CN112304960A - 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 - Google Patents

一种基于深度学习的高分辨率图像物体表面缺陷检测方法 Download PDF

Info

Publication number
CN112304960A
CN112304960A CN202011600441.7A CN202011600441A CN112304960A CN 112304960 A CN112304960 A CN 112304960A CN 202011600441 A CN202011600441 A CN 202011600441A CN 112304960 A CN112304960 A CN 112304960A
Authority
CN
China
Prior art keywords
image
resolution
edge
deep learning
images
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.)
Granted
Application number
CN202011600441.7A
Other languages
English (en)
Other versions
CN112304960B (zh
Inventor
曾向荣
钟志伟
刘衍
张政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202011600441.7A priority Critical patent/CN112304960B/zh
Publication of CN112304960A publication Critical patent/CN112304960A/zh
Application granted granted Critical
Publication of CN112304960B publication Critical patent/CN112304960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于深度学习的高分辨率图像物体表面缺陷检测方法，包括以下步骤：S1：将多个高分辨率相机固定在物体正上方，相机对物体表面图像采集，进行图像拼接，以获得高分辨率图像；S2：对高分辨率图像进行预处理图像边缘检测，获得强边缘区域以及对应的原始图像区域；S3：将边缘图像和原始区域图像输入到深度卷积神经网络中进行特征融合识别目标区域分类；S4：输出表面裂纹的类型和属于该类型的概率。本发明主要是针对大型目标采用单一相机检测视场角受限或多相机检测效率低的问题，采用了一种基于深度学习的大范围物体表面裂纹检测方法，有效的提高目标检测范围和检测精度，为大型目标无损检测提供依据。

Description

一种基于深度学习的高分辨率图像物体表面缺陷检测方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的高分辨率图像物体表面缺陷检测方法。
背景技术
随着工业的快速发展，大型工件、压面台、飞机蒙皮等大型目标使用期限的增加，无损表面裂纹检测越来越成为研究的关键和难点问题，尤其是针对不规则表面的物体检测，如果飞机表面存在裂纹，在航行中就存在较大的风险，施工过程中的不当操作也可能导致裂纹，存在目标损坏的可能。
随着机器视觉技术的发展已经代替人眼深入到了社会的方方面面，彻底改变了人们的生活环境。机器视觉检测综合了机器视觉和自动化技术，广泛应用于制造行业的产品缺陷检测，例如产品的装配过程检测与定位、产品的包装检测、产品的外观质量检测、物流行业的货物分栋或水果分栋等，机器视觉能够代替人工快速、准确地完成各项工作。
申请号201910264717.X采用图像预处理和PixelNet网络对缺陷图像进行分割，未对缺陷表面进行缺陷识别；申请号201810820348.3把注意力模块引入卷积模块中，提高检测精度，但增加了训练难度。
发明内容
本发明提出的一种基于深度学习的高分辨率图像物体表面缺陷检测方法，有效的提高目标检测范围和检测精度，为大型目标无损检测提供依据。
为了实现上述目的，本发明采用了如下技术方案：
一种基于深度学习的高分辨率图像物体表面缺陷检测方法，包括以下步骤：
S1：将多个高分辨率相机固定在物体正上方，相机对物体表面图像采集，进行图像拼接，以获得高分辨率图像；
S2：对高分辨率图像进行预处理图像边缘检测，检测疑似缺陷部分的边缘，获得边缘显著的区域，再对边缘显著的区域采用外接矩形拟合方式进行分块处理，与原始图像进行区域对应，获得边缘图像区域和原始图像区域；
S3：将边缘图像区域和原始图像区域输入到深度卷积神经网络中进行特征融合识别目标区域分类；
S4：输出表面裂纹的类型和属于该类型的概率。
优选的，所述步骤S1中图像拼接包括图像预处理、图像特征点匹配、图像配准和图像融合。
优选的，所述图像预处理包括的操作为图像光线校正、图像去噪和相机畸变校正；
所述图像特征点匹配采用基于图像特征的图像匹配方法，包括角点检测法、基于轮廓特征的图像配准、基于SIFT的图像匹配；
所述图像配准通过图像特征点匹配后计算出多副图像间的空间模型并进行空间变换，使两幅图像的重叠部分在空间上对准，为图像拼接的关键；
所述图像融合的目的在于得到无缝的高质量图像，在不损失原始图像信息的前提下，消除接缝与亮度差异，实现拼接边界的平滑过渡。
优选的，所述图像配准中多副图像之间的空间变换包括：平移、旋转、尺度缩放、仿射变换、投影变换。
优选的，所述投影变换相较于平移、旋转、尺度缩放和仿射变换更具有普遍性；
若图像
Figure 270611DEST_PATH_IMAGE001
、
Figure 374702DEST_PATH_IMAGE002
存在投影变换关系，则用齐次方程表示：
Figure 685598DEST_PATH_IMAGE003
其中：m0、m1、m3和m4共同表示旋转角度和缩放尺度；m2和m5分别表示x方向与y方向上的平移量；m6和m7分别表示x方向和y方向上的变形量，图像配准的关键是用齐次方程确定空间变换模型M的参数。
优选的，所述步骤S2中采用边缘算子对高分辨率图像进行预处理图像边缘检测，检测疑似缺陷部分的边缘，获得边缘显著的区域，再对边缘显著的区域采用外接矩形拟合方式进行分块处理，与原始图像进行区域对应，获得边缘图像区域和原始图像区域。
优选的，所述边缘算子采用Canny边缘检测算子、拉普拉斯算子、Prewitt算子和Sobel算子中的任意一种。
优选的，所述步骤S3中卷积神经网络结构采用改进NIN网络。
优选的，所述特征融合采用softmax函数将输出的标量映射为该图像对应类别的概率分布，目标函数为：
Figure 18490DEST_PATH_IMAGE004
；
式中，
Figure 754234DEST_PATH_IMAGE005
为训练样本数量，
Figure 248800DEST_PATH_IMAGE006
为样本实际类别，
Figure 312571DEST_PATH_IMAGE007
表示样本的预测输出，
Figure 370526DEST_PATH_IMAGE008
为网络模型参数，
Figure 960776DEST_PATH_IMAGE009
为防止网络训练过程中出现过拟合而设置的
Figure 626244DEST_PATH_IMAGE010
正则项，如式所示，
Figure 177311DEST_PATH_IMAGE011
取值0.00005；
Figure 835694DEST_PATH_IMAGE012
。
与现有的技术相比，本发明的有益效果是：本发明提供的一种基于深度学习的高分辨率图像物体表面缺陷检测方法，针对大型目标采用单一相机检测视场角受限或多相机检测效率低的问题，采用了一种基于深度学习的大范围物体表面裂纹检测方法，有效的提高目标检测范围和检测精度，为大型目标无损检测提供依据。
附图说明
图1为本发明实施例1、实施例2的总体流程图；
图2为本发明实施例1的高分辨率图像拼接图；
图3为本发明实施例2的NIN卷积神经结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”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，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1、图2，一种基于深度学习的高分辨率图像物体表面缺陷检测方法，包括以下步骤：
S1：将多个高分辨率相机固定在物体正上方，相机对物体表面图像采集，进行图像拼接，使之获得高分辨率图像；
S2：对高分辨率图像进行预处理图像边缘检测，获得边缘显著的区域以及对应的原始图像区域；
S3：将边缘显著的区域和原始灰度图像输入到深度卷积神经网络中进行特征融合识别目标区域分类；
S4：输出表面裂纹的类型和属于该类型的概率。
步骤S1中图像拼接包括图像预处理、图像特征点匹配、图像配准和图像融合。
图像预处理包括图像光线校正、图像去噪、相机畸变校正基本操作。
图像特征点匹配采用基于图像特征的图像匹配方法，只使用图像的部分信息，如轮廓、角点等特征，主要有角点检测法、基于轮廓特征的图像配准、基于SIFT的图像配准。
图像配准通过图像特征点匹配后计算出多副图像间的空间模型并进行空间变换，使两幅图像的重叠部分在空间上对准，为图像拼接的关键。
图像配准中多副图像之间的空间变换包括：平移、旋转、尺度缩放、仿射变换、投影变换。其中投影变换相较于平移、旋转、尺度缩放和仿射变换更具有普遍性。
假设图像
Figure 296762DEST_PATH_IMAGE001
、
Figure 647978DEST_PATH_IMAGE002
存在投影变换关系，则用齐次方程表示：
Figure 754518DEST_PATH_IMAGE003
其中：m0、m1、m3和m4共同表示旋转角度和缩放尺度；m2和m5分别表示x方向与y方向上的平移量；m6和m7分别表示x方向和y方向上的变形量，图像配准的关键是用齐次方程确定空间变换模型M的参数。
图像融合的目的是得到无缝的高质量图像，在不损失原始图像信息的前提下，消除接缝与亮度差异，实现拼接边界的平滑过渡。
实施例2
参照图1、图3，一种基于深度学习的高分辨率图像物体表面缺陷检测方法，包括以下步骤：
S1：将多个高分辨率相机固定在物体正上方，相机对物体表面图像采集，进行图像拼接，使之获得高分辨率图像；
S2：对高分辨率图像进行预处理图像边缘检测，获得边缘显著的区域以及对应的原始图像区域；
S3：将边缘显著的区域和原始灰度图像输入到深度卷积神经网络中进行特征融合识别目标区域分类；
S4：输出表面裂纹的类型和属于该类型的概率。
步骤S2中采用边缘算子对高分辨率图像进行预处理图像边缘检测，由于目标表面缺陷一般较为明显，采用边缘算子对图像进行预处理，检测疑似缺陷部分的边缘，其中边缘算子可以为Canny边缘检测、拉普拉斯算子、Prewitt算子和Sobel算子中的任意一种，获得边缘显著的区域，最后对边缘显著的区域采用外接矩形拟合方式进行分块处理，与原始图像进行区域对应，获得边缘图像区域和原始图像区域。
步骤S3中卷积神经网络结构采用改进NIN网络，其网络层如表1所示：
表1 改进NIN网络
Figure 826379DEST_PATH_IMAGE013
NIN网络不包含全连接层，改进NIN网络是在2014年发表的Network In Network基于上引入全连接层，一个大小为32x32的图像，经过逐层的前向传播，以ReLU为激活函数，在最后一个卷积层输出两个大小为8x8的特征图。修改最后两层，引入全连接层，使得原来输出8x8的特征图，转变为输出64维的向量。
特征融合采用softmax函数将输出的标量映射为该图像对应类别的概率分布，目标函数为：
Figure 141954DEST_PATH_IMAGE004
；
式中，
Figure 398492DEST_PATH_IMAGE005
为训练样本数量，
Figure 799517DEST_PATH_IMAGE006
为样本实际类别，
Figure 675069DEST_PATH_IMAGE007
表示样本的预测输出，
Figure 94418DEST_PATH_IMAGE008
为网络模型参数，
Figure 538169DEST_PATH_IMAGE009
为防止网络训练过程中出现过拟合而设置的
Figure 675758DEST_PATH_IMAGE010
正则项，如式所示，
Figure 230367DEST_PATH_IMAGE011
取值0.00005；
Figure 379589DEST_PATH_IMAGE012
。
以上，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的高分辨率图像物体表面缺陷检测方法，其特征在于，包括以下步骤：
S1：将多个高分辨率相机固定在物体正上方，相机对物体表面图像采集，进行图像拼接，以获得高分辨率图像；
S2：采用边缘算子对高分辨率图像进行预处理图像边缘检测，检测疑似缺陷部分的边缘，获得边缘显著的区域，再对边缘显著的区域采用外接矩形拟合方式进行分块处理，与原始图像进行区域对应，获得边缘图像区域和原始图像区域；
S3：将边缘图像区域和原始图像区域输入到深度卷积神经网络中进行特征融合识别目标区域分类；
S4：输出表面裂纹的类型和属于该类型的概率。
2.根据权利要求1所述的一种基于深度学习的高分辨率图像物体表面缺陷检测方法，其特征在于，所述步骤S1中图像拼接包括图像预处理、图像特征点匹配、图像配准和图像融合。
3.根据权利要求2所述的一种基于深度学习的高分辨率图像物体表面缺陷检测方法，其特征在于，
所述图像预处理包括的操作为图像光线校正、图像去噪和相机畸变校正；
所述图像特征点匹配采用基于图像特征的图像匹配方法，包括角点检测法、基于轮廓特征的图像配准、基于SIFT的图像匹配；
所述图像配准通过图像特征点匹配后计算出多副图像间的空间模型并进行空间变换，使两幅图像的重叠部分在空间上对准，为图像拼接的关键；
所述图像融合的目的在于得到无缝的高质量图像，在不损失原始图像信息的前提下，消除接缝与亮度差异，实现拼接边界的平滑过渡。
4.根据权利要求3所述的一种基于深度学***移、旋转、尺度缩放、仿射变换、投影变换。
5.根据权利要求4所述的一种基于深度学***移、旋转、尺度缩放和仿射变换更具有普遍性；
若图像
Figure 926907DEST_PATH_IMAGE001
、
Figure 654167DEST_PATH_IMAGE002
存在投影变换关系，则用齐次方程表示：
Figure 230642DEST_PATH_IMAGE003
其中：m0、m1、m3和m4共同表示旋转角度和缩放尺度；m2和m5分别表示x方向与y方向上的平移量；m6和m7分别表示x方向和y方向上的变形量，图像配准的关键是用齐次方程确定空间变换模型M的参数。
6.根据权利要求1所述的一种基于深度学习的高分辨率图像物体表面缺陷检测方法，其特征在于，所述步骤S2中边缘算子采用Canny边缘检测算子、拉普拉斯算子、Prewitt算子和Sobel算子中的任意一种。
7.根据权利要求1所述的一种基于深度学习的高分辨率图像物体表面缺陷检测方法，其特征在于，所述步骤S3中卷积神经网络结构采用改进NIN网络。
8.根据权利要求1或7所述的一种基于深度学习的高分辨率图像物体表面缺陷检测方法，其特征在于，所述特征融合采用softmax函数将输出的标量映射为该图像对应类别的概率分布，目标函数为：
Figure 360272DEST_PATH_IMAGE004
；
式中，
Figure 722114DEST_PATH_IMAGE005
为训练样本数量，
Figure 606893DEST_PATH_IMAGE006
为样本实际类别，
Figure 483714DEST_PATH_IMAGE007
表示样本的预测输出，
Figure 479352DEST_PATH_IMAGE008
为网络模型参数，
Figure 961280DEST_PATH_IMAGE009
为防止网络训练过程中出现过拟合而设置的
Figure 689064DEST_PATH_IMAGE010
正则项，如式所示，
Figure 240131DEST_PATH_IMAGE011
取值0.00005；
Figure 419938DEST_PATH_IMAGE012
。
CN202011600441.7A 2020-12-30 2020-12-30 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 Active CN112304960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011600441.7A CN112304960B (zh) 2020-12-30 2020-12-30 一种基于深度学习的高分辨率图像物体表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011600441.7A CN112304960B (zh) 2020-12-30 2020-12-30 一种基于深度学习的高分辨率图像物体表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN112304960A true CN112304960A (zh) 2021-02-02
CN112304960B CN112304960B (zh) 2021-08-10

Family

ID=74487577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011600441.7A Active CN112304960B (zh) 2020-12-30 2020-12-30 一种基于深度学习的高分辨率图像物体表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112304960B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283111A (zh) * 2021-06-11 2021-08-20 中国人民解放军国防科技大学 一种用于模型推演到智能推演的转化方法
CN114445331A (zh) * 2021-12-21 2022-05-06 国网江苏省电力有限公司淮安供电分公司 一种基于图像识别的电缆中间接头施工缺陷检测方法、***及装置
CN115049604A (zh) * 2022-06-09 2022-09-13 佛山科学技术学院 一种大幅面板材超高分辨率图像的微小缺陷快速检测方法
CN115375693A (zh) * 2022-10-27 2022-11-22 浙江托普云农科技股份有限公司 农业信息采集传感器探头缺陷检测方法、***及装置
CN117853826A (zh) * 2024-03-07 2024-04-09 誊展精密科技（深圳）有限公司 基于机器视觉的物体表面精度识别方法及相关设备

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107230202A (zh) * 2017-05-16 2017-10-03 淮阴工学院 路面病害图像的自动识别方法和***
CN107643295A (zh) * 2017-08-24 2018-01-30 中国地质大学（武汉） 一种基于机器视觉的布匹缺陷在线检测的方法和***
CN108765416A (zh) * 2018-06-15 2018-11-06 福建工程学院 基于快速几何对准的pcb表面缺陷检测方法及装置
CN109255787A (zh) * 2018-10-15 2019-01-22 杭州慧知连科技有限公司 基于深度学习和图像处理技术的丝锭划痕检测***及方法
CN109580630A (zh) * 2018-11-10 2019-04-05 东莞理工学院 一种机械零部件缺陷的视觉检测方法
CN109919908A (zh) * 2019-01-23 2019-06-21 华灿光电（浙江）有限公司 发光二极管芯片缺陷检测的方法和装置
CN110044905A (zh) * 2019-03-27 2019-07-23 北京好运达智创科技有限公司 一种双块式轨枕的裂纹检测方法
CN110349126A (zh) * 2019-06-20 2019-10-18 武汉科技大学 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
US20200005070A1 (en) * 2018-06-29 2020-01-02 Utechzone Co., Ltd. Optical inspection method, optical inspection device and optical inspection system
CN110927171A (zh) * 2019-12-09 2020-03-27 中国科学院沈阳自动化研究所 一种基于机器视觉的轴承滚子倒角面缺陷检测方法
CN111260876A (zh) * 2018-11-30 2020-06-09 北京欣奕华科技有限公司 一种图像处理方法及装置
CN111612747A (zh) * 2020-04-30 2020-09-01 重庆见芒信息技术咨询服务有限公司 产品表面裂缝快速检测方法及检测***
CN111738994A (zh) * 2020-06-10 2020-10-02 南京航空航天大学 一种轻量级的pcb缺陷检测方法
US10796202B2 (en) * 2017-09-21 2020-10-06 VIMOC Technologies, Inc. System and method for building an edge CNN system for the internet of things
CN111862039A (zh) * 2020-07-20 2020-10-30 中山西尼视觉科技有限公司 快速编带视觉检测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107230202A (zh) * 2017-05-16 2017-10-03 淮阴工学院 路面病害图像的自动识别方法和***
CN107643295A (zh) * 2017-08-24 2018-01-30 中国地质大学（武汉） 一种基于机器视觉的布匹缺陷在线检测的方法和***
US10796202B2 (en) * 2017-09-21 2020-10-06 VIMOC Technologies, Inc. System and method for building an edge CNN system for the internet of things
CN108765416A (zh) * 2018-06-15 2018-11-06 福建工程学院 基于快速几何对准的pcb表面缺陷检测方法及装置
US20200005070A1 (en) * 2018-06-29 2020-01-02 Utechzone Co., Ltd. Optical inspection method, optical inspection device and optical inspection system
CN109255787A (zh) * 2018-10-15 2019-01-22 杭州慧知连科技有限公司 基于深度学习和图像处理技术的丝锭划痕检测***及方法
CN109580630A (zh) * 2018-11-10 2019-04-05 东莞理工学院 一种机械零部件缺陷的视觉检测方法
CN111260876A (zh) * 2018-11-30 2020-06-09 北京欣奕华科技有限公司 一种图像处理方法及装置
CN109919908A (zh) * 2019-01-23 2019-06-21 华灿光电（浙江）有限公司 发光二极管芯片缺陷检测的方法和装置
CN110044905A (zh) * 2019-03-27 2019-07-23 北京好运达智创科技有限公司 一种双块式轨枕的裂纹检测方法
CN110349126A (zh) * 2019-06-20 2019-10-18 武汉科技大学 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN110927171A (zh) * 2019-12-09 2020-03-27 中国科学院沈阳自动化研究所 一种基于机器视觉的轴承滚子倒角面缺陷检测方法
CN111612747A (zh) * 2020-04-30 2020-09-01 重庆见芒信息技术咨询服务有限公司 产品表面裂缝快速检测方法及检测***
CN111738994A (zh) * 2020-06-10 2020-10-02 南京航空航天大学 一种轻量级的pcb缺陷检测方法
CN111862039A (zh) * 2020-07-20 2020-10-30 中山西尼视觉科技有限公司 快速编带视觉检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
徐殷: "零件表面缺陷检测中基于压缩感知的图像拼接算法研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王沙飞 等: "《认知电子战原理与技术》", 31 December 2018, 国防工业出版社 *
赵兰鹏: "基于机器视觉的硅钢钢带表面缺陷自动检测识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
马孝贺: "多幅图像的高分辨率无缝快速拼接方法", 《微电子学与计算机》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283111A (zh) * 2021-06-11 2021-08-20 中国人民解放军国防科技大学 一种用于模型推演到智能推演的转化方法
CN113283111B (zh) * 2021-06-11 2022-05-27 中国人民解放军国防科技大学 一种用于模型推演到智能推演的转化方法
CN114445331A (zh) * 2021-12-21 2022-05-06 国网江苏省电力有限公司淮安供电分公司 一种基于图像识别的电缆中间接头施工缺陷检测方法、***及装置
CN115049604A (zh) * 2022-06-09 2022-09-13 佛山科学技术学院 一种大幅面板材超高分辨率图像的微小缺陷快速检测方法
CN115049604B (zh) * 2022-06-09 2023-04-07 佛山科学技术学院 一种大幅面板材超高分辨率图像的微小缺陷快速检测方法
CN115375693A (zh) * 2022-10-27 2022-11-22 浙江托普云农科技股份有限公司 农业信息采集传感器探头缺陷检测方法、***及装置
CN115375693B (zh) * 2022-10-27 2023-02-10 浙江托普云农科技股份有限公司 农业信息采集传感器探头缺陷检测方法、***及装置
CN117853826A (zh) * 2024-03-07 2024-04-09 誊展精密科技（深圳）有限公司 基于机器视觉的物体表面精度识别方法及相关设备
CN117853826B (zh) * 2024-03-07 2024-05-10 誊展精密科技（深圳）有限公司 基于机器视觉的物体表面精度识别方法及相关设备

Also Published As

Publication number Publication date
CN112304960B (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN112304960B (zh) 一种基于深度学习的高分辨率图像物体表面缺陷检测方法
CN108776140B (zh) 一种基于机器视觉的印刷品瑕疵检测方法及***
Lin et al. Detection of a casting defect tracked by deep convolution neural network
CN108355981B (zh) 一种基于机器视觉的电池连接器质量检测方法
CN111982916A (zh) 一种基于机器视觉的焊缝表面缺陷检测方法及***
CN113724216A (zh) 一种波峰焊点缺陷检测方法及***
CN111915485B (zh) 一种特征点稀疏工件图像的快速拼接方法及***
CN112164048B (zh) 一种基于深度学习的磁瓦表面缺陷自动检测方法和装置
He et al. A critical review for machining positioning based on computer vision
CN114494045A (zh) 一种基于机器视觉的大型直齿轮几何参数测量***及方法
WO2021102741A1 (zh) 一种免疫层析检测的图像分析方法以及***
CN114719749B (zh) 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及***
CN114119591A (zh) 一种显示屏画面质量检测方法
CN114219802B (zh) 一种基于图像处理的蒙皮连接孔孔位检测方法
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN112734720A (zh) 基于视觉识别的船壳激光清洗在位检测方法及***
CN115661110B (zh) 一种透明工件识别与定位的方法
CN111080615A (zh) 基于卷积神经网络的pcb缺陷检测***及检测方法
CN115775236A (zh) 基于多尺度特征融合的表面微小缺陷视觉检测方法及***
CN116740048A (zh) 一种基于融合目标检测技术的锂电池表面缺陷检测方法
CN116337887A (zh) 铸造缸体上表面缺陷检测方法及***
CN113706496B (zh) 一种基于深度学习模型的飞行器结构裂纹检测方法
CN114066810A (zh) 一种包装盒凹凸点缺陷检测方法及装置
CN116008304A (zh) 一种适用于管道内部的焊缝检测方法
CN114965693A (zh) 基于虚实配准的超声c扫描自动对准***

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