CN115980070B - 基于随机神经网络搜索的机油罐标签划痕检测系统及方法 - Google Patents
基于随机神经网络搜索的机油罐标签划痕检测系统及方法 Download PDFInfo
- Publication number
- CN115980070B CN115980070B CN202310250717.0A CN202310250717A CN115980070B CN 115980070 B CN115980070 B CN 115980070B CN 202310250717 A CN202310250717 A CN 202310250717A CN 115980070 B CN115980070 B CN 115980070B
- Authority
- CN
- China
- Prior art keywords
- convolution
- label
- engine oil
- module
- neural network
- 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.)
- Active
Links
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 Analysis (AREA)
Abstract
本发明公开了基于随机神经网络搜索的机油罐标签划痕检测系统及方法，属于机油罐标签划痕检测技术领域，旨在解决现有技术中采用人工方式对机油罐标签划痕检测存在准确率低、效率低、检测具有滞后性的问题，以及一般自动检测系统存在的误检严重、分级精度低的问题。通过采集机油罐正反两面的标签图像对其进行划痕检测，并实现有划痕自动报警，根据检测结果对机油罐进行自动分类，相比采用人工的方式节省了大量的人力、物力和财力，同时采用随机神经网络架构搜索方法搜索得最优网络模型，检测准确度更高，能够更加规范生产管理和操作流程。
Description
技术领域
本发明涉及机油罐标签划痕检测技术领域，具体为基于随机神经网络搜索的机油罐标签划痕检测系统及方法。
背景技术
机油罐标签划痕其产生主要由生产过程中的机械成因或人为成因造成，其中划痕属于成型不良的一种常见形式。其机械成因主要是由于器械间转移过程中会出现位移偏差，进而造成碰撞，机油罐与器械相互碰撞，容易产生长条状深划痕。人为成因在自动化生产线上出现几率较少，部分情形需要人工转移机油罐时，可能产生磕碰，此外一些误操会产生部分人为划痕，包括工具使用不当造成擦碰造成划伤。而无论是机械成因还是人为成因造成的划痕成型，在外观显示上会严重影响美观。进而影响口碑以及销量。而目前机油罐生产厂的生产线均采用人工外观检测方式，其有以下几个缺点：（1）劳动强度大，生产效率低，长时间劳作尤其夜班工作不仅会造成检测质量会下降，更重要的是身体机能也会随之下降，影响身体健康；（2）人工外检的质量不高，容易产生失误，错分有划痕的产品。
总之，现在的机油罐生产是一个速度很高、高度自动化的生产过程，传统的人工划痕检测已经远远不能满足精细生产的需要，而基于神经网络架构搜索和图像处理技术的机油罐标签划痕目标检测系统，能够有效保证划痕的检测精度。
传统的缺陷检测方法准确率不高。随着深度学习技术的发展，基于卷积神经网络的缺陷检测算法逐渐兴起，其超参数往往难以确定，得不到最好的检测效果。
发明内容
鉴于现有技术中所存在的问题，本发明公开了基于随机神经网络搜索的机油罐标签划痕检测系统，采用的技术方案是，包括：第一传送带、第二传送带、设备计算机、第一扫描摄像头和第二扫描摄像头，所述第一扫描摄像头和第二扫描摄像头均与所述设备计算机连接，所述第一传送带和所述第二传送带垂直设置，所述第一传送带和第二传送带的两侧均设置有图像采集单元，通过图像采集单元的设置，能够采集机油罐图像，所述第一传送带之间设有扫描空间，所述第一扫描摄像头设于所述扫描空间的左侧，所述第二扫描摄像头设于所述扫描空间的右侧，所述第一扫描摄像头与所述第二扫描摄像头相对设置，所述第一传送带的右侧设置有报警灯，通过报警灯的设置，能够根据处理单元反馈的信息来决定是否报警。
本发明还公开了基于随机神经网络搜索的机油罐标签划痕检测方法，采用的技术方案是，包括以下步骤：
S1：收集机油罐标签数据集，并将其构建为训练集、验证集、测试集，对采集的图像做灰度转换，获取其灰度图；
S2：创建卷积模块CB和池化模块PB，并确定神经网络搜索空间和运算操作类型空间；
S3：以所述池化模块PB和卷积模块CB为最小单元进行堆叠构建主干网络，并确定最终的网络结构，所述网络结构包括第一网络单元、第二网络单元和第三网络单元，所述第一网络单元包含一个卷积模块CB和一个池化模块PB组成，然后通过两次最大值合并得到统一特征图；所述第二网络单元包含三个卷积模块CB和一个池化模块PB组成；第三网络单元包含依次连接的Dropout层、两个全连接层和输出层，输出层的激活函数为Softmax函数，通过全连接层和输出层反馈性能指标；
S4：在搜索空间中均匀随机采样邻接矩阵，即得到一个有向无环图(DAG)，利用所述数据集搜索每个结构单元中待搜索结构单元的每两个内部节点之间的最优操作；
S5：在运算操作类型空间中，均匀随机采样以确定DAG中除了输入输出外的每一个顶点的运算操作类型；
S6：将所划分的数据集输入到网络模型，利用所述训练集确定所述搜索空间中每个模块的学习参数；利用所述验证集确定每个单元模块；
S7：计算网络架构损失并更新学习参数；
S8：根据邻接矩阵和运算操作向量请求模型的性能指标，并且进行循环S5～S8步骤；
S9：根据上述循环迭代的验证集性能指标，返回最优网络模型，并且保存其网络模型权重参数和架构参数。
作为本发明的一种优选技术方案，所述步骤S1中训练集用于训练神经网络的权重参数，验证集用于训练神经网络的架构参数，所述权重参数指神经网络的操作中的权重，所述架构参数指代表待搜索操作的重要程度的参数，所述训练集、验证集、测试集都包括若干有划痕机油罐标签图像与无划痕的机油罐标签图像，所述训练集、验证集、测试集的具体方法为：采集若干张有划痕机油罐标签图像与无划痕的机油罐标签图像，对其进行裁剪得到相同大小的图像，将图像通过灰度处理算法生成对应的灰度图像，将所得到的灰度图像来划分训练集、验证集、测试集；其中有划痕的标签图像的类别标签为0，无划痕的机油罐标签图像的类别标签为1。
作为本发明的一种优选技术方案，所述步骤S2中所述神经网络搜索空间包括卷积模块CB和池化模块PB，所述卷积模块CB由三个卷积层和一个跳跃连接组成，第一个卷积层输入瓶颈卷积层，其卷积核大小固定为 1×1，第二个卷积层采用深度卷积提取特征信息，采用两种深度卷积，即残差可分离卷积和残差空洞可分离卷积，以形成两种第二个卷积层，第三层卷积层采用点式卷积，其卷积核大小固定为 1×1；根据上述卷积模块CB的说明，设置了四种不同的卷积模块，其中CB1模块包含三个卷积层，第一个卷积层为输入瓶颈卷积层，其卷积核大小固定为 1×1，第二个卷积层采用残差可分离卷积，其卷积核大小固定为3×3，第三个卷积层层采用点式卷积，其卷积核大小固定为 1×1；CB2模块为包含三个的卷积层，第一个卷积层为输入瓶颈卷积层，其卷积核大小固定为 1×1，第二个卷积层采用残差可分离卷积，其卷积核大小固定为 5×5，第三个卷积层层采用点式卷积，其卷积核大小固定为 1×1；CB3模块包含三个卷积层，第一个卷积层为输入瓶颈卷积层，其卷积核大小固定为 1×1，第二个卷积层采用残差空洞可分离卷积，其卷积核大小固定为 3×3，第三个卷积层层采用点式卷积，其卷积核大小固定为 1×1；CB4模块为包含三个的卷积层，第一个卷积层为输入瓶颈卷积层，其卷积核大小固定为 1×1，第二个卷积层采用残差空洞可分离卷积，其卷积核大小固定为 5×5，第三个卷积层层采用点式卷积，其卷积核大小固定为 1×1，上述卷积层的步长都为1，每个卷积层的中间连接为激活层，激活层是RELU函数；所述池化模块PB包括PB1平均池化模块和PB2最大值池化模块，PB1平均池化模块内核大小设置为3×3，步长设置为 2×2，PB2最大值池化模块内核大小设置为 3×3，步长设置为 2×2。
作为本发明的一种优选技术方案，所述步骤S4中的有向无环图(DAG)由一个集合定义，该集合中包含了由 5个节点所组成的所有可能的 DAG，所述节点即为卷积模块CB或者池化模块PB，DAG 中的每个节点对应的运算操作有2种可能，即3×3卷积操作和5×5卷积操作，取其中的一种作为该节点的运算操作，此外，DAG 需要有两个特殊的输入和输出节点，他们分别被标记为 in 和 out，分别表示网络结构的输入和输出张量，其中所有的卷积运算都利用了批归一化且激活函数使用 ReLU函数。
作为本发明的一种优选技术方案，所述步骤S7中所述网络架构损失是利用架构损失函数基于所述神经网络的输出和图像对应的类别标签向量，计算每个结构单元中待搜索结构单元的每两个内部节点之间每个操作对应的损失值；模型通过其架构损失函数损失来表现性能指标，其计算公式为：
其中J(θ)为损失值，hθ(xk)、yk、是第k个样本的真实标签向量和预测标签向量，其都为一个独热编码向量，θ为学习的参数；
所述更新学习参数是更新所述神经网络的权重参数，基于所述架构损失计算每个结构单元中待搜索结构单元对应的架构损失梯度，基于所述架构损失梯度更新每个结构单元中待搜索模块单元对应的学习参数，使得上述损失函数达到最优，其计算公式为：
其中α为学习率，θi表示为第i个学习参数，m为训练时的批量大小，k表示为某个批量中的第k个样本。
作为本发明的一种优选技术方案，所述步骤S8中所述性能指标是指通过当前的网络结构模型计算训练准确率和验证准确率，在每一轮迭代中，记录验证准确率最高的个体变化曲线，来评估算法的有效性。
本发明的有益效果：本发明通过采集机油罐正反两面的标签图像对其进行划痕检测，并实现有划痕自动报警，根据检测结果对机油罐进行自动分类，相比采用人工的方式节省了大量的人力、物力和财力，同时采用随机神经网络架构搜索方法搜索得最优网络模型，检测准确度更高，能够更加规范生产管理和操作流程。
附图说明
图1为本发明系统的结构示意图；
图2为本发明系统的工作流程示意图；
图3为本发明方法中网络搜索空间中卷积模块和池化模块示意图；
图4为本发明方法中的一种划痕检测任务的神经网络的结构图；
图5为本发明方法的一种随机神经网络架构搜索方法的流程图。
图中：1、设备计算机；2、第一扫描摄像头；3、第二扫描摄像头；4、报警灯；5、第一传送带；6、第二传送带。
具体实施方式
实施例1
如图1至图5所示，本发明公开了基于随机神经网络搜索的机油罐标签划痕检测系统，采用的技术方案是，包括：第一传送带5、第二传送带6、设备计算机1、第一扫描摄像头2、第二扫描摄像头3和报警灯4，所述第一扫描摄像头2和第二扫描摄像头3均与所述设备计算机1连接，所述第一传送带5和所述第二传送带6垂直设置，所述第一传送带5和第二传送带6的两侧均设置有图像采集单元，所述第一传送带5之间设有扫描空间，所述第一扫描摄像头2设于所述扫描空间的左侧，所述第二扫描摄像头3设于所述扫描空间的右侧，所述第一扫描摄像头2与所述第二扫描摄像头3相对设置，所述第一传送带5的右侧设置有报警灯4。
本发明还公开了基于随机神经网络搜索的机油罐标签划痕检测方法，采用的技术方案是，包括以下步骤：
S1：收集机油罐标签数据集，并将其构建为训练集、验证集、测试集，对采集的图像做灰度转换，获取其灰度图；
S2：创建卷积模块CB和池化模块PB，并确定神经网络搜索空间和运算操作类型空间；
S3：以所述池化模块PB和卷积模块CB为最小单元进行堆叠构建主干网络，并确定最终的网络结构，所述网络结构包括第一网络单元、第二网络单元和第三网络单元，所述第一网络单元包含一个卷积模块CB和一个池化模块PB组成，然后通过两次最大值合并得到统一特征图；所述第二网络单元包含三个卷积模块CB和一个池化模块PB组成；第三网络单元包含依次连接的Dropout层、两个全连接层和输出层，输出层的激活函数为Softmax函数，通过全连接层和输出层反馈性能指标；
S4：在搜索空间中均匀随机采样邻接矩阵，即得到一个有向无环图(DAG)，利用所述数据集搜索每个结构单元中待搜索结构单元的每两个内部节点之间的最优操作；
S5：在运算操作类型空间中，均匀随机采样以确定DAG中除了输入输出外的每一个顶点的运算操作类型；
S6：将所划分的数据集输入到网络模型，利用所述训练集确定所述搜索空间中每个模块的学习参数；利用所述验证集确定每个单元模块；
S7：计算网络架构损失并更新学习参数；
S8：根据邻接矩阵和运算操作向量请求模型的性能指标，并且进行循环S5～S8步骤；
S9：根据上述循环迭代的验证集性能指标，返回最优网络模型，并且保存其网络模型权重参数和架构参数。
作为本发明的一种优选技术方案，所述步骤S1中训练集用于训练神经网络的权重参数，验证集用于训练神经网络的架构参数，所述权重参数指神经网络的操作中的权重，所述架构参数指代表待搜索操作的重要程度的参数，所述训练集、验证集、测试集都包括若干有划痕机油罐标签图像与无划痕的机油罐标签图像，所述训练集、验证集、测试集的具体方法为：采集若干张有划痕机油罐标签图像与无划痕的机油罐标签图像，对其进行裁剪得到相同大小的图像，例如1024*1024像素大小，将图像通过灰度处理算法生成对应的灰度图像，将所得到的灰度图像来划分训练集、验证集、测试集；其中有划痕的标签图像的类别标签为0，无划痕的机油罐标签图像的类别标签为1。
作为本发明的一种优选技术方案，所述步骤S2中所述神经网络搜索空间包括卷积模块CB和池化模块PB，所述卷积模块CB由三个卷积层和一个跳跃连接组成，第一个卷积层输入瓶颈卷积层，其卷积核大小固定为 1×1，第二个卷积层采用深度卷积提取特征信息，采用两种深度卷积，即残差可分离卷积和残差空洞可分离卷积，以形成两种第二个卷积层，第三层卷积层采用点式卷积，其卷积核大小固定为 1×1；根据上述卷积模块CB的说明，设置了四种不同的卷积模块，其中CB1模块包含三个卷积层，第一个卷积层为输入瓶颈卷积层，其卷积核大小固定为 1×1，第二个卷积层采用残差可分离卷积，其卷积核大小固定为3×3，第三个卷积层层采用点式卷积，其卷积核大小固定为 1×1；CB2模块为包含三个的卷积层，第一个卷积层为输入瓶颈卷积层，其卷积核大小固定为 1×1，第二个卷积层采用残差可分离卷积，其卷积核大小固定为 5×5，第三个卷积层层采用点式卷积，其卷积核大小固定为 1×1；CB3模块包含三个卷积层，第一个卷积层为输入瓶颈卷积层，其卷积核大小固定为 1×1，第二个卷积层采用残差空洞可分离卷积，其卷积核大小固定为 3×3，第三个卷积层层采用点式卷积，其卷积核大小固定为 1×1；CB4模块为包含三个的卷积层，第一个卷积层为输入瓶颈卷积层，其卷积核大小固定为 1×1，第二个卷积层采用残差空洞可分离卷积，其卷积核大小固定为 5×5，第三个卷积层层采用点式卷积，其卷积核大小固定为 1×1，上述卷积层的步长都为1，每个卷积层的中间连接为激活层，激活层是RELU函数；所述池化模块PB包括PB1平均池化模块和PB2最大值池化模块，PB1平均池化模块内核大小设置为3×3，步长设置为 2×2，PB2最大值池化模块内核大小设置为 3×3，步长设置为 2×2。
作为本发明的一种优选技术方案，所述步骤S4中的有向无环图(DAG)由一个集合定义，该集合中包含了由 5个节点所组成的所有可能的 DAG，所述节点即为卷积模块CB或者池化模块PB，DAG 中的每个节点对应的运算操作有2种可能，即3×3卷积操作和5×5卷积操作，取其中的一种作为该节点的运算操作，此外，DAG 需要有两个特殊的输入和输出节点，他们分别被标记为 in 和 out，分别表示网络结构的输入和输出张量，其中所有的卷积运算都利用了批归一化且激活函数使用 ReLU函数。
作为本发明的一种优选技术方案，所述步骤S7中所述网络架构损失是利用架构损失函数基于所述神经网络的输出和图像对应的类别标签向量，计算每个结构单元中待搜索结构单元的每两个内部节点之间每个操作对应的损失值；模型通过其架构损失函数损失来表现性能指标，其计算公式为：
其中J(θ)为损失值，hθ(xk)、yk、是第k个样本的真实标签向量和预测标签向量，其都为一个独热编码向量，θ为学习的参数；
所述更新学习参数是更新所述神经网络的权重参数，基于所述架构损失计算每个结构单元中待搜索结构单元对应的架构损失梯度，基于所述架构损失梯度更新每个结构单元中待搜索模块单元对应的学习参数，使得上述损失函数达到最优，其计算公式为：
其中α为学习率，θi表示为第i个学习参数，m为训练时的批量大小，k表示为某个批量中的第k个样本。
作为本发明的一种优选技术方案，所述步骤S8中所述性能指标是指通过当前的网络结构模型计算训练准确率和验证准确率，在每一轮迭代中，记录验证准确率最高的个体变化曲线，来评估算法的有效性。
本发明的工作原理：图像采集单元将采集信息发送给处理单元进行划痕目标检测，当罐体经过所述扫描空间时，所述设备计算机1用于接收所述第一扫描摄像头2和所述第二扫描摄像头3采集图像信号，处理单元将采集的机油罐图像转换为灰度图，将其输入到训练好的通过随机神经网络架构搜索算法搜索到的最优神经网络，检测所述待检测罐体商标是否有划痕，并将检测结果信息反馈到报警单元的报警灯4，报警灯4实现有划痕自动报警并将罐体移动至第二传送带6。
尽管本文较多地使用了传送带、图像采集单元、报警单元等术语，但并不排除使用其它术语的可能性。使用这些术语当且仅当是为了更好地描述和解释本发明。
本发明涉及的电路和机械连接为本领域技术人员采用的惯用手段，可通过有限次试验得到技术启示，属于公知常识。
本文中未详细说明的部件为现有技术。
上述虽然对本发明的具体实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化，而不具备创造性劳动的修改或变形仍在本发明的保护范围以内。
Claims (7)
1.基于随机神经网络搜索的机油罐标签划痕检测方法，其特征在于，包括以下步骤：
S1：收集机油罐标签数据集，并将其构建为训练集、验证集、测试集；
S2：创建卷积模块CB和池化模块PB，并确定神经网络搜索空间和运算操作类型空间；
S3：以所述池化模块PB和卷积模块CB为最小单元进行堆叠构建主干网络，并确定最终的网络结构，所述网络结构包括第一网络单元、第二网络单元和第三网络单元，所述第一网络单元包含一个卷积模块CB和一个池化模块PB组成，然后通过两次最大值合并得到统一特征图；所述第二网络单元包含三个卷积模块CB和一个池化模块PB组成；第三网络单元包含依次连接的Dropout层、两个全连接层和输出层，输出层的激活函数为Softmax函数，通过全连接层和输出层反馈性能指标；
S4：在搜索空间中均匀随机采样邻接矩阵，即得到一个有向无环图(DAG)，利用所述数据集搜索每个结构单元中待搜索结构单元的每两个内部节点之间的最优操作；
S5：在运算操作类型空间中，均匀随机采样以确定 DAG 中除了输入输出外的每一个顶点的运算操作类型；
S6：将所划分的数据集输入到网络模型，利用所述训练集确定所述搜索空间中每个模块的学习参数；利用所述验证集确定每个单元模块；
S7：计算网络架构损失并更新学习参数；
S8：根据邻接矩阵和运算操作向量请求模型的性能指标，并且进行循环S5～S8步骤；
S9：根据上述循环迭代的验证集性能指标，返回最优网络模型，并且保存其网络模型权重参数和架构参数。
2.根据权利要求1所述的基于随机神经网络搜索的机油罐标签划痕检测方法，其特征在于：所述步骤S1中所述训练集、验证集、测试集都包括若干有划痕机油罐标签图像与无划痕的机油罐标签图像，其中有划痕的标签图像的类别标签为0，无划痕的机油罐标签图像的类别标签为1。
3.根据权利要求1所述的基于随机神经网络搜索的机油罐标签划痕检测方法，其特征在于：所述步骤S2中所述神经网络搜索空间包括卷积模块CB和池化模块PB，所述卷积模块CB由三个卷积层和一个跳跃连接组成，第一个卷积层输入瓶颈卷积层，其卷积核大小固定为 1×1，第二个卷积层采用深度卷积提取特征信息，采用两种深度卷积，即残差可分离卷积和残差空洞可分离卷积，以形成两种第二个卷积层，第三层卷积层采用点式卷积，其卷积核大小固定为 1×1，上述卷积层的步长都为1，每个卷积层的中间连接为激活层，激活层是RELU函数；所述池化模块PB包括PB1平均池化模块和PB2最大值池化模块，PB1平均池化模块内核大小设置为 3×3，步长设置为 2×2，PB2最大值池化模块内核大小设置为 3×3，步长设置为 2×2。
4.根据权利要求1所述的基于随机神经网络搜索的机油罐标签划痕检测方法，其特征在于：所述步骤S4中的有向无环图(DAG)，由一个集合定义，该集合中包含了由 5个节点所组成的所有可能的 DAG，所述节点即为卷积模块CB或者池化模块PB，DAG 中的每个节点对应的运算操作有2种可能，即3×3卷积操作和5×5卷积操作，取其中的一种作为该节点的运算操作，此外，DAG 需要有两个特殊的输入和输出节点，他们分别被标记为 in 和 out，分别表示网络结构的输入和输出张量，其中所有的卷积运算都利用了批归一化且激活函数使用 ReLU函数。
5.根据权利要求1所述的基于随机神经网络搜索的机油罐标签划痕检测方法，其特征在于：所述步骤S7中所述网络架构损失，即利用架构损失函数基于所述神经网络的输出和图像对应的类别标签向量，计算每个结构单元中待搜索结构单元的每两个内部节点之间每个操作对应的损失值；模型通过其架构损失函数损失来表现性能指标，其计算公式为：
其中J(θ)为损失值，hθ(xk)、yk、是第k个样本的真实标签向量和预测标签向量，其都为一个独热编码向量，θ为学习的参数；
所述的更新学习参数，即更新所述神经网络的权重参数，基于所述架构损失计算每个结构单元中待搜索结构单元对应的架构损失梯度，基于所述架构损失梯度更新每个结构单元中待搜索模块单元对应的学习参数，使得上述损失函数达到最优，其计算公式为：
其中α为学习率，θi表示为第i个学习参数，m为训练时的批量大小，k表示为某个批量中的第k个样本。
6.根据权利要求1所述的基于随机神经网络搜索的机油罐标签划痕检测方法，其特征在于：所述步骤S8中所述性能指标是指通过当前的网络结构模型计算训练准确率和验证准确率，在每一轮迭代中，记录验证准确率最高的个体变化曲线，来评估算法的有效性。
7.一种基于如权利要求1所述的基于随机神经网络搜索的机油罐标签划痕检测方法的系统，其特征在于，包括：第一传送带（5）、第二传送带（6）、设备计算机（1）、第一扫描摄像头（2）和第二扫描摄像头（3），所述第一扫描摄像头（2）和第二扫描摄像头（3）均与所述设备计算机（1）连接，所述第一传送带（5）和所述第二传送带（6）垂直设置，所述第一传送带（5）的两侧设置有图像采集单元，所述第一传送带（5）之间设有扫描空间，所述第一扫描摄像头（2）设于所述扫描空间的左侧，所述第二扫描摄像头（3）设于所述扫描空间的右侧，所述第一扫描摄像头（2）与所述第二扫描摄像头（3）相对设置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310250717.0A CN115980070B (zh) | 2023-03-16 | 2023-03-16 | 基于随机神经网络搜索的机油罐标签划痕检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310250717.0A CN115980070B (zh) | 2023-03-16 | 2023-03-16 | 基于随机神经网络搜索的机油罐标签划痕检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115980070A CN115980070A (zh) | 2023-04-18 |
| CN115980070B true CN115980070B (zh) | 2023-07-14 |
Family
ID=85958193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310250717.0A Active CN115980070B (zh) | 2023-03-16 | 2023-03-16 | 基于随机神经网络搜索的机油罐标签划痕检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115980070B (zh) |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109060838B (zh) * | 2018-07-23 | 2020-12-29 | 三固（厦门）科技有限公司 | 一种基于机器视觉的产品表面划痕检测方法 |
| US11518382B2 (en) * | 2018-09-26 | 2022-12-06 | Nec Corporation | Learning to simulate |
| CN112561027A (zh) * | 2019-09-25 | 2021-03-26 | 华为技术有限公司 | 神经网络架构搜索方法、图像处理方法、装置和存储介质 |
| DE102019129826A1 (de) * | 2019-11-05 | 2021-05-06 | Controlexpert Gmbh | Verfahren, Computerprogramm, Datenspeichereinheit und System zur automatischen Detektion von Schadensereignissen anhand von Bildmaterial |
| CN111223083B (zh) * | 2020-01-06 | 2023-11-21 | 广东宜通联云智能信息有限公司 | 表面划痕检测神经网络的构建方法、系统、装置及介质 |
| CN115272204A (zh) * | 2022-07-15 | 2022-11-01 | 中国石油大学(华东) | 一种基于机器视觉的轴承表面划痕检测方法 |
| CN218331283U (zh) * | 2022-07-17 | 2023-01-17 | 广东石油化工学院 | 一种机油罐标签旋转角度及印刷质量视觉检测装置 |
-
2023
- 2023-03-16 CN CN202310250717.0A patent/CN115980070B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115980070A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | A visual long-short-term memory based integrated CNN model for fabric defect image classification | |
| CN109919934B (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
| CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
| CN113408423B (zh) | 适用于tx2嵌入式平台的水产品目标实时检测方法 | |
| US20200104650A1 (en) | Fusion-based classifier, classification method, and classification system | |
| CN109214426A (zh) | 一种物体外观检测的方法及深度神经网络模型 | |
| CN110610482A (zh) | 一种基于resnet的工件瑕疵检测方法 | |
| CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
| CN114943689A (zh) | 基于半监督学习的钢铁冷轧退火炉元器件检测方法 | |
| CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
| Wu et al. | An end-to-end learning method for industrial defect detection | |
| CN118154550A (zh) | 一种基于轻量化目标检测网络的纱线生产过程检测方法 | |
| CN112837281B (zh) | 基于级联卷积神经网络的销钉缺陷识别方法、装置和设备 | |
| 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 | |
| CN112416920B (zh) | 一种面向mes的数据清洗方法及系统 | |
| CN114187272A (zh) | 一种基于深度学习的工业零件表面缺陷检测方法 | |
| CN116721071B (zh) | 一种基于弱监督的工业产品表面缺陷检测方法及装置 | |
| CN115980070B (zh) | 基于随机神经网络搜索的机油罐标签划痕检测系统及方法 | |
| CN115861306A (zh) | 一种基于自监督拼图模块的工业品异常检测方法 | |
| CN116152194A (zh) | 一种物体缺陷检测方法、系统、设备及介质 | |
| Liu | Interfruit: deep learning network for classifying fruit images | |
| CN114140524B (zh) | 一种多尺度特征融合的闭环检测系统及方法 | |
| Xie et al. | A high-effective multitask surface defect detection method based on CBAM and atrous convolution | |
| CN112487909A (zh) | 一种基于并联卷积神经网络的水果品种识别方法 | |
| Xiong et al. | Defect detection of biscuit packaging based on level set map |
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 |