CN117876375A - 基于改进YOLOv8的热水器内胆缺陷检测系统及方法 - Google Patents
基于改进YOLOv8的热水器内胆缺陷检测系统及方法 Download PDFInfo
- Publication number
- CN117876375A CN117876375A CN202410281727.5A CN202410281727A CN117876375A CN 117876375 A CN117876375 A CN 117876375A CN 202410281727 A CN202410281727 A CN 202410281727A CN 117876375 A CN117876375 A CN 117876375A
- Authority
- CN
- China
- Prior art keywords
- water heater
- module
- improved
- yolov8
- image
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 81
- 230000007547 defect Effects 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 20
- 229910052782 aluminium Inorganic materials 0.000 claims description 16
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 15
- 238000013519 translation Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 206010039509 Scab Diseases 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 229910021419 crystalline silicon Inorganic materials 0.000 description 2
- 210000003298 dental enamel Anatomy 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052573 porcelain Inorganic materials 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 239000010936 titanium Substances 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 210000000078 claw Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了基于改进YOLOv8的热水器内胆缺陷检测系统及方法,涉及图像识别和机械控制技术领域。包括:依次连接的定位模块、图像检测模块和数据分析模块;定位模块用于夹紧或松开热水器内胆;图像检测模块包括依次连接的图像采集单元和图像识别单元,图像采集单元用于热水器内胆视频采集,图像识别单元用于根据热水器内胆视频进行缺陷的检测;数据分析模块用于记录每个热水器内胆的信息,统计存在缺陷的热水器内胆数占总热水器内胆数的比例。本发明结合深度学习目标检测,实现了对热水器内胆内部缺陷的检测,相比于人工检测,整个检测装置可快速准确的成像热水器内胆内部缺陷,提高了检测精度和检测效率。
Description
技术领域
本发明涉及图像识别和机械控制技术领域,尤其涉及基于改进YOLOv8的热水器内胆缺陷检测系统及方法。
背景技术
热水器内胆是热水器最重要的组成部分,目前市场上存在的热水器内胆的材质有紫铜内胆、不锈钢内胆、钛金内胆、晶硅内胆和搪瓷内胆,其各自的特点和优点不同,大多数热水器内胆都具有强度高、耐高温、防腐蚀的特性,可以有效的保证热水器的长期使用,而热水器内胆成品的检验一直是产品生产流程中的重要环节,但由于内胆结构特殊性,即热水器内胆入口直径较小,一般直径在90mm左右,且热水器内胆的缺陷大多在内胆内表面,传统的人工检测方法通过手持外部光源放入内胆内部,利用肉眼观察热水器内胆内部是否存在疤瘤、爆瓷、针孔和漏点,由于内部光线差,且细微缺陷不易观察,同时极易产生视觉疲劳,影响检测精度,市场急需一种检测精度和效率较高的热水器内胆内部缺陷检测装置。
因此,提出基于改进YOLOv8的热水器内胆缺陷检测系统及方法,来解决现有技术检测精度低、效率低下和成本较高的问题,是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了改进YOLOv8的热水器内胆缺陷检测系统及方法,可以达到提高检测精度的效果。
为了实现上述目的,本发明采用如下技术方案:
基于改进YOLOv8的热水器内胆缺陷检测系统,包括依次连接的定位模块、图像检测模块和数据分析模块;
定位模块,用于夹紧或松开热水器内胆;
图像检测模块,包括依次连接的图像采集单元和图像识别单元,图像采集单元用于热水器内胆视频采集,图像识别单元用于根据热水器内胆视频进行缺陷的检测;
数据分析模块,用于记录每个热水器内胆的信息,统计存在缺陷的热水器内胆数占总热水器内胆数的比例。
上述的系统,可选的,图像采集单元包括支架、直线平移模组、铝型材横梁、图像采集模组;
支架上端内侧与直线平移模组水平连接,铝型材横梁与直线平移模组底端垂直连接,图像采集模组与铝型材横梁连接。
基于改进YOLOv8的热水器内胆缺陷检测方法,应用于上述任一项所述基于改进YOLOv8的热水器内胆缺陷检测系统,包括以下步骤:
获取数据步骤:获取热水器内胆内部视频;
数据预处理步骤:读取视频每帧图像并进行数据增强,按一定比例划分为训练集和测试集;
模型构建步骤:使用改进后的MobileNet v3网络替代YOLOv8模型中主干网络,构建改进的YOLOv8模型;
模型训练步骤:将数据预处理步骤的训练集输入改进的YOLOv8模型,根据输出的预测值和实际值通过损失函数进行误差分析,调整改进的YOLOv8模型各个权重值;
训练结束判定步骤:判断迭代次数是否达到预设的阈值,若为否,则返回模型训练步骤;若为是,则结束模型训练步骤,输出训练好的改进的YOLOv8模型至热水器内胆缺陷检测步骤;
热水器内胆缺陷检测步骤:将数据预处理步骤中的测试集输入训练好的改进YOLOv8模型,检测热水器内胆缺陷,得到检测结果。
上述的方法,可选的,数据预处理步骤中,包括筛选缺陷图像,并对缺陷图像进行数据增强。
上述的方法,可选的,模型构建步骤中,改进的MobileNet v3网络包括conv_bn_hswish模块、MobileNet v3瓶颈模块和改进的MobileNet v3瓶颈模块。
上述的方法,可选的,conv_bn_hswish模块包括:使用h-swish函数替换原有的MobileNet v3网络第一层Conv2d层中的ReLU激活函数;
改进的MobileNet v3瓶颈模块包括:使用动态卷分解DCD层代替MobileNet v3原有模块中的Conv2d层。
上述的方法,可选的,YOLOv8模型中主干网络第1层使用conv_bn_hswish模块,第2、3、4层使用原有的MobileNet v3模块,而5-11层采用改进的MobileNet v3模块。
经由上述的技术方案可知,与现有技术相比,本发明提供了基于改进YOLOv8的热水器内胆缺陷检测系统及方法,具有以下有益效果:1)本发明将动态卷积引入YOLOv8进行图像识别,防止人工检测造成视觉疲劳,降低成本,提高检测效率;2)本发明能够观察细微缺陷,提升监测精度;3)本发明为非接触式检测方式,提高检测精度和效率。
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,还可以根据提供的附图获得其他的附图。
图1为本发明公开的基于改进YOLOv8的热水器内胆缺陷检测系统结构框图;
图2为本实施例公开的热水器内胆缺陷检测系统总装图;
图3为本实施例公开的图像采集模组结构图;
图4为本发明公开的基于改进YOLOv8的热水器内胆缺陷检测方法流程图;
图5为本发明公开的改进的YOLOv8模型图;
其中,1-支架,2-直线平移模组,3-铝型材横梁,4-图像采集模组;41-操控电机,42-工业内窥镜。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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。
在本申请中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
参照图1所示,本发明公开了基于改进YOLOv8的热水器内胆缺陷检测系统,包括依次连接的定位模块、图像检测模块和数据分析模块;
定位模块,用于夹紧或松开热水器内胆;
图像检测模块,包括依次连接的图像采集单元和图像识别单元,图像采集单元用于热水器内胆视频采集,图像识别单元用于根据热水器内胆视频进行缺陷的检测;
数据分析模块,用于记录每个热水器内胆的信息,统计存在缺陷的热水器内胆数占总热水器内胆数的比例。
具体的,定位模块结构为三爪卡盘,夹持机构用于固定烧制冷却后的热水器内胆,使其保持竖直,其位于整个检测装置的最底端,初始时刻三爪卡盘的卡爪打开,将内胆竖直放置在卡盘上面,转动卡盘夹紧轴,使卡爪夹紧热水器内胆。卡爪与内胆接触面为橡胶材质。
进一步的,参照图2所示,图像采集单元包括支架1、直线平移模组2、铝型材横梁3、图像采集模组4;
支架1上端内侧与直线平移模组2水平连接,铝型材横梁3与直线平移模组2底端垂直连接,图像采集模组4与铝型材横梁3连接。
具体的,参照图3所示,图像采集模组4由3根工业内窥镜42组成,其中每根工业内窥镜42包括镜头、LED灯源、导向关节、牵引钢丝、数据光纤、操控电机41、电源线;工业内窥镜42的任意两个内窥镜之间呈120°夹角,初始位置与竖直方向呈120°夹角。第一次转动位置与竖直方向夹角为90°,第二次转动后的位置与竖直方向夹角为60°;内窥镜镜头与4条牵引钢丝连接,牵引钢丝与操控电机41连接,每个操控电机41控制两条牵引钢丝,两个操控电机41分别控制左右和上下两个方向。
直线平移模组2与铝型材横梁3通过连接件连接,铝型材横梁3与图像采集模组4固定连接。直线平移模组2带动铝型材横梁3和图像采集模组4上下移动。
夹持机构包括三爪卡盘和橡胶卡爪,橡胶卡爪通过螺栓固定在三爪卡盘上,三爪卡盘的运动带动橡胶卡爪移动,橡胶卡爪的橡胶接触面与内胆侧壁接触,将热水器内胆固定在三爪卡盘上,热水器内胆底端与三爪卡盘上的橡胶垫接触。
与图1的系统相对应,本发明还公开了基于改进YOLOv8的热水器内胆缺陷检测方法,应用于基于改进YOLOv8的热水器内胆缺陷检测系统,如图4所示,包括以下步骤:
获取数据步骤:获取热水器内胆内部视频;
数据预处理步骤:读取视频每帧图像并进行数据增强,按一定比例划分为训练集和测试集;
模型构建步骤:使用改进后的MobileNet v3网络替代YOLOv8模型中主干网络,构建改进的YOLOv8模型;
模型训练步骤:将数据预处理步骤的训练集输入改进的YOLOv8模型,根据输出的预测值和实际值通过损失函数进行误差分析,调整改进的YOLOv8模型各个权重值;
训练结束判定步骤:判断迭代次数是否达到预设的阈值,若为否,则返回模型训练步骤;若为是,则结束模型训练步骤,输出训练好的改进YOLOv8模型至热水器内胆缺陷检测步骤;
热水器内胆缺陷检测步骤:将数据预处理步骤中的测试集输入训练好的改进YOLOv8模型,检测热水器内胆缺陷,得到检测结果。
具体的,利用图像采集装置对热水器内胆进行视频采集。
进一步的,数据预处理步骤中,包括筛选缺陷图像,并对缺陷图像进行数据增强。
具体的,数据预处理包括以下步骤:
S1:将视频分割成图像,并进行筛选;
S2:对疤瘤、爆瓷、针孔和漏点四种缺陷图像通过翻转、裁剪、色温、噪声物理变换方式进行数据增强,从而获得由待检测图像2000张构成的数据集;
S3:将增强后的图像按照8:2的比例分成训练集和测试集。
进一步的,模型构建步骤中,改进的MobileNet v3网络包括conv_bn_hswish(卷积层)模块、MobileNet v3瓶颈模块和改进的MobileNet v3瓶颈模块。
进一步的,conv_bn_hswish模块包括:使用h-swish函数替换原有的MobileNet v3网络第一层Conv2d层中的ReLU激活函数;
改进的MobileNet v3瓶颈模块包括:使用动态卷分解DCD层代替MobileNet v3原有模块中的Conv2d层。
进一步的,参照图5所示,YOLOv8模型中主干网络第1层使用conv_bn_hswish模块,第2、3、4层使用原有的MobileNet v3模块,而5-11层采用改进的MobileNet v3模块。
具体的,neck(颈部)网络在对第一上采样模块中对11层获得图像进行上采样,第一上采样结果与主干网络第8层图像进入第一全连接层进行分析和定位,获得的第一全连接层信息进入第一c2f层(复合卷积层)获得第一全连接层获得的特征图像;第二上采样模块对第一全连接层获得的特征图像进行删改,获得的第二上采样图像与主干网络第三层获得的图像进入第二全连接层进行分析和定位,获得的第二全连接层信息;第二全连接层信息进入第二c2f层获得第二全连接层获得的特征图像,进入第一卷积层提取第一卷积图像,将第一卷积图像与第三全连接层获得的特征图像输入第三全连接层进行分析和定位,获得的第三全连接层信息进入第三c2f层获得第三全连接层获得的特征图像;第三全连接层获得的特征图像进入第二卷积层提取第二卷积图像,将第二卷积图像与主干网络第11层获得图像送入第四全连接层,获得的第四全连接层信息进入第四c2f层获得第四全连接层获得的特征图像。
Head(头部)网络中以第二c2f层输出的第二全连接层获得的特征图像作为第一输出图像,第三c2f层输出的第三全连接层获得的特征图像作为第一输出图像,第四c2f层输出的第四全连接层获得的特征图像作为第一输出图像。
在模型训练过程中,迭代次数300次,最小批次是16次,初始学习速率为0.01,初始化权重为yolov8x.pt。
在一具体实施例中,
热水器内胆夹持在夹持装置上时,内胆位于图像采集模组4最底端,即工业相机镜头保持一定距离。内胆夹持稳定后,直线平移模组2带动铝型材横梁3和图像采集模组4下移,移动到直线平移模组2最底端。内窥镜镜头在操控电机41的操控下,与竖直方向下所呈锐角为60°。之后,进行图像采集,再由操控电机41带动内窥镜镜头弯曲60°,采集内胆颈部图像。完成图像采集后,工业内窥镜42回归初始位置,直线平移模组2带动铝型材横梁3和图像采集模组4上移,待内窥镜镜头完全移出内胆后,夹持装置松开热水器内胆,图像采集流程完成。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.基于改进YOLOv8的热水器内胆缺陷检测系统,其特征在于,包括依次连接的定位模块、图像检测模块和数据分析模块;
定位模块,用于夹紧或松开热水器内胆;
图像检测模块,包括依次连接的图像采集单元和图像识别单元,图像采集单元用于热水器内胆视频采集,图像识别单元用于根据热水器内胆视频进行缺陷的检测;
数据分析模块,用于记录每个热水器内胆的信息,统计存在缺陷的热水器内胆数占总热水器内胆数的比例。
2.根据权利要求1所述的基于改进YOLOv8的热水器内胆缺陷检测系统,其特征在于,
图像采集单元包括支架、直线平移模组、铝型材横梁、图像采集模组;
支架上端内侧与直线平移模组水平连接,铝型材横梁与直线平移模组底端垂直连接,图像采集模组与铝型材横梁连接。
3.基于改进YOLOv8的热水器内胆缺陷检测方法,其特征在于,应用于权利要求1-2任一项所述基于改进YOLOv8的热水器内胆缺陷检测系统,包括以下步骤:
获取数据步骤:获取热水器内胆内部视频;
数据预处理步骤:读取视频每帧图像并进行数据增强,按一定比例划分为训练集和测试集;
模型构建步骤:使用改进后的MobileNet v3网络替代YOLOv8模型中主干网络,构建改进的YOLOv8模型;
模型训练步骤:将数据预处理步骤的训练集输入改进的YOLOv8模型,根据输出的预测值和实际值通过损失函数进行误差分析,调整改进的YOLOv8模型各个权重值;
训练结束判定步骤:判断迭代次数是否达到预设的阈值,若为否,则返回模型训练步骤;若为是,则结束模型训练步骤,输出训练好的改进的YOLOv8模型至热水器内胆缺陷检测步骤;
热水器内胆缺陷检测步骤:将数据预处理步骤中的测试集输入训练好的改进的YOLOv8模型,检测热水器内胆缺陷,得到检测结果。
4.根据权利要求3所述的基于改进YOLOv8的热水器内胆缺陷检测方法,其特征在于,
数据预处理步骤中,包括筛选缺陷图像,并对缺陷图像进行数据增强。
5.根据权利要求3所述的基于改进YOLOv8的热水器内胆缺陷检测方法,其特征在于,
模型构建步骤中,改进后的MobileNet v3网络包括conv_bn_hswish模块、MobileNetv3瓶颈模块和改进的MobileNet v3瓶颈模块。
6.根据权利要求5所述的基于改进YOLOv8的热水器内胆缺陷检测方法,其特征在于,
conv_bn_hswish模块包括:使用h-swish函数替换原有的MobileNet v3网络第一层Conv2d层中的ReLU激活函数;
改进的MobileNet v3瓶颈模块包括:使用动态卷分解DCD层代替MobileNet v3原有模块中的Conv2d层。
7.根据权利要求5所述的基于改进YOLOv8的热水器内胆缺陷检测方法,其特征在于,
YOLOv8模型中主干网络第1层使用conv_bn_hswish模块,第2、3、4层使用原有的MobileNet v3模块,而5-11层采用改进的MobileNet v3模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281727.5A CN117876375A (zh) | 2024-03-13 | 2024-03-13 | 基于改进YOLOv8的热水器内胆缺陷检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281727.5A CN117876375A (zh) | 2024-03-13 | 2024-03-13 | 基于改进YOLOv8的热水器内胆缺陷检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117876375A true CN117876375A (zh) | 2024-04-12 |
Family
ID=90590513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410281727.5A Pending CN117876375A (zh) | 2024-03-13 | 2024-03-13 | 基于改进YOLOv8的热水器内胆缺陷检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876375A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205003093U (zh) * | 2015-09-08 | 2016-01-27 | 东莞市天美新自动化设备有限公司 | 热水器内胆内腔表面缺陷在线自动检测系统 |
CN107941817A (zh) * | 2017-12-14 | 2018-04-20 | 齐鲁工业大学 | 搪瓷内胆内表面缺陷综合检测系统 |
CN115424063A (zh) * | 2022-08-31 | 2022-12-02 | 国网吉林省电力有限公司吉林供电公司 | 一种基于YOLO-MobileNet的电力作业现场安全防护装备穿戴状态检测方法 |
CN116524180A (zh) * | 2023-04-03 | 2023-08-01 | 西北大学 | 基于轻量级主干结构的戏曲舞台场景分割方法 |
CN116758610A (zh) * | 2023-05-24 | 2023-09-15 | 长春大学 | 基于注意力机制和特征融合的轻量化人耳识别方法及系统 |
CN117237325A (zh) * | 2023-10-13 | 2023-12-15 | 重庆邮电大学 | 一种基于深度网络的工业缺陷检测方法 |
-
2024
- 2024-03-13 CN CN202410281727.5A patent/CN117876375A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205003093U (zh) * | 2015-09-08 | 2016-01-27 | 东莞市天美新自动化设备有限公司 | 热水器内胆内腔表面缺陷在线自动检测系统 |
CN107941817A (zh) * | 2017-12-14 | 2018-04-20 | 齐鲁工业大学 | 搪瓷内胆内表面缺陷综合检测系统 |
CN115424063A (zh) * | 2022-08-31 | 2022-12-02 | 国网吉林省电力有限公司吉林供电公司 | 一种基于YOLO-MobileNet的电力作业现场安全防护装备穿戴状态检测方法 |
CN116524180A (zh) * | 2023-04-03 | 2023-08-01 | 西北大学 | 基于轻量级主干结构的戏曲舞台场景分割方法 |
CN116758610A (zh) * | 2023-05-24 | 2023-09-15 | 长春大学 | 基于注意力机制和特征融合的轻量化人耳识别方法及系统 |
CN117237325A (zh) * | 2023-10-13 | 2023-12-15 | 重庆邮电大学 | 一种基于深度网络的工业缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
YUNSHENG LI ET AL.: "REVISITING DYNAMIC CONVOLUTION VIA MATRIX DECOMPOSITION", 《ARXIV》, 15 March 2021 (2021-03-15), pages 1 - 11 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765416B (zh) | 基于快速几何对准的pcb表面缺陷检测方法及装置 | |
CN110827256B (zh) | 透明构件缺陷的光学和热红外多级成像检测方法及装置 | |
CN113160123B (zh) | 一种基于YOLOv5的皮革缺陷检测方法、系统及装置 | |
CN107747913B (zh) | 一种管道弯曲度测量装置及方法 | |
CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
JP2016049055A (ja) | 微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラム | |
CN108670305A (zh) | 乳房自动扫查装置 | |
CN117876375A (zh) | 基于改进YOLOv8的热水器内胆缺陷检测系统及方法 | |
CN111105415A (zh) | 一种基于深度学习的白细胞大视场图像检测系统及方法 | |
CN115760837A (zh) | 一种基于深度神经网络的晶体质量评估方法及系统 | |
CN114925714B (zh) | 一种采血管条形码智能扫描装置及方法 | |
CN112215907A (zh) | 一种焊缝缺陷自动提取方法 | |
CN112964732A (zh) | 一种基于深度学习的丝饼缺陷视觉检测系统及方法 | |
CN113610846A (zh) | 一种基于人工智能的管状零件内侧异常检测方法及系统 | |
RU2726257C1 (ru) | Установка для автоматического измерения параметров растений | |
CN115774851A (zh) | 基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统 | |
JP2013520742A (ja) | ガスシリンダのための追跡情報を作成するための方法及びシステム | |
CN114047196A (zh) | 一种线缆表面瑕疵高精度检测设备及其使用方法 | |
CN116930192A (zh) | 一种高精度铜管缺陷检测方法及系统 | |
CN106546605B (zh) | 一种利用4圆周定位和迟滞阈值的啤酒瓶口缺陷检测方法 | |
CN211348000U (zh) | 一种内孔侧壁表面缺陷采集装置及检测系统 | |
CN116105604A (zh) | 钢管质量检测系统及检测方法 | |
CN115100298B (zh) | 一种用于深远海视觉养殖的光-声图像融合方法 | |
CN111968085A (zh) | 一种长管型件的激光视觉综合检测设备及其检测方法 | |
Han et al. | Identification and measurement of convolutions in cotton fiber using image analysis |
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 |