宣雄智能科技(图)-字符缺陷检测-昆山字符检测

由于CNN强大的特征提取能力，采用基于CNN的分类网络目前已成为表面缺陷分类中的模式一般来说，现

有表面缺陷分类的网络常常采用计算机视觉中现成的网络结构，包括AlexNet， VGG， GoogL eNet，ResNet，

SENet， ShuteNet，字符检测工具，MobileNet等。利用分类网络结合上滑动窗口的方式可以实现缺陷的定位。

Deep learning-based crack damage detection using convolutional neural networks

检测对象:钢表面缺陷

主要方法:基于Faster R-CNN的带钢表面缺陷检测网络，该网络的改进在于提出的多级特征融合网络( MFN )

将多个分层特征组合成一个特征 ，昆山字符检测，可以包括缺陷的更多位置细节。基于这些多级特征，采用区域提议网络

( RPN )生成感兴趣区域( ROI ) .在缺陷检测数据集NEU-DET.上，提出的方法在采用ResNet-50的

backbone'下实现了82.3%的mAP。

根据本发明的一个方面，若计算的存在缺陷的多张图片的对比度之间的差值小于设定阈值，则计算每张图片缺陷区域的平均灰度，字符缺陷检测，筛选具有平均灰度值的缺陷作为表现清晰的缺陷。

根据本发明的一个方面，检测中文字符，若所检测的镜片检测区域为非球面镜片检测区域时，所述步骤s22包括：

将每组图片的非球面镜片检测区域分别采用模板匹配进行粗定位和圆拟合方式进行精定位；

将非球面镜片检测区域分割为多个圆环区域，对不同的圆环区域给予相对应的参数，利用全局阀值分割法、自动阀值分割法、动态阀值分割法或局部背景均值分割法对所述非球面镜片检测区域的缺陷进行分割；