缺陷检测算法综述、源码(传统+深度学习)

本文概述了深度学习在工业图像表面缺陷检测中的应用,包括语义分割、目标检测和GAN等方法,并列举了不同行业的案例,如PCB、钢材、胶囊、电池、织物和果蔬的缺陷检测。同时,提供了多个相关数据集和开源工具箱链接,以及一系列深度学习模型在缺陷检测领域的具体应用和实验结果。
摘要由CSDN通过智能技术生成

目录

半监督工业图像表面缺陷检测新方法MemSeg

 aoi缺陷检测

文献资料汇总

缺陷检测工具箱

基于深度学习方式

1、语义分割方式

2、目标检测方式

3、基于GAN

4、不同行业应用

1)PCB

PCB缺陷检测—TDD-net论文笔记随笔

2)钢材缺陷检测

3)胶囊缺陷检测

4)电池缺陷检测

5)织物缺陷检测

6)水果和蔬菜缺陷检测

其它

缺陷检测数据集

1、A fast and robust convolutional neural network-based defect detection model in product quality control

2、Automatic Defect Detection of Fasteners on the Catenary Support Device Using Deep Convolutional Neural Network(基于深度卷积网络的接触网支架紧固件缺陷自动检测)

3、Automatic Fabric Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Network Model(基于多尺度卷积消噪自编码网络模型的织物疵点自动检测)

4、An Unsupervised-Learning-Based Approach for Automated Defect Inspection on Textured Surfaces

5、Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks

6、Autonomous Structural Visual Inspection Using Region-Based Deep Learning for Detecting Multiple Damage Types

7、A Surface Defect Detection Method Based on Positive Samples

8、Segmentation-based deep-learning approach for surface-defect detection

9、SDD-CNN: Small Data-Driven Convolution Neural Networks for Subtle Roller Defect Inspection(小数据驱动卷积神经网络在轧辊微小缺陷检测中的应用)


半监督工业图像表面缺陷检测新方法MemSeg

https://blog.csdn.net/jacke121/article/details/125341679

 aoi缺陷检测

文献资料汇总

https://github.com/Eatzhy/surface-defect-detection

综述:机器视觉表面缺陷检测综述

知乎缺陷检测数据集汇总:

表面缺陷检测数据集汇总及其相关项目推荐 | Github开源 - 知乎

这个也可以看看:

基于图像处理技术的工业缺陷检测_cuixing001的博客-CSDN博客_图像处理缺陷检测

  • 1
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
基于多种深度学习的故障检测算法python源码+项目说明 【资源介绍】 该代码主要参考论文和代码放在最后,主要用来研究和学习一些有关故障检测深度学习算法和CWRU轴承数据集 也对该代码进行了通读和理解,并对其进行了简单的改造,也添加了一些可视化的代码 Overall introduction AE_Datasets:自编码器的三种数据预处理方式的相关代码 CNN_Datasets:卷积神经网络的三种数据预处理方式的相关代码 checkpoint:存放的是不同网络训练过程的日志(这里存放的是我当时跑训练模型时的日志信息) logs:存放的是训练集和验证集训练过程的各种指标(准确率、精确率、召回率、误报率、漏检率、F1值、Loss值)的数据(使用tensorboard就可以可视化) models:放置各种不同的网络模型的代码 utils:包含训练过程的一些函数 draw_models.py:对各个模型的训练集和验证集的ACC和LOSS进行绘图可视化的代码 draw_transform.py:对CWRU数据集的数据进行各种变换分析(CWT和STFT(汉宁窗)),并绘图进行可视化的代码 train.py:训练除自编码器的网络模型的代码 train_ae.py:训练自编码器的网络模型的代码 Add 在train_utils.py和train_utils_ae.py的train函数中:增添了tensorboard可视化,增加了训练中的指标精确率、召回率、误报率、漏报率 增添了draw_models.py和draw_transform.py feelings 在故障检测的这个项目中,通过该代码的研读也对多种网络模型有了较为深刻的理解,也对pytorch的这套深度学习整体框架有了很多的了解,自己也对CWRU数据集进行了很多次的训练,也得出了对于适用于CWRU数据集故障检测的很棒的模型和数据输入。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值