CN112070716A - 一种基于深度学习的印刷缺陷智能识别方法 - Google Patents
一种基于深度学习的印刷缺陷智能识别方法 Download PDFInfo
- Publication number
- CN112070716A CN112070716A CN202010766753.9A CN202010766753A CN112070716A CN 112070716 A CN112070716 A CN 112070716A CN 202010766753 A CN202010766753 A CN 202010766753A CN 112070716 A CN112070716 A CN 112070716A
- Authority
- CN
- China
- Prior art keywords
- defect
- deep learning
- layer
- printing
- printing defect
- 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 113
- 238000013135 deep learning Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 6
- 239000013078 crystal Substances 0.000 claims description 5
- 210000002268 wool Anatomy 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material 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
- G06F18/21—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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/30144—Printing quality
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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印刷缺陷智能识别方法,具体为:采集印刷缺陷区域图像及对应的模板图像作为样本图像,并标记缺陷种类;将采集到的样本图像按照缺陷的类型;设计并训练印刷缺陷特征提取的深度学习网络模型;将训练集中的图像输入训练好的深度学习网络模型,提取缺陷特征数据,然后在特征层面对少数类样本的特征数据进行扩充,并用扩充后的特征数据训练SVM分类器;将待识别的印刷缺陷图像输入到训练好的深度学习网络模型中提取其缺陷特征数据,将提取的缺陷特征数据输入到训练好的SVM模型识别其缺陷的类型。本发明的一种基于深度学习的印刷缺陷智能识别方法,解决了现有技术中存在的识别准确率低的问题。
Description
技术领域
本发明属于印刷技术领域,涉及一种基于深度学习的印刷缺陷智能识别方法。
背景技术
随着人们生活水平的提高,人们对印刷品的质量要求越来也越高。同时印刷品一旦出现缺陷,将会造成原材料的极大浪费。现有的印刷企业许多都配有基于机器视觉的印刷缺陷检测***,能够将缺陷检测出来,但无法识别出是哪种类型的缺陷。在印刷生产过程中,只有知道了是哪种类型的印刷缺陷,才能够知道生产过程中出现了什么故障,从而采取有针对性的措施。因此,对印刷缺陷进行识别是印刷企业迫切需要解决的一项关键技术。
在印刷生产中,由于印刷设备种类多、印刷材料差异大、印刷工艺及技术的不同、印刷产品图文信息的丰富等因素,导致同类型的印刷缺陷在形态、大小、明暗程度上的差异非常大,加之印刷图文信息的差异巨大,造成了印刷缺陷的分类识别相比于一般的识别问题具有更大的难度和挑战性。由于印刷缺陷特征存在一定的随机性和多样性,传统的提取缺陷长宽比、圆形度、面积、亮度等浅层特征的方式,识别准确率低。
发明内容
本发明的目的是提供一种基于深度学习的印刷缺陷智能识别方法,解决了现有技术中存在的识别准确率低的问题。
本发明所采用的技术方案是,一种基于深度学习的印刷缺陷智能识别方法,具体按照如下步骤实施:
步骤1,采集印刷缺陷区域图像及对应的模板图像作为样本图像,并标记缺陷种类;
步骤2,将步骤1采集到的样本图像按照缺陷的类型,随机选取一部分作为训练集,剩余的作为测试集;
步骤3,设计并训练印刷缺陷特征提取的深度学习网络模型;
步骤4,将训练集中的图像送入步骤3训练好的深度学习网络模型,提取缺陷特征数据,然后在特征层面对少数类样本的特征数据进行扩充,并用扩充后的特征数据训练SVM分类器;
步骤5,将待识别的印刷缺陷图像输入到步骤3训练好的深度学习网络模型中提取其缺陷特征数据,将提取的缺陷特征数据输入到步骤4训练好的SVM模型识别其缺陷的类型。
本发明的特征还在于,
步骤1具体为:
采集印刷缺陷区域图像及对应的模板图像最为样本图像,大小均为128×128像素,并标记缺陷种类,样本图像数据集表示为其中,si表示采集到的第i幅印刷缺陷区域图像,ti表示对应该幅印刷缺陷区域图像的模板图像,ci表示该印刷缺陷区域图像的缺陷种类,N为样本图像数量。
缺陷种类有11类,分别为墨皮、纸毛、亮缺陷、刀丝、偏色、墨点、晶点、漏印、套印、蹭脏及拖尾,则ci∈[0,10]。
步骤2中训练集中的样本图像数量为总样本数的2/3。
步骤3具体为:
步骤3.1,建立印刷缺陷特征提取深度学习网络模型,该模型包括依次连接的输入层、7个特征提取层c1到c7、2个全连接层f1和f2以及1个SoftMax分类层,所述模型首先对输入层经过32个5×5大小的卷积核进行卷积,卷积步长为1的Same卷积方式,得到32个大小为128×128特征图c1;接下来,从c2层到c6层,均采用卷积核大小为5×5大小、卷积步长为1的Same卷积方式,然后进行归一化处理并采用Relu激活函数,之后是最大池化,池化核大小为2×2、步长为2,因此从c2层到c6层的特征图的个数分别是64、128、256、512、1024,特征图的大小分别为64×64、32×32、16×16、8×8、4×4;从c6层到c7层采用的卷积核大小为3×3、步长为1的Valid方式的卷积,得到1024个大小为2×2的特征图;从c7层到全连接层f1是对图像特征进行纵向拉伸得到4096维的张量;从f1层到f2层进行特征映射将维度降到128维,最后降到11维送入到SoftMax分类器中进行分类;
步骤3.2,对步骤3.1的建立的印刷缺陷特征提取深度学习网络模型采用交叉熵损失函数进行训练,训练时为防止过拟合采用dropout方法,每一轮训练过程中卷积层只更新参数的75%,其余的25%进行冻结,全连接层是更新50%的参数,冻结50%的参数,训练周期为200轮,每一次送入网络的图像数量为50张,得到训练好的深度学习网络模型。
步骤4具体为:
步骤4.1,对步骤3训练好的深度学习网络模型,去掉最后的SoftMax分类器,然后对训练集中的图像输入到该深度学习网络模型,提取全连接层部分的最后一层的128维特征;
步骤4.2,应用SVM-SMOTE过采样方法,对训练集中样本数量少于平均样本数量三分之一的种类进行扩充,扩充时用步骤4.1提取到的128维特征,采用SVM-SMOTE过采样方法进行,扩充少数类样本的特征;
步骤4.3,用扩充后的样本特征数据,训练SVM分类器,实现印刷缺陷的自动识别。
步骤4.3中SVM分类器的输入是步骤3训练好的深度学习网络模型的最后一个全连接层输出的128维特征数据,输出是ci维的印刷缺陷类别信息,使用的核函数为径向基核函数。
本发明的有益效果是:本发明一种基于深度学习的印刷缺陷智能识别方法,相比较传统的方法,是一种端到端的印刷缺陷特征自动提取方法,所提取的特征具有适应性强、稳定性好的特点,发明的识别方法具有较高的正确识别率。通过识别出的缺陷种类,有助于企业及时发现生产过程中的故障,从而及时采取相应的对策,减少产品的废品率,提高产品的质量。
附图说明
图1是本发明一种基于深度学习的印刷缺陷智能识别方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于深度学习的印刷缺陷智能识别方法,其流程如图1所示,具体按照如下步骤实施:
步骤1,采集印刷缺陷区域图像及对应的模板图像作为样本图像,并标记缺陷种类;采集印刷缺陷区域图像及对应的模板图像最为样本图像,大小均为128×128像素,并标记缺陷种类,样本图像数据集表示为其中,si表示采集到的第i幅印刷缺陷区域图像,ti表示对应该幅印刷缺陷区域图像的模板图像,ci表示该印刷缺陷区域图像的缺陷种类,N为样本图像数量,缺陷种类有11类,分别为墨皮、纸毛、亮缺陷、刀丝、偏色、墨点、晶点、漏印、套印、蹭脏及拖尾,则ci∈[0,10];
步骤2,将步骤1采集到的样本图像按照缺陷的类型,随机选取一部分作为训练集,剩余的作为测试集;训练集中的样本图像数量为总样本数的2/3;
步骤3,设计并训练印刷缺陷特征提取的深度学习网络模型;具体为:
步骤3.1,建立印刷缺陷特征提取深度学习网络模型,该模型包括依次连接的输入层、7个特征提取层c1到c7、2个全连接层f1和f2以及1个SoftMax分类层,模型首先对输入层经过32个5×5大小的卷积核进行卷积,卷积步长为1的Same卷积方式,得到32个大小为128×128特征图c1;接下来,从c2层到c6层,均采用卷积核大小为5×5大小、卷积步长为1的Same卷积方式,然后进行归一化处理并采用Relu激活函数,之后是最大池化,池化核大小为2×2、步长为2,因此从c2层到c6层的特征图的个数分别是64、128、256、512、1024,特征图的大小分别为64×64、32×32、16×16、8×8、4×4;从c6层到c7层采用的卷积核大小为3×3、步长为1的Valid方式的卷积,得到1024个大小为2×2的特征图;从c7层到全连接层f1是对图像特征进行纵向拉伸得到4096维的张量;从f1层到f2层进行特征映射将维度降到128维,最后降到11维送入到SoftMax分类器中进行分类;
步骤3.2,对步骤3.1的建立的印刷缺陷特征提取深度学习网络模型采用交叉熵损失函数进行训练,训练时为防止过拟合采用dropout方法,每一轮训练过程中卷积层只更新参数的75%,其余的25%进行冻结,全连接层是更新50%的参数,冻结50%的参数,训练周期为200轮,每一次送入网络的图像数量为50张,得到训练好的深度学习网络模型;
步骤4,将训练集中的图像送入步骤3训练好的深度学习网络模型,提取缺陷特征数据,然后在特征层面对少数类样本的特征数据进行扩充,并用扩充后的特征数据训练SVM分类器;具体为:
步骤4.1,对步骤3训练好的深度学习网络模型,去掉最后的SoftMax分类器,然后对训练集中的图像输入到该深度学习网络模型,提取全连接层部分的最后一层的128维特征;
步骤4.2,应用SVM-SMOTE过采样方法,对训练集中样本数量少于平均样本数量三分之一的种类进行扩充,扩充时用步骤4.1提取到的128维特征,采用SVM-SMOTE过采样方法进行,扩充少数类样本的特征;
步骤4.3,用扩充后的样本特征数据,训练SVM分类器,实现印刷缺陷的自动识别,其中,SVM分类器的输入是步骤3训练好的深度学习网络模型的最后一个全连接层输出的128维特征数据,输出是11维的印刷缺陷类别信息,使用的核函数为径向基核函数;
步骤5,将待识别的印刷缺陷图像输入到步骤3训练好的深度学习网络模型中提取其缺陷特征数据,将提取的缺陷特征数据输入到步骤4训练好的SVM模型识别其缺陷的类型。
将本发明一种基于深度学习的印刷缺陷智能识别方法,应用于实际的检测***从企业采集到的实际的印刷缺陷图像之中,验证效果如下:
采集的11种印刷缺陷样本数量为:墨皮2349幅、纸毛2301幅、亮缺陷5158幅、刀丝5520幅、偏色294幅、墨点1059幅、晶点371幅、漏印31幅、套印224幅、蹭脏53幅、拖尾31幅,可以看出数据集中的样本数量严重不平衡,如果不采用本发明的特征层重采样过程,各印刷缺陷的正确识别率为:墨皮82.78%、纸毛90.77%、亮缺陷98.73%、刀丝99.17%、偏色71.84%、墨点85.44%、晶点91.00%、漏印63.64%、套印72.15%、蹭脏15.79%、拖尾27.27%,平均正确识别率为72.60%。经采用本发明方法,平均正确识别率达到了94.37%,识别率提高了21.77%,具体各缺陷的正确识别率为:墨皮90.11%、纸毛96.09%、亮缺陷99.72%、刀丝99.43%、偏色95.88%、墨点92.84%、晶点95.52%、漏印90.91%、套印94.74%、蹭脏92.86%、拖尾90.00%。从以上应用可以看出,本发明一种基于深度学***衡下的识别正确率低的问题,可以根据识别的结果得到产生缺陷的原因,从而提高了检测***的分类识别能力,提高了产品质量,减少原料浪费。
Claims (7)
1.一种基于深度学习的印刷缺陷智能识别方法,其特征在于,具体按照如下步骤实施:
步骤1,采集印刷缺陷区域图像及对应的模板图像作为样本图像,并标记缺陷种类;
步骤2,将步骤1采集到的样本图像按照缺陷的类型,随机选取一部分作为训练集,剩余的作为测试集;
步骤3,设计并训练印刷缺陷特征提取的深度学习网络模型;
步骤4,将训练集中的图像送入步骤3训练好的深度学习网络模型,提取缺陷特征数据,然后在特征层面对少数类样本的特征数据进行扩充,并用扩充后的特征数据训练SVM分类器;
步骤5,将待识别的印刷缺陷图像输入到步骤3训练好的深度学习网络模型中提取其缺陷特征数据,将提取的缺陷特征数据输入到步骤4训练好的SVM模型识别其缺陷的类型。
3.根据权利要求2所述的一种基于深度学习的印刷缺陷智能识别方法,其特征在于,所述缺陷种类有11类,分别为墨皮、纸毛、亮缺陷、刀丝、偏色、墨点、晶点、漏印、套印、蹭脏及拖尾,则ci∈[0,10]。
4.根据权利要求1所述的一种基于深度学习的印刷缺陷智能识别方法,其特征在于,所述步骤2中训练集中的样本图像数量为总样本数的2/3。
5.根据权利要求1所述的一种基于深度学习的印刷缺陷智能识别方法,其特征在于,所述步骤3具体为:
步骤3.1,建立印刷缺陷特征提取深度学习网络模型,建立印刷缺陷特征提取深度学习网络模型,该模型包括依次连接的输入层、7个特征提取层c1到c7、2个全连接层f1和f2以及1个SoftMax分类层,所述模型首先对输入层经过32个5×5大小的卷积核进行卷积,卷积步长为1的Same卷积方式,得到32个大小为128×128特征图c1;接下来,从c2层到c6层,均采用卷积核大小为5×5大小、卷积步长为1的Same卷积方式,然后进行归一化处理并采用Relu激活函数,之后是最大池化,池化核大小为2×2、步长为2,因此从c2层到c6层的特征图的个数分别是64、128、256、512、1024,特征图的大小分别为64×64、32×32、16×16、8×8、4×4;从c6层到c7层采用的卷积核大小为3×3、步长为1的Valid方式的卷积,得到1024个大小为2×2的特征图;从c7层到全连接层f1是对图像特征进行纵向拉伸得到4096维的张量;从f1层到f2层进行特征映射将维度降到128维,最后降到11维送入到SoftMax分类器中进行分类;
步骤3.2,对步骤3.1的建立的印刷缺陷特征提取深度学习网络模型采用交叉熵损失函数进行训练,训练时为防止过拟合采用dropout方法,每一轮训练过程中卷积层只更新参数的75%,其余的25%进行冻结,全连接层是更新50%的参数,冻结50%的参数,训练周期为200轮,每一次送入网络的图像数量为50张,得到训练好的深度学习网络模型。
6.根据权利要求5所述的一种基于深度学习的印刷缺陷智能识别方法,其特征在于,所述步骤4具体为:
步骤4.1,对步骤3训练好的深度学习网络模型,去掉最后的SoftMax分类器,然后对训练集中的图像输入到该深度学习网络模型,提取全连接层部分的最后一层的128维特征;
步骤4.2,应用SVM-SMOTE过采样方法,对训练集中样本数量少于平均样本数量三分之一的种类进行扩充,扩充时用步骤4.1提取到的128维特征,采用SVM-SMOTE过采样方法进行,扩充少数类样本的特征;
步骤4.3,用扩充后的样本特征数据,训练SVM分类器,实现印刷缺陷的自动识别。
7.根据权利要求6所述的一种基于深度学习的印刷缺陷智能识别方法,其特征在于,所述步骤4.3中SVM分类器的输入是步骤3训练好的深度学习网络模型的最后一个全连接层输出的128维特征数据,输出是ci维的印刷缺陷类别信息,使用的核函数为径向基核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766753.9A CN112070716A (zh) | 2020-08-03 | 2020-08-03 | 一种基于深度学习的印刷缺陷智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766753.9A CN112070716A (zh) | 2020-08-03 | 2020-08-03 | 一种基于深度学习的印刷缺陷智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070716A true CN112070716A (zh) | 2020-12-11 |
Family
ID=73657204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010766753.9A Pending CN112070716A (zh) | 2020-08-03 | 2020-08-03 | 一种基于深度学习的印刷缺陷智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070716A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950584A (zh) * | 2021-03-01 | 2021-06-11 | 哈尔滨工程大学 | 一种基于深度学习的涂层表面缺陷识别方法 |
CN113344880A (zh) * | 2021-06-09 | 2021-09-03 | 浙江国研智能电气有限公司 | 基于Fast-RCNN的低压电器移印图案缺陷检测方法 |
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 |
CN114281282A (zh) * | 2022-03-08 | 2022-04-05 | 中体彩印务技术有限公司 | 一种印刷监控方法及其*** |
CN117078853A (zh) * | 2023-08-18 | 2023-11-17 | 广东工业大学 | 一种基于数字孪生体的工件缺陷样本扩增方法及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829607A (zh) * | 2018-07-09 | 2018-11-16 | 华南理工大学 | 一种基于卷积神经网络的软件缺陷预测方法 |
CN110335262A (zh) * | 2019-06-28 | 2019-10-15 | 西安理工大学 | 一种机器视觉中印刷品缺陷自动分类方法 |
CN110413792A (zh) * | 2019-08-08 | 2019-11-05 | 大连海事大学 | 一种高影响力缺陷报告识别方法 |
-
2020
- 2020-08-03 CN CN202010766753.9A patent/CN112070716A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829607A (zh) * | 2018-07-09 | 2018-11-16 | 华南理工大学 | 一种基于卷积神经网络的软件缺陷预测方法 |
CN110335262A (zh) * | 2019-06-28 | 2019-10-15 | 西安理工大学 | 一种机器视觉中印刷品缺陷自动分类方法 |
CN110413792A (zh) * | 2019-08-08 | 2019-11-05 | 大连海事大学 | 一种高影响力缺陷报告识别方法 |
Non-Patent Citations (1)
Title |
---|
ERHU ZHANG 等: "A Deep Learning Based Printing Defect Classification Method with Imbalanced Samples", 《SYMMETRY》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950584A (zh) * | 2021-03-01 | 2021-06-11 | 哈尔滨工程大学 | 一种基于深度学习的涂层表面缺陷识别方法 |
CN112950584B (zh) * | 2021-03-01 | 2022-07-29 | 哈尔滨工程大学 | 一种基于深度学习的涂层表面缺陷识别方法 |
CN113344880A (zh) * | 2021-06-09 | 2021-09-03 | 浙江国研智能电气有限公司 | 基于Fast-RCNN的低压电器移印图案缺陷检测方法 |
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 |
CN114281282A (zh) * | 2022-03-08 | 2022-04-05 | 中体彩印务技术有限公司 | 一种印刷监控方法及其*** |
CN117078853A (zh) * | 2023-08-18 | 2023-11-17 | 广东工业大学 | 一种基于数字孪生体的工件缺陷样本扩增方法及存储介质 |
CN117078853B (zh) * | 2023-08-18 | 2024-03-19 | 广东工业大学 | 一种基于数字孪生体的工件缺陷样本扩增方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070716A (zh) | 一种基于深度学习的印刷缺陷智能识别方法 | |
CN110335262A (zh) | 一种机器视觉中印刷品缺陷自动分类方法 | |
CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN108364281A (zh) | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 | |
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*** | |
CN110991439B (zh) | 一种基于像素级多特征联合分类的手写体字符的提取方法 | |
CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
CN108520212A (zh) | 基于改进的卷积神经网络的交通标志检测方法 | |
CN101661559A (zh) | 一种数字图像训练和检测方法 | |
CN110956167B (zh) | 一种基于定位字符的分类判别强化分离的方法 | |
CN101763502A (zh) | 一种高效的敏感图像检测方法及其*** | |
CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
CN101251896B (zh) | 一种基于多分类器的物体检测***及方法 | |
CN101604384A (zh) | 个性化指纹识别方法 | |
JP4553300B2 (ja) | コンテンツ識別装置 | |
CN109685968A (zh) | 一种基于卷积神经网络的纸币图像缺陷的识别模型构建以及识别方法 | |
CN113901952A (zh) | 一种基于深度学习的印刷体与手写体分开文字识别方法 | |
CN112016563B (zh) | 一种圆形***的真伪识别方法 | |
CN109800762A (zh) | 一种基于动态匹配因子的模糊车牌识别算法 | |
Chen et al. | X-ray of tire defects detection via modified faster R-CNN | |
CN110659599A (zh) | 一种基于扫描试卷的离线笔迹鉴定***以及使用方法 | |
CN113506239A (zh) | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 | |
AlKhateeb et al. | Word-based handwritten Arabic scripts recognition using DCT features and neural network classifier | |
CN111105396A (zh) | 一种基于人工智能的印刷品质量检测方法及*** | |
CN112884741B (zh) | 一种基于图像相似性对比的印刷表观缺陷检测方法 |
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 |
Application publication date: 20201211 |