- 综合排序
- 最热优先
- 最新优先
- 来自专栏小鹏的专栏
工业器件检测和识别
有问题欢迎微信交流：lp9628 工业器件标定与识别（如下图所示）： ----> ----> 代码实现： 主要流程：直方图均衡化，去除噪声，二值化，查找轮廓，选出需要轮廓。
1.1K100发布于 2018-01-09 - 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 1.工业油污数据集介绍 三星油污缺陷类别：头发丝和小黑点，["TFS","XZW"] 数据集大小：660张，包括部分良品图像，提升背景检测能力。 ，添加一个微小物体的检测头 多头检测器 | 亲测在工业小目标缺陷涨点明显，原始mAP@0.5 0.679提升至0.702 OLOv8n_4 summary (fused): 207 layers, 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 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
1.2K20编辑于 2023-11-12 - 来自专栏AI算法与图像处理
深度学习工业应用: 缺陷检测
应用背景 随着机器视觉，工业自动化的快速发展，工业4.0的概念已经被提上日程。传统很多需要人工来手动操作的工作，渐渐的被机器所替代。 这当然也是人类科技进步和发展的必然趋势，工业的进步到头来还是服务于人类，给人类带来高质量的生活体验，而不是整天做着乏味无趣的工作。 ? Anyway, 上面之所以说了这么多，还是想让大家清楚的知道现在工业界的一个真正的需求， 所以下面我们要讨论的话题就是如何来解救现在工厂中正在睁大眼睛，埋头检测玻璃或者其他物体表面缺陷的少女们～ 2. 当然，深度学习的方法用来检测，也有自己的很多缺点。例如：数据量要求大，工业数据收集成本高。但是随着数据增强技术，无监督学习的不断进步，在某些应用场景上，这些缺点渐渐被隐藏了。 然后你看到的无人工厂更加会无人化～ 具体的检测工业应用，作者在github上有讲的很清楚， 有感兴趣的朋友可以直接链接过去了解。
3.3K20发布于 2019-11-11 工业引入AR质检系统，重塑工业质量检测新模式
在元幂境看来，随着智能化和数字化浪潮的席卷之下，工业行业传统的质量检测手段正逐渐暴露出效率低、误差高、人工依赖强等问题。 而新兴技术的兴起，正在为质量检测注入新活力，其中AR技术就是其中的代表。借助AR眼镜以可视化、智能化的方式，重新构建质检的流程和标准。推动工业进入全新的智慧决策质检时代。 一、AR技术赋能质量检测的核心价值 AR质量检测通过将虚拟信息叠加于真实生产场景，实现人机交互与数据可视化的深度融合。 三、AR质量检测的未来展望 随着5G、AI与工业物联网（IIoT）的融合，AR质量检测将进一步向智能预测、自主决策与协同作业方向演进。 在元幂境看来，AR质量检测不仅是制造业数字化转型的重要组成部分，更是未来工业智能化发展的关键节点。
33410编辑于 2025-09-19- 来自专栏工业科技1
工业检测太麻烦？人工检测不靠谱？这样解决
随着科技的发达，制造业也逐渐智能化，一个个智能产品出现在人们的视野中，工业视觉检测平台就是其中一个！ 使用工业视觉检测平台可有效克服工业生产中人工检测的弊端，它的原理是通过高清工业相机对产品外观进行取像，并基于工业机理、AI模型分析来实现对工业产品外观是否存在缺陷的快速、精确判定，面向非标自动化厂商，提供基于类平面和颜色差异的通用化视觉检测算法应用 在对铝件外观缺陷检测上，工业视觉检测平台也能取得良好的效果。 通过基于工业机理和云计算的工业产品视觉检测平台，利用3D视觉相机，结合AI算法，利用训练并测试所得的模型，简单高效的实现铝件高反场景的像素分割，从而对铝件的外观质量进行标准化的技术判定。 任何智能产品的开发都是为了解决生活中的各种问题，工业视觉检测平台让检测不再困难！
37400发布于 2021-08-06 - 来自专栏Aidlux人工智能
基于Aidlux平台的工业视觉缺陷检测
工业视觉缺陷检测是一种利用计算机视觉技术，对工业制品进行自动化检测，以识别和分类可能存在的缺陷的方法。它是现代工业生产中的重要环节，可以大大提高生产效率，降低产品缺陷率，提高产品质量。 通过对样本进行分析，注射器摆放的位置略有差异，采用目标检测来检测各个部件是否存在比较合适，最后综合判断每个注射器的最终结果，如果检测某个注射器出现歪嘴或者缺件的直接输出对应的NG信号，方便剔除不合格产品 相机:工业高清黑白相机600w光源:红外平板光源，背面补光镜头:工业高清FA镜头35mm算法:yolov8部署:工控机显卡RTX206012G界面及通信:WPF或者C#或者OT (这里不做讨论)下图是yolov8 并且，提供了一种设计范式Slim-Neck，以实现检测器更高的计算成本效益。实验过程中，与原始网络相比改进方法获得了最优秀的检测结果。 最后放上本次基于Aidlux平台实现工业视觉缺陷检测的效果视频的地址。https://www.bilibili.com/video/BV1GN4y197cD/
80930编辑于 2023-09-08 - 来自专栏工业科技1
工业制造为什么需要机械视觉检测？
智能制造装备是具有感知、分析、决策、控制功能的制造装备，是信息化与工业化深度融合的重要体现，也是先进装备制造业的重点发展方向。智能制造装备主要包括数字机床、3D打印等等。 机器视觉检测技术是用机器视觉替人眼、人手来进行检测、测量、分析、判断和决策控制的智能测控技术，与其他检测技术相比，其优点主要包括：智能化程度高、信息收集全面、检测速率高、精度高等等。 人工检测是工业视觉对产品表面缺陷的传统检测方法，该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，而基于机器视觉的工业视觉检测方法可以很大程度上克服上述弊端。 在半导体生产中，常用于SMT贴装（元件表面缺陷特征检测、字符印刷残缺检测、元件破损检测、芯片引脚封装完整性检测、端子引脚状态检测、编带机元件极性识别）、PCB（元件表面缺陷特征检测、字符印刷残缺检测）、 IC芯片（镀金表面缺陷）等；新能源方面可以用于同步电机发卡线圈表面缺陷检测；机械制造方面可以为发动机垫片和汽车外观缺陷进行检测，并可泛化汽车仪表盘缺陷检测、汽摩零部件缺陷检测、汽摩灯具塑料件缺陷检测等。
70310发布于 2021-09-16 - 来自专栏贾志刚-OpenCV学堂
工业异常检测视觉大模型AnomalyGPT来了
AnomalyGPT介绍 异常GPT是第一种基于视觉大模型（LVLM）的工业异常检测方法，该方法可以在不需要手动指定阈值的情况下检测工业图像中的异常。 现有的工业异常检测方法只能提供异常分数，需要手动设置阈值，而现有的视觉大模型无法检测图像中的异常。异常GPT不仅可以指示异常的存在和位置，还可以提供有关图像的信息。 异常GPT方法也可以在提供很少正常样本的情况下检测以前看不见的工业品异常缺陷。真的实现了零代码零训练的工业缺陷检测 测试效果 源、多格式一维与二维条形码图像处理库。 ，用异常GPT 工业视觉检测又变得容易落地了吗？ 零样本提示词直接检测缺陷 零样本提示词直接检测缺陷 从此让工业异常检测跟玩ChatGPT一样简单，做个提示工程师人人可以！
3.6K11编辑于 2024-04-30 - 来自专栏一刻AI
工业界表面缺陷检测方法综述
作为生产制造过程中必不可少的一步，表面缺陷检测广泛应用于各工业领域，包括3C、半导体及电子、汽车、化工、医药、轻工、军工等行业，催生了众多上下游企业。 随着光电元器件的快速发展，以及计算机技术中图像处理、人工智能等算法的深入研究，以机器视觉为代表的先进方法在工业质检中得到越来越广泛的应用。 可以看出，涡流、漏磁、激光超声等基于传统机理的检测方法适用场合有限，且仅能识别出少数几种类型的缺陷，对缺陷的定量描述也比较局限，无法综合评估被测物的品质状况，难以满足当前工业产品的表面缺陷检测需求。 基于机器视觉的表面缺陷检测方法 作为目前工业生产中最常用的自动检测技术之一，机器视觉技术是实现设备自动化、智能化和精密控制的有效手段，具有可靠性高、检测精度高、检测速度快、成本低和适用性广等突出优点。 自此，深度学习飞速发展，极大地改善了目标检测、语音识别等任务的性能，在工业质检、巡检、故障诊断等领域也取得了极大地成功。
3K11发布于 2021-01-05 - 来自专栏数据派THU
与时代共振，AI助力工业缺陷检测
[ 摘要 ]由于深度学习强大的特征提取能力，代替了人工目检和传统的机器视觉，成为了工业缺陷检测的新利器。然而，基于深度学习的语义分割技术在工业缺陷检测领域的应用仍具有挑战性。 本文先对比自然场景下的语义分割，概述了工业缺陷检测背景下语义分割技术的特点；接着，对于工业缺陷检测的常见难点，对常见的解决方案进行介绍。最后，作者提出了关于工业缺陷检测实际应用中一些问题的思考。 工业缺陷检测相比于自然场景，类别更少，而且工件表面一般背景干扰小，变化更少，而且可以通过硬件（如打光）等方式去改良光照等条件以获取更好的数据集。那么是否意味着工业缺陷检测中的语义分割更为简单呢？ 一些思考 工业缺陷检测的指标需要具体情况具体分析。有些场景下的工业缺陷检测并不需要逐像素分类准确，需要知道缺陷种类和大致位置即可，更倾向于“目标分类”这样的任务。 很多工业缺陷检测的评价以计算机视觉领域常用的指标来判别模型的优劣，如mAP（Mean Average Precision，均像素精度）等等，把其看成“目标检测”或者“目标分割”问题，脱离了实际的工业应用
1.3K31发布于 2021-10-19 - 来自专栏机器学习AI算法工程
机器视觉工业缺陷检测(光源，相机，镜头，算法)
视觉工业检测大体分为工件尺寸测量与定位，和表面缺陷检测，及各种Logo标识的检测与识别等。 尺寸测量主要是检测物体的长、宽、高，比较常见主要是物体的二维尺寸（宽和高）检测。 如何选择工业相机： 首先要弄明白的是自己的检测任务，是静态拍照还是动态拍照、拍照的频率是多少、是做缺陷检测还是尺寸测量或者是定位、产品的大小（拍摄视野）是多少、需要达到的精度多少、所用软件的性能 根据检测任务的不同、产品的大小、需要达到的分辨率以及所用软件的性能可以计算出所需工业相机的分辨率；现场环境最要考虑的是温度、湿度、干扰情况以及光照条件来选择不同的工业相机。 3、芯片大小和相机接口：例如2/3’’镜头支持最大的工业相机耙面为2/3’’，它是不能支持1英寸以上的工业相机。 4、注意与光源的配合，选配合适的镜头 。 三、现有可用的视觉检测软件/库 1、做工业视觉检测的公司有哪些？
20.9K611发布于 2021-10-14 - 来自专栏3D视觉从入门到精通
万字长文细说工业缺陷检测
皮特潘：AI 工业缺陷检测 —— 写在前面的话 https://zhuanlan.zhihu.com/p/375383384 主要内容还是围绕着场景分析与数据理解、方法论与算法设计、工具链与部署落地等方面进行展开 单单从工业界来看，在“缺陷检测”这一个细分的场景（其实也不是啥细分场景，所有找异常的都可以叫缺陷检测）。 （二）场景分析 本文讨论的是工业场景，那就先和自然场景比一比吧！如下： ? 当然有一个非常重要的特性没有说： 自然场景一般是强语义信息，缺陷检测一般为弱语义信息。 貌似难度比自然场景少不少，再仔细分析一下，工业场景其实有以下几个特点： 业务场景过于分散 ，对标一下“人脸”，甚至“OCR”等领域，缺陷检测场景还是非常分散的，难以归纳。 以上是工业缺陷检测场景的固有属性。
2.6K52发布于 2021-07-27 - 来自专栏一刻AI
“工业听诊”中多声源事件检测与定位
众所周知，基于领先的声音事件定位和检测技术，可以研发“声学照相机”和“工业听诊器”等产品，并在电力、水利、轨道交通、汽车制造等行业领域发挥效用，保证工作人员的安全以及节省成本。 利用声音定位和检测技术，可以设计工业质检系统实现实时检测设备声音，避免设备故障导致生产中断，还可通过声音监测产品质量，避免不良品流向市场。 三、网络结构 模型选择CRNN [1]： 四、网络结构 利用单独的指标对声音事件检测与声音方位估计进行评价。 对于声音事件检测的评价标准错误率(Error Rate, ER)和F分数(F-score)，对于声音事件检测一般是基于1s的声音片段，当某一声音事件在该时间片段中超过一般时，则认为该时间片段中包含该事件 考虑到估计DOA与参考DOA数量不对等时，提出了召回率(Frame Recall，FR) 通过召回率检测整个网络声音事件与方位检测系统性能。
2.1K10发布于 2020-08-27 使用易语言部署工业级人脸检测模型
【框架地址】 https://github.com/ShiqiYu/libfacedetection 【算法介绍】 Libfacedetection是一个开源的计算机视觉库，主要用于实时的人脸检测。 Libfacedetection的特点如下： 高效性：该库利用优化的算法和硬件加速，可以在实时系统中快速准确地检测人脸。 灵活性：支持多种配置，可以根据不同的需求调整检测的精度和速度。 总的来说，libfacedetection是一个功能强大、高效且易于使用的库，对于需要实时人脸检测的应用，如安全监控、人机交互、智能摄影等，它是一个理想的选择。 30815237/article/details/90292639 【效果展示】 【实现部分代码】 .版本 2 .支持库 spec .子程序 _按钮2_被单击 .局部变量 推理结果, 文本型 人脸检测 ”), 推理结果) 调试输出 (推理结果) 人脸检测_释放资源 () 【视频演示】 易语言部署工业级人脸检测模型_哔哩哔哩_bilibili测试环境：e5.93opencv4.7.0, 视频播放量
24410编辑于 2025-07-17- 来自专栏一点人工一点智能
工业缺陷检测深度学习方法综述
本综述旨在对工业缺陷检测的任务定义、难点、挑战、主流方法、公共数据集及评价指标等进行全面归纳，以帮助研究人员快速了解该领域。具体而言，本文首先介绍工业缺陷检测的背景与特点。 工业缺陷检测不仅可以用于检测各种工业制品，如金属、纺织物、半导体等，而且具有优秀的检测精度与效率，还能提供简便、安全的操作环境。 由于工业缺陷可以视为工业产品的外观 “异常”，因此也有部分工业缺陷检测方法采用了异常检测的思路。然而异常检测的定义与工业缺陷检测也有所区别。 因而，一般的图像异常检测往往仅需区分正常与异常样本，而工业缺陷检测更关注于检测图像中的异常像素。在实际工业场景中，缺陷的定义更加主观，因而学者们试图寻求其与异常检测的关联。 2.2 研究概述工业缺陷检测长期以来都是工业视觉领域最重要的研究之一。近年来，随着深度学习在计算机视觉任务中的普及，基于深度学习的工业缺陷检测方法也得到了飞速发展，并逐渐占据主流。
2.3K50编辑于 2022-12-28 - 来自专栏DeepHub IMBA
基于声音信号的工业设备异常检测
异常检测主要目标是将异常事件与正常事件区分开来，因此才有了“异常”一词。本文将介绍基于声音信号的工业机械异常检测，使用的数据集是MIMII声音数据集，该数据集很容易在网上获得。 异常检测的任务可以通过多种方式实现。其中最简单的一种方法是将问题作为监督学习任务，并对正常和异常声音训练分类器。这种方法的问题是异常情况很少，相应地异常类的数据量有限，这样会对分类性能有很大的影响。 异常检测 现在引入了自编码器后，可以利用该模型执行异常检测。首先使用机器在正常状态下运行的声音信号来训练构建的自编码器模型。然后将使用训练好的模型在错误阈值的帮助下执行异常检测。 所以我们可以将重构的rmse值与阈值进行比较，进行异常检测。阈值设置为正常声音的平均rmse，因为异常声音的rmse将高于此值。
1.2K30编辑于 2023-08-30 - 来自专栏Datawhale专栏
基于yolov5的工业缺陷检测方案
作者：limzero，西安交通大学，Datawhale原创作者 比赛介绍 工业缺陷检测是当前深度学习落地的热门项目，其中瓷砖生产过程中的“质量检测环节”需要检测出瓷砖表面的瑕疵，目前比较依赖于人工，效果和效率都层次不齐 最近天池上线的广东工业赛事针对瓷砖表面瑕疵进行智能检测，要求选手们相应的算法，尽可能快与准确的给出瓷砖疵点具体的位置和类别，主要考察疵点的定位和分类能力。 ? 总结 虽然检测比赛都是mmdet的天下，但是我相信在复赛有时间限制的情况下，加上这个赛题的特殊性，yolov5还是有比较强的竞争力的，特别是比赛后期。
3.1K10发布于 2021-01-21 工业视觉检测：多模态大模型的诱惑
工业检测有一个基本要求：确定性。同一张图，不管检测多少次，结果必须一致。不然质检流程没法建立，追溯也没法做。但多模态大模型的输出是概率性的。 五、回到第一性原理：工业视觉检测到底需要什么？踩完这些坑，我们冷静下来，重新思考一个问题：工业视觉检测这件事，本质上需要什么能力？需求一：确定性同一张图，结果必须100%一致。 答案是清楚的：在当前的技术成熟度下，多模态大模型不适合作为工业视觉检测的主力方案。 它的优势（Zero-shot、语义理解、强泛化）在工业场景用不上；它的劣势（延迟高、成本高、不确定性）在工业场景是致命的。六、不是替代，是互补但这不意味着多模态大模型在工业视觉检测领域毫无用处。 多模态大模型很强，但它的强项——Zero-shot、语义理解、强泛化——在工业检测的核心场景用不上。它的弱项——延迟高、成本高、结果不确定——恰恰是工业场景最不能容忍的。
39021编辑于 2026-01-12- 来自专栏贾志刚-OpenCV学堂
汇总 | 深度学习工业缺陷检测技术与框架
工业视觉检测： 在工业生产线上，深度学习算法被用于检测各种产品的缺陷，包括零件装配完整性、装配尺寸精度、位置/角度测量等。 Vit网络实现工业缺陷检测优势 全局信息捕捉能力强： ViT通过自注意力机制，能够在处理图像时捕捉到全局范围内的信息，这对于识别工业产品表面的微小缺陷尤为重要。 04、SAM网络模型 目前，关于SAM直接应用于工业缺陷检测的具体案例可能相对较少，但可以参考类似技术在工业领域的应用。 例如，一些基于深度学习的图像分割方法已经被成功应用于工业产品表面的缺陷检测中，如裂纹检测、划痕检测等。这些方法通过构建深度学习模型，对工业产品图像进行特征提取和分类，从而实现缺陷的自动识别和分割。 灵活性：SAM模型可以针对不同的工业场景和缺陷类型进行训练和优化，具有很强的适应性。 SAM在工业缺陷检测中的应用挑战 复杂场景：工业缺陷检测场景通常较为复杂，涉及多种不同类型的缺陷和背景。
3.5K11编辑于 2024-07-16 - 来自专栏深度学习和计算机视觉
工业检测中黑白相机为什么比彩色工业相机更受青睐
工业数字相机通常比常规的标准数字相机更加坚固耐用。这是因为它们必须能够应对各种复杂多变的外部影响，如应用于高温、高湿、粉尘等恶劣环境。 工业相机的分类形式有很多，下文将详细介绍几种常用类型的工业相机。 面阵相机可以用于面积、形状、位置测量或表面质量检测等，直接获取二维图形能一定程度上减少图像处理算法的复杂度。在实际的工程应用当中，需要根据工程需求选择。 在工业应用中如果我们要处理的是与图像颜色有关，那么我们需要采用彩色相机；如果不是，那么最好选用黑白相机，因为在同样分辨率下，黑白相机的精度高于彩色相机。
1.3K30编辑于 2022-09-28
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