CN107316300A - 一种基于深度卷积神经网络的轮胎x光病疵检测方法 - Google Patents
一种基于深度卷积神经网络的轮胎x光病疵检测方法 Download PDFInfo
- Publication number
- CN107316300A CN107316300A CN201710579404.4A CN201710579404A CN107316300A CN 107316300 A CN107316300 A CN 107316300A CN 201710579404 A CN201710579404 A CN 201710579404A CN 107316300 A CN107316300 A CN 107316300A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- defect
- model
- picture
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 144
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 107
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 9
- 230000007935 neutral effect Effects 0.000 claims description 7
- 235000009508 confectionery Nutrition 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000009394 selective breeding Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
Description
Claims (9)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710579404.4A CN107316300B (zh) | 2017-07-17 | 2017-07-17 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710579404.4A CN107316300B (zh) | 2017-07-17 | 2017-07-17 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107316300A true CN107316300A (zh) | 2017-11-03 |
CN107316300B CN107316300B (zh) | 2020-12-15 |
Family
ID=60178054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710579404.4A Active CN107316300B (zh) | 2017-07-17 | 2017-07-17 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316300B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977686A (zh) * | 2017-12-22 | 2018-05-01 | 浙江大学 | 一种工业x光图像的分类方法 |
CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
CN108229549A (zh) * | 2017-12-28 | 2018-06-29 | 杭州大搜车汽车服务有限公司 | 一种智能识别车商装修程度的方法、电子设备和存储介质 |
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 |
CN108320278A (zh) * | 2018-01-09 | 2018-07-24 | 北京百度网讯科技有限公司 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
CN108510472A (zh) * | 2018-03-08 | 2018-09-07 | 北京百度网讯科技有限公司 | 用于处理图像的方法和装置 |
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 |
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、***、服务器及存储介质 |
CN109523518A (zh) * | 2018-10-24 | 2019-03-26 | 浙江工业大学 | 一种轮胎x光病疵检测方法 |
CN109871906A (zh) * | 2019-03-15 | 2019-06-11 | 西安获德图像技术有限公司 | 一种基于深度卷积神经网络的管纱外观缺陷的分类方法 |
CN109949323A (zh) * | 2019-03-19 | 2019-06-28 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
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 |
CN110136102A (zh) * | 2019-04-17 | 2019-08-16 | 杭州数据点金科技有限公司 | 一种基于标准图比对的轮胎x光病疵检测方法 |
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 |
CN110335243A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于纹理对比的轮胎x光病疵检测方法 |
CN110335242A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于多模型融合的轮胎x光病疵检测方法 |
CN111179239A (zh) * | 2019-12-24 | 2020-05-19 | 浙江大学 | 一种利用背景特征进行重排名的轮胎x光瑕疵检测方法 |
CN111681229A (zh) * | 2020-06-10 | 2020-09-18 | 创新奇智(上海)科技有限公司 | 深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置 |
CN112557063A (zh) * | 2020-12-01 | 2021-03-26 | 安徽信息工程学院 | 一种基于视觉的跨座式单轨轮胎的胎面检测*** |
CN113313021A (zh) * | 2021-05-27 | 2021-08-27 | 云南电网有限责任公司电力科学研究院 | 一种基于低质量影像识别的深度学习模型构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012157716A1 (ja) * | 2011-05-17 | 2012-11-22 | シャープ株式会社 | タイヤの欠陥検出方法 |
WO2015097635A1 (en) * | 2013-12-23 | 2015-07-02 | Pirelli Tyre S.P.A. | Method and apparatus for detecting defects on tyres in a tyre production process |
CN105929024A (zh) * | 2016-04-21 | 2016-09-07 | 安徽省(水利部淮河水利委员会)水利科学研究院 | 混凝土缺陷智能化检测与定量识别方法 |
CN106203529A (zh) * | 2016-07-18 | 2016-12-07 | 江苏大学 | 一种基于先验信息的车辆轮胎安全检测方法 |
WO2017001970A1 (en) * | 2015-06-30 | 2017-01-05 | Pirelli Tyre S.P.A. | Method and apparatus for detecting defects on the surface of tyres |
CN106952258A (zh) * | 2017-03-23 | 2017-07-14 | 南京汇川图像视觉技术有限公司 | 一种基于梯度方向直方图的瓶口缺陷检测方法 |
-
2017
- 2017-07-17 CN CN201710579404.4A patent/CN107316300B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012157716A1 (ja) * | 2011-05-17 | 2012-11-22 | シャープ株式会社 | タイヤの欠陥検出方法 |
WO2015097635A1 (en) * | 2013-12-23 | 2015-07-02 | Pirelli Tyre S.P.A. | Method and apparatus for detecting defects on tyres in a tyre production process |
WO2017001970A1 (en) * | 2015-06-30 | 2017-01-05 | Pirelli Tyre S.P.A. | Method and apparatus for detecting defects on the surface of tyres |
CN105929024A (zh) * | 2016-04-21 | 2016-09-07 | 安徽省(水利部淮河水利委员会)水利科学研究院 | 混凝土缺陷智能化检测与定量识别方法 |
CN106203529A (zh) * | 2016-07-18 | 2016-12-07 | 江苏大学 | 一种基于先验信息的车辆轮胎安全检测方法 |
CN106952258A (zh) * | 2017-03-23 | 2017-07-14 | 南京汇川图像视觉技术有限公司 | 一种基于梯度方向直方图的瓶口缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
党倩: "基于深度卷积神经网络的交通标志识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
崔雪红 等: "基于卷积神经网络的轮胎缺陷X光图像分类", 《电子测量技术》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977686A (zh) * | 2017-12-22 | 2018-05-01 | 浙江大学 | 一种工业x光图像的分类方法 |
CN108229549A (zh) * | 2017-12-28 | 2018-06-29 | 杭州大搜车汽车服务有限公司 | 一种智能识别车商装修程度的方法、电子设备和存储介质 |
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、***、服务器及存储介质 |
CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
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 |
CN108320278A (zh) * | 2018-01-09 | 2018-07-24 | 北京百度网讯科技有限公司 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
US10769774B2 (en) | 2018-01-09 | 2020-09-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
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 |
CN108510472A (zh) * | 2018-03-08 | 2018-09-07 | 北京百度网讯科技有限公司 | 用于处理图像的方法和装置 |
CN109523518A (zh) * | 2018-10-24 | 2019-03-26 | 浙江工业大学 | 一种轮胎x光病疵检测方法 |
CN109871906A (zh) * | 2019-03-15 | 2019-06-11 | 西安获德图像技术有限公司 | 一种基于深度卷积神经网络的管纱外观缺陷的分类方法 |
CN109871906B (zh) * | 2019-03-15 | 2023-03-28 | 西安获德图像技术有限公司 | 一种基于深度卷积神经网络的管纱外观缺陷的分类方法 |
CN109949323A (zh) * | 2019-03-19 | 2019-06-28 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
CN109949323B (zh) * | 2019-03-19 | 2022-12-20 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
CN110136102A (zh) * | 2019-04-17 | 2019-08-16 | 杭州数据点金科技有限公司 | 一种基于标准图比对的轮胎x光病疵检测方法 |
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 |
CN110335242A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于多模型融合的轮胎x光病疵检测方法 |
CN110335243A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于纹理对比的轮胎x光病疵检测方法 |
CN110335243B (zh) * | 2019-05-17 | 2021-07-16 | 杭州数据点金科技有限公司 | 一种基于纹理对比的轮胎x光病疵检测方法 |
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 |
CN111179239A (zh) * | 2019-12-24 | 2020-05-19 | 浙江大学 | 一种利用背景特征进行重排名的轮胎x光瑕疵检测方法 |
CN111179239B (zh) * | 2019-12-24 | 2022-04-26 | 浙江大学 | 一种利用背景特征进行重排名的轮胎x光瑕疵检测方法 |
CN111681229A (zh) * | 2020-06-10 | 2020-09-18 | 创新奇智(上海)科技有限公司 | 深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置 |
CN112557063A (zh) * | 2020-12-01 | 2021-03-26 | 安徽信息工程学院 | 一种基于视觉的跨座式单轨轮胎的胎面检测*** |
CN113313021A (zh) * | 2021-05-27 | 2021-08-27 | 云南电网有限责任公司电力科学研究院 | 一种基于低质量影像识别的深度学习模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107316300B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316300A (zh) | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 | |
Li et al. | Automatic pixel‐level multiple damage detection of concrete structure using fully convolutional network | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN102521592B (zh) | 基于非清晰区域抑制的多特征融合显著区域提取方法 | |
CN107133943A (zh) | 一种防震锤缺陷检测的视觉检测方法 | |
US20140270489A1 (en) | Learned mid-level representation for contour and object detection | |
CN102750535B (zh) | 自动提取图像前景的方法和*** | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN106198551A (zh) | 一种输电线路缺陷的检测方法及装置 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN108710909B (zh) | 一种可变形旋转不变装箱物体清点方法 | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN111382785A (zh) | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 | |
CN107679453A (zh) | 基于支持向量机的天气雷达电磁干扰回波识别方法 | |
CN110084812A (zh) | 一种太赫兹图像缺陷检测方法、装置、***及存储介质 | |
CN113487600B (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
CN115272652A (zh) | 基于多元回归和自适应焦点损失的密集物体图像检测方法 | |
US20150356350A1 (en) | unsupervised non-parametric multi-component image segmentation method | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN108932471B (zh) | 一种车辆检测方法 | |
CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
Yu et al. | Mean shift based clustering of neutrosophic domain for unsupervised constructions detection | |
CN113989196A (zh) | 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method of tire X-ray defect detection based on deep convolution neural network Effective date of registration: 20210331 Granted publication date: 20201215 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU YINGGE INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2021330000260 |
|
PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20220412 Granted publication date: 20201215 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU YINGGE INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2021330000260 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A tire X-ray defect detection method based on deep convolution neural network Effective date of registration: 20220413 Granted publication date: 20201215 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU YINGGE INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2022330000511 |
|
PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230223 Granted publication date: 20201215 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU YINGGE INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2022330000511 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for detecting tire X-ray defects based on deep convolution neural network Effective date of registration: 20230302 Granted publication date: 20201215 Pledgee: Bank of Hangzhou Limited by Share Ltd. science and Technology Branch Pledgor: HANGZHOU YINGGE INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2023980033661 |