CN113781458A - 一种基于人工智能的识别方法 - Google Patents
一种基于人工智能的识别方法 Download PDFInfo
- Publication number
- CN113781458A CN113781458A CN202111086196.7A CN202111086196A CN113781458A CN 113781458 A CN113781458 A CN 113781458A CN 202111086196 A CN202111086196 A CN 202111086196A CN 113781458 A CN113781458 A CN 113781458A
- Authority
- CN
- China
- Prior art keywords
- flaw
- image
- artificial intelligence
- detection
- intelligence based
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000003708 edge detection Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 238000000576 coating method Methods 0.000 claims description 29
- 239000011248 coating agent Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 14
- 230000002950 deficient Effects 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000005253 cladding Methods 0.000 abstract description 11
- 238000013136 deep learning model Methods 0.000 abstract description 8
- 238000004445 quantitative analysis Methods 0.000 abstract description 4
- 238000009776 industrial production Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 14
- 229910052759 nickel Inorganic materials 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004372 laser cladding Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000003754 machining Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 230000035882 stress Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000007514 turning Methods 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (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)
- Geometry (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人工智能的识别方法,属于识别检测技术领域;本发明方法包括:图像采集;图像预处理;瑕疵识别;边缘提取;瑕疵分级;本发明的优点在于首先基于深度学习模型构建人工智能的瑕疵识别方法,其次利用边缘检测算法进一步计算瑕疵的面积,进而实现瑕疵的分级;相较于图像语义分割算法进行分析,本发明的优势在于避免了复杂瑕疵导致图像语义分割算法分割错误的情况;通过深度学习模型实现了瑕疵的定性检测,通过边缘检测算法实现瑕疵的定量分析,相较于传统的通过显微镜分析熔覆层瑕疵而言,本发明能够大大提高检测效率,有利于工业化的生产和检测,大大降低了人工成本。
Description
技术领域
本发明属于识别检测技术领域,特别涉及一种基于人工智能的识别方法。
背景技术
激光熔覆亦称激光熔敷或激光包覆,是一种新的表面改性技术。它通过在基材表面添加熔覆材料,并利用高能密度的激光束使之与基材表面薄层一起熔凝的方法,在基层表面形成冶金结合的添料熔覆层。但熔覆层的缺陷是目前广泛存在的问题,严重阻碍了激光熔覆技术的发展和应用。熔覆层瑕疵的产生是由于激光熔覆加工冷却后熔覆层与基材热膨胀系数不同,熔覆层内元素偏析等原因产生了应力,主要分为约束应力、热应力、组织应力。现在的研究员多把研究方向保持在如何改良工艺抑制缺陷的方向上,对于如何检出熔覆层的瑕疵还未有行之有效的技术方案;传统的多采用电镜、显微镜等方式进行检测,但这种方式效率低、人工成本高,难以在工业化生产中使用,尤其是面对大面积涂层时,更加难以检测。
发明内容
(一)要解决的技术问题
本发明意在提出一种基于人工智能的识别方法用于快速检出熔覆层瑕疵。
(二)技术方案
本发明通过如下技术方案实现:一种基于人工智能的识别方法;应用于涂层瑕疵的检测;所述方法包括如下步骤:
步骤100:图像采集;
步骤200:图像预处理;
步骤300:瑕疵识别;
步骤400:边缘提取;
步骤500:瑕疵分级。
作为上述方案的进一步说明,所述步骤100具体的在图像采集前,先将样件进行机加工、清洗;将加工后的样件放入图像采集装置,将涂层划分为至少两个区域,每个区域分别采集。
作为上述方案的进一步说明,所述步骤200:图像预处理还包括如下步骤;
步骤210:图像配准;
步骤220:灰度化处理、降噪。
作为上述方案的进一步说明,所述步骤300所述瑕疵包括:裂纹、气泡、气泡裂纹混合状缺陷;所述图像经过步骤200图像预处理后,提取输出特征,即瑕疵;通过语义分割提取瑕疵特征的长宽比,
若长宽比小于第一预设值,则判定该瑕疵为裂纹;
若长宽比大于第一预设值小于第二预设值,则判定该瑕疵为气泡裂纹混合状缺陷;
若长宽比大于第二预设值,则判定该瑕疵为气泡。
作为上述方案的进一步说明,所述步骤400具体的包括如下步骤
步骤410:对图像进行边缘检测,提取边缘细节;
步骤420:采用形态学膨胀和形态学腐蚀对瑕疵边缘进行处理;
步骤430:通过像素点连通,进行区域分隔;
步骤440:计算区域像素值,当区域像素值大于第三预设值时,提取瑕疵区域。
作为上述方案的进一步说明,所述步骤500具体的计算区域像素值与图像总像素的比值,获得比值X;基于X的数值与阈值比较,对瑕疵度进行分级。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例中步骤200图像预处理后的示意图;
图2为本发明实施例中步骤400边缘提取处理的示意图;
图3为本发明实施例中选型后装置的安装示意图;
图4为本发明实施例中1号区域的最小外接矩形的示意图;
图中:1号区域(1)、2号区域(2)、3号区域(3)、4号区域(4)、5号区域(5)、6号区域(6)、7号区域(7)、8号区域(8)、9号区域(9)、气泡(11)、气泡裂纹混合状缺陷(12)、裂纹(13)、CCD相机(14)、镜头(15)、环形漫反射光源(16)、待检测样件(17)、移动装置(18)。
(三)有益效果
本发明相对于现有技术,具有以下有益效果:本发明的优点在于首先基于深度学习模型构建人工智能的瑕疵识别方法,其次利用边缘检测算法进一步计算瑕疵的面积,进而实现瑕疵的分级;相较于图像语义分割算法进行分析,本发明的优势在于避免了复杂瑕疵导致图像语义分割算法分割错误的情况;通过深度学习模型实现了瑕疵的定性检测,通过边缘检测算法实现瑕疵的定量分析,相较于传统的通过显微镜分析熔覆层瑕疵而言,本发明能够大大提高检测效率,有利于工业化的生产和检测,大大降低了人工成本。
具体实施方式
实施例
本发明提供一种基于人工智能的识别方法;其主要应用于增材制造中涂层二次加工完成后,其表面瑕疵的检测;需要说明的是,本发明检测方法仅针对二次加工后的平整表面进行检测,对于未经过二次加工的涂层表面并不适用;
步骤100:图像采集;
图像采集前先将样件进行机加工、清洗;将加工后的样件放入图像采集装置,将涂层划分为至少两个区域,每个区域分别采集。首先需要说明的是由于不同材质的涂层二次机加工后其表面的粗糙度不同,尤其是针对精密加工后涂层表面的粗糙度对图像采集影响较大;因此在本实施例中针对使用范围最广的金属涂层进行举例说明,针对图像采集的采集装置的标准有如下几个要求:
1)由于金属涂层的细小瑕疵较多,因此需要保证足够的亮度;
2)由于二次加工后的金属涂层表面较为光滑,其表面容易反光,进而影响图像采集;
3)图像采集部分采用多区域采集后续拼接的步骤来实现的,避免漏掉细小瑕疵,因此需要保证图像之间应该有重合部分,方便后续的图像配准;
基于上述的要求,图像采集装置选型陈述如下,根据公知常识人眼在1m的距离上分辨距离为0.291mm,也就是约等于0.3mm,将0.3mm作为涂层最小瑕疵的阈值;由于本发明是采用多图像拼接检测实现瑕疵的检出,因此相对的考虑一个像素对应0.3mm,则图像采集***的精度是0.3mm/像素;在本实施例中检测的是60mm*60mm的镍基涂层,在本实施例中将镍基涂层划分为3*3的九宫格区域进行分别检测,因此相机的水平方向的视野范围不下于20mm,因此水平方向的分辨率不小于20mm/0.3mm/像素=67像素,垂直分辨率与水平方向的分辨率相同不小于67像素即可,因此本实施例中采用BASLER公司出品的acA640-90gc的CCD相机,其分辨率为658×492,传感器为ICX424,传感器尺寸为1/3英寸,传感器类型为CCD,像元尺寸为7.4μm x 7.4μm,最大满帧帧率为90fts,图像模式为彩色,像素为32万像素;根据实际的应用要求,采用BASLER公司出品的Basler Premium C口镜头,带有25mm定焦距,光圈范围F2.2-F22,分辨率为500万像素。由于镍基涂层二次加工后,表面较为光滑,为了避免反光应该选用漫反射光源,同时为了保证亮度,采用环形光源更为合适,综上采用环形漫反射光源;上述选型完毕后,为了保证拍摄精度,采用样件移动,图像采集装置静止方式进行;因此将样件放置于移动装置,控制样件移动,每次拍摄时重叠区域30%-40%。
需要说明的是,本实施例的相机、镜头的选型不仅限于本实施例所检测的样件,对于更为大尺寸的的样件可针对样件大小、每次拍摄区域、像素要求进行选型。
步骤200:图像预处理;
此步骤中包括图像配准;灰度化处理、降噪。上述步骤的目的在于构建瑕疵识别,即瑕疵定量分析;需要说明的是所述定量分析指的是瑕疵的数量,而非瑕疵的面积。
具体的图像配准采用如下步骤进行
步骤211:特征点提取和匹配;
步骤212:图像配准;
步骤213:图像融合。
需要说明的是,本实施例采用halcon软件完成步骤200;
图像配准方面采用使用halcon软件自带的算子proj_match_points_ransac_guided和gen_projective_mosaic完成上述工作。
上述工作完成后得到完整的60mm*60mm的镍基涂层的图像,其次进行灰度处理,增强涂层的瑕疵的对比程度,减少图形中的信息量,使得能够更好地识别到瑕疵的位置和数量;降噪部分采用高斯滤波去噪方法;
步骤300:瑕疵识别;
利用已经构建好的深度学习模型对采集的图像进行识别;
深度学习模型建立方法如下:
步骤310:构建学习网络及实验数据;
步骤320:训练深度学习模型;
步骤330:评估模型;
需要说明的是,本实施例采用halcon软件完成步骤300,
在此步骤中,调用halcon软件的深度学***翻转的方式进一步扩充数据集至3600张图像;通过人工的方式将图像分类为瑕疵和非瑕疵两个部分,其中瑕疵部分由1500张,非瑕疵部分为2100张。并将两部分分别保存;为保证训练精度,保存后的数据进行灰度处理及高斯滤波去噪处理;经由上述步骤完成后对数据集进行分割,分割为70%的训练集、15%的验证集、15%的验证集;最后训练模型及评估,此处不再赘述。镍基涂层的瑕疵在本实施例中分为三种情况裂纹、气泡、气泡裂纹混合状缺陷;图识别瑕疵后,通过瑕疵的最小外接矩形的长宽比判断瑕疵的类型。
需要说明的是深度学习训练网络有多种,都适合本发明进行实施,在本实施例中为方便解释,采用halcon软件自带的深度学习网络进行解释说明;至此上述步骤完成的内容仅包括瑕疵的识别和数量的统计,接下去的步骤完成的是瑕疵面积的提取;同时相较于图像语义识别而言,采用深度学习加人工的方式精度更好,这是因为机加工的涂层的方法较多,例如磨抛、车削、磨削等,若采用图像语义识别进行自动提取特征,如果瑕疵降噪处理后的边缘信息与涂层的信息相似,则算法无法很好地将瑕疵与基体进行分割,导致结果不够精确,图像语义识别无法精准的提取瑕疵,进而降低检测精度。
步骤400:边缘提取;
在上述步骤完成后,提取到相应的瑕疵之后,则可针对瑕疵的位置进行边缘提取;具体的包括如下步骤
步骤410:对瑕疵部分的图像进行边缘检测,提取边缘细节;
步骤420:采用形态学膨胀和形态学腐蚀对瑕疵边缘进行处理;
步骤430:通过像素点连通,进行区域分隔;
步骤440:计算区域像素值,当区域像素值大于第三预设值时,提取瑕疵区域。
需要说明的是,涂层的瑕疵大小需要根据实际情况而定,即瑕疵的像素值小于多少时,可以视为合格,此处的第三预设值则是根据需要设定阈值,根据阈值提取特征,同时涂层表面有异物的情况下容易导致噪声过大,影响结果的判断,若不通过设定阈值进行排除,则得到的结果与实际情况不符合,精度不足。
步骤500:瑕疵分级。具体的计算区域像素值与图像总像素的比值,获得比值X;基于X的数值与阈值比较,对瑕疵度进行分级。区域像素值就是瑕疵位置的像素值,通过像素值与图像总像素的比值,可以知道瑕疵的面积占总的涂层面积的百分比X,进而通过百分比对不同瑕疵情况的样件进行分级。瑕疵部分由1500张,非瑕疵部分
本实施例中从测试集反馈的混淆矩阵如下表所示:
表1测试集的混淆矩阵
通过上表可知,在测试集中对瑕疵部分类别判断的准确率是(218/225)*100%=96%;对非瑕疵部分判断的准确率为(307/315)*100%=97%,对所有测试集样本判断正确的概率为(525/540)*100%=97%;
通过混淆矩阵反馈的结果进而计算模型的精确性X,公式如下:
X=TP/(TP+FP)
其中TP表示预测为阳性,标记为阳性;FP表示预测为阳性,标记为阴性;
进而求得X=218/(218+8)=0.96;
通过混淆矩阵反馈的结果进而计算模型的回忆性Y,公式如下:
Y=TP/(TP+FN)
其中TP表示预测为阳性,标记为阳性;FN表示预测为阴性,标记为阳性;
进而求得Y=218/(218+7)=0.97;
通过X和Y的数值计算调和平均值F,它是对分类器精度的一种度量。其公式如下:
F=(2*X*Y)/(X+Y)=(2*0.96*0.97)/(0.96+0.97)=0.96;
综合上述计算可知本实施例中各项计算结果均高于95%,网络性能足以满足实际的应用需求,同时根据深度学习的网络特性,随着学习样本增多,精度越高,后续不断增加样本,可以不断的进行提升。
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,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于人工智能的识别方法;应用于涂层瑕疵的检测;其特征在于:所述方法包括如下步骤:
步骤100:图像采集;
步骤200:图像预处理;
步骤300:瑕疵识别;
步骤400:边缘提取;
步骤500:瑕疵分级。
2.如权利要求1所述的一种基于人工智能的识别方法,其特征在于:所述步骤100具体的在图像采集前,先将样件进行机加工、清洗;将加工后的样件放入图像采集装置,将涂层划分为至少两个区域,每个区域分别采集。
3.如权利要求1所述的一种基于人工智能的识别方法,其特征在于:所述步骤200:图像预处理还包括如下步骤;
步骤210:图像配准;
步骤220:灰度化处理、降噪。
4.如权利要求1所述的一种基于人工智能的识别方法,其特征在于:所述步骤300所述瑕疵包括:裂纹、气泡、气泡裂纹混合状缺陷;所述图像经过步骤200图像预处理后,提取输出特征,即瑕疵;通过语义分割提取瑕疵特征的长宽比,
若长宽比小于第一预设值,则判定该瑕疵为裂纹;
若长宽比大于第一预设值小于第二预设值,则判定该瑕疵为气泡裂纹混合状缺陷;
若长宽比大于第二预设值,则判定该瑕疵为气泡。
5.如权利要求1所述的一种基于人工智能的识别方法,其特征在于:所述步骤400具体的包括如下步骤
步骤410:对图像进行边缘检测,提取边缘细节;
步骤420:采用形态学膨胀和形态学腐蚀对瑕疵边缘进行处理;
步骤430:通过像素点连通,进行区域分隔;
步骤440:计算区域像素值,当区域像素值大于第三预设值时,提取瑕疵区域。
6.如权利要求1所述的一种基于人工智能的识别方法,其特征在于:所述步骤500具体的计算区域像素值与图像总像素的比值,获得比值X;基于X的数值与阈值比较,对瑕疵度进行分级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111086196.7A CN113781458A (zh) | 2021-09-16 | 2021-09-16 | 一种基于人工智能的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111086196.7A CN113781458A (zh) | 2021-09-16 | 2021-09-16 | 一种基于人工智能的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781458A true CN113781458A (zh) | 2021-12-10 |
Family
ID=78851372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111086196.7A Pending CN113781458A (zh) | 2021-09-16 | 2021-09-16 | 一种基于人工智能的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781458A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018829A (zh) * | 2022-08-03 | 2022-09-06 | 创新奇智(成都)科技有限公司 | 一种玻璃瑕疵定位方法及装置 |
CN115239725A (zh) * | 2022-09-22 | 2022-10-25 | 张家港大裕橡胶制品有限公司 | 一种橡胶手套胶浸涂层视觉监测方法及*** |
CN116008289A (zh) * | 2023-02-07 | 2023-04-25 | 浙江聚优非织造材料科技有限公司 | 一种非织造产品表面缺陷检测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
CN105931246A (zh) * | 2016-05-05 | 2016-09-07 | 东华大学 | 一种基于小波变换和遗传算法的织物瑕疵检测方法 |
CN110889837A (zh) * | 2019-11-25 | 2020-03-17 | 东华大学 | 一种具有瑕疵分级功能的布匹瑕疵检测方法 |
WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
CN111862064A (zh) * | 2020-07-28 | 2020-10-30 | 桂林电子科技大学 | 一种基于深度学习的银质丝材表面瑕疵识别方法 |
-
2021
- 2021-09-16 CN CN202111086196.7A patent/CN113781458A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
CN105931246A (zh) * | 2016-05-05 | 2016-09-07 | 东华大学 | 一种基于小波变换和遗传算法的织物瑕疵检测方法 |
WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
CN110889837A (zh) * | 2019-11-25 | 2020-03-17 | 东华大学 | 一种具有瑕疵分级功能的布匹瑕疵检测方法 |
CN111862064A (zh) * | 2020-07-28 | 2020-10-30 | 桂林电子科技大学 | 一种基于深度学习的银质丝材表面瑕疵识别方法 |
Non-Patent Citations (2)
Title |
---|
中国机械工程学会焊接学会: "《焊接手册 第3卷 焊接结构 第2版》", 31 August 2001, 北京:机械工业出版社, pages: 1110 * |
刘宏志: "《推荐***》", 31 May 2020, 北京:机械工业出版社, pages: 88 - 89 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018829A (zh) * | 2022-08-03 | 2022-09-06 | 创新奇智(成都)科技有限公司 | 一种玻璃瑕疵定位方法及装置 |
CN115239725A (zh) * | 2022-09-22 | 2022-10-25 | 张家港大裕橡胶制品有限公司 | 一种橡胶手套胶浸涂层视觉监测方法及*** |
CN116008289A (zh) * | 2023-02-07 | 2023-04-25 | 浙江聚优非织造材料科技有限公司 | 一种非织造产品表面缺陷检测方法及*** |
CN116008289B (zh) * | 2023-02-07 | 2024-06-07 | 浙江聚优非织造材料科技有限公司 | 一种非织造产品表面缺陷检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN111650210B (zh) | 高速高精度锂离子电池极片的毛刺检测方法及检测*** | |
CN107356608B (zh) | 大口径熔石英光学元件表面微缺陷快速暗场检测方法 | |
CN113781458A (zh) | 一种基于人工智能的识别方法 | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN101670533A (zh) | 基于工件加工表面图像分析的刀具磨损状态评价方法 | |
CN115760654B (zh) | 一种工业显微镜图像处理*** | |
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN116091505B (zh) | 一种蓝宝石衬底自动缺陷检测分类的方法和*** | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
CN111260617A (zh) | 一种基于深度学习的太阳能电池板缺陷检测方法 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN115471466A (zh) | 一种基于人工智能的钢材表面缺陷检测方法及*** | |
CN111415330A (zh) | 基于深度学习的铜箔外观缺陷检测方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、***及光伏电池组件生产线 | |
CN113298857A (zh) | 一种基于神经网络融合策略的轴承缺陷检测方法 | |
CN117495791A (zh) | 一种表面缺陷定位方法 | |
CN115908301A (zh) | 一种基于增强输入的缺陷检测方法、装置及存储介质 | |
TWI777307B (zh) | 在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法、電腦程式及電腦可讀取媒體 | |
CN112581424B (zh) | 一种光学元件表面与亚表面缺陷的分类提取方法 | |
CN114813748A (zh) | 一种基于机器视觉的钢表面缺陷检测方法及*** | |
CN113469988A (zh) | 一种缺陷识别方法 |
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 |