【技术实现步骤摘要】
本专利技术涉及工业视觉、智能检测、传送带检测等，尤其涉及一种基于深度学习的无监督皮带面智能检测方法。
技术介绍
1、传送带是矿物运输的关键设备，在长距离、大批量的货物运输中发挥着重要作用，已广泛应用于码头、矿场等工业领域中。传送带在长时间的工作过程中，与货物不断地摩擦和碰撞，容易造成皮带表面的划痕、磨损、破洞等缺陷。此外，若运输的矿物中夹杂着尖锐的异物或较大的重物，在矿物下落时会直接刺穿或贯穿皮带表面，造成皮带的破坏性撕裂。皮带一旦发生撕裂，不仅会造成企业停工，影响生产效率，甚至会对财产和工人的人身安全造成严重威胁。因此，设计一种有效且稳定的皮带缺陷检测方案是非常有必要的。
2、随着人工智能和深度学习技术的发展，现有的基于深度学习的皮带缺陷检测算法。大体可以分为监督学习的异常检测和无监督学习的异常检测两大类。在缺陷样本充足的情况下，监督学习的检测方法可以实现较好的检测效果。然而，在实际的工业场景中，难以获取大规模高质量的皮带缺陷样本，少量的缺陷样本不足以支持监督学习模型的训练。一些研究者尝试利用生成对抗网络(gan)来生成与...
【技术保护点】
1.一种基于深度学习的无监督皮带面智能检测方法，其特征在于：
2.根据权利要求1所述的一种基于深度学习的无监督皮带面智能检测方法，其特征在于：将皮带数据集分成训练集和测试集其中，训练集只含有正常皮带图像，测试集包含正常图像和多种不同类型的缺陷图像。
3.根据权利要求1所述的一种基于深度学习的无监督皮带面智能检测方法，其特征在于：
4.根据权利要求3所述的一种基于深度学习的无监督皮带面智能检测方法，其特征在于：
5.根据权利要求1一种基于深度学习的无监督皮带面智能检测方法，其特征在于：所述核心集采样为：从原始的特征库S中筛...
【技术特征摘要】
1.一种基于深度学习的无监督皮带面智能检测方法，其特征在于：
2.根据权利要求1所述的一种基于深度学习的无监督皮带面智能检测方法，其特征在于：将皮带数据集分成训练集和测试集其中，训练集只含有正常皮带图像，测试集包含正常图像和多种不同类型的缺陷图像。
3.根据权利要求1所述的一种基于深度学习的无监督皮带面智能检测方法，其特征在于：
4.根据权利要求3所述的一种基于深度学习的无监督皮带面智能检测方法，其特征在于：
5.根据权利要求1一种基于深度学习的无监督皮带面智能检测方法，其特征在于：所述核心集采样为：从原始的特征库s中筛选出具有代表性的特征，构成该特征库的子集sc，构建的特征库sc用于后续模型的推理；使用minimaxfacility location核心集选择算法。
6.根据权利要求5所述的一种基于深度学习的无监督皮带面智能检测方法，其特...
【专利技术属性】
技术研发人员：迟翔，
申请(专利权)人：福州蔚视科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。