CN114332041A - 基于U-Net的抛釉砖表面瑕疵检测方法及装置 - Google Patents
基于U-Net的抛釉砖表面瑕疵检测方法及装置 Download PDFInfo
- Publication number
- CN114332041A CN114332041A CN202111661688.4A CN202111661688A CN114332041A CN 114332041 A CN114332041 A CN 114332041A CN 202111661688 A CN202111661688 A CN 202111661688A CN 114332041 A CN114332041 A CN 114332041A
- Authority
- CN
- China
- Prior art keywords
- image
- net
- training set
- neural network
- tile
- 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
Images
Abstract
本发明涉及基于U‑Net的抛釉砖表面瑕疵检测方法，包括以下：获取瑕疵抛釉瓷砖的样本图像，对采集到的样本图像进行标注得到标签，并对标注后的样本图像随机划分成测试集以及训练集；对训练集进行第一预处理，将第一预处理后的训练集及标签输入U‑Net神经网络，当U‑Net神经网络在训练集上的损失收敛，并且当测试集进行测试合格时，得到第一检测模型；获取目标瓷砖图像，对目标瓷砖图像进行第二预处理后输入所述第一检测模型得到预测的分割结果；对分割结果进行总结，完成瑕疵检测。本发明采用U‑net深度神经网络，对瓷砖的瑕疵部分使focal loss损失进行训练，增强对瓷砖的针孔、裂痕、落脏等小瑕疵的识别能力，实现了瓷砖瑕疵高精度检测。
Description
技术领域
本发明涉及抛釉砖缺陷检测技术领域，尤其涉及基于U-Net的抛釉砖表面瑕疵检测方法及装置。
背景技术
抛釉瓷砖在生产制造与运输的过程中容易发生机械碰撞导致裂痕、崩边、针孔、落脏等瑕疵，因此需要对最后出厂前的瓷砖进行检测并过滤具有瑕疵的瓷砖。
当今市场采取的做法往往主要是通过经验丰富的工人进行人工筛查，这种方式往往存在效率低、成本高等问题；传统的图像处理算法应用在这种情况时又会存在精度不高、调试困难的问题。
发明内容
本发明的目的是为了至少解决现有技术的不足之一，提供基于U-Net的抛釉砖表面瑕疵检测方法及装置。
为了实现上述目的，本发明采用以下的技术方案：
具体的，提出基于U-Net的抛釉砖表面瑕疵检测方法，包括以下：
获取瑕疵抛釉瓷砖的样本图像，对采集到的样本图像进行标注得到标签，并对标注后的样本图像随机划分成测试集以及训练集；
对训练集进行第一预处理，将第一预处理后的训练集及标签输入U-Net神经网络，当所述U-Net神经网络在训练集上的损失收敛，并且当测试集进行测试合格时，得到第一检测模型；
获取目标瓷砖图像，对所述目标瓷砖图像进行第二预处理后输入所述第一检测模型得到预测的分割结果；
根据所述分割结果计算每一类瑕疵的面积大小，将面积大小小于第一阈值像素以下的瑕疵去除，对剩下的瑕疵进行统计，完成瑕疵检测。
进一步，具体的，所述第一预处理操作包括，
图像分割，所述图像分割操作用于将训练集中的图像样本分割成小图块；
所述图像增强操作包括图像正则化、图像随机角度翻转和镜像、随机剪裁和高斯模糊；
LBP算法，用于针对溶洞、划痕类小瑕疵进行处理输出有区分度的像素级的二值图像；
Canny边缘检测，用于针对色彩不均、崩角类大缺陷进行处理获得带有边缘的二值图像。
进一步，具体的，在将预处理后的训练集及标签输入U-Net神经网络时，控制每个batch输入的具有瑕疵的样本以及无瑕疵的背景各占每个batch的一半。
进一步，具体的，所述U-Net神经网络的输入图像为512x512的三通道彩色瓷砖图像，输出图像为512x512x7的卷积模块，其中7个通道输出的值对应着背景和6种缺陷的预测概率，在预测过程中通过argmax函数获取7个通道中的获得最大值所对应的通道，该通道即为预测的类别，另外U-Net神经网络除了图像输入神经网络的第一个卷积步骤和网络最后输出图像的步骤使用1x1的卷积核，其余的卷积模块均使用3x3的卷积核，上采样模块使用双线性插值实现，下采样模块使用最大池化实现。
进一步，具体的，所述第一检测模型的训练细节包括以下，
损失函数采用focal损失函数，其公式如下所示：
Lossfocal＝-(1-α)zγlogz-α(1-z)γlog(1-z)，
其中，z为U-Net神经网络最后的输出参数，γ和α为针对类别不平衡的参数，γ取3，α取0.25；
训练策略使用Adam的梯度下降方法进行训练，每次输入批次大小为16，学习率设置为0.001，采用warmup的方式训练第一个epoch，并在测试集的精度达到95％时停止训练。
进一步，具体的，所述第二预处理操作包括，
图像分割，所述图像分割操作用于将训练集中的图像样本分割成小图块；
图像正则化处理；
LBP算法，用于针对溶洞、划痕类小瑕疵进行处理输出有区分度的像素级的二值图像；
Canny边缘检测，用于针对色彩不均、崩角类大缺陷进行处理获得带有边缘的二值图像。
本发明还提出基于U-Net的抛釉砖表面瑕疵检测装置，包括：
样本收集模块，用于获取瑕疵抛釉瓷砖的样本图像，对采集到的样本图像进行标注得到标签，并对标注后的样本图像随机划分成测试集以及训练集；
训练模块，用于对训练集进行第一预处理，将第一预处理后的训练集及标签输入U-Net神经网络，当所述U-Net神经网络在训练集上的损失收敛，并且当测试集进行测试合格时，得到第一检测模型；
目标图像获取模块，用于获取目标瓷砖图像，对所述目标瓷砖图像进行第二预处理后输入所述第一检测模型得到预测的分割结果；
结果统计模块，用于根据所述分割结果计算每一类瑕疵的面积大小，将面积大小小于第一阈值像素以下的瑕疵去除，对剩下的瑕疵进行统计，完成瑕疵检测。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如以上任一项所述基于U-Net的抛釉砖表面瑕疵检测方法的步骤。
本发明的有益效果为：
本发明提出基于U-Net的抛釉砖表面瑕疵检测方法，本发明采用U-net深度神经网络，对瓷砖的瑕疵部分使focal loss损失进行训练，增强对瓷砖的针孔、裂痕、落脏等小瑕疵的识别能力，实现了瓷砖瑕疵高精度检测。同时该方法可以适应多种类、具有较为复杂的纹理的抛釉瓷砖，相比与传统算法更加方便于设计于调整。利用深度学习的方法进行瑕疵检测，可以减少工人的劳动成本并且长时间运作，提高企业的生产效率。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为本发明基于U-Net的抛釉砖表面瑕疵检测方法的运行流程图；
图2所示为本发明基于U-Net的抛釉砖表面瑕疵检测方法所使用的U-Net神经网络模块框图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
参照图1以及图2，实施例1，本发明提出基于U-Net的抛釉砖表面瑕疵检测方法，包括以下：
获取瑕疵抛釉瓷砖的样本图像，对采集到的样本图像进行标注得到标签，并对标注后的样本图像随机划分成测试集以及训练集；
对训练集进行第一预处理，将第一预处理后的训练集及标签输入U-Net神经网络，当所述U-Net神经网络在训练集上的损失收敛，并且当测试集进行测试合格时，得到第一检测模型；
获取目标瓷砖图像，对所述目标瓷砖图像进行第二预处理后输入所述第一检测模型得到预测的分割结果；
根据所述分割结果计算每一类瑕疵的面积大小，将面积大小小于第一阈值像素以下的瑕疵去除，对剩下的瑕疵进行统计，完成瑕疵检测。
在进行训练数据的获取时，使用16K线扫CCD采集瓷砖样本数据，将其分为训练集和测试集，将训练集瓷砖图像输入到教师网络训练。当训练的模型对测试集瓷砖的瑕疵检测精度达到设置阈值要求时，即可将训练模型用于预测。采集得到的瑕疵抛釉瓷砖样本图像大小为16384x16384的图像，通过图像处理切割为512x512的小图块。最后对图像块的各种瑕疵面积进行统计，将面积小于2x2像素以下的瑕疵去除，其余的瑕疵则进行最后的统计。
作为本发明的优选实施方式，具体的，所述第一预处理操作包括，
图像分割，所述图像分割操作用于将训练集中的图像样本分割成小图块；
所述图像增强操作包括图像正则化、图像随机角度翻转和镜像、随机剪裁和高斯模糊；
LBP算法，用于针对溶洞、划痕类小瑕疵进行处理输出有区分度的像素级的二值图像；
Canny边缘检测，用于针对色彩不均、崩角类大缺陷进行处理获得带有边缘的二值图像。
在本优选实施方式中，通过传统的LBP算法以及Canny边缘检测算法将原图图像出来，分别输入神经网络，LBP算法针对对溶洞、划痕等小瑕疵更容易输出有区分度的像素级的二值图像，Canny边缘检测针对色彩不均、崩角等面积较大缺陷容易获得的带有边缘的二值图，通过以上图像作为注意力加入到Unet网络里面，让其对更有效的进行检测。
作为本发明的优选实施方式，具体的，在将预处理后的训练集及标签输入U-Net神经网络时，控制每个batch输入的具有瑕疵的样本以及无瑕疵的背景各占每个batch的一半。
作为本发明的优选实施方式，具体的，所述U-Net神经网络的输入图像为512x512的三通道彩色瓷砖图像，输出图像为512x512x7的卷积模块，其中7个通道输出的值对应着背景和6种缺陷的预测概率，在预测过程中通过argmax函数获取7个通道中的获得最大值所对应的通道，该通道即为预测的类别，另外U-Net神经网络除了图像输入神经网络的第一个卷积步骤和网络最后输出图像的步骤使用1x1的卷积核，其余的卷积模块均使用3x3的卷积核，上采样模块使用双线性插值实现，下采样模块使用最大池化实现。
作为本发明的优选实施方式，具体的，所述第一检测模型的训练细节包括以下，
损失函数采用focal损失函数，其公式如下所示：
Lossfocal＝-(1-α)zγlogz-α(1-z)γlog(1-z)，
其中，z为U-Net神经网络最后的输出参数，γ和α为针对类别不平衡的参数，γ取3，α取0.25；
训练策略使用Adam的梯度下降方法进行训练，每次输入批次大小为16，学习率设置为0.001，采用warmup的方式训练第一个epoch，并在测试集的精度达到95％时停止训练。
在本优选实施方式中，采用的Focal loss损失代替交叉熵损失，当出现色彩不均、崩角等面积的大缺陷时，其效果类似于交叉熵并没有太大变化。
但当出现磨花、溶洞等小瑕疵时，其面积远小于正常背景的面积，此时使用交叉熵计算损失容易丢失缺陷，因此针对这种情况，采用的Focal loss损失可以根据该瓷砖图像的类别，减少易分类瓷砖背景的权重而增加对未能分类的缺陷的权重，让U-Net神经网络达到能兼顾到小面积的瑕疵。
工业生产中，人工和机器都难以区分的瓷砖的瑕疵很大部分是这种细小瑕疵，通过以上对U-Net的改进可以让瓷砖瑕疵分割更为准确、对瑕疵的训练更加有效与快速。
作为本发明的优选实施方式，具体的，所述第二预处理操作包括，
图像分割，所述图像分割操作用于将训练集中的图像样本分割成小图块；
图像正则化处理；
LBP算法，用于针对溶洞、划痕类小瑕疵进行处理输出有区分度的像素级的二值图像；
Canny边缘检测，用于针对色彩不均、崩角类大缺陷进行处理获得带有边缘的二值图像。
本发明还提出基于U-Net的抛釉砖表面瑕疵检测装置，包括：
样本收集模块，用于获取瑕疵抛釉瓷砖的样本图像，对采集到的样本图像进行标注得到标签，并对标注后的样本图像随机划分成测试集以及训练集；
训练模块，用于对训练集进行第一预处理，将第一预处理后的训练集及标签输入U-Net神经网络，当所述U-Net神经网络在训练集上的损失收敛，并且当测试集进行测试合格时，得到第一检测模型；
目标图像获取模块，用于获取目标瓷砖图像，对所述目标瓷砖图像进行第二预处理后输入所述第一检测模型得到预测的分割结果；
结果统计模块，用于根据所述分割结果计算每一类瑕疵的面积大小，将面积大小小于第一阈值像素以下的瑕疵去除，对剩下的瑕疵进行统计，完成瑕疵检测。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如以上任一项所述基于U-Net的抛釉砖表面瑕疵检测方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例中的方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包括的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (8)
1.基于U-Net的抛釉砖表面瑕疵检测方法，其特征在于，包括以下：
获取瑕疵抛釉瓷砖的样本图像，对采集到的样本图像进行标注得到标签，并对标注后的样本图像随机划分成测试集以及训练集；
对训练集进行第一预处理，将第一预处理后的训练集及标签输入U-Net神经网络，当所述U-Net神经网络在训练集上的损失收敛，并且当测试集进行测试合格时，得到第一检测模型；
获取目标瓷砖图像，对所述目标瓷砖图像进行第二预处理后输入所述第一检测模型得到预测的分割结果；
根据所述分割结果计算每一类瑕疵的面积大小，将面积大小小于第一阈值像素以下的瑕疵去除，对剩下的瑕疵进行统计，完成瑕疵检测。
2.根据权利要求1所述的基于U-Net的抛釉砖表面瑕疵检测方法，其特征在于，具体的，所述第一预处理操作包括，
图像分割，所述图像分割操作用于将训练集中的图像样本分割成小图块；
所述图像增强操作包括图像正则化、图像随机角度翻转和镜像、随机剪裁和高斯模糊；
LBP算法，用于针对溶洞、划痕类小瑕疵进行处理输出有区分度的像素级的二值图像；
Canny边缘检测，用于针对色彩不均、崩角类大缺陷进行处理获得带有边缘的二值图像。
3.根据权利要求1所述的基于U-Net的抛釉砖表面瑕疵检测方法，其特征在于，具体的，在将预处理后的训练集及标签输入U-Net神经网络时，控制每个batch输入的具有瑕疵的样本以及无瑕疵的背景各占每个batch的一半。
4.根据权利要求1所述的基于U-Net的抛釉砖表面瑕疵检测方法，其特征在于，具体的，所述U-Net神经网络的输入图像为512x512的三通道彩色瓷砖图像，输出图像为512x512x7的卷积模块，其中7个通道输出的值对应着背景和6种缺陷的预测概率，在预测过程中通过argmax函数获取7个通道中的获得最大值所对应的通道，该通道即为预测的类别，另外U-Net神经网络除了图像输入神经网络的第一个卷积步骤和网络最后输出图像的步骤使用1x1的卷积核，其余的卷积模块均使用3x3的卷积核，上采样模块使用双线性插值实现，下采样模块使用最大池化实现。
5.根据权利要求1所述的基于U-Net的抛釉砖表面瑕疵检测方法，其特征在于，具体的，所述第一检测模型的训练细节包括以下，
损失函数采用focal损失函数，其公式如下所示：
Lossfocal＝-(1-α)zγlogz-α(1-z)γlog(1-z)，
其中，z为U-Net神经网络最后的输出参数，γ和α为针对类别不平衡的参数，γ取3，α取0.25；
训练策略使用Adam的梯度下降方法进行训练，每次输入批次大小为16，学习率设置为0.001，采用warmup的方式训练第一个epoch，并在测试集的精度达到95％时停止训练。
6.根据权利要求1所述的基于U-Net的抛釉砖表面瑕疵检测方法，其特征在于，具体的，所述第二预处理操作包括，
图像分割，所述图像分割操作用于将训练集中的图像样本分割成小图块；
图像正则化处理；
LBP算法，用于针对溶洞、划痕类小瑕疵进行处理输出有区分度的像素级的二值图像；
Canny边缘检测，用于针对色彩不均、崩角类大缺陷进行处理获得带有边缘的二值图像。
7.基于U-Net的抛釉砖表面瑕疵检测装置，其特征在于，包括：
样本收集模块，用于获取瑕疵抛釉瓷砖的样本图像，对采集到的样本图像进行标注得到标签，并对标注后的样本图像随机划分成测试集以及训练集；
训练模块，用于对训练集进行第一预处理，将第一预处理后的训练集及标签输入U-Net神经网络，当所述U-Net神经网络在训练集上的损失收敛，并且当测试集进行测试合格时，得到第一检测模型；
目标图像获取模块，用于获取目标瓷砖图像，对所述目标瓷砖图像进行第二预处理后输入所述第一检测模型得到预测的分割结果；
结果统计模块，用于根据所述分割结果计算每一类瑕疵的面积大小，将面积大小小于第一阈值像素以下的瑕疵去除，对剩下的瑕疵进行统计，完成瑕疵检测。
8.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111661688.4A CN114332041A (zh) | 2021-12-31 | 2021-12-31 | 基于U-Net的抛釉砖表面瑕疵检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111661688.4A CN114332041A (zh) | 2021-12-31 | 2021-12-31 | 基于U-Net的抛釉砖表面瑕疵检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114332041A true CN114332041A (zh) | 2022-04-12 |
Family
ID=81019907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111661688.4A Pending CN114332041A (zh) | 2021-12-31 | 2021-12-31 | 基于U-Net的抛釉砖表面瑕疵检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114332041A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274249A (zh) * | 2023-11-20 | 2023-12-22 | 江西省中鼐科技服务有限公司 | 一种基于人工智能图像技术的瓷砖外观检测方法及系统 |
| CN117523307A (zh) * | 2023-11-24 | 2024-02-06 | 佛山众陶联供应链服务有限公司 | 基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统 |
-
2021
- 2021-12-31 CN CN202111661688.4A patent/CN114332041A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274249A (zh) * | 2023-11-20 | 2023-12-22 | 江西省中鼐科技服务有限公司 | 一种基于人工智能图像技术的瓷砖外观检测方法及系统 |
| CN117274249B (zh) * | 2023-11-20 | 2024-03-01 | 江西省中鼐科技服务有限公司 | 一种基于人工智能图像技术的瓷砖外观检测方法及系统 |
| CN117523307A (zh) * | 2023-11-24 | 2024-02-06 | 佛山众陶联供应链服务有限公司 | 基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统 |
| CN117523307B (zh) * | 2023-11-24 | 2024-04-19 | 佛山众陶联供应链服务有限公司 | 基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
| CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
| CN114332041A (zh) | 基于U-Net的抛釉砖表面瑕疵检测方法及装置 | |
| CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
| CN108961230B (zh) | 结构表面裂缝特征的识别与提取方法 | |
| CN110766017B (zh) | 基于深度学习的移动终端文字识别方法及系统 | |
| CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN114022403A (zh) | 检测显示面板不良的方法及装置 | |
| CN111612747B (zh) | 产品表面裂缝快速检测方法及检测系统 | |
| CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
| CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
| CN117094916B (zh) | 一种市政桥梁支座视觉检测方法 | |
| CN112270658A (zh) | 一种基于机器视觉的电梯钢丝绳检测方法 | |
| CN109064479B (zh) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 | |
| CN108986055B (zh) | 一种鸡蛋蛋壳表面细微裂纹的视觉检测方法 | |
| CN113012153A (zh) | 一种铝型材瑕疵检测方法 | |
| EP2575350A2 (en) | Method for brightness correction of defective pixels of digital monochrome image | |
| CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
| CN110490868B (zh) | 一种基于计算机视觉玉米穗粒数的无损计数方法 | |
| CN110298347B (zh) | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 | |
| CN111753572A (zh) | 一种基于深度学习的复杂背景低质量二维条码检测方法 |
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 |