色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

工業(yè)缺陷檢測場景簡介

新機(jī)器視覺 ? 來源:新機(jī)器視覺 ? 2023-02-17 10:21 ? 次閱讀


																

目錄

  • 工業(yè)缺陷檢測場景簡介
  • 工業(yè)缺陷檢測場景的特點(diǎn)
  • 工業(yè)缺陷檢測場景的需求
  • 工業(yè)缺陷檢測場景的流程圖
  • 工業(yè)缺陷檢測常用的深度學(xué)習(xí)算法
  • 缺陷檢測需要的工具

工業(yè)缺陷檢測場景簡介

在工業(yè)生產(chǎn)過程中,由于現(xiàn)有技術(shù)、工作條件等因素的不足和局限性,極易影響制成品的質(zhì)量。其中,表面缺陷是產(chǎn)品質(zhì)量受到影響的最直觀表現(xiàn)。因此,為了保證合格率和可靠的質(zhì)量,必須進(jìn)行產(chǎn)品表面缺陷檢測。

“缺陷”一般可以理解為與正常樣品相比的缺失、缺陷或面積。表面缺陷檢測是指檢測樣品表面的劃痕、缺陷、異物遮擋、顏色污染、孔洞等缺陷,從而獲得被測樣品表面缺陷的類別、輪廓、位置、大小等一系列相關(guān)信息。人工缺陷檢測曾經(jīng)是主流方法,但這種方法效率低下;檢測結(jié)果容易受人為主觀因素的影響,不能滿足實(shí)時(shí)檢測的要求。它已逐漸被其他方法所取代。

工業(yè)缺陷檢測場景的特點(diǎn)

自然場景一般是強(qiáng)語義信息,缺陷檢測一般為弱語義信息。缺陷檢測不需要特別大的感受野,一般為紋路上的缺陷,局部區(qū)域就可以判別。工業(yè)場景有以下幾個(gè)特點(diǎn):

  • 業(yè)務(wù)場景過于分散:缺陷檢測場景還是非常分散的,難以歸納。
  • 受限、可控:有比較大的人工干預(yù)空間。例如可以利用一些光學(xué)機(jī)械結(jié)構(gòu)等設(shè)計(jì)降低場景的復(fù)雜,使得我們面臨的場景更加純粹。
  • 一般面臨的目標(biāo)比較微弱:這個(gè)與目標(biāo)缺陷的形態(tài)、顏色等有關(guān)。有時(shí)還會(huì)有一些例如黑色紋理上的黑色缺陷,強(qiáng)烈吃視角的缺陷等;
  • 需求不太明確:很多時(shí)候做不到非黑即白的“一刀切。其實(shí)仔細(xì)思考,并不是客戶給不出明確的需求,而是場景和數(shù)據(jù)本身的固有屬性,需求在執(zhí)行的時(shí)候很難做到一致性。
  • 精度指標(biāo)要求比較高:動(dòng)輒 100% 還是比較夸張的。一般 1 個(gè)點(diǎn)的漏撿,2 到 3 個(gè)點(diǎn)的誤檢算是比較理想的結(jié)果了。

工業(yè)缺陷檢測場景的需求

根據(jù)工業(yè)缺陷檢測場景的固有屬性。針對(duì)該場景,主要有以下幾點(diǎn)需求:

  • 需求一:能夠正確判別出 NG(Not Good) 和 OK,本質(zhì)是一個(gè)分類任務(wù):這個(gè)是最基礎(chǔ)的任務(wù),可以認(rèn)為是二分類任務(wù);
  • 需求二:定位缺陷的位置和缺陷的類別,本質(zhì)是一個(gè)目標(biāo)檢測的任務(wù): 用矩形框粗略地標(biāo)記出缺陷的位置,并判別出每個(gè)缺陷所屬的細(xì)分類別,方便歸因分析、指標(biāo)統(tǒng)計(jì)、設(shè)備升級(jí)、維修等;
  • 需求三:定位缺陷的精確位置和每一個(gè)缺陷的類別,本質(zhì)是稠密預(yù)測,屬于圖像分割任務(wù):能夠精確得到缺陷的輪廓,需要產(chǎn)出缺陷的熱力圖;一般對(duì)應(yīng)的上層任務(wù)有缺陷分級(jí)、需求定制或變更。
60577cfa-ae60-11ed-bfe3-dac502259ad0.png
  • 需求四:只有大量的正常樣本,設(shè)計(jì)算法進(jìn)行缺陷檢測,本質(zhì)是無監(jiān)督學(xué)習(xí)算法:只提供一些正常樣本,希望模型在僅有的正常樣本上訓(xùn)練后,能夠檢測出實(shí)際生產(chǎn)環(huán)境中異常缺陷的樣本。

工業(yè)缺陷檢測場景的流程圖

工業(yè)缺陷檢測整個(gè)流程如下圖所示,一共經(jīng)過7個(gè)階段,分別是:明確需求階段、打光階段、數(shù)據(jù)階段、算法設(shè)計(jì)階段、部署階段、運(yùn)維階段。

6095bb00-ae60-11ed-bfe3-dac502259ad0.png

工業(yè)缺陷檢測常用的深度學(xué)習(xí)算法

我們能用到的深度學(xué)習(xí)算法很多,有分類、檢測、分割系列,例如分類算法中的細(xì)粒度分類,可以更加精準(zhǔn)的提取微弱的特征,細(xì)粒度算法一般會(huì)用到打亂和注意力機(jī)制,對(duì)紋理上的缺陷識(shí)別會(huì)更優(yōu)一點(diǎn)。

另外,應(yīng)用語義分割任務(wù)做缺陷檢測,其實(shí)缺陷檢測并不局限語義分割,它更像提取一張高斯熱圖,有缺陷的地方概率高,背景區(qū)域概率低。因此有一些熱圖回歸的做法也可以應(yīng)用。

除了監(jiān)督學(xué)習(xí)算法,在應(yīng)對(duì)缺少缺陷樣本的場景中,我們還可以選擇無監(jiān)督學(xué)習(xí)方案。

深度學(xué)習(xí)的快速發(fā)展使其在缺陷檢測領(lǐng)域得到越來越廣泛的應(yīng)用,具體的缺陷檢測方法如圖所示。

60bd18bc-ae60-11ed-bfe3-dac502259ad0.png

監(jiān)督方法

監(jiān)督方法要求訓(xùn)練集和測試集缺一不可,訓(xùn)練集中的樣本必須被標(biāo)記,其中訓(xùn)練集用于尋找樣本的內(nèi)在規(guī)律,然后將規(guī)律應(yīng)用到測試集。

在上述有監(jiān)督的表面缺陷檢測方法中,基于表征學(xué)習(xí)的方法大致可以分為三類:分類網(wǎng)絡(luò)、檢測網(wǎng)絡(luò)和分割網(wǎng)絡(luò)。其中,常用的分類網(wǎng)絡(luò)是 Resnet、ShuffleNet;通常用作檢測網(wǎng)絡(luò)的是 Faster RCNN、YOLO;常用的分割網(wǎng)絡(luò)有:FCN、Mask RCNN 等。

在缺陷檢測的任務(wù)中,分類網(wǎng)絡(luò)的重點(diǎn)是解決“缺陷是什么”問題,即確定圖像的類型(圖像是否包含缺陷,缺陷的類型是什么);檢測網(wǎng)絡(luò)的重點(diǎn)是解決“缺陷在哪里”的問題,即獲取具體的位置信息和通過確定缺陷的位置來確定缺陷的類別信息;分割網(wǎng)絡(luò)的焦點(diǎn)是為了解決“有多少缺陷”的問題,即分割從背景中修正缺陷區(qū)域,獲取位置、類別、屬性和缺陷的其他信息。

  • ShuffleNet ShuffleNet 是一種計(jì)算效率高的輕量級(jí)網(wǎng)絡(luò),它采用了逐點(diǎn)組卷積和通道 shuffle 兩種新方法來保證計(jì)算精度并有效降低計(jì)算成本

  • Faster RCNN Faster RCNN 是在 Fast RCNN 的基礎(chǔ)上引入了區(qū)域提議網(wǎng)絡(luò)(RPN),將生成區(qū)域推薦的步驟放入神經(jīng)網(wǎng)絡(luò)中,在端到端的學(xué)習(xí)模式下實(shí)現(xiàn)了幾乎無成本的區(qū)域推薦算法,極大地提高了目標(biāo)檢測的速度,還提到了滑動(dòng)窗口方法。

  • 全卷積網(wǎng)絡(luò) 在 FCN 中,一種端到端的圖像分割方法,網(wǎng)絡(luò)中的所有層都是卷積層;網(wǎng)絡(luò)主要使用三種技術(shù):卷積、上采樣和跳過層;可以通過讓網(wǎng)絡(luò)做像素級(jí)預(yù)測直接得到標(biāo)簽圖。核心思想之一是反卷積層,增加了數(shù)據(jù)規(guī)模,從而可以輸出準(zhǔn)確的結(jié)果。

  • Mask RCNN Mask RCNN 是 Faster RCNN 的一種擴(kuò)展形式,它為兩階段框架網(wǎng)絡(luò)集成了目標(biāo)檢測和實(shí)例分割功能:第一階段掃描圖像并生成候選框(建議框可能包含目標(biāo)區(qū)域),第二階段分類候選框并生成邊界框和掩碼。

  • YOLO YOLO (You Only Look Once)是一種單級(jí)目標(biāo)檢測器,用于實(shí)現(xiàn)兩個(gè)目標(biāo)(即速度和準(zhǔn)確性)。它將對(duì)象檢測定義為一個(gè)回歸問題,圖像輸入卷積神經(jīng)網(wǎng)絡(luò),并預(yù)測每個(gè)網(wǎng)格的類概率和邊界框。

無監(jiān)督方法

  • Autoencoder 編碼器和解碼器是自編碼器的兩個(gè)核心部分。其中,encoder 對(duì)應(yīng)網(wǎng)絡(luò)模型中的隱藏層,用于學(xué)習(xí)輸入信號(hào)的低維特征;解碼器對(duì)應(yīng)模型中的輸出層,用于盡可能地再現(xiàn)輸入信號(hào)。因此,使編碼器能夠?qū)W習(xí)輸入信號(hào)良好的低維特征并重構(gòu)輸入信號(hào)是自編碼器的最終目標(biāo)。

  • 生成對(duì)抗網(wǎng)絡(luò) 生成對(duì)抗網(wǎng)絡(luò)由兩個(gè)參與者組成:生成器和鑒別器。生成器用于獲取樣本數(shù)據(jù)的分布,鑒別器用于估計(jì)樣本訓(xùn)練數(shù)據(jù)的概率。該模型的最終目標(biāo)是學(xué)習(xí)真實(shí)數(shù)據(jù)的內(nèi)在規(guī)律,預(yù)測和估計(jì)真實(shí)數(shù)據(jù)的分布或密度,并根據(jù)學(xué)到的知識(shí)生成新的數(shù)據(jù),即生成對(duì)抗網(wǎng)絡(luò)制造數(shù)據(jù)。

  • 深度信念網(wǎng)絡(luò) 深度信念網(wǎng)絡(luò)由多個(gè)RBM(受限玻爾茲曼機(jī))組成,整個(gè)網(wǎng)絡(luò)的訓(xùn)練是通過逐層單獨(dú)訓(xùn)練 RBM 來完成的。

缺陷檢測需要的工具

缺陷檢測落地需要非常多的工具支撐:

  • 圖像采集:相機(jī)、運(yùn)動(dòng)設(shè)備、光學(xué)控制;
  • 數(shù)據(jù)托管:服務(wù)器、數(shù)據(jù)庫、版本管理、數(shù)據(jù)積累;
  • 數(shù)據(jù)處理:圖像分析、定位、裁剪;
  • 數(shù)據(jù)標(biāo)注:適配各種任務(wù)、半自動(dòng)標(biāo)注;
  • 數(shù)據(jù)清洗:半自動(dòng)、交叉驗(yàn)證、一致性分析;
  • 缺陷生成:傳統(tǒng)方法、融合、GAN;
  • 訓(xùn)練框架:分類、分割、檢測、熱圖回歸等;
  • 測試框架:多模型測試、指標(biāo)統(tǒng)計(jì)、可視化;
  • 部署平臺(tái):模型融合、模型加速、平臺(tái)移植;
  • 前端框架:GUI、數(shù)據(jù)持續(xù)收集、用戶體驗(yàn)。

審核編輯 :李倩


聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報(bào)投訴
  • 算法
    +關(guān)注

    關(guān)注

    23

    文章

    4607

    瀏覽量

    92842
  • 工業(yè)
    +關(guān)注

    關(guān)注

    3

    文章

    1825

    瀏覽量

    46522
  • 深度學(xué)習(xí)
    +關(guān)注

    關(guān)注

    73

    文章

    5500

    瀏覽量

    121113

原文標(biāo)題:工業(yè)缺陷檢測場景簡介

文章出處:【微信號(hào):vision263com,微信公眾號(hào):新機(jī)器視覺】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦

    缺陷檢測工業(yè)生產(chǎn)中的應(yīng)用

    自己開發(fā)出的SVS系列工業(yè)智能軟件在缺陷檢測的具體應(yīng)用“充電器字符缺陷檢測系統(tǒng)”為例為大家說明。檢測
    發(fā)表于 11-18 13:48

    [轉(zhuǎn)]產(chǎn)品表面缺陷檢測

    ` 在工業(yè)制造過程中,總會(huì)有各種生產(chǎn)缺陷。以前大多數(shù)的產(chǎn)品檢測都是用肉眼檢查的,隨著機(jī)器視覺技術(shù)的發(fā)展,使用機(jī)器代替人眼檢測已成為未來的發(fā)展趨勢。機(jī)器視覺
    發(fā)表于 08-07 16:40

    機(jī)器視覺檢測系統(tǒng)在薄膜表面缺陷檢測的應(yīng)用

    工業(yè)半透明薄膜生產(chǎn)提供經(jīng)濟(jì)、簡易、適用的質(zhì)量評(píng)估方法。機(jī)器視覺薄膜表面缺陷檢測原理機(jī)器視覺檢測系統(tǒng)是一個(gè)基于光電圖像采集與分析的自動(dòng)化模塊,由LED光源、鏡頭、CCD
    發(fā)表于 10-30 16:15

    有需要圖像識(shí)別處理,工業(yè)視覺檢測缺陷檢測,故障檢測的可以咨詢聯(lián)系

    有需要圖像識(shí)別處理,工業(yè)視覺檢測缺陷檢測,故障檢測的可以咨詢聯(lián)系
    發(fā)表于 03-02 17:48

    表面檢測市場案例,SMT缺陷檢測

    本帖最后由 我愛方案網(wǎng) 于 2022-11-8 14:29 編輯 工業(yè)產(chǎn)品的表面缺陷對(duì)產(chǎn)品的美感、舒適性和性能都有負(fù)面影響,因此生產(chǎn)企業(yè)對(duì)產(chǎn)品的表面缺陷進(jìn)行及時(shí)的缺陷進(jìn)行檢測,機(jī)
    發(fā)表于 11-08 14:28

    工業(yè)相機(jī):表面缺陷檢測系統(tǒng)的優(yōu)勢

    如今在生產(chǎn)技術(shù)企業(yè)中,為了保障產(chǎn)品的質(zhì)量,在出廠前必須要對(duì)產(chǎn)品進(jìn)行嚴(yán)格的質(zhì)量檢測工作,目前,表面缺陷檢測系統(tǒng)被廣大企業(yè)所應(yīng)用,他的原理主要就是通過工業(yè)相機(jī)來進(jìn)行
    的頭像 發(fā)表于 11-17 16:02 ?2927次閱讀

    基于深度學(xué)習(xí)的工業(yè)缺陷檢測方法

    、質(zhì)量控制等各種生產(chǎn)與運(yùn)維場景中. 本綜述旨在對(duì)工業(yè)缺陷檢測的任務(wù)定義、難點(diǎn)、挑戰(zhàn)、主流方法、公共數(shù)據(jù)集及評(píng)價(jià)指標(biāo)等進(jìn)行全面歸納, 以幫助研究人員快速了解該領(lǐng)域. 具體而言, 本文首先
    的頭像 發(fā)表于 07-30 14:41 ?2718次閱讀

    蔡司工業(yè)CT檢測鑄件缺陷

    蔡司工業(yè)CT自動(dòng)缺陷檢測軟件可以可靠、快速和自動(dòng)地檢測和評(píng)估鑄件中即使是最小的缺陷。機(jī)器學(xué)習(xí)使之成為可能!您的優(yōu)勢:僅需60秒即可進(jìn)行
    的頭像 發(fā)表于 06-07 16:33 ?607次閱讀
    蔡司<b class='flag-5'>工業(yè)</b>CT<b class='flag-5'>檢測</b>鑄件<b class='flag-5'>缺陷</b>

    基于GAN的零缺陷樣本產(chǎn)品表面缺陷檢測

    缺陷檢測工業(yè)生產(chǎn)過程中的關(guān)鍵環(huán)節(jié),其檢測結(jié)果的好壞直接影響著產(chǎn)品的質(zhì)量。而在現(xiàn)實(shí)場景中,但產(chǎn)品瑕疵率非常低,甚至是沒有,
    的頭像 發(fā)表于 06-26 09:49 ?1095次閱讀
    基于GAN的零<b class='flag-5'>缺陷</b>樣本產(chǎn)品表面<b class='flag-5'>缺陷</b><b class='flag-5'>檢測</b>

    工業(yè)CT內(nèi)部缺陷掃描檢測設(shè)備

    工業(yè)CT內(nèi)部缺陷掃描檢測設(shè)備是一種先進(jìn)的非破壞性檢測技術(shù),通過采集物體內(nèi)部的X射線圖像并重構(gòu)三維立體模型,以揭示材料內(nèi)部的結(jié)構(gòu)和特征。它在現(xiàn)代制造業(yè)和科學(xué)研究領(lǐng)域中具有重要地位,是無損
    的頭像 發(fā)表于 08-10 17:13 ?1380次閱讀
    <b class='flag-5'>工業(yè)</b>CT內(nèi)部<b class='flag-5'>缺陷</b>掃描<b class='flag-5'>檢測</b>設(shè)備

    工業(yè)產(chǎn)品表面缺陷檢測方法研究

    制造業(yè)的全面智能化發(fā)展對(duì)工業(yè)產(chǎn)品的質(zhì)量檢測提出了新的要求。本文總結(jié)了機(jī)器學(xué)習(xí)方法在表面缺陷檢測中的研究現(xiàn)狀,表面缺陷
    的頭像 發(fā)表于 08-17 11:23 ?1050次閱讀
    <b class='flag-5'>工業(yè)</b>產(chǎn)品表面<b class='flag-5'>缺陷</b><b class='flag-5'>檢測</b>方法研究

    深度學(xué)習(xí)在工業(yè)缺陷檢測中的應(yīng)用

    工業(yè)制造領(lǐng)域中,產(chǎn)品質(zhì)量的保證是至關(guān)重要的任務(wù)之一。然而,人工的檢測方法不僅費(fèi)時(shí)費(fèi)力,而且容易受到主觀因素的影響,從而降低了檢測的準(zhǔn)確性和一致性。近年來,基于深度學(xué)習(xí)的技術(shù)在工業(yè)
    的頭像 發(fā)表于 10-24 09:29 ?1535次閱讀
    深度學(xué)習(xí)在<b class='flag-5'>工業(yè)</b><b class='flag-5'>缺陷</b><b class='flag-5'>檢測</b>中的應(yīng)用

    工業(yè)視覺缺陷檢測的算法總結(jié)

    缺陷檢測工業(yè)視覺領(lǐng)域非常重要的應(yīng)用之一。幾乎所有的工業(yè)產(chǎn)品在流入市場之前都會(huì)有缺陷檢測的環(huán)節(jié),
    的頭像 發(fā)表于 11-14 11:06 ?1027次閱讀

    描繪未知:數(shù)據(jù)缺乏場景缺陷檢測方案

    了解更多方案細(xì)節(jié),歡迎您訪問官網(wǎng)(Neurocle | 友思特 機(jī)器視覺 光電檢測 ) 導(dǎo)讀 深度學(xué)習(xí)模型幫助工業(yè)生產(chǎn)實(shí)現(xiàn)更加精確的缺陷檢測,但其準(zhǔn)確性可能受制于數(shù)據(jù)樣本的數(shù)量。 友思
    的頭像 發(fā)表于 01-25 10:46 ?563次閱讀
    描繪未知:數(shù)據(jù)缺乏<b class='flag-5'>場景</b>的<b class='flag-5'>缺陷</b><b class='flag-5'>檢測</b>方案

    如何應(yīng)對(duì)工業(yè)缺陷檢測數(shù)據(jù)短缺問題?

    這篇論文介紹了一種文本引導(dǎo)的變分圖像生成方法,旨在解決工業(yè)制造中的異常檢測和分割問題。傳統(tǒng)方法通過訓(xùn)練非缺陷數(shù)據(jù)的分布來進(jìn)行異常檢測,但這需要大量且多樣化的非
    發(fā)表于 03-14 10:15 ?463次閱讀
    如何應(yīng)對(duì)<b class='flag-5'>工業(yè)</b><b class='flag-5'>缺陷</b><b class='flag-5'>檢測</b>數(shù)據(jù)短缺問題?
    主站蜘蛛池模板: 二色AV天堂在线| 精品视频在线播放| 美女挑战50厘米长的黑人| 同居了嫂子在线观看| 99久久蜜臀亚洲AV无码精品| 好姑娘BD高清在线观看免费| 三叶草未满十八岁| 99国产精品偷窥熟女精品视频| 黑人玩弄极品人妻系列| 色多多污网站在线观看| 99久久精品国产免费| 久久精品AV麻豆| 小SAO货叫大声点妓女| 成都电影免费中文高清| 麻豆国产人妻精品无码AV| 亚洲三级在线视频| 国产精品视频一区二区猎奇| 日本高清片免费观看| 99九九精品国产高清自在线| 久久精品黄AA片一区二区三区| 亚洲爆乳少妇精品无码专区| 国产99青草全福视在线| 日本粉嫩学生毛绒绒| videossexotv极度另类| 免费在线视频a| 1973性农场未删减版| 久久精品国产亚洲AV妓女不卡| 亚洲国产第一区二区三区| 国产成人在线播放| 色多多污版app下载网站| 白嫩美女直冒白浆| 欧美一区二区三区久久综| 97色伦亚洲自偷| 毛片在线网址| 24小时日本在线| 猫咪www958ii| 521人成a天堂v| 曼谷av女郎| 韩日美无码精品无码| 亚洲 中文 自拍 无码| 国产精品久久国产三级国不卡顿 |