CN113111828B - 一种轴承三维缺陷检测方法及系统 - Google Patents
一种轴承三维缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN113111828B CN113111828B CN202110439649.3A CN202110439649A CN113111828B CN 113111828 B CN113111828 B CN 113111828B CN 202110439649 A CN202110439649 A CN 202110439649A CN 113111828 B CN113111828 B CN 113111828B
- Authority
- CN
- China
- Prior art keywords
- bearing
- image
- module
- defect detection
- images
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种轴承三维缺陷检测方法及系统。所述方法包括:在组合光源及转动平台作用下,获得N张待检测的二维轴承图像,对N张待检测的轴承图像进行预处理,得到用于缺陷检测的1/N张预处理图像,将1/N张预处理图像输入到预先训练的N通道的深度学习模型中,得到缺陷检测结果。本发明通过2D相机和转动平台相配合,并通过多视图多通道多注意力机制改进YOLO网络结构的检测算法,替代目前昂贵的3D相机检测方式,提高检测精度及检测效率,降低系统成本。
Description
技术领域
本发明属于机器视觉缺陷检测技术领域,具体涉及一种轴承三维缺陷检测方法及系统。
背景技术
轴承是各类机械装备的重要基础零部件,它的精度、性能、寿命和可靠性对主机的精度、性能、寿命和可靠性起着决定性的作用。在机械产品中,轴承属于高精度产品,不仅需要数学、物理等诸多学科理论的综合支持,而且需要材料科学、热处理技术、精密加工和测量技术、数控技术和有效的数值方法及功能强大的计算机技术等诸多学科为之服务,因此轴承又是一个代表国家科技实力的产品。
特别是小型轴承,其外观缺陷检测通常存在从单一方向打光时候无法提取出特别是划痕、凹坑、毛刺等具有三维特征的缺陷,很难从一个方向进行判别,从而导致现有的2D轴承检测设备或系统无法完全检测出轴承的三维缺陷;进而现有针对该类型缺陷,大多采用3D相机,但因3D相机依赖进口及价格昂贵无法满足企业的实际应用需求。
因此,如何提供一种在成本低廉的前提下,可以解决现有轴承生产企业面临的三维缺陷检测技术中存在的问题的轴承检测方案,是一个急需解决的问题。
发明内容
本发明的主要目的在于提供一种轴承三维缺陷检测方法及系统,从而克服现有技术轴承的表面三维缺陷检测技术,存在的2D相机方案检测精度与效率低,3D传感器方案价格又昂贵等问题。
为实现前述发明目的,本发明采用的技术方案包括:一种轴承三维缺陷检测方法,所述方法包括:
S100,将待检测的轴承固定于转动平台上,在相应的组合光源下,转动平台根据其设置的转动步长转动,转动的同时对轴承表面进行N个角度的拍摄,获得N张待检测的二维轴承图像,其中,N为大于等于3的自然数;
S200,对所述N张待检测的轴承图像进行预处理,得到用于缺陷检测的1/N张预处理图像;
S300,将所述1/N张预处理图像输入到预先训练的N通道的深度学习模型中,得到缺陷检测结果。
在一优选实施例中,S100中,对于不同规格的轴承,所述2D图像采集模块选用不同的组合光源,并使用转动平台设置不同转动步长,所述组合光源根据所述转动步长对轴承表面进行在光源下的N个角度的拍摄,所述转动步长=360°/N。
在一优选实施例中,S200中,所述预处理所使用的方法为滤波、字符模板定位、通道分离与融合、拼接与匹配方法中的一种或多种。
在一优选实施例中,所述方法还包括:
S400,存储所述缺陷检测结果和1/N张预处理图像,并根据存储的所述缺陷检测结果和1/N张预处理图像,优化与修改深度学习模型。
在一优选实施例中,所述方法还包括:
S10,训练YOLO多通道神经网络,得到N通道的检测模型。
在一优选实施例中,所述10包括:
S11,将步骤S200得到的所述1/N张预处理图像进行标注,作为训练图像;
S12,将所述训练图像输入多通道特征提取网络,使用特征提取网络进行图像高层特征信息提取,获得待测轴承的高层特征图像;
S13,引入多注意力机制,实现对轴承的缺陷部位权重增强,所述注意力机制包括空间注意力机制、通道注意力机制和卷积核自适应选择机制;
S14,将所述待测轴承的高层特征图像与标准轴承同层的特征图像做差分处理,得到待测轴承的高层特征差分图像;
S15,将所述高层特征差分图像输入检测网络,进行缺陷目标的检测,最后输出改进的YOLO检测模型给步骤S300。
在一优选实施例中,所述S400包括:
S16,将存储的所述缺陷检测结果和1/N张预处理图像,交由复检工人进行复检,剔除检测错误的检测结果图;
S17,将缺陷检测结果正确的图像和对应的标注数据输入改进的YOLO检测网络中重新训练,优化与修改深度学习模型参数,提高缺陷目标的精度,极大减少人工标注样本数量。
本发明实施例提供了一种轴承三维缺陷检测系统,包括:
2D图像采集模块,用于将待检测的轴承固定于转动平台上,在相应的组合光源下,转动平台根据其设置的转动步长转动,转动的同时对轴承表面进行N个角度的拍摄,获得N张待检测的二维轴承图像,其中,N为大于等于3的自然数;
图像预处理模块,用于对所述N张待检测的轴承图像进行预处理,得到用于缺陷检测的1/N张预处理图像;
图像缺陷检测模块,用于将所述1/N张预处理图像输入到预先训练的N通道的目标检测模型中,得到缺陷检测结果。
在一优选实施例中,所述2D图像采集模块包括:
转动平台,用于固定待检测的轴承及用于轴承的360度任意步长的旋转;
组合光源,用于提供图像采集所需的光源;
2D相机及镜头,用于在转动平台带动轴承转动的同时及组合光源照射的同时,对轴承表面进行N个角度的拍摄,获得N张待检测的二维轴承图像。
在一优选实施例中,所述组合光源采用一组可调节的同轴光源和环形光源。
在一优选实施例中,所述图像预处理模块所使用的方法为滤波、字符模板定位、通道分离与融合、拼接与匹配方法中的一种或多种。
在一优选实施例中,所述系统还包括:深度学习模型优化模块,用于存储所述缺陷检测结果和1/N张预处理图像,并根据存储的所述缺陷检测结果和1/N张预处理图像,优化与修改深度学习模型,所述优化与修改深度学习模型包括:
将存储的所述缺陷检测结果和1/N张预处理图像,交由复检工人进行复检,剔除检测错误的检测结果图;
将缺陷检测结果正确的图像和对应的标注数据输入改进的YOLO检测网络中重新训练,优化与修改深度学习模型参数,提高缺陷目标的精度,极大减少人工标注样本数量。
在一优选实施例中,所述系统还包括:连接于图像预处理模块与图像缺陷检测模块之间的深度学习模型训练模块,所述深度学习模型训练模块包括:
多通道图像载入模块,与图像预处理模块相连,用于将图像预处理模块得到的所述1/N张预处理图像载入N通道特征提取网络,以便进行图像高层特征信息提取;
图像高层特征信息提取模块,与图像载入模块相连,用于提取预处理图像的高层特征信息,得到待测轴承的高层特征图像;
多注意力机制模块,与图像高层特征信息提取模块相连,用于模型训练的过程中,增强对轴承的缺陷部位权重,所述注意力机制包括空间注意力机制、通道注意力机制和卷积核自适应选择机制;
高层特征图像差分模块,与多注意力机制模块相连,用于将所述待测轴承的高层特征图像与标准轴承同层的特征图像做差分,得到高层特征差分图像;
缺陷检测模块,与高层特征图像差分模块相连,用于将所述高层特征差分图像输入至检测网络,进行缺陷目标的检测,最后输出改进的YOLO检测模型给图像缺陷检测模块。
与现有技术相比较,本发明的有益效果至少在于:本发明通过2D相机和转动平台相配合,并通过多视图多通道多注意力机制模块改进的YOLO网络结构的检测算法,替代目前昂贵的3D相机检测方式,提高检测精度及检测效率,降低系统成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,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的附图。
图1是本发明一实施方式中检测方法的整体流程示意图;
图2是本发明一实施方式中检测系统的结构框图;
图3是本发明一实施方式中2D图像采集模块的结构示意图;
图4是本发明一实施方式中转动平台设置90°步长采集的图像;
图5是本发明一实施方式中对于轴承表面三维缺陷的检测结果图像。
具体实施方式
通过应连同所附图式一起阅读的以下具体实施方式将更完整地理解本发明。本文中揭示本发明的详细实施例;然而,应理解,所揭示的实施例仅具本发明的示范性,本发明可以各种形式来体现。因此,本文中所揭示的特定功能细节不应解释为具有限制性,而是仅解释为权利要求书的基础且解释为用于教示所属领域的技术人员在事实上任何适当详细实施例中以不同方式采用本发明的代表性基础。
本发明实施例所揭示的一种轴承三维缺陷检测方法及系统,涉及工业检测技术领域,尤其是涉及一种基于2D相机与转动平台的小型轴承的多视角三维外观缺陷检测方法与系统,三维缺陷包括但不限于为凹坑、划痕、毛刺等。
结合图1和图3所示,本发明实施例所揭示的一种轴承三维缺陷检测方法,包括以下步骤:
S100,将待检测的轴承固定于转动平台上,在相应的组合光源下,转动平台根据其设置的转动步长转动,转动的同时对轴承表面进行N个角度的拍摄,获得N张待检测的二维轴承图像,其中,N为大于等于3的自然数。
具体地,将待检测的轴承固定于转动平台上的中心,转动平台可以带动轴承进行360度任意步长的旋转。本实施例中,转动平台的转动步长=360°/N,其中,N为大于等于3的自然数。
且采用组合光源对转动平台上的轴承进行照射,本实施例中,组合光源采用一组可调节的同轴光源和环形光源,其中,同轴光源位于转动平台的上方,且与转动平台和轴承均同轴设置,环形光轴位于转动平台的侧上方,与转动平台顶部平面呈一定的倾斜角度设置。本发明对不同规格的轴承选用不同的组合光源。实施时,组合光源由一光源控制器(图未示)控制,所述组合光源可以是平行光、同轴光、环型光中两种以上光源的组合。
转动平台按照设定步长转动,转动的同时组合光源转动平台上的轴承表面进行照射,根据转动平台设定的转动步长对轴承进行拍摄,完成对轴承表面在光源下的N个角度拍摄,获得N张待检测的二维轴承图像,如N取4,则转动平台的转动步长则为90°,转动平台转动一圈实现对轴承表面4个角度的拍摄,如图4所示,为转动平台设置90°步长采集的图像。本实施例中,全部采用2D相机对轴承进行拍摄,相比于3D相机,成本较低。
S200,对N张待检测的轴承图像进行预处理,得到用于缺陷检测的1/N张预处理图像。
具体地,实施时,本发明对轴承图像的预处理方法可为滤波、字符模板定位、通道分离与融合、拼接与匹配方法中的一种或多种。
S300,将1/N张预处理图像输入到预先训练的N通道的深度学习模型中,得到缺陷检测结果。
具体地,本实施例中,深度学习模型的训练过程具体包括:
S11,将步骤S200得到的所述1/N张预处理图像进行标注,作为训练图像;
S12,将所述训练图像输入多通道特征提取网络,使用特征提取网络进行图像高层特征信息提取,获得待测轴承的高层特征图像;
S13,引入多注意力机制,实现对轴承的缺陷部位权重增强,所述注意力机制包括空间注意力机制、通道注意力机制和卷积核自适应选择机制,其中,空间注意力机制和通道注意力机制沿着两个独立的维度(通道和空间)依次推断注意力图,然后将注意力图与输入特征图相乘以进行自适应特征优化,卷积核自适应选择机制可以根据输入自适应地调整其感受野尺寸,捕获具有不同尺度的目标物体;
S14,将所述待测轴承的高层特征图像与标准轴承同层的特征图像做差分处理,得到待测轴承的高层特征差分图像;
S15,将所述高层特征差分图像输入检测网络,进行缺陷目标的检测,最后输出改进的YOLO检测模型给步骤S300。
如图5所示,为本发明一实施方式中对于轴承表面三维缺陷的检测结果图像。
S400,存储缺陷检测结果和1/N张预处理图像,并根据存储的所述缺陷检测结果和1/N张预处理图像,优化与修改深度学习模型。
具体地,本实施例中,优化与修改深度学习模型具体包括:
S16,将存储的所述缺陷检测结果和1/N张预处理图像,并根据存储的所述缺陷检测结果和1/N张预处理图像,优化与修改深度学习模型;具体是交由复检工人进行复检,剔除检测错误的检测结果图;
S17,将缺陷检测结果正确的图像和对应的标注数据输入改进的YOLO检测网络中重新训练,优化与修改深度学习模型参数,提高缺陷目标的精度,极大减少人工标注样本数量。
结合图2和图3所示,与上述一种轴承三维缺陷检测方法相对应的,本发明实施例所揭示的一种轴承三维缺陷检测系统,包括:
2D图像采集模块,用于将待检测的轴承固定于转动平台上,在相应的组合光源下,转动平台根据其设置的转动步长转动,转动的同时对轴承表面进行N个角度的拍摄,获得N张待检测的二维轴承图像,其中,N为大于等于3的自然数。
具体地,本实施例中,2D图像采集模块包括安装于一固定支架20上的转动平台10、组合光源和2D相机及镜头30,其中,转动平台10具体可为步进电机驱动的转动平台,转动平台10的顶部平台水平设置,其可以带动轴承(图未示)进行360度任意步长的旋转,待检测的轴承固定于转动平台10上的中心的轴承固定底座11上。
组合光源用于对转动平台10上的轴承进行照射,本实施例中,组合光源采用一组可调节的同轴光源40和/或环形光源50,其中,同轴光源40位于转动平台10的上方,且与转动平台10和轴承均同轴设置,环形光轴50位于转动平台10的侧上方,与转动平台10顶部平面呈一定的倾斜角度设置。本发明对不同规格的轴承选用不同的组合光源。实施时,组合光源由一光源控制器(图未示)控制。
图像预处理模块,用于对所述N张待检测的轴承图像进行预处理,得到用于缺陷检测的1/N张预处理图像。
本实施例中,图像预处理模块所使用的预处理方法为滤波、字符模板定位、通道分离与融合、拼接与匹配方法中的一种或多种。
图像缺陷检测模块,用于将所述1/N张预处理图像输入到预先训练的N通道的深度学习模型中,得到缺陷检测结果。
进一步地,还包括连接于图像预处理模块与图像缺陷检测模块之间的深度学习模型训练模块,所述深度学习模型训练模块包括:
多通道图像载入模块,与图像预处理模块相连,用于将图像预处理模块得到的所述1/N张预处理图像载入N通道特征提取网络,以便进行图像高层特征信息提取;
图像高层特征信息提取模块,与图像载入模块相连,用于提取预处理图像的高层特征信息,得到待测轴承的高层特征图像;
多注意力机制模块,与图像高层特征信息提取模块相连,用于模型训练的过程中,增强对轴承的缺陷部位权重,所述注意力机制包括空间注意力机制、通道注意力机制和卷积核自适应选择机制;
特征图像差分模块,与多注意力机制模块相连,用于将所述待测轴承的高层特征图像与标准轴承同层的特征图像做差分,得到高层特征差分图像;
缺陷检测模块,与特征图像差分模块相连,用于将所述高层特征差分图像输入至检测网络,进行缺陷目标的检测,最后输出改进的YOLO检测模型给图像缺陷检测模块。
深度学习模型优化模块,用于存储所述缺陷检测结果和1/N张预处理图像,并根据存储的所述缺陷检测结果和1/N张预处理图像,优化与修改深度学习模型。
本发明所揭示的一种轴承三维缺陷检测方法及系统,可解决现有轴承生产企业的表面三维缺陷检测技术中存在的系统价格昂贵、检测精度不高、鲁棒性较差等技术问题;实施本发明的技术方案,可实现在企业能够接受的系统较低成本前提下,具备较高的检测精度与鲁棒性。
应当理解,上述实施例仅为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种轴承三维缺陷检测方法,其特征在于,所述方法包括:
S100,将待检测的轴承固定于转动平台上,对于不同规格的轴承,2D图像采集模块选用不同的组合光源,并使用转动平台设置不同转动步长转动,转动的同时所述组合光源根据所述转动步长对轴承表面进行在光源下的N个角度的拍摄,获得N张待检测的二维轴承图像,其中,N为大于等于3的自然数,转动步长=360°/N;
S200,对所述N张待检测二维轴承图像进行预处理,得到用于缺陷检测的1/N张预处理图像;
S300,将所述1/N张预处理图像输入到预先训练的N通道的深度学习模型中,得到缺陷检测结果;
S400,存储所述缺陷检测结果和1/N张预处理图像,并根据存储的所述缺陷检测结果和1/N张预处理图像,优化与修改深度学习模型;
其中,所述深度学习模型的训练过程包括:
S11,将步骤S200得到的所述1/N张预处理图像进行标注,作为训练图像;
S12,将所述训练图像输入多通道特征提取网络进行图像高层特征信息提取,获得待测轴承的高层特征图像;
S13,模型训练的过程中,引入多注意力机制实现轴承的缺陷部位权重增强,所述多注意力机制包括空间注意力机制、通道注意力机制以及卷积核自适应选择机制,其中空间注意力机制和通道注意力机制沿着通道和空间两个独立维度依次推断注意力图,然后将注意力图与输入特征图相乘以进行自适应特征优化,卷积核自适应选择机制根据输入自适应地调整其感受野尺寸,捕获具有不同尺度的目标物体;
S14,将所述待测轴承的高层特征图像与标准轴承的同层的特征图像做差分处理,得到待测轴承的差分特征图像;
S15,将所述差分特征图像输入检测网络,进行模型训练,最后输出改进的YOLO检测模型给步骤S300。
2.根据权利要求1所述的一种轴承三维缺陷检测方法,其特征在于:S200中,所述预处理所使用的方法为滤波、字符模板定位、通道分离与融合、拼接与匹配方法中的一种或多种。
3.根据权利要求1所述的一种轴承三维缺陷检测方法,其特征在于,步骤S400还包括:
S16,将存储的所述缺陷检测结果和1/N张预处理图像,交由复检工人进行复检,剔除检测错误的检测结果图;
S17,将缺陷检测结果正确的图像和对应的标注数据输入改进的YOLO检测网络中重新训练,优化与修改深度学习模型参数。
4.一种轴承三维缺陷检测系统,其特征在于,所述系统包括:
2D图像采集模块,用于将待检测的轴承固定于转动平台上,在相应的组合光源下,转动平台根据其设置的转动步长转动,转动的同时对轴承表面进行N个角度的拍摄,获得N张待检测的二维轴承图像,其中,N为大于等于3的自然数;
图像预处理模块,用于对所述N张待测的二维轴承图像进行预处理,得到用于缺陷检测的1/N张预处理图像;
图像缺陷检测模块,用于将所述1/N张预处理图像输入到预先训练的N通道的深度学习模型中,得到缺陷检测结果;
深度学习模型训练模块,连接于图像预处理模块与图像缺陷检测模块之间,并且所述深度学习模型训练模块包括:
多通道图像载入模块,与图像预处理模块相连,用于将图像预处理模块得到的所述1/N张预处理图像载入N通道特征提取网络,以便进行图像高层特征提取,
图像高层特征信息提取模块,与图像载入模块相连,用于提取预处理图像的高层特征信息,得到待测轴承的高层特征图像,
多注意力机制模块,与图像高层特征信息提取模块相连,用于模型训练的过程中,增强对轴承的缺陷部位权重,所述注意力机制包括空间注意力机制、通道注意力机制和卷积核自适应选择机制,其中空间注意力机制和通道注意力机制沿着通道和空间两个独立维度依次推断注意力图,然后将注意力图与输入特征图相乘以进行自适应特征优化,卷积核自适应选择机制根据输入自适应地调整其感受野尺寸,捕获具有不同尺度的目标物体,
高层特征图像差分模块,与多注意力机制模块相连,用于将所述待测轴承的高层特征图像与标准轴承同层的特征图像做差分,得到高层特征差分图像,
缺陷检测模块,与高层特征图像差分模块相连,用于将所述高层特征差分图像输入至检测网络,进行缺陷目标的检测,最后输出改进的YOLO检测模型给图像缺陷检测模块;
深度学习模型优化模块,用于存储所述缺陷检测结果和1/N张预处理图像,并根据存储的所述缺陷检测结果和1/N张预处理图像,优化与修改深度学习模型,所述优化与修改深度学习模型包括:
将存储的所述缺陷检测结果和1/N张预处理图像,交由复检工人进行复检,剔除检测错误的检测结果图;
将缺陷检测结果正确的图像和对应的标注数据输入改进的YOLO检测网络中重新训练,优化与修改深度学习模型参数。
5.根据权利要求4所述的一种轴承三维缺陷检测系统,其特征在于:所述2D图像采集模块包括:
转动平台,用于固定待检测的轴承及用于轴承的360度任意步长的旋转;
组合光源,用于提供图像采集所需的光源;
2D相机及镜头,用于在转动平台带动轴承转动的同时及组合光源照射的同时,对轴承表面进行N个角度的拍摄,获得N张待检测的二维轴承图像。
6.根据权利要求4所述的一种轴承三维缺陷检测系统,其特征在于:所述图像预处理模块所使用的预处理方法为滤波、字符模板定位、通道分离与融合、拼接与匹配方法中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110439649.3A CN113111828B (zh) | 2021-04-23 | 2021-04-23 | 一种轴承三维缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110439649.3A CN113111828B (zh) | 2021-04-23 | 2021-04-23 | 一种轴承三维缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111828A CN113111828A (zh) | 2021-07-13 |
CN113111828B true CN113111828B (zh) | 2022-03-18 |
Family
ID=76719788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110439649.3A Active CN113111828B (zh) | 2021-04-23 | 2021-04-23 | 一种轴承三维缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111828B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115753797B (zh) * | 2022-11-23 | 2023-08-29 | 哈尔滨工程大学 | 一种三维转动轴承外观缺陷图像采集装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882554A (zh) * | 2020-08-06 | 2020-11-03 | 桂林电子科技大学 | 一种基于SK-YOLOv3的电力线故障智能检测方法 |
CN111931602A (zh) * | 2020-07-22 | 2020-11-13 | 北方工业大学 | 基于注意力机制的多流分段网络人体动作识别方法及系统 |
CN112116064A (zh) * | 2020-08-11 | 2020-12-22 | 西安电子科技大学 | 光谱超分辨自适应加权注意力机制深层网络数据处理方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590225B (zh) * | 2012-03-07 | 2014-01-01 | 北京大恒图像视觉有限公司 | 胶囊质量检测机及基于该胶囊质量检测机的胶囊质量检测方法 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
CN108827971A (zh) * | 2018-04-26 | 2018-11-16 | 深圳市创科自动化控制技术有限公司 | 一种表面缺陷检测方法 |
KR102175286B1 (ko) * | 2018-10-11 | 2020-11-06 | 라온피플 주식회사 | 결함 검출 장치 및 방법 |
CN109829893B (zh) * | 2019-01-03 | 2021-05-25 | 武汉精测电子集团股份有限公司 | 一种基于注意力机制的缺陷目标检测方法 |
CN109871895B (zh) * | 2019-02-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 电路板的缺陷检测方法和装置 |
CN110473178A (zh) * | 2019-07-30 | 2019-11-19 | 上海深视信息科技有限公司 | 一种基于多光源融合的外观缺陷检测方法及系统 |
CN110826588A (zh) * | 2019-08-29 | 2020-02-21 | 天津大学 | 一种基于注意力机制的排水管道缺陷检测方法 |
CN111079584A (zh) * | 2019-12-03 | 2020-04-28 | 东华大学 | 基于改进YOLOv3的快速车辆检测方法 |
CN212321462U (zh) * | 2020-03-31 | 2021-01-08 | 广西师范大学 | 一种表面缺陷检测装置 |
CN111896550A (zh) * | 2020-03-31 | 2020-11-06 | 广西师范大学 | 一种表面缺陷检测装置及方法 |
CN111523410B (zh) * | 2020-04-09 | 2022-08-26 | 哈尔滨工业大学 | 一种基于注意力机制的视频显著性目标检测方法 |
CN112070749A (zh) * | 2020-09-10 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 纸张缺陷检测方法和装置 |
CN112345539A (zh) * | 2020-11-05 | 2021-02-09 | 菲特(天津)检测技术有限公司 | 一种基于深度学习的铝压铸件表面缺陷检测方法 |
CN112465759A (zh) * | 2020-11-19 | 2021-03-09 | 西北工业大学 | 一种基于卷积神经网络的航空发动机叶片缺陷检测方法 |
CN112508014A (zh) * | 2020-12-04 | 2021-03-16 | 东南大学 | 一种基于注意力机制的改进YOLOv3目标检测方法 |
CN112464910A (zh) * | 2020-12-18 | 2021-03-09 | 杭州电子科技大学 | 一种基于YOLO v4-tiny的交通标志识别方法 |
-
2021
- 2021-04-23 CN CN202110439649.3A patent/CN113111828B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931602A (zh) * | 2020-07-22 | 2020-11-13 | 北方工业大学 | 基于注意力机制的多流分段网络人体动作识别方法及系统 |
CN111882554A (zh) * | 2020-08-06 | 2020-11-03 | 桂林电子科技大学 | 一种基于SK-YOLOv3的电力线故障智能检测方法 |
CN112116064A (zh) * | 2020-08-11 | 2020-12-22 | 西安电子科技大学 | 光谱超分辨自适应加权注意力机制深层网络数据处理方法 |
Non-Patent Citations (2)
Title |
---|
Kernel attention network for single image super-resolution;Dongyang Zhang等;《ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM)》;20200831;第16卷(第3期);第1-15页 * |
Selective kernel networks;Xiang Li等;《Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition》;20191231;第510-519页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113111828A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106903426B (zh) | 一种基于机器视觉的激光焊接定位方法 | |
CN108765416B (zh) | 基于快速几何对准的pcb表面缺陷检测方法及装置 | |
CN111014079B (zh) | 一种轴承缺陷检测装置及轴承缺陷检测方法 | |
CN111650210A (zh) | 高速高精度锂离子电池极片的毛刺检测方法及检测系统 | |
CN110044909B (zh) | 一种基于图像处理的电机转子焊点缺陷检测装置及方法 | |
CN105548212A (zh) | 一种触摸屏玻璃表面瑕疵在线自动化检测系统及方法 | |
CN107449782A (zh) | 手机外壳侧边表面缺陷数字化定量检测系统 | |
CN115156093A (zh) | 电池外壳缺陷检测方法、系统及装置 | |
CN106383130A (zh) | 一种基于机器视觉的短钢管表面缺陷检测装置 | |
CN113111828B (zh) | 一种轴承三维缺陷检测方法及系统 | |
CN111982921A (zh) | 孔缺陷的检测方法、装置、传送平台及存储介质 | |
CN108872243B (zh) | 一种轴承滚子表面缺陷检测方法、系统及装置 | |
CN109738454B (zh) | 一种软包电池极耳焊缝检测装置及方法 | |
CN110118777A (zh) | 一种控制系统系统集成智能检验台 | |
CN113139940A (zh) | 一种基于计算机视觉的钢板表面裂纹检测算法及处理设备 | |
CN215066100U (zh) | 一种2d图像采集设备及轴承三维缺陷检测装置 | |
CN108426537B (zh) | 一种基于线阵相机的在位砂轮快速全场检测方法及系统 | |
CN113628159A (zh) | 一种基于深度学习网络全自动训练方法、装置及存储介质 | |
CN113222901A (zh) | 一种基于单阶段钢球表面缺陷检测的方法 | |
WO2022222120A1 (zh) | 一种轴承三维缺陷检测方法及系统 | |
CN117291880A (zh) | 一种基于图像分析的刹车片表面缺陷检测系统 | |
CN115330859A (zh) | 一种基于机器视觉的自动对焦、自动对中方法及系统 | |
CN1991300A (zh) | 影像量测系统及方法 | |
CN112763496A (zh) | 一种手机电池表面缺陷检测装置及其检测方法 | |
CN117761060A (zh) | 一种视觉检测系统及其检测方法 |
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 |