CN113239930A - 一种玻璃纸缺陷识别方法、系统、装置及存储介质 - Google Patents
一种玻璃纸缺陷识别方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113239930A CN113239930A CN202110528838.8A CN202110528838A CN113239930A CN 113239930 A CN113239930 A CN 113239930A CN 202110528838 A CN202110528838 A CN 202110528838A CN 113239930 A CN113239930 A CN 113239930A
- Authority
- CN
- China
- Prior art keywords
- cellophane
- defect identification
- semantic segmentation
- network
- identification method
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 82
- 229920000298 Cellophane Polymers 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012805 post-processing Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 22
- 239000011086 glassine Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 23
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000123 paper Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种玻璃纸缺陷识别方法、系统、装置及存储介质，其中玻璃纸缺陷识别方法具体包括步骤S1：采集玻璃纸表面图像，建立测试集数据；步骤S2：将测试集数据导入基于已优化UNET网络的语义分割网络模型中进行语义分割；步骤S3：获取所述语义分割网络模型的输出信号，并对输出信号进行后处理以获得缺陷识别结果。本发明使用传统图像处理方法与语义分割网络相结合作为自动分类的依据，相比于单靠传统图像处理分析，有效地提高了玻璃纸缺陷识别的鲁棒性；同时，语义分割模型使用的是已进行优化的UNET网络，可快速检测玻璃纸缺陷，减少实际检测分析所需时间，提高玻璃纸缺陷检测的效率和准确性，降低了检测成本。
Description
技术领域
本发明涉及玻璃纸检测技术领域，尤其涉及一种玻璃纸缺陷识别方法、系统、装置及存储介质。
背景技术
在玻璃纸作为日常生活及工业生产的重要组成部分，是推动经济发展的重要组成部分。而玻璃纸的生产过程中，玻璃纸表面会出现了不同形式缺陷，目的主要检测玻璃纸缺陷的方法是人工方式进行肉眼检查，人工检查过程中容易漏判细微缺陷，且玻璃纸的生产速度较快，利用肉眼检查的速度永远无法跟上玻璃纸生产速度，使得检测效率非常慢，严重拖延了玻璃纸的生产效率。
因此，为了提高玻璃纸的检测效率，部分厂家会想到使用机器视觉检测代替人力来完成生产制造中的检测步骤；但是，由于玻璃纸具有一定的透光性，且具有不同的花纹和不同的颜色的特点，导致传统的图像缺陷识别算法无法有效针对不同花色纸卷进行缺陷检测，使得利用传统图像缺陷识别方法的检测结果准确性较差，且检测速度也无法得到提高。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种玻璃纸缺陷识别方法，提高了玻璃纸缺陷检测的效率和准确性。
本发明的目的之二在于提供一种执行上述方法的玻璃纸缺陷识别系统。
本发明的目的之三在于提供一种执行上述方法的玻璃纸缺陷识别装置。
本发明的目的之四在于提供一种执行上述方法的存储介质。
本发明的目的之一采用如下技术方案实现：
一种玻璃纸缺陷识别方法，包括：
步骤S1：采集玻璃纸表面图像，建立测试集数据；
步骤S2：将测试集数据导入基于已优化UNET网络的语义分割网络模型中进行语义分割；
步骤S3：获取所述语义分割网络模型的输出信号，并对输出信号进行后处理以获得缺陷识别结果。
进一步地，所述语义分割网络的构建方法包括：
根据采集所得的玻璃纸表面图像建立训练集数据；
将所述训练集数据导入已优化的UNET网络中；
将所述UNET网络的输出数据与标签数据通过损失函数计算出损失值，其中所述标签数据为对所述训练集数据中的缺陷位置进行分割标注所获得；
通过反向传播更新网络参数，直至模型收敛，则对模型的网络参数进行保存以获得训练好的语义分割网络模型。
进一步地，所述标签数据的获取方法为：
导入玻璃纸表面图像，根据需求框选相应的缺陷区域，对所选区域进行标签赋值，以获得标签数据。
进一步地，所述UNET网络利用分组卷积模块对输入的feature map进行分组处理，再利用卷积模块分别对每组进行卷积；其中一个卷积模块采用的是1*1、1*3和3*1的组合卷积。
进一步地，所述损失函数由交叉熵损失函数和dice loss度量函数组合而成。
进一步地，所述后处理方法为：
根据预设的固定阈值对所述语义分割网络模型的输出信号进行二值化处理；
再进行图像轮廓搜索并结合轮廓尺寸特征判断图像是否存在缺陷。
进一步地，所述步骤S1通过工业相机对玻璃纸表面进行拍摄以获得玻璃纸表面图像。
本发明的目的之二采用如下技术方案实现：
一种基于UNET网络的玻璃纸缺陷识别系统，包括：
采集模块，用于采集玻璃纸表面图像，建立测试集数据；
模型分析模块，用于将测试集数据导入已构建的语义分割网络模型中进行语义分割；
后处理模块，用于获取所述模型分析模块的输出信号，并对输出信号进行后处理以获得缺陷识别结果。
本发明的目的之三采用如下技术方案实现：
一种玻璃纸缺陷识别装置，其特征在于，包括：
程序；
存储器，用于存储所述程序；
处理器，用于加载所述程序以执行如上述的玻璃纸缺陷识别方法。
本发明的目的之四采用如下技术方案实现：
一种存储介质，其存储有程序，所述程序被处理器执行时实现如上述的玻璃纸缺陷识别方法。
相比现有技术，本发明的有益效果在于：
本发明使用传统图像处理方法与语义分割网络相结合作为自动分类的依据，相比于单靠传统图像处理分析，有效地提高了玻璃纸缺陷识别的鲁棒性；同时，语义分割模型使用的是已进行优化的UNET网络，可快速检测玻璃纸缺陷，减少实际检测分析所需时间，提高玻璃纸缺陷检测的效率和准确性，降低了检测成本。
附图说明
图1为本发明玻璃纸缺陷识别方法的流程示意图；
图2为本发明玻璃纸缺陷识别方法的测试和训练步骤的整体流程图；
图3为本发明UNET模型结构图；
图4为本发明分组卷积示意图；
图5为本发明1x1、3x1、1x3组合卷积示意图；
图6为本发明纯色纸卷缺陷预测结果图；
图7为本发明彩色纸卷缺陷预测结果图；
图8为本发明玻璃纸缺陷识别系统的模块示意框图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
本实施例提供一种玻璃纸缺陷识别方法，可代替现有的人工检测，提高玻璃纸缺陷检测的效率和准确性。
如图1、图2所示，本实施例的玻璃纸缺陷识别方法具体包括如下步骤：
步骤S1：采集玻璃纸表面图像，建立测试集数据；
步骤S2：将测试集数据导入基于已优化UNET网络的语义分割网络模型中进行语义分割；
步骤S3：获取所述语义分割网络模型的输出信号，并对输出信号进行后处理以获得缺陷识别结果。
本实施例中通过工业相机对生产制造完成后的玻璃纸表面进行拍摄，从而获得玻璃纸表面图像，并建立相关原始图像的数据集，其中数据集划分为训练集数据和测试集数据，训练集为拍摄玻璃纸表面所得的若干张拍摄图像，将训练集数据作为语义分割网络模型的训练依据，从而构建完整的语义分割网络模型；而所述测试集同样为拍摄玻璃纸表面所得的图像，测试集则为测试目标，将测试集导入已经建立好的语义分割网络模型中，检测测试集中的图片是否存在缺陷，从而获得玻璃纸缺陷识别结果。
本实施例中获得训练集数据后，将其输入至轻量级UNET网络中进行训练，最终得到训练好的语义分割网络模型。而本实施例中轻量级UNET网络是在现有UNET网络的基础上进行优化所得；现有的UNET网络的网络结构包括编码器和解码器两个部分，其中编码器执行下采样过程，而解码器则执行上采样过程；而下采样部分有多个Down Block组成，其作用就是作为特征提取器，每个Down Block中包含两个卷积以及池化层，而池化层采用的MaxPooling的池化操作，每经过一个Down Block结构，特征图的空间尺寸都会减半。而现有的UNET网络的上采样部分则是由Up Block组成，在Up Block结构中，包含有两个卷积和一个上采样层，用于逐层恢复特征图的尺寸。
图3所示的是本实施例轻量级UNET网络的结构示意图，如图3所示，本实施例中的轻量级UNET网络则是在现有UNET网络的结构上进行改进，本实施例对原有的传统卷积结构进行优化，现有的UNET网络中的每个Down Block结构采用的都是两个3*3卷积来完成下采样过程，而本实施例将Down Block结构改进为一个3*3卷积和一个组合卷积，并采用分组卷积方式，其组合卷积由1*1、1*3和3*1组成，同时本实施例压缩下采样和上采样次数，再缩减网络参数量。
具体的，如图4所示，在本实施例的轻量级UNET网络的组合卷积模块中，玻璃纸图像经过卷积核处理后可获得图像的特征(feature map)，对输入feature map进行分组，然后每组分别卷积。假设输入feature map的尺寸仍为C*H*W，输出feature map的数量为N个，如果设定要分成G个groups，则每组的输入feature map数量为C/G，每组的输出featuremap数量为N/G，每个卷积核的尺寸为C/G*K*K，卷积核的总数仍为N个，每组的卷积核数量为N/G，卷积核只与其同组的输入map进行卷积，卷积核的总参数量为N*C/G*K*K，由此可见总参数量减少为原来的1/G。
具体的，如图5所示，本实施例中将现有的3*3卷积分解为1*1、1*3和3*1的组合卷积，分解完后卷积参数则为未分解前的45％，可大幅度减少网络参数量，对现有的UNET网络进行了轻量化处理，进而提高玻璃纸缺陷识别的效率。另外，本实施例中在分解后多使用了三次激活函数，可增加分线性能力。
而本实施例中将训练集数据导入上述结构的已完成优化的轻量级UNET网络中，即可利用训练集数据构建语义分割网络模型。本实施例的所述语义分割网络的构建方法包括：将所述训练集数据导入已优化的UNET网络中；训练集中的图像经过轻量级UNET网络处理后可获得语义分割后的图像，从语义分割后所获得的图像中可以看出玻璃纸表面的所有特征，该特征包括玻璃纸上的花纹和玻璃纸表面上的缺陷；其后，将所述UNET网络的输出数据与标签数据通过损失函数计算出损失值，通过反向传播更新网络参数，如果模型收敛，即损失值稳定到最低值，则对模型进行测试并保存最新的网络参数，用于后续测试时使用，否则，继续将训练集输入网络，直至网络收敛才保存网络参数，最终获得训练好的语义分割网络模型。
其中所述标签数据为对所述训练集数据中的缺陷位置进行分割标注所获得，即在获得训练集数据时，对预先导入的玻璃纸缺陷图像进行缺陷区域的标定，对所选区域进行标签赋值，重复上述过程直到标注完成，保存相应的标签即可获得标签数据。本实施例可通过labelme工具进行图像标注，即将玻璃纸图像导入labelme工具中，选择玻璃纸图像中出现缺陷的区域，对缺陷区域内的图像像素点进行赋值，以获得标签数据。
本实施例将标签数据和轻量级UNET网络输出的信号通过损失函数计算出损失值，为了更好的评估模型的预测值和真实标签的匹配程度，本实施例的损失函数由交叉熵损失函数和dice loss度量函数组合而成。
其中，交叉熵是从Kullback-Leibler(KL)散度推导出来的，它是衡量两种分布之间不同的度量。对于一般的机器学习任务，数据的分布是由训练集给出的。因此最小化KL散度等价于最小化交叉熵。交叉熵被定义为：
其中，N为样本数，如果标签c是像素i的正确分类，则是
二值指标；
是对应的预测概率。
而Dice loss度量函数旨在最小化ground truth G和预测分割区域S二者不匹配的区域，或者最大化G和S重叠区域。
其中，如果标签c是像素i的正确分类，则是
二值指标；
是对应的预测概率。
通过上述方式获得训练好的语义分割网络模型后，使用训练好的模型对测试集中的玻璃纸表面图像进行语义分割，其后利用传统方法对网络输出信号进行后处理，判断该信号是否存在缺陷。进一步说明，对网络输出信号进行后处理的方法为：设置一个固定阈值对输出信号进行二值化处理，进行轮廓搜索并结合轮廓尺寸特征，从而识别出玻璃纸表面上的缺陷位置，从而判断该玻璃纸表面图像是否存在缺陷。
如图6和图7所示，经过本实施例方法对不同花色的玻璃纸表面进行缺陷识别后，无论是纯色纸卷还是彩色纸卷都可准确地识别出玻璃纸表面缺陷位置，相比传统的人工检测，本方法提高了玻璃纸缺陷检测的效率和准确性，降低了检测成本。
实施例二
本实施例提供一种基于UNET网络的玻璃纸缺陷识别系统，执行实施例一所述的玻璃纸缺陷识别方法；如图8所示，本实施例的识别系统具体包括如下模块：
采集模块，用于采集玻璃纸表面图像，建立测试集数据；
模型分析模块，用于将测试集数据导入已构建的语义分割网络模型中进行语义分割；
后处理模块，用于获取所述模型分析模块的输出信号，并对输出信号进行后处理以获得缺陷识别结果。
本实施例对现有的UNET网络进行优化，可减少网络参数量，从而达到轻量级UNET网络的效果，从而提高图像处理速度，可快速检出玻璃纸缺陷，显著减少实际检测分析所需时间；其次，利用语义分割网络代替原有的人工检测方法，消除了人工检测和人工分析的主观性，提高了玻璃纸缺陷检测的效率和准确性，降低了检测成本；此外，本实施例使用传统图像处理方法与语义分割网络相结合作为自动分类的依据，相比于单靠传统图像处理分析，本实施例的检测方法查准率可提高至98％，同时还可有效地提高了玻璃纸缺陷识别的鲁棒性。
实施例三
本实施例公开了一种玻璃纸缺陷识别装置，包括：
程序；
存储器，用于存储所述程序；
处理器，用于加载所述程序以执行实施例一所述的玻璃纸缺陷识别方法。
本实施例公开了一种存储介质，其存储有程序，所述程序被处理器执行时实现所述的玻璃纸缺陷识别方法。
本实施例中的装置及存储介质与前述实施例中的方法是基于同一发明构思下的两个方面，在前面已经对方法实施过程作了详细的描述，所以本领域技术人员可根据前述描述清楚地了解本实施中的装置的结构及实施过程，为了说明书的简洁，在此就不再赘述。上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种玻璃纸缺陷识别方法，其特征在于，包括：
步骤S1：采集玻璃纸表面图像，建立测试集数据；
步骤S2：将测试集数据导入基于已优化UNET网络的语义分割网络模型中进行语义分割；
步骤S3：获取所述语义分割网络模型的输出信号，并对输出信号进行后处理以获得缺陷识别结果。
2.根据权利要求1所述的玻璃纸缺陷识别方法，其特征在于，所述语义分割网络的构建方法包括：
根据采集所得的玻璃纸表面图像建立训练集数据；
将所述训练集数据导入已优化的UNET网络中；
将所述UNET网络的输出数据与标签数据通过损失函数计算出损失值，其中所述标签数据为对所述训练集数据中的缺陷位置进行分割标注所获得；
通过反向传播更新网络参数，直至模型收敛，则对模型的网络参数进行保存以获得训练好的语义分割网络模型。
3.根据权利要求2所述的玻璃纸缺陷识别方法，其特征在于，所述标签数据的获取方法为：
导入玻璃纸表面图像，根据需求框选相应的缺陷区域，对所选区域进行标签赋值，以获得标签数据。
4.根据权利要求2所述的玻璃纸缺陷识别方法，其特征在于，所述UNET网络利用分组卷积模块对输入的feature map进行分组处理，再利用卷积模块分别对每组进行卷积；其中一个卷积模块采用的是1*1、1*3和3*1的组合卷积。
5.根据权利要求2所述的玻璃纸缺陷识别方法，其特征在于，所述损失函数由交叉熵损失函数和diceloss度量函数组合而成。
6.根据权利要求1所述的玻璃纸缺陷识别方法，其特征在于，所述后处理的方法为：
根据预设的固定阈值对所述语义分割网络模型的输出信号进行二值化处理；
再进行图像轮廓搜索并结合轮廓尺寸特征判断图像是否存在缺陷。
7.根据权利要求1所述的玻璃纸缺陷识别方法，其特征在于，所述步骤S1通过工业相机对玻璃纸表面进行拍摄以获得玻璃纸表面图像。
8.一种基于UNET网络的玻璃纸缺陷识别系统，其特征在于，包括：
采集模块，用于采集玻璃纸表面图像，建立测试集数据；
模型分析模块，用于将测试集数据导入已构建的语义分割网络模型中进行语义分割；
后处理模块，用于获取所述模型分析模块的输出信号，并对输出信号进行后处理以获得缺陷识别结果。
9.一种玻璃纸缺陷识别装置，其特征在于，包括：
程序；
存储器，用于存储所述程序；
处理器，用于加载所述程序以执行如权利要求1-7任一项所述的玻璃纸缺陷识别方法。
10.一种存储介质，其存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7任一项所述的玻璃纸缺陷识别方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110528838.8A CN113239930B (zh) | 2021-05-14 | 2021-05-14 | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 |
| PCT/CN2021/095962 WO2022236876A1 (zh) | 2021-05-14 | 2021-05-26 | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110528838.8A CN113239930B (zh) | 2021-05-14 | 2021-05-14 | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113239930A true CN113239930A (zh) | 2021-08-10 |
| CN113239930B CN113239930B (zh) | 2024-04-05 |
Family
ID=77134417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110528838.8A Active CN113239930B (zh) | 2021-05-14 | 2021-05-14 | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113239930B (zh) |
| WO (1) | WO2022236876A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782387A (zh) * | 2022-04-29 | 2022-07-22 | 苏州威达智电子科技有限公司 | 一种表面缺陷检测系统 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116152807B (zh) * | 2023-04-14 | 2023-09-05 | 广东工业大学 | 一种基于U-Net网络的工业缺陷语义分割方法及存储介质 |
| CN116703834B (zh) * | 2023-05-22 | 2024-01-23 | 浙江大学 | 基于机器视觉的烧结点火强度过高判断、分级方法及装置 |
| CN116664846B (zh) * | 2023-07-31 | 2023-10-13 | 华东交通大学 | 基于语义分割实现3d打印桥面施工质量监测方法及系统 |
| CN116664586B (zh) * | 2023-08-02 | 2023-10-03 | 长沙韶光芯材科技有限公司 | 一种基于多模态特征融合的玻璃缺陷检测方法及系统 |
| CN117011300B (zh) * | 2023-10-07 | 2023-12-12 | 山东特检科技有限公司 | 一种实例分割与二次分类相结合的微小缺陷检测方法 |
| CN117237361B (zh) * | 2023-11-15 | 2024-02-02 | 苏州拓坤光电科技有限公司 | 基于驻留时间算法的研磨控制方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1054343A1 (fr) * | 1999-05-19 | 2000-11-22 | Arjo Wiggins S.A. | Substrat comportant un marquage magnétique, procédé de fabrication dudit substrat et dispositif l'utilisant |
| CN105473997A (zh) * | 2013-08-20 | 2016-04-06 | Khs有限责任公司 | 用于识别在透明膜下的代码的装置和方法 |
| CN110910368A (zh) * | 2019-11-20 | 2020-03-24 | 佛山市南海区广工大数控装备协同创新研究院 | 基于语义分割的注射器缺陷检测方法 |
| CN110992317A (zh) * | 2019-11-19 | 2020-04-10 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于语义分割的pcb板缺陷检测方法 |
| CN111127416A (zh) * | 2019-12-19 | 2020-05-08 | 武汉珈鹰智能科技有限公司 | 基于计算机视觉的混凝土结构表面缺陷自动检测方法 |
| CN111369550A (zh) * | 2020-03-11 | 2020-07-03 | 创新奇智(成都)科技有限公司 | 图像配准与缺陷检测方法、模型、训练方法、装置及设备 |
| WO2020156303A1 (zh) * | 2019-01-30 | 2020-08-06 | 广州市百果园信息技术有限公司 | 语义分割网络的训练方法及装置、基于语义分割网络的图像处理方法及装置、设备、存储介质 |
| CN111932501A (zh) * | 2020-07-13 | 2020-11-13 | 太仓中科信息技术研究院 | 一种基于语义分割的密封圈表面缺陷检测方法 |
| CN112215803A (zh) * | 2020-09-15 | 2021-01-12 | 昆明理工大学 | 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110555831B (zh) * | 2019-08-29 | 2023-09-26 | 天津大学 | 一种基于深度学习的排水管道缺陷分割方法 |
| CN110738660B (zh) * | 2019-09-09 | 2023-06-16 | 五邑大学 | 基于改进U-net的脊椎CT图像分割方法及装置 |
| CN111325713B (zh) * | 2020-01-21 | 2023-05-23 | 杭州未名信科科技有限公司 | 基于神经网络的木材缺陷检测方法、系统及存储介质 |
| CN111612789A (zh) * | 2020-06-30 | 2020-09-01 | 征图新视(江苏)科技股份有限公司 | 一种基于改进的U-net网络的缺陷检测方法 |
| CN112686261A (zh) * | 2020-12-24 | 2021-04-20 | 广西慧云信息技术有限公司 | 一种基于改进U-Net的葡萄根系图像分割方法 |
| CN112766110A (zh) * | 2021-01-08 | 2021-05-07 | 重庆创通联智物联网有限公司 | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 |
-
2021
- 2021-05-14 CN CN202110528838.8A patent/CN113239930B/zh active Active
- 2021-05-26 WO PCT/CN2021/095962 patent/WO2022236876A1/zh unknown
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1054343A1 (fr) * | 1999-05-19 | 2000-11-22 | Arjo Wiggins S.A. | Substrat comportant un marquage magnétique, procédé de fabrication dudit substrat et dispositif l'utilisant |
| CN105473997A (zh) * | 2013-08-20 | 2016-04-06 | Khs有限责任公司 | 用于识别在透明膜下的代码的装置和方法 |
| WO2020156303A1 (zh) * | 2019-01-30 | 2020-08-06 | 广州市百果园信息技术有限公司 | 语义分割网络的训练方法及装置、基于语义分割网络的图像处理方法及装置、设备、存储介质 |
| CN110992317A (zh) * | 2019-11-19 | 2020-04-10 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于语义分割的pcb板缺陷检测方法 |
| CN110910368A (zh) * | 2019-11-20 | 2020-03-24 | 佛山市南海区广工大数控装备协同创新研究院 | 基于语义分割的注射器缺陷检测方法 |
| CN111127416A (zh) * | 2019-12-19 | 2020-05-08 | 武汉珈鹰智能科技有限公司 | 基于计算机视觉的混凝土结构表面缺陷自动检测方法 |
| CN111369550A (zh) * | 2020-03-11 | 2020-07-03 | 创新奇智(成都)科技有限公司 | 图像配准与缺陷检测方法、模型、训练方法、装置及设备 |
| CN111932501A (zh) * | 2020-07-13 | 2020-11-13 | 太仓中科信息技术研究院 | 一种基于语义分割的密封圈表面缺陷检测方法 |
| CN112215803A (zh) * | 2020-09-15 | 2021-01-12 | 昆明理工大学 | 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782387A (zh) * | 2022-04-29 | 2022-07-22 | 苏州威达智电子科技有限公司 | 一种表面缺陷检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113239930B (zh) | 2024-04-05 |
| WO2022236876A1 (zh) | 2022-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
| CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
| CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
| CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
| CN111815601B (zh) | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN112037219B (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
| CN111932501A (zh) | 一种基于语义分割的密封圈表面缺陷检测方法 | |
| CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
| CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
| CN113673509B (zh) | 一种基于图像文本的仪表检测分类方法 | |
| CN113222982A (zh) | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 | |
| CN112184686A (zh) | 一种用于检测动力电池安全阀激光焊接缺陷的分割算法 | |
| CN114120317B (zh) | 基于深度学习和图像处理的光学元件表面损伤识别方法 | |
| CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
| CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
| CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
| CN114612472A (zh) | 一种基于SegNet改进的皮革缺陷分割网络算法 | |
| CN115829995A (zh) | 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统 | |
| CN111879972A (zh) | 基于ssd网络模型的工件表面缺陷检测方法及系统 | |
| CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
| CN114841992A (zh) | 基于循环生成对抗网络和结构相似性的缺陷检测方法 | |
| CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
| CN113888477A (zh) | 网络模型的训练方法、金属表面缺陷检测方法及电子设备 |
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 |