CN114022412A - 一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法 - Google Patents
一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法 Download PDFInfo
- Publication number
- CN114022412A CN114022412A CN202111189080.6A CN202111189080A CN114022412A CN 114022412 A CN114022412 A CN 114022412A CN 202111189080 A CN202111189080 A CN 202111189080A CN 114022412 A CN114022412 A CN 114022412A
- Authority
- CN
- China
- Prior art keywords
- num
- algorithm
- deep learning
- method based
- visual inspection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 230000007547 defect Effects 0.000 title claims abstract description 46
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000011179 visual inspection Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000005587 bubbling Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000010606 normalization Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001094 effect on targets Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000002699 waste material 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
- 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
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- 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
Abstract
本发明提供一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，先采集卷烟辅料纸张的图片，将图片通过HTTP传输给算法服务；算法服务在软件启动时会在后台启动，并加载模型；算法服务接收到图片，经过解码、保持宽高比缩放、归一化等操作后会被送入模型推理的阶段；得到的推理结果在模型中经过特征提取、yolo层、特征解码后输出检测框信息；因检测框有冗余，需要经历yolov4算法使用的DiouNMS过滤检测框；最终在图像上画出缺陷，将图像和缺陷信息再传输给软件端。本发明配合检测软件可以自动检测、自动记录，大量减少人工工作量，提高检测效率；本发明进一步实现工业自动化。
Description
技术领域
本发明涉及一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，属于烟草生产领域。
背景技术
卷烟辅料的缺陷在生产时会大大影响产品质量，因此是生产工艺中必不可少的流程之一。现有技术在检测卷烟辅料纸张缺陷时，需要人工检测缺陷并记录，无智能化设备辅助，人工工作量大，检测效率低。
发明内容
本发明的目的在于提供一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，以进行卷烟辅料纸张缺陷的自动检测、自动记录，大量减少人工工作量，提高检测效率。
本发明采用了如下技术方案：
一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，其特征在于，包括如下步骤：
步骤一、http传输图片数据，对图片数据预处理，算法模块接受图片，对图片解码,将对图片进行保持宽高比的缩放；
步骤二、卷积神经网络提取图片多尺度特征，算法模块Yolov4采用卷积神经网络CSPDarknet53为骨干网络BackBone提取特征；
步骤三、多尺度特征融合，算法模块Yolov4采用SPP、PAN算法为Neck(颈部)来融合不同尺寸特征图的特征信息,其中SPP为空间金字塔池化，是为了增大感受野，以不同大小的块对特征图做对大池化，而在yolov4中为使输出保留空间尺寸大小应用了滑动核，将不同尺寸滑动池化所得的特征图Feature Maps直接连接起来；而PAN是在FPN上增强了自底向上的特征融合，丰富顶层信息；特征图经过卷积、融合后保留三个分支分别送入yolo层；
步骤四、yolo检测头对目标定位，当输入为608*608像素时，三个yolo层分支的输出为(19,19,num_anchor*(num_classes+5))、
(38,38,num_anchor*(num_classes+5))、
(76,76,num_anchor*(num_classes+5))，其中num_anchor是在训练时根据数据集使用K-Means算法回归的先验框的数量；每层yolo具有不同的先验框负责预测不同尺寸，不同形状的预测框；在yolo层中首先对输入图像划分为S*S的网格，每个网格负责检测目标中心落在其中的对象，num_classes为类别数量有8类，具体有划痕、折痕、白边、白点、白线、色差、起泡、脱铝，5代表边框和信息预测值(x,y,w,h,confidence)，其中(x,y)表示边框中心相对网格左上角顶点位置坐标的编码结果，(w,h)代表检测到的目标相对于图片预测宽度和高度的编码结果，confidence代表此框的置信度，其值的大小为预测框和真实框的交并比；
步骤五、对yolo输出的信息进行解码；
步骤六、NMS过滤检测框，NMS算法为非极大值抑制,选取邻域里分值最高的，因此将重叠区域IOU作为定义邻域的阀值；将低于阀值的目标框的置信度置0；因此NMS会暴力过滤掉邻域内其他类别的可能，在yolov4中采用Diou NMS，减少重叠区域检测框被抑制。
进一步，本发明的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，还具有这样的特征：步骤一中，保持宽高比缩放的操作步骤如下：
a.选择接受的原始图片尺寸最长边与输入尺寸608像素的比值为缩放比例；
b.计算原始图像最小边乘缩放比例即为缩放尺寸；
c.使用双线性内插算法将图像缩放到缩放尺寸；
d.对缩放后的最小边两端尺寸填充到608像素。
进一步，本发明的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，还具有这样的特征：步骤一中，在对图片进行保持宽高比的缩放后，在输入神经网络Yolov4前对每个像素值进行归一化，把像素值0-255，归一化到0-1。
进一步，本发明的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，还具有这样的特征：步骤七、将预测信息发送到检测软件并进行展示。
进一步，本发明的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，还具有这样的特征：CSPDarknet53包含CSP结构和Darknet53基础网络。
进一步，本发明的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，还具有这样的特征：步骤四中，算法模块Yolov4采用三个yolo做为检测头输出目标定位信息。
进一步，本发明的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，还具有这样的特征：使用K-Means算法回归的先验框的数量num_anchor为3，代表有三组先验框。
发明的有益效果：本发明的一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，该方法是先采集卷烟辅料纸张的图片，将图片通过HTTP传输给算法服务；算法服务在软件启动时会在后台启动，并加载模型；此时算法服务接收到图片，经过一系列解码、保持宽高比缩放、归一化等操作后会被送入模型推理的阶段；得到的推理结果在模型中经过特征提取、yolo层、特征解码后会输出检测框信息；因检测框有冗余，需要经历yolov4算法使用的Diou NMS过滤检测框；最终的结果需要在图像上画出缺陷，将图像和缺陷信息再传输给软件端。现有检测需要人工检测缺陷并记录，无智能化设备辅助，本发明配合检测软件可以自动检测、自动记录，大量减少人工工作量，提高检测效率；本发明进一步实现工业自动化。
传统方法需要人工，需要大量时间成本和人力成本，并且人工检测缺陷质量参差不齐。本发明利用机器视觉对缺陷进行定位、标记，降低成本的同时提高效率和准确度。卷烟辅料缺陷的低精度的误识别会导致错误标签，在生产时会有误切现象，导致浪费，本发明的方法在大量数据基础上建模，保证了泛化能力，减少浪费。
本发明利用深度学习的卷积神经网络搭建有效的特征提取器，可满足客户定制化需求，如缺陷类型、缺陷认定的阈值；阈值可在检测软件上根据实际情况去调整，符合生产需求。
附图说明
图1是本发明的流程图。
图2是对Yolo输出的信息进行解码的方法示意图。
图3是输入的图像。
图4是经过本发明的方法检测后的图像一。
图5是经过本发明的方法检测后的图像二。
图6是经过本发明的方法检测后的图像三。
具体实施方式
以下结合附图来进一步说明本发明的具体实施方式。
如图1所示，本发明的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，包括步骤：
1)http传输图片数据，对图片数据预处理；
2)卷积神经网络提取图片多尺度特征；
3)多尺度特征融合；
4)yolo检测头对目标定位；
5)对yolo输出的信息进行解码；
6)NMS过滤检测框；
7)将预测信息发送到检测软件，并展示。
步骤1)中，检测软件将图片数据通过http服务传送给算法模块，算法模块接受图片，对图片解码；为满足网络的输入要求以及减少图像畸变，将对图片进行保持宽高比的缩放，缩放至608*608像素，这样可减少对检测结果的影响，与建模时保持一致；保持宽高比缩放的具体操作如下：
a.选择接受的原始图片尺寸最长边与输入尺寸608像素的比值为缩放比例；
b.计算原始图像最小边乘缩放比例即为缩放尺寸；
c.使用双线性内插算法将图像缩放到缩放尺寸；
d.对缩放后的最小边两端填充0至尺寸到608像素；
在输入网络前还需要对每个像素值进行归一化，把像素值0-255，归一化到0-1；这是训练时为了使得神经网络更快收敛同时加快梯度下降的求解速度。
步骤2)算法模块Yolov4采用卷积神经网络CSPDarknet53为骨干网络BackBone提取特征，CSPDarknet53是由CSP:Cross Stage Partial结构加上Darknet53基础网络组成的，在目标检测上有很好的特征提取效果。步骤2中的算法模块已经事先使用已经标记过的样本进行训练，完成了训练的过程。
步骤3)算法模块Yolov4采用SPP、PAN算法为Neck来融合不同尺寸特征图的特征信息,其中SPP为空间金字塔池化，是为了增大感受野，以不同大小的块对特征图做对大池化，而在yolov4中为使输出保留空间尺寸大小应用了滑动核，将不同尺寸滑动池化所得的特征图Feature Maps直接连接起来；而PAN是在FPN上增强了自底向上的特征融合，丰富顶层信息；特征图经过一系列卷积、融合后保留三个分支分别送入yolo层。FPN为特征金字塔的网络结构，以很小的计算量处理好物体检测中的多尺度变化问题。
步骤4)算法模块Yolov4采用三个yolo层做为检测头输出目标定位等信息，当输入为608*608像素时，三个yolo层分支的输出为(19,19,num_anchor*(num_classes+5))、
(38,38,num_anchor*(num_classes+5))、
(76,76,num_anchor*(num_classes+5))，其中num_anchor是在训练时根据数据集使用K-Means算法回归的先验框的数量，这里是3，代表三组先验框；一共有9组，每层yolo会有不同的先验框负责预测不同尺寸，不同形状的预测框；在yolo层中首先对输入图像划分为S*S的网格，每个网格负责检测目标中心落在其中的对象，num_classes为类别数量有8类，具体有划痕、折痕、白边、白点、白线、色差、起泡、脱铝，5代表边框和信息预测值(x,y,w,h,confidence)，(x,y)表示边框中心相对网格左上角顶点位置坐标的编码结果，(w,h)代表检测到的目标相对于图片预测宽度和高度的编码结果，confidence代表此框的置信度，其值的大小为预测框和真实框的交并比。
步骤5)对yolo输出的信息进行解码；如图2所示的(bx,by,bw,bh)：其中bx、by、bw、bh就是边界框相对于feature map的位置和大小；tx、ty这个坐标是相对于对应网格单元的左上角的偏移量，单位是相对于格子的大小，对tx、ty进行Sigmoid是为了将其压缩到[0,1]区间內，可以有效的确保目标中心处于执行预测的网格单元中，防止偏移过多；而图中Cx、Cy是一个格子相对于特征图的坐标；Pw、Ph是预设的先验框anchor box映射到feature map中的宽和高；tw,th是尺度缩放。
confidence置信度解码为Sigmoid即可；类别解码表示此类别的概率同样使用Sigmoid。Sigmoid是激活函数，引入非线性因素；Sigmoid是使用较为广泛的一类激活函数，也称为S型生长曲线，将值域限制在(0，1)之间。
步骤6)NMS算法为非极大值抑制Non-Maximum Suppression,选取邻域里分值最高的，因此将重叠区域IOU作为定义邻域的阀值；将低于阀值的目标框的置信度置0；因此NMS会暴力过滤掉邻域内其他类别的可能，在yolov4中采用Diou NMS，减少重叠区域检测框被抑制。Diou NMS在传统NMS基础上，考虑了两个候选框中心点之间的距离，更精准。
步骤6)将预测信息发送到检测软件，并展示；通过TCP协议将图片和预测信息发送到检测软件，检测软件给出异常提示。
采用生产流程中采集的卷烟辅料纸张图像为实际测试对象，图3是检测软件运行时捕获的原图像举例，图中有很多缺陷。检测软件将图像传输给算法服务端，算法服务端负责检测缺陷。
算法服务端用yolov4算法在缺陷数据集上建模得到的最佳表现的模型，图片接收后经过一系列解码、保持宽高比缩放、归一化等操作后会被送入yolov4模型，并得到缺陷定位信息；得到的推理结果在模型中经过特征提取、yolo层、特征解码后会输出检测框信息；因检测框有冗余，需要经历yolov4算法使用的Diou NMS过滤检测框。当检测到缺陷时，算法端会将缺陷在原图上用矩形框将缺陷画出来；并在缺陷矩形框左上角标记缺陷类型和置信度。
实测结果如图4、5、6所示，图中的矩形框为检测的瑕疵位置，矩形框上是瑕疵类型。
实测结果表明该方法能较好地检验出卷烟辅料纸张中存在的缺陷。
Claims (7)
1.一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，其特征在于，包括如下步骤：
步骤一、http传输图片数据，对图片数据预处理，算法模块接受图片，对图片解码,将对图片进行保持宽高比的缩放；
步骤二、卷积神经网络提取图片多尺度特征，算法模块Yolov4采用卷积神经网络CSPDarknet53为骨干网络BackBone提取特征；
步骤三、多尺度特征融合，算法模块Yolov4采用SPP、PAN算法为Neck(颈部)来融合不同尺寸特征图的特征信息,其中SPP为空间金字塔池化，是为了增大感受野，以不同大小的块对特征图做对大池化，而在yolov4中为使输出保留空间尺寸大小应用了滑动核，将不同尺寸滑动池化所得的特征图Feature Maps直接连接起来；而PAN是在FPN上增强了自底向上的特征融合，丰富顶层信息；特征图经过卷积、融合后保留三个分支分别送入yolo层；
步骤四、yolo检测头对目标定位，当输入为608*608像素时，三个yolo层分支的输出为(19,19,num_anchor*(num_classes+5))、(38,38,num_anchor*(num_classes+5))、(76,76,num_anchor*(num_classes+5))，其中num_anchor是在训练时根据数据集使用K-Means算法回归的先验框的数量；每层yolo具有不同的先验框负责预测不同尺寸，不同形状的预测框；在yolo层中首先对输入图像划分为S*S的网格，每个网格负责检测目标中心落在其中的对象，num_classes为类别数量有8类，具体有划痕、折痕、白边、白点、白线、色差、起泡、脱铝，5代表边框和信息预测值(x,y,w,h,confidence)，其中(x,y)表示边框中心相对网格左上角顶点位置坐标的编码结果，(w,h)代表检测到的目标相对于图片预测宽度和高度的编码结果，confidence代表此框的置信度，其值的大小为预测框和真实框的交并比；
步骤五、对yolo输出的信息进行解码；
步骤六、NMS过滤检测框，NMS算法为非极大值抑制,选取邻域里分值最高的，因此将重叠区域IOU作为定义邻域的阀值；将低于阀值的目标框的置信度置0；因此NMS会暴力过滤掉邻域内其他类别的可能，在yolov4中采用Diou NMS，减少重叠区域检测框被抑制。
2.如权利要示1所述的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，其特征在于：
步骤一中，保持宽高比缩放的操作步骤如下：
a.选择接受的原始图片尺寸最长边与输入尺寸608像素的比值为缩放比例；
b.计算原始图像最小边乘缩放比例即为缩放尺寸；
c.使用双线性内插算法将图像缩放到缩放尺寸；
d.对缩放后的最小边两端尺寸填充到608像素。
3.如权利要示1所述的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，其特征在于：
步骤一中，在对图片进行保持宽高比的缩放后，在输入神经网络Yolov4前对每个像素值进行归一化，把像素值0-255，归一化到0-1。
4.如权利要示1所述的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，其特征在于：
步骤七、将预测信息发送到检测软件并进行展示。
5.如权利要示1所述的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，其特征在于：
CSPDarknet53包含CSP结构和Darknet53基础网络。
6.如权利要示1所述的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，其特征在于：
步骤四中，算法模块Yolov4采用三个yolo做为检测头输出目标定位信息。
7.如权利要示1所述的基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法，其特征在于：
使用K-Means算法回归的先验框的数量num_anchor为3，代表有三组先验框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111189080.6A CN114022412A (zh) | 2021-10-12 | 2021-10-12 | 一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111189080.6A CN114022412A (zh) | 2021-10-12 | 2021-10-12 | 一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114022412A true CN114022412A (zh) | 2022-02-08 |
Family
ID=80055651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111189080.6A Pending CN114022412A (zh) | 2021-10-12 | 2021-10-12 | 一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022412A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681644A (zh) * | 2023-02-03 | 2023-09-01 | 红云红河烟草(集团)有限责任公司 | 基于变分贝叶斯推理的烟支外观缺陷检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20200292462A1 (en) * | 2019-03-15 | 2020-09-17 | Inventec (Pudong) Technology Corporation | Surface defect detection system and method thereof |
| WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
| CN112258446A (zh) * | 2020-08-31 | 2021-01-22 | 洛阳中信成像智能科技有限公司 | 一种基于改进yolo算法的工业零件缺陷检测方法 |
| WO2021098323A1 (zh) * | 2019-11-19 | 2021-05-27 | 清华大学 | 一种基于多模态融合深度学习的布匹缺陷检测方法 |
| CN112967243A (zh) * | 2021-02-26 | 2021-06-15 | 清华大学深圳国际研究生院 | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 |
-
2021
- 2021-10-12 CN CN202111189080.6A patent/CN114022412A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20200292462A1 (en) * | 2019-03-15 | 2020-09-17 | Inventec (Pudong) Technology Corporation | Surface defect detection system and method thereof |
| WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
| WO2021098323A1 (zh) * | 2019-11-19 | 2021-05-27 | 清华大学 | 一种基于多模态融合深度学习的布匹缺陷检测方法 |
| CN112258446A (zh) * | 2020-08-31 | 2021-01-22 | 洛阳中信成像智能科技有限公司 | 一种基于改进yolo算法的工业零件缺陷检测方法 |
| CN112967243A (zh) * | 2021-02-26 | 2021-06-15 | 清华大学深圳国际研究生院 | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 常海涛;苟军年;李晓梅;: "Faster R-CNN在工业CT图像缺陷检测中的应用", 中国图象图形学报, no. 07, 16 July 2018 (2018-07-16) * |
| 胡臣辰;陈贤富;: "基于YOLO改进残差网络结构的车辆检测方法", 信息技术与网络安全, no. 09, 10 September 2020 (2020-09-10) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681644A (zh) * | 2023-02-03 | 2023-09-01 | 红云红河烟草(集团)有限责任公司 | 基于变分贝叶斯推理的烟支外观缺陷检测方法 |
| CN116681644B (zh) * | 2023-02-03 | 2024-01-12 | 红云红河烟草(集团)有限责任公司 | 基于变分贝叶斯推理的烟支外观缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027547B (zh) | 一种针对二维图像中的多尺度多形态目标的自动检测方法 | |
| CN108416377B (zh) | 柱状图中的信息提取方法及装置 | |
| CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
| CN110346699B (zh) | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 | |
| CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
| CN102750538A (zh) | 一种基于图像处理技术的围棋比赛结果分析方法 | |
| CN111737478B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
| CN111461133B (zh) | 快递面单品名识别方法、装置、设备及存储介质 | |
| CN115063785B (zh) | 高速公路场景使用目标识别模型定位车牌的方法及装置 | |
| CN111815528A (zh) | 基于卷积模型和特征融合的恶劣天气图像分类增强方法 | |
| CN114005081A (zh) | 一种烟丝异物智能检测装置及方法 | |
| CN111062331A (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
| CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
| CN114235837A (zh) | 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备 | |
| CN114022412A (zh) | 一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法 | |
| CN113392819B (zh) | 一种批量化学术图像自动分割标注装置和方法 | |
| CN113298767A (zh) | 一种能克服反光现象的围棋图谱可靠识别方法 | |
| CN111950556A (zh) | 一种基于深度学习的号牌印刷质量检测方法 | |
| CN114626445B (zh) | 基于光流网络与高斯背景建模的大坝白蚁视频识别方法 | |
| CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
| CN115661904A (zh) | 数据标注和域适应模型训练方法、装置、设备及介质 | |
| CN115330868A (zh) | 一种基于深度学习与深度信息融合的葡萄采摘方法 | |
| CN115578362A (zh) | 电极涂层的缺陷检测方法、装置、电子设备及介质 | |
| CN115311520A (zh) | 一种基于视觉识别的百香果成熟度检测及定位方法 | |
| CN113205136A (zh) | 一种用于电源适配器外观缺陷的实时高精度检测方法 |
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 |