项目名称动手教你学故障诊断:Python实现基于Tensorflow+CNN深度学习的轴承故障诊断（西储大学数据集）（含完整代码）项目介绍该项目使用tensorflow和keras搭建深度学习CNN网络，并使用西储大学数据集作为训练集和测试集，对西储大学mat格式数据进行处理，将数据放入搭建好的网络中进行训练，最终得到相关故障诊断模型。背景最近在上故障诊断的课程，老师发给我们西储大学的轴承故障数据
外观缺陷检测系统主要用于快速识别样品的外观缺陷，如凹坑、裂纹、翘曲、缝隙、污渍、沙粒、毛刺、气泡、颜色不均匀等，被检测样品可以是透明体也可以是不透明体。接下来带你具体了解外观缺陷检测是什么。外观缺陷检测是什么以往的产品外观检测一般是用肉眼识别的方式，因此有可能人为因素导致衡量标准不统一，以及长时间检测由于视觉疲劳会出现误判的情况。随着计算机技术以及光、机、电等技术的深度配合，具备了快速、准确的检测
光学镜片外观缺陷检测项目名称：光学镜片外观缺陷检测需求内容：用光学成像技术将待检镜片上面的缺陷成像出来，这个成像的技术难点是： 1、这个镜片的正面弧面比较小的，内面的弧度比较大，每一个度数的弧面度是不同的，需要一次成像。 2、镜片的度数很多从50-450°。 3、缺陷的种类很多。 4、镜片有些会带散光
原创
2022-07-28 10:12:37
110阅读
<2023.05.08> 新增截止当前常见的异常检测模型所使用预训练模型表随着深度学习的发展，提取更加丰富的特征成为大家实现更好性能的共识。但由于缺陷数据的稀缺性，图像缺陷检测领域在许多应用场景都缺少样本进行训练，模型对于图像特征的提取能力有限，因此使用预训练的模型进行特征提取成为缺陷检测模型训练时一个不错的选择。当前算法所使用的预训练模型截止2023.05.08，Paperswith
QC
QC即英文QUALITY CONTROL的简称，中文意义是质量控制，其在ISO8402:1994的定义是“为达到质量要求所采取的作业技术和活动”。 产品经过检验后再出货是质量管理最基本的要求。质量控制是为了通过监视质量形成过程，消除质量环上所有阶段引起不合格或不满意效果的因素。以达到质量要求，获取经济效益，而采用的各种质量作业技术和活动。在企业领域，质
一、利用直方图的方式进行批量的图片缺陷检测（方法简单）二、步骤（完整代码见最后）2.1灰度转换（将原图和要检测对比的图分开灰度化）
灰度化的作用是因为后面的直方图比较需要以像素256为基准进行相关性比较
img = cv2.imread("0.bmp")
#原图灰度转换
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
#循环要检测的图，均灰度化
for i
转载
2023-08-03 19:48:47
510阅读
在Jupyter Notebook上使用Python+opencv实现如下图像缺陷检测。关于opencv库的安装可以参考：Python下opencv库的安装过程与一些问题汇总。 1.实现代码import cv2
import numpy
from PIL import Image, ImageDraw, ImageFont
#用于给图片添加中文字符
def ImgText_CN(img
转载
2023-05-23 19:45:58
465阅读
文章目录简介程序解析处理结果预览算法讲解 简介detect_indent_fft.hdev是halcon的示例程序，是傅里叶变换进行缺陷检测的一个例子，主要是傅里叶变换在复杂背景下的缺陷检测。这个程序展示了如何利用快速傅里叶变换（FFT）对塑料制品的表面进行缺陷检测，大致分为三步：1、用高斯滤波器构造一个合适的滤波器（将原图通过高斯滤波器滤波）；2、将原图和构造的滤波器进行快速傅里叶变换；3、利
施努卡（SCHNOKA）成立于2010年，先后在上海，苏州及武汉建立了分公司。国家高新技术企业，致力于打造面向智能产线与智慧工厂最强控制大脑的高科技公司。公司围绕感知&识别核心技术构建智能装备，基于机器人视觉算法与单机器人工作站、多机器人群体共融、行业定制化应用。打造产品体系，面向智能生产线、智慧物流等场景实现软件定义智能。SCHNOKA （施努卡）在3D机器视觉算法、机器人柔性控制、手眼
代码看起来可以工作，但不是以你“想当然“”的方式。如果一段代码直接出错，抛出了异常，我不认为这是陷阱。比如，Python程序员应该都遇到过的“UnboundLocalError", 示例： >>> a=1
>>> def func():
... a+=1
... print a
...
>>> fu
一、GIL1、定义： GIL全局解释器锁,每个线程执行过程中必须先获得GIL，保证同一时刻只有一个线程在执行， GIL与python语言没关系，是CPython解释器才有的，在IO操作等可能会引起阻塞的system call之前,可以暂时释放GIL,但在执行完毕后,必须重新获取GIL Python 3.x使用计时器（执行时间达到阈值后，当前线程释放GIL）或Python 2.x，tickets计数
今天来一个缺陷检测的实例，如下是原图，第二个和第三个黑色部件有缺陷 思路: ①提取OK部件轮廓做model ②遍历部件轮廓，做差分，形态学处理 ③结果判断绘制 上代码(含注释）：import cv2
import numpy as
截至到本次教程，我们已经基本掌握了OpenCV常用的一些功能，实际上已经可以处理很多问题了，故从本教程开始，示例代码将编写为一个固定函数，以便调用，另外将不再给出完整代码，比如导入库将不再另行贴出，一些基本的代码也不再贴出，只贴出核心部分，我会将核心部分整理为一个方便调用的函数。我们在前面讨论了轮廓的特征以及属性，今天我们将综合之前学的内容讨论轮廓的高级功能。凸缺陷对象上的任何凹陷都被称为凸缺陷，
随着自动化生产设备的普及，工业机器人在各行各业的应用也越来越广泛，越来越多的生产线由自动化设备取代人工操作，实现自动化生产。在机器人分拣过程中，机器人不仅可以将不同规格和质量的产品准确地放入指定的托盘中，而且能够通过视觉系统识别出物体的表面缺陷并进行分类。 随着工业4.0时代的到来，传统的基于视觉检测技术已经无法满足现代工业生产的要求，视觉检测技术成为了现代工业生产中必不可少的一部分。
# Python 缺陷检测
在软件开发过程中，缺陷是无法避免的。缺陷可能导致程序崩溃、功能错误或者性能下降。因此，及时发现和修复缺陷是保证软件质量的关键一环。在Python开发中，我们可以使用一些工具和技术来帮助我们进行缺陷检测和调试。本文将介绍一些常用的Python缺陷检测方法，并以代码示例进行说明。
## 静态代码分析工具
静态代码分析工具是一种自动化工具，它能够在不运行代码的情况下检查
原创
2023-07-15 13:01:00
218阅读
前言 目前，基于机器视觉的表面缺陷已经在各个工业领域广泛取代人工视觉检测，包括3C、汽车、家电、机械制造、半导体电子、化工、制药、航空航天、轻工等行业。许多基于深度学习的缺陷检测方法也被广泛应用于各种工业场景。本文的代码实战，是基于YOLOv5目标检测算法，在NEU表面缺陷数据集上实现钢材表面缺陷检测。要求Python>=3.7.0，PyTorch>=1.7。作者 | Ctr
目前，有四种检测方法一：主观目测法二：密度检测法（在线检测）：1，彩色反射密度计将一束光投射到印刷品上，比较表面反射（或透射）的光强度与照射在表面上的光强度，通过现有的逻辑关系来计算密度值，通过该密度值来判断是否存在缺陷。三：色度检测法（在线检测）：将一束光投射到印刷品上，通过仪器获取颜色的三刺激值，换算成可以对比的数值，然后与样本的值比对，判断是否存在缺陷。四：基于数字图像处理技术的方法（在线检
在上一篇文章中，我们讲到了，使用itertools.tee可以让一个生成器被多次完整遍历：import itertools
g = generator()
g_1, g_2, g_3 = itertools.tee(g, 3)
for row in g_1:
print(row)
for row in g_2:
print(row)
for row in g_3:
1 简介GB/T 18274-2013是国家推荐标准和行业标准，但是对锂离子电池的制程和电池组安全没有约束。 GP31242-2014 是国内第一部关于锂离子电池安全性的强制标准，于2015年8月1日正式实施。2 GB/T 18274-2013不详细展开，详见标准原文。需要原文pdf，可以加我微信。3 GB/T 31241-2014此标准主要针对可携带（小于18Kg）的电子设备所用的电池。它更关注
表面瑕疵检测常见的检测主要有物体表面划痕，污点，缺料、平面度、破损、边框整齐度、物体表面亮度，皱褶、斑点、孔洞等 表面瑕疵检测设备凝聚了机器视觉领域的多项先进技术成果，并融入了多项创新的检测理念，既可以和现有生产线无缝对接检测，也可以离线进行检测，在对材料表面的瑕疵以及半透明材料内部瑕疵进行快速检测的同时能够直观的给予生产反馈，可以广泛应用于塑化工业、造纸及纤维工业、电子工业、金属工
