CN117274263A - 一种显示器瘢痕缺陷检测方法 - Google Patents
一种显示器瘢痕缺陷检测方法 Download PDFInfo
- Publication number
- CN117274263A CN117274263A CN202311559341.8A CN202311559341A CN117274263A CN 117274263 A CN117274263 A CN 117274263A CN 202311559341 A CN202311559341 A CN 202311559341A CN 117274263 A CN117274263 A CN 117274263A
- Authority
- CN
- China
- Prior art keywords
- channel
- layer
- defect
- value
- feature
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 144
- 231100000241 scar Toxicity 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims description 46
- 238000011176 pooling Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/20084—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
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种显示器瘢痕缺陷检测方法,属于图像处理技术领域,本发明中分别提取出显示器表面图像的R通道值、G通道值和B通道值,从而将显示器表面图像拆分成R通道图像、G通道图像和B通道图像,将R通道图像、G通道图像和B通道图像分别输入到缺陷检测神经网络中,得到每个通道对应的缺陷值,再根据三个通道缺陷值,综合评定显示器瘢痕缺陷程度。本发明中将R通道值、G通道值和B通道值分别进行处理,通过每个通道值的特征情况,从而分析瘢痕缺陷程度,提高显示器瘢痕缺陷的检测精度。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种显示器瘢痕缺陷检测方法。
背景技术
在显示器出厂时,需要对显示器的外观进行检查,从而保障其上显示内容的正常。现有缺陷检测方法通过对显示器的外观图像进行灰度处理,从而得到灰度图,采用神经网络处理灰度图,从而识别出其上的缺陷。但在灰度处理的过程中,实际是将R通道值、G通道值和B通道值进行了省略,采用灰度值进行表征,省略了颜色特征,但显示器的外观图像的R通道值、G通道值和B通道值分别的分布情况,决定了显示器外观的缺陷程度。
发明内容
本发明的目的在于提供一种显示器瘢痕缺陷检测方法,其解决了现有缺陷检测方法存在检测精度不高的问题。
本发明的实施例通过以下技术方案实现:一种显示器瘢痕缺陷检测方法,包括以下步骤:
S1、采集显示器表面图像;
S2、提取显示器表面图像的R通道值、G通道值和B通道值,得到R通道图像、G通道图像和B通道图像;
S3、将R通道图像、G通道图像和B通道图像分别输入到缺陷检测神经网络中,得到R通道缺陷值、G通道缺陷值和B通道缺陷值;
S4、根据R通道缺陷值、G通道缺陷值和B通道缺陷值,计算显示器瘢痕缺陷程度。
进一步地,所述S3中缺陷检测神经网络包括:浅层特征提取单元、深层特征提取单元和缺陷值估算单元;
所述浅层特征提取单元的输入端作为缺陷检测神经网络的输入端,其输出端与深层特征提取单元的输入端连接;所述缺陷值估算单元的输入端与深层特征提取单元的输出端连接,其输出端作为缺陷检测神经网络的输出端。
上述进一步地方案的有益效果为:本发明中采用浅层特征提取单元提取浅层特征,再采用深层特征提取单元对浅层特征进行处理,得到深层特征,缺陷值估算单元用于根据深层特征,得到通道缺陷值。
进一步地,所述浅层特征提取单元包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层和第一Concat层;
所述第一卷积层的输入端作为浅层特征提取单元的输入端,其输出端分别与第二卷积层的输入端、第三卷积层的输入端和第四卷积层的输入端连接;所述第一Concat层的输入端分别与第二卷积层的输出端、第三卷积层的输出端和第四卷积层的输出端连接,其输出端作为浅层特征提取单元的输出端。
进一步地,所述第一卷积层的卷积核大小为1*1,第二卷积层的卷积核大小为3*3,第三卷积层的卷积核大小为5*5,第四卷积层的卷积核大小为7*7。
上述进一步地方案的有益效果为:本发明中采用第一卷积层对R通道图像、G通道图像或B通道图像提取特征后,再采用三个不同卷积核的卷积层进行进一步地特征提取,丰富特征量。
进一步地,所述深层特征提取单元包括:最大池化层、平均池化层和第二Concat层;
所述最大池化层的输入端与平均池化层的输入端连接,并作为深层特征提取单元的输入端;所述第二Concat层的输入端分别与最大池化层的输出端和平均池化层的输出端连接,其输出端作为深层特征提取单元的输出端。
上述进一步地方案的有益效果为:本发明的深层特征提取单元中采用最大池化层提取出显著特征,采用平均池化层提取出全局特征,在减少数据量的同时,将数据特征充分提取出来。
进一步地,所述缺陷值估算单元包括:特征增强层、第五卷积层和通道缺陷值估算层;
所述特征增强层的输入端作为缺陷值估算单元的输入端,其输出端与第五卷积层的输入端连接;所述通道缺陷值估算层的输入端与第五卷积层的输出端连接,其输出端作为缺陷值估算单元的输出端。
上述进一步地方案的有益效果为:本发明的特征增强层用于对深层特征进行增强处理,从而凸显R通道图像、G通道图像或B通道图像的特征,增加区分度,更好进行缺陷值估算。
进一步地,所述特征增强层的表达式为:
其中,为特征增强层输出的第/>个特征值,/>为特征增强层输入的第/>个特征值,为增强系数,/>为特征增强层输入的特征值数量。
上述进一步地方案的有益效果为:本发明中对特征增强层输入的特征值进行归一化处理,体现出数据分布情况,再通过增强系数对数据分布情况进行增强,凸显通道图像特征。
进一步地,所述增强系数的计算公式为:
其中,为增强系数,/>为反正切函数,/>为R通道图像、G通道图像或B通道图像上的第/>个通道值,/>为通道值的数量,在处理R通道图像时,/>为R通道图像上第/>个R通道值,在处理G通道图像时,/>为G通道图像上第/>个G通道值,在处理B通道图像时,/>为B通道图像上第/>个B通道值,| |为绝对值。
上述进一步地方案的有益效果为:本发明中增强系数来源于通道值分布的不均匀性情况,该种不均匀性情况可明确表征通道图像的平滑程度,从而通过增强系数可放大通道图像的特征,提高缺陷检测的精度。
进一步地,所述通道缺陷值估算层用于将第五卷积层输出的所有特征值进行分段处理,并将每段特征值构建为一个特征序列,在每一个特征序列中提取出最大特征值和特征均值,根据最大特征值和特征均值,计算通道缺陷值;
所述计算通道缺陷值的公式为:
其中,为通道缺陷值,/>为第/>个特征序列中的最大特征值,/>为第/>个特征序列中的特征均值,/>为第/>个特征序列中的最大特征值的权重,/>为第/>个特征序列中的特征均值的权重,/>为激活函数,/>为特征序列的数量,/>为无瘢痕缺陷的通道特征量。
上述进一步地方案的有益效果为:本发明中将第五卷积层输出的所有特征值进行分段处理,从而进行分段提取特征,保障特征的丰富度,从而又能提取到丰富的特征,在计算通道缺陷值时,分别为最大特征值和特征均值赋予不同权重,从而保障缺陷检测的精度,再计算出与无瘢痕缺陷的通道特征量的差距,表征出缺陷情况。
进一步地,所述S4中计算显示器瘢痕缺陷程度的公式为:
其中,为显示器瘢痕缺陷程度,/>为R通道缺陷值,/>为G通道缺陷值,/>为B通道缺陷值。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明中分别提取出显示器表面图像的R通道值、G通道值和B通道值,从而将显示器表面图像拆分成R通道图像、G通道图像和B通道图像,将R通道图像、G通道图像和B通道图像分别输入到缺陷检测神经网络中,得到每个通道对应的缺陷值,再根据三个通道缺陷值,综合评定显示器瘢痕缺陷程度。本发明中将R通道值、G通道值和B通道值分别进行处理,通过每个通道值的特征情况,从而分析瘢痕缺陷程度,提高显示器瘢痕缺陷的检测精度。
附图说明
图1为一种显示器瘢痕缺陷检测方法的流程图;
图2为浅层特征提取单元的结构示意图;
图3为深层特征提取单元的结构示意图;
图4为缺陷值估算单元的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,一种显示器瘢痕缺陷检测方法,包括以下步骤:
S1、采集显示器表面图像;
S2、提取显示器表面图像的R通道值、G通道值和B通道值,得到R通道图像、G通道图像和B通道图像;
S3、将R通道图像、G通道图像和B通道图像分别输入到缺陷检测神经网络中,得到R通道缺陷值、G通道缺陷值和B通道缺陷值;
所述S3中缺陷检测神经网络包括:浅层特征提取单元、深层特征提取单元和缺陷值估算单元;
所述浅层特征提取单元的输入端作为缺陷检测神经网络的输入端,其输出端与深层特征提取单元的输入端连接;所述缺陷值估算单元的输入端与深层特征提取单元的输出端连接,其输出端作为缺陷检测神经网络的输出端。
本发明中采用浅层特征提取单元提取浅层特征,再采用深层特征提取单元对浅层特征进行处理,得到深层特征,缺陷值估算单元用于根据深层特征,得到通道缺陷值。
如图2所示,所述浅层特征提取单元包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层和第一Concat层;
所述第一卷积层的输入端作为浅层特征提取单元的输入端,其输出端分别与第二卷积层的输入端、第三卷积层的输入端和第四卷积层的输入端连接;所述第一Concat层的输入端分别与第二卷积层的输出端、第三卷积层的输出端和第四卷积层的输出端连接,其输出端作为浅层特征提取单元的输出端。
所述第一卷积层的卷积核大小为1*1,第二卷积层的卷积核大小为3*3,第三卷积层的卷积核大小为5*5,第四卷积层的卷积核大小为7*7。
本发明中采用第一卷积层对R通道图像、G通道图像或B通道图像提取特征后,再采用三个不同卷积核的卷积层进行进一步地特征提取,丰富特征量。
在本发明中R通道图像为G通道、B通道均为0的图像,或者是R通道值的集合,G通道图像为R通道、B通道均为0的图像,或者是G通道值的集合,B通道图像为R通道、G通道均为0的图像,或者是B通道值的集合。
如图3所示,所述深层特征提取单元包括:最大池化层、平均池化层和第二Concat层;
所述最大池化层的输入端与平均池化层的输入端连接,并作为深层特征提取单元的输入端;所述第二Concat层的输入端分别与最大池化层的输出端和平均池化层的输出端连接,其输出端作为深层特征提取单元的输出端。
本发明的深层特征提取单元中采用最大池化层提取出显著特征,采用平均池化层提取出全局特征,在减少数据量的同时,将数据特征充分提取出来。
如图4所示,所述缺陷值估算单元包括:特征增强层、第五卷积层和通道缺陷值估算层;
所述特征增强层的输入端作为缺陷值估算单元的输入端,其输出端与第五卷积层的输入端连接;所述通道缺陷值估算层的输入端与第五卷积层的输出端连接,其输出端作为缺陷值估算单元的输出端。
本发明的特征增强层用于对深层特征进行增强处理,从而凸显R通道图像、G通道图像或B通道图像的特征,增加区分度,更好进行缺陷值估算。
所述特征增强层的表达式为:
其中,为特征增强层输出的第/>个特征值,/>为特征增强层输入的第/>个特征值,为增强系数,/>为特征增强层输入的特征值数量。
本发明中对特征增强层输入的特征值进行归一化处理,体现出数据分布情况,再通过增强系数对数据分布情况进行增强,凸显通道图像特征。
所述增强系数的计算公式为:
其中,为增强系数,/>为反正切函数,/>为R通道图像、G通道图像或B通道图像上的第/>个通道值,/>为通道值的数量,在处理R通道图像时,/>为R通道图像上第/>个R通道值,在处理G通道图像时,/>为G通道图像上第/>个G通道值,在处理B通道图像时,/>为B通道图像上第/>个B通道值,| |为绝对值。
本发明中增强系数来源于通道值分布的不均匀性情况,该种不均匀性情况可明确表征通道图像的平滑程度,从而通过增强系数可放大通道图像的特征,提高缺陷检测的精度。
所述通道缺陷值估算层用于将第五卷积层输出的所有特征值进行分段处理,并将每段特征值构建为一个特征序列,在每一个特征序列中提取出最大特征值和特征均值,根据最大特征值和特征均值,计算通道缺陷值;
所述计算通道缺陷值的公式为:
其中,为通道缺陷值,/>为第/>个特征序列中的最大特征值,/>为第/>个特征序列中的特征均值,/>为第/>个特征序列中的最大特征值的权重,/>为第/>个特征序列中的特征均值的权重,/>为激活函数,/>为特征序列的数量,/>为无瘢痕缺陷的通道特征量,/>为待处理的通道特征量。
本发明中无瘢痕缺陷的通道特征量与待处理的通道特征量/>的获取过程相同,不同点在于,无瘢痕缺陷的通道特征量/>来源于无瘢痕缺陷的显示器表面图像,而待处理的通道特征量/>来源于待检测的显示器表面图像。
本发明中将第五卷积层输出的所有特征值进行分段处理,从而进行分段提取特征,保障特征的丰富度,从而又能提取到丰富的特征,在计算通道缺陷值时,分别为最大特征值和特征均值赋予不同权重,从而保障缺陷检测的精度,再计算出与无瘢痕缺陷的通道特征量的差距,表征出缺陷情况。
S4、根据R通道缺陷值、G通道缺陷值和B通道缺陷值,计算显示器瘢痕缺陷程度。
所述S4中计算显示器瘢痕缺陷程度的公式为:
其中,为显示器瘢痕缺陷程度,/>为R通道缺陷值,/>为G通道缺陷值,/>为B通道缺陷值。
本发明中分别提取出显示器表面图像的R通道值、G通道值和B通道值,从而将显示器表面图像拆分成R通道图像、G通道图像和B通道图像,将R通道图像、G通道图像和B通道图像分别输入到缺陷检测神经网络中,得到每个通道对应的缺陷值,再根据三个通道缺陷值,综合评定显示器瘢痕缺陷程度。本发明中将R通道值、G通道值和B通道值分别进行处理,通过每个通道值的特征情况,从而分析瘢痕缺陷程度,提高显示器瘢痕缺陷的检测精度。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种显示器瘢痕缺陷检测方法,其特征在于,包括以下步骤:
S1、采集显示器表面图像;
S2、提取显示器表面图像的R通道值、G通道值和B通道值,得到R通道图像、G通道图像和B通道图像;
S3、将R通道图像、G通道图像和B通道图像分别输入到缺陷检测神经网络中,得到R通道缺陷值、G通道缺陷值和B通道缺陷值;
S4、根据R通道缺陷值、G通道缺陷值和B通道缺陷值,计算显示器瘢痕缺陷程度。
2.根据权利要求1所述的显示器瘢痕缺陷检测方法,其特征在于,所述S3中缺陷检测神经网络包括:浅层特征提取单元、深层特征提取单元和缺陷值估算单元;
所述浅层特征提取单元的输入端作为缺陷检测神经网络的输入端,其输出端与深层特征提取单元的输入端连接;所述缺陷值估算单元的输入端与深层特征提取单元的输出端连接,其输出端作为缺陷检测神经网络的输出端。
3.根据权利要求2所述的显示器瘢痕缺陷检测方法,其特征在于,所述浅层特征提取单元包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层和第一Concat层;
所述第一卷积层的输入端作为浅层特征提取单元的输入端,其输出端分别与第二卷积层的输入端、第三卷积层的输入端和第四卷积层的输入端连接;所述第一Concat层的输入端分别与第二卷积层的输出端、第三卷积层的输出端和第四卷积层的输出端连接,其输出端作为浅层特征提取单元的输出端。
4.根据权利要求3所述的显示器瘢痕缺陷检测方法,其特征在于,所述第一卷积层的卷积核大小为1*1,第二卷积层的卷积核大小为3*3,第三卷积层的卷积核大小为5*5,第四卷积层的卷积核大小为7*7。
5.根据权利要求2所述的显示器瘢痕缺陷检测方法,其特征在于,所述深层特征提取单元包括:最大池化层、平均池化层和第二Concat层;
所述最大池化层的输入端与平均池化层的输入端连接,并作为深层特征提取单元的输入端;所述第二Concat层的输入端分别与最大池化层的输出端和平均池化层的输出端连接,其输出端作为深层特征提取单元的输出端。
6.根据权利要求2所述的显示器瘢痕缺陷检测方法,其特征在于,所述缺陷值估算单元包括:特征增强层、第五卷积层和通道缺陷值估算层;
所述特征增强层的输入端作为缺陷值估算单元的输入端,其输出端与第五卷积层的输入端连接;所述通道缺陷值估算层的输入端与第五卷积层的输出端连接,其输出端作为缺陷值估算单元的输出端。
7.根据权利要求6所述的显示器瘢痕缺陷检测方法,其特征在于,所述特征增强层的表达式为:
其中,为特征增强层输出的第/>个特征值,/>为特征增强层输入的第/>个特征值,/>为增强系数,/>为特征增强层输入的特征值数量。
8.根据权利要求7所述的显示器瘢痕缺陷检测方法,其特征在于,所述增强系数的计算公式为:
其中,为增强系数,/>为反正切函数,/>为R通道图像、G通道图像或B通道图像上的第/>个通道值,/>为通道值的数量,在处理R通道图像时,/>为R通道图像上第/>个R通道值,在处理G通道图像时,/>为G通道图像上第/>个G通道值,在处理B通道图像时,/>为B通道图像上第/>个B通道值,| |为绝对值。
9.根据权利要求6所述的显示器瘢痕缺陷检测方法,其特征在于,所述通道缺陷值估算层用于将第五卷积层输出的所有特征值进行分段处理,并将每段特征值构建为一个特征序列,在每一个特征序列中提取出最大特征值和特征均值,根据最大特征值和特征均值,计算通道缺陷值;
所述计算通道缺陷值的公式为:
其中,为通道缺陷值,/>为第/>个特征序列中的最大特征值,/>为第/>个特征序列中的特征均值,/>为第/>个特征序列中的最大特征值的权重,/>为第/>个特征序列中的特征均值的权重,/>为激活函数,/>为特征序列的数量,/>为无瘢痕缺陷的通道特征量。
10.根据权利要求9所述的显示器瘢痕缺陷检测方法,其特征在于,所述S4中计算显示器瘢痕缺陷程度的公式为:
其中,为显示器瘢痕缺陷程度,/>为R通道缺陷值,/>为G通道缺陷值,/>为B通道缺陷值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311559341.8A CN117274263B (zh) | 2023-11-22 | 2023-11-22 | 一种显示器瘢痕缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311559341.8A CN117274263B (zh) | 2023-11-22 | 2023-11-22 | 一种显示器瘢痕缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274263A true CN117274263A (zh) | 2023-12-22 |
CN117274263B CN117274263B (zh) | 2024-01-26 |
Family
ID=89218153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311559341.8A Active CN117274263B (zh) | 2023-11-22 | 2023-11-22 | 一种显示器瘢痕缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274263B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629370A (zh) * | 2018-04-28 | 2018-10-09 | 广东工业大学 | 一种基于深度置信网络的分类识别算法及装置 |
CN109376792A (zh) * | 2018-11-07 | 2019-02-22 | 河北工业大学 | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 |
CN109447977A (zh) * | 2018-11-02 | 2019-03-08 | 河北工业大学 | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 |
CN110146509A (zh) * | 2019-05-07 | 2019-08-20 | 无锡先导智能装备股份有限公司 | 电池检测方法及电池检测设备 |
CN112070751A (zh) * | 2020-09-10 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 木地板缺陷检测方法和装置 |
CN112085735A (zh) * | 2020-09-28 | 2020-12-15 | 西安交通大学 | 一种基于自适应锚框的铝材质图像缺陷检测方法 |
CN112767339A (zh) * | 2021-01-13 | 2021-05-07 | 哈尔滨工业大学 | 一种基于视觉注意模型的表面缺陷检测方法 |
CN112791989A (zh) * | 2021-03-29 | 2021-05-14 | 常州三点零智能制造有限公司 | 一种车牌自动检测方法及其装置 |
CN113066079A (zh) * | 2021-04-19 | 2021-07-02 | 北京滴普科技有限公司 | 木材缺陷自动检测方法、***及其存储介质 |
CN113744252A (zh) * | 2021-09-07 | 2021-12-03 | 全芯智造技术有限公司 | 用于标记和检测缺陷的方法、设备、存储介质和程序产品 |
CN113807318A (zh) * | 2021-10-11 | 2021-12-17 | 南京信息工程大学 | 一种基于双流卷积神经网络和双向gru的动作识别方法 |
CN114663346A (zh) * | 2022-01-30 | 2022-06-24 | 河北工业大学 | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 |
CN114820582A (zh) * | 2022-05-27 | 2022-07-29 | 北京工业大学 | 一种基于混合注意力形变卷积神经网络的手机表面缺陷精准分级方法 |
CN114820521A (zh) * | 2022-04-27 | 2022-07-29 | 电子科技大学 | 一种显示屏复杂画面的缺陷检测方法 |
US20230125477A1 (en) * | 2021-10-26 | 2023-04-27 | Nvidia Corporation | Defect detection using one or more neural networks |
CN116797580A (zh) * | 2023-06-28 | 2023-09-22 | 广西大学 | 一种基于改进yolox的列车车体焊接质量检测方法 |
-
2023
- 2023-11-22 CN CN202311559341.8A patent/CN117274263B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629370A (zh) * | 2018-04-28 | 2018-10-09 | 广东工业大学 | 一种基于深度置信网络的分类识别算法及装置 |
CN109447977A (zh) * | 2018-11-02 | 2019-03-08 | 河北工业大学 | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 |
CN109376792A (zh) * | 2018-11-07 | 2019-02-22 | 河北工业大学 | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 |
CN110146509A (zh) * | 2019-05-07 | 2019-08-20 | 无锡先导智能装备股份有限公司 | 电池检测方法及电池检测设备 |
CN112070751A (zh) * | 2020-09-10 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 木地板缺陷检测方法和装置 |
CN112085735A (zh) * | 2020-09-28 | 2020-12-15 | 西安交通大学 | 一种基于自适应锚框的铝材质图像缺陷检测方法 |
CN112767339A (zh) * | 2021-01-13 | 2021-05-07 | 哈尔滨工业大学 | 一种基于视觉注意模型的表面缺陷检测方法 |
CN112791989A (zh) * | 2021-03-29 | 2021-05-14 | 常州三点零智能制造有限公司 | 一种车牌自动检测方法及其装置 |
CN113066079A (zh) * | 2021-04-19 | 2021-07-02 | 北京滴普科技有限公司 | 木材缺陷自动检测方法、***及其存储介质 |
CN113744252A (zh) * | 2021-09-07 | 2021-12-03 | 全芯智造技术有限公司 | 用于标记和检测缺陷的方法、设备、存储介质和程序产品 |
CN113807318A (zh) * | 2021-10-11 | 2021-12-17 | 南京信息工程大学 | 一种基于双流卷积神经网络和双向gru的动作识别方法 |
US20230125477A1 (en) * | 2021-10-26 | 2023-04-27 | Nvidia Corporation | Defect detection using one or more neural networks |
CN114663346A (zh) * | 2022-01-30 | 2022-06-24 | 河北工业大学 | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 |
CN114820521A (zh) * | 2022-04-27 | 2022-07-29 | 电子科技大学 | 一种显示屏复杂画面的缺陷检测方法 |
CN114820582A (zh) * | 2022-05-27 | 2022-07-29 | 北京工业大学 | 一种基于混合注意力形变卷积神经网络的手机表面缺陷精准分级方法 |
CN116797580A (zh) * | 2023-06-28 | 2023-09-22 | 广西大学 | 一种基于改进yolox的列车车体焊接质量检测方法 |
Non-Patent Citations (6)
Title |
---|
WENQIANG XIE等: "Display Line Defect Detection Method Based on Color Feature Fusion", 《MACHINES》, vol. 10, pages 1 - 12 * |
刘佳丽: "基于多尺度特征的太阳能硅片和电池片缺陷检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 03, pages 042 - 3319 * |
刘霞等: "基于改进YOLOv5s的大尺寸导光板缺陷检测", 《计算机***应用》, vol. 32, no. 2, pages 339 - 346 * |
宋威: "基于深度卷积神经网络的手机屏幕缺陷检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 01, pages 136 - 1017 * |
赵博等: "定向识别航拍绝缘子及其缺陷检测方法研究", 《电子测量与仪器学报》, pages 1 - 15 * |
雷娇: "基于相机RGB通道图像融合的手机壳表面缺陷检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 01, pages 136 - 746 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
CN117593651B (zh) * | 2024-01-18 | 2024-04-05 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117274263B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117274263B (zh) | 一种显示器瘢痕缺陷检测方法 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN108711158B (zh) | 基于轮廓拟合和径向分割的指针式仪表图像识别方法 | |
CN103871058B (zh) | 基于压缩采样矩阵分解的红外小目标检测方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN105574533B (zh) | 一种图像特征提取方法和装置 | |
CN116580021B (zh) | 一种环保混凝土降碳制品生产及质量检测方法 | |
CN108648184A (zh) | 一种遥感图像高空卷云的检测方法 | |
CN116758077A (zh) | 一种冲浪板表面平整度在线检测方法及*** | |
CN115797299A (zh) | 一种光学复合膜的缺陷检测方法 | |
CN117475154A (zh) | 一种基于优化Canny边缘检测的仪表图像识别方法及*** | |
CN105718723B (zh) | 一种质谱数据处理中谱峰位置检测方法 | |
CN117115161B (zh) | 一种塑料缺陷检查方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN112232249B (zh) | 一种基于深度特征的遥感图像变化检测方法及装置 | |
CN110866911B (zh) | 表盘缺陷检测方法、装置、图像处理设备及存储介质 | |
CN108460383B (zh) | 基于神经网络与图像分割的图像显著性精化方法 | |
CN108985307B (zh) | 一种基于遥感影像的水体提取方法及*** | |
CN111210876A (zh) | 一种受扰动代谢通路确定方法及*** | |
CN110930393A (zh) | 一种基于机器视觉的芯片料管计数方法、装置及*** | |
CN108010076B (zh) | 一种面向密集工业棒材图像检测的端面外观建模方法 | |
CN109859145A (zh) | 一种基于多级权重相对总变差的图像去纹理方法 | |
CN115965796A (zh) | 一种基于图像识别的金属锈蚀检测方法及*** | |
CN109241147B (zh) | 一种用于评估统计值变异性的方法 | |
CN111968136A (zh) | 一种煤岩显微图像分析方法及分析*** |
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 |