- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器视觉那些事儿
边缘缺陷检测
原图来自Ihalcon论坛 缺陷如在下图圆框中 ? 首先，阈值分割+形态学处理，将包含边缘部分图像进行抠图 然后使用canny滤波器进行边缘检测 如下图红、绿双线 ? 计算待检测边缘上的点到平滑后边缘的距离，超过一定阈值公差即为缺陷 如下图 ? 缺陷检测关键代码 *选择待检测边缘 select_obj(UnionContours, ObjectSelected, Index) *平滑边缘 smooth_contours_xld :=[] *用于保存缺陷边缘Y坐标 flawPtsY :=[] *得到待检测边缘点坐标 get_contour_xld(ObjectSelected, Row2, Col2) *待检测边缘上点到平滑边缘的距离 tuple_length(Row2, Length) for Index1 := 0 to Length-
2.6K20发布于 2019-06-19 - 来自专栏机器视觉那些事儿
凹坑缺陷检测
原图来自Ihalcon论坛 一个非常小的凹坑位于图中间 - 算法思路 - 利用灰度统计特性进行缺陷检测 原图噪声比较大，进行高斯滤波 计算灰度统计特性 intensity (ImageGauss, ImageGauss, Mean, Deviation) 利用灰度统计特性，检测亮缺陷 亮缺陷检测代码如下 *亮缺陷 threshold(ImageGauss, LightRegion, Mean + Radius2 - max(Radius2) + 0.001), 1, Indices) select_obj (ConnectedRegions, ObjectSelected, Indices +1) 检测暗缺陷 检测暗缺陷代码 *暗缺陷 threshold(ImageGauss, DarkRegion, 0, Mean - 1.5*Deviation) fill_up (DarkRegion, RegionFillUp , 0, 5) 合并缺陷
2K20发布于 2019-06-24 - 来自专栏OpenCV与AI深度学习
Halcon缺陷检测实例转OpenCV实现(六) 瓶口缺陷检测
本期文章继续介绍缺陷检测专题的第六个案例，用OpenCV实现Halcon中一个瓶口缺陷检测的实例，前面案例链接如上↑↑↑。 Halcon中对应的例子为inspect_bottle_mouth.hdev，用于检测酒瓶瓶口是否出现破损等缺陷情形，检测效果如下： (1) 正常情瓶口完整，无破损 ? 实例主要步骤包含五步，分别是： 使用阈值处理和形态学粗定位品口位置； XLD轮廓拟合最近似的圆形区域作为瓶口的轮廓； 极坐标变换，转换到水平或垂直方向进行处理； 均值滤波图与原图做差分，根据阈值提取； 将绘制的缺陷部分通过反极坐标变换投影到原图上 (3) 第三步，极坐标变换。这里的重点就是基于上一步骤要准确找到圆，将圆心作为极坐标变换的中心。 (3) 均值滤波做差分，注意这里的均值滤波核大小，一般我们都是设置(3,3)或(5,5)等，这里物体垂直方向较长，参考Halcon例子中设置为(3, 501)，看效果： blur = cv2.blur(
4.8K22发布于 2021-01-08 - 来自专栏3D视觉从入门到精通
缺陷检测开源工具
图案化和非图案化的晶圆缺陷检查和鉴定工具可在晶圆的前表面，后表面和边缘上发现颗粒和图案缺陷，从而使工程师能够检测和监控关键的良率偏移。 二、A toolbox for surface defects saliency detection（表面缺陷显着性检测） 下载链接： https://github.com/abin24/Saliency-detection-toolbox 该工具箱中包含14个检测模型，分别是： 1、视觉注意机制的ITTI和BMS； 2、基于全局颜色稀疏度的FT，LC和HC; 3、基于局部颜色稀疏度的AC和MSS； 4、基于频域分析的SR，Rudinac 三、基于PCB的缺陷检测 代码链接： https://github.com/Ixiaohuihuihui/Tiny-Defect-Detection-for-PCB 代码介绍：主要针对PCB的六类缺陷（ 缺失孔，鼠标咬伤，开路，短路，杂散，伪铜）的检测，分类和配准任务。
2.1K20发布于 2020-12-11 - 来自专栏AI算法与图像处理
秒杀DeepLabv3+与UNet的表面缺陷检测网络
表面缺陷检测是工业视觉的热点应用之一，自动的表面缺陷检测技术越来越受到重视，其中以深度学习相关技术应用为代表，它通过大量图像对检测系统进行训练学习得到一个自动的视觉检测系统。 - 基于目标检测网络实现的缺陷检测系统 - 基于图像分割网络实现的缺陷检测系统 网络设计 作者采用后者实现了一个缺陷检测与缺陷大小分割的网络，实现了一个更加高效与准确的缺陷检测系统。 分割网络详解 分割网络包含了11个卷积层与3个池化层，在每个卷积层后面跟上一个BN层与ReLU激活层(conv +BN+ReLU)，用来优化学习加速收敛。 这个是2019年3月份发表不久的工业缺陷检测领域的最新论文，源码我暂时还没发现，等我发现研究了再来更新！ 个人总结一下： 最核心的思想，把缺陷检测当成是一个二值图像分割问题，采用基于像素级别的语义分割网络，成功的减少了网络深度与参数总数，实现了少量样本训练就可以达到极高准确率的缺陷表面检测网络。
1.1K20发布于 2019-10-14 - 来自专栏贾志刚-OpenCV学堂
秒杀DeepLabv3+与UNet的表面缺陷检测网络
阅读本文大概需要3分钟 概述 ? 表面缺陷检测是工业视觉的热点应用之一，自动的表面缺陷检测技术越来越受到重视，其中以深度学习相关技术应用为代表，它通过大量图像对检测系统进行训练学习得到一个自动的视觉检测系统。 - 基于目标检测网络实现的缺陷检测系统- 基于图像分割网络实现的缺陷检测系统 网络设计 作者采用后者实现了一个缺陷检测与缺陷大小分割的网络，实现了一个更加高效与准确的缺陷检测系统。 这个是2019年3月份发表不久的工业缺陷检测领域的最新论文，源码我暂时还没发现，等我发现研究了再来更新！ 个人总结一下： 最核心的思想，把缺陷检测当成是一个二值图像分割问题，采用基于像素级别的语义分割网络，成功的减少了网络深度与参数总数，实现了少量样本训练就可以达到极高准确率的缺陷表面检测网络。
4K30发布于 2019-05-07 - 来自专栏3D视觉从入门到精通
汇总|缺陷检测数据集
该数据库包括1,800个灰度图像：六种不同类型的典型表面缺陷，每一类缺陷包含300个样本。对于缺陷检测任务，数据集提供了注释，指示每个图像中缺陷的类别和位置。 2、如果将NEU表面缺陷数据库用于缺陷检测任务，则需要下载带有注释的图像文件，称为NEU-DET。 ? 七、天池布匹缺陷数据（竞赛） 数据下载链接： https://pan.baidu.com/s/1LMbujxvr5iB3SwjFGYHspA 提取码：gat2 数据介绍：在布匹的实际生产过程中，由于各方面因素的影响 ，会产生污渍、破洞、毛粒等瑕疵，为保证产品质量，需要对布匹进行瑕疵检测。 布匹疵点检验是纺织行业生产和质量管理的重要环节，目前人工检测易受主观因素影响，缺乏一致性；并且检测人员在强光下长时间工作对视力影响极大。
6.5K10发布于 2020-12-11 - 来自专栏OpenCV与AI深度学习
用深度学习实现异常检测缺陷检测
作者：Mia Morton 编译：ronghuaiyang 导读 创建异常检测模型，实现生产线上异常检测过程的自动化。在选择数据集来训练和测试模型之后，我们能够成功地检测出86%到90%的异常。 异常检测使我们能够从生产流程中修复或消除那些处于不良状态的部件。因此，由于避免生产和销售有缺陷的产品，制造成本降低了。 背景研究 异常检测与金融和检测“银行欺诈、医疗问题、结构缺陷、设备故障”有关(Flovik等，2018年)。该项目的重点是利用图像数据集进行异常检测。它的应用是在生产线上。 我们使用1,000张属于训练组的无缺陷图像来生成合成数据数据集。 铸造件E1&E3 ? 铸造件数据集的异常检测 挑战 训练时间长，在谷歌Colab和专业版中使用GPU训练。
3.8K21发布于 2021-02-07 - 来自专栏AI算法与图像处理
源码来了 | 秒杀 DeepLabV3+ 和 Unet 的 缺陷检测网络
来源：opencv学堂 下载源码请star这个项目一波 复现测试 上次写了一篇文章介绍CVPR 2019最新提交的工业缺陷检测新思路基于图像语义分割网络实现缺陷检测，当时我们的一位读者看到非常感兴趣，关键是还很厉害 ，直接实现了论文中提到缺陷检测网络，基于tensorflow+slim框架复现了基于KolektorSDD数据集的检测效果，先看一下测试运行效果： ? 微软亚洲研究院（MSRA）推荐的计算机视觉的项目 秒杀DeepLabv3+与UNet的表面缺陷检测网络
1.1K20发布于 2019-10-15 - 来自专栏贾志刚-OpenCV学堂
源码来了 | 秒杀 DeepLabV3+ 和 Unet 的 缺陷检测网络
点击上方↑↑↑“OpenCV学堂”关注我 下载源码请star这个项目一波 复现测试 上次写了一篇文章介绍CVPR 2019最新提交的工业缺陷检测新思路基于图像语义分割网络实现缺陷检测，当时我们的一位读者看到非常感兴趣 ，关键是还很厉害，直接实现了论文中提到缺陷检测网络，基于tensorflow+slim框架复现了基于KolektorSDD数据集的检测效果，先看一下测试运行效果： ? 往期精选 秒杀DeepLabv3+与UNet的表面缺陷检测网络 OpenCV视频分析背景提取与前景提取 使用条件GAN实现图像到图像的翻译 关注【OpenCV学堂】 长按或者扫码即可关注 ?
7.5K71发布于 2019-05-23 - 来自专栏Datawhale专栏
总结｜深度学习实现缺陷检测
3、Automatic Fabric Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Network Model ：金属表面缺陷检测 主要思想：本文讨论了用一种能准确定位和分类从实际工业环境中获取的输入图像中出现的缺陷的双重过程来自动检测金属缺陷。 利用工业数据集可以成功地检测出各种条件下的金属缺陷。实验结果表明，该方法满足金属缺陷检测的稳健性和准确性要求。同时，它也可以扩展到其他检测应用中。 第三，介绍了CNN模型的四种变体，即SqueezeNet v1, Inception v3,VGG-16, and ResNet-18，并将其用于轧辊表面缺陷的检测和分类。 最后，进行了一系列丰富的实验和评估，表明SDD-CNN模型，特别是SDD Inception v3模型，在滚筒缺陷分类任务中执行得非常好，top-1精度达到99.56%。
3K10发布于 2020-07-09 - 来自专栏智能算法
机器视觉表面缺陷检测综述
机器视觉表面缺陷检测主要包括2维检测和3维检测，前者是当前的主要表面缺陷检测方式，也是本文的着重论述之处。 在钢板表面缺陷检测领域，美国Westinghouse公司采用线阵CCD摄像机和高强度的线光源检测钢板表面缺陷，并提出了将明域、暗域及微光域3种照明光路形式组合应用于检测系统的思路[21]。 GLCM在图像的纹理分析中占有重要的地位，在特征提取和缺陷检测等方面有着广泛的应用。 (3) 局部二值模式(LBP)。 3 主要问题和发展趋势 基于机器视觉的表面缺陷检测将是未来研究和发展的主要方向，目前，基于机器视觉的表面缺陷检测理论研究和实际应用等环节均有可喜的成果，但仍存在下面主要的问题和难点： 1) 受环境、光照 3) 机器视觉表面缺陷检测，特别是在线检测，其特点是数据量庞大、冗余信息多、特征空间维度高，同时考虑到真正的机器视觉面对的对象和问题的多样性，从海量数据中提取有限缺陷信息的算法能力不足，实时性不高。
11.8K26发布于 2019-07-19 - 来自专栏ATYUN订阅号
AI与农业：苹果缺陷检测
请注意：您可以在本教程中对任何水果、作物或条件（如害虫控制和疾病检测等）应用相同的过程。 让我们按照下面详述的3个步骤开始。 ? 第一步 -获取训练数据 ? ? 为了生成我们的人工智能模型，我们将使用ImageAI训练一个YOLOv3模型。 ImageAI是一个python库，允许您使用和训练AI模型，只需要几行代码来检测图像和视频中的对象。 631, 64] 如您所见，经过训练的苹果检测模型能够检测出图像中的所有苹果，并识别出有缺陷的苹果（有斑点的苹果）。 你可以用这个训练过的模型 数苹果 发现有缺陷的苹果 正如您所看到的，我们刚刚创建了一个新的人工智能模型，可以用于苹果种植、生产和包装。我们的样本数据集是为检测和识别缺陷而准备的。 此任务可以是： 检测成熟和未成熟的苹果 检测不同大小的苹果 检测不同类型的苹果。 有关为自定义检测创建更多人工智能模型的详细信息，请访问下面提供的教程链接。
2.5K51发布于 2019-09-23 - 来自专栏AI算法与图像处理
深度学习工业应用: 缺陷检测
图一 自动化车间 这里我要讨论的话题是关于缺陷检测机器自动化方面，先说下现状吧，在富士康，伯恩光学，蓝思，信利等国内几大知名半导体制造厂商的朋友肯定看到过下面的画面。 ? 盖板玻璃在安装在触摸设备之前，在类似图一，图二的车间中经过了好几道检测工序， 其中很关键的一道工序就需要无数QC质检的火眼金金帮我们剔除掉有缺陷的玻璃， 最终来到我们用户手中的玻璃是没有缺陷，或者说基本没有缺陷的 但是这些传统的方法来做缺陷检测大多都是靠人来特征工程， 从形状，颜色， 长度，宽度，长宽比来确定被检测的目标是否符合标准，最终定义出一系列的规则来进行缺陷检测。 3. 深度学习检测 随着机器学习， 深度学习的发展，很多人眼很难去直接量化的特征， 深度学习可以搞定， 这就是深度学习带给我们的优点和前所未有的吸引力。 比如本文讨论的缺陷检测， 上面的很多网络的特点，以及方法都给了我们很多的启发，我们在设计网络结构的时候，配合自己在产线部署的硬件性能，设计适合项目的网络结构。
3.4K20发布于 2019-11-11 - 来自专栏清羽飞扬
DCAMNet钢铁缺陷检测网络复现
而在带钢的表面缺陷图像数据中，由于缺陷之间的显著差异，聚类得到的锚框的大小更容易不稳定，会进一步影响检测网络模型的检测效果。 YOLOX对YOLOv3上的一系列改进有效地提高了检测效果和速度，特别对不同图像上的泛化性，所以作者选择了YOLOX作为基线网络。 现阶段YOLOX仍有的不足之处: 由于残余结构的设计问题，YOLOX的骨干网络难以更好地改进带钢表面缺陷特征的提取，再就是由于动态样本匹配的问题，YOLOX在检测带钢这种不规则缺陷对象方面的性能较差。 与YOLO系列中传统的anchor-based的方法相比，YOLOX对复杂纹理的缺陷对象的检测性能较差，精度较低。 、注意力机制和 EIoU 损失函数，提高了对不规则缺陷的检测性能和泛化能力。
46810编辑于 2024-05-30 - 来自专栏YOLO大作战
《深度学习工业缺陷检测》介绍
深度学习工业缺陷检测 1）提供工业小缺陷检测性能提升方案，满足部署条件； 2）针对缺陷样品少等难点，引入无监督检测； 3）深度学习 C++、C#部署方案； 4）实战工业缺陷检测项目，学习如何选择合适的框架和模型 2.1 工业无监督缺陷检测，提升缺陷检测能力，解决缺陷样品少、不平衡等问题 2.2 工业无监督缺陷检测，提升缺陷检测能力，解决缺陷样品少、不平衡等问题（二） 2.3 工业缺陷检测全流程解决方案，提供检测 +后处理、分割+后处理、检测+RoI分割+后处理解决方案 3.深度学习部署 3.1 Opencv DNN + C++部署 3.2 C++ GPU部署方式介绍：ONNX Runtime 3.3 YOLOV8 Onnxruntime Opencv DNN C++部署 4.深度学习工业项目分享 4.1 基于yolov5的缺陷检测算法（工件缺陷） 4.2 手机背板缺陷分割 4.3 小目标摄像头镜头缺陷检测 4.4 划痕缺陷检测 4.5 玻璃瓶盖缺陷检测 4.6 菌落(colony)计数 详见： https://blog.csdn.net/m0_63774211/article/details/133184240
1.3K20编辑于 2023-11-12 - 来自专栏YOLO大作战
基于YOLOv5的缺陷检测算法（工件缺陷）
介绍YOLOv5在整个神经网络分为4个部分的改进如下：Input：数据加载使用了3种数据增强：缩放、色彩空间调整和马赛克增强。 Prediction：输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数GIOU Loss，加快了收敛速度。 颈部网络中自上而下和自下而上得到的两个P2层特征与主干网络中的同尺度特征通过concat形式进行特征融合, 输出的特征为3个输入特征的融合结果, 这样使得P2层检测头应对微小目标时, 能够快速有效的检测 P2层检测头加上原始的3个检测头, 可以有效缓解尺度方差所带来的负面影响. 增加的检测头是针对底层特征的, 是通过低水平、高分辨率的特征图生成的, 该检测头对微小目标更加敏感. 尽管添加这个检测头增加了模型的计算量和内存开销, 但是对于微小目标的检测能力有着不小的提升。
1.1K10编辑于 2023-11-30 3D打印缺陷三维打印缺陷检测数据集VOC+YOLO格式5864张3类别
数据集大约1/3是原图，剩余为增强图片，请认真观看图片预览 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式 txt文件) 图片数量(jpg文件个数)：5864 标注数量(xml文件个数)：5864 标注数量(txt文件个数)：5864 标注类别数：3 标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels
30110编辑于 2025-07-17- 来自专栏深度学习和计算机视觉
综述 | 机器视觉表面缺陷检测
机器视觉表面缺陷检测主要包括2维检测和3维检测，前者是当前的主要表面缺陷检测方式，也是本文的着重论述之处。 在钢板表面缺陷检测领域，美国Westinghouse公司采用线阵CCD摄像机和高强度的线光源检测钢板表面缺陷，并提出了将明域、暗域及微光域3种照明光路形式组合应用于检测系统的思路[21]。 GLCM在图像的纹理分析中占有重要的地位，在特征提取和缺陷检测等方面有着广泛的应用。 (3) 局部二值模式(LBP)。 3 主要问题和发展趋势 基于机器视觉的表面缺陷检测将是未来研究和发展的主要方向，目前，基于机器视觉的表面缺陷检测理论研究和实际应用等环节均有可喜的成果，但仍存在下面主要的问题和难点： 1) 受环境、光照 3) 机器视觉表面缺陷检测，特别是在线检测，其特点是数据量庞大、冗余信息多、特征空间维度高，同时考虑到真正的机器视觉面对的对象和问题的多样性，从海量数据中提取有限缺陷信息的算法能力不足，实时性不高。
2.2K32编辑于 2022-05-22 - 来自专栏YOLO大作战
基于YOLOv5的工业缺陷检测之小目标摄像头镜头缺陷检测
1.工业缺陷检测介绍 得益于机器视觉的不断发展和成熟，越来越多的制造企业正在尝试将机器视觉检测技术引入产品缺陷检测。 目前基于机器视觉的缺陷检测技术已经大量应用于纺织品、汽车零部件、半导体等产品的缺陷检测中，大大提升了制造业的质检效率。 机器视觉在工业缺陷检测中的前景毋庸置疑，而工业制造领域的多样性、生产环境的复杂性、产品缺陷的非标性等因素，都给机器视觉在缺陷检测的实际应用带来了诸多挑战。 3.基于yolov5的摄像头镜头缺陷检测算法3.1 yolov5介绍 YOLOv5在整个神经网络分为4个部分的改进如下：Input：数据加载使用了3种数据增强：缩放、色彩空间调整和马赛克增强。 P4, P5) ]4.训练结果分析和优化4.1优化方向：1）持续收集缺陷品；2）缺陷多为小目标，设计适合小目标检测的网络；3）数据增强；5.模型部署在工业缺陷检测项目中，最终部署往往不是python
2.5K20编辑于 2023-12-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号