CN111798419A - 一种金属喷漆表面缺陷检测方法 - Google Patents
一种金属喷漆表面缺陷检测方法 Download PDFInfo
- Publication number
- CN111798419A CN111798419A CN202010593460.5A CN202010593460A CN111798419A CN 111798419 A CN111798419 A CN 111798419A CN 202010593460 A CN202010593460 A CN 202010593460A CN 111798419 A CN111798419 A CN 111798419A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- metal
- defective
- defects
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 108
- 239000002184 metal Substances 0.000 title claims abstract description 73
- 239000003973 paint Substances 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000005507 spraying Methods 0.000 title claims abstract description 22
- 230000002950 deficient Effects 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 239000007921 spray Substances 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000010422 painting Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000007592 spray painting technique Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007665 sagging Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 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
- G06F18/24—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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种金属喷漆表面缺陷检测方法，包括：获取包含有缺陷图像和无缺陷图像的金属喷漆表面图像数据集；采用二分类方式对金属喷漆表面图像数据集进行初选，得到带有标注的正样本、无标注的正样本和负样本；获取金属喷漆表面包含未知类别缺陷的图像，结合二分类初选得到的样本，通过对深度学习神经网络进行训练测试，得到缺陷检测模型；将实际金属喷漆表面图像输入缺陷检测模型，输出得到该实际金属喷漆表面图像的缺陷检测结果。与现有技术相比，本发明结合Blob块检测和深度学习神经网络，能准确、快速地进行前期样本筛选和标注，同时利用未知类别缺陷图像训练神经网络，使得本发明能够对金属喷漆表面缺陷进行快速、准确、全面的检测。
Description
技术领域
本发明涉及金属喷漆表面检测技术领域，尤其是涉及一种金属喷漆表面缺陷检测方法。
背景技术
为保证金属喷漆产品的外观质量，需要对金属喷漆表面进行缺陷检测，以筛选掉表面发生喷漆缺陷的产品。目前常用的检测方法主要分为人工检测和机器图像识别两种方式，其中，人工检测存在检测效率低、检测准确度低的问题；机器图像识别则是通过深度学习，以对拍摄的金属喷漆表面自动进行缺陷检测，这种方式需要利用正负样本进行训练和测试，而正负样本则通常采用人工筛选和标注进行区分，这无疑增加了前期工作量，一旦出现大批量的样本，很有可能出现人工标注错误或者人工漏标注的问题，导致后续检测准确率降低，此外，现有的图像识别检测方式只能根据前期训练的成果进行固定缺陷的检测识别，对于未知类型缺陷，则无法检测识别出，即无法全面可靠地进行金属喷漆表面缺陷检测，若要实现全面检测的目的，则必须增加输出类别数目，以提升分类性能，使得整个深度学习网络结构更加复杂，不利于快速、准确地输出检测结果。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种金属喷漆表面缺陷检测方法，针对现有检测的不准确性和深度学习只能检测先验种类缺陷的问题，能够实现快速、全面、准确检测金属喷漆表面缺陷的目的。
本发明的目的可以通过以下技术方案来实现：一种金属喷漆表面缺陷检测方法，包括以下步骤：
S1、获取金属喷漆表面图像数据集，该数据集中包含有缺陷图像和无缺陷图像；
S2、采用二分类方式对金属喷漆表面图像数据集进行初选，再通过LabelMe图像标注工具得到带有标注的正样本、无标注的正样本和负样本，其中，正样本为有缺陷图像，负样本为无缺陷图像；
S3、获取金属喷漆表面包含未知类别缺陷的图像，结合带有标注的正样本、无标注的正样本和负样本，通过对深度学习神经网络进行训练测试，得到训练好的缺陷检测模型；
S4、将实际金属喷漆表面图像输入缺陷检测模型，输出得到该实际金属喷漆表面图像的缺陷检测结果。
进一步地，所述金属喷漆表面图像数据集中有缺陷图像的缺陷具体包括流淌、颗粒、翻边和气泡。
进一步地，所述步骤S2具体包括以下步骤：
S21、对金属喷漆表面图像数据集进行预处理，得到预处理后的H张金属喷漆表面图像；
S22、采用Blob块检测方式，对预处理后的每张金属喷漆表面图像依次进行块检测，以初选出K张有缺陷图像和S张无缺陷图像，其中，K+S＝H；
S23、通过LabelMe图像标注工具，随机对N张有缺陷图像中的缺陷进行标注，得到带有标注的正样本，剩余(K-N)张有缺陷图像即为无标注的正样本，S张无缺陷图像即为负样本。
进一步地，所述步骤S21中预处理过程具体为：
S211、通过高斯滤波去除金属喷漆表面图像的噪声；
S212、对金属喷漆表面图像进行直方图均衡化处理，以均匀图像亮度；
S213、依次对金属喷漆表面图像进行阈值分割和腐蚀形态学操作，使图像中的缺陷更加明显。
进一步地，所述步骤S22中进行块检测的具体过程为：
S221、采用Blob块检测方式，将金属喷漆表面图像中的缺陷部分圈出来，每张金属喷漆表面图像对应有一张缺陷初选列表；
S222、将检测出缺陷的Blob圈存入该金属喷漆表面图像对应的缺陷初选列表中，通过缺陷初选列表的长度来判断金属喷漆表面图像为有缺陷图像或无缺陷图像：
若缺陷初选列表的长度大于0，即存在Blob圈，则该缺陷初选列表对应的金属喷漆表面图像为有缺陷图像；
若缺陷初选列表的长度为0，即不存在Blob圈，则该缺陷初选列表对应的金属喷漆表面图像为无缺陷图像。
进一步地，所述步骤S23中带有标注的正样本具体为json格式文件，该文件信息包含标注的标签名称，标注点的坐标值以及标注所用的形状，所述标签名称包括流淌、颗粒、翻边和气泡。
进一步地，所述步骤S3具体包括以下步骤：
S31、将带有标记的正样本、负样本和未知类别缺陷的图像共同构成训练集，将无标记的正样本、负样本和未知类别缺陷的图像共同构成测试集；
S32、将训练集输入深度学习神经网络模型，当深度学习神经网络模型loss值训练到一定期望值且达到收敛时，结束训练；
S33、将测试集输入收敛后的深度学习神经网络模型，输出测试集的缺陷分类结果及准确率；
S34、将测试集的缺陷分类准确率与预设的阈值进行比较，若缺陷分类准确率小于预设阈值，则调整深度学习神经网络模型的参数，返回步骤S32，直至缺陷分类准确率大于或等于预设阈值，则得到训练好的缺陷检测模型。
进一步地，所述深度学习神经网络模型具体为VGG16卷积神经网络，包括输入层、隐藏层和输出层，所述输入层用于输入金属喷漆表面图像；
所述隐藏层包括13个卷积层和3个全连接层，层与层之间设有最大池化层；
所述输出层为softmax层。
进一步地，所述输出层的分类结果为5个：分别为流淌、颗粒、翻边、气泡以及未知缺陷。
进一步地，所述卷积层的卷积核大小为3×3，所述最大池化层的核的大小为2×2。
与现有技术相比，本发明具有以下优点：
一、本发明采用Blob块检测方式对金属喷漆表面图像进行有缺陷和无缺陷的初筛选，并通过LabelMe图像标注工具对有缺陷图像进行标注，能够减少样本数据的前期筛选工作量和后期标注工作量，即使出现大批量的样本，也能避免发生标注错误或者漏标注的问题，从而保证后续深度学习神经网络输入数据的可靠性，有利于提升深度学习神经网络的缺陷检测准确性。
二、本发明在训练测试深度学习神经网络时，在训练集中加入带有标注的有缺陷图像、无缺陷图像和未知类别缺陷图像，在测试集中加入无标注的有缺陷图像、无缺陷图像和未知类别缺陷图像，使得训练得到的缺陷检测模型既能够检测到金属喷漆表面已知类别的缺陷，同时能检测到金属喷漆表面未知类别的缺陷，避免发生误检测或漏检测的问题、实现全面检测的目的。
三、本发明采用VGG16卷积神经网络作为缺陷检测模型，在测试阶段卷积层可代替全连接层，可以接收任意尺寸图像作为输入；采用3*3的卷积核和2*2的池化层，增加了网络深度，有效地提升了分类性能，此外，将输出层分类结果缩小为5个，能够在保证检测准确的基础上减少检测模型的复杂性，实现快速检测的目的。
附图说明
图1为本发明的方法流程示意图；
图2为实施例中应用过程示意图；
图3为实施例中金属喷漆表面图像预处理示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种金属喷漆表面缺陷检测方法，包括以下步骤：
S1、获取金属喷漆表面图像数据集，该数据集中包含有缺陷图像和无缺陷图像；
S2、采用二分类方式对金属喷漆表面图像数据集进行初选，再通过LabelMe图像标注工具得到带有标注的正样本、无标注的正样本和负样本，其中，正样本为有缺陷图像，负样本为无缺陷图像；
S3、获取金属喷漆表面包含未知类别缺陷的图像，结合带有标注的正样本、无标注的正样本和负样本，通过对深度学习神经网络进行训练测试，得到训练好的缺陷检测模型；
S4、将实际金属喷漆表面图像输入缺陷检测模型，输出得到该实际金属喷漆表面图像的缺陷检测结果。
本实施例中，金属喷漆表面图像数据集包含有缺陷图像720张、无缺陷图像280张，应用上述方法的具体过程如图2所示：
对金属喷漆表面图像数据集进行预处理，首先经过一个高斯滤波去除噪声，之后利用直方图均衡化使图像亮度均匀，最后采用Ostu阈值分割法对图像中的缺陷进行分割，并对图像进行腐蚀形态学操作，已对分割出来的缺陷的周围高亮部分进行腐蚀，使缺陷更加明显，预处理的效果示意如图3所示。
使用Blob块检测，将图像中的缺陷部位圈出来，在实际中，具体是将检测出缺陷的Blob圈存放在一个列表中，用这个列表是否为空来判断这张图像中是否含有缺陷；如果列表长度为0，即没有Blob圈，则说明这张图片不含缺陷；如果列表长度大于0，则说明这张图片中含有Blob圈，有缺陷，将含有Blob圈的图像(即有缺陷图像)存放在一个文件夹里，将不含Blob圈的图像(即无缺陷图像)存放在另一个文件夹里。
使用LabelMe图像标注工具随机对有缺陷图像中的缺陷进行标注，得到多个带有标注的有缺陷图像，标注的结果是得到了json格式的文件，文件中的信息包含标注的标签名称(对应于流淌、颗粒、翻边和气泡)，标注点的坐标值，标注所用的形状。
在构建深度学习网络用的训练集和测试集时，其具体构成如表1所示：
表1
| 正样本 | 负样本 | 总样本 | |
| 训练集 | 550 | 230 | 780 |
| 测试集 | 170 | 50 | 220 |
其中，训练集和测试集的正样本均包含有缺陷图像和未知类别缺陷图像、负样本只包含无缺陷图像，训练集的正样本具体为带有标注的有缺陷图像和未知类别缺陷图像，测试集的正样本具体为无标注的有缺陷图像和未知类别缺陷图像。
深度学习网络模型采用的是卷积神经网络VGG16，包括输入层、隐藏层和输出层；输入层用于输入图像；隐藏层包括13个卷积层和3个全连接层，层与层之间使用max-pooling(最大池化层)分开，所有隐藏层的激活单元都采用ReLU函数；输出层为softmax层，把输出层的1000个预测结果改为5个，分别对应于流淌、颗粒、翻边、气泡以及未知缺陷。VGG16使用多个较小卷积核(3*3)的卷积层代替一个卷积核较大的卷积层，一方面可以减少参数，另一方面相当于进行了更多的非线性映射，可以增加网络的拟合能力。网络第一层的通道数为64，后面每层都进行了翻倍，最多达到512个通道，通道数的增加，使得更多的信息可以被提取出来。网络测试阶段将训练阶段的三个全连接替换为三个卷积，使得测试得到的全卷积网络因为没有全连接的限制，因而可以接收任意宽或高的输入。
本实施例在ubuntu环境下训练深度学习神经网络模型，将训练集输入到深度学习神经网络中：前向传播输入缺陷图像，提取缺陷特征；反向传播进行梯度更新，得到误差，根据误差和梯度更新权重，进而不断学习缺陷的特征；
当深度学习神经网络loss值训练到一定期望值且达到收敛时，训练过程结束，保存训练好的模型；
将测试集输入训练好的模型中，输出测试集的分类结果及准确率，对测试集的缺陷分类准确率进行比较；若准确率低于预设阈值，则更改深度学习神经网络模型的参数，重复训练测试，直到测试集的缺陷分类准确率达到或高于预设阈值，以得到缺陷检测模型，本实施例的测试集测试结果如表2所示：
表2
| 缺陷分类准确率 | 测试时间(秒) | |
| 测试项目 | 95.7％ | 19.5 |
最终，将实际的金属喷漆表面图像输入缺陷检测模型，即可快速、全面、准确地对该实际金属喷漆表面图像进行缺陷检测。
Claims (10)
1.一种金属喷漆表面缺陷检测方法，其特征在于，包括以下步骤：
S1、获取金属喷漆表面图像数据集，该数据集中包含有缺陷图像和无缺陷图像；
S2、采用二分类方式对金属喷漆表面图像数据集进行初选，再通过LabelMe图像标注工具得到带有标注的正样本、无标注的正样本和负样本，其中，正样本为有缺陷图像，负样本为无缺陷图像；
S3、获取金属喷漆表面包含未知类别缺陷的图像，结合带有标注的正样本、无标注的正样本和负样本，通过对深度学习神经网络进行训练测试，得到训练好的缺陷检测模型；
S4、将实际金属喷漆表面图像输入缺陷检测模型，输出得到该实际金属喷漆表面图像的缺陷检测结果。
2.根据权利要求1所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述金属喷漆表面图像数据集中有缺陷图像的缺陷具体包括流淌、颗粒、翻边和气泡。
3.根据权利要求2所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、对金属喷漆表面图像数据集进行预处理，得到预处理后的H张金属喷漆表面图像；
S22、采用Blob块检测方式，对预处理后的每张金属喷漆表面图像依次进行块检测，以初选出K张有缺陷图像和S张无缺陷图像，其中，K+S＝H；
S23、通过LabelMe图像标注工具，随机对N张有缺陷图像中的缺陷进行标注，得到带有标注的正样本，剩余(K-N)张有缺陷图像即为无标注的正样本，S张无缺陷图像即为负样本。
4.根据权利要求3所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S21中预处理过程具体为：
S211、通过高斯滤波去除金属喷漆表面图像的噪声；
S212、对金属喷漆表面图像进行直方图均衡化处理，以均匀图像亮度；
S213、依次对金属喷漆表面图像进行阈值分割和腐蚀形态学操作，使图像中的缺陷更加明显。
5.根据权利要求3所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S22中进行块检测的具体过程为：
S221、采用Blob块检测方式，将金属喷漆表面图像中的缺陷部分圈出来，每张金属喷漆表面图像对应有一张缺陷初选列表；
S222、将检测出缺陷的Blob圈存入该金属喷漆表面图像对应的缺陷初选列表中，通过缺陷初选列表的长度来判断金属喷漆表面图像为有缺陷图像或无缺陷图像：
若缺陷初选列表的长度大于0，即存在Blob圈，则该缺陷初选列表对应的金属喷漆表面图像为有缺陷图像；
若缺陷初选列表的长度为0，即不存在Blob圈，则该缺陷初选列表对应的金属喷漆表面图像为无缺陷图像。
6.根据权利要求3所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S23中带有标注的正样本具体为json格式文件，该文件信息包含标注的标签名称，标注点的坐标值以及标注所用的形状，所述标签名称包括流淌、颗粒、翻边和气泡。
7.根据权利要求3所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、将带有标记的正样本、负样本和未知类别缺陷的图像共同构成训练集，将无标记的正样本、负样本和未知类别缺陷的图像共同构成测试集；
S32、将训练集输入深度学习神经网络模型，当深度学习神经网络模型loss值训练到一定期望值且达到收敛时，结束训练；
S33、将测试集输入收敛后的深度学习神经网络模型，输出测试集的缺陷分类结果及准确率；
S34、将测试集的缺陷分类准确率与预设的阈值进行比较，若缺陷分类准确率小于预设阈值，则调整深度学习神经网络模型的参数，返回步骤S32，直至缺陷分类准确率大于或等于预设阈值，则得到训练好的缺陷检测模型。
8.根据权利要求7所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述深度学习神经网络模型具体为VGG16卷积神经网络，包括输入层、隐藏层和输出层，所述输入层用于输入金属喷漆表面图像；
所述隐藏层包括13个卷积层和3个全连接层，层与层之间设有最大池化层；
所述输出层为softmax层。
9.根据权利要求8所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述输出层的分类结果为5个：分别为流淌、颗粒、翻边、气泡以及未知缺陷。
10.根据权利要求8所述的一种金属喷漆表面缺陷检测方法，其特征在于，所述卷积层的卷积核大小为3×3，所述最大池化层的核的大小为2×2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010593460.5A CN111798419A (zh) | 2020-06-27 | 2020-06-27 | 一种金属喷漆表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010593460.5A CN111798419A (zh) | 2020-06-27 | 2020-06-27 | 一种金属喷漆表面缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111798419A true CN111798419A (zh) | 2020-10-20 |
Family
ID=72803260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010593460.5A Pending CN111798419A (zh) | 2020-06-27 | 2020-06-27 | 一种金属喷漆表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111798419A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112528975A (zh) * | 2021-02-08 | 2021-03-19 | 常州微亿智造科技有限公司 | 工业质检方法、装置和计算机可读存储介质 |
| CN112669292A (zh) * | 2020-12-31 | 2021-04-16 | 上海工程技术大学 | 一种实现飞机蒙皮喷漆表面缺陷检测与分类的方法 |
| CN113052244A (zh) * | 2021-03-30 | 2021-06-29 | 歌尔股份有限公司 | 一种分类模型训练方法和一种分类模型训练装置 |
| CN113177924A (zh) * | 2021-05-10 | 2021-07-27 | 南通大学 | 一种工业流水线产品瑕疵检测方法 |
| CN113192021A (zh) * | 2021-04-26 | 2021-07-30 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
| CN113723467A (zh) * | 2021-08-05 | 2021-11-30 | 武汉精创电子技术有限公司 | 用于缺陷检测的样本收集方法、装置和设备 |
| CN113838015A (zh) * | 2021-09-15 | 2021-12-24 | 上海电器科学研究所（集团）有限公司 | 一种基于网络协同的电器产品外观缺陷检测方法 |
| CN114312242A (zh) * | 2021-11-18 | 2022-04-12 | 埃维尔汽车部件(苏州)有限公司 | 一种高效汽车出风口面板组装工艺 |
| CN115830403A (zh) * | 2023-02-22 | 2023-03-21 | 厦门微亚智能科技有限公司 | 一种基于深度学习的自动缺陷分类***及方法 |
| CN116228672A (zh) * | 2023-01-04 | 2023-06-06 | 哈尔滨岛田大鹏工业股份有限公司 | 一种基于形状特征的金属加工表面缺陷检测***及检测方法 |
| CN117788965A (zh) * | 2024-02-28 | 2024-03-29 | 四川拓及轨道交通设备股份有限公司 | 一种柔性接触网吊弦的检测及高清成像方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102486A (zh) * | 2017-06-21 | 2018-12-28 | 合肥欣奕华智能机器有限公司 | 基于机器学习的表面缺陷检测方法及装置 |
| CN110298839A (zh) * | 2019-07-10 | 2019-10-01 | 北京滴普科技有限公司 | 一种基于数据驱动的外观缺陷智能判别*** |
| CN110363253A (zh) * | 2019-07-25 | 2019-10-22 | 安徽工业大学 | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 |
| CN111062495A (zh) * | 2019-11-28 | 2020-04-24 | 深圳市华尊科技股份有限公司 | 机器学习方法及相关装置 |
-
2020
- 2020-06-27 CN CN202010593460.5A patent/CN111798419A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102486A (zh) * | 2017-06-21 | 2018-12-28 | 合肥欣奕华智能机器有限公司 | 基于机器学习的表面缺陷检测方法及装置 |
| CN110298839A (zh) * | 2019-07-10 | 2019-10-01 | 北京滴普科技有限公司 | 一种基于数据驱动的外观缺陷智能判别*** |
| CN110363253A (zh) * | 2019-07-25 | 2019-10-22 | 安徽工业大学 | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 |
| CN111062495A (zh) * | 2019-11-28 | 2020-04-24 | 深圳市华尊科技股份有限公司 | 机器学习方法及相关装置 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669292A (zh) * | 2020-12-31 | 2021-04-16 | 上海工程技术大学 | 一种实现飞机蒙皮喷漆表面缺陷检测与分类的方法 |
| CN112528975A (zh) * | 2021-02-08 | 2021-03-19 | 常州微亿智造科技有限公司 | 工业质检方法、装置和计算机可读存储介质 |
| CN113052244B (zh) * | 2021-03-30 | 2023-05-26 | 歌尔股份有限公司 | 一种分类模型训练方法和一种分类模型训练装置 |
| CN113052244A (zh) * | 2021-03-30 | 2021-06-29 | 歌尔股份有限公司 | 一种分类模型训练方法和一种分类模型训练装置 |
| CN113192021A (zh) * | 2021-04-26 | 2021-07-30 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
| CN113177924A (zh) * | 2021-05-10 | 2021-07-27 | 南通大学 | 一种工业流水线产品瑕疵检测方法 |
| CN113723467A (zh) * | 2021-08-05 | 2021-11-30 | 武汉精创电子技术有限公司 | 用于缺陷检测的样本收集方法、装置和设备 |
| CN113838015A (zh) * | 2021-09-15 | 2021-12-24 | 上海电器科学研究所（集团）有限公司 | 一种基于网络协同的电器产品外观缺陷检测方法 |
| CN113838015B (zh) * | 2021-09-15 | 2023-09-22 | 上海电器科学研究所（集团）有限公司 | 一种基于网络协同的电器产品外观缺陷检测方法 |
| CN114312242A (zh) * | 2021-11-18 | 2022-04-12 | 埃维尔汽车部件(苏州)有限公司 | 一种高效汽车出风口面板组装工艺 |
| CN116228672A (zh) * | 2023-01-04 | 2023-06-06 | 哈尔滨岛田大鹏工业股份有限公司 | 一种基于形状特征的金属加工表面缺陷检测***及检测方法 |
| CN115830403A (zh) * | 2023-02-22 | 2023-03-21 | 厦门微亚智能科技有限公司 | 一种基于深度学习的自动缺陷分类***及方法 |
| CN117788965A (zh) * | 2024-02-28 | 2024-03-29 | 四川拓及轨道交通设备股份有限公司 | 一种柔性接触网吊弦的检测及高清成像方法 |
| CN117788965B (zh) * | 2024-02-28 | 2024-05-10 | 四川拓及轨道交通设备股份有限公司 | 一种柔性接触网吊弦的检测及高清成像方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111798419A (zh) | 一种金属喷漆表面缺陷检测方法 | |
| CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
| CN109711474B (zh) | 一种基于深度学习的铝材表面缺陷检测算法 | |
| CN108918536B (zh) | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
| CN114627383B (zh) | 一种基于度量学习的小样本缺陷检测方法 | |
| CN111932489A (zh) | 焊缝缺陷检测方法、***、存储介质、计算机设备、终端 | |
| CN112037219A (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
| CN110927171A (zh) | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 | |
| CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
| CN106846316A (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
| CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
| CN108827969A (zh) | 金属零件表面缺陷检测与识别方法及装置 | |
| CN107328787A (zh) | 一种基于深度卷积神经网络的金属板带表面缺陷检测*** | |
| CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
| Park et al. | MarsNet: multi-label classification network for images of various sizes | |
| CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
| US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN114972342B (zh) | 一种变速箱齿轮表面缺陷检测方法 | |
| CN112819748A (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
| CN113870202A (zh) | 一种基于深度学习技术的远端芯片缺陷检测*** | |
| CN113362277A (zh) | 一种基于深度学习的工件表面缺陷检测和分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |