CN117237290A - 一种零件内壁表面缺陷检测及等级评定方法 - Google Patents
一种零件内壁表面缺陷检测及等级评定方法 Download PDFInfo
- Publication number
- CN117237290A CN117237290A CN202311164555.5A CN202311164555A CN117237290A CN 117237290 A CN117237290 A CN 117237290A CN 202311164555 A CN202311164555 A CN 202311164555A CN 117237290 A CN117237290 A CN 117237290A
- Authority
- CN
- China
- Prior art keywords
- defect
- model
- wall surface
- defects
- grading
- 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 134
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000006870 function Effects 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 239000004576 sand Substances 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims description 2
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
本发明公开了一种零件内壁表面缺陷检测及等级评定方法，包括：采集零件内壁表面视频或图像，并离线标注缺陷特征；构建零件内壁表面缺陷检测模型，优化模型特征提取、融合网络，提升模型对微小缺陷特征学习能力的同时保持检测速度，改善模型边界框损失函数，加速模型收敛、提高边界框回归精度；缺陷检测模型中设置超参数，调整超参数并训练得到对应模型，从训练模型中选取最佳缺陷检测模型检测采集视频或图像缺陷，输出缺陷置信度、边界框及掩膜；依据缺陷掩膜计算缺陷面积、等效直径评级参量；通过评级参量中等效直径值对零件内壁表面缺陷进行评级。本发明对降低零件内壁表面缺陷检测工作强度、提高缺陷检测效率及准确性具有重大实际工程应用价值。
Description
技术领域
本发明涉及无损检测技术领域，尤其涉及一种基于机器视觉的零件内壁表面缺陷检测及等级评定方法。
背景技术
防抱死系统(Anti-lock Brake Systems,ABS)是汽车最重要安全装置之一，其零件内壁表面质量直接影响装配精度及使用性能。当前，零件内壁表面质量检测依赖人工目测，但检测人员长时间用眼疲劳及判别标准主观不一致等因素，导致缺陷识别率低、检测实时性差。因此，采用本方法对零部件内部进行缺陷检测对保证产品质量、工艺改进具有重要意义。
在本发明以前的零件内壁表面缺陷检测及等级评定方法现有相关技术中，有如下几篇对比专利和文献：
专利CN 112102278 A公开一种基于计算机视觉的金属工件加工面缺陷检测方法。该方法采用二值化、霍夫圆检测、形态学处理等传统图像处理方法检测金属表面砂眼、划痕、磕碰伤痕缺陷，但该方法对成像质量要求高、抗干扰性低，且仅依据缺陷面积分类三种结构性缺陷，不具备缺陷评级功能。
专利202310159962.0提出一种多阶特征交互的目标检测模型及其构建方法、装置及应用。该方法在YOLOv8头部网络使用空间聚合模块，较好捕获中间阶特征，但仅依据中间阶特征难以学习如砂眼这类微小目标深层特征信息，难以保证识别精度。
专利CN 115953386 A公开一种基于MSTA-YOLOv5的轻量化齿轮表面缺陷检测方法。该方法特征主干网络采用ShuffleNetv2架构、颈部Neck采用FPN+PAN，具有轻量化优点，但是随着轻量化提升其精度损失较大、实际应用受限。
专利CN115700741 A公开一种改进YOLOv5的布匹瑕疵检测方法。该方法将SE模块加入Backbone、Leaky ReLU函数替换为ActivateOrNot激活函数，提高模型精度，但计算量大、部分目标边界框易重叠。
中国计量大学金颖等人[1]发表在2020年第5期《现代制造工程》上的《基于LabVIEW和MaskR-CNN的柱塞式制动主缸内槽表面缺陷检测》，该文章采用Mask R-CNN检测汽车柱塞式制动主缸内槽表面砂眼、划痕、振刀纹缺陷，然而该方法缺陷识别率仅为93.6％，且没有输出缺陷位置、面积、等效直径等具体参数，实际应用受限。[1]金颖,王学影,段林茂.基于LabVIEW和MaskR-CNN的柱塞式制动主缸内槽表面缺陷检测[J].现代制造工程,2020,476(5):125。
发明内容
为解决上述技术问题，本发明提出一种零件内壁表面缺陷检测及等级评定方法，该方法通过动态稀疏注意力机制BiFormer构建自注意力特征提取网络与特征融合网络，采用最小点距离交并比MPDIoU优化模型边界框损失函数，完成BM-YOLOv8零件内壁表面缺陷检测模型构建及缺陷精准检测，并依据评定方法完成缺陷等级评定。
本发明的目的通过以下的技术方案来实现：
一种零件内壁表面缺陷检测及等级评定方法，包括：
步骤A采集零件内壁表面视频或图像，并离线标注缺陷特征；
步骤B构建零件内壁表面缺陷检测模型，优化模型特征提取网络与特征融合网络，提升模型对微小缺陷特征学习能力的同时保持检测速度，改善模型边界框损失函数，加速模型收敛、提高边界框回归精度；
步骤C缺陷检测模型中设置超参数，调整超参数并训练得到对应模型，从训练模型中选取最佳缺陷检测模型检测采集视频或图像缺陷，输出缺陷置信度、边界框及掩膜；
步骤D依据缺陷的掩膜计算缺陷面积S、等效直径De评级参量；
步骤E通过评级参量中等效直径De值对零件内壁表面缺陷进行评级。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
本发明基于视频或图像检测识别零件内壁表面缺陷，并对其缺陷程度进行等级评定，有效应用于零件内壁表面缺陷检测识别作业。采用本方法对降低零件内壁表面缺陷检测工作强度、提高缺陷检测效率及准确性具有重大实际工程应用价值。
附图说明
图1是零件内壁表面缺陷检测及等级评定方法流程图；
图2a是YOLOv8模型结构图
图2b是BM-YOLOv8模型结构图；
图3a是边界框损失计算参量示意图；
图3b是MPDIoU原理示意图；
图4是零件内壁表面缺陷检测结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示，为零件内壁表面缺陷检测及等级评定方法，包括：
步骤10采集零件内壁表面视频或图像，并离线标注缺陷特征；
步骤20构建零件内壁表面缺陷检测模型，优化模型特征提取网络与特征融合网络，提升模型对微小缺陷特征学习能力的同时保持检测速度，改善模型边界框损失函数，加速模型收敛、提高边界框回归精度；
步骤30缺陷检测模型中设置超参数，调整超参数并训练得到对应模型，从训练模型中选取最佳缺陷检测模型检测采集视频或图像缺陷，输出缺陷置信度、边界框及掩膜；
步骤40依据缺陷的掩膜计算缺陷面积S、等效直径De评级参量；
步骤50通过评级参量中等效直径De值对零件内壁表面缺陷进行评级。
上述步骤10具体包括：
通过CCD相机采集零件内壁表面视频或图像，采用Labelme开源软件离线标注砂眼、长划痕缺陷特征。
上述步骤20具体包括：
构建基于BM-YOLOv8的零件内壁表面缺陷检测模型。如图2b所示，BM-YOLOv8模型采用YOLOv8作为基础模型(如图2a所示)，通过动态稀疏自注意力机制BiFomer优化YOLOv8模型特征提取网络与特征融合网络，提升网络对微小缺陷特征学习能力的同时保持检测速度，基于最小点距离交并比MPDIoU优化YOLOv8模型边界框损失函数，改善边界框在真实、预测框宽高值不同时回归性能、加快模型收敛，完成零件内壁外表面缺陷精准检测。
特征提取网络中将BiFormer模块添加在Backbone最后一层，使网络根据输入图像特征自适应调整注意力权重，灵活控制注意力强度、范围，强化网络对微小特征表达能力。特征融合网络中将BiFormer模块添加在PAN-FPN上采样阶段Upsample结构前及下采样阶段C2f模块后，使模型在特征融合阶段保持高质量感知深层判别性特征、高级语义信息能力。
BiFomer模块包括：图像输入区域划分及投影、有向图的区域到区域路由与Token-to-token注意力机制三部分；具体如下：
①图像输入区域划分及投影
设H为输入图像高度，W为输入图像宽度，α为输入图像通道数，则输入图像二维特征映射X为：
X∈RH×W×α (1)
划分S×S块非重叠区域后，各区域包含HW/S2个特征向量，则输入图像线性投影后query张量Q、key张量K、value张量V可表示为：
式中，Wq,Wk,Wv分别为query,key,value投影权重；
②有意向图的区域到区域路由
区域间相关性矩阵Ar求解为：
Ar＝Qr(Kr)T (3)
式中，Qr为区域级query张量，Kr为区域级key张量；
依据式(3)求解区域间索引路由矩阵Mr为：
Mr＝topkIndex(Ar) (4)
式中，topkIndex(·)为前topk区域索引函数；
③Token-to-token注意力机制
聚集后区域的key张量Kg为：
Kg＝gather(K,Mr) (5)
同理，聚集后区域的value张量Vg为：
Vg＝gather(V,Mr) (6)
依据式(5)、(6)可求解动态稀疏注意力机制如下：
式中，dk为key维度，LE(V)是对V进行深度卷积(卷积核为5×5)得到的多尺度token局部增强分量。
考虑到零件内壁表面缺陷形状、角度各异，且YOLOv8模型边界框回归损失函数在目标预测框、真实框纵横比相同，高度、宽度值不同时难以优化。因此，基于最小点距离交并比MPDIoU最小化预测框与真实框间左上、右下点距离以优化边界框损失函数/>具体步骤如下：
由几何学分析图3a可知，现有边界框回归损失函数 所有计算参量，如：最小外接矩形面积|A|、真实框中心点坐标/>宽度wgt、高度hgt及预测框中心点坐标/>宽度wprd，高度hprd均可由预测框、真实框左上、右下方4个顶点坐标确定，即MPDIoU包含/> 的各项优越性能。如图3b所示，设为预测框，/>为真实框，/>分别为真实框/>的左上与右下方顶点，分别为预测框/>的左上与右下方顶点，则最小外接矩形面积|A|、真实框中心点坐标/>宽度wgt、高度hgt及预测框中心点坐标/>宽度wprd，高度hprd求解为：
进一步，预测框真实框/>左上与右下方顶点间最小点距离交并比MPDIoU表示为：
式中，
进一步为：
优化后模型边界框损失函数为：
式中，为DFL损失函数。
上述步骤30具体包括：
缺陷检测模型中设置或多次调整的超参数包括：初始权重、权重衰减系数、学习率、批样本数量、激活函数和单元数；
缺陷检测模型的性能评价指标为：mAP、F1得分、识别率和FPS；
依据缺陷检测模型的性能评价指标，从多次训练模型中选取最佳模型检测采集视频或图像，可视化输出砂眼、长划痕缺陷置信度、边界框及掩膜。
上述步骤40具体包括：
依据缺陷的掩膜计算缺陷面积S、等效直径De评级参量；具体包括：
设u为图像水平方向像素坐标，v为图像垂直方向像素坐标，砂眼、长划痕缺陷面积S为：
等效直径De为：
结合成像面-物面空间位姿转换关系，计算得到评级参量物理单位值。
上述步骤50具体包括：
若评级参量中等效直径De满足式(16)，评定为砂眼缺陷，1级缺陷；
0.4mm≤De＜0.6mm (16)
若评级参量中等效直径De满足式(17)，评定为砂眼缺陷，2级缺陷；
0.6mm≤De＜1.0mm (17)
若评级参量中等效直径De满足式(18)，评定为砂眼缺陷，3级缺陷；
1.0mm≤De＜1.5mm (18)
若评级参量中等效直径De满足式(19)，评定为长划痕缺陷，4级缺陷；
De≥1.5mm (19)。
【示例1】
图4为通过本发明对零件内壁表面缺陷检测结果图。采用CCD相机采集零件内壁表面视频或图像，通过Labelme开源软件离线标注砂眼、长划痕缺陷特征；构建BM-YOLOv8零件内壁表面缺陷检测模型，检测采集视频或图像砂眼、长划痕缺陷，输出缺陷置信度、边界框、掩膜；计算得缺陷评级参量，缺陷面积S＝0.846mm2，等效直径De＝0.955mm；由于0.6mm≤De＜1.0mm可评级为2级砂眼缺陷。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种零件内壁表面缺陷检测及等级评定方法，其特征在于，所述方法包括：
步骤A采集零件内壁表面视频或图像，并离线标注缺陷特征；
步骤B构建零件内壁表面缺陷检测模型，优化模型特征提取网络与特征融合网络，提升模型对微小缺陷特征学习能力的同时保持检测速度，改善模型边界框损失函数，加速模型收敛、提高边界框回归精度；
步骤C缺陷检测模型中设置超参数，调整超参数并训练得到对应模型，从训练模型中选取最佳缺陷检测模型检测采集视频或图像缺陷，输出缺陷置信度、边界框及掩膜；
步骤D依据缺陷的掩膜计算缺陷面积S、等效直径De评级参量；
步骤E通过评级参量中等效直径De值对零件内壁表面缺陷进行评级。
2.如权利要求1所述的零件内壁表面缺陷检测及等级评定方法，其特征在于，所述步骤A中，通过CCD相机采集零件内部视频或图像；采用Labelme开源软件离线标注砂眼、长划痕缺陷特征。
3.如权利要求1所述的零件内壁表面缺陷检测及等级评定方法，其特征在于，所述步骤B具体包括：
所述零件内壁表面缺陷检测模型为BM-YOLOv8模型，BM-YOLOv8模型采用YOLOv8作为基础模型，通过动态稀疏自注意力机制BiFomer优化YOLOv8模型特征提取网络与特征融合网络，并基于最小点距离交并比MPDIoU优化YOLOv8模型边界框损失函数，完成零件内壁外表面缺陷精准检测。
4.如权利要求3所述的零件内壁表面缺陷检测及等级评定方法，其特征在于，所述BM-YOLOv8模型特征提取网络包括将BiFormer模块添加在Backbone最后一层，使网络根据输入图像特征自适应调整注意力权重；所述BM-YOLOv8模型特征融合网络包括：将BiFormer模块添加在PAN-FPN上采样阶段Upsample结构前及下采样阶段C2f模块后。
5.如权利要求3所述的零件内壁表面缺陷检测及等级评定方法，其特征在于，所述BM-YOLOv8模型损失函数包括：利用最小点距离交并比MPDIoU最小化预测框与真实框间左上、右下点距离优化边界框损失函数。
6.如权利要求4所述的零件内壁表面缺陷检测及等级评定方法，其特征在于，
BiFomer模块包括：图像输入区域划分及投影、有向图的区域到区域路由与Token-to-token注意力三部分；具体包括：
①图像输入区域划分及投影
设H为输入图像高度，W为输入图像宽度，α为输入图像通道数，则输入图像二维特征映射X为：
X∈RH×W×α (1)
划分S×S块非重叠区域后，各区域包含HW/S2个特征向量，则输入图像线性投影后query张量Q、key张量K、value张量V可表示为：
式中，Wq,Wk,Wv分别为query,key,value投影权重；
②有意向图的区域到区域路由
区域间相关性矩阵Ar求解为：
Ar＝Qr(Kr)T (3)
式中，Qr为区域级query张量，Kr为区域级key张量；
依据式(3)求解区域间索引路由矩阵Mr为：
Mr＝topkIndex(Ar) (4)
式中，topkIndex(·)为前topk区域索引函数；
③Token-to-token注意力机制
聚集后区域的key张量Kg为：
Kg＝gather(K,Mr) (5)
同理，聚集后区域的value张量Vg为：
Vg＝gather(V,Mr) (6)
依据式(5)、(6)可求解动态稀疏注意力机制如下：
式中，dk为key维度，LE(V)是对V进行深度卷积得到的多尺度token局部增强分量。
7.如权利要求3所述的零件内壁表面缺陷检测及等级评定方法，其特征在于，利用最小点距离交并比MPDIoU最小化预测框与真实框间左上、右下点距离优化边界框损失函数，具体步骤如下：
设为预测框，/>为真实框，/>分别为真实框/>的左上与右下方顶点，/>分别为预测框/>的左上与右下方顶点，则预测框/>真实框左上与右下方顶点最小点距离交并比MPDIoU表示为：
式中，
进一步为：
优化后模型边界框损失函数为：
式中，为DFL损失函数。
8.根据权利要求1所述的零件内壁表面缺陷检测及等级评定方法，其特征在于，所述步骤C具体包括：
缺陷检测模型中设置或多次调整的超参数包括：初始权重、权重衰减系数、学习率、批样本数量、激活函数和单元数；
缺陷检测模型的性能评价指标为：mAP、F1得分、识别率和FPS；
依据缺陷检测模型的性能评价指标，从多次训练模型中选取最佳模型检测采集视频或图像，可视化输出砂眼、长划痕缺陷置信度、边界框及掩膜。
9.如权利要求1所述的零件内壁表面缺陷检测及等级评定方法，其特征在于，所述步骤D具体包括：
依据识别到缺陷的掩膜计算缺陷面积S、等效直径De评级参量；具体包括：
设u为图像水平方向像素坐标，v为图像垂直方向像素坐标，缺陷面积S为：
缺陷等效直径De为：
结合成像面-物面空间位姿转换关系，计算得到缺陷评级参量物理单位值。
10.如权利要求1所述的零件内壁表面缺陷检测及等级评定方法，其特征在于，所述步骤E具体包括：
若评级参量中等效直径De满足式(9)，评定为砂眼缺陷，1级缺陷；
0.4mm≤De＜0.6mm (13)若评级参量中等效直径De满足式(10)，评定为砂眼缺陷，2级缺陷；
0.6mm≤De＜1.0mm (14)若评级参量中等效直径De满足式(11)，评定为砂眼缺陷，3级缺陷；
1.0mm≤De＜1.5mm (15)若评级参量中等效直径De满足式(12)，评定为长划痕缺陷，4级缺陷；
De≥1.5mm (16)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311164555.5A CN117237290A (zh) | 2023-09-11 | 2023-09-11 | 一种零件内壁表面缺陷检测及等级评定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311164555.5A CN117237290A (zh) | 2023-09-11 | 2023-09-11 | 一种零件内壁表面缺陷检测及等级评定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117237290A true CN117237290A (zh) | 2023-12-15 |
Family
ID=89083669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311164555.5A Pending CN117237290A (zh) | 2023-09-11 | 2023-09-11 | 一种零件内壁表面缺陷检测及等级评定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237290A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113763363A (zh) * | 2021-09-09 | 2021-12-07 | 华南理工大学 | 一种排水管道破裂缺陷检测及等级评定方法 |
| CN114638784A (zh) * | 2022-02-17 | 2022-06-17 | 中南大学 | 一种基于fe-yolo的铜管表面缺陷检测方法及装置 |
| CN116343080A (zh) * | 2023-02-20 | 2023-06-27 | 华南理工大学 | 一种动态稀疏关键帧视频目标检测方法、装置及存储介质 |
| CN116453096A (zh) * | 2023-03-10 | 2023-07-18 | 维森视觉丹阳有限公司北京分公司 | 图像异物检测方法、装置、电子设备和存储介质 |
| CN116664545A (zh) * | 2023-06-20 | 2023-08-29 | 盐城工学院 | 一种基于深度学习的近海底栖生物定量检测方法及系统 |
-
2023
- 2023-09-11 CN CN202311164555.5A patent/CN117237290A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113763363A (zh) * | 2021-09-09 | 2021-12-07 | 华南理工大学 | 一种排水管道破裂缺陷检测及等级评定方法 |
| CN114638784A (zh) * | 2022-02-17 | 2022-06-17 | 中南大学 | 一种基于fe-yolo的铜管表面缺陷检测方法及装置 |
| CN116343080A (zh) * | 2023-02-20 | 2023-06-27 | 华南理工大学 | 一种动态稀疏关键帧视频目标检测方法、装置及存储介质 |
| CN116453096A (zh) * | 2023-03-10 | 2023-07-18 | 维森视觉丹阳有限公司北京分公司 | 图像异物检测方法、装置、电子设备和存储介质 |
| CN116664545A (zh) * | 2023-06-20 | 2023-08-29 | 盐城工学院 | 一种基于深度学习的近海底栖生物定量检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| LEI ZHU ET AL.: "BiFormer:Vision transformer with Bi-Level routing attention", 《ARXIV》, 15 March 2023 (2023-03-15), pages 1 - 13 * |
| SILIANG MA ET AL.: "MPDIoU：A loss for efficient accurate bounding box regression", 《ARXIV》, 14 July 2023 (2023-07-14), pages 1 - 13 * |
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 | |
| CN111145174B (zh) | 基于图像语义特征进行点云筛选的3d目标检测方法 | |
| CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
| CN105844621A (zh) | 一种印刷品质量检测方法 | |
| CN110232379A (zh) | 一种车辆姿态检测方法及系统 | |
| CN105158268A (zh) | 精冲零部件缺陷智能在线检测方法、系统及装置 | |
| CN114612937B (zh) | 基于单模态增强的红外与可见光融合行人检测方法 | |
| CN112825192B (zh) | 基于机器学习的对象辨识系统及其方法 | |
| Luo et al. | Research on car license plate recognition based on improved YOLOv5m and LPRNet | |
| CN115131330A (zh) | 多源传感器融合的钢轨表面缺陷检测与测量方法及系统 | |
| CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN113327243B (zh) | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 | |
| CN114972177A (zh) | 道路病害识别管理方法、装置及智能终端 | |
| CN114708566A (zh) | 一种基于改进YOLOv4的自动驾驶目标检测方法 | |
| CN117392097A (zh) | 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和系统 | |
| CN115035082B (zh) | 一种基于YOLOv4改进算法的航空器透明件缺陷检测方法 | |
| CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
| CN109115775A (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
| CN114037684B (zh) | 一种基于yolov5和注意力机制模型的疵点检测方法 | |
| CN116205894A (zh) | 基于多信息融合的轴承滚子缺陷检测方法 | |
| CN116109840B (zh) | 一种基于机器视觉的樱桃孢子识别方法 | |
| CN117292176A (zh) | 一种架空输电线路关键部件及缺陷的检测方法 | |
| CN117237290A (zh) | 一种零件内壁表面缺陷检测及等级评定方法 | |
| CN116469045A (zh) | 基于深度学习的图像识别匹配方法及系统 |
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 |