CN110689539A - 一种基于深度学习的工件表面缺陷检测方法 - Google Patents
一种基于深度学习的工件表面缺陷检测方法 Download PDFInfo
- Publication number
- CN110689539A CN110689539A CN201910993517.8A CN201910993517A CN110689539A CN 110689539 A CN110689539 A CN 110689539A CN 201910993517 A CN201910993517 A CN 201910993517A CN 110689539 A CN110689539 A CN 110689539A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- deep learning
- convolutional
- surface defect
- defect detection
- 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 34
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000002688 persistence Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013329 compounding Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 240000007651 Rubus glaucus Species 0.000 description 4
- 235000011034 Rubus glaucus Nutrition 0.000 description 4
- 235000009122 Rubus idaeus Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000854291 Dianthus carthusianorum Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- WURBVZBTWMNKQT-UHFFFAOYSA-N 1-(4-chlorophenoxy)-3,3-dimethyl-1-(1,2,4-triazol-1-yl)butan-2-one Chemical compound C1=NC=NN1C(C(=O)C(C)(C)C)OC1=CC=C(Cl)C=C1 WURBVZBTWMNKQT-UHFFFAOYSA-N 0.000 description 1
- 241001137251 Corvidae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015108 pies Nutrition 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于深度学习的工件表面缺陷检测方法,利用深度学习技术,构建了工件表面缺陷检测***,目的在于解决传统方法中人力开销大、***效率低、适应性差的缺点,能够在生产环境下对工件表面缺陷进行快速识别、反馈,保证了***的准确度与效率。***通过图像采集装置对工件表面进行图像捕获,经由捕获终端预处理后,上传至处理计算机。处理计算机将调用基于深度神经网络模型的预测器对图像进行识别,并输出预测向量。最后,处理中心将预测向量发布到显示终端,使得工件表面缺陷状态得到直观展示。
Description
技术领域
本发明涉及机器视觉与检测技术领域,具体涉及一种基于深度学习的工件表面缺陷检测方法。
背景技术
质量控制是产业升级的重要一环。以工件缺陷检测为例,目前,许多厂家仍以人力为主导,这种方式不仅效率低下、而且提高了人力成本。秉着制造信息化的导向,以机器视觉代替人眼视觉以参与产品质量控制已成为当今制造业的发展趋势,而目前也有一些厂商开始尝试采取传统的机器视觉方案。目前已经应用的技术方案主有基于背景建模的前景检测算法和基于支持向量机的学习算法。其中,基于背景建模的前景检测算法效率依赖于捕获图像尺度,即运算量与输入尺度呈现出幂次增长的关系,当捕获图像的分辨率提高往往造成***效率急剧下降;基于支持向量机的学习算法相比于基于背景建模的前景检测算法表现出***效率方面的提升,但由于支持向量机的空间消耗主要用于存储训练样本和核矩阵,当矩阵阶数(与输入样本数有关)很大时将耗费大量的存储空间及机器内存。另外,支持向量机解决多分类问题较为困难。
近年来深度神经网络(深度学习)随着商业化的巨大成功而迎来了发展的井喷期。其于智能化行业中被广泛应用,为人类社会带来巨大的经济效益。卷积神经网络(Convolutional Neural Networks,CNN)作为深度神经网络的典型,相比于传统算法,对于复杂特征拥有更好的提取能力,被广泛应用于机器视觉与图像处理等领域。其相比于传统机器视觉算法,若参数优化得当,拥有更好的适应性与准确度,且***效率大幅提升。而相比于基于支持向量机的学习算法,其计算存储开销小、可用于解决多分类问题。因此,有必要开发一种基于深度学习的高效、准确的工件缺陷检测技术,应用于质量控制环节。
发明内容
发明目的:为了解决上述背景技术中存在的问题,本发明利用深度学习技术,构建了工件表面缺陷检测***,解决传统方法中人力开销大、***效率低、适应性差的缺点,能够在生产环境下对工件表面缺陷进行快速识别、反馈,保证了***的准确度与效率。技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于深度学习的工件表面缺陷检测方法,包括以下具体步骤:
步骤1、采用多组摄像头与光照源构建基于多目视觉的图像采集***,捕捉工件在不用角度下的图像;
步骤2、构建分布式图像处理***;采用管道监听机制,处理计算机维护特定的消息管道,捕获终端监听该管道;每次图像采集时捕获终端将对采集到的图像进行批量预处理,随后上传至数据库;利用持久化机制,处理计算机能够将预处理后的图片保存至本地以作为分类器的输入;
步骤3、采集训练样本;将准备好的、已标注的含部分缺陷的工件放入采集***,进行训练数据采集;按照8:2的比例设置训练与验证集合,并设置标签;
步骤4、构建深度学习模型;基于卷积神经网络构建包含卷积层和全连接层的网络模型,层与层之间复合了池化、正则化、归一化模块、用于优化特征提取、提高非线性度;
步骤5、构建预测器程序框架;采用Tensorflow API构建检测***框架;基于工厂模式构建程序逻辑,便于***软件的升级、扩展与优化;
步骤6、将待检测工件放置于图像采集***内,并运行预测器程序;在线运行时,预测器程序接口将接收已预处理的工件捕获图像作为输入;随后调用已训练好的静态模型输出预测向量;
步骤7、预测器将预测向量消息通过预先设定的频道发布到显示终端。显示终端将根据预测向量自动标识出工件缺陷所在位置。
进一步地,所述步骤2中对采集图像进行批量预处理包含转换捕获图片的颜色空间;捕获终端将输入图像的颜色空间有RGB制式转换为YUV制式。
进一步地,所述步骤4中网络模型构建步骤具体如下:将数据集存放于训练脚本指定目录下,运行训练脚本,初始学习率设置为0.001,采用Adam优化器;训练模型按次序各的具体参数分别为:
(1)卷积层1,共计64个卷积核,卷积核大小为11×11,步长设置4,填充模式设置为SAME;激活函数设置为ReLU;复合2×2池化并执行局部响应归一化;
(2)卷积层2,共计256个卷积核,卷积核大小为5×5,填充模式设置为SAME,激活函数设置为ReLU,复合2×2池化并执行局部响应归一化;
(3)卷积层3,共计256个卷积核,卷积核大小为3×3,填充模式设置为SAME,激活函数设置为ReLU,复合2×2池化并执行局部响应归一化;
(4)全连接层1,映射为4096维;
(5)全连接层2,映射为N维,其中N代表标签数目;损失函数为softmax;
经过参数调整,最终得到优化后的动态模型;运行转换脚本后得到.pb格式的静态模型。
进一步地,步骤1中多组摄像头优选为数字摄像头。
进一步地,步骤1中光照源优选为LED光源。
有益效果:本发明针对传统工件表面缺陷检测人力资源消耗大、效率低下的问题,提出了一种基于深度学习的工件表面缺陷检测方法。基于多目视觉的图像采集***保证了推断精度,而基于分布式的图像处理***大幅提升了***效率与鲁棒性;通过扩充训练集的方式提高了预测器网络模型的泛化能力,保证了***准确度。因此大幅降低了人力成本,在保证准确性的情况下提升了***效率。
附图说明
图1是本发明一种基于深度学习的工件表面缺陷检测方法主流程图;
图2是基于多目视觉的图像采集***空间方位示意图;
图3是预测器软件流程示意图;
图4是捕获终端簇状分布连接示意图;
图5是预测器网络模型图;
图6是本发明一种基于深度学习的工件表面缺陷检测***结构图;
图7是基于深度学习的工件表面缺陷检测***具体实施步骤图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
下面提供一种具体实施例:
本发明所述的基于深度学习的工件表面缺陷检测方法分为以下三个模块:图像采集与预处理模块、预测器模块和通信与数据持久化模块。
图像采集与预处理模块:
(1)图像采集模块:
图像采集***设计为立方体容器,从空间方向上看,包含上下左右前后共计6个面。然而,由于底面用于固定工件,故实际只有5个面需要检测。按照待检测面可以分为四种角度:侧面视角(即前后左右)、侧棱视角(前左棱、前右棱、左后棱、右后棱)、上侧面视角(顶面)、上侧棱视角(上前棱、上后棱、上左棱、上右棱)。受视野所限,侧面与侧棱视角需要在空间布局上分为上下个捕捉点,故共需要(4+4)×2+4+1=21个摄像头。本实施例中采用树莓派作为终端,并搭载摄像头。
如图2所示,其中数字1、4、5表示可视面,数字2、3、6表示当前的不可视面。各数字意义为1:前面2:后面3:左面4:右面5:顶面6:底面。各棱标识可以由两个面唯一确定,由两位数字所构成,代表生成该棱线的两个相交面,分别为1-3;前左棱1-4;前右棱3-2;左后棱4-2;右后棱5-1;上前棱5-2;上后棱5-3;上左棱5-4;上右棱。
(2)光源选型与光照控制
光源是图像采集的重要前提,采集图像作为缺陷检测***的输入,其质量好坏很大程度直接决定了预测结果的准确性。合适的光源不仅能够放大缺陷细节,甚至能够屏蔽掉干扰特征,从而降低检测样本的噪声。
光源种类可分为自然光与人工光,由于图像采集***是封闭构型,因此本***选择人工光源。鉴于LED具有寿命长、功耗低的特性,本实施例中选用LED作为光照发生器。
(3)摄像头选型
摄像头主要分为模拟摄像头与数字摄像头两类,其中模拟摄像头较为简单,但由于计算机仅能识别数字信号,所以成像结果在输入计算机前需要经DA转换。而数字摄像头直接采集数字信号,不需经由DA转换电路即可输入到计算机终端。两者相比,数字摄像头多用于短距离、低干扰的空间环境下。考虑到图像采集***的空间尺度较小,为便于***设计,故采用数字摄像头。
预测器模块:
(1)预测器硬件设计
预测器主要由包括显示模块与数据处理主机。其中,处理主机操作***平台为linux,硬件平台搭载有高性能的GPU与CPU。
(2)预测器软件设计
如图3所示,预测器软件主要由三部分所构成:输入模块、预测器模块、输出模块。各模块的运行机制与功能为:
输入模块:提供检测样本输入的统一接口,利用CV2所提供的CVMat_to_TensorAPI将预处理完备的原始图像统一压缩到模型的输入层尺寸(224×224),并转换为Tensor作为模型的输入。
预测器模块:载入已训练优化后的静态模型(.pb格式),将输入层节点名与输出层节点名设置为与静态网络模型中对应节点名相同,并调用相应API以运行网络。
输出模块:预测模块执行完毕后,将产生一个tensor类型的队列(预测向量),利用argmax方法提取出每向量中的最大预测分量,作为预测结果。本***采取的是二分类方式,即预测向量有两个维度,[1,0]表示工件表面存在缺陷,而[0,1]则表示工件表面完好。表1列出了若干与预测器相关的重要函数:
表1
通信与数据持久化模块:
(1)通信***构建
如图4所示,本方法利用的基础通信方式实现为桥接模式。实现方式为,将一个终端上外扩的若干网口相互连通。即由一个树莓作为“簇头”与其余四个树莓派相连,形成“簇状结构”,再由“簇头”与交换机连通。
(2)数据持久化
本实施例采用Redis数据库实现数据持久化。Redis是一种分布式key-value数据库,其具有性能高、数据类型丰富、支持原子性的特点,从而保证***的高效性。
***主要维护两个管道,分别为Channel@1和Channel@2。其功能分别为:
Channel@1作为上位机与图像采集终端间的消息通道:上位机周期性发出“图像采集”指令,所有监听了该管道的采集终端将调用捕捉脚本,对工件图像进行捕捉,经由预处理步骤后,将图像以二进制串的形式存储在数据库中。采集完毕后,执行持久化,上位机获取当前工件各个角度捕获的图像块,作为预测器的原始输入。
Channel@2作为上位机与显示终端间的消息通道:当预测器输出结果,数据处理主机将预测向量通过此频道向显示终端发布。在接收预测向量消息后,显示终端将调用解析器对预测向量进行解析,以图像的形式反馈预测结果。
下面结合图1-7给出本发明的详细实施例。
步骤1、以树莓派作为捕获终端的平台,外扩摄像头作为图像捕获器。在图像采集容器内表面的侧面、侧棱、上侧面、上侧棱角度布置共计21个数字摄像头。考率捕获面的尺度,需要构建线光源,平均分布于采集容器的内表面。
步骤2、在处理计算机开启Redis服务,设置好监听网络段与端口号(预设为6379端口)。开启Redis服务后,处理计算机运行命令发布进程,在其中设置两个消息管道Channel@1与Channel@2。随后,批量远程连接至捕获终端与显示终端,开启捕获终端与显示终端的监听进程,捕获终端监听管道Channel@1,显示终端监听管道Channel@2。开始采集训练图像。每当捕获终端采集到一帧原始图像(大小为2952×1944),将调用脚本对其进行背景填充与分割。得到大小为800×800的分割块后,将RGB制式的图像转换为YUV制式,并以二进制串的形式存储至数据库。
步骤3、处理计算机执行持久化操作,以获取捕获终端采集的图像。根据采集到的工件图像块缺陷显示状况,进行人工标注。在采集了100个工件,共计5300个图像块后,批量进行图像增强与变形,将训练集扩充到约20000。
步骤4、将数据集存放于训练脚本指定目录下,运行训练脚本,初始学习率设置为0.001,采用Adam优化器;训练模型按次序各的具体参数分别为:
(1)卷积层1,共计64个卷积核,卷积核大小为11×11,步长设置4,填充模式设置为SAME;激活函数设置为ReLU;复合2×2池化并执行局部响应归一化;
(2)卷积层2,共计256个卷积核,卷积核大小为5×5,填充模式设置为SAME,激活函数设置为ReLU,复合2×2池化并执行局部响应归一化;
(3)卷积层3,共计256个卷积核,卷积核大小为3×3,填充模式设置为SAME,激活函数设置为ReLU,复合2×2池化并执行局部响应归一化;
(4)全连接层1,映射为4096维;
(5)全连接层2,映射为N维,其中N代表标签数目;损失函数为softmax;
经过参数调整,最终得到优化后的动态模型;运行转换脚本后得到.pb格式的静态模型,如图5所示。
步骤5、修改预测器程序的配置文件,指定输入图像的路径与静态模型的存储路径。设置完毕后,运行预测器程序,加载静态模型。
步骤6、预测器程序成功加载静态模型后,即进入预测模式。将待检测工件放置于采集容器内,并在处理计算机上向捕获终端发布采集指令。接收到采集指令后,捕获终端将自动对工件进行图像捕获。经由预处理后的图像块存储至数据库内,与此同时,处理计算机间歇执行持久化。
步骤7、一旦预测器读取到图像块输入,将利用库函数将图像数据转换为Tensor作为网络模型的输入,随后运行网络。网络输出预测向量后,处理计算机将该信息传递给运行于后台的消息发布进程,经由Channel@2将预测向量发布到显示终端。接收预测向量后,显示终端将以图形化的形式反馈待检测工件的缺陷状况。
以上所述仅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 (5)
1.一种基于深度学习的工件表面缺陷检测方法,其特征在于:包括以下步骤:
步骤1、采用多组摄像头与光照源构建基于多目视觉的图像采集***,捕捉工件在不用角度下的图像;
步骤2、构建分布式图像处理***;采用管道监听机制,处理计算机维护特定的消息管道,捕获终端监听该管道;每次图像采集时捕获终端将对采集到的图像进行批量预处理,随后上传至数据库;利用持久化机制,处理计算机能够将预处理后的图片保存至本地以作为分类器的输入;
步骤3、采集训练样本;将准备好的、已标注的含部分缺陷的工件放入采集***,进行训练数据采集;按照8:2的比例设置训练与验证集合,并设置标签;
步骤4、构建深度学习模型;基于卷积神经网络构建包含卷积层和全连接层的网络模型,层与层之间复合了池化、正则化、归一化模块、用于优化特征提取、提高非线性度;
步骤5、构建预测器程序框架;采用Tensorflow API构建检测***框架;基于工厂模式构建程序逻辑,便于***软件的升级、扩展与优化;
步骤6、将待检测工件放置于图像采集***内,并运行预测器程序;在线运行时,预测器程序接口将接收已预处理的工件捕获图像作为输入;随后调用已训练好的静态模型输出预测向量;
步骤7、预测器将预测向量消息通过预先设定的频道发布到显示终端;显示终端将根据预测向量自动标识出工件缺陷所在位置。
2.根据权利要求1所述的一种基于深度学习的工件表面缺陷检测方法,其特征在于:所述步骤2中对采集图像进行批量预处理包含转换捕获图片的颜色空间;捕获终端将输入图像的颜色空间有RGB制式转换为YUV制式。
3.根据权利要求1所述的一种基于深度学习的工件表面缺陷检测方法,其特征在于:所述步骤4中网络模型构建步骤具体如下:将数据集存放于训练脚本指定目录下,运行训练脚本,初始学习率设置为0.001,采用Adam优化器;训练模型按次序各的具体参数分别为:
(1)卷积层1,共计64个卷积核,卷积核大小为11×11,步长设置4,填充模式设置为SAME;激活函数设置为ReLU;复合2×2池化并执行局部响应归一化;
(2)卷积层2,共计256个卷积核,卷积核大小为5×5,填充模式设置为SAME,激活函数设置为ReLU,复合2×2池化并执行局部响应归一化;
(3)卷积层3,共计256个卷积核,卷积核大小为3×3,填充模式设置为SAME,激活函数设置为ReLU,复合2×2池化并执行局部响应归一化;
(4)全连接层1,映射为4096维;
(5)全连接层2,映射为N维,其中N代表标签数目;损失函数为softmax;
经过参数调整,最终得到优化后的动态模型;运行转换脚本后得到.pb格式的静态模型。
4.根据权利要求1所述的一种基于深度学习的工件表面缺陷检测方法,其特征在于:所述步骤1中多组摄像头优选为数字摄像头。
5.根据权利要求1所述的一种基于深度学习的工件表面缺陷检测方法,其特征在于:所述步骤1中光照源优选为LED光源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910993517.8A CN110689539B (zh) | 2019-11-12 | 2019-11-12 | 一种基于深度学习的工件表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910993517.8A CN110689539B (zh) | 2019-11-12 | 2019-11-12 | 一种基于深度学习的工件表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689539A true CN110689539A (zh) | 2020-01-14 |
CN110689539B CN110689539B (zh) | 2023-04-07 |
Family
ID=69113507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910993517.8A Active CN110689539B (zh) | 2019-11-12 | 2019-11-12 | 一种基于深度学习的工件表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689539B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830048A (zh) * | 2020-07-17 | 2020-10-27 | 苏州凌创电子***有限公司 | 一种基于深度学习的汽车喷油嘴缺陷检测设备及其检测方法 |
CN111858361A (zh) * | 2020-07-23 | 2020-10-30 | 中国人民解放军国防科技大学 | 一种基于预测和并行验证策略的原子性违例缺陷检测方法 |
CN111951234A (zh) * | 2020-07-27 | 2020-11-17 | 上海微亿智造科技有限公司 | 模型检测方法 |
CN112017172A (zh) * | 2020-08-31 | 2020-12-01 | 佛山科学技术学院 | 一种基于树莓派的深度学习产品缺陷检测***及方法 |
CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断*** |
CN115382685A (zh) * | 2022-08-16 | 2022-11-25 | 苏州智涂工业科技有限公司 | 自动化机器人喷涂产线的控制技术 |
CN115496763A (zh) * | 2022-11-21 | 2022-12-20 | 湖南视比特机器人有限公司 | 一种基于多目视觉的工件错漏装检测***及方法 |
CN117011263A (zh) * | 2023-08-03 | 2023-11-07 | 东方空间技术(山东)有限公司 | 一种用于火箭子级回收段的缺陷检测方法及装置 |
CN117250200A (zh) * | 2023-11-07 | 2023-12-19 | 山东恒业金属制品有限公司 | 一种基于机器视觉的方管生产质量检测*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004191112A (ja) * | 2002-12-10 | 2004-07-08 | Ricoh Co Ltd | 欠陥検査方法 |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和*** |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
-
2019
- 2019-11-12 CN CN201910993517.8A patent/CN110689539B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004191112A (ja) * | 2002-12-10 | 2004-07-08 | Ricoh Co Ltd | 欠陥検査方法 |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和*** |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830048A (zh) * | 2020-07-17 | 2020-10-27 | 苏州凌创电子***有限公司 | 一种基于深度学习的汽车喷油嘴缺陷检测设备及其检测方法 |
CN111858361B (zh) * | 2020-07-23 | 2023-07-21 | 中国人民解放军国防科技大学 | 一种基于预测和并行验证策略的原子性违例缺陷检测方法 |
CN111858361A (zh) * | 2020-07-23 | 2020-10-30 | 中国人民解放军国防科技大学 | 一种基于预测和并行验证策略的原子性违例缺陷检测方法 |
CN111951234A (zh) * | 2020-07-27 | 2020-11-17 | 上海微亿智造科技有限公司 | 模型检测方法 |
CN111951234B (zh) * | 2020-07-27 | 2021-07-30 | 上海微亿智造科技有限公司 | 模型检测方法 |
CN112017172A (zh) * | 2020-08-31 | 2020-12-01 | 佛山科学技术学院 | 一种基于树莓派的深度学习产品缺陷检测***及方法 |
CN113486457A (zh) * | 2021-06-04 | 2021-10-08 | 宁波海天金属成型设备有限公司 | 一种压铸件缺陷预测及诊断*** |
CN115382685A (zh) * | 2022-08-16 | 2022-11-25 | 苏州智涂工业科技有限公司 | 自动化机器人喷涂产线的控制技术 |
CN115496763A (zh) * | 2022-11-21 | 2022-12-20 | 湖南视比特机器人有限公司 | 一种基于多目视觉的工件错漏装检测***及方法 |
CN117011263A (zh) * | 2023-08-03 | 2023-11-07 | 东方空间技术(山东)有限公司 | 一种用于火箭子级回收段的缺陷检测方法及装置 |
CN117011263B (zh) * | 2023-08-03 | 2024-05-10 | 东方空间技术(山东)有限公司 | 一种用于火箭子级回收段的缺陷检测方法及装置 |
CN117250200A (zh) * | 2023-11-07 | 2023-12-19 | 山东恒业金属制品有限公司 | 一种基于机器视觉的方管生产质量检测*** |
CN117250200B (zh) * | 2023-11-07 | 2024-02-02 | 山东恒业金属制品有限公司 | 一种基于机器视觉的方管生产质量检测*** |
Also Published As
Publication number | Publication date |
---|---|
CN110689539B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689539B (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
CN111179253B (zh) | 一种产品缺陷检测方法、装置与*** | |
CN112241699A (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
CN111507399A (zh) | 基于深度学习的云状识别和模型训练方法、装置、终端及介质 | |
CN111738994B (zh) | 一种轻量级的pcb缺陷检测方法 | |
CN112116620A (zh) | 一种室内图像语义分割与涂装展示的方法 | |
CN110929795A (zh) | 高速焊线机焊点快速识别与定位方法 | |
CN111507357A (zh) | 一种缺陷检测语义分割模型建模方法、装置、介质及设备 | |
CN111242057A (zh) | 产品分拣***、方法、计算机设备和存储介质 | |
CN113822842A (zh) | 一种基于多任务学习的工业缺陷检测方法 | |
CN114332086B (zh) | 基于风格迁移和人工智能的纺织品缺陷检测方法及*** | |
CN113838015B (zh) | 一种基于网络协同的电器产品外观缺陷检测方法 | |
CN114972246A (zh) | 一种基于深度学习的模切产品表面缺陷检测方法 | |
CN114332659A (zh) | 基于轻量化模型下发的输电线路缺陷巡检方法和装置 | |
CN108401106B (zh) | 一种拍摄参数优化方法、装置、终端及存储介质 | |
CN116091748B (zh) | 一种基于aigc的图像识别***及装置 | |
CN112183374A (zh) | 一种基于树莓派和深度学习的快递自动分拣装置及方法 | |
CN115565168A (zh) | 一种基于注意力机制残差胶囊网络的甘蔗病害识别方法 | |
CN212846839U (zh) | 织品信息媒合*** | |
CN114138458A (zh) | 智能视觉处理*** | |
CN112016515A (zh) | 一种档案柜空位检测方法及装置 | |
CN111709620B (zh) | 一种移动便携式机织物结构参数在线检测*** | |
CN112184691A (zh) | 一种基于不良Map图的缺陷模式分析方法 | |
CN112712124B (zh) | 一种基于深度学习的多模块协同物体识别***及方法 | |
CN110991361A (zh) | 面向高清高速视频的多通道多模态背景建模方法 |
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 |