CN114663385A - 一种基于深度学习的铁路火车轮对表面缺陷检测方法 - Google Patents

一种基于深度学习的铁路火车轮对表面缺陷检测方法 Download PDF

Info

Publication number
CN114663385A
CN114663385A CN202210275042.0A CN202210275042A CN114663385A CN 114663385 A CN114663385 A CN 114663385A CN 202210275042 A CN202210275042 A CN 202210275042A CN 114663385 A CN114663385 A CN 114663385A
Authority
CN
China
Prior art keywords
train wheel
surface defect
defect detection
wheel pair
deep learning
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
Application number
CN202210275042.0A
Other languages
English (en)
Inventor
姚苏恒
马宗钦
何雨春
张费扬
曾勇
卢倩
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.)
Yancheng Institute of Technology
Original Assignee
Yancheng Institute of Technology
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 Yancheng Institute of Technology filed Critical Yancheng Institute of Technology
Priority to CN202210275042.0A priority Critical patent/CN114663385A/zh
Publication of CN114663385A publication Critical patent/CN114663385A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20036—Morphological image processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度学习的铁路火车轮对表面缺陷检测方法，包括以下步骤：(1)通过火车轮对表面缺陷检测系统对火车轮对表面图像采集；(2)对采集的表面图像标注，通过数据增强的方式扩充火车轮对图像，并将增强后的图像数据集划分为训练集、验证集和测试集；(3)建立基于深度学习的火车轮对表面缺陷检测模型，分批次将训练集和验证集输入火车轮对表面缺陷检测模型进行训练，得到训练后的火车轮对表面缺陷检测模型；(4)将测试的数据集输入训练后的火车轮对表面缺陷检测模型，得到测试集图像中缺陷的形状与位置。本发明通过对样本图像的学习，提取样本中的缺陷特征信息，避免了对缺陷图像中存在的细微缺陷漏检，提高了检测精度和检测速度。

Description

一种基于深度学习的铁路火车轮对表面缺陷检测方法
技术领域
本发明涉及的火车轮对表面缺陷检测方法，尤其涉及一种基于深度学习的铁路火车轮对表面缺陷检测方法。
背景技术
铁路运输是物流行业作业链中最核心的一环。随着铁路运输的迅猛发展,对于火车轮对的管理与维护也提出了更加严格的要求。火车轮对的工作环境恶劣并且还伴随着长时间的作业,时常会在火车轮对表面出现裂纹、划痕、凹陷及其它缺陷问题，为此针对火车轮对表面缺陷的检测环节是维护铁路机车安全运营的重要保证。
传统的火车轮对表面缺陷检测方法主要有人工目视检测法和传统的机器视觉检测法两种。人工目视检测法受个人主观因素的影响，检测标准缺少统一性，并且随着长时间高强度作业,会让人产生视觉疲劳，进而检测结果的可靠性,并且这种方法受工作环境影响比较大，使得火车轮对表面缺陷检测工作的质量难以保证。传统的机器视觉检测技术相较于人工检测有速度快、稳定性好、精度高等优点，但该方法需要人为设定图像中缺陷的特征函数。因此，在面对提取多种类目标的特征时，特征提取能力不理想，远远达不到缺陷检测的性能要求，而且现场图像采集过程中容易受到环境噪声的干扰，这也提高了缺陷检测的难度。传统的机器视觉缺陷检测技术受制于特征提取能力和稳定性已经满足不了实际应用的需求。
随着AlexNet的提出以及深度学习技术的发展，虽然深度学习方法在机器视觉领域中已经开始得到了应用，但是现有的深度学习方法对铁路火车轮对表面缺陷识别精度差，并且为了保留学习深层的特征,需要保存海量的参数,进而出现检测效率低的问题。因此，提出一种满足高精度高效率的基于深度学习的铁路火车轮对表面缺陷检测方法成为亟需解决的技术问题。
发明内容
发明目的：针对现有技术中的深度学习缺陷检测模型对小目标缺陷识别精度差，且检测模型为了学习深层的特征而需要保存海量的参数的缺点，本发明提供一种基于深度学习的铁路火车轮对表面缺陷检测方法，该检测方法所建立的火车轮对表面缺陷检测模型基于MobileNetV2网络和U型架构，通过多层级特征密集联接的方式增强表面缺陷检测模型对细微缺陷的特征提取能力，强化模型对不同层级特征的利用度，并且减少了模型参数数量，使得运算量降低。
技术方案：本发明基于深度学习的铁路火车轮对表面缺陷检测方法包括以下步骤：
(1)通过火车轮对表面缺陷检测系统对铁路火车轮对表面图像采集；
(2)对采集到的表面图像进行标注，通过数据增强的方式扩充火车轮对图像，并将增强后的图像数据集划分为训练集、验证集和测试集；
(3)建立基于深度学习的火车轮对表面缺陷检测模型，分批次将训练集和验证集输入火车轮对表面缺陷检测模型进行训练，每批次迭代结束后根据设定的学习率更新模型参数，当模型满足条件时停止训练，并且保存模型参数，得到训练后的火车轮对表面缺陷检测模型；
(4)将测试的数据集输入训练后的火车轮对表面缺陷检测模型，得到测试集图像中缺陷的形状与位置。
步骤(1)中，火车轮对表面缺陷检测系统中的电机驱动相机在导轨上做水平运动，从而实现铁路火车轮对水平线上的图像采集；旋转机构对铁路火车轮对角度调整，每当工业相机采集完一条水平线上的图像时，旋转机构在客户端设定的角度旋转，相机在导轨上由电机驱动完成下一个水平线上的图像采集。相机采集图像通过数据采集卡传入铁路火车轮对表面缺陷检测客户端，并且将检测结果记入数据库中，客户端定期生成铁路火车轮对健康程度报表。
步骤(2)中，通过Labelme对表面图像中的缺陷区域标注，获得带标签的图像数据。
步骤(2)中，通过滑动窗口法对图像数据进行步进裁剪和增强，并通过噪声、旋转和镜像形态学操作来扩充图像数据。
步骤(3)中，基于深度学习的火车轮对表面缺陷检测模型包括按照U型架构排列的编码器和解码器，该编码器由MobileNetV2构成。
MoblieNetV2通过逐点卷积与逐通道卷积进而降低火车轮对表面缺陷检测模型中训练参数的数量。
步骤(3)中，编码器经过多次下采样特征提取得到多张不同尺度的特征图，解码器将尺度与由编码器得到的尺度相同的特征图通过连接与融合的方式对铁路火车轮对表面缺陷信息进行还原，进而对火车轮对表面缺陷检测。
步骤(3)中，训练后的检测模型中的激活函数为GELU函数，如式(1)所示：
Figure BDA0003555517380000021
其中x代表上一级网络的输入量。
训练后的检测模型中的训练损失函数为交叉熵损失，如式(2)所示：
Figure BDA0003555517380000022
其中N为样本数量，y为缺陷图人工标注图像素矩阵，y'为模型预测结果图像素矩阵。
步骤(3)中，基于深度学习的火车轮对表面缺陷检测模型在训练过程中，采用Adam优化算法和反向传播算法对模型参数进行迭代优化，直至模型损失值收敛时，终止训练，保存得到的模型参数。
有益效果：与现有技术相比，本发明具有以下优点：
(1)本发明的基于深度学习的铁路火车轮对表面缺陷检测模型基于轻量化模型MobileNetV2为特征提取网络，网络参数较少，使得检测速度得到保证，检测FPS达到了100，提高了工业级的缺陷检测速度。
(2)本文所采用的铁路火车轮对表面缺陷检测模型中的编码器-解码器采用 U型架构设计，解码器输出结果由编码器不同层级特征融合而成，避免了模型对于缺陷图像中存在的细微缺陷漏检的情况发生，模型检测精度达到98％，提高了工业级缺陷检测精度。
(3)本发明的基于深度学习的火车轮对表面缺陷检测方法相较于传统的基于图像处理的缺陷检测方法，基于深度学习的机器视觉法具有深层的卷积神经网络自动提取目标特征的特性，通过对样本图像的学习，能够自动提取样本中的缺陷特征信息，进而避免了在图像处理过程中对复杂特征的提取。
附图说明
图1为本发明基于深度学习的铁路火车轮对表面缺陷检测方法流程图；
图2为本发明铁路火车轮对表面缺陷检测系统示意图；
图3为本发明基于深度学习的铁路火车轮对表面缺陷检测模型结构示意图；
其中，图3(A)为MobileNetV2 Block 1的结构图；图3(B)为MobileNetV2 Block 2的结构图；图3(C)为火车轮对表面缺陷检测模型结构框图；
图4为本发明铁路火车轮对表面缺陷检测模型检测结果示意图。
具体实施方式
如图1至图4所示，本发明基于深度学习的铁路火车轮对表面缺陷检测方法包括以下过程：
(1)通过火车轮对表面缺陷检测系统对铁路火车轮对2的表面图像采集；该表面缺陷检测系统由硬件和软件两部分组成。硬件包括工业相机3、步进电机 4、图像采集卡、旋转机构1、滑动导轨5和工业计算机6。步进电机4驱动工业相机3在导轨机构1上平移运动，从而实现对铁路火车轮对水平线上的图像采集。
铁路火车轮对图像采集角度调整由旋转机构1实现，每当工业相机完成一条水平线上的图像采集时，旋转机构1按用户在客户端设定的角度旋转，紧接着工业相机在导轨上由步进电机驱动完成下一个水平线上的图像采集。工业相机采集的图像通过数据采集卡传入铁路火车轮对表面缺陷检测客户端，客户端通过铁路火车轮对表面缺陷检测系统对工业相机采集到的图像进行缺陷检测，随后将检测结果记入数据库中，客户端定期生成铁路火车轮对健康程度报表。
(2)对系统采集到的图像中存在的缺陷区域，使用Labelme工具进行人工标注并生成标签图像。人工标注生成的标签图经过开运算与并运算处理，来降低人工标注造成的像素误差。运用滑动窗口来遍历步进裁剪经过上述步骤处理过的数据集，滑动窗口裁剪框大小为512*512，步长为256。向滑动窗口裁剪后的数据集添加随机旋转、镜像和噪声等形态学处理方式来增强数据集。本实施例中，最后将增强后的数据集按照3：1：1的比例划分为训练集、验证集和测试集。
(3)建立基于深度学习的火车轮对表面缺陷检测模型，将训练集和验证集输入火车轮对表面缺陷检测模型进行训练，得到训练后的检测模型。
为了提高火车轮对表面缺陷检测模型的可移植性，将由Python开发的基于深度学习的铁路火车轮对表面缺陷检测模型通过Libtorch软件包转为供C++调用的深度学习模型，以此增强深度学习模型在多平台上的适用性，其中，客户端在Qt Creator平台上开发。具体为：使用Pytorch搭建所需要的基于深度学习的铁路火车轮对表面缺陷检测模型，按批次将训练集和验证集送入深度学习模型训练，每批次迭代后根据设定的学习率来优化模型参数，当模型训练效果达到最优时终止训练，并且保存在验证集上运行结果最优的深度学习模型参数。
该步骤(3)中，铁路火车轮对表面缺陷检测模型结构如图3(C)所示，模型在Pytorch框架上搭建，由编码器和解码器两个模块组成，并按照U型架构组合。
其中，编码器由轻量级特征提取网络MobileNetV2构成，MobileNetV2由MobileNetBlock1和MobileNetBlock2堆叠而成，MobileNetBlock1通过1*1卷积对输入数据增加维度，再使用3*3步长为1的卷积提取特征中的特征，最后使用1*1卷积充当激活函数的作用对特征图进行降维，使得多通道输出结果相互融合；MobileNetBlock2结构与MobileNetBlock1相似，只是在第二层中3*3卷积步长为2对特征图执行下采样操作。
解码器模块由3*3卷积和上采样构成，采取双线性插值法将输入特征图分辨率扩充为原来的两倍，从而逐步恢复检测图像空间信息。
首先输入图像在编码器中经过MobileNetV2网络处理生成特征图，这中间由MobileNetBlock2对输入特征图进行下采样处理，使得特征图分辨率缩小为输入图像的1/2,MobileNetV2网络一共进行5次下采样特征提取分别输出缩小2、4、 8、16、32倍大小的特征图。解码器将尺度与编码器输出特征图尺度相对应的特征图跳跃连接融合，生成一张二维512*512大小的图像，输出图像中像素灰度对应输入图像像素为缺陷或者无缺陷类别的概率值。
其中，基于深度学习的火车轮对表面缺陷检测模型中的激活函数为GELU函数，表达式如式(1)，其中x代表上一级网络的输入量。
Figure BDA0003555517380000051
将训练集和验证集送入搭建好的基于深度学习的火车轮对表面缺陷检测模型中训练，模型训练过程中采用Adam优化算法和反向传播算法对模型参数进行迭代优化，每次迭代后按学习率更新模型参数，直至模型损失值收敛时，终止训练，保存得到的模型参数。
模型训练损失函数为交叉熵损失，表达式如式(2)，其中N为样本数量，y 为缺陷图人工标注图像素矩阵，y'为模型预测结果图像素矩阵。最后将测试集数据送入训练后的铁路火车轮对表面缺陷检测模型，输出图像中缺陷存在的位置信息。
Figure BDA0003555517380000052
(4)对火车轮对表面缺陷数据测试，将火车轮对表面图像输入训练后的火车轮对表面缺陷检测模型，得出检测图像中缺陷存在区域，并与无缺陷区域区别显示，检测结果如图4所示。

Claims (10)

1.一种基于深度学习的铁路火车轮对表面缺陷检测方法，其特征在于：包括以下步骤：
(1)通过火车轮对表面缺陷检测系统对铁路火车轮对表面图像采集；
(2)对采集到的表面图像进行标注，通过数据增强的方式扩充火车轮对图像，并将增强后的图像数据集划分为训练集、验证集和测试集；
(3)建立基于深度学习的火车轮对表面缺陷检测模型，将训练集和验证集输入火车轮对表面缺陷检测模型进行训练，得到训练后的检测模型；
(4)将数据集输入训练后的火车轮对表面缺陷检测模型，得到测试集图像中缺陷的形状与位置。
2.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法，其特征在于：步骤(1)中，火车轮对表面缺陷检测系统中的电机驱动相机移动对火车轮水平线上的图像采集，旋转机构对火车轮对旋转后，相机进行下一个水平线上的图像采集，通过检测客户端对图像进行检测并将检测结果记入数据库。
3.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法，其特征在于：步骤(2)中，通过Labelme对表面图像中的缺陷区域标注，获得带标签的图像数据。
4.根据权利要求3所述的基于深度学习的铁路火车轮对表面缺陷检测方法，其特征在于：步骤(2)中，通过滑动窗口法对所述图像数据进行步进裁剪和增强，并通过噪声、旋转和镜像形态学操作来扩充图像数据。
5.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法，其特征在于：步骤(3)中，所述基于深度学习的火车轮对表面缺陷检测模型包括按照U型架构排列的编码器和解码器，所述编码器由MobileNetV2构成。
6.根据权利要求5所述的基于深度学习的铁路火车轮对表面缺陷检测方法，其特征在于：所述MoblieNetV2通过逐点卷积与逐通道卷积进而降低火车轮对表面缺陷检测模型中训练参数的数量。
7.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法，其特征在于：步骤(3)中，编码器经过多次下采样特征提取得到多张不同尺度的特征图，解码器将尺度与由编码器得到的尺度相同的特征图通过连接与融合的方式对铁路火车轮对表面缺陷信息进行还原，进而对火车轮对表面缺陷检测。
8.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法，其特征在于：步骤(3)中，训练后的检测模型中的激活函数为GELU函数，如式(1)所示：
Figure FDA0003555517370000011
其中x代表上一级网络的输入量。
9.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法，其特征在于：训练后的检测模型中的训练损失函数为交叉熵损失，如式(2)所示：
Figure FDA0003555517370000021
其中N为样本数量，y为缺陷图人工标注图像素矩阵，y'为模型预测结果图像素矩阵。
10.根据权利要求1所述的基于深度学习的铁路火车轮对表面缺陷检测方法，其特征在于：步骤(3)中，基于深度学习的火车轮对表面缺陷检测模型在训练过程中，采用Adam优化算法和反向传播算法对模型参数迭代优化，直至模型损失值收敛时终止训练，保存得到的模型参数。
CN202210275042.0A 2022-03-21 2022-03-21 一种基于深度学习的铁路火车轮对表面缺陷检测方法 Pending CN114663385A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210275042.0A CN114663385A (zh) 2022-03-21 2022-03-21 一种基于深度学习的铁路火车轮对表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210275042.0A CN114663385A (zh) 2022-03-21 2022-03-21 一种基于深度学习的铁路火车轮对表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN114663385A true CN114663385A (zh) 2022-06-24

Family

ID=82031971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210275042.0A Pending CN114663385A (zh) 2022-03-21 2022-03-21 一种基于深度学习的铁路火车轮对表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114663385A (zh)

Similar Documents

Publication Publication Date Title
CN110569841B (zh) 基于卷积神经网络的接触网关键部件目标检测方法
CN110570433B (zh) 基于生成对抗网络的图像语义分割模型构建方法和装置
CN111932511B (zh) 一种基于深度学习的电子元器件质量检测方法与系统
CN113393438B (zh) 一种基于卷积神经网络的树脂镜片缺陷检测方法
CN112233067A (zh) 一种热轧钢卷端面质量检测方法及系统
CN114119480A (zh) 一种基于深度学习的裂纹缺陷检测系统
CN115496746A (zh) 基于图像和点云数据融合的板材表面缺陷检测方法和系统
CN114742818A (zh) 一种基于工业面阵摄像头视觉缺陷检测系统及其检测方法
CN114758329B (zh) 基于深度学习预测热成像图中目标区域温度的系统及方法
CN113780087A (zh) 一种基于深度学习的邮政包裹文本检测方法及设备
CN114972316A (zh) 基于改进YOLOv5的电池壳端面缺陷实时检测方法
CN115937651A (zh) 基于改进的yolov5s网络模型的圆柱滚子表面检测方法及系统
CN116977294A (zh) 基于改进yolo模型的金属表面缺陷检测方法和装置
CN116168117A (zh) 一种面向车险反欺诈的图像生成方法、系统、装置和介质
CN115797970A (zh) 基于YOLOv5模型的密集行人目标检测方法及系统
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
CN113902793A (zh) 基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备
CN113077431A (zh) 基于深度学习的激光芯片缺陷检测方法与系统、设备及存储介质
CN110378167B (zh) 一种基于深度学习的条码图像补正方法
CN114663385A (zh) 一种基于深度学习的铁路火车轮对表面缺陷检测方法
CN117197010A (zh) 一种在激光熔覆加工中进行工件点云融合的方法及装置
CN111612803A (zh) 一种基于图像清晰度的车辆图像语义分割方法
CN115375945A (zh) 一种水面油污识别和污染面积测算方法
CN115239663A (zh) 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质
CN115861160A (zh) 一种手机电源接口表面缺陷检测方法、装置和存储介质

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