CN114113109A - 一种自动化和智能化的汽车仪表台缺陷检测方法 - Google Patents

一种自动化和智能化的汽车仪表台缺陷检测方法 Download PDF

Info

Publication number
CN114113109A
CN114113109A CN202111422073.6A CN202111422073A CN114113109A CN 114113109 A CN114113109 A CN 114113109A CN 202111422073 A CN202111422073 A CN 202111422073A CN 114113109 A CN114113109 A CN 114113109A
Authority
CN
China
Prior art keywords
detection
model
instrument desk
defect
picture
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
CN202111422073.6A
Other languages
English (en)
Inventor
胡东明
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.)
Keshen Intelligent Technology Shanghai Co ltd
Original Assignee
Keshen Intelligent Technology Shanghai 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 Keshen Intelligent Technology Shanghai Co ltd filed Critical Keshen Intelligent Technology Shanghai Co ltd
Priority to CN202111422073.6A priority Critical patent/CN114113109A/zh
Publication of CN114113109A publication Critical patent/CN114113109A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks

Landscapes

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

Abstract

一种自动化和智能化的汽车仪表台缺陷检测方法，包括以下步骤：步骤一：对受检产品缺陷定义；步骤二：经工业相机自动化进行汽车仪表台的图片采集；步骤三：经标注单元对步骤二获得的图片进行缺陷标注；步骤四：模型训练；步骤五：在线检测；步骤六：模型更新。本发明基于现代机器学习算法软件技术，利用人工智能技术以及图像处理和分析对产品可能存在的缺陷进行检测，通过非接触方式工作、安装灵活，提高了检测精度和速度，能实现对不同类型产品的检测，并为企业节约了大笔设备及人工费用，并能实现生产检测环节的各个功能区域间能够高效互通，实现检测高度自动化、智能化，提高产品质量，并为汽车生产降本增效起到了有力技术支撑。

Description

一种自动化和智能化的汽车仪表台缺陷检测方法
技术领域
本发明涉及汽车生产检测和机器学习领域，特别是一种自动化和智能化的汽车仪表台缺陷检测方法。
背景技术
汽车行业发展至今，在生产制造方面自动化程度相当高，而生产车间每年多者有数以百万计车辆的内饰件面板正面与背面紧固件的外观缺陷需要检测，受到技术限制，目前对这庞大数量的产品进行生产质量监控，仍然使用大量人工检测的传统检测方法。人工检测方法存在抽检率低、成本高、效率低、准确性差、实时性差、劳动强度大、受工人经验和主观因素的影响大等问题，这也一直是困扰着汽车检测行业所挥之不去的痛点，无法保证车辆的质量。
另一方面，现代机器学习算法发展出了深度神经网络、卷积神经网络、对抗生成网络、递归神经网络等现代算法，和传统机器学习算法一起，在数据挖掘、模式识别、图像处理、自然语言处理等领域得到充分的应用。在汽车行业中，机器学习也发挥着越来越重要的作用，包括高级驾驶辅助***(ADAS)和自动驾驶***(ADS)等。但是在车辆汽车仪表台是否存在缺陷检测中，上述技术还未得到应用。综上所述，提供一种基于现代机器学习算法软件技术，能实现车辆汽车仪表台缺陷自动检测的方法显得尤为必要。
发明内容
为了克服现有车辆仪表台缺陷检测中，是通过人工方式抽检，无法有效保证产品质量的弊端，本发明提供了基于现代机器学习算法软件技术，利用人工智能技术以及图像处理和分析对产品可能存在的缺陷进行检测，通过非接触方式工作、安装灵活，提高了检测精度和速度，能实现对不同类型产品的检测，并为企业节约了大笔设备及人工费用的一种自动化和智能化的汽车仪表台缺陷检测方法。
本发明解决其技术问题采用的技术方案是：
一种自动化和智能化的汽车仪表台缺陷检测方法，其特征在于，采用自动化的检测流水线对受检图片进行采集，并在采集图片的基础上，结合PC机内的应用软件单元，训练人工智能模型对汽车仪表台的缺陷进行检测；包括以下步骤：步骤一：对受检产品缺陷定义；步骤二：经工业相机自动化进行汽车仪表台的图片采集；步骤三：经标注单元对步骤二获得的图片进行缺陷标注，并根据步骤一所确定的缺陷定义，对检测图片中需要检出的缺陷进行标注，完善图片和标注信息为人工智能模型训练提供基础；步骤四：模型训练；步骤五：将被检的汽车仪表台传送至检测工位，使用训练所获得的人工智能模型对汽车仪表盘进行在线检测；步骤六：模型更新，随着模型运行和检测图片的持续采集，更新的大量图片和更多的标注信息能训练模型达到更高的准确率，确认更新模型的准确率以后，在生产线停机的时候，对检测模型和软件进行更新。
进一步地，所述步骤一，对受检产品缺陷定义中，需要针对不同车型及不同型号、颜色和底纹的仪表台产品，明确定义受检缺陷的种类和属性。
进一步地，所述步骤二，图片采集中，需要在稳定的光源和输送线传送节奏下，对汽车仪表台需要检测的部分进行拍摄，汽车仪表台的传输可以采用悬挂链或承托模进行，在进入取像工位并固定以后，通过摄像或视频的方式获取检测图片，取像应覆盖全部仪表台需要检测的表面。
进一步地，所述步骤三，图片缺陷标注中，缺陷以平行于图像四边的方框进行标注，标注框应准确地覆盖缺陷位置并标记缺陷种类。
进一步地，所述步骤四中，在获取图片和标注信息的基础上，利用人工智能检测算法，对缺陷的位置和种类进行训练。
进一步地，所述步骤五中，汽车仪表台输出到检测工位以后，通过工业相机摄像或视频的方式获取检测图片，检测图片的获取与步骤二中自动化图片采集相同，获取检测图片以后，将被检图片输入人工智能模型进行检测，并返回缺陷位置和种类等检测结果，对检测为OK的图片进行抽检，对检测为NG的图片进行全检，以确认模型检测的结果；随着模型运行和检测图片的持续采集，模型训练达到更高的准确率，能以人工智能模型替代现有人工检测，将NG的全检改为抽检，并逐步降低对检测OK和NG图片的抽检率。
进一步地，所述步骤六中，在模型的准确率提升以后，需要对检测的模型进行更新，在模型更新时，首先通过在测试图片上的确认更新模型的准确率。
本发明有益效果是：本发明基于现代机器学习算法软件技术，利用人工智能技术以及图像处理和分析对产品可能存在的缺陷进行检测，通过非接触方式工作、安装灵活，提高了检测精度和速度，能实现对不同类型产品的检测，并为企业节约了大笔设备及人工费用。本发明中，实现了汽车生产的智能化检测，检测图像的自动化采集不仅是人工智能模型训练的基础，也是保证生产检测节拍的关键环节，从而实现生产检测环节的各个功能区域间能够高效互通，实现检测高度自动化、智能化，提高产品质量，并为汽车生产降本增效起到了有力技术支撑。基于上述，本发明具有好的应用前景。
附图说明
图1是本发明中所涉及检测产品的缺陷展示图。
图2是本发明提供的自动化图片采集装置示意图。
图3是本发明提供的缺陷标注效果图。
图4是本发明提供的自动化和智能化检测流程图。
具体实施方式
图1、2、3、4所示，一种自动化和智能化的汽车仪表台缺陷检测方法，采用自动化的检测流水线对受检图片进行采集，并在采集图片的基础上，结合PC机内的应用软件单元，训练人工智能模型对汽车仪表台的缺陷进行检测；包括以下步骤。
图1、2、3、4所示，步骤一：对受检产品缺陷定义，具体针对汽车不同型号、颜色和底纹的仪表台产品，经确定单元明确定义受检缺陷的种类和属性。根据汽车仪表台不同位置和组件及不同型号的特征，产线检测标准和节奏，确定需要智能化检测的缺陷，要求受检缺陷具有明确的图像特征，能够通过对照片的观察发现。汽车仪表台不同位置的特征受到仪表台表面弧度等因素影响，不同组件及不同型号的产品具有不同的特征，如仪表台颜色、材料和底纹等；受检图像的不同特征都会影响智能检测的结果，明确定义受检缺陷可以在后续步骤的图像采集、标注和训练过程中进行更有针对性的操作。
图1、2、3、4所示，步骤二：自动化图片采集，在稳定的光源和传送节奏下，经控制单元对汽车仪表台需要检测的部分进行拍摄。具体采用悬挂链或承托模对被检的汽车仪表台进行传输，在进入取像工位并固定以后，通过摄像或视频的方式获取检测图片，取像的环境以黑幕布遮挡，从而保证在稳定的光源和传送节奏下，对汽车仪表台需要检测的部分进行拍摄，其中，取像应覆盖全部仪表台需要检测的表面。对每个拍摄面获得足够张数图片，确保图片尽量覆盖不同的情况，避免全部图片过分相似导致样本单一；在一定视野区间可通过角度和光源的调整，以保证图片涵盖更多的情况；并保证获取检测图像的视野大小，图像分辨率和清晰度满足模型训练的要求。对于一些复杂的弯曲表面，或者需要检测的内部情况，可以适当地多获取一些检测图片。采集汇总，以视频流的方法对汽车仪表台进行取像，以减少图像的拍摄受光线和图像捕捉时间影响。视频拍摄过程中应保证摄像机角度和光照环境的稳定；保证视频拍摄条件覆盖不同的角度和一天内不同时间段、不同光照环境；并保证获取检测视频的视野大小、分辨率和清晰度满足模型训练的要求。对于一些复杂的弯曲表面，或者需要检测的内部情况，可以适当地多获取一些检测视频。无论采用拍摄图片或视频的方式，应保证每个产品每项缺陷的图片数量以及保证每个产品OK的图片数量。当检测图像以视频方式获取时，被检的图片按帧数从检测视频中截取获得。自动化检测视频流采集，应设计机械臂以一个稳定的速度扫过检测表面，并使机械臂以不同的速度扫过表面。
图1、2、3、4所示，步骤三：受检缺陷的标注，在获取检测图片后，经标注单元根据步骤一所确定的缺陷定义，对检测图片中需要检出的缺陷进行标注，完善图片和标注信息为人工智能模型训练提供基础。缺陷以平行于图像四边的方框进行标注，标注框应准确地覆盖缺陷位置并标记缺陷种类。缺陷以平行于图像四边的方框进行标注，标注框应准确地覆盖缺陷位置并标记缺陷种类。在获取用于训练的图片并进行标注以后，对所有标注的缺陷种类进行统计，并确定训练要检测出的缺陷种类。对于一些无法肉眼直接显然识别的缺陷，可以通过图像的预处理以突显缺陷特征。检测图像标注一张图片中有多处缺陷的情况，应对所有缺陷进行标注；缺陷标注框之间允许重叠；标注时尽可能地保证同类型的缺陷框大小接近。
图1、2、3、4所示，步骤四：模型训练，在获取图片和标注信息的基础上，利用检测算法对图像样本和相应的缺陷标注信息进行训练，通过诸如卷积神经网络、循环神经网络、贝耶斯模型等各种机器学习算法，对已经标注的缺陷图像进行训练，获得检测用的人工智能模型，并使用模型迁移学习对不同种类和不同颜色的检测模型进行调整和训练。利用异常检测算法和正负样本分类训练发现新的缺陷种类。定义“其他”缺陷处理新发生的缺陷种类，在新发生的缺陷样本数量增多时，引入新的缺陷类型对模型进行调整和重新训练。
图1、2、3、4所示，步骤五：检测，其将被检的汽车仪表台传送至检测工位，使用训练所获得的人工智能模型对汽车仪表盘进行在线检测。汽车仪表台的传输可以采用悬挂链或承托模进行，在进入检测工位固定以后，通过摄像或视频的方式获取检测图片。检测图片的获取与步骤二自动化图片采集相同。获取检测图片以后，将被检图片输入人工智能模型进行检测，并返回缺陷位置和种类等检测结果，对检测为OK的图片进行抽检，对检测为NG的图片进行全检，以确认模型检测的结果。随着模型运行和检测图片的持续采集，模型训练达到更高的准确率，可以以人工智能模型替代现有人工检测，将NG的全检改为抽检，并逐步降低对检测OK和NG图片的抽检率。
图1、2、3、4所示，步骤六：模型更新，随着模型运行和检测图片的持续采集，更新的大量图片和更多的标注信息可以训练模型达到更高的准确率。在模型的准确率提升以后，需要对检测的模型进行更新。在模型更新时，首先通过在测试图片上的确认更新模型的准确率；确认更新模型的准确率以后，在生产线停机的时候，对检测模型和软件进行更新。
本发明基于现代机器学习算法软件技术，利用人工智能技术以及图像处理和分析对产品可能存在的缺陷进行检测，通过非接触方式工作、安装灵活，提高了检测精度和速度，能实现对不同类型产品的检测，并为企业节约了大笔设备及人工费用。本发明中，实现了汽车生产的智能化检测，检测图像的自动化采集不仅是人工智能模型训练的基础，也是保证生产检测节拍的关键环节，从而实现生产检测环节的各个功能区域间能够高效互通，实现检测高度自动化、智能化，提高产品质量，并为汽车生产降本增效起到了有力技术支撑。克服了现有人工检测中存在的问题。
以上显示和描述了本发明的主要特征及本发明的优点，对于本领域技术人员而言，显然本发明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。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
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 (7)

1.一种自动化和智能化的汽车仪表台缺陷检测方法，其特征在于，采用自动化的检测流水线对受检图片进行采集，并在采集图片的基础上，结合PC机内的应用软件单元，训练人工智能模型对汽车仪表台的缺陷进行检测；包括以下步骤：步骤一：对受检产品缺陷定义；步骤二：经工业相机自动化进行汽车仪表台的图片采集；步骤三：经标注单元对步骤二获得的图片进行缺陷标注，并根据步骤一所确定的缺陷定义，对检测图片中需要检出的缺陷进行标注，完善图片和标注信息为人工智能模型训练提供基础；步骤四：模型训练；步骤五：将被检的汽车仪表台传送至检测工位，使用训练所获得的人工智能模型对汽车仪表盘进行在线检测；步骤六：模型更新，随着模型运行和检测图片的持续采集，更新的大量图片和更多的标注信息能训练模型达到更高的准确率，确认更新模型的准确率以后，在生产线停机的时候，对检测模型和软件进行更新。
2.根据权利要求1所述的一种自动化和智能化的汽车仪表台缺陷检测方法，其特征在于，步骤一，对受检产品缺陷定义中，需要针对不同车型及不同型号、颜色和底纹的仪表台产品，明确定义受检缺陷的种类和属性。
3.根据权利要求1所述的一种自动化和智能化的汽车仪表台缺陷检测方法，其特征在于，步骤二，图片采集中，需要在稳定的光源和输送线传送节奏下，对汽车仪表台需要检测的部分进行拍摄，汽车仪表台的传输可以采用悬挂链或承托模进行，在进入取像工位并固定以后，通过摄像或视频的方式获取检测图片，取像应覆盖全部仪表台需要检测的表面。
4.根据权利要求1所述的一种自动化和智能化的汽车仪表台缺陷检测方法，其特征在于，步骤三，图片缺陷标注中，缺陷以平行于图像四边的方框进行标注，标注框应准确地覆盖缺陷位置并标记缺陷种类。
5.根据权利要求1所述的一种自动化和智能化的汽车仪表台缺陷检测方法，其特征在于，步骤四中，在获取图片和标注信息的基础上，利用人工智能检测算法，对缺陷的位置和种类进行训练。
6.根据权利要求1所述的一种自动化和智能化的汽车仪表台缺陷检测方法，其特征在于，步骤五中，汽车仪表台输出到检测工位以后，通过工业相机摄像或视频的方式获取检测图片，检测图片的获取与步骤二中自动化图片采集相同，获取检测图片以后，将被检图片输入人工智能模型进行检测，并返回缺陷位置和种类等检测结果，对检测为OK的图片进行抽检，对检测为NG的图片进行全检，以确认模型检测的结果；随着模型运行和检测图片的持续采集，模型训练达到更高的准确率，能以人工智能模型替代现有人工检测，将NG的全检改为抽检，并逐步降低对检测OK和NG图片的抽检率。
7.根据权利要求1所述的一种自动化和智能化的汽车仪表台缺陷检测方法，其特征在于，步骤六中，在模型的准确率提升以后，需要对检测的模型进行更新，在模型更新时，首先通过在测试图片上的确认更新模型的准确率。
CN202111422073.6A 2021-11-26 2021-11-26 一种自动化和智能化的汽车仪表台缺陷检测方法 Pending CN114113109A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111422073.6A CN114113109A (zh) 2021-11-26 2021-11-26 一种自动化和智能化的汽车仪表台缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111422073.6A CN114113109A (zh) 2021-11-26 2021-11-26 一种自动化和智能化的汽车仪表台缺陷检测方法

Publications (1)

Publication Number Publication Date
CN114113109A true CN114113109A (zh) 2022-03-01

Family

ID=80370221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111422073.6A Pending CN114113109A (zh) 2021-11-26 2021-11-26 一种自动化和智能化的汽车仪表台缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114113109A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110530875A (zh) * 2019-08-29 2019-12-03 珠海博达创意科技有限公司 一种基于深度学习的fpcb外观缺陷自动检测算法
CN111239158A (zh) * 2020-03-13 2020-06-05 苏州鑫睿益荣信息技术有限公司 一种基于机器视觉的汽车仪表盘检测***和检测方法
CN113096098A (zh) * 2021-04-14 2021-07-09 大连理工大学 基于深度学习的铸件外观缺陷检测方法
WO2021232613A1 (zh) * 2020-05-22 2021-11-25 五邑大学 酒瓶表面缺陷检测方法、电子装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110530875A (zh) * 2019-08-29 2019-12-03 珠海博达创意科技有限公司 一种基于深度学习的fpcb外观缺陷自动检测算法
CN111239158A (zh) * 2020-03-13 2020-06-05 苏州鑫睿益荣信息技术有限公司 一种基于机器视觉的汽车仪表盘检测***和检测方法
WO2021232613A1 (zh) * 2020-05-22 2021-11-25 五邑大学 酒瓶表面缺陷检测方法、电子装置及存储介质
CN113096098A (zh) * 2021-04-14 2021-07-09 大连理工大学 基于深度学习的铸件外观缺陷检测方法

Similar Documents

Publication Publication Date Title
CN204479490U (zh) 一种激光打标产品在线检测分析***
CN111325721A (zh) 一种基于红外热成像的气体泄漏检测方法及***
CN110490842B (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN103913468A (zh) 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法
CN104483320B (zh) 工业脱硝催化剂的数字化缺陷检测装置与检测方法
CN111951232A (zh) 一种金属粉末注射成型外观缺陷检测方法及***
JP2024504735A (ja) 自動化ビジュアル検査を使用する製造品質コントロールのためのシステムおよび方法
CN112037161A (zh) 一种基于区域自动阈值分析的涂胶分析方法
CN113788051A (zh) 列车在站运行状态监测分析***
CN110020691A (zh) 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法
CN110738644A (zh) 一种基于深度学习的汽车涂装表面缺陷检测方法及***
CN115290668A (zh) 一种涂装车身面漆缺陷检测的***及方法
CN201974388U (zh) 钢材表面质量监测装置
CN109622404B (zh) 一种基于机器视觉的微工件自动分拣***及方法
CN105025619B (zh) 基于机器人运动过程中应对黑暗环境的光源亮度调节方法
CN114113109A (zh) 一种自动化和智能化的汽车仪表台缺陷检测方法
CN117372677A (zh) 一种高速铁路接触网紧固件开口销健康状态检测方法
CN112633090A (zh) 机器人视觉的集中风***内部霉菌与积尘辨识方法及应用
CN114677597B (zh) 基于改进YOLOv5网络的齿轮缺陷视觉检测方法及***
CN203909317U (zh) 涡轮增压器视觉检测装置
Wang et al. Visual defect detection for substation equipment based on joint inspection data of camera and robot
CN109186554B (zh) 一种将实时视频固定轨迹巡检中的场景自动定位坐标的方法
CN114235845A (zh) 用于注塑件产品缺陷检测的机构、***及方法
CN113012113A (zh) 一种高铁接触网供电设备螺栓松动自动检测方法
CN207941727U (zh) 汽车油管粗检***

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