CN115082483A - 基于光学相机的玻璃纤维板表面缺陷识别方法 - Google Patents
基于光学相机的玻璃纤维板表面缺陷识别方法 Download PDFInfo
- Publication number
- CN115082483A CN115082483A CN202211009352.4A CN202211009352A CN115082483A CN 115082483 A CN115082483 A CN 115082483A CN 202211009352 A CN202211009352 A CN 202211009352A CN 115082483 A CN115082483 A CN 115082483A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- glass fiber
- pixel points
- value
- 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.)
- Granted
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及缺陷检测领域,具体涉及一种基于光学相机的玻璃纤维板数据识别方法。利用光学相机采集玻璃纤维板灰度图像,获取灰度图像的字典矩阵进行变更,得到多个列变更字典矩阵;获取多个重建图像,获取玻璃纤维板灰度图像与每个重建图像的差值图像;计算每个差值图像像素点的分布范围;获取分布范围小于阈值的缺陷特征图像对每个像素点设定权重,计算像素点的分布性;获取每个缺陷特征图像中所有像素点的平均分布密度;计算每个缺陷特征图像的缺陷程度,获取每个缺陷特征图像对应的缺陷特征热图;将所有缺陷特征热图进行叠加得到玻璃纤维板的缺陷热图,识别玻璃纤维板中的缺陷区域。本发明通过对光学图像分析,提升了缺陷识别效果。
Description
技术领域
本发明涉及缺陷检测领域,具体涉及一种基于光学相机的玻璃纤维板表面缺陷识别方法。
背景技术
玻璃纤维隔板上有固有的边缘信息和缺陷边缘信息,常规的缺陷识别方法受到固有边缘信息的干扰,缺陷识别往往得不到好的识别效果,而使用神经网络进行缺陷的识别,进而对质量进行评估,神经网络需要大量的训练数据和打标签过程,花销过大。
基于此,本发明提出了一种基于光学相机的玻璃纤维板表面缺陷识别方法,通过K-SVD技术实现对缺陷特征的提取,进而使得通过常规的缺陷识别方法也可以在存在固有边缘的情况下对缺陷信息进行识别,得到好的识别效果。
发明内容
本发明提供一种基于光学相机的玻璃纤维板表面缺陷识别方法,以解决现有的问题,包括:
采集玻璃纤维板灰度图像,获取灰度图像的字典矩阵进行变更,得到多个列变更字典矩阵;获取多个重建图像,获取玻璃纤维板灰度图像与每个重建图像的差值图像;计算每个差值图像像素点的分布范围;获取分布范围小于阈值的缺陷特征图像对每个像素点设定权重,计算像素点的分布性;获取每个缺陷特征图像中所有像素点的平均分布密度;计算每个缺陷特征图像的缺陷程度,获取每个缺陷特征图像对应的缺陷特征热图;将所有缺陷特征热图进行叠加得到玻璃纤维板的缺陷热图,识别玻璃纤维板中的缺陷区域。
根据本发明提出的技术手段,通过K-SVD技术获取玻璃纤维板的字典矩阵,通过对字典矩阵进行列变更,进一步根据列变更字典矩阵获取玻璃纤维板的差值图像进行缺陷特征分析,通过对每个缺陷特征图像中的像素点进行特征计算,进而得到表征每个缺陷特征图像中缺陷特征的缺陷热图,将所有缺陷热图进行叠加,从而实现对玻璃纤维板图像中缺陷区域的特征增强,能够很好的识别出玻璃纤维板中的缺陷区域,提高了识别精确度和识别效率。
本发明采用如下技术方案,一种基于光学相机的玻璃纤维板表面缺陷识别方法,包括:
采集玻璃纤维板灰度图像,利用K-SVD获取所述灰度图像的字典矩阵和稀疏编码矩阵,对所述灰度图像的字典矩阵中每一列向量依次进行变更,得到多个列变更字典矩阵。
根据多个列变更字典矩阵和所述灰度图像的稀疏编码矩阵获取对应多个重建图像,获取玻璃纤维板灰度图像与每个重建图像的差值图像。
根据每个差值图像中所有像素点的最小外接矩形的面积与玻璃纤维板灰度图像的面积计算每个差值图像像素点的分布范围;获取分布范围小于阈值的所有差值图像作为缺陷特征图像。
根据每个缺陷特征图像中像素点的灰度值计算每个缺陷特征图像中像素点的分布性。
对每个缺陷特征图像中的像素点进行聚类,根据每个类别中像素点的数量计算该类别像素点的分布密度,获取每个缺陷特征图像中像素点的平均分布密度。
根据每个缺陷特征图像中像素点的分布性和平均分布密度计算每个缺陷特征图像的缺陷程度,根据每个缺陷特征图像的缺陷程度获取每个缺陷特征图像对应的缺陷特征热图。
将所有缺陷特征热图进行叠加得到玻璃纤维板的缺陷热图。
进一步的,一种基于光学相机的玻璃纤维板表面缺陷识别方法,对所述灰度图像的字典矩阵中每一列向量依次用0向量进行代替,得到多个列变更字典矩阵。
进一步的,一种基于光学相机的玻璃纤维板表面缺陷识别方法,根据多个列变更字典矩阵获取对应多个重建图像的方法为:
将玻璃纤维板灰度图像分解为字典矩阵和稀疏编码矩阵的乘积,获取多个列变更字典矩阵后,通过每个列变更字典矩阵与玻璃纤维灰度图像的稀疏编码矩阵相乘,得到对应多个重构图像。
进一步的,一种基于光学相机的玻璃纤维板表面缺陷识别方法,根据每个差值图像中所有像素点的最小外接矩形的面积与玻璃纤维板灰度图像的面积的比值,作为每个差值图像像素点的分布范围。
进一步的,一种基于光学相机的玻璃纤维板表面缺陷识别方法,计算每个缺陷特征图像中像素点分布性的方法为:
对每个缺陷特征图像进行阈值分割,获取灰度值大于阈值的所有像素点的灰度均值作为数值1;获取灰度值小于阈值的所有像素点的灰度均值作为数值2;
计算数值1与数值2的和得到数值3,将数值1与数值3的比值作为灰度值小于阈值的所有像素点的权重值;
将数值2与数值3的比值作为灰度值大于阈值的所有像素点的权重值;
根据每个缺陷特征图像中所有像素点的权重值进行加权求和得到对应缺陷特征图像中像素点的分布性。
进一步的,一种基于光学相机的玻璃纤维板表面缺陷识别方法,获取每个缺陷特征图像中所有像素点的平均分布密度的方法为:
以每个类别的中心点为圆心,以该类别圆心到其他类别中像素点欧式距离的最大值为半径,得到该类别的更新圆,根据更新圆的面积与更新圆内该类别中像素点的数量的比值得到每个类别像素点的分布密度;
计算每个缺陷特征图像中所有类别像素点的分布密度均值得到对应缺陷特征图像的平均分布密度。
进一步的,一种基于光学相机的玻璃纤维板表面缺陷识别方法,其特征在于,获取每个缺陷特征图像对应的缺陷特征热图的方法为:
计算玻璃纤维板的字典矩阵中每个列向量与其他所有列向量的余弦相似度均值作为相关性值,根据每个缺陷特征图像的缺陷程度与相关性值的乘积得到对应每个缺陷特征图像的缺陷热图。
本发明的有益效果是:根据本发明提出的技术手段,通过K-SVD技术获取玻璃纤维板的字典矩阵,通过对字典矩阵进行列变更,进一步根据列变更字典矩阵获取玻璃纤维板的差值图像进行缺陷特征分析,通过对每个缺陷特征图像中的像素点进行特征计算,进而得到表征每个缺陷特征图像中缺陷特征的缺陷热图,将所有缺陷热图进行叠加,从而实现对玻璃纤维板图像中缺陷区域的识别,提高了识别精确度和识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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为本发明实施例的一种基于光学相机的玻璃纤维板表面缺陷识别方法结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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实施例,都属于本发明保护的范围。
如图1所示,给出了本发明实施例的一种基于光学相机的玻璃纤维板表面缺陷识别方法,包括:
101.采集玻璃纤维板灰度图像,获取所述灰度图像的字典矩阵,对所述灰度图像的字典矩阵中每一列向量依次进行变更,得到多个列变更字典矩阵。
首先通过设备采集得到数据,然后对图像数据进行语义分割。
本发明采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下:
使用的数据集为俯视采集的玻璃纤维板图像数据集,玻璃纤维板的样式为多种多样的。
需要分割的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于玻璃纤维板的标注为1。
网络的任务是分类,所有使用的loss函数为交叉熵损失函数。
通过语义分割得到的0-1掩膜图像与原图像相乘,得到的图像中只含有玻璃纤维板的图像,去除了背景的干扰。
通过K-SVD算法得到玻璃纤维板图像的字典矩阵,K-SVD是一种字典表示方法,将原来的图像矩阵分解为字典矩阵和稀疏编码矩阵的乘积。
字典矩阵表示的是图像的特征,稀疏编码矩阵表示的是图像中的信息通过不同特征的怎样的组合方法得到,可以用三维坐标系(X,Y,Z三个单位向量)来表征,这三个向量通过组合可以表示所有的三维向量就是字典,再搭配上每个三维向量的x,y,z组合方式(稀疏编码),就可以还原成为三维向量。
K-SVD分解得到字典矩阵的过程中,字典矩阵是逐列进行更新的,因此可以用字典矩阵的列向量表示图像行数据之间的共有特征。
用n表示所述字典矩阵的列数,对所述字典矩阵的n个列向量依次用相应的0向量代替可以得到n个变更后的字典矩阵,得到多个列变更字典矩阵。
102.根据多个列变更字典矩阵获取对应多个重建图像,获取玻璃纤维板灰度图像与每个重建图像的差值图像。
根据多个列变更字典矩阵获取对应多个重建图像的方法为:
将玻璃纤维板灰度图像分解为字典矩阵和稀疏编码矩阵的乘积,获取多个列变更字典矩阵后,通过每个列变更字典矩阵与玻璃纤维灰度图像的稀疏编码矩阵相乘,得到对应多个重构图像。
通过n个列变更字典矩阵与原玻璃纤维板灰度图像的稀疏编码矩阵相乘得到n张重建图像,计算原玻璃纤维板灰度图像与所述重建图像的差值图像,得到n张差值图像。
所述每张重建图像相当于是从源图像上去除对应列向量所表示的特征后得到的图像,因此差值图像可以表示对应列向量所表示的特征。
103.根据每个差值图像中所有像素点的最小外接矩形的面积与玻璃纤维板灰度图像的面积计算每个差值图像像素点的分布范围;获取分布范围小于阈值的所有差值图像作为缺陷特征图像。
根据每个差值图像中所有像素点的最小外接矩形的面积与玻璃纤维板灰度图像的面积的比值,作为每个差值图像像素点的分布范围p3,将p3小于预设第一阈值(本发明中取值为0.8)的差值图像作为缺陷特征图像。
104.根据每个缺陷特征图像中像素点的灰度值对每个像素点设定权重,根据每个缺陷特征图像中各个像素点的权重计算每个缺陷特征图像中像素点的分布性。
对于纤维板来说,缺陷往往是局部分布,而纤维板固有纹理是全局分布,因此可以通过计算不同差图像特征的分布性进而得到差图像为缺陷特征的概率。
所述分布性是指特征是局部性和全局性,分布性越大,特征越接近于全局特征,分布性越小,特征越接近于局部特征。
差图像中非零值的像素点数量越多,分布性越大,灰度值越小的像素点表示为缺陷则缺陷越严重,因此对不同灰度值的像素点赋予相应的重要性权重。在灰度图像上,像素点小的对应的权重值应该较大。
因此根据每个缺陷特征图像中像素点的灰度值设定权重的方法为:
对每个缺陷特征图像进行阈值分割,获取灰度值大于阈值的所有像素点的灰度均值作为数值1;获取灰度值小于阈值的所有像素点的灰度均值作为数值2;
计算数值1与数值2的和得到数值3,将数值1与数值3的比值作为灰度值小于阈值的所有像素点的权重值1;
将数值2与数值3的比值作为灰度值大于阈值的所有像素点的权重值2。
通过对像素点的权重值1和权重值2进行加权求和得到对应缺陷特征图像中像素点的分布性。
差值图像的分布越趋向于全局分布,差值图像所表示特征为固有纹理特征的概率越大;差值图像的分布越趋向于局部分布,差值图像所表示特征为缺陷特征的概率越大。
105.对每个缺陷特征图像中的像素点进行聚类,根据每个类别中像素点的数量计算该类别像素点的分布密度,获取每个缺陷特征图像中所有像素点的平均分布密度。
本发明通过均值漂移聚类方法对不同位置的像素点进行聚类,然后以各个类别的中心点作为圆心,以与所述圆心距离最大的类别中点的欧式距离作为半径得到一个更新圆,通过更新圆计算得到各个类别的分布密度。
具体获取每个缺陷特征图像中所有像素点的平均分布密度的方法为:
以每个类别的中心点为圆心,以该类别圆心到其他类别中像素点欧式距离的最大值为半径,得到该类别的更新圆,根据更新圆的面积与更新圆内该类别中像素点的数量的比值得到每个类别像素点的分布密度;
计算每个缺陷特征图像中所有类别像素点的分布密度均值得到对应缺陷特征图像的平均分布密度。
本发明中,在计算不同缺陷特征图像的分布密度时,聚类半径均保持一致。
106.根据每个缺陷特征图像中像素点的分布性和平均分布密度计算每个缺陷特征图像的缺陷程度,根据每个缺陷特征图像的缺陷程度获取每个缺陷特征图像对应的缺陷特征热图。
获取每个缺陷特征图像对应的缺陷特征热图的方法为:
计算玻璃纤维板的字典矩阵中每个列向量与其他所有列向量的余弦相似度均值作为相关性值,根据每个缺陷特征图像的缺陷程度与相关性值的乘积得到对应每个缺陷特征图像的缺陷热图。
107.将所有缺陷特征热图进行叠加得到玻璃纤维板的缺陷热图,根据玻璃纤维板的缺陷热图识别玻璃纤维板中的缺陷区域。
所述缺陷热图表示的是缺陷的严重程度,识别得到的越严重的缺陷需要进行越多的增强使得缺陷特征明显,容易区分。
本发明通过对得到的多个缺陷特征热图进行叠加,将玻璃纤维板中的缺陷特征进行增强,从而得到玻璃纤维板的缺陷热图,进而依据缺陷热图对玻璃纤维板中的缺陷区域进行识别,得到准确的缺陷区域。
根据本发明提出的技术手段,通过K-SVD技术获取玻璃纤维板的字典矩阵,通过对字典矩阵进行列变更,进一步根据列变更字典矩阵获取玻璃纤维板的差值图像进行缺陷特征分析,通过对每个缺陷特征图像中的像素点进行特征计算,进而得到表征每个缺陷特征图像中缺陷特征的缺陷热图,将所有缺陷热图进行叠加,从而实现对玻璃纤维板图像中缺陷区域的特征增强,能够很好的识别出玻璃纤维板中的缺陷区域,提高了识别精确度和识别效率。
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、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于光学相机的玻璃纤维板表面缺陷识别方法,其特征在于,包括:
采集玻璃纤维板灰度图像,利用K-SVD获取所述灰度图像的字典矩阵和稀疏编码矩阵,对所述灰度图像的字典矩阵中每一列向量依次进行变更,得到多个列变更字典矩阵;
根据多个列变更字典矩阵和所述灰度图像的稀疏编码矩阵获取对应多个重建图像,获取玻璃纤维板灰度图像与每个重建图像的差值图像;
根据每个差值图像中所有像素点的最小外接矩形的面积与玻璃纤维板灰度图像的面积计算每个差值图像像素点的分布范围;获取分布范围小于阈值的所有差值图像作为缺陷特征图像;
根据每个缺陷特征图像中像素点的灰度值计算每个缺陷特征图像中像素点的分布性;
对每个缺陷特征图像中的像素点进行聚类,根据每个类别中像素点的数量计算该类别像素点的分布密度,获取每个缺陷特征图像中像素点的平均分布密度;
根据每个缺陷特征图像中像素点的分布性和平均分布密度计算每个缺陷特征图像的缺陷程度,根据每个缺陷特征图像的缺陷程度获取每个缺陷特征图像对应的缺陷特征热图;
将所有缺陷特征热图进行叠加得到玻璃纤维板的缺陷热图。
2.根据权利要求1所述的一种基于光学相机的玻璃纤维板表面缺陷识别方法,其特征在于,对所述灰度图像的字典矩阵中每一列向量依次用0向量进行代替,得到多个列变更字典矩阵。
3.根据权利要求1所述的一种基于光学相机的玻璃纤维板表面缺陷识别方法,其特征在于,根据多个列变更字典矩阵获取对应多个重建图像的方法为:
将玻璃纤维板灰度图像分解为字典矩阵和稀疏编码矩阵的乘积,获取多个列变更字典矩阵后,通过每个列变更字典矩阵与玻璃纤维灰度图像的稀疏编码矩阵相乘,得到对应多个重构图像。
4.根据权利要求1所述的一种基于光学相机的玻璃纤维板表面缺陷识别方法,其特征在于,根据每个差值图像中所有像素点的最小外接矩形的面积与玻璃纤维板灰度图像的面积的比值,作为每个差值图像像素点的分布范围。
5.根据权利要求1所述的一种基于光学相机的玻璃纤维板表面缺陷识别方法,其特征在于,计算每个缺陷特征图像中像素点分布性的方法为:
对每个缺陷特征图像进行阈值分割,获取灰度值大于阈值的所有像素点的灰度均值作为数值1;获取灰度值小于阈值的所有像素点的灰度均值作为数值2;
计算数值1与数值2的和得到数值3,将数值1与数值3的比值作为灰度值小于阈值的所有像素点的权重值;
将数值2与数值3的比值作为灰度值大于阈值的所有像素点的权重值;
根据每个缺陷特征图像中所有像素点的权重值进行加权求和得到对应缺陷特征图像中像素点的分布性。
6.根据权利要求1所述的一种基于光学相机的玻璃纤维板表面缺陷识别方法,其特征在于,获取每个缺陷特征图像中所有像素点的平均分布密度的方法为:
以每个类别的中心点为圆心,以该类别圆心到其他类别中像素点欧式距离的最大值为半径,得到该类别的更新圆,根据更新圆的面积与更新圆内该类别中像素点的数量的比值得到每个类别像素点的分布密度;
计算每个缺陷特征图像中所有类别像素点的分布密度均值得到对应缺陷特征图像的平均分布密度。
7.根据权利要求1所述的一种基于光学相机的玻璃纤维板表面缺陷识别方法,其特征在于,获取每个缺陷特征图像对应的缺陷特征热图的方法为:
计算玻璃纤维板的字典矩阵中每个列向量与其他所有列向量的余弦相似度均值作为相关性值,根据每个缺陷特征图像的缺陷程度与相关性值的乘积得到对应每个缺陷特征图像的缺陷热图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009352.4A CN115082483B (zh) | 2022-08-23 | 2022-08-23 | 基于光学相机的玻璃纤维板表面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009352.4A CN115082483B (zh) | 2022-08-23 | 2022-08-23 | 基于光学相机的玻璃纤维板表面缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082483A true CN115082483A (zh) | 2022-09-20 |
CN115082483B CN115082483B (zh) | 2022-12-02 |
Family
ID=83244414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211009352.4A Active CN115082483B (zh) | 2022-08-23 | 2022-08-23 | 基于光学相机的玻璃纤维板表面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082483B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311284A (zh) * | 2022-10-12 | 2022-11-08 | 南通嘉鹏家居用品有限公司 | 用于玻璃纤维毡的生产质量检测方法 |
CN115330766A (zh) * | 2022-10-12 | 2022-11-11 | 南通新诚电子有限公司 | 一种电容阳极铝箔化成质量缺陷识别方法 |
CN117152444A (zh) * | 2023-10-30 | 2023-12-01 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及*** |
CN117218117A (zh) * | 2023-11-07 | 2023-12-12 | 常熟市东宇绝缘复合材料有限公司 | 一种玻璃纤维纱检测方法及*** |
-
2022
- 2022-08-23 CN CN202211009352.4A patent/CN115082483B/zh active Active
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311284A (zh) * | 2022-10-12 | 2022-11-08 | 南通嘉鹏家居用品有限公司 | 用于玻璃纤维毡的生产质量检测方法 |
CN115330766A (zh) * | 2022-10-12 | 2022-11-11 | 南通新诚电子有限公司 | 一种电容阳极铝箔化成质量缺陷识别方法 |
CN115330766B (zh) * | 2022-10-12 | 2023-04-11 | 南通新诚电子有限公司 | 一种电容阳极铝箔化成质量缺陷识别方法 |
CN117152444A (zh) * | 2023-10-30 | 2023-12-01 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及*** |
CN117152444B (zh) * | 2023-10-30 | 2024-01-26 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及*** |
CN117218117A (zh) * | 2023-11-07 | 2023-12-12 | 常熟市东宇绝缘复合材料有限公司 | 一种玻璃纤维纱检测方法及*** |
CN117218117B (zh) * | 2023-11-07 | 2024-01-26 | 常熟市东宇绝缘复合材料有限公司 | 一种玻璃纤维纱检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115082483B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082483B (zh) | 基于光学相机的玻璃纤维板表面缺陷识别方法 | |
CN111062282B (zh) | 基于改进yolov3模型的变电站指针式仪表识别方法 | |
WO2023083059A1 (zh) | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 | |
CN115311292A (zh) | 基于图像处理的带钢表面缺陷检测方法及*** | |
CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN108932518B (zh) | 一种基于视觉词袋模型的鞋印图像特征提取及检索方法 | |
CN111553837A (zh) | 一种基于神经风格迁移的艺术文本图像生成方法 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和*** | |
US20200285917A1 (en) | Image classification method, computer device and medium | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及*** | |
CN114511718B (zh) | 一种建筑施工用物料智能管理方法及*** | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115527072A (zh) | 一种基于稀疏空间感知与元学习的芯片表面缺陷检测方法 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN116993985A (zh) | 一种基于CLIP实现Zero-Shot自动分割安全带的方法 | |
CN116311201A (zh) | 一种基于图像识别技术的变电站设备状态识别方法及*** | |
CN115082781A (zh) | 一种舰船图像检测方法、装置以及存储介质 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN113344047A (zh) | 基于改进K-means算法的压板状态识别方法 | |
CN113223037A (zh) | 一种面向大规模数据的无监督语义分割方法及*** | |
CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
CN117036243A (zh) | 刨花板表面缺陷检测的方法、装置、设备和存储介质 | |
CN115272778A (zh) | 基于rpa和计算机视觉的可回收垃圾分类方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |