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， GoogL eNet，字符检测系统，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
一、成本低。机器视觉检测系统大大降低了厂的成本。
二、准确率高。通过机器视觉检测设备，可以每周7天，字符检测，每天24小时不间断地生产高质量的产品，避免出现产品召回，ocr字符检测，产品责任索赔和图像损
坏等。.
三、安全性高。安全生产，产品可靠，机器视觉保证了生产过程中以及终产品的安全性。
本发明的目的在于提供一种高精度、、检测的镜头缺陷检测方法。
为实现上述目的，本发明提供一种镜头缺陷检测方法，包括：
s1、对镜头的端面、凸台进行缺陷检测；
骤s1包括：
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；
s2、对镜头内部结构进行缺陷检测；
s3、对镜头上表面和下表面进行缺陷检测。
检测中文字符-字符检测-宣雄智能科技(查看)由苏州宣雄智能科技有限公司提供。检测中文字符-字符检测-宣雄智能科技(查看)是苏州宣雄智能科技有限公司今年新升级推出的，以上图片仅供参考，请您拨打本页面或图片上的联系电话，索取联系人：朱秀谨。