CN114782387A - 一种表面缺陷检测系统 - Google Patents

一种表面缺陷检测系统 Download PDF

Info

Publication number
CN114782387A
CN114782387A CN202210472613.XA CN202210472613A CN114782387A CN 114782387 A CN114782387 A CN 114782387A CN 202210472613 A CN202210472613 A CN 202210472613A CN 114782387 A CN114782387 A CN 114782387A
Authority
CN
China
Prior art keywords
image
workpiece
image data
net model
block
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
CN202210472613.XA
Other languages
English (en)
Inventor
刘曜轩
洪鼎岳
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.)
Suzhou Weidazhi Electronic Technology Co Ltd
Original Assignee
Suzhou Weidazhi Electronic Technology Co Ltd
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 Suzhou Weidazhi Electronic Technology Co Ltd filed Critical Suzhou Weidazhi Electronic Technology Co Ltd
Priority to CN202210472613.XA priority Critical patent/CN114782387A/zh
Publication of CN114782387A publication Critical patent/CN114782387A/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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • 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
    • G06N3/048—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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/70—
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开的一种一种表面缺陷检测系统，包括图像获取模块与U‑Net模型；通过图像获取模块进行获取工件的图像，对图像进行预处理，并提取工件原始图像数据，将工件原始图像数据进行滤波处理，将滤波后的图像数据输入U‑Net模型，所述U‑Net模型包括编码器，通过U‑Net模型压缩图像并捕获关键特征，通过编码器进行编码后的图像被采样回原始大小，并获取关键信息进行优化自定义损失函数，并输出一个与原始图像大小相同的二进制掩码；通过卷积网络执行二值分类，并输出U‑Net模型处理数据；根据U‑Net模型处理数据与工件原始图像数据进行比较，判断工件缺陷信息。

Description

一种表面缺陷检测系统
技术领域
本发明涉及缺陷检测领域，更具体的，涉及一种表面缺陷检测系统。
背景技术
玻璃是一个非结晶的，无定形固体，其通常是透明的并且在窗玻璃，餐具和光电子学中具有广泛的实用、技术和装饰用途。最熟悉且历史上最古老的人造玻璃是基于化合物二氧化硅的“硅酸盐玻璃”，主要成分为沙。在流行的用法中，术语玻璃通常仅用于指代这种类型的材料，其在用作窗玻璃和玻璃瓶中是常见的。在现有的许多硅基玻璃中，普通玻璃和容器玻璃是由一种称为钠钙玻璃的特定类型组成，含约占75％二氧化硅(SiO2)、来自碳酸钠(Na2CO3)中的氧化钠(Na2O)、氧化钙(CaO)，也称为石灰，和几种微量添加剂。
随着社会的不断发展，玻璃在各个领域的应用越来越广泛，同时对玻璃的要求也越来越高，在玻璃生产过程中，由于生产工艺和其他方面的原因会在玻璃表面产生划痕、凸点等影响玻璃表面平整度的缺陷，影响玻璃的质量，因此如何快速精准的检测玻璃表面缺陷成为了亟不可待要解决的技术问题。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种表面缺陷检测系统。
本发明第一方面提供了一种表面缺陷检测系统，包括：图像获取模块与U-Net模型；
通过图像获取模块进行获取工件的图像，对图像进行预处理，并提取工件原始图像数据，
将工件原始图像数据进行滤波处理，
将滤波后的图像数据输入U-Net模型，所述U-Net模型包括编码器，
通过U-Net模型压缩图像并捕获关键特征，
通过编码器进行编码后的图像被采样回原始大小，并获取关键信息进行优化自定义损失函数，并输出一个与原始图像大小相同的二进制掩码；
通过卷积网络执行二值分类，并输出U-Net模型处理数据；
根据U-Net模型处理数据与工件原始图像数据进行比较，判断工件缺陷信息。
本发明一个较佳实施例中，所述U-Net模型为图像分割模型，采用了编码与解码的结构，先对图像进行多次下采样，再进行上采样，重复上采样+融合过程直到得到与输入图像尺寸相同的分割图。
本发明一个较佳实施例中，将工件原始图像数据进行滤波处理，具体包括：
对工件原始图像数据进行中值滤波处理，获得中值滤波图像数据；
将工件原始图像数据与中值滤波图像数据进行减法计算，得到中间结果图像数据；
将中间结果图像数据进行几何形态分析，获得缺陷图像数据，
对缺陷图像数据进行分析处理，获得图像分析处理结果。
本发明一个较佳实施例中，所述图像获取模块包括工业相机或工业镜头中的一种。
本发明一个较佳实施例中，所述图像获取模块还包括照明光源，所述照明光源用于对图像获取模块进行补光。
本发明一个较佳实施例中，还包括平衡检测模块，所述平衡检测模块用于检测工件水平度，
判断工件水平度是否大于预设阈值；
若大于，则进行工件位置调整；
若小于，则通过图像获取模块对工件进行图像采集。
本发明一个较佳实施例中，所述编码器包括4个块，第一个块为3x3卷积层、线性整流函数与Batch-Normalization层组成、其余3个块分别为瓶颈块、解码器与卷积块。
本发明一个较佳实施例中，所述瓶颈块连接收缩路径与扩展路径，所述瓶颈块接受输入，所述瓶颈块连接res块，所述res块连接2x2个上采样卷积层。
本发明一个较佳实施例中，所述解码器接受上采样的输入，并与相应的输出特征连接。
本发明的上述技术方案相比现有技术具有以下优点：
(1)通过U-Net模型对图像进行分割处理，并根据分割处理后的数据与工件原始图像数据进行比较，判断工件缺陷信息，能够实现更复杂的特征提取，得到更好的预测结果。
(2)将工件原始图像数据进行中值滤波处理，并进行几何形态分析，得到图像缺陷，从而能够减小图像获取后的采集干扰，获得误差较小的图像，有利于后续图像缺陷分析，得到的图像缺陷信息更加的精准。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的一些附图是本发明的一些实施方式，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。
图1为本发明优选实施例中一种表面缺陷检测系统框图；
图2为本发明优选实施例中工件原始图像数据滤波处理方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1-2所示，本发明提供了一种表面缺陷检测系统，包括：图像获取模块与U-Net模型；
S102，通过图像获取模块进行获取工件的图像，对图像进行预处理，并提取工件原始图像数据，
S104，将工件原始图像数据进行滤波处理，
S106，将滤波后的图像数据输入U-Net模型，U-Net模型包括编码器，
S108，通过U-Net模型压缩图像并捕获关键特征，
S110，通过编码器进行编码后的图像被采样回原始大小，并获取关键信息进行优化自定义损失函数，并输出一个与原始图像大小相同的二进制掩码；
S112，通过卷积网络执行二值分类，并输出U-Net模型处理数据；
S114，根据U-Net模型处理数据与工件原始图像数据进行比较，判断工件缺陷信息。
进一步的，U-Net网络模型是用于图像分割的一种模型,深度学习擅长解决分类问题，利用深度学习的这一特点进行图像分割，其实质是对图像中的每一像素点进行分类,最终将不同类别的点利用不同的通道标出，可以达到对目标区域中的特征信息分类标出的效果。
进一步的，损失函数就是用来度量模型的预测值与真实值的差异程度的运算函数，它是一个非负实值函数，损失函数越小，模型的鲁棒性就越好，损失函数使用主要是在模型的训练阶段，每个批次的训练数据送入模型后，通过前向传播输出预测值，然后损失函数会计算出预测值和真实值之间的差异值，也就是损失值。得到损失值之后，模型通过反向传播去更新各个参数，来降低真实值与预测值之间的损失，使得模型生成的预测值往真实值方向靠拢，从而达到模型自主学习的目的。
进一步的，损失函数表达式为
Figure BDA0003623499290000061
进一步的，损失函数还可以是
Figure BDA0003623499290000062
其中yi代表是第i个类别对应的真实标签，Qi为其所对应的模型输出值。
根据本发明实施例，U-Net模型为图像分割模型，采用了编码与解码的结构，先对图像进行多次下采样，再进行上采样，重复上采样+融合过程直到得到与输入图像尺寸相同的分割图。
根据本发明实施例，将工件原始图像数据进行滤波处理，具体包括：
S202，对工件原始图像数据进行中值滤波处理，获得中值滤波图像数据；
S204，将工件原始图像数据与中值滤波图像数据进行减法计算，得到中间结果图像数据；
S206，将中间结果图像数据进行几何形态分析，获得缺陷图像数据，
S208，对缺陷图像数据进行分析处理，获得图像分析处理结果。
进一步的，中值滤波是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点，用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升或下降的为二维数据序列，中值滤波对脉冲噪声有良好的滤除作用，特别是在滤除噪声的同时，能够保护信号的边缘，使之不被模糊，此外，中值滤波的算法比较简单，也易于用硬件实现。
根据本发明实施例，图像获取模块包括工业相机或工业镜头中的一种。
根据本发明实施例，图像获取模块还包括照明光源，照明光源用于对图像获取模块进行补光。
进一步的，照明光源为LED补光灯，LED补光灯为固体发光器件，也可以是发光二极管，靠小电流驱动半导体器件发光，耗电小，稳定高，LED补光灯是由P型半导体和N型半导体组成的发光芯片，给LED的P-N结加上正向电压，当正向电流通过导线作用于LED芯片时，电子就会被推向P型半导体区，在P区里电子跟空穴复合，然后以光子的形式发出能量
根据本发明实施例，还包括平衡检测模块，平衡检测模块用于检测工件水平度，
判断工件水平度是否大于预设阈值；
若大于，则进行工件位置调整；
若小于，则通过图像获取模块对工件进行图像采集。
进一步的，在进行玻璃表面缺陷检测过程中，由于玻璃放置的水平度原因，也会造成在进行拍照时，图片产生阴影，造成玻璃表面缺陷判断时，容易造成误判断或检测误差较大，因此增加一个平衡检测模块首先对玻璃进行水平度检测，当玻璃水平度偏离预定值较大时，可以先将玻璃调整水平再进行拍照，提高缺陷检测精度。
根据本发明实施例，编码器包括4个块，第一个块为3x3卷积层、线性整流函数与Batch-Normalization层组成、其余3个块分别为瓶颈块、解码器与卷积块。
进一步的，编码器读入图像，并将其透过不同的编码块进行学习抽象描述，编码器内置多个编码块，且是用pre-activated残差方法启动，每个编码块的输出对接到另一个编码块。
根据本发明实施例，瓶颈块连接收缩路径与扩展路径，瓶颈块接受输入，瓶颈块连接res块，res块连接2x2个上采样卷积层。
根据本发明实施例，解码器接受上采样的输入，并与相应的输出特征连接。
进一步的，解码器是电子技术中的一种多输入多输出的组合逻辑电路，负责将二进制代码翻译为特定的对象(如逻辑电平等)，功能与编码器相反。解码器一般分为通用解码器和数字显示解码器两大类。数字电路中，解码器可以担任多输入多输出逻辑门的角色，能将已编码的输入转换成已编码的输出，这里输入和输出的编码是不同的。输入使能信号必须接在解码器上使其正常工作，否则输出将会是一个无效的码字
综上所述，通过U-Net模型对图像进行分割处理，并根据分割处理后的数据与工件原始图像数据进行比较，判断工件缺陷信息，能够实现更复杂的特征提取，得到更好的预测结果。
将工件原始图像数据进行中值滤波处理，并进行几何形态分析，得到图像缺陷，从而能够减小图像获取后的采集干扰，获得误差较小的图像，有利于后续图像缺陷分析，得到的图像缺陷信息更加的精准。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
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。对上述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上述实施例，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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种表面缺陷检测系统，包括：图像获取模块与U-Net模型；其特征在于，
通过图像获取模块进行获取工件的图像，对图像进行预处理，并提取工件原始图像数据，
将工件原始图像数据进行滤波处理，
将滤波后的图像数据输入U-Net模型，所述U-Net模型包括编码器，
通过U-Net模型压缩图像并捕获关键特征，
通过编码器进行编码后的图像被采样回原始大小，并获取关键信息进行优化自定义损失函数，并输出一个与原始图像大小相同的二进制掩码；
通过卷积网络执行二值分类，并输出U-Net模型处理数据；
根据U-Net模型处理数据与工件原始图像数据进行比较，判断工件缺陷信息。
2.根据权利要求1所述的一种表面缺陷检测系统，其特征在于，所述U-Net模型为图像分割模型，采用了编码与解码的结构，先对图像进行多次下采样，再进行上采样，重复上采样+融合过程直到得到与输入图像尺寸相同的分割图。
3.根据权利要求1所述的一种表面缺陷检测系统，其特征在于，将工件原始图像数据进行滤波处理，具体包括：
对工件原始图像数据进行中值滤波处理，获得中值滤波图像数据；
将工件原始图像数据与中值滤波图像数据进行减法计算，得到中间结果图像数据；
将中间结果图像数据进行几何形态分析，获得缺陷图像数据，
对缺陷图像数据进行分析处理，获得图像分析处理结果。
4.根据权利要求1所述的一种表面缺陷检测系统，其特征在于，所述图像获取模块包括工业相机或工业镜头中的一种。
5.根据权利要求4所述的一种表面缺陷检测系统，其特征在于，所述图像获取模块还包括照明光源，所述照明光源用于对图像获取模块进行补光。
6.根据权利要求1所述的一种表面缺陷检测系统，其特征在于，还包括平衡检测模块，所述平衡检测模块用于检测工件水平度，
判断工件水平度是否大于预设阈值；
若大于，则进行工件位置调整；
若小于，则通过图像获取模块对工件进行图像采集。
7.根据权利要求1所述的一种表面缺陷检测系统，其特征在于，所述编码器包括4个块，第一个块为3x3卷积层、线性整流函数与Batch-Normalization层组成、其余3个块分别为瓶颈块、解码器与卷积块。
8.根据权利要求7所述的一种表面缺陷检测系统，其特征在于，所述瓶颈块连接收缩路径与扩展路径，所述瓶颈块接受输入，所述瓶颈块连接res块，所述res块连接2x2个上采样卷积层。
9.根据权利要求7所述的一种表面缺陷检测系统，其特征在于，所述解码器接受上采样的输入，并与相应的输出特征连接。
CN202210472613.XA 2022-04-29 2022-04-29 一种表面缺陷检测系统 Pending CN114782387A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210472613.XA CN114782387A (zh) 2022-04-29 2022-04-29 一种表面缺陷检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210472613.XA CN114782387A (zh) 2022-04-29 2022-04-29 一种表面缺陷检测系统

Publications (1)

Publication Number Publication Date
CN114782387A true CN114782387A (zh) 2022-07-22

Family

ID=82435977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210472613.XA Pending CN114782387A (zh) 2022-04-29 2022-04-29 一种表面缺陷检测系统

Country Status (1)

Country Link
CN (1) CN114782387A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523906A (zh) * 2023-06-28 2023-08-01 长沙韶光芯材科技有限公司 一种玻璃基板光学性能检测方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109632815A (zh) * 2017-10-09 2019-04-16 上海明匠智能系统有限公司 表面缺陷在线检测系统及方法
CN111612789A (zh) * 2020-06-30 2020-09-01 征图新视(江苏)科技股份有限公司 一种基于改进的U-net网络的缺陷检测方法
CN113239930A (zh) * 2021-05-14 2021-08-10 广州广电运通金融电子股份有限公司 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN113298765A (zh) * 2021-05-19 2021-08-24 广东工业大学 基于图像处理及深度学习的玻璃面板表面缺陷检测方法
CN114170106A (zh) * 2021-12-10 2022-03-11 无锡图创智能科技有限公司 基于改进U-Net模型的高反光噪声去除方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109632815A (zh) * 2017-10-09 2019-04-16 上海明匠智能系统有限公司 表面缺陷在线检测系统及方法
CN111612789A (zh) * 2020-06-30 2020-09-01 征图新视(江苏)科技股份有限公司 一种基于改进的U-net网络的缺陷检测方法
CN113239930A (zh) * 2021-05-14 2021-08-10 广州广电运通金融电子股份有限公司 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN113298765A (zh) * 2021-05-19 2021-08-24 广东工业大学 基于图像处理及深度学习的玻璃面板表面缺陷检测方法
CN114170106A (zh) * 2021-12-10 2022-03-11 无锡图创智能科技有限公司 基于改进U-Net模型的高反光噪声去除方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MSTK: "交叉熵损失函数", 《HTTPS://WWW.CNBLOGS.COM/MSTK/P/11260088.HTML》, pages 1 *
李宇: "基于深度学习的工业零件分割与位姿测量算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, pages 40 *
王雨龙: "基于U-Net网络的光学镜片表面划痕检测研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
王雨龙: "基于U-Net网络的光学镜片表面划痕检测研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, 15 September 2021 (2021-09-15), pages 2 - 4 *
蒋慧莹: "基于深度学习的CT图像中肺结节分割算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, pages 33 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523906A (zh) * 2023-06-28 2023-08-01 长沙韶光芯材科技有限公司 一种玻璃基板光学性能检测方法和系统
CN116523906B (zh) * 2023-06-28 2023-09-12 长沙韶光芯材科技有限公司 一种玻璃基板光学性能检测方法和系统

Similar Documents

Publication Publication Date Title
US20230099049A1 (en) Point Cloud Compression
JP2007317184A (ja) 二次元バーコード、その符号化方法及び復号化方法
CN109993804A (zh) 一种基于条件生成对抗网络的道路场景去雾方法
Rashid et al. Single image dehazing using CNN
CN114782387A (zh) 一种表面缺陷检测系统
CN106372701B (zh) 一种光标签的编码及识别方法
CN110726425B (zh) 一种单圈绝对式光电码盘的图像式译码方法
CN103295006A (zh) 一种高性能雷管编码图像识别装置
Ji et al. A single LED lamp positioning system based on CMOS camera and visible light communication
CN111881832A (zh) 车道目标检测方法、装置、设备及计算机可读存储介质
CN101710385A (zh) 高性能二维条形码解码方法
CN112489037A (zh) 缺陷检测及相关模型的训练方法、电子设备和存储装置
CN113392669A (zh) 一种图像信息检测方法、检测装置及存储介质
CN109816610A (zh) 一种图像去雾系统
CN109657682B (zh) 一种基于深度神经网络和多阈值软切分的电能表示数识别方法
CN116152226A (zh) 基于可融合的特征金字塔的换向器内侧图像缺陷检测方法
CN110021012B (zh) 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法
CN115410039A (zh) 基于改进YOLOv5算法的煤炭异物检测系统及方法
CN111507266A (zh) 一种基于深度图像的人体检测方法和装置
CN104346596A (zh) 一种qr码的识别方法及识别装置
Johansson et al. Low-power optical sensor for traffic detection
CN115270839A (zh) 一种基于PPYOLOv2模型的工业场景QR Code检测与识别方法
CN111160320A (zh) 一种图像处理方法
CN114494169A (zh) 基于机器视觉的工业柔性物体检测方法
CN103824308A (zh) 一种无线多媒体传感器网络中的图像处理方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Building D, No. 18, Baihe Street, Suzhou District, China (Jiangsu) Pilot Free Trade Zone, Suzhou City, Jiangsu Province, 215000 (the address is not allowed to engage in retail)

Applicant after: Suzhou Weidazhi Technology Co.,Ltd.

Address before: 215024 Building D, No. 18, Baihe street, Suzhou area, China (Jiangsu) pilot Free Trade Zone, Suzhou, Jiangsu

Applicant before: SUZHOU WEIDAZHI ELECTRONIC TECHNOLOGY Co.,Ltd.