- 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-
2.5K20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
1.9K20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
4.6K21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。
2K20发布于 2020-12-11 - 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。 ? （缺失孔，鼠标咬伤，开路，短路，杂散，伪铜），用于检测，分类和配准任务。 ，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。
6.3K10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。 他们的兴趣在于识别和检测复杂的攻击。 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。
3.6K21发布于 2021-02-07 - 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 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. 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。 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。
3.3K20发布于 2019-11-11 - 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 0.267 XZW 66 57 0.855 0.807 0.896 0.486 1.5 多检测头结合小缺陷到大缺陷一网打尽的轻量级目标检测器 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 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
1.2K20编辑于 2023-11-12 - 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。 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。 stride=1, act=act, ), ] ) ) 结论 通过以上改进，DCAMNet 在带钢表面缺陷检测中引入了可变性卷积 、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。
36110编辑于 2024-05-30 - 来自专栏ATYUN订阅号
AI与农业：苹果缺陷检测
，通过使用计算机视觉和深入学习自动检测、分类和识别受损的苹果。 它也被标注为目标检测训练，这是我们用来训练我们的人工智能模型来检测和识别苹果的过程。您可以通过下面的链接下载下面的数据集。 ，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。
2.4K51发布于 2019-09-23 - 来自专栏智能算法
机器视觉表面缺陷检测综述
表面缺陷不仅影响产品的美观和舒适度，而且一般也会对其使用性能带来不良影响，所以生产企业对产品的表面缺陷检测非常重视，以便及时发现，从而有效控制产品质量，还可以根据检测结果分析生产工艺中存在的某些问题，从而杜绝或减少缺陷品的产生 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]。 文献[31]研究了铝带连铸生产中的表面缺陷检测，通过红外检测提供铝带表面温度的分布情况以评估铝带质量，采集铝带图像，进行表面缺陷检测和分类。 采用结构方法提取图像纹理特征以进行表面缺陷检测的研究并不少见，Wen等人[101]利用结构法提取图像的边缘特征进行了皮革表面缺陷检测，Goswami等人[102]基于激光检测和形态学对织物疵点进行了检测
11.7K26发布于 2019-07-19 - 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
表面缺陷不仅影响产品的美观和舒适度，而且一般也会对其使用性能带来不良影响，所以生产企业对产品的表面缺陷检测非常重视，以便及时发现，从而有效控制产品质量，还可以根据检测结果分析生产工艺中存在的某些问题，从而杜绝或减少缺陷品的产生 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]。 文献[31]研究了铝带连铸生产中的表面缺陷检测，通过红外检测提供铝带表面温度的分布情况以评估铝带质量，采集铝带图像，进行表面缺陷检测和分类。 采用结构方法提取图像纹理特征以进行表面缺陷检测的研究并不少见，Wen等人[101]利用结构法提取图像的边缘特征进行了皮革表面缺陷检测，Goswami等人[102]基于激光检测和形态学对织物疵点进行了检测
2.1K32编辑于 2022-05-22 - 来自专栏Datawhale专栏
总结｜深度学习实现缺陷检测
前言 缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。 深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中，下面将会介绍几种深度学习算法在缺陷检测领域中的应用。 ：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。 基本检测的概念是建立一个重建网络，它可以修复样本中存在的缺陷区域，然后对输入样本与恢复样本进行比较，以指示缺陷区域的准确。结合GAN和自动编码器进行缺陷图像重建，利用LBP进行图像局部对比度检测缺陷。
2.9K10发布于 2020-07-09 - 来自专栏YOLO大作战
基于YOLOv5的缺陷检测算法（工件缺陷）
4个模型：v5s、v5m、v5l、v5x，权重文件的比较如下表：2.1.多尺度 为了实现上述微小目标同样可以达到较好的检测效果, YOLOv5模型上通过P2层特征引出了新的检测头. P2层检测头分辨率为160×160像素, 相当于在主干网络中只进行了2次下采样操作, 含有目标更为丰富的底层特征信息. 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 - 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。 ；2.摄像头镜头缺陷检测介绍摄像头镜头一共有四种缺陷，分别是白点、脏污、划伤、起翘等；["bai_dian","zang_wu","hua_shang","qi_pao"] 可以看出，绝大多数缺陷为白点 ；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部署，而是通过c++，C#，QT下进行调用，因此需要根据需求转换成tensort
2.3K20编辑于 2023-12-14 - 来自专栏一刻AI
表面缺陷检测的意义及现状
点击上方蓝色字体，关注我们 本节首先介绍表面缺陷检测的基本概念、重要意义和应用现状，对概念、意义及现状的充分了解能够帮助读者更清晰地理解表面缺陷检测方法的发展历程，从而掌握目前主流的视觉检测方法。 而表面缺陷检测便是阻止不合格品流入市场的“门神”。表面缺陷检测的意义主要体现在以下三个方面： 严格把控产品质量 表面缺陷不仅破坏产品的美感和舒适度，还可能对产品的性能造成严重损害。 自20世纪开始，表面缺陷检测大致经历了三个阶段，分别是人工目视法检测、单一机电或光学技术检测以及机器视觉检测。 实现自动化的表面缺陷检测系统存在以下技术难点： 缺陷本身带来的技术难点 不同缺陷的种类复杂以及同类缺陷的差异较大，给检测带来了较大的难度。 不同缺陷的种类复杂主要体现在三个方面。 首先，类间差异大，工业品的外观缺陷复杂多样，不同类别的缺陷之间形态特征可能差异极大，这种差异导致检测算法的普适性不强，许多缺陷需单独开发检测算法，开发复杂度极高。
3.2K40发布于 2020-10-27 - 来自专栏FunTester
智能测试实践之路-UI缺陷检测
算法开发实践 在UI测试过程，异常图片种类繁多、不同缺陷的表现形式多样，且不同页面的样式、排版经常发生变化，传统的CV算法（如模版匹配、滤波等）难以实现逐个缺陷判定。 对于图像分类任务，每张图片对应于某个类别（正常、空白块、文字重叠）；对于目标检测任务，每张图片对应于多个目标的检测框，每个检测框同时包含类别信息和位置信息。 我们将本实践中的异常检测问题定义为目标检测问题，不仅标注出缺陷的类别信息，同时标注出缺陷的具体位置。 为缺陷位置的相对坐标（这样即使图片发生了resize，缺陷坐标保持不变）和缺陷的类型。 分析热力图发现，缺陷在空白块处响应最大，说明缺陷的特征已被分类器准确学习到。
1.2K31编辑于 2022-12-09 - 来自专栏深度学习和计算机视觉
基于OpenCV的焊件缺陷检测
可以通过图像来检测焊接中的缺陷，并精确测量每个缺陷的严重性，这将有助于并避免上述危险情况的出现。使用卷积神经网络算法和U-Net架构可提高检测的效率，精度也能达到98.3％。 02. 白色区域或“高”值表示缺陷区域，而黑色区域或“低”值表示无缺陷。 来自“标签”的二进制图像 05. 算法 我们将使用U-Net来解决这个问题，通过以下三个主要步骤来检测缺陷及其严重性： 图像分割 使用颜色显示严重性 使用图像矩测量严重性 训练模型 使用的U-Net架构 注意事项： 每个蓝色框对应一个多通道特征图 之后，算法将检测缺陷并通过颜色分级在视觉上标记缺陷的严重性，并根据缺陷的严重性为具有缺陷的像素分配权重。然后考虑加权像素，在此图像上计算图像力矩。 结果 我们使用颜色来表示缺陷的严重程度： 绿色表示存在严重缺陷的区域。 蓝色表示缺陷更严重的区域。 红色区域显示出最严重的缺陷。 零阶矩将以百分比形式显示在输出图像旁边，作为严重程度的经验指标。
47610编辑于 2025-02-05 - 来自专栏CVer
一文梳理缺陷检测方法
目前，机器视觉表面缺陷检测是CNN在工业上最成熟的应用之一。接下来我们将介绍深度学习在表面缺陷检测领域的概述。 ? ? ? ? 01 缺陷检测问题的定义 ? 1.2 缺陷检测任务 缺陷检测的任务大致分为三个阶段分别是缺陷分类、缺陷定位、缺陷分割，如下图所示，缺陷分类需要分类出缺陷的类别（异色、空洞、经线）；缺陷定位不仅需要获取缺陷的类别还需要标注出缺陷的位置 02 表面缺陷检测的深度学习方法 ? 根据缺陷检测的三个阶段其方法大致可以分为三类分别是分类网络、检测网络、分割网络。 ：紧固件缺陷缺陷检测 主要方法：作者将深度卷积神经网络(DCNNs)应用到高铁线路紧固件缺陷检测。 03 缺陷检测的关键问题 ? 缺陷检测的关键问题主要是三个方面分别是小样本、小目标、实时性。
6.8K21发布于 2021-01-28 - 来自专栏机器视觉那些事儿
基于变分模型的缺陷检测
印刷缺陷检测经常用于两种方法:差分模型、变分模型。差分模型包括区域差分和图像差分，对于来料以及光源的一致性要求较高，而变分模型对此具有更好的鲁棒性。 现有5组测试图集，每组分为测试缺陷图和基准缺陷图。 测试图云链接： 链接：https://pan.baidu.com/s/16hUUoyGUx0d60AN0O0zEPw 提取码：u1or 其中一组测试缺陷图 ? 其中4/7/9/10为真正缺陷图 ? 对应基准缺陷图 ? 算法步骤 （1）感兴趣区域分割 （2）以基准图构建变分模型 （3）测试图与变分模型一一对比 检测效果 ? 注：建议按以上步骤进行尝试，若有差异可参考后续源代码。
1.3K10发布于 2020-08-28
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