CN113781456A - 基于人工智能图像识别的钢材表面缺陷检测方法及设备 - Google Patents
基于人工智能图像识别的钢材表面缺陷检测方法及设备 Download PDFInfo
- Publication number
- CN113781456A CN113781456A CN202111085105.8A CN202111085105A CN113781456A CN 113781456 A CN113781456 A CN 113781456A CN 202111085105 A CN202111085105 A CN 202111085105A CN 113781456 A CN113781456 A CN 113781456A
- Authority
- CN
- China
- Prior art keywords
- defect
- model
- artificial intelligence
- image recognition
- picture
- 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 117
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 49
- 239000010959 steel Substances 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 206010027146 Melanoderma Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于人工智能图像识别的钢材表面缺陷检测方法及设备，该方法包括以下步骤：获取质量异议缺陷图片，进行预处理；以预处理后的图片作为一缺陷类别判定模型的输入，获得关于缺陷类型的第一判定结果；基于所述第一判定结果，将预处理后的图片作为一缺陷严重程度判定模型的输入，获得关于缺陷严重程度的第二判定结果；将原始的质量异议缺陷图片以及对应的第一判定结果和第二判定结果共同存储入质量异议数据库中。与现有技术相比，本发明具有降低人力成本、保持较高准确率等优点。
Description
技术领域
本发明涉及一种钢材图像处理方法，尤其是涉及一种基于人工智能图像识别的钢材表面缺陷检测方法及设备。
背景技术
钢材的应用几乎涉及到人类社会的各个领域，如建筑、汽车、航空航天、精密仪器等等。在可预见的未来，目前尚未有任何一种材料能够全面地取代钢材，钢材仍将是人类社会中不可或缺的物质材料。钢材在生产、运输、存储过程中，由于运输时间长、自然条件复杂、多变等特点，钢材发生质量的情况屡见不鲜。购买方在验收钢材时，需要对钢材的缺陷种类及缺陷程度进行判定，这些都需要人工处理。然而，人工处理工作量巨大，且响应速度较慢，对后续生产加工产生较大影响。
当前钢材表面缺陷识别主要有传统的人工特征分类检测方法和机器学习分类检测方法，这些技术往往存在以下的缺陷：
1、传统的钢材缺陷检测方法，需要人工进行特征归纳及规则设计，工作量巨大，模型泛化性能不强，无法应用于背景复杂的现场钢材图片；
2、大部分现有技术往往针对生产过程中钢材发生的质量缺陷问题，需要在特定场景下拍摄钢材图片，对图片的稳定性要求较高。对于购买方来说，钢材存放地点、光照及拍摄条件多变，这种情况下，现有技术并不能发挥良好性能；
3、目前大部分钢材缺陷检测技术针对钢材缺陷种类进行识别，尚未有对于钢材缺陷严重程度进行判定的技术。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种降低人力成本、保持较高准确率的基于人工智能图像识别的钢材表面缺陷检测方法及设备。
本发明的目的可以通过以下技术方案来实现：
一种基于人工智能图像识别的钢材表面缺陷检测方法，该方法包括以下步骤：
获取质量异议缺陷图片，进行预处理；
以预处理后的图片作为一缺陷类别判定模型的输入，获得关于缺陷类型的第一判定结果；
基于所述第一判定结果，将预处理后的图片作为一缺陷严重程度判定模型的输入，获得关于缺陷严重程度的第二判定结果；
将原始的质量异议缺陷图片以及对应的第一判定结果和第二判定结果共同存储入质量异议数据库中。
进一步地，所述缺陷类别判定模型和缺陷严重程度判定模型均以EfficientNet作为骨干网络，以Pytorch作为深度学习框架。
进一步地，所述缺陷类别判定模型为图像分类模型。
进一步地，所述缺陷类别判定模型和缺陷严重程度判定模型训练时采用的训练样本集获得方式包括：
基于所述质量异议数据库，获取质量异议缺陷图片样本，对样本进行类均衡处理；
以数据增强手段扩充样本数量，获得最终的训练样本集。
进一步地，所述数据增强手段包括随机翻转、尺度变换、平移变换、旋转/仿射变换中的一种或多种。
进一步地，所述缺陷类别判定模型和缺陷严重程度判定模型训练时的损失函数为标签平滑正则化的损失函数。
进一步地，所述缺陷类别判定模型和缺陷严重程度判定模型训练时，利用准确率指标评估模型性能，并基于所述准确率指标对模型进行调优处理。
进一步地，所述调优处理包括调整网络结构与组成、调整学习率、改变批处理大小、增加样本数量、困难样本挖掘中的一种或多种。
进一步地，所述质量异议缺陷图片为任意尺寸图片。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储器；
和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于人工智能图像识别的钢材表面缺陷检测方法的指令。
与现有技术相比，本发明具有以下有益效果：
1、本发明通过智能识别来改变传统人工识别和手动判定的现状，提升用户使用效率，是实现钢铁生态圈用户服务数字化、智能化、流程化运营中的关键一环。
2、钢材缺陷类别差异大，相似缺陷种类多，需要丰富的人工经验，本发明通过识别模型，可以大大降低人力成本，同时提升钢材使用效率。
3、目前钢材缺陷检测样本稀少，本发明在实时缺陷检测中将每次检测结果及对应图片进行存储，建立质量异议表面缺陷样本数据库，以提升钢材缺陷检测的性能，为后续基于深度学习的质量异议自动判定模型的迭代更新提供更丰富的数据样本。
4、本发明具有缺陷类别判定模型和缺陷严重程度判定模型，且模型以EfficientNet作为骨干网络，以Pytorch作为深度学习框架，能够实现复杂场景下的图片缺陷类别及缺陷严重程度判定，并且保持较高的准确率。
5、本发明在模型训练中基于准确率指标对模型进行调优处理，重复训练、测试和优化的过程，逐步使得网络的分类准确率满足判定准确率指标。
6钢材缺陷的训练数据集是由人工标注的，人工标注中存在一定概率的误标，本发明在模型训练过程中抛弃传统交叉熵损失函数，使用标签平滑正则化的损失函数来构建模型，提升钢材缺陷类别判定及钢材缺陷程度判定的准确性。
7、由于钢材缺陷图片数据较少，且缺陷图片类别不均衡，本发明通过使用图像预处理和数据增强操作，抑制了钢材缺陷图片中的噪声干扰，扩充了样本集的数量，提升了模型性能和泛化能力。
附图说明
图1为本发明的整体流程示意图；
图2为本发明缺陷类别判定模型的原理示意图；
图3为本发明缺陷程度判定模型的原理示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示，本实施例提供一种基于人工智能图像识别的钢材表面缺陷检测方法，该方法包括以下步骤：
步骤S1、获取质量异议缺陷图片，进行预处理，包括图像分割、滤波处理等，以消除图像中无关的信息。质量异议缺陷图片为任意尺寸图片，本实施例支持用户在线或本地上传钢材的质量异议缺陷图片。
步骤S2、以预处理后的图片作为一缺陷类别判定模型的输入，获得关于缺陷类型的第一判定结果。
步骤S3、基于第一判定结果，将预处理后的图片作为一缺陷严重程度判定模型的输入，获得关于缺陷严重程度的第二判定结果。
步骤S4、将原始的质量异议缺陷图片以及对应的第一判定结果和第二判定结果共同存储入质量异议数据库中，并将结果返回给用户。
本实施例中，缺陷类别判定模型和缺陷严重程度判定模型均以EfficientNet作为骨干网络，以Pytorch作为深度学习框架。读取用户提供的质量异议缺陷图片作为输入，结合传统计算机视觉算法和深度学习技术，实现缺陷类别判定和缺陷严重程度判定。
根据实际需要，缺陷类别判定模型涵盖常见的钢卷表面缺陷类型(划伤、锌浪、锈渍、摩擦黑斑等)。本实施例中，缺陷类别判定模型基于EfficientNet骨干网络，可实现每种类别的判定准确率达到90％。该缺陷类别判定模型是一个分类模型，未使用Faster RCNN检测进行区域检测。
缺陷程度判定模型对钢卷表面缺陷(划伤、锌浪、锈渍、摩擦黑斑等)分别制定了相应的缺陷严重程度判别模型，并将缺陷严重程度划分为三类，为轻度、中度、重度。
如图2和图3所示，缺陷类别判定模型和缺陷程度判定模型的应用包括离线训练阶段和在线判定阶段。离线训练阶段中，训练样本集获得方式包括：
1)基于质量异议数据库，获取质量异议缺陷图片样本。由于每个类别之间的样本量差异比较大，需要对样本做类均衡处理，否则可能会使得样本量少的类欠拟合；样本量多的类过拟合。
2)以数据增强手段扩充样本数量，获得最终的训练样本集。数据增强手段包括随机翻转、尺度变换、平移变换、旋转/仿射变换中的一种或多种。通过数据增强手段，扩充了训练样本的数量，能够更有效的获取多种分辨率、多尺度、多粒度图片的轮廓、纹理、位置等特征，能够提升网络性能及泛化能力。
网络的训练测试与调参优化在基于深度学习的分类或检测任务中占据重要的地位，对最终网络性能的优劣产生直接影响，本方案设计四个主要的训练和调优步骤，包括样本划分、训练、测试、优化：
A、样本划分：对原始数据库中的数据进行划分，分为训练集和测试集(常用划分比例为7：3)。
B、训练：在训练集上对所设计的神经网络进行训练，在测试集上对训练的模型进行测试，根据模型在测试集上的表现选择最优的模型，防止模型过拟合对整体网络性能产生的不良影响。训练阶段可准备448*448*3的缺陷图片，并设置初始化的学习率。
C、测试：在测试集上利用模型训练阶段挑选的最优模型进行测试，利用准确率指标评估模型的性能。
D、优化：根据测试阶段模型分类准确率的结果，进一步对模型进行调优，考虑通过调整网络的结构与组成、调整学习率、改变批处理大小、增加样本数量、困难样本挖掘等方式，进一步对网络进行优化，以此重复训练、测试和优化的过程，逐步使得网络的分类准确率满足判定准确率指标。
Efficientnet网络共有八种，b0～b7，可通过选择不同的Efficientnet-bi，相应改变学习率及批处理大小，利用测试集进行测试，比较各自结果，从而挑选出合适的网络模型结构。如果存在训练图片较少，样本不均衡的问题，则可利用增加样本数量、困难样本挖掘等方式，提升数据量，以优化模型性能。
钢材缺陷的训练数据集是由人工标注的，人工标注中存在一定概率的误标。因此，本方案抛弃传统交叉熵损失函数，使用标签平滑正则化的损失函数来构建模型，提升钢材缺陷类别判定及钢材缺陷程度判定的准确性。
通过上述方式可以获得更有效的质量异议模型，准确率较高。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例2
本实施例提供一种电子设备，包括：一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，一个或多个程序包括用于执行如实施例1所述的基于人工智能图像识别的钢材表面缺陷检测方法的指令。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于人工智能图像识别的钢材表面缺陷检测方法，其特征在于，该方法包括以下步骤：
获取质量异议缺陷图片，进行数据预处理；
以预处理后的图片作为一缺陷类别判定模型的输入，获得关于缺陷类型的第一判定结果；
基于所述第一判定结果，将预处理后的图片作为一缺陷严重程度判定模型的输入，获得关于缺陷严重程度的第二判定结果；
将原始的质量异议缺陷图片以及对应的第一判定结果和第二判定结果共同存储入质量异议数据库中。
2.根据权利要求1所述的基于人工智能图像识别的钢材表面缺陷检测方法，其特征在于，所述缺陷类别判定模型和缺陷严重程度判定模型均以EfficientNet作为骨干网络，以Pytorch作为深度学习框架。
3.根据权利要求1所述的基于人工智能图像识别的钢材表面缺陷检测方法，其特征在于，所述缺陷类别判定模型为图像分类模型。
4.根据权利要求1所述的基于人工智能图像识别的钢材表面缺陷检测方法，其特征在于，所述缺陷类别判定模型和缺陷严重程度判定模型训练时采用的训练样本集获得方式包括：
基于所述质量异议数据库，获取质量异议缺陷图片样本，对样本进行去重、类均衡处理；
以数据增强手段扩充样本数量，获得最终的训练样本集。
5.根据权利要求4所述的基于人工智能图像识别的钢材表面缺陷检测方法，其特征在于，所述数据增强手段包括随机翻转、尺度变换、平移变换、旋转/仿射变换中的一种或多种。
6.根据权利要求1所述的基于人工智能图像识别的钢材表面缺陷检测方法，其特征在于，所述缺陷类别判定模型和缺陷严重程度判定模型训练时的损失函数为标签平滑正则化的损失函数。
7.根据权利要求1所述的基于人工智能图像识别的钢材表面缺陷检测方法，其特征在于，所述缺陷类别判定模型和缺陷严重程度判定模型训练时，利用准确率指标评估模型性能，并基于所述准确率指标对模型进行调优处理。
8.根据权利要求7所述的基于人工智能图像识别的钢材表面缺陷检测方法，其特征在于，所述调优处理包括调整网络结构与组成、调整学习率、改变批处理大小、增加样本数量、困难样本挖掘中的一种或多种。
9.根据权利要求1所述的基于人工智能图像识别的钢材表面缺陷检测方法，其特征在于，所述质量异议缺陷图片为任意尺寸图片。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-9任一所述基于人工智能图像识别的钢材表面缺陷检测方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111085105.8A CN113781456A (zh) | 2021-09-16 | 2021-09-16 | 基于人工智能图像识别的钢材表面缺陷检测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111085105.8A CN113781456A (zh) | 2021-09-16 | 2021-09-16 | 基于人工智能图像识别的钢材表面缺陷检测方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113781456A true CN113781456A (zh) | 2021-12-10 |
Family
ID=78844435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111085105.8A Pending CN113781456A (zh) | 2021-09-16 | 2021-09-16 | 基于人工智能图像识别的钢材表面缺陷检测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781456A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820543A (zh) * | 2022-05-07 | 2022-07-29 | 苏州方石科技有限公司 | 缺陷检测方法和装置 |
| CN115100188A (zh) * | 2022-07-28 | 2022-09-23 | 北京科技大学 | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004045356A (ja) * | 2002-05-20 | 2004-02-12 | Jfe Steel Kk | 表面欠陥検出方法 |
| KR20070113032A (ko) * | 2006-05-24 | 2007-11-28 | 주식회사 포스코 | 표면결함정보를 이용한 강판 표면품질등급 판정방법 |
| KR20180123775A (ko) * | 2017-05-10 | 2018-11-20 | 주식회사 포스코 | 강판의 표면 품질 판정 방법 |
| CN110014043A (zh) * | 2018-01-09 | 2019-07-16 | 宝山钢铁股份有限公司 | 一种用于带钢表面分级动态可调整除鳞压力控制方法 |
| CN110163858A (zh) * | 2019-05-27 | 2019-08-23 | 成都数之联科技有限公司 | 一种铝型材表面缺陷检测与分类方法及系统 |
| CN111161237A (zh) * | 2019-12-27 | 2020-05-15 | 中山德著智能科技有限公司 | 一种果蔬表面质检方法及其储存介质、分拣装置 |
| CN111160451A (zh) * | 2019-12-27 | 2020-05-15 | 中山德著智能科技有限公司 | 一种柔性材料检测方法及其储存介质 |
| CN111833324A (zh) * | 2020-07-09 | 2020-10-27 | 中国计量大学 | 基于深度学习的光纤插芯缺陷检测方法 |
| CN112381787A (zh) * | 2020-11-12 | 2021-02-19 | 福州大学 | 一种基于迁移学习的钢板表面缺陷的分类方法 |
| CN112819484A (zh) * | 2021-01-30 | 2021-05-18 | 欧冶云商股份有限公司 | 一种钢材质量异议实时处理系统 |
| CN113205176A (zh) * | 2021-04-19 | 2021-08-03 | 重庆创通联达智能技术有限公司 | 训练缺陷分级检测模型的方法、装置、设备及存储介质 |
| CN113240628A (zh) * | 2021-04-14 | 2021-08-10 | 首钢集团有限公司 | 一种钢卷质量的判定方法、装置及系统 |
-
2021
- 2021-09-16 CN CN202111085105.8A patent/CN113781456A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004045356A (ja) * | 2002-05-20 | 2004-02-12 | Jfe Steel Kk | 表面欠陥検出方法 |
| KR20070113032A (ko) * | 2006-05-24 | 2007-11-28 | 주식회사 포스코 | 표면결함정보를 이용한 강판 표면품질등급 판정방법 |
| KR20180123775A (ko) * | 2017-05-10 | 2018-11-20 | 주식회사 포스코 | 강판의 표면 품질 판정 방법 |
| CN110014043A (zh) * | 2018-01-09 | 2019-07-16 | 宝山钢铁股份有限公司 | 一种用于带钢表面分级动态可调整除鳞压力控制方法 |
| CN110163858A (zh) * | 2019-05-27 | 2019-08-23 | 成都数之联科技有限公司 | 一种铝型材表面缺陷检测与分类方法及系统 |
| CN111161237A (zh) * | 2019-12-27 | 2020-05-15 | 中山德著智能科技有限公司 | 一种果蔬表面质检方法及其储存介质、分拣装置 |
| CN111160451A (zh) * | 2019-12-27 | 2020-05-15 | 中山德著智能科技有限公司 | 一种柔性材料检测方法及其储存介质 |
| CN111833324A (zh) * | 2020-07-09 | 2020-10-27 | 中国计量大学 | 基于深度学习的光纤插芯缺陷检测方法 |
| CN112381787A (zh) * | 2020-11-12 | 2021-02-19 | 福州大学 | 一种基于迁移学习的钢板表面缺陷的分类方法 |
| CN112819484A (zh) * | 2021-01-30 | 2021-05-18 | 欧冶云商股份有限公司 | 一种钢材质量异议实时处理系统 |
| CN113240628A (zh) * | 2021-04-14 | 2021-08-10 | 首钢集团有限公司 | 一种钢卷质量的判定方法、装置及系统 |
| CN113205176A (zh) * | 2021-04-19 | 2021-08-03 | 重庆创通联达智能技术有限公司 | 训练缺陷分级检测模型的方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820543A (zh) * | 2022-05-07 | 2022-07-29 | 苏州方石科技有限公司 | 缺陷检测方法和装置 |
| CN115100188A (zh) * | 2022-07-28 | 2022-09-23 | 北京科技大学 | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
| CN111932501A (zh) | 一种基于语义分割的密封圈表面缺陷检测方法 | |
| CN111028217A (zh) | 一种基于全卷积神经网络的图像裂缝分割方法 | |
| CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
| CN115147409B (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
| CN113781456A (zh) | 基于人工智能图像识别的钢材表面缺陷检测方法及设备 | |
| CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
| CN109740679A (zh) | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 | |
| CN111209907A (zh) | 一种复杂光污染环境下产品特征图像人工智能识别方法 | |
| Chung et al. | Hand gesture recognition via image processing techniques and deep CNN | |
| CN107194414A (zh) | 一种基于局部敏感哈希的svm快速增量学习算法 | |
| CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
| CN112085017A (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
| CN114841992A (zh) | 基于循环生成对抗网络和结构相似性的缺陷检测方法 | |
| CN117557872B (zh) | 一种优化存储模式的无监督异常检测方法及装置 | |
| CN113673396A (zh) | 一种孢子发芽率计算方法、装置及存储介质 | |
| CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
| CN112396580A (zh) | 一种圆形零件缺陷检测方法 | |
| Jiang et al. | Single image detail enhancement via metropolis theorem | |
| CN116740572A (zh) | 一种基于改进yolox的海上船舰目标检测方法和系统 | |
| CN114419341B (zh) | 一种基于迁移学习改进的卷积神经网络图像识别方法 | |
| CN116129417A (zh) | 一种基于低质量图像的数字仪表读数检测方法 | |
| CN115063679A (zh) | 一种基于深度学习的路面质量评估方法 | |
| CN114937155A (zh) | 一种基于深度学习的面料图像成份识别方法 | |
| Jiang et al. | Battery Panel Defect Detection Method Based on Deep Convolutional Neural Network |
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 |