根据本发明的一个方面,在所述s11中,对所述端面和凸台按照如下公式的模板匹配获得r(x,y)值时得到两组值(x1,y1,phi1;x2,y2,phi2)分别代表定位的x坐标、y坐标和角度:
根据本发明的一个方面,所述步骤s14包括:所述步骤s14包括:按照imagemerge1=k1*image1+k2*image2+b对所述凸台图片和端面图片进行融合,再按照imagemerge2=a*imagemerge1+b获得终的融合图片;
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。
以上信息由专业从事非标产品瑕疵检测的宣雄于2024/5/12 5:36:13发布
转载请注明来源:http://m.tz1288.com/qynews/szxxznlj-2750975808.html