CN113393426B - 一种轧钢板表面缺陷检测方法 - Google Patents
一种轧钢板表面缺陷检测方法 Download PDFInfo
- Publication number
- CN113393426B CN113393426B CN202110564536.6A CN202110564536A CN113393426B CN 113393426 B CN113393426 B CN 113393426B CN 202110564536 A CN202110564536 A CN 202110564536A CN 113393426 B CN113393426 B CN 113393426B
- Authority
- CN
- China
- Prior art keywords
- defect
- point cloud
- steel rolling
- rolling plate
- convolutional neural
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 102
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 63
- 239000010959 steel Substances 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000005096 rolling process Methods 0.000 title claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 10
- 230000002950 deficient Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种轧钢板表面缺陷检测方法，涉及轧钢板缺陷检测技术领域。该检测方法将高精度线阵扫描相机采集轧钢板表面的二维图像输入Mask R‑CNN的卷积神经网络检测模型中进行识别，得到图像上的缺陷类别和缺陷区域；将轧钢板表面的轮廓点云数据通过主成分分析法和RANSAC平面拟合算法识别缺陷点，并将缺陷点进行欧式聚类，获得轧钢板表面的缺陷定位；最后将识别出的二维图像的缺陷区域和缺陷定位的交集作为最终的缺陷位置。本发明的轧钢板表面缺陷检测方法降低了人工成本，并提高了缺陷检测的精度。
Description
技术领域
本发明涉及轧钢板缺陷检测技术领域，具体地涉及一种轧钢板表面缺陷检测方法。
背景技术
针对以往的钢板表面质量检查完全依赖于人工经验进行检测，人工劳动强度大、工作环境差、时效性和准确性差等问题，急需一种检测手段或设备替代人工检测，提升钢板坯表面质量检测的准确性与精度，大大降低人员劳动强度与成本的同时提升生产质量，推动钢板坯生产检测的自动化、智能化发展，促进生产质量与效率的提升。
近几年，基于视觉的检测技术与设备逐渐成为工业生产中缺陷检测的有效途径，在汽车制造、航空航天、机床加工等领域得到广泛应用，利用视觉检测技术替代现有的人工钢板缺陷检测是一种经济可行的方法。
发明内容
针对现有技术中存在的问题，本发明提供了一种轧钢板表面缺陷检测方法。该方法通过对轧钢板表面的二维图像和轮廓点云数据进行分析，最终获得轧钢板表面的缺陷位置，该方法提高了轧钢板表面缺陷的检测效率与检测精度。
为了实现上述目的，本发明采用如下技术方案：一种轧钢板表面缺陷检测方法，具体包括如下步骤：
(1)通过高精度线阵扫描相机采集轧钢板表面的二维图像，并通过高精度线激光扫描设备对轧钢板表面进行扫描，获取轮廓点云数据；
(2)将步骤(1)采集的二维图像进行图像去噪及直方图均衡化处理，得到预处理数据；
(3)构建Mask R-CNN的卷积神经网络检测模型，并对Mask R-CNN的卷积神经网络检测模型进行训练，将步骤(2)得到的预处理数据输入训练好的Mask R-CNN的卷积神经网络检测模型中，识别二维图像上的缺陷类别和缺陷区域；
(4)将步骤(1)获取的轮廓点云数据通过主成分分析法和RANSAC平面拟合算法识别缺陷点，并将缺陷点进行欧式聚类，获得轧钢板表面的缺陷定位；
(5)将步骤(3)识别出的二维图像的缺陷区域和步骤(4)获得的缺陷定位的交集作为最终的缺陷位置。
进一步地，所述Mask R-CNN的卷积神经网络检测模型包括依次连接的ResNet-FPN主干网络、区域建议网络和预测模块；所述ResNet-FPN主干网络用于提取预处理数据中的多尺度特征图像；所述区域建议网络用于提取多尺度特征图像中的感兴趣区域，并通过RoIAlign 层对感兴趣区域进行池化操作，将感兴趣区域转换成固定大小的输出向量；所述预测模块利用全连接层和全卷积层对输出向量进行目标分类、边界框预测和掩码分割。
进一步地，所述Mask R-CNN的卷积神经网络检测模型的训练过程具体为：
(a)收集轧钢板表面的图像，对图像进行图像去噪及直方图均衡化处理后，进行缺陷区域的人工标注，将人工标注的图像构成图像数据集；
(b)将图像数据集输入Mask R-CNN的卷积神经网络检测模型中进行训练，当损失函数 L收敛时，完成对Mask R-CNN的卷积神经网络检测模型的训练。
进一步地，所述人工标注的内容包括缺陷类别标注和缺陷区域标注。
进一步地，所述损失函数L具体为：
L＝Lclass+Lbox+Lmask
其中，Lclass表示目标分类损失函数，Lbox表示边界定位损失函数，Lmask表示掩码分割损失函数。
进一步地，步骤(4)具体包括如下子步骤：
(4.1)采用高精度线激光扫描仪对轧钢板表面进行扫描，获取轮廓点云数据；
(4.2)通过主成分分析法计算每一个轮廓点的法线特征np，与基准法线Z＝(0,0,1) 进行误差比较，将误差E超过阈值的轮廓点记为疑似缺陷点；
(4.3)利用RANSAC平面拟合算法对轮廓点云数据进行平面拟合，去除拟合出的平面模型内的点云，保留剩余点云；
(4.4)将疑似缺陷点和与剩余点云的交集作为缺陷点集合，对缺陷点集合进行欧氏聚类，获得轧钢板表面的缺陷定位。
进一步地，步骤(4.2)中进行误差比较的过程为：
E＝arccos(np·Z)
进一步地，步骤(4.3)的过程具体为：
(A)随机选择轮廓点云数据中的三个点，拟合成一个平面模型；
(B)计算所有轮廓点云数据到拟合的平面模型的距离，并将距离小于阈值的轮廓点云数进行统计；
(C)重复步骤(A)-(B)直至所有的点云轮廓数据均拟合过平面模型，将距离小于阈值的轮廓点云数最多的平面模型作为最终的平面模型，去除拟合出的平面模型内的点云，保留剩余点云。
与现有技术相比，本发明具有以下有益效果：本发明通过高精度线阵扫描相机和高精度线激光扫描设备对轧钢板表面进行缺陷检测，一方面，利用Mask R-CNN的卷积神经网络检测模型对相机获取的二维图像中的缺陷进行自动识别与定位，有效提高了轧钢板表面缺陷检测的效率和精度，另一方面，结合主成分分析法和RANSAC平面拟合算法对激光扫描设备获取的轮廓点云数据进行缺陷位置判别，保障了轧钢板表面缺陷检测的鲁棒性和实时性，最后综合二维图像和点云数据中识别出的缺陷区域，将二者交集作为最终的缺陷位置，进一步提升轧钢板表面缺陷的定位准确性。本发明轧钢板表面缺陷检测方法能够实现实时在线检测，时效性好、检测精度高、检测效率高。
附图说明
图1为本发明轧钢板表面缺陷检测方法的流程图；
图2为本发明中对采集的轧钢板表面的二维图像进行缺陷检测的示意图；
图3为本发明中的Mask R-CNN的卷积神经网络检测模型的结构示意图；
图4为本发明中对轧钢板表面扫描的轮廓点云数据进行缺陷检测的示意图。
具体实施方式
下面结合附图对本发明的技术方案作详细说明。
如图1为本发明轧钢板表面缺陷检测方法的流程图，该方法具体包括如下步骤：
(1)通过高精度线阵扫描相机采集轧钢板表面的二维图像，并通过高精度线激光扫描设备对轧钢板表面进行扫描，获取轮廓点云数据；可以通过轧钢板表面的二维图像和轮廓点云数据共同进行轧钢板表面缺陷检测分析，提高缺陷检测的精确度。
(2)将步骤(1)采集的二维图像进行图像去噪及直方图均衡化处理，得到预处理数据；本发明中采用的图像去噪方法为双边滤波处理，双边滤波不仅考虑到图像像素点的空间位置关系，同时还考虑到不同像素点之间的像素值相似度，因此可以在进行去除噪声的同时很好地保留图像的边缘特征。
(3)本发明通过构建Mask R-CNN的卷积神经网络检测模型，并对Mask R-CNN的卷积神经网络检测模型进行训练，将步骤(2)得到的预处理数据输入训练好的Mask R-CNN的卷积神经网络检测模型中，识别二维图像上的缺陷类别和缺陷区域。如图2为本发明中对采集的轧钢板表面的二维图像进行缺陷检测的示意图，Mask R-CNN模型不仅能够实现缺陷分类和定位，同时还能够对缺陷区域进行像素级分割。
如图3，本发明中所采用的Mask R-CNN的卷积神经网络检测模型包括依次连接的ResNet-FPN主干网络、区域建议网络RPN和预测模块；ResNet-FPN主干网络用于提取预处理数据中的多尺度特征图像，ResNet-FPN主干网络由深度残差网络ResNet、特征金字塔网络FPN和反向侧边连接组成，首先通过深度残差网络ResNet第i阶段卷积层提取出多尺度特征图像Ci(1≤i≤5)，然后在特征金字塔网络FPN中将特征图C5复制为P5，即P5＝C5，由多尺度特征图像Ci(1≤i≤4)及特征金字塔网络FPN中生成的特征图Pj+1(j＝i)经过侧边连接生成的第i阶段的特征图Pi(2≤i≤5)，其中P5＝C5，P6由P5经步长为2的3×3卷积得到。在本发明中添加的反向侧边连接中将P2复制为N2，即N2＝P2，将反向侧边连接中生成的特征图 Nl(2≤l≤5)经步长为2的3×3卷积，得到与Pj+1(2≤j≤5)相同尺寸的特征图后与 Pj+1(2≤j≤5)进行相加，得到融合特征图Nl+1(2≤l≤5)，所有的卷积操作的卷积核数量均为256。区域建议网络RPN用于提取多尺度特征图像中的感兴趣区域RoI，并通过RoIAlign层对感兴趣区域RoI进行池化操作，将感兴趣区域RoI转换成固定大小的输出向量；预测模块利用全连接层FC和全卷积层FCN对输出向量进行目标分类、边界框定位和掩码分割，有效提升目标检测和分割效率。
本发明中Mask R-CNN的卷积神经网络检测模型的训练过程具体为：
(a)收集轧钢板表面的图像，对图像进行图像去噪及直方图均衡化处理后，进行缺陷区域的人工标注，将人工标注的图像构成图像数据集；人工标注的内容包括缺陷类别标注和缺陷区域标注。
(b)将图像数据集输入Mask R-CNN的卷积神经网络检测模型中进行训练，当损失函数 L收敛时，完成对Mask R-CNN的卷积神经网络检测模型的训练。
本发明中所采用的损失函数具体为：
L＝Lclass+Lbox+Lmask
其中，Lclass表示目标分类损失函数，Lbox表示边界框预测损失函数，Lmask表示掩码分割损失函数，Ncls用于归一化Lclass项，pi表示第i个锚框被预测为前景目标的概率，表示第i 个anchor的真实分类值，λ表示平衡参数，Nreg用于归一化Lbox项，Lreg表示回归损失项，ti表示目标边界框的预测坐标，表示与正样本锚框相关的目标真实坐标，smoothL1()表示Fast R- CNN中定义的smooth L1损失函数，m表示感兴趣区域RoI的大小，yij表示像素点(i，j)的预测掩码值，k表示感兴趣区域RoI的所属分类，表示像素点(i，j)在第k种类别上的真实掩码值。目标分类损失、边界框预测损失和掩码分割损失共同组成Mask R-CNN的卷积神经网络检测模型的多任务损失，监督模型自动、高效地学习图像数据中的有效信息，有效提高缺陷检测精度。
(4)将步骤(1)获取的轮廓点云数据通过主成分分析法和RANSAC平面拟合算法识别缺陷点，并将缺陷点进行欧式聚类，获得轧钢板表面的缺陷定位；具体包括如下子步骤：
(4.1)采用高精度线激光扫描仪对轧钢板表面进行扫描，获取轮廓点云数据；
(4.2)通过主成分分析法计算每一个轮廓点的法线特征np，与基准法线Z＝(0,0,1) 进行误差比较，将误差E超过阈值的轮廓点记为疑似缺陷点；
E＝arccos(np·Z)
(4.3)利用RANSAC平面拟合算法对轮廓点云数据进行平面拟合，去除拟合出的平面模型内的点云，保留剩余点云；具体过程为：
(A)随机选择轮廓点云数据中的三个点，拟合成一个平面模型；
(B)计算所有轮廓点云数据到拟合的平面模型的距离，并将距离小于阈值的轮廓点云数进行统计；
(C)重复步骤(A)-(B)直至所有的点云轮廓数据均拟合过平面模型，将距离小于阈值的轮廓点云数最多的平面模型作为最终的平面模型，去除拟合出的平面模型内的点云，保留剩余点云。
(4.4)将疑似缺陷点和与剩余点云的交集作为缺陷点集合，对缺陷点集合进行欧氏聚类，获得轧钢板表面的缺陷定位。
如图4为本发明中对轧钢板表面扫描的轮廓点云数据进行缺陷检测的示意图，通过主成分分析法提取出点云数据中的疑似缺陷点，同时采用RANSAC平面拟合算法提取出非平面内的剩余点云，接着选取疑似缺陷点和剩余点云的交集作为最终的缺陷点集合，从而有效降低算法的误检率，提高算法鲁棒性。
(5)将步骤(3)识别出的二维图像的缺陷区域和步骤(4)获得的缺陷定位的交集作为最终的缺陷位置。一方面，利用卷积神经网络检测模型对相机获取的二维图像中的缺陷进行自动识别与定位，有效提高了轧钢板表面缺陷检测的效率和精度，另一方面，结合主成分分析法和RANSAC平面拟合算法对激光扫描设备获取的轮廓点云数据进行缺陷位置判别，保障了轧钢板表面缺陷检测的鲁棒性和实时性，最后综合二维图像和点云数据中识别出的缺陷区域，将二者交集作为最终的缺陷位置，进一步提升轧钢板表面缺陷的定位准确性。
将本发明的轧钢板表面缺陷检测方法用于100片轧钢板表面缺陷检测，其缺陷检测精确度达到88.5％以上，因此，本发明的能够实现轧钢板表面缺陷的精准定位，并能够提高工作效率。
以上应说明的是，本发明不受上述具体实施方式的限制，对于本领域的技术人员来说，可以在前述的技术方案上进行相似的改进、替换等操作，这些也应包含在本发明的保护范围之内。
Claims (7)
1.一种轧钢板表面缺陷检测方法，其特征在于，具体包括如下步骤：
(1)通过高精度线阵扫描相机采集轧钢板表面的二维图像，并通过高精度线激光扫描设备对轧钢板表面进行扫描，获取轮廓点云数据；
(2)将步骤(1)采集的二维图像进行图像去噪及直方图均衡化处理，得到预处理数据；
(3)构建MaskR-CNN的卷积神经网络检测模型，并对MaskR-CNN的卷积神经网络检测模型进行训练，将步骤(2)得到的预处理数据输入训练好的MaskR-CNN的卷积神经网络检测模型中，识别二维图像上的缺陷类别和缺陷区域；
(4)将步骤(1)获取的轮廓点云数据通过主成分分析法和RANSAC平面拟合算法识别缺陷点，并将缺陷点进行欧式聚类，获得轧钢板表面的缺陷定位；具体包括如下子步骤：
(4.1)采用高精度线激光扫描仪对轧钢板表面进行扫描，获取轮廓点云数据；
(4.2)通过主成分分析法计算每一个轮廓点的法线特征np，与基准法线Z＝(0,0,1)进行误差比较，将误差E超过阈值的轮廓点记为疑似缺陷点；
(4.3)利用RANSAC平面拟合算法对轮廓点云数据进行平面拟合，去除拟合出的平面模型内的点云，保留剩余点云；
(4.4)将疑似缺陷点和与剩余点云的交集作为缺陷点集合，对缺陷点集合进行欧氏聚类，获得轧钢板表面的缺陷定位；
(5)将步骤(3)识别出的二维图像的缺陷区域和步骤(4)获得的缺陷定位的交集作为最终的缺陷位置。
2.根据权利要求1所述轧钢板表面缺陷检测方法，其特征在于，所述MaskR-CNN的卷积神经网络检测模型包括依次连接的ResNet-FPN主干网络、区域建议网络和预测模块；所述ResNet-FPN主干网络用于提取预处理数据中的多尺度特征图像；所述区域建议网络用于提取多尺度特征图像中的感兴趣区域，并通过RoIAlign层对感兴趣区域进行池化操作，将感兴趣区域转换成固定大小的输出向量；所述预测模块利用全连接层和全卷积层对输出向量进行目标分类、边界框预测和掩码分割。
3.根据权利要求2所述轧钢板表面缺陷检测方法，其特征在于，所述MaskR-CNN的卷积神经网络检测模型的训练过程具体为：
(a)收集轧钢板表面的图像，对图像进行图像去噪及直方图均衡化处理后，进行缺陷区域的人工标注，将人工标注的图像构成图像数据集；
(b)将图像数据集输入MaskR-CNN的卷积神经网络检测模型中进行训练，当损失函数L收敛时，完成对Mask R-CNN的卷积神经网络检测模型的训练。
4.根据权利要求3所述轧钢板表面缺陷检测方法，其特征在于，所述人工标注的内容包括缺陷类别标注和缺陷区域标注。
5.根据权利要求3所述轧钢板表面缺陷检测方法，其特征在于，所述损失函数L具体为：
L＝Lclass+Lbox+Lmask
其中，Lclass表示目标分类损失函数，Lbox表示边界定位损失函数，Lmask表示掩码分割损失函数。
6.根据权利要求1所述轧钢板表面缺陷检测方法，其特征在于，步骤(4.2)中进行误差比较的过程为：
E＝arccos(np·Z)。
7.根据权利要求1所述轧钢板表面缺陷检测方法，其特征在于，步骤(4.3)的过程具体为：
(A)随机选择轮廓点云数据中的三个点，拟合成一个平面模型；
(B)计算所有轮廓点云数据到拟合的平面模型的距离，并将距离小于阈值的轮廓点云数进行统计；
(C)重复步骤(A)-(B)直至所有的点云轮廓数据均拟合过平面模型，将距离小于阈值的轮廓点云数最多的平面模型作为最终的平面模型，去除拟合出的平面模型内的点云，保留剩余点云。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110564536.6A CN113393426B (zh) | 2021-05-24 | 2021-05-24 | 一种轧钢板表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110564536.6A CN113393426B (zh) | 2021-05-24 | 2021-05-24 | 一种轧钢板表面缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113393426A CN113393426A (zh) | 2021-09-14 |
| CN113393426B true CN113393426B (zh) | 2024-09-17 |
Family
ID=77619030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110564536.6A Active CN113393426B (zh) | 2021-05-24 | 2021-05-24 | 一种轧钢板表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113393426B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592862A (zh) * | 2021-09-27 | 2021-11-02 | 武汉科技大学 | 钢板表面缺陷的点云数据分割方法、系统、设备、介质 |
| CN115953453B (zh) * | 2023-03-03 | 2023-08-15 | 国网吉林省电力有限公司信息通信公司 | 基于图像错位分析和北斗卫星的变电站地质形变监测方法 |
| CN117237361B (zh) * | 2023-11-15 | 2024-02-02 | 苏州拓坤光电科技有限公司 | 基于驻留时间算法的研磨控制方法及系统 |
| CN117237360B (zh) * | 2023-11-15 | 2024-03-01 | 宁德思客琦智能装备有限公司 | 一种基于3d视觉的铸件毛刺检测方法和系统 |
| CN117853482B (zh) * | 2024-03-05 | 2024-05-07 | 武汉软件工程职业学院(武汉开放大学) | 一种基于多尺度的复合材料缺陷检测方法和设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104020177A (zh) * | 2014-06-26 | 2014-09-03 | 重庆大学 | 连铸坯表面缺陷双ccd扫描成像检测方法 |
| CN110310262A (zh) * | 2019-06-19 | 2019-10-08 | 上海理工大学 | 一种用于检测轮胎缺陷的方法、装置及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232675B (zh) * | 2019-03-28 | 2022-11-11 | 昆明理工大学 | 一种工业环境下的纹理表面缺陷检测与分割装置及方法 |
| JP7168962B2 (ja) * | 2019-10-07 | 2022-11-10 | 株式会社神戸製鋼所 | 基板表面欠陥検査方法 |
| CN111080627B (zh) * | 2019-12-20 | 2021-01-05 | 南京航空航天大学 | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 |
-
2021
- 2021-05-24 CN CN202110564536.6A patent/CN113393426B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104020177A (zh) * | 2014-06-26 | 2014-09-03 | 重庆大学 | 连铸坯表面缺陷双ccd扫描成像检测方法 |
| CN110310262A (zh) * | 2019-06-19 | 2019-10-08 | 上海理工大学 | 一种用于检测轮胎缺陷的方法、装置及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于点云数据的钢板表面缺陷三维检测方法研究;赵畅;中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑;20210215(第2021年第02期);第32-34页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113393426A (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113393426B (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN110175982B (zh) | 一种基于目标检测的缺陷检测方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN113658132B (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
| CN111292305A (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
| CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
| CN110033431B (zh) | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 | |
| CN113240623B (zh) | 一种路面病害检测方法及装置 | |
| CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
| CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
| CN113538503A (zh) | 一种基于红外图像的太阳能板缺陷检测方法 | |
| CN111523540A (zh) | 基于深度学习的金属表面缺陷检测方法 | |
| CN112419237B (zh) | 一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法 | |
| CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
| CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
| CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
| CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
| CN113870202A (zh) | 一种基于深度学习技术的远端芯片缺陷检测系统 | |
| CN111950409A (zh) | 一种道路标记线智能识别方法及系统 | |
| CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
| CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
| CN115393290B (zh) | 边缘缺陷检测方法、装置及设备 | |
| CN112862771A (zh) | 一种基于深度学习的飞机发动机叶片缺陷识别诊断系统及方法 | |
| CN114120318B (zh) | 一种基于集成决策树的暗场图像目标点精确提取方法 | |
| CN115620279A (zh) | 基于计算机视觉的豆荚表型分析方法、系统及装置 |
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 |