CN114677338A - 一种基于机器视觉的线缆表面缺陷实时检测方法和系统 - Google Patents

一种基于机器视觉的线缆表面缺陷实时检测方法和系统 Download PDF

Info

Publication number
CN114677338A
CN114677338A CN202210241575.7A CN202210241575A CN114677338A CN 114677338 A CN114677338 A CN 114677338A CN 202210241575 A CN202210241575 A CN 202210241575A CN 114677338 A CN114677338 A CN 114677338A
Authority
CN
China
Prior art keywords
cable
defect
real
detection
image
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
CN202210241575.7A
Other languages
English (en)
Inventor
陈俊风
姜云逸
杜静静
李庆武
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202210241575.7A priority Critical patent/CN114677338A/zh
Publication of CN114677338A publication Critical patent/CN114677338A/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (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机器视觉的线缆表面缺陷实时检测方法和系统，其中的检测方法包括步骤：1、构建线缆缺陷检测网络，所述网络包括：并行的三路特征提取分支，所述三路特征提取分支的输入均为线缆表面图像，输出均为提取的图像特征；三路特征提取分支的输出按不同权重级联后依次输入三层全连接层获取缺陷分类，输出线缆表面图像是否有缺陷；2、采用训练集对所述线缆缺陷检测网络进行训练；3、采用测试集对训练后的线缆缺陷检测网络进行调优；如准确率和召回率不符合预设的要求，则进行再次训练；4、实时采集线缆表面图像，输入到训练好的线缆缺陷检测网络中，获取检测结果。该方法能够提取线缆表面图像的缺陷特征，进而提升检测的准确率。

Description

一种基于机器视觉的线缆表面缺陷实时检测方法和系统
技术领域
本发明属于线缆表面缺陷实时检测技术领域，具体涉及一种基于机器视觉的线缆表面缺陷实时检测方法和系统。
背景技术
为传输电能、磁能与信息，实现电磁能的转换，线缆在工业界的地位至关重要。线缆产品在国民经济的各个部门产生了巨大的经济效益，保证了现代经济社会的飞速发展，为诸多建设工程提供了不可或缺的配套支持。但线缆生产工艺复杂，过程繁多，影响其表面质量的因素也有很多，这将不可避免地造成线缆表面出现缺陷。这些缺陷在影响用途的同时，还可能造成严重的安全隐患，不容小视。因此，对线缆表面缺陷的实时检测是防止危险产生的关键，提高线缆表面缺陷的实时检测效率十分重要，需要真正实现对线缆表面的缺陷进行实时检测，及时对所响应的故障进行高效检修。
公开号为CN112697206A的中国专利文献，公开了一种线缆表面缺陷检测装置。该装置利用扇形齿轮与齿条的配合对已经传输出去的线缆进行长度计数，保证每条线缆处于一定长度。通过内置刮板对线缆的表面缺陷进行检测，使用推板和刀片的配合对缺陷部分进行切除。
公开号为CN209043824U的中国专利文献，公开了一种线缆表面缺陷检测仪。该缺陷检测仪使用检测箱体、支架、编码器计米轮和中央处理单元对线缆表面缺陷进行检测，整体结构简单，减少出现漏检的情形。
上述专利文献中的技术方案总体生产成本较高，有的需要人工直接参与，不能实现完全的自动化。此外，现实情况往往复杂多变，仅仅在检测装置结构上改进难以满足在现实中复杂情况下高效处理线缆表面缺陷的要求。
在基于机器视觉的检测方法中，采集到的线缆表面图像会存在一定的冗余信息，因此从中提取特征十分关键。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种线缆表面缺陷实时检测方法和系统，该方法能够提取线缆表面图像的缺陷特征，进而提升检测的准确率。
技术方案：本发明一方面公开了一种基于机器视觉的线缆表面缺陷实时检测方法，包括步骤：
S1、构建线缆缺陷检测网络，所述网络包括：并行的三路特征提取分支，所述三路特征提取分支的输入均为线缆表面图像，输出均为提取的图像特征；三路特征提取分支的输出按不同权重级联后依次输入三层全连接层获取缺陷分类，输出线缆表面图像是否有缺陷；
所述三路特征提取分支的每一个支路均包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层；所述第一卷积层包括多个卷积子层；所述第二卷积层为ECA-Net；
S2、采用训练集对所述线缆缺陷检测网络进行训练，所述训练集为带有缺陷类别标签的线缆表面图像；训练的目标为最小化合页损失函数；
S3、采用测试集对训练后的线缆缺陷检测网络进行调优，所述测试集为带有缺陷类别标签的线缆表面图像；如准确率和召回率不符合预设的要求，则再次执行S2，进行再次训练；
S4、实时采集线缆表面图像，输入到训练好的线缆缺陷检测网络中，获取检测结果。
进一步地，所述三路特征提取分支中的第一卷积层中的卷积核采用基于二维主成分分析方法进行初始化；采用均衡归一化方法调节卷积子层间权重Wh,i,j的比例；其中Wh,i,j表示第h层卷积子层中第i个卷积核的第j个窗口的权值，所有的偏移量都初始化为0；激活函数采用Tanh或ReLU。
进一步地，所述三路特征提取分支中的第一池化层和第二池化层的池化类型均为最大池化，执行最大池化的树池分别是13x13、9x9、5x5、1x1；四个尺度池化后的结果进行做融合作为池化层的输出。
进一步地，所述三路特征提取支路的权重值采用反向传播算法自学习确定。
进一步地，所述三路特征提取分支中的第二卷积层中ECA-Net的一维卷积核k的大小为：
Figure BDA0003542301630000021
其中C为通道维数，|·odd为获取最近的奇数运算符，γ与b均为预设的正整数；所述三路特征提取分支中，第一分支中γ与b取值为1与1，第二分支中γ与b取值为2与1，第三分支中γ与b取值为3与2。
另一方面，本发明还公开了一种基于机器视觉的线缆表面缺陷实时检测系统，包括：
图像采集装置，用于实时采集线缆表面图像；
检测控制装置，用于控制线缆运动，以及控制图像采集装置的拍摄频率；
线缆表面缺陷检测装置，用于对图像采集装置采集的线缆表面图像进行缺陷检测；所述线缆表面缺陷检测装置采用上述的线缆表面缺陷实时检测方法获取缺陷检测结果。
图像采集装置与检测控制装置配合来实时获取线缆表面图像，二者的配合有如下两种方式：
方式一：所述图像采集装置为一组固定的阵列摄像机；所述检测控制装置包括伺服电机和控制器，所述伺服电机带动线缆旋转，所述控制器用于控制线缆的旋转角速度和图像采集装置的拍摄频率，使线缆旋转一周图像采集装置拍摄多幅图像，所述多幅图像完整覆盖线缆一周的表面。
方式二：所述图像采集装置包括多组阵列摄像机，所述多组阵列摄像机沿待检测线缆的径向围绕线缆设置，从多个角度采集线缆表面图像，所述多个角度拍摄的图像完整覆盖线缆一周的表面；
所述检测控制装置控制多组阵列摄像机同步拍摄待检测线缆的表面图像。
进一步地，所述图像采集装置还包括光源。
进一步地，所述线缆表面缺陷检测装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的线缆表面缺陷实时检测方法。
有益效果：本发明公开线缆表面缺陷实时检测方法和系统使用卷积神经网络(CNN)提取线缆表面缺陷的多种特征，通过对卷积核进行二维主成分分析初始化，引入注意力机制模块ECA-Net注意力机制，利用四个不同尺度的最大池化进行处理，从而改进卷积神经网络(CNN)，提高线缆表面缺陷的检测效率，显著提升了检测系统的抗干扰能力以及算法运行速度。与传统的线缆表面缺陷检测系统相比，本发明在降低线缆表面缺陷实时检测难度的同时，保证目标检测准确率和效果，显著提升检测速度。其次，本发明使得线缆表面缺陷实时检测系统稳定性得到大幅提高，整体拥有更强的鲁棒性，减少检测过程中由于系统受干扰而漏检的情况。
附图说明
图1为本发明公开的基于机器视觉的线缆表面缺陷实时检测方法的流程图；
图2为线缆缺陷检测网络的结构示意图；
图3为最大池化的树池示意图；
图4为ECA-Net的结构示意图；
图5为线缆缺陷检测网络的测试流程图；
图6为本发明公开的基于机器视觉的线缆表面缺陷实时检测系统的组成示意图；
图7a和图7b分别为图像采集装置与检测控制装置采用方式一的结构和应用示意图；
图8a和图8b分别为图像采集装置与检测控制装置采用方式二的结构和应用示意图；
图9为图像采集装置设置光源的示意图；
图10为线缆表面缺陷检测装置的组成示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
本发明公开了一种基于机器视觉的线缆表面缺陷实时检测方法，如图1所示，包括步骤：
S1、构建线缆缺陷检测网络，如图2所示，所述网络包括：并行的三路特征提取分支，所述三路特征提取分支的输入均为线缆表面图像，输出均为提取的图像特征；三路特征提取分支的输出按不同权重级联后依次输入三层全连接层获取缺陷分类，输出线缆表面图像是否有缺陷；
所述三路特征提取分支的每一个支路均包括依次连接的第一卷积层(卷积层n1)、第一池化层(池化层n1)、第二卷积层(卷积层n2)、第二池化层(池化层n2)，其中n＝1,2,3，表示支路的序号；
所述第一卷积层包括多个卷积子层，每个卷积子层的卷积核采用基于二维主成分分析(2D-PCA)方法进行初始化；采用均衡归一化方法调节卷积子层间权重Wh,i,j的比例；其中Wh,i,j表示第h层卷积子层中第i个卷积核的第j个窗口的权值，h＝1,2,…,H，i＝1,2,…,I，j＝1,2,…,J，H为卷积子层的总数量，I为一个卷积子层中卷积核的总数量，J为卷积核中窗口的总数量；所有的偏移量都初始化为0；激活函数采用Tanh或ReLU。
所述三路特征提取分支中的第一池化层和第二池化层的池化类型均为最大池化，执行最大池化的树池分别是13x13、9x9、5x5、1x1，如图3所示；四个尺度池化后的结果进行做融合作为池化层的输出，以此提升整体池化效率。
所述三路特征提取支路的权重值w1,w2,w3采用反向传播算法自学习确定。
所述第二卷积层为ECA-Net(Efficient Channel Attention for DeepConvolutional Neural Networks))，其结构如图4所示。该模块将SE-Net(Squeeze-and-Excitation Networks)的Excitation操作中两个全连接层之间的降维操作省去，进而使其轻量化，其中所采用的跨信道交互能够显著的减少计算负担并提高计算性能。
ECA-Net主要是通过以标量k为大小的一维卷积核来考虑某个通道以及和之相邻的k个通道，从而实现获取跨通道交互信息；为降低时间成本，尽可能避免对k值进行手动调参；为使数据之间的关系尽可能全面，本方法中ECA-Net采用的映射函数C使用2的整数次幂进行表示：
Figure BDA0003542301630000051
故，一维卷积核k的大小：
Figure BDA0003542301630000052
其中C为通道维数，|·odd为获取最近的奇数运算符，γ与b均为预设的正整数；所述三路特征提取分支中，第一分支中γ与b取值为1与1，第二分支中γ与b取值为2与1，第三分支中γ与b取值为3与2，进而得到三组不同的卷积层，作为三个支路中卷积层21、22、23。
三层全连接层的最后一层得到输入的线缆表面图像是否有缺陷的结果，即最后是一个二分类结果。
S2、采用训练集对所述线缆缺陷检测网络进行训练，所述训练集为带有缺陷类别标签的线缆表面图像；训练的目标为最小化合页损失函数；
本实施例中采用的人工添加标签的线缆表面图像构成样本集，选择其中的90％作为训练集，其余10％作为测试集。训练集中的训练样本输入线缆缺陷检测网络中，通过三路特征提取支路获取三个维度的特征；接着采用不同的权重进行级联，使得整个网络深度和泛化能力得到提高。其后，通过3层全连接层进行分类。最后，计算误差函数，判断计算得到的误差是否满足预定目标，如果没有满足，则对数据继续进行训练。如果满足，则结束模型训练。
S3、采用测试集对训练后的线缆缺陷检测网络进行调优，所述测试集为带有缺陷类别标签的线缆表面图像；
为了测试模型的检测效果，本实施例采用测试集对模型进行测试以及调优，从而使模型获得更好的泛化能力和更优良的性能。本发明使用测试集进行前向计算，最终获得进行标签比对的是否有缺陷的分类结果，如图5所示。首先，将测试集中的样本图像输入训练好的线缆缺陷检测网络中。测试样本依次通过本发明中经过改进的神经网络中的卷积层n1、池化层n1、卷积层n2以及池化层n2进行特征提取，其后分别按照权重w1,w2,w3进行级联。最后，通过3层全连接层输出分类结果，根据输出结果判断线缆表面是否有缺陷，并将测试数据的分类预测结果与原先进行人工区分的标签信息进行比对，进而计算检测网络的准确率(Precise)和召回率(Recall)。
准确率(Precise)和召回率(Recall)的计算公式，如下所示：
Figure BDA0003542301630000061
Figure BDA0003542301630000062
其中，TP为将有缺陷的线缆图像预测为有缺陷的线缆图像的数目，FP为将无缺陷的线缆图像预测为有缺陷的线缆图像的数目，FN为将有缺陷的线缆图像预测为无缺陷的线缆图像。
如准确率和召回率不符合预设的要求，则再次执行S2，进行再次训练以对网络参数进行进一步优化。
S4、实时采集线缆表面图像，输入到训练好的线缆缺陷检测网络中，获取检测结果。
本发明还公开了一种基于机器视觉的线缆表面缺陷实时检测系统，如图6所示，包括：
图像采集装置1，用于实时采集线缆表面图像；
检测控制装置2，用于控制线缆运动，以及控制图像采集装置的拍摄频率；
线缆表面缺陷检测装置3，用于对图像采集装置采集的线缆表面图像进行缺陷检测；所述线缆表面缺陷检测装置采用上述的线缆表面缺陷实时检测方法获取缺陷检测结果。
图像采集装置与检测控制装置配合来实时获取线缆表面图像，二者的配合有如下两种方式：
方式一：如图7a所示，所述图像采集装置为一组固定的阵列摄像机；所述检测控制装置包括伺服电机和控制器，所述伺服电机带动线缆旋转，所述控制器用于控制线缆的旋转角速度和图像采集装置的拍摄频率，使线缆旋转一周图像采集装置拍摄多幅图像，所述多幅图像完整覆盖线缆一周的表面，应用场景如图7b所示。
方式二：如图8a和图8b所示，所述图像采集装置包括多组阵列摄像机，所述多组阵列摄像机沿待检测线缆的径向围绕线缆设置，从多个角度采集线缆表面图像，所述多个角度拍摄的图像完整覆盖线缆一周的表面；本实施例中，每组固定好的阵列摄像机可以获取大于120°的线缆表面图像，因此采用3组阵列摄像机，相邻摄像机相距120°，从而全面获取线缆表面的全貌；
所述检测控制装置控制多组阵列摄像机同步拍摄待检测线缆的表面图像。
为了获取清晰的图像，所述图像采集装置还包括光源，如图9所示。光源的种类、额定功率、显色指数、色温和寿命等根据实际线缆检测环境情况进行选取；光源主要采用低角度照明的方式；光源尽可能选取90度环光，实时控制线缆表面光线的反射，从而提升图片质量。
如图10所示，线缆表面缺陷检测装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的线缆表面缺陷实时检测方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于机器视觉的线缆表面缺陷实时检测方法，其特征在于，包括步骤：
S1、构建线缆缺陷检测网络，所述网络包括：并行的三路特征提取分支，所述三路特征提取分支的输入均为线缆表面图像，输出均为提取的图像特征；三路特征提取分支的输出按不同权重级联后依次输入三层全连接层获取缺陷分类，输出线缆表面图像是否有缺陷；
所述三路特征提取分支的每一个支路均包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层；所述第一卷积层包括多个卷积子层；所述第二卷积层为ECA-Net；
S2、采用训练集对所述线缆缺陷检测网络进行训练，所述训练集为带有缺陷类别标签的线缆表面图像；训练的目标为最小化合页损失函数；
S3、采用测试集对训练后的线缆缺陷检测网络进行调优，所述测试集为带有缺陷类别标签的线缆表面图像；如准确率和召回率不符合预设的要求，则再次执行S2，进行再次训练；
S4、实时采集线缆表面图像，输入到训练好的线缆缺陷检测网络中，获取检测结果。
2.根据权利要求1所述的线缆表面缺陷实时检测方法，其特征在于，所述三路特征提取分支中的第一卷积层中的卷积核采用基于二维主成分分析方法进行初始化；采用均衡归一化方法调节卷积子层间权重Wh,i,j的比例；其中Wh,i,j表示第h层卷积子层中第i个卷积核的第j个窗口的权值，所有的偏移量都初始化为0；激活函数采用Tanh或ReLU。
3.根据权利要求1所述的线缆表面缺陷实时检测方法，其特征在于，所述三路特征提取分支中的第一池化层和第二池化层的池化类型均为最大池化，执行最大池化的树池分别是13x13、9x9、5x5、1x1；四个尺度池化后的结果进行做融合作为池化层的输出。
4.根据权利要求1所述的线缆表面缺陷实时检测方法，其特征在于，所述三路特征提取支路的权重值采用反向传播算法自学习确定。
5.根据权利要求1所述的线缆表面缺陷实时检测方法，其特征在于，所述三路特征提取分支中的第二卷积层中ECA-Net的一维卷积核k的大小为：
Figure FDA0003542301620000021
其中C为通道维数，|·|odd为获取最近的奇数运算符，γ与b均为预设的正整数；所述三路特征提取分支中，第一分支中γ与b取值为1与1，第二分支中γ与b取值为2与1，第三分支中γ与b取值为3与2。
6.一种基于机器视觉的线缆表面缺陷实时检测系统，其特征在于，包括：
图像采集装置，用于实时采集线缆表面图像；
检测控制装置，用于控制线缆运动，以及控制图像采集装置的拍摄频率；
线缆表面缺陷检测装置，用于对图像采集装置采集的线缆表面图像进行缺陷检测；所述线缆表面缺陷检测装置采用如权利要求1-5中任一项所述的线缆表面缺陷实时检测方法获取缺陷检测结果。
7.根据权利要求6所述的线缆表面缺陷实时检测系统，其特征在于，所述图像采集装置为一组固定的阵列摄像机；所述检测控制装置包括伺服电机和控制器，所述伺服电机带动线缆旋转，所述控制器用于控制线缆的旋转角速度和图像采集装置的拍摄频率，使线缆旋转一周图像采集装置拍摄多幅图像，所述多幅图像完整覆盖线缆一周的表面。
8.根据权利要求6所述的线缆表面缺陷实时检测系统，其特征在于，所述图像采集装置包括多组阵列摄像机，所述多组阵列摄像机沿待检测线缆的径向围绕线缆设置，从多个角度采集线缆表面图像，所述多个角度拍摄的图像完整覆盖线缆一周的表面；
所述检测控制装置控制多组阵列摄像机同步拍摄待检测线缆的表面图像。
9.根据权利要求6所述的线缆表面缺陷实时检测系统，其特征在于，所述图像采集装置还包括光源。
10.根据权利要求6所述的线缆表面缺陷实时检测系统，其特征在于，所述线缆表面缺陷检测装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的线缆表面缺陷实时检测方法。
CN202210241575.7A 2022-03-11 2022-03-11 一种基于机器视觉的线缆表面缺陷实时检测方法和系统 Pending CN114677338A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210241575.7A CN114677338A (zh) 2022-03-11 2022-03-11 一种基于机器视觉的线缆表面缺陷实时检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210241575.7A CN114677338A (zh) 2022-03-11 2022-03-11 一种基于机器视觉的线缆表面缺陷实时检测方法和系统

Publications (1)

Publication Number Publication Date
CN114677338A true CN114677338A (zh) 2022-06-28

Family

ID=82073220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210241575.7A Pending CN114677338A (zh) 2022-03-11 2022-03-11 一种基于机器视觉的线缆表面缺陷实时检测方法和系统

Country Status (1)

Country Link
CN (1) CN114677338A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115690404A (zh) * 2022-12-29 2023-02-03 天讯瑞达通信技术有限公司 一种基于目标检测的电线隐患检测方法
CN117078689A (zh) * 2023-10-17 2023-11-17 沈阳宏远电磁线股份有限公司 一种基于机器视觉的线缆缺陷识别方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115690404A (zh) * 2022-12-29 2023-02-03 天讯瑞达通信技术有限公司 一种基于目标检测的电线隐患检测方法
CN117078689A (zh) * 2023-10-17 2023-11-17 沈阳宏远电磁线股份有限公司 一种基于机器视觉的线缆缺陷识别方法及系统
CN117078689B (zh) * 2023-10-17 2024-01-30 沈阳宏远电磁线股份有限公司 一种基于机器视觉的线缆缺陷识别方法及系统

Similar Documents

Publication Publication Date Title
CN114677338A (zh) 一种基于机器视觉的线缆表面缺陷实时检测方法和系统
CN111696075A (zh) 一种基于双光谱图像的风机叶片缺陷智能检测方法
CN111598156B (zh) 基于多源异构数据融合的pm2.5预测方法
CN106383095B (zh) 一种冷却羊肉表面细菌总数检测装置及方法
CN115375737B (zh) 基于自适应时间与序列化时空特征的目标跟踪方法与系统
CN116258914B (zh) 基于机器学习及局部和全局特征融合的遥感图像分类方法
Li et al. Deep learning-based defects detection of certain aero-engine blades and vanes with DDSC-YOLOv5s
CN117496124A (zh) 基于深度卷积神经网络的大区域光伏板检测和提取方法
CN114821328A (zh) 一种基于完全学习的电力图像处理方法及装置
CN115049921A (zh) 基于Transformer边界感知的光学遥感图像显著目标检测方法
Zhou et al. Swin Transformer Embedding Dual-Stream for Semantic Segmentation of Remote Sensing Imagery
Zhang et al. Research on improved YOLOv8 algorithm for insulator defect detection
Yang et al. Defect detection scheme of pins for aviation connectors based on image segmentation and improved RESNET-50
Chen et al. A real-time detection system for multiscale surface defects of 3D printed ceramic parts based on deep learning
CN117095199A (zh) 一种基于单纯形扩散模型的工业视觉异常检测系统
CN116246060A (zh) 一种基于上下文推理的输电线路螺栓缺陷检测方法
CN109886105B (zh) 基于多任务学习的价格牌识别方法、系统及存储介质
Tsai et al. Deep Learning Based AOI System with Equivalent Convolutional Layers Transformed from Fully Connected Layers
CN114862796A (zh) 一种用于风机叶片损伤检测的无人机
CN110111371B (zh) 一种基于卷积神经网络的斑点图图像配准方法
Xu et al. Self-supervised auto-encoding multi-transformations for airplane classification
Lou et al. Defect Detection Based on Improved YOLOx for Ultrasonic Images
CN112257773A (zh) 基于无线传感器网络多测量向量的机械装备故障诊断方法
Collier et al. Wind Turbine Blade Fault Detection via Thermal Imaging Using Deep Learning
Xu Efficient distributed image recognition algorithm of deep learning framework TensorFlow

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