WO2016201947A1 - 一种轮形铸造产品缺陷自动检测方法 - Google Patents

一种轮形铸造产品缺陷自动检测方法 Download PDF

Info

Publication number
WO2016201947A1
WO2016201947A1 PCT/CN2015/099632 CN2015099632W WO2016201947A1 WO 2016201947 A1 WO2016201947 A1 WO 2016201947A1 CN 2015099632 W CN2015099632 W CN 2015099632W WO 2016201947 A1 WO2016201947 A1 WO 2016201947A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
defect
sample
hub
samples
Prior art date
Application number
PCT/CN2015/099632
Other languages
English (en)
French (fr)
Inventor
黄茜
颜伟鑫
Original Assignee
华南理工大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 华南理工大学 filed Critical 华南理工大学
Priority to US15/736,518 priority Critical patent/US10803573B2/en
Publication of WO2016201947A1 publication Critical patent/WO2016201947A1/zh

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/82—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
    • G06T2207/20—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
    • G06T2207/30116—Casting
    • 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
    • G06T2207/30164—Workpiece; Machine component

Definitions

  • the present invention relates to the field of computer vision, and in particular, to an automatic detection method for defects in a wheel casting product.
  • a wheel-shaped product formed by casting processing usually causes various forms of casting defects to be generated inside the casting due to influences of process design, materials, equipment, and the like.
  • the International Standards Committee ASTM has developed a defect reference image for the international standard for casting inspection and testing, and based on the outer contour of the defect pattern, the ratio of the area occupied by the defect per unit area of the product, determines the quality level of the defect affecting the product.
  • the detection ⁇ usually images the casting product by X-ray equipment imaging, and compares the defects appearing with the standard defect image. When the actual defect size exceeds the user-selected quality level, that is, the defect area exceeds a certain size, The wheeled product was judged to be unqualified.
  • the manual detection is an operation of the operator to determine whether the X-ray inspection apparatus detects a casting defect, and whether the size, shape, and the like of the defect are within the quality level range of the qualified product.
  • the problem of this method is that the detection person is long. The work is easy to fatigue, the detection and detection efficiency is low, the judgment criteria vary from person to person, and the judgment result is subjective.
  • the image processing method based on the underlying image feature determines whether a casting defect is displayed in the product image by image analysis processing methods such as denoising, image enhancement, region division, edge extraction, closed contour, target segmentation, target filling, etc. Whether the defect target has occurred, so that the first step of automatic detection is completed, and then the area calculation of the target, the peripheral measurement of the contour, and the unit product are performed according to the filled target image area. The calculation of the proportion of the defect area on the area, etc., completes the judgment of the defect level, and finally determines whether the product meets the quality standard of the product design. This method relies entirely on the underlying features of the image.
  • the method is still based on the underlying features of the image, and the target recognition is performed on the images taken at different angles, and then the image fusion technology is used to improve the accuracy of the target recognition.
  • the method is increased.
  • Hardware cost Operation still depends on a large number of parameter settings and adjustments.
  • the method of image processing technology for identifying casting defects in a single image is not mature, the above method is still an unreliable technical method.
  • a method for automatically detecting defects in a wheel casting product includes the following steps:
  • the output mode of the defect recognition detection is based on the user's request, or an image is displayed, or an alarm signal is given.
  • step S2 sample preprocessing stage includes the following steps
  • the current point pixel value is set to this result, which makes the image more prominent for analysis
  • step S2-3 The image obtained in step S2-3 is normalized to speed up the convergence of the training network.
  • the step S3 divides the sample into three categories: spokes, rims and axles, and the specific processing steps include:
  • S3- 1 A small MxM image into which each type of sample is divided, and M may take 80, 100 or 120. Divide small image samples into positive and negative samples based on whether they contain defects;
  • step S3-1 In the process of training the convolutional neural network model, in order to increase the robustness of the hub detector, the sample obtained in step S3-1 is randomly and slightly scaled ([0.96, 1.08] times ), contrast conversion (contrast coefficient [0.8, 1.2]) and rotation transformation ([-60, +60] degrees, 5 degrees each time);
  • S3-3 Each time a small batch of samples is called, a small batch number can select 64 samples, randomly flip the sample horizontally, add Gaussian random noise, and randomly select NxN from the transformed small sample image.
  • the region is used as a training sample of the convolutional neural network.
  • a small image of 100x100 can randomly take a region of 96x96 to increase the diversity of the sample and improve the generalization ability of the trained convolutional neural network model;
  • the process of S4 training to generate the hub defect detection neural network model, ie the defect detector includes: [0028] S4-1.
  • the BP algorithm is used to train the rim defect detection neural network model and the spoke defect detection nerve Network model and wheel network defect detection neural network model
  • S4-2 Training, the learning rate is set to 0.01; [0030] S4-3. Entering a small batch of samples per iteration, 64 samples can be input, and the parameters are updated with an average error; [0031] S4-4. Design a network model.
  • the hub defect detection neural network model is a multi-layer convolutional neural network model.
  • the hub defect detection neural network model consists of two parts: The first part is a multi-stage feature extractor, which alternately includes a convolutional layer, a downsampling layer and a local response normalization layer, performing convolution, downsampling and nonlinear transformation; The second part is a classifier, which is a fully connected neural network consisting of two fully connected layers connected to each other.
  • a back-propagation algorithm is used to train a classifier that can correctly classify the image of the hub image extracted from the first part.
  • the feature extraction of the hub defect detection neural network model designed in this scheme has two stages. The first stage is the extraction of low-level features, such as points and lines, and the second stage is a combination of low-level features to form high-level features through the training of back-propagation algorithms.
  • wheel Hub Defect Detection Neural Network Model In the classification, the obtained wheel hub image is segmented into a small sample image of MxM. When M is taken as 100 ⁇ , take a small sample image of each 100 to take the upper left corner, lower left The angle, the upper right corner, the lower right corner and the center of the five 96x96 area images, the five area images are calculated by the convolutional neural network model to obtain five output values, and the five output values are averaged, and finally based on the average output value. It can be determined whether the area of the hub is defective.
  • the range of network output values is [0,1], greater than the set threshold of 0.5 means that there is a defect in the corresponding area on the hub, and conversely, there is no defect in the corresponding area on the hub.
  • On-line detection ⁇ according to the automatic detection process from the axle to the spoke to the rim, the detection system sequentially acquires the online image at different stations, and the specific process of the online automatic defect detection phase in the step S6 is as follows:
  • S6-3 Acquiring the rim image of the hub, and preprocessing the acquired rim image by using the sample offline preprocessing method, calling the rim defect detection detector to perform defect detection on each rim image, and if a defect is found, Marking the area with defects, and naming the image with the detected time as the file name for saving;
  • S6-4 The output mode of the defect recognition detection is based on the user's request, or an image is displayed, or an alarm signal is given.
  • the present invention has the following advantages and beneficial effects:
  • the convolutional neural network learns the characteristics of the hub defect from a large number of different spokes, rims, positive and negative samples of the axle, which is stronger than the features manually extracted from the image. Recognizability, can be classified;
  • the hub defect detector obtained by the training has a certain degree in actual wheel defect detection.
  • the robustness of the classification of wheel defect identification with almost no similar shape has accuracy.
  • 1 is an algorithm module diagram of an automatic defect detection method for a wheel casting product according to the present invention
  • FIG. 2 is a flow chart of a method for automatically detecting defects of a wheel casting product according to the present invention
  • 3 is an internal connection and structure diagram of a hub defect detection neural network of the method of FIG. 2; [0047] FIG.
  • FIG. 4 is an original view of the measured spoke sample
  • Figure 5 is a gray histogram of Figure 4.
  • FIG. 6 is an effect diagram after preprocessing the FIG. 4;
  • FIG. 7 is a histogram of FIG. 6 and an indication of the largest and second largest peaks
  • Figures 8-1, 8-2, and 8-3 are the results of defect detection for the spokes, rims, and axle images of the hub, respectively.
  • the offline portion provides a working basis for the online portion
  • the online portion is based on the method of forming the offline portion and the detector for the continuous online defect recognition detection.
  • a neural network based wheeled product defect detection system and method includes the following steps:
  • the output mode of the defect recognition detection is based on the user's request, or an image is displayed, or an alarm signal is given.
  • FIG. 2 The specific working process of the hub defect detection method based on the convolutional neural network is shown in FIG. 2, which includes three main stages: sample preprocessing, offline training, and online detection.
  • the sample preprocessing stage includes the following steps. Step:
  • the current point pixel value is set to this result, which makes the image more prominent for analysis
  • step S2-3 The image obtained in step S2-3 is normalized to speed up the convergence of the training network.
  • the offline training phase first performs sample classification, that is, the sample is divided into three categories: spokes, rims, and axles, and the specific processing steps include:
  • S3- 1 A small MxM image into which each type of sample is divided, and M may take 80, 100 or 120. Divide small image samples into positive and negative samples based on whether they contain defects;
  • the sample obtained by S3-1 is randomly scaled by a small scale ([0.96, 1.08] times), contrast transformation (contrast coefficient [0.8, 1.2]), and rotational transformation ([-60, +60] degrees, each transformation 5 Degree);
  • N can take 96 to increase the diversity of samples and improve the generalization ability of the trained convolutional neural network model.
  • the training hub defect detection neural network model that is, the defect detector includes:
  • S4-1 According to the rim sample, the spoke sample and the axle sample, the BP algorithm is used to train the rim defect detection neural network model, the spoke defect detection neural network model and the axle defect detection neural network model, and the minimum batch is used for each iteration. Ways to calculate network errors and update weights;
  • the hub defect detection neural network model is a multi-layer convolutional neural network model.
  • the hub defect detection neural network model consists of two parts: The first part is a multi-stage feature extractor, which alternately includes a convolutional layer, a downsampling layer and a local response normalization layer, performing convolution, downsampling and nonlinear transformation; The second part is a classifier, which is a fully connected neural network consisting of two fully connected layers connected to each other.
  • a back-propagation algorithm is used to train a classifier that can correctly classify the image of the hub image extracted from the first part.
  • the feature extraction of the hub defect detection neural network model designed in this scheme has two stages. The first stage is the extraction of low-level features, such as points and lines. The second stage is a combination of low-level features to form high-level features through the training of back-propagation algorithms.
  • the acquired hub image is segmented into a small sample image of MxM, and M is taken as 100.
  • M is taken as 100.
  • Take a small sample image of each MxM take the upper left corner, the lower left corner, the upper right corner, the lower right corner, and the center five 96x96 area images, and calculate the five output values from the five regional images by the convolutional neural network model, and The five output values are averaged, and finally, based on the average output value, it can be determined whether the area of the hub is defective.
  • the range of network output values is [0,1], and greater than the set threshold value of 0.5 indicates that there is a defect in the corresponding area on the hub, and conversely, there is no defect in the corresponding area on the hub;
  • On-line detection ⁇ according to the automatic detection process from the axle to the spoke to the rim, the detection system sequentially acquires online images at different stations, the specific steps are as follows:
  • S6-2 Acquiring the spoke image of the hub, and pretreating the acquired spoke image by using the off-line pre-processing method of the sample, and calling the spoke defect detection detector to perform defect detection on each spoke image, and if a defect is found, Marking the area with defects, and naming the image with the detected time as the file name for saving;
  • S6-3 Acquiring the rim image of the hub, and using the sample offline preprocessing method to obtain the image of the rim Line preprocessing, calling the rim defect detection detector to perform defect detection on each rim image, and if there is a defect, marking the defective area, and naming the image with the detected time as the file name for saving;
  • S6-4 Defect recognition detection output mode according to user requirements, or display images, or give alarm signals.
  • FIG. 3 is a schematic view showing the complete structure of a hub defect detection convolutional neural network of the present invention.
  • the output function of all convolutional neurons is the RELU function.
  • the pooling mode of all pooling layers is the maximum pooling, and the final output layer uses the Softmax layer.
  • the present invention collects an image of the hub in an actual hub production line and detects the acquired image of the hub using the hub defect detection method.
  • FIG. 4 is an image of a spoke sample taken with a defect on an actual production line. As can be seen from FIG. 4, the contrast between the original image and the background is not obvious.
  • FIG. 5 is an image gray histogram before preprocessing the sample image image 4 in the embodiment of the present invention, from FIG.
  • FIG. 6 is an image obtained by preprocessing the measured sample 4, and it can be seen from FIG. 6 that the image defect after preprocessing is more strongly contrasted with the background, and the defect is more obvious.
  • FIGS. 8-1, 8-2, and 8-3 are respectively implementations of the present invention.
  • the present invention has a relatively good recognition effect in practical engineering applications.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种轮形铸造产品缺陷自动检测方法，包括样本预处理、离线训练、在线检测三个阶段，具体步骤包括训练样本的采集；进行样本的预处理；样本分类成轮辐、轮辋和轮轴三大类并进行处理；通过轮辐、轮辋和轮轴三类样本，网络离线学习训练并分别生成在线适用的轮辐、轮辋和轮轴检测器；将训练成功的CNN轮辐缺陷检测器、CNN轮辋缺陷检测器、CNN轮轴缺陷检测器分别载入上位机，并置于自动生产检测线；进行在线全自动缺陷检测；缺陷识别检测的输出方式根据用户的要求输出。本发明的自动检测方法，在缺陷检测过程中对光照、拍摄角度和位置等具有一定的鲁棒性，对缺陷检测准确，无需操作者参与进行繁琐的参数调节，自动化程度高。

Description

一种轮形铸造产品缺陷自动检测方法
技术领域
[0001] 本发明涉及计算机视觉领域， 特别涉及一种轮形铸造产品缺陷自动检测方法。
背景技术
[0002] 通过铸造加工形成的轮形产品， 通常由于工艺设计、 材料、 设备等影响， 使铸 件内部产生多种形态的铸造缺陷。 国际标准委员会 ASTM制定了铸件检测检测国 际标准的缺陷参考图像， 并根据缺陷图形的外轮廓大小， 产品上单位面积中缺 陷所占面积的比率， 确定了缺陷对产品影响的质量等级。 检测吋通常通过 X射线 设备成像对铸件产品成像， 将其中出现的缺陷与标准中缺陷图像进行对照比较 ， 当实际缺陷的外形尺寸超过用户选择的质量等级， 即缺陷的面积超过了一定 的大小， 该轮形产品则判为不合格。
[0003] 铸造产品缺陷分人工检测和机器检测。
[0004] 人工检测是操作者通过目测判断 X射线检测设备是否检测到铸造缺陷， 并且缺 陷的大小、 形状等是否在合格产品的质量等级范围内， 这种方法的问题在于检 测识别人员长吋间工作易疲劳、 识别检测效率低、 判断标准因人而异、 判断结 果主观性强等。
[0005] 目前大部分生产线都还是人工检测， 最主要原因是现有机器自动图像识别技术 对判断是否存在缺陷、 以及是否达到一定的质量等级的准确率不高， 尚达不到 生产线上控制质量要求。
[0006] 机器自动检测缺陷也经过了长期的技术发展， 现有技术主要体现在两大技术方 法方面， 一种是基于底层图像特征的图像处理方法， 另一种是基于立体视觉的 多视角图像融合分析法。
[0007] 基于底层图像特征的图像处理方法是通过去噪、 图像增强、 区域划分、 边缘提 取、 封闭轮廓、 目标分割、 目标填充等图像分析处理方法判断产品图像中是否 显示出了铸造缺陷， 即是否出现了缺陷目标， 从而完成自动检测第一步， 然后 再根据填充的目标图像区域进行目标的面积计算、 轮廓的外周测量、 单位产品 面积上缺陷面积所占比例的计算等等， 完成缺陷等级的判断， 并最终判断产品 是否达到产品设计的质量标准。 这种方法由于完全依赖于图像的底层特征， 在 使用操作的过程中涉及大量的参数调节， 不仅对使用者的专业技术水平要求高 ， 更重要的是参数的反复调节， 意味着检测的基准不断变动， 造成检测的准确 率下降， 这类技术方法不足的根本原因是由于铸造缺陷的形态、 呈现的灰度是 随机变量， 底层图像特征无法真正将缺陷的隐形特征、 或称高级特征进行描述 和表达。 另一种方法即多视角图像融合分析方法也经过了长期研究发展， 通过 空间成像， 多角度判断缺陷是否存在， 随后更准确地判断缺陷的大小和等级。 该方法在理论上仍基于图像的底层特征， 分别在不同角度拍摄的图像上进行目 标识别， 再通过图像融合技术， 提高目标识别的准确度， 其在原有方法上没有 根本性突破， 且增加了硬件成本。 操作上仍要依赖大量的参数设置和调节。 并 且由于在单幅图像识别铸造缺陷所用的图像处理技术的方法并不成熟， 因此， 上述方法仍非可靠的技术方法。
技术问题
[0008] 本发明的目的在于克服现有技术的缺点与不足， 提供一种轮形铸造产品缺陷自 动检测方法。
问题的解决方案
技术解决方案
[0009] 本发明的目的通过以下的技术方案实现：
[0010] 一种轮形铸造产品缺陷自动检测方法， 包括样本预处理、 离线训练、 在线检测 三个阶段， 包括如下步骤：
[0011] S1.训练样本的采集， 样本总量 6万张以上， 轮辐、 轮辋和轮轴每类样本各 2万 张以上， 正负样本比例控制为 1:2;
[0012] S2.进行样本的预处理；
[0013] S3.样本分类成轮辐、 轮辋和轮轴三大类并进行处理；
[0014] S4.通过轮辐、 轮辋和轮轴三类样本， 网络离线学习训练并分别生成在线适用 的轮辐、 轮辋和轮轴检测器；
[0015] S5.将训练成功的 CNN轮辐缺陷检测器， CNN轮辋缺陷检测器， CNN轮轴缺陷 检测器分别载入上位机， 并置于自动生产检测线；
[0016] S6.进行在线全自动缺陷检测；
[0017] S7.缺陷识别检测的输出方式根据用户的要求， 或显示图像、 或给出报警信号 等。
[0018] 所述步骤 S2样本预处理阶段包括以下步骤；
[0019] S2-1.使用 3x3邻域模板对采集的轮毂图像进行平滑滤波， 用来消除轮毂图像在 采集过程中产生的图像噪声；
[0020] S2-2.利用梯度锐化算法， 将图像当前点像素值与其下一个像素值之差的绝对值
， 加上当前点像素值与其下一行当前像素值之差的绝对值， 如果结果大于阈值
， 则当前点像素值置为此结果， 这样使得图像更加突出， 以便于分析；
[0021] S2-3.对步骤 S2-2所得的图像进行直方图均衡化；
[0022] S2-4.对步骤 S2-3所得的图像归一化处理， 以加快训练网络的收敛性。
[0023] 所述步骤 S3将样本分成轮辐、 轮辋和轮轴三大类并进行处理， 具体处理步骤包 括：
[0024] S3- 1.分别将各类样本分割成的 MxM小图像， M可取 80、 100或 120。 根据是否 包含缺陷将小图像样本分为正样本和负样本；
[0025] S3-2: 在训练卷积神经网络模型的过程中， 为增加轮毂检测器的鲁棒性， 对步 骤 S3-1所得的样本进行随机地微小的尺度变换（[0.96,1.08]倍)、 对比度变换 (对比 度系数 [0.8,1.2] )和旋转变换（[-60,+60]度， 每次变换 5度)；
[0026] S3-3: 每次调用小批样本吋， 小批数量可选 64个样本， 随机对样本进行水平翻 转， 添加高斯随机噪声， 并且从变换后的小样本图像中随机选取出 NxN的区域 作为卷积神经网络的训练样本， 例如对 100x100的小图像可以随机取 96x96的区 域， 以增加样本的多样性， 提高训练得到的卷积神经网络模型的泛化能力； [0027] 所述步骤 S4训练生成轮毂缺陷检测神经网络模型即缺陷检测器的过程包括： [0028] S4-1.根据轮辋样本、 轮辐样本和轮轴样本， 分别采用 BP算法训练轮辋缺陷检 测神经网络模型、 轮辐缺陷检测神经网络模型以及轮轴缺陷检测神经网络模型
， 每次迭代采用最小批的方式计算网络误差和更新权重；
[0029] S4-2.训练吋， 学习速率设定为 0.01 ; [0030] S4-3.每次迭代输入小批样本， 可以输入 64个样本， 以平均误差更新参数； [0031] S4-4.设计网络模型。 轮毂缺陷检测神经网络模型是一个多层卷积神经网络模型
， 有监督地从大量样本中自动地进行特征学习。 输入是一张图像， 输出是图像 的分类标签。 因此， 输入层的神经元数量和检测图像的像素数量相等， 输出层 只有一个神经元节点， 直接输出图像的分类结果。 轮毂缺陷检测神经网络模型 包含两部分： 第一部分是一个多阶段的特征提取器， 交替地包含卷积层， 降采 样层和局部响应归一化层， 执行卷积、 降采样和非线性变换； 第二部分是一个 分类器， 是一个由两个全连接层相互连接组成的全连接神经网络， 通过反向传 播算法训练一个能够对于第一部分提取出来的轮毂图像特征进行正确分类的分 类器。 在本方案中设计的轮毂缺陷检测神经网络模型的特征提取有两个阶段。 第一阶段是低层特征的提取， 例如点和线等， 第二阶段通过反向传播算法的训 练， 对低层特征进行线性组合形成高层特征。
[0032] S4-5.轮毂缺陷检测神经网络模型在分类吋， 将获取到的轮毂图像分割成 MxM 的小样本图像， 当 M取 100吋， 取每张 100的小样本图像取左上角， 左下角， 右上 角， 右下角以及中心 5个 96x96区域图像， 将这 5个区域图像通过卷积神经网络模 型计算得到 5个输出值， 并将这 5个输出值进行平均， 最后根据平均的输出值即 可判定轮毂的该区域是否有缺陷。 网络输出值的范围为 [0,1]， 大于设定阈值 0.5 表示轮毂上相应的区域存在缺陷， 反之表示轮毂上相应的区域不存在缺陷。
[0033] S4-6.当在测试集上正确率达到所要求的准确率吋终止网络训练， 最终获得轮毂 缺陷检测器。
[0034] 在线检测吋， 按照由轮轴至轮辐再到轮辋的全自动检测流程， 检测系统依次在 不同工位获取在线图像， 所述步骤 S6进行在线全自动缺陷检测阶段具体流程如 下：
[0035] S6-1.获取轮毂的轮轴图像， 并利用样本离线预处理的方法对获取的轮轴图像 进行预处理， 调用轮轴缺陷检测检测器对每幅轮轴图像进行缺陷检测， 如果发 现存在缺陷， 则对存在缺陷的区域进行标记， 并以检测的吋间作为文件名命名 该幅图像进行保存；
[0036] S6-2.获取轮毂的轮辐图像， 并利用样本离线预处理的方法对获取的轮辐图像 进行预处理， 调用轮辐缺陷检测检测器对每幅轮辐图像进行缺陷检测， 如果发 现存在缺陷， 则对存在缺陷的区域进行标记， 并以检测的吋间作为文件名命名 该幅图像进行保存；
[0037] S6-3.获取轮毂的轮辋图像， 并利用样本离线预处理的方法对获取的轮辋图像 进行预处理， 调用轮辋缺陷检测检测器对每幅轮辋图像进行缺陷检测， 如果发 现存在缺陷， 则对存在缺陷的区域进行标记， 并以检测的吋间作为文件名命名 该幅图像进行保存；
[0038] S6-4.缺陷识别检测的输出方式根据用户的要求， 或显示图像、 或给出报警信号 等。
[0039] S6-5.如果在步骤 S6-1至 S6-3的任一幅图像中检测出缺陷， 则将该轮毂送入不合 格产品区， 如果没有检测出缺陷， 就将该轮毂送入合格产品区。
发明的有益效果
有益效果
[0040] 本发明与现有技术相比， 具有如下优点和有益效果：
[0041] 1、 在训练阶段， 卷积神经网络从大量不同的轮辐、 轮辋、 轮轴的正样本和负 样本中学习到轮毂缺陷本质的特征， 这种特征比从图像人工提取的特征具有更 强的可识别性， 即可分性；
[0042] 2、 由于卷积神经网络对于识别图像一定程度的位移、 缩放以及其他形式的扭 曲变形具有一定的鲁棒性， 所以训练所得到的轮毂缺陷检测器在实际的轮毂缺 陷检测中具有一定的鲁棒性， 对形状几乎没有雷同的轮毂缺陷识别分类具有准 确性。
[0043] 3、 对环境光照的变化， 拍摄角度的变化具有很强的鲁棒性。
[0044] 4、 由于轮毂缺陷检测过程无需人工参与， 轮毂生产检测的自动化程度高， 生 产效率高， 操作简单， 运行成本低。 对附图的简要说明
附图说明
[0045] 图 1为本发明所述一种轮形铸造产品缺陷自动检测方法的算法模块图；
[0046] 图 2为本发明所述的一种轮形铸造产品缺陷自动检测方法的流程图； [0047] 图 3为图 2所述方法的轮毂缺陷检测神经网络内部联系和结构图；
[0048] 图 4为实测轮辐样本原图；
[0049] 图 5为图 4的灰度直方图；
[0050] 图 6为对图 4进行预处理后的效果图；
[0051] 图 7为图 6的直方图以及对最大和次大峰的标示；
[0052] 图 8-1、 8-2、 8-3分别为对轮毂的轮辐、 轮辋和轮轴图像进行缺陷检测的结果图
实施该发明的最佳实施例
本发明的最佳实施方式
[0053] 下面结合实施例及附图对本发明作进一步详细的描述， 但本发明的实施方式不 限于此。
[0054] 图 1示出本发明系统和方法的离线和在线两个工作部分， 离线部分给在线部分 提供工作基础， 在线部分依据离线部分形成的方法和检测器幵展持续性在线缺 陷识别检测。
[0055] 基于神经网络的轮形产品缺陷检测系统和方法包括如下步骤：
[0056] S1.训练样本的采集， 样本总量 6万张以上， 轮辐、 轮辋和轮轴每类样本各 2万 张以上， 正负样本比例控制为 1:2;
[0057] S2.进行样本的预处理；
[0058] S3.样本分类成轮辐、 轮辋和轮轴三大类并进行处理；
[0059] S4.通过轮辐、 轮辋和轮轴三类样本， 网络离线学习训练并分别生成在线适用 的轮辐、 轮辋和轮轴检测器；
[0060] S5.将训练成功的 CNN轮辐缺陷检测器， CNN轮辋缺陷检测器， CNN轮轴缺陷 检测器分别载入上位机， 并置于自动生产检测线；
[0061] S6.进行在线全自动缺陷检测；
[0062] S7.缺陷识别检测的输出方式根据用户的要求， 或显示图像、 或给出报警信号 等。
[0063] 基于卷积神经网络的轮毂缺陷检测方法具体工作过程如图 2所示， 包括样本预 处理、 离线训练和在线检测三个主要阶段， 所述的样本预处理阶段包括以下步 骤：
[0064] S2-1.使用 3x3邻域模板对采集的轮毂图像进行平滑滤波， 用来消除轮毂图像在 采集过程中产生的图像噪声；
[0065] S2-2.利用梯度锐化算法， 将图像当前点像素值与其下一个像素值之差的绝对值
， 加上当前点像素值与其下一行当前像素值之差的绝对值， 如果结果大于阈值
， 则当前点像素值置为此结果， 这样使得图像更加突出， 以便于分析；
[0066] S2-3.对步骤 S2-2所得的图像进行直方图均衡化；
[0067] S2-4.对步骤 S2-3所得的图像归一化处理， 以加快训练网络的收敛性。
[0068] 所述的离线训练阶段首先进行样本分类， 即将样本分成轮辐、 轮辋和轮轴三大 类并进行处理， 具体处理步骤包括；
[0069] S3- 1.分别将各类样本分割成的 MxM小图像， M可取 80、 100或 120。 根据是否 包含缺陷将小图像样本分为正样本和负样本；
[0070] S3-2.在训练卷积神经网络模型的过程中， 为增加轮毂检测器的鲁棒性， 对步骤
S3-1所得的样本进行随机地微小的尺度变换（[0.96,1.08]倍)、 对比度变换 (对比度 系数 [0.8,1.2] )和旋转变换（[-60,+60]度， 每次变换 5度)；
[0071] S3-3.每次调用小批量样本吋， 即可选 64个样本， 随机对样本进行水平翻转， 添 加高斯随机噪声， 并且从变换后的小样本图像中随机选取出 NxN的区域作为卷 积神经网络的训练样本， N可以取 96， 以增加样本的多样性， 提高训练得到的卷 积神经网络模型的泛化能力。
[0072] 训练轮毂缺陷检测神经网络模型即缺陷检测器的包括：
[0073] S4-1.根据轮辋样本、 轮辐样本和轮轴样本， 分别采用 BP算法训练轮辋缺陷检 测神经网络模型、 轮辐缺陷检测神经网络模型以及轮轴缺陷检测神经网络模型 ， 每次迭代采用最小批的方式计算网络误差和更新权重；
[0074] S4-2.训练吋， 学习速率设定为 0.01 ;
[0075] S4-3.每次迭代输入 64个样本， 以平均误差更新参数；
[0076] S4-4.设计网络模型。 轮毂缺陷检测神经网络模型是一个多层卷积神经网络模型
， 有监督地从大量样本中自动地进行特征学习。 输入是一张图像， 输出是图像 的分类标签。 因此， 输入层的神经元数量和检测图像的像素数量相等， 输出层 只有一个神经元节点， 直接输出图像的分类结果。 轮毂缺陷检测神经网络模型 包含两部分： 第一部分是一个多阶段的特征提取器， 交替地包含卷积层， 降采 样层和局部响应归一化层， 执行卷积、 降采样和非线性变换； 第二部分是一个 分类器， 是一个由两个全连接层相互连接组成的全连接神经网络， 通过反向传 播算法训练一个能够对于第一部分提取出来的轮毂图像特征进行正确分类的分 类器。 在本方案中设计的轮毂缺陷检测神经网络模型的特征提取有两个阶段。 第一阶段是低层特征的提取， 例如点和线等， 第二阶段通过反向传播算法的训 练， 对低层特征进行线性组合形成高层特征；
[0077] S4-5.轮毂缺陷检测神经网络模型在分类吋， 将获取到的轮毂图像分割成 MxM 的小样本图像， M取 100。 取每张 MxM的小样本图像取左上角， 左下角， 右上角 ， 右下角以及中心 5个 96x96区域图像， 将这 5个区域图像通过卷积神经网络模型 计算得到 5个输出值， 并将这 5个输出值进行平均， 最后根据平均的输出值即可 判定轮毂的该区域是否有缺陷。 网络输出值的范围为 [0,1]， 大于设定阈值 0.5表 示轮毂上相应的区域存在缺陷， 反之表示轮毂上相应的区域不存在缺陷；
[0078] S4-6.当在测试集上正确率达到所要求的准确率吋终止网络训练， 最终获得轮毂 缺陷检测器。
[0079] 所述的在线检测阶段具体流程如下：
[0080] 在线检测吋， 按照由轮轴至轮辐再到轮辋的全自动检测流程， 检测系统依次在 不同工位获取在线图像， 具体步骤如下：
[0081] S6-1.获取轮毂的轮轴图像， 并利用样本离线预处理的方法对获取的轮轴图像进 行预处理， 调用轮轴缺陷检测检测器对每幅轮轴图像进行缺陷检测， 如果发现 存在缺陷， 则对存在缺陷的区域进行标记， 并以检测的吋间作为文件名命名该 幅图像进行保存；
[0082] S6-2.获取轮毂的轮辐图像， 并利用样本离线预处理的方法对获取的轮辐图像进 行预处理， 调用轮辐缺陷检测检测器对每幅轮辐图像进行缺陷检测， 如果发现 存在缺陷， 则对存在缺陷的区域进行标记， 并以检测的吋间作为文件名命名该 幅图像进行保存；
[0083] S6-3.获取轮毂的轮辋图像， 并利用样本离线预处理的方法对获取的轮辋图像进 行预处理， 调用轮辋缺陷检测检测器对每幅轮辋图像进行缺陷检测， 如果发现 存在缺陷， 则对存在缺陷的区域进行标记， 并以检测的吋间作为文件名命名该 幅图像进行保存；
[0084] S6-4.缺陷识别检测的输出方式根据用户的要求， 或显示图像、 或给出报警信号 等.
[0085] S6-5.如果在步骤 S6-1至 S6-3的任一幅图像中检测出缺陷， 则将该轮毂送入不合 格产品区， 如果没有检测出缺陷， 就将该轮毂送入合格产品区。
[0086] 图 3示出本发明轮毂缺陷检测卷积神经网络的完整结构示意图。 其中所有卷积 层的神经元的输出函数为 RELU函数， 所有池化层的池化方式为最大池化， 最后 的输出层采用 Softmax层。 本发明在实际的轮毂生产线中采集轮毂图像， 并利用 所述轮毂缺陷检测方法对采集到的轮毂图像进行检测。
[0087] 图 4是实际生产线上采集带缺陷的轮辐样本图像， 从图 4可以看出， 原始图像的 缺陷与背景的对比不明显。
[0088] 图 5是本发明的实施例中对样本图像图 4进行预处理前的图像灰度直方图， 从图
5可以看出， 原始图像包含比较多的冗余信息。
[0089] 图 6是对实测样本图 4进行预处理后的图像， 从图 6可以看出经过预处理后的图 像缺陷与背景的对比更加强烈， 缺陷更加明显。
[0090] 图 7示出图 6的灰度直方图中的最大和次大峰位置， 即原始图像进行灰度变换的 范围； 图 8-1、 8-2、 8-3分别为本发明的实施例中的对未进行训练的轮毂的轮辐 、 轮辋和轮轴图像进行缺陷检测的结果图， 从图 8-1、 8-2、 8-3中可以看出， 训 练出的缺陷检测器能够正确地检测并且标识出轮辐， 轮轴以及轮辋图像中的缺 陷及其位置。 从上述实施例的结果图中可以看出， 本发明在实际的工程应用中 具有比较良好的识别效果。
[0091] 上述实施例为本发明较佳的实施方式， 但本发明的实施方式并不受上述实施例 的限制， 其他的任何未背离本发明的精神实质与原理下所作的改变、 修饰、 替 代、 组合、 简化， 均应为等效的置换方式， 都包含在本发明的保护范围之内。

Claims

权利要求书
[权利要求 1] 一种轮形铸造产品缺陷自动检测方法， 其特征在于， 包括样本预处理
、 离线训练、 在线检测三个阶段， 具体步骤包括：
51.训练样本的采集；
52.进行样本的预处理；
53.样本分类成轮辐、 轮辋和轮轴三大类并进行处理；
54.通过轮辐、 轮辋和轮轴三类样本， 网络离线学习训练并分别生成 在线适用的轮辐、 轮辋和轮轴检测器；
55.将训练成功的 CNN轮辐缺陷检测器、 CNN轮辋缺陷检测器、 CNN 轮轴缺陷检测器分别载入上位机， 并置于自动生产检测线；
56.进行在线全自动缺陷检测；
57.缺陷识别检测的输出方式根据用户的要求输出。
[权利要求 2] 根据权利要求 1所述的轮形铸造产品缺陷自动检测方法， 其特征在于
， 所述步骤 S6， 具体包含以下子步骤：
S6-1.获取轮毂的轮轴图像， 并利用样本离线预处理的方法对获取的 轮轴图像进行预处理， 调用轮轴缺陷检测检测器对每幅轮轴图像进行 缺陷检测， 如果发现存在缺陷， 则对存在缺陷的区域进行标记， 并以 检测的吋间作为文件名命名该幅图像进行保存；
S6-2.获取轮毂的轮辐图像， 并利用样本离线预处理的方法对获取的 轮辐图像进行预处理， 调用轮辐缺陷检测检测器对每幅轮辐图像进行 缺陷检测， 如果发现存在缺陷， 则对存在缺陷的区域进行标记， 并以 检测的吋间作为文件名命名该幅图像进行保存；
S6-3.获取轮毂的轮辋图像， 并利用样本离线预处理的方法对获取的 轮辋图像进行预处理， 调用轮辋缺陷检测检测器对每幅轮辋图像进行 缺陷检测， 如果发现存在缺陷， 则对存在缺陷的区域进行标记， 并以 检测的吋间作为文件名命名该幅图像进行保存；
S6-4.缺陷识别检测的输出方式根据用户的要求输出；
S6-5.如果在步骤 S6-1至 S6-3的任一幅图像中检测出缺陷， 则将该轮毂 送入不合格产品区， 如果没有检测出缺陷， 就将该轮毂送入合格产品 区。
[权利要求 3] 根据权利要求 1所述的轮形铸造产品缺陷自动检测方法， 其特征在于
， 所述步骤 S2， 具体包含以下子步骤：
S2-1.使用 3x3邻域模板对采集的轮毂图像进行平滑滤波， 用来消除轮 毂图像在采集过程中产生的图像噪声；
S2-2.利用梯度锐化算法， 将图像当前点像素值与其下一个像素值之 差的绝对值， 加上当前点像素值与其下一行当前像素值之差的绝对值 ， 如果结果大于阈值， 则当前点像素值置为此结果；
S2-3.对步骤 S2-2所得的图像进行直方图均衡化；
52- 4.对步骤 S2-3所得的图像归一化处理。
[权利要求 4] 根据权利要求 1所述的轮形铸造产品缺陷自动检测方法， 其特征在于
， 所述步骤 S3， 具体包含以下子步骤：
53- 1.分别将各类样本分割成的 MxM小图像， 其中包含缺陷的小图像 样本作为负样本， 不包含缺陷的小图像样本作为正样本；
S3-2: 在训练卷积神经网络模型的过程中， 为增加轮毂检测器的鲁棒 性， 对步骤 S3-1所得的样本进行随机地微小的尺度变换、 对比度变换 和旋转变换；
53- 3: 每次调用小批样本吋， 小批数量选 64个样本， 随机对样本进行 水平翻转， 添加高斯随机噪声， 并且从变换后的小样本图像中随机选 取出 NxN的区域作为卷积神经网络的训练样本。
[权利要求 5] 根据权利要求 4所述的轮形铸造产品缺陷自动检测方法， 其特征在于
， 步骤 S3-1中， 所述 M取 80、 100、 120中的一种。
[权利要求 6] 根据权利要求 4所述的轮形铸造产品缺陷自动检测方法， 其特征在于
， 步骤 S3-1中， 所述的正样本、 负样本的比例控制为 1 : 2。
[权利要求 7] 根据权利要求 1所述的轮形铸造产品缺陷自动检测方法， 其特征在于
， 所述步骤 S4， 具体包含以下子步骤：
54- 1.根据轮毂的轮辋样本、 轮辐样本和轮轴样本， 分别采用 BP算法 训练轮辋缺陷检测神经网络模型、 轮辐缺陷检测神经网络模型以及轮 轴缺陷检测神经网络模型， 每次迭代采用最小批的方式计算网络误差 和更新权重；
S4-2.训练吋， 学习速率设定为 0.01 ;
S4-3.每次迭代输入小批样本， 输入样本数量为 64个；
S4-4.网络模型包括第一阶段是低层特征的提取， 第二阶段通过反向 传播算法的训练， 对低层特征进行线性组合形成高层特征；
S4-5.轮毂缺陷区域检测；
S4-6.当在测试集上正确率达到所要求的准确率吋终止网络训练， 最 终获得轮毂缺陷检测器。
[权利要求 8] 根据权利要求 1和权利要求 4所述的轮形铸造产品缺陷自动检测方法， 其特征在于， 所述步骤 S4-5具体为： 轮毂缺陷检测神经网络模型在分 类吋， 将获取到的轮毂图像分割成 MxM的小样本图像， 当 M取 100吋 ， 取每张 100的小样本图像取左上角、 左下角、 右上角、 右下角以及 中心 5个 96x96区域图像， 将这 5个区域图像通过卷积神经网络模型计 算得到 5个输出值， 并将这 5个输出值进行平均， 最后根据平均的输出 值即可判定轮毂的该区域是否有缺陷； 网络输出值的范围为 [0,1]， 大 于设定阈值 0.5表示轮毂上相应的区域存在缺陷， 反之表示轮毂上相 应的区域不存在缺陷。
[权利要求 9] 根据权利要求 1所述的轮形铸造产品缺陷自动检测方法， 其特征在于
， 所述的样本， 其总量在 6万张以上； 轮辐、 轮辋和轮轴每类样本各 2 万张以上。
PCT/CN2015/099632 2015-06-16 2015-12-29 一种轮形铸造产品缺陷自动检测方法 WO2016201947A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/736,518 US10803573B2 (en) 2015-06-16 2015-12-29 Method for automated detection of defects in cast wheel products

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510334740.3 2015-06-16
CN201510334740.3A CN105118044B (zh) 2015-06-16 2015-06-16 一种轮形铸造产品缺陷自动检测方法

Publications (1)

Publication Number Publication Date
WO2016201947A1 true WO2016201947A1 (zh) 2016-12-22

Family

ID=54666019

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/099632 WO2016201947A1 (zh) 2015-06-16 2015-12-29 一种轮形铸造产品缺陷自动检测方法

Country Status (3)

Country Link
US (1) US10803573B2 (zh)
CN (1) CN105118044B (zh)
WO (1) WO2016201947A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3379491A1 (en) * 2017-03-20 2018-09-26 Rolls-Royce plc Surface defect detection
CN109781733A (zh) * 2017-11-15 2019-05-21 欧姆龙株式会社 缺陷检查装置、缺陷检查方法及计算机可读存储介质
CN109840900A (zh) * 2018-12-31 2019-06-04 常州轻工职业技术学院 一种应用于智能制造车间的故障在线检测系统及检测方法
CN109859169A (zh) * 2019-01-03 2019-06-07 重庆信息通信研究院 一种基于卷积神经网络的tft-lcd模组白印检测方法
CN110020691A (zh) * 2019-04-11 2019-07-16 重庆信息通信研究院 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法
CN110942457A (zh) * 2019-11-30 2020-03-31 天津大学 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN111047550A (zh) * 2019-11-04 2020-04-21 睿视智觉（厦门）科技有限公司 一种基于机器视觉的产品异常检测方法、装置及设备
CN111062919A (zh) * 2019-12-12 2020-04-24 韦士肯(厦门)智能科技有限公司 一种轴承套圈外观缺陷检测方法
CN111179223A (zh) * 2019-12-12 2020-05-19 天津大学 基于深度学习的工业自动化缺陷检测方法
CN111553929A (zh) * 2020-05-12 2020-08-18 重庆邮电大学 基于融合网络的手机屏幕缺陷分割方法、装置及设备
CN111833328A (zh) * 2020-07-14 2020-10-27 汪俊 基于深度学习的飞机发动机叶片表面缺陷检测方法
CN113008998A (zh) * 2021-03-02 2021-06-22 南京审计大学 一种基于pcnn的隐蔽工程内部缺陷判断方法
CN113781585A (zh) * 2021-08-27 2021-12-10 华中科技大学 一种增材制造零件表面缺陷在线检测方法及系统
CN114841937A (zh) * 2022-04-21 2022-08-02 燕山大学 一种检测汽车轮毂表面缺陷检测方法
CN117058151A (zh) * 2023-10-13 2023-11-14 山东骏程金属科技有限公司 一种基于图像分析的轮毂检测方法及检测系统

Families Citing this family (75)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105118044B (zh) 2015-06-16 2017-11-07 华南理工大学 一种轮形铸造产品缺陷自动检测方法
CN106778604B (zh) * 2015-12-15 2020-04-14 西安电子科技大学 基于匹配卷积神经网络的行人再识别方法
CN106127780B (zh) * 2016-06-28 2019-01-18 华南理工大学 一种曲面表面缺陷自动检测方法及其装置
CN106355579A (zh) * 2016-09-14 2017-01-25 南京理工大学 烟条表面褶皱的缺陷检测方法
CN108154072A (zh) * 2016-12-02 2018-06-12 天津工业大学 基于深度卷积神经网络的航拍绝缘子故障自动检测
US10402688B2 (en) * 2016-12-07 2019-09-03 Kla-Tencor Corporation Data augmentation for convolutional neural network-based defect inspection
CN106875373B (zh) * 2016-12-14 2019-12-20 惠州旭鑫智能技术有限公司 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN106875381B (zh) * 2017-01-17 2020-04-28 同济大学 一种基于深度学习的手机外壳缺陷检测方法
US10671873B2 (en) 2017-03-10 2020-06-02 Tusimple, Inc. System and method for vehicle wheel detection
WO2018165753A1 (en) * 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
CN109215009B (zh) * 2017-06-29 2023-05-12 上海金艺检测技术有限公司 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法
CN108021938A (zh) * 2017-11-29 2018-05-11 中冶南方工程技术有限公司 一种冷轧带钢表面缺陷在线检测方法以及检测系统
TWI653605B (zh) * 2017-12-25 2019-03-11 由田新技股份有限公司 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統
CN108242054A (zh) * 2018-01-09 2018-07-03 北京百度网讯科技有限公司 一种钢板缺陷检测方法、装置、设备和服务器
CN108230318B (zh) * 2018-01-09 2019-04-16 北京百度网讯科技有限公司 钢包缺陷检测分类方法、装置、设备及计算机可读介质
CN108257121B (zh) * 2018-01-09 2019-01-25 北京百度网讯科技有限公司 产品缺陷检测模型更新的方法、装置、存储介质及终端设备
CN108564104A (zh) * 2018-01-09 2018-09-21 北京百度网讯科技有限公司 产品缺陷检测方法、装置、系统、服务器及存储介质
CN108389197B (zh) * 2018-02-26 2022-02-08 上海赛特斯信息科技股份有限公司 基于深度学习的输电线路缺陷检测方法
CN108510472B (zh) * 2018-03-08 2019-10-22 北京百度网讯科技有限公司 用于处理图像的方法和装置
CN115331198A (zh) * 2018-03-09 2022-11-11 图森有限公司 用于车辆车轮检测的系统和方法
CN108460761A (zh) * 2018-03-12 2018-08-28 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN108615230A (zh) * 2018-03-16 2018-10-02 北京邮电大学 一种轮毂表面异常检测方法和系统
CN108491841A (zh) * 2018-03-21 2018-09-04 东南大学 一种汽车轮毂类型识别监控管理系统及方法
CN108665057A (zh) * 2018-03-29 2018-10-16 东南大学 一种基于卷积神经网络的多生产点位轮毂图像分类方法
CN113610831B (zh) * 2021-08-19 2022-03-11 江西应用技术职业学院 基于计算机图像技术和迁移学习的木材缺陷检测方法
CN109035232A (zh) * 2018-07-24 2018-12-18 桂林电子科技大学 一种基于深度学习和机器视觉融合的夹片缺陷检测方法
WO2020024079A1 (zh) * 2018-07-28 2020-02-06 合刃科技（深圳）有限公司 图像识别系统
CN114577812A (zh) * 2018-08-15 2022-06-03 心鉴智控(深圳)科技有限公司 基于超小样本训练高效质检模型的方法及系统
CN109239075B (zh) * 2018-08-27 2021-11-30 北京百度网讯科技有限公司 电池检测方法及装置
CN109509170B (zh) * 2018-09-11 2021-08-17 韶关学院 一种压铸件缺陷检测方法及装置
CN109409404A (zh) * 2018-09-13 2019-03-01 西南交通大学 一种基于深度学习的高铁接触网防风拉线故障检测方法
CN109615606B (zh) * 2018-11-09 2023-01-06 华南理工大学 一种柔性ic基板点线面缺陷的快速分类方法
CN109712116B (zh) * 2018-12-04 2023-03-28 华南理工大学 输电线路及其附件的故障识别方法
JP6908019B2 (ja) * 2018-12-28 2021-07-21 Tdk株式会社 画像生成装置及び外観検査装置
DE102019201557A1 (de) * 2019-02-07 2020-08-13 Zf Friedrichshafen Ag Verfahren und Vorrichtung zum automatisierten Identifizieren eines Produktfehlers eines Produkts und/oder zum automatisierten Identifizieren einer Produktfehlerursache des Produktfehlers
US12079267B2 (en) * 2019-02-21 2024-09-03 Canon Kabushiki Kaisha Method and system for image searching and evaluation using tags
CN111768357B (zh) * 2019-03-29 2024-03-01 银河水滴科技（北京）有限公司 一种图像检测的方法及装置
CN110033443B (zh) * 2019-04-04 2021-09-03 武汉精立电子技术有限公司 一种显示面板缺陷检测方法
CN110264466B (zh) * 2019-06-28 2021-08-06 广州市颐创信息科技有限公司 一种基于深度卷积神经网络的钢筋检测方法
CN110473178A (zh) * 2019-07-30 2019-11-19 上海深视信息科技有限公司 一种基于多光源融合的外观缺陷检测方法及系统
CN110503638B (zh) * 2019-08-15 2023-06-02 上海理工大学 螺旋胶质量在线检测方法
CN112288679B (zh) * 2019-11-06 2024-03-29 中北大学 汽车轮毂x射线图像的缺陷区域交互式提取方法及系统
CN110927171A (zh) * 2019-12-09 2020-03-27 中国科学院沈阳自动化研究所 一种基于机器视觉的轴承滚子倒角面缺陷检测方法
CN111080614A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车轮轮辋及踏面的破损识别方法
CN111080636B (zh) * 2019-12-23 2023-08-25 山东安亚金属科技有限公司 彩钢瓦表面缺陷的cnn语义分割自学习检测方法
CN111242890A (zh) * 2019-12-24 2020-06-05 中国航空工业集团公司北京航空精密机械研究所 一种芳纶纸蜂窝涂胶缺陷检测方法
CN111161246B (zh) 2019-12-30 2024-05-14 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
CN111260640B (zh) * 2020-01-13 2023-03-31 重庆大学 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置
CN112766481B (zh) * 2020-03-13 2023-11-24 腾讯科技（深圳）有限公司 神经网络模型的训练方法、装置及图像检测的方法
CN111798407B (zh) * 2020-05-15 2024-05-21 国网浙江省电力有限公司嘉兴供电公司 一种基于神经网络模型的带电设备故障诊断方法
CN111709936B (zh) * 2020-06-17 2023-10-24 广州麦仑智能科技有限公司 一种基于多级特征比对的令纸缺陷检测方法
CN112164144B (zh) * 2020-09-24 2022-04-19 华中科技大学 一种结合d2算子和法向算子的铸件三维模型分类方法
CN112529893A (zh) * 2020-12-22 2021-03-19 郑州金惠计算机系统工程有限公司 基于深度神经网络的轮毂表面瑕疵在线检测方法及系统
CN112598642B (zh) * 2020-12-22 2024-05-10 苏州睿信诺智能科技有限公司 一种高速高精度视觉检测方法
CN112734742B (zh) * 2021-01-19 2021-11-16 上海微亿智造科技有限公司 用于提高工业质检准确率的方法和系统
CN112801972A (zh) * 2021-01-25 2021-05-14 武汉理工大学 一种桥梁缺陷检测方法、设备、系统及存储介质
CN112907519A (zh) * 2021-01-29 2021-06-04 广州信邦智能装备股份有限公司 一种基于深度学习的金属曲面缺陷分析系统及方法
CN113344857B (zh) * 2021-05-13 2022-05-03 深圳市华汉伟业科技有限公司 缺陷检测网络的训练方法、缺陷检测方法和存储介质
CN113762281A (zh) * 2021-08-04 2021-12-07 浙江跃岭股份有限公司 一种基于机器学习的成型轮毂识别方法
CN113470018B (zh) * 2021-09-01 2021-12-21 深圳市信润富联数字科技有限公司 轮毂缺陷识别方法、电子装置、装置及可读存储介质
CN113538433B (zh) * 2021-09-17 2021-11-26 海门市创睿机械有限公司 基于人工智能的机械铸件缺陷检测方法及系统
CN116051446A (zh) * 2021-10-26 2023-05-02 江苏时代新能源科技有限公司 一种极片打皱检测方法、系统、终端及存储介质
CN114066890A (zh) * 2022-01-14 2022-02-18 成都数联云算科技有限公司 齿轮缺陷检测方法、装置、计算机设备及存储介质
CN114266773B (zh) * 2022-03-02 2022-05-20 成都数联云算科技有限公司 显示面板缺陷定位方法、装置、设备及存储介质
CN114399504A (zh) * 2022-03-25 2022-04-26 济南大学 一种基于工业互联网的智能轮辋检测与跟踪方法及系统
CN114757916A (zh) * 2022-04-15 2022-07-15 西安交通大学 基于特征提取和bp网络的工业ct图像缺陷分类方法
CN114998259A (zh) * 2022-06-02 2022-09-02 苏州香农科技有限公司 一种重力铸造轮毂的检测方法及装置
CN114708267B (zh) * 2022-06-07 2022-09-13 浙江大学 一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法
CN114998593B (zh) * 2022-06-21 2024-08-16 苏州数智源信息技术有限公司 一种小目标识别算法
CN115684175A (zh) * 2022-10-20 2023-02-03 河南科技大学 一种轴承滚子端面外观分选方法及系统
CN115825118B (zh) * 2022-11-18 2023-09-12 华中科技大学 一种铸件x射线探伤装备的自动评片集成系统及方法
CN117036344B (zh) * 2023-10-07 2024-01-30 北京阿丘机器人科技有限公司 外观缺陷检测方法、装置、设备及存储介质
CN117197146A (zh) * 2023-11-08 2023-12-08 北京航空航天大学江西研究院 一种铸件内部缺陷自动识别方法
CN117741090B (zh) * 2024-02-19 2024-04-26 如皋市力霸铸造有限公司 一种变速箱精密铸件质量缺陷检测方法
CN118674721A (zh) * 2024-08-23 2024-09-20 博通精密科技(浙江)有限公司 一种基于图像处理的无缝钢管生产用质量分析系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030194124A1 (en) * 2002-04-12 2003-10-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
CN104574408A (zh) * 2015-01-16 2015-04-29 东华大学 基于形状特征提取的工业透明薄膜包装检测方法及装置
CN105118044A (zh) * 2015-06-16 2015-12-02 华南理工大学 一种轮形铸造产品缺陷自动检测方法

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3978712A (en) * 1971-11-17 1976-09-07 Scanning Systems, Inc. Method and apparatus for testing wear, size and residual stress conditions
CA2102140C (en) * 1993-11-01 1999-02-02 Grigory Izbinsky Wayside monitoring of the angle-of-attack of railway vehicle wheelsets
US5636026A (en) * 1995-03-16 1997-06-03 International Electronic Machines Corporation Method and system for contactless measurement of railroad wheel characteristics
US6262573B1 (en) * 1999-09-17 2001-07-17 General Electric Company Electromagnetic system for railroad track crack detection and traction enhancement
US6523411B1 (en) * 2000-03-21 2003-02-25 International Electronic Machines Corp. Wheel inspection system
US6675077B2 (en) * 2000-10-11 2004-01-06 Transportation Technology Center Inc. Wheel-railhead force measurement system and method having cross-talk removed
US6768551B2 (en) * 2001-10-17 2004-07-27 International Electronic Machines Corp. Contactless wheel measurement system and method
US7525667B2 (en) * 2004-05-24 2009-04-28 International Electronic Machines Corp. Portable electronic measurement
RO121293B1 (ro) * 2004-09-30 2007-02-28 Mb Telecom Ltd. - S.R.L. Metodă şi sistem de control neintruziv
US7889931B2 (en) * 2004-10-22 2011-02-15 Gb Investments, Inc. Systems and methods for automated vehicle image acquisition, analysis, and reporting
US8112325B2 (en) * 2005-09-15 2012-02-07 Manheim Investments, Inc. Method and apparatus for automatically capturing multiple images of motor vehicles and other items for sale or auction
US7564569B2 (en) * 2005-09-16 2009-07-21 International Electronic Machines Corp. Optical wheel evaluation
US20090138290A1 (en) * 2006-09-26 2009-05-28 Holden Johnny L Insurance adjustment through digital imaging system and method
CN100590428C (zh) * 2006-12-28 2010-02-17 华南理工大学 基于图像理解的轮毂铸造缺陷自动检测方法及装置
US7864309B2 (en) * 2007-05-04 2011-01-04 Burke E. Porter Machinery Company Non contact wheel alignment sensor and method
US8014586B2 (en) * 2007-05-24 2011-09-06 Applied Vision Corporation Apparatus and methods for container inspection
US7684034B2 (en) * 2007-05-24 2010-03-23 Applied Vision Company, Llc Apparatus and methods for container inspection
KR20100138725A (ko) * 2009-06-25 2010-12-31 삼성전자주식회사 가상 세계 처리 장치 및 방법
TW201131556A (en) * 2010-03-10 2011-09-16 Quanta Storage Inc Apparatus and method for testing spoke sensor
CN104160258A (zh) * 2011-11-03 2014-11-19 尼恩麦提克斯有限公司 用于估计车辆轮胎的气压状态的系统和方法
WO2013069014A1 (en) * 2011-11-08 2013-05-16 Neomatix Ltd. System, method and application for estimating pneumatic pressure state of vehicle tires using a handheld device
DE102012013626A1 (de) * 2012-07-04 2014-01-09 Hegenscheidt-Mfd Gmbh & Co. Kg Verfahren und Vorrichtung zur Überprüfung von Eisenbahnrädern
US9002095B2 (en) * 2012-12-20 2015-04-07 Wal-Mart Stores, Inc. Faulty cart wheel detection
US9285296B2 (en) * 2013-01-02 2016-03-15 The Boeing Company Systems and methods for stand-off inspection of aircraft structures
CN105122046B (zh) * 2013-03-29 2018-01-23 斯奈克玛 用于检测物体上的缺陷方法
US9625402B2 (en) * 2013-10-10 2017-04-18 Xerox Corporation Method and apparatus for detection of defective brakes
US9400256B2 (en) * 2013-12-06 2016-07-26 Rolls-Royce Corporation Thermographic inspection techniques
CN107076645B (zh) * 2014-11-11 2019-11-12 日本制铁株式会社 铁道车辆用车轮的轮缘磨损测定方法
WO2016115443A1 (en) * 2015-01-16 2016-07-21 International Electronic Machines Corp. Abnormal vehicle dynamics detection
GB2542115B (en) * 2015-09-03 2017-11-15 Rail Vision Europe Ltd Rail track asset survey system
US10480939B2 (en) * 2016-01-15 2019-11-19 Fugro Roadware Inc. High speed stereoscopic pavement surface scanning system and method
CN110139552B (zh) * 2016-11-08 2023-08-15 道格图斯科技有限公司 机器人水果采摘系统
US10497108B1 (en) * 2016-12-23 2019-12-03 State Farm Mutual Automobile Insurance Company Systems and methods for machine-assisted vehicle inspection
US10580234B2 (en) * 2017-01-20 2020-03-03 Adesa, Inc. Vehicle documentation system
US20180222504A1 (en) * 2017-02-08 2018-08-09 Intel Corporation Location based railway anomaly detection
WO2018156703A1 (en) * 2017-02-22 2018-08-30 Tetra Tech, Inc. Broken wheel detection system
TWI628414B (zh) * 2017-06-29 2018-07-01 峰安車業股份有限公司 影像檢測裝置以及影像檢測方法
US10564108B2 (en) * 2017-07-03 2020-02-18 Saudi Arabian Oil Company Apparatus and method for nondestructively inspecting fiberglass and nonmetallic pipes
US10607084B1 (en) * 2019-10-24 2020-03-31 Capital One Services, Llc Visual inspection support using extended reality

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030194124A1 (en) * 2002-04-12 2003-10-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
CN104574408A (zh) * 2015-01-16 2015-04-29 东华大学 基于形状特征提取的工业透明薄膜包装检测方法及装置
CN105118044A (zh) * 2015-06-16 2015-12-02 华南理工大学 一种轮形铸造产品缺陷自动检测方法

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10467502B2 (en) 2017-03-20 2019-11-05 Rolls-Royce Plc Surface defect detection
EP3379491A1 (en) * 2017-03-20 2018-09-26 Rolls-Royce plc Surface defect detection
CN109781733A (zh) * 2017-11-15 2019-05-21 欧姆龙株式会社 缺陷检查装置、缺陷检查方法及计算机可读存储介质
EP3486867A1 (en) * 2017-11-15 2019-05-22 Omron Corporation Defect inspection apparatus, defect inspection method, and program thereof
CN109781733B (zh) * 2017-11-15 2022-02-22 欧姆龙株式会社 缺陷检查装置、缺陷检查方法及计算机可读存储介质
US10776909B2 (en) 2017-11-15 2020-09-15 Omron Corporation Defect inspection apparatus, defect inspection method, and non-transitory computer readable medium
CN109840900A (zh) * 2018-12-31 2019-06-04 常州轻工职业技术学院 一种应用于智能制造车间的故障在线检测系统及检测方法
CN109840900B (zh) * 2018-12-31 2023-12-19 常州工业职业技术学院 一种应用于智能制造车间的故障在线检测系统及检测方法
CN109859169A (zh) * 2019-01-03 2019-06-07 重庆信息通信研究院 一种基于卷积神经网络的tft-lcd模组白印检测方法
CN109859169B (zh) * 2019-01-03 2022-12-16 重庆信息通信研究院 一种基于卷积神经网络的tft-lcd模组白印检测方法
CN110020691A (zh) * 2019-04-11 2019-07-16 重庆信息通信研究院 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法
CN110020691B (zh) * 2019-04-11 2022-10-11 重庆信息通信研究院 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法
CN111047550A (zh) * 2019-11-04 2020-04-21 睿视智觉（厦门）科技有限公司 一种基于机器视觉的产品异常检测方法、装置及设备
CN110942457A (zh) * 2019-11-30 2020-03-31 天津大学 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN110942457B (zh) * 2019-11-30 2023-12-08 天津大学 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN111179223B (zh) * 2019-12-12 2023-05-09 天津大学 基于深度学习的工业自动化缺陷检测方法
CN111062919B (zh) * 2019-12-12 2023-11-03 苏州韦士肯检测科技有限公司 一种轴承套圈外观缺陷检测方法
CN111062919A (zh) * 2019-12-12 2020-04-24 韦士肯(厦门)智能科技有限公司 一种轴承套圈外观缺陷检测方法
CN111179223A (zh) * 2019-12-12 2020-05-19 天津大学 基于深度学习的工业自动化缺陷检测方法
CN111553929B (zh) * 2020-05-12 2022-08-09 重庆邮电大学 基于融合网络的手机屏幕缺陷分割方法、装置及设备
CN111553929A (zh) * 2020-05-12 2020-08-18 重庆邮电大学 基于融合网络的手机屏幕缺陷分割方法、装置及设备
CN111833328A (zh) * 2020-07-14 2020-10-27 汪俊 基于深度学习的飞机发动机叶片表面缺陷检测方法
CN111833328B (zh) * 2020-07-14 2023-07-25 汪俊 基于深度学习的飞机发动机叶片表面缺陷检测方法
CN113008998A (zh) * 2021-03-02 2021-06-22 南京审计大学 一种基于pcnn的隐蔽工程内部缺陷判断方法
CN113781585A (zh) * 2021-08-27 2021-12-10 华中科技大学 一种增材制造零件表面缺陷在线检测方法及系统
CN113781585B (zh) * 2021-08-27 2024-02-06 华中科技大学 一种增材制造零件表面缺陷在线检测方法及系统
CN114841937B (zh) * 2022-04-21 2023-12-05 燕山大学 一种检测汽车轮毂表面缺陷检测方法
CN114841937A (zh) * 2022-04-21 2022-08-02 燕山大学 一种检测汽车轮毂表面缺陷检测方法
CN117058151A (zh) * 2023-10-13 2023-11-14 山东骏程金属科技有限公司 一种基于图像分析的轮毂检测方法及检测系统
CN117058151B (zh) * 2023-10-13 2024-01-05 山东骏程金属科技有限公司 一种基于图像分析的轮毂检测方法及检测系统

Also Published As

Publication number Publication date
US20180253836A1 (en) 2018-09-06
CN105118044B (zh) 2017-11-07
CN105118044A (zh) 2015-12-02
US10803573B2 (en) 2020-10-13

Similar Documents

Publication Publication Date Title
WO2016201947A1 (zh) 一种轮形铸造产品缺陷自动检测方法
CN108961217B (zh) 一种基于正例训练的表面缺陷检测方法
CN103871053B (zh) 一种基于视觉显著性的布匹瑕疵检测方法
CN113505865B (zh) 一种基于卷积神经网络的片材表面缺陷图像识别处理方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN112907519A (zh) 一种基于深度学习的金属曲面缺陷分析系统及方法
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN112862744A (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN107316287A (zh) 一种矩形铁氧体磁片表面的缺陷识别方法
CN109886931A (zh) 基于bp神经网络的轮速传感器齿圈表面缺陷检测方法
CN109239073A (zh) 一种用于汽车车身的表面缺陷检测方法
CN115018846A (zh) 基于ai智能相机的多目标裂纹缺陷检测方法和装置
CN115018790A (zh) 一种基于异常检测的工件表面缺陷检测方法
CN111260609A (zh) 一种基于深度学习的烟支外观缺陷检测方法
CN114565607B (zh) 基于神经网络的织物缺陷图像分割方法
CN103926255A (zh) 一种基于小波神经网络的布匹表面瑕疵检测方法
CN113989196B (zh) 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法
CN113538342B (zh) 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法
CN114199127A (zh) 基于机器视觉的汽车零件尺寸检测系统及方法
CN113884299A (zh) 基于人工智能的滚塑机械故障检测方法
CN113808104A (zh) 一种基于分块的金属表面缺陷检测方法及系统
CN117522778A (zh) 一种空心砖瑕疵检测系统
Li et al. Detection of small size defects in belt layer of radial tire based on improved faster r-cnn
CN117269168A (zh) 一种新能源汽车精密零配件表面缺陷检测装置及检测方法
CN114202544B (zh) 一种基于自编码器的复杂工件缺陷检测方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15895512

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 15736518

Country of ref document: US

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 03.05.2018)

122 Ep: pct application non-entry in european phase

Ref document number: 15895512

Country of ref document: EP

Kind code of ref document: A1