CN110599484A - 缺陷检测方法、装置及存储介质 - Google Patents
缺陷检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110599484A CN110599484A CN201910884686.8A CN201910884686A CN110599484A CN 110599484 A CN110599484 A CN 110599484A CN 201910884686 A CN201910884686 A CN 201910884686A CN 110599484 A CN110599484 A CN 110599484A
- Authority
- CN
- China
- Prior art keywords
- defect
- detection
- image
- detected
- information
- 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.)
- Granted
Links
Classifications
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Textile Engineering (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提出一种缺陷检测方法、装置及存储介质,其中方法包括:获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置;获取缺陷图像库;针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息;根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果,该方法通过将待检测对象的检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,之后,根据每个检测图像的缺陷信息以及对应的检测点位置,自动生成待检测对象的缺陷检测结果,由此,可实现缺陷的自动分类,节约了人力成本,同时减少错判漏判,提高了检测效率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种缺陷检测方法、装置及非临时性计算机可读存储介质。
背景技术
在生产制造的过程中,生产对象难免产生大量缺陷。为了保证生产对象的质量,需要对生产对象进行缺陷检测。
目前,主要采用光学检测设备对生产对象进行检测获取检测图像,然后由人员手动进行缺陷分类。但是,人工手动进行缺陷分类,缺陷错判漏判率高,人工成本较高,同时检测效率低。
发明内容
本申请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,本申请的第一个目的在于提出一种缺陷检测方法,该方法通过将待检测对象的检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,之后,根据每个检测图像的缺陷信息以及对应的检测点位置,自动生成待检测对象的缺陷检测结果,由此,可实现缺陷的自动分类,节约了人力成本,同时减少错判漏判,提高了检测效率。
本申请的第二个目的在于提出一种缺陷检测装置。
本申请的第三个目的在于提出另一种缺陷检测装置。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种缺陷检测方法,包括:获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置;获取缺陷图像库,缺陷图像库包括:待检测对象的各个种类的缺陷图像;针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,缺陷信息包括:是否有缺陷,以及缺陷种类;根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果。
本申请实施例的缺陷检测方法,通过获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置;获取缺陷图像库,缺陷图像库包括:待检测对象的各个种类的缺陷图像;针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,缺陷信息包括:是否有缺陷,以及缺陷种类;根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果。该方法通过将待检测对象的检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,之后,根据每个检测图像的缺陷信息以及对应的检测点位置,自动生成待检测对象的缺陷检测结果,由此,可实现缺陷的自动分类,节约了人力成本,同时减少错判漏判,提高了检测效率。
为达上述目的,本申请第二方面实施例提出了一种缺陷检测装置,包括:获取模块,用于获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置;获取模块,还用于获取缺陷图像库,缺陷图像库包括:待检测对象的各个种类的缺陷图像;输入模块,用于针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,缺陷信息包括:是否有缺陷,以及缺陷种类;生成模块,用于根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果。
本申请实施例的缺陷检测装置,通过获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置;获取缺陷图像库,缺陷图像库包括:待检测对象的各个种类的缺陷图像;针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,缺陷信息包括:是否有缺陷,以及缺陷种类;根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果。该装置通过将待检测对象的检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,之后,根据每个检测图像的缺陷信息以及对应的检测点位置,自动生成待检测对象的缺陷检测结果,由此,可实现缺陷的自动分类,节约了人力成本,同时减少错判漏判,提高了检测效率。
为达上述目的,本申请第三方面实施例提出了另一种缺陷检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的缺陷检测方法。
为了实现上述目的,本申请第四方面实施例提出了一种非临时性计算机可读存储介质,当所述存储介质中的指令被处理器执行时,实现如上所述的缺陷检测方法。
本申请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,或通过本申请的实践了解到。
附图说明
本申请上述的和/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为根据本申请一个实施例的缺陷检测方法的流程示意图;
图2为根据本申请另一个实施例的缺陷检测方法的流程示意图;
图3为根据本申请一个实施例的缺陷检测装置的结构示意图;
图4为根据本申请一个实施例的另一种缺陷检测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,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,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的缺陷检测方法及装置。
图1为本申请实施例提供的一种缺陷检测方法的流程示意图。如图1所示,该缺陷检测方法包括以下步骤:
步骤101,获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置。
本申请提供的缺陷检测方法的执行主体为缺陷检测装置,缺陷检测装置具体可以为移动终端、服务器等硬件设备,或者为硬件设备上安装的软件。
在本申请实施例中,由于生产制造过程中,生产对象难免存在一些缺陷,光学检测设备可对生产线上的对象进行检测,并将检测图像发送给缺陷检测装置。其中,该生产线上的对象即为待检测对象,待检测对象可为焊接电路板、电子产品或者机械产品的零部件或者一些需要检测的物体等,本申请不做限制。
具体地,可通过光学检测设备上的摄像头对生产线上的待检测对象进行多角度扫描,将扫描到的图像作为待检测对象的检测图像,另外,检测图像在检测对象中的对应的位置作为检测点位置。其中,需要说明的是,待检测对象的检测图像至少为一张。
步骤102,获取缺陷图像库,缺陷图像库包括:待检测对象的各个种类的缺陷图像。
进一步地,在获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置之后,可获取预先设置的缺陷图像库,在后续检测图像存在缺陷时,可根据缺陷图像库以确定缺陷信息。另外,为了减少错判漏判,缺陷图像库可包括但不限于待检测对象的各个种类的缺陷图像,每个种类的缺陷图像的数量可为多个,多个缺陷图像中的缺陷尺寸信息不同。
步骤103,针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,缺陷信息包括:是否有缺陷,以及缺陷种类。
在本申请实施例中,获取到检测图像和各个种类的缺陷图像之后,可根据检测图像和各个种类的缺陷图像获取检测图像的缺陷信息。其中,缺陷信息可包括但不限于是否有缺陷、缺陷种类、缺陷尺寸信息等。
作为一种示例,如图2所示,预设的缺陷检测模型对所述检测图像进行处理具体步骤如下:
步骤201,提取检测图像的特征信息。
步骤202,提取各个种类的缺陷图像的特征信息。
具体地,可根据预设算法提取检测图像和各个种类的缺陷图像的特征信息。其中,需要说明的是,预设算法可包括但不限于方向梯度直方图(histogram of OrientedGradient,简称HOG)、尺度不变特征变换(Scale-invariant features transform、简称SIFT)、加速稳健特征(Speeded Up Robust Features、简称SURF)、高斯函数差分(Difference of Gaussian、简称DOG)、局部二值模式(Local Binary Pattern、简称LBP)等。
步骤203,将检测图像的特征信息与各个种类的缺陷图像的特征信息进行比对,确定检测图像属于各个缺陷种类的概率。
进一步地,将检测图像的特征信息与各个种类的缺陷图像的特征信息进行比对,可根据比对结果确定检测图像属于各个缺陷种类的概率。作为一种示例,将检测图像的特征信息与各个种类中任一种类的缺陷图像的特征信息进行比对,检测图像的特征信息与任一种类的缺陷图像的特征信息相似度越高,检测图像属于该种类缺陷的概率也越高。比如,检测图像的特征信息与某个种类的缺陷图像的特征信息进行比对,检测图像的特征信息与该种类的缺陷图像的特征信息相似度为50%,检测图像属于该种类缺陷的概率为50%;检测图像的特征信息与另个种类的缺陷图像的特征信息进行比对,检测图像的特征信息与该种类的缺陷图像的特征信息相似度为80%,检测图像属于该种类缺陷的概率为80%。其中,需要说明的是,可预先设置检测图像的特征信息与各个种类的缺陷图像的特征信息的比对结果和检测图像属于各个缺陷种类的概率之间的对应关系。
步骤204,确定概率中的最大概率,根据最大概率确定检测图像中是否存在缺陷。
步骤205,在检测图像中存在缺陷时,将最大概率对应的缺陷种类确定为检测图像的缺陷种类。
进一步地,可将检测图像属于各个种类的缺陷的概率进行比对,确定概率中的最大概率,之后,缺陷检测装置可预先设置一个阈值,将最大概率与该阈值进行比较,如果最大概率大于等于该阈值,可确定检测图像中存在缺陷,如果最大概率小于该阈值,可确定检测对象中不存在缺陷。另外,在检测图像中存在缺陷时,将最大概率对应的缺陷种类确定为检测图像的缺陷种类。
作为另一种示例,为了进一步节省计算资源,针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息之前,可将检测图像与对应的检测点位置的无缺陷图像进行比对,确定检测图像是否存在缺陷;之后,针对存在缺陷的每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息。
步骤104,根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果。
在本申请实施例中,获取到每个检测图像的缺陷信息后,可根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果。可选地,根据待检测对象的缺陷检测结果,可确定待检测对象是否合格,在待检测对象不合格时,自动提示人员对待检测对象进行处理。
为了进一步体现缺陷检测装置的智能化,作为一种示例,根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果之后,缺陷检测装置还可获取缺陷检测结果集合,根据缺陷检测结果集合,确定生产线上待调整的参数并进行调整。其中,缺陷检测结果集合可包括但不限于大于预设数量的待检测对象的缺陷检测结果。
也就是说,当存在缺陷的检测对象的数量大于预设数量,可获取该存在缺陷的检测对象的缺陷检测结果,根据缺陷检测结果对生产履历信息、当前工艺的生产参数信息、检测对象信息等进行数据分析,并对生产线上相关参数信息进行调整。
本申请实施例的缺陷检测方法,通过获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置;获取缺陷图像库,缺陷图像库包括:待检测对象的各个种类的缺陷图像;针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,缺陷信息包括:是否有缺陷,以及缺陷种类;根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果。该方法通过将待检测对象的检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,自动获取检测图像的缺陷信息,之后,根据每个检测图像的缺陷信息以及对应的检测点位置,自动生成待检测对象的缺陷检测结果,另外,还可根据缺陷检测结果自动提示人员对待检测对象进行处理和对相关生产参数进行调整。由此,可实现缺陷的自动分类,节约了人力成本,同时减少错判漏判,提高了检测效率。
与上述几种实施例提供的缺陷检测方法相对应,本申请的一种实施例还提供一种缺陷检测装置,由于本申请实施例提供的缺陷检测装置与上述几种实施例提供的缺陷检测方法相对应,因此在前述缺陷检测方法的实施方式也适用于本实施例提供的缺陷检测装置,在本实施例中不再详细描述。图3为根据本申请一个实施例的缺陷检测装置的结构示意图。如图3所示,该缺陷检测装置包括:获取模块310、输入模块320、生成模块330。
其中,获取模块310,用于获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置;获取模块310,还用于获取缺陷图像库,缺陷图像库包括:待检测对象的各个种类的缺陷图像;输入模块320,用于针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,缺陷信息包括:是否有缺陷,以及缺陷种类;生成模块330,用于根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果。
作为本申请实施例的一种可能实现方式,缺陷图像库中每个种类的缺陷图像的数量为多个,多个缺陷图像中的缺陷尺寸信息不同;对应的,缺陷信息还包括:缺陷尺寸信息。
作为本申请实施例的一种可能实现方式,预设的缺陷检测模型对检测图像的处理过程为,提取检测图像的特征信息;提取各个种类的缺陷图像的特征信息;将检测图像的特征信息与各个种类的缺陷图像的特征信息进行比对,确定检测图像属于各个缺陷种类的概率;确定概率中的最大概率,根据最大概率确定检测图像中是否存在缺陷;在检测图像中存在缺陷时,将最大概率对应的缺陷种类确定为检测图像的缺陷种类。
作为本申请实施例的一种可能实现方式,针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息之前,还包括:针对每个检测图像,将检测图像与对应的检测点位置的无缺陷图像进行比对,确定检测图像是否存在缺陷;对应的,针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,包括:针对存在缺陷的每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息。
作为本申请实施例的一种可能实现方式,根据每个检测图像的缺陷信息以及对应的检测点位置,生成所述待检测对象的缺陷检测结果之后,还包括:根据待检测对象的缺陷检测结果,确定待检测对象是否合格;在待检测对象不合格时,提示人员对待检测对象进行处理。
作为本申请实施例的一种可能实现方式,根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果之后,还包括:获取缺陷检测结果集合,缺陷检测结果集合包括:大于预设数量的待检测对象的缺陷检测结果;根据缺陷检测结果集合,确定生产线上待调整的参数并进行调整。
本申请实施例的缺陷检测装置,通过获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置;获取缺陷图像库,缺陷图像库包括:待检测对象的各个种类的缺陷图像;针对每个检测图像,将检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取检测图像的缺陷信息,缺陷信息包括:是否有缺陷,以及缺陷种类;根据每个检测图像的缺陷信息以及对应的检测点位置,生成待检测对象的缺陷检测结果。该装置通过将待检测对象的检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,自动获取检测图像的缺陷信息,之后,根据每个检测图像的缺陷信息以及对应的检测点位置,自动生成待检测对象的缺陷检测结果,另外,还可根据缺陷检测结果自动提示人员对待检测对象进行处理和对相关生产参数进行调整。由此,可实现缺陷的自动分类,节约了人力成本,同时减少错判漏判,提高了检测效率。
为了实现上述实施例,本申请还提供另一种缺陷检测装置,图4为本申请实施例提供的另一种缺陷检测装置的结构示意图。包括存储器1001、处理器1002及存储在存储器1001上并可在处理器1002上运行的计算机程序。处理器1002执行所述程序时实现上述实施例中提供的缺陷检测方法。
进一步地,该缺陷检测装置还包括:通信接口1003,用于存储器1001和处理器1002之间的通信。存储器1001,用于存放可在处理器1002上运行的计算机程序。存储器1001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。处理器1002,用于执行所述程序时实现上述实施例所述的缺陷检测方法。如果存储器1001、处理器1002和通信接口1003独立实现,则通信接口1003、存储器1001和处理器1002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(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)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4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1001、处理器1002及通信接口1003,集成在一块芯片上实现,则存储器1001、处理器1002及通信接口1003可以通过内部接口完成相互间的通信。
处理器1002可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。
本申请还提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的缺陷检测方法。
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申请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。
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”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“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。
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定制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,并且本申请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,这应被本申请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,本申请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。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,在本申请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申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种缺陷检测方法,其特征在于,包括:
获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置;
获取缺陷图像库,所述缺陷图像库包括:所述待检测对象的各个种类的缺陷图像;
针对每个检测图像,将所述检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取所述检测图像的缺陷信息,所述缺陷信息包括:是否有缺陷,以及缺陷种类;
根据每个检测图像的缺陷信息以及对应的检测点位置,生成所述待检测对象的缺陷检测结果。
2.根据权利要求1所述的方法,其特征在于,所述缺陷图像库中每个种类的缺陷图像的数量为多个,多个缺陷图像中的缺陷尺寸信息不同;
对应的,所述缺陷信息还包括:缺陷尺寸信息。
3.根据权利要求1所述的方法,其特征在于,所述预设的缺陷检测模型对所述检测图像的处理过程为,
提取所述检测图像的特征信息;
提取各个种类的缺陷图像的特征信息;
将所述检测图像的特征信息与各个种类的缺陷图像的特征信息进行比对,确定所述检测图像属于各个缺陷种类的概率;
确定所述概率中的最大概率,根据所述最大概率确定所述检测图像中是否存在缺陷;
在所述检测图像中存在缺陷时,将所述最大概率对应的缺陷种类确定为所述检测图像的缺陷种类。
4.根据权利要求1所述的方法,其特征在于,所述针对每个检测图像,将所述检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取所述检测图像的缺陷信息之前,还包括:
针对每个检测图像,将所述检测图像与对应的检测点位置的无缺陷图像进行比对,确定所述检测图像是否存在缺陷;
对应的,所述针对每个检测图像,将所述检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取所述检测图像的缺陷信息,包括:
针对存在缺陷的每个检测图像,将所述检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取所述检测图像的缺陷信息。
5.根据权利要求1所述的方法,其特征在于,所述根据每个检测图像的缺陷信息以及对应的检测点位置,生成所述待检测对象的缺陷检测结果之后,还包括:
根据所述待检测对象的缺陷检测结果,确定所述待检测对象是否合格;
在所述待检测对象不合格时,提示人员对所述待检测对象进行处理。
6.根据权利要求1所述的方法,其特征在于,所述根据每个检测图像的缺陷信息以及对应的检测点位置,生成所述待检测对象的缺陷检测结果之后,还包括:
获取缺陷检测结果集合,所述缺陷检测结果集合包括:大于预设数量的待检测对象的缺陷检测结果;
根据所述缺陷检测结果集合,确定生产线上待调整的参数并进行调整。
7.一种缺陷检测装置,其特征在于,包括:
获取模块,用于获取生产线上待检测对象的至少一个检测图像以及对应的检测点位置;
所述获取模块,还用于获取缺陷图像库,所述缺陷图像库包括:所述待检测对象的各个种类的缺陷图像;
输入模块,用于针对每个检测图像,将所述检测图像和各个种类的缺陷图像输入预设的缺陷检测模型,获取所述检测图像的缺陷信息,所述缺陷信息包括:是否有缺陷,以及缺陷种类;
生成模块,用于根据每个检测图像的缺陷信息以及对应的检测点位置,生成所述待检测对象的缺陷检测结果。
8.根据权利要求7所述的装置,其特征在于,所述缺陷图像库中每个种类的缺陷图像的数量为多个,多个缺陷图像中的缺陷尺寸信息不同;
对应的,所述缺陷信息还包括:缺陷尺寸信息。
9.一种缺陷检测装置,其特征在于,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一所述的缺陷检测方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910884686.8A CN110599484B (zh) | 2019-09-19 | 2019-09-19 | 缺陷检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910884686.8A CN110599484B (zh) | 2019-09-19 | 2019-09-19 | 缺陷检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110599484A true CN110599484A (zh) | 2019-12-20 |
CN110599484B CN110599484B (zh) | 2023-01-10 |
Family
ID=68861192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910884686.8A Active CN110599484B (zh) | 2019-09-19 | 2019-09-19 | 缺陷检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599484B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060520A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN111369517A (zh) * | 2020-02-28 | 2020-07-03 | 创新奇智(合肥)科技有限公司 | 太阳能板自动质检方法、装置、电子设备及存储介质 |
CN112950560A (zh) * | 2021-02-20 | 2021-06-11 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子元器件缺陷检测方法、装置及系统 |
CN112986259A (zh) * | 2021-02-09 | 2021-06-18 | 清华大学 | 智能终端oled面板制造工艺的缺陷检测方法以及装置 |
CN114113101A (zh) * | 2020-08-31 | 2022-03-01 | 罗伯特·博世有限公司 | 异常判定模型生成方法和异常判定模型生成装置以及检查装置 |
WO2023024209A1 (zh) * | 2021-08-25 | 2023-03-02 | 长鑫存储技术有限公司 | 光罩缺陷检测方法、装置、电子设备、存储介质及芯片 |
WO2024108833A1 (zh) * | 2022-11-21 | 2024-05-30 | 东方晶源微电子科技(北京)有限公司 | 基于设计版图的扫描电子显微镜图像缺陷分类方法、装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982155A (zh) * | 2012-11-29 | 2013-03-20 | 上海华力微电子有限公司 | 基于图形识别的缺陷检索系统及方法 |
CN103257465A (zh) * | 2013-04-17 | 2013-08-21 | 合肥京东方光电科技有限公司 | 一种检测装置及检测方法 |
CN104749184A (zh) * | 2013-12-31 | 2015-07-01 | 研祥智能科技股份有限公司 | 自动光学检测方法和系统 |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
CN106770331A (zh) * | 2017-02-10 | 2017-05-31 | 南京航空航天大学 | 一种基于机器视觉的工件缺陷检测系统 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
CN109961433A (zh) * | 2019-03-29 | 2019-07-02 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置及计算机设备 |
CN110057828A (zh) * | 2019-04-28 | 2019-07-26 | 广东工业大学 | 一种基于机器视觉的表面检测方法及系统 |
-
2019
- 2019-09-19 CN CN201910884686.8A patent/CN110599484B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982155A (zh) * | 2012-11-29 | 2013-03-20 | 上海华力微电子有限公司 | 基于图形识别的缺陷检索系统及方法 |
CN103257465A (zh) * | 2013-04-17 | 2013-08-21 | 合肥京东方光电科技有限公司 | 一种检测装置及检测方法 |
CN104749184A (zh) * | 2013-12-31 | 2015-07-01 | 研祥智能科技股份有限公司 | 自动光学检测方法和系统 |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
CN106770331A (zh) * | 2017-02-10 | 2017-05-31 | 南京航空航天大学 | 一种基于机器视觉的工件缺陷检测系统 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
CN109961433A (zh) * | 2019-03-29 | 2019-07-02 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置及计算机设备 |
CN110057828A (zh) * | 2019-04-28 | 2019-07-26 | 广东工业大学 | 一种基于机器视觉的表面检测方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060520A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN111369517A (zh) * | 2020-02-28 | 2020-07-03 | 创新奇智(合肥)科技有限公司 | 太阳能板自动质检方法、装置、电子设备及存储介质 |
CN111369517B (zh) * | 2020-02-28 | 2023-08-01 | 创新奇智(合肥)科技有限公司 | 太阳能板自动质检方法、装置、电子设备及存储介质 |
CN114113101A (zh) * | 2020-08-31 | 2022-03-01 | 罗伯特·博世有限公司 | 异常判定模型生成方法和异常判定模型生成装置以及检查装置 |
CN112986259A (zh) * | 2021-02-09 | 2021-06-18 | 清华大学 | 智能终端oled面板制造工艺的缺陷检测方法以及装置 |
CN112950560A (zh) * | 2021-02-20 | 2021-06-11 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子元器件缺陷检测方法、装置及系统 |
WO2023024209A1 (zh) * | 2021-08-25 | 2023-03-02 | 长鑫存储技术有限公司 | 光罩缺陷检测方法、装置、电子设备、存储介质及芯片 |
WO2024108833A1 (zh) * | 2022-11-21 | 2024-05-30 | 东方晶源微电子科技(北京)有限公司 | 基于设计版图的扫描电子显微镜图像缺陷分类方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110599484B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599484B (zh) | 缺陷检测方法、装置及存储介质 | |
CN110021005B (zh) | 电路板瑕疵筛选方法及其装置与计算机可读取记录介质 | |
CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
US11189019B2 (en) | Method for detecting defects, electronic device, and computer readable medium | |
CN113096130B (zh) | 物件缺陷的检测方法、装置 | |
CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
CN113469971A (zh) | 一种图像匹配方法及检测装置、存储介质 | |
Peng et al. | Void defect detection in ball grid array X-ray images using a new blob filter | |
CN113240673A (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN114677348A (zh) | 一种基于视觉的ic芯片缺陷的检测方法、系统和存储介质 | |
CN113469944A (zh) | 一种产品质检方法、装置和电子设备 | |
CN113902697A (zh) | 缺陷检测方法及相关装置 | |
CN111929328A (zh) | 拉链缺陷检测方法和装置 | |
CN117274245A (zh) | 基于图像处理技术的aoi光学检测方法及系统 | |
CN114913112A (zh) | 晶圆双边缘检测方法和装置及设备 | |
CN115861315B (zh) | 缺陷检测方法和装置 | |
CN109359683B (zh) | 目标检测方法、装置、终端和计算机可读存储介质 | |
CN113592761A (zh) | 存储介质、走线检测装置、走线检测模型训练装置及方法 | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
US11120541B2 (en) | Determination device and determining method thereof | |
CN113326749A (zh) | 目标检测方法、装置以及存储介质、电子设备 | |
CN113763305A (zh) | 标定物品缺陷的方法、装置及电子设备 | |
CN112541543B (zh) | 图像识别方法、装置、终端设备及存储介质 | |
CN111191670B (zh) | 基于神经网络的分类装置及分类方法 | |
CN112508930A (zh) | 基于深度学习的食品异物检测方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |