字符检测系统-字符检测-苏州宣雄

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，检测中文字符， GoogL eNet，字符检测，ResNet，

SENet， ShuteNet，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:布匹缺陷

主要方法:作者使用一个多层的CNN网络对布匹缺陷数据集中的六类缺陷样本进行分类，分类结束之后，对于

每一类样本进行缺陷检测。具体做法是: 1.使用滑动窗口的方法在512*512的原图上进行采样，字符检测系统，采样大小为

128*128 ; 2.对上部分每一类图像采样后的小图像块进行二 -分类(有缺陷和无缺陷)。下图为文章两次分类使

用的CNN网络，两次分类的区别在于: 1.全连接层的输入分别为6和2 ; 2输入的图像尺日

s11、在所述镜头的端面或凸台上制作模板图像获得端面图片和凸台图片，并进行匹配定位；

s12、对所述凸台图片进行仿射变换后与端面图片对齐；

s13、根据自定义的核提取所述端面图片的高频分量；

s14、利用加权平均值算法叠加所述端面图片和所述凸台图片获得融合图片；

s15、依照所述融合图片进行缺陷检测。