CN115619726A - 汽车车身漆面缺陷检测的轻量化缺陷检测方法 - Google Patents
汽车车身漆面缺陷检测的轻量化缺陷检测方法 Download PDFInfo
- Publication number
- CN115619726A CN115619726A CN202211197225.1A CN202211197225A CN115619726A CN 115619726 A CN115619726 A CN 115619726A CN 202211197225 A CN202211197225 A CN 202211197225A CN 115619726 A CN115619726 A CN 115619726A
- Authority
- CN
- China
- Prior art keywords
- image
- automobile body
- paint surface
- training
- defect
- 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 95
- 239000003973 paint Substances 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 238000010422 painting Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 2
- 238000007710 freezing Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000007635 classification algorithm Methods 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 4
- 238000000576 coating method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种汽车车身漆面缺陷检测的轻量化缺陷检测方法，其特征在于：具体包括如下步骤：步骤1，采集带有车身漆面缺陷的图像，建立车身漆面数据集；步骤2，对步骤1采集的图像进行预处理；步骤3，采用MBTR算法对步骤2处理的后图像进行车身漆面缺陷特征识别训练，得到MBTR分类模型；步骤4，将步骤3训练得到的MBTR分类模型载入汽车车身涂装漆面缺陷检测系统，并将采集到的车身缺陷图像作为输入图像，通过比对识别，输出缺陷检测结果。本发明解决了目前采用人工进行汽车车身漆面缺陷检测存在的效率低下及检测标准不统一的问题。
Description
技术领域
本发明属于汽车车身涂装漆面缺陷智能检测术领域，涉及一种汽车车身漆面缺陷检测的轻量化缺陷检测方法。
背景技术
随着汽车工业的快速发展以及汽车的大规模普及，汽车外观质量已成为汽车市场竞争的重要决定因素之一。汽车车身涂装是提高汽车装饰性的主要措施，被汽车行业公认为是汽车生产的最重要环节之一。在大规模乘用车生产过程中，车身缺陷检测更多的是依靠人工检测，在现有的人工检测系统光照强度高达2500lux的照明环境下，一些极其细小的缺陷需要检测工人反复调整观察角度，用手掌抚摸感觉涂膜的局部不平度才能确定涂膜缺陷的存在。由于人工检测主观性很强，标准难以统一，很难给出定量结果，导致检测工作效率低下，且在强光照明下长时间工作会对操作人员的视觉系统产生不可逆伤害。
发明内容
本发明的目的是提供一种汽车车身漆面缺陷检测的轻量化缺陷检测方法，解决了目前采用人工进行汽车车身漆面缺陷检测存在的效率低下及检测标准不统一的问题。
本发明所采用的技术方案是，汽车车身漆面缺陷检测的轻量化缺陷检测方法，具体包括如下步骤：
步骤1，采集带有车身漆面缺陷的图像，建立车身漆面数据集；
步骤2，对步骤1采集的图像进行预处理；
步骤3，采用MBTR算法对步骤2处理后的图像进行车身漆面缺陷特征识别训练，得到MBTR分类模型；
步骤4，将步骤3训练得到的MBTR分类模型载入汽车车身涂装漆面缺陷检测系统，并将采集到的车身缺陷图像作为输入图像，通过比对识别，输出缺陷检测结果。
本发明的特点还在于：
步骤1的具体过程为：在有LED灯照明的工作环境下，通过相机获取图像，建立车身漆面数据集。
步骤2的具体过程为：图像处理包括两部分，一部分是在数量层面对图像进行增强；另一部分是对图像本身的性质进行处理。
步骤3中：在MBTR算法的训练过程中，冻结预训练模型的训练权重并转移到汽车车身漆面缺陷数据集中，通过迁移学习进行特征提取，并将ImageNet数据集中提取的底层特征应用于汽车车身漆面缺陷数据集。
MBTR算法训练的主要步骤如下：
1)使用ImageNet数据集上的预训练权重作为目标数据集的输入，为了防止预训练模型中的基本权重信息在训练过程中被修改，冻结四个顶层模型建立基本模型；
2)对汽车车身漆面缺陷数据集进行数据增强，并将像素值归一化为[0,1]；
3)更改输入图像的大小至(None,256,256,3)，构建特征提取器，将图像转换为(None,8,8,320)的特征块；
4)连接定义好的基本模型和特征提取器建立模型，对得到的特征向量进行全局平均池化层后的特征为(None,320)；
5)设置Dropout参数，在全连接层后使用Softmax分类器。
本发明的有益效果是，本发明提出了一种轻量化图像分类算法—MBTR算法。MBTR算法的准确率高且参数少，做到了高效且轻量的分类网络。当在更大的数据规模上进行预训练并转移到汽车车身漆面缺陷的小型数据集时，该算法取得了出色的识别与分类效果，大大提高了缺陷检测效率。该轻量化图像分类算法，可以在普通算力设备上进行较快的离线训练，并且具有较好的轻量级图像分类效果。另外，该方法具有一定的通用性，可适用于其它工业品表面外观智能检测领域。
附图说明
图1是本发明汽车车身漆面缺陷检测的轻量化缺陷检测方法的流程图；
图2是本发明汽车车身漆面缺陷检测的轻量化缺陷检测方法中混淆矩阵对于MBTR模型对汽车车身漆面缺陷数据集的分类测试结果；
图3是采用MobileNet-V2、Vgg16、ViT-base、MBTR四种模型在训练过程中的验证集准确率数据对比图；
图4是本发明汽车车身漆面缺陷检测的轻量化缺陷检测方法中针对汽车车身漆面缺陷数据集，基于MBTR算法的整个训练学习过程结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明汽车车身漆面缺陷检测的轻量化缺陷检测方法，采用基于卷积神经网络和Transformer的轻量化图像分类算法(命名为：MBTR算法)。该算法考虑到汽车车身漆面缺陷数据集中图像数量较少，结合汽车漆面缺陷尺寸小、类型多、相似度高的特点，在保证检测性能的前提下，克服了网络计算量大、结构复杂的缺点，实现网络轻量化。
卷积神经网络中轻量级的网络架构可以在不同的视觉任务中学习到参数较少的特征，具有很强的针对性。因此，引入基于注意力机制的Transformer结构，以学习数据图像的全局特征。MBTR算法结合卷积神经网络和Transformer的优点，通过学习汽车车身缺陷图像的所有特征，构建一种轻量级的汽车漆面缺陷图像识别与分类算法。
在纯卷积神经网络结构中，通过简单叠加更深层次的网络可以实现更快的层堆叠，减少参数并扩大感受野。一般来说，使用具有更深层的简单卷积神经网络，可以用更少的参数实现相同(或更多)的表现力。然而，使用残差架构只能扩大网络的感受野，网络仍然只关注局部信息而忽略图像的全局信息，这间接导致网络对小而分散的缺陷检测效率低。通过应用非线性函数，可以更清晰地识别缺陷类型之间的细微差异，进一步提高网络的分类识别能力。因此，本发明使用基于自注意力机制的Transformer结构来替换纯卷积神经网络结构中的一些层来实现全局识别。
MBTR算法在训练过程中使用的是汽车车身漆面缺陷数据集，相比于现有的标准数据集，汽车车身漆面缺陷数据集在体量上属于一个小型数据集。在深度卷积神经网络中，由于数据集的限制，训练的效果通常并不理想。因此，引入迁移学习方法。迁移学习在处理小型数据集时，可以很好地利用在同一域中较大数据集上训练的模型所学习的特征，通过实例化预训练模型，在模型底层结构的基础上训练出顶层结构。
MBTR算法在汽车车身漆面缺陷数据集上的整个训练学习过程详见图1，具体包括如下步骤：
步骤1，图像采集：在有LED灯照明的工作环境下，通过相机获取图像，建立车身漆面数据集。
步骤2，图像预处理：在图像预处理阶段主要进行两类操作：一是运用图像随机剪裁、图像翻转、比例缩放、多图像融合方法等数据增强方式在数量层面对图像进行增强；二是通过图像降噪函数化处理、锐化图像突出感兴趣区域对图像本身的性质进行处理，并在图像数据像素层面进行图像增强。
步骤3，车身漆面缺陷特征识别训练：
训练学习汽车车身漆面缺陷图像的所有特征，并在该过程中得到MBTR训练模型。
在MBTR算法的训练过程中，冻结预训练模型的训练权重并转移到汽车车身漆面缺陷数据集中。通过迁移学习进行特征提取，并将ImageNet数据集中提取的底层特征应用于汽车车身漆面缺陷数据集。由于底层特征包含了图像最基本的特征，该特征几乎可以应用于任何类型的图像，因此底层特征层不需要调整(可将其冻结)。
当训练层分类器时，解冻少量预训练模型并训练，通过调整预训练网络的参数，以提高模型的分类精度。
步骤4，分类检测结果输出：在本方法的具体实施过程中，将步骤3训练得到的MBTR分类模型载入汽车车身涂装漆面缺陷检测系统，并将采集到的车身缺陷图像作为输入图像，通过系统比对识别，输出缺陷检测结果。
在本发明中，对步骤3中的MBTR训练模型进行实验验证，以通过MBTR算法训练的模型为例。设置学习率＝0.001，优化器为Adam，损失函数为类别交叉熵损失函数，迭代次数为30代，批量参数为32。MBTR算法训练的主要步骤如下：
1)为了防止预训练模型中的基本权重信息在训练过程中被修改，MBTR算法使用ImageNet数据集上的预训练权重作为目标数据集的输入，冻结四个顶层模型建立基本模型。
2)对汽车车身漆面缺陷数据集进行数据增强，并将像素值归一化为[0,1]，以反映目标数据集的更多细节并增加模型的泛化能力。
3)更改输入图像的大小至(None,256,256,3)，构建特征提取器，将图像转换为(None,8,8,320)的特征块。
4)连接定义好的基本模型和特征提取器建立模型，对得到的特征向量进行全局平均池化层后的特征为(None,320)。
5)Dropout的参数设置为0.5，在全连接层后使用Softmax分类器，得以进一步减少计算量。
为了定量评估MBTR分类模型，本实验使用混淆矩阵来直观地展示模型的性能。该模型通过四个指标进行评估：准确率(ACC)、精度(P)、召回率(R)和特异度(TNR)。
准确率(Accuracy)最直观显示正确标注的图像占总样本的数量：
精度(Precision)表示预测为正例的数据集中预测正确的数据数量：
召回率(Recall)表示真实为正样本的数据集中预测正确的数据数量：
特异度(Specificity)是数据中正确预测的负样本与总预测出的负样本的比率：
其中，TP表示分类器识别正确，分类器认为该样本为正样本；TN表示分类器识别正确，分类器认为该样本为负样本；FP表示分类器识别结果错误，分类器认为该样本是正样本，所以实际上该样本是负样本；FN表示分类器识别结果错误，分类器认为该样本是负样本，所以实际上该样本是正样本。
MBTR分类模型在汽车车身漆面缺陷数据集的验证集上得到的混淆矩阵，见图2。其中正确预测的数量在对角线上，错误预测的数量在非对角线上。在汽车漆面缺陷测试数据集中，模型对每种类型进行检测，得到相应的精度、召回率和特异度，见表1。
通过分析，我们可以发现MBTR分类模型的准确率在汽车车身漆面缺陷数据集高达99.5％。汽车车身漆面缺陷测试数据集上的所有7个类别都具有较高的精度、召回率和特异度，这意味着该模型可以很好地满足汽车涂装漆面缺陷的自动检测需求。
在汽车车身漆面缺陷数据集上训练得到MobileNet-V2、Vgg16、ViT-base、MBTR四种模型获得的准确率数据对比，详见图3，四种模型的参数对比，详见表2。通过实验结果可以看出：经过30次迭代训练，MobileNetv2的准确率维持在94.3％，Vgg16的准确率高达99.9％，vit-base的准确率维持在91.9％，MBTR的准确率高达99.5％。MBTR的准确率比传统的ViT算法准确率高9％，比传统的MobileNet v2算法准确率高5％，在参数远少于Vgg16的情况下，可以得到比其准确率只低0.4％的结果。
综上所述，针对汽车车身涂装漆面缺陷的种类繁多、漆面特殊、相似度高、车身缺陷小、样本数量少的特点，本申请提出了一种MBTR图像分类算法。该算法结合了卷积神经网络和Transformer神经网络的优点，关注汽车漆面缺陷图像的全局特征，在提高检测效率的同时提取缺陷特征，理论上提高了对小而分散的缺陷的检测精度，可以很好地应用于汽车涂装漆面缺陷检测。
表1.MBTR模型获得车身漆面缺陷类型的分类精度、召回率和特异度
| 名称 | 精度 | 召回率 | 特异度 |
| 气泡 | 1.0 | 1.0 | 1.0 |
| 灰尘 | 1.0 | 1.0 | 1.0 |
| 结垢 | 1.0 | 0.964 | 1.0 |
| 针孔 | 1.0 | 1.0 | 1.0 |
| 下垂 | 1.0 | 1.0 | 1.0 |
| 划痕 | 0.966 | 1.0 | 0.995 |
| 收缩 | 1.0 | 1.0 | 1.0 |
表2.MobileNet-V2、Vgg16、ViT-base、MBTR四种模型的参数总量比较
| 名称 | 参数总量 |
| MobileNetV2 | 2.3M |
| Vgg16 | 70.3M |
| ViT-base | 85.8M |
| MBTR | 1.3M |
下面对该方法的具体应用方式进行说明，基于汽车车身涂装漆面缺陷检测方法，建立汽车车身涂装漆面缺陷检测系统，该系统的具体实施应用主要分为以下三个步骤，输入图像、图像处理及预测、输出图像及预测结果，详见图4，基于MBTR算法的整个训练学习过程结构图。分为四大模块：图像采集和图像预处理、通过MBTR网络训练建立迁移学习模型、特征提取、正式训练。
输入图像：通过图像采集设备采集车身缺陷图像，并将其输入汽车车身涂装漆面缺陷检测系统的图像处理及分类检测中。
图像处理及分类检测：采取与MBTR算法相同的图像预处理方式，对采集到的车身缺陷图像进行预处理，将预处理后的图像输入由“MBTR算法模型框架”和通过训练得到的“MBTR分类模型”组成的图像分类检测模块中。
输出图像及预测结果：经过图像分类检测模块的检测分类处理，为输入的待检测车身缺陷图像预测了缺陷种类，将输入的原图像和检测的类别名称输出，得到分类预测结果。
Claims (5)
1.汽车车身漆面缺陷检测的轻量化缺陷检测方法，其特征在于：具体包括如下步骤：
步骤1，采集带有车身漆面缺陷的图像，建立车身漆面数据集；
步骤2，对步骤1采集的图像进行预处理；
步骤3，采用MBTR算法对步骤2处理的后图像进行车身漆面缺陷特征识别训练，得到MBTR分类模型；
步骤4，将步骤3训练得到的MBTR分类模型载入汽车车身涂装漆面缺陷检测系统，并将采集到的车身缺陷图像作为输入图像，通过比对识别，输出缺陷检测结果。
2.根据权利要求1所述的汽车车身漆面缺陷检测的轻量化缺陷检测方法，其特征在于：所述步骤1的具体过程为：在有LED灯照明的工作环境下，通过相机获取图像，建立车身漆面数据集。
3.根据权利要求2所述的汽车车身漆面缺陷检测的轻量化缺陷检测方法，其特征在于：所述步骤2的具体过程为：图像处理包括两部分，一部分是在数量层面对图像进行增强；另一部分是对图像本身的性质进行处理。
4.根据权利要求3所述的汽车车身漆面缺陷检测的轻量化缺陷检测方法，其特征在于：所述步骤3中：在MBTR算法的训练过程中，冻结预训练模型的训练权重并转移到汽车车身漆面缺陷数据集中，通过迁移学习进行特征提取，并将ImageNet数据集中提取的底层特征应用于汽车车身漆面缺陷数据集。
5.根据权利要求3所述的汽车车身漆面缺陷检测的轻量化缺陷检测方法，其特征在于：所述MBTR算法训练的主要步骤如下：
1)使用ImageNet数据集上的预训练权重作为目标数据集的输入，为了防止预训练模型中的基本权重信息在训练过程中被修改，冻结四个顶层模型建立基本模型；
2)对汽车车身漆面缺陷数据集进行数据增强，并将像素值归一化为[0,1]；
3)更改输入图像的大小至(None,256,256,3)，构建特征提取器，将图像转换为(None,8,8,320)的特征块；
4)连接定义好的基本模型和特征提取器建立模型，对得到的特征向量进行全局平均池化层后的特征为(None,320)；
5)设置Dropout参数，在全连接层后使用Softmax分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211197225.1A CN115619726A (zh) | 2022-09-29 | 2022-09-29 | 汽车车身漆面缺陷检测的轻量化缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211197225.1A CN115619726A (zh) | 2022-09-29 | 2022-09-29 | 汽车车身漆面缺陷检测的轻量化缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115619726A true CN115619726A (zh) | 2023-01-17 |
Family
ID=84860402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211197225.1A Pending CN115619726A (zh) | 2022-09-29 | 2022-09-29 | 汽车车身漆面缺陷检测的轻量化缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115619726A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485729A (zh) * | 2023-04-03 | 2023-07-25 | 兰州大学 | 基于transformer的多级桥梁缺陷检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335238A (zh) * | 2019-05-08 | 2019-10-15 | 吉林大学 | 一种深度学习的汽车漆膜缺陷识别系统构建方法 |
| CN112381787A (zh) * | 2020-11-12 | 2021-02-19 | 福州大学 | 一种基于迁移学习的钢板表面缺陷的分类方法 |
| CN114387213A (zh) * | 2021-12-09 | 2022-04-22 | 威海北硕检测技术有限公司 | 一种基于深度迁移学习的汽车钣金件表面缺陷检测方法 |
| CN114972181A (zh) * | 2022-04-15 | 2022-08-30 | 西安理工大学 | 基于多尺度检测的重型部件涂装表面缺陷检测方法 |
-
2022
- 2022-09-29 CN CN202211197225.1A patent/CN115619726A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335238A (zh) * | 2019-05-08 | 2019-10-15 | 吉林大学 | 一种深度学习的汽车漆膜缺陷识别系统构建方法 |
| CN112381787A (zh) * | 2020-11-12 | 2021-02-19 | 福州大学 | 一种基于迁移学习的钢板表面缺陷的分类方法 |
| CN114387213A (zh) * | 2021-12-09 | 2022-04-22 | 威海北硕检测技术有限公司 | 一种基于深度迁移学习的汽车钣金件表面缺陷检测方法 |
| CN114972181A (zh) * | 2022-04-15 | 2022-08-30 | 西安理工大学 | 基于多尺度检测的重型部件涂装表面缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 那峙雄等: "多损失融合的小样本光伏组件隐裂检测算法", 《计算机科学与探索》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485729A (zh) * | 2023-04-03 | 2023-07-25 | 兰州大学 | 基于transformer的多级桥梁缺陷检测方法 |
| CN116485729B (zh) * | 2023-04-03 | 2024-01-12 | 兰州大学 | 基于transformer的多级桥梁缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
| CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
| CN109657552B (zh) | 基于迁移学习实现跨场景冷启动的车型识别装置与方法 | |
| CN110555842A (zh) | 一种基于锚点集优化的硅片图像缺陷检测方法 | |
| CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
| CN109472783B (zh) | 一种泡沫镍表面缺陷提取及分类方法 | |
| CN115619726A (zh) | 汽车车身漆面缺陷检测的轻量化缺陷检测方法 | |
| CN108986077B (zh) | 基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法 | |
| CN113240665A (zh) | 一种基于深度学习的工业自动表面缺陷检测方法 | |
| CN111223087A (zh) | 一种基于生成对抗网络的桥梁裂缝自动检测方法 | |
| CN117557922A (zh) | 改进YOLOv8的无人机航拍目标检测方法 | |
| CN114913132A (zh) | 一种基于卷积神经网络的汽车电镀件缺陷检测方法 | |
| CN113327243B (zh) | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 | |
| CN114187272A (zh) | 一种基于深度学习的工业零件表面缺陷检测方法 | |
| CN110458120B (zh) | 一种复杂环境下不同车型识别方法及系统 | |
| CN116958645A (zh) | 一种全自动一体化汽车补漆的刮痕识别方法 | |
| CN116958662A (zh) | 一种基于卷积神经网络的钢带缺陷分类方法 | |
| CN116977266A (zh) | 基于小样本图像特征提取的雨棚缺陷检测方法及系统 | |
| CN113724233B (zh) | 基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法 | |
| CN116343016A (zh) | 一种基于轻量型卷积网络的多角度声呐图像目标分类方法 | |
| CN112200762A (zh) | 二极管玻壳缺陷检测方法 | |
| CN113298143B (zh) | 一种地基云鲁棒分类方法 | |
| Xu et al. | Defect recognition method based on fusion learning of multi-layer image features | |
| Yongjian et al. | An Improved Yolov5-Based Algorithm for Cross Shaft Surface Defect Detection | |
| Jiang et al. | A mobile-transformer algorithm for car paint defect detection |
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: 20230117 |
|
| RJ01 | Rejection of invention patent application after publication |