CN110083719A - 一种基于深度学习的工业制品病疵检测方法 - Google Patents
一种基于深度学习的工业制品病疵检测方法 Download PDFInfo
- Publication number
- CN110083719A CN110083719A CN201910248978.2A CN201910248978A CN110083719A CN 110083719 A CN110083719 A CN 110083719A CN 201910248978 A CN201910248978 A CN 201910248978A CN 110083719 A CN110083719 A CN 110083719A
- Authority
- CN
- China
- Prior art keywords
- file
- model
- defect
- data set
- training
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Library & Information Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种一种基于深度学习的工业制品病疵检测方法,该方法具体为先下载,并测试官方的模型,搭建工业轮胎X光病疵数据库;使用标注软件LabelImg分别对train数据集和validation数据集进行标注,生成.XML文件,依次将.XML文件生成.CSV文件,最终生成.RECORD文件。然后创建.PBTXT轮胎病疵类别标签文件。接下来搭建Faster RCNN神经网络模型,同时下载模型作为预训练的权值,配置对应的配置文件。然后开始训练模型,当迭代次数达到设定值自动停止训练或者模型训练至收敛时,手动停止训练。导出训练模型,最后使用test数据集进行目标检测。
Description
技术领域
本发明涉及利用Tensorflow object detection API和Faster R-CNN神经网络模型进行工业制品病疵检测方法,是一种利用预训练模型进行迁移学习的工业制品病疵检测方法,具体涉及一种工业轮胎X光病疵检测方法。
背景技术
随着经济和社会的快速发展,轮胎工业在生活中扮演了越来越重要的角色,但是由于原料、生产工艺等因素,导致轮胎出现多种不同病疵而影响轮胎质量和使用性能。传统的轮胎质量检测法是通过人眼观察来判定轮胎质量等级。这种方法存在明显的主观性,长时间的工作会使眼睛疲劳,不仅对工人的眼睛造成损伤,也会导致误检。轮胎在高速的自动化工业生产中极易产生质量问题,例如胎体帘线病疵、带束层帘线病疵和异物病疵等一系列问题,这些病疵会直接影响到成品轮胎的质量。若能及时、有效的发现这些轮胎病疵问题,便能大大杜绝大批量问题轮胎的产生,提高轮胎企业的生产效率,从而提高出厂产品质量。所以,找出工业产品中的病疵,确定病疵的位置和类别,是机器视觉领域的核心问题之一。
伴随着深度学习技术真正走进主流学术界和工业界的视野。深度神经网络的出现颠覆了传统的特征提取方式,凭借其强大的表达能力,通过丰富的训练数据和充分的训练能够自主学习有用的特征。这相比传统的人工发现特征并根据特征设计算法的方式是质的飞跃。目前主流的目标检测算法有R-CNN、Fast RCNN、SPPnet、SSD、YOLO、R-FCN、Faster R-CNN等,其中Faster R-CNN在工业制品检测中能满足实时检测、识别准确率高、能准确分类和定位出目标的位置。
本发明采用的工业轮胎X光病疵检测方法满足如下优点:1)使用Tensorflowobject detection API使目标检测更加简洁;2)迁移学习的方法解决了标注数据缺少,标注不准确等问题;3)检测过程稳定可靠,对工业制品病疵目标检测具有普适性,能适应个体差异和环境变化。
发明内容
本发明针对现有的工业病疵检测的不足,提出了一种全新的工业病疵检测方法,能够有效解决现有工业病疵目标检测方法的劣势。
一种基于Tensorflow object detection API下的工业制品病疵目标检测方法,该方法具体包括以下步骤:
步骤一:下载并安装Tensorflow object detection API,配置环境后进行测试官方模型;如果测试通过则此电脑安装配置Tensorflow object detection API成功,否则需重新配置;
步骤二:建立工业轮胎X光病疵数据库,将其分为train数据集,validation数据集和test数据集;使用标记工具LabelImg对train数据集和validation数据集进行一一标注。
步骤三:将标注后生成的.XML文件转换成.CSV文件,然后再将.CSV文件转换为tensorflow使用的数据格式TFRecord文件;并创建.pbtxt轮胎病疵类别标签文件;
步骤四:搭建Faster R-CNN神经网络模型,下载faster_rcnn_inception_v2_coco预训练模型,创建预训练模型的配置文件,配置文件中使用了步骤三中的.TFRecord文件和.pbtxt标签文件。
步骤五:模型训练;当迭代次数达到设定值后,模型训练结束或者直到模型训练至收敛。
步骤六:依据步骤五的训练结果导出frozen_inference_graph.pb模型文件。
步骤七:使用步骤六训练出的模型对test数据集进行测试。
作为优选:所述的模型训练具体为:先设定好模型训练的迭代次数,当迭代次数未达到设定值时,模型训练一直进行,当模型训练的次数达到设定值时,自动结束训练;或者模型训练至收敛,训练自动结束。
作为优选:使用训练出的模型对test数据集进行测试具体为:对于test数据集中的每一个图片数据,如果图片中没有病疵类别,经过测试后的图片数据中没有任何病疵被标出;如果图片数据中有一种或多种病疵类别,无论该种病疵类别的个数为几个,所有的病疵均会被标出,不同类别的病疵会被不同颜色的目标框框出其位置所在,并显示出分类结果。
本发明的有益效果:
1.利用Tensorflow object detection API和faster R-CNN神经网络模型进行工业制品病疵目标检测方法,此目标检测方法能够准确识别病疵类别,并标出病疵的位置。
2.本发明采用Tensorflow object detection API,该API使得目标检测的方法操作起来更加简便,极大的简化了目标检测的流程。
3.Faster R-CNN神经网络模型使用区域生成网络(Region Proposal Network)极大的加快了检测速度,真正实现端到端的目标检测模型,生成目标建议框时间快速。
4.在训练网络时,使用迁移学习的方法进行模型训练,提高模型的稳定性和泛化性,解决标注数据量缺少,标注不准确等问题。
本视线区域检测方法具有识别准确性高、检测速度快、稳定性好、可泛化性强等优点。
附图说明
图1(a)为接头开病疵类别的轮胎X光图像;
图1(b)为稀开根病疵类别的轮胎X光图像;
图1(c)为搭线病疵类别的轮胎X光图像;
图1(d)为杂物病疵类别的轮胎X光图像;
图2为Tensorflow object detection API下的工业制品病疵检测流程图;
图3为本发明工业制品病疵检测Faster R-CNN神经网络模型原理图;
图4(a)为本发明工业轮胎X光病疵检测效果图;
图4(b)为本发明工业轮胎X光病疵检测效果图;
具体实施方式
下面结合附图对本发明作进一步的说明。
一、本发明工业制品病疵检测流程图如图2所示
本发明具体实施流程为:下载Tensorflow object detection API,并测试官方的模型,如果测试通过则此电脑安装配置Tensorflow object detection API成功,否则需重新配置。搭建工业轮胎X光病疵数据库,分别为train数据集,validation数据集,test数据集。使用标注软件LabelImg分别对train数据集和validation数据集进行标注,生成.XML文件,依次将.XML文件生成.CSV文件,最终生成.RECORD文件。然后创建.PBTXT轮胎病疵类别标签文件。接下来搭建Faster RCNN神经网络模型,同时下载faster_rcnn_inception_v2_coco模型作为预训练的权值,配置对应的配置文件。然后开始训练模型,当迭代次数达到设定值自动停止训练或者模型训练至收敛时,手动停止训练。导出训练模型,最后使用test数据集进行目标检测。
主要包括Tensorflow object detection API、迁移学习预训练模型、FasterRCNN神经网络模型,并对工业制品病疵的位置和类别进行判断。
(1)本发明使用了tensorflow object detection API,其安装和配置如下。首先安装配置好tensorflow;下载object detection模型;编译Protobuf,生成.py文件;用命令行测试安装情况,如果命令行提示ok,则安装配置成功,否则需重新配置。
(2)本发明创建轮胎X光片病疵数据集并配置相关配置文件,其中图1(a)、图1(b)、图1(c)、图1(d)为四类病疵轮胎X光片样图,分别为接头开(Jointopen)、稀开根(Sparseroot)、搭线(Cordcontact)、杂物(Mess)。收集轮胎X光片病疵图片,分为三个数据集,分别为train数据集、validation数据集、test数据集。使用LabelImg标注工具分别对train数据集和validation数据集进行标注;经过标注工具标注后的图片生成.XML文件,然后通过xml_to_csv.py脚本文件,将.XML文件转换为.CSV文件,再使用csv_to_TFRecord.py脚本文件,将.CSV转化为TFRecord格式的文件;创建轮胎病疵标签分类的配置文件(label_map.pbtxt)。
(3)本发明使用了迁移学习预训练模型。迁移学习的基本思路是利用预训练模型,即已经通过现成的数据集训练好的模型,可以减少训练数据的规模,还可以有效避免过度拟合。下载faster_rcnn_inception_v2_coco预训练模型,并配置faster_rcnn_inception_v2_coco.config文件。
(4)本发明使用Faster RCNN神经网络模型。将整张图片输入卷积神经网络(CNN),进行特征提取,用区域生成网络(Region Proposal Network)生成建议窗口(proposals),每张图片生成300个建议窗口;把建议窗口映射到卷积神经网络(CNN)的最后一层卷积特征映射(feature map)上;通过兴趣区域池化(ROI pooling)层使每个兴趣区域(ROI)生成固定尺寸的特征映射;利用探测分类概率(Softmax Loss)和探测边框回归(Smooth L1Loss)对分类概率和边框回归(Bounding box regression)联合训练。Faster R-CNN抛弃了选择性搜索(Selective Search),引入了区域生成网络(RPN)网络,使用候选区域,使得分类、回归一起共用卷积特征,从而进一步加速了检测过程。其中Faster R-CNN使用了感兴趣区域锚(Anchor)的思想对在特征映射上进行预处理,产生多个候选框,使得区域生成网络(RPN)的回归变成了回归到感兴趣区域锚的相对位置,使得网络更加稳定。Faster R-CNN神经网络模型图如图3所示。
使用test数据集对训练出的模型测试,能准确识别病疵的位置和类别,并用不同颜色的标记框画出。最终本发明中工业轮胎X光病疵目标检测效果图如图4(a)、图4(b)所示。
Claims (3)
1.一种基于深度学习的工业制品病疵检测方法,其特征在于,该方法具体包括以下步骤:
步骤一:下载并安装Tensorflow object detection API,配置环境后进行测试官方模型;如果测试通过则此电脑安装配置Tensorflow object detection API成功,否则需重新配置;
步骤二:建立工业轮胎X光病疵数据库,将其分为train数据集,validation数据集和test数据集;使用标记工具LabelImg对train数据集和validation数据集进行一一标注;
步骤三:将标注后生成的.XML文件转换成.CSV文件,然后再将.CSV文件转换为tensorflow使用的数据格式TFRecord文件;并创建.pbtxt轮胎病疵类别标签文件;
步骤四:搭建Faster R-CNN神经网络模型,下载faster_rcnn_inception_v2_coco预训练模型,创建预训练模型的配置文件,配置文件中使用了步骤三中的.TFRecord文件和.pbtxt标签文件;
步骤五:模型训练;当迭代次数达到设定值后,模型训练结束或者直到模型训练至收敛;
步骤六:依据步骤五的训练结果导出frozen_inference_graph.pb模型文件;
步骤七:使用步骤六训练出的模型对test数据集进行测试。
2.根据权利要求1所述的一种基于深度学习的工业制品病疵检测方法,其特征在于:
所述的模型训练具体为:先设定好模型训练的迭代次数,当迭代次数未达到设定值时,模型训练一直进行,当模型训练的次数达到设定值时,自动结束训练;或者模型训练至收敛,训练自动结束。
3.根据权利要求1所述的一种基于深度学习的工业制品病疵检测方法,其特征在于:
使用训练出的模型对test数据集进行测试具体为:对于test数据集中的每一个图片数据,如果图片中没有病疵类别,经过测试后的图片数据中没有任何病疵被标出;如果图片数据中有一种或多种病疵类别,无论该种病疵类别的个数为几个,所有的病疵均会被标出,不同类别的病疵会被不同颜色的目标框框出其位置所在,并显示出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910248978.2A CN110083719A (zh) | 2019-03-29 | 2019-03-29 | 一种基于深度学习的工业制品病疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910248978.2A CN110083719A (zh) | 2019-03-29 | 2019-03-29 | 一种基于深度学习的工业制品病疵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110083719A true CN110083719A (zh) | 2019-08-02 |
Family
ID=67413869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910248978.2A Pending CN110083719A (zh) | 2019-03-29 | 2019-03-29 | 一种基于深度学习的工业制品病疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083719A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378422A (zh) * | 2019-07-22 | 2019-10-25 | 福州大学 | 一种基于Faster R-CNN的武器识别方法 |
CN111652212A (zh) * | 2020-05-21 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法 |
CN111862029A (zh) * | 2020-07-15 | 2020-10-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路动车组垂向减震器螺栓部件故障检测方法 |
CN112016447A (zh) * | 2020-08-27 | 2020-12-01 | 华南理工大学 | 基于Yolo神经网络的智能额头测温方法及其应用 |
CN112415015A (zh) * | 2020-11-10 | 2021-02-26 | 霍尔果斯奇妙软件科技有限公司 | 一种轮胎带束层接头缺陷检测方法、装置、设备及介质 |
CN113065473A (zh) * | 2021-04-07 | 2021-07-02 | 浙江天铂云科光电股份有限公司 | 一种适用于嵌入式***的口罩人脸检测和体温测量方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140050387A1 (en) * | 2012-08-17 | 2014-02-20 | Cognex Corporation | System and Method for Machine Vision Inspection |
CN104318256A (zh) * | 2014-11-17 | 2015-01-28 | 上海埃蒙特自动化***有限公司 | 基于计算机软件实现玻璃缺陷自动检测分类的方法 |
CN104616031A (zh) * | 2015-01-22 | 2015-05-13 | 哈尔滨工业大学深圳研究生院 | 迁移学习方法及装置 |
CN105243398A (zh) * | 2015-09-08 | 2016-01-13 | 西安交通大学 | 基于线性判别分析准则的改进卷积神经网络性能的方法 |
CN106953862A (zh) * | 2017-03-23 | 2017-07-14 | 国家电网公司 | 网络安全态势的感知方法和装置及感知模型训练方法和装置 |
CN106991439A (zh) * | 2017-03-28 | 2017-07-28 | 南京天数信息科技有限公司 | 基于深度学习与迁移学习的图像识别方法 |
CN107247957A (zh) * | 2016-12-16 | 2017-10-13 | 广州中国科学院先进技术研究所 | 一种基于深度学习和云计算的智能农产品分类方法及*** |
CN107316061A (zh) * | 2017-06-22 | 2017-11-03 | 华南理工大学 | 一种深度迁移学***衡分类集成方法 |
US20170323636A1 (en) * | 2016-05-05 | 2017-11-09 | Conduent Business Services, Llc | Semantic parsing using deep neural networks for predicting canonical forms |
CN107972036A (zh) * | 2017-12-25 | 2018-05-01 | 厦门大学嘉庚学院 | 基于TensorFlow的工业机器人动力学控制***及方法 |
CN108197633A (zh) * | 2017-11-24 | 2018-06-22 | 百年金海科技有限公司 | 基于TensorFlow的深度学习图像分类与应用部署方法 |
CN108399406A (zh) * | 2018-01-15 | 2018-08-14 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及*** |
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 |
CN108596470A (zh) * | 2018-04-19 | 2018-09-28 | 浙江大学 | 一种基于TensorFlow框架的电力设备缺陷文本处理方法 |
CN108776777A (zh) * | 2018-05-25 | 2018-11-09 | 武汉理工大学 | 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法 |
CN108985173A (zh) * | 2018-06-19 | 2018-12-11 | 奕通信息科技(上海)股份有限公司 | 面向有标记噪声表观年龄数据库的深度网络迁移学习方法 |
CN109376773A (zh) * | 2018-09-30 | 2019-02-22 | 福州大学 | 基于深度学习的裂纹检测方法 |
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 |
-
2019
- 2019-03-29 CN CN201910248978.2A patent/CN110083719A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140050387A1 (en) * | 2012-08-17 | 2014-02-20 | Cognex Corporation | System and Method for Machine Vision Inspection |
CN104318256A (zh) * | 2014-11-17 | 2015-01-28 | 上海埃蒙特自动化***有限公司 | 基于计算机软件实现玻璃缺陷自动检测分类的方法 |
CN104616031A (zh) * | 2015-01-22 | 2015-05-13 | 哈尔滨工业大学深圳研究生院 | 迁移学习方法及装置 |
CN105243398A (zh) * | 2015-09-08 | 2016-01-13 | 西安交通大学 | 基于线性判别分析准则的改进卷积神经网络性能的方法 |
US20170323636A1 (en) * | 2016-05-05 | 2017-11-09 | Conduent Business Services, Llc | Semantic parsing using deep neural networks for predicting canonical forms |
CN107247957A (zh) * | 2016-12-16 | 2017-10-13 | 广州中国科学院先进技术研究所 | 一种基于深度学习和云计算的智能农产品分类方法及*** |
CN106953862A (zh) * | 2017-03-23 | 2017-07-14 | 国家电网公司 | 网络安全态势的感知方法和装置及感知模型训练方法和装置 |
CN106991439A (zh) * | 2017-03-28 | 2017-07-28 | 南京天数信息科技有限公司 | 基于深度学习与迁移学习的图像识别方法 |
CN107316061A (zh) * | 2017-06-22 | 2017-11-03 | 华南理工大学 | 一种深度迁移学***衡分类集成方法 |
CN108197633A (zh) * | 2017-11-24 | 2018-06-22 | 百年金海科技有限公司 | 基于TensorFlow的深度学习图像分类与应用部署方法 |
CN107972036A (zh) * | 2017-12-25 | 2018-05-01 | 厦门大学嘉庚学院 | 基于TensorFlow的工业机器人动力学控制***及方法 |
CN108399406A (zh) * | 2018-01-15 | 2018-08-14 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及*** |
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 |
CN108596470A (zh) * | 2018-04-19 | 2018-09-28 | 浙江大学 | 一种基于TensorFlow框架的电力设备缺陷文本处理方法 |
CN108776777A (zh) * | 2018-05-25 | 2018-11-09 | 武汉理工大学 | 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法 |
CN108985173A (zh) * | 2018-06-19 | 2018-12-11 | 奕通信息科技(上海)股份有限公司 | 面向有标记噪声表观年龄数据库的深度网络迁移学习方法 |
CN109376773A (zh) * | 2018-09-30 | 2019-02-22 | 福州大学 | 基于深度学习的裂纹检测方法 |
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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378422A (zh) * | 2019-07-22 | 2019-10-25 | 福州大学 | 一种基于Faster R-CNN的武器识别方法 |
CN111652212A (zh) * | 2020-05-21 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法 |
CN111862029A (zh) * | 2020-07-15 | 2020-10-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路动车组垂向减震器螺栓部件故障检测方法 |
CN112016447A (zh) * | 2020-08-27 | 2020-12-01 | 华南理工大学 | 基于Yolo神经网络的智能额头测温方法及其应用 |
CN112415015A (zh) * | 2020-11-10 | 2021-02-26 | 霍尔果斯奇妙软件科技有限公司 | 一种轮胎带束层接头缺陷检测方法、装置、设备及介质 |
CN112415015B (zh) * | 2020-11-10 | 2023-12-05 | 霍尔果斯奇妙软件科技有限公司 | 一种轮胎带束层接头缺陷检测方法、装置、设备及介质 |
CN113065473A (zh) * | 2021-04-07 | 2021-07-02 | 浙江天铂云科光电股份有限公司 | 一种适用于嵌入式***的口罩人脸检测和体温测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083719A (zh) | 一种基于深度学习的工业制品病疵检测方法 | |
CN110136101B (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
CN104990926B (zh) | 一种基于视觉的tr元件定位和缺陷检测方法 | |
CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
CN110310262A (zh) | 一种用于检测轮胎缺陷的方法、装置及*** | |
CN109376606B (zh) | 一种电力巡检图像杆塔基础故障检测方法 | |
CN110288032B (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
CN109344825A (zh) | 一种基于卷积神经网络的车牌识别方法 | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN105224960B (zh) | 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法 | |
CN109523518B (zh) | 一种轮胎x光病疵检测方法 | |
CN107657603A (zh) | 一种基于智能视觉的工业外观检测方法 | |
CN108615230A (zh) | 一种轮毂表面异常检测方法和*** | |
CN110211173A (zh) | 一种基于深度学习的古生物化石定位和识别方法 | |
CN107437094A (zh) | 基于机器学习的木板分拣方法及*** | |
CN106157688A (zh) | 基于深度学习和大数据的停车位检测方法和*** | |
CN110263934B (zh) | 一种人工智能数据标注方法和装置 | |
CN104598885A (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN110246134A (zh) | 一种钢轨伤损分类装置 | |
CN108932712A (zh) | 一种转子绕组质量检测***及方法 | |
CN109241997A (zh) | 一种生成训练集的方法及装置 | |
CN107016396A (zh) | 一种装配连接件图像特征深度学习与识别方法 | |
CN110503623A (zh) | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 | |
CN113537496A (zh) | 一种深度学习模型可视化构建***及其应用和设计方法 | |
CN110751138A (zh) | 一种基于yolov3和CNN的盘头标识识别方法 |
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 |