CN114723751B - 一种基于无监督的带钢表面缺陷在线检测方法 - Google Patents

一种基于无监督的带钢表面缺陷在线检测方法 Download PDF

Info

Publication number
CN114723751B
CN114723751B CN202210633896.1A CN202210633896A CN114723751B CN 114723751 B CN114723751 B CN 114723751B CN 202210633896 A CN202210633896 A CN 202210633896A CN 114723751 B CN114723751 B CN 114723751B
Authority
CN
China
Prior art keywords
class
image
strip steel
specific method
matrix
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.)
Active
Application number
CN202210633896.1A
Other languages
English (en)
Other versions
CN114723751A (zh
Inventor
冯飞
乐开白
刘春华
解志军
赵少美
黄志阳
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.)
Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
Original Assignee
Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
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 Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center filed Critical Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
Priority to CN202210633896.1A priority Critical patent/CN114723751B/zh
Publication of CN114723751A publication Critical patent/CN114723751A/zh
Application granted granted Critical
Publication of CN114723751B publication Critical patent/CN114723751B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/30136—Metal
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及带钢的检测领域，公开一种基于无监督的带钢表面缺陷在线检测方法，具体的，该方法首先是获得带钢表面的图像，再对图像分割处理，并将分割后的图像单元的像素值构造矩阵，并通过K‑means将矩阵的特征值的平均值分类两类，最后通过类间距离和类内距离判断两类是否为同一类。该方法具有计算量小、无需历史数据的特点，并且相比现有的方法不需要监督。

Description

一种基于无监督的带钢表面缺陷在线检测方法
技术领域
本发明涉及检测领域，具体讲是一种基于无监督的带钢表面缺陷在线检测方法。
背景技术
随着我国经济的快速发展，人们对板带钢的需求越来越大，近年来板带钢生产得到了快速发展，板带钢作为钢铁产业的重要产品之一，已经被应用于工业生产制造、航空航天等诸多高精密领域。因此，这对板带钢的表面质量有着很高的要求，通常需要对板带钢表面进行缺陷检测。
当前的板带钢表面缺陷检测通常为人工进行肉眼检测，但随着工作时间上的延长，人会产生视觉疲劳。尤其当板带钢处于快速运转时，人对板带钢表面的缺陷更加难以判断。与机器视觉检测相比，机器不会因时间过长产生疲劳，符合现在批量生产的要求。但是在常见带钢表面视觉检测系统中，因表面缺陷类型种类较多且不规则等原因，难以保障带钢表面缺陷检测的精准检测。
发明内容
因此，为了解决上述不足，本发明在此提供一种用于检测带钢表面缺陷的方法，该方法具有计算量小、无需历史数据的特点，并且相比现有的方法无需历史的有缺陷样本，即不需要监督。
具体的，一种基于无监督的带钢表面缺陷在线检测方法，包括如下步骤：
步骤一、获得带钢图像，并将该图像分割为数块相同尺寸的图像单元；
步骤二、获取每块图像单元的像素值，并形成矩阵；
步骤三、计算所述矩阵的特征值，并计算该特征值的平均值；在步骤一至三中，如果图像中有缺陷，则有缺陷的像素会与正常情况下的像素不同，即两者的平均值会有差异。
步骤四、通过K-means将数块图像单元的平均值分为两类，该步骤可以强行将平均值分为两类，以降低漏检的概率；
步骤五、通过公式分别计算两类的类内距离；
步骤六、通过公式计算两类的类间距；其中步骤五和步骤六用于判断两类是否可以归为同一类。
步骤七、根据类内间距和类间距判断当前带钢的表面缺陷。
本发明具有如下优点：
本发明是通过像素块的像素值构造矩阵，并通过K-means将矩阵的特征值的平均值分类两类，最后通过类间距离和类内距离判断两类是否为同一类，从而实现带钢表面缺陷检测；该发明具有计算量小、无需历史数据的特点。
同时相比传统技术，本发明采用无监督方法实现检测，无需历史的缺陷样本（即不需要监督），且不受缺陷类型的约束。
附图说明
图1是本发明的方法流程示意图。
具体实施方式
下面将结合附图1对本发明进行详细说明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
具体的，为了发现带钢表面缺陷，该实施例提供了一种基于无监督的带钢表面缺陷在线检测方法，具体步骤如下：
步骤一：将带钢图像分割成
Figure 100002_DEST_PATH_IMAGE002
个相同尺寸
Figure 100002_DEST_PATH_IMAGE004
的块，其中，
Figure 100002_DEST_PATH_IMAGE006
，N表示图像的横像素，M表示图像的纵像素，p表示块的横像素，q表示块的纵像素；
步骤二：获取每块的像素值，形成矩阵
Figure 100002_DEST_PATH_IMAGE008
，其中
Figure 100002_DEST_PATH_IMAGE010
；
步骤三：计算矩阵
Figure 100002_DEST_PATH_IMAGE012
的特征值
Figure 100002_DEST_PATH_IMAGE014
，并计算特征值的平均值
Figure 100002_DEST_PATH_IMAGE016
；
步骤四：通过K-means将
Figure 100002_DEST_PATH_IMAGE018
个平均值分为类
Figure 100002_DEST_PATH_IMAGE020
和类
Figure 100002_DEST_PATH_IMAGE022
，其中类
Figure 615582DEST_PATH_IMAGE020
中有X个样本，类
Figure 1564DEST_PATH_IMAGE022
中有Y个样本，且
Figure DEST_PATH_IMAGE024
；
步骤五：通过公式
Figure DEST_PATH_IMAGE026
计算类
Figure 718984DEST_PATH_IMAGE020
的类内距离
Figure DEST_PATH_IMAGE028
，
通过公式
Figure DEST_PATH_IMAGE030
计算类
Figure DEST_PATH_IMAGE032
的类内距离
Figure DEST_PATH_IMAGE034
；
其中，
Figure DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE038
属于类
Figure 222515DEST_PATH_IMAGE020
，
Figure 771308DEST_PATH_IMAGE036
和
Figure 328192DEST_PATH_IMAGE038
分别表示类
Figure 100002_DEST_PATH_IMAGE039
中第k个和第l个样本，
Figure 100002_DEST_PATH_IMAGE041
和
Figure 100002_DEST_PATH_IMAGE043
属于类
Figure 100002_DEST_PATH_IMAGE044
，
Figure 1750DEST_PATH_IMAGE041
和
Figure 935071DEST_PATH_IMAGE043
分别表示类
Figure 836905DEST_PATH_IMAGE032
中第k个和第l个样本。
步骤六：通过公式
Figure 100002_DEST_PATH_IMAGE046
计算类
Figure 299111DEST_PATH_IMAGE039
和类
Figure DEST_PATH_IMAGE047
的类间距离
Figure 100002_DEST_PATH_IMAGE049
。
其中，
Figure 100002_DEST_PATH_IMAGE051
为类
Figure DEST_PATH_IMAGE052
的类心，
Figure DEST_PATH_IMAGE054
为类
Figure 928806DEST_PATH_IMAGE047
的类心。
步骤七：如果
Figure 100002_DEST_PATH_IMAGE056
且
Figure 100002_DEST_PATH_IMAGE058
，则类
Figure DEST_PATH_IMAGE059
和类
Figure 100002_DEST_PATH_IMAGE060
不属于同一类，当前带钢有表面缺陷。反之，无缺陷。
本发明是通过分割图像，并获得分割后的图像的像素，在将像素块的像素值构造矩阵，并通过K-means将矩阵的特征值的平均值分类两类，最后通过类间距离和类内距离判断两类是否为同一类，从而实现带钢表面缺陷检测；该发明专利具有计算量小、无需历史数据的特点。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种基于无监督的带钢表面缺陷在线检测方法，其特征在于，包括如下步骤：
S1、获得带钢图像，并将该图像分割为数块相同尺寸的图像单元；
S2、获取每块图像单元的像素值，并形成矩阵；
S3、计算所述矩阵的特征值，并计算该特征值的平均值；
S4、通过K-means将数块图像单元的平均值分为两类；
S5、通过公式分别计算两类的类内距离；
S6、通过公式计算两类的类间距；
S7、根据类内间距和类间距判断当前带钢的表面缺陷；
所述步骤S1的具体方法是，将带钢图像分割成
Figure DEST_PATH_IMAGE002
个相同尺寸
Figure DEST_PATH_IMAGE004
的块，其中，
Figure DEST_PATH_IMAGE006
，N表示图像的横像素，M表示图像的纵像素，p表示块的横像素，q表示块的纵像素；
所述步骤S2的具体方法是，获取每块的像素值，形成矩阵
Figure DEST_PATH_IMAGE008
，其中
Figure DEST_PATH_IMAGE010
；
所述步骤S3的具体方法是，计算矩阵
Figure DEST_PATH_IMAGE012
的特征值
Figure DEST_PATH_IMAGE014
，并计算特征值的平均值
Figure DEST_PATH_IMAGE016
；
所述步骤S4的具体方法是，
通过K-means将
Figure DEST_PATH_IMAGE018
个平均值分为类
Figure DEST_PATH_IMAGE020
和类
Figure DEST_PATH_IMAGE022
，其中
Figure DEST_PATH_IMAGE023
中有X个样本， 类
Figure DEST_PATH_IMAGE025
中有Y个样本，且
Figure DEST_PATH_IMAGE027
；
所述步骤S5的具体方法是，通过式
Figure DEST_PATH_IMAGE029
计算类
Figure DEST_PATH_IMAGE031
的类内距离
Figure DEST_PATH_IMAGE033
；
通过式
Figure DEST_PATH_IMAGE035
计算类
Figure DEST_PATH_IMAGE037
的类内距离
Figure DEST_PATH_IMAGE039
；
其中，
Figure DEST_PATH_IMAGE041
和
Figure DEST_PATH_IMAGE043
属于类
Figure 479565DEST_PATH_IMAGE031
，
Figure DEST_PATH_IMAGE044
和
Figure 475334DEST_PATH_IMAGE043
分别表示类
Figure 51809DEST_PATH_IMAGE031
中第k个和第l个样本，
Figure DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE048
属于类
Figure DEST_PATH_IMAGE049
，
Figure 587963DEST_PATH_IMAGE046
和
Figure 949806DEST_PATH_IMAGE048
分别表示类
Figure 241110DEST_PATH_IMAGE049
中第k个和第l个样本；
所述步骤S6的具体方法是，
通过式
Figure DEST_PATH_IMAGE051
计算类
Figure 836039DEST_PATH_IMAGE031
和类
Figure 582409DEST_PATH_IMAGE049
的类间距离
Figure DEST_PATH_IMAGE053
；
其中，
Figure DEST_PATH_IMAGE055
为类
Figure DEST_PATH_IMAGE056
的类心，
Figure DEST_PATH_IMAGE058
为类
Figure DEST_PATH_IMAGE060
的类心；
所述步骤S7的具体方法如下，
如果
Figure DEST_PATH_IMAGE062
且
Figure DEST_PATH_IMAGE064
，则类
Figure 861075DEST_PATH_IMAGE056
和类
Figure 401909DEST_PATH_IMAGE060
不属于同一类，当前带钢有表面缺陷，反之，无缺陷。
CN202210633896.1A 2022-06-07 2022-06-07 一种基于无监督的带钢表面缺陷在线检测方法 Active CN114723751B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210633896.1A CN114723751B (zh) 2022-06-07 2022-06-07 一种基于无监督的带钢表面缺陷在线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210633896.1A CN114723751B (zh) 2022-06-07 2022-06-07 一种基于无监督的带钢表面缺陷在线检测方法

Publications (2)

Publication Number Publication Date
CN114723751A CN114723751A (zh) 2022-07-08
CN114723751B true CN114723751B (zh) 2022-09-23

Family

ID=82232996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210633896.1A Active CN114723751B (zh) 2022-06-07 2022-06-07 一种基于无监督的带钢表面缺陷在线检测方法

Country Status (1)

Country Link
CN (1) CN114723751B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6999614B1 (en) * 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
CN103514445A (zh) * 2013-10-15 2014-01-15 武汉科技大学 基于多流形学习的带钢表面缺陷识别方法
JP2015041164A (ja) * 2013-08-20 2015-03-02 キヤノン株式会社 画像処理装置、画像処理方法およびプログラム
CN105224960A (zh) * 2015-11-04 2016-01-06 江南大学 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法
CN108020554A (zh) * 2017-10-31 2018-05-11 无锡港湾网络科技有限公司 一种带钢表面缺陷识别检测方法
CN108122223A (zh) * 2017-12-18 2018-06-05 浙江工业大学 基于Fisher准则的铁氧体缺陷深度学习识别方法
CN108765412A (zh) * 2018-06-08 2018-11-06 湖北工业大学 一种带钢表面缺陷分类方法
CN110689533A (zh) * 2019-09-27 2020-01-14 中国科学院自动化研究所 板材包边缺陷检测方法、系统、装置
CN110717896A (zh) * 2019-09-24 2020-01-21 东北大学 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
CN110827235A (zh) * 2019-09-24 2020-02-21 苏州苏相机器人智能装备有限公司 钢板表面缺陷检测方法
CN111275109A (zh) * 2020-01-20 2020-06-12 国网山东省电力公司枣庄供电公司 基于自编码器的电力设备状态数据特征选优方法及系统
CN112697803A (zh) * 2020-12-16 2021-04-23 沈阳建筑大学 一种基于机器视觉的板带钢表面缺陷检测方法及装置
CN113362313A (zh) * 2021-06-18 2021-09-07 四川启睿克科技有限公司 一种基于自监督学习的缺陷检测方法及系统
CN113808129A (zh) * 2021-10-27 2021-12-17 常州微亿智造科技有限公司 易混淆缺陷的有效检测方法
CN114360038A (zh) * 2022-03-22 2022-04-15 杭州实在智能科技有限公司 基于深度学习的弱监督rpa元素识别方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5544256A (en) * 1993-10-22 1996-08-06 International Business Machines Corporation Automated defect classification system
JP2999679B2 (ja) * 1994-11-30 2000-01-17 大日本スクリーン製造株式会社 パターン欠陥検査装置
CN101216435A (zh) * 2008-01-03 2008-07-09 东华大学 一种基于多分形特征参数的织物瑕疵自动检测方法
CN105590115A (zh) * 2015-12-18 2016-05-18 北京畅景立达软件技术有限公司 视角不变的人体特征表示方法
WO2019244946A1 (ja) * 2018-06-22 2019-12-26 コニカミノルタ株式会社 欠陥判別方法、欠陥判別装置、欠陥判別プログラム及び記録媒体
CN111160320A (zh) * 2020-01-18 2020-05-15 李瑶 一种图像处理方法
CN112330591B (zh) * 2020-09-30 2023-01-24 中国国家铁路集团有限公司 少样本学习的钢轨表面缺陷检测方法及装置
CN112798648B (zh) * 2020-12-09 2022-06-03 浙江工业大学 基于生成核主成分热影像分析的复合材料缺陷检测方法
CN112686890B (zh) * 2021-02-09 2024-02-20 浙江师范大学 一种基于奇异值分解的人造板表面缺陷检测方法
CN113505720A (zh) * 2021-07-22 2021-10-15 浙江大华技术股份有限公司 图像处理方法及装置、存储介质、电子装置
CN114299059A (zh) * 2021-12-30 2022-04-08 北京科技大学 一种热轧带钢表面未分类铸坯划伤缺陷的判定方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6999614B1 (en) * 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
JP2015041164A (ja) * 2013-08-20 2015-03-02 キヤノン株式会社 画像処理装置、画像処理方法およびプログラム
CN103514445A (zh) * 2013-10-15 2014-01-15 武汉科技大学 基于多流形学习的带钢表面缺陷识别方法
CN105224960A (zh) * 2015-11-04 2016-01-06 江南大学 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法
CN108020554A (zh) * 2017-10-31 2018-05-11 无锡港湾网络科技有限公司 一种带钢表面缺陷识别检测方法
CN108122223A (zh) * 2017-12-18 2018-06-05 浙江工业大学 基于Fisher准则的铁氧体缺陷深度学习识别方法
CN108765412A (zh) * 2018-06-08 2018-11-06 湖北工业大学 一种带钢表面缺陷分类方法
CN110717896A (zh) * 2019-09-24 2020-01-21 东北大学 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
CN110827235A (zh) * 2019-09-24 2020-02-21 苏州苏相机器人智能装备有限公司 钢板表面缺陷检测方法
CN110689533A (zh) * 2019-09-27 2020-01-14 中国科学院自动化研究所 板材包边缺陷检测方法、系统、装置
CN111275109A (zh) * 2020-01-20 2020-06-12 国网山东省电力公司枣庄供电公司 基于自编码器的电力设备状态数据特征选优方法及系统
CN112697803A (zh) * 2020-12-16 2021-04-23 沈阳建筑大学 一种基于机器视觉的板带钢表面缺陷检测方法及装置
CN113362313A (zh) * 2021-06-18 2021-09-07 四川启睿克科技有限公司 一种基于自监督学习的缺陷检测方法及系统
CN113808129A (zh) * 2021-10-27 2021-12-17 常州微亿智造科技有限公司 易混淆缺陷的有效检测方法
CN114360038A (zh) * 2022-03-22 2022-04-15 杭州实在智能科技有限公司 基于深度学习的弱监督rpa元素识别方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Discriminant Feature Distribution Analysis-Based Hybrid Feature Selection for Online Bearing Fault Diagnosis in Induction Motors;Rashedul Islam等;《Journal of Sensors》;20151221;第1-17页 *
k-means聚类算法在织物疵点检测中的应用;张缓缓等;《毛纺科技》;20160331;第44卷(第3期);第11-14页 *
Steel Surface Defect Classification Based on Small Sample Learning;Shiqing Wu等;《applied sciences》;20211203;第11卷(第23期);第1-10页 *
机器视觉表面缺陷检测综述;汤勃等;《中国图象图形学报》;20171231;第22卷(第12期);第1640-1663页 *

Also Published As

Publication number Publication date
CN114723751A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN114066820A (zh) 一种基于Swin-Transformer与NAS-FPN的织物疵点检测方法
CN115100199B (zh) 一种晶圆低纹理缺陷的检测方法
CN108445020B (zh) 一种玻璃基板缺陷聚集识别方法
CN110660046A (zh) 基于轻量级深度神经网络的工业产品缺陷图像分类方法
CN115049656A (zh) 硅钢轧制过程中缺陷的显著性识别与分类方法
CN116309577B (zh) 一种高强传送带物料智能检测方法及系统
CN115661148B (zh) 一种晶圆晶粒排列检测方法及系统
CN112489042A (zh) 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法
CN110781913A (zh) 一种拉链布带缺陷检测方法
CN115527049A (zh) 一种引线框架引脚间距的高精度测量方法
CN110458809B (zh) 一种基于亚像素边缘检测的纱线条干均匀度检测方法
CN114565314A (zh) 一种基于数字孪生的热轧钢卷端面质量管控系统及方法
CN115656182A (zh) 基于张量投票主成分分析的板材点云缺陷检测方法
CN111582270A (zh) 基于高精度的桥梁区域视觉靶标特征点的识别追踪方法
CN112750119B (zh) 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法
CN117611551B (zh) 基于物联网的显示屏异常检测方法及系统
CN114723751B (zh) 一种基于无监督的带钢表面缺陷在线检测方法
Chang et al. Bilayer Markov random field method for detecting defects in patterned fabric
CN117649397A (zh) 基于多聚合度邻域聚合特征的新类别工业缺陷发现方法
CN116843615B (zh) 一种基于柔性光路的引线框架智能全检方法
CN108537249A (zh) 一种密度峰值聚类的工业过程数据聚类方法
CN112683166A (zh) 一种模切产品尺寸检测方法
Feng et al. A method for surface detect classification of hot rolled strip steel based on Xception

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