CN115578339A - 工业产品表面缺陷检测与定位方法、系统及设备 - Google Patents
工业产品表面缺陷检测与定位方法、系统及设备 Download PDFInfo
- Publication number
- CN115578339A CN115578339A CN202211208711.9A CN202211208711A CN115578339A CN 115578339 A CN115578339 A CN 115578339A CN 202211208711 A CN202211208711 A CN 202211208711A CN 115578339 A CN115578339 A CN 115578339A
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- semantic segmentation
- convolution
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 69
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims description 2
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种工业产品表面缺陷检测与定位方法、系统及设备,首先预处理待检测产品的原始外观图像为预设大小;然后使用语义分割网络实现对产品表面缺陷进行像素级定位;最后将原始外观图像以及语义分割网络的输出作为分类决策网络的输入,进行产品表面缺陷检测与定位;本发明通过利用一种基于两阶段架构的深度卷积网络的有效方法来解决数据样本需求问题,新的语义分割网络和分类决策网络的提出,适合从少量缺陷样本中学习,但仍然可以得到最优性能。
Description
技术领域
本发明属于人工智能、深度学习及图像处理技术领域,涉及一种工业产品表面缺陷检测与定位方法、系统及设备,特别是涉及一种基于分类决策和语义分割的工业产品表面缺陷检测与定位方法、系统及设备。
背景技术
基于视觉的工业品表面缺陷检测旨在发现生产的各种工业产品的外观瑕疵,是保障工业产品生产质量、维持生产稳定的重要技术。以往的缺陷检测需要人工筛查,这种方式成本高、效率低,难以覆盖大规模的质检需求。近年来,随着工业成像、计算机视觉和深度学习等领域的新技术层出不穷,基于视觉的工业缺陷检测技术得到了长足的发展,成为了针对产品外观质检的一种有效的解决方案,引发了学术界和工业界的强烈关注。工业缺陷检测不仅可以用来检测各种工业制品,而且具有优秀的检测精度与效率,还能提供简便、安全的操作环境。因此,工业缺陷检测已成为智能制造领域重要的基础研究与技术之一,并被广泛应用于无人质检、智能巡检、生产控制和质量溯源等各种生产与运维场景中。
表面缺陷检测是一个定位图像中异常区域的问题,如划痕和污点。但在实际应用中,缺少产品表面缺陷样本,且产品表面缺陷的种类多,导致人工标注成本高昂,使得通过传统的深度学习的方法无法满足正常的生产需求。经典的机器视觉方法已经不能满足工业4.0的技术要求,基于深度学习的方法显示出高的灵活性与准确性,传统的手工标准特征提取+SVM/KNN的视觉检测方法不如深度学习相关方法有效。因此,使用最先进的深度学习方法来解决工业产品表面缺陷检测的问题,只需使用少量的训练样本就可以快速适应新类型的产品和表面缺陷检测。
部分引入深度学习的方法中,将手工设计的特征与支持向量机相结合,来对缺陷类型的图像进行分类,但是这些方法仅限于浅层网络。基于OverFeat网络的方法,利用支持向量机在深度特征的基础上学习分类器,这种方法预训练的特征由于LBP特征,但是这种方法没有在目标域上学习网络,没有充分使用深度学习的潜力。引入ReLU和批量归一化来执行缺陷的分割,并提出一个额外的分类决策网络,对缺陷的存在进行图像的分类,可以提高工业品表面缺陷数据的分类精度。最近,提出的LEDNet架构,用来检测LED芯片上图像上的缺陷,他们所提出网络遵循AlexNet架构,去掉了全连接层,采用类激活图(CAM),直接使用每个图像的标签进行学习,来对缺陷进行定位,但是这种方法需要大量的训练样本。
发明内容
为了解决上述技术问题,本发明提出了一种基于分类决策和语义分割的工业产品表面缺陷检测与定位方法、系统及设备。
本发明的方法所采用的技术方案是:一种工业产品表面缺陷检测与定位方法,包括以下步骤:
步骤1:对待检测产品的原始外观图像进行预处理,将其切割或填充为预设大小;
步骤2:使用语义分割网络实现对产品表面缺陷进行像素级定位;
所述语义分割网络,由5个卷积块组成,前4个卷积块分别由1、2、3、4个由Conv层、BatchNorm层和ReLU层组成的级联卷积层和1个下采样层MaxPooling组成,卷积核大小均为3×3,输出通道数分别为16、64、256、1024,池化步长为2;最后一个卷积块由1个卷积层组成,其卷积核大小为1×1,输出通道数为1,并通过双线性插值算法上采样到原始输入图像大小;
步骤3:将步骤1中的原始外观图像以及步骤2中语义分割网络的输出作为分类决策网络的输入,进行产品表面缺陷检测与定位;
所述分类决策网络,包括3个卷积块、全局最大池化层、全局平均池化层、级联层和线性权重结合层;每个卷积块由1个下采样层和1个卷积层组成,池化步长为2,卷积核大小均为3×3,输出通道数分别为16、32、64;将分类决策网络和语义分割网络的输出,即64通道特征图及单通道分割图,分别进行全局最大池化和全局平均池化,再将这4个池化输出级联得到130维特征向量,并与线性权重结合生成最终输出;输出是[0,1]范围内的概率得分,表示异常出现在图像中的概率。
本发明的系统所采用的技术方案是:一种工业产品表面缺陷检测与定位系统,包括以下模块:
模块1,对待检测产品的原始外观图像进行预处理,将其切割或填充为预设大小;
模块2,用于使用语义分割网络实现对产品表面缺陷进行像素级定位;
所述语义分割网络,由5个卷积块组成,前4个卷积块分别由1、2、3、4个由Conv层、BatchNorm层和ReLU层组成的级联卷积层和1个下采样层MaxPooling组成,卷积核大小均为3×3,输出通道数分别为16、64、256、1024,池化步长为2;最后一个卷积块由1个卷积层组成,其卷积核大小为1×1,输出通道数为1,并通过双线性插值算法上采样到原始输入图像大小;
模块3,用于将模块1中的原始外观图像以及模块2中语义分割网络的输出作为分类决策网络的输入,进行产品表面缺陷检测与定位;
所述分类决策网络,包括3个卷积块、全局最大池化层、全局平均池化层、级联层和线性权重结合层;每个卷积块由1个下采样层和1个卷积层组成,池化步长为2,卷积核大小均为3×3,输出通道数分别为16、32、64;将分类决策网络和语义分割网络的输出,即64通道特征图及单通道分割图,分别进行全局最大池化和全局平均池化,再将这4个池化输出级联得到130维特征向量,并与线性权重结合生成最终输出;输出是[0,1]范围内的概率得分,表示异常出现在图像中的概率。
本发明的设备所采用的技术方案是:一种工业产品表面缺陷检测与定位设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现所述的工业产品表面缺陷检测与定位方法。
本发明与现有方法相比,具有以下优点:
①使用少量样本即可训练。本发明提出的网络结构分为两个阶段,第一阶段实现语义分割,对产品表面缺陷进行像素级分类,并用像素级损失函数来训练该网络,可以有效地将每个像素作为一个单独的训练样本,从而增加训练样本数量,防止过拟合;第二阶段实现二元图像分类,包括一个建立在语义分割网络之上的分类决策网络,并共享使用语义分割网络的输出及其特征,可以克服深度学习中样本数量少的问题。
②计算成本低。本发明提出的网络模型比DeepLab等网络的速度更快、精度更高,但本发明所提出的模型只有15.7百万参数,而原始U-Net和DeepLabV3分别有31.1百万和41.1百万参数,是本发明提出网络模型参数量的两倍以上。
③捕捉细节的能力更强。U-Net的感受野大小仅有45个像素,而本发明提出的方法,感受野有225个像素,可以捕捉到更精细的缺陷细节。
④精度更高。仅使用几十张含有缺陷的样本就可以达到很好的性能,非常适用于缺陷样本数量匮乏的工业场景。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例的语义分割网络和分类决策网络结构示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
由于生产过程严格把控次品率,因此相比更易获得的正常样本,缺陷样本数量匮乏,并且对缺陷进行精确标注的成本也非常高。考虑到工业数据呈现明显的不均衡现象,本实施例的检测网络遵循分类决策和语义分割两阶段设计,实现了少量样本训练与高精度缺陷检测。
请见图1和图2,本发明提供的一种工业产品表面缺陷检测与定位方法,包括以下步骤:
步骤1:对待检测产品的原始外观图像进行预处理,将其切割或填充为预设大小;
本实施例中,读取待检测产品的外观图像,灰度或彩色图像均可(通道数分别为1或3),输入图像分辨率可以为任意大小,并将其切割为512×512大小的图像块(建议切割图像时,相邻图像块重叠区域不少于5%,以避免位于图像块边缘处的微小缺陷无法被检测全)。如果输入图像分辨率小于512×512,则采用镜像填充图像块边界。
步骤2:使用语义分割网络实现对产品表面缺陷进行像素级定位;
本实施例的语义分割网络,由5个卷积块组成,前4个卷积块分别由1、2、3、4个由Conv层、BatchNorm层和ReLU层组成的级联卷积层(Conv→BatchNorm→ReLU)和1个下采样层MaxPooling组成,卷积核大小均为3×3,输出通道数分别为16、64、256、1024,池化步长为2;最后一个卷积块由1个卷积层组成,其卷积核大小为1×1,输出通道数为1,并通过双线性插值算法上采样到原始输入图像大小;
第一阶段的网络设计重点是检测大分辨率图像中较小的表面缺陷。为了实现这一目标,需要在高分辨率图像中具有较大的感受野尺寸,并有捕捉较小的特征细节的能力。首先,通过额外的下采样层和多个级联的卷积层来显著增加感受野的大小。其次,每个下采样之间的层数递增,即在靠近网络输入端具有较少的卷积层,而在靠近网络输出端则具有较多的卷积层,这将增加大感受野的特征容量。最后,下采样通过最大池化而不是跨度卷积来实现,这确保了较小但重要的细节能够在下采样过程中保留下来。
步骤3:将步骤1中的原始外观图像(通道数为1或3)以及步骤2中语义分割网络的输出作为分类决策网络的输入,进行产品表面缺陷检测与定位;
本实施例的分类决策网络,包括3个卷积块、全局最大池化层、全局平均池化层、级联层和线性权重结合层;每个卷积块由1个下采样层和1个卷积层组成,池化步长为2,卷积核大小均为3×3,输出通道数分别为16、32、64;将分类决策网络和语义分割网络的输出,即64通道特征图及单通道分割图,分别进行全局最大池化和全局平均池化,再将这4个池化输出级联得到130维特征向量,并与线性权重结合生成最终输出;输出是[0,1]范围内的概率得分,表示异常出现在图像中的概率。
分类决策网络的设计遵循两个重要原则。首先,通过使用几个下采样层和卷积层,确保了对大型复杂形状的处理能力,这使得网络不仅能够捕捉到局部形状,而且还能捕捉到跨越图像大面积的全局形状。其次,分类决策网络不仅使用原始外观图像,而且还使用了语义分割网络最后两个卷积块的输出特征图。这引入了一种捷径,这个捷径在两个层面上实现:一个在分类决策网络的开始,原始外观图像和分割输出特征被输入到分类决策网络的三个卷积层中;另一个在分类决策网络的最后,分割输出映射的全局平均值和全局最大值被附加到最终的全连接层输入中。网络可以利用这种捷径来避免使用大量的特征图,还可以减少大量参数的过拟合。
在复杂的工业现场环境中,由于残留在较浅层的背景噪声信息的影响,在不包含缺陷的图像中出现假阳性是不可避免的情况。为了实现更准确的缺陷检测与缺陷分割,可以通过将分类决策网络的分类输出结果与语义分割网络的预测输出相乘,从而为非缺陷图像的过度分割提供指导。
本实施例的语义分割网络的学习为二值分割问题。因此,分类是在单个图像像素级进行的。可以使用两种不同的训练方法:(1)使用带有DiceTopK的组合方法,(2)使用带有交叉熵损失的二元分类。
本实施例利用交叉熵损失函数训练分类决策网络,分类决策网络的学习是与语义分割网络分开进行的。首先,只对语义分割网络进行独立训练,然后冻结语义分割网络的权值,只训练分类决策网络层。其损失函数为:
通过只对决策层进行微调,该网络避免了语义分割网络中大量权值带来的过拟合问题,这在决策层的学习阶段比分割层的学习阶段更重要。由于GPU内存的限制,在决策层学习时,每批次只能处理1-2个样本,而在分割层学习时,图像的每个像素都被视为一个单独的训练样本,因此有效的批次大小增加了几倍。
本实施例语义分割网络和分类决策网络也可以联合训练,在这种情况下,两个网络的损失函数必须是交叉熵损失,同时训练语义分割网络和分类决策网络;其损失函数为:
本发明通过利用一种基于两阶段架构的深度卷积网络的有效方法来解决数据样本需求问题。新的语义分割网络和分类决策网络的提出,适合从少量缺陷样本中学习,但仍然可以得到最优性能。此方法遵循语义分割网络和分类决策网络这两个阶段的设计,类似于一种多任务CNN网络,对分割和分类决策网络的架构进行改动,目的是增加感受野的大小,并增加捕捉小细节的能力。在语义分割网络部分,本发明将表面缺陷检测作为一个图像二值分割问题,所以首先通过一个语义分割网络实现像素级别的语义分割,然后将分割结果作为输入特征构建决策部分。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (8)
1.一种工业产品表面缺陷检测与定位方法,其特征在于,包括以下步骤:
步骤1:对待检测产品的原始外观图像进行预处理,将其切割或填充为预设大小;
步骤2:使用语义分割网络实现对产品表面缺陷进行像素级定位;
所述语义分割网络,由5个卷积块组成,前4个卷积块分别由1、2、3、4个由Conv层、BatchNorm层和ReLU层组成的级联卷积层和1个下采样层MaxPooling组成,卷积核大小均为3×3,输出通道数分别为16、64、256、1024,池化步长为2;最后一个卷积块由1个卷积层组成,其卷积核大小为1×1,输出通道数为1,并通过双线性插值算法上采样到原始输入图像大小;
步骤3:将步骤1中的原始外观图像以及步骤2中语义分割网络的输出作为分类决策网络的输入,进行产品表面缺陷检测与定位;
所述分类决策网络,包括3个卷积块、全局最大池化层、全局平均池化层、级联层和线性权重结合层;每个卷积块由1个下采样层和1个卷积层组成,池化步长为2,卷积核大小均为3×3,输出通道数分别为16、32、64;将分类决策网络和语义分割网络的输出,即64通道特征图及单通道分割图,分别进行全局最大池化和全局平均池化,再将这4个池化输出级联得到130维特征向量,并与线性权重结合生成最终输出;输出是[0,1]范围内的概率得分,表示异常出现在图像中的概率。
2.根据权利要求1所述的工业产品表面缺陷检测与定位方法,其特征在于:步骤1中,输入图像如果分辨率大于预设大小,则将其切割为预设大小的图像块;如果输入图像分辨率小于预设大小,则采用镜像填充图像块边界,将其填充为预设大小的图像。
7.一种工业产品表面缺陷检测与定位系统,其特征在于,包括以下模块:
模块1,用于预处理待检测产品的原始外观图像为预设大小;
模块2,用于使用语义分割网络实现对产品表面缺陷进行像素级定位;
所述语义分割网络,由5个卷积块组成,前4个卷积块分别由1、2、3、4个由Conv层、BatchNorm层和ReLU层组成的级联卷积层和1个下采样层MaxPooling组成,卷积核大小均为3×3,输出通道数分别为16、64、256、1024,池化步长为2;最后一个卷积块由1个卷积层组成,其卷积核大小为1×1,输出通道数为1,并通过双线性插值算法上采样到原始输入图像大小;
模块3,用于将模块1中的原始外观图像以及模块2中语义分割网络的输出作为分类决策网络的输入,进行产品表面缺陷检测与定位;
所述分类决策网络,包括3个卷积块、全局最大池化层、全局平均池化层、级联层和线性权重结合层;每个卷积块由1个下采样层和1个卷积层组成,池化步长为2,卷积核大小均为3×3,输出通道数分别为16、32、64;将分类决策网络和语义分割网络的输出,即64通道特征图及单通道分割图,分别进行全局最大池化和全局平均池化,再将这4个池化输出级联得到130维特征向量,并与线性权重结合生成最终输出;输出是[0,1]范围内的概率得分,表示异常出现在图像中的概率。
8.一种工业产品表面缺陷检测与定位设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至6中任一项所述的工业产品表面缺陷检测与定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211208711.9A CN115578339A (zh) | 2022-09-30 | 2022-09-30 | 工业产品表面缺陷检测与定位方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211208711.9A CN115578339A (zh) | 2022-09-30 | 2022-09-30 | 工业产品表面缺陷检测与定位方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578339A true CN115578339A (zh) | 2023-01-06 |
Family
ID=84582462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211208711.9A Pending CN115578339A (zh) | 2022-09-30 | 2022-09-30 | 工业产品表面缺陷检测与定位方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578339A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649351A (zh) * | 2024-01-30 | 2024-03-05 | 武汉大学 | 一种基于扩散模型的工业缺陷图像仿真方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190119261A (ko) * | 2018-04-12 | 2019-10-22 | 가천대학교 산학협력단 | 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법 |
CN112233059A (zh) * | 2020-08-13 | 2021-01-15 | 浙江理工大学 | 基于分割+决策的二阶段残差注意力网络的导光板缺陷检测方法 |
CN113362277A (zh) * | 2021-04-26 | 2021-09-07 | 辛米尔视觉科技(上海)有限公司 | 一种基于深度学习的工件表面缺陷检测和分割方法 |
CN113392915A (zh) * | 2021-06-23 | 2021-09-14 | 宁波聚华光学科技有限公司 | 一种基于深度学习的工业零件缺陷检测方法 |
CN113724231A (zh) * | 2021-09-01 | 2021-11-30 | 广东工业大学 | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 |
US20220244194A1 (en) * | 2019-06-05 | 2022-08-04 | Lynx Inspection Inc. | Automated inspection method for a manufactured article and system for performing same |
-
2022
- 2022-09-30 CN CN202211208711.9A patent/CN115578339A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190119261A (ko) * | 2018-04-12 | 2019-10-22 | 가천대학교 산학협력단 | 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법 |
US20220244194A1 (en) * | 2019-06-05 | 2022-08-04 | Lynx Inspection Inc. | Automated inspection method for a manufactured article and system for performing same |
CN112233059A (zh) * | 2020-08-13 | 2021-01-15 | 浙江理工大学 | 基于分割+决策的二阶段残差注意力网络的导光板缺陷检测方法 |
CN113362277A (zh) * | 2021-04-26 | 2021-09-07 | 辛米尔视觉科技(上海)有限公司 | 一种基于深度学习的工件表面缺陷检测和分割方法 |
CN113392915A (zh) * | 2021-06-23 | 2021-09-14 | 宁波聚华光学科技有限公司 | 一种基于深度学习的工业零件缺陷检测方法 |
CN113724231A (zh) * | 2021-09-01 | 2021-11-30 | 广东工业大学 | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
JUN MA 等: ""Loss odyssey in medical image segmentation"", 《MEDICAL IMAGE ANALYSIS》, vol. 71, pages 1 - 13 * |
熊炜 等: ""基于轻量化YOLOV4的复杂场景绝缘子缺陷检测算法"", 《光电子· 激光》, vol. 33, no. 6, pages 598 - 606 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649351A (zh) * | 2024-01-30 | 2024-03-05 | 武汉大学 | 一种基于扩散模型的工业缺陷图像仿真方法及装置 |
CN117649351B (zh) * | 2024-01-30 | 2024-04-19 | 武汉大学 | 一种基于扩散模型的工业缺陷图像仿真方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884064B (zh) | 一种基于神经网络的目标检测与识别方法 | |
CN112396002B (zh) | 一种基于SE-YOLOv3的轻量级遥感目标检测方法 | |
CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN112561910B (zh) | 一种基于多尺度特征融合的工业表面缺陷检测方法 | |
CN109977774B (zh) | 一种基于自适应卷积的快速目标检测方法 | |
CN113591795A (zh) | 一种基于混合注意力特征金字塔结构的轻量化人脸检测方法和系统 | |
CN111626993A (zh) | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统 | |
CN117253154B (zh) | 一种基于深度学习的集装箱弱小序列号目标检测识别方法 | |
CN114742799B (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
CN113255837A (zh) | 工业环境下基于改进的CenterNet网络目标检测方法 | |
CN114627052A (zh) | 一种基于深度学习的红外图像漏气漏液检测方法及系统 | |
CN111914797A (zh) | 基于多尺度轻量级卷积神经网络的交通标志识别方法 | |
CN114708437B (zh) | 目标检测模型的训练方法、目标检测方法、装置和介质 | |
CN111353544A (zh) | 一种基于改进的Mixed Pooling-YOLOV3目标检测方法 | |
CN115861281A (zh) | 一种基于多尺度特征的免锚框表面缺陷检测方法 | |
CN114581782A (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN113743505A (zh) | 基于自注意力和特征融合的改进ssd目标检测方法 | |
CN111738114A (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN115578339A (zh) | 工业产品表面缺陷检测与定位方法、系统及设备 | |
CN116363535A (zh) | 基于卷积神经网络的无人机航拍影像中的船舶检测方法 | |
CN110033443B (zh) | 一种显示面板缺陷检测方法 | |
CN116363105A (zh) | 一种基于Faster R-CNN的高铁接触网零部件识别与定位的方法 | |
CN116052149A (zh) | 一种基于CS-ABCNet的电力塔牌检测识别方法 | |
CN113902903B (zh) | 一种基于下采样的双注意力多尺度融合方法 | |
CN115578364A (zh) | 基于混合注意力与调和因子的微弱目标检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230106 |
|
RJ01 | Rejection of invention patent application after publication |