S412:所述的残差学习模块6,其由两个卷积核大小为3×3、特征数为512的卷积运算组成,输出图形大小为8×8;
S413:继续后接1个所述步骤S412中的残差学习模块6;
S414:全连接层输出大小为1×6;
所述步骤S5中,利用所述步骤S3中的注塑件表面微缺陷混合数据集,对所述步骤S4中的基于深度学习的深度残差网络微缺陷识别框架进行训练和验证,选择交叉熵代价函数作为损失函数,其可以表示为
式(1)中,p(X)是指注塑件表面微缺陷真实分布的概率,q(X)是指注塑件表面微缺陷预测出来的概率估计。
所述步骤S7中,输入一幅注塑件表面微缺陷图形到所述步骤S6中的模型中,即可识别出微缺陷类别,可表示为。
与现有技术相比,本发明的有益效果是:
1、本方法由于采用注塑成型仿真软件收集注塑件表面微缺陷混合数据集,可以节约数据集采集成本、提高数据集采集效率,进而从深度学习中获益;
2、本方法可以自动快速检测注塑件表面缺陷、微缺陷图形,拓宽了缺陷检测的范围。
3、本方法无需接触注塑件表面,微缺陷识别速度快,检出率高。
本发明的目的是针对上述问题,提供基于深度残差网络的注塑件表面微缺陷自动快速检测方法。该方法只需要输入注塑件表面微缺陷图形就可以识别出微缺陷类别,识别速度快,检出率高。
附图说明
图1是本发明基于深度残差网络的注塑件表面微缺陷自动快速检测方法流程图;
图2是本发明所设计的基于深度学习的深度残差网络注塑件微缺陷识别框架示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明,但本发明的保护范围并不限于此。
结合图1,本发明所述的基于深度残差网络的注塑件表面微缺陷自动快速检测方法,具体实施如下:
S1:利用注塑成型仿真软件和注塑成型工业产品两种途径分别收集注塑件表面短射、飞边、熔接痕、气泡、裂纹五种类型的微缺陷和无缺陷仿真、真实图形;
S2:对所述步骤S1中的注塑件表面微缺陷和无缺陷仿真、真实图形进行归一化、降噪和裁剪处理;
S3:对所述步骤S2中的注塑件表面微缺陷和无缺陷仿真、真实图形进行微缺陷和无缺陷标记,进而构建注塑件表面微缺陷混合数据集;
S4:设计基于深度学习的深度残差网络注塑件微缺陷识别框架;
S5:利用步骤S3中的注塑件表面微缺陷混合数据集,对步骤S4中的基于深度学习的深度残差网络微缺陷识别框架进行训练和验证,直至满足预设识别精度要求,结束训练;
S6:获得所述步骤S5中的基于深度学习的深度残差网络注塑件微缺陷识别框架模型;
S7:输入一幅注塑件表面微缺陷图形到所述步骤S6中的模型中,即可识别出微缺陷类别。
所述步骤S1中的注塑件表面微缺陷和无缺陷仿真、真实图形,即可表示为Xi(i=1,2,0,N),其中N为注塑件表面微缺陷和无缺陷图形总和数;
所述步骤S2中的注塑件表面微缺陷和无缺陷仿真、真实图形进行归一化、降噪和裁剪处理,具体包括以下子步骤:
S21:所述的归一化,即将注塑件表面微缺陷和无缺陷仿真、真实图形归一化到[01]之间;
S22:所述的裁剪,即将注塑件表面微缺陷和无缺陷仿真、真实图形裁剪成256×256大小的像素尺寸;
S23:所述的降噪处理,即利用中值滤波算法对注塑件表面微缺陷和无缺陷仿真、真实图形进行噪声过滤;
所述步骤S4中的设计出适用于基于深度学习的深度残差网络注塑件微缺陷识别框架,具体包括以下子步骤:
S41:所述的输入图像为注塑件表面微缺陷或无缺陷图形,其大小为256×256;
S42:所述的卷积运算1,其卷积核大小为7×7,特征数为64,步长为2,输出图形大小为128×128;
S43:所述的最大池化运算,其卷积核大小为3×3、步长为2,输出图形大小为64×64;
S44:所述的残差学习模块1,其由两个卷积核大小为3×3、特征数为64的卷积运算组成,输出图形大小为64×64;
S45:继续后接1个所述步骤S44中的残差学习模块1;
S46:所述的残差学习模块2,其由1个卷积核大小为3×3、特征数为128和1个卷积核大小为3×3、特征数为128、步长为2的卷积运算组成,输出图形大小为32×32;
S47:所述的残差学习模块3,其由两个卷积核大小为3×3、特征数为128的卷积运算组成,输出图形大小为32×32;
S48:继续后接2个所述步骤S47中的残差学习模块3;
S49:所述的残差学习模块4,其由1个卷积核大小为3×3、特征数为256和1个卷积核大小为3×3、特征数为256、步长为2的卷积运算组成,输出图形大小为16×16;
S410:所述的残差学习模块5,其由两个卷积核大小为3×3、特征数为256的卷积运算组成,输出图形大小为16×16;
S411:继续后接2个所述步骤S410中的残差学习模块5;
S412:所述的残差学习模块6,其由两个卷积核大小为3×3、特征数为512的卷积运算组成,输出图形大小为8×8;
S413:继续后接1个所述步骤S412中的残差学习模块6;
S414:全连接层输出大小为1×6;
所述步骤S5中,利用所述步骤S3中的注塑件表面微缺陷混合数据集,对所述步骤S4中的基于深度学习的深度残差网络微缺陷识别框架进行训练和验证,选择交叉熵代价函数作为损失函数,其可以表示为
式(1)中,p(X)是指注塑件表面微缺陷真实分布的概率,q(X)是指注塑件表面微缺陷预测出来的概率估计。
所述步骤S7中,输入一幅注塑件表面微缺陷图形到所述步骤S6中的模型中,即可识别出微缺陷类别,可表示为。
本发明提出的基于深度残差网络的注塑件表面微缺陷自动快速检测方法,其关键在于,(1)构建注塑件表面微缺陷混合数据集;(2)设计基于深度学习的深度残差网络注塑件微缺陷识别框架;(3)训练基于深度学习的深度残差网络注塑件微缺陷识别框架。本发明只需要输入一幅注塑件表面微缺陷图形就可以识别出微缺陷类别,识别速度快,检出率高。
应当理解,虽然本说明书是按照上述实施例描述的,但并非上述实施例仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,上述实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。
Claims (8)
1.基于深度残差网络的注塑件表面微缺陷自动快速检测方法,其特征在于,包括以下步骤:
S1:利用注塑成型仿真软件和注塑成型工业产品两种途径分别收集注塑件表面短射、飞边、熔接痕、气泡、裂纹五种类型的微缺陷和无缺陷仿真、真实图形;
S2:对所述步骤S1中的注塑件表面微缺陷和无缺陷仿真、真实图形进行归一化、降噪和裁剪处理;
S3:对所述步骤S2中的注塑件表面微缺陷和无缺陷仿真、真实图形进行微缺陷和无缺陷标记,进而构建注塑件表面微缺陷混合数据集;
S4:设计基于深度学习的深度残差网络注塑件微缺陷识别框架;
S5:利用步骤S3中的注塑件表面微缺陷混合数据集,对步骤S4中的基于深度学习的深度残差网络微缺陷识别框架进行训练和验证,直至满足预设识别精度要求,结束训练;
S6:获得所述步骤S5中的基于深度学习的深度残差网络注塑件微缺陷识别框架模型;
S7:输入一幅注塑件表面微缺陷图形到所述步骤S6中的模型中,即可识别出微缺陷类别。
2.如权利要求1所述的基于深度残差网络的注塑件表面微缺陷自动快速检测方法,其特征在于,所述步骤S2中的注塑件表面微缺陷和无缺陷仿真、真实图形进行归一化、降噪和裁剪处理,具体包括以下子步骤:
S21:所述的归一化,即将注塑件表面微缺陷和无缺陷仿真、真实图形归一化到[0 1]之间;
S22:所述的裁剪,即将注塑件表面微缺陷和无缺陷仿真、真实图形裁剪成256×256大小的像素尺寸;
S23:所述的降噪处理,即利用中值滤波算法对注塑件表面微缺陷和无缺陷仿真、真实图形进行噪声过滤。
4.如权利要求1所述的基于深度残差网络的注塑件表面微缺陷自动快速检测方法,其特征在于,所述步骤S4中的设计出适用于基于深度学习的深度残差网络注塑件微缺陷识别框架,具体包括以下子步骤:
S41:所述的输入图像为注塑件表面微缺陷或无缺陷图形,其大小为256×256;
S42:所述的卷积运算1,其卷积核大小为7×7,特征数为64,步长为2,输出图形大小为128×128;
S43:所述的最大池化运算,其卷积核大小为3×3、步长为2,输出图形大小为64×64;
S44:所述的残差学习模块1,其由两个卷积核大小为3×3、特征数为64的卷积运算组成,输出图形大小为64×64;
S45:继续后接1个所述步骤S44中的残差学习模块1;
S46:所述的残差学习模块2,其由1个卷积核大小为3×3、特征数为128和1个卷积核大小为3×3、特征数为128、步长为2的卷积运算组成,输出图形大小为32×32;
S47:所述的残差学习模块3,其由两个卷积核大小为3×3、特征数为128的卷积运算组成,输出图形大小为32×32;
S48:继续后接2个所述步骤S47中的残差学习模块3;
S49:所述的残差学习模块4,其由1个卷积核大小为3×3、特征数为256和1个卷积核大小为3×3、特征数为256、步长为2的卷积运算组成,输出图形大小为16×16;
S410:所述的残差学习模块5,其由两个卷积核大小为3×3、特征数为256的卷积运算组成,输出图形大小为16×16;
S411:继续后接2个所述步骤S410中的残差学习模块5;
S412:所述的残差学习模块6,其由两个卷积核大小为3×3、特征数为512的卷积运算组成,输出图形大小为8×8;
S413:继续后接1个所述步骤S412中的残差学习模块6;
S414:全连接层输出大小为1×6。
6.如权利要求1所述的基于深度残差网络的注塑件表面微缺陷自动快速检测方法,其特征在于,所述步骤S1中的注塑件表面微缺陷和无缺陷仿真、真实图形,即可表示为Xi(i=1,2,…,N),其中N为注塑件表面微缺陷和无缺陷图形总和数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232284.7A CN112906302A (zh) | 2021-03-01 | 2021-03-01 | 基于深度残差网络的注塑件表面微缺陷自动快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232284.7A CN112906302A (zh) | 2021-03-01 | 2021-03-01 | 基于深度残差网络的注塑件表面微缺陷自动快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906302A true CN112906302A (zh) | 2021-06-04 |
Family
ID=76108644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110232284.7A Pending CN112906302A (zh) | 2021-03-01 | 2021-03-01 | 基于深度残差网络的注塑件表面微缺陷自动快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906302A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706509A (zh) * | 2021-08-30 | 2021-11-26 | 常州工利精机科技有限公司 | 一种可用于冲压件表面微缺陷成像的检测方法 |
CN116756535A (zh) * | 2023-08-17 | 2023-09-15 | 深圳市则成电子股份有限公司 | Fpc的缺陷检测方法、装置以及检测设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN107833273A (zh) * | 2017-11-02 | 2018-03-23 | 重庆市勘测院 | 基于三维仿真模型的倾斜摄影三维模型对象化应用方法 |
CN108492319A (zh) * | 2018-03-09 | 2018-09-04 | 西安电子科技大学 | 基于深度全卷积神经网络的运动目标检测方法 |
CN111724317A (zh) * | 2020-05-20 | 2020-09-29 | 天津大学 | Raw域视频去噪监督数据集构造方法 |
CN112053317A (zh) * | 2020-04-26 | 2020-12-08 | 张辉 | 一种基于级联神经网络的工件表面缺陷检测方法 |
-
2021
- 2021-03-01 CN CN202110232284.7A patent/CN112906302A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN107833273A (zh) * | 2017-11-02 | 2018-03-23 | 重庆市勘测院 | 基于三维仿真模型的倾斜摄影三维模型对象化应用方法 |
CN108492319A (zh) * | 2018-03-09 | 2018-09-04 | 西安电子科技大学 | 基于深度全卷积神经网络的运动目标检测方法 |
CN112053317A (zh) * | 2020-04-26 | 2020-12-08 | 张辉 | 一种基于级联神经网络的工件表面缺陷检测方法 |
CN111724317A (zh) * | 2020-05-20 | 2020-09-29 | 天津大学 | Raw域视频去噪监督数据集构造方法 |
Non-Patent Citations (1)
Title |
---|
汤光恒;邓海波;汤大昶;: "基于计算机视觉塑料成型缺陷多维检测的研究", 塑料科技, no. 07 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706509A (zh) * | 2021-08-30 | 2021-11-26 | 常州工利精机科技有限公司 | 一种可用于冲压件表面微缺陷成像的检测方法 |
CN113706509B (zh) * | 2021-08-30 | 2024-02-27 | 常州工利精机科技有限公司 | 一种可用于冲压件表面微缺陷成像的检测方法 |
CN116756535A (zh) * | 2023-08-17 | 2023-09-15 | 深圳市则成电子股份有限公司 | Fpc的缺陷检测方法、装置以及检测设备 |
CN116756535B (zh) * | 2023-08-17 | 2023-11-24 | 深圳市则成电子股份有限公司 | Fpc的缺陷检测方法、装置以及检测设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507990B (zh) | 一种基于深度学习的隧道表面缺陷分割方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN108305243B (zh) | 一种基于深度学习的磁瓦表面缺陷检测方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN107328787A (zh) | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 | |
CN110806736A (zh) | 一种模锻成形智能制造生产线锻件质量信息检测方法 | |
CN112906302A (zh) | 基于深度残差网络的注塑件表面微缺陷自动快速检测方法 | |
CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 | |
CN103278511B (zh) | 基于多尺度角点特征提取的晶片缺陷检测方法 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN107622277A (zh) | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 | |
CN110766664B (zh) | 一种基于深度学习的电子元器件外观不良品的检测方法 | |
CN106846313A (zh) | 工件表面缺陷检测方法和装置 | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN109472783B (zh) | 一种泡沫镍表面缺陷提取及分类方法 | |
CN109101976B (zh) | 一种灭弧栅片表面缺陷的检测方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
CN112614105B (zh) | 一种基于深度网络的3d点云焊点缺陷检测方法 | |
CN107153067A (zh) | 一种基于matlab的零件表面缺陷检测方法 | |
CN116612106A (zh) | 一种基于yolox算法的光学元件表面缺陷检测方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 |
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 |