CN213957126U - 一种预制凸窗缺陷检测系统 - Google Patents
一种预制凸窗缺陷检测系统 Download PDFInfo
- Publication number
- CN213957126U CN213957126U CN202022579705.7U CN202022579705U CN213957126U CN 213957126 U CN213957126 U CN 213957126U CN 202022579705 U CN202022579705 U CN 202022579705U CN 213957126 U CN213957126 U CN 213957126U
- Authority
- CN
- China
- Prior art keywords
- fixed cover
- lead screw
- prefabricated
- fixedly connected
- bay window
- 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.)
- Expired - Fee Related
Links
- 230000007547 defect Effects 0.000 title claims abstract description 77
- 238000001514 detection method Methods 0.000 claims description 74
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 description 25
- 238000000034 method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 238000011179 visual inspection Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 241000264877 Hippospongia communis Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本实用新型公开了一种预制凸窗缺陷检测系统,包括图像收集装置和后台PC,图像收集装置包括丝杆,丝杆表面的左右两端均螺纹连接有滑动螺母,滑动螺母的左右两侧均固定连接有延伸杆,延伸杆的表面从靠近丝杆到远离丝杆的方向分别套设有第一固定套、第二固定套和第三固定套,第一固定套与第二固定套之间和第二固定套与第三固定套之间且位于延伸杆的表面均固定连接有弹簧,本实用新型涉及技术领域。该基于改进Faster R‑CNN的预制凸窗缺陷检测模块系统,通过设置有丝杆,配合延伸杆、第一固定套、第二固定套、第三固定套、弹簧、工业相机,可以实现对不同规格的预制凸窗进行图像采集,并且每组收集组内的工业相机位置都会自适应调节。
Description
技术领域
本实用新型涉及技术领域,具体为一种预制凸窗缺陷检测系统。
背景技术
随着计算机技术和图像处理技术的发展,机器视觉检测技术在工业缺陷检测中得到了广泛的应用。例如:Celik等人将基于双阈值二值化、小波变换和形态学运算的图像算法与前馈神经网络相结合,实现缺陷检测;Afshar等人利用统计方法检测出缺陷边缘,然后采用多策略支持向量机作为分类器对缺陷进行识别;郭慧等人提出了一种基于灰度共生矩阵和分层聚类算法实现缺陷检测。
近年来,深度学习技术作为机器学习的重要分支在工业界的应用日渐成熟。YJCha等人采用卷积神经网络识别出混凝土裂缝缺陷;FC Chen等人提出了一种基于朴素贝叶斯和卷积神经网络数据融合的深度学习框架,用于检测裂纹缺陷;余永维等人利用卷积神经网络提取可疑缺陷区域的本质特征,然后利用径向基网络识别出缺陷。
现有的质量是公司的生命,产品质量和生产效率成为公司发展的重中之重,因此预制凸窗质量检测对于保障预制凸窗的质量至关重要,日常预制凸窗生产过程中,产品表面可能存在缺陷,传统的表面检测方法主要是人工目视检查,长时间目视检测容易产生疲劳,误检率也随之增加,同时降低了工作效率,采用人工目视检测方法存在工作量大、检测效率低、误检率高等问题,传统的机器视觉检测方法通常采用工业相机采集图像,再利用数字图像技术对采集的图像进行预处理,然后设定分类器对缺陷图像进行分类检测,这类检测模型较为单一,需要人为手工制作特征工程或手工选取某些关键参数,受人为主观影响大,导致检测方法的泛化能力不高,无法应对预制凸窗缺陷种类多、生产环境复杂等不可控因素。
实用新型内容
针对现有技术的不足,本实用新型提供了一种预制凸窗缺陷检测系统,解决了采用人工目视检测方法工作量大、检测效率低、误检率高等,传统的机器视觉检测方法通常采用工业相机采集图像,这类检测模型较为单一,需要人为手工制作特征工程或手工选取某些关键参数,受人为主观影响大,导致检测方法的泛化能力不高,无法应对预制凸窗缺陷种类多、生产环境复杂等不可控因素的问题。
为实现以上目的,本实用新型通过以下技术方案予以实现:一种预制凸窗缺陷检测系统,包括图像收集装置和后台PC,所述图像收集装置包括丝杆,所述丝杆表面的左右两端均螺纹连接有滑动螺母,所述滑动螺母的左右两侧均固定连接有延伸杆,所述延伸杆的表面从靠近丝杆到远离丝杆的方向分别套设有第一固定套、第二固定套和第三固定套,所述第一固定套与第二固定套之间和第二固定套与第三固定套之间且位于延伸杆的表面均固定连接有弹簧,所述第一固定套、第二固定套和第三固定的表面均固定连接有工业相机。
优选的,所述丝杆的左右两端设置有不同方向的螺纹,所述丝杆表面的中间固定连接有限位杆,所述限位杆的左右两侧转动连接有连接杆,其中一个所述连接杆的底端与第三固定套的顶部转动连接,另一个所述连接杆的底端与第一固定套的顶部转动连接。
优选的,一个所述延伸杆、一个第一固定套、一个第二固定套、一个第三固定套、两个弹簧、三个工业相机、一个限位杆和两个连接杆形成一组收集组,所述图像收集装置设置有四组收集组,相邻两组收集组之间相互垂直。
优选的,所述丝杆的前侧设置有基板,所述基板的后侧固定连接有伺服电机,所述伺服电机的输出端与丝杆固定连接。
优选的,所述基板的前侧固定连接有支撑臂,所述支撑臂的底端固定连接有基座,所述基座的底部固定连接有滑轮。
优选的,所述后台PC固定在基座的顶部,所述后台PC包括分析系统。
优选的,所述分析系统包括图像预处理模块、目标检测模块Faster R-CNN、预制凸窗缺陷检测模块和预制凸窗缺陷判断模块。
优选的,所述图像预处理模块的输出端与目标检测模块Faster R-CNN的输入端耦合连接,所述目标检测模块Faster R-CNN的输出端与预制凸窗缺陷检测模块的输入端耦合连接,所述预制凸窗缺陷检测模块的输出端与预制凸窗缺陷判断模块的输入端耦合连接。
有益效果
本实用新型提供了一种预制凸窗缺陷检测系统。与现有技术相比具备以下有益效果:
(1)、该基于改进Faster R-CNN的预制凸窗缺陷检测模块系统,通过在包括图像收集装置和后台PC,图像收集装置包括丝杆,丝杆表面的左右两端均螺纹连接有滑动螺母,滑动螺母的左右两侧均固定连接有延伸杆,延伸杆的表面从靠近丝杆到远离丝杆的方向分别套设有第一固定套、第二固定套和第三固定套,第一固定套与第二固定套之间和第二固定套与第三固定套之间且位于延伸杆的表面均固定连接有弹簧,第一固定套、第二固定套和第三固定的表面均固定连接有工业相机,丝杆的左右两端设置有不同方向的螺纹,丝杆表面的中间固定连接有限位杆,限位杆的左右两侧转动连接有连接杆,其中一个连接杆的底端与第三固定套的顶部转动连接,另一个连接杆的底端与第一固定套的顶部转动连接,一个延伸杆、一个第一固定套、一个第二固定套、一个第三固定套、两个弹簧、三个工业相机、一个限位杆和两个连接杆形成一组收集组,图像收集装置设置有四组收集组,相邻两组收集组之间相互垂直,通过设置有丝杆,配合延伸杆、第一固定套、第二固定套、第三固定套、弹簧、工业相机,可以实现对不同规格的预制凸窗进行图像采集,并且每组收集组内的工业相机位置都会自适应调节。
(2)、该基于改进Faster R-CNN的预制凸窗缺陷检测模块系统,通过在丝杆的前侧设置有基板,基板的后侧固定连接有伺服电机,伺服电机的输出端与丝杆固定连接,基板的前侧固定连接有支撑臂,支撑臂的底端固定连接有基座,基座的底部固定连接有滑轮,通过滑轮,可以快速方便的移动装置,配合基板和伺服电机使调节更加方便,加快了工作效率,增加了实用性。
(3)、该基于改进Faster R-CNN的预制凸窗缺陷检测模块系统,通过在后台PC固定在基座的顶部,后台PC包括分析系统,分析系统包括图像预处理模块、目标检测模块FasterR-CNN、预制凸窗缺陷检测模块和预制凸窗缺陷判断模块,图像预处理模块的输出端与目标检测模块Faster R-CNN的输入端耦合连接,目标检测模块Faster R-CNN的输出端与预制凸窗缺陷检测模块的输入端耦合连接,预制凸窗缺陷检测模块的输出端与预制凸窗缺陷判断模块的输入端耦合连接,使用目标检测模块Faster R-CNN网络实现快速、实时预制凸窗缺陷检测模块,解决人工目视检查,长时间目视检测容易产生疲劳,误检率高的问题,提高了产品质检效率,通过自动学习实现特征提取,解决一般特征提取无法在复杂多变的生产环境中实现目标检测的问题,目标检测模块Faster R-CNN网络相比于原始网络,使得小目标缺陷在检测过程中不易丢失,提高预制凸窗质检准确度。
附图说明
图1为本实用新型的主视图;
图2为本实用新型中基板的侧视图;
图3为本实用新型中图像收集装置的局部侧视图;
图4为本实用新型图3中A处的局部放大图;
图5为本实用新型的逻辑流程图;
图6为本实用新型中改进后Faster R-CNN网络示意图;
图7为本实用新型中融合特征金字塔的预制凸窗缺陷预测网络示意图;
图8为本实用新型中残差网络基本结构示意图。
图中:1、图像收集装置;2、后台PC;101、丝杆;102、滑动螺母;103、延伸杆;104、第一固定套;105、第二固定套;106、第三固定套;107、弹簧;108、工业相机;109、限位杆;110、连接杆;111、基板;112、伺服电机;113、支撑臂;114、基座;115、滑轮;201、分析系统;202、图像预处理模块;203、目标检测模块Faster R-CNN;204、预制凸窗缺陷检测模块;205、预制凸窗缺陷判断模块。
具体实施方式
下面将结合本实用新型实施例中的附图,对本实用新型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实用新型一部分实施例,而不是全部的实施例。基于本实用新型中的实施例,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,都属于本实用新型保护的范围。
请参阅图1-7,本实用新型提供一种技术方案:一种基于改进Faster R-CNN的预制凸窗缺陷检测模块204系统,包括图像收集装置1和后台PC2,图像收集装置1包括丝杆101,丝杆101表面的左右两端均螺纹连接有滑动螺母102,滑动螺母102的左右两侧均固定连接有延伸杆103,延伸杆103的表面从靠近丝杆101到远离丝杆101的方向分别套设有第一固定套104、第二固定套105和第三固定套106,第一固定套104与第二固定套105之间和第二固定套105与第三固定套106之间且位于延伸杆103的表面均固定连接有弹簧107,第一固定套104、第二固定套105和第三固定的表面均固定连接有工业相机108,丝杆101的左右两端设置有不同方向的螺纹,丝杆101表面的中间固定连接有限位杆109,限位杆109的左右两侧转动连接有连接杆110,其中一个连接杆110的底端与第三固定套106的顶部转动连接,另一个连接杆110的底端与第一固定套104的顶部转动连接,一个延伸杆103、一个第一固定套104、一个第二固定套105、一个第三固定套106、两个弹簧107、三个工业相机108、一个限位杆109和两个连接杆110形成一组收集组,图像收集装置1设置有四组收集组,相邻两组收集组之间相互垂直,通过设置有丝杆101,配合延伸杆103、第一固定套104、第二固定套105、第三固定套106、弹簧107、工业相机108,可以实现对不同规格的预制凸窗进行图像采集,并且每组收集组内的工业相机108位置都会自适应调节,丝杆101的前侧设置有基板111,基板111的后侧固定连接有伺服电机112,伺服电机112的输出端与丝杆101固定连接,基板111的前侧固定连接有支撑臂113,支撑臂113的底端固定连接有基座114,基座114的底部固定连接有滑轮115,通过滑轮115,可以快速方便的移动装置,配合基板111和伺服电机112使调节更加方便,加快了工作效率,增加了实用性,后台PC2固定在基座114的顶部,后台PC2包括分析系统201,分析系统201包括图像预处理模块202、目标检测模块Faster R-CNN203、预制凸窗缺陷检测模块204和预制凸窗缺陷判断模块205,图像预处理模块202的输出端与目标检测模块Faster R-CNN203的输入端耦合连接,目标检测模块Faster R-CNN203的输出端与预制凸窗缺陷检测模块204的输入端耦合连接,预制凸窗缺陷检测模块204的输出端与预制凸窗缺陷判断模块205的输入端耦合连接,使用目标检测模块Faster R-CNN203网络实现快速、实时预制凸窗缺陷检测模块204,解决人工目视检查,长时间目视检测容易产生疲劳,误检率高的问题,提高了产品质检效率,通过自动学习实现特征提取,解决一般特征提取无法在复杂多变的生产环境中实现目标检测的问题,目标检测模块Faster R-CNN203网络相比于原始网络,使得小目标缺陷在检测过程中不易丢失,提高预制凸窗质检准确度。
请参阅图8具体技术步骤如下所示:
其中C1、C2、C3为初始特征图,P3、P2、P1为横向连接1*1卷积后的特征图,再通过3*3卷积消除上采样过程中造成的混叠效应,标定出图像中缺陷的可能区域。
其中x表示输入值,Fx为x值经过两层卷积和一层Relu激活函数的输出值,在ResNet中,使用跳层连接将输入、输出加在一起,此时单元训练目标变为Fx=Hx-x,即训练单元的残差,残差单元的综合输出y如下所示:
其中为Relu激活函数,W1、W2分别为第一层网络和第二层网络的权重。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术,且各电器的型号参数不作具体限定,使用常规设备即可。
使用时,推动滑轮115,带动整个装置移动,达到合适位置后,打开伺服电机112,然后带动丝杆101转动,带动滑动螺母102在丝杆101表面移动,而在滑动螺母102带动延伸杆103移动时,限位杆109拉扯连接杆110,从而使第一固定套104和第三固定套106向第二固定套105靠近,接着打开工业相机108,收集图像,图像数据被传输到分析系统201内。
步骤1:预制凸窗图像采集
前端布设工业相机108,并与后台PC2端建立长连接,通过Socket把定期采集的图像数据传输到后台PC2端。
步骤2:图像预处理模块202
图像预处理模块202最大化还原图像原始特征,最小化与检测无关的噪声等无用的信息。
2.1图像增强
2.1.1图像降噪处理
本文采用中值滤波处理图像噪声,将目标点的灰度值设定为其周围某一区域所有点的中值,使其领域像素值更逼近真值,从而剔除独立噪声信号。
2.1.2图像锐化处理
图像滤波处理后,会降低图像轮廓和边缘的清晰度,采用拉普拉斯算子进行锐化处理,增强图像中物体及背景灰度值之间的差距。
2.2去均值和归一化处理
调用函数库对图像数据去均值和归一化,数据映射到-1,1之间,使得数据在神经网络模型训练时能快速收敛、找到最优解。
步骤3:缺陷检测
根据目标检测技术以及预制凸窗表面缺陷图像的特点,采用目标检测模块FasterR-CNN203网络,使用FPN将多尺度的特征图融合,生成具有高级与低级语意的特征图,再由RPN提供图像中一系列可能的缺陷候选区,再使用ResNet101残差网络通过“跳层连接”将输入、输出加在一起提取图像特征,最后使用Faster R-CNN将融合全部信息的特征图进行分类,完成目标分类与回归任务。
特征金字塔网络将多尺度的特征图融合,减少小目标缺陷在训练中的丢失,提高缺陷检测泛化能力。其主要有三部分组成,第一部分通过卷积网络上采样,第二部分从特征图出发下采样,第三部分横向连接,将前两部分同大小的特征图进行融合,得到多尺度的特征图。
传统的VGG16网络作为基础的特征提取网络在深层次网络反向传播过程中易导致梯度弥散或消失,同时在检测过程中小目标缺陷易丢失,因此本文采用深度残差网络ResNet提取图像特征。ResNet将单元的输入与输出加在一起后进行激活,一方面减少梯度消失的速度,另一方面使得小目标缺陷能更久的存活在深度网络中。
3.1数据集标注
预制凸窗主要存在崩角、麻面、蜂窝、裂纹、气孔、漏浆、粗糙面差这7种缺陷类型。对采集到的样本数据集进行标注,利用标注工具LabelImg对图像数据集中的缺陷类型以及相应的边界框坐标进行标注生成xml文件,编写Python脚本批处理xml文件提取标注框坐标和目标缺陷类别生成txt文件和训练集路径文件。
3.2生成数据集
为了生成测试集,从带注释的图像数据集中选取20%的图像作为测试集,其中各缺陷类型的样本数大致相同,剩下的用于创建训练集和验证集。
3.3设定不同尺寸锚点
为了模型能找到合适的超参数提高检测准确率,设定不同的尺度及宽高比的锚点。
3.4构建Faster R-CNN网络模型
利用Pytorch框架提供相关卷积、池化、上采样函数、下采样函数等搭建Faster R-CNN卷积神经网络,并对模型进行初始化。
3.5 Faster R-CNN模型训练
Faster RCNN模型训练,标注完成的预制凸窗样本和其对应label输入模型训练,采用随机梯度下降法迭代更新,比较选取超参数直至损失函数趋于稳定完成训练保存模型参数。
3.6 Faster R-CNN模型测试
将预制凸窗测试集作为输入加载到训练完的Faster R-CNN模型中,记录测试结果并分析优化模型。
步骤4:预制凸窗缺陷判断模块205
优化后的Faster R-CNN模型应用于预制凸窗观感缺陷检测判断。
步骤5:检测结果处理
检测结果存在缺陷的预制凸窗则进入缺陷修补工序,无缺陷的预制凸窗进入下一道生产工序。
需要说明的是,在本文中,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。而且,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。
尽管已经示出和描述了本实用新型的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本实用新型的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本实用新型的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种预制凸窗缺陷检测系统,包括图像收集装置(1)和后台PC(2),其特征在于:所述图像收集装置(1)包括丝杆(101),所述丝杆(101)表面的左右两端均螺纹连接有滑动螺母(102),所述滑动螺母(102)的左右两侧均固定连接有延伸杆(103),所述延伸杆(103)的表面从靠近丝杆(101)到远离丝杆(101)的方向分别套设有第一固定套(104)、第二固定套(105)和第三固定套(106),所述第一固定套(104)与第二固定套(105)之间和第二固定套(105)与第三固定套(106)之间且位于延伸杆(103)的表面均固定连接有弹簧(107),所述第一固定套(104)、第二固定套(105)和第三固定的表面均固定连接有工业相机(108)。
2.根据权利要求1所述的一种预制凸窗缺陷检测系统,其特征在于:所述丝杆(101)的左右两端设置有不同方向的螺纹,所述丝杆(101)表面的中间固定连接有限位杆(109),所述限位杆(109)的左右两侧转动连接有连接杆(110),其中一个所述连接杆(110)的底端与第三固定套(106)的顶部转动连接,另一个所述连接杆(110)的底端与第一固定套(104)的顶部转动连接。
3.根据权利要求2所述的一种预制凸窗缺陷检测系统,其特征在于:一个所述延伸杆(103)、一个第一固定套(104)、一个第二固定套(105)、一个第三固定套(106)、两个弹簧(107)、三个工业相机(108)、一个限位杆(109)和两个连接杆(110)形成一组收集组,所述图像收集装置(1)设置有四组收集组,相邻两组收集组之间相互垂直。
4.根据权利要求1所述的一种预制凸窗缺陷检测系统,其特征在于:所述丝杆(101)的前侧设置有基板(111),所述基板(111)的后侧固定连接有伺服电机(112),所述伺服电机(112)的输出端与丝杆(101)固定连接。
5.根据权利要求4所述的一种预制凸窗缺陷检测系统,其特征在于:所述基板(111)的前侧固定连接有支撑臂(113),所述支撑臂(113)的底端固定连接有基座(114),所述基座(114)的底部固定连接有滑轮(115)。
6.根据权利要求1所述的一种预制凸窗缺陷检测系统,其特征在于:所述后台PC(2)固定在基座(114)的顶部,所述后台PC(2)包括分析系统(201)。
7.根据权利要求6所述的一种预制凸窗缺陷检测系统,其特征在于:所述分析系统(201)包括图像预处理模块(202)、目标检测模块Faster R-CNN(203)、预制凸窗缺陷检测模块(204)和预制凸窗缺陷判断模块(205)。
8.根据权利要求7所述的一种预制凸窗缺陷检测系统,其特征在于:所述图像预处理模块(202)的输出端与目标检测模块Faster R-CNN(203)的输入端耦合连接,所述目标检测模块Faster R-CNN(203)的输出端与预制凸窗缺陷检测模块(204)的输入端耦合连接,所述预制凸窗缺陷检测模块(204)的输出端与预制凸窗缺陷判断模块(205)的输入端耦合连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022579705.7U CN213957126U (zh) | 2020-11-10 | 2020-11-10 | 一种预制凸窗缺陷检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022579705.7U CN213957126U (zh) | 2020-11-10 | 2020-11-10 | 一种预制凸窗缺陷检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN213957126U true CN213957126U (zh) | 2021-08-13 |
Family
ID=77208017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202022579705.7U Expired - Fee Related CN213957126U (zh) | 2020-11-10 | 2020-11-10 | 一种预制凸窗缺陷检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN213957126U (zh) |
-
2020
- 2020-11-10 CN CN202022579705.7U patent/CN213957126U/zh not_active Expired - Fee Related
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | State of the art in defect detection based on machine vision | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
Xue-Wu et al. | A vision inspection system for the surface defects of strongly reflected metal based on multi-class SVM | |
CN110610475B (zh) | 一种深度卷积神经网络的视觉缺陷检测方法 | |
CN114022420B (zh) | 一种自动识别光伏电池el组件缺陷的检测方法 | |
CN107486415A (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
CN109886932A (zh) | 基于svm的轮速传感器齿圈表面缺陷检测方法 | |
CN112179846A (zh) | 一种基于改进Faster R-CNN的预制凸窗缺陷检测系统 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
Wu et al. | An end-to-end learning method for industrial defect detection | |
Lin et al. | Development of a CNN-based hierarchical inspection system for detecting defects on electroluminescence images of single-crystal silicon photovoltaic modules | |
Kähler et al. | Anomaly detection for industrial surface inspection: application in maintenance of aircraft components | |
CN115861226A (zh) | 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法 | |
JP2021143884A (ja) | 検査装置、検査方法、プログラム、学習装置、学習方法、および学習済みデータセット | |
Ghamisi et al. | Anomaly detection in automated fibre placement: Learning with data limitations | |
Sidehabi et al. | The Development of Machine Vision System for Sorting Passion Fruit using Multi-Class Support Vector Machine. | |
CN113298857A (zh) | 一种基于神经网络融合策略的轴承缺陷检测方法 | |
CN213957126U (zh) | 一种预制凸窗缺陷检测系统 | |
CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
Zhu et al. | A surface fatal defect detection method for magnetic tiles based on semantic segmentation and object detection: IEEE ITAIC (ISSN: 2693-2865) | |
Chow et al. | Automated visual inspection system for mass production of hard disk drive media | |
Zhang et al. | Design of tire damage image recognition system based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210813 |