CN117434082A - 用于硅胶制品生产线的质量检测方法及其系统 - Google Patents
用于硅胶制品生产线的质量检测方法及其系统 Download PDFInfo
- Publication number
- CN117434082A CN117434082A CN202311779193.0A CN202311779193A CN117434082A CN 117434082 A CN117434082 A CN 117434082A CN 202311779193 A CN202311779193 A CN 202311779193A CN 117434082 A CN117434082 A CN 117434082A
- Authority
- CN
- China
- Prior art keywords
- silica gel
- gel product
- feature map
- fluorescence detection
- detected
- 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
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 title claims abstract description 340
- 239000000741 silica gel Substances 0.000 title claims abstract description 340
- 229910002027 silica gel Inorganic materials 0.000 title claims abstract description 340
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 52
- 239000000843 powder Substances 0.000 claims abstract description 49
- 230000007547 defect Effects 0.000 claims abstract description 30
- 238000002073 fluorescence micrograph Methods 0.000 claims abstract description 28
- 238000010191 image analysis Methods 0.000 claims abstract description 17
- 238000001917 fluorescence detection Methods 0.000 claims description 133
- 238000012549 training Methods 0.000 claims description 73
- 238000010586 diagram Methods 0.000 claims description 37
- 238000007689 inspection Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 239000011248 coating agent Substances 0.000 claims description 12
- 238000000576 coating method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 2
- 229920001296 polysiloxane Polymers 0.000 description 13
- 238000009826 distribution Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G01N21/91—Investigating the presence of flaws or contamination using penetration of dyes, e.g. fluorescent ink
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/80—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
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
- G06T2207/10064—Fluorescence image
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种用于硅胶制品生产线的质量检测方法及其系统,其在被检测硅胶制品的表面涂抹荧光粉以得到涂有荧光粉的被检测硅胶制品;将所述涂有荧光粉的被检测硅胶制品通过装有紫外光源和摄像头的检测装置以通过所述摄像头对所述涂有荧光粉的被检测硅胶制品进行采集以得到被检测硅胶制品的荧光图像;对所述被检测硅胶制品的荧光图像进行图像分析以识别出所述被检测硅胶制品的缺陷,并确定所述被检测硅胶制品的质量等级,将所述被检测硅胶制品中不合格的硅胶制品剔除出生产线。这样,可以提高了硅胶制品的质量检测效率和准确性。
Description
技术领域
本发明涉及智能化质量检测技术领域,尤其涉及一种用于硅胶制品生产线的质量检测方法及其系统。
背景技术
硅胶制品是一种广泛应用于各个领域的高分子材料,具有优良的耐热性、耐寒性、耐老化性、耐化学性等特点。硅胶制品的质量检测是保证其性能和安全的重要环节。
然而,传统的质量检测方法通常依赖于人工目视检查,操作人员需要凭借经验和视觉来判断硅胶制品的质量,这种方法存在主观性强的问题,容易导致不一致的质量检测结果,同时也容易受到人为因素的影响,降低了检测的准确性和可靠性。并且,传统的人工检查方式需要耗费大量的人力和时间,特别是对于大规模生产的硅胶制品来说,效率非常低下,无法满足高效生产线的需求。
此外,硅胶制品的质量问题可能包括微小的缺陷,如气泡、裂纹、异物等,这些微小缺陷往往难以通过人眼直接观察和判断,需要借助专业的设备和技术进行检测。然而,传统的目视检查方法无法有效地检测和识别这些微小缺陷,容易造成漏检或误判。
因此,期望一种优化的用于硅胶制品生产线的质量检测方案。
发明内容
本发明实施例提供一种用于硅胶制品生产线的质量检测方法及其系统,其在被检测硅胶制品的表面涂抹荧光粉以得到涂有荧光粉的被检测硅胶制品;将所述涂有荧光粉的被检测硅胶制品通过装有紫外光源和摄像头的检测装置以通过所述摄像头对所述涂有荧光粉的被检测硅胶制品进行采集以得到被检测硅胶制品的荧光图像;对所述被检测硅胶制品的荧光图像进行图像分析以识别出所述被检测硅胶制品的缺陷,并确定所述被检测硅胶制品的质量等级,将所述被检测硅胶制品中不合格的硅胶制品剔除出生产线。这样,可以提高了硅胶制品的质量检测效率和准确性。
本发明实施例还提供了一种用于硅胶制品生产线的质量检测方法,其包括:在被检测硅胶制品的表面涂抹荧光粉以得到涂有荧光粉的被检测硅胶制品;将所述涂有荧光粉的被检测硅胶制品通过装有紫外光源和摄像头的检测装置以通过所述摄像头对所述涂有荧光粉的被检测硅胶制品进行采集以得到被检测硅胶制品的荧光图像;对所述被检测硅胶制品的荧光图像进行图像分析以识别出所述被检测硅胶制品的缺陷,并确定所述被检测硅胶制品的质量等级,将所述被检测硅胶制品中不合格的硅胶制品剔除出生产线。
本发明实施例还提供了一种用于硅胶制品生产线的质量检测系统,其包括:荧光粉涂抹模块,用于在被检测硅胶制品的表面涂抹荧光粉以得到涂有荧光粉的被检测硅胶制品;图像采集模块,用于将所述涂有荧光粉的被检测硅胶制品通过装有紫外光源和摄像头的检测装置以通过所述摄像头对所述涂有荧光粉的被检测硅胶制品进行采集以得到被检测硅胶制品的荧光图像;图像分析模块,用于对所述被检测硅胶制品的荧光图像进行图像分析以识别出所述被检测硅胶制品的缺陷,并确定所述被检测硅胶制品的质量等级,将所述被检测硅胶制品中不合格的硅胶制品剔除出生产线。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
在附图中:图1为本发明实施例中提供的一种用于硅胶制品生产线的质量检测方法的流程图。
图2为本发明实施例中提供的一种用于硅胶制品生产线的质量检测方法的系统架构的示意图。
图3为本发明实施例中提供的一种用于硅胶制品生产线的质量检测系统的框图。
图4为本发明实施例中提供的一种用于硅胶制品生产线的质量检测方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在本发明的一个实施例中,图1为本发明实施例中提供的一种用于硅胶制品生产线的质量检测方法的流程图。如图1所示,根据本发明实施例的用于硅胶制品生产线的质量检测方法,包括:110,在被检测硅胶制品的表面涂抹荧光粉以得到涂有荧光粉的被检测硅胶制品;120,将所述涂有荧光粉的被检测硅胶制品通过装有紫外光源和摄像头的检测装置以通过所述摄像头对所述涂有荧光粉的被检测硅胶制品进行采集以得到被检测硅胶制品的荧光图像;130,对所述被检测硅胶制品的荧光图像进行图像分析以识别出所述被检测硅胶制品的缺陷,并确定所述被检测硅胶制品的质量等级,将所述被检测硅胶制品中不合格的硅胶制品剔除出生产线。
在所述步骤110中,确保涂抹荧光粉的过程均匀且覆盖整个被检测硅胶制品的表面,避免出现涂层不均匀或遗漏的情况,以确保后续的检测准确性。涂抹荧光粉可以使被检测硅胶制品在紫外光下发出荧光,从而方便后续的荧光图像采集和缺陷识别。
在所述步骤120中,确保摄像头的位置和角度适当,以获得清晰、准确的荧光图像,调整紫外光源的强度,使得荧光图像能够显示出被检测硅胶制品的细节和缺陷。通过摄像头对涂有荧光粉的硅胶制品进行采集,可以获取荧光图像,荧光图像能够显示出被检测硅胶制品的荧光分布情况,有助于后续的图像分析和缺陷识别。
在所述步骤130中,使用图像处理和分析技术对荧光图像进行处理和分析,以识别出可能存在的缺陷,确保图像处理算法的准确性和稳定性,以避免误判或漏判。通过图像分析,可以自动化地检测和识别出被检测硅胶制品的缺陷,如裂纹、气泡等。同时,根据缺陷的类型和数量,确定硅胶制品的质量等级,以便及时剔除不合格的产品,提高生产线的质量和效率。
针对上述技术问题,为了提高硅胶制品的质量检测水平,在本申请的技术方案中,提出了一种用于硅胶制品生产线的质量检测方法,该方法通过利用荧光粉对硅胶制品进行荧光增强,然后利用紫外光源和摄像头采集被检测硅胶制品的荧光图像,并在后端引入数据处理和分析算法来进行该荧光图像的分析,以此来识别出硅胶制品的不同类型和程度的缺陷,从而判断被检测硅胶制品的质量等级,并将不合格的硅胶制品剔除出生产线,通过这样的方式,提高了硅胶制品的质量检测效率和准确性。
图2为本发明实施例中提供的一种用于硅胶制品生产线的质量检测方法的系统架构的示意图。如图2所示,对所述被检测硅胶制品的荧光图像进行图像分析以识别出所述被检测硅胶制品的缺陷,并确定所述被检测硅胶制品的质量等级,将所述被检测硅胶制品中不合格的硅胶制品剔除出生产线,包括:首先,通过基于深度神经网络模型的荧光图像特征提取器对所述被检测硅胶制品的荧光图像进行特征提取以得到硅胶制品荧光检测特征图;然后,将所述硅胶制品荧光检测特征图通过目标对象显著注意力层以得到目标强化硅胶制品荧光检测特征图;接着,将所述硅胶制品荧光检测特征图通过局部信息高效建模模块以得到局部强化硅胶制品荧光检测特征图;然后,融合所述目标强化硅胶制品荧光检测特征图和所述局部强化硅胶制品荧光检测特征图以得到多维度强化硅胶制品荧光检测特征图作为所述硅胶制品荧光检测特征;最后,基于所述硅胶制品荧光检测特征,确定被检测硅胶制品的质量等级标签。
其中,所述深度神经网络模型为卷积神经网络模型。
具体地,在本申请的技术方案中,首先,获取由摄像头采集的被检测硅胶制品的荧光图像。接着,使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的荧光图像特征提取器对所述被检测硅胶制品的荧光图像进行特征挖掘以得到硅胶制品荧光检测特征图。这样,可以提取出所述被检测硅胶制品的荧光图像中与硅胶制品质量相关的特征信息,这些特征可能包括颜色、纹理、形状等方面的信息,可以用于判断硅胶制品是否存在缺陷。
应可以理解,在进行荧光图像的特征提取过程中,背景的迭代累积会形成大量冗余信息,从而淹没荧光图像中的部分目标,导致对于硅胶制品的质量检测准确率不高。因此,在本申请的技术方案中,进一步将所述硅胶制品荧光检测特征图通过目标对象显著注意力层以得到目标强化硅胶制品荧光检测特征图。通过所述目标对象显著注意力层的处理,可以凸显硅胶制品中的关键目标区域,忽略与硅胶制品的质量检测无关的背景干扰特征,从而提高缺陷的检测和识别能力。这样,可以降低对整个图像的处理和分析的复杂度,集中精力在与质量缺陷相关的区域上,提高检测的准确性和效率。
在本申请的一个具体实施例中,将所述硅胶制品荧光检测特征图通过目标对象显著注意力层以得到目标强化硅胶制品荧光检测特征图,包括:沿着所述硅胶制品荧光检测特征图的X轴方向对所述硅胶制品荧光检测特征图进行平均值池化以得到X轴方向池化特征图;沿着所述硅胶制品荧光检测特征图的Y轴方向对所述硅胶制品荧光检测特征图进行平均值池化以得到Y轴方向池化特征图;将所述X轴方向池化特征图和所述Y轴方向池化特征图进行拼接以得到拼接特征图;对所述拼接特征图进行1×1卷积处理以得到中间特征图;沿着空间维度对所述中间特征图进行分解以得到第一分解特征图和第二分解特征图;分别对所述第一分解特征图和所述第二分解特征图进行1×1卷积处理以得到第一坐标注意力权重特征矩阵第二坐标注意力权重矩阵;使用所述第一坐标注意力权重特征矩阵,对所述硅胶制品荧光检测特征图的X轴方向的各个特征矩阵进行加权以得到第一加权特征图;使用所述第二坐标注意力权重特征矩阵,对所述硅胶制品荧光检测特征图的Y轴方向的各个特征矩阵进行加权以得到第二加权特征图;通过残差模块来融合所述硅胶制品荧光检测特征图、所述第一加权特征图和所述第二加权特征图以得到所述目标强化硅胶制品荧光检测特征图。
进一步地,考虑到在硅胶制品的荧光图像中,存在着局部的细微缺陷或特征,这些细节对于质量检测非常重要。但是,由于传统意义上的卷积神经网络模型的结构为卷积加池化层,即可使用具有局部感受野的神经元(如3×3卷积核)提取特征并由池化降维,同时获得各通道上的显著信息,但这种方法感受野大,提取的荧光图像中关于硅胶制品的荧光分布特征模糊,容易忽略掉特征图中具有分辨力的质量细节特征信息。因此,在本申请的技术方案中,进一步将所述硅胶制品荧光检测特征图通过局部信息高效建模模块以得到局部强化硅胶制品荧光检测特征图。应可以理解,所述局部信息高效建模模块能够在传统卷积后增加1×1卷积核和ReLU激活函数,从跨通道池化的角度来看,这样等效于在一个正常的卷积层上实施级联跨通道加权池化,使得模型能够学习到通道之间的关系,对所述荧光图像中关于硅胶制品的局部特征信息进行更高效地建模和特征刻画,以使得图像中的硅胶制品局部细节特征更加突出和凸显,从而提高对硅胶制品质量缺陷的检测和识别准确率。
在本申请的一个具体实施例中,将所述硅胶制品荧光检测特征图通过局部信息高效建模模块以得到局部强化硅胶制品荧光检测特征图,包括:将所述硅胶制品荧光检测特征图通过局部信息高效建模模块中使用如下显著化公式进行处理以得到所述局部强化硅胶制品荧光检测特征图;其中,所述显著化公式为:其中,/>表示所述硅胶制品荧光检测特征图,/>表示使用3×3的卷积核进行卷积处理, />表示使用1×1的卷积核进行卷积处理,/>表示/>函数,表示所述局部强化硅胶制品荧光检测特征图。
然后,由于所述目标强化硅胶制品荧光检测特征图是通过所述目标对象显著注意力层的处理,突出了与质量缺陷相关的目标区域,这可以使得目标区域的特征更加明显和凸显,有助于准确地检测和识别硅胶制品的缺陷。而所述局部强化硅胶制品荧光检测特征图是通过所述局部信息高效建模模块的处理,强化了图像中的局部细节特征,这可以捕捉到硅胶制品中细微的特征变化,提高对细小缺陷的检测和识别能力。因此,为了能够综合利用关于硅胶制品的不同层次和角度的特征信息,进一步提升对硅胶制品质量缺陷的检测和识别能力,在本申请的技术方案中,融合所述目标强化硅胶制品荧光检测特征图和所述局部强化硅胶制品荧光检测特征图以得到多维度强化硅胶制品荧光检测特征图。也就是说,将目标强化硅胶制品荧光检测特征图和局部强化硅胶制品荧光检测特征图进行融合,可以综合考虑全局和局部的特征信息。这样得到的所述多维度强化硅胶制品荧光检测特征图可以更全面地描述硅胶制品的特征,提供更丰富和准确的特征表示。
继而,再将所述多维度强化硅胶制品荧光检测特征图通过分类器以得到分类结果,所述分类结果用于表示被检测硅胶制品的质量等级标签。具体地,所述分类器的标签为被检测硅胶制品的质量等级标签,因此,在得到所述分类结果后,可以基于所述分类结果来判断被检测硅胶制品的质量等级,并将不合格的硅胶制品剔除出生产线,通过这样的方式,提高了硅胶制品的质量检测效率和准确性。
在本申请的一个具体实施例中,基于所述硅胶制品荧光检测特征,确定被检测硅胶制品的质量等级标签,包括:将所述多维度强化硅胶制品荧光检测特征图通过分类器以得到分类结果,所述分类结果用于表示被检测硅胶制品的质量等级标签。
在本申请的一个实施例中,所述用于硅胶制品生产线的质量检测方法,还包括训练步骤:用于对所述基于卷积神经网络模型的荧光图像特征提取器、所述目标对象显著注意力层、所述局部信息高效建模模块和所述分类器进行训练。所述训练步骤,包括:在被检测硅胶制品的表面涂抹荧光粉以得到涂有荧光粉的训练被检测硅胶制品;将所述涂有荧光粉的训练被检测硅胶制品通过所述装有紫外光源和摄像头的检测装置以通过所述摄像头对所述涂有荧光粉的训练被检测硅胶制品进行采集以得到训练被检测硅胶制品的荧光图像;通过所述基于深度神经网络模型的荧光图像特征提取器对所述训练被检测硅胶制品的荧光图像进行特征提取以得到训练硅胶制品荧光检测特征图;将所述训练硅胶制品荧光检测特征图通过所述目标对象显著注意力层以得到训练目标强化硅胶制品荧光检测特征图;将所述训练硅胶制品荧光检测特征图通过所述局部信息高效建模模块以得到训练局部强化硅胶制品荧光检测特征图;融合所述训练目标强化硅胶制品荧光检测特征图和所述训练局部强化硅胶制品荧光检测特征图以得到训练多维度强化硅胶制品荧光检测特征图;将所述训练多维度强化硅胶制品荧光检测特征图通过所述分类器以得到分类损失函数值;基于所述分类损失函数值对所述基于卷积神经网络模型的荧光图像特征提取器、所述目标对象显著注意力层、所述局部信息高效建模模块和所述分类器进行训练,在每次迭代时对所述训练多维度强化硅胶制品荧光检测特征图展开后得到的训练多维度强化硅胶制品荧光检测特征向量进行训练优化以得到优化训练多维度强化硅胶制品荧光检测特征图展开后得到的优化训练多维度强化硅胶制品荧光检测特征向量。
特别地,在上述技术方案中,所述训练硅胶制品荧光检测特征图表达所述训练被检测硅胶制品的荧光图像的图像语义特征,在将所述训练硅胶制品荧光检测特征图通过目标对象显著注意力层和局部信息高效建模模块后,分别基于目标对象特征显著性和局部信息重要性来对于图像语义特征的局部空间分布进行了强化,但是,考虑到目标对象特征显著性和局部信息重要性在图像语义特征局部空间分布上的对应性差异,当基于通道维度下的特征矩阵对应性融合所述训练目标强化硅胶制品荧光检测特征图和所述训练局部强化硅胶制品荧光检测特征图后,得到的所述训练多维度强化硅胶制品荧光检测特征图将具有整体特征分布的较为显著的不一致和不稳定,从而影响所述训练多维度强化硅胶制品荧光检测特征图通过分类器进行分类训练的稳定性。
基于此,本申请的申请人在将所述训练多维度强化硅胶制品荧光检测特征图展开后得到的训练多维度强化硅胶制品荧光检测特征向量通过分类器进行分类训练时,在每次迭代时对所述训练多维度强化硅胶制品荧光检测特征向量进行训练优化,具体表示为:以如下优化公式在每次迭代时对所述训练多维度强化硅胶制品荧光检测特征图展开后得到的训练多维度强化硅胶制品荧光检测特征向量进行训练优化以得到优化训练多维度强化硅胶制品荧光检测特征图展开后得到的优化训练多维度强化硅胶制品荧光检测特征向量;其中,所述优化公式为:其中,/>是所述训练多维度强化硅胶制品荧光检测特征图展开后得到的训练多维度强化硅胶制品荧光检测特征向量/>的特征值,/>和/>分别是所述训练多维度强化硅胶制品荧光检测特征向量的1范数和2范数,/>是所述训练多维度强化硅胶制品荧光检测特征向量/>的长度,且/>是与/>相关的权重超参数,/>表示优化训练多维度强化硅胶制品荧光检测特征图展开后得到的优化训练多维度强化硅胶制品荧光检测特征向量,/>表示计算以数值为幂的自然指数函数值。
这里,通过所述训练多维度强化硅胶制品荧光检测特征向量的整体特征分布分别在绝对距离的刚性结构和空间距离的非刚性结构下的结构一致性和稳定性表示,来使得所述训练多维度强化硅胶制品荧光检测特征向量/>的全局特征分布对于局部模式变化具有一定重复性,以在所述训练多维度强化硅胶制品荧光检测特征向量/>通过分类器进行分类时,对于全局特征分布经由分类器的权重矩阵的尺度和旋转变化具有鲁棒性,提升分类训练的稳定性。这样,能够在硅胶制品的生产过程中自动识别出硅胶制品的不同类型和程度的缺陷,以此来判断被检测硅胶制品的质量等级,并将不合格的硅胶制品剔除出生产线,从而提高硅胶制品的质量检测效率和准确性。
综上,基于本发明实施例的用于硅胶制品生产线的质量检测方法被阐明,其通过利用荧光粉对硅胶制品进行荧光增强,然后利用紫外光源和摄像头采集被检测硅胶制品的荧光图像,并在后端引入数据处理和分析算法来进行该荧光图像的分析,以此来识别出硅胶制品的不同类型和程度的缺陷,从而判断被检测硅胶制品的质量等级,并将不合格的硅胶制品剔除出生产线,通过这样的方式,提高了硅胶制品的质量检测效率和准确性。
图3为本发明实施例中提供的一种用于硅胶制品生产线的质量检测系统的框图。如图3所示,所述用于硅胶制品生产线的质量检测系统200,包括:荧光粉涂抹模块210,用于在被检测硅胶制品的表面涂抹荧光粉以得到涂有荧光粉的被检测硅胶制品;图像采集模块220,用于将所述涂有荧光粉的被检测硅胶制品通过装有紫外光源和摄像头的检测装置以通过所述摄像头对所述涂有荧光粉的被检测硅胶制品进行采集以得到被检测硅胶制品的荧光图像;图像分析模块230,用于对所述被检测硅胶制品的荧光图像进行图像分析以识别出所述被检测硅胶制品的缺陷,并确定所述被检测硅胶制品的质量等级,将所述被检测硅胶制品中不合格的硅胶制品剔除出生产线。
在所述用于硅胶制品生产线的质量检测系统中,所述图像分析模块,包括:特征提取单元,用于通过基于深度神经网络模型的荧光图像特征提取器对所述被检测硅胶制品的荧光图像进行特征提取以得到硅胶制品荧光检测特征图;目标强化单元,用于将所述硅胶制品荧光检测特征图通过目标对象显著注意力层以得到目标强化硅胶制品荧光检测特征图;局部信息高效建模单元,用于将所述硅胶制品荧光检测特征图通过局部信息高效建模模块以得到局部强化硅胶制品荧光检测特征图;融合单元,用于融合所述目标强化硅胶制品荧光检测特征图和所述局部强化硅胶制品荧光检测特征图以得到多维度强化硅胶制品荧光检测特征图作为所述硅胶制品荧光检测特征;质量等级标签确定单元,用于基于所述硅胶制品荧光检测特征,确定被检测硅胶制品的质量等级标签。
本领域技术人员可以理解,上述用于硅胶制品生产线的质量检测系统中的各个步骤的具体操作已经在上面参考图1到图2的用于硅胶制品生产线的质量检测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的用于硅胶制品生产线的质量检测系统200可以实现在各种终端设备中,例如用于硅胶制品生产线的质量检测的服务器等。在一个示例中,根据本发明实施例的用于硅胶制品生产线的质量检测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该用于硅胶制品生产线的质量检测系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该用于硅胶制品生产线的质量检测系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该用于硅胶制品生产线的质量检测系统200与该终端设备也可以是分立的设备,并且该用于硅胶制品生产线的质量检测系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种用于硅胶制品生产线的质量检测方法的应用场景图。如图4所示,在该应用场景中,首先,通过所述摄像头对所述涂有荧光粉的被检测硅胶制品进行采集以得到被检测硅胶制品的荧光图像(例如,如图4中所示意的C);然后,将获取的被检测硅胶制品的荧光图像输入至部署有用于硅胶制品生产线的质量检测算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于用于硅胶制品生产线的质量检测算法对所述被检测硅胶制品的荧光图像进行处理,以确定被检测硅胶制品的质量等级标签。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于硅胶制品生产线的质量检测方法,其特征在于,包括:在被检测硅胶制品的表面涂抹荧光粉以得到涂有荧光粉的被检测硅胶制品;将所述涂有荧光粉的被检测硅胶制品通过装有紫外光源和摄像头的检测装置以通过所述摄像头对所述涂有荧光粉的被检测硅胶制品进行采集以得到被检测硅胶制品的荧光图像;对所述被检测硅胶制品的荧光图像进行图像分析以识别出所述被检测硅胶制品的缺陷,并确定所述被检测硅胶制品的质量等级,将所述被检测硅胶制品中不合格的硅胶制品剔除出生产线。
2.根据权利要求1所述的用于硅胶制品生产线的质量检测方法,其特征在于,对所述被检测硅胶制品的荧光图像进行图像分析以识别出所述被检测硅胶制品的缺陷,并确定所述被检测硅胶制品的质量等级,将所述被检测硅胶制品中不合格的硅胶制品剔除出生产线,包括:通过基于深度神经网络模型的荧光图像特征提取器对所述被检测硅胶制品的荧光图像进行特征提取以得到硅胶制品荧光检测特征图;将所述硅胶制品荧光检测特征图通过目标对象显著注意力层以得到目标强化硅胶制品荧光检测特征图;将所述硅胶制品荧光检测特征图通过局部信息高效建模模块以得到局部强化硅胶制品荧光检测特征图;融合所述目标强化硅胶制品荧光检测特征图和所述局部强化硅胶制品荧光检测特征图以得到多维度强化硅胶制品荧光检测特征图作为所述硅胶制品荧光检测特征;基于所述硅胶制品荧光检测特征,确定被检测硅胶制品的质量等级标签。
3.根据权利要求2所述的用于硅胶制品生产线的质量检测方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的用于硅胶制品生产线的质量检测方法,其特征在于,将所述硅胶制品荧光检测特征图通过目标对象显著注意力层以得到目标强化硅胶制品荧光检测特征图,包括:沿着所述硅胶制品荧光检测特征图的X轴方向对所述硅胶制品荧光检测特征图进行平均值池化以得到X轴方向池化特征图;沿着所述硅胶制品荧光检测特征图的Y轴方向对所述硅胶制品荧光检测特征图进行平均值池化以得到Y轴方向池化特征图;将所述X轴方向池化特征图和所述Y轴方向池化特征图进行拼接以得到拼接特征图;对所述拼接特征图进行1×1卷积处理以得到中间特征图;沿着空间维度对所述中间特征图进行分解以得到第一分解特征图和第二分解特征图;分别对所述第一分解特征图和所述第二分解特征图进行1×1卷积处理以得到第一坐标注意力权重特征矩阵第二坐标注意力权重矩阵;使用所述第一坐标注意力权重特征矩阵,对所述硅胶制品荧光检测特征图的X轴方向的各个特征矩阵进行加权以得到第一加权特征图;使用所述第二坐标注意力权重特征矩阵,对所述硅胶制品荧光检测特征图的Y轴方向的各个特征矩阵进行加权以得到第二加权特征图;通过残差模块来融合所述硅胶制品荧光检测特征图、所述第一加权特征图和所述第二加权特征图以得到所述目标强化硅胶制品荧光检测特征图。
5.根据权利要求4所述的用于硅胶制品生产线的质量检测方法,其特征在于,将所述硅胶制品荧光检测特征图通过局部信息高效建模模块以得到局部强化硅胶制品荧光检测特征图,包括:将所述硅胶制品荧光检测特征图通过局部信息高效建模模块中使用如下显著化公式进行处理以得到所述局部强化硅胶制品荧光检测特征图;其中,所述显著化公式为:其中,/>表示所述硅胶制品荧光检测特征图,/>表示使用3×3的卷积核进行卷积处理, />表示使用1×1的卷积核进行卷积处理,/>表示/>函数,/>表示所述局部强化硅胶制品荧光检测特征图。
6.根据权利要求5所述的用于硅胶制品生产线的质量检测方法,其特征在于,基于所述硅胶制品荧光检测特征,确定被检测硅胶制品的质量等级标签,包括:将所述多维度强化硅胶制品荧光检测特征图通过分类器以得到分类结果,所述分类结果用于表示被检测硅胶制品的质量等级标签。
7.根据权利要求6所述的用于硅胶制品生产线的质量检测方法,其特征在于,还包括训练步骤:用于对所述基于卷积神经网络模型的荧光图像特征提取器、所述目标对象显著注意力层、所述局部信息高效建模模块和所述分类器进行训练。
8.根据权利要求7所述的用于硅胶制品生产线的质量检测方法,其特征在于,所述训练步骤,包括:在被检测硅胶制品的表面涂抹荧光粉以得到涂有荧光粉的训练被检测硅胶制品;将所述涂有荧光粉的训练被检测硅胶制品通过所述装有紫外光源和摄像头的检测装置以通过所述摄像头对所述涂有荧光粉的训练被检测硅胶制品进行采集以得到训练被检测硅胶制品的荧光图像;通过所述基于深度神经网络模型的荧光图像特征提取器对所述训练被检测硅胶制品的荧光图像进行特征提取以得到训练硅胶制品荧光检测特征图;将所述训练硅胶制品荧光检测特征图通过所述目标对象显著注意力层以得到训练目标强化硅胶制品荧光检测特征图;将所述训练硅胶制品荧光检测特征图通过所述局部信息高效建模模块以得到训练局部强化硅胶制品荧光检测特征图;融合所述训练目标强化硅胶制品荧光检测特征图和所述训练局部强化硅胶制品荧光检测特征图以得到训练多维度强化硅胶制品荧光检测特征图;将所述训练多维度强化硅胶制品荧光检测特征图通过所述分类器以得到分类损失函数值;基于所述分类损失函数值对所述基于卷积神经网络模型的荧光图像特征提取器、所述目标对象显著注意力层、所述局部信息高效建模模块和所述分类器进行训练,在每次迭代时对所述训练多维度强化硅胶制品荧光检测特征图展开后得到的训练多维度强化硅胶制品荧光检测特征向量进行训练优化以得到优化训练多维度强化硅胶制品荧光检测特征图展开后得到的优化训练多维度强化硅胶制品荧光检测特征向量。
9.一种用于硅胶制品生产线的质量检测系统,其特征在于,包括:荧光粉涂抹模块,用于在被检测硅胶制品的表面涂抹荧光粉以得到涂有荧光粉的被检测硅胶制品;图像采集模块,用于将所述涂有荧光粉的被检测硅胶制品通过装有紫外光源和摄像头的检测装置以通过所述摄像头对所述涂有荧光粉的被检测硅胶制品进行采集以得到被检测硅胶制品的荧光图像;图像分析模块,用于对所述被检测硅胶制品的荧光图像进行图像分析以识别出所述被检测硅胶制品的缺陷,并确定所述被检测硅胶制品的质量等级,将所述被检测硅胶制品中不合格的硅胶制品剔除出生产线。
10.根据权利要求9所述的用于硅胶制品生产线的质量检测系统,其特征在于,所述图像分析模块,包括:特征提取单元,用于通过基于深度神经网络模型的荧光图像特征提取器对所述被检测硅胶制品的荧光图像进行特征提取以得到硅胶制品荧光检测特征图;目标强化单元,用于将所述硅胶制品荧光检测特征图通过目标对象显著注意力层以得到目标强化硅胶制品荧光检测特征图;局部信息高效建模单元,用于将所述硅胶制品荧光检测特征图通过局部信息高效建模模块以得到局部强化硅胶制品荧光检测特征图;融合单元,用于融合所述目标强化硅胶制品荧光检测特征图和所述局部强化硅胶制品荧光检测特征图以得到多维度强化硅胶制品荧光检测特征图作为所述硅胶制品荧光检测特征;质量等级标签确定单元,用于基于所述硅胶制品荧光检测特征,确定被检测硅胶制品的质量等级标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311779193.0A CN117434082A (zh) | 2023-12-22 | 2023-12-22 | 用于硅胶制品生产线的质量检测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311779193.0A CN117434082A (zh) | 2023-12-22 | 2023-12-22 | 用于硅胶制品生产线的质量检测方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117434082A true CN117434082A (zh) | 2024-01-23 |
Family
ID=89555759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311779193.0A Pending CN117434082A (zh) | 2023-12-22 | 2023-12-22 | 用于硅胶制品生产线的质量检测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117434082A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
CN117765403A (zh) * | 2024-02-22 | 2024-03-26 | 山西余得水农牧有限公司 | 提高作物抗倒伏能力和籽粒品质的施肥方法 |
-
2023
- 2023-12-22 CN CN202311779193.0A patent/CN117434082A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
CN117765403A (zh) * | 2024-02-22 | 2024-03-26 | 山西余得水农牧有限公司 | 提高作物抗倒伏能力和籽粒品质的施肥方法 |
CN117765403B (zh) * | 2024-02-22 | 2024-04-30 | 山西余得水农牧有限公司 | 提高作物抗倒伏能力和籽粒品质的施肥方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
Gao et al. | A review on recent advances in vision-based defect recognition towards industrial intelligence | |
CN108171184B (zh) | 基于Siamese网络的用于行人重识别的方法 | |
CN107909564B (zh) | 一种基于深度学习的全卷积网络图像裂纹检测方法 | |
Xu et al. | A weakly supervised surface defect detection based on convolutional neural network | |
CN117434082A (zh) | 用于硅胶制品生产线的质量检测方法及其系统 | |
CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
CN111476307B (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
Wang et al. | Surface defects detection using non-convex total variation regularized RPCA with kernelization | |
Adem et al. | Defect detection of seals in multilayer aseptic packages using deep learning | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN112529005B (zh) | 基于语义特征一致性监督金字塔网络的目标检测方法 | |
CN117355038B (zh) | 用于线路板软板的x型孔加工方法及其系统 | |
Zheng et al. | A two-stage CNN for automated tire defect inspection in radiographic image | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN111914902A (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
Ghamisi et al. | Anomaly detection in automated fibre placement: learning with data limitations | |
CN116228682A (zh) | 一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法 | |
CN115661042A (zh) | 一种基于注意力机制指导的分层分类缺陷检测方法 | |
Xia et al. | A multi-target detection based framework for defect analysis of electrical equipment | |
CN114077663A (zh) | 应用日志的分析方法及装置 | |
Li et al. | A novel feature‐based network with sequential information for textile defect detection | |
Wang et al. | A deep learning-based method for aluminium foil-surface defect recognition | |
CN113506239B (zh) | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 | |
Candra et al. | Computer Vision Implementation in Scratch Inspection and Color Detection on The Car Roof Surface |
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 |