CN107392896A - 一种基于深度学习的木材缺陷检测方法和*** - Google Patents

一种基于深度学习的木材缺陷检测方法和*** Download PDF

Info

Publication number
CN107392896A
CN107392896A CN201710577252.4A CN201710577252A CN107392896A CN 107392896 A CN107392896 A CN 107392896A CN 201710577252 A CN201710577252 A CN 201710577252A CN 107392896 A CN107392896 A CN 107392896A
Authority
CN
China
Prior art keywords
layer
deep learning
image
defects
wood
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
Application number
CN201710577252.4A
Other languages
English (en)
Other versions
CN107392896B (zh
Inventor
黄坤山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
Original Assignee
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
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 Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute, Foshan Guangdong University CNC Equipment Technology Development Co. Ltd filed Critical Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Priority to CN201710577252.4A priority Critical patent/CN107392896B/zh
Publication of CN107392896A publication Critical patent/CN107392896A/zh
Application granted granted Critical
Publication of CN107392896B publication Critical patent/CN107392896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • 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
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30161—Wood; Lumber

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于深度学习的木材缺陷检测方法，具体包括：采集图像；把图像分割成大小一样的图像块；选取不同类别的缺陷图像块和无缺陷的图像块作为训练样本集；利用训练样本集离线训练深度学习算法；利用训练好的深度学习算法，在线检测识别木材图像的缺陷等步骤。本发明通过强大的深度学习算法，高精度地在线检测识别在不同复杂纹理木材表面的缺陷，解决了传统图像处理算法无法解决的难题。本发明还提供了一种基于深度学习的木材缺陷检测***，通过图像采集模块、深度学习算法处理模块和控制执行模块之间的配合可以有效加快检测速度以及提高实用性。

Description

一种基于深度学习的木材缺陷检测方法和***
技术领域
本发明涉及视觉检测技术领域，具体涉及一种基于深度学习的木材缺陷检测方法和***。
背景技术
随着木材加工业的集约化发展，木材产品的生产量持续大幅度增长。在生产中,对木材表面加工质量高水平的苛求,尤其是一致性的要求,使得传统的人工检测方式已经难以胜任，现在急需一种高效率的检测方法和***来实现木材缺陷检测的自动化。
近年来，机器视觉技术得到了快速发展，在工业生产中，人们已经利用该技术成功对各种产品外观检测实现自动化操作。但木材表面由于具有复杂的纹理，而且缺陷的种类繁多，根据国家标准可木材缺陷分为节子、变色、腐朽、虫眼、裂纹、树干形状缺陷、木材构造缺陷、伤疤(损伤)、木材加工缺陷和变形10大类，通过机器视觉***采集木材的图像，利用传统的图像处理算法检测木材的缺陷，会面对巨大的挑战。
随之深度学习算法的快速发展，其在计算机视觉领域有着非常出色表现，使得传统的图像处理算法无法解决的难题相继得到了解决，因此，可以尝试利用木材各种不同的缺陷图像训练深度学习算法，再利用训练好的深度学习算法在线检测木材的缺陷，这是一种行之有效的解决方法。
发明内容
本发明的目的在于通过一种基于深度学习的木材缺陷检测方法和***，利用木材各种不同的缺陷图像训练深度学习算法，再利用训练好的深度学习算法在线检测木材的缺陷，可以满足工业应用的实时性要求。
为实现上述技术方案，本发明提供了一种基于深度学习的木材缺陷检测方法，具体包括如下步骤：
1.一种基于深度学习的木材缺陷检测方法，其特征在于，包括以下步骤：
步骤1：图像采集模块采集图像；
步骤2：把图像分割成大小一样的图像块；
步骤3：选取不同类别的缺陷图像块和无缺陷的图像块作为训练样本集；
步骤4：利用训练样本离线集训练深度学习算法；
步骤5：利用训练好的深度学习算法，在线检测识别木材图像的缺陷。
优选地，步骤2中，把图像分割成大小一样的图像块：即以s/2为步长，把采集到的图像分割为大小都为s*s的正方形图像块，其中s表示分割成的正方形图像块边长的像素尺寸。
优选的，步骤3中，选取不同类别的缺陷图像块和无缺陷的图像块作样本训练集，在训练之前对训练样本集进行预处理，并通过随机变换的方法来增加数据集的大小，具体步骤如下：
步骤31：对训练样本集进行白化处理；
步骤32：对图像进行随机的左右翻转；
步骤33：随机变换图像的对比度。
优选的，步骤4中，利用训练样本集离线训练深度学习算法，其中深度学习算法采用多层卷积神经网络vgg16模型，训练过程具体如下：
步骤41：构造多层卷积神经网络vgg16；
步骤42：利用训练样本集，采用ADAM算法对多层卷积神经网络vgg16的误差梯度做最速下降优化，离线训练构造多层卷积神经网络vgg16；
步骤43：多层卷积神经网络vgg16构成以后利用Google开源深度学习***TensorFlow进行开发，并利用英伟达GPU对深度学习算法进行加速。
优选的，步骤41中，构造多层卷积神经网络vgg16，其中有16层权重层、5层池化层、1层输入层和1层输出层总共23层，具体结构为：第1层为大小为s*s的图像块的输入层；第2层和第3层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为64个；第4层为最大值池化层；第5层和第6层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为128个；第7层为最大值池化层；第8、9和10层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为256个；第11层为最大值池化层；第12、13和14层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为512个；第15层为最大值池化层；第16、17和18层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为512个；第19层为最大值池化层；第20，21和22层为全连接层，其中第20，21全连接层有4096个神经节点，第22全连接层有1000个神经节点；第23层为softmax分类层。
优选的，步骤42中，具体包括如下步骤：
步骤421、训练样本集的准备：采集节子、变色、腐朽、虫眼、裂纹、树干形状缺陷、木材构造缺陷、伤疤(损伤)、木材加工缺陷和变形10大类木材缺陷图像块和无缺陷木材图像块作为训练样本集，其中每一类木材缺陷采集5000块图像块以及5000块无缺陷图像块，并通过对选取的图像块进行简单的预处理增加训练样本集；
步骤422、训练方式：迭代15000次对多层卷积神经网络vgg16进行训练，每一次迭代随机从训练样本集中选取32块图像块作为输入，采用ADAM算法对多层卷积神经网络vgg16的误差梯度做最速下降优化。
本发明还提供了一种基于深度学习的木材缺陷检测方法，包括：
图像采集模块，所述图像采集模块为采用线阵CCD的工业相机，可利用机器视觉专用光源和工业相机采集表面图像；
图像处理模块，所述图像处理模块为采用工控机搭载图像处理模块的上位机软件，该软件包括图像处理交互界面、深度学习算法、数据库以及通信模块，可利用深度学习算法对采集的图像进行木材缺陷检测，并把缺陷信息发送给控制执行单元，所述深度学习算法利用Google开源深度学习***TensorFlow进行开发，并利用英伟达GPU对深度学习算法进行加速。；
控制执行模块：根据图像处理模块传送过来的缺陷信息，采用可编程逻辑控制器PLC控制打标机对表面缺陷进行标记或者报警器对表面缺陷进行提示。
优选的，所述图像处理交互界面提供接口让用户设置参数以及让用户选取训练样本集，同时提供显示窗口让用户观察表面缺陷检测的实时情况。
优选的，所述数据库用于对表面缺陷检测结果进行存储和管理。
优选的，所述通信模块采用以太网TCP/IP协议，让上位机软件与动作执行单元模块的下位机通信。
本发明提供的一种基于深度学习的木材缺陷检测方法有益效果在于：
1)本基于深度学习的木材缺陷检测方法，通过在木材不同纹理下不同类型的缺陷图像块训练深度学习算法，再利用训练好的深度学习算法检测识别出木材的缺陷，解决了传统图像处理算法无法检测识别出复杂纹理缺陷的难题。
2)本基于深度学习的木材缺陷检测方法能在复杂纹理的表面高精度的检测出缺陷，并且识别缺陷的类型，然后利用Google开源深度学习***TensorFlow进行开发，并利用英伟达GPU对深度学习算法进行加速，能满足工业应用的实时性要求。
3)本基于深度学习的木材缺陷检测***，通过图像采集模块、图像处理模块和控制执行模块之间的配合可以高效实现对不同复杂纹理木材表面的检测，不仅检测精度高，适应性广泛，而且鲁棒性强，速度快。
附图说明
图1为本发明中基于深度学习的木材缺陷检测方法的流程图。
图2为本发明中多层卷积神经网络vgg16训练过程正确率检测示意图。
图3为本发明中多层卷积神经网络vgg16训练过程代价函数值检测示意图。
图4为本发明中多层卷积神经网络vgg16示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，均属于本发明的保护范围。
实施例1：一种基于深度学习的木材缺陷检测方法。
参照图1所示，一种基于深度学习的木材缺陷检测方法，具体包括如下步骤：
步骤1：图像采集模块采集图像，即利用机器视觉专用光源和工业相机采集木材表面图像；
步骤2：把图像分割成大小一样的图像块，具体的分割方法为：以s/2为步长，把采集到的图像分割为大小都为s*s的正方形图像块，其中尺寸s一般不能小于木材缺陷的大小，图像块的大小可以取128*128，其中128表示分割成的图像块边长的像素大小；
步骤3：选取不同类别的缺陷图像块和无缺陷的图像块作为训练样本集；
其中，选取不同类别的缺陷图像块和无缺陷的图像块作样本训练集，在训练之前要对训练样本集进行简单的预处理，并通过一系列随机变换的方法来人为的增加训练样本集的大小，使得训练后的深度学习算法泛化能力更强，具体步骤如下：
步骤31：对训练样本集进行白化处理，可以减少因为光照不同引起的影响；
步骤32：对图像进行随机的左右翻转，可以增加深度学习算法对不同方向的木材缺陷的检测能力；
步骤33：随机变换图像的对比度，可以减少由于图像分辨率不同所引起的影响；
步骤4：利用训练样本集离线训练深度学习算法；
其中，深度学习算法采用多层卷积神经网络vgg16模型，训练过程具体如下：
步骤41：构造多层卷积神经网络vgg16；
如图3所示，步骤41中，构造多层卷积神经网络vgg16，其中有16层权重层、5层池化层、1层输入层和1层输出层总共23层，具体结构为：第1层为大小为s*s的图像块的输入层；第2层和第3层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为64个；第4层为最大值池化层；第5层和第6层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为128个；第7层为最大值池化层；第8、9和10层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为256个；第11层为最大值池化层；第12、13和14层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为512个；第15层为最大值池化层；第16、17和18层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为512个；第19层为最大值池化层；第20，21和22层为全连接层，其中第20，21全连接层有4096个神经节点，第22全连接层有1000个神经节点；第23层为softmax分类层；
卷积层用于提取图像的高层特征，最大值池化层的输入一般来源于上一个卷积层，主要作用是提供了很强的鲁棒性，取一小块区域中的最大值，此时若此区域中的其他值略有变化，或者图像稍有平移，池化后的结果仍不变，并且减少了参数的数量，防止过拟合现象的发生，池化层一般没有参数，所以反向传播的时候，只需对输入参数求导，不需要进行权值更新；而softmax层主要用于分类，木材有几类缺陷，softmax就有多少个节点；
步骤42：利用训练样本集，采用ADAM算法对多层卷积神经网络vgg16的误差梯度做最速下降优化，离线训练构造多层卷积神经网络vgg16；
具体操作如下：(1)训练样本集的准备：采集节子、变色、腐朽、虫眼、裂纹、树干形状缺陷、木材构造缺陷、伤疤(损伤)、木材加工缺陷和变形10大类木材缺陷图像块和无缺陷木材图像块作为训练样本集，其中每一类木材缺陷采集5000块图像块以及5000块无缺陷图像块，并通过对选取的图像块进行简单的预处理增加训练样本集；(2)训练方式：迭代15000次对多层卷积神经网络vgg16进行训练，每一次迭代随机从训练样本集中选取32块图像块作为输入，采用ADAM算法对多层卷积神经网络vgg16的误差梯度做最速下降优化，结果如图2和图3所示(图2和图3中的曲线有通过平滑处理)，该多层卷积神经网络vgg16的正确率随着迭代的增大而提高，同时代价函数值随着迭代的增大而变小，最终多层卷积神经网络vgg16的木材缺陷检测识别正确率能达到95％左右，不仅速度快，而且鲁棒性强；
步骤5：利用训练好的深度学习算法，在线检测识别木材图像的缺陷，并实现缺陷的自动分类。
本基于一种基于深度学习的木材缺陷检测方法，通过在木材不同纹理下不同类型的缺陷图像块训练深度学习算法，再利用训练好的深度学习算法检测识别出木材的缺陷，解决了传统图像处理算法无法识别检测出复杂纹理缺陷的难题。
实施例2：一种基于深度学习的木材缺陷检测***
一种基于深度学习的木材缺陷检测***，具体包括：
图像采集模块，所述图像采集模块为采用线阵CCD的工业相机，可利用机器视觉专用光源和工业相机采集表面图像；
图像处理模块，所述图像处理模块为采用工控机搭载图像处理模块的上位机软件，该软件包括图像处理交互界面、深度学习算法、数据库以及通信模块，可利用深度学习算法对采集的图像进行木材缺陷检测，并把缺陷信息发送给控制执行单元；
控制执行模块：根据图像处理模块传送过来的缺陷信息，采用可编程逻辑控制器PLC控制打标机对表面缺陷进行标记或者报警器对表面缺陷进行提示。
本实施例中，图像处理交互界面，提供接口让用户设置参数以及让用户选取训练样本集，提供显示窗口让用户观察表面缺陷检测的实时情况；深度学习算法，利用Google开源深度学习***TensorFlow进行开发，并利用英伟达GPU对深度学习算法进行加速，例如为工控机配置英伟达GTX1080型号的GPU，通过下载安装英伟达GPU加速cuda7.0工具包，再安装GPU加速的深度神经网络库cuDNN，即可利用tensorflow框架加速深度学习算法的运行；图像处理交互界面，提供接口让用户设置参数以及让用户选取训练样本集，提供显示窗口让用户观察表面缺陷检测的实时情况；数据库，用于对表面缺陷检测结果进行存储和管理；通信模块，采用以太网TCP/IP协议，让上位机软件与动作执行单元模块的下位机通信。
本基于一种基于深度学习的木材缺陷检测***，利用Google开源深度学习***TensorFlow进行开发，并利用英伟达GPU对深度学习算法进行加速，能满足工业应用的实时性要求，并通过图像采集模块、图像处理模块和控制执行模块之间的配合可以高效实现对不同复杂纹理木材表面的检测，不仅检测精度高，适应性广泛，而且鲁棒性强，速度快。
以上所述为本发明的较佳实施例而已，但本发明不应局限于该实施例和附图所公开的内容，所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (10)

1.一种基于深度学习的木材缺陷检测方法，其特征在于，具体包括以下步骤：
步骤1：图像采集模块采集图像；
步骤2：把图像分割成大小一样的图像块；
步骤3：选取不同类别的缺陷图像块和无缺陷的图像块作为训练样本集；
步骤4：利用训练样本集离线训练深度学习算法；
步骤5：利用训练好的深度学习算法，在线检测识别木材图像的缺陷。
2.根据权利要求1所述的基于深度学习的木材缺陷检测方法，其特征在于，步骤2中，把图像分割成大小一样的图像块：即以s/2为步长，把采集到的图像分割为大小都为s*s的正方形图像块，其中s表示分割成的正方形图像块边长的像素尺寸。
3.根据权利要求1所述的基于深度学习的木材缺陷检测方法，其特征在于，步骤3中，选取不同类别的缺陷图像块和无缺陷的图像块作为样本训练集，在训练之前对训练样本集进行预处理，并通过随机变换的方法来增加数据集的大小，具体步骤如下：
步骤31：对训练样本集进行白化处理；
步骤32：对图像进行随机的左右翻转；
步骤33：随机变换图像的对比度。
4.根据权利要求1所述的基于深度学习的木材缺陷检测方法，其特征在于，步骤4中，利用训练样本集离线训练深度学习算法，其中深度学习算法采用多层卷积神经网络vgg16模型，训练过程具体如下：
步骤41：构造多层卷积神经网络vgg16；
步骤42：利用训练样本集，采用ADAM算法对多层卷积神经网络vgg16的误差梯度做最速下降优化，离线训练构造多层卷积神经网络vgg16；
步骤43：多层卷积神经网络vgg16构成以后利用Google开源深度学习***TensorFlow进行开发，并利用英伟达GPU对深度学习算法进行加速。
5.根据权利要求4所述的基于深度学习的木材缺陷检测方法，其特征在于，步骤41中，构造多层卷积神经网络vgg16，其中有16层权重层、5层池化层、1层输入层和1层输出层总共23层，具体结构为：第1层为大小为s*s的图像块的输入层；第2层和第3层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为64个；第4层为最大值池化层；第5层和第6层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为128个；第7层为最大值池化层；第8、9和10层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为256个；第11层为最大值池化层；第12、13和14层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为512个；第15层为最大值池化层；第16、17和18层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为512个；第19层为最大值池化层；第20，21和22层为全连接层，其中第20，21全连接层有4096个神经节点，第22全连接层有1000个神经节点；第23层为softmax分类层。
6.根据权利要求4所述的基于深度学习的木材缺陷检测方法，其特征在于，步骤42中，具体包括如下步骤：
步骤421、训练样本集的准备：采集节子、变色、腐朽、虫眼、裂纹、树干形状缺陷、木材构造缺陷、伤疤(损伤)、木材加工缺陷和变形10大类木材缺陷图像块和无缺陷木材图像块作为训练样本集，其中每一类木材缺陷采集5000块图像块以及5000块无缺陷图像块，并通过对选取的图像块进行简单的预处理增加训练样本集；
步骤422、训练方式：迭代15000次对多层卷积神经网络vgg16进行训练，每一次迭代随机从训练样本集中选取32块图像块作为输入，采用ADAM算法对多层卷积神经网络vgg16的误差梯度做最速下降优化。
7.一种基于实现权利要求6所述基于深度学习的木材缺陷检测方法的***，其特征在于，包括：
图像采集模块，所述图像采集模块为采用线阵CCD的工业相机，可利用机器视觉专用光源和工业相机采集表面图像；
图像处理模块，所述图像处理模块为采用工控机搭载图像处理模块的上位机软件，该软件包括图像处理交互界面、深度学习算法、数据库以及通信模块，可利用深度学习算法对采集的图像进行木材缺陷检测，并把缺陷信息发送给控制执行单元，所述深度学习算法利用Google开源深度学习***TensorFlow进行开发，并利用英伟达GPU对深度学习算法进行加速；
控制执行模块：根据图像处理模块传送过来的缺陷信息，采用可编程逻辑控制器PLC控制打标机对表面缺陷进行标记或者报警器对表面缺陷进行提示。
8.如权利要求7所述的基于深度学习的木材缺陷检测***，其特征在于，所述图像处理交互界面提供接口让用户设置参数以及让用户选取训练样本集，同时提供显示窗口让用户观察表面缺陷检测的实时情况。
9.如权利要求7所述的基于深度学习的木材缺陷检测***，其特征在于，所述数据库用于对表面缺陷检测结果进行存储和管理。
10.如权利要求7所述的基于深度学习的木材缺陷检测***，其特征在于，所述通信模块采用以太网TCP/IP协议，让上位机软件与动作执行单元模块的下位机通信。
CN201710577252.4A 2017-07-14 2017-07-14 一种基于深度学习的木材缺陷检测方法和*** Active CN107392896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710577252.4A CN107392896B (zh) 2017-07-14 2017-07-14 一种基于深度学习的木材缺陷检测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710577252.4A CN107392896B (zh) 2017-07-14 2017-07-14 一种基于深度学习的木材缺陷检测方法和***

Publications (2)

Publication Number Publication Date
CN107392896A true CN107392896A (zh) 2017-11-24
CN107392896B CN107392896B (zh) 2019-11-08

Family

ID=60339848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710577252.4A Active CN107392896B (zh) 2017-07-14 2017-07-14 一种基于深度学习的木材缺陷检测方法和***

Country Status (1)

Country Link
CN (1) CN107392896B (zh)

Cited By (76)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038853A (zh) * 2017-12-18 2018-05-15 浙江工业大学 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法
CN108074231A (zh) * 2017-12-18 2018-05-25 浙江工业大学 一种基于卷积神经网络的磁片表面缺陷检测方法
CN108154504A (zh) * 2017-12-25 2018-06-12 浙江工业大学 一种基于卷积神经网络的钢板表面缺陷的检测方法
CN108230318A (zh) * 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢包缺陷检测分类方法、装置、设备及计算机可读介质
CN108230317A (zh) * 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢板缺陷检测分类方法、装置、设备及计算机可读介质
CN108247764A (zh) * 2017-12-14 2018-07-06 北京木业邦科技有限公司 基于机器学习的木板切割方法、装置、电子设备和介质
CN108262809A (zh) * 2017-12-14 2018-07-10 北京木业邦科技有限公司 基于人工智能的木板加工方法、装置、电子设备和介质
CN108311411A (zh) * 2018-02-07 2018-07-24 陕西科技大学 一种冬虫夏草智能化分拣***及其使用方法
CN108346153A (zh) * 2018-03-22 2018-07-31 北京木业邦科技有限公司 木材缺陷的机器学习及修复方法、装置、***、电子设备
CN108362702A (zh) * 2017-12-14 2018-08-03 北京木业邦科技有限公司 一种基于人工智能的单板缺陷检测方法、***及设备
CN108375353A (zh) * 2017-12-14 2018-08-07 北京木业邦科技有限公司 一种木材检测方法、装置和设备
CN108389181A (zh) * 2018-01-23 2018-08-10 南京大学 一种基于深度学习和法向图的零件缺陷检测和定位方法
CN108491867A (zh) * 2018-03-12 2018-09-04 苏州卓融新能源科技有限公司 基于人工智能的影像匹配及识别方法
CN108776808A (zh) * 2018-05-25 2018-11-09 北京百度网讯科技有限公司 一种用于检测钢包溶蚀缺陷的方法和装置
CN108789426A (zh) * 2017-12-29 2018-11-13 金门工程建设有限公司 表面处理机械人
CN108827974A (zh) * 2018-06-28 2018-11-16 广东科达洁能股份有限公司 一种瓷砖缺陷检测方法及***
CN108961239A (zh) * 2018-07-02 2018-12-07 北京百度网讯科技有限公司 连铸坯质量检测方法、装置、电子设备及存储介质
CN108943179A (zh) * 2018-08-22 2018-12-07 慧泉智能科技（苏州）有限公司 一种针对木材表面缺陷的最优切割方法
CN108985337A (zh) * 2018-06-20 2018-12-11 中科院广州电子技术有限公司 一种基于图像深度学习的产品表面划痕检测方法
CN109060832A (zh) * 2018-07-05 2018-12-21 上海徕木电子股份有限公司 一种电子连接器插针工艺缺陷视觉检测方法
CN109063713A (zh) * 2018-07-20 2018-12-21 中国林业科学研究院木材工业研究所 一种基于构造特征图像深度学习的木材鉴别方法和***
CN109087281A (zh) * 2018-07-02 2018-12-25 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
CN109100371A (zh) * 2018-10-25 2018-12-28 广东华中科技大学工业技术研究院 一种激光全反射式的3c透明构件缺陷检测装置及方法
CN109145955A (zh) * 2018-07-26 2019-01-04 中国林业科学研究院木材工业研究所 一种木材识别方法及***
CN109142371A (zh) * 2018-07-31 2019-01-04 华南理工大学 基于深度学习的高密度柔性基板外观缺陷检测***与方法
CN109249300A (zh) * 2018-10-25 2019-01-22 北京木业邦科技有限公司 木材加工控制方法、装置、电子设备及存储介质
CN109454195A (zh) * 2018-10-31 2019-03-12 安徽巨自动化装备有限公司 一种铝车身自冲铆接铆模失效视觉检测方法
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
CN109724543A (zh) * 2018-12-29 2019-05-07 南京林业大学 一种快速评价木材铣削加工性能的方法
CN109829483A (zh) * 2019-01-07 2019-05-31 鲁班嫡系机器人（深圳）有限公司 缺陷识别模型训练方法、装置、计算机设备和存储介质
CN109884066A (zh) * 2019-01-22 2019-06-14 江苏恒力化纤股份有限公司 一种离线检测长丝丝卷油污疵点的方法
CN109949286A (zh) * 2019-03-12 2019-06-28 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN109959661A (zh) * 2017-12-25 2019-07-02 由田新技股份有限公司 自动光学检测方法、设备、及其深度学习***
CN109978867A (zh) * 2019-03-29 2019-07-05 北京百度网讯科技有限公司 玩具外表质量检测方法及其相关设备
CN109978868A (zh) * 2019-03-29 2019-07-05 北京百度网讯科技有限公司 玩具外表质量检测方法及其相关设备
CN110009617A (zh) * 2019-04-02 2019-07-12 浙江大学 一种轴类件在线质量检测方法
CN110059549A (zh) * 2019-03-11 2019-07-26 齐鲁工业大学 一种基于深度学习的木材薄板分类***及算法
CN110245642A (zh) * 2019-06-21 2019-09-17 北京市市政工程研究院 一种基于深度学习的雷达图谱识别方法及***
CN110310259A (zh) * 2019-06-19 2019-10-08 江南大学 一种基于改进YOLOv3算法的木结瑕疵检测方法
CN110414140A (zh) * 2019-07-30 2019-11-05 同济大学 木材损伤的模型训练和测试方法、装置、设备和存储介质
CN110458791A (zh) * 2018-05-04 2019-11-15 深圳市圆周率软件科技有限责任公司 质量缺陷检测方法和检测设备
CN110458814A (zh) * 2019-07-29 2019-11-15 山东艾雷维特智能科技有限公司 一种木材单板缺陷的检测方法、装置及***
CN110689539A (zh) * 2019-11-12 2020-01-14 南京大学 一种基于深度学习的工件表面缺陷检测方法
CN110738630A (zh) * 2018-07-02 2020-01-31 由田新技股份有限公司 递归性深度学习***的训练方法与检测***
CN110930383A (zh) * 2019-11-20 2020-03-27 佛山市南海区广工大数控装备协同创新研究院 基于深度学习语义分割和图像分类的注射器缺陷检测方法
CN111024729A (zh) * 2019-12-27 2020-04-17 无锡动视宫原科技有限公司 一种偏光片表面轻微压迹的检测方法及检测***
CN111036578A (zh) * 2019-12-27 2020-04-21 无锡动视宫原科技有限公司 一种偏光片表面细微凹凸点的检测方法及检测***
CN111079628A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 地板破损故障图像识别方法
CN111091551A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁支柱开口销丢失故障检测方法
CN111091550A (zh) * 2019-12-12 2020-05-01 创新奇智(北京)科技有限公司 多尺寸自适应的pcb锡膏区域检测***及检测方法
CN111161246A (zh) * 2019-12-30 2020-05-15 歌尔股份有限公司 一种产品缺陷检测方法、装置与***
CN111179263A (zh) * 2020-01-06 2020-05-19 宜通世纪物联网研究院(广州)有限公司 一种工业图像表面缺陷检测模型、方法、***及装置
CN111300144A (zh) * 2019-11-25 2020-06-19 上海大学 基于图像处理的刀具磨损状态自动检测方法
CN111325713A (zh) * 2020-01-21 2020-06-23 浙江省北大信息技术高等研究院 基于神经网络的木材缺陷检测方法、***及存储介质
CN111428796A (zh) * 2020-03-27 2020-07-17 上海媒智科技有限公司 一种基于深度学习的通用物品检测方法及***
CN111563455A (zh) * 2020-05-08 2020-08-21 南昌工程学院 基于时间序列信号和压缩卷积神经网络的伤损识别方法
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
CN111709909A (zh) * 2020-05-12 2020-09-25 安徽艾睿思智能科技有限公司 基于深度学习的通用印刷缺陷检测方法及其模型
CN111751253A (zh) * 2020-07-06 2020-10-09 重庆理工大学 一种混凝土骨料检测模型的形成方法及质量检测方法
CN111833287A (zh) * 2019-04-11 2020-10-27 陕西坤同半导体科技有限公司 一种应用深度学习判断显示面板缺陷的***及其判断方法
WO2021042367A1 (en) * 2019-09-06 2021-03-11 Intel Corporation Deep learning based distributed machine vision camera system
CN112668409A (zh) * 2020-12-14 2021-04-16 合肥富煌君达高科信息技术有限公司 一种视觉测量***及其应用于药品种类识别的方法
CN112697814A (zh) * 2020-12-15 2021-04-23 电子科技大学 一种基于机器视觉的线缆表面缺陷检测***及方法
CN112734690A (zh) * 2020-12-17 2021-04-30 郑州金惠计算机***工程有限公司 一种表面缺陷检测方法、装置及计算机可读存储介质
CN113077430A (zh) * 2021-03-30 2021-07-06 太原理工大学 基于ssd算法的激光器芯片缺陷检测及分类方法与***
CN113155851A (zh) * 2021-04-30 2021-07-23 西安交通大学 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置
CN113240647A (zh) * 2021-05-18 2021-08-10 哈尔滨工业大学（深圳） 一种基于深度学习的手机外壳后盖缺陷检测方法和***
CN113379747A (zh) * 2021-08-16 2021-09-10 深圳市信润富联数字科技有限公司 木材的缺陷检测方法、电子装置、装置及存储介质
CN113409290A (zh) * 2021-06-29 2021-09-17 北京兆维电子(集团)有限责任公司 一种液晶屏外观缺陷检测方法、装置及存储介质
CN113935415A (zh) * 2021-10-14 2022-01-14 上海上实龙创智能科技股份有限公司 质量检测模型训练方法、装置、电子设备及存储介质
CN114332083A (zh) * 2022-03-09 2022-04-12 齐鲁工业大学 一种基于PFNet的工业品伪装瑕疵识别方法
US11315231B2 (en) 2018-06-08 2022-04-26 Industrial Technology Research Institute Industrial image inspection method and system and computer readable recording medium
CN116309375A (zh) * 2023-02-23 2023-06-23 南京林业大学 实木板材双面缺陷检测及智能加工坐标确定方法
CN116559119A (zh) * 2023-05-11 2023-08-08 东北林业大学 一种基于深度学习的木材染色色差检测方法、***及介质
CN117152161A (zh) * 2023-11-01 2023-12-01 山东迪特智联信息科技有限责任公司 一种基于图像识别的刨花板质量检测方法及***
CN117635619A (zh) * 2024-01-26 2024-03-01 南京海关工业产品检测中心 一种基于机器视觉的原木材积检测方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590319A (zh) * 2015-12-18 2016-05-18 华南理工大学 一种深度学习的图像显著性区域检测方法
US20160307072A1 (en) * 2015-04-17 2016-10-20 Nec Laboratories America, Inc. Fine-grained Image Classification by Exploring Bipartite-Graph Labels
CN106127780A (zh) * 2016-06-28 2016-11-16 华南理工大学 一种曲面表面缺陷自动检测方法及其装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160307072A1 (en) * 2015-04-17 2016-10-20 Nec Laboratories America, Inc. Fine-grained Image Classification by Exploring Bipartite-Graph Labels
CN105590319A (zh) * 2015-12-18 2016-05-18 华南理工大学 一种深度学习的图像显著性区域检测方法
CN106127780A (zh) * 2016-06-28 2016-11-16 华南理工大学 一种曲面表面缺陷自动检测方法及其装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李梦园: ""深度学习算法在表面缺陷识别中的应用研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
梁海平: ""基于机器视觉的木材表面缺陷的在线检测技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (104)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108362702A (zh) * 2017-12-14 2018-08-03 北京木业邦科技有限公司 一种基于人工智能的单板缺陷检测方法、***及设备
CN108262809A (zh) * 2017-12-14 2018-07-10 北京木业邦科技有限公司 基于人工智能的木板加工方法、装置、电子设备和介质
CN108247764B (zh) * 2017-12-14 2021-04-27 北京木业邦科技有限公司 基于机器学习的木板切割方法、装置、电子设备和介质
CN108375353B (zh) * 2017-12-14 2024-04-19 北京木业邦科技有限公司 一种木材检测方法、装置和设备
CN108262809B (zh) * 2017-12-14 2021-06-29 北京木业邦科技有限公司 基于人工智能的木板加工方法、装置、电子设备和介质
CN108247764A (zh) * 2017-12-14 2018-07-06 北京木业邦科技有限公司 基于机器学习的木板切割方法、装置、电子设备和介质
CN108375353A (zh) * 2017-12-14 2018-08-07 北京木业邦科技有限公司 一种木材检测方法、装置和设备
CN108074231A (zh) * 2017-12-18 2018-05-25 浙江工业大学 一种基于卷积神经网络的磁片表面缺陷检测方法
CN108038853B (zh) * 2017-12-18 2020-05-26 浙江工业大学 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法
CN108038853A (zh) * 2017-12-18 2018-05-15 浙江工业大学 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法
CN108074231B (zh) * 2017-12-18 2020-04-21 浙江工业大学 一种基于卷积神经网络的磁片表面缺陷检测方法
CN109959661A (zh) * 2017-12-25 2019-07-02 由田新技股份有限公司 自动光学检测方法、设备、及其深度学习***
CN108154504A (zh) * 2017-12-25 2018-06-12 浙江工业大学 一种基于卷积神经网络的钢板表面缺陷的检测方法
CN108789426A (zh) * 2017-12-29 2018-11-13 金门工程建设有限公司 表面处理机械人
CN108230317A (zh) * 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢板缺陷检测分类方法、装置、设备及计算机可读介质
CN108230318B (zh) * 2018-01-09 2019-04-16 北京百度网讯科技有限公司 钢包缺陷检测分类方法、装置、设备及计算机可读介质
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
CN108230318A (zh) * 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢包缺陷检测分类方法、装置、设备及计算机可读介质
CN108389181A (zh) * 2018-01-23 2018-08-10 南京大学 一种基于深度学习和法向图的零件缺陷检测和定位方法
CN108311411A (zh) * 2018-02-07 2018-07-24 陕西科技大学 一种冬虫夏草智能化分拣***及其使用方法
CN108491867A (zh) * 2018-03-12 2018-09-04 苏州卓融新能源科技有限公司 基于人工智能的影像匹配及识别方法
CN108346153A (zh) * 2018-03-22 2018-07-31 北京木业邦科技有限公司 木材缺陷的机器学习及修复方法、装置、***、电子设备
CN110458791B (zh) * 2018-05-04 2023-06-06 圆周率科技(常州)有限公司 质量缺陷检测方法和检测设备
CN110458791A (zh) * 2018-05-04 2019-11-15 深圳市圆周率软件科技有限责任公司 质量缺陷检测方法和检测设备
US11276158B2 (en) 2018-05-25 2022-03-15 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for inspecting corrosion defect of ladle
CN108776808A (zh) * 2018-05-25 2018-11-09 北京百度网讯科技有限公司 一种用于检测钢包溶蚀缺陷的方法和装置
US11315231B2 (en) 2018-06-08 2022-04-26 Industrial Technology Research Institute Industrial image inspection method and system and computer readable recording medium
CN108985337A (zh) * 2018-06-20 2018-12-11 中科院广州电子技术有限公司 一种基于图像深度学习的产品表面划痕检测方法
CN108827974A (zh) * 2018-06-28 2018-11-16 广东科达洁能股份有限公司 一种瓷砖缺陷检测方法及***
CN108827974B (zh) * 2018-06-28 2024-01-09 广东科达洁能股份有限公司 一种瓷砖缺陷检测方法及***
CN108961239A (zh) * 2018-07-02 2018-12-07 北京百度网讯科技有限公司 连铸坯质量检测方法、装置、电子设备及存储介质
CN110738630A (zh) * 2018-07-02 2020-01-31 由田新技股份有限公司 递归性深度学习***的训练方法与检测***
CN109087281A (zh) * 2018-07-02 2018-12-25 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
CN109060832A (zh) * 2018-07-05 2018-12-21 上海徕木电子股份有限公司 一种电子连接器插针工艺缺陷视觉检测方法
CN109063713A (zh) * 2018-07-20 2018-12-21 中国林业科学研究院木材工业研究所 一种基于构造特征图像深度学习的木材鉴别方法和***
CN109145955A (zh) * 2018-07-26 2019-01-04 中国林业科学研究院木材工业研究所 一种木材识别方法及***
CN109145955B (zh) * 2018-07-26 2019-10-22 中国林业科学研究院木材工业研究所 一种木材识别方法及***
CN109142371A (zh) * 2018-07-31 2019-01-04 华南理工大学 基于深度学习的高密度柔性基板外观缺陷检测***与方法
CN108943179A (zh) * 2018-08-22 2018-12-07 慧泉智能科技（苏州）有限公司 一种针对木材表面缺陷的最优切割方法
CN109100371A (zh) * 2018-10-25 2018-12-28 广东华中科技大学工业技术研究院 一种激光全反射式的3c透明构件缺陷检测装置及方法
CN109249300A (zh) * 2018-10-25 2019-01-22 北京木业邦科技有限公司 木材加工控制方法、装置、电子设备及存储介质
WO2020087725A1 (zh) * 2018-10-31 2020-05-07 安徽巨一自动化装备有限公司 一种铝车身自冲铆接铆模失效视觉检测方法
CN109454195A (zh) * 2018-10-31 2019-03-12 安徽巨自动化装备有限公司 一种铝车身自冲铆接铆模失效视觉检测方法
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
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
CN109724543A (zh) * 2018-12-29 2019-05-07 南京林业大学 一种快速评价木材铣削加工性能的方法
CN109829483B (zh) * 2019-01-07 2021-05-18 鲁班嫡系机器人（深圳）有限公司 缺陷识别模型训练方法、装置、计算机设备和存储介质
CN109829483A (zh) * 2019-01-07 2019-05-31 鲁班嫡系机器人（深圳）有限公司 缺陷识别模型训练方法、装置、计算机设备和存储介质
CN109884066A (zh) * 2019-01-22 2019-06-14 江苏恒力化纤股份有限公司 一种离线检测长丝丝卷油污疵点的方法
CN110059549A (zh) * 2019-03-11 2019-07-26 齐鲁工业大学 一种基于深度学习的木材薄板分类***及算法
CN109949286A (zh) * 2019-03-12 2019-06-28 北京百度网讯科技有限公司 用于输出信息的方法和装置
US11341626B2 (en) 2019-03-12 2022-05-24 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for outputting information
CN109978867A (zh) * 2019-03-29 2019-07-05 北京百度网讯科技有限公司 玩具外表质量检测方法及其相关设备
CN109978868A (zh) * 2019-03-29 2019-07-05 北京百度网讯科技有限公司 玩具外表质量检测方法及其相关设备
CN110009617A (zh) * 2019-04-02 2019-07-12 浙江大学 一种轴类件在线质量检测方法
CN111833287A (zh) * 2019-04-11 2020-10-27 陕西坤同半导体科技有限公司 一种应用深度学习判断显示面板缺陷的***及其判断方法
CN110310259B (zh) * 2019-06-19 2021-07-27 江南大学 一种基于改进YOLOv3算法的木结瑕疵检测方法
CN110310259A (zh) * 2019-06-19 2019-10-08 江南大学 一种基于改进YOLOv3算法的木结瑕疵检测方法
CN110245642A (zh) * 2019-06-21 2019-09-17 北京市市政工程研究院 一种基于深度学习的雷达图谱识别方法及***
CN110458814A (zh) * 2019-07-29 2019-11-15 山东艾雷维特智能科技有限公司 一种木材单板缺陷的检测方法、装置及***
CN110414140A (zh) * 2019-07-30 2019-11-05 同济大学 木材损伤的模型训练和测试方法、装置、设备和存储介质
WO2021042367A1 (en) * 2019-09-06 2021-03-11 Intel Corporation Deep learning based distributed machine vision camera system
CN110689539A (zh) * 2019-11-12 2020-01-14 南京大学 一种基于深度学习的工件表面缺陷检测方法
CN110930383A (zh) * 2019-11-20 2020-03-27 佛山市南海区广工大数控装备协同创新研究院 基于深度学习语义分割和图像分类的注射器缺陷检测方法
CN111300144A (zh) * 2019-11-25 2020-06-19 上海大学 基于图像处理的刀具磨损状态自动检测方法
CN111091551A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁支柱开口销丢失故障检测方法
CN111079628A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 地板破损故障图像识别方法
CN111091550A (zh) * 2019-12-12 2020-05-01 创新奇智(北京)科技有限公司 多尺寸自适应的pcb锡膏区域检测***及检测方法
CN111036578A (zh) * 2019-12-27 2020-04-21 无锡动视宫原科技有限公司 一种偏光片表面细微凹凸点的检测方法及检测***
CN111024729A (zh) * 2019-12-27 2020-04-17 无锡动视宫原科技有限公司 一种偏光片表面轻微压迹的检测方法及检测***
CN111161246B (zh) * 2019-12-30 2024-05-14 歌尔股份有限公司 一种产品缺陷检测方法、装置与***
CN111161246A (zh) * 2019-12-30 2020-05-15 歌尔股份有限公司 一种产品缺陷检测方法、装置与***
CN111179263A (zh) * 2020-01-06 2020-05-19 宜通世纪物联网研究院(广州)有限公司 一种工业图像表面缺陷检测模型、方法、***及装置
CN111179263B (zh) * 2020-01-06 2023-10-13 广东宜通联云智能信息有限公司 一种工业图像表面缺陷检测模型、方法、***及装置
CN111325713A (zh) * 2020-01-21 2020-06-23 浙江省北大信息技术高等研究院 基于神经网络的木材缺陷检测方法、***及存储介质
CN111428796A (zh) * 2020-03-27 2020-07-17 上海媒智科技有限公司 一种基于深度学习的通用物品检测方法及***
CN111428796B (zh) * 2020-03-27 2024-04-02 上海媒智科技有限公司 一种基于深度学习的通用物品检测方法及***
CN111563455A (zh) * 2020-05-08 2020-08-21 南昌工程学院 基于时间序列信号和压缩卷积神经网络的伤损识别方法
CN111709909B (zh) * 2020-05-12 2024-02-20 苏州科亿信息科技有限公司 基于深度学习的通用印刷缺陷检测方法及其模型
CN111709909A (zh) * 2020-05-12 2020-09-25 安徽艾睿思智能科技有限公司 基于深度学习的通用印刷缺陷检测方法及其模型
CN111751253A (zh) * 2020-07-06 2020-10-09 重庆理工大学 一种混凝土骨料检测模型的形成方法及质量检测方法
CN111751253B (zh) * 2020-07-06 2022-10-14 重庆理工大学 一种混凝土骨料检测模型的形成方法及质量检测方法
CN112668409A (zh) * 2020-12-14 2021-04-16 合肥富煌君达高科信息技术有限公司 一种视觉测量***及其应用于药品种类识别的方法
CN112697814B (zh) * 2020-12-15 2022-05-17 电子科技大学 一种基于机器视觉的线缆表面缺陷检测***及方法
CN112697814A (zh) * 2020-12-15 2021-04-23 电子科技大学 一种基于机器视觉的线缆表面缺陷检测***及方法
CN112734690A (zh) * 2020-12-17 2021-04-30 郑州金惠计算机***工程有限公司 一种表面缺陷检测方法、装置及计算机可读存储介质
CN113077430A (zh) * 2021-03-30 2021-07-06 太原理工大学 基于ssd算法的激光器芯片缺陷检测及分类方法与***
CN113077430B (zh) * 2021-03-30 2023-05-09 太原理工大学 基于ssd算法的激光器芯片缺陷检测及分类方法与***
CN113155851A (zh) * 2021-04-30 2021-07-23 西安交通大学 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置
CN113240647A (zh) * 2021-05-18 2021-08-10 哈尔滨工业大学（深圳） 一种基于深度学习的手机外壳后盖缺陷检测方法和***
CN113409290B (zh) * 2021-06-29 2023-12-15 北京兆维电子(集团)有限责任公司 一种液晶屏外观缺陷检测方法、装置及存储介质
CN113409290A (zh) * 2021-06-29 2021-09-17 北京兆维电子(集团)有限责任公司 一种液晶屏外观缺陷检测方法、装置及存储介质
CN113379747B (zh) * 2021-08-16 2021-12-21 深圳市信润富联数字科技有限公司 木材的缺陷检测方法、电子装置、装置及存储介质
CN113379747A (zh) * 2021-08-16 2021-09-10 深圳市信润富联数字科技有限公司 木材的缺陷检测方法、电子装置、装置及存储介质
CN113935415A (zh) * 2021-10-14 2022-01-14 上海上实龙创智能科技股份有限公司 质量检测模型训练方法、装置、电子设备及存储介质
CN114332083A (zh) * 2022-03-09 2022-04-12 齐鲁工业大学 一种基于PFNet的工业品伪装瑕疵识别方法
CN116309375A (zh) * 2023-02-23 2023-06-23 南京林业大学 实木板材双面缺陷检测及智能加工坐标确定方法
CN116309375B (zh) * 2023-02-23 2023-10-24 南京林业大学 实木板材双面缺陷检测及智能加工坐标确定方法
CN116559119A (zh) * 2023-05-11 2023-08-08 东北林业大学 一种基于深度学习的木材染色色差检测方法、***及介质
CN116559119B (zh) * 2023-05-11 2024-01-26 东北林业大学 一种基于深度学习的木材染色色差检测方法、***及介质
CN117152161A (zh) * 2023-11-01 2023-12-01 山东迪特智联信息科技有限责任公司 一种基于图像识别的刨花板质量检测方法及***
CN117152161B (zh) * 2023-11-01 2024-03-01 山东迪特智联信息科技有限责任公司 一种基于图像识别的刨花板质量检测方法及***
CN117635619B (zh) * 2024-01-26 2024-04-05 南京海关工业产品检测中心 一种基于机器视觉的原木材积检测方法及***
CN117635619A (zh) * 2024-01-26 2024-03-01 南京海关工业产品检测中心 一种基于机器视觉的原木材积检测方法及***

Also Published As

Publication number Publication date
CN107392896B (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN107392896B (zh) 一种基于深度学习的木材缺陷检测方法和***
CN108038853B (zh) 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法
CN110992317B (zh) 一种基于语义分割的pcb板缺陷检测方法
CN107123111B (zh) 一种用于手机屏幕缺陷检测的深度残差网络构造方法
CN110274908A (zh) 缺陷检查装置、缺陷检查方法以及计算机可读记录介质
CN107123114A (zh) 一种基于机器学习的布匹缺陷检测方法及装置
CN108229665A (zh) 一种以深度卷积神经网络为基础的零件分拣***
CN108562589A (zh) 一种对磁路材料表面缺陷进行检测的方法
CN110310259A (zh) 一种基于改进YOLOv3算法的木结瑕疵检测方法
CN107016406A (zh) 基于生成式对抗网络的病虫害图像生成方法
CN111311544B (zh) 一种基于深度学习的地板缺陷检测方法
CN107862668A (zh) 一种基于gnn的文物图像复原方法
CN106875373A (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN113160123B (zh) 一种基于YOLOv5的皮革缺陷检测方法、***及装置
CN110060251A (zh) 一种基于U-Net的建筑物表面裂纹检测方法
CN109242830A (zh) 一种基于深度学习的机器视觉技术检测方法
CN113034483B (zh) 基于深度迁移学习的烟支缺陷检测方法
CN208092786U (zh) 一种以深度卷积神经网络为基础的零件分拣***
CN110533629A (zh) 一种桥梁裂缝的检测方法及检测装置
CN112150417A (zh) 基于深度学习的涂布缺陷检测方法
CN114005081A (zh) 一种烟丝异物智能检测装置及方法
CN112364944A (zh) 一种基于深度学习的生活垃圾分类方法
CN107742132A (zh) 基于卷积神经网络的马铃薯表面缺陷检测方法
CN106323985B (zh) 计算机视觉结合自我学习行为的实木板材品质检测方法
CN112800909A (zh) 一种自学习型的烟丝杂物视像检测方法

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