CN117197146A - 一种铸件内部缺陷自动识别方法 - Google Patents
一种铸件内部缺陷自动识别方法 Download PDFInfo
- Publication number
- CN117197146A CN117197146A CN202311475522.2A CN202311475522A CN117197146A CN 117197146 A CN117197146 A CN 117197146A CN 202311475522 A CN202311475522 A CN 202311475522A CN 117197146 A CN117197146 A CN 117197146A
- Authority
- CN
- China
- Prior art keywords
- image
- castings
- cnn
- stage
- casting
- 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 79
- 238000005266 casting Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 230000001629 suppression Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012805 post-processing Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种铸件内部缺陷自动识别方法，属于铸件缺陷检测领域，包括：采集具有内部缺陷的铸件DR图像数据集；利用图像处理方法优化铸件DR图像；构建一个端到端的三阶段神经网络Mask R‑CNN变体模型，三个阶段分别为特征提取阶段、候选框生成阶段以及目标识别阶段，其中在特征提取阶段尾部添加注意力机制模块，在候选框生成阶段中后处理部分使用改进的非极大值抑制算法；用优化的铸件DR图像数据集训练上述模型；将待测铸件DR图像输入到训练完成的模型中，模型输出相应的缺陷信息（如类型、位置和大小等）。本发明实现了铸件内部缺陷的自动化识别，提高了识别精度，满足了铸件内部缺陷检测的实际生产需求。
Description
技术领域
本发明属于铸件缺陷检测领域，更具体的涉及一种铸件内部缺陷自动识别方法。
背景技术
铸件产品在工业领域中被广泛的应用，铸件的质量直接影响着产品的性能并增加与安全有关的风险。因此，人们越来越关注铸件的质量，对铸件的缺陷检测是控制铸件质量的关键环节。随着无损检测技术的快速发展，射线、超声、磁粉、涡流和渗透这5种技术被广泛地应用在工业缺陷检测领域。其中DR成像检测技术，可以检测铸件内部缺陷，获取内部缺陷数量、形态、大小和位置分布等信息，具有灵敏度高、直观可靠、重复性好等特点。在本领域中越来越受到重视和关注。
目前，基于铸件缺陷检测的主流方法主要有三种途径：1）基于直接检测的图像处理技术；2）传统的基于缺陷定位与追踪的机器学习模型；3）利用Faster R-CNN等两阶段模型对铸件缺陷图像进行检测。虽然三种方式都能够检测铸件缺陷，但还是存在识别的精度低、漏检率高，不能满足工业要求。
发明内容
针对现有技术的存在的不足之处，本发明提供了一种铸件内部缺陷自动识别方法，通过提出三阶段神经网络Mask R-CNN变体模型对铸件内部缺陷进行检测识别，可以实现更加精确的获取铸件内部缺陷识别结果。
为达到上述目的，本发明采用如下技术方案：
一种铸件内部缺陷自动识别方法，包括如下步骤：
S1：采集具有内部缺陷的铸件DR图像数据集；
S2：利用包括图像滤波和数据增强的预处理方法优化所述铸件DR图像数据集中的铸件DR图像；
S3：构建一个端到端的三阶段神经网络的Mask R-CNN变体模型，第一阶段为特征提取阶段，由ResNet和FPN网络构成，其尾部添加注意力机制模块，包括通道注意力模块和空间注意力模块，用于提取特征信息；第二阶段为候选框生成阶段，由RPN网络构成，在RPN网络的后处理部分使用改进的非极大值抑制算法，用于生成初始候选框；第三阶段为目标识别阶段，由Fast R-CNN网络和Mask分支构成，用于对初始候选框进行进一步的分类、回归和分割，最终输出目标识别信息；
S4：通过优化后的所述铸件DR图像数据集训练所述Mask R-CNN变体模型；
S5：将待测试的铸件DR图像输入训练好的所述Mask R-CNN变体模型中进行检测。
有益效果：
本发明提供了一种铸件内部缺陷自动识别方法，提出了三阶段神经网络的MaskR-CNN变体模型，增加注意力机制提取缺陷特征，使网络模型更加关注缺陷特征信息，改进了RPN网络后处理阶段中的非极大值抑制算法，解决了识别精度低、漏检率高的问题，满足铸件DR图像检测领域实际生产需求。
附图说明
图1为本发明实施例提供的铸件内部缺陷自动识别方法的流程图；
图2为本发明实施例提供的Mask R-CNN变体模型的整体结构的示意图；
图3为本发明实施例提供的通道注意力模块的示意图；
图4为本发明实施例提供的空间注意力模块的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加的清晰明了，以下结合附图及实施案例，对本发明做进一步的详细说明。应当理解，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。
本发明提供一种铸件内部缺陷自动识别方法，如图1所示，包括以下步骤：
S1、采集具有内部缺陷的铸件DR图像数据集；
将有缺陷的铸件放置在扫描台上，采集铸件DR图像，定义铸件缺陷的标准，将铸件缺陷划分为气孔、气泡、夹杂、疏松等4个常见的类别；使用标注工具Labelme对每张铸件DR图像的缺陷进行标注，标注的信息包括缺陷位置、缺陷类型和缺陷大小，组成铸件DR图像数据集；将构建的1313张铸件DR图像数据集，按照大概8:1:1的比例划分为训练集、测试集和验证集。
S2、利用图像滤波和数据增强的预处理方法优化所述铸件DR图像数据集中的铸件DR图像；
具体地，根据铸件DR图像的缺陷特征，选取合适的图像滤波和增强组合，来提升铸件DR图像的质量，获得更好的检测效果。滤波时要考虑缺陷尺寸的大小，尽可能保证图像质量的同时保留更多的图像细节。增强时，可适当的增强图像的亮度、色彩、饱和度和对比度，提升缺陷目标与背景之间的对比，更容易区分；同时对铸件DR图像进行随机翻转、随机裁剪和颜色变换方式，扩充数据集，增加训练样本的数量以及多样性，优化缺陷类型数量不均衡，提升模型的鲁棒性，最后将数据增强后的tiff格式的图像，转化为RGB格式的彩色图像，图像的像素大小为10241024。
S3、构建一个端到端的三阶段神经网络的Mask R-CNN变体模型，第一阶段网络为特征提取阶段，由ResNet和FPN网络构成，其尾部添加注意力机制模块，包括通道注意力模块和空间注意力模块，能更有效地提取特征信息；第二阶段为RPN网络改进的非极大值抑制算法，用于生成更准确的初始候选框；第三阶段为目标识别阶段，由Fast R-CNN网络和Mask分支用于对初始候选框进行进一步的分类、回归和分割，最终输出目标识别信息。
具体地，在特征提取网络的尾部添加注意力机制模块，使用融合了的通道注意力机制和空间注意力机制模块，能够对各个特征之间的重要性进行建模，对于不同的任务可以根据输入进行特征分配，从而使网络模型更加关注缺陷特征信息；同时使用Soft-NMS算法替换了原有的RPN后处理阶段的非极大值抑制算法，有助于优化后置处理程序的目标。
S4、通过优化后的铸件DR图像数据集训练Mask R-CNN变体模型。
S5、将待测试的铸件DR图像输入训练好的Mask R-CNN变体模型中进行检测。
在本发明实施例提供的上述铸件DR图像缺陷识别方法中，构建并训练了两阶段神经网络架构的Mask R-CNN变体模型，在特征提取网络的末尾添加了注意力机制模块，使用融合了的通道注意力机制和空间注意力机制，从而使网络模型更好地提取铸件DR图像的缺陷特征。
在具体实施时，在本发明实施例提供的上述铸件内部缺陷自动识别方法中，采用非极大值抑制算法，其流程是：首先在所有检测框中选择一个置信度最高的框，然后计算与其它所有检测框的IoU值，直接删除IoU值大于预定义阈值的检测框。S3中，在RPN网络的后处理阶段中使用Soft-NMS替代了原有的非极大值抑制算法，通过衰减M与其它所有检测框大于预定义阈值的得分，衰减分数后的真阳性候选框得以被保留检测，从而解决了两个目标框接近时，分数更低的框就会因为与之重叠面积过大而删掉而导致漏检率高的问题，可有效检测聚集和粘附的铸件缺陷图像。本发明采用以下规则进行衰减得分：
，
其中，IoU表示交并比（Intersection over Union），是一种用于度量两个边界框之间重叠程度的指标，表示当前预测框的得分，M为当前得分的最高框，/>为待处理框，/>表示控制衰减率的参数，D为最终经过算法抑制的框的集合。
在具体实施时，在本发明实施例提供的上述铸件内部缺陷自动识别方法中，S3中构建的Mask R-CNN变体模型的特征提取网络可以为Resnet50网络，由四个残差块连接而成，用于提取和学习输入图像目标的特征。利用这四个残差块核叠网络，能够进行浅层与深层特征的融合。
如图2所示，Mask R-CNN变体模型的网络结构主要分成以下七个部分，其中，第一、二部分为所述S3中的第一阶段，第三、四部分为所述S3中的第二阶段，第五、六、七部分为所述S3中的第三阶段：
第一部分为Resnet50网络：Resnet50也叫残差神经网络，由四个残差块连接而成，并具有跳跃连接功能，极大地解决了神经网络训练中由于深度过大导致训练困难的问题，可以较好的提取并学习输入图像目标的特征；
第二部分为FPN网络：FPN作为一个特征金字塔网络，主要解决目标检测中存在的多尺度问题，采用一种简单的网络连接方法，融合了浅层特征图和上采样的深层特征图，可以极大地提高小物体检测的性能，而不需要增加原有模型的计算量；
第三部分为RPN网络：RPN网络是利用特征金字塔的多层次特征图作为输入，将3x3的卷积核在特征图上滑动，得到256维特征矢量，输入分类层通过利用Soft-max映射函数得到各锚框的类别（目标和背景），并将各锚框的偏移量通过线性回归输出；最后根据预测的分类概率，首先选择包含目标置信度较高的预测候选框，对超出图像内部的候选框进行修正，再利用改进的非最大值抑制方法（Soft-NMS）删除重叠的候选框，最终得到目标候选框。进行这一系列操作，RPN网络就相当于实现了初步目标定位；
第四部分为注意力机制模块：注意力机制模块融合了的通道注意力机制和空间注意力机制模块，能够对各个特征之间的重要性进行建模，对于不同的任务可以根据输入进行特征分配，从而使网络模型更加关注缺陷特征信息；
第五部分为RoIAlign层：通过RPN网络生成的初步候选框的位置坐标，在FPN特征融合模块得到的特征图中，将相应区域化特征转为固定尺寸的特征图，方便送入后续全连接层判断目标类别、加强定位信息与精确边界框的坐标值；
第六部分为分类和回归：利用RoIAlign提取到的感兴趣区域的固定尺寸特征图，通过全连接层和Soft-max计算每个区域的属于每个类别的概率值；通过全连接层和sigmoid函数计算每个区域中的定位准确度，同时再利用边界框回归得到每个区域的偏移量，最终得到检测框的精确位置。
第七部分为Mask分支：利用RoIAlign提取到的感兴趣区域的特征输入至Mask分支，这个Mask分支是由完全卷积层组成的掩模预测分支，它包括5个卷积层和1个上采样层，且所有卷积层的内核大小和滤波器数量分别设置为3和256。
在具体实施时，在本发明实施例提供的上述铸件内部缺陷自动识别方法中，S4通过优化后的铸件DR图像数据集训练Mask R-CNN变体模型，具体可以包括：将经优化的铸件DR图像分批量输入所述Mask R-CNN变体模型中；通过与图像的真实标签对比，分别计算所述Mask R-CNN变体模型中最后一层分类预测头和分割预测头的二元交叉熵损失，以及回归预测头的SmoothL1损失；将计算到的损失进行反向传递操作，得到Mask R-CNN变体模型参数的梯度；通过随机梯度下降优化器不断调整Mask R-CNN变体模型的模型参数，直至所述损失最小化。
具体地，二元交叉熵损失的计算公式如下所示：
，
其中，X和Y分别表示预测特征图和真实标签掩膜；
SmoothL1损失的计算公式如下所示：
，
其中，x表示真实值和预测值的差值。
如图3所示的是所述通道注意力模块，包括输入层、池化层和全连接层，所述输入层是具备缺陷信息的语义特征图；首先，将特征图分别输入到所述的最大池化层和平均池化层，得到两个特征长条；其次，将两个特征长条输入所述全连接层并输出两个特征，再将输出的两个特征进行相加；再次，将相加后的特征经过sigmoid激活函数，获得通道注意力权重系数，即输入层每一个通道的权值；最后，将权重系数和输入的特征图相乘即获得缩放后的特征；
如图4所示的是空间注意力模块，包含输入层、池化层和卷积层；首先，将所述通道注意力机制获得的缩放特征，输入到所述空间注意力模块的池化层；其次，再将输出的特征图，输入到所述的卷积层中，再经过sigmoid激活函数，获得了输入层的空间注意力权重系数；最后，将权重系数和输入的特征图相乘即获得缩放后的特征图。
在具体实施时，在本发明实施例提供的上述铸件内部缺陷自动识别方法中，训练完成后，S5中，将待测试的铸件DR图像输入训练好的Mask R-CNN变体模型中进行检测，相应的输出缺陷类型、缺陷位置和缺陷大小等缺陷识别信息，由此完成整体铸件DR图像的缺陷自动化识别过程。最终输出的缺陷检测的结果图像，显示缺陷类型、缺陷位置坐标框和缺陷大小等缺陷识别信息，具有识别精度高、漏检率低和操作简单等优点。
在具体实施时，在本发明实施例提供的上述铸件内部缺陷自动识别方法中，增加注意力机制提取缺陷特征，使网络模型更加关注缺陷特征信息，改进了RPN网络后处理阶段的非极大值抑制算法，解决了识别精度低、漏检率高的问题，满足汽车铸件DR缺陷检测领域实际生产需求。
以上对本发明所提供的铸件DR图像缺陷识别方法进行了详细介绍，本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种铸件内部缺陷自动识别方法，其特征在于，包括如下步骤：
S1：采集具有内部缺陷的铸件DR图像数据集；
S2：利用包括图像滤波和数据增强的预处理方法优化所述铸件DR图像数据集中的铸件DR图像；
S3：构建一个端到端的三阶段神经网络的Mask R-CNN变体模型，第一阶段为特征提取阶段，由ResNet和FPN网络构成，其尾部添加注意力机制模块，包括通道注意力模块和空间注意力模块，用于提取特征信息；第二阶段为候选框生成阶段，由RPN网络构成，在RPN网络的后处理部分使用改进的非极大值抑制算法，用于生成初始候选框；第三阶段为目标识别阶段，由Fast R-CNN网络和Mask分支构成，用于对初始候选框进行进一步的分类、回归和分割，最终输出目标识别信息；
S4：通过优化后的所述铸件DR图像数据集训练所述Mask R-CNN变体模型；
S5：将待测试的铸件DR图像输入训练好的所述Mask R-CNN变体模型中进行检测。
2.根据权利要求1所述的一种铸件内部缺陷自动识别方法，其特征在于，所述S2中，所述图像滤波和数据增强的预处理方法是将图像滤波和数据增强进行组合，提升铸件DR图像的质量；图像滤波时考虑缺陷尺寸的大小，保证图像质量的同时保留图像细节；数据增强时，增强图像的亮度、色彩、饱和度和对比度，提升缺陷与背景之间的对比；同时对图像进行随机翻转、随机裁剪和颜色变换，扩充铸件DR图像数据集；最后将数据增强后的tiff格式的图像，转化为RGB格式的彩色图像，图像的像素大小为10241024。
3.根据权利要求2所述的一种铸件内部缺陷自动识别方法，其特征在于，所述S3中，所述通道注意力模块包括输入层、池化层和全连接层，所述输入层是具备缺陷信息的语义特征图；首先，将语义特征图分别输入到所述的池化层的最大池化层和平均池化层，得到两个特征长条；其次，将两个特征长条输入所述全连接层并输出两个特征，再将输出的两个特征进行相加；再次，将相加后得到的特征经过sigmoid激活函数，获得权重系数；最后，将权重系数和输入的语义特征图相乘即获得缩放后的特征；
所述空间注意力模块包含输入层、池化层和卷积层；首先，将所述通道注意力模块获得的缩放后的特征输入到所述空间注意力模块的池化层，输出特征图；其次，将输出的特征图输入到所述的卷积层中，再经过sigmoid激活函数，获得权重系数；最后，将权重系数和输入的特征图相乘即获得缩放后的特征图。
4.根据权利要求3所述的一种铸件内部缺陷自动识别方法，其特征在于，所述S3中，所述S3中，RPN网络的后处理部分中的改进的非极大值抑制算法采用的是Soft-NMS算法，定义的公式如下：
，
式中，IoU表示交并比，是一种用于度量两个边界框之间重叠程度的指标，表示当前预测框的得分，M为当前得分的最高框，/>为待处理框，/>表示控制衰减率的参数，D为最终经过算法抑制的框的集合。
5.根据权利要求4所述的一种铸件内部缺陷自动识别方法，其特征在于，所述S4包括：将经优化的铸件DR图像分批量输入所述Mask R-CNN变体模型中；通过与铸件DR图像的真实标签对比，分别计算所述Mask R-CNN变体模型中最后一层的分类预测头和分割预测头的二元交叉熵损失，以及回归预测头的SmoothL1损失；将计算得到的二元交叉熵损失和SmoothL1损失进行反向传递操作，得到Mask R-CNN变体模型的参数的梯度；通过随机梯度下降优化器不断调整所述Mask R-CNN变体模型的参数，直至二元交叉熵损失和SmoothL1损失最小化。
6.根据权利要求5所述的铸件内部缺陷自动识别方法，其特征在于，所述S5包括将待测试的铸件DR图像输入到训练好的所述Mask R-CNN变体模型中，输出包括缺陷类型、缺陷位置和缺陷大小的缺陷识别信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311475522.2A CN117197146A (zh) | 2023-11-08 | 2023-11-08 | 一种铸件内部缺陷自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311475522.2A CN117197146A (zh) | 2023-11-08 | 2023-11-08 | 一种铸件内部缺陷自动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197146A true CN117197146A (zh) | 2023-12-08 |
Family
ID=88991005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311475522.2A Pending CN117197146A (zh) | 2023-11-08 | 2023-11-08 | 一种铸件内部缺陷自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197146A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788396A (zh) * | 2023-12-18 | 2024-03-29 | 江苏省特种设备安全监督检验研究院 | 一种基于深度学习的dr图像缺陷智能识别算法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180253836A1 (en) * | 2015-06-16 | 2018-09-06 | South China University Of Technology | Method for automated detection of defects in cast wheel products |
| CN111223088A (zh) * | 2020-01-16 | 2020-06-02 | 东南大学 | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 |
| CN113822885A (zh) * | 2021-11-23 | 2021-12-21 | 常州微亿智造科技有限公司 | 融合多注意力机制的工件缺陷检测方法和装置 |
| CN114372955A (zh) * | 2021-12-02 | 2022-04-19 | 上海工程技术大学 | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 |
| WO2022120665A1 (zh) * | 2020-12-09 | 2022-06-16 | 电子科技大学 | 一种基于深度学习的电容缺陷智能检测方法 |
| WO2023096908A1 (en) * | 2021-11-23 | 2023-06-01 | Trustees Of Tufts College | Detection and identification of defects using artificial intelligence analysis of multi-dimensional information data |
-
2023
- 2023-11-08 CN CN202311475522.2A patent/CN117197146A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180253836A1 (en) * | 2015-06-16 | 2018-09-06 | South China University Of Technology | Method for automated detection of defects in cast wheel products |
| CN111223088A (zh) * | 2020-01-16 | 2020-06-02 | 东南大学 | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 |
| WO2022120665A1 (zh) * | 2020-12-09 | 2022-06-16 | 电子科技大学 | 一种基于深度学习的电容缺陷智能检测方法 |
| CN113822885A (zh) * | 2021-11-23 | 2021-12-21 | 常州微亿智造科技有限公司 | 融合多注意力机制的工件缺陷检测方法和装置 |
| WO2023096908A1 (en) * | 2021-11-23 | 2023-06-01 | Trustees Of Tufts College | Detection and identification of defects using artificial intelligence analysis of multi-dimensional information data |
| CN114372955A (zh) * | 2021-12-02 | 2022-04-19 | 上海工程技术大学 | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 |
Non-Patent Citations (6)
| Title |
|---|
| CHENGHONG ZHANG ET AL.: "Steel Surface Defect Detection Based on Improved MASK RCNN", 《2022 IEEE THE 8TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS（ICCC）》, pages 2176 - 2181 * |
| YANG LI ET AL.: "A Defect Detection Method Based on Improved Mask R-CNN for Wafer Maps", 《2021 INTERNATIONAL CONFERENCE ON COMPUTER NETWORK, ELECTRONIC AND AUTOMATION (ICCNEA)》, pages 133 - 137 * |
| 苟军年 等: "基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测", 《电工技术学报》, vol. 38, no. 1, pages 47 - 59 * |
| 蔡彪: "基于Mask R-CNN的铸件射线DR图像缺陷检测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 4, pages 033 - 144 * |
| 谷宇: "《人工智能基础》", 31 January 2022, 机械工业出版社, pages: 32 - 33 * |
| 魏永超 等: "基于改进Mask R-CNN 算法的孔探缺陷自动检测研究", 《电子设计工程》, vol. 31, no. 9, pages 1 - 6 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788396A (zh) * | 2023-12-18 | 2024-03-29 | 江苏省特种设备安全监督检验研究院 | 一种基于深度学习的dr图像缺陷智能识别算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
| CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
| CN110543878A (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
| WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
| CN114240821A (zh) | 一种基于改进型yolox的焊缝缺陷检测方法 | |
| CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
| CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
| CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
| CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
| CN111860171A (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
| CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
| CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
| CN117197146A (zh) | 一种铸件内部缺陷自动识别方法 | |
| CN114037684B (zh) | 一种基于yolov5和注意力机制模型的疵点检测方法 | |
| CN117854072B (zh) | 一种工业视觉缺陷自动标注方法 | |
| CN115937736A (zh) | 基于注意力和上下文感知的小目标检测方法 | |
| CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
| CN116704526B (zh) | 工尺谱扫描机器人及其方法 | |
| CN113591850A (zh) | 基于计算机视觉鲁棒性目标检测的两阶段商标检测法 | |
| CN117523394A (zh) | 一种基于聚合特征增强网络的sar船舰检测方法 | |
| CN116934696A (zh) | 一种基于YOLOv7-Tiny模型改进的工业PCB缺陷检测方法及其装置 | |
| CN110889418A (zh) | 一种气体轮廓识别方法 | |
| CN116228708A (zh) | 一种基于视觉认知计算的工业缺陷检测方法及系统 | |
| CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 |
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 |