• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學(xué)習(xí)的橡膠制品缺陷檢測(cè)技術(shù)創(chuàng)新

    2023-08-08 13:16:26朱世元方世鵬
    粘接 2023年7期
    關(guān)鍵詞:橡膠制品識(shí)別技術(shù)研究

    朱世元 方世鵬

    摘 要:橡膠制品表面缺陷會(huì)極大地影響產(chǎn)品的性能、安全性和可靠性。傳統(tǒng)的基于人的視覺(jué)檢測(cè)準(zhǔn)確率低且耗時(shí)長(zhǎng),現(xiàn)有的機(jī)器視覺(jué)檢測(cè)技術(shù)主要依靠人工完成,無(wú)法有效精準(zhǔn)對(duì)橡膠制品缺陷檢測(cè)。針對(duì)橡膠制品中各種缺陷檢測(cè)識(shí)別問(wèn)題,采用基于深度學(xué)習(xí)模型的多尺度缺陷檢測(cè)方法,使用橡膠制品表面缺陷圖像對(duì)該網(wǎng)絡(luò)進(jìn)行了訓(xùn)練和評(píng)估。研究結(jié)果顯示,所建立的檢測(cè)模型對(duì)橡膠制品凹坑檢測(cè)準(zhǔn)確率較高,平均精度為92.7 %,可以有效檢測(cè)橡膠制品小缺陷,且基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的初始總損失相對(duì)較小,在100~150個(gè)歷時(shí)之間趨于穩(wěn)定。

    關(guān)鍵詞:深度學(xué)習(xí);橡膠制品;缺陷;識(shí)別;技術(shù)研究

    中圖分類號(hào):TQ330.7

    文獻(xiàn)標(biāo)志碼:A

    文章編號(hào):1001-5922(2023)07-0026-04

    Innovation on rubber product defect detection and recognition technology based on deep learning

    ZHU Shiyuan,F(xiàn)ANG Shipeng

    (Yanan University,Yanan 716000,Shaanxi China

    Abstract:Surface defects in rubber products can greatly affect the performance,safety,and reliability of the product.Traditional human based visual inspection has low accuracy and long time consumption.However,existing machine vision inspection technologies mainly rely on manual work and cannot effectively and accurately detect defects in rubber products.Therefore,in response to various defect detection and recognition issues in rubber products,a multi-scale defect detection method based on depth models is adopted.The network was trained and evaluated using surface defect images of rubber products.The research results show that the detection model established in this article has a high accuracy in detecting pits in rubber products,with an average accuracy of 92.7%.It can effectively detect small defects in rubber products.Moreover,the initial total loss of the neural network model based on deep learning is relatively small,and tends to stabilize between 100 and 150 durations.

    Key words:deep learning;rubber products;defects;recognition;technical research

    絕大多數(shù)傳統(tǒng)橡膠制品不溶,難以再加工和生物降解,造成黑色污染。而將聚丁二烯基加入橡膠制品可以有效加速橡膠制品降解速率。其中聚丁二烯基橡膠制品表面質(zhì)量是評(píng)價(jià)橡膠制品整體質(zhì)量的重要指標(biāo)[1]。研究指出受原材料運(yùn)輸、生產(chǎn)工藝水平、工人操作標(biāo)準(zhǔn)等因素的影響,聚丁二烯基橡膠制品經(jīng)常出現(xiàn)凹坑、氣泡、劃痕等表面缺陷[2]。如果表面缺陷問(wèn)題不能及時(shí)發(fā)現(xiàn)和解決,就會(huì)出現(xiàn)不合格的產(chǎn)品,這將給企業(yè)帶來(lái)很大的經(jīng)濟(jì)負(fù)擔(dān)[3]。目前,企業(yè)生產(chǎn)中聚丁二烯基橡膠制品表面缺陷的檢測(cè)仍處于人工目視檢查去除不良品的階段[4-5]。檢測(cè)效率低,勞動(dòng)強(qiáng)度高。因此,迫切需要一種智能高效的檢測(cè)方法來(lái)替代人工。

    基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)通過(guò)將數(shù)據(jù)和低級(jí)特征轉(zhuǎn)換為更抽象和復(fù)合的表示來(lái)發(fā)現(xiàn)其輸入數(shù)據(jù)的分布式表示[6]。分析結(jié)果表明,人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)可以自動(dòng)從大型訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)高度抽象和不變的特征,而不是人為地構(gòu)建低級(jí)特征;因此,它可以穩(wěn)健地適應(yīng)各種計(jì)算機(jī)視覺(jué)任務(wù)[7]。

    且在計(jì)算機(jī)視覺(jué)中,深度學(xué)習(xí)的對(duì)象往往是自然圖像,包括行人、車輛、動(dòng)物和人臉等;但利用深度學(xué)習(xí)檢測(cè)橡膠制品表面缺陷的研究較少[8]。因此,本文提出了一種基于深度學(xué)習(xí)的聚丁二烯基橡膠制品表面缺陷檢測(cè)網(wǎng)絡(luò)。該網(wǎng)絡(luò)基于Faster R-CNN和特征金字塔網(wǎng)絡(luò)(FPN),可以有效檢測(cè)橡膠制品各種尺度的表面缺陷。

    1 橡膠制品表面缺陷圖像識(shí)別

    根據(jù)聚丁二烯基橡膠制品缺陷的工藝和原因不同,分為嚴(yán)重危害缺陷、自然缺陷和加工缺陷[9-11]。其中,嚴(yán)重缺陷和自然缺陷,具有一定的形狀和結(jié)構(gòu)特征,如圖1所示。一般來(lái)說(shuō),聚丁二烯基橡膠制品缺陷可分為:氣泡、致密性差、腐爛等。實(shí)驗(yàn)使用的原始數(shù)據(jù)集來(lái)源于某橡膠制品公司采樣所得圖像。掃描獲取橡膠制品圖像時(shí),掃描儀的掃描速度為170~5 000 Hz;Z方向分辨率為 0.055~0.200 mm;X方向分辨率為 0.275 5~0.550 mm;并且彩色像素分辨率可以達(dá)到(1×0.5)mm。該數(shù)據(jù)集包括5 000張橡膠制品的缺陷圖。每個(gè)圖像的位深度為24,大小為100×100像素級(jí)別。

    2 表面缺陷檢測(cè)網(wǎng)絡(luò)模型建立

    利用 FasterR-CNN對(duì)聚丁二烯橡膠制品表面缺陷進(jìn)行分類、定位,建立了多尺度缺陷檢測(cè)網(wǎng)絡(luò)模型[12]。Faster R-CNN系統(tǒng)由特征提取網(wǎng)絡(luò)(FEN)、區(qū)域提議網(wǎng)絡(luò)(RPN)、感興趣區(qū)域(ROI)以及分類和回歸層組成??紤]到橡膠制品表面缺陷的特點(diǎn),在基本的Faster R-CNN中加入了FPN的特征融合思想以提高缺陷檢測(cè)性能。

    2.1 特征提取網(wǎng)絡(luò)

    特征提取網(wǎng)絡(luò)是一個(gè)大型的區(qū)域提議網(wǎng)絡(luò),可以從輸入的圖像中自動(dòng)提取高級(jí)特征。在研究中,可以使用ResNet101來(lái)獲得高層次和語(yǔ)義強(qiáng)的特征。而ResNet101的基本結(jié)構(gòu)是一個(gè)瓶頸,可以有效解決網(wǎng)絡(luò)模型性能下降的問(wèn)題,并引導(dǎo)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型更深入的檢測(cè)聚丁二烯基橡膠制品缺陷[13]。瓶頸包含3個(gè)卷積層:1×1、3×3和1×1,后面分別是“Relu”激活函數(shù),以及“快捷連接”,即跳過(guò)一個(gè)或多個(gè)層,直接將輸入映射到輸出,而不增加額外參數(shù)。

    2.2 區(qū)域提議網(wǎng)絡(luò)

    在特征融合之后,區(qū)域提議網(wǎng)絡(luò)(RPN)可以生成區(qū)域建議或感興趣的區(qū)域(ROI),即缺陷周圍的矩形區(qū)域,包括每個(gè)建議中的前景(包含缺陷)的概率。改進(jìn)的RPN是一個(gè)全卷積網(wǎng)絡(luò),主要由一個(gè)3×3的卷積層和2個(gè)同級(jí)的1×1的卷積層實(shí)現(xiàn)的,用于分類和回歸[14]。將全卷積網(wǎng)絡(luò)(3×3卷積層和2個(gè)1×1卷積層)附加到特征提取網(wǎng)絡(luò)(FEN)輸出的每個(gè)特征圖上,然后生成幾個(gè)包含每個(gè)錨點(diǎn)的缺陷/非缺陷估計(jì)概率以及從錨點(diǎn)到區(qū)域建議的預(yù)測(cè)坐標(biāo)轉(zhuǎn)換的向量。

    2.3 改進(jìn)ROI區(qū)域

    改進(jìn)的RPN輸出的區(qū)域建議具有不同的維度,并且最終分類和回歸層的輸入需要相同的大小,因此ROI區(qū)域的目的是執(zhí)行最大檢測(cè)最大效率化,將任何建議內(nèi)的特征轉(zhuǎn)換為具有固定大?。ɡ?,7×7)的向量。首先,將不同大小的區(qū)域方案劃分為大小相等的部分,如7×7;然后,輸出每個(gè)部分中的最大值,并且可以獲得固定大小的向量[15]。此外,在進(jìn)行ROI區(qū)域確定操作之前,需要將帶有(x1,y1)和(x2,y2)的區(qū)域建議映射到橡膠制品特征圖中。將4個(gè)特征圖{P2,P3,P4,P5}輸入到ROI區(qū)域中,進(jìn)一步確定ROI區(qū)域范圍。并將寬度(w)和高度(h)(在輸入圖像上)的區(qū)域分配給特征圖Pk,如式(1):

    k=4+log2(wh/224)(1)

    2.4 網(wǎng)絡(luò)訓(xùn)練

    多尺度缺陷檢測(cè)網(wǎng)絡(luò)是由網(wǎng)絡(luò)的結(jié)構(gòu)和卷積層的權(quán)重組成。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)完成后,需要獲得卷積層的最佳權(quán)重。網(wǎng)絡(luò)訓(xùn)練是一個(gè)實(shí)現(xiàn)權(quán)重優(yōu)化并引導(dǎo)網(wǎng)絡(luò)預(yù)測(cè)接近輸入真實(shí)性的過(guò)程,它由前向傳播和后向傳播組成。前向傳播是按照從輸入到輸出的順序計(jì)算和存儲(chǔ)網(wǎng)絡(luò)的中間變量(包括輸出)。后向傳播是指計(jì)算網(wǎng)絡(luò)的損失(輸出與輸入的真實(shí)性之差)并利用損失的梯度更新權(quán)重的方法[16]。多尺度缺陷檢測(cè)網(wǎng)絡(luò)的損失來(lái)自改進(jìn)的RPN以及分類和回歸層。在訓(xùn)練中,損失的選擇是非常重要的。對(duì)于分類層和回歸層,改進(jìn)的RPN是端到端訓(xùn)練的。因此使用Fast R-CNN中的多任務(wù)損失L來(lái)訓(xùn)練改進(jìn)的RPN:

    L(pi,ti)=1Ncls∑Lcls(pi,pi*)+λ1Nreg∑ipi*×Lreg(ti,ti*)(2)

    式中:i是一個(gè)小批量中的錨點(diǎn)索引,在分類損失中,p*和p分別為聚丁二烯基橡膠制品真實(shí)標(biāo)簽和預(yù)測(cè)的錨點(diǎn)缺陷的概率。在回歸損失中,ti和ti*分別代表錨點(diǎn)和預(yù)測(cè)區(qū)域建議以及錨點(diǎn)和地面實(shí)況框之間的幾何差異的向量,則ti*的計(jì)算方法為:

    tx*=(Gx-Ax)/Awty*=(Gy-Ay)/Ahtw*=log(Gw/Aw)th*=log(Gh/Ah) (3)

    此外,分類損失計(jì)算:

    Lcls=∑i-p*i×log(pi)-(1-p*i)×log(1-pi)(4)

    回歸損失計(jì)算:

    Lreg=∑ismooth L1(t*i-ti)(smooothL1(x)=0.5x2 ifx<1x-0.5)(5)

    此外,本文使用與改進(jìn)的RPN相同的損失來(lái)訓(xùn)練分類層和回歸層,這也是端到端的訓(xùn)練。

    3 實(shí)驗(yàn)環(huán)境設(shè)定

    在聚丁二烯基橡膠制品表面缺陷的識(shí)別研究中,實(shí)驗(yàn)使用Python 3.5,PyTorch作為深度學(xué)習(xí)庫(kù),cuda 9.1和cudnn 5.1在谷歌云平臺(tái)上使用8GB內(nèi)存的NVIDA Tesla K80圖形處理單元(GPU)進(jìn)行。在訓(xùn)練多尺度缺陷檢測(cè)網(wǎng)絡(luò)時(shí),本文對(duì)輸入圖像(分辨率為2 560×1 280)的短邊進(jìn)行了960倍的縮放,然后通過(guò)使其具有固定的平均值和方差對(duì)每張圖像進(jìn)行歸一化。在計(jì)算網(wǎng)絡(luò)的損失時(shí),在RPN以及分類和回歸層的損失函數(shù)中都使用λ=1。此外,網(wǎng)絡(luò)的權(quán)重通過(guò)隨機(jī)梯度下降(SGD)進(jìn)行改進(jìn)[17],包括0.001的學(xué)習(xí)率、0.9的動(dòng)量和0.000 5的權(quán)重衰減。在網(wǎng)絡(luò)的訓(xùn)練中,使用一個(gè)批處理規(guī)模(批處理指的是輸入圖像的數(shù)量)和50個(gè)epochs來(lái)提高性能(epoch指的是網(wǎng)絡(luò)被訓(xùn)練的數(shù)量)。在評(píng)估物體檢測(cè)網(wǎng)絡(luò)的性能時(shí),使用平均精度(AP)進(jìn)行多尺度缺陷檢測(cè)。

    4 結(jié)果與討論

    4.1 網(wǎng)絡(luò)模型訓(xùn)練損失

    在網(wǎng)絡(luò)訓(xùn)練的過(guò)程中,有必要對(duì)訓(xùn)練數(shù)據(jù)集的損失進(jìn)行及時(shí)的可視化。并驗(yàn)證聚丁二烯基橡膠制品表面缺陷檢測(cè)是否有效,可以通過(guò)損失曲線的趨勢(shì)來(lái)判斷。此外,損失可以指導(dǎo)網(wǎng)絡(luò)中參數(shù)的調(diào)整,包括訓(xùn)練歷時(shí)、學(xué)習(xí)率、權(quán)重衰減和結(jié)構(gòu)優(yōu)化[18]。多尺度缺陷檢測(cè)網(wǎng)絡(luò)的總損失包括RPN中的分類損失和回歸損失,以及分類層和回歸層的分類損失和位置損失。在訓(xùn)練中,各種損失可以分別用rpn_cls_loss(學(xué)習(xí)率)、rpn_loc_loss(訓(xùn)練歷時(shí))、roi_cls_loss(權(quán)重衰減)和roi_loc_loss(結(jié)構(gòu)優(yōu)化)表示。

    訓(xùn)練期間的損失曲線如圖2所示。研究中,網(wǎng)絡(luò)在每個(gè)epoch中對(duì)所有訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練,網(wǎng)絡(luò)的各種損失每50步記錄一次(一步等于一張圖片),因此所有損失曲線總共有2 700次迭代(一次迭代等于50步)。

    如圖2所示,各種損失曲線均呈現(xiàn)下降的趨勢(shì),在訓(xùn)練的開(kāi)始階段,損失大幅度下降,說(shuō)明學(xué)習(xí)率合適,開(kāi)始呈梯度下降。其中rpn_loc_loss下降幅度較小,在0~500迭代期間內(nèi),損失下降0.4,而roi_cls_loss下降幅度最大,損失下降0.5。且隨著迭代次數(shù)增加,在訓(xùn)練到一定的歷時(shí)后,損失曲線趨于穩(wěn)定,且rpn_cls_loss、rpn_loc_loss、roi_cls_loss、roi_loc_loss最終損失分別穩(wěn)定在0.08、0.13、0.07、0.1,進(jìn)一步表明網(wǎng)絡(luò)開(kāi)始收斂。同時(shí)網(wǎng)絡(luò)損失的下降,可以有效提高聚丁二烯基橡膠制品表面缺陷檢測(cè)精度。

    4.2 橡膠制品缺陷檢測(cè)

    為進(jìn)一步評(píng)估深度學(xué)習(xí)網(wǎng)絡(luò)模型的檢測(cè)效果,對(duì)聚丁二烯基橡膠制品常見(jiàn)的劃痕、裂紋、氣泡、凹坑等缺陷進(jìn)行識(shí)別檢測(cè)。并統(tǒng)計(jì)每個(gè)缺陷類別的評(píng)估指標(biāo)。由表1可知,除了氣泡缺陷外,所有其他缺陷的準(zhǔn)確率都可以保持在0.98~1.00,召回率在0.99~1.00,F(xiàn)1分?jǐn)?shù)在0.998~1.00。氣泡缺陷由于其缺陷目標(biāo)小,聚丁二烯基橡膠制品有時(shí)具有致密的氣孔,因此精度低于其他類型的缺陷。而研究所建立的檢測(cè)模型對(duì)橡膠制品凹坑檢測(cè)準(zhǔn)確率較高,且召回率及F1分?jǐn)?shù)均達(dá)到最高(1.00)。因此建立的深度學(xué)習(xí)網(wǎng)絡(luò)模型可用于實(shí)際橡膠制品缺陷檢測(cè)。

    4.3 檢測(cè)精度和檢測(cè)速度

    為了驗(yàn)證Faster R-CNN網(wǎng)絡(luò)模型加入FPN的特征融合思想有效性,將本文設(shè)計(jì)的缺陷檢測(cè)網(wǎng)絡(luò)模型與YOLO v3、YOLO v5、原始Faster R-CNN和SSD網(wǎng)絡(luò)模型在表面缺陷數(shù)據(jù)上的訓(xùn)練結(jié)果進(jìn)行了對(duì)比,對(duì)比結(jié)果如表2所示。

    不同的網(wǎng)絡(luò)模型對(duì)聚丁二烯基橡膠制品嚴(yán)重缺陷有較好的檢測(cè)效果,但對(duì)中等缺陷,特別是輕微缺陷的檢測(cè)精度卻明顯下降。改進(jìn)的Faster R-CNN網(wǎng)絡(luò)模型對(duì)三種不同類型的表面缺陷的平均精度為92.7%,改進(jìn)的Faster R-CNN的平均精度從83.1%提高到92.7%,對(duì)嚴(yán)重缺陷的平均精度為3.4%,對(duì)中等缺陷的平均精度為6.9%,對(duì)輕微缺陷的平均精度為18.5%。顯然,改進(jìn)后的Faster R-CNN網(wǎng)絡(luò)模型能夠更明顯地提高深度較淺橡膠制品小缺陷的檢測(cè)性能。此外,在檢測(cè)速度方面,在保證同一檢測(cè)設(shè)備的條件下,連續(xù)檢測(cè)缺陷樣本圖像,以每秒幀數(shù)(FPS)衡量檢測(cè)速度。其中,YOLO v3模型的檢測(cè)速度為27幀/s,YOLO v5模型的檢測(cè)速度為37幀/s,F(xiàn)aster R-CNN模型的檢測(cè)速度為17幀/s,SSD模型的檢測(cè)速度為35幀/s,而改進(jìn)的Faster R-CNN模型的檢測(cè)速度為15幀/s。本文設(shè)計(jì)的檢測(cè)算法對(duì)聚丁二烯基橡膠制品圖像的檢測(cè)時(shí)間約為0.5秒,檢測(cè)效率遠(yuǎn)高于目前的人工檢測(cè)方法,可以滿足企業(yè)實(shí)際生產(chǎn)環(huán)境中對(duì)橡膠制品表面缺陷的在線檢測(cè)速度要求[19-20]。

    4.4 網(wǎng)絡(luò)模型精度及損失

    由上述試驗(yàn)分析可知,改進(jìn)后的Faster R-CNN算法在檢測(cè)速度及準(zhǔn)確率等指標(biāo)方面上較為良好。為研究所建立網(wǎng)絡(luò)模型的精度及損失,使用相同的數(shù)據(jù)集分別在Faster R-CNN和改進(jìn)Faster R-CNN中進(jìn)行實(shí)驗(yàn),然后比較實(shí)驗(yàn)中產(chǎn)生的精度數(shù)據(jù)和損失數(shù)據(jù)。如圖3(a)所示,F(xiàn)aster R-CNN在每次訓(xùn)練的迭代次數(shù)后計(jì)算出的精度平均值,有先下降后緩慢攀升的趨勢(shì),在后半段的數(shù)值不穩(wěn)定。而改進(jìn)Faster R-CNN則是一開(kāi)始精度不穩(wěn)定,然后慢慢爬升并穩(wěn)定下來(lái)。如圖3(b)所示,F(xiàn)aster R-CNN的總損失在50~100個(gè)歷時(shí)之間趨于穩(wěn)定,然后有3個(gè)相對(duì)較大的波峰。由于Faster R-CNN使用Adam優(yōu)化器,它可以比SGD(隨機(jī)梯度下降法)更快地收斂。而改進(jìn)Faster R-CNN的初始總損失相對(duì)較小,在100~150個(gè)歷時(shí)之間趨于穩(wěn)定,在80個(gè)歷時(shí)左右有一個(gè)小峰值。綜上所述,與Faster R-CNN相比,改進(jìn)Faster R-CNN在精度和總損失方面的收斂速度和收斂后的穩(wěn)定性都比Faster R-CNN好。

    5 結(jié)語(yǔ)

    在聚丁二烯基橡膠制品缺陷檢測(cè)領(lǐng)域,深度學(xué)習(xí)方法比傳統(tǒng)的計(jì)算機(jī)視覺(jué)方法更具優(yōu)勢(shì)。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型不需要手動(dòng)提取圖像特征,可以實(shí)現(xiàn)端到端的輸入檢測(cè)。將Faster R-CNN中加入了FPN的特征融合思想以提高缺陷檢測(cè)性能,并應(yīng)用于聚丁二烯基橡膠制品缺陷檢測(cè)領(lǐng)域,其平均精度可以達(dá)到92.7%,且改進(jìn)的Faster R-CNN模型的檢測(cè)速度為15幀/s,可以快速檢測(cè)橡膠制品缺陷。

    【參考文獻(xiàn)】

    [1] 張濤,謝探陽(yáng),李玉梅,等.基于改進(jìn)YOLOv4算法的玻璃杯缺陷識(shí)別方法研究[J].電子測(cè)量技術(shù),2023,46(2):46-51.

    [2] 魏彬,李璐.基于圖像增強(qiáng)技術(shù)的皮革制品表面缺陷自動(dòng)檢測(cè)研究[J].中國(guó)皮革,2022,51(12):159-162.

    [3] 張東嶺.基于圖像處理的機(jī)械材料缺陷檢測(cè)技術(shù)研究[J].粘接,2022,49(6):39-43.

    [4] 問(wèn)尋.實(shí)驗(yàn)用玻璃器皿缺陷檢測(cè)研究[J].粘接,2021,47(8):54-57.

    [5] 閻昊,劉奕陽(yáng).基于深度森林的人機(jī)協(xié)同工業(yè)制品表面缺陷識(shí)別[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2022,31(12):280-286.

    [6] 孟雨涵,沈天成,譚立,等.基于深度學(xué)習(xí)的注塑制品微缺陷快速智能檢測(cè)方法初探[J].價(jià)值工程,2022,41(20):111-113.

    [7] 樓豪杰,鄭元林,廖開(kāi)陽(yáng),等.基于Siamese-YOLOv4的印刷品缺陷目標(biāo)檢測(cè)[J].計(jì)算機(jī)應(yīng)用,2021,41(11):3206-3212.

    [8] 張立新.基于表面缺陷檢測(cè)的金屬圖像識(shí)別[J].粘接,2019,40(8):121-123.

    [9] 湯光恒,鄧海波,湯大昶.基于計(jì)算機(jī)視覺(jué)塑料成型缺陷多維檢測(cè)的研究[J].塑料科技,2020,48(7):48-51.

    [10] 盧榮勝,吳昂,張騰達(dá),等.自動(dòng)光學(xué)(視覺(jué))檢測(cè)技術(shù)及其在缺陷檢測(cè)中的應(yīng)用綜述[J].光學(xué)學(xué)報(bào),2018,38(8):23-58.

    [11] 王鵬,呂家龍,李志浩,等.大厚度金屬增強(qiáng)橡膠復(fù)合材料的無(wú)損檢測(cè)試驗(yàn)研究[J].材料開(kāi)發(fā)與應(yīng)用,2018,33(3):56-61.

    [12] 慕秀成.基于數(shù)學(xué)模型的金屬激光粘接缺陷檢測(cè)方法[J].粘接,2019,40(12):111-114.

    [13] 王雅琳,鄒江楓,王凱,等.基于本體引導(dǎo)的注塑知識(shí)圖譜構(gòu)建及缺陷溯因應(yīng)用[J].電子與信息學(xué)報(bào),2022,44(5):1521-1529.

    [14] 劉坤鵬.輪胎缺陷實(shí)時(shí)監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].濟(jì)南:山東大學(xué),2022.

    [15] 劉漢舉.一種基于機(jī)器視覺(jué)和深度殘差收縮網(wǎng)絡(luò)的智能制造缺陷檢測(cè)方法[J].中國(guó)科技論文,2023,18(4):462-468.

    [16] 楊珂浩,于龍,高仕斌,等.基于無(wú)監(jiān)督知識(shí)蒸餾的高鐵絕緣子缺陷檢測(cè)算法[J].電氣化鐵道,2023,34(1):9-14.

    [17] 譚立志.基于卷積神經(jīng)網(wǎng)絡(luò)的火花塞表面缺陷檢測(cè)研究[J].自動(dòng)化與儀表,2023,38(1):64-69.

    [18] 蔣美仙,鄭碧佩,鄭佳美,等.基于Deeplab-V3的焊縫缺陷檢測(cè)應(yīng)用研究[J].浙江工業(yè)大學(xué)學(xué)報(bào),2021,49(4):416-422.

    [19] 張翠,楊志清,周茂杰.基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的缺陷檢測(cè)[J].模具工業(yè),2020,46(11):13-17.

    [20] 邢羽琪,唐軼,馬學(xué)玉.竹纖維改性合成混凝材料表面缺陷檢測(cè)技術(shù)優(yōu)化[J].粘接,2023,50(2):129-133.

    猜你喜歡
    橡膠制品識(shí)別技術(shù)研究
    橡膠制品的評(píng)價(jià)檢驗(yàn)
    使橡膠制品的質(zhì)量更好
    關(guān)于公共廣播系統(tǒng)的研究與應(yīng)用
    大數(shù)據(jù)挖掘中的數(shù)據(jù)分類算法技術(shù)研究
    淺談哈密瓜病蟲(chóng)害的防治措施
    蘋果樹(shù)常見(jiàn)病蟲(chóng)害防治技術(shù)
    薄煤層巷旁高水充填沿空留巷技術(shù)研究
    青島市中山公園園林樹(shù)木易混淆品種識(shí)別
    淺談暖通空調(diào)系統(tǒng)節(jié)能設(shè)計(jì)思考
    論犯罪危險(xiǎn)人格的識(shí)別
    亚洲人成电影免费在线| 777久久人妻少妇嫩草av网站| 日日夜夜操网爽| 法律面前人人平等表现在哪些方面| 国产av又大| 最近最新免费中文字幕在线| 婷婷六月久久综合丁香| 天天躁夜夜躁狠狠躁躁| 亚洲电影在线观看av| 手机成人av网站| 91在线观看av| 黄色毛片三级朝国网站| 伦理电影免费视频| av天堂久久9| 法律面前人人平等表现在哪些方面| e午夜精品久久久久久久| 国产精华一区二区三区| 欧美成人性av电影在线观看| 国产一区二区三区在线臀色熟女| 淫秽高清视频在线观看| www.999成人在线观看| 日韩免费av在线播放| 妹子高潮喷水视频| 变态另类成人亚洲欧美熟女 | 一级a爱片免费观看的视频| 日韩精品青青久久久久久| 日韩欧美国产一区二区入口| 嫩草影视91久久| 国产男靠女视频免费网站| 神马国产精品三级电影在线观看 | 香蕉国产在线看| 亚洲国产欧美一区二区综合| 中亚洲国语对白在线视频| cao死你这个sao货| 亚洲国产欧美一区二区综合| 色播亚洲综合网| 色播亚洲综合网| 麻豆av在线久日| 视频在线观看一区二区三区| 亚洲精品久久国产高清桃花| 一个人观看的视频www高清免费观看 | 最近最新中文字幕大全电影3 | 青草久久国产| 成人手机av| 欧美成人一区二区免费高清观看 | 久9热在线精品视频| 久久精品成人免费网站| 制服诱惑二区| 波多野结衣一区麻豆| 99香蕉大伊视频| 免费不卡黄色视频| 欧美一级毛片孕妇| www.精华液| 人人澡人人妻人| 中文字幕av电影在线播放| 国产亚洲精品av在线| 国产熟女xx| 日韩精品中文字幕看吧| 777久久人妻少妇嫩草av网站| 国产亚洲精品久久久久久毛片| 亚洲三区欧美一区| 日日摸夜夜添夜夜添小说| 亚洲情色 制服丝袜| 国产激情欧美一区二区| 国产精品 欧美亚洲| 少妇 在线观看| 国产高清视频在线播放一区| 成人特级黄色片久久久久久久| 精品国产超薄肉色丝袜足j| 少妇粗大呻吟视频| 韩国精品一区二区三区| 国产亚洲精品第一综合不卡| 国产av在哪里看| 美女午夜性视频免费| 国产精品,欧美在线| 亚洲成人精品中文字幕电影| 国产成人欧美| 亚洲熟女毛片儿| 亚洲人成网站在线播放欧美日韩| 黄色成人免费大全| 欧美成人午夜精品| 麻豆久久精品国产亚洲av| 久久久久亚洲av毛片大全| 村上凉子中文字幕在线| 午夜福利欧美成人| 婷婷六月久久综合丁香| 宅男免费午夜| 天堂动漫精品| 免费观看人在逋| 色精品久久人妻99蜜桃| 一本久久中文字幕| 午夜精品久久久久久毛片777| 精品无人区乱码1区二区| 久久久久久亚洲精品国产蜜桃av| 成人三级做爰电影| 在线播放国产精品三级| 久久人妻av系列| 国产精品一区二区免费欧美| 午夜日韩欧美国产| 精品久久久精品久久久| 不卡av一区二区三区| 精品国产亚洲在线| 一区二区日韩欧美中文字幕| 丝袜美腿诱惑在线| 一边摸一边抽搐一进一小说| 一级作爱视频免费观看| 午夜老司机福利片| 国产单亲对白刺激| 正在播放国产对白刺激| 看免费av毛片| av电影中文网址| 久久国产精品影院| 亚洲中文字幕一区二区三区有码在线看 | 99香蕉大伊视频| 亚洲免费av在线视频| 成人亚洲精品av一区二区| 最近最新中文字幕大全电影3 | 一级,二级,三级黄色视频| 老鸭窝网址在线观看| 午夜福利在线观看吧| 别揉我奶头~嗯~啊~动态视频| 久久久精品国产亚洲av高清涩受| 91麻豆av在线| 成人18禁高潮啪啪吃奶动态图| 午夜免费鲁丝| 国产亚洲精品一区二区www| 亚洲欧美日韩另类电影网站| 午夜福利高清视频| 国产xxxxx性猛交| 十八禁网站免费在线| 大型av网站在线播放| 69精品国产乱码久久久| 大码成人一级视频| 两个人看的免费小视频| 欧美日本视频| 999精品在线视频| 国产又色又爽无遮挡免费看| av有码第一页| 香蕉国产在线看| xxx96com| 精品国产亚洲在线| 国产成年人精品一区二区| 久久久久国内视频| 国产精品久久电影中文字幕| 精品久久久精品久久久| 一区二区三区激情视频| 最好的美女福利视频网| 久久中文看片网| 国产av精品麻豆| 日韩高清综合在线| 国产麻豆69| 国产精品一区二区在线不卡| 国产伦一二天堂av在线观看| 一区二区三区激情视频| 精品人妻1区二区| 欧美黄色片欧美黄色片| 国产一区二区三区在线臀色熟女| 1024视频免费在线观看| 久久久精品国产亚洲av高清涩受| 色尼玛亚洲综合影院| 国产亚洲精品av在线| 激情视频va一区二区三区| 免费看a级黄色片| av视频免费观看在线观看| 啦啦啦 在线观看视频| 免费搜索国产男女视频| 国产亚洲欧美98| 久久国产精品人妻蜜桃| 国产成+人综合+亚洲专区| 亚洲国产欧美日韩在线播放| 亚洲情色 制服丝袜| 精品高清国产在线一区| 999精品在线视频| 欧美午夜高清在线| 日本 欧美在线| 老司机午夜福利在线观看视频| 9191精品国产免费久久| 变态另类丝袜制服| 电影成人av| 中出人妻视频一区二区| 香蕉久久夜色| 精品人妻1区二区| 嫩草影院精品99| 日韩一卡2卡3卡4卡2021年| 可以在线观看毛片的网站| 妹子高潮喷水视频| 欧美黑人精品巨大| 日本a在线网址| 中文字幕最新亚洲高清| 亚洲精品一区av在线观看| 久久亚洲真实| 91在线观看av| 91精品三级在线观看| 夜夜夜夜夜久久久久| 国产亚洲av高清不卡| 欧美激情极品国产一区二区三区| 日本在线视频免费播放| 人人妻人人澡欧美一区二区 | 麻豆成人av在线观看| 国产一区二区在线av高清观看| 大码成人一级视频| 精品国产超薄肉色丝袜足j| 亚洲九九香蕉| av天堂久久9| 亚洲少妇的诱惑av| 国产欧美日韩一区二区精品| 一二三四在线观看免费中文在| 琪琪午夜伦伦电影理论片6080| 自拍欧美九色日韩亚洲蝌蚪91| 精品国产亚洲在线| 黄频高清免费视频| 日日摸夜夜添夜夜添小说| 巨乳人妻的诱惑在线观看| 国产av又大| 亚洲va日本ⅴa欧美va伊人久久| 日本精品一区二区三区蜜桃| 可以免费在线观看a视频的电影网站| 亚洲熟女毛片儿| 免费高清在线观看日韩| 精品国产乱子伦一区二区三区| 97人妻精品一区二区三区麻豆 | 很黄的视频免费| 一级a爱视频在线免费观看| 亚洲av日韩精品久久久久久密| 午夜成年电影在线免费观看| 亚洲国产精品sss在线观看| 桃红色精品国产亚洲av| 日韩国内少妇激情av| 欧美黑人欧美精品刺激| 色尼玛亚洲综合影院| 国产精品久久久久久亚洲av鲁大| 午夜精品在线福利| 免费无遮挡裸体视频| 视频区欧美日本亚洲| 久久伊人香网站| 91字幕亚洲| 亚洲精华国产精华精| 亚洲av片天天在线观看| 19禁男女啪啪无遮挡网站| 亚洲av电影不卡..在线观看| 亚洲少妇的诱惑av| 免费在线观看黄色视频的| 国产精品一区二区精品视频观看| 免费女性裸体啪啪无遮挡网站| 啦啦啦观看免费观看视频高清 | 久久国产精品人妻蜜桃| 国产高清激情床上av| 无人区码免费观看不卡| 97人妻天天添夜夜摸| 婷婷六月久久综合丁香| 国产麻豆69| 成人特级黄色片久久久久久久| 日本a在线网址| 久久国产亚洲av麻豆专区| 一进一出好大好爽视频| 亚洲国产中文字幕在线视频| 在线视频色国产色| 精品一区二区三区四区五区乱码| 999精品在线视频| 久久久久久久久久久久大奶| 在线十欧美十亚洲十日本专区| 天堂√8在线中文| 色尼玛亚洲综合影院| 国产三级在线视频| 欧美人与性动交α欧美精品济南到| 老熟妇乱子伦视频在线观看| 制服丝袜大香蕉在线| 精品国内亚洲2022精品成人| 88av欧美| 久久午夜综合久久蜜桃| 久热这里只有精品99| 十分钟在线观看高清视频www| 亚洲成人久久性| 免费看十八禁软件| 777久久人妻少妇嫩草av网站| av在线天堂中文字幕| 久久青草综合色| 99re在线观看精品视频| 在线av久久热| 涩涩av久久男人的天堂| 一级作爱视频免费观看| 欧美亚洲日本最大视频资源| 嫁个100分男人电影在线观看| 激情在线观看视频在线高清| 黄色视频,在线免费观看| 啦啦啦观看免费观看视频高清 | 看片在线看免费视频| 在线免费观看的www视频| 一卡2卡三卡四卡精品乱码亚洲| 婷婷精品国产亚洲av在线| 99在线视频只有这里精品首页| 成人国产综合亚洲| 亚洲熟妇熟女久久| 少妇的丰满在线观看| 少妇 在线观看| 视频区欧美日本亚洲| 久久国产精品人妻蜜桃| 国产主播在线观看一区二区| 美女扒开内裤让男人捅视频| 亚洲美女黄片视频| 女人精品久久久久毛片| 国产亚洲精品第一综合不卡| 性少妇av在线| 精品人妻1区二区| 在线观看免费午夜福利视频| 久久久久久人人人人人| 国产av又大| 国产亚洲精品久久久久久毛片| cao死你这个sao货| 手机成人av网站| 久久人妻熟女aⅴ| 午夜日韩欧美国产| 19禁男女啪啪无遮挡网站| 久久热在线av| 欧美老熟妇乱子伦牲交| 成人18禁高潮啪啪吃奶动态图| 国产高清激情床上av| 大码成人一级视频| 欧美在线黄色| 一卡2卡三卡四卡精品乱码亚洲| 亚洲美女黄片视频| 久久久国产成人精品二区| 波多野结衣高清无吗| 后天国语完整版免费观看| 在线观看66精品国产| 69av精品久久久久久| 欧美 亚洲 国产 日韩一| 大陆偷拍与自拍| 一级毛片高清免费大全| 亚洲无线在线观看| 亚洲av片天天在线观看| 日韩视频一区二区在线观看| 欧美日本视频| 99国产综合亚洲精品| 看片在线看免费视频| 亚洲精品美女久久av网站| 国产精品久久电影中文字幕| 91字幕亚洲| 一级,二级,三级黄色视频| 又黄又爽又免费观看的视频| 亚洲av熟女| 欧美性长视频在线观看| 90打野战视频偷拍视频| 久久久久精品国产欧美久久久| 99国产极品粉嫩在线观看| 69精品国产乱码久久久| 老司机在亚洲福利影院| 嫩草影院精品99| 一级毛片高清免费大全| 免费高清在线观看日韩| av电影中文网址| 俄罗斯特黄特色一大片| 老司机深夜福利视频在线观看| 极品教师在线免费播放| 一本大道久久a久久精品| 国产av精品麻豆| 麻豆一二三区av精品| 美女高潮喷水抽搐中文字幕| 午夜免费鲁丝| 19禁男女啪啪无遮挡网站| 一级毛片女人18水好多| 亚洲熟妇熟女久久| 精品高清国产在线一区| 国产av精品麻豆| 91在线观看av| 久久人妻熟女aⅴ| 又黄又粗又硬又大视频| 亚洲精品中文字幕一二三四区| 搞女人的毛片| 日韩av在线大香蕉| 一级a爱视频在线免费观看| 久久亚洲真实| 亚洲人成网站在线播放欧美日韩| 成人手机av| 国产99白浆流出| 欧美成狂野欧美在线观看| 国产午夜福利久久久久久| 亚洲人成电影观看| 999精品在线视频| 欧美色视频一区免费| 久久久久久免费高清国产稀缺| 国产亚洲av嫩草精品影院| 亚洲熟女毛片儿| 久久精品成人免费网站| 久久久久久免费高清国产稀缺| 久久性视频一级片| 一进一出抽搐gif免费好疼| av福利片在线| 日本五十路高清| e午夜精品久久久久久久| 午夜影院日韩av| 性欧美人与动物交配| 天天躁狠狠躁夜夜躁狠狠躁| 91麻豆av在线| 黄色女人牲交| 亚洲在线自拍视频| 国产一区二区激情短视频| 免费一级毛片在线播放高清视频 | 天天一区二区日本电影三级 | 欧美亚洲日本最大视频资源| 国产麻豆成人av免费视频| 此物有八面人人有两片| 女人被狂操c到高潮| 97人妻精品一区二区三区麻豆 | 国产成人av激情在线播放| 一二三四社区在线视频社区8| 亚洲 欧美一区二区三区| 19禁男女啪啪无遮挡网站| 一级毛片高清免费大全| 91av网站免费观看| 精品福利观看| 禁无遮挡网站| 亚洲全国av大片| 热99re8久久精品国产| 人人妻,人人澡人人爽秒播| 97超级碰碰碰精品色视频在线观看| 最好的美女福利视频网| 校园春色视频在线观看| 91麻豆精品激情在线观看国产| 成人18禁高潮啪啪吃奶动态图| www.999成人在线观看| 久久青草综合色| 色综合站精品国产| 国产亚洲精品一区二区www| 国产伦人伦偷精品视频| 一二三四在线观看免费中文在| a在线观看视频网站| 精品国产超薄肉色丝袜足j| 久久香蕉激情| 国产野战对白在线观看| 午夜久久久在线观看| 18禁国产床啪视频网站| 亚洲色图综合在线观看| 国产av精品麻豆| 国产精品乱码一区二三区的特点 | 少妇粗大呻吟视频| 桃色一区二区三区在线观看| 日韩 欧美 亚洲 中文字幕| 丰满人妻熟妇乱又伦精品不卡| 欧美黄色片欧美黄色片| 热re99久久国产66热| 免费观看人在逋| 手机成人av网站| 午夜免费激情av| 999精品在线视频| 午夜老司机福利片| 巨乳人妻的诱惑在线观看| 国内久久婷婷六月综合欲色啪| 岛国视频午夜一区免费看| 久久 成人 亚洲| 国内毛片毛片毛片毛片毛片| 亚洲午夜精品一区,二区,三区| 日韩高清综合在线| 午夜精品国产一区二区电影| 可以免费在线观看a视频的电影网站| 日本 av在线| 九色国产91popny在线| 亚洲精品国产精品久久久不卡| 亚洲午夜理论影院| 亚洲av熟女| 亚洲成人免费电影在线观看| bbb黄色大片| 村上凉子中文字幕在线| 丰满人妻熟妇乱又伦精品不卡| 亚洲久久久国产精品| 亚洲av成人一区二区三| 色播亚洲综合网| 精品一区二区三区视频在线观看免费| 日本一区二区免费在线视频| 97人妻精品一区二区三区麻豆 | 黄色毛片三级朝国网站| 黄频高清免费视频| 亚洲三区欧美一区| 欧美国产日韩亚洲一区| 男女午夜视频在线观看| 操美女的视频在线观看| 一区二区三区高清视频在线| tocl精华| 在线观看免费视频日本深夜| 电影成人av| 国语自产精品视频在线第100页| 一夜夜www| 香蕉久久夜色| 久久中文字幕人妻熟女| 亚洲中文日韩欧美视频| 国产三级黄色录像| 一级毛片女人18水好多| 亚洲av美国av| 天堂影院成人在线观看| 一区二区日韩欧美中文字幕| 国产激情久久老熟女| 午夜a级毛片| 欧美另类亚洲清纯唯美| 国产xxxxx性猛交| 大码成人一级视频| 亚洲国产精品999在线| 亚洲欧美激情综合另类| av天堂在线播放| 亚洲欧美激情综合另类| 乱人伦中国视频| 国产精品美女特级片免费视频播放器 | 女性被躁到高潮视频| 国产成人精品无人区| 9热在线视频观看99| 国产色视频综合| 国产三级在线视频| 制服人妻中文乱码| 露出奶头的视频| 麻豆一二三区av精品| 精品国产乱码久久久久久男人| 亚洲精品一卡2卡三卡4卡5卡| 波多野结衣一区麻豆| 亚洲美女黄片视频| 中文字幕最新亚洲高清| 90打野战视频偷拍视频| 午夜激情av网站| 波多野结衣一区麻豆| 久久久国产欧美日韩av| 久久影院123| 精品久久久久久久毛片微露脸| 手机成人av网站| 好男人在线观看高清免费视频 | 51午夜福利影视在线观看| 亚洲熟女毛片儿| 99在线视频只有这里精品首页| 欧美日本亚洲视频在线播放| 国产高清videossex| 国产亚洲欧美在线一区二区| 又黄又爽又免费观看的视频| 波多野结衣一区麻豆| 日韩成人在线观看一区二区三区| 国产高清videossex| 视频区欧美日本亚洲| 免费无遮挡裸体视频| 午夜精品久久久久久毛片777| 丁香欧美五月| 成人三级做爰电影| 黄色视频不卡| 97人妻天天添夜夜摸| 18禁黄网站禁片午夜丰满| 亚洲精品久久成人aⅴ小说| 亚洲精品av麻豆狂野| 亚洲aⅴ乱码一区二区在线播放 | 日韩中文字幕欧美一区二区| 亚洲免费av在线视频| 亚洲,欧美精品.| 韩国av一区二区三区四区| 国产成人影院久久av| 免费看a级黄色片| 国产aⅴ精品一区二区三区波| 叶爱在线成人免费视频播放| 亚洲 欧美 日韩 在线 免费| 久久久国产成人精品二区| 国产成年人精品一区二区| 欧美绝顶高潮抽搐喷水| 一区在线观看完整版| 99re在线观看精品视频| 国产精品野战在线观看| a级毛片在线看网站| 国产精品影院久久| 最新美女视频免费是黄的| 国产av精品麻豆| 动漫黄色视频在线观看| 老司机午夜福利在线观看视频| 亚洲av成人av| 免费无遮挡裸体视频| 国产精品秋霞免费鲁丝片| 久久天堂一区二区三区四区| 国产伦一二天堂av在线观看| 久久午夜亚洲精品久久| 日韩精品免费视频一区二区三区| 成人精品一区二区免费| 欧美在线一区亚洲| 自线自在国产av| 久久久久精品国产欧美久久久| av在线天堂中文字幕| 欧美日韩黄片免| 一卡2卡三卡四卡精品乱码亚洲| 女性生殖器流出的白浆| 国产精品亚洲一级av第二区| 两人在一起打扑克的视频| 99精品欧美一区二区三区四区| 亚洲va日本ⅴa欧美va伊人久久| av福利片在线| 免费av毛片视频| 搡老熟女国产l中国老女人| 午夜福利视频1000在线观看 | 国产成人av激情在线播放| av视频在线观看入口| 18禁观看日本| 在线播放国产精品三级| 免费看美女性在线毛片视频| 久久香蕉精品热| 久久久久国产一级毛片高清牌| 日韩三级视频一区二区三区| 亚洲色图av天堂| 亚洲成a人片在线一区二区| 99精品欧美一区二区三区四区| 美女国产高潮福利片在线看| x7x7x7水蜜桃| 中文字幕人妻丝袜一区二区| 9热在线视频观看99| 日本撒尿小便嘘嘘汇集6| 岛国视频午夜一区免费看| 美女国产高潮福利片在线看| 极品人妻少妇av视频| 欧美激情 高清一区二区三区| www日本在线高清视频| 国产极品粉嫩免费观看在线| 欧美老熟妇乱子伦牲交| 色婷婷久久久亚洲欧美| 国产麻豆69| 99国产精品免费福利视频| 国产精品一区二区精品视频观看| 亚洲免费av在线视频|