CN117252815A - 基于2d-3d多模态图像的工业零件缺陷检测方法、系统、设备及存储介质 - Google Patents
基于2d-3d多模态图像的工业零件缺陷检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117252815A CN117252815A CN202311096064.1A CN202311096064A CN117252815A CN 117252815 A CN117252815 A CN 117252815A CN 202311096064 A CN202311096064 A CN 202311096064A CN 117252815 A CN117252815 A CN 117252815A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- point cloud
- defect detection
- defect
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000013136 deep learning model Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于2D‑3D多模态图像的工业零件缺陷检测方法、系统、设备及存储介质。其中的工业零件缺陷检测方法包括:首先利用图像采集设备获取目标零件的2D图像和3D点云数据;然后,通过数据处理模块对2D图像和3D点云进行预处理,再利用深度学习模型对缺陷进行检测和分类,通过结果融合模块将2D和3D特征进行融合和综合评估,得出最终的缺陷检测结果。与传统的单一模态检测方法相比,该多模态系统具有以下优势:一是综合利用了2D和3D信息,增强了检测的准确性和鲁棒性;二是适用于不同类型的工业零件,具有良好的通用性;三是通过深度学习模型的应用,减少了人工特征工程的需求,提高了检测的自动化程度。
Description
技术领域
本发明涉及一种缺陷检测技术,特别涉及一种基于2D-3D多模态图像的工业零件缺陷检测方法、系统、设备及存储介质。
背景技术
在工业制造过程中,零件的缺陷检测是确保产品质量的关键步骤之一。然而,传统的单一模态缺陷检测方法(如仅使用2D图像或仅使用3D点云数据)在面对复杂的零件表面缺陷时可能存在限制,无法准确地检测和分类缺陷。因此,需要一种更加综合和准确的缺陷检测方法,能够充分利用多种数据源的信息。
2D图像在表面缺陷检测中具有优势,可以捕捉到零件的纹理、颜色和形状等特征。然而,2D图像受到光照、遮挡和视角等因素的影响,可能导致检测准确性下降。另一方面,3D点云数据能够提供零件的几何信息,但在某些情况下可能存在噪声和不完整性,影响了缺陷检测的可靠性。
为了克服这些问题,本专利提出了一种基于2D-3D多模态图像的工业零件缺陷检测方法与系统。通过同时利用2D图像和3D点云数据,可以充分发挥它们在表面特征和几何信息方面的优势,从而提高缺陷检测的准确性和鲁棒性。减少人工特征工程需求的同时,提高检测的自动化程度。
发明内容
针对工业零件缺陷检测问题,本发明第一方面提供了一种基于2D-3D多模态图像的工业零件缺陷检测方法,其包括:
使用工业相机采集待检测零件的2D和3D图像,通过综合利用2D和3D图像数据,采用深度学习模型进行特征提取,并通过特征融合实现高精度和通用性的缺陷检测,所述工业零件缺陷检测方法包括如下步骤:
从图像采集设备获取目标工业零件的2D图像数据;从图像采集设备获取目标工业零件的深度图像及对应的3D点云数据;
对获取的2D图像数据进行图像增强处理,以提高图像质量,并进行中心随机裁剪和图像前景提取处理,以保证检测模型的训练效果;以及,对获取的3D点云数据进行滤波和去噪处理,以减少数据噪声;
对预处理后的2D图像数据,基于卷积神经网络设计特征提取器,进行特征提取,生成2D特征向量;以及,对预处理后的3D点云数据,利用点云处理算法进行特征提取,生成3D特征向量;
对2D特征向量和3D特征向量实施特征融合,以获得2D-3D多模态特征;
利用深度学习技术设计判别器模型,基于2D-3D多模态特征进行缺陷检测和分类,并根据综合的缺陷评估结果,确定可能的缺陷点位置。
在一些实施例中,所述对预处理后的2D图像数据,基于卷积神经网络设计特征提取器,进行特征提取,生成2D特征向量:对于预处理后的2D图像,使用经过图像分类预训练的ResNet类骨干网络,用于从图像中提取高层次的抽象特征,保存其中间尺寸不同的2个层级特征图,进行线性映射和特征拼接,得到最终的2D特征图。
在一些实施例中,所述对预处理后的3D点云数据,利用点云处理算法进行特征提取,生成3D特征向量,包括:对于预处理后的3D点云数据,采用FPS最远端采样技术进行各点分组,并使用PointFormer网络进行点云特征提取操作,得到每个分组的3D特征向量。
在一些实施例中,所述对2D特征向量和3D特征向量实施特征融合,包括:对获取到的2D特征和3D特征使用交叉注意力机制进行特征融合,得到最终的正样本特征real_feat,使模型充分学习到正样本信息。
在一些实施例中,所述进行缺陷检测和分类,包括:检测网络基于融合后的正样本进行学习的同时,引入高斯噪声生成不同分布的异常样本即负样本特征fake_feat,模型将正负样本分别视为0和1标签,进行训练;在推理检测过程中,不再引入高斯噪声,而是直接对异常图片实现检测过程,并根据模型输出的缺陷评估结果,确定可能的缺陷点位置,生成热力图以可视化检测结果。
本发明第二方面提供了一种基于2D-3D多模态图像的工业零件缺陷检测系统,其包括:
图像采集设备模块,用于获取目标工业零件的2D图像数据和3D点云数据;
数据处理模块,用于对2D图像数据进行图像增强处理,以及对3D点云数据进行滤波和去噪处理;
特征提取模块,用于利用卷积神经网络对2D图像数据进行特征提取,以及利用点云处理算法对3D点云数据进行特征提取;
特征融合模块,用于将2D和3D特征提取器处理后得到的结果进行特征融合;
缺陷点检测模块,进行缺陷检测和分类,以及缺陷点定位。
本发明第三方面提供了一种电子设备,其包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述任一项所述的工业零件缺陷检测方法。
本发明第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器运行时执行上述任一项所述的工业零件缺陷检测方法。
本发明的有益效果在于:本发明一种基于2D-3D多模态图像的工业零件缺陷检测方法与系统,可以通过综合利用2D和3D图像数据,结合深度学习模型进行缺陷检测,相比传统的单一模态方法,能够更全面地评估零件的缺陷情况。可以适用于不同类型的工业零件,具有较强的通用性,无论是平面零件、曲面零件还是有复杂几何形状的零件,都能够通过多模态图像数据进行缺陷检测,满足多样化的制造需求。自动化程度高,通过深度学习模型,本发明减少了对人工特征工程的需求,使整个缺陷检测过程更加自动化,降低操作人员的技术要求,提高检测的一致性和可重复性。提高生产效率,高效准确的缺陷检测有助于降低不良品率,减少了不必要的二次加工和废品,从而提高了生产效率,为企业减少成本。通过输出最终的缺陷检测结果,操作人员可以快速定位零件上的缺陷点,并采取相应的修复措施,有助于及时解决问题,一定程度上减少生产中的延误和损失。
附图说明
图1为本发明工业零件缺陷检测系统结构示意图;
图2为本发明针对多模态图像的特征提取技术流程图;
图3为本发明基于交叉注意力机制的特征融合技术流程图;
图4为本发明基于高斯噪声的负样本构建策略与缺陷判别器设计技术流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
下面结合附图与具体实施方式对本发明提出的基于2D-3D多模态图像的工业零件缺陷检测的系统设计、特征提取、多模态特征融合及缺陷点检测作进一步详细说明。
如图1所示工业零件缺陷检测系统结构示意图,系统包括图像采集设备、数据处理模块、特征提取模块,特征融合模块以及缺陷点检测模块。所述图像采集设备包括2D和3D相机,负责采集目标工业零件的2D图像数据和3D点云数据;所述数据处理模块,负责对数据进行图像增强和预处理,其中包括对2D图像进行中心随机裁剪和前景图像内容提取操作,同时对3D点云数据进行滤波和去噪操作;所述特征提取模块,其运用卷积神经网络来从2D图像数据中提取高层关键特征,同时借助点云处理算法从3D点云数据中提取特征;所述特征融合模块,将经过2D和3D特征提取模块处理后所获得的特征进行融合;所述缺陷点检测模块,其承担缺陷的检测与分类任务,并精确定位可能的缺陷点位置。本系统充分结合2D和3D数据源,运用深度学习方法,实现全面而精准的工业零件缺陷检测,提高缺陷检测的精确性和适用性。
一种基于2D-3D多模态图像的工业零件缺陷检测方法,包括特征提取设计,多模态特征融合方法、缺陷判别器设计以及端到端的检测模型训练。
针对多模态图像的特征提取的具体过程如图2所示,主要包括如下步骤:
对于输入到模型的2D图像数据样本,基于经ImageNet预训练的ResNet类骨干神经网络,提取2D图像的关键特征。由于提取的深层特征所表示的抽象信息太过于偏向ImageNet的数据分布,在本方法中选用中间输出的多层级特征图,并对整张图片按块进行划分,每一个块的大小patch_size为3。且对于原始输入经过预处理后送入模型的大小为224x224,批处理大小batch_size设为2,则输入大小为(2,3,224,224),而所选多层级中间层layer1和layer2特征尺寸分别为28x28和14x14。对layer2进行线性插值操作,实现尺寸统一,完成线性映射,并进行特征拼接,实现最终的2D特征表示。
基于相机参数实现2D与3D图像的对齐,便于对应区域的3D特征提取和特征融合操作。
对于预处理后的3D点云数据,使用FPS最远端采样策略进行各点分组,每组大小group_size设为10。再经过ShapeNet上预训练好的PointFormer网络进行各组的特征提取,同样拿到中间层特征,对多层级特征进行线性插值,经线性映射缩放到与2D特征图同样的尺寸即28x28,再对多层级特征进行拼接,得到最终与2D对应的3D特征图。
基于交叉注意力机制的多模态特征融合过程如图3所示,主要包括如下步骤:
2D和3D输入数据经特征提取器,得到各自的特征表示。虽然每对2D和3D图像在同一视角下拍摄得到,但两种模态的数据仍存在一定程度的语义差异。因此,这些特征分别被送到多模态特征融合模块,基于cross-attention交叉注意力机制,计算2D图片特征对于3D点云特征的注意力权重,将加权后的2D图片特征和3D点云特征进行拼接,实现特征融合,得到最终的正样本特征图real_map。
基于高斯噪声的负样本构建策略与缺陷判别器设计过程如图4所示,主要包括如下步骤:
在缺陷检测应用场景中,真正的异常区域和异常类别往往是不可预知的,因此为了让模型充分学习正样本的特征信息,在训练数据集中包含大量正样本。而在模型训练过程中,负样本的特征信息则来源于引入高斯噪声的生成器。高斯噪声生成器可以在特定的特征空间内生成随机噪声,这些噪声(尺寸与正样本特征real_feat一致)被添加到真实样本的特征表示中,得到负样本特征fake_feat。这些生成的这些负样本在特征分布上与真实缺陷样本相似,因此保证了训练过程中检测模型的鲁棒性和通用性。
在训练过程中,将正样本和负样本输入缺陷判别器,使其模型学会区分正负样本特征。缺陷判别器是由两层多层感知机(MLP)构成的网络,输出特征向量的评估得分S,且每个特征图中得分最高的特征向量即可代表整个输入样本的评估得分,即Sad=max(Si)i=1,2,...,N,其中N为特征图中特征向量的个数。而得分高于阈值th越多(th设为0.75),该区域为缺陷点的可能性就越大,因此设计一种截断损失函数,如下:
L=max(0,th-D(real_feat))+max(0,th+D(fake_feat))
其中L为每一特征向量对应的损失,D为判别器,整体损失为特征向量对应损失之和。再经过双线性插值,将各区域得分还原成输入图像大小的热力图,实现缺陷点可视化。
所述引入高斯噪声的负样本生成器仅在训练过程中使用,推理以及缺陷检测过程中无需这一环节,可直接对输入样本进行缺陷检测和评估。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于2D-3D多模态图像的工业零件缺陷检测方法,其特征在于,其使用工业相机采集待检测零件的2D和3D图像,通过综合利用2D和3D图像数据,采用深度学习模型进行特征提取,并通过特征融合实现高精度和通用性的缺陷检测,所述工业零件缺陷检测方法包括如下步骤:
从图像采集设备获取目标工业零件的2D图像数据;从图像采集设备获取目标工业零件的深度图像及对应的3D点云数据;
对获取的2D图像数据进行图像增强处理,以提高图像质量,并进行中心随机裁剪和图像前景提取处理,以保证检测模型的训练效果;以及,对获取的3D点云数据进行滤波和去噪处理,以减少数据噪声;
对预处理后的2D图像数据,基于卷积神经网络设计特征提取器,进行特征提取,生成2D特征向量;以及,对预处理后的3D点云数据,利用点云处理算法进行特征提取,生成3D特征向量;
对2D特征向量和3D特征向量实施特征融合,以获得2D-3D多模态特征;
利用深度学习技术设计判别器模型,基于2D-3D多模态特征进行缺陷检测和分类,并根据综合的缺陷评估结果,确定可能的缺陷点位置。
2.根据权利要求1所述的工业零件缺陷检测方法,其特征在于,所述对预处理后的2D图像数据,基于卷积神经网络设计特征提取器,进行特征提取,生成2D特征向量:
对于预处理后的2D图像,使用经过图像分类预训练的ResNet类骨干网络,用于从图像中提取高层次的抽象特征,保存其中间尺寸不同的2个层级特征图,进行线性映射和特征拼接,得到最终的2D特征图。
3.根据权利要求1所述的工业零件缺陷检测方法,其特征在于,所述对预处理后的3D点云数据,利用点云处理算法进行特征提取,生成3D特征向量,包括:
对于预处理后的3D点云数据,采用FPS最远端采样技术进行各点分组,并使用PointFormer网络进行点云特征提取操作,得到每个分组的3D特征向量。
4.根据权利要求1所述的工业零件缺陷检测方法,其特征在于,所述对2D特征向量和3D特征向量实施特征融合,包括:
对获取到的2D特征和3D特征使用交叉注意力机制进行特征融合,得到最终的正样本特征real_feat,使模型充分学习到正样本信息。
5.根根据权利要求1所述的工业零件缺陷检测方法,其特征在于,所述进行缺陷检测和分类,包括:
检测网络基于融合后的正样本进行学习的同时,引入高斯噪声生成不同分布的异常样本即负样本特征fake_feat,模型将正负样本分别视为0和1标签,进行训练;在推理检测过程中,不再引入高斯噪声,而是直接对异常图片实现检测过程,并根据模型输出的缺陷评估结果,确定可能的缺陷点位置,生成热力图以可视化检测结果。
6.一种基于2D-3D多模态图像的工业零件缺陷检测系统,其特征在于,所述系统包括:
图像采集设备模块,用于获取目标工业零件的2D图像数据和3D点云数据;
数据处理模块,用于对2D图像数据进行图像增强处理,以及对3D点云数据进行滤波和去噪处理;
特征提取模块,用于利用卷积神经网络对2D图像数据进行特征提取,以及利用点云处理算法对3D点云数据进行特征提取;
特征融合模块,用于将2D和3D特征提取器处理后得到的结果进行特征融合;
缺陷点检测模块,进行缺陷检测和分类,以及缺陷点定位。
7.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至6中任一项所述的工业零件缺陷检测方法。
8.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至6中任一项所述的工业零件缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311096064.1A CN117252815A (zh) | 2023-08-29 | 2023-08-29 | 基于2d-3d多模态图像的工业零件缺陷检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311096064.1A CN117252815A (zh) | 2023-08-29 | 2023-08-29 | 基于2d-3d多模态图像的工业零件缺陷检测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117252815A true CN117252815A (zh) | 2023-12-19 |
Family
ID=89127191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311096064.1A Pending CN117252815A (zh) | 2023-08-29 | 2023-08-29 | 基于2d-3d多模态图像的工业零件缺陷检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252815A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495712A (zh) * | 2024-01-02 | 2024-02-02 | 天津天汽模志通车身科技有限公司 | 车身部件质量模型的生成式数据增强方法、系统及设备 |
-
2023
- 2023-08-29 CN CN202311096064.1A patent/CN117252815A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495712A (zh) * | 2024-01-02 | 2024-02-02 | 天津天汽模志通车身科技有限公司 | 车身部件质量模型的生成式数据增强方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
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 | |
CN111768388B (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
CN110599445A (zh) | 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置 | |
CN111798409A (zh) | 一种基于深度学习的pcb缺陷数据生成方法 | |
CN115880298B (zh) | 一种基于无监督预训练的玻璃表面缺陷检测系统 | |
CN110009622B (zh) | 一种显示面板外观缺陷检测网络及其缺陷检测方法 | |
CN111191535B (zh) | 基于深度学习的行人检测模型构建方法及行人检测方法 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN117252815A (zh) | 基于2d-3d多模态图像的工业零件缺陷检测方法、系统、设备及存储介质 | |
CN114331949A (zh) | 一种图像数据处理方法、计算机设备以及可读存储介质 | |
CN116612106A (zh) | 一种基于yolox算法的光学元件表面缺陷检测方法 | |
CN112365478A (zh) | 一种基于语义分割的电机换向器表面缺陷检测模型 | |
CN115249237A (zh) | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 | |
CN116205876A (zh) | 基于多尺度标准化流的无监督笔记本外观缺陷检测方法 | |
CN114820541A (zh) | 基于重构网络的缺陷检测方法 | |
CN114331961A (zh) | 用于对象的缺陷检测的方法 | |
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 | |
CN116363105A (zh) | 一种基于Faster R-CNN的高铁接触网零部件识别与定位的方法 | |
CN115953387A (zh) | 一种基于深度学习的射线图像焊缝缺陷检测方法 | |
CN115860139A (zh) | 一种基于深度学习的多尺度船舶目标检测方法 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN111882545B (zh) | 基于双向信息传递及特征融合的织物疵点检测方法 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
CN113469955A (zh) | 一种光伏组件故障区图像检测方法及系统 |
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 |