CN113781430A - 一种基于深度学习的手套表面缺陷检测方法及系统 - Google Patents

一种基于深度学习的手套表面缺陷检测方法及系统 Download PDF

Info

Publication number
CN113781430A
CN113781430A CN202111058159.5A CN202111058159A CN113781430A CN 113781430 A CN113781430 A CN 113781430A CN 202111058159 A CN202111058159 A CN 202111058159A CN 113781430 A CN113781430 A CN 113781430A
Authority
CN
China
Prior art keywords
detection
model
image
real
image classification
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
CN202111058159.5A
Other languages
English (en)
Other versions
CN113781430B (zh
Inventor
刘梦玥
苏晓芬
谢明明
闵维潇
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.)
Beijing Yunyu Technology Co ltd
Original Assignee
Beijing Yunyu Technology Co ltd
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 Beijing Yunyu Technology Co ltd filed Critical Beijing Yunyu Technology Co ltd
Priority to CN202111058159.5A priority Critical patent/CN113781430B/zh
Publication of CN113781430A publication Critical patent/CN113781430A/zh
Application granted granted Critical
Publication of CN113781430B publication Critical patent/CN113781430B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于深度学习的手套表面缺陷检测方法及系统,其中，方法包括：将手套图像输入到增强模块，经过增强变换，输出增强后的图像数据；将增强后的图像数据输入到形状实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；所述辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果；针对形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块；输入到纹理实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果。

Description

一种基于深度学习的手套表面缺陷检测方法及系统
技术领域
本发明涉及手套表面缺陷检测技术，具体涉及一种基于深度学习的手套表面缺陷检测方法及系统。
背景技术
在手套，例如丁腈手套生产过程中，由于生产工艺和生产设备的缺陷，导致在生产中会一定概率出现残次品，不同国家和地区都有标准限制不良品率，因此需要在生产中筛选出残次品手套，降低手套的残次品率。
对于手套残次品，我们大致将缺陷分为两类：撕裂和污点。撕裂是指在手套表面出现明显的破损或者撕裂；污点是指手套表面出现大面积的污渍。以上两种手套都属于残次品，需要在出厂前把这些残次品手套进行筛选和摘除。
常规的方式是通过人工筛选的方式，需要给每条生产线配备检测人员，用于筛选出残次品手套，提高生产流水线的良品率。近年来机器学习技术快速发展，利用机器学习技术可以检测出图像中明显的缺陷，进行残次品手套的检测，但检测方式精度不高，无法满足生产需求。
发明内容
本发明的目的在于，解决现有丁腈手套生产过程中存在的上述技术问题。
为实现上述目的，一方面，本发明提供了一种基于深度学习的手套表面缺陷检测方法,该方法包括以下步骤：
数据增强步骤，将手套图像输入到增强模块，经过增强变换，输出增强后的图像数据；
形状检测步骤，将增强后的图像数据输入到形状实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；所述辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定形状合格的图像；
纹理检测步骤，针对形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块；输入到纹理实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定纹理合格的图像。
另一方面，本发明提供了一种基于深度学习的手套表面缺陷检测方法及系统,该系统包括：
数据增强模块，用于将手套图像输入到增强模块，经过增强变换，输出增强后的图像数据；
形状检测模块，用于将增强后的图像数据输入到形状实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；所述辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定形状合格的图像；
纹理检测模块，用于针对形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块；输入到纹理实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定纹理合格的图像。
本发明采用基于两阶段检测和辅助检测模型的表面缺陷检测方式进行缺陷检测，可以充分利用图像的视觉特征，更准确的检测出不同缺陷的丁腈手套。另外，模型在上线后可以继续采集缺陷手套样本，随着产线的生产过程不断地迭代模型，从而实现扩展模型适应产线的变化。
附图说明
图1为本发明实施例提供的一种基于深度学习的手套表面缺陷检测方法流程示意图；
图2为图1所示方法中数据增强步骤流程示意图；
图3为图1所示方法中形状检测步骤流程示意图；
图4为图1所示方法中纹理检测流程示意图；
图5为本发明实施例提供的一种基于深度学习的手套表面缺陷检测系统结构示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
如图1-图4所示，该方法包括以下步骤：
数据增强步骤，将待检测的手套图像(如，丁腈手套图像)输入到增强模块，经过增强变换，输出增强后的图像数据；具体地，根据手套图像数据特征选择一系列的增强变换，将各种增强变换方式整合起来，进行图像的处理。增强变化包括左右翻转、上下翻转、高斯滤波、HSV变换、缩放、裁剪、均值滤波、锐化、浮雕、边缘检测、仿射变换中的一种或多种。
形状检测步骤，将增强后的图像数据输入到形状实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；所述辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定形状合格的图像；
具体地，形状检测步骤具体包括：
图像数据经过数据增强模块得到增强后的图像数据，输入到形状实时检测模型进行实时检测推理，推理过程中打开TTA检测时数据增强，设置的参数为fliplr(左右翻转)，反转的角度为180度；
在检测后判断是否打开严格模式，即是否开启辅助模型检测；辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；
汇总实时检测模型和图像分类检测结果，其中形状实时检测模型为Yolov5，辅助检测模型为图像分类模型AlexNet。
纹理检测步骤，针对形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块；输入到纹理实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定纹理合格的图像。
具体地，纹理检测步骤具体包括：
经过形状检测模块后判断为形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块。输入到纹理实时检测模型进行实时检测推理，推理过程中打开TTA检测时数据增强，设置的参数为scale放缩，放缩的参数设置为1.2倍；
在检测后判断是否打开严格模式，即是否开启辅助模型检测开启辅助模型后检测识别准确率会上升，但误判率也会随着上升；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；
汇总实时检测模型和图像分类检测结果，其中纹理实时检测模型为Yolov5，辅助检测模型为图像分类模型AlexNet。
本发明实施例还提供了模型迭代功能，在模型的测试运行过程中，可以进行模型的迭代工作，具体来说就是在生产线上进行推理的结果的判断，累积推理错误的样本，当超过一定规模后，进行模型的迭代工作。
相应地，本发明实施例还提供了一种基于深度学习的手套表面缺陷检测系统。如图5所示，该系统包括：数据增强模块51、形状检测模块52和纹理检测模块53。
数据增强模块51，用于将手套图像输入到增强模块，经过增强变换，输出增强后的图像数据；
形状检测模块52，用于将增强后的图像数据输入到形状实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；所述辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定形状合格的图像；
纹理检测模块53，用于针对形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块；输入到纹理实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定纹理合格的图像。
本发明实施例采用基于两阶段检测和辅助检测模型的表面缺陷检测方式进行缺陷检测，可以充分利用图像的视觉特征，更准确的检测出不同缺陷的丁腈手套。另外，模型在上线后可以继续采集缺陷手套样本，随着产线的生产过程不断地迭代模型，从而实现扩展模型适应产线的变化。
显而易见，在不偏离本发明的真实精神和范围的前提下，在此描述的本发明可以有许多变化。因此，所有对于本领域技术人员来说显而易见的改变，都应包括在本权利要求书所涵盖的范围之内。本发明所要求保护的范围仅由所述的权利要求书进行限定。

Claims (10)

1.一种基于深度学习的手套表面缺陷检测方法,其特征在于，包括以下步骤：
数据增强步骤，将手套图像输入到增强模块，经过增强变换，输出增强后的图像数据；
形状检测步骤，将增强后的图像数据输入到形状实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；所述辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定形状合格的图像；
纹理检测步骤，针对形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块；输入到纹理实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定纹理合格的图像。
2.根据权利要求1所述的方法，其特征在于，增强变化包括左右翻转、上下翻转、高斯滤波、HSV变换、缩放、裁剪、均值滤波、锐化、浮雕、边缘检测、仿射变换。
3.根据权利要求1所述的方法，其特征在于，形状检测步骤具体包括：
图像数据经过数据增强模块得到增强后的图像数据，输入到形状实时检测模型进行实时检测推理，推理过程中打开TTA检测时数据增强，设置的参数为fliplr左右翻转，反转的角度为180度；
在检测后判断是否打开严格模式，即是否开启辅助模型检测；辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；
汇总实时检测模型和图像分类检测结果，其中形状实时检测模型为Yolov5，辅助检测模型为图像分类模型AlexNet。
4.根据权利要求1所述的方法，其特征在于，纹理检测步骤具体包括：
经过形状检测模块后判断为形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块。输入到纹理实时检测模型进行实时检测推理，推理过程中打开TTA检测时数据增强，设置的参数为scale放缩，放缩的参数设置为1.2倍；
在检测后判断是否打开严格模式，即是否开启辅助模型检测开启辅助模型后检测识别准确率会上升，但误判率也会随着上升；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；
汇总实时检测模型和图像分类检测结果，其中纹理实时检测模型为Yolov5，辅助检测模型为图像分类模型AlexNet。
5.根据权利要求1所述的方法，其特征在于，手套图像为丁腈手套图像。
6.一种基于深度学习的手套表面缺陷检测系统,其特征在于，包括：
数据增强模块，用于将手套图像输入到增强模块，经过增强变换，输出增强后的图像数据；
形状检测模块，用于将增强后的图像数据输入到形状实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；所述辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定形状合格的图像；
纹理检测模块，用于针对形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块；输入到纹理实时检测模型进行实时检测推理，在检测后判断是否开启辅助模型检测；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；汇总实时检测模型和图像分类检测结果，确定纹理合格的图像。
7.根据权利要求6所述的系统，其特征在于，增强变化包括左右翻转、上下翻转、高斯滤波、HSV变换、缩放、裁剪、均值滤波、锐化、浮雕、边缘检测、仿射变换。
8.根据权利要求6所述的系统，其特征在于，形状检测模块具体用于：
图像数据经过数据增强模块得到增强后的图像数据，输入到形状实时检测模型进行实时检测推理，推理过程中打开TTA检测时数据增强，设置的参数为fliplr左右翻转，反转的角度为180度；
在检测后判断是否打开严格模式，即是否开启辅助模型检测；辅助检测模型为图像分类模型，将增强后的图像数据输入到图像分类模型，得到图像分类结果；
汇总实时检测模型和图像分类检测结果，其中形状实时检测模型为Yolov5，辅助检测模型为图像分类模型AlexNet。
9.根据权利要求1所述的系统，其特征在于，纹理检测模块具体用于：
经过形状检测模块后判断为形状合格的图像，则裁剪出手套部分后，进入表面纹理检测模块。输入到纹理实时检测模型进行实时检测推理，推理过程中打开TTA检测时数据增强，设置的参数为scale放缩，放缩的参数设置为1.2倍；
在检测后判断是否打开严格模式，即是否开启辅助模型检测开启辅助模型后检测识别准确率会上升，但误判率也会随着上升；辅助检测模型为图像分类模型，将裁剪后的图像数据输入到图像分类模型，得到图像分类结果；
汇总实时检测模型和图像分类检测结果，其中纹理实时检测模型为Yolov5，辅助检测模型为图像分类模型AlexNet。
10.根据权利要求6所述的系统，其特征在于，手套图像为丁腈手套图像。
CN202111058159.5A 2021-09-09 2021-09-09 一种基于深度学习的手套表面缺陷检测方法及系统 Active CN113781430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111058159.5A CN113781430B (zh) 2021-09-09 2021-09-09 一种基于深度学习的手套表面缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111058159.5A CN113781430B (zh) 2021-09-09 2021-09-09 一种基于深度学习的手套表面缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN113781430A true CN113781430A (zh) 2021-12-10
CN113781430B CN113781430B (zh) 2023-08-25

Family

ID=78842189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111058159.5A Active CN113781430B (zh) 2021-09-09 2021-09-09 一种基于深度学习的手套表面缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN113781430B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040152250A1 (en) * 2003-02-03 2004-08-05 Qcept Technologies Semiconductor wafer inspection system
CN101996405A (zh) * 2010-08-30 2011-03-30 中国科学院计算技术研究所 一种快速的玻璃图像缺陷检测及分类方法及其装置
CN105737748A (zh) * 2016-02-22 2016-07-06 中国核电工程有限公司 一种燃料芯块外形尺寸和外观缺陷的检测设备和方法
CN106097312A (zh) * 2016-06-01 2016-11-09 同济大学 一种基于机器视觉的手套撕破和油污检测方法
CN108305243A (zh) * 2017-12-08 2018-07-20 五邑大学 一种基于深度学习的磁瓦表面缺陷检测方法
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
CN109900711A (zh) * 2019-04-02 2019-06-18 天津工业大学 基于机器视觉的工件缺陷检测方法
CN110175988A (zh) * 2019-04-25 2019-08-27 南京邮电大学 基于深度学习的布匹缺陷检测方法
CN110473179A (zh) * 2019-07-30 2019-11-19 上海深视信息科技有限公司 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备
CN110632079A (zh) * 2019-09-06 2019-12-31 张家港先锋自动化机械设备股份有限公司 一种手套检验方法
CN110660048A (zh) * 2019-09-12 2020-01-07 创新奇智(合肥)科技有限公司 一种基于形状特征的皮革表面缺陷检测算法
CN111161246A (zh) * 2019-12-30 2020-05-15 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
CN111311544A (zh) * 2020-01-19 2020-06-19 无锡赛默斐视科技有限公司 一种基于深度学习的地板缺陷检测方法
CN111598858A (zh) * 2020-05-12 2020-08-28 上海大学 一种基于迁移学习的橡胶手套的检测方法及系统
CN111693531A (zh) * 2019-03-14 2020-09-22 顶级手套(国际)有限公司 用于生产线中聚合物产品的缺陷检测的人工智能
CN111862092A (zh) * 2020-08-05 2020-10-30 复旦大学 一种基于深度学习的快递外包装缺陷检测方法及装置
CN112541889A (zh) * 2020-12-02 2021-03-23 杭州安脉盛智能技术有限公司 一种多层级模型的复杂纹理对象表面缺陷检测方法
CN113344888A (zh) * 2021-06-17 2021-09-03 四川启睿克科技有限公司 一种基于联合模型的表面缺陷检测方法及装置

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040152250A1 (en) * 2003-02-03 2004-08-05 Qcept Technologies Semiconductor wafer inspection system
CN101996405A (zh) * 2010-08-30 2011-03-30 中国科学院计算技术研究所 一种快速的玻璃图像缺陷检测及分类方法及其装置
CN105737748A (zh) * 2016-02-22 2016-07-06 中国核电工程有限公司 一种燃料芯块外形尺寸和外观缺陷的检测设备和方法
CN106097312A (zh) * 2016-06-01 2016-11-09 同济大学 一种基于机器视觉的手套撕破和油污检测方法
CN108305243A (zh) * 2017-12-08 2018-07-20 五邑大学 一种基于深度学习的磁瓦表面缺陷检测方法
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
CN111693531A (zh) * 2019-03-14 2020-09-22 顶级手套(国际)有限公司 用于生产线中聚合物产品的缺陷检测的人工智能
CN109900711A (zh) * 2019-04-02 2019-06-18 天津工业大学 基于机器视觉的工件缺陷检测方法
CN110175988A (zh) * 2019-04-25 2019-08-27 南京邮电大学 基于深度学习的布匹缺陷检测方法
CN110473179A (zh) * 2019-07-30 2019-11-19 上海深视信息科技有限公司 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备
CN110632079A (zh) * 2019-09-06 2019-12-31 张家港先锋自动化机械设备股份有限公司 一种手套检验方法
CN110660048A (zh) * 2019-09-12 2020-01-07 创新奇智(合肥)科技有限公司 一种基于形状特征的皮革表面缺陷检测算法
CN111161246A (zh) * 2019-12-30 2020-05-15 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
CN111311544A (zh) * 2020-01-19 2020-06-19 无锡赛默斐视科技有限公司 一种基于深度学习的地板缺陷检测方法
CN111598858A (zh) * 2020-05-12 2020-08-28 上海大学 一种基于迁移学习的橡胶手套的检测方法及系统
CN111862092A (zh) * 2020-08-05 2020-10-30 复旦大学 一种基于深度学习的快递外包装缺陷检测方法及装置
CN112541889A (zh) * 2020-12-02 2021-03-23 杭州安脉盛智能技术有限公司 一种多层级模型的复杂纹理对象表面缺陷检测方法
CN113344888A (zh) * 2021-06-17 2021-09-03 四川启睿克科技有限公司 一种基于联合模型的表面缺陷检测方法及装置

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
HOW YONG CHEN等: "Glove Defect Detection Via YOLO V5", 《MEKATRONIKA》 *
HOW YONG CHEN等: "Glove Defect Detection Via YOLO V5", 《MEKATRONIKA》, vol. 3, no. 2, 31 July 2021 (2021-07-31), pages 26 - 27 *
XIANGMING WANG 等: "On-line Defect Detection and Classification of Latex Gloves", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 *
XIANGMING WANG 等: "On-line Defect Detection and Classification of Latex Gloves", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》, 31 December 2020 (2020-12-31), pages 1 - 6 *
XU SUN: "Defects Detecting of Gloves Based on Machine Vision", 《PROCEEDINGS OF THE 2016 IEEE INTERNATIONAL CONFERENCE ON REAL-TIME COMPUTING AND ROBOTICS》, pages 169 - 173 *
张忠凯: "基于机器视觉的乳胶手套尺寸测量及缺陷检测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, vol. 2021, no. 1, pages 016 - 771 *
陈寿宏 等: "基于多特征的 SVM 多分类 PCB 焊点缺陷检测方法", 《激光杂志》 *
陈寿宏 等: "基于多特征的 SVM 多分类 PCB 焊点缺陷检测方法", 《激光杂志》, vol. 40, no. 6, 31 December 2019 (2019-12-31), pages 21 - 26 *

Also Published As

Publication number Publication date
CN113781430B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN111292305B (zh) 一种改进型yolo-v3的金属加工表面缺陷检测方法
CN102305798B (zh) 基于机器视觉的玻璃缺陷的检测与分类方法
US10803573B2 (en) Method for automated detection of defects in cast wheel products
CN107607554A (zh) 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法
CN103871053A (zh) 一种基于视觉显著性的布匹瑕疵检测方法
CN111815555A (zh) 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置
CN111179250B (zh) 一种基于多任务学习的工业品缺陷检测系统
CN105891233A (zh) 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法
CN113034488B (zh) 一种喷墨印刷品的视觉检测方法
CN112907561A (zh) 一种基于深度学习的笔记本外观瑕疵检测方法
CN114445707A (zh) 瓶装水标签缺陷智能化视觉精细检测方法
CN109557104A (zh) 一种基于深度学习的木料优选锯智能检测方法
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN110853013A (zh) 一种白色家电外壁喷涂质量检测方法
CN116228651A (zh) 一种布匹缺陷检测方法、系统、设备及介质
CN103258218B (zh) 蒙版检测框架生成方法、装置、缺陷检测方法及装置
CN113139943B (zh) 开口圆环工件外观缺陷检测方法、系统及计算机存储介质
CN102313740B (zh) 太阳能电池板裂痕检测方法
CN111127410B (zh) 一种汽车仪表盘印刷瑕疵的自动检测方法
CN113781430A (zh) 一种基于深度学习的手套表面缺陷检测方法及系统
CN115049641A (zh) 一种用于机械零件异常检测的电数据处理方法及系统
Li et al. Real-time detection method for surface defects of stamping parts based on template matching
Alimohamadi et al. Defect detection in textiles using morphological analysis of optimal Gabor wavelet filter response
CN107833222A (zh) 一种非金属零件多余物检测装置及方法
CN111062939B (zh) 一种带钢表面快速质量甄别与缺陷特征自动提取方法

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