CN113686878A - 一种特钢棒材表面缺陷多级联合检测方法及系统 - Google Patents

一种特钢棒材表面缺陷多级联合检测方法及系统 Download PDF

Info

Publication number
CN113686878A
CN113686878A CN202111029890.5A CN202111029890A CN113686878A CN 113686878 A CN113686878 A CN 113686878A CN 202111029890 A CN202111029890 A CN 202111029890A CN 113686878 A CN113686878 A CN 113686878A
Authority
CN
China
Prior art keywords
image
bar
detected
camera
detection
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
CN202111029890.5A
Other languages
English (en)
Other versions
CN113686878B (zh
Inventor
熊晓燕
乔葳
兰媛
王晖
董会杰
韩晓红
黄家海
刘智飞
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202111029890.5A priority Critical patent/CN113686878B/zh
Publication of CN113686878A publication Critical patent/CN113686878A/zh
Application granted granted Critical
Publication of CN113686878B publication Critical patent/CN113686878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种特钢棒材表面缺陷多级联合检测方法及系统，属于智能检测领域，所述特钢棒材表面缺陷多级联合检测方法包括：采集待测棒材在当前检测状态参数下的当前帧表面图像，保证棒材缺陷检测的实时性，再根据第一检测网络，判断当前帧表面图像中是否存在缺陷；若当前帧表面图像中不存在缺陷，则将当前帧表面图像丢弃，继续采集待测棒材的下一帧表面图像；若当前帧表面图像中存在缺陷，则基于图像复原模型，根据当前检测状态参数，对表面图像进行复原，得到清晰图像；基于第二检测网络对清晰图像进行缺陷检测，得到清晰图像中缺陷的位置和类型。通过两级网络检测缺陷，并对图像进行复原，提高了特钢棒材表面缺陷检测的准确度。

Description

一种特钢棒材表面缺陷多级联合检测方法及系统
技术领域
本发明涉及智能检测领域，特别是涉及一种特钢棒材表面缺陷多级联合检测方法及系统。
背景技术
特钢棒材是钢铁行业的重要产品，被广泛应用于建筑和加工制造等行业。在特钢棒材的生产过程中，受加工设备以及工艺流程的影响，表面可能会产生裂纹、刮伤、凹坑、耳子等缺陷。这些缺陷会成为性能突变的源头，影响产品的耐磨性、疲劳强度和硬度。
目前生产线中使用的棒材缺陷检测方法主要有红外探伤、漏磁检测和机器视觉等检测方法。但是，由于在生产过程中，棒材表面温度逐渐趋于平均，因此红外探伤在进行检测时需要采用外部热源对棒材进行主动加热。而漏磁检测需要预先对棒材进行磁化处理，因此在进行缺陷检测时所使用的红外探伤仪和漏磁检测仪构造复杂，检测程序繁琐。使用机器视觉进行检测时，为了获取棒材表面完整且无形变的图像，通常采用高分辨率线阵相机对棒材进行扫描，相机的响应频率与需要生产线运行速度相匹配，检测数据量庞大，仅适合作为离线检测方法使用；而在线检测方法为了保障实时性，通常采用低分辨率相机，数据量小但无法检出细小缺陷。
基于上述问题，亟需一种新的检测方法以提高特钢棒材表面缺陷检测的实时性和准确度。
发明内容
本发明的目的是提供一种特钢棒材表面缺陷多级联合检测方法及系统，可提高特钢棒材表面缺陷检测的实时性和准确度。
为实现上述目的，本发明提供了如下方案：
一种特钢棒材表面缺陷多级联合检测方法，所述特钢棒材表面缺陷多级联合检测方法包括：
采集待测棒材在当前检测状态参数下的当前帧表面图像；
根据第一检测网络，判断所述当前帧表面图像中是否存在缺陷；
若所述当前帧表面图像中不存在缺陷，则将所述当前帧表面图像丢弃，继续采集待测棒材的下一帧表面图像；
若所述当前帧表面图像中存在缺陷，则基于图像复原模型，根据当前检测状态参数，对所述表面图像进行复原，得到清晰图像；
基于第二检测网络，对所述清晰图像进行缺陷检测，得到缺陷检测结果；所述缺陷检测结果包括清晰图像中缺陷的位置和类型。
可选地，当前检测状态参数包括：相机到待测棒材的距离、相机感光元件的尺寸、待测棒材的直径、待测棒材的长度、相机的分辨率和待测棒材的运动速度、寄存器的读取时间；
所述采集待测棒材在当前检测状态参数下的当前帧表面图像，具体包括：
通过棒材运动装置使待测棒材在通过检测位置时产生水平运动和绕轴线旋转运动；
根据相机到待测棒材的距离、相机感光元件的尺寸、待测棒材的直径以及待测棒材的长度，确定相机焦距；
根据相机的分辨率和待测棒材的运动速度，确定采集表面图像的相机曝光时间，作为曝光时间下限；
通过增加曝光时间，制造模糊图像，扩大缺陷在表面图像中的占比，将表面图像在没有丢失缺陷的情况下相机的最大曝光时长作为最大曝光时间；
根据最大曝光时间和寄存器的读取时间，确定最小帧率，作为最优帧率；
根据所述相机焦距及所述最优帧率，调整所述相机，并通过调整后的相机采集运动过程中待测棒材的表面图像。
可选地，所述根据第一检测网络，判断所述当前帧表面图像中是否存在缺陷，具体包括：
基于所述第一检测网络，检测所述当前帧表面图像中的缺陷目标框；
判断所述当前帧表面图像中是否存在缺陷目标框；若所述当前帧表面图像中不存在缺陷目标框，则判定所述当前帧表面图像中不存在缺陷；若所述当前帧表面图像中存在缺陷目标框，则判定所述当前帧表面图像中存在缺陷。
可选地，所述第一检测网络的建立方法包括：
获取待测棒材在历史检测参数下的样本图像集；所述样本图像集包括多帧历史图像以及各帧历史图像中的真实缺陷目标框；
根据各帧历史图像以及各帧历史图像中的真实缺陷目标框，对目标检测网络Yolov4进行迭代训练，得到第一检测网络。
可选地，所述第一检测网络的建立方法还包括：
采用生成式对抗网络，对所述样本图像集进行扩充，得到扩充后的样本图像集；所述扩充后的样本图像集用于对Yolo v4网络进行迭代训练。
可选地，所述采用生成式对抗网络，对样本图像集进行扩充，得到扩充后的样本图像集，具体包括：
将各帧历史图像进行裁剪、翻转、缩放，得到真实图像集；
根据所述真实图像集，采用生成器和判别器的对抗训练，得到模拟缺陷图像集；
将所述模拟缺陷图像集与所述真实图像集混合，作为扩充后的样本图像集。
可选地，所述图像复原模型的建立方法包括：
获取待测棒材在历史检测参数下的样本图像集；所述历史检测参数包括相机帧率、待测棒材转速和待测棒材移动速度；
根据相机帧率、待测棒材转速、待测棒材移动速度以及各帧历史图像，确定退化函数；
根据所述退化函数以及各帧历史图像，采用维纳滤波方法，得到图像复原模型。
可选地，所述第二检测网络的建立方法包括：
获取待测棒材在历史检测参数下的样本图像集；
采用图像复原模型对所述样本图像集中的图像进行复原，得到清晰历史图像集；所述清晰历史图像集中包括多帧清晰历史图像以及各帧清晰历史图像中的缺陷目标位置和缺陷目标类型；
根据所述清晰历史图像集，对目标检测算法Yolo v4进行迭代训练，得到第二检测网络。
为实现上述目的，本发明还提供了如下方案：
一种特钢棒材表面缺陷多级联合检测系统，所述特钢棒材表面缺陷多级联合检测系统包括：
图像采集单元，用于采集待测棒材在当前检测状态参数下的当前帧表面图像；
缺陷判断单元，与所述图像采集单元连接，用于根据第一检测网络，判断所述当前帧表面图像中是否存在缺陷，并在所述当前帧表面图像中不存在缺陷时，将所述当前帧表面图像丢弃，继续采集待测棒材的下一帧表面图像；
图像复原单元，分别与所述图像采集单元及所述缺陷判断单元连接，用于在所述当前帧表面图像中存在缺陷时，基于图像复原模型，根据当前检测状态参数，对所述表面图像进行复原，得到清晰图像；
缺陷检测单元，与所述图像复原单元连接，用于基于第二检测网络，对所述清晰图像进行缺陷检测，得到缺陷检测结果；所述缺陷检测结果包括清晰图像中缺陷的位置和类型。
可选地，当前检测状态参数包括：相机到待测棒材的距离、相机感光元件的尺寸、待测棒材的直径、待测棒材的长度、相机的分辨率和待测棒材的运动速度、寄存器的读取时间；
所述图像采集单元包括：
棒材运动装置，与待测棒材连接，用于使待测棒材在通过检测位置时产生水平运动和绕轴线旋转运动；
相机，用于在当前检测状态参数下采集待测棒材的表面图像；
焦距确定模块，与所述相机连接，用于根据相机到待测棒材的距离、相机感光元件的尺寸、待测棒材的直径以及待测棒材的长度，确定相机焦距；
曝光时间确定模块，分别与所述相机及所述焦距确定模块连接，用于根据相机的分辨率和待测棒材的运动速度，确定采集表面图像的相机曝光时间，作为曝光时间下限；
最优帧率确定模块，与所述曝光时间确定模块模块连接，用于增加曝光时间，制造模糊图像，扩大缺陷在表面图像中的占比，将表面图像在没有丢失缺陷情况下相机的最大曝光时长作为最大曝光时间，并根据最大曝光时间和寄存器的读取时间，确定最小帧率，作为最优帧率；
调整模块，分别与所述相机、所述焦距确定模块及所述最优帧率确定模块连接，用于根据所述相机焦距及所述最优帧率，调整所述相机，并通过调整后的相机采集运动过程中待测棒材的表面图像。
根据本发明提供的具体实施例，本发明公开了以下技术效果：通过采集待测棒材在当前检测状态参数下的当前帧表面图像，保证了棒材缺陷检测的实时性，并采用第一检测网络判断当前帧表面图像中是否存在缺陷，若不存在缺陷则将当前帧表面图像丢弃，继续采集待测棒材的下一帧表面图像，若存在缺陷，则基于图像复原模型，根据当前检测状态参数，对表面图像进行复原，得到清晰图像，再基于第二检测网络对清晰图像进行缺陷检测，得到清晰图像中缺陷的位置和类型。通过两级网络检测缺陷，且对图像进行清晰的复原，提高了特钢棒材表面缺陷检测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明特钢棒材表面缺陷多级联合检测方法的流程图；
图2为面阵相机及同轴光源的位置示意图；
图3为第一检测网络的构建及训练流程图；
图4为本发明特钢棒材表面缺陷多级联合检测系统的模块结构示意图。
符号说明：
图像采集单元-1，缺陷判断单元-2，图像复原单元-3，缺陷检测单元-4，待测棒材-5，面阵相机-6，同轴光源-7。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种特钢棒材表面缺陷多级联合检测方法及系统，采集待测棒材在当前检测状态参数下的当前帧表面图像，通过降低图像传感器的帧率，减小检测系统需要处理的数据量，同时增加细小缺陷在图像中的占比，保证了棒材缺陷检测的实时性和表面细小缺陷的检出能力，并采用第一检测网络判断当前帧表面图像中是否存在缺陷，若不存在缺陷则将当前帧表面图像丢弃，继续采集待测棒材的下一帧表面图像，若存在缺陷，则基于图像复原模型，根据当前检测状态参数，对表面图像进行复原，得到清晰图像，再基于第二检测网络对清晰图像进行缺陷检测，得到清晰图像中缺陷的位置和类型。通过两级网络检测缺陷，且对图像进行清晰的复原，提高了特钢棒材表面缺陷检测的准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明特钢棒材表面缺陷多级联合检测方法，所述特钢棒材表面缺陷多级联合检测方法包括：
S1：采集待测棒材在当前检测状态参数下的当前帧表面图像。
S2：根据第一检测网络，判断所述当前帧表面图像中是否存在缺陷。
S3：若所述当前帧表面图像中不存在缺陷，则将所述当前帧表面图像丢弃，返回S1继续采集待测棒材的下一帧表面图像。
S4：若所述当前帧表面图像中存在缺陷，则基于图像复原模型，根据当前检测状态参数，对所述表面图像进行复原，得到清晰图像。
S5：基于第二检测网络，对所述清晰图像进行缺陷检测，得到缺陷检测结果；所述缺陷检测结果包括清晰图像中缺陷的位置和类型。
本发明采用两级网络对缺陷细节进行联合检测，增加了对细小缺陷检测的准确率。
具体地，当前检测状态参数包括：相机到待测棒材的距离、相机感光元件的尺寸、待测棒材的直径、待测棒材的长度、相机的分辨率和待测棒材的运动速度、寄存器的读取时间。
S1：采集待测棒材在当前检测状态参数下的当前帧表面图像，具体包括：
S11：如图2所示，通过棒材运动装置使待测棒材5在通过检测位置时产生水平运动和绕轴线旋转运动。
S12：根据相机到待测棒材5的距离、相机感光元件的尺寸、待测棒材5的直径以及待测棒材5的长度，确定相机焦距。
具体地，根据相机到待测棒材5的距离、相机感光元件的长度以及待测棒材5的直径，采用以下公式，得到相机的长度焦距：
长度焦距＝相机到待测棒材的距离×相机感光元件放的长度/待测棒材直径。
根据相机到待测棒材5的距离、相机感光元件的宽度、以及待测棒材5的长度，采用以下公式，得到相机的宽度焦距：
宽度焦距＝相机到待测棒材的距离×相机感光元件的宽度/待测棒材长度。
将宽度焦距和长度焦距中较小者作为相机焦距。
S13：根据相机的分辨率和待测棒材5的运动速度，确定采集表面图像的相机曝光时间，作为曝光时间下限。
具体地，根据以下公式，确定采集表面图像的相机曝光时间：
曝光时间T＝相机的分辨率R/待测棒材的运动速度V。
S14：通过增加曝光时间，制造模糊图像，扩大缺陷在表面图像中的占比，将表面图像在没有丢失缺陷情况下相机的最大曝光时长作为最大曝光时间。
根据最大曝光时间和寄存器的读取时间，确定最小帧率，作为最优帧率。
具体地，根据以下公式，确定最小帧率：
最小帧率FPS＝最大曝光时间T/寄存器的读取时间。
S15：根据所述相机焦距及所述最优帧率，调整所述相机，并通过调整后的相机采集运动过程中待测棒材5的表面图像。
其中，根据所述相机焦距调整相机的焦距，根据所述最优帧率调整相机的帧率。
在本实施例中，采用面阵相机6采集运动过程中待测棒材5的表面图像。选用面阵相机6，选取合适的曝光时间，使待测棒材5的缺陷在图像中产生拖影，扩大细小缺陷在图像中的像素占比。同时，通过增加曝光时间，降低帧率，需要处理的数据量减小，从而提高了缺陷的检测速度。
为了降低待测棒材表面的反光，S1：采集待测棒材在当前检测状态参数下的当前帧表面图像，还包括：
采用同轴光源7对待测棒材5进行光照补偿。采用同轴光源7为缺陷检测提供稳定的光照环境，减小棒材曲面由于反光而对图像质量造成的影响。
进一步地，S2：根据第一检测网络，判断所述当前帧表面图像中是否存在缺陷，具体包括：
S21：基于所述第一检测网络，检测所述当前帧表面图像中的缺陷目标框。
S22：判断所述当前帧表面图像中是否存在缺陷目标框；若所述当前帧表面图像中不存在缺陷目标框，则判定所述当前帧表面图像中不存在缺陷；若所述当前帧表面图像中存在缺陷目标框，则判定所述当前帧表面图像中存在缺陷。
优选地，所述第一检测网络的建立方法包括：
获取待测棒材在历史检测参数下的样本图像集；所述样本图像集包括多帧历史图像以及各帧历史图像中的真实缺陷目标框。所述历史检测参数包括相机到待测棒材的距离、相机感光元件的尺寸、待测棒材的直径、待测棒材的长度、相机的分辨率和待测棒材的运动速度以及寄存器的读取时间。
根据各帧历史图像以及各帧历史图像中的真实缺陷目标框，对目标检测网络Yolov4进行迭代训练，得到第一检测网络。
具体地，如图3所示，所述第一检测网络包括输入端、主干网络Backbone、中间层Neck以及输出端Head。
所述输入端用于接收样本图像集，并对各帧历史图像进行归一化处理，得到对应的归一化历史图像，以及对归一化历史图像进行数据增强，并对归一化历史图像进行扩充，得到扩充样本。在本实施例中，将各帧历史图像归一化为608*608。采用Mosaic数据增强方法对归一化历史图像进行增强，得到对应的增强历史图像；采用cmBN跨小批量标准化及SAT自对抗训练，对增强历史图像进行扩充，得到扩充样本。提升训练样本的泛化性能。
所述主干网络用于提取扩充样本中各历史图像的图像特征，并对各图像特征进行正则化处理，得到对应的正则化特征。具体地，采用CSPDarknet53及Mish激活函数提取扩充样本中各图像的特征，再使用Dropblock模块对图像特征正则化处理，输出卷积结果。
所述中间层用于对各正则化特征进行融合和参数聚合，得到预测缺陷目标框，并根据预测缺陷目标框、CIOU_loss损失函数以及真实缺陷目标框，更新YOLO V4网络的参数，进行迭代训练，直至达到迭代次数或网络收敛。
具体地，利用池化金字塔(Spatial Pyramid Pooling，SPP)对特征图融合，并利用自顶向下特征金字塔(Feature PyramidNetworks，FPN)和自底向上特征金字塔PAN进行参数聚合。
所述输出层用于输出最终的预测缺陷目标框以及对应的损失值。
为了提高训练的准确度，所述第一检测网络的建立方法还包括：
采用生成式对抗网络，对所述样本图像集进行扩充，得到扩充后的样本图像集；所述扩充后的样本图像集用于对目标检测网络Yolo v4进行迭代训练。
具体地，采用生成式对抗网络，对样本图像集进行扩充，得到扩充后的样本图像集，具体包括：
将各帧历史图像进行裁剪、翻转、缩放，得到真实图像集；
根据所述真实图像集，采用生成器和判别器的对抗训练，得到模拟缺陷图像集；
将所述模拟缺陷图像集与所述真实图像集混合，作为扩充后的样本图像集。
进一步地，所述根据所述真实图像集，采用生成器和判别器的对抗训练，得到模拟缺陷图像集，具体包括：
生成器G随机采样噪声z，并将噪声z与所述真实图像集合成，输出合成数据G(z)；
将真实图像集和合成图像G(z)作为生成式对抗网络的训练集。
判别器D从训练集抽取n个图像，判别各图像为“真”的概率。
判别器D的目标函数为-(logD(x)+log(1-D(G(z)))。在迭代训练的过程中，判别器D需要使判断真实图像为“真”及判断合成图像为“假”的概率最大，即D(x)趋近于1、D(G(z))趋近于0，使其损失函数最小。
与之相反，生成器G需要降低判别器D对图像正确判断的概率。生成器G的损失函数为log(1-D(G(z)))，D(G(z))趋近于1时，其损失函数最小。因此，生成式对抗网络的目标函数为：
Figure BDA0003244622690000101
其中，pdata(x)为真实数据分布，pz(z)为合成数据的数据分布，D(x)为判别器认为x是真实图像的概率，1-D(G(z))为判别器认为合成图像为假图像的概率，E表示函数的期望值。通过生成器和判别器的对抗训练，交替训练判别器D和生成器G，直到收敛，使D(G(z))＝0.5，令判别器D无法区分图片到底是来自真实图像，还是来自生成器G生成的图像，并将生成的高度近似真实缺陷的模拟缺陷图像与真实图像混合作为扩充后的样本图像集。
进一步地，所述图像复原模型的建立方法包括：
获取待测棒材在历史检测参数下的样本图像集；所述历史检测参数包括相机帧率、待测棒材转速和待测棒材移动速度。
根据相机帧率、待测棒材转速、待测棒材移动速度以及各帧历史图像，确定退化函数。
根据所述退化函数以及各帧历史图像，采用维纳滤波方法，得到图像复原模型。
具体地，构建点扩散函数作为样本图像集的退化函数，棒材表面相对于面阵相机进行了x,y方向的匀速运动，则有：
Figure BDA0003244622690000111
其中，g(x,y)为运动图像，T为面阵相机的曝光时间，t为运动时间，x0(t)和y0(t)分别为在单次曝光时长中，待测棒材沿x方向和y方向上运动的距离。
对上式进行傅里叶变换，得到：
Figure BDA0003244622690000112
其中，F(u,v)为清晰图像的傅里叶变换，G(u,v)为样本图像的傅立叶变换，G(u,v)＝F(u,v)H(u,v)；
则退化函数H(u,v)为：
Figure BDA0003244622690000113
其中，j为傅里叶变换的虚单位。
根据退化函数以及各帧历史图像，采用维纳滤波方法，得到图像复原模型
Figure BDA0003244622690000121
Figure BDA0003244622690000122
其中，G(u,v)为图像样本集中各图像的傅立叶变换，H(u,v)为退化函数，H(u,v)2为图像噪声的功率谱，K为可调节的参数。
所述第二检测网络的建立方法包括：
获取待测棒材在历史检测参数下的样本图像集。所述样本图像集中包括多帧历史图像以及表示缺陷类别信息的条件标签。
采用图像复原模型对所述样本图像集中的历史图像进行复原，得到清晰历史图像集；所述清晰历史图像集中包括多帧清晰历史图像以及各帧清晰历史图像中的缺陷目标位置和缺陷目标类型。在本实施例中，根据条件标签对清晰历史图像集中的图像进行标注，确定缺陷目标位置和缺陷目标类型。
根据所述清晰历史图像集，对Yolo v4进行迭代训练，得到第二检测网络。
进一步地，所述第二检测网络的建立方法还包括：
采用具有双层对抗和双输出通道的改进生成式对抗网络GAN模型，对所述清晰历史图像集进行扩充，根据判别器和生成器的损失函数，利用反向传播算法，更新GAN模型的参数。通过生成器和判别器的对抗训练，生成高度近似真实缺陷分布的模拟缺陷图像，将模拟缺陷图像与清晰历史图像集混合，对Yolo v4进行迭代训练。
所述第二检测网络与第一检测网络的结构相似，不同的是，在网络构建时增加了深层信息和浅层信息融合层，以便检出细小缺陷。并对清晰棒材表面图像数据库图像中的表面缺陷进行标记处理。
本发明通过第一检测网络对图像进行一级检测，判别是否存在缺陷，丢弃无缺陷图像，还原有缺陷的图像，再利用第二检测网络对缺陷进行复检，从而可以得到准确的缺陷信息。
如图4所示，本发明特钢棒材表面缺陷多级联合检测系统包括：图像采集单元1、缺陷判断单元2、图像复原单元3以及缺陷检测单元4。
所述图像采集单元1用于采集待测棒材5在当前检测状态参数下的当前帧表面图像。
所述缺陷判断单元2与所述图像采集单元1连接，所述缺陷判断单元2用于根据第一检测网络，判断所述当前帧表面图像中是否存在缺陷，并在所述当前帧表面图像中不存在缺陷时，将所述当前帧表面图像丢弃，继续采集待测棒材5的下一帧表面图像。
所述图像复原单元3分别与所述图像采集单元1及所述缺陷判断单元2连接，所述图像复原单元3用于在所述当前帧表面图像中存在缺陷时，基于图像复原模型，根据当前检测状态参数，对所述表面图像进行复原，得到清晰图像；
所述缺陷检测单元4与所述图像复原单元3连接，所述缺陷检测单元4用于基于第二检测网络，对所述清晰图像进行缺陷检测，得到缺陷检测结果；所述缺陷检测结果包括清晰图像中缺陷的位置和类型。
具体地，当前检测状态参数包括：相机到待测棒材5的距离、相机感光元件的尺寸、待测棒材的直径、待测棒材的长度、相机的分辨率和待测棒材的运动速度、寄存器的读取时间；
所述图像采集单元1包括：棒材运动装置、相机、焦距确定模块、曝光时间确定模块、最小帧率确定模块、最优帧率确定模块以及调整模块。
其中，所述棒材运动装置与待测棒材5连接，所述棒材运动装置用于使待测棒材5在通过检测位置时产生水平运动和绕轴线旋转运动。
所述相机用于在当前检测状态参数下采集待测棒材5的表面图像。
所述焦距确定模块与所述相机连接，所述焦距确定模块用于根据相机到待测棒材5的距离、相机感光元件的尺寸、待测棒材5的直径以及待测棒材5的长度，确定相机焦距。
所述曝光时间确定模块分别与所述相机及所述焦距确定模块连接，所述曝光时间确定模块用于根据相机的分辨率和待测棒材5的运动速度，确定采集表面图像的相机曝光时间，作为曝光时间下限。最大曝光时间。
所述最优帧率确定模块与所述曝光时间确定模块连接，所述最优帧率确定模块用于增加曝光时间，制造模糊图像，扩大缺陷在表面图像中的占比，将表面图像在没有丢失缺陷情况下相机的最大曝光时长作为最大曝光时间，并根据最大曝光时间和寄存器的读取时间，确定最小帧率，作为最优帧率。
所述调整模块分别与所述相机、所述焦距确定模块及所述最优帧率确定模块连接，所述调整模块用于根据所述相机焦距及所述最优帧率，调整所述相机，并通过调整后的相机采集运动过程中待测棒材5的表面图像。
进一步地，所述图像采集单元1包括还包括同轴光源7。所述同轴光源7用于对待测棒材5进行光照补偿。
具体地，所述缺陷判断单元2包括：检测模块及判断模块。
其中，所述检测模块与所述图像采集单元1连接，所述检测模块用于基于所述第一检测网络，检测所述当前帧表面图像中的缺陷目标框。
所述判断模块与所述检测模块连接，所述判断模块用于判断所述当前帧表面图像中是否存在缺陷目标框；若所述当前帧表面图像中不存在缺陷目标框，则判定所述当前帧表面图像中不存在缺陷；若所述当前帧表面图像中存在缺陷目标框，则判定所述当前帧表面图像中存在缺陷。
相对于现有技术，本发明特钢棒材表面缺陷多级联合检测系统与上述特钢棒材表面缺陷多级联合检测方法的有益效果相同，在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种特钢棒材表面缺陷多级联合检测方法，其特征在于，所述特钢棒材表面缺陷多级联合检测方法包括：
采集待测棒材在当前检测状态参数下的当前帧表面图像；
根据第一检测网络，判断所述当前帧表面图像中是否存在缺陷；
若所述当前帧表面图像中不存在缺陷，则将所述当前帧表面图像丢弃，继续采集待测棒材的下一帧表面图像；
若所述当前帧表面图像中存在缺陷，则基于图像复原模型，根据当前检测状态参数，对所述表面图像进行复原，得到清晰图像；
基于第二检测网络，对所述清晰图像进行缺陷检测，得到缺陷检测结果；所述缺陷检测结果包括清晰图像中缺陷的位置和类型。
2.根据权利要求1所述的特钢棒材表面缺陷多级联合检测方法，其特征在于，当前检测状态参数包括：相机到待测棒材的距离、相机感光元件的尺寸、待测棒材的直径、待测棒材的长度、相机的分辨率和待测棒材的运动速度、寄存器的读取时间；
所述采集待测棒材在当前检测状态参数下的当前帧表面图像，具体包括：
通过棒材运动装置使待测棒材在通过检测位置时产生水平运动和绕轴线旋转运动；
根据相机到待测棒材的距离、相机感光元件的尺寸、待测棒材的直径以及待测棒材的长度，确定相机焦距；
根据相机的分辨率和待测棒材的运动速度，确定采集表面图像的相机曝光时间，作为曝光时间下限；
通过增加曝光时间，制造模糊图像，扩大缺陷在表面图像中的占比，将表面图像在没有丢失缺陷情况下相机的最大曝光时长作为最大曝光时间；
根据最大曝光时间和寄存器的读取时间，确定最小帧率，作为最优帧率；
根据所述相机焦距及所述最优帧率，调整所述相机，并通过调整后的相机采集运动过程中待测棒材的表面图像。
3.根据权利要求1所述的特钢棒材表面缺陷多级联合检测方法，其特征在于，所述根据第一检测网络，判断所述当前帧表面图像中是否存在缺陷，具体包括：
基于所述第一检测网络，检测所述当前帧表面图像中的缺陷目标框；
判断所述当前帧表面图像中是否存在缺陷目标框；若所述当前帧表面图像中不存在缺陷目标框，则判定所述当前帧表面图像中不存在缺陷；若所述当前帧表面图像中存在缺陷目标框，则判定所述当前帧表面图像中存在缺陷。
4.根据权利要求1所述的特钢棒材表面缺陷多级联合检测方法，其特征在于，所述第一检测网络的建立方法包括：
获取待测棒材在历史检测参数下的样本图像集；所述样本图像集包括多帧历史图像以及各帧历史图像中的真实缺陷目标框；
根据各帧历史图像以及各帧历史图像中的真实缺陷目标框，对目标检测网络Yolov4进行迭代训练，得到第一检测网络。
5.根据权利要求4所述的特钢棒材表面缺陷多级联合检测方法，其特征在于，所述第一检测网络的建立方法还包括：
采用生成式对抗网络，对所述样本图像集进行扩充，得到扩充后的样本图像集；所述扩充后的样本图像集用于对Yolov4网络进行迭代训练。
6.根据权利要求5所述的特钢棒材表面缺陷多级联合检测方法，其特征在于，所述采用生成式对抗网络，对样本图像集进行扩充，得到扩充后的样本图像集，具体包括：
将各帧历史图像进行裁剪、翻转、缩放，得到真实图像集；
根据所述真实图像集，采用生成器和判别器的对抗训练，得到模拟缺陷图像集；
将所述模拟缺陷图像集与所述真实图像集混合，作为扩充后的样本图像集。
7.根据权利要求1所述的特钢棒材表面缺陷多级联合检测方法，其特征在于，所述图像复原模型的建立方法包括：
获取待测棒材在历史检测参数下的样本图像集；所述历史检测参数包括相机帧率、待测棒材转速和待测棒材移动速度；
根据相机帧率、待测棒材转速、待测棒材移动速度以及各帧历史图像，确定退化函数；
根据所述退化函数以及各帧历史图像，采用维纳滤波方法，得到图像复原模型。
8.根据权利要求1所述的特钢棒材表面缺陷多级联合检测方法，其特征在于，所述第二检测网络的建立方法包括：
获取待测棒材在历史检测参数下的样本图像集；
采用图像复原模型对所述样本图像集中的图像进行复原，得到清晰历史图像集；所述清晰历史图像集中包括多帧清晰历史图像以及各帧清晰历史图像中的缺陷目标位置和缺陷目标类型；
根据所述清晰历史图像集，对目标检测算法Yolov4进行迭代训练，得到第二检测网络。
9.一种特钢棒材表面缺陷多级联合检测系统，其特征在于，所述特钢棒材表面缺陷多级联合检测系统包括：
图像采集单元，用于采集待测棒材在当前检测状态参数下的当前帧表面图像；
缺陷判断单元，与所述图像采集单元连接，用于根据第一检测网络，判断所述当前帧表面图像中是否存在缺陷，并在所述当前帧表面图像中不存在缺陷时，将所述当前帧表面图像丢弃，继续采集待测棒材的下一帧表面图像；
图像复原单元，分别与所述图像采集单元及所述缺陷判断单元连接，用于在所述当前帧表面图像中存在缺陷时，基于图像复原模型，根据当前检测状态参数，对所述表面图像进行复原，得到清晰图像；
缺陷检测单元，与所述图像复原单元连接，用于基于第二检测网络，对所述清晰图像进行缺陷检测，得到缺陷检测结果；所述缺陷检测结果包括清晰图像中缺陷的位置和类型。
10.根据权利要求9所述的特钢棒材表面缺陷多级联合检测系统，其特征在于，当前检测状态参数包括：相机到待测棒材的距离、相机感光元件的尺寸、待测棒材的直径、待测棒材的长度、相机的分辨率和待测棒材的运动速度、寄存器的读取时间；
所述图像采集单元包括：
棒材运动装置，与待测棒材连接，用于使待测棒材在通过检测位置时产生水平运动和绕轴线旋转运动；
相机，用于在当前检测状态参数下采集待测棒材的表面图像；
焦距确定模块，与所述相机连接，用于根据相机到待测棒材的距离、相机感光元件的尺寸、待测棒材的直径以及待测棒材的长度，确定相机焦距；
曝光时间确定模块，分别与所述相机及所述焦距确定模块连接，用于根据相机的分辨率和待测棒材的运动速度，确定采集表面图像的相机曝光时间，作为曝光时间下限；
最优帧率确定模块，与所述曝光时间确定模块连接，用于增加曝光时间，制造模糊图像，扩大缺陷在表面图像中的占比，将表面图像在没有丢失缺陷情况下相机的最大曝光时长作为最大曝光时间，并根据最大曝光时间和寄存器的读取时间，确定最小帧率，作为最优帧率；
调整模块，分别与所述相机、所述焦距确定模块及所述最优帧率确定模块连接，用于根据所述相机焦距及所述最优帧率，调整所述相机，并通过调整后的相机采集运动过程中待测棒材的表面图像。
CN202111029890.5A 2021-09-03 2021-09-03 一种特钢棒材表面缺陷多级联合检测方法及系统 Active CN113686878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111029890.5A CN113686878B (zh) 2021-09-03 2021-09-03 一种特钢棒材表面缺陷多级联合检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111029890.5A CN113686878B (zh) 2021-09-03 2021-09-03 一种特钢棒材表面缺陷多级联合检测方法及系统

Publications (2)

Publication Number Publication Date
CN113686878A true CN113686878A (zh) 2021-11-23
CN113686878B CN113686878B (zh) 2024-02-09

Family

ID=78585225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111029890.5A Active CN113686878B (zh) 2021-09-03 2021-09-03 一种特钢棒材表面缺陷多级联合检测方法及系统

Country Status (1)

Country Link
CN (1) CN113686878B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092474A (zh) * 2022-01-19 2022-02-25 深圳市杰美特科技股份有限公司 一种手机外壳复杂纹理背景的加工缺陷检测方法及系统
CN114332084A (zh) * 2022-03-11 2022-04-12 齐鲁工业大学 一种基于深度学习的pcb表面缺陷检测方法

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020149693A1 (en) * 2001-01-31 2002-10-17 Eastman Kodak Company Method and adaptively deriving exposure time and frame rate from image motion
JP2007295401A (ja) * 2006-04-26 2007-11-08 Canon Inc 撮像装置及びその制御方法
JP2009165158A (ja) * 2009-03-09 2009-07-23 Casio Comput Co Ltd 動画像記録装置及び電子カメラ装置、動画像記録方法、プログラム
JP2011203152A (ja) * 2010-03-26 2011-10-13 Research Institute Of Advanced Technology Co Ltd 形状欠陥検査方法およびその装置
CN102243189A (zh) * 2011-03-31 2011-11-16 太原理工大学 一种钢绳芯输送带在线虚拟测试系统及测试方法
CN103702015A (zh) * 2013-12-20 2014-04-02 华南理工大学 一种近红外条件下人脸图像采集系统的曝光控制方法
KR20140106286A (ko) * 2013-02-26 2014-09-03 남서울대학교 산학협력단 인접차량과의 상대속도의 변화에 따라 리코딩 영상의 프레임 레이트 조정 방법 및 이를 이용한 블랙박스 장치
CN104458749A (zh) * 2013-09-25 2015-03-25 中国科学院沈阳自动化研究所 基于机器视觉的铝型材表面缺陷实时检测系统
CN104483329A (zh) * 2014-11-27 2015-04-01 成都北斗在线检测设备有限公司 一种铝箔针孔在线检测系统及其检测方法
CN108120680A (zh) * 2017-12-19 2018-06-05 清华大学 基于光电特性先验的显微成像的杂散光去除方法及装置
CN108345911A (zh) * 2018-04-16 2018-07-31 东北大学 基于卷积神经网络多级特征的钢板表面缺陷检测方法
CN109064461A (zh) * 2018-08-06 2018-12-21 长沙理工大学 一种基于深度学习网络的钢轨表面缺陷检测方法
CN109636772A (zh) * 2018-10-25 2019-04-16 同济大学 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN110009617A (zh) * 2019-04-02 2019-07-12 浙江大学 一种轴类件在线质量检测方法
CN111650210A (zh) * 2020-06-11 2020-09-11 深圳市信宇人科技股份有限公司 高速高精度锂离子电池极片的毛刺检测方法及检测系统
CN112070728A (zh) * 2020-08-24 2020-12-11 西安理工大学 基于目标检测算法的钢绳表面缺陷识别方法
CN112508995A (zh) * 2020-12-04 2021-03-16 太原理工大学 一种基于tof相机的煤流量实时动态计量方法
CN112802016A (zh) * 2021-03-29 2021-05-14 深圳大学 基于深度学习的实时布匹缺陷检测方法及系统
CN112858321A (zh) * 2021-02-22 2021-05-28 南京理工大学 基于线阵ccd的钢板表面缺陷检测系统及方法
CN113313713A (zh) * 2021-08-02 2021-08-27 南京帝感智能科技有限公司 一种用于锂电池极片毛刺在线检测方法及系统

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020149693A1 (en) * 2001-01-31 2002-10-17 Eastman Kodak Company Method and adaptively deriving exposure time and frame rate from image motion
JP2007295401A (ja) * 2006-04-26 2007-11-08 Canon Inc 撮像装置及びその制御方法
JP2009165158A (ja) * 2009-03-09 2009-07-23 Casio Comput Co Ltd 動画像記録装置及び電子カメラ装置、動画像記録方法、プログラム
JP2011203152A (ja) * 2010-03-26 2011-10-13 Research Institute Of Advanced Technology Co Ltd 形状欠陥検査方法およびその装置
CN102243189A (zh) * 2011-03-31 2011-11-16 太原理工大学 一种钢绳芯输送带在线虚拟测试系统及测试方法
KR20140106286A (ko) * 2013-02-26 2014-09-03 남서울대학교 산학협력단 인접차량과의 상대속도의 변화에 따라 리코딩 영상의 프레임 레이트 조정 방법 및 이를 이용한 블랙박스 장치
CN104458749A (zh) * 2013-09-25 2015-03-25 中国科学院沈阳自动化研究所 基于机器视觉的铝型材表面缺陷实时检测系统
CN103702015A (zh) * 2013-12-20 2014-04-02 华南理工大学 一种近红外条件下人脸图像采集系统的曝光控制方法
CN104483329A (zh) * 2014-11-27 2015-04-01 成都北斗在线检测设备有限公司 一种铝箔针孔在线检测系统及其检测方法
CN108120680A (zh) * 2017-12-19 2018-06-05 清华大学 基于光电特性先验的显微成像的杂散光去除方法及装置
CN108345911A (zh) * 2018-04-16 2018-07-31 东北大学 基于卷积神经网络多级特征的钢板表面缺陷检测方法
CN109064461A (zh) * 2018-08-06 2018-12-21 长沙理工大学 一种基于深度学习网络的钢轨表面缺陷检测方法
CN109636772A (zh) * 2018-10-25 2019-04-16 同济大学 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN110009617A (zh) * 2019-04-02 2019-07-12 浙江大学 一种轴类件在线质量检测方法
CN111650210A (zh) * 2020-06-11 2020-09-11 深圳市信宇人科技股份有限公司 高速高精度锂离子电池极片的毛刺检测方法及检测系统
CN112070728A (zh) * 2020-08-24 2020-12-11 西安理工大学 基于目标检测算法的钢绳表面缺陷识别方法
CN112508995A (zh) * 2020-12-04 2021-03-16 太原理工大学 一种基于tof相机的煤流量实时动态计量方法
CN112858321A (zh) * 2021-02-22 2021-05-28 南京理工大学 基于线阵ccd的钢板表面缺陷检测系统及方法
CN112802016A (zh) * 2021-03-29 2021-05-14 深圳大学 基于深度学习的实时布匹缺陷检测方法及系统
CN113313713A (zh) * 2021-08-02 2021-08-27 南京帝感智能科技有限公司 一种用于锂电池极片毛刺在线检测方法及系统

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
ZHENG LIU; XUSHENG WANG; XIONG CHEN: "Inception Dual Network for steel strip defect detection", 2019 IEEE 16TH INTERNATIONAL CONFERENCE ON NETWORKING, SENSING AND CONTROL (ICNSC), vol. 978, pages 113 - 115 *
乔葳: "基于机器视觉的输送带运输物料双视点流量测量方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑 *
吴海滨;李梦楠;陈新兵;侯东旭;何涛;: "CCD高速线材测径仿真系统的设计", 大气与环境光学学报, no. 02 *
张玉叶;周胜明;赵育良;王春歆;: "高速运动目标的运动模糊图像复原研究", 红外与激光工程, no. 04 *
李永婷: "基于机器视觉的旋压成形质量在线检测方法研究", 《中国优秀硕士学术论文全文数据库 工程科技Ⅰ辑》 *
欧剑港: "基于深度卷积神经网络的钢板表面缺陷在线检测算法研究", 《中国优秀硕士学术论文全文数据库 工程科技Ⅰ辑》, pages 9 - 10 *
王志星;乔铁柱;: "带式输送机胶带纵向撕裂双目视觉在线检测系统研究与设计", 中国煤炭, no. 04 *
王晖, 张基宏: "图像边界检测的区域对比度模糊增强算法", 电子学报, no. 01 *
诸晓锋;吴开华;: "工件表面质量检测中高速图像采集技术研究", 光学仪器, no. 04 *
贾照丽等: "基于机器视觉的煤泥浮选状态识别系统研究", 矿山机械, vol. 41, no. 5 *
郝平;: "基于机器视觉的快速动态检测研究与应用", 兵器装备工程学报, no. 02 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092474A (zh) * 2022-01-19 2022-02-25 深圳市杰美特科技股份有限公司 一种手机外壳复杂纹理背景的加工缺陷检测方法及系统
CN114092474B (zh) * 2022-01-19 2022-05-13 深圳市杰美特科技股份有限公司 一种手机外壳复杂纹理背景的加工缺陷检测方法及系统
CN114332084A (zh) * 2022-03-11 2022-04-12 齐鲁工业大学 一种基于深度学习的pcb表面缺陷检测方法

Also Published As

Publication number Publication date
CN113686878B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN110047073B (zh) 一种x射线焊缝图像缺陷定级方法及系统
CN113362326A (zh) 一种电池焊点缺陷的检测方法及装置
CN109360217A (zh) 输变电设备图像边缘检测方法、装置及系统
CN113686878A (zh) 一种特钢棒材表面缺陷多级联合检测方法及系统
CN111047568B (zh) 一种漏汽缺陷检测识别方法及系统
CN111383209A (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN105913415A (zh) 一种具有广泛适应性的图像亚像素边缘提取方法
CN101424645A (zh) 基于机器视觉的焊球表面缺陷检测装置与方法
CN112233067A (zh) 一种热轧钢卷端面质量检测方法及系统
CN111652098A (zh) 产品表面缺陷检测方法及装置
CN111986170A (zh) 一种基于深度神经网络Mask R-CNN的缺陷检测算法
CN105931246A (zh) 一种基于小波变换和遗传算法的织物瑕疵检测方法
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN110992318A (zh) 一种基于深度学习的特种金属瑕疵检测系统
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN111667470A (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN116894775B (zh) 基于相机运动模型恢复和超分辨率的螺栓图像预处理方法
CN115775236A (zh) 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统
CN115908354A (zh) 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法
CN115409823A (zh) 一种基于生成式对抗网络的太阳能网版缺陷检测方法
CN112200790A (zh) 布料缺陷检测方法、设备和介质
CN113627427B (zh) 一种基于图像检测技术的仪器仪表读数方法及系统
CN112734732B (zh) 基于改进ssd算法的铁路隧道漏缆卡具检测方法
CN114428110A (zh) 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统
CN112950493B (zh) 轨道列车线阵相机图像畸变校正方法及装置

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