CN115908301A - 一种基于增强输入的缺陷检测方法、装置及存储介质 - Google Patents
一种基于增强输入的缺陷检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115908301A CN115908301A CN202211418233.4A CN202211418233A CN115908301A CN 115908301 A CN115908301 A CN 115908301A CN 202211418233 A CN202211418233 A CN 202211418233A CN 115908301 A CN115908301 A CN 115908301A
- Authority
- CN
- China
- Prior art keywords
- defect
- defects
- detection
- grained
- fine
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 218
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 230000011218 segmentation Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000002950 deficient Effects 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 32
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于增强输入的缺陷检测方法、装置及存储介质，方法包括获取产品图像；通过感兴趣区域算法对产品图像提取感兴趣区域，并对感兴趣区域对齐、切块，得到若干子块图像；对感兴趣区域进行增强输入，增强缺陷的对比度；基于深度学习算法构建特征提取网络，提取子块图像的缺陷特征，并判断子块图像是否存在缺陷、缺陷的类别、缺陷的粗粒度分割以及缺陷的粗粒度定位；构建缺陷特征识别网络，对子块图像上存在缺陷的位置进行细粒度定位、分类及细粒度分割；对缺陷粗粒度和细粒度检测的结果进行融合，综合决策产品是否为不良品。本发明通过粗粒度分割+细粒度分割分类的方式，可以得到像素级的缺陷区域和类型，实现微小缺陷的高精度检测。
Description
技术领域
本发明涉及工业视觉检测技术领域，尤其涉及一种基于增强输入的缺陷检测方法、装置及存储介质。
背景技术
工业制品的生产过程中，生产工艺造成的微小缺陷不仅严重影响产品的外观质量，甚至会破坏其功能特性，故产品外观质检至关重要。而当前外观质检行业90％靠人工目检，又因其精度要求高，质检工人占工厂总人力成本的40％。这种依赖人的主观观察和判断检测产品缺陷的方式，存在招工培训成本高、效率低下、标准不统一、容易误检漏检等问题。而微米级缺陷需要人工拿着产品在显微镜下360度旋转找缺陷，枯燥易疲劳，另一方面，订单变动时无法准确适配人员，人力成本不断拉高。因此亟需基于人工智能的外观质检***来替代人工，降低质检人工成本，无缝衔接自动化生产线，提升检测效率和生产节拍，并可定位缺陷位置，便于后续数据溯源和工艺优化。
近年来，随着人工智能技术的发展，基于深度学习的外观质检方法不断涌现，且不需要像传统算法手工设计特征，可通过神经网络自动提取缺陷特征，实现缺陷的定位、分类和分割。但一般输入所使用的图像由传感器拍摄，受背景纹理干扰、成像方案限制，传感器拍摄的图像并不能很好地呈现所有的缺陷，部分缺陷对比度很低，实际无法达到很高的召回率。部分产品如连接器产品精密、结构复杂，检测精度要求极高，要求能够做到像素级的缺陷分割精度，但现有缺陷检测算法多采用目标检测或语义分割的思路，目标检测算法无法得到缺陷的精确区域，语义分割算法在缺陷样本少、类别不均衡时难以实现高精度的缺陷分割和分类。
此外，产品各个检测面的缺陷的严重程度并不一样，若不能得到缺陷的类别和精确区域，当检测标准变化时，无法灵活适应标准的弹性变化。对某些面的非致命缺陷，若通过有无判断直接判断不良，产品的直通率将很低，实际使用时需要“综合决策”策略根据缺陷的位置、大小和类别等信息综合判断。
发明内容
本发明提供了一种基于增强输入的缺陷检测方法、装置及存储介质，以解决上述技术问题。
本发明采用的技术方案是：提供一种基于增强输入的缺陷检测方法，包括：
获取产品图像；
通过感兴趣区域算法对所述产品图像提取感兴趣区域，并对感兴趣区域对齐、切块，得到若干子块图像；所述感兴趣区域只包含待检测区域；
对所述感兴趣区域进行增强输入，增强缺陷的对比度；
基于深度学习算法构建特征提取网络，提取所述子块图像的缺陷特征，并判断子块图像是否存在缺陷、缺陷的类别、缺陷的粗粒度分割以及缺陷的粗粒度定位；
构建缺陷特征识别网络，对子块图像上存在缺陷的位置进行细粒度定位、分类以及细粒度分割；
对缺陷粗粒度和细粒度检测的结果进行融合，综合决策产品是否为不良品。
进一步的，所述获取产品图像的方法包括：
使用工业相机采集工业制品的待检测面图像，采集时采用不同角度和/或不同光照对同一个待检测面图像采集至少两张图像。
进一步的，所述感兴趣区域算法包括传统机器视觉算法或深度学习算法，所述对齐包括旋转、缩放，所述切块包括滑窗、按固定位置切割。
进一步的，所述对所述感兴趣区域进行增强输入的方法包括：
对所述感兴趣区域进行直方图均衡、拉普拉斯变换或小波变换，然后对多个输入进行拼接或作为孪生输入。
进一步的，所述基于深度学习算法构建特征提取网络，提取所述子块图像的缺陷特征，并判断子块图像是否存在缺陷、缺陷的类别、缺陷的粗粒度分割以及缺陷的粗粒度定位的方法包括：
采用无监督算法、目标检测算法或语义分割算法构建特征提取网络，将所述子块图像作为增强输入数据，输出结果为缺陷的分类得分以及缺陷的大体区域位置，其大体区域位置包含实际缺陷区域或与之重叠较多区域；
通过传统机器视觉算法或深度学习算法实现缺陷的类别判断以及对缺陷的大体区域位置进行分割。
进一步的，所述构建缺陷特征识别网络，对子块图像上存在缺陷的位置进行细粒度定位、分类以及细粒度分割的方法包括：
采用目标检测算法或语义分割算法构建缺陷特征识别网络，输出的缺陷的大体区域位置获取细粒度检测的候选框区域，获取方式包括以缺陷中心固定大小截取或按缺陷大小截取；
通过传统机器视觉算法或深度学习算法实现对缺陷精确分割以及缺陷类别信息。
进一步的，所述对缺陷粗粒度和细粒度检测的结果进行融合，综合决策产品是否为不良品的方法包括：
融合粗粒度定位与细粒度定位的结果，综合缺陷所在的面及位置、缺陷的类别、缺陷的大小，最终得到待检测对象是否不良。
进一步的，对粗粒度分割的缺陷区域与细粒度分割的缺陷区域取与操作，得到缺陷分割的融合结果，且去除粗粒度检测的过检与细粒度检测的过检，最终根据缺陷的类别、位置和大小的检测标准进行综合决策。
本发明还提供一种基于增强输入的缺陷检测装置，包括：
图像获取模块，用于获取产品图像；
预处理模块，用于通过感兴趣区域算法对所述产品图像提取感兴趣区域，并对感兴趣区域对齐、切块，得到若干子块图像；所述感兴趣区域只包含待检测区域；
增强输入模块，用于对所述感兴趣区域进行增强输入，增强缺陷的对比度；
粗粒度缺陷检测训练模块，基于深度学习算法构建特征提取网络，提取所述子块图像的缺陷特征，并判断子块图像是否存在缺陷、缺陷的类别、缺陷的粗粒度分割以及缺陷的粗粒度定位；
细粒度缺陷检测训练模块，通过构建缺陷特征识别网络，对子块图像上存在缺陷的位置进行细粒度定位、分类以及细粒度分割；
缺陷检测结果融合模块，用于对缺陷粗粒度和细粒度检测的结果进行融合，综合决策产品是否为不良品。
本发明还提供一种存储介质，所述存储介质上存储有基于增强输入的缺陷检测程序，所述基于增强输入的缺陷检测程序被处理器执行时实现如上所述的基于增强输入的缺陷检测方法的步骤。
本发明的有益效果是：本发明通过“增强输入”策略，增强受背景干扰或成像限制对比度低的缺陷，实现缺陷检测的高召回率；通过“缺陷粗粒度检测+缺陷细粒度检测”相结合的检测方式，在更小的检测区域内增强微小缺陷的分割定位精度，且可以得到缺陷的类别、精确位置和大小；通过“决策融合”策略，对粗粒度缺陷检测的结果和细粒度缺陷检测的结果进行融合，可以进一步降低过检或降低漏检，且最终产品的检测结果通过所有面缺陷的位置、类别、大小等信息综合判断，在实际使用时便于检测标准的弹性变化。
附图说明
图1为本发明公开的基于增强输入的缺陷检测方法的流程示意图；
图2为本发明公开的基于增强输入的缺陷检测装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步详细描述，但本发明的实施方式不限于此。
实施例1：
参见图1，本实施例公开一种基于增强输入的缺陷检测方法，包括：
S1、获取产品图像。
具体的，使用工业相机采集工业制品的待检测面图像，采集时采用不同角度和/或不同光照对同一个待检测面图像采集至少两张图像。
本实施例中，具体实现为：使用工业黑白相机采集工业制品的正面图像，分别采用同轴光和60度环光进行拍摄，共得到2张图像，不同的光源所突出的缺陷不同。
S2、通过感兴趣区域算法对所述产品图像提取感兴趣区域，并对感兴趣区域对齐、切块，得到若干子块图像；所述感兴趣区域只包含待检测区域。
具体的，所述感兴趣区域算法包括传统机器视觉算法或深度学习算法，所述对齐包括旋转、缩放，所述切块包括滑窗、按固定位置切割。
本实施俐中，具体实现为采用语义分割算法如Unet分割ROI待检测区域(只分割一个通道的原始图像)，并根据分割的mask获取最小旋转外接矩形，以最小旋转外接矩形的角度将ROI转正，通过滑窗的方式对多个通道转正的ROI切块，切块的大小可选择512x512。
S3、对所述感兴趣区域进行增强输入，增强缺陷的对比度。
具体的，对所述感兴趣区域进行直方图均衡、拉普拉斯变换或小波变换，然后对多个输入进行拼接或作为孪生输入。
对得到的2张图像进行拉普拉斯变换，以增强某些对比度低的缺陷，加之原来的图像，在通道空间直接进行拼接，共得到4通道图像，得到的输入图像为512x512x4。
S4、基于深度学习算法构建特征提取网络，提取所述子块图像的缺陷特征，并判断子块图像是否存在缺陷、缺陷的类别、缺陷的粗粒度分割以及缺陷的粗粒度定位。
具体的，采用无监督算法、目标检测算法或语义分割算法构建特征提取网络，将所述子块图像作为增强输入数据，输出结果为缺陷的分类得分以及缺陷的大体区域位置，其大体区域位置包含实际缺陷区域或与之重叠较多区域；通过传统机器视觉算法或深度学习算法实现缺陷的类别判断以及对缺陷的大体区域位置进行分割。
本实施俐中，具体实现为：采用分割+分类算法对缺陷粗粒度检测，主干网络为8卷积层，instancenorm层，relu层，maxpooling层，avgpooling层，全连接层构成，模型输入为512x512x4，训练完成后，将模型转换为tensorrt模型，得到部署模型。模型的输出为分类得分和mask，表征该图像是否存在缺陷以及缺陷的区域。再通过传统机器视觉算法或深度学习算法实现缺陷的类别判断以及对缺陷的大体区域位置进行分割。
S5、构建缺陷特征识别网络，对子块图像上存在缺陷的位置进行细粒度定位、分类以及细粒度分割。
具体的，采用目标检测算法或语义分割算法构建缺陷特征识别网络，输出的缺陷的大体区域位置获取细粒度检测的候选框区域，获取方式包括以缺陷中心固定大小截取或按缺陷大小截取；通过传统机器视觉算法或深度学习算法实现对缺陷精确分割以及缺陷类别信息。
本实施俐中，具体实现为：以粗粒度检测的区域为中心，截取128x128的子图区域，为实现缺陷的精细分割及分类，采用多类别语义分割算法如U2Net，输出的mask中每个像素为不同缺陷类别概率最大所对应的类别，如0/1/2/3，共4类缺陷。
S6、对缺陷粗粒度和细粒度检测的结果进行融合，综合决策产品是否为不良品。
具体的，融合粗粒度定位与细粒度定位的结果，综合缺陷所在的面及位置、缺陷的类别、缺陷的大小，最终得到待检测对象是否不良。
本实施俐中，具体实现为：考虑粗粒度分割的缺陷区域基本比细粒度区域大，且为保证检出率，粗粒度分割的结果可能存在一些误检，故对粗粒度分割的缺陷区域与细粒度分割的缺陷区域取与操作(即取交集)，得到缺陷分割的融合结果，且可以去除粗粒度检测的过检与细粒度检测的过检。最终根据缺陷的类别、位置和大小进行综合决策，如检测出的缺陷为“划痕0.05mm，损伤0.01mm”，检测标准为“划痕0.02mm，损伤0.03mm”，划痕超出检测标准，工件为不良。
本实施例提供了基于增强输入的缺陷检测方法，其有益效果是：“增强输入”能够增强缺陷的对比度，作为附加信息输入到原有检测网络，增强了输入信息，且可以减少背景和纹理的干扰；“粗粒度检测与细粒度检测”相结合的方式可以实现像素级的缺陷分类和分割；“综合决策”可以进一步降低过检或降低漏检，且能够适应标准的弹性变化。
实施例2
参见图2，本实施例公开一种基于增强输入的缺陷检测装置，包括：
图像获取模块，用于获取产品图像；
预处理模块，用于通过感兴趣区域算法对所述产品图像提取感兴趣区域，并对感兴趣区域对齐、切块，得到若干子块图像；所述感兴趣区域只包含待检测区域；
增强输入模块，用于对所述感兴趣区域进行增强输入，增强缺陷的对比度；
粗粒度缺陷检测训练模块，基于深度学习算法构建特征提取网络，提取所述子块图像的缺陷特征，并判断子块图像是否存在缺陷、缺陷的类别、缺陷的粗粒度分割以及缺陷的粗粒度定位；
细粒度缺陷检测训练模块，通过构建缺陷特征识别网络，对子块图像上存在缺陷的位置进行细粒度定位、分类以及细粒度分割；
缺陷检测结果融合模块，用于对缺陷粗粒度和细粒度检测的结果进行融合，综合决策产品是否为不良品。
实施例3
本实施例公开一种存储介质，所述存储介质上存储有基于增强输入的缺陷检测程序，所述基于增强输入的缺陷检测程序被处理器执行时实现如实施例1所述的基于增强输入的缺陷检测方法的步骤。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于增强输入的缺陷检测方法，其特征在于，包括：
获取产品图像；
通过感兴趣区域算法对所述产品图像提取感兴趣区域，并对感兴趣区域对齐、切块，得到若干子块图像；所述感兴趣区域只包含待检测区域；
对所述感兴趣区域进行增强输入，增强缺陷的对比度；
基于深度学习算法构建特征提取网络，提取所述子块图像的缺陷特征，并判断子块图像是否存在缺陷、缺陷的类别、缺陷的粗粒度分割以及缺陷的粗粒度定位；
构建缺陷特征识别网络，对子块图像上存在缺陷的位置进行细粒度定位、分类以及细粒度分割；
对缺陷粗粒度和细粒度检测的结果进行融合，综合决策产品是否为不良品。
2.根据权利要求1所述的基于增强输入的缺陷检测方法，其特征在于，所述获取产品图像的方法包括：
使用工业相机采集工业制品的待检测面图像，采集时采用不同角度和/或不同光照对同一个待检测面图像采集至少两张图像。
3.根据权利要求1所述的基于增强输入的缺陷检测方法，其特征在于，所述感兴趣区域算法包括传统机器视觉算法或深度学习算法，所述对齐包括旋转、缩放，所述切块包括滑窗、按固定位置切割。
4.根据权利要求1所述的基于增强输入的缺陷检测方法，其特征在于，所述对所述感兴趣区域进行增强输入的方法包括：
对所述感兴趣区域进行直方图均衡、拉普拉斯变换或小波变换，然后对多个输入进行拼接或作为孪生输入。
5.根据权利要求1所述的基于增强输入的缺陷检测方法，其特征在于，所述基于深度学习算法构建特征提取网络，提取所述子块图像的缺陷特征，并判断子块图像是否存在缺陷、缺陷的类别、缺陷的粗粒度分割以及缺陷的粗粒度定位的方法包括：
采用无监督算法、目标检测算法或语义分割算法构建特征提取网络，将所述子块图像作为增强输入数据，输出结果为缺陷的分类得分以及缺陷的大体区域位置，其大体区域位置包含实际缺陷区域或与之重叠较多区域；
通过传统机器视觉算法或深度学习算法实现缺陷的类别判断以及对缺陷的大体区域位置进行分割。
6.根据权利要求1所述的基于增强输入的缺陷检测方法，其特征在于，所述构建缺陷特征识别网络，对子块图像上存在缺陷的位置进行细粒度定位、分类以及细粒度分割的方法包括：
采用目标检测算法或语义分割算法构建缺陷特征识别网络，输出的缺陷的大体区域位置获取细粒度检测的候选框区域，获取方式包括以缺陷中心固定大小截取或按缺陷大小截取；
通过传统机器视觉算法或深度学习算法实现对缺陷精确分割以及缺陷类别信息。
7.根据权利要求1所述的基于增强输入的缺陷检测方法，其特征在于，所述对缺陷粗粒度和细粒度检测的结果进行融合，综合决策产品是否为不良品的方法包括：
融合粗粒度定位与细粒度定位的结果，综合缺陷所在的面及位置、缺陷的类别、缺陷的大小，最终得到待检测对象是否不良。
8.根据权利要求7所述的基于增强输入的缺陷检测方法，其特征在于，对粗粒度分割的缺陷区域与细粒度分割的缺陷区域取与操作，得到缺陷分割的融合结果，且去除粗粒度检测的过检与细粒度检测的过检，最终根据缺陷的类别、位置和大小的检测标准进行综合决策。
9.一种基于增强输入的缺陷检测装置，其特征在于，包括：
图像获取模块，用于获取产品图像；
预处理模块，用于通过感兴趣区域算法对所述产品图像提取感兴趣区域，并对感兴趣区域对齐、切块，得到若干子块图像；所述感兴趣区域只包含待检测区域；
增强输入模块，用于对所述感兴趣区域进行增强输入，增强缺陷的对比度；
粗粒度缺陷检测训练模块，基于深度学习算法构建特征提取网络，提取所述子块图像的缺陷特征，并判断子块图像是否存在缺陷、缺陷的类别、缺陷的粗粒度分割以及缺陷的粗粒度定位；
细粒度缺陷检测训练模块，通过构建缺陷特征识别网络，对子块图像上存在缺陷的位置进行细粒度定位、分类以及细粒度分割；
缺陷检测结果融合模块，用于对缺陷粗粒度和细粒度检测的结果进行融合，综合决策产品是否为不良品。
10.一种存储介质，其特征在于，所述存储介质上存储有基于增强输入的缺陷检测程序，所述基于增强输入的缺陷检测程序被处理器执行时实现如权利要求1至8任一项所述的基于增强输入的缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211418233.4A CN115908301A (zh) | 2022-11-14 | 2022-11-14 | 一种基于增强输入的缺陷检测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211418233.4A CN115908301A (zh) | 2022-11-14 | 2022-11-14 | 一种基于增强输入的缺陷检测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115908301A true CN115908301A (zh) | 2023-04-04 |
Family
ID=86481892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211418233.4A Pending CN115908301A (zh) | 2022-11-14 | 2022-11-14 | 一种基于增强输入的缺陷检测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115908301A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117994257A (zh) * | 2024-04-07 | 2024-05-07 | 中国机械总院集团江苏分院有限公司 | 基于深度学习的织物瑕疵分析检测***及分析检测方法 |
-
2022
- 2022-11-14 CN CN202211418233.4A patent/CN115908301A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117994257A (zh) * | 2024-04-07 | 2024-05-07 | 中国机械总院集团江苏分院有限公司 | 基于深度学习的织物瑕疵分析检测***及分析检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111951237B (zh) | 外观视觉检测方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN111126325B (zh) | 一种基于视频的智能人员安防识别统计方法 | |
| CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
| CN111982916A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法及*** | |
| Rahaman et al. | Automatic defect detection and classification technique from image: a special case using ceramic tiles | |
| CN113658131B (zh) | 一种基于机器视觉巡游式环锭纺断纱检测方法 | |
| CN113554631B (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
| CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
| CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
| CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN111524101A (zh) | 一种基于机器视觉技术的电子屏幕缺陷检测方法 | |
| CN112967221B (zh) | 一种盾构管片生产与拼装信息管理*** | |
| CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
| CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN111292228A (zh) | 镜头缺陷检测方法 | |
| CN112419261B (zh) | 具有异常点去除功能的视觉采集方法及装置 | |
| CN113781458A (zh) | 一种基于人工智能的识别方法 | |
| CN111524154B (zh) | 一种基于影像的隧道管片自动化分割方法 | |
| CN115908301A (zh) | 一种基于增强输入的缺陷检测方法、装置及存储介质 | |
| CN116228651A (zh) | 一种布匹缺陷检测方法、***、设备及介质 | |
| CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
| CN114004858B (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
| CN114266895A (zh) | 一种风机叶片图像分割、拼接方法及装置 | |
| CN113916893A (zh) | 模切产品缺陷的检测方法 |
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 |