WIPO logo
Mobile | Deutsch | Español | Français | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Search International and National Patent Collections
World Intellectual Property Organization
Search
 
Browse
 
Translate
 
Options
 
News
 
Login
 
Help
 
Machine translation
1. (WO2018000731) METHOD FOR AUTOMATICALLY DETECTING CURVED SURFACE DEFECT AND DEVICE THEREOF
Latest bibliographic data on file with the International Bureau    Submit observation

Pub. No.:    WO/2018/000731    International Application No.:    PCT/CN2016/108866
Publication Date: 04.01.2018 International Filing Date: 07.12.2016
IPC:
G06T 7/00 (2017.01), G06T 3/40 (2006.01), G06N 3/02 (2006.01), G06K 9/62 (2006.01)
Applicants: SOUTH CHINA UNIVERSITY OF TECHNOLOGY [CN/CN]; No.381 Wushan Road, Tianhe District Guangzhou, Guangdong 510640 (CN)
Inventors: HUANG, Qian; (CN).
HUANG, Zichun; (CN).
ZHOU, Zhou; (CN)
Agent: GUANGZHOU HUAXUE INTELLECTUAL PROPERTY AGENCY CO., LTD; 1st Floor Material Building, No.381 Wushan Road, Tianhe District Guangzhou, Guangdong 510640 (CN)
Priority Data:
201610504224.5 28.06.2016 CN
Title (EN) METHOD FOR AUTOMATICALLY DETECTING CURVED SURFACE DEFECT AND DEVICE THEREOF
(FR) PROCÉDÉ DE DÉTECTION AUTOMATIQUE D'UN DÉFAUT DE SURFACE COURBÉ ET DISPOSITIF ASSOCIÉ
(ZH) 一种曲面表面缺陷自动检测方法及其装置
Abstract: front page image
(EN)A method for automatically detecting curved surface defect and a device thereof, the method comprising: (1) a training phase: acquiring sample images, constructing a training set, performing manual defect identification on the images in the training set, and marking all areas where defects appear; executing a defect pre-targeting step for each image in the training set, so as to obtain all areas R where the defects may appear; comparing R with all of the manually marked areas where the defects appear, dividing into negative samples and positive samples according to an overlap degree between the two; performing offline training of a deep neural network model according to the positive samples and the negative samples, and outputting types and specific coordinates of defect areas; (2) online detection phase: acquiring current curved surface images to be detected, executing the defect pre-targeting step, obtaining a set R, and inputting the set R into the network model to obtain the types and the specific coordinates of the defect areas. The method and device have the advantages of being highly adaptable and real-time, as well as having a high identification accuracy rate.
(FR)L'invention porte également sur un procédé de détection automatique d'un défaut de surface courbé et sur un dispositif associé, le procédé comprenant : (1) une phase d'apprentissage : l'acquisition d'images d'échantillon, à construire un ensemble d'entraînement, à effectuer une identification de défaut manuelle sur les images dans l'ensemble d'entraînement, et à marquer toutes les zones où des défauts apparaissent; l'exécution d'une étape de pré-ciblage des défauts pour chaque image de l'ensemble d'apprentissage, de façon à obtenir toutes les zones R où les défauts peuvent apparaître; à comparer R avec toutes les zones marquées manuellement où les défauts apparaissent, la division en échantillons négatifs et en échantillons positifs selon un degré de chevauchement entre les deux; la réalisation d'une formation hors ligne d'un modèle de réseau neuronal profond selon les échantillons positifs et les échantillons négatifs, et l'émission de types et de coordonnées spécifiques de zones défectueuses; (2) la phase de détection en ligne : l'acquisition d'images de surface courbes actuelles à détecter, l'exécution de l'étape de pré-ciblage de défaut, l'obtention d'un ensemble R, et à introduire l'ensemble R dans le modèle de réseau afin d'obtenir les types et les coordonnées spécifiques des zones défectueuses. Le procédé et le dispositif présentent les avantages d'être hautement adaptables et en temps réel, ainsi que d'avoir un taux de précision d'identification élevé.
(ZH)一种曲面表面缺陷自动检测方法及其装置,方法包括:(1)训练阶段:采集样本图像,构建训练集,对训练集中的图像进行人工缺陷识别,标注出所有缺陷出现的区域;针对训练集中的每一幅图像执行缺陷预定位步骤,得到所有缺陷可能出现的区域R;将R与人工标注出的所有缺陷出现的区域进行比对,根据二者的重合度划分负样本和正样本;根据正样本和负样本进行深度神经网络模型的离线训练,输出为缺陷区域的类别与具体坐标;(2)在线检测阶段:采集当前待检测曲面表面图像,执行缺陷预定位步骤,得到集合R,将集合R输入网络模型,得到缺陷区域的类别与具体坐标。上述方法及装置具有适应性高、实时性高、识别准确率高的优点。
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW.
African Regional Intellectual Property Organization (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Organization (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG).
Publication Language: Chinese (ZH)
Filing Language: Chinese (ZH)