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，GoogLeNet，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。Deeplearning-basedcrackdamagedetectionusingconvolutionalneuralnetworks根据本发明的一个方面，在所述步骤s24中：将同一位置处的缺陷筛选出来后，利用设定大小的矩形核膨胀得到比实际缺陷略大的roi区域，提炼出所述roi区域大小的原图；根据公式：c＝∑δδ(i，昆山瑕疵检测，j)2pδ(i，j)计算出所述roi区域图像的对比度，筛选出同一位置处对比度缺陷作为表现清晰的缺陷；其中δ(i，瑕疵检测设备，j)＝|i-j|表示相邻像素间灰度差，瑕疵检测系统，pδ(i，j)表示相邻像素间的灰度差值为δ的像素分布概率。因为手机镜头的端面区域和凸台区域存在一定的高度差，现有技术中需要拍摄两张图像并进行两次算法检测，导致检测速度慢、cpu负载高。而本发明的端面和凸台检测方法有效地解决了这一问题，具体来说，产品瑕疵检测，根据本发明的一种实施方式，本发明的端面和凸台检测方法需要对端面和凸台按照如下公式的模板匹配获得r(x，y)值时得到两组值(x1，y1，phi1；x2，y2，phi2)分别代表定位的x坐标、y坐标和角度：之后对凸台图片进行仿射变换后与端面图片对齐，产品瑕疵检测-宣雄智能-昆山瑕疵检测由苏州宣雄智能科技有限公司提供。苏州宣雄智能科技有限公司是从事“缺陷检测,摄像头缺陷检测”的企业，公司秉承“诚信经营，用心服务”的理念，为您提供更好的产品和服务。欢迎来电咨询！联系人：朱秀谨。)