CN111161233A - 一种用于冲孔皮革缺陷检测方法及*** - Google Patents
一种用于冲孔皮革缺陷检测方法及*** Download PDFInfo
- Publication number
- CN111161233A CN111161233A CN201911352833.3A CN201911352833A CN111161233A CN 111161233 A CN111161233 A CN 111161233A CN 201911352833 A CN201911352833 A CN 201911352833A CN 111161233 A CN111161233 A CN 111161233A
- Authority
- CN
- China
- Prior art keywords
- defects
- cutting frame
- leather
- training
- punched
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06T2207/20—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
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种用于冲孔皮革缺陷检测方法及***,涉及皮革缺陷检测领域。该方法包括:对冲孔皮革的缺陷进行分类,分为全局缺陷和局部缺陷;获取预设数量的冲孔皮革的原始图像;分别对每张所述原始图像进行切割,得到每张所述原始图像的切割框集合;根据所述全局缺陷和所述局部缺陷从所述切割框集合中选取目标切割框,作为每张所述原始图像的训练样本,得到训练集;根据所述训练集对预设的缺陷检测算法模型进行训练;根据训练后的所述缺陷检测算法模型对待检测的冲孔皮革的缺陷进行检测。本发明适用于皮革的检测,能够解决检测方法计算量大的问题,达到准确快速检测缺陷类别的效果。
Description
技术领域
本发明涉及缺陷识别领域,尤其涉及一种用于冲孔皮革缺陷检测方法及***。
背景技术
皮革疵点检验是皮革行业生产和质量管理的重要环节,目前的人工检验速度慢、劳动强度大,受主观因素影响,缺乏一致性,并且当皮革的面料或者环境改变时很多算法随之失效,而通过神经网络对皮革缺陷进行检测时则存在样本不均衡,缺陷区域占比小等问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种用于冲孔皮革缺陷检测方法及***。
本发明解决上述技术问题的技术方案如下:一种用于冲孔皮革缺陷检测方法,包括:
步骤1、对冲孔皮革的缺陷进行分类,分为全局缺陷和局部缺陷;
步骤2、获取预设数量的冲孔皮革的原始图像;
步骤3、分别对每张所述原始图像进行切割,得到每张所述原始图像的切割框集合;
步骤4、根据所述全局缺陷和所述局部缺陷从所述切割框集合中选取目标切割框,作为每张所述原始图像的训练样本,得到训练集;
步骤5、根据所述训练集对预设的缺陷检测算法模型进行训练;
步骤6、根据训练后的所述缺陷检测算法模型对待检测的冲孔皮革的缺陷进行检测。
本发明的有益效果是:对预先获取的原始图片进行切割可以突出缺陷特征并且对每张原始图片均做切割处理,选取目标切割框可以有效的避免样本不均衡以及缺陷区域占比少等问题,最终实现通过皮革中疵点形态、长度、面积以及所处位置等的分析,从而判断出皮革缺陷的种类,减少人工劳作力,提升检验速率并且不会因为皮革面料不同而导致无法识别判断。
可选地,在一些实施例中,还可以包括:步骤201、对全部所述原始图像进行直方图均衡化处理得到增强图像集。
采用上述进一步方案的有益效果:首先通过直方图均衡化增强缺陷部分和非缺陷部分的颜色差异,从而提高对比度,有助于对模型进行分类。
可选地,在一些实施例中,还可以包括:步骤202、对所述增强图像集进行随机翻转矩阵处理,对所述增强图像集进行扩增。
采用上述进一步方案的有益效果:提高样本的均衡性,尽可能多的从不同角度选取图像集。
可选地,在一些实施例中,还可以包括:步骤203、对扩增后的所述增强图像集进行线性函数归一化处理,将所述增强图像集内的图像的像素归一化到预设范围。
采用上述进一步方案的有益效果:保留图像中的所有的特征,减少参数的像素大小,防止过拟合。
可选地,在一些实施例中,所述训练集为:重叠区域与并集区域面积比值高于阈值的切割框,所述重叠区域为:缺陷区域与所述切割框的重叠部分,所述并集区域为,所述缺陷区域与所述切割框的并集部分,当不存在所述重叠区域与所述并集区域面积比值高于所述阈值的切割框时,则选取所述重叠部分的面积与所述切割框的面积比值高于所述阈值的切割框,或者选取所述重叠部分的面积与所述缺陷区域的面积比值高于所述阈值的切割框。
采用上述进一步方案的有益效果:可以有效的提高样本的均衡度以及缺陷区域的占比小等问题,为神经网络的训练提供更加全面的训练集。
本发明解决上述技术问题的另一种技术方案如下:一种用于冲孔皮革缺陷检测***,包括:
分类模块:用于对冲孔皮革的缺陷进行分类,分为全局缺陷和局部缺陷;
获取模块:获取预设数量的冲孔皮革的原始图像;
切割模块:用于分别对每张所述原始图像进行切割,得到每张所述原始图像的切割框集合;
第一训练模块:用于根据所述全局缺陷和所述局部缺陷从所述切割框集合中选取目标切割框,作为每张所述原始图像的训练样本,得到训练集;
第二训练模块:用于根据所述训练集对预设的缺陷检测算法模型进行训练;
检测模块:用于根据训练后的所述缺陷检测算法模型对待检测的冲孔皮革的缺陷进行检测。
采用上述方案的有益效果:通过对数据的采集、扩增以及处理,最终得到训练集,通过训练集对神经网络进行训练,并且在对神经网络进行训练的同时将12种不同分类加入到训练内容中,通过12中不同分类的加入可以有效地避免样本不均衡的问题。最终实现通过皮革中疵点形态、长度、面积以及所处位置等的分析,从而判断出皮革缺陷的种类,减少人工劳作力,提升检验速率并且不会因为皮革面料不同而导致无法识别判断。
可选地,在一些实施例中,还可以包括:第一处理模块:用于对全部所述原始图像进行直方图均衡化处理得到增强图像。
采用上述进一步方案的有益效果:首先通过直方图均衡化增强缺陷部分和非缺陷部分的颜色差异,从而提高对比度,有助于对模型进行分类。
可选地,在一些实施例中,还可以包括:第二处理模块:用于对所述增强图像进行随机翻转矩阵处理,对所述增强图像集进行扩增。
采用上述进一步方案的有益效果:提高样本的均衡性,尽可能多的从不同角度选取图像集,对增强图像集进行扩增。
可选地,在一些实施例中,还可以包括:第三处理模块:用于对扩增后的所述增强图像集进行线性函数归一化处理,将所述增强图像集内的图像的像素归一化到预设范围。
采用上述进一步方案的有益效果:保留图像中的所有的特征,减少参数的像素大小,防止过拟合。
可选地,在一些实施例中,所述训练集为:重叠区域与并集区域面积比值高于阈值的切割框,所述重叠区域为:缺陷区域与所述切割框的重叠部分,所述并集区域为,所述缺陷区域与所述切割框的并集部分,当不存在所述重叠区域与所述并集区域面积比值高于所述阈值的切割框时,则选取所述重叠部分的面积与所述切割框的面积比值高于所述阈值的切割框,或者选取所述重叠部分的面积与所述缺陷区域的面积比值高于所述阈值的切割框。
采用上述进一步方案的有益效果:可以有效的提高样本的均衡度以及缺陷区域的占比小等问题,为神经网络的训练提供更加全面的训练集。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明的用于冲孔皮革缺陷检测方法实施例提供的图片处理流程示意图;
图2为本发明的用于冲孔皮革缺陷检测方法其他实施例提供的数据预处理流程示意图;
图3为本发明的用于冲孔皮革缺陷检测方法实施例提供的切割框选取流程示意图;
图4为本发明的用于冲孔皮革缺陷检测方法实施例提供的方法流程示意图;
图5为本发明的用于冲孔皮革缺陷检测***的结构示意图;
附图中,各标号所代表的部件列表如下:
100、一种用于冲孔皮革缺陷检测***,110、分类模块。120、获取模块,130、切割模块,140、第一训练模块,150、第二训练模块,160、检测模块,170、第一处理模块,180、第二处理模块,190、第三处理模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
如图4所示,本发明解决上述技术问题的技术方案如下:一种用于冲孔皮革缺陷检测方法,包括:
步骤1、对冲孔皮革的缺陷进行分类,分为全局缺陷和局部缺陷;
步骤2、获取预设数量的冲孔皮革的原始图像;
步骤3、分别对每张原始图像进行切割,得到每张原始图像的切割框集合;
步骤4、根据全局缺陷和局部缺陷从切割框集合中选取目标切割框,作为每张原始图像的训练样本,得到训练集;
步骤5、根据训练集对预设的缺陷检测算法模型进行训练;
步骤6、根据训练后的缺陷检测算法模型对待检测的冲孔皮革的缺陷进行检测。
本发明的有益效果是:通过数据的采集、扩增,对数据的处理,最终得到训练集,是一种结构简单、准确和可靠性高的数据集制作方法,通过训练集对神经网络进行训练。最终通过皮革影像,基于对皮革中疵点形态、长度、面积以及所处位置等的分析,归纳皮革缺陷的种类。
需要注意的是,如图1所示,在数据预处理过程中,不仅仅要对原始图片进行扩增,还需要将冲孔皮革缺陷分为十二种类型,按照缺陷部分的形状、大小以及缺陷的深浅程度将缺陷分为12种,例如:包括圆形、星形、菱形孔的皮革与它们分别对应的盲孔,即部分皮革孔未打穿、跳花,即整排皮革孔未打上、缺孔,即部分皮革孔未打上、划痕,即模具损坏或冲孔机故障造成皮革划伤,一共12种缺陷类型。考虑到对于不同的缺陷的大小和分布是非常不一致的,比如盲孔缺孔需要提取局部特征;而跳花、划痕需要通过全局特征来判断,且12种缺陷类型是根据缺陷的形状大小进行区分的,因此在切割框的选取中将12种缺陷类型分为局部缺陷和全局缺陷两大类,在对切割框进行选取的时候会确定每张图片的缺陷类型,将这些标注好缺陷类型的图片当做训练样本,进行对神经网络的训练。步骤2中所说的获取预设数量的原始图片可根据实际情况,对皮革进行正反等多角度的图片提取,另外对原始图片进行Resize和切割操作,得到的数据集包括由原始图片Resize得到的小图片,例如:将1280*960的图片调整为300*300的图片和由原始图片切割得到的切割框,对训练集进行训练具体内容如下:利用Tensorflow深度学习框架中的Object Detection API对模型进行训练,损失函数采用交叉熵,采用随机梯度下降的训练方式,将batch_size设置为8,其中batch就是每次送入网络中训练的一部分数据,而batch_Size就是每个batch中训练样本的数量,学习率设为0.004作为监督学习以及深度学习中重要的超参,其决定着目标函数能否收敛到局部最小值以及何时收敛到最小值,每迭代3000次迭代学习率下降95%,迭代次数为100000次,训练完成后,利用export_inference_graph.py的pb模型导出代码,从train文件中的第100000次训练完成时保存的网络模型里导出pb模型文件并保存在model文件中,其中的frozen_inference_graph.pb即训练完成生成可以对冲孔皮革缺陷进行识别检测的模型。
可选地,在一些实施例中,还可以包括:步骤201、对全部原始图像进行直方图均衡化处理得到增强图像集。
采用上述实施方式的有益效果:首先通过直方图均衡化增强缺陷部分和非缺陷部分的颜色差异,从而提高对比度,有助于对模型进行分类。
需要注意的是,直方图均衡化处理采用的是现有技术,在此不做过多赘述。
可选地,在一些实施例中,还可以包括:步骤202、对增强图像集进行随机翻转矩阵处理,对所述增强图像集进行扩增。
采用上述实施方式的有益效果:提高样本的均衡性,尽可能多的从不同角度选取图像集。
需要注意的是,随机翻转矩阵例如:R=[cosx,-sinx;sinx cosx]。
可选地,在一些实施例中,还可以包括:步骤203、对扩增后的所述增强图像集进行线性函数归一化处理,将所述增强图像集内的图像的像素归一化到预设范围。
采用上述实施方式的有益效果:保留图像中的所有的特征,减少参数的像素大小,防止过拟合。
需要注意的是,如图2所示,首先采集不同方向不同位置的皮革原图,将采集到的原图通过现有技术直方图均衡化处理,经过处理后可以加大缺陷部分和非缺陷部分的差异,将均衡化处理后的图片进行随机翻转处理,且随机翻转也为现有技术,将随机翻转处理后的图片进行归一化处理,其中归一化处理也为现有技术,在处理自然图像时,例如:获得的像素值在[0,255]区间中,常用的处理是将这些像素值除以255,使它们缩放到[0,1]中,将原始数据集归一化为[0,1]的范围。
可选地,在一些实施例中,所述训练集为:重叠区域与并集区域面积比值高于阈值的切割框,所述重叠区域为:缺陷区域与所述切割框的重叠部分,所述并集区域为,所述缺陷区域与所述切割框的并集部分,当不存在所述重叠区域与所述并集区域面积比值高于所述阈值的切割框时,则选取所述重叠部分的面积与所述切割框的面积比值高于所述阈值的切割框,或者选取所述重叠部分的面积与所述缺陷区域的面积比值高于所述阈值的切割框。
采用上述实施方式的有益效果:可以有效的提高样本的均衡度以及缺陷区域的占比小等问题,为神经网络的训练提供更加全面的训练集。
需要注意的是,如图3所示,如果存在IOU大于70%的切割框,则选择该切割框作为训练集。如果不存在IOU大于70%的切割框,则选择切割框中切割框与bounding box的重叠部分面积大于切割框面积的70%或大于bounding box面积70%的切割框作为训练样本。
本发明解决上述技术问题的另一种技术方案如下:一种用于冲孔皮革缺陷检测***,包括:
分类模块110:用于对冲孔皮革的缺陷进行分类,分为全局缺陷和局部缺陷;
获取模块120:获取预设数量的冲孔皮革的原始图像;
切割模块130:用于分别对每张所述原始图像进行切割,得到每张所述原始图像的切割框集合;
第一训练模块140:用于根据所述全局缺陷和所述局部缺陷从所述切割框集合中选取目标切割框,作为每张所述原始图像的训练样本,得到训练集;
第二训练模块150:用于根据所述训练集对预设的缺陷检测算法模型进行训练;
检测模块160:用于根据训练后的所述缺陷检测算法模型对待检测的冲孔皮革的缺陷进行检测。
采用上述实施方式的有益效果:通过数据的采集、扩增,对数据的处理,最终得到训练集,是一种结构简单、准确和可靠性高的数据集制作方法,通过训练集对神经网络进行训练。最终通过皮革影像,基于对皮革中疵点形态、长度、面积以及所处位置等的分析,归纳皮革缺陷的种类。
可选地,在一些实施例中,还可以包括:第一处理模块170:用于对全部所述原始图像进行直方图均衡化处理得到增强图像。
采用上述实施方式的有益效果:首先通过直方图均衡化增强缺陷部分和非缺陷部分的颜色差异,从而提高对比度,有助于对模型进行分类。
可选地,在一些实施例中,还可以包括:第二处理模块180:用于对所述增强图像进行随机翻转矩阵处理,对所述增强图像集进行扩增。
采用上述实施方式的有益效果:提高样本的均衡性,尽可能多的从不同角度选取图像集,对增强图像集进行扩增。
可选地,在一些实施例中,还可以包括:第三处理模块190:用于对扩增后的所述增强图像集进行线性函数归一化处理,将所述增强图像集内的图像的像素归一化到预设范围。
采用上述实施方式的有益效果:保留图像中的所有的特征,减少参数的像素大小,防止过拟合。
可选地,在一些实施例中,所述训练集为:重叠区域与并集区域面积比值高于阈值的切割框,所述重叠区域为:缺陷区域与所述切割框的重叠部分,所述并集区域为,所述缺陷区域与所述切割框的并集部分,当不存在所述重叠区域与所述并集区域面积比值高于所述阈值的切割框时,则选取所述重叠部分的面积与所述切割框的面积比值高于所述阈值的切割框,或者选取所述重叠部分的面积与所述缺陷区域的面积比值高于所述阈值的切割框。
采用上述实施方式的有益效果:可以有效的提高样本的均衡度以及缺陷区域的占比小等问题,为神经网络的训练提供更加全面的训练集。
可以理解,在一些实施例中,可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是,上述各实施例是与在先方法实施例对应的产品实施例,对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如,步骤的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个步骤可以结合或者可以集成到另一个步骤,或一些特征可以忽略,或不执行。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种用于冲孔皮革缺陷检测方法,其特征在于,包括:
步骤1、对冲孔皮革的缺陷进行分类,分为全局缺陷和局部缺陷;
步骤2、获取预设数量的冲孔皮革的原始图像;
步骤3、分别对每张所述原始图像进行切割,得到每张所述原始图像的切割框集合;
步骤4、根据所述全局缺陷和所述局部缺陷从所述切割框集合中选取目标切割框,作为每张所述原始图像的训练样本,得到训练集;
步骤5、根据所述训练集对预设的缺陷检测算法模型进行训练;
步骤6、根据训练后的所述缺陷检测算法模型对待检测的冲孔皮革的缺陷进行检测。
2.根据权利要求1所述的一种用于冲孔皮革缺陷检测方法,其特征在于,步骤2之后还包括:
步骤201、对全部所述原始图像进行直方图均衡化处理得到增强图像集。
3.根据权利要求2所述的一种用于冲孔皮革缺陷检测方法,其特征在于,步骤201之后还包括:
步骤202、对所述增强图像集进行随机翻转矩阵处理,对所述增强图像集进行扩增。
4.根据权利要求3所述的一种用于冲孔皮革缺陷检测方法,其特征在于,步骤202之后还包括:
步骤203、对扩增后的所述增强图像集进行线性函数归一化处理,将所述增强图像集内的图像的像素归一化到预设范围。
5.根据权利要求1至4中任一项所述的一种用于冲孔皮革缺陷检测方法,其特征在于,所述训练集为:重叠区域与并集区域面积比值高于阈值的切割框,所述重叠区域为:缺陷区域与所述切割框的重叠部分,所述并集区域为,所述缺陷区域与所述切割框的并集部分,当不存在所述重叠区域与所述并集区域面积比值高于所述阈值的切割框时,则选取所述重叠部分的面积与所述切割框的面积比值高于所述阈值的切割框,或者选取所述重叠部分的面积与所述缺陷区域的面积比值高于所述阈值的切割框。
6.一种用于冲孔皮革缺陷检测***,其特征在于,包括:
分类模块:用于对冲孔皮革的缺陷进行分类,分为全局缺陷和局部缺陷;
获取模块:获取预设数量的冲孔皮革的原始图像;
切割模块:用于分别对每张所述原始图像进行切割,得到每张所述原始图像的切割框集合;
第一训练模块:用于根据所述全局缺陷和所述局部缺陷从所述切割框集合中选取目标切割框,作为每张所述原始图像的训练样本,得到训练集;
第二训练模块:用于根据所述训练集对预设的缺陷检测算法模型进行训练;
检测模块:用于根据训练后的所述缺陷检测算法模型对待检测的冲孔皮革的缺陷进行检测。
7.根据权利要求6所述的一种用于冲孔皮革缺陷检测***,其特征在于,还包括:
第一处理模块:用于对全部所述原始图像进行直方图均衡化处理得到增强图像。
8.根据权利要求7所述的一种用于冲孔皮革缺陷检测***,其特征在于,还包括:
第二处理模块:用于对所述增强图像进行随机翻转矩阵处理,对所述增强图像集进行扩增。
9.根据权利要求8所述的一种用于冲孔皮革缺陷检测***,其特征在于,还包括:
第三处理模块:用于对扩增后的所述增强图像集进行线性函数归一化处理,将所述增强图像集内的图像的像素归一化到预设范围。
10.根据权利要求6至9中任一项所述的一种用于冲孔皮革缺陷检测***,其特征在于,所述训练集为:重叠区域与并集区域面积比值高于阈值的切割框,所述重叠区域为:缺陷区域与所述切割框的重叠部分,所述并集区域为,所述缺陷区域与所述切割框的并集部分,当不存在所述重叠区域与所述并集区域面积比值高于所述阈值的切割框时,则选取所述重叠部分的面积与所述切割框的面积比值高于所述阈值的切割框,或者选取所述重叠部分的面积与所述缺陷区域的面积比值高于所述阈值的切割框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911352833.3A CN111161233A (zh) | 2019-12-25 | 2019-12-25 | 一种用于冲孔皮革缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911352833.3A CN111161233A (zh) | 2019-12-25 | 2019-12-25 | 一种用于冲孔皮革缺陷检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111161233A true CN111161233A (zh) | 2020-05-15 |
Family
ID=70557935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911352833.3A Pending CN111161233A (zh) | 2019-12-25 | 2019-12-25 | 一种用于冲孔皮革缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161233A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814850A (zh) * | 2020-06-22 | 2020-10-23 | 浙江大华技术股份有限公司 | 缺陷检测模型训练方法、缺陷检测方法及相关装置 |
CN112164053A (zh) * | 2020-09-30 | 2021-01-01 | 广东工业大学 | 一种基于缺陷分类的皮革检测方法和相关装置 |
WO2022036804A1 (zh) * | 2020-08-20 | 2022-02-24 | 广东工业大学 | 一种柔性材料智能连续加工控制方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
CN110310262A (zh) * | 2019-06-19 | 2019-10-08 | 上海理工大学 | 一种用于检测轮胎缺陷的方法、装置及*** |
-
2019
- 2019-12-25 CN CN201911352833.3A patent/CN111161233A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
CN110310262A (zh) * | 2019-06-19 | 2019-10-08 | 上海理工大学 | 一种用于检测轮胎缺陷的方法、装置及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814850A (zh) * | 2020-06-22 | 2020-10-23 | 浙江大华技术股份有限公司 | 缺陷检测模型训练方法、缺陷检测方法及相关装置 |
WO2022036804A1 (zh) * | 2020-08-20 | 2022-02-24 | 广东工业大学 | 一种柔性材料智能连续加工控制方法及设备 |
CN112164053A (zh) * | 2020-09-30 | 2021-01-01 | 广东工业大学 | 一种基于缺陷分类的皮革检测方法和相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210374940A1 (en) | Product defect detection method, device and system | |
CN111161243B (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN109671058B (zh) | 一种大分辨率图像的缺陷检测方法及*** | |
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN111161233A (zh) | 一种用于冲孔皮革缺陷检测方法及*** | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣*** | |
CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
CN110889838A (zh) | 一种织物疵点检测方法及装置 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN114723708A (zh) | 一种基于无监督图像分割的工艺品外观缺陷检测方法 | |
CN107590511A (zh) | 一种缺陷识别方法以及用于自动检查机的缺陷识别*** | |
Dang-Ngoc et al. | Citrus leaf disease detection and classification using hierarchical support vector machine | |
CN103268492B (zh) | 一种玉米籽粒类型识别方法 | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
CN109740692A (zh) | 一种基于主成分分析的逻辑斯蒂回归的目标归类方法 | |
CN115861790A (zh) | 耕地遥感图像分析方法、装置、设备、存储介质及产品 | |
CN111899221B (zh) | 一种面向外观缺陷检测的自迁移学习方法 | |
CN113516193A (zh) | 基于图像处理的红枣缺陷识别分类方法及装置 | |
Kim et al. | Automatic defect detection from SEM images of wafers using component tree | |
US20220058371A1 (en) | Classification of cell nuclei |
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 |