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，ResNet，
SENet，字符检测， 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
手机镜头是手机摄像模组的关键部件，ocr字符检测，为保证手机镜头的成像质量，检测中文字符，需要对其内外部进行各个角度、各种缺陷的检测。
对于手机镜头的缺陷检测，目前无法进行有效的检测。通常还是依赖于人工借助显微镜的方式进行检测，此检测方法存在以下缺点：
1、人工检测劳动强度大，效率低；
2、人工检测标准主要依靠感官判断，在线字符检测，人员之间的标准差异大；
3、镜头的结构复杂，人工极容易出现漏检。
根据本发明的一个方面，若计算的存在缺陷的多张图片的对比度之间的差值小于设定阈值，则计算每张图片缺陷区域的平均灰度，筛选具有平均灰度值的缺陷作为表现清晰的缺陷。
根据本发明的一个方面，若所检测的镜片检测区域为非球面镜片检测区域时，所述步骤s22包括：
将每组图片的非球面镜片检测区域分别采用模板匹配进行粗定位和圆拟合方式进行精定位；
将非球面镜片检测区域分割为多个圆环区域，对不同的圆环区域给予相对应的参数，利用全局阀值分割法、自动阀值分割法、动态阀值分割法或局部背景均值分割法对所述非球面镜片检测区域的缺陷进行分割；
ocr字符检测-字符检测-苏州宣雄智能(查看)由苏州宣雄智能科技有限公司提供。行路致远，砥砺前行。苏州宣雄智能科技有限公司致力成为与您共赢、共生、共同前行的战略伙伴，更矢志成为检测仪具有竞争力的企业，与您一起飞跃，共同成功!