CN112907560A - 一种基于深度学习的笔记本外观瑕疵分割方法 - Google Patents

一种基于深度学习的笔记本外观瑕疵分割方法 Download PDF

Info

Publication number
CN112907560A
CN112907560A CN202110282633.6A CN202110282633A CN112907560A CN 112907560 A CN112907560 A CN 112907560A CN 202110282633 A CN202110282633 A CN 202110282633A CN 112907560 A CN112907560 A CN 112907560A
Authority
CN
China
Prior art keywords
deep learning
image
convolution
size
notebook
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
Application number
CN202110282633.6A
Other languages
English (en)
Inventor
王诚
程坦
刘涛
吕剑
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.)
Zhongkehaituo Wuxi Technology Co ltd
Original Assignee
Zhongkehaituo Wuxi Technology Co ltd
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 Zhongkehaituo Wuxi Technology Co ltd filed Critical Zhongkehaituo Wuxi Technology Co ltd
Priority to CN202110282633.6A priority Critical patent/CN112907560A/zh
Publication of CN112907560A publication Critical patent/CN112907560A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

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

Abstract

本发明公开了一种基于深度学习的笔记本外观瑕疵分割方法，包括以下步骤：步骤一：采集训练样本制作数据集，使用数据集训练模型至收敛；步骤二：采集目标图像；步骤三：进行连通域分析找到面积最大的连通域，以该区域为中心将图像裁剪为目标大小进行输入，最大程度上保证了图像的清晰度；步骤四：修改Res50的结构，将Res4和Res5的卷积模块用可形变卷积替代，固定之前层的参数不变，重新训练Res4以及Res4之后的层的参数，增强模型的几何变换建模的能力，减少了漏报和误报；步骤五：对数据集中的目标框进行K‑Means聚类获取搜索框大小的先验知识；步骤六：调整裁剪好的图像的大小，输入深度学习模型；步骤七：通过深度学习模型对笔记本外观瑕疵进行判别。

Description

一种基于深度学习的笔记本外观瑕疵分割方法
技术领域
本发明涉及笔记本外观瑕疵分割领域，特别涉及一种基于深度学习的笔记本外观瑕疵分割方法。
背景技术
随着科技的发展，工业生产的自动化水平也日益提升。在电子器件生产中，提高生产效率的同时，如何提高检测效率成了亟待解决的问题。当前，大部分工厂都采用人工检测的方式进行质检，这样的检测方式受工作人员经验、工作状态等因素的影响，缺乏客观性且工作量大，检测效率低下。传统视觉检测方法用于笔记本外观瑕疵检测算法通常准确率较低，泛化能力较差难以适应工厂环境。因此，基于深度学习的笔记本外观瑕疵分割技术有着重要的现实意义。
为此，我们提出一种基于深度学习的笔记本外观瑕疵分割方法。
发明内容
本发明的主要目的在于提供一种基于深度学习的笔记本外观瑕疵分割方法，可以有效解决背景技术中的大部分代工厂都采用人工检测的方式对笔记本外观瑕疵进行检测，需要大量的人力资源并且检测效率较低下，而基于传统视觉的笔记本外观瑕疵进检测算法，易受外界环境等因素的干扰，针对不同瑕疵特征难以进行统一设计，因而造成检测准确率较低且泛化能力差的问题。
为实现上述目的，本发明采取的技术方案为：
一种基于深度学习的笔记本外观瑕疵分割方法，包括以下步骤：
步骤一：采集训练样本，制作数据集，使用数据集训练深度学习模型，训练模型至收敛；
步骤二：采集目标图像，使用最大类间方差法分割出图像的前景与背景；
步骤三：进行连通域分析找到面积最大的连通域，再以该区域为中心将图像裁剪为目标大小进行输入；
步骤四：修改Res50的结构，将Res4和Res5的卷积模块用可形变卷积替代，固定之前层的参数不变，重新训练Res4以及Res4之后的层的参数；
步骤五：对数据集中的目标框进行K-Means聚类获取搜索框大小的先验知识；
步骤六：调整裁剪好的图像的大小，输入深度学习模型；
步骤七：通过深度学习模型对笔记本外观瑕疵进行判别并输出推理结果到上位机显现。
进一步的，所述步骤一中的数据集包括若干样本图像和每个样本图像所对应的标注信息，其中标注信息包含图像中检测目标的类别、分割掩码和框选位置，框选位置可以表示为(x，y，w，h) ，x是目标框的横坐标，y是目标框的纵坐标，w是目标框的宽度，h是目标框的长度，分割掩码则是该目标框中实际检测对象的轮廓。
进一步的，所述步骤四中的可形变卷积主要在原有的卷积单元中增加了x和y方向偏移量的学习，对卷积核的大小及位置进行动态调整，可形变卷积的输入为经过标准卷积后的feature map，后在该feature map上进行卷积操作，生成N个2维的偏置量(△x,△y)，再分别对输入feature map上各个点的值进行修正，设feature map为P，即P(x,y)=P(x+△x,y+△y)，当x+△x为分数时，使用双线性插值计算P(x+△x,y+△y)，形成N个feature map，然后使用N个卷积核一一对应进行卷积得到输出。
进一步的，在训练深度学习模型之前，对RPN网络候选区域的搜索框的大小进行设定。
进一步的，所述步骤五中的候选框大小为322、642、1282，候选框的长宽比为1:1、1:3以及 3:1。
与现有技术相比，本发明具有如下有益效果：
1.在处理样本图像时，首先通过传统图像算法裁剪出前景区域，再对裁剪出的前景图像进行大小调整，比起直接使用原图调整大小，最大程度上保证了图像的清晰度；
2.修改ResNet50的Res4和Res5的网络结构，使用DCN代替普通的卷积模块，增强模型的几何变换建模的能力，在一定程度上减少了漏报和误报；
3.利用先验知识对RPN网络的候选框大小及长宽比进行优化，使其更适合笔记本外观瑕疵检测，进一步减少漏报，提高检测精度。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于深度学习的笔记本外观瑕疵分割方法的可形变卷积的结构图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明，其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制，为了更好地说明本发明的具体实施方式，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸，对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的，基于本发明中的具体实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
实施例1
如图1所示，一种基于深度学习的笔记本外观瑕疵分割方法，包括以下步骤：
步骤一：采集训练样本，制作数据集，使用数据集训练深度学习模型，训练模型至收敛；
步骤二：采集目标图像，使用最大类间方差法分割出图像的前景与背景；
步骤三：进行连通域分析找到面积最大的连通域，再以该区域为中心将图像裁剪为目标大小进行输入；
步骤四：修改Res50的结构，将Res4和Res5的卷积模块用可形变卷积替代，固定之前层的参数不变，重新训练Res4以及Res4之后的层的参数；
步骤五：对数据集中的目标框进行K-Means聚类获取搜索框大小的先验知识；
步骤六：调整裁剪好的图像的大小，输入深度学习模型；
步骤七：通过深度学习模型对笔记本外观瑕疵进行判别并输出推理结果到上位机显现。
步骤二中，首先通过传统图像算法裁剪出前景区域，再对裁剪出的前景图像进行大小调整，比起直接使用原图调整大小，最大程度上保证了图像的清晰度。
步骤三中，若待测图像尺寸较大时，会增大检测的精度，但会影响检测速度也会使检测所消耗的显存略大，因此可以适当减小尺寸在检测精度和检测速度之间取一个平衡，则可选的，在将待测图像导入深度学习模型之前，对待测图像进行预处理，将待测图像处理为预定尺寸，再将预处理后的待测图像导入卷积神经网络，预定尺寸是自定义值，预处理后的待测图像尺寸较为一致，方便批量处理。
实施例2
如图1所示，一种基于深度学习的笔记本外观瑕疵分割方法，包括以下步骤：
步骤一：采集训练样本，制作数据集，使用数据集训练深度学习模型，训练模型至收敛；
步骤二：采集目标图像，使用最大类间方差法分割出图像的前景与背景；
步骤三：进行连通域分析找到面积最大的连通域，再以该区域为中心将图像裁剪为目标大小进行输入；
步骤四：修改Res50的结构，将Res4和Res5的卷积模块用可形变卷积替代，固定之前层的参数不变，重新训练Res4以及Res4之后的层的参数；
步骤五：对数据集中的目标框进行K-Means聚类获取搜索框大小的先验知识；
步骤六：调整裁剪好的图像的大小，输入深度学习模型；
步骤七：通过深度学习模型对笔记本外观瑕疵进行判别并输出推理结果到上位机显现。
步骤四中的可形变卷积主要在原有的卷积单元中增加了x和y方向偏移量的学习，对卷积核的大小及位置进行动态调整，可形变卷积的输入为经过标准卷积后的featuremap，后在该feature map上进行卷积操作，生成N个2维的偏置量(△x,△y)，再分别对输入feature map上各个点的值进行修正，设feature map为P，即P(x,y)=P(x+△x,y+△y)，当x+△x为分数时，使用双线性插值计算P(x+△x,y+△y)，形成N个feature map，然后使用N个卷积核一一对应进行卷积得到输出；
同时，修改ResNet50的Res4和Res5的网络结构，使用DCN代替普通的卷积模块，增强模型的几何变换建模的能力，在一定程度上减少了漏报和误报。
实施例3
如图1所示，一种基于深度学习的笔记本外观瑕疵分割方法，包括以下步骤：
步骤一：采集训练样本，制作数据集，使用数据集训练深度学习模型，训练模型至收敛；
步骤二：采集目标图像，使用最大类间方差法分割出图像的前景与背景；
步骤三：进行连通域分析找到面积最大的连通域，再以该区域为中心将图像裁剪为目标大小进行输入；
步骤四：修改Res50的结构，将Res4和Res5的卷积模块用可形变卷积替代，固定之前层的参数不变，重新训练Res4以及Res4之后的层的参数；
步骤五：对数据集中的目标框进行K-Means聚类获取搜索框大小的先验知识；
步骤六：调整裁剪好的图像的大小，输入深度学习模型；
步骤七：通过深度学习模型对笔记本外观瑕疵进行判别并输出推理结果到上位机显现。
步骤一中的数据集包括若干样本图像和每个样本图像所对应的标注信息，其中标注信息包含图像中检测目标的类别、分割掩码和框选位置，框选位置可以表示为(x，y，w，h)，x是目标框的横坐标，y是目标框的纵坐标，w是目标框的宽度，h是目标框的长度，分割掩码则是该目标框中实际检测对象的轮廓。
在训练深度学习模型之前，对RPN网络候选区域的搜索框的大小进行设定，本发明使用K-Means聚类法，对数据集中目标框的大小进行聚类，划分出合适的候选框大小以及长宽比例。通过K-Means聚类获取搜索框大小的先验知识，再进行搜索框参数设定，有效避免了搜索框与实际检测缺陷大小差异产生的检测精度降低，先验知识对RPN网络的候选框大小及长宽比进行优化，使其更适合笔记本外观瑕疵检测，进一步减少漏报，提高检测精度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于深度学习的笔记本外观瑕疵分割方法，其特征在于，包括以下步骤：
步骤一：采集训练样本，制作数据集，使用数据集训练深度学习模型，训练模型至收敛；
步骤二：采集目标图像，使用最大类间方差法分割出图像的前景与背景；
步骤三：进行连通域分析找到面积最大的连通域，再以区域为中心将图像裁剪为目标大小进行输入；
步骤四：修改Res50的结构，将Res4和Res5的卷积模块用可形变卷积替代，固定之前层的参数不变，重新训练Res4以及Res4之后的层的参数；
步骤五：对数据集中的目标框进行K-Means聚类获取搜索框大小的先验知识；
步骤六：调整裁剪好的图像的大小，输入深度学习模型；
步骤七：通过深度学习模型对笔记本外观瑕疵进行判别并输出推理结果到上位机显现。
2.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵分割方法，其特征在于：所述步骤一中的数据集包括若干样本图像和每个样本图像所对应的标注信息，其中标注信息包含图像中检测目标的类别、分割掩码和框选位置，框选位置表示为(x，y，w，h) ，x是目标框的横坐标，y是目标框的纵坐标，w是目标框的宽度，h是目标框的长度，分割掩码则是该目标框中实际检测对象的轮廓。
3.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵分割方法，其特征在于：所述步骤四中的可形变卷积主要在原有的卷积单元中增加了x和y方向偏移量的学习，对卷积核的大小及位置进行动态调整，可形变卷积的输入为经过标准卷积后的feature map，后在该feature map上进行卷积操作，生成N个2维的偏置量(△x,△y)，再分别对输入featuremap上各个点的值进行修正，设feature map为P，即P(x,y)=P(x+△x,y+△y)，当x+△x为分数时，使用双线性插值计算P(x+△x,y+△y)，形成N个feature map，然后使用N个卷积核一一对应进行卷积得到输出。
4.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵分割方法，其特征在于：在训练深度学习模型之前，对RPN网络候选区域的搜索框的大小进行设定。
5.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵分割方法，其特征在于：所述步骤五中的候选框大小为322、642、1282，候选框的长宽比为1:1、1:3以及 3:1。
CN202110282633.6A 2021-03-16 2021-03-16 一种基于深度学习的笔记本外观瑕疵分割方法 Pending CN112907560A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110282633.6A CN112907560A (zh) 2021-03-16 2021-03-16 一种基于深度学习的笔记本外观瑕疵分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110282633.6A CN112907560A (zh) 2021-03-16 2021-03-16 一种基于深度学习的笔记本外观瑕疵分割方法

Publications (1)

Publication Number Publication Date
CN112907560A true CN112907560A (zh) 2021-06-04

Family

ID=76105249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110282633.6A Pending CN112907560A (zh) 2021-03-16 2021-03-16 一种基于深度学习的笔记本外观瑕疵分割方法

Country Status (1)

Country Link
CN (1) CN112907560A (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228545A (zh) * 2016-07-14 2016-12-14 西北民族大学 一种佛像类唐卡一致性破损区域的自动分割方法
CN106546233A (zh) * 2016-10-31 2017-03-29 西北工业大学 一种面向合作目标的单目视觉定位方法
CN107644254A (zh) * 2017-09-09 2018-01-30 复旦大学 一种卷积神经网络权重参数量化训练方法及***
CN109509172A (zh) * 2018-09-25 2019-03-22 无锡动视宫原科技有限公司 一种基于深度学习的液晶屏瑕疵检测方法及***
WO2019165949A1 (zh) * 2018-03-01 2019-09-06 腾讯科技（深圳）有限公司 图像处理方法、设备、存储介质和计算机程序产品
CN110263686A (zh) * 2019-06-06 2019-09-20 温州大学 一种基于深度学习的施工工地图像安全帽检测方法
CN110399882A (zh) * 2019-05-29 2019-11-01 广东工业大学 一种基于可变形卷积神经网络的文字检测方法
CN110517259A (zh) * 2019-08-30 2019-11-29 北京百度网讯科技有限公司 一种产品表面状态的检测方法、装置、设备及介质
CN110969610A (zh) * 2019-12-03 2020-04-07 杭州天铂云科光电科技有限公司 基于深度学习的电力设备红外热图的识别方法及***
CN111008567A (zh) * 2019-11-07 2020-04-14 郑州大学 一种驾驶员行为识别方法
CN111753805A (zh) * 2020-07-08 2020-10-09 深延科技(北京)有限公司 安全帽佩戴检测方法和装置
CN111951300A (zh) * 2020-07-09 2020-11-17 江苏大学 一种用于城市工况下的智能汽车多目标跟踪方法
CN112131983A (zh) * 2020-09-11 2020-12-25 桂林理工大学 一种基于改进YOLOv3网络的安全帽佩戴检测方法
CN112150410A (zh) * 2020-08-24 2020-12-29 浙江工商大学 一种焊缝缺陷的自动检测方法及其***
CN112233095A (zh) * 2020-10-16 2021-01-15 哈尔滨市科佳通用机电股份有限公司 一种铁路货车锁紧板装置多种故障形态检测方法
CN113628178A (zh) * 2021-07-30 2021-11-09 安徽工业大学 一种速度与精度平衡的钢铁产品表面缺陷检测方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228545A (zh) * 2016-07-14 2016-12-14 西北民族大学 一种佛像类唐卡一致性破损区域的自动分割方法
CN106546233A (zh) * 2016-10-31 2017-03-29 西北工业大学 一种面向合作目标的单目视觉定位方法
CN107644254A (zh) * 2017-09-09 2018-01-30 复旦大学 一种卷积神经网络权重参数量化训练方法及***
WO2019165949A1 (zh) * 2018-03-01 2019-09-06 腾讯科技（深圳）有限公司 图像处理方法、设备、存储介质和计算机程序产品
CN109509172A (zh) * 2018-09-25 2019-03-22 无锡动视宫原科技有限公司 一种基于深度学习的液晶屏瑕疵检测方法及***
CN110399882A (zh) * 2019-05-29 2019-11-01 广东工业大学 一种基于可变形卷积神经网络的文字检测方法
CN110263686A (zh) * 2019-06-06 2019-09-20 温州大学 一种基于深度学习的施工工地图像安全帽检测方法
CN110517259A (zh) * 2019-08-30 2019-11-29 北京百度网讯科技有限公司 一种产品表面状态的检测方法、装置、设备及介质
CN111008567A (zh) * 2019-11-07 2020-04-14 郑州大学 一种驾驶员行为识别方法
CN110969610A (zh) * 2019-12-03 2020-04-07 杭州天铂云科光电科技有限公司 基于深度学习的电力设备红外热图的识别方法及***
CN111753805A (zh) * 2020-07-08 2020-10-09 深延科技(北京)有限公司 安全帽佩戴检测方法和装置
CN111951300A (zh) * 2020-07-09 2020-11-17 江苏大学 一种用于城市工况下的智能汽车多目标跟踪方法
CN112150410A (zh) * 2020-08-24 2020-12-29 浙江工商大学 一种焊缝缺陷的自动检测方法及其***
CN112131983A (zh) * 2020-09-11 2020-12-25 桂林理工大学 一种基于改进YOLOv3网络的安全帽佩戴检测方法
CN112233095A (zh) * 2020-10-16 2021-01-15 哈尔滨市科佳通用机电股份有限公司 一种铁路货车锁紧板装置多种故障形态检测方法
CN113628178A (zh) * 2021-07-30 2021-11-09 安徽工业大学 一种速度与精度平衡的钢铁产品表面缺陷检测方法

Similar Documents

Publication Publication Date Title
CN109919934B (zh) 一种基于多源域深度迁移学习的液晶面板缺陷检测方法
CN111640125B (zh) 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置
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***
CN110533022B (zh) 一种目标检测方法、***、装置及存储介质
CN111401456B (zh) 人脸姿态识别模型的训练方法及其***和装置
CN111209907B (zh) 一种复杂光污染环境下产品特征图像人工智能识别方法
CN110827398A (zh) 基于深度神经网络的室内三维点云自动语义分割算法
CN110880176B (zh) 一种基于对抗生成网络的半监督工业图像缺陷分割方法
CN115423796A (zh) 一种基于TensorRT加速推理的芯片缺陷检测方法及***
CN113822284A (zh) 一种基于边界注意力的rgbd图像语义分割方法
CN116645608A (zh) 一种基于YOLOX-Tiny有偏特征融合网络的遥感目标检测
CN114241425A (zh) 垃圾检测模型的训练方法、装置、存储介质及设备
CN114298441A (zh) 一种光伏功率预测方法及***
CN117593319A (zh) 一种基于YOLOv8算法的PCB整板切割路径自动生成检测方法
CN112907560A (zh) 一种基于深度学习的笔记本外观瑕疵分割方法
CN111079528B (zh) 一种基于深度学习的图元图纸校核方法及***
CN112884135A (zh) 一种基于边框回归的数据标注校正方法
CN116259064B (zh) 表格结构识别方法、表格结构识别模型的训练方法及装置
CN112907564A (zh) 一种基于MaskRCNN的螺母表面缺陷分割方法
CN108389154A (zh) Gpu中一种用于并行绘制的裁剪区域分割技术的实现方法
CN115345895A (zh) 用于视觉检测的图像分割方法、装置、计算机设备及介质
CN110689071B (zh) 一种基于结构化高阶特征的目标检测***及方法
CN114359300A (zh) 一种图像分割模型的优化方法、装置、***及存储介质
CN113052809B (zh) 一种基于EfficientNet的螺母表面缺陷分类方法
CN112733860A (zh) 一种提升二分类分割网准确率和召回率的方法及***

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