CN113160201B - 基于极坐标的环状边界框的目标检测方法 - Google Patents
基于极坐标的环状边界框的目标检测方法 Download PDFInfo
- Publication number
- CN113160201B CN113160201B CN202110481763.2A CN202110481763A CN113160201B CN 113160201 B CN113160201 B CN 113160201B CN 202110481763 A CN202110481763 A CN 202110481763A CN 113160201 B CN113160201 B CN 113160201B
- Authority
- CN
- China
- Prior art keywords
- annular
- image
- boundary
- target detection
- circular
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 19
- 238000013135 deep learning Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 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
- 230000009467 reduction Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明的目的在于提供一种基于极坐标的环状边界框的目标检测方法,该方法包括图像预处理和目标检测,其中:图像预处理,识别图像中圆形或圆环形零件的轮廓线和圆心,以所述圆心为原点建立极坐标系,将检测目标转换成在极坐标系下对应的圆环形边界框;目标检测,对预处理的图像采用目标检测网络进行目标检测,其中目标检测网络中的坐标系采用极坐标系。本发明的方法解决了传统方法很难避开背景的干扰,并产生很大的计算冗余的问题;有效地利用缺陷和零件的特征,节省计算资源,更好地检测出缺陷目标。
Description
技术领域
本发明属于目标检测技术领域,具体涉及一种基于极坐标的环状边界框的目标检测方法。
背景技术
随着人工智能的蓬勃发展,工业检测领域逐步采用计算机视觉相关算法进行质量检查,诸如目标检测、语义分割或实例分割和基于深度学习的异常检测算法等,普遍应用在工业零部件的缺陷检测中。工业领域很多基础零部件都是圆形,最为常见的零件有轴承、齿轮、螺母等,还有很多精密元件,可以说,“圆”是工业领域运转的基石。然而,深度学习的提出是为了帮助人类感知现实的物体,在工业零部件的缺陷检测的发展还是处在初期阶段,大多情况下,相关算法能够应用在工业缺陷检测上,但是,存在很多不适配的问题,精度和速度无法达到工业应用的要求。对于圆形零部件,采用常规通用的深度学习算法方案,无法很好的应对现实的问题,比如:圆环形的零部件,对于镂空部分,并不需要参与算法的运算;对于较长的弧线状的缺陷(见图5),尤其圆环的内外边缘(很小的弧线区域甚至比其他大面积平面重要性更高),基于横平竖直的矩形框目标检测方案,不可避免会将镂空的背景部分纳入框中,如此便很难避开背景的干扰,并产生了很大的计算冗余。因此,针对缺陷,尤其是圆形零部件的缺陷,有必要设计一种专用的缺陷目标检测方案,有效地利用缺陷和零配件的特征,节省计算资源,更好地检测出缺陷目标。
参考文献:
CN102663386A-机械轴承环形分布压印字符的在线检测方法;
CN103310215A-一种环状编码标记点的检测与识别方法;
CN107578051A-一种环状编码标记点的检测与识别方法;
CN109668897A-环状精密零件表面微型缺陷的视觉检测系统及其检测方法;
CN110728657A-一种基于深度学习的环状轴承外表面缺陷检测方法;
CN111815600A-一种基于视觉的环形磁钢外观缺陷检测方法;
CN111986220A-一种基于图像变换的环形文本检测和识别方法。
发明内容
本发明的目的在于提供一种基于极坐标的环状边界框的目标检测方法,解决了传统方法很难避开背景的干扰,并产生很大的计算冗余的问题;有效地利用缺陷和零件的特征,节省计算资源,更好地检测出缺陷目标。
为实现上述目的,本发明提供如下技术方案:
一种基于极坐标的环状边界框的目标检测方法,其特征在于:
图像预处理,识别图像中圆形或圆环形零件的轮廓线和圆心,以所述圆心为原点建立极坐标系,将检测目标转换成在极坐标系下对应的圆环形边界框;
目标检测,对预处理的图像采用目标检测网络进行目标检测,其中目标检测网络中的坐标系采用极坐标系。
进一步地,所述圆环形边界框在极坐标系下表示为(ρ1,θ1,ρ2,θ2),对应圆环形边界框外边界线的左端点坐标和内边界线的右端点坐标。
进一步地,所述图像数据预处理包括:
S101、将图像转换成灰度图,再转成二值图;
S102、对二值图进行边缘检测获取图像中圆形或圆环形零件的轮廓线;
S103、根据先验的零件内外边界线尺寸,筛选步骤S102中得到的轮廓线,得到最接近的轮廓线;
S104、拟合轮廓线的椭圆边界线,获得椭圆的长短轴大小和中心坐标;
S105、采用仿射变换将椭圆变换成标准的圆,同时变换检测目标的坐标数据;
S106、将检测目标的坐标数据转换成圆环形边界框。
进一步地,所述步骤S101还包括:对二值图采用开运算去除噪声。
进一步地,当零件为圆环形时,在开运算结果图上采用距离变换方法得到圆环形的距离变化图,再对距离变化图转换二值图。
进一步地,所述目标检测网络为FCOS单阶段目标检测网络。
进一步地,所述FCOS单阶段目标检测网络进行目标检测包括:
S201、将预处理后得到的图像输入到Backbone网络进行特征提取;
S202、采用特征金字塔进行多尺度预测,总计有五个Head,每个Head参数共享;
S203、在Head中,做特征提取时,采用极坐标系,只选取圆环形边界框区域的点作为anchor点;
S204、根据上述的anchor点,计算anchor点(ρ,θ)到圆环形边界框边界的距离(l,r,t,b),其中l和r是环向角度差,t和b是径向长度差;计算公式如下:
l=θ-θ1,r=θ2-θ
t=ρ2-ρ,b=ρ-ρ1 ①;
S205、计算anchor点的center-ness特性,计算公式如下:
S206、对anchor点直接进行分类,根据公式②回归center-ness,根据公式①回归圆环形边界框;
S207、预测的圆环形边界框A(ρ1,θ1,ρ2,θ2)与标注的边界框B(ρ′1,θ′1,ρ′2,θ′2)计算IoU,采用NMS最大值抑制算法,得到最终的圆环形边界框,计算IoU公式如下:
overlapbox=((max(ρ1,ρ′1),max(θ1θ′1)),(min(ρ2,ρ′2),min(θ2,θ′2))),
与现有技术相比,本发明的有益效果如下:
第一、本发明的方法采用圆环形边界框作为圆形或圆环形的零部件检测目标,相比于矩形边界框,对于工业领域圆形零部件上的缺陷的检测更准确。
第二、本发明设计了基于圆环形边界框检测的单阶段检测网络,借鉴了FCOS的思想,创新地设计了基于极坐标的圆环形边界框center-ness计算方法,IoU计算方法,如此能将FCOS思想很好地应用到圆环形边界框检测上,而不用做太多的改动。
第三、本发明相对于矩形边界框的FCOS算法,提出了只选取圆环区域(零部件所在区域)作为anchor点,对于较窄的圆环,可以大幅度降低计算量,有效地将圆环和极坐标的特征应用在FCOS算法上。
附图说明
图1为本发明的算法流程示意图。
图2为本发明中圆环形边界框坐标的表示示意图。
图3为本发明中圆环形边界框目标检测的网络结构的示意图。
图4为本发明中圆环形边界框的表示示意图。
图5为圆环形零件中环形缺陷的表示示意图。
具体实施方式
下面将结合具体实施例对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所述,一种基于极坐标的环状边界框的目标检测方法,其特征在于:
步骤一、图像预处理,识别图像中圆形或圆环形零件的轮廓线和圆心,以所述圆心为原点建立极坐标系,将检测目标(缺陷标注的多边形框)转换成在极坐标系下对应的圆环形边界框;具体包括:
S101、将图像转换成灰度图,再转成二值图;对二值图采用开运算去除噪声,去除噪声后可以得到较为准确的前景。当零件为圆环形时,在开运算结果图上采用距离变换方法得到圆环形的距离变化图,再对距离变化图转换二值图,可得到较为精确的前景。
S102、对二值图采用寻找轮廓线方法进行边缘检测获取图像中圆形或圆环形零件的轮廓线和圆心。
S103、根据先验的零件内外边界线尺寸(指零件的设计尺寸),筛选步骤S102中得到的轮廓线,得到最接近的轮廓线(因为步骤S102中得到的轮廓线可能有若干条,需要降噪)。
S104、拟合轮廓线的椭圆边界线,获得椭圆的长短轴大小和中心坐标。
S105、采用仿射变换将椭圆变换成标准的圆,同时变换检测目标的坐标数据。因为相机可能拍出来的的图像不是正圆。
S106、将检测目标的坐标数据转换成圆环形边界框(ρ1,θ1,ρ2,θ2),对应圆环形边界框外边界线的左端点坐标和内边界线的右端点坐标,如图2所示。
步骤二、目标检测,对预处理的图像采用目标检测网络进行目标检测,其中目标检测网络中的坐标系采用极坐标系。基于FCOS单阶段网络目标检测思想,对其针对圆环形边界框进行改造,如图3所示,具体包括:
S201、将预处理后得到的图像输入到Backbone网络进行特征提取。
S202、采用特征金字塔进行多尺度预测,总计有五个Head,每个Head参数共享。
S203、在Head中,做特征提取时,采用极坐标系,只选取圆环形边界框区域(ROI区域)的点作为anchor点。
S204、根据上述的anchor点,计算anchor点(ρ,θ)到圆环形边界框边界的距离(l,r,t,b),如图4所示,其中l和r是环向角度差,t和b是径向长度差;计算公式如下:
l=θ-θ1,r=θ2-θ
t=ρ2-ρ,b=ρ-ρ1 ①。
S205、计算anchor点的center-ness特性,计算公式如下:
S206、对anchor点直接进行分类,根据公式②回归center-ness,根据公式①回归圆环形边界框。
S207、预测的圆环形边界框A(ρ1,θ1,ρ2,θ2)与标注的边界框B(ρ′1,θ′1,ρ′2,θ′2)计算IoU,采用NMS最大值抑制算法,得到最终的圆环形边界框,计算IoU公式如下:
overlapbox=((max(ρ1,ρ′1),max(θ1,θ′1(min(ρ2,ρ′2),min(θ2,θ′2))),
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于极坐标的环状边界框的目标检测方法,其特征在于:
步骤一、图像预处理,识别图像中圆形或圆环形零件的轮廓线和圆心,以所述圆心为原点建立极坐标系,将检测目标转换成在极坐标系下对应的圆环形边界框,包括:
S101、将图像转换成灰度图,再转成二值图;
S102、对二值图进行边缘检测获取图像中圆形或圆环形零件的轮廓线;
S103、根据先验的零件内外边界线尺寸,筛选步骤S102中得到的轮廓线,得到最接近的轮廓线;
S104、拟合轮廓线的椭圆边界线,获得椭圆的长短轴大小和中心坐标;
S105、采用仿射变换将椭圆变换成标准的圆,同时变换检测目标的坐标数据;
S106、将检测目标的坐标数据转换成圆环形边界框,所述圆环形边界框在极坐标系下表示为A(ρ1,θ1,ρ2,θ2),对应圆环形边界框外边界线的左端点坐标和内边界线的右端点坐标;
步骤二、目标检测,对预处理的图像采用FCOS单阶段目标检测网络进行目标检测,所述目标检测网络中的坐标系采用极坐标系;
其中,所述对预处理的图像采用FCOS单阶段目标检测网络进行目标检测,包括:
S201、将预处理后得到的图像输入到Backbone网络进行特征提取;
S202、采用特征金字塔进行多尺度预测,总计有五个Head,每个Head参数共享;
S203、在Head中,做特征提取时,采用极坐标系,只选取圆环形边界框区域的点作为anchor点;
S204、根据上述的anchor点,计算anchor点(ρ,θ)到圆环形边界框边界的距离(l,r,t,b),其中l和r是环向角度差,t和b是径向长度差;计算公式如下:
S205、计算anchor点的centerness特性,计算公式如下:
S206、对anchor点直接进行分类,根据公式②回归centerness,根据公式①回归圆环形边界框;
S207、圆环形边界框A(ρ1,θ1,ρ2,θ2)与标注的边界框B(ρ′1,θ′1,ρ′2,θ′2)计算IoU,采用NMS非最大值抑制算法,得到最终的圆环形边界框,计算IoU公式如下:
overlapbox=((max(ρ1,ρ′1),max(θ1,θ′1)),(min(ρ2,ρ′2),min(θ2,θ′2))),
2.根据权利要求1所述的基于极坐标的环状边界框的目标检测方法,其特征在于:所述步骤S101还包括:对二值图采用开运算去除噪声。
3.根据权利要求2所述的基于极坐标的环状边界框的目标检测方法,其特征在于:当零件为圆环形时,在开运算结果图上采用距离变换方法得到圆环形的距离变化图,再对距离变化图转换二值图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110481763.2A CN113160201B (zh) | 2021-04-30 | 2021-04-30 | 基于极坐标的环状边界框的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110481763.2A CN113160201B (zh) | 2021-04-30 | 2021-04-30 | 基于极坐标的环状边界框的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113160201A CN113160201A (zh) | 2021-07-23 |
CN113160201B true CN113160201B (zh) | 2024-04-12 |
Family
ID=76873062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110481763.2A Active CN113160201B (zh) | 2021-04-30 | 2021-04-30 | 基于极坐标的环状边界框的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160201B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601811A (zh) * | 2022-10-17 | 2023-01-13 | 北京京东拓先科技有限公司(Cn) | 面部痤疮的检测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150087057A (ko) * | 2014-01-21 | 2015-07-29 | 한화테크윈 주식회사 | 윤형 철조망 검출 방법 |
CN110473218A (zh) * | 2019-07-25 | 2019-11-19 | 山东科技大学 | 一种基于极坐标系梯度变化的类圆环边缘检测方法 |
CN111127546A (zh) * | 2019-11-25 | 2020-05-08 | 南京航空航天大学 | 一种基于极坐标变换的圆形目标中心定位方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10290090B2 (en) * | 2015-02-18 | 2019-05-14 | Siemens Healthcare Diagnostics Inc. | Image-based tube slot circle detection for a vision system |
CN110298298B (zh) * | 2019-06-26 | 2022-03-08 | 北京市商汤科技开发有限公司 | 目标检测及目标检测网络的训练方法、装置及设备 |
-
2021
- 2021-04-30 CN CN202110481763.2A patent/CN113160201B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150087057A (ko) * | 2014-01-21 | 2015-07-29 | 한화테크윈 주식회사 | 윤형 철조망 검출 방법 |
CN110473218A (zh) * | 2019-07-25 | 2019-11-19 | 山东科技大学 | 一种基于极坐标系梯度变化的类圆环边缘检测方法 |
CN111127546A (zh) * | 2019-11-25 | 2020-05-08 | 南京航空航天大学 | 一种基于极坐标变换的圆形目标中心定位方法及系统 |
Non-Patent Citations (2)
Title |
---|
一种圆形瓶口缺陷定位检测方法;韦哲 等;《测控技术》;20171130;第36卷(第11期);第27-31页 * |
基于单线程无锚点目标检测模型的研究;李浩 等;《计算机工程》;20200313;第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113160201A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220292645A1 (en) | Method for restoring video data of drainage pipe based on computer vision | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN109523529B (zh) | 一种基于surf算法的输电线路缺陷识别方法 | |
CN116597392B (zh) | 基于机器视觉的液压油杂质识别方法 | |
CN113870235A (zh) | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
CN112085651B (zh) | 一种基于图像自适应阈值与特征提取的激波自动检测跟踪算法 | |
CN111445511B (zh) | 一种图像中圆的检测方法 | |
CN113160201B (zh) | 基于极坐标的环状边界框的目标检测方法 | |
CN115311262A (zh) | 一种印刷电路板缺陷识别方法 | |
CN116503403B (zh) | 基于图像处理的金属切削刀头的缺陷检测方法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN112991536A (zh) | 一种专题地图地理面要素自动提取和矢量化方法 | |
Mlyahilu et al. | Morphological geodesic active contour algorithm for the segmentation of the histogram‐equalized welding bead image edges | |
CN108734709B (zh) | 一种绝缘子凸缘形状参数识别与破坏检测方法 | |
CN114758125A (zh) | 基于深度学习的齿轮表面缺陷检测方法与系统 | |
CN112381140B (zh) | 一种基于新特征参数的磨粒图像机器学习识别方法 | |
CN110598708A (zh) | 一种街景文本目标识别检测方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
CN112435272A (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN110428916B (zh) | 一种包覆颗粒的厚度检测方法、装置和计算设备 | |
CN111709910A (zh) | 一种基于卷积神经网络的pcb板缺陷检测算法 |
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 |