CN113245238A - 一种弯管焊接瑕疵检测方法、装置及系统 - Google Patents
一种弯管焊接瑕疵检测方法、装置及系统 Download PDFInfo
- Publication number
- CN113245238A CN113245238A CN202110523088.5A CN202110523088A CN113245238A CN 113245238 A CN113245238 A CN 113245238A CN 202110523088 A CN202110523088 A CN 202110523088A CN 113245238 A CN113245238 A CN 113245238A
- Authority
- CN
- China
- Prior art keywords
- detected
- platform
- flaw
- detection
- welding
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000003466 welding Methods 0.000 title claims abstract description 53
- 230000007547 defect Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 230000002950 deficient Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 241001424392 Lucia limbaria Species 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
-
- 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
Abstract
本公开实施例中的一种弯管焊接瑕疵检测方法,所述弯管焊接瑕疵检测方法包括如下步骤:步骤10,采集待检测器件的焊管部分的图像;步骤20,利用深度神经网络模型对采集的待检测器件的焊管部分的图像进行瑕疵检测,若检测到瑕疵,则将有瑕疵的待检测器件瑕疵信号发送给下一个标记平台;步骤30,标记平台对焊管部分有瑕疵的待检测器件进行瑕疵标记,并将待检测器件传送到下一个分拣平台;步骤40,分拣平台对有瑕疵的待检测器件根据瑕疵类型进行分拣。本公开实施例中的一种弯管焊接瑕疵检测方法检测速度快、检测精度较高、运算量低,可降低部署成本,非常适合流水线的待检测器件弯管瑕疵检测场景。
Description
技术领域
本公开涉及计算机图形图像处理领域,尤其涉及一种弯管焊接瑕疵检测方法、装置及系统。
背景技术
视频图像处理是计算机视觉研究领域的重点和热点之一,随着深度学习的发展已有长足进步。而基于图像处理的流水线器件的瑕疵检测更是工业界的关注点。
待检测器件设备上有大量的小铜管,这些小铜管通过弯管相互连接。而弯管是后期通过人工放置并焊接到铜管上,因此不可避免地存在连接错误或者焊接瑕疵。连接错误是指弯管没有按照图纸要求将特定的铜管连接起来;焊接瑕疵是指焊料不足、虚焊、焊瘤等。目前针对焊管瑕疵的检测方法是:在流水线上专门安排一个工位,由工人连续不断地对经过的待检测器件焊管部位进行观察,并将瑕疵品识别出来。此种方法检测效率较低且不能保证准确性,人力成本高。
鉴于此,有必要设置一种弯管焊接瑕疵检测方法。
发明内容
有鉴于此,本公开实施例提供一种弯管焊接瑕疵检测方法,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供的一种弯管焊接瑕疵检测方法,所述弯管焊接瑕疵检测方法包括如下步骤:
步骤10,采集待检测器件的焊管部分的图像;
步骤20,利用深度神经网络模型对采集的待检测器件的焊管部分的图像进行瑕疵检测,若检测到瑕疵,则将有瑕疵的待检测器件瑕疵信号发送给下一个标记平台;
步骤30,标记平台对焊管部分有瑕疵的待检测器件进行瑕疵标记,并将待检测器件传送到下一个分拣平台;
步骤40,分拣平台对有瑕疵的待检测器件根据瑕疵类型进行分拣。
根据本公开实施例的一种具体实现方式,所述步骤20中在利用深度神经网络模型对采集的待检测器件的焊管部分的图像进行瑕疵检测时,若未检测到瑕疵,则继续采集下一个待检测器件的焊管部分的图像。
根据本公开实施例的一种具体实现方式,所述步骤20中利用深度神经网络模型对采集的待检测器件的焊管部分的图像进行瑕疵检测中的深度神经网络模型的训练方法包括:
采集大量的正负样本并进行相应的标注;
对采集到的图片进行数据增强,扩充数据量;
将得到的图片输入到预设网络中,在预设网络对采集的图片进行瑕疵识别训练,输出识别结果;
对输出的识别结果进行确认和调整,不断对采集的图片进行优化训练得到深度神经网络模型。
根据本公开实施例的一种具体实现方式,在检测平台处,对每一个待检测器件进行编号,且该编号与分拣平台中的分拣机器人的编号对应。
此外,为实现上述目的,本公开实施例还提出一种弯管焊接瑕疵检测装置,所述弯管焊接瑕疵检测装置包括:检测平台、检测装置、标定平台和分拣平台,
所述检测平台用于采集待检测器件的焊管部分的图像;
所述检测装置用于利用深度神经网络对采集的待检测器件的焊管部分的图像进行瑕疵检测,若检测到瑕疵,则将有瑕疵的待检测器件瑕疵信号发送给下一个标记平台;
所述标记平台用于对焊管部分有瑕疵的待检测器件进行瑕疵标记,并将待检测器件传送到下一个分拣平台;
所述分拣平台用于对有瑕疵的待检测器件根据瑕疵类型进行分拣
根据本公开实施例的一种具体实现方式,所述检测平台上设置有多个工业相机,多个所述工业相机以不同的角度架设在所述检测平台上,以获取所述待检测器件不同角度的图像。
根据本公开实施例的一种具体实现方式,所述检测平台上设置测距传感器模块,用于检测待检测器件之间的间隙。
本公开实施例还提供一种弯管焊接瑕疵检测装置,所述标记平台上设置有一维电动滑组和光电传感器,所述光电传感器用于对待检测器件进行定位。
此外,为实现上述目的,本公开实施例还提出一种弯管焊接瑕疵检测系统,所述弯管焊接瑕疵检测装置系统用于实现如上所述的弯管焊接瑕疵检测方法
本公开实施例中的一种弯管焊接瑕疵检测方法及装置,采用基于深度学习的弯管检测算法,它的优点在于检测速度快、检测精度较高、运算量低,可降低部署成本,非常适合流水线的待检测器件弯管瑕疵检测场景。利用采集到的的不同类别瑕疵的弯管图像并通过数据增强(模糊、调整环境光等)后做成神经网络训练的数据集,完成对神经网络的训练。考虑到流水线作业光线强度以及不同角度拍摄的问题,本发明所用的数据集中的图像包含了不同光照、不同角度拍摄的弯管图像等,从而保证了训练出来的神经网络具有良好的泛化性。
相比于传统的人工辨别方法,本发明技术采用深度学习算法进行待检测器件焊管瑕疵的检测,对每个样本检测时间在3秒以内,检测误差在1%以内,且检测、标记、分拣三过程相互联动,实现了流水线作业的智能化和自动化,在节省人力成本的同时大大提升了检测速度和精度。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例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公开的一些实施例,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它的附图。
图1为弯管焊接瑕疵检测方法流程图;
图2为标记平台效果图;
图3为检测平台效果图;
图4实际弯管图像;
图5待检测弯管图像;
图6为弯管瑕疵示意图像;
图7为瑕疵图片上传流程图;
图8为神经网络训练/检测示意图;
图9为弯管焊接瑕疵检测装置结构示意图;
附图标记汇总:
101-检测平台,102-标记平台。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种弯管焊接瑕疵检测方法。
参见图1-9,弯管焊接瑕疵检测方法包括如下步骤:
步骤一、检测平台对检测器件进行定位并触发相机11工作;
步骤二、利用不同角度架设的多个相机11对待检测器件的焊管部分进行图像采集;参见图4-5,待检测器件主要为蒸发器和冷凝器。
步骤三、利用深度神经网络对获取的图像数据进行瑕疵检测,瑕疵类型包括焊管连接错误和焊接瑕疵,焊接瑕疵类型参见图6,若检测到瑕疵则将瑕疵类型显示在显示器屏幕上并转步骤四;否则,转步骤一;
步骤四、检测平台将有瑕疵的信号发给标记平台,标记平台对有瑕疵焊管进行标记;
步骤五、根据每个编号器件的瑕疵情况进行分拣。
本公开实施例的弯管焊接瑕疵检测方法,步骤一中,器件在流水线上进行检测,流水线上设置检测平台;检测平台包括封闭式或者半封闭式的遮光罩,用于遮挡自然光,保证检测光照环境的稳定性;遮光罩内布设面光源12,保证检测平台上各个区域光照的一致性。检测平台设置测距传感器模块,通过待检测器件之间的间隙判断新的器件的到来,从而在固定的相对时刻触发相机进行图像采集;
检测平台的高度可以进行调整,以便与不同高度的待检测器件进行匹配,以保证相机可以拍摄到焊管部位。
本公开实施例的弯管焊接瑕疵检测方法,步骤二中,在检测平台的遮光罩13内架设高精度AI相机,用于采集焊管图片,根据焊管瑕疵的特点,从不同的角度架设至少4台相机,以确保能够从各个角度完备的拍摄需要检测的部位。
根据本公开实施例的一种具体实现方式,步骤三中,视觉处理服务器主要使用深度神经网络模型对瑕疵进行检测;深度神经网络主要通过以下步骤得到:
采集大量的正负样本并进行相应的标注,标注过程需要生产线人员协助确认;
对采集到的图片利用模糊、环境光等进行数据增强,扩充数据量,以提高模型的泛化能力;
设计合适的深度学习模型,利用数据集并结合强化学习和迁移学习等多种方法来训练,以得到性能优异的模型。
本公开实施例的弯管焊接瑕疵检测方法,步骤四中,设计了标记平台,该平台采用一维电动滑组结合记号笔进行标记,并利用光电传感器对焊管进行精确定位。检测平台将检测到瑕疵信号发送给标记平台,标记平台综合器件流动的时间,并通过光电开关的对齐信号对焊管进行标记。标记平台对焊管的标记位置为焊管顶部,避免对器件功能造成影响。
基于深度学习的弯管瑕疵算法
基于深度学习的弯管瑕疵检测算法需要采集大量的正负样本并进行相应的标注,标注后的样本用于离线训练分类器。在实际检测过程中,将基于此分类器识别出合格样本和瑕疵样本。离线训练和在线检测如下图8所示。需要对流水线进行改造,在现场安装采样设备进行样本采集;另外,焊接瑕疵的判别不同于普通目标的识别,需要生产线人员协助确认及标注。以上两点需要用户提供一定的支持。
适用于弯管瑕疵检测的深度神经网络
本公开实施例采用深度学习算法进行待检测器件焊管瑕疵的检测,包括焊管连接错误的检测以及焊接瑕疵的检测。前者通过采集整个待检测器件的焊管排布图片,并与对应型号的标准图纸进行比对,从而发现焊管的位置排列错误;后者通过采集单个焊管单元的图片进行训练,从而识别出焊料不足、虚焊以及焊瘤等焊接瑕疵。
检测平台:
检测平台工作流程如图7所示。将采集到的图像数据传送到视觉处理服务器,再利用训练完成的深度神经网络进行瑕疵检测(包括焊管连接错误和焊接瑕疵)。检测到瑕疵后,将瑕疵图片和瑕疵类型显示在显示器屏幕上。
检测平台将检测到瑕疵信号发送给标记平台,标记平台示意如图1所示,标记平台综合计算器件流转时间,通过光电开关对齐焊管并进行标记。
本公开实施例的实现需要设计和调试深度神经网络,从而实现在不同角度、不同位置上不同类型的瑕疵的准确识别。
本公开实施例的弯管焊接瑕疵检测方法,步骤五中,检测平台对每一个经过的器件进行编号,该编号与后续分拣机器人的编号对应,机器人根据每个编号器件的瑕疵情况进行分拣。
参照图9,本公开实施例的弯管焊接瑕疵检测装置,包括检测平台101、标记平台102和分拣系统(图中未标出),检测平台101、标记平台102和分拣系统(图中未标出)依次设置在流水线上,弯管焊接瑕疵检测装置用于执行如权利要求1-6任一项所述的弯管焊接瑕疵检测方法。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种弯管焊接瑕疵检测方法,其特征在于,所述弯管焊接瑕疵检测方法包括如下步骤:
步骤10,采集待检测器件的焊管部分的图像;
步骤20,利用深度神经网络模型对采集的待检测器件的焊管部分的图像进行瑕疵检测,若检测到瑕疵,则将有瑕疵的待检测器件瑕疵信号发送给下一个标记平台;
步骤30,标记平台对焊管部分有瑕疵的待检测器件进行瑕疵标记,并将待检测器件传送到下一个分拣平台;
步骤40,分拣平台对有瑕疵的待检测器件根据瑕疵类型进行分拣。
2.根据权利要求1所述的弯管焊接瑕疵检测方法,其特征在于,所述步骤20中在利用深度神经网络模型对采集的待检测器件的焊管部分的图像进行瑕疵检测时,若未检测到瑕疵,则继续采集下一个待检测器件的焊管部分的图像。
3.根据权利要求1所述的弯管焊接瑕疵检测方法,其特征在于,所述步骤20中利用深度神经网络模型对采集的待检测器件的焊管部分的图像进行瑕疵检测中的深度神经网络模型的训练方法包括:
采集大量的正负样本并进行相应的标注;
对采集到的图片进行数据增强,扩充数据量;
将得到的图片输入到预设网络中,在预设网络对采集的图片进行瑕疵识别训练,输出识别结果;
对输出的识别结果进行确认和调整,不断对采集的图片进行优化训练得到深度神经网络模型。
4.根据权利要求1所述的弯管焊接瑕疵检测方法,其特征在于,在检测平台处,对每一个待检测器件进行编号,且该编号与分拣平台中的分拣机器人的编号对应。
5.一种弯管焊接瑕疵检测装置,其特征在于,所述弯管焊接检测装置包括:检测平台、检测装置、标定平台和分拣平台,
所述检测平台用于采集待检测器件的焊管部分的图像;
所述检测装置用于利用深度神经网络对采集的待检测器件的焊管部分的图像进行瑕疵检测,若检测到瑕疵,则将有瑕疵的待检测器件瑕疵信号发送给下一个标记平台;
所述标记平台用于对焊管部分有瑕疵的待检测器件进行瑕疵标记,并将待检测器件传送到下一个分拣平台;
所述分拣平台用于对有瑕疵的待检测器件根据瑕疵类型进行分拣。
6.根据权利要求5所述的弯管焊接瑕疵检测装置,其特征在于,所述检测平台上设置有多个工业相机,多个所述工业相机以不同的角度架设在所述检测平台上,以获取所述待检测器件不同角度的图像。
7.根据权利要求5所述的弯管焊接瑕疵检测装置,其特征在于,所述检测平台上设置有遮光罩,所述遮光罩罩设在多个所述工业相机的上方,所述遮光罩用于遮挡环境光线;所述遮光罩内侧设置有光源。
8.根据权利要求5所述的弯管焊接瑕疵检测装置,其特征在于,所述检测平台上设置测距传感器模块,用于检测待检测器件之间的间隙。
9.根据权利要求5所述的弯管焊接瑕疵检测装置,其特征在于,所述标记平台上设置有一维电动滑组和光电传感器,所述光电传感器用于对待检测器件进行定位。
10.一种弯管焊接瑕疵检测装置系统,其特征在于,所述弯管焊接瑕疵检测装置系统用于实现如权利要求1~4任一项所述的弯管焊接瑕疵检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523088.5A CN113245238A (zh) | 2021-05-13 | 2021-05-13 | 一种弯管焊接瑕疵检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523088.5A CN113245238A (zh) | 2021-05-13 | 2021-05-13 | 一种弯管焊接瑕疵检测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113245238A true CN113245238A (zh) | 2021-08-13 |
Family
ID=77183270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110523088.5A Pending CN113245238A (zh) | 2021-05-13 | 2021-05-13 | 一种弯管焊接瑕疵检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113245238A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN107657603A (zh) * | 2017-08-21 | 2018-02-02 | 北京精密机电控制设备研究所 | 一种基于智能视觉的工业外观检测方法 |
CN108672316A (zh) * | 2018-03-27 | 2018-10-19 | 哈尔滨理工大学 | 一种基于卷积神经网络的微小零件质量检测系统 |
CN109064459A (zh) * | 2018-07-27 | 2018-12-21 | 江苏理工学院 | 一种基于深度学习的布匹瑕疵检测方法 |
CN209393574U (zh) * | 2018-11-30 | 2019-09-17 | 惠州市协昌电子有限公司 | 一种自动分拣不良品的线路板验孔机 |
CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
KR102135009B1 (ko) * | 2020-02-28 | 2020-07-16 | 서민석 | 오링 검사장치 |
CN212944150U (zh) * | 2020-05-21 | 2021-04-13 | 四川万圣通实业有限公司 | 一种自动化管材缺陷标记装置 |
-
2021
- 2021-05-13 CN CN202110523088.5A patent/CN113245238A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN107657603A (zh) * | 2017-08-21 | 2018-02-02 | 北京精密机电控制设备研究所 | 一种基于智能视觉的工业外观检测方法 |
CN108672316A (zh) * | 2018-03-27 | 2018-10-19 | 哈尔滨理工大学 | 一种基于卷积神经网络的微小零件质量检测系统 |
CN109064459A (zh) * | 2018-07-27 | 2018-12-21 | 江苏理工学院 | 一种基于深度学习的布匹瑕疵检测方法 |
CN209393574U (zh) * | 2018-11-30 | 2019-09-17 | 惠州市协昌电子有限公司 | 一种自动分拣不良品的线路板验孔机 |
CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
KR102135009B1 (ko) * | 2020-02-28 | 2020-07-16 | 서민석 | 오링 검사장치 |
CN212944150U (zh) * | 2020-05-21 | 2021-04-13 | 四川万圣通实业有限公司 | 一种自动化管材缺陷标记装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948469B (zh) | 基于深度学习的巡检机器人仪表自动检测识别方法 | |
CN110659662B (zh) | 利用人工智能的瑕疵检测系统及其方法 | |
CN101706458A (zh) | 高分辨率印刷电路板自动检测系统及检测方法 | |
CN109239102A (zh) | 一种基于cnn的柔性电路板外观缺陷检测方法 | |
CN109544533A (zh) | 一种基于深度学习的金属板缺陷检测和度量方法 | |
CN106980099B (zh) | 一种电路板自动测试系统的校准方法及系统 | |
CN107238534A (zh) | 基于图像计算在线监测板材拉伸性能的方法及装置 | |
CN110118777A (zh) | 一种控制系统系统集成智能检验台 | |
CN112288741A (zh) | 一种基于语义分割的产品表面缺陷检测方法、系统 | |
CN115131268A (zh) | 一种基于图像特征提取与三维模型匹配的自动化焊接系统 | |
CN113670931A (zh) | 一种基于神经网络的钢板表面缺陷检测方法及系统 | |
CN115546223A (zh) | 一种列车车下设备紧固螺栓的缺失检测方法和系统 | |
CN107063638A (zh) | 一种基于模组化高精度显微镜系统的测试装置 | |
CN112964732A (zh) | 一种基于深度学习的丝饼缺陷视觉检测系统及方法 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN113245238A (zh) | 一种弯管焊接瑕疵检测方法、装置及系统 | |
CN112763496A (zh) | 一种手机电池表面缺陷检测装置及其检测方法 | |
CN116105604A (zh) | 钢管质量检测系统及检测方法 | |
CN114354633B (zh) | 一种陶瓷卫浴外观质量检测系统及检测方法 | |
CN115791830A (zh) | 一种钢板检测系统、钢板检测方法及电子设备 | |
CN101718711A (zh) | 一种检测煤或焦炭显微组分的方法及其专用设备 | |
CN104677906A (zh) | 影像信息检测方法 | |
CN114155432A (zh) | 一种基于机器人的表计读数识别方法 | |
CN113034620A (zh) | 校正方法、校正装置、计算机可读存储介质及计算机设备 | |
CN110068582B (zh) | 一种aoi印制板检测系统 |
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: 20210813 |
|
RJ01 | Rejection of invention patent application after publication |