CN114862863A - 一种样本可均衡的曲轴表面缺陷检测方法及检测系统 - Google Patents

一种样本可均衡的曲轴表面缺陷检测方法及检测系统 Download PDF

Info

Publication number
CN114862863A
CN114862863A CN202210807630.4A CN202210807630A CN114862863A CN 114862863 A CN114862863 A CN 114862863A CN 202210807630 A CN202210807630 A CN 202210807630A CN 114862863 A CN114862863 A CN 114862863A
Authority
CN
China
Prior art keywords
sample
crankshaft
image
images
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.)
Granted
Application number
CN202210807630.4A
Other languages
English (en)
Other versions
CN114862863B (zh
Inventor
谢罗峰
朱杨洋
刘卫民
殷鸣
殷国富
刘建华
杨扬
赖光勇
杨敏
余雅彬
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.)
Sichuan Pan Asia Power Technology Co ltd
Sichuan University
Original Assignee
Sichuan Pan Asia Power Technology Co ltd
Sichuan University
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 Sichuan Pan Asia Power Technology Co ltd, Sichuan University filed Critical Sichuan Pan Asia Power Technology Co ltd
Priority to CN202210807630.4A priority Critical patent/CN114862863B/zh
Publication of CN114862863A publication Critical patent/CN114862863A/zh
Application granted granted Critical
Publication of CN114862863B publication Critical patent/CN114862863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

Abstract

本发明公开了一种样本可均衡的曲轴表面缺陷检测方法及检测系统，检测方法包括：构建训练样本数据集，包括：在曲轴表面施加磁粉并以荧光照射，获取曲轴的表面图像；判断并标注表面状态，得到正常的图像数据
Figure 308584DEST_PATH_IMAGE001
个、带有缺陷的图像数据
Figure 982142DEST_PATH_IMAGE002
个，定义
Figure 712201DEST_PATH_IMAGE003
张图像作为一个数据样本，当
Figure 54450DEST_PATH_IMAGE004
张图像全部为正常图像时此样本才标记为正样本，否则为负样本，两者构成训练样本数据集，
Figure 578972DEST_PATH_IMAGE005
的取值为(N+1）/(M+1)；基于深度学习卷积神经网络模型进行训练；将待检测的曲轴的y张图像与N中的x‑y张图像形成一个数据样本，通过深度学习识别模型确定曲轴表面情况。本发明能够使得带缺陷与正常的图像数据保持均衡，并在同样数量的图像下起到样本扩充的效果。

Description

一种样本可均衡的曲轴表面缺陷检测方法及检测系统
技术领域
本发明涉及曲轴表面检测技术领域，特别是涉及一种样本可均衡的曲轴表面缺陷检测方法及检测系统。
背景技术
曲轴是发动机的驱动轴，是每一台发动机中最重要的组成部分，一般通过锻造或铸造工艺进行生产。曲轴经过锻打或铸造成型后，还需要经过热处理、抛丸清理、探伤检测等工序。在成型生产和热处理中，曲轴极易产生各方面的生产缺陷，如剪切裂纹、锻造折迭、淬火裂纹、磨削裂纹等。这些缺陷的存在极易使发动机在运行过程中发生断裂造成安全事故和财产损失。因此，在生产的最后工序，检测曲轴缺陷、发现质量问题在曲轴的生产过程中极其重要。
在我国，利用荧光磁粉探伤进行质量检测的技术已广泛地被应用于工业实际生产中，通过荧光磁粉进行无损探伤的方法仍属于半自动化方式，这种方式将除了需要人工观察进行缺陷确认外，其他步骤均采用机械和电气部分进行了替代。在曲轴的缺陷检测、半轴的缺陷检测、工件裂纹质量检测等方面都采用此种荧光磁粉探伤机进行检测，曲轴具有表面平滑、缺陷在荧光灯下极易观察的特点。曲轴表面缺陷多以裂纹为主，如果在工件表面施加磁粉，则会在工件表面呈现出线型的裂纹，工作人员通过在荧光灯下直接观察判断工件好坏的方式进行检测。采用此种方式检测工件表面或近表面缺陷，通常情况下可以取得较高的准确率。
然而，磁粉探伤检测法工作环境非常恶劣，操作人员持久、单调地进行重复性的工作，很容易产生视觉疲劳造成缺陷的漏检或误判，检测结果受主观因素、视力和经验的影响较大，并且长期被荧光灯照射对人体有害。
基于此，目前市场上出现了一些基于深度学习的卷积神经网络模型，通过对零部件表面的图像进行识别并分类，能够得到表面检测结果。由于深度学习是基于数据驱动的，识别算法性能的好坏和数据样本的好坏有直接密切关系。在实际生产中，获取的带有缺陷的图像数据远少于正常图像数据，传统样本制作方法使得正负样本存在严重不均衡，这将对算法的性能造成严重影响。
发明内容
针对上述问题，本发明提供了一种样本可均衡的曲轴表面缺陷检测方法，使得训练样本数据集中负样本和正样本保持均衡，并且在采集相同图像数量的情况下该样本制作方法相比传统的样本制作方法还起到样本扩充的效果。
本发明的技术方案是：
第一方面，本发明提供了一种样本可均衡的曲轴表面缺陷检测方法，包括：S1、构建训练样本数据集，包括：在曲轴表面施加磁粉并以荧光照射，获取曲轴的表面图像；判断并标注表面图像状态，得到正常的图像数据
Figure DEST_PATH_IMAGE001
个、带有缺陷的图像数据
Figure DEST_PATH_IMAGE002
个，定义x张图像作为一个数据样本，只有当x张图像全部为正常图像时，由该x张图像组成的此样本才标记为正样本；x张图像只要存在一张带缺陷的图像，由该x张图像组成的此样本便标记为负样本；所述正样本和负样本则构成训练样本数据集；其中，x的具体数值由下式给出
Figure DEST_PATH_IMAGE003
，化简得
Figure DEST_PATH_IMAGE004
；S2、基于深度学习卷积神经网络模型，通过所述训练样本数据集对所述深度学习卷积神经网络模型进行训练，完成深度学习识别模型的构建；S3、获取待检测的曲轴的y张表面图像，与从正常的图像数据N中随机选取的x-y张图像组成一个待识别样本，通过所述深度学习识别模型确定曲轴表面情况。
上述技术方案的工作原理如下：
本发明通过将获取的图像数据进行处理，正常的图像数据
Figure DEST_PATH_IMAGE005
个、带有缺陷的图像数据
Figure DEST_PATH_IMAGE006
个，定义x张图像作为一个数据样本，只有当x张图像全部为正常图像时，由该x张图像组成的此样本才标记为正样本；x张图像只要存在一张带缺陷的图像，由该x张图像组成的此样本便标记为负样本；取
Figure DEST_PATH_IMAGE007
，能够使得训练样本数据集中负样本和正样本保持均衡，并且在采集相同图像数量的情况下该样本制作方法相比传统的样本制作方法还起到样本扩充的效果，然后通过正样本和负样本构成的训练样本数据集对深度学习卷积神经网络模型进行训练，从而完成深度学习识别模型的构建，待检测的曲轴便可通过深度学习识别模型进行表面情况的识别，并且进一步训练深度学习识别模型。
在进一步的技术方案中，所述获取待检测的曲轴的表面图像包括：通过相机对待检测的曲轴的表面进行多角度拍摄。
如此设置，能够使得获取的图像更具多样性，提升鲁棒性和泛化性。
在进一步的技术方案中，所述曲轴表面缺陷检测方法还包括步骤S4：根据所述曲轴表面情况，向筛选机构发出正品信号或次品信号完成自动筛选。
如此设置，能够对正品曲轴和次品曲轴进行自动筛选，及时剔除次品曲轴，保证曲轴的出品质量。
第二方面，本发明提供了一种样本可均衡的曲轴表面缺陷检测系统，包括磁粉施加装置、荧光照射装置、拍摄装置及深度学习神经网络识别模块；
所述磁粉施加装置用于对曲轴的表面施加磁粉；
所述荧光照射装置用于对曲轴表面进行荧光照射，以便于判断曲轴的表面状态；
所述拍摄装置用于获取曲轴的表面图像数据并与相应的所述表面状态相对应，并以此得到训练样本数据集；其中，得到所述训练样本数据集具体包括：获取的曲轴表面图像包括正常的图像数据
Figure DEST_PATH_IMAGE008
个、带有缺陷的图像数据
Figure DEST_PATH_IMAGE009
个，定义x张图像作为一个数据样本，只有当x张图像全部为正常图像时，由该x张图像组成的此样本才标记为正样本；x张图像只要存在一张带缺陷的图像，由该x张图像组成的此样本便标记为负样本；所述正样本和负样本则构成训练样本数据集；其中，x的具体数值由下式给出
Figure DEST_PATH_IMAGE010
，化简得
Figure DEST_PATH_IMAGE011
；
所述深度学习神经网络识别模块采用所述训练样本数据集对自身进行训练，以用于待检测的曲轴表面情况的识别。
在进一步的技术方案中，还包括相互连接的控制装置及筛选装置，所述控制装置用于根据所述曲轴表面情况产生正品信号或次品信号，所述筛选装置根据所述正品信号或次品信号进行自动筛选。
在进一步的技术方案中，所述控制装置用于在所述曲轴表面情况为带有缺陷时产生次品信号，所述筛选装置根据所述次品信号将带缺陷的曲轴自动筛选出来。
本发明的有益效果是：
本发明通过将获取的图像数据进行处理，正常的图像数据
Figure DEST_PATH_IMAGE012
个、带有缺陷的图像数据
Figure DEST_PATH_IMAGE013
个，定义x张图像作为一个数据样本，只有当x张图像全部为正常图像时，由该x张图像组成的此样本才标记为正样本；x张图像只要存在一张带缺陷的图像，由该x张图像组成的此样本便标记为负样本；取
Figure DEST_PATH_IMAGE014
，能够使得训练样本数据集中负样本和正样本保持均衡，并且在采集相同图像数量的情况下该样本制作方法相比传统的样本制作方法还起到样本扩充的效果，然后通过正样本和负样本构成的训练样本数据集对深度学习卷积神经网络模型进行训练，从而完成深度学习识别模型的构建，待检测的曲轴便可通过深度学习识别模型进行表面情况的识别，并且进一步训练深度学习识别模型。
具体实施方式
下面对本发明的实施例作进一步说明。
实施例1
第一方面，本发明提供了一种样本可均衡的曲轴表面缺陷检测方法，包括以下步骤：
S1、构建训练样本数据集，包括：在曲轴表面施加磁粉并以荧光照射，获取曲轴的表面图像；判断并标注表面图像状态，得到正常的图像数据
Figure DEST_PATH_IMAGE015
个、带有缺陷的图像数据
Figure DEST_PATH_IMAGE016
个，定义x张图像作为一个数据样本，只有当x张图像全部为正常图像时，由该x张图像组成的此样本才标记为正样本；x张图像只要存在一张带缺陷的图像，由该x张图像组成的此样本便标记为负样本；所述正样本和负样本则构成训练样本数据集；其中，x的具体数值由下式给出
Figure DEST_PATH_IMAGE017
，化简得
Figure DEST_PATH_IMAGE018
。即，从正常的图像数据N中随机选取x张图像组成
Figure DEST_PATH_IMAGE019
个正样本，从正常的图像数据N中随机选取x-1张图像与从带有缺陷的图像数据M中随机选取1张图像组成
Figure DEST_PATH_IMAGE020
个负样本，此时正负样本达到均衡。
S2、基于深度学习卷积神经网络模型，通过所述训练样本数据集对所述深度学习卷积神经网络模型进行训练，完成深度学习识别模型的构建。
S3、获取待检测的曲轴的y张表面图像，与从正常的图像数据N中随机选取的x-y张图像组成一个待识别样本，通过所述深度学习识别模型确定曲轴表面情况。所述y张表面图像是从待检测的曲轴的y个不同工位采集得到。
上述技术方案的工作原理如下：
本发明通过将获取的图像数据进行处理，正常的图像数据
Figure DEST_PATH_IMAGE021
个、带有缺陷的图像数据
Figure DEST_PATH_IMAGE022
个，定义x张图像作为一个数据样本，只有当x张图像全部为正常图像时，由该x张图像组成的此样本才标记为正样本；x张图像只要存在一张带缺陷的图像，由该x张图像组成的此样本便标记为负样本；取
Figure DEST_PATH_IMAGE023
，能够使得训练样本数据集中负样本和正样本保持均衡，并且在采集相同图像数量的情况下该样本制作方法相比传统的样本制作方法还起到样本扩充的效果，然后通过正样本和负样本构成的训练样本数据集对深度学习卷积神经网络模型进行训练，从而完成深度学习识别模型的构建，待检测的曲轴便可通过深度学习识别模型进行表面情况的识别，并且进一步训练深度学习识别模型。
在另外的实施例中，所述获取待检测的曲轴的表面图像包括：通过相机对待检测的曲轴的表面进行多角度拍摄。如此设置，能够使得获取的图像更具多样性，提升鲁棒性和泛化性。
在另外的实施例中，所述曲轴表面缺陷检测方法还包括步骤S4：根据所述曲轴表面情况，向筛选机构发出正品信号或次品信号完成自动筛选。如此设置，能够对正品曲轴和次品曲轴进行自动筛选，及时剔除次品曲轴，保证曲轴的出品质量。
实施例2
第二方面，本发明提供了一种样本可均衡的曲轴表面缺陷检测系统，包括磁粉施加装置、荧光照射装置、拍摄装置及深度学习神经网络识别模块；
所述磁粉施加装置用于对曲轴的表面施加磁粉。
所述荧光照射装置用于对曲轴表面进行荧光照射，以便于判断曲轴的表面状态。
所述拍摄装置用于获取曲轴的表面图像数据并与相应的所述表面状态相对应，并以此得到训练样本数据集；其中，得到所述训练样本数据集具体包括：获取的曲轴表面图像包括正常的图像数据
Figure DEST_PATH_IMAGE024
个、带有缺陷的图像数据
Figure DEST_PATH_IMAGE025
个，定义x张图像作为一个数据样本，只有当x张图像全部为正常图像时，由该x张图像组成的此样本才标记为正样本；x张图像只要存在一张带缺陷的图像，由该x张图像组成的此样本便标记为负样本；所述正样本和负样本则构成训练样本数据集；其中，x的具体数值由下式给出
Figure DEST_PATH_IMAGE026
，化简得
Figure DEST_PATH_IMAGE027
。
所述深度学习神经网络识别模块采用所述训练样本数据集对自身进行训练，以用于待检测的曲轴表面情况的识别。
在另外的实施例中，还包括相互连接的控制装置及筛选装置，所述控制装置用于根据所述曲轴表面情况产生正品信号或次品信号，所述筛选装置根据所述正品信号或次品信号进行自动筛选。
在另外的实施例中，所述控制装置用于在所述曲轴表面情况为带有缺陷时产生次品信号，所述筛选装置根据所述次品信号将带缺陷的曲轴自动筛选出来。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种样本可均衡的曲轴表面缺陷检测方法，其特征在于，包括：
S1、构建训练样本数据集，包括：
在曲轴表面施加磁粉并以荧光照射，获取曲轴的表面图像；
判断并标注表面图像状态，得到正常的图像数据
Figure 738926DEST_PATH_IMAGE001
个、带有缺陷的图像数据
Figure 7096DEST_PATH_IMAGE002
个，定义x张图像作为一个数据样本，只有当x张图像全部为正常图像时，由该x张图像组成的此样本才标记为正样本；x张图像只要存在一张带缺陷的图像，由该x张图像组成的此样本便标记为负样本；所述正样本和负样本则构成训练样本数据集；其中，x的具体数值由下式给出
Figure 920694DEST_PATH_IMAGE003
，化简得
Figure 553801DEST_PATH_IMAGE004
；
S2、基于深度学习卷积神经网络模型，通过所述训练样本数据集对所述深度学习卷积神经网络模型进行训练，完成深度学习识别模型的构建；
S3、获取待检测的曲轴的y张表面图像，与从正常的图像数据N中随机选取的x-y张图像组成一个待识别样本，通过所述深度学习识别模型确定曲轴表面情况。
2.根据权利要求1所述的一种样本可均衡的曲轴表面缺陷检测方法，其特征在于，所述获取待检测的曲轴的表面图像包括：通过相机对待检测的曲轴的表面进行多角度拍摄。
3.根据权利要求1所述的一种样本可均衡的曲轴表面缺陷检测方法，其特征在于，所述曲轴表面缺陷检测方法还包括步骤S4：根据所述曲轴表面情况，向筛选机构发出正品信号或次品信号完成自动筛选。
4.一种样本可均衡的曲轴表面缺陷检测系统，其特征在于，包括磁粉施加装置、荧光照射装置、拍摄装置及深度学习神经网络识别模块；
所述磁粉施加装置用于对曲轴的表面施加磁粉；
所述荧光照射装置用于对曲轴表面进行荧光照射，以便于判断曲轴的表面状态；
所述拍摄装置用于获取曲轴的表面图像数据并与相应的所述表面状态相对应，并以此得到训练样本数据集；其中，得到所述训练样本数据集具体包括：获取的曲轴表面图像包括正常的图像数据
Figure 61006DEST_PATH_IMAGE005
个、带有缺陷的图像数据
Figure 991921DEST_PATH_IMAGE006
个，定义x张图像作为一个数据样本，只有当x张图像全部为正常图像时，由该x张图像组成的此样本才标记为正样本；x张图像只要存在一张带缺陷的图像，由该x张图像组成的此样本便标记为负样本；所述正样本和负样本则构成训练样本数据集；其中，x的具体数值由下式给出
Figure 166551DEST_PATH_IMAGE007
，化简得
Figure 704980DEST_PATH_IMAGE008
；
所述深度学习神经网络识别模块采用所述训练样本数据集对自身进行训练，以用于待检测的曲轴表面情况的识别。
5.根据权利要求4所述的一种样本可均衡的曲轴表面缺陷检测系统，其特征在于，还包括相互连接的控制装置及筛选装置，所述控制装置用于根据所述曲轴表面情况产生正品信号或次品信号，所述筛选装置根据所述正品信号或次品信号进行自动筛选。
6.根据权利要求5所述的一种样本可均衡的曲轴表面缺陷检测系统，其特征在于，所述控制装置用于在所述曲轴表面情况为带有缺陷时产生次品信号，所述筛选装置根据所述次品信号将带缺陷的曲轴自动筛选出来。
CN202210807630.4A 2022-07-11 2022-07-11 一种样本可均衡的曲轴表面缺陷检测方法及检测系统 Active CN114862863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210807630.4A CN114862863B (zh) 2022-07-11 2022-07-11 一种样本可均衡的曲轴表面缺陷检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210807630.4A CN114862863B (zh) 2022-07-11 2022-07-11 一种样本可均衡的曲轴表面缺陷检测方法及检测系统

Publications (2)

Publication Number Publication Date
CN114862863A true CN114862863A (zh) 2022-08-05
CN114862863B CN114862863B (zh) 2022-09-20

Family

ID=82626277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210807630.4A Active CN114862863B (zh) 2022-07-11 2022-07-11 一种样本可均衡的曲轴表面缺陷检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN114862863B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090097735A1 (en) * 2007-09-27 2009-04-16 Fumihiro Sasajima Sample inspection, measuring method and charged particle beam apparatus
CN109871954A (zh) * 2018-12-24 2019-06-11 腾讯科技（深圳）有限公司 训练样本生成方法、异常检测方法及装置
CN111047576A (zh) * 2019-12-12 2020-04-21 珠海博明视觉科技有限公司 一种表面缺陷样本生成工具
CN111105391A (zh) * 2019-11-20 2020-05-05 复旦大学 一种基于深度神经网络增广训练的表面缺陷检测方法
CN111126433A (zh) * 2019-11-19 2020-05-08 佛山市南海区广工大数控装备协同创新研究院 一种工厂pcb板缺陷检测中正负样本数据平衡方法
WO2020186785A1 (zh) * 2019-03-19 2020-09-24 平安科技（深圳）有限公司 样本集构建方法、装置、计算机设备和存储介质
CN111767874A (zh) * 2020-07-06 2020-10-13 中兴飞流信息科技有限公司 一种基于深度学习的路面病害检测方法
CN112667492A (zh) * 2020-11-06 2021-04-16 北京工业大学 一种软件缺陷报告修复人推荐方法
CN112991363A (zh) * 2021-03-17 2021-06-18 泰康保险集团股份有限公司 脑肿瘤图像分割方法、装置、电子设备及存储介质
CN113870230A (zh) * 2021-09-30 2021-12-31 湖南大学 一种基于混合监督学习的表面异常检测方法
CN114399763A (zh) * 2021-12-17 2022-04-26 西北大学 一种单样本与小样本微体古生物化石图像识别方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090097735A1 (en) * 2007-09-27 2009-04-16 Fumihiro Sasajima Sample inspection, measuring method and charged particle beam apparatus
CN109871954A (zh) * 2018-12-24 2019-06-11 腾讯科技（深圳）有限公司 训练样本生成方法、异常检测方法及装置
WO2020186785A1 (zh) * 2019-03-19 2020-09-24 平安科技（深圳）有限公司 样本集构建方法、装置、计算机设备和存储介质
CN111126433A (zh) * 2019-11-19 2020-05-08 佛山市南海区广工大数控装备协同创新研究院 一种工厂pcb板缺陷检测中正负样本数据平衡方法
CN111105391A (zh) * 2019-11-20 2020-05-05 复旦大学 一种基于深度神经网络增广训练的表面缺陷检测方法
CN111047576A (zh) * 2019-12-12 2020-04-21 珠海博明视觉科技有限公司 一种表面缺陷样本生成工具
CN111767874A (zh) * 2020-07-06 2020-10-13 中兴飞流信息科技有限公司 一种基于深度学习的路面病害检测方法
CN112667492A (zh) * 2020-11-06 2021-04-16 北京工业大学 一种软件缺陷报告修复人推荐方法
CN112991363A (zh) * 2021-03-17 2021-06-18 泰康保险集团股份有限公司 脑肿瘤图像分割方法、装置、电子设备及存储介质
CN113870230A (zh) * 2021-09-30 2021-12-31 湖南大学 一种基于混合监督学习的表面异常检测方法
CN114399763A (zh) * 2021-12-17 2022-04-26 西北大学 一种单样本与小样本微体古生物化石图像识别方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HOU HONG LU 等: "Multimodal Fusion Convolutional Neural Network With Cross-Attention Mechanism for Internal Defect Detection of Magnetic Tile", 《IEEE ACCESS》 *
LUOFENG XIE 等: "FFCNN: A Deep Neural Network for Surface Defect Detection of Magnetic Tile", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *
YO-PING HUANG 等: "Imbalance Modelling for Defect Detection in Ceramic Substrate by Using Convolutional Neural Network", 《PROCESSES》 *
刘佳 等: "面向不均衡样本空间的工件表面缺陷检测方法", 《机械科学与技术》 *
郑雷: "面向不均衡样本的表面缺陷检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Also Published As

Publication number Publication date
CN114862863B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN107607554A (zh) 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法
JP6560220B2 (ja) 表面欠陥の検出のための検査システムを点検する方法及び装置
CN111815572B (zh) 一种基于卷积神经网络对锂电池焊接质量的检测方法
EP2951780B1 (en) Method for the non-destructive testing of the volume of a test object and testing device configured for carrying out such a method
CN1804620A (zh) 一种禽蛋表面品质检测的方法和装置
CN103207186A (zh) 自动验布机疵点检测识别方法及其系统
CN107486412A (zh) 一种基于机器视觉的目标表面瑕疵检测系统
CN109840900A (zh) 一种应用于智能制造车间的故障在线检测系统及检测方法
CN109726730A (zh) 自动光学检测图像分类方法、系统及计算机可读介质
Yan et al. Non-destructive testing of composite fiber materials with hyperspectral imaging—Evaluative studies in the EU H2020 FibreEUse project
CN114862863B (zh) 一种样本可均衡的曲轴表面缺陷检测方法及检测系统
JP2013520742A (ja) ガスシリンダのための追跡情報を作成するための方法及びシステム
CN110412055A (zh) 一种基于多光源暗场照明的透镜白雾缺陷检测方法
CN108490002B (zh) 一种微结构棱镜镜片质量检测方法
CN113714133A (zh) 基于机器视觉的叶片检测方法与系统
CN111028250A (zh) 一种实时智能验布方法及系统
CN114677597B (zh) 基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统
CN114445397A (zh) 一种基于浅层神经网络的带钢缺陷检测方法
Virkkunen et al. Feasibility study of using eflaws on qualification of nuclear spent fuel disposal canister inspection
CN114897817A (zh) 一种基于神经网络的锻造缺陷快速目标检测方法
CN114240896A (zh) 一种基于卷积神经网络对螺柱焊焊接质量的检测方法
CN111610205A (zh) 一种金属零部件x光图像缺陷检测装置
JPWO2020262557A5 (zh)
El-Agamy et al. Automated inspection of surface defects using machine vision
TW200823448A (en) Automated optical inspection system and the method thereof

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