CN113888506A - 基于深度分割网络的包覆药形状缺陷检测算法 - Google Patents
基于深度分割网络的包覆药形状缺陷检测算法 Download PDFInfo
- Publication number
- CN113888506A CN113888506A CN202111157532.2A CN202111157532A CN113888506A CN 113888506 A CN113888506 A CN 113888506A CN 202111157532 A CN202111157532 A CN 202111157532A CN 113888506 A CN113888506 A CN 113888506A
- Authority
- CN
- China
- Prior art keywords
- medicine
- coating
- coated
- segmentation
- data set
- 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
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
- G06T7/0008—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
- G06F18/21—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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于深度分割网络包覆药形状缺陷智能检测算法,属于智能制造和机器视觉领域。本发明所述方法使用图像增广等预处理方式对数据集进行扩充,利用深度分割神经网络得到包覆药的分割图像,并提取包覆药周长、面积、矩形比等形状特征,实现包覆药形状缺陷的初分类;根据分割图像外接矩形对输入图像进行裁剪,通过分类神经网络对裁剪后的包覆药图像进行分类,并联合初分类结果实现包覆药的再分类,同时进行决策;最后,中央控制器根据决策信息控制相应的机械装置,实现具有形状缺陷包覆药的智能离群。本发明所述方法可以准确地检测到包覆药形状缺陷的类型,解决了传统人工手选方式导致的选药质量不稳定、生产产能低等问题。
Description
技术领域
本发明属于智能制造和机器视觉领域,具体涉及基于深度分割网络的包覆药形状缺陷检测算法。
背景技术
由于包覆药生产技术封闭性和保密性等特点,化工厂在包覆药选药工艺环节依旧采用人工手选的方式,选药质量不稳定、生产产能低,成为工厂进一步提升产能的“卡脖子”环节。近年来,随着人工智能、机器视觉等技术与化工装备制造领域的不断融合,机器视觉为传统工业生产技术转型带来了新的机遇,尤其在大批量、自动化生产线上的应用更加广泛。但是针对包覆药缺陷特征多样性、生产环境复杂性等特点,传统机器视觉在鲁棒性、可用性、可迁移性等方面表现欠佳,而且传统机器视觉受光照因素影响较大,工厂必须配套额外的补光装置完成缺陷检测任务。人工智能、机器视觉等技术的出现推动了生产技术现代化进程,促使工厂向着“智能化”方向升级转型。
为此,应用机器视觉技术实现包覆药形状缺陷智能检测,使之能提升工厂生产产能,提高选药质量。
发明内容
发明目的:针对包覆药在选药环节存在的选药质量不稳定、生产产能低等问题,本发明提供了基于深度分割网络的包覆药形状缺陷智能检测算法。通过本发明方法构建了基于深度分割网络的包覆药形状缺陷智能检测算法,旨在通过计算机视觉技术,完成包覆药形状缺陷智能检测,具有较好地鲁棒性与可迁移性,解决了工厂进一步提升产能的“卡脖子”环节。
技术方案:基于深度分割网络的包覆药形状缺陷检测算法,提出了一种利用深度分割网络来精确检测包覆药形状缺陷,并进行智能决策的解决方案,具体包括以下步骤:
步骤1,每张图像按照亮度增强、对称翻转、增加噪声等图像增广的预处理方式实现数据集扩充,并完成数据标注任务,得到分割训练数据集;
步骤2,根据包覆药实际尺寸信息和步骤1采集到的图像数据信息,通过棋盘格方法完成相机的标定,确定包覆药实际尺寸与像素尺寸之间的关系;
步骤3,搭建深度分割神经网络,并利用步骤1生成的分割训练数据集训练该神经网络,得到训练好的网络参数;
步骤4,将步骤1的分割训练数据集和实际生产线生成的分割应用数据集输入到步骤3训练好的深度分割神经网络中,得到包覆药的分割信息;
步骤5,利用Open CV库函数对步骤4生成的包覆药分割信息进行处理,得到包覆药周长、面积、矩形比等形状信息及包覆药的边界矩形,并基于包覆药形状信息完成包覆药的初分类;同时根据包覆药边界矩形对输入图像进行裁剪,裁剪后的图像作为分类神经网络的输入,其中,将步骤4中的分割训练数据集裁剪后的图像数据作为分类训练数据集,分割应用数据集裁剪后的图像数据作为分类应用数据集;
步骤6,搭建分类神经网络,并利用步骤5生成的分类训练数据集训练该分类神经网络,得到训练好的网络参数;
步骤7,将步骤5得到的分类应用数据集输入步骤6训练好的神经网络当中,并联合步骤5得到的初分类结果完成包覆药的再分类,同时做出决策:若包覆药为过长包覆药、过短包覆药、斜角包覆药及粘连包覆药,则包覆药检测结果为缺陷包覆药;若包覆药为正常包覆药,则包覆药检测结果为正常包覆药;
步骤8,中央控制器将步骤7得到的检测结果作为输出信号,控制机械装置动作,实现缺陷包覆药的智能离群。
本发明步骤5包括:
步骤5-1,利用Open CV库函数对步骤4得到的包覆药分割信息进行处理,得到包覆药周、面积、矩形等形状信息及包覆药的边界矩形,并基于包覆药形状信息完成包覆药的初分类:若周长c大于阈值Tc1,则包覆药为过长包覆药或粘连包覆药;若周长c小于阈值Tc2,则包覆药为过短包覆药;若面积rs大于阈值Ts1,则包覆药为粘连包覆药或过长包覆药:若矩形比r大于阈值Tr,则包覆药为斜角包覆药:
其中,rs为包覆药分割面积,re为包覆药外接矩形面积;
步骤5-2,根据步骤5-1得到的包覆药边界矩形对原始图像进行裁剪,裁剪后的图像作为分类神经网络的输入,其中,将步骤4中的分割训练数据集裁剪后的图像数据作为分类训练数据集,分割应用数据集裁剪后的图像数据作为分类应用数据集;
本发明步骤8包括:
步骤8-1,智能分类装置包括防爆相机、中央处理器、气动装置①、气动装置②、合格箱、废料箱和送料装置;防爆相机实时采集送料装置上的包覆药图像信息,并将图像信息输送至中央处理器;中央处理器利用基于深度分割网络的神经网络对包覆药形状进行缺陷检测,检测结果作为输出信号控制气动装置动作;
步骤8-2,根据步骤8-1得到的控制信号控制气动装置动作:若输出信号为正常信号,则中央控制器控制气动装置①动作,把包覆药送入合格箱中;若输出信号为缺陷信号,则中央控制器控制气动装置②动作,把包覆药送入废料箱中。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1为本发明实施例的基于深度分割网络包覆药形状缺陷智能检测算法的总流程图;
图2为本发明实施例的各神经网络训练及应用流程图;
图3为本发明实施例的输入图像示意图;
图4为本发明实施例的输入图像竖直翻转后的图像示意图;
图5为本发明实施例的输入图像水平翻转后的图像示意图;
图6为本发明实施例的输入图像增加噪声后的图像示意图;
图7为本发明实施例的基于外接矩形裁剪后的过长包覆药示意图;
图8为本发明实施例的基于外接矩形裁剪后的过短包覆药示意图;
图9为本发明实施例的基于外接矩形裁剪后的斜角包覆药示意图;
图10为本发明实施例的基于外接矩形裁剪后的粘连包覆药示意图;
图11为本发明实施例的基于外接矩形裁剪后的正常包覆药示意图;
图12为本发明实施的智能分类机械装置示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明方法所构建的包覆药形状缺陷智能检测装置总体工作流程如图1所示,大致分为三个步骤:第一步,利用Deep Lab分割神经网络提取包覆药分割信息;第二步,利用分类网络和OpenCV库函数完成包覆药形状缺陷的分类任务;第三步,中央控制器根据决策信息控制相应的机械装置,实现缺陷包覆药的智能离群。本发明实施例中基于深度分割网络的包覆药形状缺陷智能检测算法的具体构建步骤如下:
步骤1,每张图像按照亮度增强、对称翻转(图4竖直翻转,图5水平翻转)、增加噪声(图6)等图像增广的预处理方式实现数据扩充,并完成数据标注任务,得到分割训练数据集;
步骤2,根据包覆药实际尺寸信息和步骤1采集到的图像数据,通过棋盘格方法完成相机的标定,确定包覆药实际尺寸与像素尺寸之间的关系,其中,图像中每个像素对应实际距离为0.33mm;
步骤3,搭建Deep Lab分割神经网络,并利用步骤1生成的分割训练数据集训练该神经网络,得到训练好的网络参数;
步骤4,将步骤1的分割训练数据集和实际生产线生成的分割应用数据集输入到步骤3训练好的深度分割神经网络中,得到包覆药的分割信息,如图2所示;
步骤5,利用OpenCV库函数对步骤4生成的包覆药分割信息进行处理,得到包覆药周长、面积、矩形比等形状信息及包覆药的边界矩形,并基于包覆药形状信息完成包覆药的初分类;同时根据包覆药边界矩形对原始图像进行裁剪,裁剪后的图像作为分类神经网络的输入,其中,将步骤4中的分割训练数据集裁剪后的图像数据作为分类训练数据集,分割应用数据集裁剪后的图像数据作为分类应用数据集;
步骤6,搭建分类神经网络,并利用步骤5生成的分类训练数据集训练该分类神经网络,得到训练好的网络参数;
步骤7,将步骤5得到的分类应用数据集输入步骤5训练好的神经网络当中,并联合步骤5得到的初分类结果完成包覆药的再分类,同时做出智能决策:若包覆药为过长包覆药(图7)、过短包覆药(图8)、斜角包覆药(图9)及粘连包覆药(图10),则包覆药检测结果为缺陷包覆药;若包覆药为正常包覆药(图11),则包覆药检测结果为正常包覆药,其中,基于Deep Lab分割神经网络包覆药形状缺陷智能检测算法完成如下指标:超长包覆药检测准确率为100%,过长包覆药检测准确率为99.5%,过短包覆药检测准确率为99.5%,斜角包覆药检测准确率为99%,粘连包覆药检测准确率为100%;
步骤8,中央控制器将步骤7得到的检测结果作为输出信号,控制气动装置动作:若输出信号为正常信号,则中央控制器控制气动装置①动作,把包覆药送入合格箱中;若输出信号为缺陷信号,则中央控制器控制气动装置②动作,把包覆药送入废料箱中,如图9所示,选药工艺环节实现无人化作业,相比较传统的人工手选方式,实现减人率70%,单台套选药设备生产效率大于等于300kg/班。
本发明步骤5包括:
步骤5-1,利用Open CV库函数对步骤4得到的包覆药分割信息进行处理,得到包覆药周长、面积、矩形等形状信息及包覆药的边界矩形,并基于包覆药形状信息完成包覆药的初分类:若周长c大于阈值Tc1,则包覆药为过长包覆药或粘连包覆药;若周长c小于阈值Tc2,则包覆药为过短包覆药;若面积rs大于阈值Ts1,则包覆药为粘连包覆药或过长包覆药:若矩形比r大于阈值Tr,则包覆药为斜角包覆药:
其中,Tc1=36mm,Tc2=30mm,rs=80mm2,Tr=0.95,rs为包覆药分割面积,re为包覆药外接矩形面积;
步骤5-2,根据步骤5-1得到的包覆药边界矩形对输入图像进行裁剪,裁剪后的图像作为分类神经网络的输入,其中,将步骤4中的分割训练数据集裁剪后的图像数据作为分类训练数据集,分割应用数据集裁剪后的图像数据作为分类应用数据集;
本发明步骤8包括:
步骤8-1,智能分类装置包括防爆相机、中央处理器、气动装置①、气动装置②、合格箱、废料箱和送料装置;防爆相机实时采集送料装置上的包覆药图像信息,并将图像信息输送至中央处理器;中央处理器利用基于深度分割网络的神经网络对包覆药形状进行缺陷检测,检测结果作为输出信号控制气动装置动作;
步骤8-2,根据步骤8-1得到的控制信号控制气动装置动作:若输出信号为正常信号,则中央控制器控制气动装置①动作,把包覆药送入合格箱中;若输出信号为缺陷信号,则中央控制器控制气动装置②动作,把包覆药送入废料箱中。
本发明提供了一种基于深度分割网络的包覆药形状缺陷智能检测方法,上述涉及的开源方法、图像处理工具、参数值等都是为了帮助读者理解本发明的原理,本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员还可以做出不脱离本发明原理的改进和变形,这些改进和变形仍属于本发明的保护范围。
Claims (3)
1.基于深度分割网络的包覆药形状缺陷检测算法,其特征在于,包括以下步骤:
步骤1,每张图像按照亮度增强、对称翻转、增加噪声等图像增广的预处理方式实现图像数据集扩充,并完成数据标注任务,得到分割训练数据集;
步骤2,根据包覆药实际尺寸信息和步骤1采集到的图像数据信息,通过棋盘格方法完成相机的标定,确定包覆药实际尺寸与像素尺寸之间的关系;
步骤3,搭建深度分割神经网络,并利用步骤1生成的分割训练数据集训练该神经网络,得到训练好的网络参数;
步骤4,将步骤1的分割训练数据集和实际生产线生成的分割应用数据集输入到步骤3训练好的深度分割神经网络中,得到包覆药的分割信息;
步骤5,利用Open CV库函数对步骤4生成的包覆药分割信息进行处理,得到包覆药周长、面积、矩形比等形状信息及包覆药的边界矩形,并基于包覆药形状信息完成包覆药的初分类;同时根据包覆药边界矩形对输入图像进行裁剪,裁剪后的图像作为分类神经网络的输入,其中,将步骤4中的分割训练数据集裁剪后的图像数据作为分类训练数据集,分割应用数据集裁剪后的图像数据作为分类应用数据集;
步骤6,搭建分类神经网络,并利用步骤5生成的分类训练数据集训练该分类神经网络,得到训练好的网络参数;
步骤7,将步骤5得到的分类应用数据集输入步骤6训练好的神经网络当中,并联合步骤5得到的初分类结果完成包覆药的再分类,同时做出决策:若包覆药为过长包覆药、过短包覆药、斜角包覆药及粘连包覆药,则包覆药检测结果为缺陷包覆药;若包覆药为正常包覆药,则包覆药检测结果为正常包覆药;
步骤8,中央控制器将步骤7得到的检测结果作为输出信号,控制机械装置动作,实现缺陷包覆药的智能离群。
2.根据权利要求1所述的方法,其特征在于步骤5包括:
步骤5-1,利用Open CV库函数对步骤4得到的包覆药分割信息进行处理,得到包覆药周、面积、矩形等形状信息及包覆药的边界矩形,并基于包覆药形状信息完成包覆药的初分类:若周长c大于阈值Tc1,则包覆药为过长包覆药或粘连包覆药;若周长c小于阈值Tc2,则包覆药为过短包覆药;若面积rs大于阈值Ts1,则包覆药为粘连包覆药或过长包覆药:若矩形比r大于阈值Tr,则包覆药为斜角包覆药:
其中,rs为包覆药分割面积,re为包覆药外接矩形面积;
步骤5-2,根据步骤5-1得到的包覆药边界矩形对原始图像进行裁剪,裁剪后的图像作为分类神经网络的输入,其中,将步骤4中的分割训练数据集裁剪后的图像数据作为分类训练数据集,分割应用数据集裁剪后的图像数据作为分类应用数据集。
3.根据权利要求1所述的方法,其特征在于步骤8包括:
步骤8-1,智能分类装置包括防爆相机、中央处理器、气动装置①、气动装置②、合格箱、废料箱和送料装置;防爆相机实时采集送料装置上的包覆药图像信息,并将图像信息输送至中央处理器;中央处理器利用基于深度分割网络的神经网络对包覆药形状进行缺陷检测,检测结果作为输出信号控制气动装置动作;
步骤8-2,根据步骤8-1得到的控制信号控制气动装置动作:若输出信号为正常信号,则中央控制器控制气动装置①动作,把包覆药送入合格箱中;若输出信号为缺陷信号,则中央控制器控制气动装置②动作,把包覆药送入废料箱中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157532.2A CN113888506B (zh) | 2021-09-30 | 2021-09-30 | 基于深度分割网络的包覆药形状缺陷检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157532.2A CN113888506B (zh) | 2021-09-30 | 2021-09-30 | 基于深度分割网络的包覆药形状缺陷检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113888506A true CN113888506A (zh) | 2022-01-04 |
CN113888506B CN113888506B (zh) | 2023-05-05 |
Family
ID=79004761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111157532.2A Active CN113888506B (zh) | 2021-09-30 | 2021-09-30 | 基于深度分割网络的包覆药形状缺陷检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888506B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862847A (zh) * | 2022-07-05 | 2022-08-05 | 聊城高新生物技术有限公司 | 一种基于图形识别的包覆药外形缺陷检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN110605799A (zh) * | 2019-09-23 | 2019-12-24 | 湖北航天化学技术研究所 | 一种固体推进剂药柱侧面包覆模具及包覆方法 |
US20210027442A1 (en) * | 2019-07-25 | 2021-01-28 | Palo Alto Research Center Incorporated | System and method for automated surface assessment |
CN113155851A (zh) * | 2021-04-30 | 2021-07-23 | 西安交通大学 | 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置 |
CN113421263A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 零件缺陷检测方法、设备、介质及计算机程序产品 |
-
2021
- 2021-09-30 CN CN202111157532.2A patent/CN113888506B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
US20210027442A1 (en) * | 2019-07-25 | 2021-01-28 | Palo Alto Research Center Incorporated | System and method for automated surface assessment |
CN110605799A (zh) * | 2019-09-23 | 2019-12-24 | 湖北航天化学技术研究所 | 一种固体推进剂药柱侧面包覆模具及包覆方法 |
CN113155851A (zh) * | 2021-04-30 | 2021-07-23 | 西安交通大学 | 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置 |
CN113421263A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 零件缺陷检测方法、设备、介质及计算机程序产品 |
Non-Patent Citations (2)
Title |
---|
吴文军;瞿军;周昊;: "固体药柱包覆层脱粘的激光错位散斑检测", 无损检测 * |
蔡虹: "包覆药柱界面粘结质量的无损检测", 上海航天 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862847A (zh) * | 2022-07-05 | 2022-08-05 | 聊城高新生物技术有限公司 | 一种基于图形识别的包覆药外形缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113888506B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN110097053B (zh) | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 | |
CN111079674B (zh) | 一种基于全局和局部信息融合的目标检测方法 | |
CN113506286A (zh) | 基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
CN110553650B (zh) | 一种基于小样本学习的移动机器人重定位方法 | |
CN111161213B (zh) | 一种基于知识图谱的工业产品缺陷图像分类方法 | |
CN108672316A (zh) | 一种基于卷积神经网络的微小零件质量检测系统 | |
CN113888506A (zh) | 基于深度分割网络的包覆药形状缺陷检测算法 | |
CN115035371B (zh) | 基于多尺度特征融合神经网络的井壁裂缝识别方法 | |
CN110827277A (zh) | 一种基于yolo3网络的布匹瑕疵检测方法 | |
Zeng et al. | Steel sheet defect detection based on deep learning method | |
CN117103790A (zh) | 瓦楞纸板生产线及其控制方法 | |
CN115410039A (zh) | 基于改进YOLOv5算法的煤炭异物检测系统及方法 | |
CN114627109A (zh) | 基于图像增强和深度学习的煤矸分类识别方法与流程 | |
CN109325533A (zh) | 一种人工智能框架进行cnn迭代训练方法 | |
CN115170545A (zh) | 一种动态熔池尺寸检测及成形方向判别方法 | |
CN115319338A (zh) | 基于深度学习的螺纹钢焊牌机器人3d视觉计数和定位方法 | |
Sidehabi et al. | The Development of Machine Vision System for Sorting Passion Fruit using Multi-Class Support Vector Machine. | |
CN112967271B (zh) | 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法 | |
CN112561885B (zh) | 基于YOLOv4-tiny的插板阀开度检测方法 | |
CN115641321A (zh) | 一种基于端到端弱监督的瓷砖表面缺陷检测方法及系统 | |
Di et al. | [Retracted] Image Defect Recognition Method Based on Deep Learning Network | |
CN114264607B (zh) | 基于机器视觉的瓷砖色差在线检测系统与方法 |
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 |