CN116429782A - 一种基于残差网络和知识编码的锯链缺陷检测方法 - Google Patents
一种基于残差网络和知识编码的锯链缺陷检测方法 Download PDFInfo
- Publication number
- CN116429782A CN116429782A CN202310321223.7A CN202310321223A CN116429782A CN 116429782 A CN116429782 A CN 116429782A CN 202310321223 A CN202310321223 A CN 202310321223A CN 116429782 A CN116429782 A CN 116429782A
- Authority
- CN
- China
- Prior art keywords
- matrix
- saw chain
- real
- standard
- time
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 88
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000013136 deep learning model Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000013526 transfer learning Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及工业检测技术领域，尤其涉及一种基于残差网络和知识编码的锯链缺陷检测方法，包括：步骤1、图像分割：将采集到的高分辨率锯链图像通过自适应图像分割算法提取零件关键区域，获得实时锯链零件的分割图和位置信息；步骤2、特征提取：将分割图传入基于残差网络ResNet34的深度学习模型中，采用迁移学习的方式提高训练效率，分类网络提取零件类别特征和颜色特征，完成零件分割图的分类工作；步骤3、缺陷检测和定位：通过知识编码的方式将分割图提取的特征以实时矩阵的形式表示，标准锯链的特征以标准矩阵的形式表示，实时矩阵与标准矩阵通过矩阵运算的方式判断缺陷，并结合位置矩阵完成缺陷定位。本发明能够完成缺陷的检测与定位，检测效率高。
Description
技术领域
本发明涉及工业检测技术领域，尤其涉及一种基于残差网络和知识编码的锯链缺陷检测方法。
背景技术
锯链作为林业油锯上的一个重要装配件，在林业和制造业有着广泛的生产应用，它的性能直接影响到锯木效率和作业人员的安全，因此提高锯链的装配质量十分重要。而锯链在生产过程中，常由于组件制备工艺和装配流水线的稳定性问题，导致锯链带有缺陷。缺陷类型包括零件的个体缺陷与装配缺陷，前者如：刀片放反、安全片放反、铆钉铆裂，后者包括零件漏装和组件装配位置错误。缺陷链条的识别和剔除对提高产品品质和安全性具有重要意义。
目前，锯链的缺陷检测仍然以人工检测为主，受质检人员个人状态、人员变动和工作强度的影响，整体质检过程效率低下，且存在较大的漏判风险。
现有的自动化锯链缺陷检测采用机器视觉和深度学习的方法，通过YOLOv3目标算法实现锯链分割图中缺陷的精确检测，提高检测效率的同时降低质检成本。
但上述传统的锯链缺陷检测方法利用人工检测，检测时的速度慢、效率低且作业人员容易疲劳，容易造成锯链的错检与漏检现象。
另外，现有的锯链自动化检测方法所使用的YOLOv3目标检测网络结构复杂，网络训练时的标注成本大，所以锯链图片数量要求高，此外该方法仅能对锯链零件的个体缺陷进行检测，难以对零件间的装配缺陷进行检测。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于残差网络和知识编码的锯链缺陷检测方法，采用知识编码方法能够检测锯链零件之间的装配缺陷，解决了现有自动化检测系统无法检测的技术点，且检测效率高，检测成本低。
为了实现上述目的，本发明采用了如下技术方案：
一种基于残差网络和知识编码的锯链缺陷检测方法，具体步骤如下：
步骤1、图像分割：将采集到的高分辨率锯链图像通过自适应图像分割算法提取零件关键区域，获得实时锯链零件的分割图和位置信息，位置信息以位置矩阵的形式存储；
步骤2、特征提取：将分割图传入基于残差网络ResNet34的深度学习模型中，并采用迁移学习的方式提高训练效率，分类网络提取零件类别特征和颜色特征，完成零件分割图的分类工作；标准锯链则基于自身的装配关系和零件尺寸提取其零件的类别和颜色特征；
步骤3、缺陷检测和定位：通过知识编码的方式将分割图提取的特征以实时矩阵的形式表示，标准锯链的特征以标准矩阵的形式表示，实时矩阵与标准矩阵通过矩阵运算的方式判断缺陷，并结合位置矩阵完成缺陷定位。
优选地，在步骤1中，图像分割算法的具体步骤如下：
步骤1.1、首先将输入的实时图像进行高斯滤波平滑处理，并根据锯链的像素位置提取锯链主体区域；
步骤1.2、然后通过霍夫变换算法定位出铆钉的位置，并根据固有的装配关系定位出其他零件位置；
步骤1.3、最后将零件的最小外接矩形框大小定为分割图大小，通过仿射变换算法得到零件分割图，并将分割图的几何中心点定为零件的位置坐标存储至位置矩阵中。
优选地，在步骤2中，分割图传入基于残差网络ResNet34的深度学习模型的具体步骤如下：
步骤2.1、采用在ImageNet数据集上训练的ResNet34模型作为预训练模型，冻结模型的浅层结构和参数，全连接层更换为锯链零件的类别数；
步骤2.2、通过softmax激活函数得到分类结果，使每个分割图都获得类别标签，同时完成零件个体缺陷的检测工作。
优选地，在步骤3中，具体步骤如下：
步骤3.1、建立知识矩阵：锯链知识矩阵表示零件类型、零件颜色、装配关系，特征通过标签编码以一维状态向量的方式表示；状态向量共有三种类别：第1类是功能件类型，包括正常情况与缺陷情况；例如：连接片放反、刀片正常、刀背未磨等；第2类是铆钉的类型信息，包括铆裂、漏铆和铆钉正常三种状态；第3类是功能件的颜色信息，用向量F、G、H反映上述类别；实时锯链的特征信息通过矩阵XY表示，XY＝[FY，GY，HY]T，标准锯链的特征信息则由
表示；其中，XY表示实时矩阵，FY，GY，HY三个状态向量分别表示实时锯链的功能件类型、铆钉的类型信息、功能件的颜色信息，XZ表示标准矩阵，/>
表示零件k的信息。
步骤3.2、检测缺陷：首先基于知识编码判断锯链零件间的装配缺陷，为防止零件个体缺陷编码对判断的干扰，将不同状态类型的同一零件，使用相同的代码进行编译，使FY更新为FY*，更新实时矩阵XY为XY*；然后通过p范数匹配出与XY*相似度最高的标准矩阵XZJ，以XZJ为模板判断XY”中是否发生装配缺陷，XY*与XZ集合中的矩阵依次相减，将差集取p范数，如公式(1)所示：
其中，lp表示p范数的值，XY*表示更新完状态向量的实时矩阵，XZJ表示与实时矩阵相匹配的标准矩阵，xY为实时矩阵的元素，
为与实时矩阵相匹配的标准矩阵中的元素。
将lp最小值相对应的标准矩阵定为XZJ，并记录差集矩阵中非零元素的行、列位置和数值，最后结合位置矩阵L定位。
优选地，为进一步定位个体缺陷，将XY中装配缺陷编码纠正，将非零元素的位置信息传入XY中，用标准矩阵XZJ中相应位置的元素替换XY中的元素，确保实时矩阵XY中无错位类型，重新得到矩阵X*；通过稀疏矩阵得出X*-XZJ的非零元素在的坐标；对X*中此位置的编码反编译，即可确定零件个体缺陷类型；非零元素的坐标信息传入位置矩阵L中，即可定位零件个体缺陷。
与现有技术相比，本发明具有以下有益效果：
1、本发明采用知识编码方法能够检测锯链零件之间的装配缺陷，解决了现有自动化检测系统无法检测的技术点。
2、本发明能够完成缺陷的检测与定位，检测效率高，检测成本低。
附图说明
图1为本发明的流程图；
图2为本发明中图像分割算法的流程图；
图3为本发明中ResNet34网络的结构示意图；
图4为本发明中知识编码缺陷检测的流程图。
具体实施方式
下面结合附图将对本发明实施例中的技术方案进行清楚、完整地描述，以使本领域的技术人员能够更好的理解本发明的优点和特征，从而对本发明的保护范围做出更为清楚的界定。本发明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的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。
参照图1，一种基于残差网络和知识编码的锯链缺陷检测方法，具体步骤如下：
步骤1、图像分割：将采集到的高分辨率锯链图像通过自适应图像分割算法提取零件关键区域，获得实时锯链零件的分割图和位置信息，位置信息以位置矩阵的形式存储；
步骤2、特征提取：将分割图传入基于残差网络ResNet34的深度学习模型中，并采用迁移学习的方式提高训练效率，分类网络提取零件类别特征和颜色特征，完成零件分割图的分类工作；标准锯链则基于自身的装配关系和零件尺寸提取其零件的类别和颜色特征；
步骤3、缺陷检测和定位：通过知识编码的方式将分割图提取的特征以实时矩阵的形式表示，标准锯链的特征以标准矩阵的形式表示，实时矩阵与标准矩阵通过矩阵运算的方式判断缺陷，并结合位置矩阵完成缺陷定位。
具体的，参照图2，在步骤1中，图像分割算法的具体步骤如下：
步骤1.1、首先将输入的实时图像进行高斯滤波平滑处理，并根据锯链的像素位置提取锯链主体区域；
步骤1.2、然后通过霍夫变换算法定位出铆钉的位置，并根据固有的装配关系定位出其他零件位置；
步骤1.3、最后将零件的最小外接矩形框大小定为分割图大小，通过仿射变换算法得到零件分割图，并将分割图的几何中心点定为零件的位置坐标存储至位置矩阵中。
具体的，参照图3，在步骤2中，分割图传入基于残差网络ResNet34的深度学习模型的具体步骤如下：
步骤2.1、采用在ImageNet数据集上训练的ResNet34模型作为预训练模型，冻结模型的浅层结构和参数，全连接层更换为锯链零件的类别数；
步骤2.2、通过softmax激活函数得到分类结果，使每个分割图都获得类别标签，同时完成零件个体缺陷的检测工作。
具体的，参照图4，在步骤3中，具体步骤如下：
步骤3.1、建立知识矩阵：锯链知识矩阵表示零件类型、零件颜色、装配关系，特征通过标签编码以一维状态向量的方式表示；状态向量共有三种类别：第1类是功能件类型，包括正常情况与缺陷情况；例如：连接片放反、刀片正常、刀背未磨等；第2类是铆钉的类型信息，包括铆裂、漏铆和铆钉正常三种状态；第3类是功能件的颜色信息，用向量F、G、H反映上述类别；实时锯链的特征信息通过矩阵XY表示，XY＝[FY，GY，HY]T，标准锯链的特征信息则由
步骤3.2、检测缺陷：首先基于知识编码判断锯链零件间的装配缺陷，为防止零件个体缺陷编码对判断的干扰，将不同状态类型的同一零件，使用相同的代码进行编译，使FY更新为FY*，更新实时矩阵XY为XY*；然后通过p范数匹配出与XY*相似度最高的标准矩阵XZJ，以XZJ为模板判断XY*中是否发生装配缺陷，XY*与XZ集合中的矩阵依次相减，将差集取p范数，如公式(1)所示：
其中，lp表示p范数的值，XY*表示更新完状态向量的实时矩阵，XZJ表示与实时矩阵相匹配的标准矩阵，xY为实时矩阵的元素，
为与实时矩阵相匹配的标准矩阵中的元素。
将lp最小值相对应的标准矩阵定为XZJ，并记录差集矩阵中非零元素的行、列位置和数值，最后结合位置矩阵L定位。
其中，为进一步定位个体缺陷，将XY中装配缺陷编码纠正，将非零元素的位置信息传入XY中，用标准矩阵XZJ中相应位置的元素替换XY中的元素，确保实时矩阵XY中无错位类型，重新得到矩阵X*；通过稀疏矩阵得出X*-XZJ的非零元素在的坐标；对X*中此位置的编码反编译，即可确定零件个体缺陷类型；非零元素的坐标信息传入位置矩阵L中，即可定位零件个体缺陷。
综上所述，本发明采用知识编码方法能够检测锯链零件之间的装配缺陷，解决了现有自动化检测系统无法检测的技术点。
本发明中披露的说明和实践，对于本技术领域的普通技术人员来说，都是易于思考和理解的，且在不脱离本发明原理的前提下，还可以做出若干改进和润饰。因此，在不偏离本发明精神的基础上所做的修改或改进，也应视为本发明的保护范围。
Claims (5)
1.一种基于残差网络和知识编码的锯链缺陷检测方法，其特征在于，具体步骤如下：
步骤1、图像分割：将采集到的高分辨率锯链图像通过自适应图像分割算法提取零件关键区域，获得实时锯链零件的分割图和位置信息，位置信息以位置矩阵的形式存储；
步骤2、特征提取：将分割图传入基于残差网络ResNet34的深度学习模型中，并采用迁移学习的方式提高训练效率，分类网络提取零件类别特征和颜色特征，完成零件分割图的分类工作；标准锯链则基于自身的装配关系和零件尺寸提取其零件的类别和颜色特征；
步骤3、缺陷检测和定位：通过知识编码的方式将分割图提取的特征以实时矩阵的形式表示，标准锯链的特征以标准矩阵的形式表示，实时矩阵与标准矩阵通过矩阵运算的方式判断缺陷，并结合位置矩阵完成缺陷定位。
2.根据权利要求1所述的一种基于残差网络和知识编码的锯链缺陷检测方法，其特征在于，在步骤1中，图像分割算法的具体步骤如下：
步骤1.1、首先将输入的实时图像进行高斯滤波平滑处理，并根据锯链的像素位置提取锯链主体区域；
步骤1.2、然后通过霍夫变换算法定位出铆钉的位置，并根据固有的装配关系定位出其他零件位置；
步骤1.3、最后将零件的最小外接矩形框大小定为分割图大小，通过仿射变换算法得到零件分割图，并将分割图的几何中心点定为零件的位置坐标存储至位置矩阵中。
3.根据权利要求1所述的一种基于残差网络和知识编码的锯链缺陷检测方法，其特征在于，在步骤2中，分割图传入基于残差网络ResNet34的深度学习模型的具体步骤如下：
步骤2.1、采用在ImageNet数据集上训练的ResNet34模型作为预训练模型，冻结模型的浅层结构和参数，全连接层更换为锯链零件的类别数；
步骤2.2、通过softmax激活函数得到分类结果，使每个分割图都获得类别标签，同时完成零件个体缺陷的检测工作。
4.根据权利要求1所述的一种基于残差网络和知识编码的锯链缺陷检测方法，其特征在于，在步骤3中，具体步骤如下：
步骤3.1、建立知识矩阵：锯链知识矩阵表示零件类型、零件颜色、装配关系，特征通过标签编码以一维状态向量的方式表示；状态向量共有三种类别：第1类是功能件类型，包括正常情况与缺陷情况；第2类是铆钉的类型信息，包括铆裂、漏铆和铆钉正常三种状态；第3类是功能件的颜色信息，用向量F、G、H反映上述类别；实时锯链的特征信息通过矩阵XY表示，XY＝[FYGY，HY]T，标准锯链的特征信息则由
表示；其中，XY表示实时矩阵，FY，GY，HY三个状态向量分别表示实时锯链的功能件类型、铆钉的类型信息、功能件的颜色信息，XZ表示标准矩阵，/>
表示零件k的信息；
步骤3.2、检测缺陷：首先基于知识编码判断锯链零件间的装配缺陷，将不同状态类型的同一零件，使用相同的代码进行编译，使FY更新为FY*，更新实时矩阵XY为XY*；然后通过p范数匹配出与XY*相似度最高的标准矩阵XZJ，以XZJ为模板判断XY*中是否发生装配缺陷，XY*与XZ集合中的矩阵依次相减，将差集取p范数，如公式(1)所示：
其中，lp表示p范数的值，XY*表示更新完状态向量的实时矩阵，XZJ表示与实时矩阵相匹配的标准矩阵，xY为实时矩阵的元素，
为与实时矩阵相匹配的标准矩阵中的元素；
将lp最小值相对应的标准矩阵定为XZJ，并记录差集矩阵中非零元素的行、列位置和数值，最后结合位置矩阵L定位。
5.根据权利要求4所述的一种基于残差网络和知识编码的锯链缺陷检测方法，其特征在于，为进一步定位个体缺陷，将XY中装配缺陷编码纠正，将非零元素的位置信息传入XY中，用标准矩阵XZJ中相应位置的元素替换XY中的元素，确保实时矩阵XY中无错位类型，重新得到矩阵X*；通过稀疏矩阵得出X*-XZJ的非零元素在的坐标；对X*中此位置的编码反编译，即可确定零件个体缺陷类型；非零元素的坐标信息传入位置矩阵L中，即可定位零件个体缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310321223.7A CN116429782B (zh) | 2023-03-29 | 2023-03-29 | 一种基于残差网络和知识编码的锯链缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310321223.7A CN116429782B (zh) | 2023-03-29 | 2023-03-29 | 一种基于残差网络和知识编码的锯链缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116429782A true CN116429782A (zh) | 2023-07-14 |
| CN116429782B CN116429782B (zh) | 2024-01-09 |
Family
ID=87086622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310321223.7A Active CN116429782B (zh) | 2023-03-29 | 2023-03-29 | 一种基于残差网络和知识编码的锯链缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116429782B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000057349A (ja) * | 1998-08-10 | 2000-02-25 | Hitachi Ltd | 欠陥の分類方法およびその装置並びに教示用データ作成方法 |
| CN113486958A (zh) * | 2021-07-07 | 2021-10-08 | 湖北昊鑫自动化设备科技有限公司 | 一种锯链缺陷检测方法、存储介质及系统 |
| WO2022052181A1 (zh) * | 2020-09-09 | 2022-03-17 | 华北电力大学（保定） | 一种基于零样本学习的绝缘子缺陷检测方法及系统 |
| CN114972285A (zh) * | 2022-06-08 | 2022-08-30 | 南京跑码地计算技术有限公司 | 一种锯齿焊接缺陷精细化检测方法 |
| CN115019031A (zh) * | 2022-05-26 | 2022-09-06 | 硕与硕(江苏)智能科技有限公司 | 基于深度学习的锯链缺陷检测系统 |
| CN115456999A (zh) * | 2022-09-16 | 2022-12-09 | 南通大学 | 一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法 |
| KR102488789B1 (ko) * | 2022-01-18 | 2023-01-17 | (주)플레이오니 | 인공지능 기반 단일 클래스 이상 탐지 모델을 이용한 예측 분류 방법, 장치 및 프로그램 |
| CN115631127A (zh) * | 2022-08-15 | 2023-01-20 | 无锡东如科技有限公司 | 一种工业缺陷检测的图像分割方法 |
-
2023
- 2023-03-29 CN CN202310321223.7A patent/CN116429782B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000057349A (ja) * | 1998-08-10 | 2000-02-25 | Hitachi Ltd | 欠陥の分類方法およびその装置並びに教示用データ作成方法 |
| WO2022052181A1 (zh) * | 2020-09-09 | 2022-03-17 | 华北电力大学（保定） | 一种基于零样本学习的绝缘子缺陷检测方法及系统 |
| CN113486958A (zh) * | 2021-07-07 | 2021-10-08 | 湖北昊鑫自动化设备科技有限公司 | 一种锯链缺陷检测方法、存储介质及系统 |
| KR102488789B1 (ko) * | 2022-01-18 | 2023-01-17 | (주)플레이오니 | 인공지능 기반 단일 클래스 이상 탐지 모델을 이용한 예측 분류 방법, 장치 및 프로그램 |
| CN115019031A (zh) * | 2022-05-26 | 2022-09-06 | 硕与硕(江苏)智能科技有限公司 | 基于深度学习的锯链缺陷检测系统 |
| CN114972285A (zh) * | 2022-06-08 | 2022-08-30 | 南京跑码地计算技术有限公司 | 一种锯齿焊接缺陷精细化检测方法 |
| CN115631127A (zh) * | 2022-08-15 | 2023-01-20 | 无锡东如科技有限公司 | 一种工业缺陷检测的图像分割方法 |
| CN115456999A (zh) * | 2022-09-16 | 2022-12-09 | 南通大学 | 一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈励威, 刘苏苏, 袁辉, 瞿畅, 张福豹, 赵春峰: ""融合装配特征和回归分析的锯链图像分割算法"", 《电子测量技术》, vol. 45, no. 23, pages 139 - 146 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116429782B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
| CN112419299B (zh) | 一种螺栓缺失检测方法、装置、设备及存储介质 | |
| CN113344857B (zh) | 缺陷检测网络的训练方法、缺陷检测方法和存储介质 | |
| CN113221889B (zh) | 一种芯片字符抗干扰识别方法及装置 | |
| WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
| CN111126391B (zh) | 一种印刷字符缺陷定位方法 | |
| CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
| CN111062934B (zh) | 一种织物图像缺陷实时检测方法 | |
| CN106383121B (zh) | 一种可自适应多品牌的视觉检测方法及系统 | |
| CN112419298A (zh) | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 | |
| CN117197112B (zh) | 一种基于样本比对的工业丝印缺陷检测方法及系统 | |
| CN112926563A (zh) | 一种钢卷喷印标记故障诊断系统 | |
| CN114266764A (zh) | 一种印刷标签的字符完整性检测方法及其装置 | |
| CN118247331B (zh) | 一种基于图像识别的零件尺寸自动检测方法及系统 | |
| CN111539931A (zh) | 一种基于卷积神经网络和边界限定优化的外观异常检测方法 | |
| CN111223081A (zh) | 基于深度学习的零件开孔识别与检测方法及系统 | |
| CN116429782B (zh) | 一种基于残差网络和知识编码的锯链缺陷检测方法 | |
| CN113160220A (zh) | 一种基于深度学习的检测门把手归位和弯曲的方法 | |
| CN114187247A (zh) | 一种基于图像配准的安瓿瓶印刷字缺陷检测方法 | |
| CN113724322A (zh) | 一种用于无人叉车的货物托盘定位方法及系统 | |
| CN114492699B (zh) | 一种玻瓶激光码检测方法及检测系统 | |
| CN112329770B (zh) | 一种仪表刻度识别方法及装置 | |
| CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 | |
| CN112150453B (zh) | 一种铁路货车摇枕弹簧折断故障自动检测方法 | |
| CN117282687B (zh) | 印刷品视觉检测自动剔补标控制系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |