WO2019104767A1 - 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 - Google Patents

基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 Download PDF

Info

Publication number
WO2019104767A1
WO2019104767A1 PCT/CN2017/116837 CN2017116837W WO2019104767A1 WO 2019104767 A1 WO2019104767 A1 WO 2019104767A1 CN 2017116837 W CN2017116837 W CN 2017116837W WO 2019104767 A1 WO2019104767 A1 WO 2019104767A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
defect
image
fabric
network model
Prior art date
Application number
PCT/CN2017/116837
Other languages
English (en)
French (fr)
Inventor
李庆武
邢俊
马云鹏
周亚琴
吴晨辉
Original Assignee
河海大学常州校区
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 河海大学常州校区 filed Critical 河海大学常州校区
Publication of WO2019104767A1 publication Critical patent/WO2019104767A1/zh

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators

Definitions

  • the invention relates to the field of visual inspection in image processing, and in particular to a fabric defect detection method based on a deep convolutional neural network and visual saliency.
  • the model-based method uses the defect image to construct the decomposition model, obtains the texture information of the fabric image and reconstructs the defect-free image, and locates the defect by comparing the difference between the input image and the reconstructed defect-free image.
  • This type of method is generally not highly accurate and has considerable computational complexity.
  • the statistical method uses Fourier transform, Gabor filter and wavelet transform to extract the frequency domain characteristics of the defect image.
  • the algorithm performance depends largely on the filter type selected by the algorithm and the background of the fabric image.
  • the statistical method based on local binary mode, gray level co-occurrence matrix and histogram statistics to calculate the different characteristics of texture and defects, can effectively detect fabric defects, but the influence of different fabric background patterns and defect shapes on this method Larger.
  • the above research can accurately locate and segment the fabric defects in a single background and a solid background, but the defect detection effect in the fabric image with complicated background and irregular pattern is not good.
  • the technical problem to be solved by the present invention is to provide a fabric defect detecting method for effectively detecting defects in a fabric image with complicated background and irregular patterns.
  • the present invention adopts the following technical solutions.
  • a fabric defect detection method based on deep convolutional neural network and visual saliency comprising the following steps:
  • the image to be tested is grayed out and normalized, and then input to the global neural network model and the local neural network model respectively;
  • the global neural network model is responsible for predicting each pixel in the test image, and outputting each The pixel points belong to the probability vector of the defect area;
  • the local neural network model is not responsible for predicting each pixel point, but the initial positioning of the defect area is to be performed on the test image, and the bounding box of some defect areas is obtained, and the boundary frame is a defect Candidate area
  • the joint global neural network model and the local neural network model are obtained through the constructed multi-model fusion method. a defect area score of the model, and the defect area is eliminated according to the score;
  • the adaptive saliency segmentation algorithm is used to segment the prior saliency maps, and then based on the morphological opening and closing operations. After the segmentation, the image is post-processed to remove image holes and some scatter points, and finally the defects in the fabric image are detected.
  • the present invention provides a method for positioning and detecting fabric defects based on deep convolutional neural networks and visual saliency for fabric images with complex background and noise interference.
  • the classification of pixels by the global neural network and the initial positioning of the defects by the local neural network are combined to obtain a precise defect location window, and then the defects in the positioning window are segmented based on the improved visual saliency method.
  • the method does not need to manually set parameters and construct reference images, has good robustness, can accurately detect defects in the fabric image, has strong real-time performance, can meet actual engineering requirements, and has wide application prospects.
  • FIG. 1 is a flow chart of a method for detecting a fabric defect based on a deep convolutional neural network and visual saliency according to the present invention
  • FIG. 2 is a schematic view of a fabric defect detection model
  • FIG. 3 is a schematic diagram of a global convolutional neural network model
  • FIG. 4 is a schematic diagram of a partial convolutional neural network model
  • Figure 5 is a schematic diagram of a defect segmentation model based on improved visual saliency.
  • the present invention is based on a deep convolutional neural network and a visually significant fabric defect detection method, including a defect area localization network model and a defect segmentation network model.
  • the defect location network model uses a global neural network model to integrate with the local neural network model to provide accurate location information of defects in the fabric image.
  • the defect segmentation network model uses superpixels and visually significant content to segment the defect regions and extract the defect targets. Includes the following steps:
  • the image to be tested is grayed out and normalized, and then input to the global neural network model and the local neural network model respectively;
  • the global neural network model is responsible for predicting each pixel in the test image, and outputting each The pixel points belong to the probability vector of the defect area;
  • the local neural network model is not responsible for predicting each pixel point, but the initial positioning of the defect area is to be performed on the test image, and the bounding box of some defect areas is obtained, and the boundary frame is a defect Area that may exist;
  • the joint global neural network model and the local neural network model are obtained through the constructed multi-model fusion method. a defect area score of the model, and the defect area is eliminated according to the score;
  • the adaptive saliency segmentation algorithm is used to segment the prior saliency maps, and then based on the morphological opening and closing operations. After the segmentation, the image is post-processed to remove image holes and some scatter points, and finally the defects in the fabric image are detected.
  • Grayscale and normalize the training image to a set pixel size using a bicubic interpolation method, such as a 400 x 400 pixel size.
  • step (2) when training the global neural network model, the input of the training global neural network is the fabric defect image data set and the fabric defect labeling index map, and the convolution operation is used to extract the global features of the fabric image, wherein the convolution kernel size is taken 3 ⁇ 3 size, as shown in Figure 3.
  • the model parameters of the global neural network are:
  • the first layer is the image input layer, and the image input layer size is the same as the training picture size, which is 400 ⁇ 400.
  • the training picture refers to the picture in the fabric defect training data set in step (1), the size is 400 ⁇ 400;
  • l can be 8 layers
  • the convolution layer causes the feature map of 10 ⁇ 10 ppi to 200 ⁇ 200 ppi resolution to be restored to the original image of 400 ⁇ 400 ppi, the probability that each pixel in the output image belongs to the defect point is obtained.
  • step (2) when training the local neural network model, the input of the local neural network is the fabric defect data set and the coordinates of the fabric defect in the image, and the local features of the fabric image are extracted by the convolution operation, wherein the convolution kernel size and the global The convolution kernels in the neural network model are of the same size, both of which are 3 ⁇ 3, as shown in Figure 4.
  • the model parameters of the local neural network are:
  • the first layer is the training image input layer, and the size of the image input layer is normalized to a set size, such as 300 ⁇ 300 size; there is a k-layer hidden layer in the middle, which is composed of a convolutional layer and a pooled layer alternately connected; Connection layer, output defect location and category information.
  • step (2) the global neural network and the local neural network model are respectively trained by using n fabric defect images, and the global neural network and the local neural network model respectively train k 1 and k 2 times respectively, and the model error converges. Get the optimal model weights.
  • step (3) the network model is set by using the trained optimal model weights, and the test fabric images are respectively input into the global neural network model and the local neural network model, and the heatmap map and the position information of the defects are respectively output.
  • the heatmap diagram outputted by the global neural network model is an index map, and each value represents a color. The closer the color is to the red, the higher the probability of the defect, and the closer the color is to the blue color, the more likely the defect is. low.
  • the position information of the local neural network output is in the form of [x min , y min , x max , y max , label], where x min , y min , x max , y max are defect boundaries, respectively The coordinates of the upper left and lower right corners of the box, and label is the type of the defect.
  • the joint score function is constructed as follows to calculate the defect score P score (m): Where i, j represent the abscissa and ordinate of the pixel in the image, A(m) represents the mth detection window in the local neural network model SSD, and A(m).conf represents the local neural network model SSD.
  • step (4) the comparison threshold T is set, and the calculated defect score and the threshold size are compared; if the calculated defect score is lower than the set threshold T, the detection result is considered to be a wrong check, and the filter is directly filtered out. If the defect score is greater than the set threshold T, the defective area is retained.
  • step (5) the sub-image of the fabric defect area is segmented into K super-pixel blocks by using the SLIC super-pixel segmentation algorithm, as shown in FIG. 5, and the pre-test spot is extracted by using the heatmap map obtained in the global neural network model, according to Constructing a superpixel saliency function by a priori pre-view and regional contrast and regional spatial relationships Where i 1 and j 1 respectively represent super pixel node numbers.
  • I 1 is the first super node pixels, Superpixel node The normalized Euclidean distance to the superpixel node where the pre-existing attraction is located; Superpixel node Superpixel node Normalized Euclidean distance between; Superpixel node The average of the corresponding area in the Lab color space, Superpixel node The average of the corresponding area in the Lab color space, The average value of the super pixel area in the Lab color space before the prior a priori, K is the number of super pixels, and ⁇ is the adjustment factor.
  • step (5) when extracting the pre-aperture spot by using the heatmap map in the global neural network model, first extracting the local heatmap map from the heatmap map according to the defect sub-image coordinates, and then using the N ⁇ N mask template on the local heatmap Sliding, N is an odd number, traversing the entire local heatmap image to obtain the position of the maximum output value, the maximum output value position is the a priori view point of the defect;
  • the mask template weight matrix is i 2 , j 2 represents the coordinates of the pixel in the mask template, and the specific formula is
  • ⁇ ( ⁇ ) is the impulse function
  • u( ⁇ ) is the step function
  • N is the template size.
  • the defect sub-image is to take out each defect area from the fabric image to form a single image. Since these images are all part of the original fabric image, it is called Sub image.
  • the a priori saliency of each super pixel point in the fabric image is calculated by using the saliency function, and the a priori saliency value is used as the pixel value of the super pixel point to construct a priori saliency map.
  • step (6) the adaptive threshold OTSU algorithm is used to segment the a priori saliency map to extract the defect target in the image, and the adaptive threshold selection formula is:
  • ⁇ 1 and ⁇ 2 are the threshold scale factor 1 and the threshold scale factor 2, respectively, b 1 and b 2 are the threshold translation factor 1 and the threshold translation factor 2, respectively, and I prior is the pixel value of the pre- apricot attraction.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一种基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，属于图像处理技术领域；所述方法基于缺陷区域定位模块与缺陷语义分割模块进行处理，缺陷区域定位模块利用局部卷积神经网络和全局卷积神经网络两个深度学习模型进行融合，自动提取织物缺陷的高级特征并将其作用于缺陷图像，获得缺陷区域的精确定位。缺陷语义分割模块利用缺陷区域的定位结果，结合基于视觉显著性的超像素图像分割方法，获取缺陷先验前景点并对缺陷目标进行精准分割，最终实现缺陷的检测。所述方法对织物图像的适应能力好，精度高，可以有效地对复杂背景与噪声干扰下的织物图像中的缺陷进行检测。

Description

基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 技术领域
本发明涉及图像处理中的视觉检测领域，尤其涉及一种基于深度卷积神经网络与视觉显著性的织物缺陷检测方法。
背景技术
随着纺织行业的飞速发展，人们对织物布匹质量的控制也越来越严格，而织物疵点通常是影响布匹质量的关键因素。传统的织物缺陷检测方法大多是基于手工测量和人眼观察来完成，在实际应用中有很大的局限性，如主观性强、检测结果的一致性差，不能很准确的实现对细小缺陷、色差不明显缺陷的完全检测等。目前，现有的自动化织物缺陷检测算法主要分为三类：(1)基于统计的方法、(2)基于谱分析的方法、(3)基于模型的方法。基于模型的方法利用缺陷图像构建分解模型，获得织物图像的纹理信息并重构无缺陷图像，通过比较输入图像与重构无缺陷图像之间的差别来定位缺陷。该类方法通常精确度不高，并且具有相当大的计算复杂度。基于统计的方法利用傅立叶变换、Gabor滤波器以及小波变换提取缺陷图像的频域特性，其算法性能很大程度上取决于算法所选用的滤波器种类以及织物图像的背景。基于统计的方法通过局部二值模式、灰度共生矩阵以及直方图统计等方法统计纹理与缺陷的不同特性，可以有效的检测织物缺陷，但织物背景图案及缺陷形状的不同对该类方法的影响较大。
上述研究可以准确地对单一背景和纯色背景下的织物缺陷进行定位与分割，但对于背景复杂、图案不规则的织物图像中的缺陷检测效果不佳。
发明内容
本发明所要解决的技术问题是：提供一种织物缺陷检测方法，以实现对背 景复杂、图案不规则的织物图像中的缺陷进行有效的检测。
为了实现上述目的，本发明采取以下技术方案。
一种基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，包括以下步骤：
(1)选取织物缺陷训练数据集，对数据集中的图像进行灰度化处理，然后进行尺寸归一化处理；
(2)将经过步骤(1)预处理后的织物缺陷训练数据集输入至缺陷区域定位模块，所述缺陷区域定位模块利用全局神经网络模型与局部神经网络模型分别对织物数据集进行训练，提取织物缺陷的全局与局部高级特征，获得一个误差最低的模型；
(3)将待测试图像进行灰度化及归一化处理，然后分别输入至全局神经网络模型与局部神经网络模型；全局神经网络模型负责对待测试图像中的每个像素点进行预测，输出每个像素点属于缺陷区域的概率向量；局部神经网络模型不负责对每个像素点进行预测，而是对待测试图像进行缺陷区域的初始定位，获得一些缺陷区域的边界框，所述边界框是缺陷候选区域；
(4)利用全局神经网络模型对每个像素点的预测结果以及局部神经网络模型输出的缺陷区域的边界框，通过构建的多模型融合方法，获得联合全局神经网络模型、局部神经网络模型两个模型的缺陷区域得分，根据所述得分对缺陷区域进行剔除；
(5)利用SLIC超像素分割算法将缺陷子图像区域分割成若干个不同的超像素区域，把每一个超像素区域看作一个节点，然后利用超像素节点间的区域对比度、空间位置关系、先验局部heatmap信息构建超像素节点的显著函数，并且 根据显著函数计算输入图像的先验显著图；
(6)由于先验显著图通常存在显著性区域的显著值不一致、背景区域不能很好抑制等问题，因此利用自适应阈值分割算法对先验显著图进行分割，然后基于形态学开闭运算对分割后图像进行后处理，去除图像空洞及一些散点，最终检测出织物图像中的缺陷。
本发明所达到的增益效果：
由上述本发明的实例提供的技术方案中可以看出，本发明针对复杂背景与噪声干扰下的织物图像，提出一种基于深度卷积神经网络与视觉显著性的织物缺陷定位与检测方法，利用全局神经网络对像素的分类及局部神经网络对缺陷的初步定位想融合以获得精准的缺陷定位窗口，然后基于改进的视觉显著性方法对定位窗口内的缺陷进行分割。该方法不需要人工设定参数以及构建参考图像，鲁棒性好，能够精确检测出织物图像中的缺陷，实时性强，可以满足实际工程需求，具有广泛的应用前景。
附图说明
图1为本发明的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法的流程图；
图2为织物缺陷检测模型示意图；
图3为全局卷积神经网络模型示意图；
图4为局部卷积神经网络模型示意图；
图5为基于改进视觉显著性的缺陷分割模型示意图。
具体实施方式：
下面结合附图对本发明的具体实施方式做进一步详细的描述。
如图1和图2所示，本发明基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，包括缺陷区域定位网络模型与缺陷分割网络模型。缺陷定位网络模型利用全局神经网络模型与局部神经网络模型相融合，提供缺陷在织物图像中准确的位置信息。缺陷分割网络模型利用超像素与视觉显著性内容，对缺陷区域进行分割，提取缺陷目标。包括以下步骤：
(1)选取织物缺陷训练数据集，对数据集中的图像进行灰度化处理，然后进行尺寸归一化处理；
(2)将经过步骤(1)预处理后的织物缺陷训练数据集输入至缺陷区域定位模块，所述缺陷区域定位模块利用全局神经网络模型与局部神经网络模型分别对织物数据集进行训练，提取织物缺陷的全局与局部高级特征，获得一个误差最低的模型；
(3)将待测试图像进行灰度化及归一化处理，然后分别输入至全局神经网络模型与局部神经网络模型；全局神经网络模型负责对待测试图像中的每个像素点进行预测，输出每个像素点属于缺陷区域的概率向量；局部神经网络模型不负责对每个像素点进行预测，而是对待测试图像进行缺陷区域的初始定位，获得一些缺陷区域的边界框，所述边界框是缺陷可能存在的区域；
(4)利用全局神经网络模型对每个像素点的预测结果以及局部神经网络模型输出的缺陷区域的边界框，通过构建的多模型融合方法，获得联合全局神经网络模型、局部神经网络模型两个模型的缺陷区域得分，根据所述得分对缺陷区域进行剔除；
(5)利用SLIC超像素分割算法将缺陷子图像区域分割成若干个不同的超像素区域，把每一个超像素区域看作一个节点，然后利用超像素节点间的区域对 比度、空间位置关系、先验局部heatmap信息构建超像素节点的显著函数，并且根据显著函数计算输入图像的先验显著图；
(6)由于先验显著图通常存在显著性区域的显著值不一致、背景区域不能很好抑制等问题，因此利用自适应阈值分割算法对先验显著图进行分割，然后基于形态学开闭运算对分割后图像进行后处理，去除图像空洞及一些散点，最终检测出织物图像中的缺陷。
步骤(1)中，利用RGB与YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的关系，即Y＝0.11B+0.59G+0.3R，对织物缺陷图像数据集进行灰度化，并利用双立方插值法将所述训练图像归一化至设定像素大小，如400×400像素大小。
步骤(2)中，训练全局神经网络模型时，训练全局神经网络的输入为织物缺陷图像数据集和织物缺陷标注索引图，利用卷积操作提取织物图像的全局特征，其中卷积核尺寸均取3×3大小，如图3所示。
全局神经网络的模型参数为：
第一层为图像输入层，图像输入层大小与训练图片大小一致，此处取400×400大小；训练图片指的是步骤(1)中，织物缺陷训练数据集中的图片，其大小为400×400；
中间有l层隐层，由卷积层与池化层交替连接构成；l可以是8层；
最后是若干反卷积层，由于卷积层导致10×10ppi～200×200ppi分辨率大小的特征图恢复至原图400×400ppi大小，输出图像中每个像素点属于缺陷点的概率，得到一张heatmap图。ppi的含义是指每英寸图像所包含的像素点数，原图是指400×400的输入图像，即400×400ppi分辨率；
步骤(2)中，训练局部神经网络模型时，局部神经网络的输入为织物缺陷数据集及织物缺陷在图像中的坐标，利用卷积操作提取织物图像的局部特征，其中卷积核大小与全局神经网络模型中的卷积核大小一致，均为3×3大小，如图4所示。
局部神经网络的模型参数为：
第一层为训练图像输入层，图像输入层的大小被归一化成设定大小，如300×300大小；中间有k层隐层，由卷积层与池化层交替连接构成；最后是全连接层，输出缺陷位置与类别信息。
步骤(2)中，利用n张织物缺陷图像分别对全局神经网络与局部神经网络模型进行训练，全局神经网络与局部神经网络模型分别训练k 1次和k 2次后，模型误差收敛，此时获得最优模型权重。
步骤(3)中，利用训练好的最优模型权重设置网络模型，将测试织物图像分别输入至全局神经网络模型与局部神经网络模型中，分别输出heatmap图及缺陷的位置信息。
步骤(3)中，全局神经网络模型输出的heatmap图是一种索引图，每个数值代表一种颜色，颜色越靠近红色代表缺陷可能性越高，颜色越靠近蓝色，代表缺陷可能性越低。
步骤(3)中，局部神经网络输出的位置信息，其数据格式为[x min,y min,x max,y max,label]，其中x min，y min，x max，y max分别是缺陷边界框的左上角和右下角坐标，label为缺陷所属种类。
步骤(4)中，构造如下的联合得分函数来计算缺陷得分P score(m)：
Figure PCTCN2017116837-appb-000001
其中，i,j分别代表像素点在图像中的横 坐标与纵坐标，A(m)代表局部神经网络模型SSD中的第m个检测窗口，A(m).conf表示局部神经网络模型SSD中第m个检测结果的得分，S表示A(m)窗口的面积大小，B(i,j)代表坐标为(i,j)的像素点在heatmap中的像素值。
步骤(4)中，设定比较阈值T，通过比较计算出的缺陷得分与阈值大小来实现；如果计算出来的缺陷得分低于设定阈值T，则认为该检测结果是错检，直接过滤掉；如果缺陷得分大于设定阈值T，则保留该缺陷区域。
步骤(5)中，利用SLIC超像素分割算法将织物缺陷区域子图像分割成K个超像素块，如图5所示，并利用全局神经网络模型中获得的heatmap图提取先验前景点，根据先验前景点以及区域对比度、区域空间关系构建超像素显著度函数
Figure PCTCN2017116837-appb-000002
其中，i 1，j 1分别表示超像素节点编号，
Figure PCTCN2017116837-appb-000003
为第i 1个超像素节点，
Figure PCTCN2017116837-appb-000004
为超像素节点
Figure PCTCN2017116837-appb-000005
到先验前景点所在超像素节点的归一化欧式距离；
Figure PCTCN2017116837-appb-000006
为超像素节点
Figure PCTCN2017116837-appb-000007
与超像素节点
Figure PCTCN2017116837-appb-000008
之间的归一化欧式距离；
Figure PCTCN2017116837-appb-000009
为超像素节点
Figure PCTCN2017116837-appb-000010
所对应区域在Lab颜色空间的平均值，
Figure PCTCN2017116837-appb-000011
为超像素节点
Figure PCTCN2017116837-appb-000012
所对应区域在Lab颜色空间的平均值，
Figure PCTCN2017116837-appb-000013
为先验前景点所在超像素区域在Lab颜色空间的平均值，K为超像素个数，α为调节因子。
步骤(5)中，利用全局神经网络模型中的heatmap图提取先验前景点时，首先根据缺陷子图像坐标在heatmap图中提取局部heatmap图，然后使用N×N的掩模模板在局部heatmap上滑动，N为奇数，遍历整张所述局部heatmap图像获得最大输出值的位置，最大输出值位置即缺陷的先验前景点坐标；掩模模板权重矩阵为
Figure PCTCN2017116837-appb-000014
i 2,j 2代表像素点在掩模模板中的坐标，其具体公式为
Figure PCTCN2017116837-appb-000015
其中δ(·)为冲激函数，u(·)为阶跃函数，N为模板大小。在步骤(4)中获得了一些缺陷区域，缺陷子图像就是将每个缺陷区域从织物图像中抠出，构成一张张图像，由于这些图像都是原始织物图像中的一部分，所以称之为子图像。
步骤(5)中，利用显著度函数计算出织物图像中每个超像素点的先验显著度，并将所述先验显著值作为超像素点的像素值，构建先验显著图。
步骤(6)中，利用自适应阈值OTSU算法对先验显著图进行分割，提取图像中的缺陷目标，自适应阈值选取公式为：
Figure PCTCN2017116837-appb-000016
其中α 1，α 2分别为阈值比例因子一和阈值比例因子二，b 1，b 2分别为阈值平移因子一和阈值平移因子二，I prior为先验前景点的像素值。
以上已以较佳实施例公开了本发明，然其并非用以限制本发明，凡采用等同替换或者等效变换方式所获得的技术方案，均落在本发明的保护范围之内。

Claims (14)

  1. 一种基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于，包括以下步骤：
    (1)选取织物缺陷训练数据集，对数据集中的图像进行灰度化处理，然后进行尺寸归一化处理；
    (2)将经过步骤(1)预处理后的织物缺陷训练数据集输入至缺陷区域定位模块，所述缺陷区域定位模块利用全局神经网络模型与局部神经网络模型分别对织物数据集进行训练，提取织物缺陷的全局与局部高级特征，获得一个误差最低的模型；
    (3)将待测试图像进行灰度化及归一化处理，然后分别输入至全局神经网络模型与局部神经网络模型；全局神经网络模型负责对待测试图像中的每个像素点进行预测，输出每个像素点属于缺陷区域的概率向量；局部神经网络模型对待测试图像进行缺陷区域的初始定位，获得缺陷区域的边界框，所述边界框是缺陷候选区域；
    (4)利用全局神经网络模型对每个像素点的预测结果以及局部神经网络模型输出的缺陷区域的边界框，通过构建的多模型融合方法，获得联合全局神经网络模型、局部神经网络模型两个模型的缺陷区域得分，根据所述得分对缺陷区域进行剔除；
    (5)利用SLIC超像素分割算法将缺陷子图像区域分割成若干个不同的超像素区域，把每一个超像素区域看作一个节点，然后利用超像素节点间的区域对比度、空间位置关系、先验局部heatmap信息构建超像素节点的显著函数，并且根据显著函数计算输入图像的先验显著图；
    (6)利用自适应阈值分割算法对先验显著图进行分割，然后基于形态学开 闭运算对分割后图像进行后处理，去除图像空洞及散点，最终检测出织物图像中的缺陷。
  2. 根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(1)中，利用RGB与YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的关系，即Y＝0.11B+0.59G+0.3R，对织物缺陷图像数据集进行灰度化，并利用双立方插值法将所述训练图像归一化至设定像素大小。
  3. 根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(2)中，训练全局神经网络模型时，训练全局神经网络的输入为织物缺陷图像数据集和织物缺陷标注索引图，利用卷积操作提取织物图像的全局特征，全局神经网络模型参数为：
    第一层为图像输入层，图像输入层大小与训练图片大小一致；
    中间有l层隐层，由卷积层与池化层交替连接构成；
    最后是若干反卷积层，由于卷积层导致10×10ppi～200×200ppi分辨率大小的特征图恢复至原图大小，输出图像中每个像素点属于缺陷点的概率，得到一张heatmap图。
  4. 根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(2)中，训练局部神经网络模型时，局部神经网络的输入为织物缺陷数据集及织物缺陷在图像中的坐标，利用卷积操作提取织物图像的局部特征，其中卷积核大小与全局神经网络模型中的卷积核大小一致，局部神经网络的模型参数为：
    第一层为训练图像输入层，图像输入层的大小被归一化成设定大小；中间有 k层隐层，由卷积层与池化层交替连接构成；最后是全连接层，输出缺陷位置与类别信息。
  5. 根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(2)中，利用n张织物缺陷图像分别对全局神经网络与局部神经网络模型进行训练，全局神经网络与局部神经网络模型分别训练k 1次和k 2次后，模型误差收敛，此时获得最优模型权重。
  6. 根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(3)中，利用训练好的最优模型权重设置网络模型，将测试织物图像分别输入至全局神经网络模型与局部神经网络模型中，分别输出heatmap图及缺陷的位置信息。
  7. 根据权利要求6所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(3)中，全局神经网络模型输出的heatmap图是一种索引图，每个数值代表一种颜色，颜色越靠近红色代表缺陷可能性越高，颜色越靠近蓝色，代表缺陷可能性越低。
  8. 根据权利要求7所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(3)中，局部神经网络输出的位置信息，其数据格式为[x min,y min,x max,y max,label]，其中x min，y min，x max，y max分别是缺陷边界框的左上角和右下角坐标，label为缺陷所属种类。
  9. 根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(4)中，构造如下的联合得分函数来计算缺陷得分P score(m)：
    Figure PCTCN2017116837-appb-100001
    其中，i,j分别代表像素点在图像中的横坐标与纵坐标，A(m)代表局部神经网络模型SSD中的第m个检测窗口，A(m).conf表示局部神经网络模型SSD中第m个检测结果的得分，S表示A(m)窗 口的面积大小，B(i,j)代表坐标为(i,j)的像素点在heatmap中的像素值。
  10. 根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(4)中，设定比较阈值T，通过比较计算出的缺陷得分与阈值大小来实现；如果计算出来的缺陷得分低于设定阈值T，则认为该检测结果是错检，直接过滤掉；如果缺陷得分大于设定阈值T，则保留该缺陷区域。
  11. 根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(5)中，利用SLIC超像素分割算法将织物缺陷区域子图像分割成K个超像素块，并利用全局神经网络模型中获得的heatmap图提取先验前景点，根据先验前景点以及区域对比度、区域空间关系构建超像素显著度函数γ(P i)：
    Figure PCTCN2017116837-appb-100002
    其中，i 1，j 1分别表示超像素节点编号，
    Figure PCTCN2017116837-appb-100003
    为第i 1个超像素节点，
    Figure PCTCN2017116837-appb-100004
    为超像素节点
    Figure PCTCN2017116837-appb-100005
    到先验前景点所在超像素节点的归一化欧式距离；
    Figure PCTCN2017116837-appb-100006
    为超像素节点
    Figure PCTCN2017116837-appb-100007
    与超像素节点
    Figure PCTCN2017116837-appb-100008
    之间的归一化欧式距离；
    Figure PCTCN2017116837-appb-100009
    为超像素节点
    Figure PCTCN2017116837-appb-100010
    所对应区域在Lab颜色空间的平均值，
    Figure PCTCN2017116837-appb-100011
    为超像素节点
    Figure PCTCN2017116837-appb-100012
    所对应区域在Lab颜色空间的平均值，
    Figure PCTCN2017116837-appb-100013
    为先验前景点所在超像素区域在Lab颜色空间的平均值，K为超像素个数，α为调节因子。
  12. 根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(5)中，利用全局神经网络模型中的heatmap图提取先验前景点时，首先根据缺陷子图像坐标在heatmap图中提取局部heatmap图，然后使用N×N的掩模模板在局部heatmap上滑动，N为奇数，遍历整张所述局部heatmap图像获得最大输出值的位置，最大输出值位置即缺陷的先验前景 点坐标；掩模模板权重矩阵为
    Figure PCTCN2017116837-appb-100014
    i 2,j 2代表像素点在掩模模板中的坐标，其具体公式为
    Figure PCTCN2017116837-appb-100015
    ，其中δ(·)为冲激函数，u(·)为阶跃函数，N为模板大小。
  13. 根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(5)中，利用显著度函数计算出织物图像中每个超像素点的先验显著度，并将所述先验显著值作为超像素点的像素值，构建先验显著图。
  14. 根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(6)中，利用自适应阈值OTSU算法对先验显著图进行分割，提取图像中的缺陷目标，自适应阈值选取公式为：
    Figure PCTCN2017116837-appb-100016
    其中α 1，α 2分别为阈值比例因子一和阈值比例因子二，b 1，b 2分别为阈值平移因子一和阈值平移因子二，I prior为先验前景点的像素值。
PCT/CN2017/116837 2017-11-28 2017-12-18 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 WO2019104767A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201711212830.0 2017-11-28
CN201711212830.0A CN107833220B (zh) 2017-11-28 2017-11-28 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法

Publications (1)

Publication Number Publication Date
WO2019104767A1 true WO2019104767A1 (zh) 2019-06-06

Family

ID=61646102

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/116837 WO2019104767A1 (zh) 2017-11-28 2017-12-18 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法

Country Status (2)

Country Link
CN (1) CN107833220B (zh)
WO (1) WO2019104767A1 (zh)

Cited By (141)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363254A (zh) * 2019-08-12 2019-10-22 河北工业大学 用于曲轴柔性生产线的零件种类快速识别方法和识别装置
CN110555831A (zh) * 2019-08-29 2019-12-10 天津大学 一种基于深度学习的排水管道缺陷分割方法
CN110632094A (zh) * 2019-07-24 2019-12-31 北京中科慧眼科技有限公司 一种基于逐点比对分析的图纹质量检测方法，装置与系统
CN110827260A (zh) * 2019-11-04 2020-02-21 燕山大学 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法
CN110910363A (zh) * 2019-11-15 2020-03-24 上海交通大学 基于机器视觉和深度学习的虚焊检测方法、系统及介质
CN110969606A (zh) * 2019-11-29 2020-04-07 华中科技大学 一种纹理表面缺陷检测方法及系统
CN110992329A (zh) * 2019-11-28 2020-04-10 上海微创医疗器械（集团）有限公司 一种产品表面缺陷检测方法、电子设备及可读存储介质
CN111028207A (zh) * 2019-11-22 2020-04-17 东华大学 基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法
CN111062910A (zh) * 2019-11-13 2020-04-24 易思维（杭州）科技有限公司 局部阈值分割方法及缺陷检测方法
CN111179278A (zh) * 2019-12-16 2020-05-19 精英数智科技股份有限公司 一种图像检测的方法、装置、设备和存储介质
CN111242238A (zh) * 2020-01-21 2020-06-05 北京交通大学 一种rgb-d图像显著性目标获取的方法
CN111275679A (zh) * 2020-01-17 2020-06-12 同济大学 一种基于图像的太阳能电池缺陷检测系统及方法
CN111354031A (zh) * 2020-03-16 2020-06-30 浙江一木智能科技有限公司 基于深度学习的3d视觉引导系统
CN111402203A (zh) * 2020-02-24 2020-07-10 杭州电子科技大学 一种基于卷积神经网络的织物表面缺陷检测方法
CN111402197A (zh) * 2020-02-09 2020-07-10 西安工程大学 一种针对色织物裁片缺陷区域的检测方法
CN111476756A (zh) * 2020-03-09 2020-07-31 重庆大学 一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法
CN111476766A (zh) * 2020-03-31 2020-07-31 哈尔滨商业大学 基于深度学习的肺结节ct图像检测系统
CN111598846A (zh) * 2020-04-26 2020-08-28 鲲鹏通讯(昆山)有限公司 一种基于yolo的隧道内铁轨缺陷检测方法
CN111640120A (zh) * 2020-04-09 2020-09-08 之江实验室 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
CN111652852A (zh) * 2020-05-08 2020-09-11 浙江华睿科技有限公司 一种产品表面缺陷检测方法和装置及设备
CN111768386A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质
CN111768365A (zh) * 2020-05-20 2020-10-13 太原科技大学 基于卷积神经网络多特征融合的太阳能电池缺陷检测方法
CN111860465A (zh) * 2020-08-10 2020-10-30 华侨大学 基于超像素的遥感图像提取方法、装置、设备及存储介质
CN111860579A (zh) * 2020-06-09 2020-10-30 广州寻星网络科技有限公司 布面瑕疵识别方法、系统和存储介质
CN111882537A (zh) * 2020-07-28 2020-11-03 研祥智能科技股份有限公司 视觉检测方法及系统
CN111899227A (zh) * 2020-07-06 2020-11-06 北京交通大学 基于无人机作业的铁路扣件缺陷自动采集辨识方法
CN111915585A (zh) * 2020-07-29 2020-11-10 深圳市商汤科技有限公司 图像标注方法、装置、设备以及存储介质
CN111950362A (zh) * 2020-07-07 2020-11-17 西北大学 一种金丝猴面部图像识别方法、装置、设备及存储介质
CN111968076A (zh) * 2020-07-24 2020-11-20 西安工程大学 一种基于s-yolov3的织物实时缺陷检测方法
CN112036402A (zh) * 2020-08-26 2020-12-04 济南信通达电气科技有限公司 一种对开式刀闸状态识别方法及设备
CN112070851A (zh) * 2020-07-07 2020-12-11 辽宁师范大学 基于遗传算法和bp神经网络的索引图预测方法
CN112085037A (zh) * 2020-09-21 2020-12-15 国网吉林省电力有限公司电力科学研究院 一种变电设备红外热故障特征提取及数字化表达方法
CN112270722A (zh) * 2020-10-26 2021-01-26 西安工程大学 一种基于深度神经网络的数码印花织物缺陷检测方法
CN112347823A (zh) * 2019-08-09 2021-02-09 中国石油天然气股份有限公司 沉积相边界识别方法及装置
CN112365478A (zh) * 2020-11-13 2021-02-12 上海海事大学 一种基于语义分割的电机换向器表面缺陷检测模型
CN112418019A (zh) * 2020-11-08 2021-02-26 国家电网有限公司 架空电力通信光缆巡视系统及方法
CN112419258A (zh) * 2020-11-18 2021-02-26 西北工业大学 基于时频分割及卷积神经网络的鲁棒环境声音识别方法
CN112417931A (zh) * 2019-08-23 2021-02-26 河海大学常州校区 一种基于视觉显著性的水面物体检测和分类的方法
CN112465815A (zh) * 2020-12-17 2021-03-09 杭州电子科技大学 一种基于边缘主体融合信息的遥感目标显著性检测方法
CN112488125A (zh) * 2020-11-28 2021-03-12 重庆邮电大学 一种基于高速视觉诊断和bp神经网络的重建方法及系统
CN112508883A (zh) * 2020-11-24 2021-03-16 南京航空航天大学 一种列车车轮踏面锥形孔检测的自适应缺陷识别方法
CN112541884A (zh) * 2020-10-30 2021-03-23 浙江大华技术股份有限公司 缺陷检测方法及设备、计算机可读存储介质
CN112541912A (zh) * 2020-12-23 2021-03-23 中国矿业大学 矿井突发灾害场景中显著性目标的快速检测方法及装置
CN112651972A (zh) * 2020-11-11 2021-04-13 北京平恒智能科技有限公司 使用双定位的整体约束的定位方法
CN112651980A (zh) * 2020-12-01 2021-04-13 北京工业大学 一种基于显著性检测的图像三元图生成方法
US20210110200A1 (en) * 2019-10-11 2021-04-15 Cargo Spectre Method, system, and apparatus for damage assessment and classification
CN112785568A (zh) * 2021-01-18 2021-05-11 厦门大学嘉庚学院 一种基于深度学习的磁瓦缺陷分割方法
CN112837311A (zh) * 2021-03-02 2021-05-25 苏州零样本智能科技有限公司 一种基于深度学习的聚乙烯颗粒缺陷检测识别系统及方法
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
CN112950547A (zh) * 2021-02-03 2021-06-11 佛山科学技术学院 一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法
CN112991271A (zh) * 2021-02-08 2021-06-18 西安理工大学 基于改进yolov3的铝型材表面缺陷视觉检测方法
CN113033635A (zh) * 2021-03-12 2021-06-25 中钞长城金融设备控股有限公司 一种硬币隐形图文检测方法及装置
CN113077454A (zh) * 2021-04-19 2021-07-06 凌云光技术股份有限公司 一种图像缺陷拟合方法、系统和存储介质
CN113192018A (zh) * 2021-04-23 2021-07-30 北京化工大学 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法
CN113269191A (zh) * 2021-04-19 2021-08-17 内蒙古智诚物联股份有限公司 一种农作物叶片病害识别方法、装置和存储介质
CN113313109A (zh) * 2021-05-13 2021-08-27 中国计量大学 一种荧光免疫层析试纸的半定量分析方法
CN113344857A (zh) * 2021-05-13 2021-09-03 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
CN113362276A (zh) * 2021-04-26 2021-09-07 广东大自然家居科技研究有限公司 板材视觉检测方法及系统
CN113362347A (zh) * 2021-07-15 2021-09-07 广东工业大学 基于多尺度超像素特征增强的图像缺陷区域分割方法和系统
CN113379765A (zh) * 2021-06-09 2021-09-10 大连海事大学 一种路面修补区域提取与修补类型判定方法
CN113375676A (zh) * 2021-05-26 2021-09-10 南京航空航天大学 一种基于脉冲神经网络的探测器着陆点定位方法
CN113470045A (zh) * 2021-06-16 2021-10-01 浙江工业大学 一种基于超像素统计特征和图注意力网络的口腔cbct图像分割方法
CN113469224A (zh) * 2021-06-16 2021-10-01 浙江大学 一种基于卷积神经网络与特征描述算子相融合的大米分类方法
CN113554604A (zh) * 2021-07-01 2021-10-26 常州大学 一种基于机器视觉的熔喷布缺陷区域检测方法
CN113554605A (zh) * 2021-07-07 2021-10-26 常州大学 一种基于特征匹配的织物异常区域检测方法
CN113610843A (zh) * 2021-08-30 2021-11-05 合肥智大信息技术有限公司 一种光纤编织层的实时缺陷识别系统及其方法
CN113627436A (zh) * 2021-08-06 2021-11-09 河南大学 一种表面压印字符图像的无监督分割方法
CN113643275A (zh) * 2021-08-29 2021-11-12 浙江工业大学 一种基于无监督流形分割的超声波缺陷检测方法
CN113642529A (zh) * 2021-09-17 2021-11-12 湖南科技大学 基于ga-bp神经网络的障碍物尺寸预测系统及方法
CN113658108A (zh) * 2021-07-22 2021-11-16 西南财经大学 一种基于深度学习的玻璃缺陷检测方法
CN113657238A (zh) * 2021-08-11 2021-11-16 南京精益安防系统科技有限公司 基于神经网络的火灾早期预警方法、存储介质及终端设备
CN113706437A (zh) * 2020-05-21 2021-11-26 国网智能科技股份有限公司 一种输电线路细粒度螺栓缺陷诊断方法及系统
CN113744297A (zh) * 2021-08-31 2021-12-03 西部超导材料科技股份有限公司 一种mri超导线材编织层表面缺陷检测方法及检测装置
CN113777030A (zh) * 2021-07-08 2021-12-10 杭州信畅信息科技有限公司 一种基于机器视觉的布料表面缺陷检测装置及方法
CN113793314A (zh) * 2021-09-13 2021-12-14 河南丹圣源农业开发有限公司 一种石榴成熟度鉴别设备及使用方法
CN113834816A (zh) * 2021-09-30 2021-12-24 江西省通讯终端产业技术研究院有限公司 基于机器视觉的光伏电池缺陷在线检测方法及系统
CN113870236A (zh) * 2021-10-09 2021-12-31 西北工业大学 一种基于深度学习算法的复合材料缺陷无损探伤方法
CN113973209A (zh) * 2020-07-24 2022-01-25 爱思开海力士有限公司 生成深度图的装置
CN113989542A (zh) * 2021-09-27 2022-01-28 浙江大学绍兴微电子研究中心 一种基于多分辨率特征融合的纹理图像疵点分类系统及方法
CN113989183A (zh) * 2021-09-17 2022-01-28 浙江省北大信息技术高等研究院 基于神经网络的木板缺陷检测方法、装置、设备及介质
CN113989267A (zh) * 2021-11-12 2022-01-28 河北工业大学 基于轻量级神经网络的电池缺陷检测方法
CN114022464A (zh) * 2021-11-10 2022-02-08 广东工业大学 一种贴片电阻焊点内部空洞自适应检测算法
CN114022412A (zh) * 2021-10-12 2022-02-08 上海伯耶信息科技有限公司 一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法
CN114092745A (zh) * 2021-11-26 2022-02-25 中国人民解放军空军工程大学 碳纤维复合材料红外热成像分层缺陷面积自动计算方法
CN114140400A (zh) * 2021-11-16 2022-03-04 湖北中烟工业有限责任公司 一种基于ransac与cnn算法检测烟包封签缺陷的方法
CN114170174A (zh) * 2021-12-02 2022-03-11 沈阳工业大学 基于RGB-D图像的CLANet钢轨表面缺陷检测系统及方法
CN114219687A (zh) * 2021-11-02 2022-03-22 三峡大学 融合人机视觉的施工安全隐患智能识别方法
CN114255212A (zh) * 2021-12-07 2022-03-29 深圳技术大学 一种基于cnn的fpc表面缺陷检测方法及其系统
CN114387223A (zh) * 2021-12-22 2022-04-22 广东正业科技股份有限公司 一种芯片缺陷视觉检测方法及设备
CN114387454A (zh) * 2022-01-07 2022-04-22 东南大学 一种基于区域筛选模块和多层次对比的自监督预训练方法
CN114463404A (zh) * 2022-01-05 2022-05-10 北京理工大学 一种自适应深度感知视觉关系的检测方法
CN114463346A (zh) * 2021-12-22 2022-05-10 成都中医药大学 一种基于移动端的复杂环境快速舌分割装置
CN114549668A (zh) * 2022-01-04 2022-05-27 华南农业大学 一种基于视觉显著图的树上果实成熟度检测方法
CN114549492A (zh) * 2022-02-27 2022-05-27 北京工业大学 一种基于多粒度图像信息内容的质量评价方法
CN114544514A (zh) * 2022-02-16 2022-05-27 中铝河南洛阳铝加工有限公司 一种用于定量评价阳极氧化后铝合金表面颜色缺陷的方法
CN114596240A (zh) * 2020-12-03 2022-06-07 浙江正泰电器股份有限公司 光伏组件主栅线露白缺陷的检测方法
CN114782346A (zh) * 2022-04-13 2022-07-22 大连理工大学 基于多形态数据扩增与分块识别的布匹图像缺陷检测方法
CN114861771A (zh) * 2022-04-15 2022-08-05 西安交通大学 基于特征提取和深度学习的工业ct图像缺陷分类方法
CN114926436A (zh) * 2022-05-20 2022-08-19 南通沐沐兴晨纺织品有限公司 一种用于周期性花纹织物的缺陷检测方法
CN114972225A (zh) * 2022-05-16 2022-08-30 上海可明科技有限公司 一种基于深度学习的两阶段光伏板缺陷检测方法
CN115578660A (zh) * 2022-11-09 2023-01-06 牧马人(山东)勘察测绘集团有限公司 基于遥感图像的土地地块分割方法
CN115690105A (zh) * 2022-12-30 2023-02-03 无锡康贝电子设备有限公司 一种基于计算机视觉的铣刀划痕检测方法
CN115870237A (zh) * 2022-12-19 2023-03-31 北京航空航天大学杭州创新研究院 一种流水线产品质量检测并剔除缺陷产品的系统及方法
CN115908142A (zh) * 2023-01-06 2023-04-04 诺比侃人工智能科技(成都)股份有限公司 一种基于视觉识别的接触网微小部件验损方法
CN115960605A (zh) * 2022-12-09 2023-04-14 西南政法大学 一种多色荧光碳点及其应用
CN116030061A (zh) * 2023-03-29 2023-04-28 深圳市捷超行模具有限公司 一种基于视觉的硅胶成型效果检测方法
CN111582214B (zh) * 2020-05-15 2023-05-12 中国科学院自动化研究所 基于孪生网络的笼养动物行为分析方法、系统、装置
CN116309600A (zh) * 2023-05-24 2023-06-23 山东金佳成工程材料有限公司 基于图像处理的环保纺织品质量检测方法
CN116309589A (zh) * 2023-05-22 2023-06-23 季华实验室 钣金件表面缺陷检测方法、装置、电子设备及存储介质
CN116311161A (zh) * 2023-03-08 2023-06-23 中国矿业大学 一种基于联合多任务模型的路面抛洒物检测方法
CN116485801A (zh) * 2023-06-26 2023-07-25 山东兰通机电有限公司 基于计算机视觉的胶管质量在线检测方法及系统
CN116523901A (zh) * 2023-06-20 2023-08-01 东莞市京品精密模具有限公司 一种基于计算机视觉的冲切模具检测方法
CN116596922A (zh) * 2023-07-17 2023-08-15 山东龙普太阳能股份有限公司 一种太阳能热水器生产质量检测方法
CN116630813A (zh) * 2023-07-24 2023-08-22 青岛奥维特智能科技有限公司 一种公路路面施工质量智能检测系统
CN116681992A (zh) * 2023-07-29 2023-09-01 河南省新乡生态环境监测中心 一种基于神经网络的氨氮检测方法
CN116740652A (zh) * 2023-08-14 2023-09-12 金钱猫科技股份有限公司 一种基于神经网络模型的锈斑面积扩大的监测方法与系统
CN116797533A (zh) * 2023-03-24 2023-09-22 东莞市冠锦电子科技有限公司 电源适配器的外观缺陷检测方法及其系统
CN116935179A (zh) * 2023-09-14 2023-10-24 海信集团控股股份有限公司 一种目标检测方法、装置、电子设备及存储介质
CN116934749A (zh) * 2023-09-15 2023-10-24 山东虹纬纺织有限公司 基于图像特征的纺织物瑕疵快速检测方法
CN116993745A (zh) * 2023-09-28 2023-11-03 山东辉瑞管业有限公司 基于图像处理给水管表面漏损检测方法
CN117132736A (zh) * 2023-10-25 2023-11-28 深圳市广通软件有限公司 一种基于元宇宙的体育场馆建模方法和系统
CN117152148A (zh) * 2023-10-31 2023-12-01 南通杰元纺织品有限公司 一种纺织物毛斑缺陷检测方法
CN117197006A (zh) * 2023-09-27 2023-12-08 上海世禹精密设备股份有限公司 区域过滤方法、装置、电子设备及计算机可读存储介质
CN117314901A (zh) * 2023-11-28 2023-12-29 闽都创新实验室 一种尺度自适应的芯片检测神经网络系统
CN117351062A (zh) * 2023-12-04 2024-01-05 尚特杰电力科技有限公司 风机扇叶缺陷诊断方法、装置、系统及电子设备
CN117437188A (zh) * 2023-10-17 2024-01-23 广东电力交易中心有限责任公司 一种用于智慧电网的绝缘子缺陷检测系统
CN117541587A (zh) * 2024-01-10 2024-02-09 山东建筑大学 太阳能电池板缺陷检测方法、系统、电子设备及存储介质
CN117710365A (zh) * 2024-02-02 2024-03-15 中国电建集团华东勘测设计研究院有限公司 缺陷管道图像的处理方法、装置及电子设备
CN117853481A (zh) * 2024-03-04 2024-04-09 枣庄矿业集团新安煤业有限公司 一种零速度乘人装置的直线导轨表面缺陷测量方法
CN117935174A (zh) * 2024-03-22 2024-04-26 浙江佑威新材料股份有限公司 真空袋膜生产线的智能化管理系统及方法
CN117934453A (zh) * 2024-03-18 2024-04-26 深圳市酷童小样科技有限公司 一种手机屏背光异物缺陷诊断方法及系统
CN118037733A (zh) * 2024-04-12 2024-05-14 南京信息工程大学 基于距离信息驱动的复杂工业图像异常检测方法及装置
CN118052817A (zh) * 2024-04-15 2024-05-17 宁波福至新材料有限公司 引线框架表面缺陷检测方法及系统
CN118071734A (zh) * 2024-04-16 2024-05-24 长沙韶光芯材科技有限公司 一种基于机器视觉的掩膜板缺陷定位和分类方法及系统
CN118212179A (zh) * 2024-02-05 2024-06-18 钛玛科（北京）工业科技有限公司 一种复杂背景的角度检测方法
CN118225803A (zh) * 2024-05-27 2024-06-21 山东聚宁机械有限公司 一种推土机刀片表面外观视觉检测方法
CN118247231A (zh) * 2024-03-15 2024-06-25 乐昌市恒发纺织企业有限公司 一种纺纱质量视觉识别系统
CN118470004A (zh) * 2024-07-09 2024-08-09 苏州高视半导体技术有限公司 Led半导体芯片集中性脏污缺陷检测方法、设备及介质
CN118521839A (zh) * 2024-07-24 2024-08-20 国网山东省电力公司微山县供电公司 基于色彩分布和神经网络的光伏板缺陷分类方法及系统
CN118537335A (zh) * 2024-07-25 2024-08-23 南通双跃纺织有限公司 一种布料表面版图印刷不正的缺陷检测方法
CN118570201A (zh) * 2024-08-01 2024-08-30 吴江市兰天织造有限公司 一种超高密织物检测方法

Families Citing this family (61)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108562589B (zh) * 2018-03-30 2020-12-01 慧泉智能科技（苏州）有限公司 一种对磁路材料表面缺陷进行检测的方法
CN108664967B (zh) * 2018-04-17 2020-08-25 上海媒智科技有限公司 一种多媒体页面视觉显著性预测方法及系统
CN110619619A (zh) * 2018-06-04 2019-12-27 杭州海康威视数字技术股份有限公司 一种缺陷检测方法、装置及电子设备
CN109033944B (zh) * 2018-06-07 2021-09-24 西安电子科技大学 一种全天空极光图像分类与关键局部结构定位方法及系统
CN108876781A (zh) * 2018-06-26 2018-11-23 广东工业大学 基于ssd算法的表面缺陷识别方法
CN110717880B (zh) * 2018-07-11 2022-07-05 杭州海康威视数字技术股份有限公司 一种缺陷检测方法、装置及电子设备
CN109239073B (zh) * 2018-07-28 2020-11-10 西安交通大学 一种用于汽车车身的表面缺陷检测方法
EP3605453A1 (en) * 2018-08-03 2020-02-05 Siemens Gamesa Renewable Energy GmbH & Co. KG Convolutional neural network based inspection of blade-defects of a wind turbine
CN109242830A (zh) * 2018-08-18 2019-01-18 苏州翔升人工智能科技有限公司 一种基于深度学习的机器视觉技术检测方法
CN109300109B (zh) * 2018-08-23 2020-10-09 苏州富鑫林光电科技有限公司 机器学习的工业智能图像分割及识别系统
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
CN109509172A (zh) * 2018-09-25 2019-03-22 无锡动视宫原科技有限公司 一种基于深度学习的液晶屏瑕疵检测方法及系统
CN109472769A (zh) * 2018-09-26 2019-03-15 成都数之联科技有限公司 一种不良图像缺陷检测方法和系统
CN109357679B (zh) * 2018-11-16 2022-04-19 山东浪潮科学研究院有限公司 一种基于显著性特征识别的室内定位方法
CN109583450A (zh) * 2018-11-27 2019-04-05 东南大学 基于前馈神经网络融合视觉注意先验的显著区域检测方法
CN109813276B (zh) * 2018-12-19 2021-01-26 五邑大学 一种基站天线下倾角测量方法及其系统
CN109740617A (zh) * 2019-01-08 2019-05-10 国信优易数据有限公司 一种图像检测方法及装置
CN109872303B (zh) * 2019-01-16 2021-04-23 北京交通大学 表面缺陷视觉检测方法、装置和电子设备
CN111563869B (zh) * 2019-01-25 2023-07-21 宁波舜宇光电信息有限公司 用于摄像模组质检的污点测试方法
CN109978844A (zh) * 2019-03-15 2019-07-05 维库（厦门）信息技术有限公司 一种基于深度学习模块化的智能分析方法以及系统
CN109961437B (zh) * 2019-04-04 2021-06-25 江南大学 一种基于机器教学模式下的显著性织物疵点检测方法
CN110033451A (zh) * 2019-04-17 2019-07-19 国网山西省电力公司电力科学研究院 一种基于ssd架构的电力部件缺陷检测方法
CN110111331B (zh) * 2019-05-20 2023-06-06 中南大学 基于机器视觉的蜂窝纸芯缺陷检测方法
CN110232406B (zh) * 2019-05-28 2021-07-06 厦门大学 一种基于统计学习的液晶面板cf图片识别方法
CN110223295B (zh) * 2019-06-21 2022-05-03 安徽大学 基于深度神经网络色彩感知的显著性预测方法及装置
CN110349146B (zh) * 2019-07-11 2020-06-02 中原工学院 基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法
CN110472639B (zh) * 2019-08-05 2023-04-18 山东工商学院 一种基于显著性先验信息的目标提取方法
CN110580701A (zh) * 2019-08-13 2019-12-17 创新奇智(重庆)科技有限公司 一种基于计算机视觉的成衣测量和缺陷检测的方法
CN112529829B (zh) * 2019-08-28 2024-04-19 银河水滴科技（北京）有限公司 一种毛刺定位、毛刺检测模型的训练方法及装置
CN110766689A (zh) * 2019-11-06 2020-02-07 深圳微品致远信息科技有限公司 基于卷积神经网络进行物品图像缺陷检测的方法及装置
CN110827263B (zh) * 2019-11-06 2021-01-29 创新奇智(南京)科技有限公司 基于视觉识别技术的磁瓦表面缺陷检测系统及检测方法
CN110889837A (zh) * 2019-11-25 2020-03-17 东华大学 一种具有瑕疵分级功能的布匹瑕疵检测方法
CN111062934B (zh) * 2019-12-25 2023-10-13 陈金选 一种织物图像缺陷实时检测方法
CN111145163B (zh) * 2019-12-30 2021-04-02 深圳市中钞科信金融科技有限公司 一种纸张褶皱缺陷检测方法及装置
CN111222558B (zh) * 2019-12-31 2024-01-30 富联裕展科技(河南)有限公司 图像处理方法及存储介质
CN111210417B (zh) * 2020-01-07 2023-04-07 创新奇智(北京)科技有限公司 基于卷积神经网络的布匹缺陷检测方法
CN111275718B (zh) * 2020-01-18 2024-01-30 江南大学 一种基于显著区域分割的衣物量检测及护色洗判别方法
CN111553265B (zh) * 2020-04-27 2021-10-29 河北天元地理信息科技工程有限公司 一种排水管道内部缺陷的检测方法及系统
CN111582447B (zh) * 2020-04-30 2023-04-07 电子科技大学 基于多种网络特征的闭环检测方法
CN111696092B (zh) * 2020-06-11 2023-08-25 深圳市华汉伟业科技有限公司 一种基于特征对比的缺陷检测方法及系统、存储介质
CN112102252B (zh) * 2020-08-21 2023-11-28 北京无线电测量研究所 一种微带天线焊点外观缺陷的检测方法及装置
CN111929327A (zh) * 2020-09-09 2020-11-13 深兰人工智能芯片研究院（江苏）有限公司 布匹缺陷检测方法和装置
CN112308860B (zh) * 2020-10-28 2024-01-12 西北工业大学 基于自监督学习的对地观测图像语义分割方法
CN112561892A (zh) * 2020-12-22 2021-03-26 东华大学 一种印花与提花面料的疵点检测方法
CN112598646B (zh) * 2020-12-23 2024-06-11 山东产研鲲云人工智能研究院有限公司 电容缺陷检测方法、装置、电子设备及存储介质
CN112634236A (zh) * 2020-12-24 2021-04-09 广州中设机器人智能装备股份有限公司 一种基于机器视觉的车门外观检测方法
CN112767339B (zh) * 2021-01-13 2023-12-29 哈尔滨工业大学 一种基于视觉注意模型的表面缺陷检测方法
CN113240015B (zh) * 2021-05-18 2024-10-18 哈尔滨工业大学（深圳） 一种结合深度学习的图像匹配方法
CN113298809B (zh) * 2021-06-25 2022-04-08 成都飞机工业（集团）有限责任公司 基于深度学习和超像素分割的复材超声图像缺陷检测方法
CN113313706B (zh) * 2021-06-28 2022-04-15 安徽南瑞继远电网技术有限公司 基于检测参考点偏移分析的电力设备缺陷图像检测方法
CN113379729B (zh) * 2021-07-02 2023-07-25 四川启睿克科技有限公司 一种图像微小异常检测方法、装置及计算机可读存储介质
CN113870342A (zh) * 2021-08-19 2021-12-31 广州超音速自动化科技股份有限公司 外观缺陷检测方法、智能终端以及存储装置
CN113538503B (zh) * 2021-08-21 2023-09-01 西北工业大学 一种基于红外图像的太阳能板缺陷检测方法
CN113888461A (zh) * 2021-08-26 2022-01-04 华能大理风力发电有限公司 基于深度学习的小五金件缺陷检测方法、系统及设备
CN113506295B (zh) * 2021-09-10 2021-11-26 启东市海信机械有限公司 基于深度学习的带钢表面热轧滑移缺陷检测方法
CN115965734A (zh) * 2021-10-13 2023-04-14 北京字节跳动网络技术有限公司 图像处理方法及装置
CN114463258B (zh) * 2021-12-23 2024-04-30 中铁第一勘察设计院集团有限公司 一种基于深度学习技术的机车车辆闸片磨耗检测方法
CN114565607B (zh) * 2022-04-01 2024-06-04 汕头市鼎泰丰实业有限公司 基于神经网络的织物缺陷图像分割方法
CN116152807B (zh) * 2023-04-14 2023-09-05 广东工业大学 一种基于U-Net网络的工业缺陷语义分割方法及存储介质
CN116402828B (zh) * 2023-06-09 2023-09-08 江苏森标科技有限公司 一种基于显著图的电池片缺陷检测方法及系统
CN117808741B (zh) * 2023-11-28 2024-08-06 深圳市捷超行模具有限公司 一种基于神经网络模型的一体化硅胶表带成型检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120237081A1 (en) * 2011-03-16 2012-09-20 International Business Machines Corporation Anomalous pattern discovery
CN105701477A (zh) * 2016-02-19 2016-06-22 中原工学院 一种基于平稳小波变换视觉显著性的织物疵点检测方法
CN105701508A (zh) * 2016-01-12 2016-06-22 西安交通大学 基于多级卷积神经网络的全局-局部优化模型及显著性检测算法
CN106599830A (zh) * 2016-12-09 2017-04-26 中国科学院自动化研究所 人脸关键点定位方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2570970A1 (en) * 2011-09-16 2013-03-20 Technische Universität Berlin Method and system for the automatic analysis of an image of a biological sample
GB2506411B (en) * 2012-09-28 2020-03-11 2D3 Ltd Determination of position from images and associated camera positions
CN103729842B (zh) * 2013-12-20 2016-04-27 中原工学院 基于局部统计特征与整体显著性分析的织物疵点检测方法
CN106203430B (zh) * 2016-07-07 2017-11-03 北京航空航天大学 一种基于前景聚集度和背景先验的显著性物体检测方法
CN106447658B (zh) * 2016-09-26 2019-06-21 西北工业大学 基于全局和局部卷积网络的显著性目标检测方法
CN106778634B (zh) * 2016-12-19 2020-07-14 江苏慧眼数据科技股份有限公司 一种基于区域融合的显著性人体区域检测方法
CN107169954B (zh) * 2017-04-18 2020-06-19 华南理工大学 一种基于并行卷积神经网络的图像显著性检测方法
CN107292875A (zh) * 2017-06-29 2017-10-24 西安建筑科技大学 一种基于全局‑局部特征融合的显著性检测方法
CN107274419B (zh) * 2017-07-10 2020-10-13 北京工业大学 一种基于全局先验和局部上下文的深度学习显著性检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120237081A1 (en) * 2011-03-16 2012-09-20 International Business Machines Corporation Anomalous pattern discovery
CN105701508A (zh) * 2016-01-12 2016-06-22 西安交通大学 基于多级卷积神经网络的全局-局部优化模型及显著性检测算法
CN105701477A (zh) * 2016-02-19 2016-06-22 中原工学院 一种基于平稳小波变换视觉显著性的织物疵点检测方法
CN106599830A (zh) * 2016-12-09 2017-04-26 中国科学院自动化研究所 人脸关键点定位方法及装置

Cited By (225)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110632094A (zh) * 2019-07-24 2019-12-31 北京中科慧眼科技有限公司 一种基于逐点比对分析的图纹质量检测方法，装置与系统
CN110632094B (zh) * 2019-07-24 2022-04-19 北京中科慧眼科技有限公司 一种基于逐点比对分析的图纹质量检测方法，装置与系统
CN112347823A (zh) * 2019-08-09 2021-02-09 中国石油天然气股份有限公司 沉积相边界识别方法及装置
CN112347823B (zh) * 2019-08-09 2024-05-03 中国石油天然气股份有限公司 沉积相边界识别方法及装置
CN110363254A (zh) * 2019-08-12 2019-10-22 河北工业大学 用于曲轴柔性生产线的零件种类快速识别方法和识别装置
CN110363254B (zh) * 2019-08-12 2024-02-02 河北工业大学 用于曲轴柔性生产线的零件种类快速识别装置
CN112417931B (zh) * 2019-08-23 2024-01-26 河海大学常州校区 一种基于视觉显著性的水面物体检测和分类的方法
CN112417931A (zh) * 2019-08-23 2021-02-26 河海大学常州校区 一种基于视觉显著性的水面物体检测和分类的方法
CN110555831B (zh) * 2019-08-29 2023-09-26 天津大学 一种基于深度学习的排水管道缺陷分割方法
CN110555831A (zh) * 2019-08-29 2019-12-10 天津大学 一种基于深度学习的排水管道缺陷分割方法
US11727522B2 (en) * 2019-10-11 2023-08-15 Cargo Spectre Method, system, and apparatus for damage assessment and classification
US20210110200A1 (en) * 2019-10-11 2021-04-15 Cargo Spectre Method, system, and apparatus for damage assessment and classification
CN110827260B (zh) * 2019-11-04 2023-04-21 燕山大学 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法
CN110827260A (zh) * 2019-11-04 2020-02-21 燕山大学 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法
CN111062910A (zh) * 2019-11-13 2020-04-24 易思维（杭州）科技有限公司 局部阈值分割方法及缺陷检测方法
CN111062910B (zh) * 2019-11-13 2023-06-20 易思维（杭州）科技有限公司 局部阈值分割方法及缺陷检测方法
CN110910363A (zh) * 2019-11-15 2020-03-24 上海交通大学 基于机器视觉和深度学习的虚焊检测方法、系统及介质
CN111028207B (zh) * 2019-11-22 2023-06-09 东华大学 基于即时-通用特征提取网络的纽扣瑕疵检测方法
CN111028207A (zh) * 2019-11-22 2020-04-17 东华大学 基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法
CN110992329A (zh) * 2019-11-28 2020-04-10 上海微创医疗器械（集团）有限公司 一种产品表面缺陷检测方法、电子设备及可读存储介质
CN110992329B (zh) * 2019-11-28 2023-06-30 上海微创卜算子医疗科技有限公司 一种产品表面缺陷检测方法、电子设备及可读存储介质
CN110969606B (zh) * 2019-11-29 2023-08-08 华中科技大学 一种纹理表面缺陷检测方法及系统
CN110969606A (zh) * 2019-11-29 2020-04-07 华中科技大学 一种纹理表面缺陷检测方法及系统
CN111179278A (zh) * 2019-12-16 2020-05-19 精英数智科技股份有限公司 一种图像检测的方法、装置、设备和存储介质
CN111275679A (zh) * 2020-01-17 2020-06-12 同济大学 一种基于图像的太阳能电池缺陷检测系统及方法
CN111275679B (zh) * 2020-01-17 2023-06-02 同济大学 一种基于图像的太阳能电池缺陷检测系统及方法
CN111242238B (zh) * 2020-01-21 2023-12-26 北京交通大学 一种rgb-d图像显著性目标获取的方法
CN111242238A (zh) * 2020-01-21 2020-06-05 北京交通大学 一种rgb-d图像显著性目标获取的方法
CN111402197B (zh) * 2020-02-09 2023-06-16 西安工程大学 一种针对色织物裁片缺陷区域的检测方法
CN111402197A (zh) * 2020-02-09 2020-07-10 西安工程大学 一种针对色织物裁片缺陷区域的检测方法
CN111402203A (zh) * 2020-02-24 2020-07-10 杭州电子科技大学 一种基于卷积神经网络的织物表面缺陷检测方法
CN111402203B (zh) * 2020-02-24 2024-03-01 杭州电子科技大学 一种基于卷积神经网络的织物表面缺陷检测方法
CN111476756B (zh) * 2020-03-09 2024-05-14 重庆大学 一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法
CN111476756A (zh) * 2020-03-09 2020-07-31 重庆大学 一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法
CN111354031B (zh) * 2020-03-16 2023-08-29 浙江一木智能科技有限公司 基于深度学习的3d视觉引导系统
CN111354031A (zh) * 2020-03-16 2020-06-30 浙江一木智能科技有限公司 基于深度学习的3d视觉引导系统
CN111476766A (zh) * 2020-03-31 2020-07-31 哈尔滨商业大学 基于深度学习的肺结节ct图像检测系统
CN111476766B (zh) * 2020-03-31 2023-08-22 哈尔滨商业大学 基于深度学习的肺结节ct图像检测系统
CN111640120A (zh) * 2020-04-09 2020-09-08 之江实验室 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
CN111640120B (zh) * 2020-04-09 2023-08-29 之江实验室 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
CN111598846B (zh) * 2020-04-26 2024-01-05 鲲鹏通讯(昆山)有限公司 一种基于yolo的隧道内铁轨缺陷检测方法
CN111598846A (zh) * 2020-04-26 2020-08-28 鲲鹏通讯(昆山)有限公司 一种基于yolo的隧道内铁轨缺陷检测方法
CN111652852A (zh) * 2020-05-08 2020-09-11 浙江华睿科技有限公司 一种产品表面缺陷检测方法和装置及设备
CN111652852B (zh) * 2020-05-08 2024-03-29 浙江华睿科技股份有限公司 一种产品表面缺陷检测方法和装置及设备
CN111582214B (zh) * 2020-05-15 2023-05-12 中国科学院自动化研究所 基于孪生网络的笼养动物行为分析方法、系统、装置
CN111768365A (zh) * 2020-05-20 2020-10-13 太原科技大学 基于卷积神经网络多特征融合的太阳能电池缺陷检测方法
CN111768365B (zh) * 2020-05-20 2023-05-30 太原科技大学 基于卷积神经网络多特征融合的太阳能电池缺陷检测方法
CN113706437B (zh) * 2020-05-21 2024-03-15 国网智能科技股份有限公司 一种输电线路细粒度螺栓缺陷诊断方法及系统
CN113706437A (zh) * 2020-05-21 2021-11-26 国网智能科技股份有限公司 一种输电线路细粒度螺栓缺陷诊断方法及系统
CN111860579A (zh) * 2020-06-09 2020-10-30 广州寻星网络科技有限公司 布面瑕疵识别方法、系统和存储介质
CN111768386A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质
CN111768386B (zh) * 2020-06-30 2024-02-20 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质
CN111899227A (zh) * 2020-07-06 2020-11-06 北京交通大学 基于无人机作业的铁路扣件缺陷自动采集辨识方法
CN112070851B (zh) * 2020-07-07 2023-07-11 辽宁师范大学 基于遗传算法和bp神经网络的索引图预测方法
CN111950362B (zh) * 2020-07-07 2024-04-16 西北大学 一种金丝猴面部图像识别方法、装置、设备及存储介质
CN112070851A (zh) * 2020-07-07 2020-12-11 辽宁师范大学 基于遗传算法和bp神经网络的索引图预测方法
CN111950362A (zh) * 2020-07-07 2020-11-17 西北大学 一种金丝猴面部图像识别方法、装置、设备及存储介质
CN111968076A (zh) * 2020-07-24 2020-11-20 西安工程大学 一种基于s-yolov3的织物实时缺陷检测方法
CN113973209A (zh) * 2020-07-24 2022-01-25 爱思开海力士有限公司 生成深度图的装置
CN111882537B (zh) * 2020-07-28 2023-12-15 研祥智能科技股份有限公司 视觉检测方法及系统
CN111882537A (zh) * 2020-07-28 2020-11-03 研祥智能科技股份有限公司 视觉检测方法及系统
CN111915585A (zh) * 2020-07-29 2020-11-10 深圳市商汤科技有限公司 图像标注方法、装置、设备以及存储介质
CN111860465A (zh) * 2020-08-10 2020-10-30 华侨大学 基于超像素的遥感图像提取方法、装置、设备及存储介质
CN112036402A (zh) * 2020-08-26 2020-12-04 济南信通达电气科技有限公司 一种对开式刀闸状态识别方法及设备
CN112036402B (zh) * 2020-08-26 2024-04-26 济南信通达电气科技有限公司 一种对开式刀闸状态识别方法及设备
CN112085037B (zh) * 2020-09-21 2024-04-09 国网吉林省电力有限公司电力科学研究院 一种变电设备红外热故障特征提取及数字化表达方法
CN112085037A (zh) * 2020-09-21 2020-12-15 国网吉林省电力有限公司电力科学研究院 一种变电设备红外热故障特征提取及数字化表达方法
CN112270722A (zh) * 2020-10-26 2021-01-26 西安工程大学 一种基于深度神经网络的数码印花织物缺陷检测方法
CN112270722B (zh) * 2020-10-26 2024-05-17 西安工程大学 一种基于深度神经网络的数码印花织物缺陷检测方法
CN112541884A (zh) * 2020-10-30 2021-03-23 浙江大华技术股份有限公司 缺陷检测方法及设备、计算机可读存储介质
CN112418019A (zh) * 2020-11-08 2021-02-26 国家电网有限公司 架空电力通信光缆巡视系统及方法
CN112651972A (zh) * 2020-11-11 2021-04-13 北京平恒智能科技有限公司 使用双定位的整体约束的定位方法
CN112365478A (zh) * 2020-11-13 2021-02-12 上海海事大学 一种基于语义分割的电机换向器表面缺陷检测模型
CN112419258A (zh) * 2020-11-18 2021-02-26 西北工业大学 基于时频分割及卷积神经网络的鲁棒环境声音识别方法
CN112419258B (zh) * 2020-11-18 2024-05-14 西北工业大学 基于时频分割及卷积神经网络的鲁棒环境声音识别方法
CN112508883A (zh) * 2020-11-24 2021-03-16 南京航空航天大学 一种列车车轮踏面锥形孔检测的自适应缺陷识别方法
CN112488125B (zh) * 2020-11-28 2021-12-14 重庆邮电大学 一种基于高速视觉诊断和bp神经网络的重建方法及系统
CN112488125A (zh) * 2020-11-28 2021-03-12 重庆邮电大学 一种基于高速视觉诊断和bp神经网络的重建方法及系统
CN112651980A (zh) * 2020-12-01 2021-04-13 北京工业大学 一种基于显著性检测的图像三元图生成方法
CN114596240A (zh) * 2020-12-03 2022-06-07 浙江正泰电器股份有限公司 光伏组件主栅线露白缺陷的检测方法
CN112465815A (zh) * 2020-12-17 2021-03-09 杭州电子科技大学 一种基于边缘主体融合信息的遥感目标显著性检测方法
CN112465815B (zh) * 2020-12-17 2023-09-19 杭州电子科技大学 一种基于边缘主体融合信息的遥感目标显著性检测方法
CN112541912A (zh) * 2020-12-23 2021-03-23 中国矿业大学 矿井突发灾害场景中显著性目标的快速检测方法及装置
CN112541912B (zh) * 2020-12-23 2024-03-12 中国矿业大学 矿井突发灾害场景中显著性目标的快速检测方法及装置
CN112785568A (zh) * 2021-01-18 2021-05-11 厦门大学嘉庚学院 一种基于深度学习的磁瓦缺陷分割方法
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
CN112950547B (zh) * 2021-02-03 2024-02-13 佛山科学技术学院 一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法
CN112950547A (zh) * 2021-02-03 2021-06-11 佛山科学技术学院 一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法
CN112991271A (zh) * 2021-02-08 2021-06-18 西安理工大学 基于改进yolov3的铝型材表面缺陷视觉检测方法
CN112991271B (zh) * 2021-02-08 2024-02-02 西安理工大学 基于改进yolov3的铝型材表面缺陷视觉检测方法
CN112837311A (zh) * 2021-03-02 2021-05-25 苏州零样本智能科技有限公司 一种基于深度学习的聚乙烯颗粒缺陷检测识别系统及方法
CN113033635A (zh) * 2021-03-12 2021-06-25 中钞长城金融设备控股有限公司 一种硬币隐形图文检测方法及装置
CN113033635B (zh) * 2021-03-12 2024-05-14 中钞长城金融设备控股有限公司 一种硬币隐形图文检测方法及装置
CN113077454A (zh) * 2021-04-19 2021-07-06 凌云光技术股份有限公司 一种图像缺陷拟合方法、系统和存储介质
CN113269191A (zh) * 2021-04-19 2021-08-17 内蒙古智诚物联股份有限公司 一种农作物叶片病害识别方法、装置和存储介质
CN113192018B (zh) * 2021-04-23 2023-11-24 北京化工大学 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法
CN113192018A (zh) * 2021-04-23 2021-07-30 北京化工大学 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法
CN113362276A (zh) * 2021-04-26 2021-09-07 广东大自然家居科技研究有限公司 板材视觉检测方法及系统
CN113362276B (zh) * 2021-04-26 2024-05-10 广东大自然家居科技研究有限公司 板材视觉检测方法及系统
CN113344857A (zh) * 2021-05-13 2021-09-03 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
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
CN113313109A (zh) * 2021-05-13 2021-08-27 中国计量大学 一种荧光免疫层析试纸的半定量分析方法
CN113375676A (zh) * 2021-05-26 2021-09-10 南京航空航天大学 一种基于脉冲神经网络的探测器着陆点定位方法
CN113375676B (zh) * 2021-05-26 2024-02-20 南京航空航天大学 一种基于脉冲神经网络的探测器着陆点定位方法
CN113379765A (zh) * 2021-06-09 2021-09-10 大连海事大学 一种路面修补区域提取与修补类型判定方法
CN113379765B (zh) * 2021-06-09 2023-09-08 大连海事大学 一种路面修补区域提取与修补类型判定方法
CN113470045A (zh) * 2021-06-16 2021-10-01 浙江工业大学 一种基于超像素统计特征和图注意力网络的口腔cbct图像分割方法
CN113469224A (zh) * 2021-06-16 2021-10-01 浙江大学 一种基于卷积神经网络与特征描述算子相融合的大米分类方法
CN113470045B (zh) * 2021-06-16 2024-04-16 浙江工业大学 一种基于超像素统计特征和图注意力网络的口腔cbct图像分割方法
CN113554604A (zh) * 2021-07-01 2021-10-26 常州大学 一种基于机器视觉的熔喷布缺陷区域检测方法
CN113554604B (zh) * 2021-07-01 2024-02-02 常州大学 一种基于机器视觉的熔喷布缺陷区域检测方法
CN113554605A (zh) * 2021-07-07 2021-10-26 常州大学 一种基于特征匹配的织物异常区域检测方法
CN113554605B (zh) * 2021-07-07 2023-09-26 常州大学 一种基于特征匹配的织物异常区域检测方法
CN113777030A (zh) * 2021-07-08 2021-12-10 杭州信畅信息科技有限公司 一种基于机器视觉的布料表面缺陷检测装置及方法
CN113362347B (zh) * 2021-07-15 2023-05-26 广东工业大学 一种基于超像素特征增强的图像缺陷区域分割方法和系统
CN113362347A (zh) * 2021-07-15 2021-09-07 广东工业大学 基于多尺度超像素特征增强的图像缺陷区域分割方法和系统
CN113658108A (zh) * 2021-07-22 2021-11-16 西南财经大学 一种基于深度学习的玻璃缺陷检测方法
CN113627436A (zh) * 2021-08-06 2021-11-09 河南大学 一种表面压印字符图像的无监督分割方法
CN113657238B (zh) * 2021-08-11 2024-02-02 南京精益安防系统科技有限公司 基于神经网络的火灾早期预警方法、存储介质及终端设备
CN113657238A (zh) * 2021-08-11 2021-11-16 南京精益安防系统科技有限公司 基于神经网络的火灾早期预警方法、存储介质及终端设备
CN113643275A (zh) * 2021-08-29 2021-11-12 浙江工业大学 一种基于无监督流形分割的超声波缺陷检测方法
CN113643275B (zh) * 2021-08-29 2024-03-01 浙江工业大学 一种基于无监督流形分割的超声波缺陷检测方法
CN113610843B (zh) * 2021-08-30 2023-10-24 合肥工业大学智能制造技术研究院 一种光纤编织层的实时缺陷识别系统及其方法
CN113610843A (zh) * 2021-08-30 2021-11-05 合肥智大信息技术有限公司 一种光纤编织层的实时缺陷识别系统及其方法
CN113744297A (zh) * 2021-08-31 2021-12-03 西部超导材料科技股份有限公司 一种mri超导线材编织层表面缺陷检测方法及检测装置
CN113793314A (zh) * 2021-09-13 2021-12-14 河南丹圣源农业开发有限公司 一种石榴成熟度鉴别设备及使用方法
CN113989183A (zh) * 2021-09-17 2022-01-28 浙江省北大信息技术高等研究院 基于神经网络的木板缺陷检测方法、装置、设备及介质
CN113642529B (zh) * 2021-09-17 2023-10-24 湖南科技大学 基于ga-bp神经网络的障碍物尺寸预测系统及方法
CN113642529A (zh) * 2021-09-17 2021-11-12 湖南科技大学 基于ga-bp神经网络的障碍物尺寸预测系统及方法
CN113989542A (zh) * 2021-09-27 2022-01-28 浙江大学绍兴微电子研究中心 一种基于多分辨率特征融合的纹理图像疵点分类系统及方法
CN113834816A (zh) * 2021-09-30 2021-12-24 江西省通讯终端产业技术研究院有限公司 基于机器视觉的光伏电池缺陷在线检测方法及系统
CN113870236A (zh) * 2021-10-09 2021-12-31 西北工业大学 一种基于深度学习算法的复合材料缺陷无损探伤方法
CN113870236B (zh) * 2021-10-09 2024-04-05 西北工业大学 一种基于深度学习算法的复合材料缺陷无损探伤方法
CN114022412A (zh) * 2021-10-12 2022-02-08 上海伯耶信息科技有限公司 一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法
CN114219687A (zh) * 2021-11-02 2022-03-22 三峡大学 融合人机视觉的施工安全隐患智能识别方法
CN114022464A (zh) * 2021-11-10 2022-02-08 广东工业大学 一种贴片电阻焊点内部空洞自适应检测算法
CN113989267B (zh) * 2021-11-12 2024-05-14 河北工业大学 基于轻量级神经网络的电池缺陷检测方法
CN113989267A (zh) * 2021-11-12 2022-01-28 河北工业大学 基于轻量级神经网络的电池缺陷检测方法
CN114140400B (zh) * 2021-11-16 2024-04-12 湖北中烟工业有限责任公司 一种基于ransac与cnn算法检测烟包封签缺陷的方法
CN114140400A (zh) * 2021-11-16 2022-03-04 湖北中烟工业有限责任公司 一种基于ransac与cnn算法检测烟包封签缺陷的方法
CN114092745B (zh) * 2021-11-26 2024-04-05 中国人民解放军空军工程大学 碳纤维复合材料红外热成像分层缺陷面积自动计算方法
CN114092745A (zh) * 2021-11-26 2022-02-25 中国人民解放军空军工程大学 碳纤维复合材料红外热成像分层缺陷面积自动计算方法
CN114170174B (zh) * 2021-12-02 2024-01-23 沈阳工业大学 基于RGB-D图像的CLANet钢轨表面缺陷检测系统及方法
CN114170174A (zh) * 2021-12-02 2022-03-11 沈阳工业大学 基于RGB-D图像的CLANet钢轨表面缺陷检测系统及方法
CN114255212A (zh) * 2021-12-07 2022-03-29 深圳技术大学 一种基于cnn的fpc表面缺陷检测方法及其系统
CN114463346A (zh) * 2021-12-22 2022-05-10 成都中医药大学 一种基于移动端的复杂环境快速舌分割装置
CN114387223B (zh) * 2021-12-22 2024-04-26 广东正业科技股份有限公司 一种芯片缺陷视觉检测方法及设备
CN114387223A (zh) * 2021-12-22 2022-04-22 广东正业科技股份有限公司 一种芯片缺陷视觉检测方法及设备
CN114549668A (zh) * 2022-01-04 2022-05-27 华南农业大学 一种基于视觉显著图的树上果实成熟度检测方法
CN114463404A (zh) * 2022-01-05 2022-05-10 北京理工大学 一种自适应深度感知视觉关系的检测方法
CN114387454A (zh) * 2022-01-07 2022-04-22 东南大学 一种基于区域筛选模块和多层次对比的自监督预训练方法
CN114544514A (zh) * 2022-02-16 2022-05-27 中铝河南洛阳铝加工有限公司 一种用于定量评价阳极氧化后铝合金表面颜色缺陷的方法
CN114544514B (zh) * 2022-02-16 2024-07-30 中铝河南洛阳铝加工有限公司 一种用于定量评价阳极氧化后铝合金表面颜色缺陷的方法
CN114549492A (zh) * 2022-02-27 2022-05-27 北京工业大学 一种基于多粒度图像信息内容的质量评价方法
CN114549492B (zh) * 2022-02-27 2024-05-31 北京工业大学 一种基于多粒度图像信息内容的质量评价方法
CN114782346A (zh) * 2022-04-13 2022-07-22 大连理工大学 基于多形态数据扩增与分块识别的布匹图像缺陷检测方法
CN114861771A (zh) * 2022-04-15 2022-08-05 西安交通大学 基于特征提取和深度学习的工业ct图像缺陷分类方法
CN114972225B (zh) * 2022-05-16 2023-04-25 上海可明科技有限公司 一种基于深度学习的两阶段光伏板缺陷检测方法
CN114972225A (zh) * 2022-05-16 2022-08-30 上海可明科技有限公司 一种基于深度学习的两阶段光伏板缺陷检测方法
CN114926436A (zh) * 2022-05-20 2022-08-19 南通沐沐兴晨纺织品有限公司 一种用于周期性花纹织物的缺陷检测方法
CN115578660A (zh) * 2022-11-09 2023-01-06 牧马人(山东)勘察测绘集团有限公司 基于遥感图像的土地地块分割方法
CN115960605A (zh) * 2022-12-09 2023-04-14 西南政法大学 一种多色荧光碳点及其应用
CN115960605B (zh) * 2022-12-09 2023-10-24 西南政法大学 一种多色荧光碳点及其应用
CN115870237A (zh) * 2022-12-19 2023-03-31 北京航空航天大学杭州创新研究院 一种流水线产品质量检测并剔除缺陷产品的系统及方法
CN115690105A (zh) * 2022-12-30 2023-02-03 无锡康贝电子设备有限公司 一种基于计算机视觉的铣刀划痕检测方法
CN115690105B (zh) * 2022-12-30 2023-03-21 无锡康贝电子设备有限公司 一种基于计算机视觉的铣刀划痕检测方法
CN115908142A (zh) * 2023-01-06 2023-04-04 诺比侃人工智能科技(成都)股份有限公司 一种基于视觉识别的接触网微小部件验损方法
CN116311161A (zh) * 2023-03-08 2023-06-23 中国矿业大学 一种基于联合多任务模型的路面抛洒物检测方法
CN116797533A (zh) * 2023-03-24 2023-09-22 东莞市冠锦电子科技有限公司 电源适配器的外观缺陷检测方法及其系统
CN116797533B (zh) * 2023-03-24 2024-01-23 东莞市冠锦电子科技有限公司 电源适配器的外观缺陷检测方法及其系统
CN116030061A (zh) * 2023-03-29 2023-04-28 深圳市捷超行模具有限公司 一种基于视觉的硅胶成型效果检测方法
CN116030061B (zh) * 2023-03-29 2023-08-22 深圳市捷超行模具有限公司 一种基于视觉的硅胶成型效果检测方法
CN116309589A (zh) * 2023-05-22 2023-06-23 季华实验室 钣金件表面缺陷检测方法、装置、电子设备及存储介质
CN116309600A (zh) * 2023-05-24 2023-06-23 山东金佳成工程材料有限公司 基于图像处理的环保纺织品质量检测方法
CN116309600B (zh) * 2023-05-24 2023-08-04 山东金佳成工程材料有限公司 基于图像处理的环保纺织品质量检测方法
CN116523901B (zh) * 2023-06-20 2023-09-19 东莞市京品精密模具有限公司 一种基于计算机视觉的冲切模具检测方法
CN116523901A (zh) * 2023-06-20 2023-08-01 东莞市京品精密模具有限公司 一种基于计算机视觉的冲切模具检测方法
CN116485801B (zh) * 2023-06-26 2023-09-12 山东兰通机电有限公司 基于计算机视觉的胶管质量在线检测方法及系统
CN116485801A (zh) * 2023-06-26 2023-07-25 山东兰通机电有限公司 基于计算机视觉的胶管质量在线检测方法及系统
CN116596922A (zh) * 2023-07-17 2023-08-15 山东龙普太阳能股份有限公司 一种太阳能热水器生产质量检测方法
CN116596922B (zh) * 2023-07-17 2023-09-12 山东龙普太阳能股份有限公司 一种太阳能热水器生产质量检测方法
CN116630813A (zh) * 2023-07-24 2023-08-22 青岛奥维特智能科技有限公司 一种公路路面施工质量智能检测系统
CN116630813B (zh) * 2023-07-24 2023-09-26 青岛奥维特智能科技有限公司 一种公路路面施工质量智能检测系统
CN116681992A (zh) * 2023-07-29 2023-09-01 河南省新乡生态环境监测中心 一种基于神经网络的氨氮检测方法
CN116681992B (zh) * 2023-07-29 2023-10-20 河南省新乡生态环境监测中心 一种基于神经网络的氨氮检测方法
CN116740652B (zh) * 2023-08-14 2023-12-15 金钱猫科技股份有限公司 一种基于神经网络模型的锈斑面积扩大的监测方法与系统
CN116740652A (zh) * 2023-08-14 2023-09-12 金钱猫科技股份有限公司 一种基于神经网络模型的锈斑面积扩大的监测方法与系统
CN116935179A (zh) * 2023-09-14 2023-10-24 海信集团控股股份有限公司 一种目标检测方法、装置、电子设备及存储介质
CN116935179B (zh) * 2023-09-14 2023-12-08 海信集团控股股份有限公司 一种目标检测方法、装置、电子设备及存储介质
CN116934749B (zh) * 2023-09-15 2023-12-19 山东虹纬纺织有限公司 基于图像特征的纺织物瑕疵快速检测方法
CN116934749A (zh) * 2023-09-15 2023-10-24 山东虹纬纺织有限公司 基于图像特征的纺织物瑕疵快速检测方法
CN117197006A (zh) * 2023-09-27 2023-12-08 上海世禹精密设备股份有限公司 区域过滤方法、装置、电子设备及计算机可读存储介质
CN117197006B (zh) * 2023-09-27 2024-05-10 上海世禹精密设备股份有限公司 区域过滤方法、装置、电子设备及计算机可读存储介质
CN116993745A (zh) * 2023-09-28 2023-11-03 山东辉瑞管业有限公司 基于图像处理给水管表面漏损检测方法
CN116993745B (zh) * 2023-09-28 2023-12-19 山东辉瑞管业有限公司 基于图像处理给水管表面漏损检测方法
CN117437188B (zh) * 2023-10-17 2024-05-28 广东电力交易中心有限责任公司 一种用于智慧电网的绝缘子缺陷检测系统
CN117437188A (zh) * 2023-10-17 2024-01-23 广东电力交易中心有限责任公司 一种用于智慧电网的绝缘子缺陷检测系统
CN117132736A (zh) * 2023-10-25 2023-11-28 深圳市广通软件有限公司 一种基于元宇宙的体育场馆建模方法和系统
CN117132736B (zh) * 2023-10-25 2024-02-13 深圳市广通软件有限公司 一种基于元宇宙的体育场馆建模方法和系统
CN117152148A (zh) * 2023-10-31 2023-12-01 南通杰元纺织品有限公司 一种纺织物毛斑缺陷检测方法
CN117152148B (zh) * 2023-10-31 2023-12-29 南通杰元纺织品有限公司 一种纺织物毛斑缺陷检测方法
CN117314901A (zh) * 2023-11-28 2023-12-29 闽都创新实验室 一种尺度自适应的芯片检测神经网络系统
CN117314901B (zh) * 2023-11-28 2024-02-02 闽都创新实验室 一种尺度自适应的芯片检测神经网络系统
CN117351062A (zh) * 2023-12-04 2024-01-05 尚特杰电力科技有限公司 风机扇叶缺陷诊断方法、装置、系统及电子设备
CN117351062B (zh) * 2023-12-04 2024-02-23 尚特杰电力科技有限公司 风机扇叶缺陷诊断方法、装置、系统及电子设备
CN117541587A (zh) * 2024-01-10 2024-02-09 山东建筑大学 太阳能电池板缺陷检测方法、系统、电子设备及存储介质
CN117541587B (zh) * 2024-01-10 2024-04-02 山东建筑大学 太阳能电池板缺陷检测方法、系统、电子设备及存储介质
CN117710365A (zh) * 2024-02-02 2024-03-15 中国电建集团华东勘测设计研究院有限公司 缺陷管道图像的处理方法、装置及电子设备
CN117710365B (zh) * 2024-02-02 2024-05-03 中国电建集团华东勘测设计研究院有限公司 缺陷管道图像的处理方法、装置及电子设备
CN118212179A (zh) * 2024-02-05 2024-06-18 钛玛科（北京）工业科技有限公司 一种复杂背景的角度检测方法
CN117853481A (zh) * 2024-03-04 2024-04-09 枣庄矿业集团新安煤业有限公司 一种零速度乘人装置的直线导轨表面缺陷测量方法
CN117853481B (zh) * 2024-03-04 2024-05-24 枣庄矿业集团新安煤业有限公司 一种零速度乘人装置的直线导轨表面缺陷测量方法
CN118247231A (zh) * 2024-03-15 2024-06-25 乐昌市恒发纺织企业有限公司 一种纺纱质量视觉识别系统
CN117934453A (zh) * 2024-03-18 2024-04-26 深圳市酷童小样科技有限公司 一种手机屏背光异物缺陷诊断方法及系统
CN117934453B (zh) * 2024-03-18 2024-06-04 深圳市酷童小样科技有限公司 一种手机屏背光异物缺陷诊断方法及系统
CN117935174A (zh) * 2024-03-22 2024-04-26 浙江佑威新材料股份有限公司 真空袋膜生产线的智能化管理系统及方法
CN118037733B (zh) * 2024-04-12 2024-06-07 南京信息工程大学 基于距离信息驱动的复杂工业图像异常检测方法及装置
CN118037733A (zh) * 2024-04-12 2024-05-14 南京信息工程大学 基于距离信息驱动的复杂工业图像异常检测方法及装置
CN118052817A (zh) * 2024-04-15 2024-05-17 宁波福至新材料有限公司 引线框架表面缺陷检测方法及系统
CN118071734A (zh) * 2024-04-16 2024-05-24 长沙韶光芯材科技有限公司 一种基于机器视觉的掩膜板缺陷定位和分类方法及系统
CN118225803A (zh) * 2024-05-27 2024-06-21 山东聚宁机械有限公司 一种推土机刀片表面外观视觉检测方法
CN118470004A (zh) * 2024-07-09 2024-08-09 苏州高视半导体技术有限公司 Led半导体芯片集中性脏污缺陷检测方法、设备及介质
CN118521839A (zh) * 2024-07-24 2024-08-20 国网山东省电力公司微山县供电公司 基于色彩分布和神经网络的光伏板缺陷分类方法及系统
CN118537335A (zh) * 2024-07-25 2024-08-23 南通双跃纺织有限公司 一种布料表面版图印刷不正的缺陷检测方法
CN118570201A (zh) * 2024-08-01 2024-08-30 吴江市兰天织造有限公司 一种超高密织物检测方法

Also Published As

Publication number Publication date
CN107833220A (zh) 2018-03-23
CN107833220B (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
WO2019104767A1 (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN111310558B (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN106875395B (zh) 基于深度神经网络的超像素级sar图像变化检测方法
WO2022001571A1 (zh) 一种基于超像素图像相似度的计算方法
CN109977790A (zh) 一种基于迁移学习的视频烟雾检测与识别方法
CN112967243A (zh) 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
CN109409190A (zh) 基于梯度直方图和Canny边缘检测器的行人检测方法
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN103632361B (zh) 一种图像分割方法和系统
CN109961049A (zh) 一种复杂场景下香烟品牌识别方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN108765465A (zh) 一种无监督sar图像变化检测方法
CN110415208A (zh) 一种自适应目标检测方法及其装置、设备、存储介质
CN112734761B (zh) 工业品图像边界轮廓提取方法
CN113240623B (zh) 一种路面病害检测方法及装置
CN109241867B (zh) 采用人工智能算法识别数字岩心图像的方法及装置
CN106023151A (zh) 一种开放环境下中医舌象目标检测方法
CN111582004A (zh) 一种地面图像中的目标区域分割方法及装置
CN113313107B (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测系统
CN111080574A (zh) 一种基于信息熵和视觉注意机制的织物疵点检测方法
CN114419014A (zh) 基于特征重构的表面缺陷检测方法
WO2024021461A1 (zh) 缺陷检测方法及装置、设备、存储介质
CN102609903B (zh) 一种基于边缘流的活动轮廓模型图像分割的方法
CN110415260A (zh) 基于字典与bp神经网络的烟雾图像分割与识别方法

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: 17933355

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17933355

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17933355

Country of ref document: EP

Kind code of ref document: A1