CN113670931A - 一种基于神经网络的钢板表面缺陷检测方法及*** - Google Patents
一种基于神经网络的钢板表面缺陷检测方法及*** Download PDFInfo
- Publication number
- CN113670931A CN113670931A CN202110908425.2A CN202110908425A CN113670931A CN 113670931 A CN113670931 A CN 113670931A CN 202110908425 A CN202110908425 A CN 202110908425A CN 113670931 A CN113670931 A CN 113670931A
- Authority
- CN
- China
- Prior art keywords
- steel plate
- image
- detected
- neural network
- surface image
- 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
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
- G01N21/8806—Specially adapted optical and illumination features
-
- 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
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G01N2021/8861—Determining coordinates of flaws
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8877—Proximity analysis, local statistics
-
- 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
- G01N2021/888—Marking defects
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Signal 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神经网络的钢板表面缺陷检测方法及***,属于机器视觉检测领域,具体涉及钢板表面质量检测领域,***包括:照明模块,用于为图像采集模块提供充分照明保证视场亮度;图像采集模块,用于通过线阵CCD相机获取高分辨率的待测钢板表面图像;图像处理模块,使用基于神经网络的目标检测方法对采集到的待测钢板表面图像进行缺陷检测与定位;数据库模块,用于存储检测到的缺陷信息;缺陷信息可视化模块,用于显示检测到的缺陷信息。本发明实现了采用线阵CCD相机对钢铁生产线上运动钢板表面缺陷的非接触检测,采集到的钢板表面图像具有高分辨率和高精度的特点,能够有效、准确地实现缺陷的检出和定位。
Description
技术领域
本发明属于机器视觉检测领域,具体涉及钢板表面质量检测领域,特别涉及一种基于神经网络的钢板表面缺陷检测方法及***。
背景技术
在钢板的实际生产过程中,受连铸钢坯、轧制技术和生产加工水平的影响,难以避免的会出现结疤、划痕、压痕和夹杂等不同类型的缺陷。这些缺陷使钢板的耐磨性和抗腐蚀能力大大下降,如果将这类带有缺陷的钢板应用在某些重要场合会导致严重的后果。因此钢板的表面质量检测是钢铁生产过程中不可缺少的一个环节。
在钢板表面检测技术中,传统检测方法例如人工检测、红外检测法、超声波检测法和涡流检测法等都存在一定的局限性。随着计算机图像处理和机器视觉技术的不断发展,诞生了基于机器视觉的钢板表面质量检测方法。该方法利用图像传感器采集钢板表面图像,再配合图像处理技术实现了钢板表面质量的检测,具有非接触、高效率等优点。由于神经网络在图像目标检测中具有检测准确率高、检测速度快的特点,所以将神经网络技术应用于钢板表面缺陷检测领域,具有重要的研究意义。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种基于神经网络的钢板表面缺陷检测方法及***,具有非接触性、检测效率高、检测精度高等优点。
为实现上述目的,按照本发明的一个方面,提供了一种基于神经网络的钢板表面缺陷检测***,包括:照明模块、图像采集模块、图像处理模块、数据库模块和缺陷信息可视化模块;
所述照明模块,用于为所述图像采集模块提供照明以保证视场亮度;
所述图像采集模块,用于采用编码器脉冲信号作为相机的触发信号,获取待测钢板表面图像;
所述图像处理模块,使用训练好的神经网络对待测钢板表面图像进行缺陷检测与定位;
所述数据库模块,用于存储检测到的缺陷信息;
所述缺陷信息可视化模块,用于显示检测到的缺陷信息。
在一些可选的实施方案中,所述图像采集模块通过编码器脉冲信号触发线阵CCD相机,实现等间距采样获取待测钢板表面图像。
在一些可选的实施方案中,所述图像处理模块,包括:
样本处理单元,用于将预先采集到的包含缺陷的各钢板图像按照井字型均匀切割为9个区域图像,并且对各钢板区域图像进行尺寸变换,缩小各钢板图像的高与宽;
标记单元,用于对切割后的各区域图像和尺寸变换后的钢板图像进行人工标记,标记出缺陷的位置和种类;
训练单元,利用标记好的各区域图像和标记好的钢板图像训练神经网络模型。
在一些可选的实施方案中,所述神经网络模型包括8个依次级联的特征提取单元和两个YOLO单元分支,每个特征提取单元包含依次连接的卷积层和最大值池化层;每个YOLO单元包含三个卷积层和一个YOLO层。
在一些可选的实施方案中,所述图像处理模块,还包括:
预处理单元,用于对待测钢板表面图像进行预处理,其中,所述预处理包括畸变校正、亮度不均匀校正和滤波去噪;
切割单元,用于对预处理后的待测钢板表面图像按照井字型均匀的切割为9个区域图像,并且对待测钢板表面图像进行尺寸变换,缩小待测钢板表面图像的高与宽;
识别单元,用于将切割后得到的9个区域图像和尺寸变换后的待测钢板表面图像,分别送入训练好的卷积神经网络中,进行缺陷检测与定位。
按照本发明的另一方面,提供了一种基于神经网络的钢板表面缺陷检测方法,包括:
采用编码器脉冲信号作为相机的触发信号,获取待测钢板表面图像,其中,相机采用明场照明方式;
使用训练好的神经网络对待测钢板表面图像进行缺陷检测与定位,并存储和显示检测到的缺陷信息。
在一些可选的实施方案中,所述采用编码器脉冲信号作为相机的触发信号,获取待测钢板表面图像,包括:
通过编码器脉冲信号触发线阵CCD相机,实现等间距采样获取待测钢板表面图像。
在一些可选的实施方案中,所述方法还包括:
将预先采集到的包含缺陷的钢板图像按照井字型均匀切割为9个区域图像,并且对各钢板图像进行尺寸变换,缩小各钢板图像的高与宽;
对切割后的各区域图像和尺寸变换后的钢板图像进行人工标记,标记出缺陷的位置和种类,利用标记好的各区域图像和标记好的钢板图像训练神经网络模型。
在一些可选的实施方案中,所述神经网络模型包括8个依次级联的特征提取单元和两个YOLO单元分支,每个特征提取单元包含依次连接的卷积层和最大值池化层;每个YOLO单元包含三个卷积层和一个YOLO层。
在一些可选的实施方案中,所述使用训练好的神经网络对待测钢板表面图像进行缺陷检测与定位,包括:
对待测钢板表面图像进行预处理,其中,所述预处理包括畸变校正、亮度不均匀校正和滤波去噪;
对预处理后的待测钢板表面图像按照井字型均匀的切割为9个区域图像,并且对待测钢板表面图像进行尺寸变换,缩小待测钢板表面图像的高与宽;
将切割后得到的9个区域图像和尺寸变换后的待测钢板表面图像,分别送入训练好的卷积神经网络中,进行缺陷检测与定位。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1)机器视觉与图像处理技术结合实现了对生产线上运动钢板的非接触式、自动化的缺陷检测;2)采用编码器脉冲信号作为CCD相机的触发信号,实现了钢板的等间距采样;3)使用神经网络模型实现对钢板缺陷的检测,提高了检测的准确率和检测速度;4)对图像进行了切割和尺寸变换,图像切割保证了被检测的图像的高分辨率,有利于检测小尺度缺陷;而图像的尺寸变换保证图像的大视场,利于检测大尺度缺陷,兼顾了不同尺度的缺陷的检测要求。
附图说明
图1是本发明实施例提供的一种基于神经网络的钢板表面缺陷检测***的结构示意图;
图2是本发明实施例提供的一种基于神经网络的钢板表面缺陷检测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
如图1所示是本发明实施例提供的一种基于神经网络的钢板表面缺陷检测***的结构示意图,该***包括照明模块、图像采集模块、图像处理模块、数据库模块和缺陷信息可视化模块;
上述照明模块,用于为图像采集模块提供充分照明保证视场亮度;
上述图像采集模块,用于通过线阵CCD相机配合编码器脉冲信号获取高分辨率的待测钢板表面图像;
上述图像处理模块,使用基于神经网络的目标检测方法对采集到的待测钢板表面图像进行缺陷检测与定位;
上述数据库模块,用于存储检测到的缺陷信息;
上述缺陷信息可视化模块,用于显示检测到的缺陷信息。
在本发明实施例中,如图1所示,照明模块可以采用线型LED光源对传动辊上面的钢板进行照明,并且采用明场照明的方式。
在本发明实施例中,如图1所示,图像采集模块可以通过线阵CCD相机配合编码器脉冲信号获取高分辨率的待测钢板表面图像,具体地,通过传动辊的编码器脉冲信号触发相机拍照,实现等间距采样获取待测钢板表面图像。
其工作原理如下:传动辊旋转一定的角度,编码器即输出一个脉冲信号,相机接收到一个脉冲信号,拍摄一行(该相机是行扫描相机,每次只拍摄一行图像)。如此可以保证相机是等距拍摄,即图像任意相邻两行对应的钢板距离都是相同的。
在本发明实施例中,如图1所示,图像处理模块可以通过图像处理服务器实现,图像处理服务器中运行有缺陷检测程序,CCD相机采集到的图像传输到图像处理服务器,然后进行缺陷检测。
在本发明实施例中,首先需要图像处理模块训练神经网络模型,包括:
样本处理单元,用于将预先采集到的包含缺陷的各钢板图像按照“井”字型均匀切割为9个区域图像,并且对各钢板图像进行尺寸变换,缩小各钢板图像的高与宽,如将各钢板图像的高与宽分别缩小到与其对应的原始钢板图像的三分之一;
标记单元,用于对切割后的各区域图像和尺寸变换后的钢板图像进行人工标记,标记出缺陷的位置和种类;
训练单元,利用标记后的各区域图像和标记后的钢板图像训练神经网络模型。
其中,神经网络训练在***运行前完成,***运行后,无需再重新训练神经网络模型。
在本发明实施例中,上述图像处理模块,还包括:
预处理单元,用于对待测钢板表面图像进行预处理,其中,预处理包括畸变校正、亮度不均匀校正和滤波去噪;
切割单元,用于对预处理后的待测钢板表面图像按照井字型均匀的切割为9个区域图像,并且对待测钢板表面图像进行尺寸变换,缩小待测钢板表面图像的高与宽;
识别单元,用于将切割后得到的9个区域图像和尺寸变换后的待测钢板表面图像,分别送入训练好的卷积神经网络中,进行缺陷检测与定位。
其中,在检测到缺陷以后,计算缺陷在原始图像中的坐标,如果有两个缺陷类型相同而位置相邻,就认为是同一个缺陷,进行合并。
其中,神经网络模型可以是YOLOV3卷积神经网络模型,卷积神经网络包括8个依次级联的特征提取单元和两个YOLO单元分支,每个特征提取单元包含依次连接的卷积层和最大值池化层;每个YOLO单元包含三个卷积层和一个YOLO层。
其中,卷积层利用卷积核对图像进行卷积计算,得到初步特征图;
最大值池化层,在归一化特征图上对2像素*2像素内的像素值取最大值,缩小数据量,实现特征的平移不变,得到特征图;
YOLO层输出最终的检测结果,包括目标类别和位置。
在本发明实施例中,如图1所示,数据库模块包括数据存储服务器以及安装在数据存储服务器上的数据库软件,图像处理模块检测到的缺陷信息全部写入数据库中,包括通过与生产***通讯获取的钢坯编号、通过图像处理模块获得的缺陷类型、缺陷位置、检出时间、缺陷图像等信息。
在本发明实施例中,如图1所示,缺陷信息可视化模块包括客户端和可视化软件,可视化软件运行在客户端上,可视化软件通过检索缺陷数据库,获取缺陷信息,并且向操作人员进行展示,并且提供检索功能,可以方便地查询过去检测到的缺陷。
本发明能够实现对生产线上运动钢板的非接触式、自动化的缺陷检测,检测速度快、准确率高,并且能够适应不同尺寸缺陷的检测。
实施例二
如图2所示是本发明实施例提供的一种基于神经网络的钢板表面缺陷检测方法的流程示意图,包括:
S1:采用编码器脉冲信号作为相机的触发信号,获取待测钢板表面图像,其中,相机采用明场照明方式;
S2:使用训练好的神经网络对待测钢板表面图像进行缺陷检测与定位;
S3:存储检测到的缺陷信息;
S4:显示检测到的缺陷信息。
在本发明实施例中,步骤S1可以通过以下方式实现:
通过编码器脉冲信号触发线阵CCD相机,实现等间距采样获取待测钢板表面图像。
在本发明实施例中,上述方法还包括神经网络的训练步骤:
将预先采集到的包含缺陷的钢板图像按照井字型均匀切割为9个区域图像,并且对对各钢板图像进行尺寸变换,缩小各钢板图像的高与宽;
对切割后的各区域图像和尺寸变换后的钢板图像进行人工标记,标记出缺陷的位置和种类,利用标记后的各区域图像和标记后的钢板图像训练神经网络模型。
在本发明实施例中,上述神经网络模型包括8个依次级联的特征提取单元和两个YOLO单元分支,每个特征提取单元包含依次连接的卷积层和最大值池化层;每个YOLO单元包含三个卷积层和一个YOLO层。
在本发明实施例中,步骤S2可以通过以下方式实现:
对待测钢板表面图像进行预处理,其中,所述预处理包括畸变校正、亮度不均匀校正和滤波去噪;
对预处理后的待测钢板表面图像按照井字型均匀的切割为9个区域图像,并且对待测钢板表面图像进行尺寸变换,缩小待测钢板表面图像的高与宽;
将切割后得到的9个区域图像和尺寸变换后的待测钢板表面图像,分别送入训练好的卷积神经网络中,进行缺陷检测与定位。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的钢板表面缺陷检测***,其特征在于,包括:照明模块、图像采集模块、图像处理模块、数据库模块和缺陷信息可视化模块;
所述照明模块,用于为所述图像采集模块提供照明以保证视场亮度;
所述图像采集模块,用于采用编码器脉冲信号作为相机的触发信号,获取待测钢板表面图像;
所述图像处理模块,使用训练好的神经网络对待测钢板表面图像进行缺陷检测与定位;
所述数据库模块,用于存储检测到的缺陷信息;
所述缺陷信息可视化模块,用于显示检测到的缺陷信息。
2.根据权利要求1所述的***,其特征在于,所述图像采集模块通过编码器脉冲信号触发线阵CCD相机,实现等间距采样获取待测钢板表面图像。
3.根据权利要求1或2所述的***,其特征在于,所述图像处理模块,包括:
样本处理单元,用于将预先采集到的包含缺陷的各钢板图像按照井字型均匀切割为9个区域图像,并且对各钢板图像进行尺寸变换,缩小各钢板图像的高与宽;
标记单元,用于对切割后的各区域图像和尺寸变换后的钢板图像进行人工标记,标记出缺陷的位置和种类;
训练单元,利用标记后的各区域图像和标记后的钢板图像训练神经网络模型。
4.根据权利要求3所述的***,其特征在于,所述神经网络模型包括8个依次级联的特征提取单元和两个YOLO单元分支,每个特征提取单元包含依次连接的卷积层和最大值池化层;每个YOLO单元包含三个卷积层和一个YOLO层。
5.根据权利要求4所述的***,其特征在于,所述图像处理模块,还包括:
预处理单元,用于对待测钢板表面图像进行预处理,其中,所述预处理包括畸变校正、亮度不均匀校正和滤波去噪;
切割单元,用于对预处理后的待测钢板表面图像按照井字型均匀的切割为9个区域图像,并且对待测钢板表面图像进行尺寸变换,缩小待测钢板表面图像的高与宽;
识别单元,用于将切割后得到的9个区域图像和尺寸变换后的待测钢板表面图像,分别送入训练好的卷积神经网络中,进行缺陷检测与定位。
6.一种基于神经网络的钢板表面缺陷检测方法,其特征在于,包括:
采用编码器脉冲信号作为相机的触发信号,获取待测钢板表面图像,其中,相机采用明场照明方式;
使用训练好的神经网络对待测钢板表面图像进行缺陷检测与定位,并存储和显示检测到的缺陷信息。
7.根据权利要求6所述的方法,其特征在于,所述采用编码器脉冲信号作为相机的触发信号,获取待测钢板表面图像,包括:
通过编码器脉冲信号触发线阵CCD相机,实现等间距采样获取待测钢板表面图像。
8.根据权利要求6或7所述的方法,其特征在于,所述方法还包括:
将预先采集到的包含缺陷的各钢板图像按照井字型均匀切割为9个区域图像,并且对各钢板图像进行尺寸变换,缩小各钢板图像的高与宽;
对切割后的各区域图像和尺寸变换后的钢板图像进行人工标记,标记出缺陷的位置和种类,利用标记后的各区域图像和标记后的钢板图像训练神经网络模型。
9.根据权利要求8所述的方法,其特征在于,所述神经网络模型包括8个依次级联的特征提取单元和两个YOLO单元分支,每个特征提取单元包含依次连接的卷积层和最大值池化层;每个YOLO单元包含三个卷积层和一个YOLO层。
10.根据权利要求9所述的方法,其特征在于,所述使用训练好的神经网络对待测钢板表面图像进行缺陷检测与定位,包括:
对待测钢板表面图像进行预处理,其中,所述预处理包括畸变校正、亮度不均匀校正和滤波去噪;
对预处理后的待测钢板表面图像按照井字型均匀的切割为9个区域图像,并且对待测钢板表面图像进行尺寸变换,缩小待测钢板表面图像的高与宽;
将切割后得到的9个区域图像和尺寸变换后的待测钢板表面图像,分别送入训练好的卷积神经网络中,进行缺陷检测与定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908425.2A CN113670931A (zh) | 2021-08-09 | 2021-08-09 | 一种基于神经网络的钢板表面缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908425.2A CN113670931A (zh) | 2021-08-09 | 2021-08-09 | 一种基于神经网络的钢板表面缺陷检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113670931A true CN113670931A (zh) | 2021-11-19 |
Family
ID=78541882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110908425.2A Pending CN113670931A (zh) | 2021-08-09 | 2021-08-09 | 一种基于神经网络的钢板表面缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113670931A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136992A (zh) * | 2021-11-25 | 2022-03-04 | 陕西金之力电子科技有限公司 | 新型的带钢表面缺陷实时在线检测***及方法 |
CN114708584A (zh) * | 2022-03-31 | 2022-07-05 | 重庆中烟工业有限责任公司 | 基于大数据的卷烟产品质量缺陷防控学习***及方法 |
CN116674300A (zh) * | 2023-05-24 | 2023-09-01 | 常州润来科技有限公司 | 一种基于铜管探伤结果的自动喷墨标记***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109215009A (zh) * | 2017-06-29 | 2019-01-15 | 上海金艺检测技术有限公司 | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
CN111612784A (zh) * | 2020-06-01 | 2020-09-01 | 南通大学 | 一种基于分类优先yolo网络的钢板表面缺陷检测方法 |
CN112858321A (zh) * | 2021-02-22 | 2021-05-28 | 南京理工大学 | 基于线阵ccd的钢板表面缺陷检测***及方法 |
-
2021
- 2021-08-09 CN CN202110908425.2A patent/CN113670931A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109215009A (zh) * | 2017-06-29 | 2019-01-15 | 上海金艺检测技术有限公司 | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
CN111612784A (zh) * | 2020-06-01 | 2020-09-01 | 南通大学 | 一种基于分类优先yolo网络的钢板表面缺陷检测方法 |
CN112858321A (zh) * | 2021-02-22 | 2021-05-28 | 南京理工大学 | 基于线阵ccd的钢板表面缺陷检测***及方法 |
Non-Patent Citations (1)
Title |
---|
林茂森等: "电力巡检中绝缘子缺陷问题研究", 数学建模及其应用 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136992A (zh) * | 2021-11-25 | 2022-03-04 | 陕西金之力电子科技有限公司 | 新型的带钢表面缺陷实时在线检测***及方法 |
CN114708584A (zh) * | 2022-03-31 | 2022-07-05 | 重庆中烟工业有限责任公司 | 基于大数据的卷烟产品质量缺陷防控学习***及方法 |
CN114708584B (zh) * | 2022-03-31 | 2024-07-23 | 重庆中烟工业有限责任公司 | 基于大数据的卷烟产品质量缺陷防控学习***及方法 |
CN116674300A (zh) * | 2023-05-24 | 2023-09-01 | 常州润来科技有限公司 | 一种基于铜管探伤结果的自动喷墨标记***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113670931A (zh) | 一种基于神经网络的钢板表面缺陷检测方法及*** | |
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN111855664B (zh) | 一种可调节隧道病害三维检测*** | |
CN104050446B (zh) | 一种基于指针宽度特征的仪表指针图像识别方法 | |
CN103020632B (zh) | 一种室内环境中移动机器人定位标志点的快速识别方法 | |
CN103149087B (zh) | 一种基于随动视窗与数字图像的非接触式实时应变测量方法 | |
CN105335973A (zh) | 运用于带钢加工生产线的视觉处理方法 | |
CN109142383A (zh) | 一种基于形态学的字符缺陷检测方法及装置 | |
CN107102009A (zh) | 一种基于机器视觉的筒纱管质量检测的方法 | |
CN107238534A (zh) | 基于图像计算在线监测板材拉伸性能的方法及装置 | |
CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
CN112381175A (zh) | 一种基于图像处理的电路板识别与分析方法 | |
CN105023018A (zh) | 一种喷码检测方法及*** | |
CN114972177A (zh) | 道路病害识别管理方法、装置及智能终端 | |
CN110873718A (zh) | 基于机器视觉的钢板表面缺陷检测***及方法 | |
CN113237889A (zh) | 一种多尺度的陶瓷检测方法及*** | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
WO2021227289A1 (zh) | 一种基于深度学习的复杂背景低质量二维条码检测方法 | |
CN114926415A (zh) | 一种基于pcnn与深度学习的钢轨表面检测方法 | |
CN113657339A (zh) | 一种基于机器视觉的仪表指针计数读取方法及介质 | |
CN110687120A (zh) | 法兰外观质量检测*** | |
Yang et al. | Defect detection scheme of pins for aviation connectors based on image segmentation and improved RESNET-50 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN117197085A (zh) | 基于改进YOLOv8网络的公路快检图像路面病害检测方法 |
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 |