CN111311544B - 一种基于深度学习的地板缺陷检测方法 - Google Patents
一种基于深度学习的地板缺陷检测方法 Download PDFInfo
- Publication number
- CN111311544B CN111311544B CN202010058893.0A CN202010058893A CN111311544B CN 111311544 B CN111311544 B CN 111311544B CN 202010058893 A CN202010058893 A CN 202010058893A CN 111311544 B CN111311544 B CN 111311544B
- Authority
- CN
- China
- Prior art keywords
- image
- floor
- deep learning
- defect
- model
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 94
- 238000013135 deep learning Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000013145 classification model Methods 0.000 claims abstract description 43
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 13
- 230000002950 deficient Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009408 flooring Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的地板缺陷检测方法,包括以下步骤:1)利用工业相机采集地板的高分辨率图像以建立地板检测图像库;2)对步骤1)所述地板检测图像库中每幅缺陷图像的缺陷区域进行手动标注,形成地板检测图像标签库;3)建立基于深度学习的语义分割模型以及图像分类模型;4)采用数据增强技术扩充步骤1)采集的地板检测图像库;5)对步骤4)扩充后的图像库进行地板缺陷语义分割模型以及地板缺陷分类模型深度学习训练;6)在线采集地板表面图像并基于已训练的地板缺陷分类模型对地板表面进行缺陷检测。本发明无需人工干涉的情况下达到人工筛选的精度,可降低生产成本、推动地板行业的智能化。
Description
技术领域:
本发明涉及地板缺陷检测技术领域,尤其涉及一种基于深度学习的地板缺陷检测方法。
背景技术:
地板的缺陷检测是其生产过程中质量控制的关键环节。现有的缺陷检测方式主要是通过人工肉眼筛选来完成,现有的方法存在以下缺点:检测速度慢、检测结果受质检工人的经验影响较大、检测精度不可控制、质检工人成本较高等。随着计算机技术、人工智能等科学技术的出现以及发展,基于机器视觉技术的物体表面缺陷检测技术应运而生,极大程度上改善了物体表面缺陷检测效果以及提高了物体表面缺陷检测速率,同时避免了因场景条件、主观判断等因素影响缺陷检测结果的准确性。
基于传统图像处理识别技术的检测技术仍需要人工提取特征,这些特征设计需要大量的先验知识和经验。在地板行业中,产品的表面以不规则纹路为主且类别众多,传统图像算法在这种情况下表现并不尽如人意。深度学习作为新兴的研究领域,其优点是可以自动学习有用的特征,且抗干扰能力强,具有较高的鲁棒性。将深度学习技术应用到地板缺陷检测中可以很好的解决现有的痛点问题。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容:
本发明的目的在于提供一种基于深度学习的地板缺陷检测方法,从而克服上述现有技术中的缺陷。
为实现上述目的,本发明提供了一种基于深度学习的地板缺陷检测方法,所述以下步骤:
1)利用工业相机采集地板的高分辨率图像以建立地板检测图像库;
2)对步骤1)所述地板检测图像库中每幅缺陷图像的缺陷区域进行手动标注,形成地板检测图像标签库;
3)建立基于深度学习的语义分割模型以及图像分类模型;
4)采用数据增强技术扩充步骤1)采集的地板检测图像库;
5)对步骤4)扩充后的图像库进行地板缺陷语义分割模型以及地板缺陷分类模型深度学习训练;
6)在线采集地板表面图像并基于已训练的地板缺陷分类模型对地板表面进行缺陷检测,若存在缺陷则利用地板缺陷语义分割模型定位地板缺陷的具***置。
所述步骤1)中的地板检测图像库由工业相机采集的高分辨率图像组成,分辨率为1024*1024以上,所述图像库中正常图像样本数与瑕疵图像样本数比值接近1:1,所述图像库总样本数量为N,N>1000。
所述步骤3)中的语义分割模型由编码器Encoder和解码器Decoder构成,所诉编码器Encoder为基础网络,包括卷积层、批标准化层、池化层、线性激活层,用于自动提取输入图像的深度特征并输出一组特征图;所述解码器Decoder包括卷积层、上采样层,用于特征图筛选并输出结果图像,所述结果图像与输入图像分辨率相同。
所述步骤3)中的图像分类模型与语义分割模型共享编码器Encoder的参数,在所述编码器Encoder的基础上加入卷积层以及全连接层,构成图像分类模型。
所述步骤4)中的数据增强方法包括图像水平翻转、图像垂直翻转、图像随机亮度调整、随机高斯噪声扰动、图像随机旋转,所述图像随机旋转角度范围为[-10°-10°]。
所述步骤6)中对地板表面进行缺陷检测时,将地板表面图像切割为多张1024*1024分辨率的图像输入步骤3)所述深度学习图像分类模型,若存在一个切片为缺陷图像则判定整张图像为瑕疵图像;地板表面图像输入步骤3)所述深度学习语义分割模型时直接将整张图像输入即可。
所述步骤6)中对地板表面进行缺陷检测时,地板表面图像首先经过深度学习训练过的地板缺陷分类模型进行分类,若无缺陷则判断为正常品,若有缺陷则再经过深度学习训练过的地板语义分割模型定位具体的瑕疵位置。
所述步骤5)地板缺陷语义分割模型以及地板缺陷分类模型深度学习训练按以下步骤进行:
S1:将经过步骤4)增强过的图像库按照4:1的比例随机抽样划分为训练集与验证集;
S2:将步骤3)深度学习语义分割模型在训练集上进行迭代,最高150轮,若训练过程中loss值已收敛则停止训练,选取在验证集上表现最好的模型作为最终语义分割模型;
S3:步骤3)深度学习图像分类模型读取已训练的深度学习语义分割模型编码器Encoder部分参数并冻结这部分参数,在训练集上进行迭代,最高150轮,仅微调图像分类模型中除Encoder之外的卷积层以及全连接层,若训练过程中loss值已收敛则停止训练,选取在验证集上表现最好的模型作为最终分类模型。
所述S1)中步骤4)增强过的图像切割为多张1024*1024分辨率的图像输入。
所述训练时,深度学习语义分割模型以DICELoss为最优化目标;训练时,深度学习分类模型以CrossEntropyLoss为最优化目标。
其中,步骤6中已训练的地板缺陷分类模型以及地板缺陷语义分割模型为步骤5中训练好的模型固化导出的pth文件。
与现有技术相比,本发明具有如下有益效果:
本发明采用基于深度学习的图像分类技术与语义分割技术,训练出地板缺陷分类模型和地板缺陷语义分割模型,以模型为依据实时检测新采集的图像,可以实时的对地板进行高精度的缺陷分类与缺陷定位;相比于传统的图像识别方法,本发明自动提取地板图像中的关键特征,免去了烦琐的人工特征提取环节,可提高检测速度与精度;本发明在无需人工干涉的情况下达到人工筛选的精度,可降低生产成本、推动地板行业的智能化。
附图说明:
图1为本发明的一种基于深度学习的地板缺陷检测方法的原理图;
具体实施方式:
下面对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
如图1所示,一种基于深度学习的地板缺陷检测方法,所述以下步骤:
1)利用工业相机采集地板的高分辨率图像以建立地板检测图像库;
2)对步骤1)所述地板检测图像库中每幅缺陷图像的缺陷区域进行手动标注,形成地板检测图像标签库;
3)建立基于深度学习的语义分割模型以及图像分类模型;
4)采用数据增强技术扩充步骤1)采集的地板检测图像库;
5)对步骤4)扩充后的图像库进行地板缺陷语义分割模型以及地板缺陷分类模型深度学习训练;
6)在线采集地板表面图像并基于已训练的地板缺陷分类模型对地板表面进行缺陷检测,若存在缺陷则利用地板缺陷语义分割模型定位地板缺陷的具***置。
所述步骤1)中的地板检测图像库由工业相机采集的高分辨率图像组成,分辨率为1024*1024以上,所述图像库中正常图像样本数与瑕疵图像样本数比值接近1:1,所述图像库总样本数量为N,N>1000。
所述步骤3)中的语义分割模型由编码器Encoder和解码器Decoder构成,所诉编码器Encoder为基础网络,包括卷积层、批标准化层、池化层、线性激活层,用于自动提取输入图像的深度特征并输出一组特征图;所述解码器Decoder包括卷积层、上采样层,用于特征图筛选并输出结果图像,所述结果图像与输入图像分辨率相同。
所述步骤3)中的图像分类模型与语义分割模型共享编码器Encoder的参数,在所述编码器Encoder的基础上加入卷积层以及全连接层,构成图像分类模型。
所述步骤4)中的数据增强方法包括图像水平翻转、图像垂直翻转、图像随机亮度调整、随机高斯噪声扰动、图像随机旋转,所述图像随机旋转角度范围为[-10°-10°]。
所述步骤6)中对地板表面进行缺陷检测时,将地板表面图像切割为多张1024*1024分辨率的图像输入步骤3)所述深度学习图像分类模型,若存在一个切片为缺陷图像则判定整张图像为瑕疵图像;地板表面图像输入步骤3)所述深度学习语义分割模型时直接将整张图像输入即可。
所述步骤6)中对地板表面进行缺陷检测时,地板表面图像首先经过深度学习训练过的地板缺陷分类模型进行分类,若无缺陷则判断为正常品,若有缺陷则再经过深度学习训练过的地板语义分割模型定位具体的瑕疵位置。
所述步骤5)地板缺陷语义分割模型以及地板缺陷分类模型深度学习训练按以下步骤进行:
S1:将经过步骤4)增强过的图像库按照4:1的比例随机抽样划分为训练集与验证集;
S2:将步骤3)深度学习语义分割模型在训练集上进行迭代,最高150轮,若训练过程中loss值已收敛则停止训练,选取在验证集上表现最好的模型作为最终语义分割模型;
S3:步骤3)深度学习图像分类模型读取已训练的深度学习语义分割模型编码器Encoder部分参数并冻结这部分参数,在训练集上进行迭代,最高150轮,仅微调图像分类模型中除Encoder之外的卷积层以及全连接层,若训练过程中loss值已收敛则停止训练,选取在验证集上表现最好的模型作为最终分类模型。
所述S1)中步骤4)增强过的图像切割为多张1024*1024分辨率的图像输入。
所述训练时,深度学习语义分割模型以DICELoss为最优化目标;训练时,深度学习分类模型以CrossEntropyLoss为最优化目标。
其中,步骤6中已训练的地板缺陷分类模型以及地板缺陷语义分割模型为步骤5中训练好的模型固化导出的pth文件。
训练过程中,只有训练集中的数据在迭代时会执行数据增强操作,验证集不执行数据增强,每次迭代结束会计算模型在验证集上的loss值,存储loss值最小的模型储为Pytorch pth文件。训练时模型所用的初始化参数为在ImageNet分类数据集上训练得到的模型参数;训练时参数更新方式为Adam,初始学习率为0.001,批次大小为8。
本发明采用基于深度学习的图像分类技术与语义分割技术,训练出地板缺陷分类模型和地板缺陷语义分割模型,以模型为依据实时检测新采集的图像,可以实时的对地板进行高精度的缺陷分类与缺陷定位;相比于传统的图像识别方法,本发明自动提取地板图像中的关键特征,免去了烦琐的人工特征提取环节,可提高检测速度与精度;本发明在无需人工干涉的情况下达到人工筛选的精度,可降低生产成本、推动地板行业的智能化。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (7)
1.一种基于深度学习的地板缺陷检测方法,其特征在于:包括以下步骤:
1)利用工业相机采集地板的高分辨率图像以建立地板检测图像库;
2)对步骤1)所述地板检测图像库中每幅缺陷图像的缺陷区域进行手动标注,形成地板检测图像标签库;
3)建立基于深度学习的语义分割模型以及图像分类模型;
4)采用数据增强技术扩充步骤1)采集的地板检测图像库;
5)对步骤4)扩充后的图像库进行地板缺陷语义分割模型以及地板缺陷分类模型深度学习训练;
6)在线采集地板表面图像并基于已训练的地板缺陷分类模型对地板表面进行缺陷检测,若存在缺陷则利用地板缺陷语义分割模型定位地板缺陷的具***置;
所述步骤6)中对地板表面进行缺陷检测时,将地板表面图像切割为多张1024*1024分辨率的图像输入步骤3)所述深度学习图像分类模型,若存在一个切片为缺陷图像则判定整张图像为瑕疵图像;地板表面图像输入步骤3)所述深度学习语义分割模型时直接将整张图像输入即可;
所述步骤6)中对地板表面进行缺陷检测时,地板表面图像首先经过深度学习训练过的地板缺陷分类模型进行分类,若无缺陷则判断为正常品,若有缺陷则再经过深度学习训练过的地板语义分割模型定位具体的瑕疵位置;
所述步骤5)地板缺陷语义分割模型以及地板缺陷分类模型深度学习训练按以下步骤进行:
S1:将经过步骤4)增强过的图像库按照4:1的比例随机抽样划分为训练集与验证集;
S2:将步骤3)深度学习语义分割模型在训练集上进行迭代,最高150轮,若训练过程中loss值已收敛则停止训练,选取在验证集上表现最好的模型作为最终语义分割模型;
S3:步骤3)深度学习图像分类模型读取已训练的深度学习语义分割模型编码器Encoder部分参数并冻结这部分参数,在训练集上进行迭代,最高150轮,仅微调图像分类模型中除Encoder之外的卷积层以及全连接层,若训练过程中loss值已收敛则停止训练,选取在验证集上表现最好的模型作为最终分类模型;
训练过程中,只有训练集中的数据在迭代时会执行数据增强操作,验证集不执行数据增强,每次迭代结束会计算模型在验证集上的loss值,存储loss值最小的模型储为Pytorchpth文件,训练时模型所用的初始化参数为在Imagenet分类数据集上训练得到的模型参数,训练时参数更新方式为Adam,初始学习率为0.001,批次大小为8。
2.根据权利要求1所述的一种基于深度学习的地板缺陷检测方法,其特征在于:所述步骤1)中的地板检测图像库由工业相机采集的高分辨率图像组成,分辨率为1024*1024以上,所述图像库中正常图像样本数与瑕疵图像样本数比值接近1:1,所述图像库总样本数量为N,N>1000。
3.根据权利要求1所述的一种基于深度学习的地板缺陷检测方法,其特征在于:所述步骤3)中的语义分割模型由编码器Encoder和解码器Decoder构成,所述编码器Encoder为基础网络,包括卷积层、批标准化层、池化层、线性激活层,用于自动提取输入图像的深度特征并输出一组特征图;所述解码器Decoder包括卷积层、上采样层,用于特征图筛选并输出结果图像,所述结果图像与输入图像分辨率相同。
4.根据权利要求1所述的一种基于深度学习的地板缺陷检测方法,其特征在于:所述步骤3)中的图像分类模型与语义分割模型共享编码器Encoder的参数,在所述编码器Encoder的基础上加入卷积层以及全连接层,构成图像分类模型。
5.根据权利要求1所述的一种基于深度学***翻转、图像垂直翻转、图像随机亮度调整、随机高斯噪声扰动、图像随机旋转,所述图像随机旋转角度范围为[-10°-10°]。
6.根据权利要求1所述的一种基于深度学习的地板缺陷检测方法,其特征在于:所述步骤4)增强过的图像切割为多张1024*1024分辨率的图像输入。
7.根据权利要求1所述的一种基于深度学习的地板缺陷检测方法,其特征在于:所述训练时,深度学习语义分割模型以DICELoss为最优化目标;训练时,深度学习分类模型以CrossEntropyLoss为最优化目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010058893.0A CN111311544B (zh) | 2020-01-19 | 2020-01-19 | 一种基于深度学习的地板缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010058893.0A CN111311544B (zh) | 2020-01-19 | 2020-01-19 | 一种基于深度学习的地板缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311544A CN111311544A (zh) | 2020-06-19 |
CN111311544B true CN111311544B (zh) | 2024-04-26 |
Family
ID=71158236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010058893.0A Active CN111311544B (zh) | 2020-01-19 | 2020-01-19 | 一种基于深度学习的地板缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311544B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837209A (zh) * | 2020-06-23 | 2021-12-24 | 乐达创意科技股份有限公司 | 改良机器学习使用数据进行训练的方法及*** |
CN112132784A (zh) * | 2020-08-22 | 2020-12-25 | 安徽大学 | 一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法 |
CN111986199B (zh) * | 2020-09-11 | 2024-04-16 | 征图新视(江苏)科技股份有限公司 | 一种基于无监督深度学习的木地板表面瑕疵检测方法 |
CN112365443B (zh) * | 2020-10-16 | 2021-10-12 | 珠海市奥德维科技有限公司 | 基于深度学习的六面体缺陷检测方法及介质 |
CN112990392A (zh) * | 2021-05-20 | 2021-06-18 | 四川大学 | 基于改进YOLOv5算法的新材料地板缺陷目标检测*** |
CN113283541B (zh) * | 2021-06-15 | 2022-07-22 | 无锡锤头鲨智能科技有限公司 | 一种地板自动分选方法 |
CN113344888A (zh) * | 2021-06-17 | 2021-09-03 | 四川启睿克科技有限公司 | 一种基于联合模型的表面缺陷检测方法及装置 |
CN113627315B (zh) * | 2021-08-06 | 2024-04-30 | 上海华测导航技术股份有限公司 | 一种从边缘端相机到算法推理过程数据预处理的方法 |
CN113781430B (zh) * | 2021-09-09 | 2023-08-25 | 北京云屿科技有限公司 | 一种基于深度学习的手套表面缺陷检测方法及*** |
CN115240031B (zh) * | 2022-07-21 | 2023-10-27 | 无锡锤头鲨智能科技有限公司 | 一种基于生成对抗网络的板材表面缺陷生成方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175988A (zh) * | 2019-04-25 | 2019-08-27 | 南京邮电大学 | 基于深度学习的布匹缺陷检测方法 |
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*** |
CN110473173A (zh) * | 2019-07-24 | 2019-11-19 | 熵智科技(深圳)有限公司 | 一种基于深度学习语义分割的缺陷检测方法 |
CN110554052A (zh) * | 2019-10-12 | 2019-12-10 | 南宁市威锐康商贸有限公司 | 一种人造板表面缺陷检测方法及其*** |
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
-
2020
- 2020-01-19 CN CN202010058893.0A patent/CN111311544B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN110175988A (zh) * | 2019-04-25 | 2019-08-27 | 南京邮电大学 | 基于深度学习的布匹缺陷检测方法 |
CN110473173A (zh) * | 2019-07-24 | 2019-11-19 | 熵智科技(深圳)有限公司 | 一种基于深度学习语义分割的缺陷检测方法 |
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*** |
CN110554052A (zh) * | 2019-10-12 | 2019-12-10 | 南宁市威锐康商贸有限公司 | 一种人造板表面缺陷检测方法及其*** |
Non-Patent Citations (1)
Title |
---|
基于深度学习的织物缺陷在线检测算法;王理顺,钟勇,李振东,贺宜龙;计算机应用;20190710;第39卷(第7期);2125-2128 * |
Also Published As
Publication number | Publication date |
---|---|
CN111311544A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311544B (zh) | 一种基于深度学习的地板缺陷检测方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN108961246B (zh) | 一种基于人工智能的扫描电镜图像孔隙识别方法 | |
CN109615604B (zh) | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN111402203A (zh) | 一种基于卷积神经网络的织物表面缺陷检测方法 | |
CN110569730B (zh) | 一种基于U-net神经网络模型的路面裂缝自动识别方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN113240642A (zh) | 图像缺陷检测方法及装置、电子设备、存储介质 | |
CN113298757A (zh) | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 | |
CN111507998B (zh) | 基于深度级联的多尺度激励机制隧道表面缺陷分割方法 | |
CN111860143B (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
CN111582093A (zh) | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 | |
CN114612472B (zh) | 一种基于SegNet改进的皮革缺陷分割网络算法 | |
CN112907561A (zh) | 一种基于深度学习的笔记本外观瑕疵检测方法 | |
CN111127454A (zh) | 基于深度学习生成工业缺陷样本的方法及*** | |
CN107194432B (zh) | 一种基于深度卷积神经网络的冰箱门体识别方法及*** | |
CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其*** | |
CN111915593A (zh) | 模型建立方法、装置、电子设备及存储介质 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN104614386A (zh) | 一种镜片疵病类型的识别方法 | |
CN117723564B (zh) | 基于图像传输的包装袋印刷质量检测方法及检测*** |
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 |