CN106952250A - 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 - Google Patents
一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN106952250A CN106952250A CN201710110525.4A CN201710110525A CN106952250A CN 106952250 A CN106952250 A CN 106952250A CN 201710110525 A CN201710110525 A CN 201710110525A CN 106952250 A CN106952250 A CN 106952250A
- Authority
- CN
- China
- Prior art keywords
- image
- metal plate
- defect
- rectangle frame
- faster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置,能够提高金属板带表面缺陷检测的准确率。方法包括:采集用于训练Faster R‑CNN网络的金属板带表面的图像;对采集到的金属板带表面的图像进行数据增强;将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取矩形框的坐标与矩形框所包含缺陷的种类;根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R‑CNN网络进行训练;实时采集待检测的金属板带表面图像,根据训练好的Faster R‑CNN网络,实时检测金属板带表面是否有缺陷,并对检测到的缺陷进行分类和定位。本发明适用于机器视觉技术领域。
Description
技术领域
本发明涉及机器视觉技术领域,特别是指一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置。
背景技术
金属板带是汽车、机械制造、化工、航空航天和造船等行业不可缺少的原材料。金属板带表面缺陷是指金属板带在生产加工的过程中,由于工艺或其它各种原因致使金属板带表面局部区域物理或化学性质不均匀。常见的金属板带表面缺陷有辊印、污渍、划痕、孔洞、漏涂、凹陷、气泡、异物、剥落等。表面缺陷是原子活性较高的部位,常常成为金属腐蚀的始发处,表面缺陷的存在会大大降低零件的抗疲劳强度,有损零件表面的质量,影响机器、仪器的使用性能和寿命,影响其最终产品的性能和质量。因此及时检测金属板带表面缺陷,对缺陷进行严重程度评价,对于提高表面质量和产品经济效益有着重要意义。
随着我国工业化水平的不断发展,对金属板带表面质量的要求也越来越高,如何快速准确地检测出表面缺陷成为金属板带轧制过程中非常关键的一个环节。目前主流的表面缺陷检测技术均为以图像处理为基础的机器视觉技术,基本分为两步:
(1)先对通过工业相机获得的图像进行处理,然后提取特征,这一步的方法主要有统计法、结构法、频谱法、模型法等四类,其中使用较为广泛的是统计法与频谱法[2];
(2)通过训练好的分类器,对(1)提取的特征进行分类,目前使用较多的分类器有BP神经网络,SVM等。
但这些方法均存在着缺陷和非缺陷区域之间的低对比度,噪音和细微缺陷的相似性,检测速度慢和识别精度低等难题,无法满足工业生产的准确性和性要求。
发明内容
本发明要解决的技术问题是提供一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置,以解决现有技术所存在的无法满足工业生产的准确性和实时性要求的问题。
为解决上述技术问题,本发明实施例提供一种基于Faster R-CNN网络的金属板带表面缺陷检测方法,包括:
采集用于训练Faster R-CNN网络的金属板带表面的图像;
对采集到的所述金属板带表面的图像进行数据增强;
将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;
根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练;
实时采集待检测的金属板带表面图像,根据训练好的Faster R-CNN网络和实时采集到的待检测的金属板带表面图像,实时检测金属板带表面是否有缺陷,并对检测到的缺陷进行分类和定位。
进一步地,所述对采集到的所述金属板带表面的图像进行数据增强包括:
通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。
进一步地,所述将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类包括:
将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的中心点坐标,所述矩形框的宽度、高度,及所述矩形框所包含缺陷的种类;
将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。
进一步地,在根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练之前,所述方法还包括:
根据要检测的缺陷类别,修改Faster R-CNN网络所能检测的总的缺陷类别,并为每一个要检测的缺陷类别分配固定的编号。
进一步地,所述根据实时采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练包括:
根据生成的数据集对Faster R-CNN网络进行训练。
本发明实施例还提供一种基于Faster R-CNN网络的金属板带表面缺陷检测装置,包括:
采集模块,用于采集用于训练Faster R-CNN网络的金属板带表面的图像;
增强模块,用于对采集到的所述金属板带表面的图像进行数据增强;
获取模块,用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;
训练模块,用于根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对FasterR-CNN网络进行训练;
检测模块,用于实时采集待检测的金属板带表面图像,根据训练好的FasterR-CNN网络和实时采集到的待检测的金属板带表面图像,实时检测金属板带表面是否有缺陷,并对检测到的缺陷进行分类和定位。
进一步地,所述增强模块,用于通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。
进一步地,所述获取模块包括:
标注单元,用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注;
获取单元,用于获取所述矩形框的中心点坐标,所述矩形框的宽度、高度,及所述矩形框所包含缺陷的种类;
生成单元,用于将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。
进一步地,所述装置还包括:
编号模块,用于根据要检测的缺陷类别,修改Faster R-CNN网络所能检测的总的缺陷类别,并为每一个要检测的缺陷类别分配固定的编号。
进一步地,所述训练模块,用于根据生成的数据集对Faster R-CNN网络进行训练。
本发明的上述技术方案的有益效果如下:
上述方案中,采集用于训练Faster R-CNN网络的金属板带表面的图像;对采集到的所述金属板带表面的图像进行数据增强;将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练;实时采集待检测的金属板带表面图像,根据训练好的Faster R-CNN网络和实时采集到的待检测的金属板带表面图像,实时检测金属板带表面是否有缺陷,并对检测到的缺陷进行分类和定位,不仅满足了工业生产实时检测金属板带表面缺陷的需求,还能提高金属板带表面缺陷检测的准确率。
附图说明
图1为本发明实施例提供的基于Faster R-CNN网络的金属板带表面缺陷检测方法的流程示意图;
图2为本发明实施例提供的Faster R-CNN网络的工作原理示意图;
图3为本发明实施例提供的实时采集到的待检测的金属板带表面图像;
图4为本发明实施例提供的基于Faster R-CNN网络的金属板带表面缺陷检测方法检测后的效果图;
图5为本发明实施例提供的基于Faster R-CNN网络的金属板带表面缺陷检测装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的无法满足工业生产的准确性和实时性要求的问题,提供一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置。
实施例一
参看图1所示,本发明实施例提供的基于Faster R-CNN网络的金属板带表面缺陷检测方法,包括:
S101,采集用于训练Faster R-CNN网络的金属板带表面的图像;
S102,对采集到的所述金属板带表面的图像进行数据增强;
S103,将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;
S104,根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练;
S105,实时采集待检测的金属板带表面图像,根据训练好的Faster R-CNN网络和实时采集到的待检测的金属板带表面图像,实时检测金属板带表面是否有缺陷,并对检测到的缺陷进行分类和定位。
本发明实施例所述的基于Faster R-CNN网络的金属板带表面缺陷检测方法,采集用于训练Faster R-CNN网络的金属板带表面的图像;对采集到的所述金属板带表面的图像进行数据增强;将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练;实时采集待检测的金属板带表面图像,根据训练好的Faster R-CNN网络和实时采集到的待检测的金属板带表面图像,实时检测金属板带表面是否有缺陷,并对检测到的缺陷进行分类和定位,不仅满足了工业生产实时检测金属板带表面缺陷的需求,还能提高金属板带表面缺陷检测的准确率。
本实施例中,为了更好地理解基于Faster R-CNN网络的金属板带表面缺陷检测方法,先对Faster R-CNN网络的工作原理进行说明,如图2所示,FasterR-CNN主要由两个部分组成:(1)用于生成region proposal(候选区域)的候选区域网络(Region ProposalNetwork,RPN),RPN是一个全卷积网络,其主要作用是对图片的卷积层特征进行计算分析,然后在不同的图像比例下,针对不同的缺陷类型生成一些矩形框(矩形框的坐标通过四个数来表示,边框中心点坐标x和y,高度h,宽度w)同一张图片会产生上千个矩形框,这些矩形框就是region proposal(即有可能是缺陷的区域);(2)对region proposal进行缺陷检测的深度卷积神经网络Fast R-CNN,Fast R-CNN对RPN输出得到的region proposal进行计算分析,筛去冗余或错误的region proposal,得到最优的矩形框和类别得分,即为最后的检测结果;图2中,image表示图像;conv layers表示卷积层;feature maps表示特征映射;proposals表示候选区域;classifier表示分类器;RoI pooling全称为region ofinterest pooling,中文为感兴趣区域池化层/RoI池化层。
在前述基于Faster R-CNN网络的金属板带表面缺陷检测方法的具体实施方式中,进一步地,所述对采集到的所述金属板带表面的图像进行数据增强包括:
通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。
本实施例中,可以通过工业相机采集用于训练Faster R-CNN网络的金属板带表面的图像,并对采集的金属板带表面的图像通过翻转、平移等策略进行数据增强。
本实施例中,数据增强是在数据集中数据过少或数据难以获得的情况下,对已有的数据集通过翻转平移等策略进行扩大,得到的数据集包括原先的数据和增强后的数据。同一物体,在不同的角度和不同的背景下观察,得到的图像可能完全不同,计算机可能无法正确识别这些图像,因此对图像进行镜像翻转和水平移动,可以使数据集中包括同一张图片在不同角度不同位置的各种数据。
在前述基于Faster R-CNN网络的金属板带表面缺陷检测方法的具体实施方式中,进一步地,所述将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类包括:
将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的中心点坐标,所述矩形框的宽度、高度,及所述矩形框所包含缺陷的种类;
将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。
本实施例中,将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,取所述矩形框的坐标与所述矩形框所包含缺陷的种类(具体的:获取每个矩形框的五个参数,所述矩形框的五个参数包括:矩形框的中心点坐标(所述中心点坐标为二维坐标),矩形框的宽度与高度,以及矩形框所包含缺陷的种类),将采集到的所述金属板带表面的图像及数据增强后得到的图像、这五个参数生成文本文件,文本文件中包括每张图片中所有矩形框的五个参数,从而得到数据集,根据生成的数据集对FasterR-CNN网络进行训练,其中,数据集包括全部的图像与文本文件。
本实施例中,所述数据集包括三部分,第一部分是训练集,用来训练FasterR-CNN网络;第二部分部分是验证集,用来调整Faster R-CNN网络超参数;第三部分是测试集,用来衡量网络性能。
本实施例中,对于每个bounding box在计算置信度时,会算出其对于每个缺陷种类的置信度。在前述基于Faster R-CNN网络的金属板带表面缺陷检测方法的具体实施方式中,进一步地,在根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练之前,所述方法还包括:
根据要检测的缺陷类别,修改Faster R-CNN网络所能检测的总的缺陷类别,并为每一个要检测的缺陷类别分配固定的编号。
本实施例中,根据要检测的缺陷类别(例如辊印、污渍、划痕、孔洞、漏涂、凹陷、气泡、异物、剥落等),修改Faster R-CNN网络所能检测的总的缺陷类别,并为每一个要检测的缺陷类别分配固定的编号。
本实施例中,当应用训练好的Faster R-CNN网络检测金属板带表面缺陷时,需实时采集待检测的金属板带表面图像金属板带表面缺陷,再根据训练好的Faster R-CNN网络和实时采集到的待检测的金属板带表面图像,实时检测金属板带表面是否有缺陷,并对检测到的缺陷进行分类和定位,本实施例提供的基于Faster R-CNN网络的金属板带表面缺陷检测方法,能够快速准确的检测出金属板带表面的缺陷,对于各种类型的缺陷均有较高的准确率,检测结果均可达到百分之九十五以上的准确率,对于部分类别的缺陷甚至可以达到百分之百的准确率,图3与图4分别是实时采集的待检测的金属板带表面图像与使用本实施例提供的基于Faster R-CNN网络的金属板带表面缺陷检测方法检测后的效果图。
本实施例中,可以在金属板带生产线上架设工业相机以便实时采集待检测的金属板带表面图像,将工业相机与计算机连接,每当工业相机采集到的待检测的金属板带表面图像并传输到计算机时,训练好的Faster R-CNN网络可以实现对图像的实时处理,将图像中的缺陷用矩形框标注出来并输出。
实施例二
本发明还提供一种基于Faster R-CNN网络的金属板带表面缺陷检测装置的具体实施方式,由于本发明提供的基于Faster R-CNN网络的金属板带表面缺陷检测装置与前述基于Faster R-CNN网络的金属板带表面缺陷检测方法的具体实施方式相对应,该基于Faster R-CNN网络的金属板带表面缺陷检测装置可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的,因此上述基于Faster R-CNN网络的金属板带表面缺陷检测方法具体实施方式中的解释说明,也适用于本发明提供的基于Faster R-CNN网络的金属板带表面缺陷检测装置的具体实施方式,在本发明以下的具体实施方式中将不再赘述。
参看图5所示,本发明实施例还提供一种基于Faster R-CNN网络的金属板带表面缺陷检测装置,包括:
采集模块11,用于采集用于训练Faster R-CNN网络的金属板带表面的图像;
增强模块12,用于对采集到的所述金属板带表面的图像进行数据增强;
获取模块13,用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;
训练模块14,用于根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练;
检测模块15,用于实时采集待检测的金属板带表面图像,根据训练好的Faster R-CNN网络和实时采集到的待检测的金属板带表面图像,实时检测金属板带表面是否有缺陷,并对检测到的缺陷进行分类和定位。
本发明实施例所述的基于Faster R-CNN网络的金属板带表面缺陷检测装置,采集用于训练Faster R-CNN网络的金属板带表面的图像;对采集到的所述金属板带表面的图像进行数据增强;将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练;实时采集待检测的金属板带表面图像,根据训练好的Faster R-CNN网络和实时采集到的待检测的金属板带表面图像,实时检测金属板带表面是否有缺陷,并对检测到的缺陷进行分类和定位,不仅满足了工业生产的性需求,还能提高表面缺陷检测的准确率。
在前述基于Faster R-CNN网络的金属板带表面缺陷检测装置的具体实施方式中,进一步地,所述增强模块,用于通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。
在前述基于Faster R-CNN网络的金属板带表面缺陷检测装置的具体实施方式中,进一步地,所述获取模块包括:
标注单元,用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注;
获取单元,用于获取所述矩形框的中心点坐标,所述矩形框的宽度、高度,及所述矩形框所包含缺陷的种类;
生成单元,用于将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。
在前述基于Faster R-CNN网络的金属板带表面缺陷检测装置的具体实施方式中,进一步地,所述装置还包括:
编号模块,用于根据要检测的缺陷类别,修改Faster R-CNN网络所能检测的总的缺陷类别,并为每一个要检测的缺陷类别分配固定的编号。
在前述基于Faster R-CNN网络的金属板带表面缺陷检测装置的具体实施方式中,进一步地,所述训练模块,用于根据生成的数据集对Faster R-CNN网络进行训练。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于Faster R-CNN网络的金属板带表面缺陷检测方法,其特征在于,包括:
采集用于训练Faster R-CNN网络的金属板带表面的图像;
对采集到的所述金属板带表面的图像进行数据增强;
将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;
根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练;
实时采集待检测的金属板带表面图像,根据训练好的Faster R-CNN网络和实时采集到的待检测的金属板带表面图像,实时检测金属板带表面是否有缺陷,并对检测到的缺陷进行分类和定位。
2.根据权利要求1所述的基于Faster R-CNN网络的金属板带表面缺陷检测方法,其特征在于,所述对采集到的所述金属板带表面的图像进行数据增强包括:
通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。
3.根据权利要求1所述的基于Faster R-CNN网络的金属板带表面缺陷检测方法,其特征在于,所述将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类包括:
将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的中心点坐标,所述矩形框的宽度、高度,及所述矩形框所包含缺陷的种类;
将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。
4.根据权利要求1所述的基于Faster R-CNN网络的金属板带表面缺陷检测方法,其特征在于,在根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练之前,所述方法还包括:
根据要检测的缺陷类别,修改Faster R-CNN网络所能检测的总的缺陷类别,并为每一个要检测的缺陷类别分配固定的编号。
5.根据权利要求3所述的基于Faster R-CNN网络的金属板材表面缺陷检测方法,其特征在于,所述根据实时采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练包括:
根据生成的数据集对Faster R-CNN网络进行训练。
6.一种基于Faster R-CNN网络的金属板带表面缺陷检测装置,其特征在于,包括:
采集模块,用于采集用于训练Faster R-CNN网络的金属板带表面的图像;
增强模块,用于对采集到的所述金属板带表面的图像进行数据增强;
获取模块,用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含缺陷的种类;
训练模块,用于根据采集到的所述金属板带表面的图像及数据增强后得到的图像,及获取的所述矩形框的坐标与所述矩形框所包含缺陷的种类对Faster R-CNN网络进行训练;
检测模块,用于实时采集待检测的金属板带表面图像,根据训练好的Faster R-CNN网络和实时采集到的待检测的金属板带表面图像,实时检测金属板带表面是否有缺陷,并对检测到的缺陷进行分类和定位。
7.根据权利要求6所述的基于Faster R-CNN网络的金属板带表面缺陷检测装置,其特征在于,所述增强模块,用于通过翻转、平移策略对采集到的所述金属板带表面的图像进行数据增强。
8.根据权利要求6所述的基于Faster R-CNN网络的金属板带表面缺陷检测装置,其特征在于,所述获取模块包括:
标注单元,用于将采集到的所述金属板带表面的图像及数据增强后得到的图像中的缺陷部分用矩形框进行标注;
获取单元,用于获取所述矩形框的中心点坐标,所述矩形框的宽度、高度,及所述矩形框所包含缺陷的种类;
生成单元,用于将采集到的所述金属板带表面的图像及数据增强后得到的图像、获取的所述矩形框的中心点坐标、所述矩形框的宽度与高度、及所述矩形框所包含缺陷的种类生成数据集。
9.根据权利要求6所述的基于Faster R-CNN网络的金属板带表面缺陷检测装置,其特征在于,所述装置还包括:
编号模块,用于根据要检测的缺陷类别,修改Faster R-CNN网络所能检测的总的缺陷类别,并为每一个要检测的缺陷类别分配固定的编号。
10.根据权利要求8所述的基于Faster R-CNN网络的金属板材板带表面缺陷检测装置,其特征在于,所述训练模块,用于根据生成的数据集对Faster R-CNN网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710110525.4A CN106952250B (zh) | 2017-02-28 | 2017-02-28 | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710110525.4A CN106952250B (zh) | 2017-02-28 | 2017-02-28 | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106952250A true CN106952250A (zh) | 2017-07-14 |
CN106952250B CN106952250B (zh) | 2021-05-07 |
Family
ID=59468055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710110525.4A Active CN106952250B (zh) | 2017-02-28 | 2017-02-28 | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106952250B (zh) |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107424150A (zh) * | 2017-07-27 | 2017-12-01 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的道路破损检测方法及装置 |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN107607554A (zh) * | 2017-09-26 | 2018-01-19 | 天津工业大学 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
CN107657603A (zh) * | 2017-08-21 | 2018-02-02 | 北京精密机电控制设备研究所 | 一种基于智能视觉的工业外观检测方法 |
CN107944505A (zh) * | 2017-12-19 | 2018-04-20 | 青岛科技大学 | 一种金属失效类型自动化判断方法 |
CN108021926A (zh) * | 2017-09-28 | 2018-05-11 | 东南大学 | 一种基于全景环视***的车辆刮痕检测方法及*** |
CN108061735A (zh) * | 2017-12-01 | 2018-05-22 | 工业互联网创新中心(上海)有限公司 | 零部件表面缺陷的识别方法和装置 |
CN108416294A (zh) * | 2018-03-08 | 2018-08-17 | 南京天数信息科技有限公司 | 一种基于深度学习的风机叶片故障智能识别方法 |
CN108492291A (zh) * | 2018-03-12 | 2018-09-04 | 苏州天准科技股份有限公司 | 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法 |
CN108520274A (zh) * | 2018-03-27 | 2018-09-11 | 天津大学 | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 |
CN108564563A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于Faster R-CNN的轮胎X光病疵检测方法 |
CN108562589A (zh) * | 2018-03-30 | 2018-09-21 | 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 |
CN108596883A (zh) * | 2018-04-12 | 2018-09-28 | 福州大学 | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 |
CN108830144A (zh) * | 2018-05-03 | 2018-11-16 | 华南农业大学 | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 |
CN108846841A (zh) * | 2018-07-02 | 2018-11-20 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
CN108986090A (zh) * | 2018-07-11 | 2018-12-11 | 天津工业大学 | 一种应用于机箱表面划痕检测的深度卷积神经网络方法 |
CN109115501A (zh) * | 2018-07-12 | 2019-01-01 | 哈尔滨工业大学(威海) | 一种基于cnn与svm的民航发动机气路故障诊断方法 |
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 |
CN109300114A (zh) * | 2018-08-30 | 2019-02-01 | 西南交通大学 | 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法 |
CN109291657A (zh) * | 2018-09-11 | 2019-02-01 | 东华大学 | 基于卷积神经网络航天结构件工业物联标识激光打码*** |
CN109360204A (zh) * | 2018-11-28 | 2019-02-19 | 燕山大学 | 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法 |
CN109377483A (zh) * | 2018-09-30 | 2019-02-22 | 云南电网有限责任公司普洱供电局 | 瓷绝缘子裂纹检测方法及装置 |
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*** |
CN109544533A (zh) * | 2018-11-23 | 2019-03-29 | 聚时科技(上海)有限公司 | 一种基于深度学习的金属板缺陷检测和度量方法 |
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
CN109724984A (zh) * | 2018-12-07 | 2019-05-07 | 上海交通大学 | 一种基于深度学习算法的缺陷检测识别装置和方法 |
CN109859207A (zh) * | 2019-03-06 | 2019-06-07 | 华南理工大学 | 一种高密度柔性基板的缺陷检测方法 |
CN109934088A (zh) * | 2019-01-10 | 2019-06-25 | 海南大学 | 基于深度学习的海面船只辨识方法 |
CN110021005A (zh) * | 2018-01-05 | 2019-07-16 | 财团法人工业技术研究院 | 电路板瑕疵筛选方法及其装置与计算机可读取记录介质 |
CN110111293A (zh) * | 2018-01-29 | 2019-08-09 | 国科赛思(北京)科技有限公司 | 塑封器件的失效识别方法及装置 |
CN110120035A (zh) * | 2019-04-17 | 2019-08-13 | 杭州数据点金科技有限公司 | 一种可判别病疵等级的轮胎x光病疵检测方法 |
CN110175982A (zh) * | 2019-04-16 | 2019-08-27 | 浙江大学城市学院 | 一种基于目标检测的缺陷检测方法 |
CN110276754A (zh) * | 2019-06-21 | 2019-09-24 | 厦门大学 | 一种表面缺陷检测方法、终端设备及存储介质 |
CN110322430A (zh) * | 2019-05-17 | 2019-10-11 | 杭州数据点金科技有限公司 | 一种两阶段的轮胎x光病疵检测方法 |
CN110335238A (zh) * | 2019-05-08 | 2019-10-15 | 吉林大学 | 一种深度学习的汽车漆膜缺陷识别***构建方法 |
CN110346953A (zh) * | 2019-07-02 | 2019-10-18 | 盐城华昱光电技术有限公司 | 一种液晶显示模组偏光片剥离的撕片检测***及方法 |
CN110570316A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 训练损伤识别模型的方法及装置 |
WO2020007095A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
WO2020007119A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏***电路检测方法、装置、电子设备及存储介质 |
CN110782183A (zh) * | 2019-11-07 | 2020-02-11 | 山东浪潮人工智能研究院有限公司 | 一种基于Faster R-CNN的铝材缺陷检测方法 |
CN111079820A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像识别的铁路货车防火板故障识别方法 |
CN113245238A (zh) * | 2021-05-13 | 2021-08-13 | 苏州迪宏人工智能科技有限公司 | 一种弯管焊接瑕疵检测方法、装置及*** |
CN113379745A (zh) * | 2021-08-13 | 2021-09-10 | 深圳市信润富联数字科技有限公司 | 产品缺陷识别方法、装置、电子设备和存储介质 |
CN116580030A (zh) * | 2023-07-13 | 2023-08-11 | 厦门微图软件科技有限公司 | 一种基于异常仿真的焊接质量异常检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
CN104424629A (zh) * | 2013-08-19 | 2015-03-18 | 深圳先进技术研究院 | 一种x光胸片肺部分割方法和装置 |
CN104463104A (zh) * | 2014-11-14 | 2015-03-25 | 武汉工程大学 | 一种静态车辆目标快速检测方法及装置 |
CN104515786A (zh) * | 2015-01-08 | 2015-04-15 | 北京科技大学 | 金属铸件疲劳过程内部缺陷演化的检测方法与分析方法 |
WO2016168378A1 (en) * | 2015-04-13 | 2016-10-20 | Gerard Dirk Smits | Machine vision for ego-motion, segmenting, and classifying objects |
CN106127173A (zh) * | 2016-06-30 | 2016-11-16 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的人体属性识别方法 |
CN106156744A (zh) * | 2016-07-11 | 2016-11-23 | 西安电子科技大学 | 基于cfar检测与深度学习的sar目标检测方法 |
-
2017
- 2017-02-28 CN CN201710110525.4A patent/CN106952250B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424629A (zh) * | 2013-08-19 | 2015-03-18 | 深圳先进技术研究院 | 一种x光胸片肺部分割方法和装置 |
CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
CN104463104A (zh) * | 2014-11-14 | 2015-03-25 | 武汉工程大学 | 一种静态车辆目标快速检测方法及装置 |
CN104515786A (zh) * | 2015-01-08 | 2015-04-15 | 北京科技大学 | 金属铸件疲劳过程内部缺陷演化的检测方法与分析方法 |
WO2016168378A1 (en) * | 2015-04-13 | 2016-10-20 | Gerard Dirk Smits | Machine vision for ego-motion, segmenting, and classifying objects |
CN106127173A (zh) * | 2016-06-30 | 2016-11-16 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的人体属性识别方法 |
CN106156744A (zh) * | 2016-07-11 | 2016-11-23 | 西安电子科技大学 | 基于cfar检测与深度学习的sar目标检测方法 |
Non-Patent Citations (2)
Title |
---|
JOSEPH REDMON ET AL: "YOLO9000: Better, Faster, Stronger", 《EPRINT ARXIV:1612.08242》 * |
LI YI ET AL: "An End‐to‐End Steel Strip Surface Defects Recognition System Based on Convolutional Neural Networks", 《STEEL RESEARCH INTERNATIONAL》 * |
Cited By (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107424150A (zh) * | 2017-07-27 | 2017-12-01 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的道路破损检测方法及装置 |
CN107657603B (zh) * | 2017-08-21 | 2020-07-14 | 北京精密机电控制设备研究所 | 一种基于智能视觉的工业外观检测方法 |
CN107657603A (zh) * | 2017-08-21 | 2018-02-02 | 北京精密机电控制设备研究所 | 一种基于智能视觉的工业外观检测方法 |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN107561738B (zh) * | 2017-08-30 | 2020-06-12 | 湖南理工学院 | 基于fcn的tft-lcd表面缺陷快速检测方法 |
CN107607554A (zh) * | 2017-09-26 | 2018-01-19 | 天津工业大学 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
CN108021926A (zh) * | 2017-09-28 | 2018-05-11 | 东南大学 | 一种基于全景环视***的车辆刮痕检测方法及*** |
CN108061735A (zh) * | 2017-12-01 | 2018-05-22 | 工业互联网创新中心(上海)有限公司 | 零部件表面缺陷的识别方法和装置 |
CN107944505A (zh) * | 2017-12-19 | 2018-04-20 | 青岛科技大学 | 一种金属失效类型自动化判断方法 |
CN110021005B (zh) * | 2018-01-05 | 2022-03-15 | 财团法人工业技术研究院 | 电路板瑕疵筛选方法及其装置与计算机可读取记录介质 |
CN110021005A (zh) * | 2018-01-05 | 2019-07-16 | 财团法人工业技术研究院 | 电路板瑕疵筛选方法及其装置与计算机可读取记录介质 |
CN110111293B (zh) * | 2018-01-29 | 2021-05-11 | 国科赛思(北京)科技有限公司 | 塑封器件的失效识别方法及装置 |
CN110111293A (zh) * | 2018-01-29 | 2019-08-09 | 国科赛思(北京)科技有限公司 | 塑封器件的失效识别方法及装置 |
CN108564563A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于Faster R-CNN的轮胎X光病疵检测方法 |
CN108416294A (zh) * | 2018-03-08 | 2018-08-17 | 南京天数信息科技有限公司 | 一种基于深度学习的风机叶片故障智能识别方法 |
CN108492291B (zh) * | 2018-03-12 | 2022-07-22 | 苏州天准科技股份有限公司 | 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法 |
CN108492291A (zh) * | 2018-03-12 | 2018-09-04 | 苏州天准科技股份有限公司 | 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法 |
CN108520274A (zh) * | 2018-03-27 | 2018-09-11 | 天津大学 | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 |
CN108520274B (zh) * | 2018-03-27 | 2022-03-11 | 天津大学 | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 |
CN108562589A (zh) * | 2018-03-30 | 2018-09-21 | 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 |
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 |
CN108596883A (zh) * | 2018-04-12 | 2018-09-28 | 福州大学 | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 |
CN108596883B (zh) * | 2018-04-12 | 2021-07-13 | 福州大学 | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 |
CN108830144B (zh) * | 2018-05-03 | 2022-02-22 | 华南农业大学 | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 |
CN108830144A (zh) * | 2018-05-03 | 2018-11-16 | 华南农业大学 | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 |
US11380232B2 (en) | 2018-07-02 | 2022-07-05 | Beijing Baidu Netcom Science Technology Co., Ltd. | Display screen quality detection method, apparatus, electronic device and storage medium |
WO2020007119A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏***电路检测方法、装置、电子设备及存储介质 |
US11488294B2 (en) | 2018-07-02 | 2022-11-01 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for detecting display screen quality, apparatus, electronic device and storage medium |
WO2020007095A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
CN108846841A (zh) * | 2018-07-02 | 2018-11-20 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
CN108986090A (zh) * | 2018-07-11 | 2018-12-11 | 天津工业大学 | 一种应用于机箱表面划痕检测的深度卷积神经网络方法 |
CN109115501A (zh) * | 2018-07-12 | 2019-01-01 | 哈尔滨工业大学(威海) | 一种基于cnn与svm的民航发动机气路故障诊断方法 |
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 |
CN109300114A (zh) * | 2018-08-30 | 2019-02-01 | 西南交通大学 | 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法 |
CN110570316A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 训练损伤识别模型的方法及装置 |
CN109291657A (zh) * | 2018-09-11 | 2019-02-01 | 东华大学 | 基于卷积神经网络航天结构件工业物联标识激光打码*** |
CN109291657B (zh) * | 2018-09-11 | 2020-10-30 | 东华大学 | 基于卷积神经网络航天结构件工业物联标识激光打码*** |
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*** |
CN109377483A (zh) * | 2018-09-30 | 2019-02-22 | 云南电网有限责任公司普洱供电局 | 瓷绝缘子裂纹检测方法及装置 |
CN109544533A (zh) * | 2018-11-23 | 2019-03-29 | 聚时科技(上海)有限公司 | 一种基于深度学习的金属板缺陷检测和度量方法 |
CN109544533B (zh) * | 2018-11-23 | 2021-04-02 | 聚时科技(上海)有限公司 | 一种基于深度学习的金属板缺陷检测和度量方法 |
CN109360204B (zh) * | 2018-11-28 | 2021-07-16 | 燕山大学 | 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法 |
CN109360204A (zh) * | 2018-11-28 | 2019-02-19 | 燕山大学 | 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法 |
CN109724984B (zh) * | 2018-12-07 | 2021-11-02 | 上海交通大学 | 一种基于深度学习算法的缺陷检测识别装置和方法 |
CN109724984A (zh) * | 2018-12-07 | 2019-05-07 | 上海交通大学 | 一种基于深度学习算法的缺陷检测识别装置和方法 |
CN109711474B (zh) * | 2018-12-24 | 2023-01-17 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
CN109934088A (zh) * | 2019-01-10 | 2019-06-25 | 海南大学 | 基于深度学习的海面船只辨识方法 |
CN109859207A (zh) * | 2019-03-06 | 2019-06-07 | 华南理工大学 | 一种高密度柔性基板的缺陷检测方法 |
CN110175982B (zh) * | 2019-04-16 | 2021-11-02 | 浙江大学城市学院 | 一种基于目标检测的缺陷检测方法 |
CN110175982A (zh) * | 2019-04-16 | 2019-08-27 | 浙江大学城市学院 | 一种基于目标检测的缺陷检测方法 |
CN110120035A (zh) * | 2019-04-17 | 2019-08-13 | 杭州数据点金科技有限公司 | 一种可判别病疵等级的轮胎x光病疵检测方法 |
CN110335238A (zh) * | 2019-05-08 | 2019-10-15 | 吉林大学 | 一种深度学习的汽车漆膜缺陷识别***构建方法 |
CN110322430A (zh) * | 2019-05-17 | 2019-10-11 | 杭州数据点金科技有限公司 | 一种两阶段的轮胎x光病疵检测方法 |
CN110276754A (zh) * | 2019-06-21 | 2019-09-24 | 厦门大学 | 一种表面缺陷检测方法、终端设备及存储介质 |
CN110276754B (zh) * | 2019-06-21 | 2021-08-20 | 厦门大学 | 一种表面缺陷检测方法、终端设备及存储介质 |
CN110346953B (zh) * | 2019-07-02 | 2022-08-09 | 晋城市龙鑫达光电科技有限公司 | 一种液晶显示模组偏光片剥离的撕片检测***及方法 |
CN110346953A (zh) * | 2019-07-02 | 2019-10-18 | 盐城华昱光电技术有限公司 | 一种液晶显示模组偏光片剥离的撕片检测***及方法 |
CN110782183A (zh) * | 2019-11-07 | 2020-02-11 | 山东浪潮人工智能研究院有限公司 | 一种基于Faster R-CNN的铝材缺陷检测方法 |
CN111079820A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像识别的铁路货车防火板故障识别方法 |
CN113245238A (zh) * | 2021-05-13 | 2021-08-13 | 苏州迪宏人工智能科技有限公司 | 一种弯管焊接瑕疵检测方法、装置及*** |
CN113379745A (zh) * | 2021-08-13 | 2021-09-10 | 深圳市信润富联数字科技有限公司 | 产品缺陷识别方法、装置、电子设备和存储介质 |
CN116580030A (zh) * | 2023-07-13 | 2023-08-11 | 厦门微图软件科技有限公司 | 一种基于异常仿真的焊接质量异常检测方法 |
CN116580030B (zh) * | 2023-07-13 | 2023-10-20 | 厦门微图软件科技有限公司 | 一种基于异常仿真的焊接质量异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106952250B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952250A (zh) | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN106934800A (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN109886298B (zh) | 一种基于卷积神经网络的焊缝质量检测方法 | |
CN109239102B (zh) | 一种基于cnn的柔性电路板外观缺陷检测方法 | |
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
CN101063660B (zh) | 一种纺织品缺陷检测方法及其装置 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN108355987A (zh) | 一种基于分块模板匹配的电池丝印质量检测方法 | |
CN110243937A (zh) | 一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法 | |
US11315229B2 (en) | Method for training defect detector | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN117250208A (zh) | 基于机器视觉的纳米压印晶圆缺陷精准检测***及方法 | |
CN112200776A (zh) | 芯片封装缺陷检测方法和检测装置 | |
TW201818090A (zh) | 印刷電路板的盲孔檢測裝置與方法 | |
CN108414531A (zh) | 一种基于机器视觉的柔性薄膜缺陷检测装置及其检测方法 | |
CN114240944A (zh) | 一种基于点云信息的焊接缺陷检测方法 | |
CN108802051A (zh) | 一种柔性ic基板直线线路气泡及折痕缺陷检测***及方法 | |
CN113947583A (zh) | 基于深度学习二维时间序列图像的焊缝无损检测方法 | |
CN201081763Y (zh) | 一种纺织品缺陷检测装置 | |
JP3913517B2 (ja) | 欠陥検出方法 | |
US20240169510A1 (en) | Surface defect detection model training method, and surface defect detection method and system | |
CN112862826B (zh) | 一种表面缺陷检测任务的正常样本无损生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |