CN108320278A - 产品缺陷检测定位方法、装置、设备及计算机可读介质 - Google Patents
产品缺陷检测定位方法、装置、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN108320278A CN108320278A CN201810019936.7A CN201810019936A CN108320278A CN 108320278 A CN108320278 A CN 108320278A CN 201810019936 A CN201810019936 A CN 201810019936A CN 108320278 A CN108320278 A CN 108320278A
- Authority
- CN
- China
- Prior art keywords
- product
- detection model
- product defects
- prediction result
- defects
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种产品缺陷检测定位方法,包括以下步骤:接收待检测的产品图片数据,并生成产品缺陷的检测请求;根据负载均衡和调度策略,将所述产品图片数据和检测请求发送至搭载检测模型的最佳服务器上;接收由检测模型对产品图片数据进行预测计算后输出的预测结果,所述预测结果包括产品缺陷的位置;根据检测模型输出的预测结果,执行相应的响应动作。本发明实施例通过对实时采集的产品图像进行检测判断,最终获取产品缺陷所在的位置及其所属的类别。进一步,本发明实施例进行检测模型的迭代更新,使检测模型能够适应生产环境的最新需求,在分类精度、可扩展性、规范化等方面为工业生产线带来显著的提升。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种产品缺陷检测定位方法及装置、设备和计算机可读介质。
背景技术
在传统工业制造业生产场景中,质检是生产流程中的关键环节。在钢铁生产、汽车制造、造纸、电池制造、太阳能板制造等领域中,对产品质量进行控制的一种重要手段是对产品的表面状态进行检测,以判断产品是否存在瑕疵和缺陷,并根据检测结果对产品做相应的处理。在传统工业制造业生产中,这种基于产品表面状态的质检多为人工巡检或半自动化光学仪器辅助质检,不仅效率低下,而且容易出现误判,另外,这种方式产生的工业数据不易存储、管理和二次挖掘再利用。
而现有的质检系统在缺陷检测和定位应用中主要有两种方式。第一种方式为纯人工质检方式,即依赖于行业专家肉眼观察生产环境中的照片给出判断。第二种方式为机器辅助的人工质检方式,主要由具有一定判断能力的质检系统过滤没有缺陷的照片,由行业专家对疑似存在缺陷的照片进行检测判断。其中,第二种方式多为专家系统和特征工程系统发展而来,专家将经验固化在质检系统中,具有一定的自动化能力。
然而,对于第一种质检方式,由于现有工业生产线质检系统中,缺陷图片的检测和定位主要依靠纯人工检查或基于特征工程的检测系统。在人工质检的情况下,需要业务专家在生产现场进行巡视检查,发现缺陷之后人工记录下来再做后续处理。这种方法不仅效率低,容易漏判误判,数据很难进行二次利用挖掘,而且工业生产环境往往比较恶劣,对人员的健康和安全会造成不利影响。
对于第二种质检方式,在基于传统专家系统或特征工程的质检系统中,特征和判定规则都是基于经验固化到机器中的,难以随业务的发展迭代,导致随着生产工艺的发展,系统的检测精度越来越低,甚至降低到完全不可用的状态。此外,传统质检系统的特征都由第三方供应商预先固化在硬件中,升级时不仅需要对生产线进行重大改造,而且价格昂贵。传统质检系统在安全性、规范化、可扩展性等方面都存在着明显不足,不利于传统工业生产线的优化升级。
发明内容
本发明实施例提供一种产品缺陷检测定位方法、装置、设备及计算机可读介质,以解决或缓解现有技术中的以上技术问题。
第一方面,本发明实施例提供了一种产品缺陷检测定位方法,包括以下步骤:
接收待检测的产品图片数据,并生成产品缺陷的检测请求;
根据负载均衡和调度策略,将所述产品图片数据和检测请求发送至搭载检测模型的最佳服务器上;
接收由检测模型对产品图片数据进行预测计算后输出的预测结果,所述预测结果包括产品缺陷的位置;
根据检测模型的预测结果,执行相应的响应动作。
结合第一方面,本发明在第一方面的第一种实现方式中,所述根据检测模型输出的预测结果,执行相应的响应动作的步骤之后,还包括:发送更新指令至最佳服务器,由最佳服务器根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
第二方面,本发明实施例提供了一种产品缺陷检测定位方法,包括以下步骤:
接收产品图片数据及产品缺陷的检测请求;
通过检测模型对产品的图片数据进行产品缺陷的预测计算并输出预测结果,所述预测结果包括产品缺陷的位置。
结合第二方面,本发明在第二方面的第一种实现方式中,所述检测模型包括:深度卷积神经网络和缺陷定位分类网络;
所述深度卷积神经网络用于提取产品图片的特征,并将所述特征输入至所述缺陷定位分类网络中;
所述缺陷定位分类网络用于判断深度卷积神经网络所提取的特征是否存在缺陷,并获得该缺陷的位置。
结合第二方面的第一种实现方式,本发明在第二方面的第二种实现方式中,所述深度卷积神经网络包括:
卷积层,用于利用权值不同的卷积核对产品图像进行扫描卷积,从中提取各种意义的特征,并输出至特征图中;
池化层,用于对特征图进行降维操作;
全连接层,用于将提取的特征映射到缺陷定位分类网络。
结合第二方面,本发明在第二方面的第三种实现方式中,还包括步骤:根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
结合第二方面的第三种实现方式,本发明在第二方面的第四种实现方式中,所述根据接收的产品图片数据和预测结果对所述检测模型进行训练更新的步骤包括:
存储产品图片数据和预测结果,并对检测模型的训练数据进行更新;
根据更新后的训练数据对检测模型进行训练,更新检测模型。
第三方面,本发明实施例提供了一种产品缺陷检测定位装置,包括:
接收模块,用于接收待检测的产品图片数据,并生成产品缺陷的检测请求;
调度模块,用于根据负载均衡和调度策略,将所述产品图片数据和检测请求发送至搭载检测模型的最佳服务器上;
计算结果接收模块,用于接收由检测模型对产品图片数据进行预测计算后输出的预测结果,所述预测结果包括产品缺陷的位置;
响应模块,用于根据检测模型输出的预测结果,执行相应的响应动作。
结合第三方面,本发明在第三方面的第一种实现方式中,还包括更新指令发送模块,用于发送更新指令至最佳服务器,由最佳服务器根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
第四方面,本发明实施例提供了一种产品缺陷检测定位装置,包括:
检测请求接收模块,用于接收产品图片数据及产品缺陷的检测请求;
计算模块,用于通过检测模型对产品的图片数据进行产品缺陷的预测计算并输出预测结果,所述预测结果包括产品缺陷的位置。
结合第四方面,本发明在第四方面的第一种实现方式中,所述检测模型包括:深度卷积神经网络和缺陷定位分类网络;
所述深度卷积神经网络用于提取产品图片的特征,并将所述特征输入至所述缺陷定位分类网络中;
所述缺陷定位分类网络用于判断深度卷积神经网络所提取的特征是否存在缺陷,并获得该缺陷的位置。
结合第四方面的第一种实现方式,本发明在第四方面的第二种实现方式中,所述深度卷积神经网络包括:
卷积层,用于利用权值不同的卷积核对产品图像进行扫描卷积,从中提取各种意义的特征,并输出至特征图中;
池化层,用于对特征图进行降维操作;
全连接层,用于将特征图中的特征映射到缺陷定位分类网络。
结合第四方面,本发明在第二方面的第三种实现方式中,还包括更新模块,用于根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
结合第四方面的第三种实现方式,本发明在第四方面的第四种实现方式中,所述更新模块包括:
存储子模块,用于存储产品图片数据和预测结果,并对检测模型的训练数据进行更新;
训练子模块,用于根据更新后的训练数据对检测模型进行训练,更新检测模型。
所述装置的功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,产品缺陷检测定位装置的结构中包括处理器和存储器,所述存储器用于存储支持产品缺陷检测定位装置执行上述第一方面中产品缺陷检测定位方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。所述产品缺陷检测定位装置还可以包括通信接口,用于产品缺陷检测定位装置与其他设备或通信网络通信。
第五方面,本发明实施例提供了一种计算机可读介质,用于存储产品缺陷检测定位装置所用的计算机软件指令,其包括用于执行上述第一方面和第二方面的产品缺陷检测定位方法所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果:本发明实施例通过对实时采集的产品图像进行检测判断,最终获取产品缺陷所在的位置及其所属的类别。进一步,本发明实施例进行检测模型的迭代更新,使检测模型能够适应生产环境的最新需求,在分类精度、可扩展性、规范化等方面为工业生产线带来显著的提升。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1为实施例一的产品缺陷检测定位方法的步骤流程图;
图2为实施例一的检测模型的原理示意图;
图3为实施例一的深度卷积神经网络的原理示意图;
图4为实施例二的产品缺陷检测定位方法的步骤流程图;
图5为实施例三的产品缺陷检测定位方法的步骤流程图;
图6为实施例三的步骤S330的具体步骤流程图;
图7为实施例四的产品缺陷检测定位装置的连接框图;
图8为实施例五的产品缺陷检测定位装置的连接框图;
图9为实施例六的产品缺陷检测定位装置的连接框图;
图10为实施例六的应用示意图。
图11为实施例七的产品缺陷检测定位设备连接框图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
本发明实施例旨在解决现有技术在进行质检时效率低下的技术问题。本发明实施例主要通过采用检测模型,自动对产品的缺陷进行检测,并输出对应产品缺陷的位置和分类。下面分别通过以下实施例进行技术方案的展开描述。
实施例一
请参阅图1,其为本发明实施例一的产品缺陷检测定位方法的步骤流程图。本实施例一提供了一种产品缺陷检测定位方法,包括以下步骤:
S110:接收待检测的产品图片数据,并生成产品缺陷的检测请求。
当需要针对产品的表面缺陷进行检测时,可以先对产品表面进行图像的采集,比如可以通过摄像机等设备进行采集。然后,当采集完对应产品的图像信息后,生成检测请求,以对产品表面缺陷进行检测。
S120:根据负载均衡和调度策略,将所述产品图片数据和检测请求发送至搭载检测模型的最佳服务器上。
在将检测请求发送之前,先对检测模型的部署情况进行监控,根据检测模型部署的情况,将检测请求发送至对应的服务器上。根据负载均衡和调度策略,将当前的请求任务发送至当前最佳的服务器上,以实现均衡调度,提高整体的运行速度。比如:根据不同的均衡调度策略,可以发送至负载较小的服务器,则此时负载较小的服务器作为最佳服务器。另外,也可以发送至处理速度较高的服务器,则此时处理速度较高的服务器为最佳服务器。
S130:接收由检测模型对产品图片数据进行预测计算后输出的预测结果,所述预测结果包括产品缺陷的位置。
如图2所示,其为本实施例的检测模型的原理示意图。在本实施例中,所述检测模型可以包括深度卷积神经网络和缺陷定位分类网络。
其中,所述深度卷积神经网络用于提取产品图片的特征,并将所述特征输入至所述缺陷定位分类网络中。所述深度卷积神经网络可以提取产品图片的特征信息,比如可能存在缺陷的部分图像进行提取等。
所述缺陷定位分类网络用于判断深度卷积神经网络所提取的特征是否存在缺陷,并获得该缺陷的位置。所述缺陷定位分类网络可以采用RCNN、SSD、Mask RCNN等物体检测及图像分割模型。判断当前的特征是否存在缺陷,若存在,则判断当前缺陷的相对位置和所属类别。如果当前的特征中存在多处缺陷,则给出每个缺陷的相对位置坐标和类别。
如图3所示,其为本发明实施例一的深度卷积神经网络的原理示意图。将生产线上的原始图片作为模型的输入,而模型的输出则是代表缺陷类别的标签,例如0-n分别代表n+1类缺陷。其中,深度卷积神经网络的结构主要是由卷积层、池化层、全连层接等组成。其中,卷积层中利用权值不同的卷积核对原始图像或特征图(feature map)进行扫描卷积,从中提取各种意义的特征,并输出至特征图中。池化层则对特征图进行降维操作,保留特征图中的主要特征。利用这种具有卷积、池化操作的深度神经网络模型,可以对生产线上照片的变形、模糊、光照变化等具有较高的鲁棒性,对于分类任务具有更高的可泛化性。全连接层则将提取的特征映射到缺陷定位分类网络。对于不同的生产场景和数据的特点,可以通过设计不同深度、不同数量神经元、不同的卷积池化组织方式构成的深度神经网络模型,然后采用标注好的历史数据,采用信号前向传播、误差反向传播的方式对模型进行训练。当模型的输出与标签之间的误差值小于预先设定的符合业务要求的阈值时,停止训练。
在对卷积神经网络进行训练时,主要通过采用大量的缺陷图像数据和非缺陷图像数据对卷积神经网络进行训练。其中,当以缺陷图像数据作为输入时,以概率值为“1”作为输出的基准。而当以非缺陷图像数据作为输入时,以概率值“0”作为输出的基准。通过大量的数据训练后,完整卷积神经网络的训练。
S140:根据检测模型输出的预测结果,执行相应的响应动作。
当检测模型输出的预测结果为存在缺陷,则可以执行相应的响应动作,比如:可以执行报警操作,用于提醒工作人员进行核对等。另外,还可以将实时检测日志进行存储。
实施例二
与实施例一的区别在于:本实施例二在实施例一的基础上,还针对检测模型进行更新,具体的方案如下:
请参阅图4,其为本实施例二的产品缺陷检测定位方法的步骤流程图。本实施例二提供了一种产品缺陷检测定位方法,包括以下步骤:
S210:接收待检测的产品图片数据,并生成产品缺陷的检测请求。
S220:根据负载均衡和调度策略,将所述产品图片数据和检测请求发送至搭载检测模型的最佳服务器上。
S230:接收由检测模型对产品图片数据进行预测计算后输出的预测结果,所述预测结果包括产品缺陷的位置。
S240:根据检测模型输出的预测结果,执行相应的响应动作。
S250:发送更新指令至最佳服务器,由最佳服务器根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
在本实施例二中,根据最新接收的图片数据和预测结果,对检测模型进行训练,从而对检测模型进行更新。
本实施例二中的步骤S210-S240与实施例一原理相同,故不再赘述。
实施例三
请参阅图5,其为本实施例三的产品缺陷检测定位方法的步骤流程图。本实施例三提供一种产品缺陷检测定位方法,包括以下步骤:
S310:接收产品图片数据及产品缺陷的检测请求。
S320:通过检测模型对产品的图片数据进行产品缺陷的预测计算并输出预测结果,所述预测结果包括产品缺陷的位置。
其中,所述检测模型包括:深度卷积神经网络和缺陷定位分类网络。
所述深度卷积神经网络用于提取产品图片的特征,并将所述特征输入至所述缺陷定位分类网络中。
所述缺陷定位分类网络用于判断深度卷积神经网络所提取的特征是否存在缺陷,并获得该缺陷的位置。
深度卷积神经网络的结构主要是由卷积层、池化层、全连层接等组成。其中,卷积层中利用权值不同的卷积核对原始图像或特征图(feature map)进行扫描卷积,从中提取各种意义的特征,并输出至特征图中。池化层则对特征图进行降维操作,保留特征图中的主要特征。利用这种具有卷积、池化操作的深度神经网络模型,可以对生产线上照片的变形、模糊、光照变化等具有较高的鲁棒性,对于分类任务具有更高的可泛化性。全连接层则将提取的特征映射到缺陷定位分类网络。对于不同的生产场景和数据的特点,可以通过设计不同深度、不同数量神经元、不同的卷积池化组织方式构成的深度神经网络模型,然后采用标注好的历史数据,采用信号前向传播、误差反向传播的方式对模型进行训练。当模型的输出与标签之间的误差值小于预先设定的符合业务要求的阈值时,停止训练。
S330:根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
如图6所示,所述步骤S330包括:
S331:存储产品图片数据和预测结果,并对检测模型的训练数据进行更新。
S332:根据更新后的训练数据对检测模型进行训练,更新检测模型。
本实施例三与实施例二的原理相同,故不再赘述。
实施例四
本实施例四对应于实施例一,提供了一种产品缺陷检测定位装置。请参阅图7,其为本实施例四的产品缺陷检测定位装置的连接框图。
本发明实施例四提供了一种产品缺陷检测定位装置,包括:
接收模块110,用于接收待检测的产品图片数据,并生成产品缺陷的检测请求。
调度模块120,用于根据负载均衡和调度策略,将所述产品图片数据和检测请求发送至搭载检测模型的最佳服务器上。
计算结果接收模块130,用于接收由检测模型对产品图片数据进行预测计算后输出的预测结果,所述预测结果包括产品缺陷的位置。
响应模块140,用于根据检测模型输出的预测结果,执行相应的响应动作。
本实施例四与实施例一的原理相同,故不再赘述。
实施例五
本实施例五对应于实施例二,提供了一种产品缺陷检测定位装置。请参阅图8,其为本实施例五的产品缺陷检测定位装置的连接框图。
本发明实施例五提供了一种产品缺陷检测定位装置,包括:
接收模块210,用于接收待检测的产品图片数据,并生成产品缺陷的检测请求。
调度模块220,用于根据负载均衡和调度策略,将所述产品图片数据和检测请求发送至搭载检测模型的最佳服务器上。
计算结果接收模块230,用于接收由检测模型对产品图片数据进行预测计算后输出的预测结果,所述预测结果包括产品缺陷的位置。
响应模块240,用于根据检测模型输出的预测结果,执行相应的响应动作。
更新指令发送模块250,用于发送更新指令至最佳服务器,由最佳服务器根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
本实施例四与实施例二的原理相同,故不再赘述。
实施例六
本实施例六对应于实施例三,提供了一种产品缺陷检测定位装置。请参阅图9,其为本实施例六的产品缺陷检测定位装置的连接框图。本实施例六提供了一种产品缺陷检测定位装置,包括:
检测请求接收模块310,用于接收产品图片数据及产品缺陷的检测请求;
计算模块320,用于通过检测模型对产品的图片数据进行产品缺陷的预测计算并输出预测结果,所述预测结果包括产品缺陷的位置。
所述检测模型包括:深度卷积神经网络和缺陷定位分类网络。
所述深度卷积神经网络用于提取产品图片的特征,并将所述特征输入至所述缺陷定位分类网络中。
所述深度卷积神经网络包括:
卷积层,用于利用权值不同的卷积核对产品图像进行扫描卷积,从中提取各种意义的特征,并输出至特征图中。
池化层,用于对特征图进行降维操作。
全连接层,用于将特征图中的特征映射到缺陷定位分类网络。
所述缺陷定位分类网络用于判断深度卷积神经网络所提取的特征是否存在缺陷,并获得该缺陷的位置。
更新模块330,用于根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
所述更新模块330包括:
存储子模块331,用于存储产品图片数据和预测结果,并对检测模型的训练数据进行更新。
训练子模块332,用于根据更新后的训练数据对检测模型进行训练,更新检测模型。
以下具体介绍本实施例四的应用方式:如图10所示,其为本实施例六的应用示意图。在实际运用中,可以采用摄像头对产品的图像进行采集,并发送至预测引擎和生产数据库。其中预测引擎接收到产品图像后,根据检测模型的负载情况,将检测请求发送至最佳的服务器上。经过检测模型的计算后,输出检测结果,并发送至控制器。控制器根据检测结果,控制报警器进行报警,同时将检测日志存储至生产数据库中。
然后,再针对检测模型进行更新操作,可以通过将生产数据库中的数据更新到训练数据库中,然后由训练引擎对检测模型进行训练,更新检测模型。
实施例七
本发明实施例七提供一种产品缺陷检测定位设备,如图11所示,该设备包括:存储器410和处理器420,存储器410内存储有可在处理器420上运行的计算机程序。所述处理器420执行所述计算机程序时实现上述实施例中的产品缺陷检测定位方法。所述存储器410和处理器420的数量可以为一个或多个。
该设备还包括:
通信接口430,用于与外界设备进行通信,进行数据交互传输。
存储器410可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器410、处理器420和通信接口430独立实现,则存储器410、处理器420和通信接口430可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,PeripheralComponent)总线或扩展工业标准体系结构(EISA,Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器410、处理器420及通信接口430集成在一块芯片上,则存储器410、处理器420及通信接口430可以通过内部接口完成相互间的通信。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
本发明实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
在本发明实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于指令执行系统、输入法或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、射频(Radio Frequency,RF)等等,或者上述的任意合适的组合。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
综上所述,本发明实施例通过对实时采集的产品图像进行检测判断,最终获取产品缺陷所在的位置及其所属的类别。进一步,本发明实施例进行检测模型的迭代更新,使检测模型能够适应生产环境的最新需求,在分类精度、可扩展性、规范化等方面为工业生产线带来显著的提升。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (16)
1.一种产品缺陷检测定位方法,其特征在于,包括以下步骤:
接收待检测的产品图片数据,并生成产品缺陷的检测请求;
根据负载均衡和调度策略,将所述产品图片数据和检测请求发送至搭载检测模型的最佳服务器上;
接收由检测模型对产品图片数据进行预测计算后输出的预测结果,所述预测结果包括产品缺陷的位置;
根据检测模型的预测结果,执行相应的响应动作。
2.根据权利要求1所述产品缺陷检测定位方法,其特征在于,所述根据检测模型输出的预测结果,执行相应的响应动作的步骤之后,还包括:发送更新指令至最佳服务器,由最佳服务器根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
3.一种产品缺陷检测定位方法,其特征在于,包括以下步骤:
接收产品图片数据及产品缺陷的检测请求;
通过检测模型对产品的图片数据进行产品缺陷的预测计算并输出预测结果,所述预测结果包括产品缺陷的位置。
4.根据权利要求3所述产品缺陷检测定位方法,其特征在于,所述检测模型包括:深度卷积神经网络和缺陷定位分类网络;
所述深度卷积神经网络用于提取产品图片的特征,并将所述特征输入至所述缺陷定位分类网络中;
所述缺陷定位分类网络用于判断深度卷积神经网络所提取的特征是否存在缺陷,并获得该缺陷的位置。
5.根据权利要求4所述产品缺陷检测定位方法,其特征在于,所述深度卷积神经网络包括:
卷积层,用于利用权值不同的卷积核对产品图像进行扫描卷积,从中提取各种意义的特征,并输出至特征图中;
池化层,用于对特征图进行降维操作;
全连接层,用于将提取的特征映射到缺陷定位分类网络。
6.根据权利要求3所述产品缺陷检测定位方法,其特征在于,还包括步骤:根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
7.根据权利要求6所述产品缺陷检测定位方法,其特征在于,所述根据接收的产品图片数据和预测结果对所述检测模型进行训练更新的步骤包括:
存储产品图片数据和预测结果,并对检测模型的训练数据进行更新;
根据更新后的训练数据对检测模型进行训练,更新检测模型。
8.一种产品缺陷检测定位装置,其特征在于,包括:
接收模块,用于接收待检测的产品图片数据,并生成产品缺陷的检测请求;
调度模块,用于根据负载均衡和调度策略,将所述产品图片数据和检测请求发送至搭载检测模型的最佳服务器上;
计算结果接收模块,用于接收由检测模型对产品图片数据进行预测计算后输出的预测结果,所述预测结果包括产品缺陷的位置;
响应模块,用于根据检测模型输出的预测结果,执行相应的响应动作。
9.根据权利要求8所述的产品缺陷检测定位装置,其特征在于,还包括更新指令发送模块,用于发送更新指令至最佳服务器,由最佳服务器根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
10.一种产品缺陷检测定位装置,其特征在于,包括:
检测请求接收模块,用于接收产品图片数据及产品缺陷的检测请求;
计算模块,用于通过检测模型对产品的图片数据进行产品缺陷的预测计算并输出预测结果,所述预测结果包括产品缺陷的位置。
11.根据权利要求10所述产品缺陷检测定位装置,其特征在于,所述检测模型包括:深度卷积神经网络和缺陷定位分类网络;
所述深度卷积神经网络用于提取产品图片的特征,并将所述特征输入至所述缺陷定位分类网络中;
所述缺陷定位分类网络用于判断深度卷积神经网络所提取的特征是否存在缺陷,并获得该缺陷的位置。
12.根据权利要求11所述产品缺陷检测定位装置,其特征在于,所述深度卷积神经网络包括:
卷积层,用于利用权值不同的卷积核对产品图像进行扫描卷积,从中提取各种意义的特征,并输出至特征图中;
池化层,用于对特征图进行降维操作;
全连接层,用于将特征图中的特征映射到缺陷定位分类网络。
13.根据权利要求10所述产品缺陷检测定位装置,其特征在于,还包括更新模块,用于根据接收的产品图片数据和预测结果对所述检测模型进行训练更新。
14.根据权利要求13所述产品缺陷检测定位装置,其特征在于,所述更新模块包括:
存储子模块,用于存储产品图片数据和预测结果,并对检测模型的训练数据进行更新;
训练子模块,用于根据更新后的训练数据对检测模型进行训练,更新检测模型。
15.一种产品缺陷检测定位设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一所述的产品缺陷检测定位方法。
16.一种计算机可读介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的产品缺陷检测定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810019936.7A CN108320278A (zh) | 2018-01-09 | 2018-01-09 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810019936.7A CN108320278A (zh) | 2018-01-09 | 2018-01-09 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108320278A true CN108320278A (zh) | 2018-07-24 |
Family
ID=62894920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810019936.7A Pending CN108320278A (zh) | 2018-01-09 | 2018-01-09 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108320278A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035248A (zh) * | 2018-09-05 | 2018-12-18 | 深圳灵图慧视科技有限公司 | 疵点检测方法、装置、终端设备、服务器和存储介质 |
CN109086827A (zh) * | 2018-08-10 | 2018-12-25 | 北京百度网讯科技有限公司 | 用于检测单晶硅太阳能电池缺陷的方法和装置 |
CN109145973A (zh) * | 2018-08-10 | 2019-01-04 | 北京百度网讯科技有限公司 | 用于检测单晶硅太阳能电池缺陷的方法和装置 |
CN109239075A (zh) * | 2018-08-27 | 2019-01-18 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
CN109470708A (zh) * | 2018-11-30 | 2019-03-15 | 北京百度网讯科技有限公司 | 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 |
CN109584235A (zh) * | 2018-11-30 | 2019-04-05 | 北京百度网讯科技有限公司 | 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 |
CN109598712A (zh) * | 2018-11-30 | 2019-04-09 | 北京百度网讯科技有限公司 | 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 |
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109919925A (zh) * | 2019-03-04 | 2019-06-21 | 联觉(深圳)科技有限公司 | 印刷电路板智能检测方法、系统、电子装置及存储介质 |
CN110120044A (zh) * | 2019-05-20 | 2019-08-13 | 北京百度网讯科技有限公司 | 物品缺陷检测方法及装置、边缘设备、服务器 |
CN110261392A (zh) * | 2019-06-19 | 2019-09-20 | 北京百度网讯科技有限公司 | 质量检测方法、装置、电子设备和系统 |
CN110560376A (zh) * | 2019-07-19 | 2019-12-13 | 华瑞新智科技(北京)有限公司 | 一种产品表面缺陷检测方法及装置 |
WO2020052633A1 (en) * | 2018-09-13 | 2020-03-19 | Virtual Control Limited | System and method for determining a condition of an object |
CN111402250A (zh) * | 2020-03-26 | 2020-07-10 | 中国联合网络通信集团有限公司 | 基于边缘计算的机器视觉缺陷检测方法和平台 |
CN111462043A (zh) * | 2020-03-05 | 2020-07-28 | 维库(厦门)信息技术有限公司 | 一种基于Internet网络的缺陷检测方法、装置、设备和介质 |
CN112241805A (zh) * | 2019-07-19 | 2021-01-19 | 因斯派克托里奥股份有限公司 | 使用历史检验数据进行缺陷预测 |
WO2021046726A1 (zh) * | 2019-09-10 | 2021-03-18 | 西门子能源国际公司 | 用于检测机械设备零部件的方法和装置 |
CN112700436A (zh) * | 2021-01-13 | 2021-04-23 | 上海微亿智造科技有限公司 | 一种用于提高工业质检模型迭代的方法、系统及介质 |
CN112905440A (zh) * | 2019-12-04 | 2021-06-04 | 泰科电子(上海)有限公司 | 人工智能质检系统的测试模块和测试方法 |
WO2021185404A1 (de) * | 2020-03-20 | 2021-09-23 | Schaeffler Technologies AG & Co. KG | Verfahren und prüfanlage zum prüfen einer bipolarplatte einer elektrochemischen zelle, insbesondere einer brennstoffzelle |
US11676257B2 (en) | 2018-11-30 | 2023-06-13 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting defect of meal box, server, and storage medium |
CN116681272A (zh) * | 2023-06-02 | 2023-09-01 | 苏州索力伊智能科技有限公司 | 一种自动装配生产线状态监测系统及其方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106153650A (zh) * | 2016-08-19 | 2016-11-23 | 苏州工业园区道青科技有限公司 | 一种轮毂缺陷检测装置 |
KR101679650B1 (ko) * | 2014-11-07 | 2016-11-25 | 부산대학교 산학협력단 | 홀 내부의 결함 검출방법 |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN107328787A (zh) * | 2017-07-05 | 2017-11-07 | 北京科技大学 | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 |
-
2018
- 2018-01-09 CN CN201810019936.7A patent/CN108320278A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101679650B1 (ko) * | 2014-11-07 | 2016-11-25 | 부산대학교 산학협력단 | 홀 내부의 결함 검출방법 |
CN106153650A (zh) * | 2016-08-19 | 2016-11-23 | 苏州工业园区道青科技有限公司 | 一种轮毂缺陷检测装置 |
CN107328787A (zh) * | 2017-07-05 | 2017-11-07 | 北京科技大学 | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086827A (zh) * | 2018-08-10 | 2018-12-25 | 北京百度网讯科技有限公司 | 用于检测单晶硅太阳能电池缺陷的方法和装置 |
CN109145973A (zh) * | 2018-08-10 | 2019-01-04 | 北京百度网讯科技有限公司 | 用于检测单晶硅太阳能电池缺陷的方法和装置 |
JP7018135B2 (ja) | 2018-08-27 | 2022-02-09 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | バッテリー検出方法及び装置 |
CN109239075A (zh) * | 2018-08-27 | 2019-01-18 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
KR20210010541A (ko) * | 2018-08-27 | 2021-01-27 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 배터리 검출 방법 및 장치(battery detection method and device) |
JP2020536328A (ja) * | 2018-08-27 | 2020-12-10 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | バッテリー検出方法及び装置 |
US11158044B2 (en) * | 2018-08-27 | 2021-10-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Battery detection method and device |
CN109239075B (zh) * | 2018-08-27 | 2021-11-30 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
EP3683572A4 (en) * | 2018-08-27 | 2021-06-02 | Beijing Baidu Netcom Science and Technology Co., Ltd. | BATTERY DETECTION METHOD AND DEVICE |
WO2020042741A1 (zh) * | 2018-08-27 | 2020-03-05 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
KR102494946B1 (ko) * | 2018-08-27 | 2023-02-06 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 배터리 검출 방법 및 장치(battery detection method and device) |
CN109035248A (zh) * | 2018-09-05 | 2018-12-18 | 深圳灵图慧视科技有限公司 | 疵点检测方法、装置、终端设备、服务器和存储介质 |
WO2020052633A1 (en) * | 2018-09-13 | 2020-03-19 | Virtual Control Limited | System and method for determining a condition of an object |
US11676257B2 (en) | 2018-11-30 | 2023-06-13 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting defect of meal box, server, and storage medium |
CN109598712A (zh) * | 2018-11-30 | 2019-04-09 | 北京百度网讯科技有限公司 | 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 |
CN109584235A (zh) * | 2018-11-30 | 2019-04-05 | 北京百度网讯科技有限公司 | 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 |
CN109470708A (zh) * | 2018-11-30 | 2019-03-15 | 北京百度网讯科技有限公司 | 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 |
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109859171B (zh) * | 2019-01-07 | 2021-09-17 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109919925A (zh) * | 2019-03-04 | 2019-06-21 | 联觉(深圳)科技有限公司 | 印刷电路板智能检测方法、系统、电子装置及存储介质 |
CN110120044A (zh) * | 2019-05-20 | 2019-08-13 | 北京百度网讯科技有限公司 | 物品缺陷检测方法及装置、边缘设备、服务器 |
CN110261392A (zh) * | 2019-06-19 | 2019-09-20 | 北京百度网讯科技有限公司 | 质量检测方法、装置、电子设备和系统 |
CN112241805A (zh) * | 2019-07-19 | 2021-01-19 | 因斯派克托里奥股份有限公司 | 使用历史检验数据进行缺陷预测 |
CN110560376A (zh) * | 2019-07-19 | 2019-12-13 | 华瑞新智科技(北京)有限公司 | 一种产品表面缺陷检测方法及装置 |
WO2021046726A1 (zh) * | 2019-09-10 | 2021-03-18 | 西门子能源国际公司 | 用于检测机械设备零部件的方法和装置 |
CN112905440A (zh) * | 2019-12-04 | 2021-06-04 | 泰科电子(上海)有限公司 | 人工智能质检系统的测试模块和测试方法 |
CN112905440B (zh) * | 2019-12-04 | 2023-11-14 | 泰科电子(上海)有限公司 | 人工智能质检系统的测试模块和测试方法 |
CN111462043A (zh) * | 2020-03-05 | 2020-07-28 | 维库(厦门)信息技术有限公司 | 一种基于Internet网络的缺陷检测方法、装置、设备和介质 |
CN111462043B (zh) * | 2020-03-05 | 2023-10-24 | 维库(厦门)信息技术有限公司 | 一种基于Internet网络的缺陷检测方法、装置、设备和介质 |
WO2021185404A1 (de) * | 2020-03-20 | 2021-09-23 | Schaeffler Technologies AG & Co. KG | Verfahren und prüfanlage zum prüfen einer bipolarplatte einer elektrochemischen zelle, insbesondere einer brennstoffzelle |
CN115088125A (zh) * | 2020-03-20 | 2022-09-20 | 舍弗勒技术股份两合公司 | 用于检查电化学电池、尤其燃料电池的双极板的方法和检查设施 |
CN111402250A (zh) * | 2020-03-26 | 2020-07-10 | 中国联合网络通信集团有限公司 | 基于边缘计算的机器视觉缺陷检测方法和平台 |
CN112700436A (zh) * | 2021-01-13 | 2021-04-23 | 上海微亿智造科技有限公司 | 一种用于提高工业质检模型迭代的方法、系统及介质 |
CN116681272A (zh) * | 2023-06-02 | 2023-09-01 | 苏州索力伊智能科技有限公司 | 一种自动装配生产线状态监测系统及其方法 |
CN116681272B (zh) * | 2023-06-02 | 2024-02-02 | 苏州索力伊智能科技有限公司 | 一种自动装配生产线状态监测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320278A (zh) | 产品缺陷检测定位方法、装置、设备及计算机可读介质 | |
CN108230318B (zh) | 钢包缺陷检测分类方法、装置、设备及计算机可读介质 | |
CN108230317A (zh) | 钢板缺陷检测分类方法、装置、设备及计算机可读介质 | |
CN108154508B (zh) | 产品缺陷检测定位的方法、装置、存储介质及终端设备 | |
CN108257121B (zh) | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 | |
CN108242054A (zh) | 一种钢板缺陷检测方法、装置、设备和服务器 | |
CN108776819A (zh) | 一种目标识别方法、移动终端及计算机可读存储介质 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN111612002A (zh) | 一种基于神经网络的多目标物体运动追踪方法 | |
CN108257122A (zh) | 基于机器视觉的纸张缺陷检测方法、装置及服务器 | |
CN109635825A (zh) | 车辆属性检测方法、装置及存储介质 | |
CN111008561A (zh) | 一种牲畜的数量确定方法、终端及计算机存储介质 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
JP7056259B2 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN111414878B (zh) | 一种关于地块的社会属性分析、图像处理方法及装置 | |
CN116977257A (zh) | 缺陷检测方法、装置、电子设备、存储介质及程序产品 | |
CN114462469A (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
KR102174424B1 (ko) | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 | |
CN108182444A (zh) | 基于场景分类的视频质量诊断的方法及装置 | |
CN112016617A (zh) | 细粒度分类方法、装置及计算机可读存储介质 | |
CN108228863B (zh) | 情报信息查询的方法、装置、存储介质及终端设备 | |
CN109359683A (zh) | 目标检测方法、装置、终端和计算机可读存储介质 | |
CN112001388B (zh) | 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法 | |
CN113313079B (zh) | 一种车辆属性识别模型的训练方法、系统及相关设备 | |
CN110489861A (zh) | 一种ai边缘运算芯片设计的弹性实现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180724 |
|
RJ01 | Rejection of invention patent application after publication |