CN109978867A - 玩具外表质量检测方法及其相关设备 - Google Patents

玩具外表质量检测方法及其相关设备 Download PDF

Info

Publication number
CN109978867A
CN109978867A CN201910247409.6A CN201910247409A CN109978867A CN 109978867 A CN109978867 A CN 109978867A CN 201910247409 A CN201910247409 A CN 201910247409A CN 109978867 A CN109978867 A CN 109978867A
Authority
CN
China
Prior art keywords
detected
layer
feature
image
characteristic pattern
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
Application number
CN201910247409.6A
Other languages
English (en)
Inventor
文亚伟
冷家冰
王铖成
苏业
刘明浩
徐玉林
郭江亮
李旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910247409.6A priority Critical patent/CN109978867A/zh
Publication of CN109978867A publication Critical patent/CN109978867A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • 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
    • G06T2207/30161—Wood; Lumber

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种玩具外表质量检测方法及其相关设备。其中方法包括：获取玩具的待检测图像，并确定预先训练的深度卷积神经网络，其中，深度卷积神经网络包括第一输入层、候选区域网络层、实例分割网络层和第一输出层；根据第一输入层对待检测图像进行特征提取，得到待检测图像的特征图；根据候选区域网络层对特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框；根据实例分割网络层对缺陷区域框中的每个像素进行实例分类，得到待检测图像中每个像素的实例分类结果；根据第一输出层输出的待检测图像中每个像素的实例分类结果，对玩具进行质量检测。该方法可以提高检测效率，提高检测结果的准确率。

Description

玩具外表质量检测方法及其相关设备
技术领域
本发明涉及计算机技术领域，尤其涉及一种玩具外表质量检测方法、装置、系统、计算机设备和计算机可读存储介质。
背景技术
玩具中，有很多是用木材作为材料，而这些玩具的外表受限于使用的木材，可能会出现一些由木材导致的缺陷，例如，虫洞，开裂，崩缺，结痂等缺陷，因此需要对木质玩具进行表面质量检测。
相关技术中，木质玩具的外表质量检测主要有两种方式：第一种为纯人工质检方式，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掉没有缺陷的照片，由行业专家对疑似存在缺陷的照片进行检测判断。其中，第二种方式通常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。
但是目前存在的问题是：在人工质检的情况下，需要工作人员用肉眼对木质玩具进行检查；或者，使用基于特征工程的计算机辅助检查系统，这类系统准确率低，系统性能差，从而导致检测效率低，容易漏判误判。
发明内容
本发明的目的旨在至少在一定程度上解决上述的技术问题之一。
为此，本发明的第一个目的在于提出一种玩具外表质量检测方法。该方法可以提高检测效率，提高检测结果的准确率。
本发明的第二个目的在于提出一种玩具外表质量检测装置。
本发明的第三个目的在于提出一种玩具外表质量检测系统。
本发明的第四个目的在于提出一种计算机设备。
本发明的第五个目的在于提出一种计算机可读存储介质。
为达到上述目的，本发明第一方面实施例提出的玩具外表质量检测方法，包括：获取玩具的待检测图像，并确定预先训练的深度卷积神经网络，其中，所述深度卷积神经网络包括用于特征提取的第一输入层、候选区域网络层、实例分割网络层和第一输出层；根据所述第一输入层对所述待检测图像进行特征提取，得到所述待检测图像的特征图；根据所述候选区域网络层对所述特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框；根据所述实例分割网络层对所述缺陷区域框中的每个像素进行实例分类，得到所述待检测图像中每个像素的实例分类结果，并通过所述第一输出层进行输出；根据所述第一输出层输出的所述待检测图像中每个像素的实例分类结果，对所述玩具进行质量检测。
为达到上述目的，本发明第二方面实施例提出的玩具外表质量检测装置，包括：图像获取模块，用于获取玩具的待检测图像；模型确定模块，用于确定预先训练的深度卷积神经网络，其中，所述深度卷积神经网络包括用于特征提取的第一输入层、候选区域网络层、实例分割网络层和第一输出层；特征图提取模块，用于根据所述第一输入层对所述待检测图像进行特征提取，得到所述待检测图像的特征图；缺陷区域框获取模块，用于根据所述候选区域网络层对所述特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框；实例分类模块，用于根据所述实例分割网络层对所述缺陷区域框中的每个像素进行实例分类，得到所述待检测图像中每个像素的实例分类结果，并通过所述第一输出层进行输出；质量检测模块，用于根据所述第一输出层输出的所述待检测图像中每个像素的实例分类结果，对所述玩具进行质量检测。
为达到上述目的，本发明第三方面实施例提出的玩具外表质量检测系统，包括：图像采集装置、控制装置和服务器，其中，所述图像采集装置，用于对玩具进行图像采集，并将采集到的图像作为所述玩具的待检测图像发送至所述控制装置；所述控制装置，用于根据所述待检测图像生成检测请求，并将所述检测请求发送至所述服务器；所述服务器，用于提取所述检测请求中的待检测图像，并确定预先训练的深度卷积神经网络，并根据所述深度卷积神经网络对所述待检测图像进行特征提取，得到所述待检测图像的特征图，并对所述特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框，对所述缺陷区域框中的每个像素进行实例分类，得到所述待检测图像中每个像素的实例分类结果，并根据所述待检测图像中每个像素的实例分类结果，对所述玩具进行质量检测。
为达到上述目的，本发明第四方面实施例提出的计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本发明第一方面实施例所述的玩具外表质量检测方法。
为达到上述目的，本发明第五方面实施例提出的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明第一方面实施例所述的玩具外表质量检测方法。
综上所述，本发明实施例的玩具外表质量检测方法、装置、系统、计算机设备和存储介质，可获取玩具的待检测图像，并确定预先训练的深度卷积神经网络，其中，深度卷积神经网络包括用于特征提取的第一输入层、候选区域网络层、实例分割网络层和第一输出层，之后，可根据第一输入层对待检测图像进行特征提取，得到待检测图像的特征图，并根据候选区域网络层对特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框，然后，根据实例分割网络层对缺陷区域框中的每个像素进行实例分类，得到待检测图像中每个像素的实例分类结果，并通过第一输出层进行输出，最后，根据第一输出层输出的待检测图像中每个像素的实例分类结果，对玩具进行质量检测。即基于实例分割的算法预先训练深度卷积神经网络，进而利用该训练好的深度卷积神经网络对玩具的待检测图像中的各像素进行分类预测，从而根据各像素的分类结果对该玩具进行质量检测，可以有效地检测出该玩具外表是否存在质量问题，整个检测过程中，无需人工参与，减少了人工成本，并通过训练好的网络模型进行质量检测，提高了检测效率，并提高了检测结果的准确率。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的玩具外表质量检测方法的流程图；
图2是根据本发明实施例的获取特征图的流程图；
图3是根据本发明一个实施例的玩具外表质量检测装置的结构示意图；
图4是根据本发明另一个实施例的玩具外表质量检测装置的结构示意图；
图5是根据本发明又一个实施例的玩具外表质量检测装置的结构示意图；
图6是根据本发明一个实施例的玩具外表质量检测系统的结构示意图；
图7示出了适于用来实现本发明实施例的示例性计算机设备的框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
目前，木质玩具行业整体智能化自动化程度较低，根据对国调研分析，大部分生产厂家对木质玩具的外表质量检测方式有两种，即人工检测和自动光学检测设备检测。人工检测方法受人的主观影响因素较大、检测效率较低，长时间工作对人眼的伤害较大；自动光学检测设备，通过视觉对木质玩具表面进行检测，误检率较高，检测系统性能差，且无法覆盖木质玩具厂商所有的检测标准。
相关技术中，木质玩具的外表质量检测系统主要有两种方式：第一种为纯人工质检方式，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掉没有缺陷的照片，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。这两种木质玩具的质量检测方法，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。
为了解决现有技术中检测效率低，且容易出现漏判误判，从而导致检测结果准确率低的技术问题，本发明提出了一种玩具外表质量检测方法、装置、系统、计算机设备和计算机可读存储介质。具体地，下面参考附图描述本发明实施例的玩具外表质量检测方法、装置、系统、计算机设备和计算机可读存储介质。
图1是根据本发明一个实施例的玩具外表质量检测方法的流程图。需要说明的是，本发明实施例的玩具外表质量检测方法可应用于本发明实施例的玩具外表质量检测装置。
如图1所示，该玩具外表质量检测方法可以包括：
S110，获取玩具的待检测图像，并确定预先训练的深度卷积神经网络。
例如，可通过图像采集装置对场景中的玩具进行图像采集，以得到玩具的采集图像，将该图像作为该玩具的待检测图像，并可确定预先的深度卷积神经网络，以便后续利用该深度卷积神经网络对该待检测图像进行预处理后，进行实例分割计算，从而给出代表缺陷的类别信息和缺陷的位置信息。
其中，在本发明的实施例中，该深度卷积神经网络可包括用于特征提取的第一输入层、候选区域网络层、实例分割网络层和第一输出层。该深度卷积神经网络已经学习得到图像中各像素与各种缺陷的类别和位置的对应关系。
需要说明的是，所述深度卷积神经网络可为预先训练得到的。作为一种示例，可采用以下方式预先训练该深度卷积神经网络：获取样本标注数据，其中，样本标注数据包括针对样本玩具的图像，和图像中各像素所属的缺陷类别标签和位置标签；构建深度卷积神经网络；利用样本标注数据对构建的深度卷积神经网络进行训练。
也就是说，可获取大量的样本标注数据，每个样本标注数据均包括样本图像、及该样本图像中各像素所属的缺陷类别标签和位置标签。可构建深度卷积神经网络，其中，该深度卷积神经网络可包括用于特征提取的第一输入层、候选区域网络层、实例分割网络层和第一输出层然后，可利用获得的样本标注数据对构建的深度卷积神经网络进行训练。
其中，在对深度卷积神经网络进行训练时，可利用该深度卷积神经网络的第一输入层对样本标注数据中的样本图像进行特征提取，从中提取各种意义的特征，并输出至特征图中。通过候选区域网络层对该特征图进行候选区域提取，并对提取到的候选区域进行二元目标归类，判断有缺陷或无缺陷，并对检测为含有缺陷的候选区域，用回归算法确定出像素级别的缺陷区域框。实例分割网络层对该缺陷区域框中的每个像素进行实例分类，得到样本图像中每个像素所属的实例分类结果。对于每个像素的实例分类结果与样本图像中各像素所属的缺陷类别标签和位置标签进行交叉熵运算，得到其损失，然后将该损失与候选区域网络层所生成的损失结合到一起，做组合训练，优化网络模型参数。当第一输出层的输出与样本图像中各像素所属的缺陷类别标签和位置标签之间的误差值，小于预先设定的符合业务要求的阈值时，停止训练，从而得到训练好的深度卷积神经网络。
S120，根据第一输入层对待检测图像进行特征提取，得到待检测图像的特征图。
可选地，利用所述深度卷积神经网络中的第一输入层对该待检测图像进行特征提取，从中提取到各种意义的特征，并输出到特征图中，从而得到该待检测图像的特征图。
其中，在本发明的一个实施例中，该第一输入层可由经过学习的深度学习基础网络构成；在本发明的实施例中，该深度学习基础网络可包括用于特征提取的第二输入层、用于特征压缩的挤压层、用于为每个特征通道生成权重的激发层、用于特征重标定的重标定层、和用于输出特征图的第二输出层；所述激发层已学习得到用于建模特征通道间的相关性的参数。
作为一种可能实现方式的示例，所述根据第一输入层对待检测图像进行特征提取，得到待检测图像的特征图的具体实现过程可如下：通过所述深度学习基础网络对待检测图像进行特征提取，得到待检测图像的特征图。
在本发明的实施例中，如图2所示，所述通过深度学习基础网络对待检测图像进行特征提取，得到待检测图像的特征图的具体实现过程可包括以下步骤：
S210，根据深度学习基础网络中的第二输入层对待检测图像进行特征提取，得到多个特征，每个特征对应一个特征通道。
S220，根据挤压层对多个特征通道进行特征压缩，并根据激发层中的参数为多个特征通道生成对应权重。
在本步骤中，在提到特征之后，可通过挤压层对特征通道进行特征压缩，将每个二维的特征通道变成一个实数，这个实数某种程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配。它表征着在特征通道上响应的全局分布，而且使得靠近输入的层也可以获得全局的感受野。之后，可通过激发层中的参数为每个特征通道生成对应权重。其中，在本发明的实施例中，激发层中的参数可以是预先学习训练得到的，该参数可被学习用来显示建模特征通道间的相关性。
需要说明的是，在本发明的实施例中，在通过挤压层对多个特征通道进行特征维度降低操作之后，可通过激发层激活后通过一个全连接层升回到原来的维度。这样做比直接用一个全连接层的好处在于：1)具有更多的非线性，可以更好地拟合通道间复杂的相关性；2)极大地减少了参数量和计算量。
S230，根据重标定层将生成的权重加权至对应特征通道的特征上。
可选地，通过重标定层将激发层生成的权重进行归一化处理，并将归一化后的权重加权到对应的特征通道的特征上。
S240，根据第二输出层将重标定层输出的特征进行输出，得到待检测图像的特征图。
由此，通过上述步骤S210-S240即可得到待检测图像的特征图。其中，通过激发层自动学习的方式来获取到每个特征通道的重要程度，并依照这个重要程序去提升有用的特征，并抑制对当前任务用处不大的特征，从而使得提取到的特征更加有意义，提高特征提取的有效性和准确性。
S130，根据候选区域网络层对特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框。
可选地，通过候选区域网络层对该特征图进行候选区域提取，并对提取到的候选区域进行二元目标归类，判断有缺陷或无缺陷，同时对检测为含有缺陷的候选区域，用回归算法确定出像素级别的缺陷区域框。也就是说，可利用候选区域网络层计算特征图中某一区域内是否含有特定的物体(如缺陷)，若含有该缺陷，则进行特征提取，并根据提取的特征预测该物体的类别和偏移量，从而得到缺陷区域框。如果不含有该缺陷，则不进行分类。
为了能够保证提取的特征更加有效，提取有用特征，可选地，在本发明的一个实施例中，在根据候选区域网络层对特征图进行候选区域提取之前，可对该特征图进行降维操作，保留特征图中的主要特征，并对该经过降维操作的特征图进行上采样，以使经过上采样的特征图的尺寸与待检测图像的尺寸一致。
在本发明的实施例中，可采用双线性插值算法对经过降维操作的特征图进行上采样，从而可以使得该特征图的尺寸变得与该待检测图像的尺寸相同。
S140，根据实例分割网络层对缺陷区域框中的每个像素进行实例分类，得到待检测图像中每个像素的实例分类结果，并通过第一输出层进行输出。
可选地，通过实例分割网络层对该缺陷区域框中的每个像素进行预测，得到该缺陷区域框中每个像素所属的实例，从而可以得到待检测图像中每个像素的实例分类结果，并通过第一输出层将该待检测图像中每个像素的实例分类结果进行输出。
S150，根据第一输出层输出的待检测图像中每个像素的实例分类结果，对玩具进行质量检测。
可选地，根据待检测图像中每个像素的实例分类结果，确定玩具中缺陷的类别信息和缺陷在待检测图像中的位置信息。也就是说，可根据待检测图像中每个像素的实例分类结果，来检测该待检测图像中是否存在属于缺陷类别的像素，若存在，则可判定该玩具的外表存在质量问题，即存在质量缺陷，并根据该缺陷在图像的位置即可确定出该缺陷在玩具外部的位置。为了进一步区分缺陷的种类，在深度卷积神经网络训练时，可设置多个缺陷种类，这样可以实现对玩具的多个缺陷种类进行区分，例如，可区分虫洞、开裂、崩缺、结痂等缺陷。
为了进一步提高检测结果的准确率，保证深度卷积神经网络的检测性能，可选地，在本发明的一个实施例中，可获取历史质量检测结果，并在检测到所述历史质量检测结果的准确率小于预设阈值时，校正所述历史质量检测结果，将校正后的历史质量检测结果作为训练数据，对所述深度卷积神经网络进行训练。
也就是说，对于每一次训练好的深度卷积神经网络可通过小流量上线的方式逐步取代正在线上运行的旧深度卷积神经网络，以达到深度卷积神经网络业务动态扩展泛化的目的。在检测系统运行一段时间后，可通过获取历史质量检测结果，并在检测到所述历史质量检测结果的准确率小于预设阈值时，校正所述历史质量检测结果，将校正后的历史质量检测结果作为训练数据，对所述深度卷积神经网络进行训练，从而重新训练该深度卷积神经网络，即对历史质量检测结果进行二次挖掘再利用，以提高检测准确率。
本发明实施例的玩具外表质量检测方法，可获取玩具的待检测图像，并确定预先训练的深度卷积神经网络，其中，深度卷积神经网络包括用于特征提取的第一输入层、候选区域网络层、实例分割网络层和第一输出层，之后，可根据第一输入层对待检测图像进行特征提取，得到待检测图像的特征图，并根据候选区域网络层对特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框，然后，根据实例分割网络层对缺陷区域框中的每个像素进行实例分类，得到待检测图像中每个像素的实例分类结果，并通过第一输出层进行输出，最后，根据第一输出层输出的待检测图像中每个像素的实例分类结果，对玩具进行质量检测。即基于实例分割的算法预先训练深度卷积神经网络，进而利用该训练好的深度卷积神经网络对玩具的待检测图像中的各像素进行分类预测，从而根据各像素的分类结果对该玩具进行质量检测，可以有效地检测出该玩具外表是否存在质量问题，整个检测过程中，无需人工参与，减少了人工成本，并通过训练好的网络模型进行质量检测，提高了检测效率，并提高了检测结果的准确率。
与上述几种实施例提供的玩具外表质量检测方法相对应，本发明的一种实施例还提供一种玩具外表质量检测装置，由于本发明实施例提供的玩具外表质量检测装置与上述几种实施例提供的玩具外表质量检测方法相对应，因此在前述玩具外表质量检测方法的实施方式也适用于本实施例提供的玩具外表质量检测装置，在本实施例中不再详细描述。图3是根据本发明一个实施例的玩具外表质量检测装置的结构示意图。如图3所示，该玩具外表质量检测装置300可以包括：图像获取模块310、模型确定模块320、特征图提取模块330、缺陷区域框获取模块340、实例分类模块350和质量检测模块360。
具体地，图像获取模块310用于获取玩具的待检测图像。
模型确定模块320用于确定预先训练的深度卷积神经网络，其中，深度卷积神经网络包括用于特征提取的第一输入层、候选区域网络层、实例分割网络层和第一输出层。
特征图提取模块330用于根据第一输入层对待检测图像进行特征提取，得到待检测图像的特征图。其中，在本发明的一个实施例中，第一输入层由经过学习的深度学习基础网络构成，所述深度学习基础网络包括用于特征提取的第二输入层、用于特征压缩的挤压层、用于为每个特征通道生成权重的激发层、用于特征重标定的重标定层、和用于输出特征图的第二输出层；所述激发层已学习得到用于建模特征通道间的相关性的参数。
在本发明的实施例中，特征图提取模块330可通过所述深度学习基础网络对所述待检测图像进行特征提取，得到所述待检测图像的特征图。
作为一种示例，特征图提取模块330具体用于：根据所述深度学习基础网络中的第二输入层对所述待检测图像进行特征提取，得到多个特征，每个特征对应一个特征通道；根据所述挤压层对多个特征通道进行特征压缩，并根据所述激发层中的参数为多个特征通道生成对应权重；根据所述重标定层将生成的权重加权至对应特征通道的特征上；根据所述第二输出层将所述重标定层输出的特征进行输出，得到所述待检测图像的特征图。
缺陷区域框获取模块340用于根据候选区域网络层对特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框。作为一种实例，缺陷区域框获取模块340可对提取到的候选区域进行二元目标归类，判断有缺陷或无缺陷，并对检测为含有缺陷的候选区域，用回归算法确定出像素级别的缺陷区域框。
实例分类模块350用于根据实例分割网络层对缺陷区域框中的每个像素进行实例分类，得到待检测图像中每个像素的实例分类结果，并通过第一输出层进行输出。
质量检测模块360用于根据第一输出层输出的待检测图像中每个像素的实例分类结果，对玩具进行质量检测。
需要说明的是，所述深度卷积神经网络可为预先训练得到的。可选地，在本发明的一个实施例中，该玩具外表质量检测装置还可包括：模型训练模块。该模型训练模块可用于预先训练所述深度卷积神经网络。其中，在本发明的实施例中，模型训练模块具体用于：获取样本标注数据，其中，所述样本标注数据包括针对样本玩具的图像，和所述图像中各像素所属的缺陷类别标签和位置标签；构建深度卷积神经网络；利用所述样本标注数据对构建的深度卷积神经网络进行训练。
为了能够保证提取的特征更加有效，提取有用特征，可选地，在本发明的一个实施例中，如图4所示，该玩具外表质量检测装置300还可包括：降维模块370和上采样模块380。其中，降维模块370用于在根据所述候选区域网络层对所述特征图进行候选区域提取之前，对所述特征图进行降维操作，保留所述特征图中的主要特征；上采样模块380用于对经过降维操作的特征图进行上采样，以使经过上采样的特征图的尺寸与所述待检测图像的尺寸一致。
在本发明的实施例中，上采样模块380可采用双线性插值算法对经过降维操作的特征图进行上采样。
为了进一步提高检测结果的准确率，保证深度卷积神经网络的检测性能，可选地，在本发明的一个实施例中，如图5所示，该玩具外表质量检测装置300还可包括：检测结果获取模块390、校正模块3100和模型训练模块3110。其中，检测结果获取模块390用于获取历史质量检测结果；校正模块3100用于在检测到所述历史质量检测结果的准确率小于预设阈值时，校正所述历史质量检测结果；模型训练模块3110用于将校正后的历史质量检测结果作为训练数据，对所述深度卷积神经网络进行训练。
本发明实施例的玩具外表质量检测装置，可通过图像获取模块获取玩具的待检测图像，模型确定模块确定预先训练的深度卷积神经网络，其中，深度卷积神经网络包括用于特征提取的第一输入层、候选区域网络层、实例分割网络层和第一输出层，特征图提取模块根据第一输入层对待检测图像进行特征提取，得到待检测图像的特征图，缺陷区域框获取模块根据候选区域网络层对特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框，实例分类模块根据实例分割网络层对缺陷区域框中的每个像素进行实例分类，得到待检测图像中每个像素的实例分类结果，并通过第一输出层进行输出，质量检测模块根据第一输出层输出的待检测图像中每个像素的实例分类结果，对玩具进行质量检测。即基于实例分割的算法预先训练深度卷积神经网络，进而利用该训练好的深度卷积神经网络对玩具的待检测图像中的各像素进行分类预测，从而根据各像素的分类结果对该玩具进行质量检测，可以有效地检测出该玩具外表是否存在质量问题，整个检测过程中，无需人工参与，减少了人工成本，并通过训练好的网络模型进行质量检测，提高了检测效率，并提高了检测结果的准确率。
为了实现上述实施例，本发明还提出了一种玩具外表质量检测系统。
图6是根据本发明一个实施例的玩具外表质量检测系统的结构示意图。如图6所示，该玩具外表质量检测系统可以包括：图像采集装置610、控制装置620和服务器630。
具体地，图像采集装置610用于对玩具进行图像采集，并将采集到的图像作为玩具的待检测图像发送至控制装置620。
控制装置620用于根据待检测图像生成检测请求，并将检测请求发送至服务器630。
服务器630用于提取检测请求中的待检测图像，并确定预先训练的深度卷积神经网络，并根据深度卷积神经网络对待检测图像进行特征提取，得到待检测图像的特征图，并对特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框，对缺陷区域框中的每个像素进行实例分类，得到待检测图像中每个像素的实例分类结果，并根据待检测图像中每个像素的实例分类结果，对玩具进行质量检测。
可选地，在本发明的一个实施例中，服务器为多个，每个服务器具有至少一个所述深度卷积神经网络。在本发明的实施例中，控制装置620可根据多个服务器上深度卷积神经网络的部署情况进行负载均衡和调度，确定搭载目标深度卷积神经网络的服务器，并将所述检测请求发送至所述搭载目标深度卷积神经网络的服务器上。也就是说，控制装置620可根据线上深度卷积神经网络的部署情况实时进行负载均衡和调度，将检测请求发送至最佳的搭载着深度卷积神经网络的服务器上。该服务器上运行着深度卷积神经网络，该深度卷积神经网络已经由训练引擎训练完成。
可选地，在本发明的一个实施例中，控制装置620还可用于根据业务需求，对所述玩具的质量检测结果做出对应的业务响应。例如，在确定该玩具的质量检测结果之后，控制装置620与业务场景结合设计，能够根据业务需求，对质量检测结果做出符合生产环境场景要求的响应，如报警、存储日志、控制机械臂等。
在本发明的实施例中，服务器630上可具有训练数据库、训练引擎和生产数据库，其中，该训练数据库中可具有训练数据，该训练引擎可从训练数据库中获取训练数据以对该服务器上的深度卷积神经网络进行训练。生产数据库可存储有生成日志，例如，控制装置可将深度卷积神经网络的预测结果及业务响应的处理行为作为线上生产日志存储到生产数据库中，从而可以根据该生产数据库中的数据来更新训练数据库。
本发明实施例的玩具外表质量检测系统，可通过控制装置将带有待检测图像的检测请求发送至服务器，使得服务器通过已经训练好的深度卷积神经网络对该待检测图像进行逐像素的实例分类，得到每个像素所属的实例分类结果，进而根据该每个像素所属的实例分类结果对玩具进行质量检测。即基于实例分割的算法预先训练深度卷积神经网络，进而利用该训练好的深度卷积神经网络对玩具的待检测图像中的各像素进行分类预测，从而根据各像素的分类结果对该玩具进行质量检测，可以有效地检测出该玩具外表是否存在质量问题，整个检测过程中，无需人工参与，减少了人工成本，并通过训练好的网络模型进行质量检测，提高了检测效率，并提高了检测结果的准确率。
为了实现上述实施例，本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明上述任一个实施例所述的玩具外表质量检测方法。
图7示出了适于用来实现本发明实施例的示例性计算机设备的框图。图7显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合终端设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的玩具外表质量检测方法。
在本发明的描述中，需要理解的是，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”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
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。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。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。
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。计算机可读介质的更具体的示例(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，以及便携式光盘只读存储器(CDROM)。另外，计算机可读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。
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取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (19)

1.一种玩具外表质量检测方法，其特征在于，包括以下步骤：
获取玩具的待检测图像，并确定预先训练的深度卷积神经网络，其中，所述深度卷积神经网络包括用于特征提取的第一输入层、候选区域网络层、实例分割网络层和第一输出层；
根据所述第一输入层对所述待检测图像进行特征提取，得到所述待检测图像的特征图；
根据所述候选区域网络层对所述特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框；
根据所述实例分割网络层对所述缺陷区域框中的每个像素进行实例分类，得到所述待检测图像中每个像素的实例分类结果，并通过所述第一输出层进行输出；
根据所述第一输出层输出的所述待检测图像中每个像素的实例分类结果，对所述玩具进行质量检测。
2.根据权利要求1所述的方法，其特征在于，所述第一输入层由经过学习的深度学习基础网络构成，所述深度学习基础网络包括用于特征提取的第二输入层、用于特征压缩的挤压层、用于为每个特征通道生成权重的激发层、用于特征重标定的重标定层、和用于输出特征图的第二输出层；所述激发层已学习得到用于建模特征通道间的相关性的参数；
其中，根据所述第一输入层对所述待检测图像进行特征提取，得到所述待检测图像的特征图，包括：
通过所述深度学习基础网络对所述待检测图像进行特征提取，得到所述待检测图像的特征图。
3.根据权利要求2所述的方法，其特征在于，通过所述深度学习基础网络对所述待检测图像进行特征提取，得到所述待检测图像的特征图，包括：
根据所述深度学习基础网络中的第二输入层对所述待检测图像进行特征提取，得到多个特征，每个特征对应一个特征通道；
根据所述挤压层对多个特征通道进行特征压缩，并根据所述激发层中的参数为多个特征通道生成对应权重；
根据所述重标定层将生成的权重加权至对应特征通道的特征上；
根据所述第二输出层将所述重标定层输出的特征进行输出，得到所述待检测图像的特征图。
4.根据权利要求1所述的方法，其特征在于，所述对提取到的候选区域进行分类，得到缺陷区域框，包括：
对提取到的候选区域进行二元目标归类，判断有缺陷或无缺陷；
对检测为含有缺陷的候选区域，用回归算法确定出像素级别的缺陷区域框。
5.根据权利要求1所述的方法，其特征在于，在根据所述候选区域网络层对所述特征图进行候选区域提取之前，所述方法还包括：
对所述特征图进行降维操作，保留所述特征图中的主要特征；
对经过降维操作的特征图进行上采样，以使经过上采样的特征图的尺寸与所述待检测图像的尺寸一致。
6.根据权利要求5所述的方法，其特征在于，所述对经过降维操作的特征图进行上采样，包括：
采用双线性插值算法对经过降维操作的特征图进行上采样。
7.根据权利要求1至6中任一项所述的方法，其特征在于，还包括：
获取历史质量检测结果；
在检测到所述历史质量检测结果的准确率小于预设阈值时，校正所述历史质量检测结果；
将校正后的历史质量检测结果作为训练数据，对所述深度卷积神经网络进行训练。
8.一种玩具外表质量检测装置，其特征在于，包括：
图像获取模块，用于获取玩具的待检测图像；
模型确定模块，用于确定预先训练的深度卷积神经网络，其中，所述深度卷积神经网络包括用于特征提取的第一输入层、候选区域网络层、实例分割网络层和第一输出层；
特征图提取模块，用于根据所述第一输入层对所述待检测图像进行特征提取，得到所述待检测图像的特征图；
缺陷区域框获取模块，用于根据所述候选区域网络层对所述特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框；
实例分类模块，用于根据所述实例分割网络层对所述缺陷区域框中的每个像素进行实例分类，得到所述待检测图像中每个像素的实例分类结果，并通过所述第一输出层进行输出；
质量检测模块，用于根据所述第一输出层输出的所述待检测图像中每个像素的实例分类结果，对所述玩具进行质量检测。
9.根据权利要求8所述的方法，其特征在于，所述第一输入层由经过学习的深度学习基础网络构成，所述深度学习基础网络包括用于特征提取的第二输入层、用于特征压缩的挤压层、用于为每个特征通道生成权重的激发层、用于特征重标定的重标定层、和用于输出特征图的第二输出层；所述激发层已学习得到用于建模特征通道间的相关性的参数；
其中，所述特征图提取模块具体用于：
通过所述深度学习基础网络对所述待检测图像进行特征提取，得到所述待检测图像的特征图。
10.根据权利要求9所述的装置，其特征在于，所述特征图提取模块具体用于：
根据所述深度学习基础网络中的第二输入层对所述待检测图像进行特征提取，得到多个特征，每个特征对应一个特征通道；
根据所述挤压层对多个特征通道进行特征压缩，并根据所述激发层中的参数为多个特征通道生成对应权重；
根据所述重标定层将生成的权重加权至对应特征通道的特征上；
根据所述第二输出层将所述重标定层输出的特征进行输出，得到所述待检测图像的特征图。
11.根据权利要求8所述的装置，其特征在于，所述缺陷区域框获取模块具体用于：
对提取到的候选区域进行二元目标归类，判断有缺陷或无缺陷；
对检测为含有缺陷的候选区域，用回归算法确定出像素级别的缺陷区域框。
12.根据权利要求8所述的装置，其特征在于，所述装置还包括：
降维模块，用于在根据所述候选区域网络层对所述特征图进行候选区域提取之前，对所述特征图进行降维操作，保留所述特征图中的主要特征；
上采样模块，用于对经过降维操作的特征图进行上采样，以使经过上采样的特征图的尺寸与所述待检测图像的尺寸一致。
13.根据权利要求12所述的装置，其特征在于，所述上采样模块具体用于：
采用双线性插值算法对经过降维操作的特征图进行上采样。
14.根据权利要求8至13中任一项所述的装置，其特征在于，所述装置还包括：
检测结果获取模块，用于获取历史质量检测结果；
校正模块，用于在检测到所述历史质量检测结果的准确率小于预设阈值时，校正所述历史质量检测结果；
模型训练模块，用于将校正后的历史质量检测结果作为训练数据，对所述深度卷积神经网络进行训练。
15.一种玩具外表质量检测系统，其特征在于，包括：图像采集装置、控制装置和服务器，其中，
所述图像采集装置，用于对玩具进行图像采集，并将采集到的图像作为所述玩具的待检测图像发送至所述控制装置；
所述控制装置，用于根据所述待检测图像生成检测请求，并将所述检测请求发送至所述服务器；
所述服务器，用于提取所述检测请求中的待检测图像，并确定预先训练的深度卷积神经网络，并根据所述深度卷积神经网络对所述待检测图像进行特征提取，得到所述待检测图像的特征图，并对所述特征图进行候选区域提取，并对提取到的候选区域进行分类，得到缺陷区域框，对所述缺陷区域框中的每个像素进行实例分类，得到所述待检测图像中每个像素的实例分类结果，并根据所述待检测图像中每个像素的实例分类结果，对所述玩具进行质量检测。
16.根据权利要求15所述的系统，其特征在于，所述服务器为多个，每个服务器具有至少一个所述深度卷积神经网络；所述控制装置具体用于：
根据多个服务器上深度卷积神经网络的部署情况进行负载均衡和调度，确定搭载目标深度卷积神经网络的服务器；
将所述检测请求发送至所述搭载目标深度卷积神经网络的服务器上。
17.根据权利要求15或16所述的系统，其特征在于，所述控制装置还用于：根据业务需求，对所述玩具的质量检测结果做出对应的业务响应。
18.一种计算机设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1至7中任一项所述的玩具外表质量检测方法。
19.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的玩具外表质量检测方法。
CN201910247409.6A 2019-03-29 2019-03-29 玩具外表质量检测方法及其相关设备 Pending CN109978867A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910247409.6A CN109978867A (zh) 2019-03-29 2019-03-29 玩具外表质量检测方法及其相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910247409.6A CN109978867A (zh) 2019-03-29 2019-03-29 玩具外表质量检测方法及其相关设备

Publications (1)

Publication Number Publication Date
CN109978867A true CN109978867A (zh) 2019-07-05

Family

ID=67081557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910247409.6A Pending CN109978867A (zh) 2019-03-29 2019-03-29 玩具外表质量检测方法及其相关设备

Country Status (1)

Country Link
CN (1) CN109978867A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910352A (zh) * 2019-11-06 2020-03-24 创新奇智(南京)科技有限公司 基于深度学习的太阳能电池缺陷检测系统及检测方法
CN111210412A (zh) * 2019-12-31 2020-05-29 电子科技大学中山学院 一种包装检测方法、装置、电子设备及存储介质
CN111598084A (zh) * 2020-05-11 2020-08-28 北京阿丘机器人科技有限公司 缺陷分割网络训练方法、装置、设备及可读存储介质
CN111652852A (zh) * 2020-05-08 2020-09-11 浙江华睿科技有限公司 一种产品表面缺陷检测方法和装置及设备
CN112381798A (zh) * 2020-11-16 2021-02-19 广东电网有限责任公司肇庆供电局 一种输电线路缺陷识别方法和终端
CN113218962A (zh) * 2021-04-27 2021-08-06 京东方科技集团股份有限公司 显示缺陷检测装置及其检测方法、显示缺陷检测系统
CN113780074A (zh) * 2021-08-04 2021-12-10 五邑大学 卷纸中包质量检测方法、装置及存储介质
CN114417098A (zh) * 2021-12-14 2022-04-29 江苏权正检验检测有限公司 一种提升食品检测准确性的信息处理方法和装置

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761743A (zh) * 2014-01-29 2014-04-30 东北林业大学 一种基于图像融合分割的实木地板表面缺陷检测方法
CN104850858A (zh) * 2015-05-15 2015-08-19 华中科技大学 一种注塑制品缺陷检测识别方法
CN106323985A (zh) * 2016-08-29 2017-01-11 常熟品智自动化科技有限公司 计算机视觉结合自我学习行为的实木板材品质检测方法
CN107392896A (zh) * 2017-07-14 2017-11-24 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的木材缺陷检测方法和系统
CN107437094A (zh) * 2017-07-12 2017-12-05 北京木业邦科技有限公司 基于机器学习的木板分拣方法及系统
CN107944504A (zh) * 2017-12-14 2018-04-20 北京木业邦科技有限公司 木板识别及木板识别的机器学习方法、装置及电子设备
CN107977689A (zh) * 2018-01-05 2018-05-01 湖南理工学院 一种木材等级分类装置及方法
CN108154504A (zh) * 2017-12-25 2018-06-12 浙江工业大学 一种基于卷积神经网络的钢板表面缺陷的检测方法
CN108247764A (zh) * 2017-12-14 2018-07-06 北京木业邦科技有限公司 基于机器学习的木板切割方法、装置、电子设备和介质
CN207636508U (zh) * 2017-12-14 2018-07-20 北京木业邦科技有限公司 一种单板缺陷检测系统及设备
CA3056498A1 (en) * 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
CN108710885A (zh) * 2018-03-29 2018-10-26 百度在线网络技术（北京）有限公司 目标对象的检测方法和装置
CN108710826A (zh) * 2018-04-13 2018-10-26 燕山大学 一种交通标志深度学习模式识别方法
CN108765389A (zh) * 2018-05-18 2018-11-06 浙江大学 一种微观晶圆表面缺陷图像检测方法
CN108765397A (zh) * 2018-05-22 2018-11-06 内蒙古农业大学 一种基于降维和特征空间构造的木材图像识别方法及装置
CN108961239A (zh) * 2018-07-02 2018-12-07 北京百度网讯科技有限公司 连铸坯质量检测方法、装置、电子设备及存储介质
CN108961238A (zh) * 2018-07-02 2018-12-07 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
CN109084955A (zh) * 2018-07-02 2018-12-25 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
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

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761743A (zh) * 2014-01-29 2014-04-30 东北林业大学 一种基于图像融合分割的实木地板表面缺陷检测方法
CN104850858A (zh) * 2015-05-15 2015-08-19 华中科技大学 一种注塑制品缺陷检测识别方法
CN106323985A (zh) * 2016-08-29 2017-01-11 常熟品智自动化科技有限公司 计算机视觉结合自我学习行为的实木板材品质检测方法
CA3056498A1 (en) * 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
CN107437094A (zh) * 2017-07-12 2017-12-05 北京木业邦科技有限公司 基于机器学习的木板分拣方法及系统
CN107392896A (zh) * 2017-07-14 2017-11-24 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的木材缺陷检测方法和系统
CN108247764A (zh) * 2017-12-14 2018-07-06 北京木业邦科技有限公司 基于机器学习的木板切割方法、装置、电子设备和介质
CN207636508U (zh) * 2017-12-14 2018-07-20 北京木业邦科技有限公司 一种单板缺陷检测系统及设备
CN107944504A (zh) * 2017-12-14 2018-04-20 北京木业邦科技有限公司 木板识别及木板识别的机器学习方法、装置及电子设备
CN108154504A (zh) * 2017-12-25 2018-06-12 浙江工业大学 一种基于卷积神经网络的钢板表面缺陷的检测方法
CN107977689A (zh) * 2018-01-05 2018-05-01 湖南理工学院 一种木材等级分类装置及方法
CN108710885A (zh) * 2018-03-29 2018-10-26 百度在线网络技术（北京）有限公司 目标对象的检测方法和装置
CN108710826A (zh) * 2018-04-13 2018-10-26 燕山大学 一种交通标志深度学习模式识别方法
CN108765389A (zh) * 2018-05-18 2018-11-06 浙江大学 一种微观晶圆表面缺陷图像检测方法
CN108765397A (zh) * 2018-05-22 2018-11-06 内蒙古农业大学 一种基于降维和特征空间构造的木材图像识别方法及装置
CN108961239A (zh) * 2018-07-02 2018-12-07 北京百度网讯科技有限公司 连铸坯质量检测方法、装置、电子设备及存储介质
CN108961238A (zh) * 2018-07-02 2018-12-07 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
CN109084955A (zh) * 2018-07-02 2018-12-25 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KAIMING HE ETC.: ""Mask R-CNN"", 《2017 IEEE INTERNATIONAL CONFERENCE ON CONFERENCE ON COMPUTER VISION（ICCV）》 *
ROSS GIRSHICK: ""Fast R-CNN"", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION（ICCV）》 *
XUELONG WANG .ETC: ""Surface defects detection of paper dish based on Mask R-CNN"", 《THIRD INTERNATIONAL WORKSHOP ON PATTERN RECOGNITION》 *
刘英等: "基于优化卷积神经网络的木材缺陷检测", 《林业工程学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910352A (zh) * 2019-11-06 2020-03-24 创新奇智(南京)科技有限公司 基于深度学习的太阳能电池缺陷检测系统及检测方法
CN111210412A (zh) * 2019-12-31 2020-05-29 电子科技大学中山学院 一种包装检测方法、装置、电子设备及存储介质
CN111210412B (zh) * 2019-12-31 2024-03-15 电子科技大学中山学院 一种包装检测方法、装置、电子设备及存储介质
CN111652852A (zh) * 2020-05-08 2020-09-11 浙江华睿科技有限公司 一种产品表面缺陷检测方法和装置及设备
CN111652852B (zh) * 2020-05-08 2024-03-29 浙江华睿科技股份有限公司 一种产品表面缺陷检测方法和装置及设备
CN111598084A (zh) * 2020-05-11 2020-08-28 北京阿丘机器人科技有限公司 缺陷分割网络训练方法、装置、设备及可读存储介质
CN111598084B (zh) * 2020-05-11 2023-06-02 北京阿丘机器人科技有限公司 缺陷分割网络训练方法、装置、设备及可读存储介质
CN112381798A (zh) * 2020-11-16 2021-02-19 广东电网有限责任公司肇庆供电局 一种输电线路缺陷识别方法和终端
CN113218962A (zh) * 2021-04-27 2021-08-06 京东方科技集团股份有限公司 显示缺陷检测装置及其检测方法、显示缺陷检测系统
CN113780074A (zh) * 2021-08-04 2021-12-10 五邑大学 卷纸中包质量检测方法、装置及存储介质
CN114417098A (zh) * 2021-12-14 2022-04-29 江苏权正检验检测有限公司 一种提升食品检测准确性的信息处理方法和装置

Similar Documents

Publication Publication Date Title
CN109978867A (zh) 玩具外表质量检测方法及其相关设备
CN108564104A (zh) 产品缺陷检测方法、装置、系统、服务器及存储介质
CN109886950A (zh) 电路板的缺陷检测方法和装置
CN100474878C (zh) 图像质量预测方法和设备以及故障诊断系统
CN108156166A (zh) 异常访问识别和接入控制方法及装置
CN109961433A (zh) 产品缺陷检测方法、装置及计算机设备
CN106897573A (zh) 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统
CN108509969A (zh) 数据标注方法及终端
CN109871895A (zh) 电路板的缺陷检测方法和装置
CN109978868A (zh) 玩具外表质量检测方法及其相关设备
CN110503635B (zh) 一种基于异构数据融合网络的手骨x光片骨龄评估方法
CN106295502A (zh) 一种人脸检测方法及装置
CN109544548A (zh) 餐盒的缺陷检测方法、装置、服务器、设备和存储介质
CN112132800B (zh) 基于深度学习的肺纤维化检测与严重度评估方法及系统
CN107194908A (zh) 图像处理装置以及图像处理方法
CN103646114B (zh) 硬盘smart数据中特征数据提取方法和装置
CN108229592A (zh) 基于gmdh神经元网络的离群点检测方法及装置
CN117034143B (zh) 一种基于机器学习的分布式系统故障诊断方法及装置
CN111753877B (zh) 一种基于深度神经网络迁移学习的产品质量检测方法
CN108847284A (zh) 人体生物年龄测算装置及系统
CN112308148A (zh) 缺陷类别识别、孪生神经网络训练方法、装置及存储介质
CN111028940A (zh) 肺结节多尺度检测方法、装置、设备及介质
CN112711530A (zh) 一种基于机器学习的代码风险预测方法及系统
CN113052227A (zh) 一种基于SE-ResNet的肺结核识别方法
CN112884480A (zh) 异常交易识别模型的构造方法、装置、计算机设备和介质

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