結(jié)合圖1和圖6所示，本發(fā)明的步驟s2包括：s21、利用層拍相機(jī)沿z軸方向?qū)︾R頭內(nèi)部進(jìn)行層拍獲得多張圖片，并按照順序等分為多組；s22、對(duì)每一組圖片進(jìn)行缺陷分割和識(shí)別，將符合缺陷標(biāo)準(zhǔn)的所有缺陷放入到缺陷容器中；s23、在缺陷容器中，通過比較缺陷中心距離偏差值將同一位置處的缺陷篩選出來；軟件團(tuán)隊(duì)于業(yè)界有近15年的豐富視覺檢測(cè)軟件編寫、設(shè)計(jì)等經(jīng)驗(yàn)，自給自足。

由于CNN強(qiáng)大的特征提取能力，采用基于CNN的分類網(wǎng)絡(luò)目前已成為表面缺陷分類中的模式一般來說,現(xiàn)

有表面缺陷分類的網(wǎng)絡(luò)常常采用計(jì)算機(jī)視覺中現(xiàn)成的網(wǎng)絡(luò)結(jié)構(gòu),包括AlexNet, VGG, GoogL eNet,ResNet,

SENet, ShuteNet,MobileNet等。利用分類網(wǎng)絡(luò)結(jié)合上滑動(dòng)窗口的方式可以實(shí)現(xiàn)缺陷的定位。

Deep learning-based crack damage detection using convolutional neural networks

一、成本低。機(jī)器視覺檢測(cè)系統(tǒng)大大降低了廠的成本。

二、準(zhǔn)確率高。通過機(jī)器視覺檢測(cè)設(shè)備,可以每周7天,每天24小時(shí)不間斷地生產(chǎn)高質(zhì)量的產(chǎn)品,避免出現(xiàn)產(chǎn)品召回,產(chǎn)品責(zé)任索賠和圖像損

壞等。.

三、安全性高。安全生產(chǎn),產(chǎn)品可靠,機(jī)器視覺保證了生產(chǎn)過程中以及終產(chǎn)品的安全性。