CN113077431A - 基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质 - Google Patents
基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113077431A CN113077431A CN202110341277.0A CN202110341277A CN113077431A CN 113077431 A CN113077431 A CN 113077431A CN 202110341277 A CN202110341277 A CN 202110341277A CN 113077431 A CN113077431 A CN 113077431A
- Authority
- CN
- China
- Prior art keywords
- laser chip
- network
- deep learning
- original image
- image
- 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 86
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000013526 transfer learning Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000006748 scratching Methods 0.000 claims 2
- 230000002393 scratching effect Effects 0.000 claims 2
- 238000005336 cracking Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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 using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20212—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
- G06T2207/30004—Biomedical image processing
- G06T2207/30072—Microarray; Biochip, DNA array; Well plate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像目标识别领域，特别是基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质；包括获得激光器芯片的原始图像；采用VGG‑16网络进行迁移学习，进行原始图像的特征提取；融合原始图像和VGG‑16网络卷积后的图像，输入Faster R‑CNN的RPN网络确定候选框，并对候选框内的特征进行缺陷分类；利用Fast R‑CNN检测器确定原始图像的缺陷类型。通过将卷积后图像与原始图像融合后输入RPN网络及用RPN网络生成候选框、对生成的候选框进行分类等对Faster‑RCNN网络改进，实现对激光器芯片的缺陷进行识别、定位、分类，辨识度高、良品率好，且具有实时性。
Description
技术领域
本发明涉及图像目标识别领域，特别是基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质。
背景技术
由于激光器芯片生产的复杂性，经过复杂的生产工艺后，往往会形成各种各样的缺陷，而在正常的使用过程中，这些会对激光器的使用寿命造成不同程度的影响，甚至会造成激光器直接失效。因此在激光器的生产过程中，对其进行缺陷检测，并且根据缺陷的类型进行分类，将有助于提高激光器芯片的生产工艺，提高生产的芯片的良品率。但是激光器芯片缺陷尺度小，辨识度低等特点对无损的缺陷检测带来极大的困难。传统的检测方法难以满足对精度和检测速度的实时性要求。
随着计算机硬件以及成像技术的不断发展，深度学习在目标识别上的应用上得到极大的发展。但现有的深度学习方法尚不能满足对识度低、尺度小的激光器芯片缺陷进行识别精确性和检测速度的实时性的要求。
发明内容
本发明的目的在于提供一种基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质，以满足对识度低、尺度小的激光器芯片缺陷进行识别精确性和检测速度的实时性的要求。
为实现上述技术目的，达到上述技术效果，本发明实施例提供了一种基于深度学习的激光芯片缺陷检测方法，所述检测方法包括，
S11获得激光器芯片的原始图像；
S12采用VGG-16网络进行迁移学习，进行原始图像的特征提取；
S13融合原始图像和VGG-16网络卷积后的图像，输入Faster R-CNN的RPN网络确定候选框，并对候选框内的特征进行缺陷分类；
S14利用Fast R-CNN检测器确定原始图像的缺陷类型。
进一步地，所述S11步骤包括：利用红外相机获得激光器芯片的原始图像。
进一步地，所述检测方法还包括，
提取由红外相机获得的激光器芯片损伤缺陷图像的数据集；
数据扩充及预处理；
利用VGG-16网络提取特征；
将原始图像与VGG-16网络卷积后的图像融合后输入RPN网络；
利用Fast R-CNN检测器进行目标区域框回归训练；
划分训练集、验证集及测试集，通过训练集集验证集进行初始化网络结构，得到训练完成的网络；
评估Faster R-CNN模型。
进一步地，所述检测方法还包括，
所述VGG-16网络包括5个卷积层，
将原始图像和第五层卷积后的图像相融合再传送给RPN网络。
进一步地，所述S13还包括，
调整候选框的宽高比；
基于缺陷随机分布的特点，设置锚点的横纵比例小于预设阈值。
进一步地，所述缺陷类型包括表面点蚀、表面划痕、腔面错位、表面裂纹和/或表面擦痕。
作为本发明的又一方面，本发明还提供一种基于深度学习的激光芯片缺陷检测系统，激光芯片缺陷检测系统包括，
采集模块，用于获得激光器芯片的原始图像；
提取模块，用于采用VGG-16网络进行迁移学习，进行原始图像的特征提取；
分类模块，用于融合原始图像和VGG-16网络卷积后的图像，输入Faster R-CNN的RPN网络确定候选框，并对候选框内的特征进行缺陷分类；
检测模块，利用Fast R-CNN检测器确定原始图像的缺陷类型。
作为本发明的再一方面，本发明还提供一种激光芯片缺陷识别设备，所述激光芯片缺陷识别设备包括：存储器、处理器，通信总线以及存储在所述存储器上的基于深度学习的激光芯片缺陷检测程序，
所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述基于深度学习的激光芯片缺陷检测程序，以实现如上述任一实施例所述的基于深度学习的激光芯片缺陷检测方法的步骤。
作为本发明的又一方面，本发明还提供一种存储介质，所述存储介质上存储有基于深度学习的激光芯片缺陷检测程序，所述基于深度学习的激光芯片缺陷检测程序被处理器执行时实现如上述任意一实施例所述基于深度学习的激光芯片缺陷检测方法的步骤。
本发明实施例至少部分实现了如下技术效果：
本发明提供一种通过将卷积后图像与原始图像融合后输入RPN网络及用RPN网络生成候选框、对生成的候选框进行分类等对Faster-RCNN网络改进，实现对激光器芯片的缺陷进行识别、定位、分类，辨识度高、良品率好，且具有实时性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所记载的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明一实施例基于深度学习的激光芯片缺陷检测方法的流程图；
图2为本发明一实施例通过VGG-16网络卷积后与原始图像融合输入RPN网络的示意图；
图3为本发明一实施例基于深度学习的激光芯片缺陷检测模型训练方法的流程图；
图4为本发明一实施例基于深度学习的激光芯片缺陷检测系统的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。
在一个实施例中，如图1所示，提供了一种基于深度学习的激光芯片缺陷检测方法，所述检测方法包括，
S11获得激光器芯片的原始图像；
S12采用VGG-16网络进行迁移学习，进行原始图像的特征提取；
S13融合原始图像和VGG-16网络卷积后的图像，输入Faster R-CNN的RPN网络确定候选框，并对候选框内的特征进行缺陷分类；
S14利用Fast R-CNN检测器确定原始图像的缺陷类型。
由于激光器芯片生产工艺的复杂性，往往会产生各种各样的缺陷，然而缺陷辨识度低、尺度小。传统的检测方法难以满足对精读和检测速度的要求。本发明对Faster-RCNN网络进行改进，分为两个步骤：用RPN模块生成候选框及对生成的候选框进行分类，实现对激光器芯片缺陷进行识别、定位、分类，精度高，速度快。
优选地，所述S11步骤包括：利用红外相机获得激光器芯片的原始图像。
优选地，所述检测方法还包括，
所述VGG-16网络包括5个卷积层，
将原始图像和第五层卷积后的图像相融合再传送给RPN网络。
在本实施例中，采用VGG-16网络进行迁移学习，然而在实际当中激光器芯片上的缺陷所占的像素很小，而在深层网络中，这些缺陷很容易被过滤掉。因此在直接使用VGG网络进行特征提取后，会明显降低网络的准确率。本实施例将原始图像和第五层卷积后的图像相融合再传送给RPN模块，参见图2所示，避免了缺陷特征再经过深层网络后而消失的问题，提高准确率。
在一个实施例中，所述S13还包括，
调整候选框的宽高比；
基于缺陷随机分布的特点，设置锚点的横纵比例小于预设阈值。
在本实施例中为候选框分类，得到特征图像后，对候选框内的特征进行缺陷的分类，之后再对所得到的候选框后进行进一步的优化，调整候选框的宽高比；由于缺陷有着随机分布的特点，锚点的横纵比例不能设置的过大。其中候选框的宽高比根据具体图片程序自动识别。
在一个实施例中，所述检测方法还包括，
S21利用红外相机得到激光器芯片损伤缺陷图像的数据集；
S22数据扩充及预处理；
S23利用VGG-16网络提取特征；
S24将原始图像与VGG-16网络卷积后的图像融合后输入RPN网络；
S25利用Fast R-CNN检测器进行目标区域框回归训练；
S26划分训练集、验证集及测试集，通过训练集集验证集进行初始化网络结构，得到训练完成的网络；
S27评估Faster R-CNN模型。
在本实施例中，为对检测模型进行训练，具体的训练方式结果图参考图3。
优选地，所述缺陷类型包括表面点蚀、表面划痕、腔面错位、表面裂纹和/或表面擦痕。
基于同一发明构思，本发明实施例还提供了一种基于深度学习的激光芯片缺陷检测系统，其所解决问题的原理与前述实施例的基于深度学习的激光芯片缺陷检测方法相似，因此该基于深度学习的激光芯片缺陷检测系统的实施可以参见前述实施例的方法的实施，重复之处不再赘述。
在一个实施例中，提供了一种基于深度学习的激光芯片缺陷检测系统，参考图4，激光芯片缺陷检测系统包括，
采集模块11，用于获得激光器芯片的原始图像；
提取模块12，用于采用VGG-16网络进行迁移学习，进行原始图像的特征提取；
分类模块13，用于融合原始图像和VGG-16网络卷积后的图像，输入Faster R-CNN的RPN网络确定候选框，并对候选框内的特征进行缺陷分类；
检测模块14，利用Fast R-CNN检测器确定原始图像的缺陷类型。
在一个实施例中，提供一种激光芯片缺陷识别设备，所述激光芯片缺陷识别设备包括：存储器、处理器，通信总线以及存储在所述存储器上的基于深度学习的激光芯片缺陷检测程序，
所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述基于深度学习的激光芯片缺陷检测程序，以实现如上述任一实施例所述的基于深度学习的激光芯片缺陷检测方法的步骤。
在一个实施例中，还提供一种存储介质，所述存储介质上存储有基于深度学习的激光芯片缺陷检测程序，所述基于深度学习的激光芯片缺陷检测程序被处理器执行时实现如上述任意一实施例所述基于深度学习的激光芯片缺陷检测方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.基于深度学习的激光芯片缺陷检测方法，其特征在于，所述检测方法包括，
S11获得激光器芯片的原始图像；
S12采用VGG-16网络进行迁移学习，进行原始图像的特征提取；
S13融合原始图像和VGG-16网络卷积后的图像，输入Faster R-CNN的RPN网络确定候选框，并对候选框内的特征进行缺陷分类；
S14利用Fast R-CNN检测器确定原始图像的缺陷类型。
2.如权利要求1所述的基于深度学习的激光芯片缺陷检测方法，其特征在于，所述S11步骤包括：利用红外相机获得激光器芯片的原始图像。
3.如权利要求1所述的基于深度学习的激光芯片缺陷检测方法，其特征在于，所述检测方法还包括，
提取由红外相机获得的激光器芯片损伤缺陷图像的数据集；
数据扩充及预处理；
利用VGG-16网络提取特征；
将原始图像与VGG-16网络卷积后的图像融合后输入RPN网络；
利用Fast R-CNN检测器进行目标区域框回归训练；
划分训练集、验证集及测试集，通过训练集集验证集进行初始化网络结构，得到训练完成的网络；
评估Faster R-CNN模型。
4.如权利要求1所述的基于深度学习的激光芯片缺陷检测方法，其特征在于，所述检测方法还包括，
所述VGG-16网络包括5个卷积层，
将原始图像和第五层卷积后的图像相融合再传送给RPN网络。
5.如权利要求1所述的基于深度学习的激光芯片缺陷检测方法，其特征在于，所述S13还包括，
调整候选框的宽高比；
基于缺陷随机分布的特点，设置锚点的横纵比例小于预设阈值。
6.如权利要求1-5任意一项所述的基于深度学习的激光芯片缺陷检测方法，其特征在于，所述缺陷类型包括表面点蚀、表面划痕、腔面错位、表面裂纹和/或表面擦痕。
7.基于深度学习的激光芯片缺陷检测系统，其特征在于，激光芯片缺陷检测系统包括，
采集模块，用于获得激光器芯片的原始图像；
提取模块，用于采用VGG-16网络进行迁移学习，进行原始图像的特征提取；
分类模块，用于融合原始图像和VGG-16网络卷积后的图像，输入Faster R-CNN的RPN网络确定候选框，并对候选框内的特征进行缺陷分类；
检测模块，利用Fast R-CNN检测器确定原始图像的缺陷类型。
8.一种激光芯片缺陷识别设备，其特征在于，所述激光芯片缺陷识别设备包括：存储器、处理器，通信总线以及存储在所述存储器上的基于深度学习的激光芯片缺陷检测程序，
所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述基于深度学习的激光芯片缺陷检测程序，以实现如权利要求1至6中任一项所述的基于深度学习的激光芯片缺陷检测方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有基于深度学习的激光芯片缺陷检测程序，所述基于深度学习的激光芯片缺陷检测程序被处理器执行时实现如权利要求1至6中任意一项所述基于深度学习的激光芯片缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110341277.0A CN113077431A (zh) | 2021-03-30 | 2021-03-30 | 基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110341277.0A CN113077431A (zh) | 2021-03-30 | 2021-03-30 | 基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113077431A true CN113077431A (zh) | 2021-07-06 |
Family
ID=76611632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110341277.0A Pending CN113077431A (zh) | 2021-03-30 | 2021-03-30 | 基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113077431A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114216911A (zh) * | 2021-12-20 | 2022-03-22 | 河北科技大学 | 一种金属选择性激光熔化成型中铺粉质量监测及控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
| CN110826416A (zh) * | 2019-10-11 | 2020-02-21 | 佛山科学技术学院 | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 |
| CN111242904A (zh) * | 2020-01-03 | 2020-06-05 | 广东工业大学 | 一种光纤端面检测方法和装置 |
| CN111951212A (zh) * | 2020-04-08 | 2020-11-17 | 北京交通大学 | 对铁路的接触网图像进行缺陷识别的方法 |
-
2021
- 2021-03-30 CN CN202110341277.0A patent/CN113077431A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
| CN110826416A (zh) * | 2019-10-11 | 2020-02-21 | 佛山科学技术学院 | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 |
| CN111242904A (zh) * | 2020-01-03 | 2020-06-05 | 广东工业大学 | 一种光纤端面检测方法和装置 |
| CN111951212A (zh) * | 2020-04-08 | 2020-11-17 | 北京交通大学 | 对铁路的接触网图像进行缺陷识别的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李晨曦 等: "《基于深度学习的配电网线路设备缺陷智能检测》", 《浙江电力》 * |
| 韩哲 等: "《基于改进遗传模糊聚类和水平集的图像分割算法》", 《计算机工程与设计》 * |
| 顾超越 等: "《基于改进Faster-RCNN的无人机巡检架空线路销钉缺陷检测》", 《高电压技术》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114216911A (zh) * | 2021-12-20 | 2022-03-22 | 河北科技大学 | 一种金属选择性激光熔化成型中铺粉质量监测及控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ren et al. | State of the art in defect detection based on machine vision | |
| CN110473179B (zh) | 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备 | |
| CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
| KR102150673B1 (ko) | 외관불량 검사방법 및 외관불량 검사 시스템 | |
| US9846929B2 (en) | Fast density estimation method for defect inspection application | |
| CN114902279A (zh) | 基于机器视觉的自动化缺陷检测 | |
| CN111932511A (zh) | 一种基于深度学习的电子元器件质量检测方法与系统 | |
| TWI743837B (zh) | 訓練資料增量方法、電子裝置與電腦可讀取記錄媒體 | |
| CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
| CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
| US20190272627A1 (en) | Automatically generating image datasets for use in image recognition and detection | |
| CN112330594A (zh) | 一种纸筒缺陷检测方法、装置、电子设备及存储介质 | |
| CN113077431A (zh) | 基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质 | |
| CN114612418A (zh) | 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备 | |
| CN117635590A (zh) | 一种笔记本电脑外壳的缺陷检测方法、缺陷检测装置和存储介质 | |
| CN116453086A (zh) | 识别交通标志的方法、装置和电子设备 | |
| CN115330743A (zh) | 基于双光检测缺陷的方法及相应的系统 | |
| CN113267506A (zh) | 木板ai视觉缺陷检测装置、方法、设备及介质 | |
| CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
| CN113592853A (zh) | 一种基于深度学习的原丝纤维表面缺陷检测方法 | |
| Liu et al. | Mobile-Deep Based PCB Image Segmentation Algorithm Research. | |
| CN113628212A (zh) | 不良偏光片识别方法、电子设备和存储介质 | |
| CA2997335A1 (en) | Automatically generating image datasets for use in image recognition and detection | |
| CN117576416B (zh) | 工件边缘区域的检测方法、设备及存储介质 | |
| CN217332186U (zh) | 木板ai视觉缺陷检测装置 |
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 |
Application publication date: 20210706 |
|
| RJ01 | Rejection of invention patent application after publication |