CN111060518A - 一种基于实例分割的冲压件缺陷识别方法 - Google Patents
一种基于实例分割的冲压件缺陷识别方法 Download PDFInfo
- Publication number
- CN111060518A CN111060518A CN201911327853.5A CN201911327853A CN111060518A CN 111060518 A CN111060518 A CN 111060518A CN 201911327853 A CN201911327853 A CN 201911327853A CN 111060518 A CN111060518 A CN 111060518A
- Authority
- CN
- China
- Prior art keywords
- stamping part
- upper computer
- example segmentation
- defect
- stamping
- 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
Images
Classifications
-
- 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于实例分割的冲压件缺陷识别方法,属于自动化领域。该方法包括以下步骤:S1:一种冲压件图像数据采集装置,包括工业相机、光源、机器人、上位机、信号触发子***;冲压件信号触发子***发出控制信号给上位机,上位机收到该信号控制工业相机进行拍照,同时将拍照后的冲压件图像反馈给上位机;S2:基于实例分割的缺陷检测与识别***,包含训练样本集制作、实例分割训练***、实例分割推理***和上位机应用软件;将S1采集到的冲压件图像通过实例分割***得到缺陷的位置、轮廓以及缺陷的种类。本发明可对生产出来的冲压件表面缺陷进行像素级的分割,并可以准确地识别出缺陷的种类。
Description
技术领域
本发明属于自动化领域,涉及一种基于实例分割的冲压件缺陷识别方法。
背景技术
在冲压过程中,由于***各方面的影响,生产出来的冲压件表面存在裂纹、划痕、漏白、凹陷、鼓包、橘皮纹、杂质等问题,这些缺陷会严重影响产品的质量、降低用户体验;缺陷产品是不允许流入到市场的。为了保证产品的质量,目前大多采用人工肉眼判别的方法,一方面耗费了大量的人力;同时,生产效率得不到有效保证;另外,由于是流水线操作,人员重复做某一件事情,容易疲劳,人工检验的质量会降低,导致次品流入市场,降低了产品的品质(为了保证产品的质量,目前大多采用人工肉眼判别的方法,不仅耗费了大量的人力,同时生产效率得不到有效保证);大多厂商借助Visionpro和Halcon机器视觉软件来进行缺陷检测,但是由于缺陷的种类繁多,传统的机器视觉算法针对每种缺陷均需要特定配置,而且随着光线等环境的变化,性能会大打折扣,因此对使用的范围要求较为严格。近几年有人提出借助深度学习Faster-RCNN和YOLO的方法进行金属或铝制品表面缺陷检测,此种方式针对缺陷的适用性有所提升,但只能框出缺陷的大致位置,并不能对缺陷进行像素级分割,因此对缺陷种类的识别存在精确细分问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于实例分割的冲压件缺陷识别方法。
为达到上述目的,本发明提供如下技术方案:
一种基于实例分割的冲压件缺陷识别方法,该方法包括以下步骤:
S1:一种冲压件图像数据采集装置,包括工业相机、光源、机器人、上位机、信号触发子***;冲压件信号触发子***发出控制信号给上位机,上位机收到该信号控制工业相机进行拍照,同时将拍照后的冲压件图像反馈给上位机;
S2:基于实例分割的缺陷检测与识别***,包含训练样本集制作、实例分割训练***、实例分割推理***和上位机应用软件;将S1采集到的冲压件图像通过实例分割***得到缺陷的位置、轮廓以及缺陷的种类。
进一步,所述步骤S1具体为:
S11:传送带上面放置冲压件,随着产线线体移动,等到达预先规定的位置,冲压件信号触发子***通过TCP协议发送信号给上位机,上位机接收到信号之后,利用TCP协议发送拍照信号给工业面阵相机进行拍照;并将得到的在线冲压件图片通过TCP协议反馈给上位机;此模式针对ROI区域较小的冲压件,面阵相机能够覆盖整个ROI区域范围;
S12:传送带上面放置冲压件,随着产线线体移动,等到达预先规定的位置,信号触发子***通过IO口发送信号给机器人;机器人带动工业线阵相机进行规则移动,对整个冲压件进行扫描拍照;工业线阵相机将拍照后的图片通过TCP协议反馈给上位机;针对ROI区域较大的冲压件,面阵相机没法覆盖整个ROI区域,通过线阵相机逐行扫描进行覆盖。
进一步,所述步骤S2具体为:
S21:冲压件样本集制作,包含:
(1)冲压件图像样本集分类;通过S1对收集到的冲压件图片进行分类,包含冲压件正样本和冲压件负样本两类;冲压件正样本即为图像中包含所有缺陷种类的冲压件缺陷图片的集合,冲压件负样本即为图像中不包含任何缺陷的冲压件图片的集合;同时根据其用途,将冲压件图像样本集分为三类:训练集、验证集和测试集;
(2)冲压件图像训练样本集数据增强;对(1)中采集后的冲压件图像样本进行不同尺度的平移、旋转、加噪、透视变换,增加背光、逆光干扰,目的是为了增加样本集的数量和样本的泛化性能,避免模型过拟合,增强模型的鲁棒性;
(3)冲压件缺陷样本进行像素级标注;对泛化后的样本集利用labelme、labelImg、VIA标注工具进行像素级轮廓缺陷标注,并标出缺陷的类型;得到标注后的缺陷mask图和groundtruth文件;
S22:实例分割训练***
将S21得到的冲压件训练样本集、缺陷mask图和groundtruth文件送入实例分割训练***,经迭代训练、设定误差允许值得到训练后的实例分割模型;最后将训练模型代入到推理***中,通过测试集进行测试,如果未过拟合、且满足当前***的测试需求即为最佳的实例分割模型;实例分割深度学习网络模型不仅限于Mask-RCNN、SharpMask、DeepMask、MNC、FCIS、RIS、FastMask、BlitzNet、PANet、TernausNetV2、MS R-CNN、AdaptIS、Pose2Seg网络;
S23:实例分割推理***
将S22得到的实例分割训练模型,移植至实例分割推理***;上位机通过S1采集到的冲压件图片,调用实例分割推理***,即得到缺陷的像素级位置以及缺陷的类型;
S24:上位机应用软件
上位机应用软件嵌入语义分割缺陷识别推理***;同时,包含三个通信模块:与工业相机通信的模块、与机器人通信的模块以及与信号触发子***通信的模块。
本发明的有益效果在于:首先通过冲压件图像采集装置获取实时的冲压件图像;其次,基于实例分割的缺陷检测和识别***对采集的图像进行实时检测和识别;可对生产出来的冲压件表面缺陷(裂纹、划痕、漏白、凹陷、鼓包、橘皮纹、杂质等)进行像素级的分割,并可以准确地识别出缺陷的种类。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为冲压件图像采集***框架图(工业面阵相机);
图2为冲压件图像采集***框架图(工业线阵相机);
图3为实例分割训练及推理***;
图4为MaskRCNN实例分割深度学习网络。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1-图4,为一种基于实例分割的冲压件缺陷识别方法和装置,主要包含以下流程:
S1.通过冲压件图像数据采集装置实时获取冲压件图像;冲压件图像数据采集装置,包括工业相机(面阵、线阵)、光源、机器人、上位机、信号触发子***;冲压件信号触发子***发出控制信号给上位机,上位机收到该信号控制工业相机进行拍照,同时将拍照后的冲压件图像反馈给上位机。根据ROI区域大小选择不同类型的工业相机进行图像获取,分为两种模式:
S11.传送带上面放置冲压件,随着产线线体移动,等到达预先规定的位置,冲压件信号触发子***通过TCP协议发送信号给上位机,上位机接收到信号之后,通过TCP协议发送拍照信号给工业面阵相机进行拍照;并将得到的在线冲压件图片通过TCP协议反馈给上位机;此模式针对ROI区域较小的冲压件,面阵相机可覆盖整个ROI区域范围。
S12.传送带上面放置冲压件,随着产线线体移动,等到达预先规定的位置,信号触发子***通过IO口发送信号给机器人;机器人带动工业线阵相机进行规则移动,对整个冲压件进行扫描拍照;工业线阵相机将拍照后的图片通过TCP协议反馈给上位机,见附图2;此模式针对ROI区域较大的冲压件,面阵相机没法覆盖整个ROI区域,通过线阵相机逐行扫描进行覆盖。
S2.通过S1,上位机应用软件可获得当前帧的完整的冲压件图像,将冲压件图像通过实例分割推理***,即可得到缺陷的位置、轮廓以及缺陷的种类。完整的实例分割冲压件缺陷检测与识别***,包含训练样本集制作、实例分割训练***、实例分割推理***和上位机应用软件。为了得到完善的实例分割推理模型:首先需要进行样本集的制作,其次通过实例分割训练模型得到理想的实例分割推理***模型,最后将模型移植至实例分割推理***中。具体包含以下内容:
S21:冲压件样本集制作,主要包含以下步骤:
(1)冲压件图像样本集分类;通过S1对收集到的冲压件图片进行分类,包含冲压件正样本和冲压件负样本两类;冲压件正样本即为图像中包含所有缺陷种类的冲压件缺陷图片的集合,冲压件负样本即为图像中不包含任何缺陷的冲压件图片的集合;同时根据其用途,将冲压件图像样本集分为三类:训练集、验证集和测试集。
(2)冲压件图像训练样本集数据增强;对(1)中采集后的冲压件图像样本进行不同尺度的平移、旋转、加噪、透视变换,增加背光、逆光干扰,目的是为了增加样本集的数量和样本的泛化性能,避免模型过拟合,增强模型的鲁棒性。
(3)冲压件缺陷样本进行像素级标注;对泛化后的样本集利用labelme、labelImg、VIA等标注工具进行像素级轮廓缺陷标注,并标出缺陷的类型;得到标注后的缺陷mask图(二值化图,缺陷轮廓及内部具有相同像素值)和groundtruth文件(包含标注的图像名称、路径、缺陷轮廓位置和缺陷类型)。
S22:实例分割训练***
将S21得到的冲压件训练样本集、缺陷mask图和groundtruth文件送入实例分割训练***,经迭代训练得到最佳的实例分割模型(软硬件配置:ubuntu16.04、cuda8、cudnn6、tensorflow1.0.1、nvidia-gpu 1080ti),见附图3。这里,实例分割深度学习网络模型采用Mask-RCNN网络,网络架构图见附图4。其中,Mask-RCNN网络具体流程如下:首先,将图像输入到一个预训练好的深度学习网络中(VGG16、ResNet50等),得到对应的特征图;其次,对特征图中的每一点设定已知数量的ROI(Region ofInterest),得到多个候选ROI;再次,将候选ROI送入RPN(Region Proposal Network)网络进行二值分类(前景或背景)和BB(Bounding-box regression)回归,过滤掉部分候选ROI,紧接着进行ROI Align操作;最后,对ROI进行分类(N类别分类)、BB回归和MASK生成。
S23:实例分割推理***
将S22得到的实例分割训练模型,移植至实例分割推理***;上位机通过S1采集到的冲压件图片,调用实例分割推理***,即可得到缺陷的像素级位置以及缺陷的类型,见附图3。
S24:上位机应用软件
上位机应用软件具备与工业相机的通信、与机器人的通信以及与冲压件信号触发子***的通信功能,完成信号的传送以及冲压件图像采集的反馈;同时,上位机应用软件嵌入了语义分割缺陷识别推理***,在获取到工业图像之后,调用语义分割推理***,最终得到缺陷的像素级位置以及缺陷的类型。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种基于实例分割的冲压件缺陷识别方法,其特征在于:该方法包括以下步骤:
S1:一种冲压件图像数据采集装置,包括工业相机、光源、机器人、上位机、信号触发子***;冲压件信号触发子***发出控制信号给上位机,上位机收到该信号控制工业相机进行拍照,同时将拍照后的冲压件图像反馈给上位机;
S2:基于实例分割的缺陷检测与识别***,包含训练样本集制作、实例分割训练***、实例分割推理***和上位机应用软件;将S1采集到的冲压件图像通过实例分割***得到缺陷的位置、轮廓以及缺陷的种类。
2.根据权利要求1所述的一种基于实例分割的冲压件缺陷识别方法,其特征在于:所述步骤S1具体为:
S11:传送带上面放置冲压件,随着产线线体移动,等到达预先规定的位置,冲压件信号触发子***通过TCP协议发送信号给上位机,上位机接收到信号之后,利用TCP协议发送拍照信号给工业面阵相机进行拍照;并将得到的在线冲压件图片通过TCP协议反馈给上位机;此模式针对ROI区域较小的冲压件,面阵相机能够覆盖整个ROI区域范围;
S12:传送带上面放置冲压件,随着产线线体移动,等到达预先规定的位置,信号触发子***通过IO口发送信号给机器人;机器人带动工业线阵相机进行规则移动,对整个冲压件进行扫描拍照;工业线阵相机将拍照后的图片通过TCP协议反馈给上位机;针对ROI区域较大的冲压件,面阵相机没法覆盖整个ROI区域,通过线阵相机逐行扫描进行覆盖。
3.根据权利要求1所述的一种基于实例分割的冲压件缺陷识别方法,其特征在于:所述步骤S2具体为:
S21:冲压件样本集制作,包含:
(1)冲压件图像样本集分类;通过S1对收集到的冲压件图片进行分类,包含冲压件正样本和冲压件负样本两类;冲压件正样本即为图像中包含所有缺陷种类的冲压件缺陷图片的集合,冲压件负样本即为图像中不包含任何缺陷的冲压件图片的集合;同时根据其用途,将冲压件图像样本集分为三类:训练集、验证集和测试集;
(2)冲压件图像训练样本集数据增强;对(1)中采集后的冲压件图像样本进行不同尺度的平移、旋转、加噪、透视变换,增加背光、逆光干扰,目的是为了增加样本集的数量和样本的泛化性能,避免模型过拟合,增强模型的鲁棒性;
(3)冲压件缺陷样本进行像素级标注;对泛化后的样本集利用labelme、labelImg、VIA标注工具进行像素级轮廓缺陷标注,并标出缺陷的类型;得到标注后的缺陷mask图和ground truth文件;
S22:实例分割训练***
将S21得到的冲压件训练样本集、缺陷mask图和groundtruth文件送入实例分割训练***,经迭代训练、设定误差允许值得到训练后的实例分割模型;最后将训练模型代入到推理***中,通过测试集进行测试,如果未过拟合、且满足当前***的测试需求即为最佳的实例分割模型;实例分割深度学习网络模型不仅限于Mask-RCNN、SharpMask、DeepMask、MNC、FCIS、RIS、FastMask、BlitzNet、PANet、TernausNetV2、MS R-CNN、AdaptIS、Pose2Seg网络;
S23:实例分割推理***
将S22得到的实例分割训练模型,移植至实例分割推理***;上位机通过S1采集到的冲压件图片,调用实例分割推理***,即得到缺陷的像素级位置以及缺陷的类型;
S24:上位机应用软件
上位机应用软件嵌入语义分割缺陷识别推理***;同时,包含三个通信模块:与工业相机通信的模块、与机器人通信的模块以及与信号触发子***通信的模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911327853.5A CN111060518A (zh) | 2019-12-20 | 2019-12-20 | 一种基于实例分割的冲压件缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911327853.5A CN111060518A (zh) | 2019-12-20 | 2019-12-20 | 一种基于实例分割的冲压件缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111060518A true CN111060518A (zh) | 2020-04-24 |
Family
ID=70302610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911327853.5A Pending CN111060518A (zh) | 2019-12-20 | 2019-12-20 | 一种基于实例分割的冲压件缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060518A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537517A (zh) * | 2020-05-18 | 2020-08-14 | 江汉大学 | 一种无人智能化冲压缺陷识别方法 |
CN111951231A (zh) * | 2020-07-24 | 2020-11-17 | 上海微亿智造科技有限公司 | 一种金属粉末注射成型外观缺陷的标注方法及*** |
CN114511046A (zh) * | 2022-04-19 | 2022-05-17 | 阿里巴巴(中国)有限公司 | 对象识别方法以及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104020177A (zh) * | 2014-06-26 | 2014-09-03 | 重庆大学 | 连铸坯表面缺陷双ccd扫描成像检测方法 |
CN107589124A (zh) * | 2017-02-13 | 2018-01-16 | 上海佑生源环境工程有限公司 | 基于机器视觉的在线人造板表面缺陷检测分等***及方法 |
CN108961238A (zh) * | 2018-07-02 | 2018-12-07 | 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 |
CN109034016A (zh) * | 2018-07-12 | 2018-12-18 | 辽宁工业大学 | 一种普适性的基于s-cnn模型的手背静脉图像识别方法 |
CN109785337A (zh) * | 2018-12-25 | 2019-05-21 | 哈尔滨工程大学 | 一种基于实例分割算法的栏内哺乳动物清点方法 |
CN109993734A (zh) * | 2019-03-29 | 2019-07-09 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN110308151A (zh) * | 2019-07-22 | 2019-10-08 | 重庆大学 | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 |
-
2019
- 2019-12-20 CN CN201911327853.5A patent/CN111060518A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104020177A (zh) * | 2014-06-26 | 2014-09-03 | 重庆大学 | 连铸坯表面缺陷双ccd扫描成像检测方法 |
CN107589124A (zh) * | 2017-02-13 | 2018-01-16 | 上海佑生源环境工程有限公司 | 基于机器视觉的在线人造板表面缺陷检测分等***及方法 |
CN108961238A (zh) * | 2018-07-02 | 2018-12-07 | 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 |
CN109034016A (zh) * | 2018-07-12 | 2018-12-18 | 辽宁工业大学 | 一种普适性的基于s-cnn模型的手背静脉图像识别方法 |
CN109785337A (zh) * | 2018-12-25 | 2019-05-21 | 哈尔滨工程大学 | 一种基于实例分割算法的栏内哺乳动物清点方法 |
CN109993734A (zh) * | 2019-03-29 | 2019-07-09 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN110308151A (zh) * | 2019-07-22 | 2019-10-08 | 重庆大学 | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
李长云等: "《智能感知技术及在电气工程中的应用》", 31 May 2017 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537517A (zh) * | 2020-05-18 | 2020-08-14 | 江汉大学 | 一种无人智能化冲压缺陷识别方法 |
CN111537517B (zh) * | 2020-05-18 | 2022-12-13 | 江汉大学 | 一种无人智能化冲压缺陷识别方法 |
CN111951231A (zh) * | 2020-07-24 | 2020-11-17 | 上海微亿智造科技有限公司 | 一种金属粉末注射成型外观缺陷的标注方法及*** |
CN114511046A (zh) * | 2022-04-19 | 2022-05-17 | 阿里巴巴(中国)有限公司 | 对象识别方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111060518A (zh) | 一种基于实例分割的冲压件缺陷识别方法 | |
CN111239158A (zh) | 一种基于机器视觉的汽车仪表盘检测***和检测方法 | |
CN107944504B (zh) | 木板识别及木板识别的机器学习方法、装置及电子设备 | |
CN201218723Y (zh) | 光电非接触式图像检测装置 | |
CN109454006A (zh) | 化纤丝锭绊丝缺陷在线检测和分级的装置及其检测分级方法 | |
CN107945184A (zh) | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 | |
CN113221889B (zh) | 一种芯片字符抗干扰识别方法及装置 | |
CN110567976B (zh) | 基于机器视觉的手机盖板丝印缺陷检测装置及检测方法 | |
CN109429473A (zh) | 电路板中带极性电子元器件的自动检查方法及装置 | |
CN108267455B (zh) | 塑料薄膜印刷字符缺陷检测装置及方法 | |
CN110108712A (zh) | 多功能视觉缺陷检测*** | |
CN114638797A (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
CN112345534B (zh) | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及*** | |
CN107891012B (zh) | 基于等效算法的珍珠大小及圆形度分拣装置 | |
CN110096980A (zh) | 字符检测识别*** | |
CN111626995B (zh) | 一种针对工件的智能嵌件检测方法和装置 | |
CN113205099A (zh) | 一种镀镍金属表面去料字符视觉检测***及方法 | |
CN111079831A (zh) | 智能型光学检测的样品特征与瑕疵自动标记方法及其装置 | |
CN113189109A (zh) | 一种基于人工智能的瑕疵判定***及瑕疵判定方法 | |
CN114577805A (zh) | 一种MiniLED背光面板缺陷检测方法及装置 | |
CN116348897A (zh) | 用于可收集物品的识别及分级***以及相关方法 | |
CN115170497A (zh) | 一种基于ai视觉检测技术的pcba在线检测平台 | |
CN110596118A (zh) | 印刷图案检测方法及印刷图案检测装置 | |
CN114529510A (zh) | 一种阴极铜在线质量自动检测分类方法 | |
CN117635599A (zh) | 缺陷检测模型训练及缺陷检测方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200424 |