基于正样本的产品表面缺陷视觉检测方法

表面缺陷视觉检测是产品质检重要环节之一,而实际工业应用中,往往存在表面缺陷样本少、需要大量标注样本等问题。为此,将注意力机制引入Resnet50网络,提出一种基于正样本的产品表面缺陷视觉检测方法。首先,利用预训练网络Resnet50＿CBAM学习到包含来自不同语义层和分辨率信息的嵌入向量,并利用多元高斯参数表示图片正常特征;其次,将缺陷图像输入到预训练网络Resnet50＿CBAM,获得相应的嵌入向量和多元高斯参数;最后,采用马氏距离计算整张缺陷图像所有像素点的缺陷分数图,实现基于像素级的缺陷区域定位。实验数据集验证结果表明,与已有方法相比,所提方法需要的正常样本更少且检测精度更高,从而可以有效解决少样本的产品缺陷视觉检测难题。     

基于3D点云数据的产品缺陷检测研究

传统2D视觉检测技术存在效率低下、检测精确度较低等不足，3D视觉技术因能显著提高缺陷检测的效率和可靠性得到了高度关注和广泛研究。对已有文献进行了广泛调研分析，介绍了3D点云数据的基本概念、获取方式及其预处理方法，重点归纳了传统点云数据缺陷检测方法和点云数据深度学习缺陷检测方法，并探讨了当前研究中存在的问题与挑战。