CN113554605A - 一种基于特征匹配的织物异常区域检测方法 - Google Patents

一种基于特征匹配的织物异常区域检测方法 Download PDF

Info

Publication number
CN113554605A
CN113554605A CN202110777751.4A CN202110777751A CN113554605A CN 113554605 A CN113554605 A CN 113554605A CN 202110777751 A CN202110777751 A CN 202110777751A CN 113554605 A CN113554605 A CN 113554605A
Authority
CN
China
Prior art keywords
abnormal
pixel
fabric
image
fraction
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
Application number
CN202110777751.4A
Other languages
English (en)
Other versions
CN113554605B (zh
Inventor
陈从平
丁坤
钮嘉炜
李少玉
颜逸洲
周正旺
张屹
戴国洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou University
Original Assignee
Changzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou University filed Critical Changzhou University
Priority to CN202110777751.4A priority Critical patent/CN113554605B/zh
Publication of CN113554605A publication Critical patent/CN113554605A/zh
Application granted granted Critical
Publication of CN113554605B publication Critical patent/CN113554605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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]
    • 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
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及织物检测技术领域，涉及一种基于特征匹配的织物异常区域检测方法，包括以下步骤：S1、织物图像特征提取；S2、织物图像异常判别；通过距离度量公式为L2和余弦相似性的结合，给出异常判别分数为D；S3：织物异常区域定位；将粗略异常像素分数图p进行高斯模糊消除干扰点从而得到异常像素分数图p'，给定阈值τ2，若p'中像素点的分数值小于τ2，则标记该像素点为正常像素点，若p'中像素点的分数值大于τ2，则标记该像素点为异常像素点。本发明通过距离度量与余弦相似性相结合，解决织物异常判别准确性低的问题；将粗略异常像素分数图进行高斯模糊消除干扰点得到异常像素分数图，通过阈值比较，解决织物异常定位准确性低的问题。

Description

一种基于特征匹配的织物异常区域检测方法
技术领域
本发明涉及织物检测技术领域，尤其涉及一种基于特征匹配的织物异常区域检测方法。
背景技术
织物瑕疵检测一直是瑕疵检测中的重要部分。传统的检测方法使用人工检测，人工检测无论是效率和成本都是不能满足各行各业的要求。随着机器视觉的发展，基于机器视觉的瑕疵检测因其可实现自动化检测而备受关注。传统的织物类瑕疵检测算法主要有基于统计的方法、基于概率分布模型的方法、基于光谱分析方法。然而传统的织物瑕疵检测算法存在特征提取不充分和适应性较差的缺点。近年来，随着深度卷积神经网络在目标检测、图像分割和图像识别等方向的快速发展，基于深度卷积网络的织物类瑕疵检测方法得取得了良好的效果。
已公开的发明专利(“一种基于深度神经网络的织物瑕疵检测方法”，201710529838.3)提出了一种基于深度神经网络的织物瑕疵检测方法，该方法首先制作织物图像数据集，通过搭建深度学习神经网络对图片进行训练，从而对待测织物图片进行瑕疵检测。已公开的论文(“Sub-Image Anomaly Detection with Deep PyramidCorrespondences”)采用的深度特征金字塔结构，通过对比特征金字塔中的所有特征层进行异常区域定位。
上述发明需要大量的瑕疵样本进行特征提取，在实际生产中得到大量的瑕疵样本集是较为困难的，另一方面上述论文对织物瑕疵区域进行精准的定位，但特征对比的计算量较大，准确性一般。
发明内容
本发明所要解决的技术问题是：通过距离度量与余弦相似性相结合，解决织物异常判别准确性低的问题；将粗略异常像素分数图进行高斯模糊消除干扰点得到异常像素分数图，通过阈值比较，解决织物异常定位准确性低的问题。
本发明所采用的技术方案：一种基于特征匹配的织物异常区域检测方法，包括以下步骤：
S1、织物图像特征提取；S1包括如下步骤：
S11、获取织物训练集，训练集样本由正常图像组成；
S12、用经过ImageNet预训练的Wide-ResNet-50-2特征提取网络作为特征提取器α，对训练集样本进行特征提取；将每张训练集样本经特征提取器α中的第一个卷积组和第三个卷积组的输出作为异常区域定位特征，分别记为
Figure BDA0003152036200000021
将经特征提取器α的第四个卷积组池化后的输出作为存在异常区域的判别特征，记为xa；
由所有训练集样本的
Figure BDA0003152036200000022
xa生成特征集合
Figure BDA0003152036200000023
Xa；
S13、使用特征提取器α对待测图像y进行特征提取，其中，将待测图像y在特征提取器α中的第一个卷积组和第三个卷积组的输出作为异常区域定位特征，分别记为
Figure BDA0003152036200000024
将经特征提取器的第四个卷积组池化后的输出作为图像存在异常区域的判别特征，记为ya；
S2、织物图像异常判别；所述S2包括如下步骤：
S21、在特征集合Xa中检索与待测图像y中的特征ya距离最接近的k个训练特征
Figure BDA0003152036200000031
并保存与其对应的k个特征
Figure BDA0003152036200000032
与
Figure BDA0003152036200000033
根据距离度量公式L2和余弦相似性结合，给出异常判别分数为D，计算公式为：
Figure BDA0003152036200000034
Figure BDA0003152036200000035
d＝L2+λ(1-Cosine) (3)
Figure BDA0003152036200000036
其中，λ为余弦相似性的权重，λ＝100，k＝5；
S22、设定阈值τ1，若分数D大于τ1，则判定织物图像存在异常，记为Pa，若分数D小于τ1，则判定织物图像为正常图像；
S3：织物异常区域定位：所述步骤S3包括：
S31、将异常图像Pa的特征
Figure BDA0003152036200000037
中每个像素块分别与k个特征
Figure BDA0003152036200000038
中与
Figure BDA0003152036200000039
对应位置的像素块进行L2距离度量，每个像素块的异常分数记为
Figure BDA00031520362000000310
的L2距离度量和，计算得到所有像素块的异常分数后组成特征
Figure BDA00031520362000000311
的异常像素块分数图
Figure BDA00031520362000000312
S32：将异常图像Pa的特征
Figure BDA00031520362000000313
中每个像素块分别与k个特征
Figure BDA00031520362000000314
中与
Figure BDA00031520362000000315
对应位置的像素块进行L2距离度量，每个像素块的异常分数记为
Figure BDA00031520362000000316
的L2距离度量和，计算得到所有像素块的异常分数后组成特征
Figure BDA00031520362000000317
的异常像素块分数图
Figure BDA00031520362000000318
S33：将异常像素块分数图
Figure BDA0003152036200000041
和
Figure BDA0003152036200000042
分别进行上采样至与待测图片相同尺寸，分别记为
Figure BDA0003152036200000043
和
Figure BDA0003152036200000044
待测图像的粗略异常像素分数图p为
Figure BDA0003152036200000045
S34：将粗略异常像素分数图p进行高斯模糊消除干扰点从而得到异常像素分数图p'，给定阈值τ2，若p'中像素点的分数值小于τ2，则标记该像素点为正常像素点，若p'中像素点的分数值大于τ2，则标记该像素点为异常像素点；
S35：将标记为正常的像素点的三通道像素值均置为0，由异常像素点组成的图像即为异常区域定位图。
本发明产生的有益效果是：
1、快速准确的判断织物是否存在异常区域，并定位异常区域，减轻人力，提高检测准确率；
2、基于特征匹配的异常检测方法在颜色和纹理异常的检测中有较高的鲁棒性。
附图说明
图1是本发明的基于特征匹配的织物异常区域检测方法的基本流程图；
图2是本发明织物训练集正常图像样本；
图3是本发明织物异常图像样本；
图4是本发明λ值与异常判别准确率曲线图；
图5是本发明织物各类异常区域定位效果图；
图6是本发明与特征金字塔方法异常定位效果对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
本发明实例提供了一种基于特征匹配的织物异常区域检测方法，如图1所示，S1、织物图像特征提取；
S11、获取织物训练集，训练集样本由正常图像组成，如图2所示为正常织物样本图像；
S2、织物图像异常判别；所述S2包括如下步骤：
S21、在特征集合Xa中检索与待测图像y(如图3为待测异常图像)中的特征ya距离最接近的k个训练特征
Figure BDA0003152036200000051
并保存与其对应的k个特征
Figure BDA0003152036200000052
与
Figure BDA0003152036200000053
其中，距离度量公式为L2和余弦相似性的结合，给出异常判别分数为D，计算公式为：
Figure BDA0003152036200000054
Figure BDA0003152036200000055
d＝L2+λ(1-Cosine) (3)
Figure BDA0003152036200000056
其中，λ为余弦相似性的权重，λ＝100是由于余弦相似性和L2距离度量不在一个数量级，余弦相似性为0～1之间，而L2距离度量一般在10～100之间，λ的取值决定异常判别准确率，如图4所示，当λ＝100时异常判别准确率最高；k＝5考虑到KNN计算量和精度优选的参数；
在特征集合Xa中检索与ya距离最接近的k＝5个训练特征
Figure BDA0003152036200000057
并保存与其对应的特征
Figure BDA0003152036200000058
与
Figure BDA0003152036200000059
通过计算公式d得到异常判别分数D的公式，得D＝5.7；
S22、设定阈值τ1，若分数D大于τ1，则判定织物图像存在异常，记为Pa，若分数D小于τ1，则判定织物图像为正常图像；
对于给定的阈值τ1＝2.7，分数D大于τ1，判定织物图像存在异常区域，记为Pa；
现有发明一种基于深度神经网络的织物瑕疵检测方法，只采用距离度量公式为L2，在异常判别上准确率为91.2％；本发明采用的L2和余弦相似性结合的距离度量准确率为93.7％，相较普遍通用的L2距离度量在异常判别上准确率高2.5％。
S3：织物异常区域定位：
将异常图像Pa的特征
Figure BDA0003152036200000061
中每个像素块分别与5个特征
Figure BDA0003152036200000062
中与
Figure BDA0003152036200000063
对应位置的像素块进行L2距离度量，每个像素块的异常分数记为
Figure BDA0003152036200000064
的L2和，通过计算得到所有像素块的异常分数后组成特征
Figure BDA0003152036200000065
的异常像素块分数图
Figure BDA0003152036200000066
将异常图像Pa的特征
Figure BDA0003152036200000067
中每个像素块分别与5个特征
Figure BDA0003152036200000068
中与
Figure BDA0003152036200000069
对应位置的像素块进行L2距离度量，每个像素块的异常分数记为
Figure BDA00031520362000000610
的L2和。通过计算得到所有像素块的异常分数后组成特征
Figure BDA00031520362000000611
的异常像素块分数图
Figure BDA00031520362000000612
将异常像素块分数图
Figure BDA00031520362000000613
和
Figure BDA00031520362000000614
分别进行上采样至与待测图片相同尺寸，分别记为
Figure BDA00031520362000000615
和
Figure BDA00031520362000000616
待测图像的粗略异常像素分数图p为
Figure BDA00031520362000000617
将粗略异常像素分数图p进行高斯模糊消除干扰点得到异常像素分数图p'，给定阈值τ2＝2.3，像素点分数值小于τ2标记为正常像素点，分数值大于τ2标记为异常像素点；将标记为正常的像素点的三通道像素值均置为0。
如图5所示为织物异常区域定位中效果，该方法可以对颜色类异常区域如白丝、颜色污染；和纹理类异常区域如划割、破洞等进行精准定位。
另外，相较于将不同尺度特征全部使用的特征金字塔方法，本发明仅选取分辨率最高和最低的特征层进行异常定位，通过对比本发明与深度特征金字塔结构方法，织物异常区域定位准确率提高了1.9％；由于深度特征金字塔结构是将所有不同尺度特征层同时进行计算，而本发明仅采用最高分辨率和最低分辨率的两个尺度特征进行计算；相比而言本发明免去了许多中间尺度特征的计算，降低了大量的计算，效果如图6所示，其中，特征金字塔方法虽然检测和定位出了织物上存在的异常区域，但还在图像右侧边缘处误检出了一小块异常区域，即特征金字塔异常区域二值图右侧边缘所示白点，故效果不如本发明方法效果。
本发明的有益效果：快速准确的判断织物是否存在异常区域，并定位异常区域，减轻人力，提高检测准确率；基于特征匹配的异常检测方法在颜色和纹理异常的检测中有较高的鲁棒性。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (2)

1.一种基于特征匹配的织物异常区域检测方法，其特征在于，包括以下步骤：
S1、织物图像特征提取；所述S1包括如下步骤：
S11、获取织物训练集，训练集样本由正常图像组成；
S12、使用经过ImageNet预训练的Wide-ResNet-50-2特征提取网络作为特征提取器α，对训练集样本进行特征提取；将每张训练集样本经特征提取器α中的第一个卷积组和第三个卷积组的输出作为异常区域定位特征，分别记为
Figure FDA0003152036190000011
Figure FDA0003152036190000012
将经特征提取器α的第四个卷积组池化后的输出作为存在异常区域的判别特征，记为xa；
由所有训练集样本的
Figure FDA0003152036190000013
xa生成特征集合
Figure FDA0003152036190000014
Xa；
S13、使用特征提取器α对待测图像y进行特征提取，其中，将待测图像y在特征提取器α中的第一个卷积组和第三个卷积组的输出作为异常区域定位特征，分别记为
Figure FDA0003152036190000015
将经特征提取器的第四个卷积组池化后的输出作为图像存在异常区域的判别特征，记为ya；
S2、织物图像异常判别；所述S2包括如下步骤：
S21、在特征集合Xa中检索与待测图像y中的特征ya距离最接近的k个训练特征
Figure FDA0003152036190000016
并保存与其对应的k个特征
Figure FDA0003152036190000017
与
Figure FDA0003152036190000018
根据距离度量公式为L2和余弦相似性结合，给出异常判别分数为D，计算公式为：
Figure FDA0003152036190000019
Figure FDA00031520361900000110
d＝L2+λ(1-Cosine) (3)
Figure FDA0003152036190000021
其中，λ为余弦相似性的权重；
S22、设定阈值τ1，若分数D大于τ1，则判定织物图像存在异常，记为Pa，若分数D小于τ1，则判定织物图像为正常图像；
S3：织物异常区域定位。
2.如权利要求1所述的基于特征匹配的织物异常区域检测方法，其特征在于，所述S3包括如下步骤：
S31、将异常图像Pa的特征
Figure FDA0003152036190000022
中每个像素块分别与k个特征
Figure FDA0003152036190000023
中与
Figure FDA0003152036190000024
对应位置的像素块进行L2距离度量，每个像素块的异常分数记为
Figure FDA0003152036190000025
的L2距离度量和，计算得到所有像素块的异常分数后组成特征
Figure FDA0003152036190000026
的异常像素块分数图
Figure FDA0003152036190000027
S32：将异常图像Pa的特征
Figure FDA0003152036190000028
中每个像素块分别与k个特征
Figure FDA0003152036190000029
中与
Figure FDA00031520361900000210
对应位置的像素块进行L2距离度量，每个像素块的异常分数记为
Figure FDA00031520361900000211
的L2距离度量和，计算得到所有像素块的异常分数后组成特征
Figure FDA00031520361900000212
的异常像素块分数图
Figure FDA00031520361900000213
S33：将异常像素块分数图
Figure FDA00031520361900000214
和
Figure FDA00031520361900000215
分别进行上采样至与待测图片相同尺寸，分别记为
Figure FDA00031520361900000216
和
Figure FDA00031520361900000217
待测图像的粗略异常像素分数图p为
Figure FDA00031520361900000218
S34：将粗略异常像素分数图p进行高斯模糊消除干扰点从而得到异常像素分数图p'，给定阈值τ2，若p'中像素点的分数值小于τ2，则标记该像素点为正常像素点，若p'中像素点的分数值大于τ2，则标记该像素点为异常像素点；
S35：将标记为正常的像素点的三通道像素值均置为0，由异常像素点组成的图像即为异常区域定位图。
CN202110777751.4A 2021-07-07 2021-07-07 一种基于特征匹配的织物异常区域检测方法 Active CN113554605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110777751.4A CN113554605B (zh) 2021-07-07 2021-07-07 一种基于特征匹配的织物异常区域检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110777751.4A CN113554605B (zh) 2021-07-07 2021-07-07 一种基于特征匹配的织物异常区域检测方法

Publications (2)

Publication Number Publication Date
CN113554605A true CN113554605A (zh) 2021-10-26
CN113554605B CN113554605B (zh) 2023-09-26

Family

ID=78102887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110777751.4A Active CN113554605B (zh) 2021-07-07 2021-07-07 一种基于特征匹配的织物异常区域检测方法

Country Status (1)

Country Link
CN (1) CN113554605B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011014152A (ja) * 2010-08-23 2011-01-20 National Institute Of Advanced Industrial Science & Technology 異常領域検出装置および異常領域検出方法
CN108960255A (zh) * 2018-06-28 2018-12-07 西安工程大学 基于颜色相似性和位置聚集性的显著性织物疵点检测方法
CN108982514A (zh) * 2018-07-12 2018-12-11 常州大学 一种铸件表面缺陷仿生视觉检测系统
WO2019104767A1 (zh) * 2017-11-28 2019-06-06 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN110211114A (zh) * 2019-06-03 2019-09-06 浙江大学 一种基于深度学习的装箱缺条视觉检测方法
CN110458807A (zh) * 2019-07-09 2019-11-15 常州大学 一种铁路轨道缺陷机器视觉检测系统
CN110969612A (zh) * 2019-12-04 2020-04-07 常州大学 二维码印刷缺陷检测方法
CN111062918A (zh) * 2019-12-10 2020-04-24 歌尔股份有限公司 一种基于计算机视觉的异常检测方法及装置
CN112150466A (zh) * 2020-11-26 2020-12-29 北京小蝇科技有限责任公司 一种用于白细胞散点图异常检测的方法及系统
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
CN112435221A (zh) * 2020-11-10 2021-03-02 东南大学 一种基于生成式对抗网络模型的图像异常检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011014152A (ja) * 2010-08-23 2011-01-20 National Institute Of Advanced Industrial Science & Technology 異常領域検出装置および異常領域検出方法
WO2019104767A1 (zh) * 2017-11-28 2019-06-06 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN108960255A (zh) * 2018-06-28 2018-12-07 西安工程大学 基于颜色相似性和位置聚集性的显著性织物疵点检测方法
CN108982514A (zh) * 2018-07-12 2018-12-11 常州大学 一种铸件表面缺陷仿生视觉检测系统
CN110211114A (zh) * 2019-06-03 2019-09-06 浙江大学 一种基于深度学习的装箱缺条视觉检测方法
CN110458807A (zh) * 2019-07-09 2019-11-15 常州大学 一种铁路轨道缺陷机器视觉检测系统
CN110969612A (zh) * 2019-12-04 2020-04-07 常州大学 二维码印刷缺陷检测方法
CN111062918A (zh) * 2019-12-10 2020-04-24 歌尔股份有限公司 一种基于计算机视觉的异常检测方法及装置
CN112435221A (zh) * 2020-11-10 2021-03-02 东南大学 一种基于生成式对抗网络模型的图像异常检测方法
CN112150466A (zh) * 2020-11-26 2020-12-29 北京小蝇科技有限责任公司 一种用于白细胞散点图异常检测的方法及系统
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李国祥;夏国恩: "一种遥感图像配准和异常检测方法", 计算机仿真, vol. 31, no. 7 *
郭汉洲;郭立红;吕游: "结合MSER与HSOG的目标局部特征提取", 液晶与显示, vol. 31, no. 11 *
陈从平;徐道猛;李游;邓扬;何枝蔚;张屹;戴国洪;: "面向废线路板拆解的高值电子器件自动识别方法研究", 三峡大学学报(自然科学版), no. 02 *
陈从平;李游;徐道猛;邓扬;何枝蔚;: "基于深度学习的电器目标检测", 机械, no. 01 *

Also Published As

Publication number Publication date
CN113554605B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN109145830B (zh) 一种智能水尺识别方法
CN109035276B (zh) 一种图像边缘提取方法、装置及自动驾驶系统
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN109900711A (zh) 基于机器视觉的工件缺陷检测方法
CN108520514B (zh) 基于计算机视觉的印刷电路板电子元器一致性检测方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN104268505A (zh) 基于机器视觉的布匹疵点自动检测识别装置及方法
CN103942777A (zh) 一种基于主成分分析的手机玻璃盖板缺陷检测方法
CN115184380B (zh) 基于机器视觉的印刷电路板焊点异常检测方法
WO2018072333A1 (zh) 一种元件错件检测方法和装置
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN114372955A (zh) 一种基于改进神经网络的铸件缺陷x射线图自动识别法
CN110781913B (zh) 一种拉链布带缺陷检测方法
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN116721107A (zh) 一种电缆生产质量智能监控系统
CN113850749A (zh) 训练缺陷侦测器的方法
CN113689429A (zh) 一种基于计算机视觉的木板缺陷检测方法
CN109389165A (zh) 基于巡检机器人的变压器油位计识别方法
CN106530273B (zh) 高精度fpc直线线路检测与缺陷定位方法
CN115639248A (zh) 一种用于建筑外墙质量检测的系统及方法
CN116645364B (zh) 一种基于图像数据的合金钢铸件气孔缺陷检测方法
CN117437223A (zh) 一种高速板对板连接器缺陷智能检测方法
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN113554605B (zh) 一种基于特征匹配的织物异常区域检测方法

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