CN114994046A - 基于深度学习模型的缺陷检测*** - Google Patents
基于深度学习模型的缺陷检测*** Download PDFInfo
- Publication number
- CN114994046A CN114994046A CN202210412102.9A CN202210412102A CN114994046A CN 114994046 A CN114994046 A CN 114994046A CN 202210412102 A CN202210412102 A CN 202210412102A CN 114994046 A CN114994046 A CN 114994046A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- detection
- learning model
- data
- offline
- 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
- G01N21/8851—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
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Textile Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及检测技术领域,特别涉及一种基于深度学习模型的缺陷检测***。所述在线检测设备根据条件不同从两种检测模式中选择一种检测模式或者两种检测模式进行检测,当所述在线检测设备选择深度学习模型检测模式时,所述在线检测设备从所述数据库中获取深度学习模型,并将获取到深度学习模型用于线上检测,以及将检测出的全部不良品数据和预设比例的良品数据传入深度学习数据集;当所述在线检测设备选择传统算法检测模式时,所述在线检测设备将检测结果传入复检数据中。解决现有检测设备在使用深度学习算法进行检测时,检测设备自身需要配置很高的计算机进行模型训练、数据集存储的问题。
Description
技术领域
本申请涉及检测技术领域,特别涉及一种基于深度学习模型的缺陷检测***。
背景技术
光学检测技术广泛应用于缺陷检测领域,但是光学检测设备需要设置很多检测参数,并且往往要根据检测结果,不断调整优化所设置的参数,会占用检测设备很多时间。另外,基于深度学习算法也逐步应用于工业缺陷检测,需要配置很高的计算机进行模型训练、数据集存储,而且训练时间也很长,也不利于在光学检测设备中进行。
发明内容
针对现有技术不足,本申请提出一种基于深度学习模型的缺陷检测***,旨在解决现有检测设备在使用深度学习算法进行检测时,检测设备自身需要配置很高的计算机进行模型训练、数据集存储的问题。
本申请提出的技术方案是:
一种基于深度学习模型的缺陷检测***,包括位于机房的数据库和离线***,所述数据库存储深度学习数据集、深度学习模型和复检数据,以及用于在位于产线上的至少一台在线检测设备和所述离线***之间进行数据交换;
所述在线检测设备根据条件不同从两种检测模式中选择一种检测模式或者两种检测模式进行检测,两种检测模式包括传统算法检测模式和深度学习模型检测模式;
当所述在线检测设备选择深度学习模型检测模式时,所述在线检测设备从所述数据库中获取深度学习模型,并将获取到深度学习模型用于线上检测,以及将检测出的全部不良品数据和预设比例的良品数据传入深度学习数据集;
当所述在线检测设备选择传统算法检测模式时,所述在线检测设备将检测结果传入复检数据中。
进一步地,所述离线***包括数据标记模块,所述数据标记模块用于对深度学习数据集中的图像进行标注。
进一步地,所述数据标记模块从深度学习数据集中选择给定条件的图像,选中在第一显示区域的缩略图,在第二编辑区域编辑对应的大图。
进一步地,所述离线***包括模型训练模块,所述模型训练模块用于从深度学习数据集中选取图像进行模型训练。
进一步地,所述模型训练模块判断所述数据库是否存储深度学习模型,若是,则从所述数据库中加载深度学习模型,若否,则在数据库中新建深度学习模型,配置对应参数,之后加载深度学习模型;
所述模型训练模块从深度学习数据集中选取用于训练的图像进行模型训练,将训练出的深度学习模型存入所述数据库。
进一步地,所述离线***包括数据管理模块,所述数据管理模块用于对深度学习数据集进行管理,包括数据导出、数据导入、数据删除以及生成仿真缺陷图像。
进一步地,所述数据导出为导出图像以及每张图像对应的缺陷信息描述,其数据格式为XML;
所述数据导入的导入数据格式与所述数据导出的数据格式相同;
所述生成仿真缺陷图像为对无缺陷的芯片图像生成仿真缺陷的图像;
所述数据删除为选择给定条件的图像,进行清除。
进一步地,所述离线***包括离线复检模块,所述离线复检模块采用人工复检模式或者模型辅助复检模式对复检数据进行再次确认。
进一步地,所述离线复检模块采用人工复检模式时,所述离线复检模块将复检数据显示在复检任务列表控件中;
对未复检分类中每个Mapping进行复检;
复检后的Mapping将进入已复检分类,其中,在复检列表控件中选中已复检分类的一个任务后,将把该任务对应的料条Mapping显示在料条Mapping展示控件中;
选中料条Mapping展示控件的Unit将被显示在Unit展示和缺陷编辑控件,以修改Unit缺陷;
确认后的Mapping将进入已标记分类,对已标记的Mapping上传到指定的存储服务器,Unit将存入深度学习数据集用以扩充样本;
上传完毕的Mapping将进入已上传分类。
进一步地,基于深度学习模型的缺陷检测***还包括离线检测设备,离线检测设备分别与在线检测设备、数据库通信连接,所述离线检测设备包括工业电脑主机、Z轴调节模组、相机、镜头、同轴光源、环形光源、XY轴调节模组、显示器和光源控制器;
Z轴调节模组和XY轴调节模组设于所述工业电脑主机的上侧壁,所述相机、所述镜头、所述同轴光源和所述环形光源依次上下相应设于Z轴调节模组,光源控制器设于所述工业电脑主机的左侧壁或者右侧壁,所述工业电脑主机分别与所述相机、所述同轴光源、所述环形光源及光源控制器电连接。
根据上述的技术方案,本申请有益效果:在线检测设备是放在产线上,数据库和离线***不在产线上,深度学习模型的训练和数据集都是在数据库,在线检测设备需要深度学习模型用于线上检测,从数据库中获取深度学习模型,这样在线检测设备自身不需要对深度学习模型进行训练以及存储数据集,降低了在线检测设备的配置,解决现有检测设备在使用深度学习算法进行检测时,检测设备自身需要配置很高的计算机进行模型训练、数据集存储的问题。
附图说明
图1是应用本申请实施例提供的离线检测设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
如图1所示,本申请实施例提出一种基于深度学习模型的缺陷检测***,包括位于机房的数据库和离线***,所述数据库存储深度学习数据集、深度学习模型和复检数据,以及用于在位于产线上的至少一台在线检测设备和所述离线***之间进行数据交换。
数据库分别与在线检测设备、离线***电连接,这样数据库可以与在线检测设备通讯,以及与离线***通讯。
在线检测设备与数据库是分布在不同的地方,两者可以在相邻的两个房间,也可以是在两个不同的地区。
在本实施例中,数据的标签包括:图像状态、缺陷类型、产品型号等。
所述在线检测设备根据条件不同从两种检测模式中选择一种检测模式或者两种检测模式进行检测,两种检测模式包括传统算法检测模式和深度学习模型检测模式。
在线检测设备可以采用传统算法进行检测,也可以采用深度学习模型进行检测,还可以是采用传统算法和深度学习模型进行检测。具体地,根据不同条件相应地采用不同的检测模式,不同的条件可以是深度学习模型的训练量不同,也可以是深度学习模型的训练正确率不同。
当所述在线检测设备选择深度学习模型检测模式时,所述在线检测设备从所述数据库中获取深度学习模型,并将获取到深度学习模型用于线上检测,以及将检测出的全部不良品数据和预设比例的良品数据传入深度学习数据集。
在线检测设备需要深度学习模型用于线上检测,从数据库中获取,在完成检测之后,会输出不良品数据和良品数据,将全部不良品数据传入深度学习数据集,将一定比例的良品数据传入深度学习数据集,以扩充样本。
当所述在线检测设备选择传统算法检测模式时,所述在线检测设备将检测结果传入复检数据中。
传统算法是现有的算法,在此就不进行介绍。采用传统算法检测出的检测结果传入复检数据,是用于离线复检模块。
在本实施例中,所述离线***包括数据增强模块,用于根据已有缺陷样本自动生成仿真数据集。
综上所述,在线检测设备是放在产线上,数据库和离线***不在产线上,深度学习模型的训练和数据集都是在数据库,在线检测设备需要深度学习模型用于线上检测,从数据库中获取深度学习模型,这样在线检测设备自身不需要对深度学习模型进行训练以及存储数据集,降低了在线检测设备的配置,解决现有检测设备在使用深度学习算法进行检测时,检测设备自身需要配置很高的计算机进行模型训练、数据集存储的问题。
在一些实施例中,基于深度学习模型的缺陷检测***还包括在线检测设备。
在本实施例中,所述离线***包括数据标记模块,所述数据标记模块用于对深度学习数据集中的图像进行标注。
在本实施例中,所述数据标记模块从深度学习数据集中选择给定条件的图像,选中在第一显示区域的缩略图,在第二编辑区域编辑对应的大图。
具体地,选中左侧缩略图,右侧大图编辑区进行编辑,编辑缺陷,以更新图像的缺陷信息,之后传回深度学习数据集。
在本实施例中,所述离线***包括模型训练模块,所述模型训练模块用于从深度学习数据集中选取图像进行模型训练。
在本实施例中,所述模型训练模块判断所述数据库是否存储深度学习模型,若是,则从所述数据库中加载深度学习模型,若否,则在数据库中新建深度学习模型,配置对应参数,之后加载深度学习模型。
所述模型训练模块从深度学习数据集中选取用于训练的图像进行模型训练,将训练出的深度学习模型存入所述数据库。
如果数据库是没有存储到深度学习模型的,新建深度学习模型,并配置对应的参数,之后从深度学习数据集中选取图像再训练,将训练出的深度学习模型存入数据库,更换之前的深度学习模型。
如果数据库是存储到深度学习模型的,加载深度学习模型,之后从深度学习数据集中选取图像再训练,将训练出的深度学习模型存入数据库,更换之前的深度学习模型。
在本实施例中,所述离线***包括数据管理模块,所述数据管理模块用于对深度学习数据集进行管理,包括数据导出、数据导入、数据删除以及生成仿真缺陷图像。
在本实施例中,所述数据导出为导出图像以及每张图像对应的缺陷信息描述,其数据格式为XML。
所述数据导入的导入数据格式与所述数据导出的数据格式相同。在一些实施例中,所述数据导入的导入数据格式可以是其它数据格式。
所述生成仿真缺陷图像为对无缺陷的芯片图像生成仿真缺陷的图像。
生成仿真缺陷图像是用于扩充深度学习数据集。
所述数据删除为选择给定条件的图像,进行清除。
在本实施例中,所述离线***包括离线复检模块,所述离线复检模块采用人工复检模式或者模型辅助复检模式对复检数据进行再次确认。
在本实施例中,所述离线复检模块采用人工复检模式时,所述离线复检模块将复检数据显示在复检任务列表控件中;
对未复检分类中每个Mapping进行复检;
复检后的Mapping将进入已复检分类,其中,在复检列表控件中选中已复检分类的一个任务后,将把该任务对应的料条Mapping显示在料条Mapping展示控件中;
选中料条Mapping展示控件的Unit将被显示在Unit展示和缺陷编辑控件,以修改Unit缺陷;
确认后的Mapping将进入已标记分类,对已标记的Mapping上传到指定的存储服务器,Unit将存入深度学习数据集用以扩充样本;
上传完毕的Mapping将进入已上传分类。已上传分类这些数据,以删除以节省存储空间。
在本实施例中,所述离线复检模块采用模型辅助复检模式时,对每个Mapping中的Unit进行筛选,设置需人工复查的条件和可以自动修改检测结果的条件。
界面会特别标识出需人工复查的图片,供人工复检,复检完毕后可自动或者手动一键修改满足自动修正策略的的Mapping。
在本实施例中,所述在线检测设备包括工业电脑主机11、Z轴调节模组15、相机16、镜头14、同轴光源13、环形光源12、XY轴调节模组18、显示器21和光源控制器19。
Z轴调节模组15和XY轴调节模组18设于所述工业电脑主机11的上侧壁,所述相机16、所述镜头14、所述同轴光源13和所述环形光源12依次上下相应设于Z轴调节模组15,光源控制器19设于所述工业电脑主机11的左侧壁或者右侧壁,所述工业电脑主机11分别与所述相机16、所述同轴光源13、所述环形光源12及光源控制器19电连接。
在本实施例中,相机16的高度可以通过调节Z轴调节模组15,实现相机16物距的快速调整。
在本实施例中,待检产品放置在XY轴调节模组18上,实现产品在X方向,Y方向位置检测。
在本实施例中,XY轴调节模组18安装了真空吸板17,可以实现变形产品的吸平整,最大限度的减小在检测过程中因产品变形而影响检测效果。
待检产品放置在真空吸板17上,固定被检产品的位置;打开真空开关,产品被吸附在真空吸17板上;调节Z轴调节模组15,调整相机16的物距;打开同轴光源13和环形光源12;调节镜头14的焦距,使相机成像清晰;分别调节XY轴调节模组18中X轴模组、Y轴模组在X/Y方向的检测位置,使待检位置在区域内成像清晰。
在本实施例中,基于深度学习模型的缺陷检测***还包括离线检测设备,离线检测设备分别与在线检测设备、数据库通信连接。
离线检测设备可以离线进行图像拍摄、光学参数设置、检测参数设置、算法设置等,并通过网络可以把这些信息导入进联网的各个在线检测设备,在线检测设备根据这些信息便可开机检测,而不必在占用在线检测设备时间。
离线检测设备接收在线检测设备检测之后的图片,离线检测设备对检测结果进行复查核对,然后把准确的结果保存到数据库作为深度学习数据集。
在本实施例中,离线检测设备与在线检测设备的结构相同。
具体地,所述离线检测设备包括工业电脑主机11、Z轴调节模组15、相机16、镜头14、同轴光源13、环形光源12、XY轴调节模组18、显示器21和光源控制器19。
Z轴调节模组15和XY轴调节模组18设于所述工业电脑主机11的上侧壁,所述相机16、所述镜头14、所述同轴光源13和所述环形光源12依次上下相应设于Z轴调节模组15,光源控制器19设于所述工业电脑主机11的左侧壁或者右侧壁,所述工业电脑主机11分别与所述相机16、所述同轴光源13、所述环形光源12及光源控制器19电连接。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包括在本申请的保护范围之内。
Claims (10)
1.一种基于深度学习模型的缺陷检测***,其特征在于,包括位于机房的数据库和离线***,所述数据库存储深度学习数据集、深度学习模型和复检数据,以及用于在位于产线上的至少一台在线检测设备和所述离线***之间进行数据交换;
所述在线检测设备根据条件不同从两种检测模式中选择一种检测模式或者两种检测模式进行检测,两种检测模式包括传统算法检测模式和深度学习模型检测模式;
当所述在线检测设备选择深度学习模型检测模式时,所述在线检测设备从所述数据库中获取深度学习模型,并将获取到深度学习模型用于线上检测,以及将检测出的全部不良品数据和预设比例的良品数据传入深度学习数据集;
当所述在线检测设备选择传统算法检测模式时,所述在线检测设备将检测结果传入复检数据中。
2.根据权利要求1所述的基于深度学习模型的缺陷检测***,其特征在于,所述离线***包括数据标记模块,所述数据标记模块用于对深度学习数据集中的图像进行标注。
3.根据权利要求2所述的基于深度学习模型的缺陷检测***,其特征在于,所述数据标记模块从深度学习数据集中选择给定条件的图像,选中在第一显示区域的缩略图,在第二编辑区域编辑对应的大图。
4.根据权利要求1所述的基于深度学习模型的缺陷检测***,其特征在于,所述离线***包括模型训练模块,所述模型训练模块用于从深度学习数据集中选取图像进行模型训练。
5.根据权利要求4所述的基于深度学习模型的缺陷检测***,其特征在于,所述模型训练模块判断所述数据库是否存储深度学习模型,若是,则从所述数据库中加载深度学习模型,若否,则在数据库中新建深度学习模型,配置对应参数,之后加载深度学习模型;
所述模型训练模块从深度学习数据集中选取用于训练的图像进行模型训练,将训练出的深度学习模型存入所述数据库。
6.根据权利要求1所述的基于深度学习模型的缺陷检测***,其特征在于,所述离线***包括数据管理模块,所述数据管理模块用于对深度学习数据集进行管理,包括数据导出、数据导入、数据删除以及生成仿真缺陷图像。
7.根据权利要求6所述的基于深度学习模型的缺陷检测***,其特征在于,所述数据导出为导出图像以及每张图像对应的缺陷信息描述,其数据格式为XML;
所述数据导入的导入数据格式与所述数据导出的数据格式相同;
所述生成仿真缺陷图像为对无缺陷的芯片图像生成仿真缺陷的图像;
所述数据删除为选择给定条件的图像,进行清除。
8.根据权利要求1所述的基于深度学习模型的缺陷检测***,其特征在于,所述离线***包括离线复检模块,所述离线复检模块采用人工复检模式或者模型辅助复检模式对复检数据进行再次确认。
9.根据权利要求8所述的基于深度学习模型的缺陷检测***,其特征在于,所述离线复检模块采用人工复检模式时,所述离线复检模块将复检数据显示在复检任务列表控件中;
对未复检分类中每个Mapping进行复检;
复检后的Mapping将进入已复检分类,其中,在复检列表控件中选中已复检分类的一个任务后,将把该任务对应的料条Mapping显示在料条Mapping展示控件中;
选中料条Mapping展示控件的Unit将被显示在Unit展示和缺陷编辑控件,以修改Unit缺陷;
确认后的Mapping将进入已标记分类,对已标记的Mapping上传到指定的存储服务器,Unit将存入深度学习数据集用以扩充样本;
上传完毕的Mapping将进入已上传分类。
10.根据权利要求1所述的基于深度学习模型的缺陷检测***,其特征在于,基于深度学习模型的缺陷检测***还包括离线检测设备,离线检测设备分别与在线检测设备、数据库通信连接,所述离线检测设备包括工业电脑主机、Z轴调节模组、相机、镜头、同轴光源、环形光源、XY轴调节模组、显示器和光源控制器;
Z轴调节模组和XY轴调节模组设于所述工业电脑主机的上侧壁,所述相机、所述镜头、所述同轴光源和所述环形光源依次上下相应设于Z轴调节模组,光源控制器设于所述工业电脑主机的左侧壁或者右侧壁,所述工业电脑主机分别与所述相机、所述同轴光源、所述环形光源及光源控制器电连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412102.9A CN114994046A (zh) | 2022-04-19 | 2022-04-19 | 基于深度学习模型的缺陷检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412102.9A CN114994046A (zh) | 2022-04-19 | 2022-04-19 | 基于深度学习模型的缺陷检测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114994046A true CN114994046A (zh) | 2022-09-02 |
Family
ID=83023403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210412102.9A Pending CN114994046A (zh) | 2022-04-19 | 2022-04-19 | 基于深度学习模型的缺陷检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994046A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115825118A (zh) * | 2022-11-18 | 2023-03-21 | 华中科技大学 | 一种铸件x射线探伤装备的自动评片集成***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021891A (zh) * | 2017-12-05 | 2018-05-11 | 广州大学 | 基于深度学习与传统算法结合的车辆环境识别方法和*** |
CN108710897A (zh) * | 2018-04-24 | 2018-10-26 | 江苏科海智能***有限公司 | 一种基于ssd-t的远端在线通用目标检测*** |
CN109242830A (zh) * | 2018-08-18 | 2019-01-18 | 苏州翔升人工智能科技有限公司 | 一种基于深度学习的机器视觉技术检测方法 |
CN110335239A (zh) * | 2019-05-09 | 2019-10-15 | 菲特(天津)智能科技有限公司 | 基于深度学习的缺陷检测训练机器及其使用方法 |
CN110929596A (zh) * | 2019-11-07 | 2020-03-27 | 河海大学 | 一种基于智能手机和人工智能的投篮训练***与方法 |
CN111179223A (zh) * | 2019-12-12 | 2020-05-19 | 天津大学 | 基于深度学习的工业自动化缺陷检测方法 |
CN111460909A (zh) * | 2020-03-09 | 2020-07-28 | 兰剑智能科技股份有限公司 | 基于视觉的货位管理方法和装置 |
CN112991344A (zh) * | 2021-05-11 | 2021-06-18 | 苏州天准科技股份有限公司 | 基于深度迁移学习的检测方法、存储介质和检测*** |
CN113838015A (zh) * | 2021-09-15 | 2021-12-24 | 上海电器科学研究所(集团)有限公司 | 一种基于网络协同的电器产品外观缺陷检测方法 |
-
2022
- 2022-04-19 CN CN202210412102.9A patent/CN114994046A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021891A (zh) * | 2017-12-05 | 2018-05-11 | 广州大学 | 基于深度学习与传统算法结合的车辆环境识别方法和*** |
CN108710897A (zh) * | 2018-04-24 | 2018-10-26 | 江苏科海智能***有限公司 | 一种基于ssd-t的远端在线通用目标检测*** |
CN109242830A (zh) * | 2018-08-18 | 2019-01-18 | 苏州翔升人工智能科技有限公司 | 一种基于深度学习的机器视觉技术检测方法 |
CN110335239A (zh) * | 2019-05-09 | 2019-10-15 | 菲特(天津)智能科技有限公司 | 基于深度学习的缺陷检测训练机器及其使用方法 |
CN110929596A (zh) * | 2019-11-07 | 2020-03-27 | 河海大学 | 一种基于智能手机和人工智能的投篮训练***与方法 |
CN111179223A (zh) * | 2019-12-12 | 2020-05-19 | 天津大学 | 基于深度学习的工业自动化缺陷检测方法 |
CN111460909A (zh) * | 2020-03-09 | 2020-07-28 | 兰剑智能科技股份有限公司 | 基于视觉的货位管理方法和装置 |
CN112991344A (zh) * | 2021-05-11 | 2021-06-18 | 苏州天准科技股份有限公司 | 基于深度迁移学习的检测方法、存储介质和检测*** |
CN113838015A (zh) * | 2021-09-15 | 2021-12-24 | 上海电器科学研究所(集团)有限公司 | 一种基于网络协同的电器产品外观缺陷检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115825118A (zh) * | 2022-11-18 | 2023-03-21 | 华中科技大学 | 一种铸件x射线探伤装备的自动评片集成***及方法 |
CN115825118B (zh) * | 2022-11-18 | 2023-09-12 | 华中科技大学 | 一种铸件x射线探伤装备的自动评片集成***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12020415B2 (en) | Method for monitoring manufacture of assembly units | |
CN101726951B (zh) | 缺陷修复装置和缺陷修复方法 | |
CN109859163A (zh) | 一种基于特征金字塔卷积神经网络的lcd缺陷检测方法 | |
CN112966772A (zh) | 一种多人在线的图像半自动标注方法及*** | |
US20190164270A1 (en) | System and method for combined automatic and manual inspection | |
CN101334266B (zh) | 一种基于大容量图像存储技术的电路板缺陷离线检测方法 | |
TW202001699A (zh) | 利用人工智慧的瑕疵檢測系統及其方法 | |
CN107004123A (zh) | 迭代式缺陷滤除工艺 | |
CN115937170A (zh) | 电路板检测方法、装置、计算机设备及存储介质 | |
JP2000162135A (ja) | 検査方法、検査システムおよび電子デバイスの製造方法 | |
CN110118777A (zh) | 一种控制******集成智能检验台 | |
CN107561737A (zh) | 一种aoi***ipc参数自动调整的方法、装置及工具 | |
CN101512325A (zh) | 基板的外观检查方法以及装置 | |
CN114994046A (zh) | 基于深度学习模型的缺陷检测*** | |
CN113344888A (zh) | 一种基于联合模型的表面缺陷检测方法及装置 | |
CN112102443A (zh) | 一种适用于变电站设备巡检图像的标注***及标注方法 | |
CN106531657A (zh) | 无墨点晶圆外观检查方法及其检查*** | |
CN112485935A (zh) | 液晶显示屏缺陷自动检测调整*** | |
CN103913150B (zh) | 智能电能表电子元器件一致性检测方法 | |
TWI780580B (zh) | 圖像複檢方法、電腦裝置及儲存介質 | |
CN116188374A (zh) | 插座检测方法、装置、计算机设备及存储介质 | |
CN112213081A (zh) | 一种屏体检测设备 | |
CN114648522A (zh) | 小径管环焊缝的缺陷检测方法、***、设备及存储介质 | |
CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 | |
CN206332009U (zh) | 无墨点晶圆外观检查*** |
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 |