CN112884741B - 一种基于图像相似性对比的印刷表观缺陷检测方法 - Google Patents

一种基于图像相似性对比的印刷表观缺陷检测方法 Download PDF

Info

Publication number
CN112884741B
CN112884741B CN202110197518.9A CN202110197518A CN112884741B CN 112884741 B CN112884741 B CN 112884741B CN 202110197518 A CN202110197518 A CN 202110197518A CN 112884741 B CN112884741 B CN 112884741B
Authority
CN
China
Prior art keywords
feature
defect
size
features
image segmentation
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
Application number
CN202110197518.9A
Other languages
English (en)
Other versions
CN112884741A (zh
Inventor
郑元林
楼豪杰
廖开阳
李佳
陈兵
董素馨
宋天泽
谢雨林
张新会
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.)
Xian University of Technology
Original Assignee
Xian University of 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110197518.9A priority Critical patent/CN112884741B/zh
Publication of CN112884741A publication Critical patent/CN112884741A/zh
Application granted granted Critical
Publication of CN112884741B publication Critical patent/CN112884741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像相似性对比的印刷表观缺陷检测方法，包括：分别对每个缺陷图像、对应印刷原图像进行分割，得到缺陷图像分割块、印刷原图像分割块；将缺陷图像分割块、印刷原图像分割块输入相似性检测网络进行特征提取、归一化操作；根据归一化操作结果对缺陷图像分割块进行筛选，将筛选后的缺陷图像分割块输送至特征提取网络进行特征提取，得到三种不同尺度的特征；将其中两种特征进行特征融合，将第三种特征输送到特征金字塔池化网络中，分别得到三种预测特征；对三种预测特征进行解码，得到三种印刷品缺陷预测框，对三种印刷品缺陷预测框进行筛选，得到缺陷边界框。无需人工提取缺陷特征，能提高印刷表观缺陷检测任务的效率。

Description

一种基于图像相似性对比的印刷表观缺陷检测方法
技术领域
本发明属于图像检测技术领域，涉及一种基于图像相似性对比的印刷表观缺陷检测方法。
背景技术
随着时代的发展和社会的变迁，网络技术和通信技术飞速发展，随之而来的也是数字图像技术的不断发展和变迁。数字图像作为承载信息最直接最重要的载体之一，也是人们现如今生活当中必不可少的一部分。一方面随着工业相机等硬件设施不断完善，人们获取和处理图像的方式变得愈发的简单。另一方面随着我国产业结构的调整、经济水平的提高，对诸如礼品、药品、奢侈品等的包装外观，设计以及颜色的要求都有了大幅度的提升，印刷的质量往往会体现一个产品的质量，同时也代表了企业的形象。印刷品表面缺陷人工检测存在诸多弊端，无法满足当代社会及工业生产的自动化需求，因此渐渐地缺陷目标识别技术在印刷品质检方面起着越来越重要的作用。利用计算机视觉技术和数字图像处理技术来实现印刷品缺陷目标的自动化检测技术的需求越来越迫切，从而彻底解决人工抽检方法存在的问题和不足。现有的一些基于传统机器学习的方法已经有了较大的应用范围，但传统机器学习方法需要手工提取一些缺陷的特征，而缺陷目标识别中存在大量的细微特征，这些特征无法简单地通过人工方式进行提取。此外，印刷品的分辨率较大，缺陷目标小，图像背景信息复杂，容易受环境光的影响，针对印刷品表观缺陷目标识别仍然有许多挑战需要克服。
发明内容
本发明的目的是提供一种基于图像相似性对比的印刷表观缺陷检测方法，解决了现有技术中存在的需要手工提取缺陷特征的问题。
本发明所采用的技术方案是，一种基于图像相似性对比的印刷表观缺陷检测方法，包括以下步骤：
步骤1、获取缺陷图像集及对应印刷原图像集，分别对缺陷图像集中的每个缺陷图像、印刷原图像集中的每个印刷原图像进行分割，得到n个缺陷图像分割块、n个印刷原图像分割块；
步骤2、分别将每个缺陷图像分割块、印刷原图像分割块作为相似性检测网络的输入进行特征提取，得到每个缺陷图像分割块、印刷原图像分割块的特征向量；
步骤3、将每个缺陷图像分割块的特征向量及其对应的印刷原图像分割块的特征向量进行归一化操作，得到相似度；
步骤4、根据相似度对缺陷图像分割块进行筛选，将满足条件的缺陷图像分割块作为候选区域；
步骤5、将候选区域内的缺陷图像分割块输送至特征提取网络进行特征提取，得到三种不同尺度的特征；
步骤6、将其中两种特征进行特征融合，得到第一预测特征、第二预测特征；
步骤7、将第三种特征输送到特征金字塔池化网络中，得到第三预测特征；
步骤8、对第一预测特征、第二预测特征、第三预测特征进行解码，得到印刷品缺陷预测框的中心点坐标、长、宽及缺陷的类别信息；
步骤9、对印刷品缺陷预测框进行得分排序与非极大抑制的筛选，得到缺陷边界框。
本发明的特点还在于：
步骤2的具体步骤为：
步骤2.1、对每个缺陷图像分割块、印刷原图像分割块进行一次卷积操作，得到第一特征，并对第一特征进行Mish激活函数的激活，然后对激活后的第一特征进行最大池化操作，得到第二特征；
步骤2.2、对第二特征进行一次卷积操作，得到第三特征，并对第三特征进行Mish激活函数的激活，然后对激活后的第三特征最大池化操作，得到第四特征；
步骤2.3、对第四特征进行一次卷积操作，得到第五特征，并对第五特征进行Mish激活函数的激活，然后对激活后的第五特征最大池化操作，得到第六特征；
步骤2.4、对第六特征进行一次卷积操作，得到第七特征，并对第七特征进行Mish激活函数的激活，然后对激活后的第七特征进行一个全连接操作，得到第八特征。
步骤2.1中卷积操作的卷积核尺寸为10*10，第一特征的尺寸为91*91*64，池化核的尺寸为2*2，步长为2，第二特征的尺寸为46*46*64；步骤2.2中卷积操作的卷积核尺寸为7*7，第三特征的尺寸为40*40*128，池化核的尺寸为4*4，步长为2，第四特征的尺寸为20*20*128；步骤2.3中卷积操作的卷积核尺寸为4*4，第五特征的尺寸为17*17*128，池化核的尺寸为2*2，步长为2，第六特征的尺寸为9*9*128；步骤2.4中卷积操作的卷积核尺寸为4*4，第七特征的尺寸为6*6*256，第八特征的尺寸为1*1*4096。
步骤3中采用Sigmod函数进行归一化操作，相似度通过以下公式计算：
Figure BDA0002947604650000041
上式中ν1、ν2表示缺陷图像分割块、印刷原图像分割块的特征向量，|v1-ν2||1表示两个特征向量计算1-范数后的结果。
步骤5的具体过程为：先将候选区域内的缺陷图像分割块调整为尺寸为416*416的图像，再将其输送到CSPDarknet-53特征提取网络进行特征提取，得到尺寸为52*52*256，26*26*512、13*13*1024三种特征。
步骤6的具体过程为：将尺寸为52*52*256、26*26*521的两种特征输送到PANet网络结构中，进行特征融合，得到尺寸为52*52的第一预测特征、尺寸为26*26的第二预测特征。
步骤7的具体过程为：将尺寸为13*13*1024的特征输送至特征金字塔池化网络中，得到尺寸为13*13的第三预测特征。
本发明的有益效果是：
本发明一种基于图像相似性对比的印刷表观缺陷检测方法，通过将缺陷图像与印刷原图像进行相似相对比，自动提取关键特征，与传统机器学习缺陷检测方法相比，无需人工提取缺陷特征，能提高印刷表观缺陷检测任务的效率。
附图说明
图1是本发明一种基于图像相似性对比的印刷表观缺陷检测方法的流程图；
图2是本发明一种基于图像相似性对比的印刷表观缺陷检测方法中CSPDarknet-53特征提取网络的结构示意图。
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。
一种基于图像相似性对比的印刷表观缺陷检测方法，如图1所示，包括以下步骤：
步骤1、获取缺陷图像集及对应印刷原图像集，按照100*100像素对缺陷图像集中的每个缺陷图像进行分割，得到n个缺陷图像分割块，对印刷原图像集中的印刷原图像进行分割，得到n个印刷原图像分割块；图像边缘处无法满足100*100像素大小的区域通过填白的方式进行操作，填白区域的像素值为255；
本实施例中缺陷图像集通过随机参数变化自动生成的，将缺陷信息和印刷图像叠加，共计4000幅图像，同时自动生成对应的标签文件，标签文件包含的信息包括缺陷的类型、缺陷的坐标、缺陷的大小等信息；将缺陷图像集按9：1的比例划分成训练集和测试集。
步骤2、分别将每个缺陷图像分割块、印刷原图像分割块作为相似性检测网络的输入进行特征提取，得到每个缺陷图像分割块、印刷原图像分割块的特征向量；
具体的，步骤2.1、对每个缺陷图像分割块、印刷原图像分割块进行一次卷积核尺寸为10*10的卷积操作，得到尺寸为91*91*64的第一特征，并对第一特征进行Mish激活函数的激活，然后对激活后的第一特征进行最大池化操作，池化核的尺寸为2*2，步长为2，得到尺寸为46*46*64的第二特征，池化的目的是为了降低下一层待处理的数据量，通过减小参数的数量，从而防止网络的过拟合；
激活层中的激活函数的作用是降低计算量，防止梯度消失，在一定程度上可以减少过拟合的发生，激活函数公式如下所示：
Mish＝xtanh(ln(1+ex)) (1)；
上式中，x为输入数值，Mish为得到的输出值；
步骤2.2、对第二特征进行一次卷积核尺寸为7*7的卷积操作，得到尺寸为40*40*128的第三特征，该次卷积操作增加了特征的维度，为了得到更深层次的特征；并对第三特征进行Mish激活函数的激活，然后对激活后的第三特征最大池化操作，池化核的尺寸为4*4，步长为2，得到尺寸为20*20*128的第四特征；
步骤2.3、对第四特征进行一次卷积核尺寸为4*4的卷积操作，得到尺寸为17*17*128的第五特征，并对第五特征进行Mish激活函数的激活，然后对激活后的第五特征最大池化操作，池化核的尺寸为2*2，步长为2，得到尺寸为9*9*128的第六特征；
步骤2.4、对第六特征进行一次卷积核尺寸为4*4的卷积操作，得到尺寸为6*6*256的第七特征，并对第七特征进行Mish激活函数的激活，然后对激活后的第七特征进行一个全连接操作，得到尺寸为1*1*4096的第八特征，全连接层起到一个将所得分步特征映射到样本标记空间的作用，相当于矩阵向量的乘积，公式如下所示：
y＝Wx (2)；
上式中x为输入特征，W为特征矩阵，y为输出特征。
步骤3、将每个缺陷图像分割块的特征向量及其对应的印刷原图像分割块的特征向量进行归一化操作，得到相似度；归一化的目的是为了将输出值映射到0-1之间，便于更好的对缺陷图像分割块和印刷原图像分割块进行相似度的衡量。
进一步的，步骤3中采用Sigmod函数进行归一化操作，相似度通过以下公式计算：
Figure BDA0002947604650000071
上式中ν1、ν2表示缺陷图像分割块、印刷原图像分割块的特征向量，|v1-ν2||1表示两个特征向量计算1-范数后的结果，用来表示两个特征向量的差异大小。
步骤4、根据相似度对缺陷图像分割块进行筛选，将相似度数值大于0.5的缺陷图像分割块进行剔除，小于0.5的缺陷图像分割块作为候选区域；
步骤5、将候选区域内的缺陷图像分割块输送到CSPDarknet-53特征提取网络进行特征提取，如图2所示，得到三种不同尺度的特征；
具体的，先将候选区域内的缺陷图像分割块调整为尺寸为416*416的图像，再将其输送到CSPDarknet-53特征提取网络进行特征提取，得到尺寸为52*52*256，26*26*512、13*13*1024三种特征。
步骤6、将其中两种特征进行特征融合，得到第一预测特征、第二预测特征；
具体的，将尺寸为52*52*256、26*26*521的两种特征输送到PANet网络结构中，进行特征融合，特征融合包括卷积核、上采样操作，得到尺寸为52*52的第一预测特征、尺寸为26*26的第二预测特征。
步骤7、将第三种特征输送到特征金字塔池化网络中，得到第三预测特征；
具体的，将尺寸为13*13*1024的特征输送至特征金字塔池化网络中，得到尺寸为12*12的第三预测特征。特征金字塔池化网络的目的是增加感受野，分离出显著的上下文特征，该网络输出的特征更有利于小目标缺陷的检测。
步骤8、第一预测特征、第二预测特征、第三预测特征的预测结果对应着三个预测框的位置，对第一预测特征、第二预测特征、第三预测特征进行解码，得到印刷品缺陷预测框的中心点坐标、长、宽及缺陷的类别信息。
步骤9、对三个印刷品缺陷预测框进行得分排序与非极大抑制的筛选，得到缺陷边界框。非极大抑制首先根据IoU(intersection over union)置信度得分进行排序，选择置信度最高的预测框添加到最终输出的列表中，将其余预测框删除，计算所有预测框的面积，根据预测框的面积计算置信度最大的边界框与其它候选框的IoU，删除IoU大于阈值的边界框，得到缺陷边界框。IoU表示公式如下所示：
Figure BDA0002947604650000081
上式中，A表示真实框所占的区域面积，B表示预测框所占的区域面积，∩表示交集运算，∪表示并集运算。
通过以上方式，本发明一种基于图像相似性对比的印刷表观缺陷检测方法，采用相似性检测网络对缺陷图像与印刷原图像进行相似相对比，自动提取关键特征，与传统机器学习缺陷检测方法相比，无需人工提取缺陷特征，能提高印刷表观缺陷检测任务的效率；采用CSPDarknet-53特征提取网络提取三个不同尺寸的特征，再通过PANet网络对两个较大目标进行融合得到两个特征、利用特征金字塔池化网络对小目标进行提取得到一个特征，最后对三个特征进行分排序与非极大抑制的筛选，得到准确的缺陷边界框，提高了缺陷检测的准确率。

Claims (4)

1.一种基于图像相似性对比的印刷表观缺陷检测方法，其特征在于，包括以下步骤：
步骤1、获取缺陷图像集及对应印刷原图像集，分别对所述缺陷图像集中的每个缺陷图像、印刷原图像集中的每个印刷原图像进行分割，得到n个缺陷图像分割块、n个印刷原图像分割块；
步骤2、分别将每个所述缺陷图像分割块、印刷原图像分割块作为相似性检测网络的输入进行特征提取，得到每个所述缺陷图像分割块、印刷原图像分割块的特征向量；
步骤2的具体步骤为：
步骤2.1、对每个缺陷图像分割块、印刷原图像分割块进行一次卷积操作，得到第一特征，并对所述第一特征进行Mish激活函数的激活，然后对激活后的所述第一特征进行最大池化操作，得到第二特征；
步骤2.2、对所述第二特征进行一次卷积操作，得到第三特征，并对所述第三特征进行Mish激活函数的激活，然后对激活后的所述第三特征最大池化操作，得到第四特征；
步骤2.3、对所述第四特征进行一次卷积操作，得到第五特征，并对所述第五特征进行Mish激活函数的激活，然后对激活后的所述第五特征最大池化操作，得到第六特征；
步骤2.4、对所述第六特征进行一次卷积操作，得到第七特征，并对所述第七特征进行Mish激活函数的激活，然后对激活后的所述第七特征进行一个全连接操作，得到第八特征；
步骤3、将每个所述缺陷图像分割块的特征向量及其对应的印刷原图像分割块的特征向量进行归一化操作，得到相似度；
步骤4、根据所述相似度对缺陷图像分割块进行筛选，将满足条件的缺陷图像分割块作为候选区域；
步骤5、将候选区域内的所述缺陷图像分割块输送至特征提取网络进行特征提取，得到三种不同尺度的特征；
步骤5的具体过程为：先将候选区域内的所述缺陷图像分割块调整为尺寸为416*416的图像，再将其输送到CSPDarknet-53特征提取网络进行特征提取，得到尺寸为52*52*256，26*26*512、13*13*1024三种特征；
步骤6、将其中两种所述特征进行特征融合，得到第一预测特征、第二预测特征；
步骤6的具体过程为：将尺寸为52*52*256、26*26*521的两种特征输送到PANet网络结构中，进行特征融合，得到尺寸为52*52的第一预测特征、尺寸为26*26的第二预测特征；
步骤7、将第三种所述特征输送到特征金字塔池化网络中，得到第三预测特征；
步骤8、对所述第一预测特征、第二预测特征、第三预测特征进行解码，得到印刷品缺陷预测框的中心点坐标、长、宽及缺陷的类别信息；
步骤9、对所述印刷品缺陷预测框进行得分排序与非极大抑制的筛选，得到缺陷边界框。
2.根据权利要求1所述的一种基于图像相似性对比的印刷表观缺陷检测方法，其特征在于，步骤2.1中所述卷积操作的卷积核尺寸为10*10，第一特征的尺寸为91*91*64，池化核的尺寸为2*2，步长为2，第二特征的尺寸为46*46*64；步骤2.2中所述卷积操作的卷积核尺寸为7*7，第三特征的尺寸为40*40*128，池化核的尺寸为4*4，步长为2，第四特征的尺寸为20*20*128；步骤2.3中所述卷积操作的卷积核尺寸为4*4，第五特征的尺寸为17*17*128，池化核的尺寸为2*2，步长为2，第六特征的尺寸为9*9*128；步骤2.4中所述卷积操作的卷积核尺寸为4*4，第七特征的尺寸为6*6*256，第八特征的尺寸为1*1*4096。
3.根据权利要求1所述的一种基于图像相似性对比的印刷表观缺陷检测方法，其特征在于，步骤3中采用Sigmod函数进行归一化操作，所述相似度通过以下公式计算：
Figure FDA0003969615120000031
上式中ν1、ν2表示缺陷图像分割块、印刷原图像分割块的特征向量，||v1-ν2||1表示两个特征向量计算1-范数后的结果。
4.根据权利要求1所述的一种基于图像相似性对比的印刷表观缺陷检测方法，其特征在于，步骤7的具体过程为：将所述尺寸为13*13*1024的特征输送至特征金字塔池化网络中，得到尺寸为13*13的第三预测特征。
CN202110197518.9A 2021-02-22 2021-02-22 一种基于图像相似性对比的印刷表观缺陷检测方法 Active CN112884741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110197518.9A CN112884741B (zh) 2021-02-22 2021-02-22 一种基于图像相似性对比的印刷表观缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110197518.9A CN112884741B (zh) 2021-02-22 2021-02-22 一种基于图像相似性对比的印刷表观缺陷检测方法

Publications (2)

Publication Number Publication Date
CN112884741A CN112884741A (zh) 2021-06-01
CN112884741B true CN112884741B (zh) 2023-01-24

Family

ID=76056772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110197518.9A Active CN112884741B (zh) 2021-02-22 2021-02-22 一种基于图像相似性对比的印刷表观缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112884741B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708267B (zh) * 2022-06-07 2022-09-13 浙江大学 一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法
CN117162665B (zh) * 2023-11-03 2023-12-26 星璟材料科技(南通)有限公司 一种印刷品印刷生产控制***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136101A (zh) * 2019-04-17 2019-08-16 杭州数据点金科技有限公司 一种基于孪生距离比对的轮胎x光病疵检测方法
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
CN110570397A (zh) * 2019-08-13 2019-12-13 创新奇智(重庆)科技有限公司 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法
CN111445459A (zh) * 2020-03-27 2020-07-24 广东工业大学 一种基于深度孪生网络的图像缺陷检测方法及***
CN111709909A (zh) * 2020-05-12 2020-09-25 安徽艾睿思智能科技有限公司 基于深度学习的通用印刷缺陷检测方法及其模型
CN112070712A (zh) * 2020-06-05 2020-12-11 宁波大学 基于自编码器网络的印刷缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8719200B2 (en) * 2006-06-29 2014-05-06 Mycybertwin Group Pty Ltd Cyberpersonalities in artificial reality

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136101A (zh) * 2019-04-17 2019-08-16 杭州数据点金科技有限公司 一种基于孪生距离比对的轮胎x光病疵检测方法
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
CN110570397A (zh) * 2019-08-13 2019-12-13 创新奇智(重庆)科技有限公司 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法
CN111445459A (zh) * 2020-03-27 2020-07-24 广东工业大学 一种基于深度孪生网络的图像缺陷检测方法及***
CN111709909A (zh) * 2020-05-12 2020-09-25 安徽艾睿思智能科技有限公司 基于深度学习的通用印刷缺陷检测方法及其模型
CN112070712A (zh) * 2020-06-05 2020-12-11 宁波大学 基于自编码器网络的印刷缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fabric Defect Detection Using Fully Convolutional Network with Attention Mechanism;Zhoufeng Liu 等;《ICCPR "19: Proceedings of the 2019 8th International Conference on Computing and Pattern Recognition》;20200325;第134-140页 *
自动检测精细印刷品缺陷的初步方案;章毓晋 等;《中国体视学与图像分析》;20010630;第6卷(第2期);第109-112、116页 *

Also Published As

Publication number Publication date
CN112884741A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN111223088B (zh) 一种基于深层卷积神经网络的铸件表面缺陷识别方法
CN113344857B (zh) 缺陷检测网络的训练方法、缺陷检测方法和存储介质
CN110610509B (zh) 可指定类别的优化抠图方法及***
CN112884741B (zh) 一种基于图像相似性对比的印刷表观缺陷检测方法
CN113724231A (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
CN110598698B (zh) 基于自适应区域建议网络的自然场景文本检测方法和***
CN106355579A (zh) 烟条表面褶皱的缺陷检测方法
CN111461133B (zh) 快递面单品名识别方法、装置、设备及存储介质
CN110598693A (zh) 一种基于Faster-RCNN的船牌识别方法
CN112508857B (zh) 基于改进型Cascade R-CNN的铝材表面缺陷检测方法
CN114897816A (zh) 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法
CN112381175A (zh) 一种基于图像处理的电路板识别与分析方法
CN110956167A (zh) 一种基于定位字符的分类判别强化分离的方法
CN116012291A (zh) 工业零件图像缺陷检测方法及***、电子设备和存储介质
CN115082776A (zh) 一种基于图像识别的电能表自动检测***及方法
CN113393438A (zh) 一种基于卷积神经网络的树脂镜片缺陷检测方法
CN116758545A (zh) 一种基于深度学习的纸质医药包装钢印字符识别方法
CN111754502A (zh) 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法
CN109815957A (zh) 一种基于彩色图像在复杂背景下的文字识别方法
CN114048789A (zh) 基于改进Cascade R-CNN的酒瓶瑕疵检测
CN112926694A (zh) 基于改进的神经网络对图像中的猪只进行自动识别的方法
CN111428752B (zh) 一种基于红外图像的能见度检测方法
CN117727046A (zh) 新型山洪前端仪器仪表读数自动识别方法及***
CN116664540A (zh) 基于高斯线检测的橡胶密封圈表面缺陷检测方法
CN113469984B (zh) 一种基于yolo结构的显示面板外观检测方法

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
GR01 Patent grant
GR01 Patent grant