CN115937555A - 一种基于标准化流模型的工业缺陷检测算法 - Google Patents
一种基于标准化流模型的工业缺陷检测算法 Download PDFInfo
- Publication number
- CN115937555A CN115937555A CN202310221534.6A CN202310221534A CN115937555A CN 115937555 A CN115937555 A CN 115937555A CN 202310221534 A CN202310221534 A CN 202310221534A CN 115937555 A CN115937555 A CN 115937555A
- Authority
- CN
- China
- Prior art keywords
- image sample
- density distribution
- scale
- detected
- normal 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 74
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000009826 distribution Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 16
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 241000282326 Felis catus Species 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 229920002799 BoPET Polymers 0.000 description 4
- 239000005041 Mylar™ Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000003466 welding Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于标准化流模型的工业缺陷检测算法,该算法包括:将一定数量的正常图像样本构建训练数据集;从训练数据集选取正常图像样本并将其转为多种不同尺度图像;将多种不同尺度图像输入EfficientNet‑B6网络提取多个尺度特征;将提取的多个尺度特征同时输入优化后的cross‑scale flow网络进行处理,得到正常图像的密度分布;根据所述正常图像的密度分布设定正常图像的密度分布阈值;对待测图像样本执行步骤S2‑S4的处理过程,获得该待测图像样本的密度分布,将待测图像样本的密度分布与所述密度分布阈值对比,判断该待测图像样本是否为正常图像。
Description
技术领域
本发明涉及工业制品缺陷检测技术领域,尤其涉及一种基于标准化流模型的工业缺陷检测算法。
背景技术
工业缺陷指在发现各种工业制品的外观瑕疵,而图像异常检测主要是关注输入图像是否为异常实例,并且根据异常的形态可以分为定性异常的分类(图像级)和定量异常的定位(像素级),则可以将工业缺陷视为工业产品的外观“异常”,因此可以采用异常检测方法对工业缺陷进行检测。近年来,基于深度学习的检测方法在工业缺陷检测领域逐渐占据主流,现有主流的检测方法主要分为基于分类、基于重建以及基于密度表示等方法,主流的检测方法与其他方法相比在检测精度和通用性上具有较好优势。
通常,在缺陷检测任务中,缺陷的种类未知且繁多,而实际生产收集到的缺陷样本有限,并且会不断有新的缺陷类型出现。同一工业产品的不同待测图像之间的背景由于成像条件不同,难以保持一致,并且可能有不同种类的缺陷,而同一种缺陷也可能在形状、尺寸、大小、颜色等具有不同。实际开发中,工业缺陷未知,而检测要求方法需要达到高精度、低开销的要求,因此工业缺陷检测一般采用无监督深度学习方法。
基于密度表示的全卷积多尺度标准化流(fully convolutional cross-scalenormalizing flow,CS-Flow)能够同时处理不同尺度的特征图,将多种尺度特征图并行传入流模型中,并且让它们之间相互作用,联合处理不同尺度的特征图,通过深度学习训练正常图像,形成正常分布,因此能够通过计算异常分布与正常分布之间的距离来区分定位异常。在实际应用时,得到正常样本的正常分布概率积分,可以通过设置合理的分布阈值区分异常的产品。
针对此特点,本发明提出一种在深度学习的基础下,采用优化和改进后的基于密度表示的全卷积多尺度标准化流(CS-Flow)方法,对正常图像样本训练建模,从而能够检测出工业生产中产品的缺陷,达到工业缺陷检测高精度、低开销的需求。
发明内容
本发明的目的在于提供一种基于标准化流模型的工业缺陷检测算法,该检测算法是在深度学习的基础下,基于改进的基于密度表示的全卷积多尺度标准化流(fullyconvolutional cross-scale normalizing flow,CS-Flow)方法,对正常图像样本训练建模,能够检测出工业生产中产品的缺陷,明显提升检测精度和速度,满足工业缺陷检测高精度、低开销的需求。
为达到上述技术目的,本发明采用以下一种技术方案:
一种基于标准化流模型的工业缺陷检测算法,具体包括以下步骤:
S1、将一定数量的正常图像样本构建训练数据集;
S2、从训练数据集选取正常图像样本并将其转为多种不同尺度图像;
S3、将多种不同尺度图像输入EfficientNet-B6网络提取多个尺度特征;
S4、将提取的多个尺度特征同时输入优化后的cross-scale flow网络进行处理,得到正常图像的密度分布;所述优化后的cross-scale flow网络中的通道数与输入尺度特征的通道数对应,且其耦合块内部结构中融合方式为cat融合;
S5、根据所述正常图像的密度分布设定正常图像的密度分布阈值;
S6、获取待测图像样本,对该待测图像样本执行步骤S2-S4的处理过程,获得该待测图像样本的密度分布,将待测图像样本的密度分布与所述密度分布阈值对比,判断该待测图像样本是否为正常图像。
进一步的,所述将多种不同尺度图像输入EfficientNet-B6网络提取多个尺度特征,具体是:采用EfficientNet-B6网络的第36层输出作为特征提取器来提取不同尺度图像的尺度特征。
进一步的,所述从训练数据集选取正常图像样本并将其转为多种不同尺度图像,具体是:从训练数据集选取正常图像样本并将其转为三种不同尺度图像;
将多种不同尺度图像输入EfficientNet-B6网络提取多个尺度特征,具体是:将三种不同尺度图像输入EfficientNet-B6网络,提取得到尺度特征y(1)、尺度特征y(2)、尺度特征y(3);
所述将提取的多个尺度特征同时输入优化后的cross-scale flow网络进行处理,具体是:将提取的尺度特征y(1)、尺度特征y(2)、尺度特征y(3)同时输入优化后的cross-scaleflow网络进行处理。
进一步的,将待测图像样本的密度分布与所述密度分布阈值对比,判断该待测图像样本是否为正常图像,包括:
判断待测图像样本的密度分布是否大于密度分布阈值,若是则判断该待测图像样本为缺陷图像样本,若否,则判断该待测图像样本为正常图像样本。
进一步的,还包括步骤:S7、对于缺陷图像样本进行缺陷区域定位。
进一步的,所述对于缺陷图像样本进行缺陷区域定位,具体是:通过缺陷图像样本的密度分布与正常样本的密度分布比较计算出的异常分数,从而定位出缺陷位置。
采用上述方案后,本发明具有以下有益效果:
1)本发明通过在CS-Flow方法上进行了改进和优化,采用了EfficientNet-B6作为特征提取器,能够捕获到图像更多像素的特征,并且对cross-scale flow网络结构进行改进,一方面修改Cross-scale flow网络中的通道数,使其与输入尺度特征的通道数对应,一方面将Cross-scale flow网络的耦合块内部结构中融合方式由add融合改为cat融合,避免了融合过程中特征信息的丢失,能够更好的保持图像结构,从而能够更好地判断产品是否存在缺陷并定位出缺陷位置。
2)本发明先采用正常图像样本对基于标准化流的检测算法模型进行训练,获取正常图像的密度分布,即通过该标准化流的方法,可以得到正常图像样本的正常密度分布,再将待测图像样本输入该算法模型得到待测图像样本的密度分布,通过设定阈值判断待测图像样本是否存在缺陷,因此该方法克服工业缺陷检测任务中因数据严重不均衡(缺陷样本数量极少、良品样本极多)导致的建模困难,能够在工业缺陷检测过程中有效检出缺陷产品,可避免将缺陷产品当成正常产品而产生的后果。
本发明的检测算法可应用于顶盖焊接视觉检测系统、自动上下料机(通用)、包Mylar机包MylarCCD检测设备、密封钉焊接视觉检测系统、EPD烧录+点灯检AOI设备、电芯外观检测机、刀片电池六面检测系统、二维条码读取器VCR、折弯机、PSA小料贴附机(单通道)等设备或系统的工业品缺陷检测模块中。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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变形形式。
图1是本发明一种基于标准化流模型的工业缺陷检测算法的步骤流程图;
图2是本发明一种基于标准化流模型的工业缺陷检测算法的模型训练图;
图3是采用本发明一种基于标准化流模型的工业缺陷检测算法对待测图像样本进行检测总体流程图;
图4是现有的 Cross-scale flow网络耦合快结构图;
图5是原始Cross-scale flow内部子网络的结构图;
图6是本发明改进后Cross-scale flow内部子网络的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种基于标准化流模型的工业缺陷检测算法,该检测算法基于密度表示的全卷积多尺度标准化流(fully convolutional cross-scale normalizingflow,CS-Flow)模型,CS-Flow能够同时处理不同尺度的特征图,将多种尺度特征图并行传入CS-Flow流模型中,并且让它们之间相互作用,联合处理不同尺度的特征图,通过深度学习训练正常图像,形成正常分布,因此能够通过计算异常分布与正常分布之间的距离来区分定位异常。在实际应用时,得到正常样本的正常分布概率积分,可以通过设置合理的分布阈值区分异常的产品。
如图1-3所示,上述的基于标准化流模型的工业缺陷检测算法,具体包括以下步骤:
S1、将一定数量的正常图像样本构建训练数据集;正常图像样本即为经过验证不存在工业缺陷的图像,作为算法模型的训练样本。
S2、从训练数据集选取正常图像样本并将其转为多种不同尺度图像,用于后续不同尺度特征的提取;本实施例具体是从训练数据集选取正常图像样本并将其转为三种不同尺度图像,结合图2,得到尺度1、尺度2、尺度3分别表示三种不同尺度图像。
S3、将三种不同尺度图像输入EfficientNet-B6网络,提取得到尺度特征y(1)、尺度特征y(2)、尺度特征y(3);具体是采用EfficientNet-B6网络的第36层输出作为特征提取器来提取不同尺度图像的尺度特征,从而能够得到更细节、更复杂的特征映射,有利于后续流的处理。
S4、将提取的多个尺度特征(尺度特征y(1)、尺度特征y(2)、尺度特征y(3))同时输入优化后的cross-scale flow网络进行处理,得到正常图像的密度分布;所述优化后的cross-scale flow网络中的通道数与输入尺度特征的通道数对应,且其耦合块内部结构中融合方式为cat融合;
S5、根据所述正常图像的密度分布设定正常图像的密度分布阈值;
S6、获取待测图像样本,对该待测图像样本执行步骤S2-S4的处理过程,获得该待测图像样本的密度分布,将待测图像样本的密度分布与所述密度分布阈值对比,判断该待测图像样本是否为正常图像。请参见图3,本实施例中,将待测图像样本的密度分布与所述密度分布阈值对比,判断该待测图像样本是否为正常图像的具体方式为:判断待测图像样本的密度分布是否大于密度分布阈值,若是则判断该待测图像样本为缺陷图像样本,若否,则判断该待测图像样本为正常图像样本。
S7、对于缺陷图像样本进行缺陷区域定位,本实施例中,定位方式具体是:通过缺陷图像样本的密度分布与正常样本的密度分布比较计算出的异常分数,从而定位出缺陷位置。
以下对于本实施例中优化后的cross-scale flow网络进行具体说明:
如图4所示为现有的 Cross-scale flow网络耦合快结构,Cross-scale flow是在传统的标准化流RealNVP的基础上扩展,使其能够处理多种不同尺度的特征图,由图可以看出,将三种不同尺度特征随机打乱并分割为与两部分,通过一系列仿射变换得到与两部分输出,公式如下所示:
其中,符号表示做元素卷积,为Cross-scale flow内部子网络。
如图5所示为原始Cross-scale flow内部子网络的结构图,其内部通道数为304-1024、1024-508、608-2×304,耦合块内部结构中融合方式由add融合。
如图6所示为本发明改进后Cross-scale flow内部子网络的结构图,改进后的内部通道数为344-1032、1032-688、688-2×344,耦合块内部结构中融合方式由cat融合。因本发明采用特征提取网络使用了EfficientNet-B6,修改Cross-scale flow网络中的通道数后,使其与能够与输入特征的通道数对应,而将将耦合块内部结构中融合方式由add融合改为cat融合,避免了融合过程中特征信息的丢失,更好地保留了图像结构,有利于提高对工业缺陷的检测效果。
以下为本实施例一种基于标准化流模型的工业缺陷检测算法的应用实例:
将发明的基于标准化流模型的工业缺陷检测算法运用于锂电池密封钉缺陷检测任务中进行测试。所试用的训练样本(即检测算法中正常图像样本)包含 500张良品样本的图片,经过上述步骤S2-S4的模型训练步骤获得良品数据的密度分布(即检测算法中正常图像样本的密度分布)。测试数据共有 500 张图片(即检测算法中待测图像样本),其中包含300 张良品样本和 200 张缺陷样本。将图片随机划分为 5 组,每组图片为 100 张,分别输入模型进行检测(即执行检测算法步骤S2-S6),取所有组别的结果再求取平均值,检测结果精度评价如下表:
表一、未改进算法模型与本实施例算法模型的工业缺陷检测结果对比
根据表1所中对良品图正确率、缺陷图正确率、总体正确率、每张图检测速度等检测结果参数的对比。
如上所述的基于标准化流模型的工业缺陷检测算法可以应用于各类工业品缺陷检测,例如电子产品、机械设备、精密仪器及其零配件等工业品的缺陷检测,具体可应用于顶盖焊接视觉检测系统、自动上下料机(通用)、包Mylar机包MylarCCD检测设备、密封钉焊接视觉检测系统、EPD烧录+点灯检AOI设备、电芯外观检测机、刀片电池六面检测系统、二维条码读取器VCR、折弯机、PSA小料贴附机(单通道)等设备或系统的工业品缺陷检测模块。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一可选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的实施方式,并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等,均应包含在该技术方案的保护范围之内。
Claims (6)
1.一种基于标准化流模型的工业缺陷检测算法,其特征在于包括以下步骤:
S1、将一定数量的正常图像样本构建训练数据集;
S2、从训练数据集选取正常图像样本并将其转为多种不同尺度图像;
S3、将多种不同尺度图像输入EfficientNet-B6网络提取多个尺度特征;
S4、将提取的多个尺度特征同时输入优化后的cross-scale flow网络进行处理,得到正常图像的密度分布;所述优化后的cross-scale flow网络中的通道数与输入尺度特征的通道数对应,且其耦合块内部结构中融合方式为cat融合;
S5、根据所述正常图像的密度分布设定正常图像的密度分布阈值;
S6、获取待测图像样本,对该待测图像样本执行步骤S2-S4的处理过程,获得该待测图像样本的密度分布,将待测图像样本的密度分布与所述密度分布阈值对比,判断该待测图像样本是否为正常图像。
2.如权利要求1所述的一种基于标准化流模型的工业缺陷检测算法,其特征在于:所述将多种不同尺度图像输入EfficientNet-B6网络提取多个尺度特征,具体是:采用EfficientNet-B6网络的第36层输出作为特征提取器来提取不同尺度图像的尺度特征。
3.如权利要求1所述的一种基于标准化流模型的工业缺陷检测算法,其特征在于:所述从训练数据集选取正常图像样本并将其转为多种不同尺度图像,具体是:从训练数据集选取正常图像样本并将其转为三种不同尺度图像;
所述将多种不同尺度图像输入EfficientNet-B6网络提取多个尺度特征,具体是:将三种不同尺度图像输入EfficientNet-B6网络,提取得到尺度特征y(1)、尺度特征y(2)、尺度特征y(3);
所述将提取的多个尺度特征同时输入优化后的cross-scale flow网络进行处理,具体是:将提取的尺度特征y(1)、尺度特征y(2)、尺度特征y(3)同时输入优化后的cross-scaleflow网络进行处理。
4.如权利要求1所述的一种基于标准化流模型的工业缺陷检测算法,其特征在于:将待测图像样本的密度分布与所述密度分布阈值对比,判断该待测图像样本是否为正常图像,包括:
判断待测图像样本的密度分布是否大于密度分布阈值,若是则判断该待测图像样本为缺陷图像样本,若否,则判断该待测图像样本为正常图像样本。
5.如权利要求4所述的一种基于标准化流模型的工业缺陷检测算法,其特征在于还包括步骤:
S7、对于缺陷图像样本进行缺陷区域定位。
6.如权利要求5所述的一种基于标准化流模型的工业缺陷检测算法,其特征在于:所述对于缺陷图像样本进行缺陷区域定位,具体是:通过缺陷图像样本的密度分布与正常样本的密度分布比较计算出的异常分数,从而定位出缺陷位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310221534.6A CN115937555A (zh) | 2023-03-09 | 2023-03-09 | 一种基于标准化流模型的工业缺陷检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310221534.6A CN115937555A (zh) | 2023-03-09 | 2023-03-09 | 一种基于标准化流模型的工业缺陷检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937555A true CN115937555A (zh) | 2023-04-07 |
Family
ID=86556119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310221534.6A Pending CN115937555A (zh) | 2023-03-09 | 2023-03-09 | 一种基于标准化流模型的工业缺陷检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937555A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188467A (zh) * | 2023-04-26 | 2023-05-30 | 厦门微图软件科技有限公司 | 一种刀片锂电池外壳长表面的异常检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907589A (zh) * | 2021-04-02 | 2021-06-04 | 联通(上海)产业互联网有限公司 | 一种检测异常并且分割图像中异常区域的深度学习算法 |
CN113362230A (zh) * | 2021-07-12 | 2021-09-07 | 昆明理工大学 | 一种基于小波变换的可逆流模型图像超分辨率的方法 |
CN114742799A (zh) * | 2022-04-18 | 2022-07-12 | 华中科技大学 | 基于自监督异构网络的工业场景未知类型缺陷分割方法 |
CN115205650A (zh) * | 2022-09-15 | 2022-10-18 | 成都考拉悠然科技有限公司 | 基于多尺度标准化流的无监督异常定位与检测方法及装置 |
-
2023
- 2023-03-09 CN CN202310221534.6A patent/CN115937555A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907589A (zh) * | 2021-04-02 | 2021-06-04 | 联通(上海)产业互联网有限公司 | 一种检测异常并且分割图像中异常区域的深度学习算法 |
CN113362230A (zh) * | 2021-07-12 | 2021-09-07 | 昆明理工大学 | 一种基于小波变换的可逆流模型图像超分辨率的方法 |
CN114742799A (zh) * | 2022-04-18 | 2022-07-12 | 华中科技大学 | 基于自监督异构网络的工业场景未知类型缺陷分割方法 |
CN115205650A (zh) * | 2022-09-15 | 2022-10-18 | 成都考拉悠然科技有限公司 | 基于多尺度标准化流的无监督异常定位与检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
MARCO RUDOLPH ET: "Fully Convolutional Cross-Scale-Flows for Image-based Defect Detection", HTTP://ARXIV.ORG/ABS/2110.02855 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188467A (zh) * | 2023-04-26 | 2023-05-30 | 厦门微图软件科技有限公司 | 一种刀片锂电池外壳长表面的异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
JP5718781B2 (ja) | 画像分類装置および画像分類方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN109918523B (zh) | 一种基于yolo9000算法的电路板元器件检测方法 | |
CN113763312A (zh) | 使用弱标记检测半导体试样中的缺陷 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN112365491A (zh) | 容器焊缝检测的方法、电子设备及存储介质 | |
CN111758117B (zh) | 检查系统、识别系统以及学习数据生成装置 | |
CN111103307A (zh) | 一种基于深度学习的pcb板缺陷检测方法 | |
CN111986195A (zh) | 一种外观缺陷检测方法及系统 | |
CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与系统 | |
CN106528665A (zh) | Aoi设备测试文件查找方法和系统 | |
CN114429445A (zh) | 一种基于MAIRNet的PCB缺陷检测与识别方法 | |
CN108765391A (zh) | 一种基于深度学习的平板玻璃异物影像分析方法 | |
CN110807754A (zh) | 基于深度语义分割的真菌显微图像分割检测方法及系统 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
CN116934732A (zh) | 一种光伏组件的检测方法、装置及电子设备 | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
CN116091506A (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
CN117677969A (zh) | 一种缺陷检测的方法和装置 | |
CN114742803A (zh) | 一种结合深度学习与数字图像处理算法的血小板聚集检测方法 | |
CN107123105A (zh) | 基于fast算法的图像匹配缺陷检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230407 |
|
RJ01 | Rejection of invention patent application after publication |