本发明对于镜头内部结构的检测方法，提高了断层扫描图像缺陷搜索的准确度与精度。不会因为搜索到非对焦缺陷，导致算法误检。且对点子等检测精度，由原来相差±10um，提高到了±5um以内。
本发明对于镜头端面和凸台的检测方法，针对端面与凸台检测的耗时，由原两张图片分别导入显卡中进行gpu运算深度学习模型，现在仅需要导入一张图片进行深度学习运算极大的降低了gpu运算的消耗，计算耗时由原1600ms，下降至900ms左右，极大的提升了效率。
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。
(对于纸张较厚、表面缺陷检测角度 要求较高的的纸张产品采用反射的检测原理),架设在生产线 上的线阵相机进行实时同步扫描,同时系统将相机采集到的纸病图像通过SIMV图像处理单元进行瑕疵分割处理。由于瑕疵图像的灰阶与正常产品的灰阶存在明显差异,从而使系统能够发现瑕疵,同时对瑕疵进行有效的判定、分类。苏州宣雄智能科技有限公司苏州宣雄智能科技有限公司
以上信息由专业从事表面瑕疵检测的宣雄于2024/5/24 6:51:39发布
转载请注明来源：http://www.zhizhuke.cn/qyzx/qyxx-2757767617.html
