CN113298757A - 一种基于u-net卷积神经网络的金属表面缺陷检测方法 - Google Patents
一种基于u-net卷积神经网络的金属表面缺陷检测方法 Download PDFInfo
- Publication number
- CN113298757A CN113298757A CN202110472930.7A CN202110472930A CN113298757A CN 113298757 A CN113298757 A CN 113298757A CN 202110472930 A CN202110472930 A CN 202110472930A CN 113298757 A CN113298757 A CN 113298757A
- Authority
- CN
- China
- Prior art keywords
- image
- net
- data set
- defects
- layer
- 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 49
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 239000002184 metal Substances 0.000 title claims abstract description 14
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 title claims description 17
- 239000007769 metal material Substances 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 3
- 230000004927 fusion Effects 0.000 claims abstract 2
- 238000000034 method Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000004321 preservation Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000002131 composite material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06T5/70—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
- G06T7/13—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20212—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
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种金属表面质量检测方法，特别是一种基于U‑NET的金属材料表缺陷检测方法，包括：获取金属材料图像数据；利用ACGAN图像生成网络对数量较少的缺陷类型图像做数据增强，并对获取的图像数据进行预处理，并将数据集划分为测试数据集以及训练和验证数据集；搭建U‑NET语义分割网络，利用深度卷积神经网络对图像进行下采样特征提取，并利用多层反卷积对多尺度的特征图进行融合；将融合特征图输入分类器模块进行金属材料表面缺陷定位与分类。本模型可快速判断金属材料表面图像是否有缺陷，并给出缺陷类别和缺陷所在的位置，完成对金属材料表面图像中质量的自动分析。
Description
技术领域
本发明涉及一种金属表面质量检测方法，特别是一种基于U-NET的金属材料表缺陷检测方法，属于图像处理分析领域。
背景技术
金属材料是重要的工业产品，其表面质量的好坏直接影响其市场销售甚至于工程安全。随着我国工业生产总值的不断提高，各生产企业对产品的表面质量提出了更高的需求。同时，在生产过程中实时检测到产品表面质量问题，不但可以警示工人及时对生产设备进行检修，也可以减少浪费，调高产品的正品率。因此，实时检测材料表面质量，及早发现损坏并及时维修生产设配，已经成为材料生产过程中的一项基础任务。
目前金属材料表面质量检测技术手段主要有人工目测法、超声波探伤法和红外检测法，这些方法各自存在劣势。目测法劳动强度大、危险性高、费事费力、效率低且测量结果受主观影响大；超声波探伤法则有较高的操作成本，同时分类准确度低，检测速度低；红外检测法则由于存在高频激励信号，使系统结构及信号处理较为复杂，而且检测效率比较低。因此，开发一种高精度，高效的金属材料表面质量检测技术显得尤为重要。
发明内容
本发明所要解决的技术问题是提供一种基于U-NET卷积神经网络的金属材料表面质量检测方法，其提高了材料表面质量检测的精度和效率。
为解决上述技术问题，本发明所采用的技术方案是：
S1获取金属材料图像数据；待测工件置于检测平台上，在稳定、均匀的照明环境下，通过检测平台上的工业照相机获取待测工件外表面的图像数据。
S2利用ACGAN图像生成网络对数量较少的缺陷类型图像做数据增强，并对获取的图像数据进行预处理。，
S3搭建改进型U-NET语义分割网络，利用深度卷积神经网络对图像进行下采样特征提取，并利用多层反卷积对多尺度的特征图进行融合；
S4将融合特征图输入分类器模块进行金属材料表面缺陷定位与分类。
有益效果
本发明与现有技术相比，具有以下优点和效果：本发明提供了一种基于 U-NET卷积神经网络的金属材料表面缺陷检测方法，设计了一种新型的基于深度学习的全卷积神经网络，可快速判断金属材料表面图像是否有缺陷，并给出缺陷类别和缺陷所在的位置，完成对金属材料表面图像中质量的自动分析，节省人力成本并排除人为主观因素的干扰，具有效率高，准确率高，实用性强的优点。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为一种基于U-NET卷积神经网络的金属表面缺陷检测方法的一种具体实施方式的流程图；
图2为ACGAN模型的结构图；
图3为改进型U-NET卷积神经网络的一种具体实施方式的示意图；
图4为一个实例模型训练过程中训练集与验证集损失值的变化情况；
图5为一个实例模型训练后对图像进行检测的结果展示；
具体实施方式
下面结合附图对本发明作进一步地详细说明
如图1所示，本发明所要解决的技术问题是提供一种基于深度学习网络的金属材料表面质量检测方法，其提高了金属材料表面质量检测的精度和效率。
S1获取金属材料图像数据；待测工件置于检测平台上，在稳定、均匀的照明环境下，通过检测平台上的工业照相机获取待测工件外表面的图像数据。
S2利用ACGAN图像生成网络对数量较少的缺陷类型图像做数据增强，并对获取的图像数据进行预处理。，
S3搭建改进型U-NET语义分割网络，利用深度卷积神经网络对图像进行下采样特征提取，并利用多层反卷积对多尺度的特征图进行融合；
S4将融合特征图输入分类器模块进行金属材料表面缺陷定位与分类。
S1，具体为利用工业相机获取待测金属材料表面的图像数据。图像采集过程全面，包括金属材料不同区域的样本图片，亦包括质量图片及无质量图片，金属材料表面质量缺陷包括表面缺口(Multiple chips on the surface)、单一垂直裂缝(Single Verticalcrack)、多个垂直裂缝(Multiple vertical cracks)。
S2中，对S1获取的原始图像进行图像去噪和图像增强预处理操作，使得预处理后的图像中的缺陷更易于被网络识别；在S1的基础上，将原始图像分割为若干小块，利用人工监测对这些小块进行质量标注，获得带标签的数据集，从中选取20％作为测试数据集，剩余80％作为训练和验证数据集。
进一步地，S2中为了解决数据集各缺陷种类数量不均衡的问题，采用基于 ACGAN网络的金属材料表面缺陷数据集增强方法，包括以下步骤：
S2.1对金属部件表面图像进行灰度转换、二值化处理、滤波、数学形态学等处理，增强数据的鲁棒性，使训练得到的模型具有更好的泛化性；
S2.2调整步骤S2.1中二值化阈值，此阈值的选取以使图像的图案部分和背景黑白分明为准，对图像进行二值分割，分割出图像纹理和缺陷,提供给S2.3；
S2.3图像分析通过边缘检测算子突出图像的细节并且增强了被模糊的细节，突出边缘信息,提供给S2.5；
S2.4 ACGAN中的输入部分包括分类序列与随机噪声序列两部分，首先将分类序列输入Embedding层，再将Embedding层的输出与随机噪声叠加，这样可以更好的将类别信息融合到噪声中。将融合后的噪声输入到由两组步长为2*2，卷积核大小为3*3的反卷积层，并通过ReLU函数激活组成的生成器中，获得与真实图像尺度相等的合成图像。
S2.5经S2.3预处理后的图像序列与S2.4中生成的合成图像一起输入 ACGAN模型中的判别器。ACGAN中的判别器由三组卷积组成，每一组卷积包括一个步长为2*2，卷积核大小为3*3的卷积层，一个批标准化层，并通过ReLU函数激活，最后再连接两个以softmax为激活函数的全连接层，一个用来判断输入的图像是否为真实的图像，另一个用来判断输入图像的缺陷类别。ACGAN中的生成器与判别器训练优化完成后，获得生成器中输出的合成图像，提供给S2.6；
S2.6将训练得到的合成图像纳入到数据集中，以解决训练数据较少的问题。
进一步地，所述带标签数据集的标签为PNG格式的图像，其尺度大小与待检测图片尺度相同。标签图像中的像素点全部用数值表示，不同的数值表示不同种类的缺陷，0为无瑕疵区域所在的像素点，1-4表示不同种类瑕疵所在的区域的像素点。
S3中U-NET语义分割网络为改进后的U-NET卷积神经网络,为了避免图像在经过池化层后丢失部分特征，在上采样的过程中不使用池化层，以步长为2 的卷积层来提取图像特征并减小特征图尺度。
进一步地，所述U-NET语义分割网络结构，在上采样过程中不采用传统的插值法或反池化，而采用特征保存度更好的转置卷积来进行上采样。
进一步的，所述U-NET语义分割网络结构，它由上采样路径与一个下采样路径构成。上采样路径遵循卷积网络的典型架构，由两个步长为2卷积核大小为3×3的卷积层重复使用构成，每个卷积层后跟一个ReLU函数激活层与一个批标准化层。由于普通的特征提取网络由于浅层特征语义信息较少，特征图分辨率高，目标位置信息准确；而深层特征语义信息丰富，但是特征图分辨率低，目标位置信息粗略。为此，本发明改进型U-NET将浅层的特征图与深层的特征图进行融合，可以使得融合后的特征图具有高分辨率高语义信息的特点。
进一步的，所述U-NET语义分割网络结构的扩展路径不同于收缩路径利用下采样将特征通道的数量加倍，而是在每个步骤都对损伤特征图进行上采样，利用步长为2的3×3转置卷积对损伤特征图进行上采样，以便与从收缩路径中裁剪出的相应特征图进行级联，此外再加上两个3×3卷积层，且每个卷积层后再跟一个ReLU函数激活层与一个批标准化层，用来减少通道数。由于边界像素的丢失，必须对每个卷积单元进行裁剪。在最后一层，使用1×1卷积将每个64 通道的特征向量映射到所需的类上。最终再将主干网络和分支网络的结果相结合进行输出。
S4中分类器采用softmax作为激活函数，对不同值的像素点进行分类，以判断每个像素点属于何种缺陷类型。
所述soft-max函数可以定义为:
其中ak(X)表示在特征通道k上像素点X的值。K为特征通道的总数。
所述S4中交叉熵损失函数可以定义为：
loss＝∑X∈Ωω(X)log(pl(X)(X))
其中，X为像素点，Ω为整个特征图区域。l(X)表示X像素点所对应的类别值， pl(X)(X)则代表点X像素在对应类别值下的softmax激活值。ω(X)是X像素点对应的权重，可根据特征图需要自行调节。
本发明与现有技术相比，具有以下优点和效果：本发明提供了一种基于 U-NET卷积神经网络的金属材料表面缺陷检测方法，设计了一种新型的基于深度学习的全卷积神经网络，可快速判断金属材料表面图像是否有缺陷，并给出缺陷类别和缺陷所在的位置，完成对金属材料表面图像中质量的自动分析，节省人力成本并排除人为主观因素的干扰，具有效率高，准确率高，实用性强的优点。
Claims (6)
1.一种基于U-NET卷积神经网络的金属表面缺陷检测方法，其特征在于，包括
S1，获取待测工件外表面的图像数据；
S2，利用ACGAN图像生成网络对数量较少的缺陷类型图像做数据增强，并对获取的图像数据进行预处理；
S3，搭建改进型U-NET语义分割网络，利用深度卷积神经网络对图像进行下采样特征提取，并利用多层反卷积对多尺度的特征图进行融合；
S4，将融合特征图输入分类器模块进行金属材料表面缺陷定位与分类。
2.如权利要求书1中所述的一种基于U-NET卷积神经网络的金属表面缺陷检测方法，其特征在于，S1获取待测工件外表面的图像数据的方法，具体为：
待测工件置于检测平台上，在稳定、均匀的照明环境下，通过检测平台上的工业照相机获取待测工件外表面的图像数据；图像采集过程全面，包括金属材料不同区域的样本图片，亦包括质量图片及无质量图片，金属材料表面质量缺陷包括表面缺口(Multiple chips onthe surface)、单一垂直裂缝(Single Vertical crack)、多个垂直裂缝(Multiplevertical cracks)。
3.如权利要求书1中所述的一种基于U-NET卷积神经网络的金属表面缺陷检测方法，其特征在于，S2具体为：
对S1获取的原始图像进行图像去噪和图像增强预处理操作；在S1的基础上，将原始图像分割为若干小块，利用人工监测对这些小块进行质量标注，获得带标签的数据集，从中选取20％作为测试数据集，剩余80％作为训练和验证数据集。
4.如权利要求书3中所述的一种基于U-NET卷积神经网络的金属表面缺陷检测方法，其特征在于，进一步地，S2中为了解决数据集各缺陷种类数量不均衡的问题，采用基于ACGAN网络的金属材料表面缺陷数据集增强方法，包括以下步骤：
S2.1对金属部件表面图像进行灰度转换、二值化处理、滤波、数学形态学等处理，增强数据的鲁棒性，使训练得到的模型具有更好的泛化性；
S2.2调整步骤S2.1中二值化阈值，此阈值的选取以使图像的图案部分和背景黑白分明为准，对图像进行二值分割，分割出图像纹理和缺陷,提供给S2.3；
S2.3图像分析通过边缘检测算子突出图像的细节并且增强了被模糊的细节，突出边缘信息,提供给S2.5；
S2.4 ACGAN中的输入部分包括分类序列与随机噪声序列两部分，首先将分类序列输入Embedding层，再将Embedding层的输出与随机噪声叠加，这样可以更好的将类别信息融合到噪声中；将融合后的噪声输入到由两组步长为2*2，卷积核大小为3*3的反卷积层，并通过ReLU函数激活组成的生成器中，获得与真实图像尺度相等的合成图像；
S2.5经S2.3预处理后的图像序列与S2.4中生成的合成图像一起输入ACGAN模型中的判别器；ACGAN中的判别器由三组卷积组成，每一组卷积包括一个步长为2*2，卷积核大小为3*3的卷积层，一个批标准化层，并通过ReLU函数激活，最后再连接两个以softmax为激活函数的全连接层，一个用来判断输入的图像是否为真实的图像，另一个用来判断输入图像的缺陷类别；ACGAN中的生成器与判别器训练优化完成后，获得生成器中输出的合成图像，提供给S2.6；
S2.6将训练得到的合成图像纳入到数据集中，以解决训练数据较少的问题；
所述带标签数据集的标签为PNG格式的图像，其尺度大小与待检测图片尺度相同；标签图像中的像素点全部用数值表示，不同的数值表示不同种类的缺陷，0为无瑕疵区域所在的像素点，1-4表示不同种类瑕疵所在的区域的像素点。
5.如权利要求书1中所述的一种基于U-NET卷积神经网络的金属表面缺陷检测方法，其特征在于，S3具体为：
S3中U-NET语义分割网络为改进后的U-NET卷积神经网络,以步长为2的卷积层来提取图像特征并减小特征图尺度；
进一步地，所述U-NET语义分割网络结构，在上采样过程中不采用传统的插值法或反池化，而采用特征保存度更好的转置卷积来进行上采样；
进一步的，所述U-NET语义分割网络结构，它由上采样路径与一个下采样路径构成；上采样路径遵循卷积网络的典型架构，由两个步长为2卷积核大小为3×3的卷积层重复使用构成，每个卷积层后跟一个ReLU函数激活层与一个批标准化层；所述U-NET将浅层的特征图与深层的特征图进行融合，可以使得融合后的特征图具有高分辨率高语义信息的特点；
进一步的，所述U-NET语义分割网络结构的扩展路径不同于收缩路径利用下采样将特征通道的数量加倍，而是在每个步骤都对损伤特征图进行上采样，利用步长为2的3×3转置卷积对损伤特征图进行上采样，以便与从收缩路径中裁剪出的相应特征图进行级联，此外再加上两个3×3卷积层，且每个卷积层后再跟一个ReLU函数激活层与一个批标准化层，用来减少通道数。由于边界像素的丢失，必须对每个卷积单元进行裁剪；在最后一层，使用1×1卷积将每个64通道的特征向量映射到所需的类上；最终再将主干网络和分支网络的结果相结合进行输出。
6.如权利要求书1中所述的一种基于U-NET卷积神经网络的金属表面缺陷检测方法，其特征在于，S4具体为：
S4中分类器采用softmax作为激活函数，对不同值的像素点进行分类，以判断每个像素点属于何种缺陷类型；
所述soft-max函数可以定义为:
其中ak(X)表示在特征通道k上像素点X的值，K为特征通道的总数；
所述S4中交叉熵损失函数可以定义为：
其中，X为像素点，Ω为整个特征图区域；l(X)表示X像素点所对应的类别值，pl(X)(X)则代表点X像素在对应类别值下的softmax激活值；ω(X)是X像素点对应的权重，可根据特征图需要自行调节。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110472930.7A CN113298757A (zh) | 2021-04-29 | 2021-04-29 | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110472930.7A CN113298757A (zh) | 2021-04-29 | 2021-04-29 | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113298757A true CN113298757A (zh) | 2021-08-24 |
Family
ID=77320498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110472930.7A Pending CN113298757A (zh) | 2021-04-29 | 2021-04-29 | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298757A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113724231A (zh) * | 2021-09-01 | 2021-11-30 | 广东工业大学 | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 |
| CN113744224A (zh) * | 2021-08-26 | 2021-12-03 | 成都盛锴科技有限公司 | 一种轨道车辆走行部焊缝的检测方法及其系统 |
| CN113822885A (zh) * | 2021-11-23 | 2021-12-21 | 常州微亿智造科技有限公司 | 融合多注意力机制的工件缺陷检测方法和装置 |
| CN114088817A (zh) * | 2021-10-28 | 2022-02-25 | 扬州大学 | 基于深层特征的深度学习的平板陶瓷膜超声缺陷检测方法 |
| CN114119573A (zh) * | 2021-11-30 | 2022-03-01 | 重庆顺泰铁塔制造有限公司 | 一种基于机器视觉技术的输电铁塔零部件智能检测方法 |
| CN114119554A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于卷积神经网络的表面微缺陷检测方法及装置 |
| CN114359558A (zh) * | 2021-12-14 | 2022-04-15 | 重庆大学 | 一种基于混合框架的屋顶图像分割方法 |
| CN115231205A (zh) * | 2022-08-31 | 2022-10-25 | 天津美腾科技股份有限公司 | 一种刮板运输机的故障监测方法及系统 |
| CN115272310A (zh) * | 2022-09-26 | 2022-11-01 | 江苏智云天工科技有限公司 | 工件的缺陷检测方法及装置 |
| CN116109607A (zh) * | 2023-02-22 | 2023-05-12 | 广东电网有限责任公司云浮供电局 | 一种基于图像分割的输电线路工程缺陷检测方法 |
| CN116525295A (zh) * | 2023-07-03 | 2023-08-01 | 河南华佳新材料技术有限公司 | 一种高频脉冲电容用金属化薄膜及其制备方法 |
| CN116586924A (zh) * | 2023-07-17 | 2023-08-15 | 浙江一益医疗器械有限公司 | 一种针尖五斜面结构的不锈钢针管及其制备工艺 |
| CN116958049A (zh) * | 2023-06-15 | 2023-10-27 | 湖南视比特机器人有限公司 | 一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质 |
| CN118628500A (zh) * | 2024-08-14 | 2024-09-10 | 深圳西普尼精密科技股份有限公司 | 基于图像处理的手表表壳真空镀膜缺陷检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103175844A (zh) * | 2012-03-16 | 2013-06-26 | 沈阳理工大学 | 一种金属零部件表面划痕缺陷检测方法 |
| CN111612758A (zh) * | 2020-05-19 | 2020-09-01 | 南京航空航天大学 | 一种基于卷积神经网络的隧道表面缺陷检测方法 |
| CN112037219A (zh) * | 2020-09-27 | 2020-12-04 | 上海电力大学 | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 |
| CN112561910A (zh) * | 2020-12-28 | 2021-03-26 | 中山大学 | 一种基于多尺度特征融合的工业表面缺陷检测方法 |
-
2021
- 2021-04-29 CN CN202110472930.7A patent/CN113298757A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103175844A (zh) * | 2012-03-16 | 2013-06-26 | 沈阳理工大学 | 一种金属零部件表面划痕缺陷检测方法 |
| CN111612758A (zh) * | 2020-05-19 | 2020-09-01 | 南京航空航天大学 | 一种基于卷积神经网络的隧道表面缺陷检测方法 |
| CN112037219A (zh) * | 2020-09-27 | 2020-12-04 | 上海电力大学 | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 |
| CN112561910A (zh) * | 2020-12-28 | 2021-03-26 | 中山大学 | 一种基于多尺度特征融合的工业表面缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| OLAF RONNEBERGER 等: "U-Net: Convolutional Networks for Biomedical Image Segmentation", 《ARXIV》 * |
| 梦翼-: "ACGAN网络", 《HTTPS://BLOG.CSDN.NET/U012292247/ARTICLE/DETAILS/97614528》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744224A (zh) * | 2021-08-26 | 2021-12-03 | 成都盛锴科技有限公司 | 一种轨道车辆走行部焊缝的检测方法及其系统 |
| CN113724231B (zh) * | 2021-09-01 | 2023-12-29 | 广东工业大学 | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 |
| CN113724231A (zh) * | 2021-09-01 | 2021-11-30 | 广东工业大学 | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 |
| CN114088817B (zh) * | 2021-10-28 | 2023-10-24 | 扬州大学 | 基于深层特征的深度学习的平板陶瓷膜超声缺陷检测方法 |
| CN114088817A (zh) * | 2021-10-28 | 2022-02-25 | 扬州大学 | 基于深层特征的深度学习的平板陶瓷膜超声缺陷检测方法 |
| CN113822885A (zh) * | 2021-11-23 | 2021-12-21 | 常州微亿智造科技有限公司 | 融合多注意力机制的工件缺陷检测方法和装置 |
| CN114119554A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于卷积神经网络的表面微缺陷检测方法及装置 |
| CN114119573B (zh) * | 2021-11-30 | 2024-08-20 | 重庆顺泰铁塔制造有限公司 | 一种基于机器视觉技术的输电铁塔零部件智能检测方法 |
| CN114119573A (zh) * | 2021-11-30 | 2022-03-01 | 重庆顺泰铁塔制造有限公司 | 一种基于机器视觉技术的输电铁塔零部件智能检测方法 |
| CN114359558A (zh) * | 2021-12-14 | 2022-04-15 | 重庆大学 | 一种基于混合框架的屋顶图像分割方法 |
| CN115231205A (zh) * | 2022-08-31 | 2022-10-25 | 天津美腾科技股份有限公司 | 一种刮板运输机的故障监测方法及系统 |
| CN115272310A (zh) * | 2022-09-26 | 2022-11-01 | 江苏智云天工科技有限公司 | 工件的缺陷检测方法及装置 |
| CN115272310B (zh) * | 2022-09-26 | 2023-01-03 | 江苏智云天工科技有限公司 | 工件的缺陷检测方法及装置 |
| CN116109607A (zh) * | 2023-02-22 | 2023-05-12 | 广东电网有限责任公司云浮供电局 | 一种基于图像分割的输电线路工程缺陷检测方法 |
| CN116109607B (zh) * | 2023-02-22 | 2023-10-20 | 广东电网有限责任公司云浮供电局 | 一种基于图像分割的输电线路工程缺陷检测方法 |
| CN116958049A (zh) * | 2023-06-15 | 2023-10-27 | 湖南视比特机器人有限公司 | 一种基于深度学习的汽车漆面缺陷自动检测方法及存储介质 |
| CN116525295B (zh) * | 2023-07-03 | 2023-09-08 | 河南华佳新材料技术有限公司 | 一种高频脉冲电容用金属化薄膜及其制备方法 |
| CN116525295A (zh) * | 2023-07-03 | 2023-08-01 | 河南华佳新材料技术有限公司 | 一种高频脉冲电容用金属化薄膜及其制备方法 |
| CN116586924A (zh) * | 2023-07-17 | 2023-08-15 | 浙江一益医疗器械有限公司 | 一种针尖五斜面结构的不锈钢针管及其制备工艺 |
| CN116586924B (zh) * | 2023-07-17 | 2024-02-27 | 浙江一益医疗器械有限公司 | 一种针尖五斜面结构的不锈钢针管及其制备工艺 |
| CN118628500A (zh) * | 2024-08-14 | 2024-09-10 | 深圳西普尼精密科技股份有限公司 | 基于图像处理的手表表壳真空镀膜缺陷检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113298757A (zh) | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 | |
| CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
| CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
| CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
| CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
| 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 | |
| CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
| CN111932501A (zh) | 一种基于语义分割的密封圈表面缺陷检测方法 | |
| CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
| CN111160301B (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
| CN108615230A (zh) | 一种轮毂表面异常检测方法和系统 | |
| CN113643268B (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
| CN112150460B (zh) | 检测方法、检测系统、设备和介质 | |
| CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
| CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
| CN109615604A (zh) | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 | |
| CN116777907A (zh) | 一种钣金件质量检测方法 | |
| CN112508935A (zh) | 基于深度学习的产品包装检测方法及系统和产品包装分拣系统 | |
| CN114743102A (zh) | 一种面向家具板材的瑕疵检测方法、系统及装置 | |
| CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN111179263A (zh) | 一种工业图像表面缺陷检测模型、方法、系统及装置 | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN115049640B (zh) | 一种基于深度学习的道路裂缝检测方法 | |
| CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
| CN116245882A (zh) | 电路板电子元件检测方法、装置及计算机设备 |
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 |