根据本发明的一个方面,在所述步骤s24中:
将同一位置处的缺陷筛选出来后,利用设定大小的矩形核膨胀得到比实际缺陷略大的roi区域,提炼出所述roi区域大小的原图;
根据公式:c=∑δδ(i,j)2pδ(i,j)计算出所述roi区域图像的对比度,筛选出同一位置处对比度缺陷作为表现清晰的缺陷;
其中δ(i,j)=|i-j|表示相邻像素间灰度差,pδ(i,j)表示相邻像素间的灰度差值为δ的像素分布概率。
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。
制造商/供应商:在某些情况下,产品的制造商或供应商也可以提供缺陷检测服务。这些制造商或供应商通常具有自己的质量控制体系和检测设备,可以对其生产的产品进行缺陷检测,以确保产品质量符合标准和要求。
第三方机构:还有一些独立的第三方机构提供缺陷检测服务,它们与制造商和供应商无利益关系,能够提供客观和独立的检测结果。这些机构通常具有丰富的经验和的技术团队,可以针对特定的产品或行业进行的缺陷检测。
在选择缺陷检测服务时,需要根据具体的需求和产品特性选择合适的检测场所。重要的是选择可靠和有经验的机构,以确保缺陷检测的准确性和可靠性。
以上信息由专业从事工业瑕疵检测的宣雄于2024/4/28 6:30:44发布
转载请注明来源:http://m.tz1288.com/qynews/szxxznlj-2743072066.html