CN113034420B - 一种频率空间域特征的工业产品表面缺陷分割方法及系统 - Google Patents

一种频率空间域特征的工业产品表面缺陷分割方法及系统 Download PDF

Info

Publication number
CN113034420B
CN113034420B CN201911234650.1A CN201911234650A CN113034420B CN 113034420 B CN113034420 B CN 113034420B CN 201911234650 A CN201911234650 A CN 201911234650A CN 113034420 B CN113034420 B CN 113034420B
Authority
CN
China
Prior art keywords
defect
picture
industrial product
segmentation model
domain features
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
Application number
CN201911234650.1A
Other languages
English (en)
Other versions
CN113034420A (zh
Inventor
付彦伟
李树昀
谢宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuqing Shanghai Intelligent Technology Co ltd
Fudan University
Original Assignee
Fuqing Shanghai Intelligent Technology Co ltd
Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuqing Shanghai Intelligent Technology Co ltd, Fudan University filed Critical Fuqing Shanghai Intelligent Technology Co ltd
Priority to CN201911234650.1A priority Critical patent/CN113034420B/zh
Publication of CN113034420A publication Critical patent/CN113034420A/zh
Application granted granted Critical
Publication of CN113034420B publication Critical patent/CN113034420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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

Abstract

本发明提供一种频率空间域特征的工业产品表面缺陷分割方法及系统，其特征在于，采用预先训练完成的缺陷分割模型对预处理过的待测工业产品表面图片进行处理，得到预测的缺陷分割图片从而完成对工业产品表面缺陷的像素级精确分割，缺陷分割模型的训练过程包括如下步骤：步骤S1，获取预先标注的工业产品表面缺陷数据集作为初始训练集；步骤S2，对初始训练集进行预处理形成待使用训练集；步骤S3，构建拥有两个子网络的缺陷分割模型，缺陷分割模型包含一个主网络以及一个辅网络；步骤S4，构建损失函数；步骤S5，基于待使用训练集以及损失函数对缺陷分割模型进行训练。

Description

一种频率空间域特征的工业产品表面缺陷分割方法及系统
技术领域
本发明属于机器视觉领域，具体涉及一种结合频率域和空间域特征的工业缺陷检测方法模型与系统。
背景技术
工业缺陷检测是现代生产生活中必不可少的一个组成部分，在包括钢铁，手机屏幕，手机背板，手机外壳，道路建设等众多生产领域，缺陷检测都作为生产工作的重要一环，用以确保产品的质量和安全，而产品表面缺陷的检测是其中的重点，其不仅关系到产品的美观，更关系到产品的安全。由于工业产品的产量大，对大量的产品进行表面缺陷检测标注需要消耗的人与物力也成为了棘手的问题。针对这个问题，一个有效的解决方法就是利用机器代替人，自动提取视频中有用的信息进行分析。因此，工业缺陷检测已经成为了计算机视觉尤其是机器视觉中一个受到较多关注的主题。
一般在工业产品检测中，检测员会根据看到的产品分析其是否存在缺陷，如果存在缺陷，需要检测员标记处缺陷的位置，以及具体缺陷的大小。近年来机器学习方法在图像理解分析领域应用愈加广泛，但是由于工业产品表面缺陷情况复杂多样，很多缺陷难以检测，造成机器学习方法在这方面的应用效果比较差。
文献[1,2]使用统计学上的方法(比如：直方图算法和局部二值模式等)来获取纹理特征，进而利用支持向量机(SVM)等方法分析出缺陷的位置和类型，但是这些方法往往计算复杂，计算速度慢且精确度低。
文献[3]使用深度学习的方法来提取深度特征，利用深度特征对金属表面缺陷进行检测和分类，但是由于其只是利用检测框标记出缺陷位置，缺乏足够的精细度。
[1]Robert M Haralick and others.1979.Statistical and structuralapproaches to texture.Proc.IEEE 67,5(1979),786–804.
[2]Xianghua Xie and Majid Mirmehdi.2005.Texture exemplars for defectdetection on random textures.In International Conference on PatternRecognition and ImageAnalysis.Springer,404–413.
[3]Tao X,Zhang D,Ma W,et al.Automatic metallic surface defectdetection and recognition with convolutional neural networks[J].AppliedSciences,2018,8(9):1575.
发明内容
为解决上述问题，提供一种能够自动对工业产品表面图片中的缺陷进行像素级别的精确分割的分割方法与系统，本发明采用了如下技术方案：
本发明提供了一种频率空间域特征的工业产品表面缺陷分割方法，其特征在于，采用预先训练完成的缺陷分割模型对待测工业产品表面图片进行处理，得到预测的缺陷分割图片从而完成对工业产品表面缺陷的精确分割，缺陷分割模型的训练过程包括如下步骤：步骤S1，获取预先标注的工业产品表面缺陷数据集作为初始训练集；步骤S2，对初始训练集进行预处理形成待使用训练集；步骤S3，构建拥有两个子网络的缺陷分割模型，包含一个主网络以及一个辅网络；步骤S4，构建损失函数；步骤S5，基于待使用训练集以及损失函数对缺陷分割模型进行训练，其中，辅网络使用小波变换和多层卷积层提取频率域特征，并使用反小波变换和多层卷积层对频率域特征进行上采样操作，主网络使用深度卷积提取空间域特征，并使用反卷积对空间域特征进行上采样同时结合辅网络的上采样结果从而输出缺陷分割图片。
本发明提供的频率空间域特征的工业产品表面缺陷分割方法，还可以具有这样的技术特征，其中，工业产品表面缺陷数据集包含工业产品表面图片以及相应的缺陷标注信息，步骤S2的预处理包括：根据缺陷标注信息对工业产品表面图片围绕着缺陷进行分割从而分割出多张尺寸大小一致的缺陷图片；将缺陷图片直接作为主网络的输入的RGB图片，并将该缺陷图片灰度化后形成作为辅网络的输入的灰度图片；将RGB图片、灰度图片以及相对应的缺陷标注信息作为待使用训练集。
本发明提供的频率空间域特征的工业产品表面缺陷分割方法，还可以具有这样的技术特征，其中，损失函数为缺陷分割图片与实际分割标注的二分类交叉熵损失函数。
本发明还提供了一种频率空间域特征的工业产品表面缺陷分割系统，其特征在于，包括：计算机设备，用于对预处理过的待测工业产品表面图片进行处理得到预测的缺陷分割图片从而完成对工业产品表面缺陷的精确分割，该计算机设备包括一个预先训练完成的缺陷分割模型；以及展示设备，用于展示待测工业产品表面图片以及相应的缺陷分割图片，其中，缺陷分割模型通过如下训练步骤训练得到：步骤S1，获取预先标注的工业产品表面缺陷数据集作为初始训练集；步骤S2，对初始训练集进行预处理形成待使用训练集；步骤S3，构建拥有两个子网络的缺陷分割模型，缺陷分割模型包含一个主网络以及一个辅网络，辅网络使用小波变换和多层卷积层提取频率域特征并使用反小波变换和多层卷积层进行上采样操作，主网络使用深度卷积提取空间域特征并使用反卷积进行上采样，进一步结合辅网络的上采样结果从而输出缺陷分割图片；步骤S4，构建损失函数；步骤S5，基于待使用训练集以及损失函数对缺陷分割模型进行训练。
发明作用与效果
根据本发明的频率空间域特征的工业产品表面缺陷分割方法及系统，由于采用了含有主、辅两个子网络的缺陷分割模型对工业产品表面图片的缺陷进行分割，其中辅网络使用了小波变换和多层卷积提取图片的频率域特征，主网络提取空间域特征的同时、结合辅网络提取到的频率域特征对缺陷进行了精确分割，从而实现了通过频率对图片中不明显的缺陷进行识别，解决了过去难以通过空间域特征对这些缺陷进行识别的问题。因此，通过本实施例的缺陷分割模型能够对工业产品表面图片获取更高阶、更全面的图片表征，从而加强了识别的可靠性，其在缺陷分割的效果上更胜一筹，并且在速度上比传统的统计学方法计算速度更快，方便了对大量的工程图进行快速、准确、自动化的识别。
附图说明
图1是本发明实施例中频率空间域特征的工业产品表面缺陷分割系统的结构框图；
图2是本发明实施例中缺陷分割模型的结构示意图；以及
图3是本发明实施例中缺陷分割模型的训练过程的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的频率空间域特征的工业产品表面缺陷分割方法及系统作具体阐述。
<实施例>
本实施例中，频率空间域特征的工业产品表面缺陷分割方法通过一台计算机执行并生成相应的缺陷分割结果，该计算机可以与一个用于展示缺陷分割结果的展示设备组成一个频率空间域特征的工业产品表面缺陷分割系统。
图1是本发明实施例中频率空间域特征的工业产品表面缺陷分割系统的结构框图。
如图1所示，频率空间域特征的工业产品表面缺陷分割系统100包括计算机设备110以及展示设备191。
其中，用户在使用计算机设备110时，可以将数据媒体101导入计算机设备110中，例如通过数据载体(如U盘等)、无线数据通道或是数据线等方式完成数据的传输。本实施例中，数据媒体101为各种工业产品的工业产品表面图片，计算机设备110能够对这些工业产品表面图片进行缺陷分割处理。
计算设备110是处理工业数据101的计算设备，主要包括处理器120以及内存130。
本实施例中，计算设备110可以是一台由用户持有的计算机，通过运行与方法相对应的可执行程序从而实现对工业产品表面图片的处理。
处理器120是一个用于计算设备110的硬件处理器，如中央处理器CPU或是图形计算处理器GPU。
内存130是一个非易失的存储设备，用于存储计算机代码以及各类数据或是中间参数。
本实施例中，内存130中存储有工业产品表面缺陷数据集135、可执行代码140以及其他数据或参数。
工业产品表面缺陷数据集135为实现获取并存储在内存130中，用于在缺陷分割模型的训练过程中使用。
可执行代码140包括一至多个软件模块，为根据频率空间域特征的工业产品表面缺陷分割方法事先对应设计，用于被处理器120执行从而完成相应的计算或处理。
本实施例中，如图1所示，可执行代码140含有空间域特征提取模块141、频率域特征提取模块144、特征融合模块143以及基于融合特征的上采样模块147，具体地：
空间域特征提取模块141用于通过3x3的卷积网络配合ReLU激活函数获取高维度的空间域特征。
频率域特征提取模块144用于通过小波变换结合卷积层提取频率域特征。
特征融合模块143用于将空间域特征提取模块141和频率域特征提取模块144所提取的空间域特征以及频率域特征相融合从而形成融合特征。
基于融合特征的上采样模块147是利用反小波对频率域特征进行上采样，通过反卷积一方面对空间域特征进行上采样，另一方面对空间域和频率域的融合特征进行上采样，最终得到缺陷分割图片。
本实施例中，上述空间域特征提取模块141、频率域特征提取模块144、特征融合模块143以及基于融合特征的上采样模块147为基于事先训练完成的缺陷分割模型对应设计，即将该四个模块组合后即可视作一个完整的缺陷分割模型。在计算机获取到用户输入的待测的工业产品表面图片后，处理器120就会对该工业产品表面图片依次执行上述四个模块进行相应计算，最终即可输出相应预测出的缺陷分割图片(例如，以将工业产品表面图片输入缺陷分割模型的方式得到预测的缺陷分割图片)。
图2是本发明实施例中缺陷分割模型的结构示意图。
如图2所示，缺陷分割模型为一个主-辅深度神经网络，其分为主网络以及辅网络。具体地：
辅网络中首先使用小波变换和多层卷积层提取频率域特征，并使用反小波变换和多层卷积层进行上采样操作。
本实施例中，辅网络是基于小波变换和深度卷积相结合的网络模型。其输入是原始图片的灰度图，经过小波变换后得到四张原图1/4大小的图片，小波变换后的四张图片连接成12个通道的特征图后输入到3x3的卷积层配合ReLU激活函数进行非线性变换，以提取更高维度的频率域特征。
主网络中使用深度卷积提取空间域特征，之后在使用反卷积进行上采样的同时也会结合辅网络的上采样结果，(其中辅网络提取的特征是通过跳跃连接，传给主网络，并与主网络特征进行合并)最终输出缺陷分割结果(即缺陷分割图片)。
本实施例中，主网络的输入为原始图片，其使用2x2的卷积网络配合ReLU激活函数获取高维度的空间域特征。同时，主网络在特定层会接受辅网络传来的深度频率域特征，并将其与深度空间域特征相结合，其更新公式为：
Figure GDA0003962062660000081
式中，Mnet表示主网络，Snet表示辅网络，Ii表示第i个输入的待检测图片，
Figure GDA0003962062660000082
表示第i个待检测图片的灰度图，
Figure GDA0003962062660000083
表示最终的缺陷分割结果。
本实施例中，在主网络以及辅网络分别提取出频率域特征以及空间域特征后，还需要根据这两个特征完成缺陷分割，在此阶段中：对于辅网络来说，其使用反小波变换对深度频率域进行上采样，之后配合3x3卷积和ReLU激活函数通过非线性变换并减少特征维度，同时将其中间结果传给主网络，主网络则使用3x3的反卷积结合子网络传输过来的深度频率域特征进行上采样操作，经过多次这样的操作后得到最后的分割结果。
本实施例中，工业产品表面图片被缺陷分割模型处理时，需要通过一次预处理加工形成灰度图。此时，原本的工业产品表面图片(即RGB图片)会输入主网络进行处理，而预处理得到的灰度图会输入辅网络进行处理，最终结果在主网络中完成结合从而由主网络输出预测的缺陷分割图片。
本实施例中，根据上述结构完成初始的缺陷分割模型的构建后，还需要通过训练过程完成训练才能够得到相应训练完成的缺陷分割模型。
图3是本发明实施例中缺陷分割模型的训练过程的流程图。
本实施例中，缺陷分割模型通过如下方法训练得到：
步骤S1，对工业产品表面缺陷数据集的收集和标注。
本实施例中，采用的训练集为公开的产品缺陷数据集，比如道路缺陷数据集(crack-forest dataset)等，同时，也可以收集一些无标注的数据集并利用专业检测人员对其进行标注。训练集中的每张图片对应有缺陷标注信息，本实施例中的缺陷标注信息为一个二值的掩膜图片(黑色代表无缺陷，白色代表缺陷部分)。
步骤S2，对初始训练集进行预处理形成待使用训练集。
本实施例的步骤S2中，对步骤S1中的收集到的数据集进行预处理。由于一般产品缺陷数据集的数据量都比较少，图片尺寸又过大，难以训练，因此本实施例中围绕着缺陷部分切割出包含缺陷的小图作为训练图片，因为每一张小图中缺陷的位置都不一样，所以每一张小图都可以看作是不同的缺陷图片，从而在完成对训练图片进行预处理的同时还实现了数据增强。
步骤S3，构建上述缺陷分割模型。
步骤S4，构建损失函数。
本实施例汇总，使用了分割结果与实际真实分割标注之间的二分类交叉熵(Binary Cross Entropy)作为整个网络的目标函数(即损失函数)，这个目标函数可以有效地表示模型的预测能力和实际结果的差距。
步骤S5，基于待使用训练集以及损失函数对缺陷分割模型进行训练。
本实施例中，采用了Adam优化器对上述缺陷分割模型进行训练，设定的相应参数为：初始学习率lr＝0.005，系数betas＝(0.9,0.999)，权重衰减系数为0.00001。网络一共训练大约40轮直至收敛。
通过上述训练过程，即可得到训练完成的缺陷分割模型，该缺陷分割模型可以直接使用，或者打包为相应的程序方便计算机进行调用。
展示设备191为一个适合播放媒体数据101和显示计算设备110输出的分割结果的设备，可以是电脑、电视或是移动设备等具有显示功能的设备。
本实施例中，展示设备191在进行展示时会显示结果显示画面，该画面中对应地展示有工业产品表面图片以及相应的缺陷分割图片，从而让用户通过该画面完成相应的人机交互。
实施例作用与效果
根据本实施例提供的频率空间域特征的工业产品表面缺陷分割方法及系统，由于采用了含有主、辅两个子网络的缺陷分割模型对工业产品表面图片的缺陷进行分割，其中辅网络使用了小波变换和多层卷积提取图片的频率域特征，主网络提取空间域特征的同时、结合辅网络提取到的频率域特征对缺陷进行了精确分割，从而实现了通过频率与图片中不明显的缺陷进行识别，解决了过去难以通过空间域特征对这些缺陷进行识别的问题。因此，通过本实施例的缺陷分割模型能够对工业产品表面图片获取更高阶、更全面的图片表征，从而加强了识别的可靠性，其在缺陷分割的效果上更胜一筹，并且在速度上比传统的统计学方法计算速度更快，方便了对大量的工程图进行快速、准确、自动化的识别。
另外，实施例中，由于缺陷分割模型中的主网络在特定层将频率域特征以及空间域特征进行了整合，因此该缺陷分割模型能够进行端到端的训练。
另外，实施例中，由于在预处理时根据缺陷标注信息将工业产品表面图片围绕着缺陷进行分割成多张尺寸一致的小图，因此实现了数据增强，解决了工业领域中已标注缺陷的产品表面图片数据量不足的问题。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。

Claims (4)

1.一种频率空间域特征的工业产品表面缺陷分割方法，其特征在于，采用预先训练完成的缺陷分割模型对待测工业产品表面图片进行处理，得到预测的缺陷分割图片从而完成对工业产品表面缺陷的精确分割，
所述缺陷分割模型的训练过程包括如下步骤：
步骤S1，获取预先标注的工业产品表面缺陷数据集作为初始训练集；
步骤S2，对所述初始训练集进行预处理形成待使用训练集；
步骤S3，构建拥有两个子网络的缺陷分割模型，所述分割模型包含一个主网络以及一个辅网络；
步骤S4，构建损失函数；
步骤S5，基于所述待使用训练集以及所述损失函数对所述缺陷分割模型进行训练，
其中，所述辅网络使用小波变换和多层卷积层提取频率域特征，并使用反小波变换和多层卷积层对所述频率域特征进行上采样操作得到深度频率域特征，
所述主网络使用深度卷积提取空间域特征，并使用反卷积对所述空间域特征进行上采样操作得到深度空间域特征，
所述主网络在相对应的卷积层使所述深度空间域特征与所述辅网络传来的所述深度频率域特征相结合，从而输出所述缺陷分割图片。
2.根据权利要求1所述的频率空间域特征的工业产品表面缺陷分割方法，其特征在于：
其中，工业产品表面缺陷数据集包含工业产品表面图片以及相应的缺陷标注信息，
所述步骤S2的预处理包括：
根据所述缺陷标注信息对所述工业产品表面图片围绕着缺陷进行分割从而分割出多张尺寸大小一致的缺陷图片；
将所述缺陷图片直接作为所述主网络的输入的RGB图片，并将该缺陷图片灰度化后形成作为所述辅网络的输入的灰度图片；
将所述RGB图片、所述灰度图片以及相对应的所述缺陷标注信息作为待使用训练集。
3.根据权利要求1所述的频率空间域特征的工业产品表面缺陷分割方法，其特征在于：
其中，所述损失函数为所述缺陷分割图片与实际分割标注的二分类交叉熵损失函数。
4.一种频率空间域特征的工业产品表面缺陷分割系统，其特征在于，包括：
计算机设备，用于对预处理过的待测工业产品表面图片进行处理得到预测的缺陷分割图片从而完成对工业产品表面缺陷的精确分割，该计算机设备包括一个预先训练完成的缺陷分割模型；以及
展示设备，用于展示所述待测工业产品表面图片以及相应的所述缺陷分割图片，
其中，所述缺陷分割模型通过如下训练步骤训练得到：
步骤S1，获取预先标注的工业产品表面缺陷数据集作为初始训练集；
步骤S2，对所述初始训练集进行预处理形成待使用训练集；
步骤S3，构建拥有两个子网络的缺陷分割模型，所述缺陷分割模型包含一个主网络以及一个辅网络，
所述辅网络使用小波变换和多层卷积层提取频率域特征并使用反小波变换和多层卷积层进行上采样操作得到深度频率域特征，
所述主网络使用深度卷积提取空间域特征并使用反卷积进行上采样操作得到深度空间域特征，进一步所述主网络在相对应的卷积层使所述深度空间域特征与所述辅网络传来的所述深度频率域特征相结合，从而输出所述缺陷分割图片；
步骤S4，构建损失函数；
步骤S5，基于所述待使用训练集以及所述损失函数对所述缺陷分割模型进行训练。
CN201911234650.1A 2019-12-05 2019-12-05 一种频率空间域特征的工业产品表面缺陷分割方法及系统 Active CN113034420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911234650.1A CN113034420B (zh) 2019-12-05 2019-12-05 一种频率空间域特征的工业产品表面缺陷分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911234650.1A CN113034420B (zh) 2019-12-05 2019-12-05 一种频率空间域特征的工业产品表面缺陷分割方法及系统

Publications (2)

Publication Number Publication Date
CN113034420A CN113034420A (zh) 2021-06-25
CN113034420B true CN113034420B (zh) 2023-02-28

Family

ID=76450727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911234650.1A Active CN113034420B (zh) 2019-12-05 2019-12-05 一种频率空间域特征的工业产品表面缺陷分割方法及系统

Country Status (1)

Country Link
CN (1) CN113034420B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169248B (zh) * 2021-12-14 2023-03-14 广域铭岛数字科技有限公司 产品缺陷数据分析方法、系统、电子设备及可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110189290A (zh) * 2019-04-08 2019-08-30 广东工业大学 基于深度学习的金属表面细微缺陷检测方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110189290A (zh) * 2019-04-08 2019-08-30 广东工业大学 基于深度学习的金属表面细微缺陷检测方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Novel Fault Diagnosis Method for Rotating Machinery Based on a Convolutional Neural Network;Sheng Guo，et al.;《sensors》;20180504;全文 *
An Intelligent Gear Fault Diagnosis Methodology Using a Complex Wavelet Enhanced Convolutional Neural Network;Weifang Sun，et al.;《materials》;20170712;全文 *
基于多尺度小波变换和结构化森林的表面裂纹分割;王森等;《光学学报》;20180627(第08期);全文 *
基于度量学习的小样本零器件表面缺陷检测;于重重等;《仪器仪表学报》(第07期);全文 *
结合时频分析和卷积神经网络的滚动轴承故障诊断优化方法研究;黄驰城;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20190515;全文 *

Also Published As

Publication number Publication date
CN113034420A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN111368788B (zh) 图像识别模型的训练方法、装置及电子设备
US10860879B2 (en) Deep convolutional neural networks for crack detection from image data
Zhang et al. Ensnet: Ensconce text in the wild
CN110781839A (zh) 一种基于滑窗的大尺寸图像中小目标识别方法
CN112070727B (zh) 一种基于机器学习的金属表面缺陷检测方法
CN112906794A (zh) 一种目标检测方法、装置、存储介质及终端
CN110378254B (zh) 车损图像修改痕迹的识别方法、系统、电子设备及存储介质
CN109034136A (zh) 图像处理方法、装置、摄像设备及存储介质
CN112001362A (zh) 一种图像分析方法、图像分析装置及图像分析系统
CN113569852A (zh) 语义分割模型的训练方法、装置、电子设备及存储介质
CN111754502A (zh) 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法
CN113034420B (zh) 一种频率空间域特征的工业产品表面缺陷分割方法及系统
CN114445410A (zh) 基于图像识别的电路板检测方法、计算机及可读存储介质
CN111222530A (zh) 一种细粒度图像分类方法、系统、装置和存储介质
CN112989958A (zh) 基于YOLOv4与显著性检测的安全帽佩戴识别方法
CN115908988B (zh) 一种缺陷检测模型生成方法、装置、设备以及存储介质
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
CN116797590A (zh) 一种基于机器视觉的Mura缺陷检测方法及系统
CN112200766A (zh) 基于区域关联神经网络的工业产品表面缺陷检测方法
JP6405603B2 (ja) 情報処理装置、情報処理システム及びプログラム
CN115578362A (zh) 电极涂层的缺陷检测方法、装置、电子设备及介质
JP2011090708A (ja) 対象個数検出装置および対象個数検出方法
CN115578624A (zh) 农业病虫害模型构建方法、检测方法及装置
JP2001236508A (ja) 顕著性算出装置及び方法
CN115375991A (zh) 一种强/弱光照和雾环境自适应目标检测方法

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
GR01 Patent grant
GR01 Patent grant