CN110658202A 一种基于深度学习的工业元器件外观缺陷检测方法 （贵州航天云网科技有限公司）_第1页
CN110658202A 一种基于深度学习的工业元器件外观缺陷检测方法 （贵州航天云网科技有限公司）_第2页
CN110658202A 一种基于深度学习的工业元器件外观缺陷检测方法 （贵州航天云网科技有限公司）_第3页
CN110658202A 一种基于深度学习的工业元器件外观缺陷检测方法 （贵州航天云网科技有限公司）_第4页
CN110658202A 一种基于深度学习的工业元器件外观缺陷检测方法 （贵州航天云网科技有限公司）_第5页
已阅读5页，还剩12页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

技术产业开发区黔灵山路357号德福一种基于深度学习的工业元器件外观缺陷测平台上的相机获取待测工件外表面的图像数2S3、图像分析和识别步骤：获取基于深度学习构S302、缺陷分析步骤：在输出待诊断图像3S×S表示每张训练图像被分成S×S个网格；B表示每一个网格预测的可能包含缺陷的形框和模型预测的矩形框的左上角对于第i个网格中心在两个方向上的偏移量；wi和hi、分别表示第i个网格中人工标注的缺陷类别和模型预测的类别；pi(c)和hte表示第i个网格中人工标注的和模型预测的缺陷类别为c的概45[0026]进一步，所述步骤S301中，所述卷积神经网络模型包括24个卷积层和2个全连接[0033]S×S表示每张训练图像被分成S×S个网格；B表示每一个网格预测的可能包含缺6的缺陷矩形框和模型预测的矩形框的左上角对于第i个网格中心在两个方向上的偏移量；,和i,分别表示第i个网格中人工标注的缺陷矩形框和模型预测的矩形框的宽与[0035]图1为本发明实施例一种基于深度学习的工业元器件外观缺陷检测方法的流程7可能包含缺陷的矩形框个数；表示第i个网格中的第j个矩形框是否负责本网格中的缺分别表示人工标注的缺陷矩形框和模型预测的矩形框的左上角对于第i个网格中心在两个测的矩形框的宽与高，Ci和分别表示第i个网格中人工标注的缺陷类别和模型预测的类别；pi(c)和hte表示第i个网格中人工标注的和模型预测的缺陷类别为c的概率具体实施8[0061]实施例二与实施例一的区别在于，如图2所示，所述检测平台包括顶部可翻转打9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论