基于深度学习的工业视觉缺陷检测系统

LIDD-Net: 基于深度学习的轻量级工业产品 缺陷检测方法

In industrial products, various types of defects often exhibit high inter-class similarity, large scale variations, and complex backgrounds. To address these challenges, a lightweight industrial defect detection network (LIDD-Net) was proposed. To handle highly similar defect types, in LIDD-Net, a channel interaction separation backbone network was introduced, which enhanced feature extraction while reducing the computational cost of the model. To address multiscale defect variations, a lightweight feature fusion network was developed, namely RepGhostPAN, to efficiently integrate multi-scale features in the image and accelerate inference. For complex detection backgrounds, a lightweight auxiliary training module was proposed, leveraging an auxiliary training head and a dynamic soft label assignment strategy to better distinguish target defects from complex backgrounds. Experiments on steel, aluminum, and tire defect datasets demonstrate that LIDD-Net achieves mAP@0. 5 scores of 98. 3%, 98. 1%, and 96. 1%, respectively, with only 0. 62×106 parameters, meeting practical industrial requirements.

基于深度学习的工业产品表面缺陷视觉检测方法研究

随着深度学习的发展,基于深度学习的表面缺陷检测方法开始被应用于现实工业生产场景中.但是这些方法一般是基于监督学习的方法,训练模型时需要大量的缺陷标注样本.在现实工业场景中存在缺陷样本收集困难,无法收集涵盖所有类型的缺陷样本,缺陷样本标注需要耗费大量的...

一种基于深度学习的工业产品缺陷检测方法

本发明公开了一种基于深度学习的工业产品缺陷检测方法,属于计算机视觉和深度学习领域,所述方法包括:对原始工业产品图像进行像素级别的缺陷标注,并将原始工业产品图像及其对应的标注信息作为样本数据;对样本数据进行预处理和数据增强,得到训练集,测试集和验证集;构建缺陷检测网络;将所述训练集,测试集和验证集输入搭建好的缺陷检测网络进行训练,得到训练好的缺陷检测模型;将待检测的工业产品图像输入训练好的缺陷检测模型进行缺陷检测,得到所述工业产品图像的缺陷信息.本发明采用深层网络VGG16bn的特征提取网络前端进行下采样,采用亚像素卷积结构实现上采样,同时使用跳跃连接实现特征融合,可以高效,准确的检测出微小的工业产品缺陷.

基于Yolov3算法的视觉检测系统设计与实现

针对传统工业产线上的质量检测环节,本文提出了一种基于FPGA控制板卡与物体识别算法的机器视觉检测系统.该系统采用FPGA+GPU并行处理结构作为硬件平台,充分利用FPGA实时性好,可实现复杂控制逻辑等特点完成视觉系统各部件的控制以及数据传输,配合电脑端的GPU完成物体识别算法.实验结果表明,该方案可以满足生产线上的高速要求,并且易于部署,从而实现了深度学习在传统生产线上的落地应用.