由于CNN强大的特征提取能力,采用基于CNN的分类网络目前已成为表面缺陷分类中的模式一般来说,现
有表面缺陷分类的网络常常采用计算机视觉中现成的网络结构,包括AlexNet, VGG, GoogL eNet,ResNet,
SENet, ShuteNet,MobileNet等。利用分类网络结合上滑动窗口的方式可以实现缺陷的定位。
Deep learning-based crack damage detection using convolutional neural networks
目标定位是计算机视觉领域中基本的任务之一,同时它也是和传统意 义上缺陷检测接近的任务,其期的是获
得目标的位置和类别信息。目前, 基于深度学习的目标检测方法层出不穷,-般来说, 基于深度学习的缺陷
检测网络从结构.上可以划分为:以Faster R-CNN为代表的两阶段(two stage)网络和以SSD或YOLO为代表的一
阶段(one stage)网络。两者的主要差异在于两阶段网络需要首先生成可能包含缺陷的候选框(proal),然后在
进一步进行目标检测。-阶段网络直接利用网络中提取的特征来预测缺陷的位置和类别。
一、成本低。机器视觉检测系统大大降低了厂的成本。
二、准确率高。通过机器视觉检测设备,可以每周7天,每天24小时不间断地生产高质量的产品,避免出现产品召回,产品责任索赔和图像损
坏等。.
三、安全性高。安全生产,产品可靠,机器视觉保证了生产过程中以及终产品的安全性。
苏州宣雄智能科技有限公司 苏州宣雄智能科技有限公司 苏州宣雄智能科技有限公司以上信息由专业从事双摄像头缺陷检测的宣雄于2024/6/23 8:35:15发布
转载请注明来源:http://szhou.mf1288.com/szxxznlj-2774459694.html
上一条:篷布厂家免费咨询「苏州顺捷篷布」