CN113393438B - 一种基于卷积神经网络的树脂镜片缺陷检测方法 - Google Patents
一种基于卷积神经网络的树脂镜片缺陷检测方法 Download PDFInfo
- Publication number
- CN113393438B CN113393438B CN202110659119.XA CN202110659119A CN113393438B CN 113393438 B CN113393438 B CN 113393438B CN 202110659119 A CN202110659119 A CN 202110659119A CN 113393438 B CN113393438 B CN 113393438B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- convolutional
- defect
- convolution
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 70
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 239000011347 resin Substances 0.000 title claims abstract description 25
- 229920005989 resin Polymers 0.000 title claims abstract description 25
- 238000005070 sampling Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 7
- 238000001914 filtration Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/73—
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种基于卷积神经网络的树脂镜片缺陷检测方法。该方法包括：采集带有缺陷的树脂镜片图像；对图像进行梯度锐化和中值滤波，增强图像细节信息；标记缺陷所在位置及类别，制成数据集；构造卷积神经网络模型，该网络模型基于改进的DarkNet53作为骨干网络，多尺度特征融合的颈部网络，和多分类的回归网络作为检测头；将数据集输入至网络模型中进行训练；将待测图片输入训练好的网络模型进行检测，最终输出缺陷类别、缺陷位置及置信度等信息，即最终检测结果。本发明可以实现树脂镜片缺陷的在线检测，泛化性能好，提高了检测效率和检测精度。
Description
技术领域
本发明涉及计算机视觉领域，具体涉及一种基于卷积神经网络的树脂镜片缺陷检测方法。
背景技术
树脂镜片由于其具有良好的光学特性、质量轻、价格低廉等优点，在眼镜制造业中应用最为广泛，是一种需求量巨大的民用产品。在树脂镜片生产过程中，可能会产生麻点、擦痕、斑点、气泡、崩边以及夹杂物等缺陷。带有缺陷的树脂镜片由于其光学特性受缺陷影响而无法使用，应避免带有缺陷的产品流入市场给企业造成更大的损失，因此对树脂镜片进行缺陷检测是十分必要的。
目前，制造业中对树脂镜片缺陷检测仍以人工为主，即由工人在强光下用眼睛观察镜片中是否存在缺陷。这种方法不仅效率低下，人工成本高，而且对缺陷的判定受检测工人的主观因素影响严重，检测的准确度也无法保证。
在树脂镜片的缺陷检测中，不仅要检测出缺陷的有无，还应检测出缺陷的数目、位置及类别，并将检测结果记录下来加以分析，便于更好的发现并解决对生产过程中可能存在的问题，具有重要的现实意义。
综上所述，在工业应用中，怎样快速、精确的进行树脂镜片缺陷检测，成为一项亟待解决的问题。
发明内容
为解决上述技术问题，本发明提供了一种基于卷积神经网络的树脂镜片缺陷检测方法，该方法包括以下步骤：
步骤1.用偏振黑白相机，用白色LED平行光光源采用背光照明方式，在暗场条件下获取不少于2000张的带有缺陷的树脂镜片图像作为原始图像；
步骤2.对步骤1中所述原始图像进行梯度锐化和中值滤波预处理操作；
步骤3.将步骤2中所述预处理后的图像用labellmg工具标注缺陷种类及缺陷所在位置，缺陷种类为n,对应n种标签，每一张图像对应生成一个xml标签文件，图像与对应标签共同构成数据集，将数据集中的80％划分为训练集，20％为验证集；
步骤4.用深度学习框架构建卷积神经网络模型D；
步骤5.将步骤3所述训练集输入至卷积神经网络模型D中，训练神经网络模型D，得到训练后的卷积神经网络模型D；
步骤6.将步骤3所述验证集输入至卷积神经网络模型D中进行验证，得到缺陷检测的准确率，判断检测的准确率是否大于95％的工业要求，若符合则执行步骤7，若不符合则将训练集输入至卷积神经网络模型D中继续训练，直至满足工业要求；
步骤7.在步骤1所述条件下实时采集待测树脂镜片图像，再进行步骤2，将所得到预处理后的图像输入至训练后的神经网络模型D中，输出最终的缺陷检测结果，包括缺陷的类别、缺陷中心点坐标、缺陷的高度和宽度以及缺陷存在的置信度。
优选地，在步骤1中，所述偏振黑白相机中偏振化方向夹角为90°；
优选地，在步骤4中，所述的卷积神经网络模型D具体包括改进的DarkNet53网络作为缺陷特征提取的骨干网络，多尺度特征融合的颈部网络，多分类的回归网络；
优选地，所述改进的DarkNet53网络共有76个卷积层，其中第一个和最后一个是步长为1、卷积核分别为3×3和1×1的单独卷积层，其余74个卷积层是5组下采样卷积层、残差块、空间注意力机制模块结构，每一组分别有4、7、25、25、13个卷积层；所述下采样卷积层是一个步长为2，卷积核为3×3的卷积层；所述每个残差块中有两个卷积层，步长均为1，卷积核分别为1×1与3×3；所述空间注意力机制模块由一个平均池化层、一个最大池化层、一个步长为1的7×7卷积层、sigmoid激活函数构成；
优选地，所述改进的DarkNet53网络经5次下采样对应输出5个尺度的特征图，分别为P1、P2、P3、P4、P5；
优选地，所述颈部网络是SPP模块、与特征融合卷积网络构成；所述SPP模块由5×5、9×9、13×13的最大池化层和两个步长为1，卷积核为1×1的卷积层构成；所述特征融合卷积网络是四个卷积层自顶向下进行两次上采样，并将上采样所得结果分别与骨干网络中相同尺度的特征图横向连接，再经过四个卷积层自底向上进行两次下采样，并将下采样所得结果与上采样前的相同尺度的特征图横向连接，最终将P3、P4、P5三个尺度特征的充分融合；
优选地，所述多分类的回归网络为三组卷积层，每组由两个步长为1，卷积核分别为3×3和1×1的卷积层构成，每组卷积层负责输出一个尺度特征图的预测结果；
优选地，所述步骤5采用梯度下降算法不断更新卷积神经网络模型D的权重参数，计算预测结果与标签的误差函数Loss，使Loss不断向其最小值方向收敛，此时的权重参数即为训练好的卷积神经网络模型D的权重参数，得到训练好的卷积神经网络模型D；
优选地，所述误差函数Loss的计算公式如下：
Loss＝Lbox+Lclass+Lobject；
其中，S×S代表特征图尺寸；li代表i处的预测框内是否有缺陷，若有缺陷值为1，否则为0；xi、yi、wi、hi分别代表真实框的中心点横坐标、纵坐标、宽和高；
分别代表预测框的中心点横坐标、纵坐标、宽和高；Pi(j)代表真实框内是否存在j类缺陷，若存在值为1，否则为0；
代表检测结果确定的预测框内存在j类缺陷的概率；n为步骤3中所述的缺陷类别数；ci为预测框中存在缺陷的置信度。
与现有技术相比，本发明的有益效果如下：
本发明提出一种基于卷积神经网络的树脂镜片缺陷检测方法，可以检测n种不同类别的缺陷，泛化能力强，检测速度快，可以满足实时检测要求，提高检测效率；构建一种卷积神经网络模型，用改进的Darknet53作为骨干网络，在骨干网络中嵌入空间注意力机制模块，提高骨干网络的特征提取能力；在颈部网络中进行两次自顶向下的上采样和两次自底向上的下采样，并将相同尺度特征图进行横向连接，充分融合浅层特征信息，提高了缺陷的检测精度；检测结果输出缺陷类别信息和位置信息，有助于企业根据检测数据发现并解决生产过程中可能存在的问题，应用前景非常广阔。
附图说明
图1是本发明提出的基于卷积神经网络的树脂镜片缺陷检测方法的流程图；
图2是本发明提出的卷积神经网络模型D的结构图。
具体实施方式
为使本发明所述的技术方案更为清楚明白，下面结合附图和具体实施做进一步的说明，附图仅用于示例性说明，不能理解为对本专利的限制。
图1示出根据本公开的一个实施例的一种基于卷积神经网络的树脂镜片缺陷检测方法。如图1所示，该方法包括下列步骤：
步骤1.用偏振黑白相机，用白色LED平行光光源采用背光照明方式，在暗场条件下获取2000张的带有麻点、划痕、气泡、破边、裂缝等5类缺陷的树脂镜片图像作为原始图像，图像像素数为704×704；
步骤2.对步骤1中所述原始图像进行梯度锐化和中值滤波预处理操作；
步骤3.将步骤2中所述预处理后的图像用labellmg工具标注缺陷种类及缺陷所在位置，缺陷种类为5，对应5个标签名，每一张图像对应生成一个xml标签文件，图像与对应标签共同构成数据集，将数据集中的1600张图像及对应标签划分为训练集，剩余400张图像及对应标签为验证集；
步骤4.用Pytorch深度学习框架构建卷积神经网络模型D；
步骤5.将步骤3所述训练集输入至卷积神经网络模型D中，训练神经网络模型D，迭代5000次，得到训练后的卷积神经网络模型D；
步骤6.将步骤3所述验证集输入至卷积神经网络模型D中进行验证，得到缺陷检测的准确率，判断检测的准确率是否大于95％的工业要求，若符合则执行步骤7，若不符合则将训练集输入至卷积神经网络模型D中继续训练，直至满足工业要求；
步骤7.在步骤1所述条件下实时采集待测树脂镜片图像，再进行步骤2，将所得到预处理后的图像输入至训练后的神经网络模型D中，输出最终的缺陷检测结果，包括缺陷的类别、缺陷中心点坐标、缺陷的高度和宽度以及缺陷存在的置信度。
在步骤2中，梯度锐化具体方法如下：
式中f(i,j)为输入图像；λ在本实施例中为0.1；
分别为变换后x、y方向上的梯度；fx'、fy'为梯度锐化后的像素值；
进一步地，在步骤2中，中值滤波具体方法如下：
式中f(x,y)为输入图像，f'(x,y)为滤波后图像，Sxy为窗口滑动模板，median表示中值滤波算法，本实施例中所使用窗口滑动模板Sxy的大小为3×3；
如图2所示，在步骤4中所述的卷积神经网络模型D具体包括改进的DarkNet53网络作为缺陷特征提取的骨干网络，多尺度特征融合的颈部网络，多分类的回归网络；
所述改进的DarkNet53网络共有76个卷积层，其中第一个和最后一个是步长为1、卷积核分别为3×3和1×1的单独卷积层，其余74个卷积层是5组下采样卷积层、残差块、空间注意力机制模块结构，每一组分别有4、7、25、25、13个卷积层；所述下采样卷积层是一个步长为2，卷积核为3×3的卷积层；所述每个残差块中有两个卷积层，步长均为1，卷积核分别为1×1与3×3；所述空间注意力机制模块由一个平均池化层、一个最大池化层、一个步长为1的7×7卷积层、sigmoid激活函数构成；
所述改进的DarkNet53网络经5次下采样对应输出5个尺度的特征图，分别为P1、P2、P3、P4、P5；
所述颈部网络是SPP模块、与特征融合卷积网络构成；所述SPP模块由5×5、9×9、13×13的最大池化层和两个步长为1，卷积核为1×1的卷积层构成；所述特征融合卷积网络是四个卷积层自顶向下进行两次上采样，并将上采样所得结果分别与骨干网络中相同尺度的特征图横向连接，再经过四个卷积层自底向上进行两次下采样，并将下采样所得结果与上采样前的相同尺度的特征图横向连接，最终将P3、P4、P5三个尺度特征的充分融合；
所述多分类的回归网络为三组卷积层，每组由两个步长为1，卷积核分别为3×3和1×1的卷积层构成，每组卷积层负责输出一个尺度特征图的预测结果；
所述步骤5采用梯度下降算法不断更新卷积神经网络模型D的权重参数，计算预测结果与标签的误差函数Loss，使Loss不断向其最小值方向收敛，此时的权重参数即为训练好的卷积神经网络模型D的权重参数，得到训练好的卷积神经网络模型D；
误差函数Loss的计算公式如下：
Loss＝Lbox+Lclass+Lobject；
其中，S×S代表特征图尺寸；li代表i处的预测框内是否有缺陷，若有缺陷值为1，否则为0；xi、yi、wi、hi分别代表真实框的中心点横坐标、纵坐标、宽和高；
分别代表预测框的中心点横坐标、纵坐标、宽和高；Pi(j)代表真实框内是否存在j类缺陷，若存在值为1，否则为0；
代表检测结果确定的预测框内存在j类缺陷的概率；n为步骤3中所述的缺陷类别数；ci为预测框中存在缺陷的置信度。
按照置信度ci的大小将回归得到的预测框进行排序，将置信度最大的预测框放至输出列表中，计算剩余预测框与置信度最大的预测框之间的交并比，交并比大于阈值0.7的边界框视为重复边界框，将重复边界框删除。重复上述过程，得到最终输出的若干个预测框。
尽管上面结合实施例对本发明进行了描述，但本发明并不局限于上述具体实施方式，上述实施例仅仅为示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内，在不脱离本发明宗旨的情况下，任何根据本发明的技术构思所作出的各种相应变形，这些均属于本发明的保护之内。
Claims (1)
1.一种基于卷积神经网络的树脂镜片缺陷检测方法，其特征在于，包括如下步骤：
步骤一、采集不少于2000张带有缺陷的树脂镜片图像；
步骤二、将采集到的图片进行预处理操作，增强缺陷细节信息；
步骤三、对预处理后的图像进行标注，标注缺陷所在位置及类别，制成数据集，并将数据集划分为训练集和验证集；
步骤四、用深度学习框架构建卷积神经网络模型；
步骤五、将训练集输入至卷积神经网络模型中进行训练，得到训练后的卷积神经网络模型；卷积神经网络模型具体包括改进的DarkNet53网络作为缺陷特征提取的骨干网络，多尺度特征融合的颈部网络，多分类的回归网络；
步骤六、将验证集输入至卷积神经网络模型中进行验证，判断检测结果的准确率是否满足工业要求，若满足则执行步骤七，若不满足则将训练集输入至卷积神经网络模型中继续训练；
步骤七、将待检测的树脂镜片图像输入至训练后的卷积神经网络模型中，按照置信度的大小将回归得到的预测框进行排序，将置信度最大的预测框放至输出列表中，计算剩余预测框与置信度最大的预测框之间的交并比，交并比大于阈值0.7的边界框视为重复边界框，将重复边界框删除；输出最终检测结果，包括缺陷的类别、缺陷的位置以及置信度；
其中，改进的DarkNet53网络共有76个卷积层；其中，第一个和最后一个是步长为1、卷积核分别为3×3和1×1的单独卷积层，其余74个卷积层是5组下采样卷积层、残差块、空间注意力机制模块结构，每一组分别有4、7、25、25、13个卷积层；所述下采样卷积层是一个步长为2，卷积核为3×3的卷积层；每个残差块中有两个卷积层，步长均为1，卷积核分别为1×1与3×3；所述空间注意力机制模块由一个平均池化层、一个最大池化层、一个步长为1的7×7卷积层、sigmoid激活函数构成；
其中，多尺度特征融合的颈部网络是由SPP模块与特征融合卷积网络构成；所述SPP模块由5×5、9×9、13×13的最大池化层和两个步长为1，卷积核为1×1的卷积层构成；所述特征融合卷积网络是四个卷积层自顶向下进行两次上采样，并将上采样所得结果分别与骨干网络中相同尺度的特征图横向连接，再经过四个卷积层自底向上进行两次下采样，并将下采样所得结果与上采样前的相同尺度的特征图横向连接；
其中，多分类回归网络由三组卷积层构成，每组由两个步长为1，卷积核分别为3×3和1×1的卷积层构成，每组卷积层负责输出一个尺度特征图的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110659119.XA CN113393438B (zh) | 2021-06-15 | 2021-06-15 | 一种基于卷积神经网络的树脂镜片缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110659119.XA CN113393438B (zh) | 2021-06-15 | 2021-06-15 | 一种基于卷积神经网络的树脂镜片缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113393438A CN113393438A (zh) | 2021-09-14 |
| CN113393438B true CN113393438B (zh) | 2022-09-16 |
Family
ID=77621029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110659119.XA Active CN113393438B (zh) | 2021-06-15 | 2021-06-15 | 一种基于卷积神经网络的树脂镜片缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113393438B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115496740B (zh) * | 2022-10-10 | 2023-05-16 | 湖北华鑫光电有限公司 | 基于卷积神经网络的镜片缺陷检测方法及其系统 |
| CN115375677B (zh) * | 2022-10-24 | 2023-04-18 | 山东省计算中心（国家超级计算济南中心） | 基于多路径和多尺度特征融合的酒瓶缺陷检测方法及系统 |
| CN116228672A (zh) * | 2023-01-04 | 2023-06-06 | 哈尔滨岛田大鹏工业股份有限公司 | 一种基于形状特征的金属加工表面缺陷检测系统及检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111767882A (zh) * | 2020-07-06 | 2020-10-13 | 江南大学 | 一种基于改进yolo模型的多模态行人检测方法 |
| WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
| CN111815605A (zh) * | 2020-07-09 | 2020-10-23 | 成都协创信和科技有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
| 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 |
| CN112819756A (zh) * | 2021-01-15 | 2021-05-18 | 江苏理工学院 | Pcb板表面缺陷检测装置及方法 |
| CN112819771A (zh) * | 2021-01-27 | 2021-05-18 | 东北林业大学 | 一种基于改进YOLOv3模型的木材缺陷检测方法 |
-
2021
- 2021-06-15 CN CN202110659119.XA patent/CN113393438B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
| CN111767882A (zh) * | 2020-07-06 | 2020-10-13 | 江南大学 | 一种基于改进yolo模型的多模态行人检测方法 |
| CN111815605A (zh) * | 2020-07-09 | 2020-10-23 | 成都协创信和科技有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
| 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 |
| CN112819756A (zh) * | 2021-01-15 | 2021-05-18 | 江苏理工学院 | Pcb板表面缺陷检测装置及方法 |
| CN112819771A (zh) * | 2021-01-27 | 2021-05-18 | 东北林业大学 | 一种基于改进YOLOv3模型的木材缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| An Improved Lightweight Network MobileNetv3 Based YOLOv3 for Pedestrian Detection;Xiaxia Zhang等;《2021 IEEE International Conference on Consumer Electronics and Computer Engineering (ICCECE)》;20210205;114-118 * |
| Enhanced Darknet53 Combine MLFPN Based Real-Time Defect Detection in Steel Surface;Xiao Yi等;《PRCV 2020》;20201011;303-314 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113393438A (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113393438B (zh) | 一种基于卷积神经网络的树脂镜片缺陷检测方法 | |
| CN109683360B (zh) | 液晶面板缺陷检测方法及装置 | |
| WO2022160170A1 (zh) | 一种金属表面缺陷检测方法及装置 | |
| 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 | |
| CN111951249A (zh) | 基于多任务学习网络的手机导光板缺陷可视化检测方法 | |
| CN113160139B (zh) | 基于注意力的Faster R-CNN网络的钢板表面缺陷检测方法 | |
| CN112037219A (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 | |
| CN111932511B (zh) | 一种基于深度学习的电子元器件质量检测方法与系统 | |
| CN111462120A (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
| CN112990392A (zh) | 基于改进YOLOv5算法的新材料地板缺陷目标检测系统 | |
| CN113610822A (zh) | 一种基于多尺度信息融合的表面缺陷检测方法 | |
| CN115496746A (zh) | 基于图像和点云数据融合的板材表面缺陷检测方法和系统 | |
| CN116612106A (zh) | 一种基于yolox算法的光学元件表面缺陷检测方法 | |
| CN115240119A (zh) | 一种基于深度学习的视频监控中行人小目标检测方法 | |
| CN114359235A (zh) | 一种基于改进YOLOv5l网络的木材表面缺陷检测方法 | |
| CN115147380A (zh) | 一种基于YOLOv5的小型透明塑料制品缺陷检测方法 | |
| CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
| CN111754502A (zh) | 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 | |
| CN114663382A (zh) | 基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法 | |
| CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
| CN112686872A (zh) | 基于深度学习的木材计数方法 | |
| CN115035082B (zh) | 一种基于YOLOv4改进算法的航空器透明件缺陷检测方法 | |
| CN116721291A (zh) | 基于改进YOLOv7模型的金属表面缺陷检测方法 | |
| CN116739991A (zh) | 基于深度学习的液晶显示屏表面缺陷检测方法及电子装置 | |
| CN113469984B (zh) | 一种基于yolo结构的显示面板外观检测方法 |
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 |