[發明專利]一種基于機器視覺的陶瓷杯缺陷檢測方法在審
| 申請號： | 202010513484.5 | 申請日： | 2020-06-08 |
| 公開（公告）號： | CN111861983A | 公開（公告）日： | 2020-10-30 |
| 發明（設計）人： | 趙宇坤;何其偉;宗兆翔 | 申請（專利權）人： | 上海電機學院 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00;G06N3/08;G06N3/04;G06K9/62 |
| 代理公司： | 廣東有知貓知識產權代理有限公司 44681 | 代理人： | 朱親林 |
| 地址： | 201306 *** | 國省代碼： | 上海;31 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 機器 視覺 陶瓷 缺陷 檢測 方法 | ||
【權利要求書】：
1.一種基于機器視覺的陶瓷缺陷檢測方法，其特征在于，包括如下步驟：
步驟1：數據采集與圖片標注
步驟2：建立數據集
步驟3：構建神經網絡模型并進行樣本數據訓練
步驟4：模型參數調整
步驟5：在線檢測。
2.根據權利要求1所述的基于機器視覺的陶瓷缺陷檢測方法，其特征在于，所述步驟1包括在生產制造陶瓷杯的工廠中，線上采集大量陶瓷杯圖片(包括合格品與殘次品)，對產品圖片進行分類型的像素級別的缺陷標注。
3.根據權利要求1所述的基于機器視覺的陶瓷缺陷檢測方法，其特征在于，所述步驟1還包括定義缺陷類型包括：針孔、開裂、裂把、疙瘩、臟點、色臟、硬傷。
4.據權利要求1所述的基于機器視覺的陶瓷缺陷檢測方法，其特征在于，所述步驟3包括所述神經網絡模型為基于深度學習的缺陷檢測網絡模型，具體結構如下：
(1)在數據訓練的過程中，每次都有樣本數據進入網絡，先與64個3×3的卷積核進行卷積運算，提取到初步的特征，
(2)經過3×3的最大池化操作
(3)之后進入殘差模塊，所述殘差模塊包含有四個卷積層，所述卷積層分別是：3×3×64卷積層、3×3×128卷積層、3×3×256卷積層、3×3×512卷積層，
(4)再經過3×3的最大池化操作，
(5)與1個3×3的卷積核進行卷積運算，得到最后輸出的特征圖。
(6)最終，所述特征圖進行全局平均池化操作，得到訓練完畢的神經網絡模型。
下載完整專利技術內容需要扣除積分，VIP會員可以免費下載。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于上海電機學院，未經上海電機學院許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010513484.5/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：一種活塞式健身器材
- 下一篇：數字貨幣的支付方法及系統
