CN114841957A - 一种基于深度学习的钢板表面缺陷检测方法 - Google Patents
一种基于深度学习的钢板表面缺陷检测方法 Download PDFInfo
- Publication number
- CN114841957A CN114841957A CN202210476171.6A CN202210476171A CN114841957A CN 114841957 A CN114841957 A CN 114841957A CN 202210476171 A CN202210476171 A CN 202210476171A CN 114841957 A CN114841957 A CN 114841957A
- Authority
- CN
- China
- Prior art keywords
- defect
- steel plate
- deep learning
- neural network
- defect detection
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 148
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 48
- 239000010959 steel Substances 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 4
- 238000003384 imaging method Methods 0.000 abstract description 12
- 238000011002 quantification Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- -1 electronics Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000001307 laser spectroscopy Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
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
- 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
- G06N3/08—Learning methods
-
- 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 using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/30136—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种基于深度学习的钢板表面缺陷检测方法，属于钢板表面缺陷检测技术领域。所述方法为：收集钢板表面缺陷样本并进行预处理；将预处理后的缺陷图像输入预先训练好的缺陷检测模型进行钢板表面缺陷的智能识别；利用处理后的样本训练深度学习神经网络模型，得到训练好的深度学习神经网络模型，用于识别钢板表面缺陷；利用训练好的深度学习神经网络模型进行钢板表面缺陷检测。本发明在显微成像的基础上借助深度学习算法进行钢板表面缺陷的定量检测，避免了传统人工目视检测过程中，检测人员的主观干扰及难以准确量化等问题。
Description
技术领域
本发明属于钢板表面缺陷检测技术领域，具体涉及一种基于深度学习的钢板表面缺陷检测方法。
背景技术
工业产品表面缺陷检测是工业视觉领域中非常重要的一项研究课题，在包括3C、汽车、家电、机械制造、半导体及电子、化工、医药、航空航天、轻工等行业都具有非常广泛的应用。
传统表面缺陷检测方法一般采用基于图像处理算法和人工设计特征加分类器方法进行缺陷检测。一般包括结构法、统计法、滤波法、模型法等。其中结构法又包含边缘、骨架、形态学等；统计法包含直方图、局部二值化特征LBP、纹理特征、灰度共生矩阵GLCM等；滤波法包含空间滤波、频域滤波(傅里叶、gabor、小波)等；模型法包含随机场模型、反散射模型和分形体等。它们的本质都是通过人工设计特征加上分类器或规则来对产品表面进行缺陷检测。传统表面缺陷检测方法的优点是计算迅速、需要计算资源小、实时性强、效率高。但存在对成像环境要求相对苛刻，易被干扰，需要缺陷和非缺陷区域之间有着高对比度，少噪声等；适应性差，容易受到成像环境的影响，需要根据成像环境变化或缺陷类型变化更改阈值或重新设计算法；准确率不高，传统的图像处理方法难以准确识别复杂多变的产品表面缺陷。
目前，在主流的缺陷检测标准中主要采用人工目视比对的方法进行表面缺陷检测。检测人员在一定的照明条件下，使用目视法将待检元件表面上观察到的缺陷与缺陷标准板上的缺陷样本进行比对，从而实现缺陷的检测和分级。由于目视法的检测结果受限于人眼分辨能力和检测人员的主观判断，因而对尺寸较小、对比度较差的缺陷难以给出准确的检测结果。此外，一些基于成像法、散射能量分析法、激光频谱分析法及微观表面轮廓仪测量等方法也在缺陷检测方面有所应用，但其或多或少存在一些问题，例如无法精确获得缺陷数量和位置，检测精度不高，检测效率低，无法量化分析等问题。
随着深度学习算法的不断发展，其在图像识别与目标检测方面有着非常出色的表现，使得基于成像法的缺陷检测问题有了更好的解决办法。因此，可以在显微成像检测法的基础上，借助深度学习算法进行钢板表面缺陷的快速检测和量化分析。
发明内容
本发明的目的是为了克服现有技术所存在的不足，提供一种基于深度学习的钢板表面缺陷检测方法，该方法基于深度学习算法对钢板表面缺陷进行智能识别，从而实现钢板表面缺陷的准确评估，可以实现用较少的学习样本及计算资源、强适应性、高准确性、鲁棒性强与高实时性满足玻璃产品表面缺陷检测的需求。
为实现上述目的，本发明采取的技术方案如下：
一种基于深度学习的钢板表面缺陷检测方法，所述方法包括以下步骤：
步骤一：收集钢板表面缺陷样本并进行预处理；
步骤二：将预处理后的缺陷图像输入预先训练好的缺陷检测模型进行钢板表面缺陷的智能识别；
步骤三：利用经步骤二处理后的样本训练深度学习神经网络模型，得到训练好的深度学习神经网络模型，用于识别钢板表面缺陷；
步骤四：利用训练好的深度学习神经网络模型进行钢板表面缺陷检测。
本发明相对于现有技术的有益效果为：
(1)本发明在显微成像的基础上借助深度学习算法进行钢板表面缺陷的定量检测，避免了传统人工目视检测过程中，检测人员的主观干扰及难以准确量化等问题；
(2)本发明采用由卷积层、池化层、全连接层等组成的多层神经网络作为缺陷检测模型，从而实现对钢板表面缺陷的量化分析，并通过使用大量缺陷样本对所述缺陷检测模型的不断强化训练，从而有效提高所述缺陷检测模型的检测能力，弥补了普通显微成像检测方法在缺陷检测过程中准确率低、漏检率高等问题。
(3)占用较少的计算资源、计算迅速、实时性强。只需少量样本便达到不错的效果。设计的图像处理算法使原本难以检测缺陷变得容易检测。对运行环境要求不高，易于部署于性能一般的计算机上，或者物联网领域，嵌入式，移动设备系统上，可移植性更高。
附图说明
图1为本发明的流程示意图；
图2是实施例中对缺陷图像进行自适应阈值分割、边缘检测和二值化处理后的图像；
图3是实施例中对二值化处理后的图像进行噪声消除、断点连接后的结果图；
图4是实施例中建立的用于识别麻点缺陷的多层卷积神经网络结构示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
实施例1：
一种基于深度学习的钢板表面缺陷检测方法，具体包含以下步骤：
(1)获取钢板表面缺陷图像并进行预处理；
(2)将预处理后的缺陷图像输入预先训练好的缺陷检测模型进行钢板表面缺陷的智能识别。其中，缺陷检测模型为基于深度学习的神经网络，包括依次级联的特征提取网络、分类器和回归器，特征提取网络对输入该模型的缺陷图像进行特征提取从而得到对应的特征图像，分类器和回归器是对特征图像进行分类回归得到待检测缺陷的具体信息。
根据上述步骤，本发明的方法主要包括以下三个部分：
1.缺陷图像获取及预处理
2.缺陷检测模型训练
3.利用训练好的模型进行缺陷识别
具体如下：
1.缺陷图像获取及预处理
首先利用显微成像系统采集钢板表面缺陷图像并进行畸变校正，再分别用梯度图像自适应阈值分割法和Sobel边缘检测法对图像进行处理，以得到更清晰更完整的缺陷检测图像，随后采用图像分块阈值分割算法对图像进行二值化处理。经二值化处理后的缺陷图像如图2所示。
在此基础上，还需要进一步消除噪声，滤除干扰信息。在此，采用先膨胀再细化的断点连接算法进行图像处理，通过膨胀将断续处连接起来，再通过细化操作得到完整的目标边界。在图2基础上进行图像处理后的结果如图3所示。
2.缺陷检测模型训练
在此以麻点缺陷的检测模型训练为例进行详细说明。在本实施例中，用于识别麻点缺陷的多层卷积神经网络结构如图4所示。该神经网络结构总共七层，第一层是大小为64×64的输入层；第二层为卷积层，卷积核大小为3×3，深度为4；第三层为最大池化层；第四层为卷积层，卷积核大小为3×3，深度为8；第五层为最大池化层；第六层为全连接层，有1024个神经节点；第七层为softmax分类层。
采用相同方法，建立用于识别划痕缺陷的多层卷积神经网络，并使用划痕缺陷样本进行神经网络训练。在此不再赘述。
3.利用训练好的模型进行缺陷识别
将图4所示缺陷图像作为输入图像，其空间尺寸为1mm×0.75mm，使用训练好的麻点缺陷检测模型和划痕缺陷检测模型进行缺陷识别，得到识别结果，该缺陷图像共包含麻点缺陷两个，尺寸分别为16μm和25μm；划痕缺陷一个，长度为600μm，宽度为12μm。
通过上述实施例，表明本发明所述一种基于深度学习的钢板表面缺陷检测方法能通过构建深度学习神经网络实现钢板表面缺陷的智能识别和量化分析。
实施例2：
一种基于深度学习的钢板表面缺陷检测方法，如图1所示，包括以下步骤：
(1)收集钢板表面缺陷样本；
(2)对步骤(1)收集到的样本进行图像处理；
(3)利用经步骤(2)处理后的样本训练深度学习神经网络模型，得到训练好的深度学习神经网络模型，用于识别钢板表面缺陷；
(4)利用训练好的深度学习神经网络模型进行钢板表面缺陷检测。
本实施例以钢板表面缺陷检测为例子说明。
所述步骤(1)中收集钢板表面缺陷样本为同一拍摄视角拍摄，且样本中缺陷区域为正样本，非缺陷区域为负样本。收集钢板表面有缺陷的图像为样本，样本尽量多样化并尽量保持拍摄角度一致，以提高模型的识别率。因为本发明使用的模型为语义分割模型，样本中缺陷区域相当于正样本，非缺陷区域实际则相当于负样本，所以不需要区分正负样本。本例子中采集样本为37张。样本示例如图3所示。
步骤S2中所述图像处理包括以下步骤：
S2.1：对同一样本进行多次叠加，因为手机玻璃屏幕产品的透明性，以及成像环境的苛刻要求，不能用太亮的光源进行打光，很多缺陷，例如划痕等不容易成像，或是成像效果不明显，肉眼都难以观测，深度学习模型也无济于事。因此本实施例设计了图像叠加的方法，将同一张图像进行多次叠加，使得原本不明显得缺陷更加突出；
S2.2：对多次叠加后的样本进行像素级别的标注处理，经过S2.1处理后的图像，缺陷突出明显，使对原本肉眼难看的缺陷标注更加容易，标注的标签还需进行灰度化，非缺陷灰度值为0，缺陷灰度值为1；
对样本进行标注以后，需要对样本进行处理以便于后面的模型训练，包括：
S2.3：对标注处理后的样本进行统一缩放处理；
S2.4：对统一缩放处理后的样本进行图像增广处理。
步骤S3中所述深度学习神经网络模型为基于EfficientNet的UNet模型，以医学图像分割模型UNet为基础框架，使用EfficientNet取代UNet原有的卷积层，因为医学图像分割模型相对自然图像分割模型更适合于工业表面缺陷检测，医学图像分割和工业表面缺陷检测同样存在着数据获取困难的问题，样本更少，所以医学图像分割模型不宜过大，参数过多，否则容易过拟合。模型小带来的好处则是对硬件的要求降低，训练，推理速度更快的优点，符合工业现场实时性的要求，也更容易部署于嵌入式等设备中。
但是UNet的采用的卷积层还不够高效，对于玻璃表面缺陷特征提取能力也不够强，所以本发明使用了同时结合速度与精度优点的EfficientNet取代UNet原有的卷积层，EfficientNet使用的MBConvBlock在比传统卷积层少参数的情况下，特征提取能力更强也更高效。
使用训练好的模型对玻璃表面进行缺陷检测
对输入的每一帧图像，进行缩放到1024*1024的大小，以加快推理速度，因为训练时也是基于1024*1024大小的样本，所以对推理结果没影响。然后对图像进行多张图像叠加处理，本例子中为6次叠加，和预处理时保持一致，然后进行归一化，其中标签只需归一化和灰度化，和训练时保持一致。最后输入到训练好的模型中进行推理。
实验发现，在同等条件下，本发明的缺陷检测效果比Unet或它的其它变体，如基于mobilenet的Unet都要好，高了将近10％的miou。特别得益于本设计的图像叠加的处理方法，让本来肉眼难见，模型无法检测的缺陷，都能轻易地检测出来了。
Claims (6)
1.一种基于深度学习的钢板表面缺陷检测方法，其特征在于：所述方法包括以下步骤：
步骤一：收集钢板表面缺陷样本并进行预处理；
步骤二：将预处理后的缺陷图像输入预先训练好的缺陷检测模型进行钢板表面缺陷的智能识别；
步骤三：利用经步骤二处理后的样本训练深度学习神经网络模型，得到训练好的深度学习神经网络模型，用于识别钢板表面缺陷；
步骤四：利用训练好的深度学习神经网络模型进行钢板表面缺陷检测。
2.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法，其特征在于：步骤一中，所述收集钢板表面缺陷样本为同一拍摄视角拍摄，且样本中缺陷区域为正样本，非缺陷区域为负样本。
3.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法，其特征在于：步骤一中，所述预处理具体为：
(1)对采集到的图像进行畸变校正；
(2)采用梯度图像自适应阈值分割法、边缘检测法、二值化处理、断点连接算法对图像进行处理。
4.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法，其特征在于：所述缺陷检测模型需要提前训练，其训练过程包括以下步骤：
(1)构造多层卷积神经网络1和多层卷积神经网络2，所述多层卷积神经网络1用于对麻点缺陷进行检测，所述多层卷积神经网络2用于对划痕缺陷进行检测；
(2)采集大量的缺陷图像并进行人工标记，标识出缺陷所在区域、缺陷种类和缺陷大小，在缺陷种类方面，主要针对麻点缺陷和划痕缺陷进行区分，从而得到用于训练缺陷检测模型的训练样本；
(3)将麻点缺陷样本导入多层卷积神经网络1，结合人工标记信息利用优化算法对多层卷积神经网络进行优化训练，从而得到基于深度学习的麻点缺陷检测模型；
(4)将划痕缺陷样本导入多层卷积神经网络2，结合人工标记信息利用优化算法对多层卷积神经网络进行优化训练，从而得到基于深度学习的划痕缺陷检测模型；
(5)将所述基于深度学习的麻点缺陷检测模型和所述基于深度学习的划痕缺陷检测模型进行联合，从而得到钢板表面缺陷检测模型。
5.根据权利要求1所述的一种基于深度学习的钢板表面缺陷检测方法，其特征在于：步骤二中，将预处理后的缺陷图像输入预先训练好的缺陷检测模型进行钢板表面缺陷的智能识别，具体包括如下步骤：
(1)采用多目标检测方法将预处理后的缺陷图像分割成多张分辨率为m×m的缺陷图像，并输入所述基于深度学习的麻点缺陷检测模型，从而判断输入的每一张图像中是否存在麻点缺陷，若存在麻点缺陷，则给出麻点所在位置及麻点尺寸；
(2)对麻点及划痕缺陷的数据信息进行汇总，输出钢板表面的缺陷检测结果。
6.根据权利要求1所述的基于深度学习的钢板表面缺陷检测方法，其特征在于：步骤三中，所述深度学习神经网络模型为基于EfficientNet的UNet模型，以医学图像分割模型UNet为基础框架，使用EfficientNet取代UNet原有的卷积层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210476171.6A CN114841957A (zh) | 2022-04-29 | 2022-04-29 | 一种基于深度学习的钢板表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210476171.6A CN114841957A (zh) | 2022-04-29 | 2022-04-29 | 一种基于深度学习的钢板表面缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114841957A true CN114841957A (zh) | 2022-08-02 |
Family
ID=82567187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210476171.6A Pending CN114841957A (zh) | 2022-04-29 | 2022-04-29 | 一种基于深度学习的钢板表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114841957A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117058106A (zh) * | 2023-08-16 | 2023-11-14 | 广东理工学院 | 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 |
| CN117173151A (zh) * | 2023-09-25 | 2023-12-05 | 江苏精益智控科技有限公司 | 一种长型钢材的外表面缺陷视觉识别装置、方法及系统 |
-
2022
- 2022-04-29 CN CN202210476171.6A patent/CN114841957A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117058106A (zh) * | 2023-08-16 | 2023-11-14 | 广东理工学院 | 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 |
| CN117173151A (zh) * | 2023-09-25 | 2023-12-05 | 江苏精益智控科技有限公司 | 一种长型钢材的外表面缺陷视觉识别装置、方法及系统 |
| CN117173151B (zh) * | 2023-09-25 | 2024-03-08 | 江苏精益智控科技有限公司 | 一种长型钢材的外表面缺陷视觉识别装置、方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
| Li et al. | A novel algorithm for defect extraction and classification of mobile phone screen based on machine vision | |
| CN109934811B (zh) | 一种基于深度学习的光学元件表面缺陷检测方法 | |
| Çelik et al. | Development of a machine vision system: real-time fabric defect detection and classification with neural networks | |
| Xiao et al. | Surface defect detection using image pyramid | |
| CN111402203A (zh) | 一种基于卷积神经网络的织物表面缺陷检测方法 | |
| CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
| CN114841957A (zh) | 一种基于深度学习的钢板表面缺陷检测方法 | |
| CN108765412A (zh) | 一种带钢表面缺陷分类方法 | |
| CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
| Medina et al. | Automated visual classification of frequent defects in flat steel coils | |
| CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其系统 | |
| NU | Automatic detection of texture defects using texture-periodicity and Gabor wavelets | |
| Hu et al. | Detection of chemical fabric defects on the basis of morphological processing | |
| Tang et al. | Surface inspection system of steel strip based on machine vision | |
| CN114155186A (zh) | 基于无监督学习的缺陷检测系统及方法 | |
| CN113298857A (zh) | 一种基于神经网络融合策略的轴承缺陷检测方法 | |
| Borwankar et al. | A novel compact convolutional neural network for real-time nondestructive evaluation of metallic surfaces | |
| Mansano et al. | Inspection of metallic surfaces using local binary patterns | |
| Singh et al. | Segmentation technique for the detection of Micro cracks in solar cell using support vector machine | |
| CN113298765B (zh) | 基于图像处理及深度学习的玻璃面板表面缺陷检测方法 | |
| Islam et al. | Computer vision-based quality inspection system of transparent gelatin capsules in pharmaceutical applications | |
| Cao et al. | Automated visual inspection of solar cell images using adapted morphological and edge detection algorithms | |
| Zhang et al. | Classification-Detection of Metal Surfaces under Lower Edge Sharpness Using a Deep Learning-Based Approach Combined with an Enhanced LoG Operator. | |
| Zhou et al. | A Real-time and High-efficiency Surface Defect Detection Method for Metal Sheets Based on Compact CNN |
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 |