CN110738237A - 缺陷分类的方法、装置、计算机设备和存储介质 - Google Patents
缺陷分类的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110738237A CN110738237A CN201910871937.9A CN201910871937A CN110738237A CN 110738237 A CN110738237 A CN 110738237A CN 201910871937 A CN201910871937 A CN 201910871937A CN 110738237 A CN110738237 A CN 110738237A
- Authority
- CN
- China
- Prior art keywords
- defect
- classification
- defects
- classifier
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本申请涉及一种缺陷分类的方法,该方法包括:获取每个相机拍摄得到的同一缺陷对应的缺陷图像,不同相机拍摄所述同一缺陷的条件不同;对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值;根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果;根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类。该方法大大提高了缺陷分类的准确度。此外,还提出了一种缺陷分类的装置、计算机设备及存储介质。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种缺陷分类的方法、装置、计算机设备和存储介质。
背景技术
缺陷检测在各行各业都有涉及,比如,玻璃缺陷的检测、钢板缺陷的检测、薄膜缺陷的检测等。缺陷检测的目的是为了及时发现残次品,在加工过程中,有些类型的缺陷是可以修复的,所以缺陷检测之后的分类显得尤为重要。
在传统的缺陷分类中是通过单一的分类规则进行分类,由于缺陷在不同环境下呈现的形态可能不一样,所以采用单一的分类规则往往不够准确。
发明内容
基于此,有必要针对上述问题,提供一种提高缺陷分类准确性的缺陷分类的方法、装置、系统、计算机设备及存储介质。
第一方面,本发明实施例提供一种缺陷分类的方法,所述方法包括:
获取每个相机拍摄得到的同一缺陷对应的缺陷图像,不同相机拍摄所述同一缺陷的条件不同;
对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值;
根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果;
根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类。
第二方面,本发明实施例提供一种缺陷分类的装置,所述装置包括:
获取模块,用于获取每个相机拍摄得到的同一缺陷对应的缺陷图像,不同相机拍摄所述同一缺陷的条件不同;
提取模块,用于对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值;
分类模块,用于根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果;
确定模块,用于根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类。
第三方面,本发明实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取每个相机拍摄得到的同一缺陷对应的缺陷图像,不同相机拍摄所述同一缺陷的条件不同;
对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值;
根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果;
根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类。
第四方面,本发明实施例提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
获取每个相机拍摄得到的同一缺陷对应的缺陷图像,不同相机拍摄所述同一缺陷的条件不同;
对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值;
根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果;
根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类。
上述缺陷分类的方法、装置、计算机设备及存储介质,通过获取不同相机在不同条件下拍摄得到的同一缺陷对应的缺陷图像,然后提取每个缺陷图像中的缺陷特征值,并采用相应的缺陷分类器进行分类,最后根据不同条件下的分类结果得到最终的目标分类,相对于传统的单一的分类方式,该方法显然大大提高了分类的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为一个实施例中缺陷分类的方法的流程图;
图2为一个实施例中多个相机对同一缺陷区域进行拍摄的示意图;
图3为一个实施例中相机与缺陷分类器的对应关系示意图;
图4为一个实施例中缺陷分类的方法的流程示意图;
图5为一个实施例中缺陷分类的装置的结构框图;
图6为另一个实施例中缺陷分类的装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,提出了一种缺陷分类的方法,该缺陷分类的方法可以应用于终端,本实施例以应用于终端举例说明。该缺陷分类的方法具体包括以下步骤:
步骤102,获取每个相机拍摄得到的同一缺陷对应的缺陷图像,不同相机拍摄同一缺陷的条件不同。
其中,采用不同的相机对同一缺陷进行拍摄得到不同缺陷图像。不同相机拍摄同一缺陷的条件不同,条件包括:角度、光照等中的至少一种。不同角度、光照拍摄同一缺陷得到的是不同的缺陷图像。相机的数量为至少两个。缺陷图像是指包含有缺陷的图像。每个相机针对同一缺陷拍摄一张缺陷图像,有多少个相机,相应地有多少张缺陷图像。如图2所示,为多个相机在不同条件下对缺陷进行拍摄的示意图。图中三个相机分别从不同角度对同一缺陷区域进行拍摄。多个相机分别与同一终端(比如,计算机)连接,这样终端就可以获取到每个相机拍摄的图像。
步骤104,对每个缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值。
其中,分别对每个缺陷图像中的缺陷进行缺陷特征提取,然后得到每个缺陷图像对应的缺陷特征值。缺陷特征值包含有:多个缺陷特征以及每个缺陷特征的特征值。缺陷特征可以根据需要自定义设置,比如,可以将缺陷面积、缺陷周长、缺陷扁平度、缺陷圆度、缺陷长度、缺陷宽度作为缺陷特征。
步骤106,根据每个缺陷图像对应的缺陷特征值采用与相应相机对应的缺陷分类器对缺陷进行分类,得到每个缺陷分类器对应的分类结果。
其中,每个相机对应一个缺陷分类器。缺陷分类器用于根据缺陷特征值对缺陷进行分类。分别将每个缺陷图像的缺陷特征值作为相应的缺陷分类器的输入,得到缺陷分类器对应的分类结果。不同缺陷分类器中缺陷分类规则可以相同,也可以不同。如图3所示,为一个实施例中,相机与缺陷分类器的对应关系示意图。
步骤108,根据每个缺陷分类器对应的分类结果确定缺陷的目标分类。
其中,对不同条件下拍摄得到的同一缺陷对应的多个缺陷图像进行特征提取得到多个缺陷特征值,针对每个缺陷特征值分别采用与相机对应的缺陷分类器进行分类,然后根据多个分类结果确定缺陷的目标分类。
采用一个缺陷分类器分类的结果往往会存在偏差,通过考虑不同条件下的分类结果来共同确定最终的分类。举个例子,假设一个缺陷类型的确定是通过缺陷面积和缺陷周长判断的,比如,2cm2<缺陷面积<4cm2,且1cm<缺陷周长<5cm,则判断缺陷类型为A,但由于缺陷在不同条件下呈现的状态可能不同,有些缺陷虽然满足上述条件,但是缺陷类型可能是别的类型。所以为了提高缺陷类型判断的准确性,需要从多个方面来考虑,只有在不同条件下分别满足设定的条件才确定最终的分类。比如,如果要确定缺陷类型为A类型,不仅要满足角度1下的条件,也要同时满足在角度2下的条件,比如,在角度1下,A类型需要满足,3cm2<缺陷面积<4cm2,且2cm<缺陷周长<5cm,在角度2下,A类型需要满足,3.2cm2<缺陷面积<4.2cm2,且2.5cm<缺陷周长<5.2cm,只有发现缺陷同时满足在不同角度下的条件时才能确定该缺陷为A类型。
由于缺陷在不同条件下的形态可能不同,如果单独采用一个缺陷分类器进行分类往往不够准确,通过综合考虑不同条件下的分类结果可以更准确地确定缺陷的目标分类。
上述缺陷分类的方法,通过获取不同条件下拍摄得到的同一缺陷对应的缺陷图像,然后提取缺陷特征值,并采用相应的缺陷分类器进行分类,最后根据不同条件下的分类结果得到最终的目标分类,相对于传统的单一的分类方式,该方法显然大大提高了分类的准确度。
在一个实施例中,缺陷特征值包括:多个缺陷特征和每个缺陷特征的特征值;缺陷分类器中存储有缺陷分类规则,缺陷分类规则是根据各个缺陷特征的特征值预先设定的,不同缺陷分类器中的缺陷分类规则不同。
其中,提取得到的缺陷特征值包括:多个缺陷特征和每个缺陷特征的特征值。缺陷分类规则是指具体设定的分类表达式规则,即设置了缺陷特征的特征值与分类之间的关系。比如,假设缺陷特征有三个,缺陷面积,缺陷周长和缺陷扁平度。比如,当缺陷面积满足面积条件1,缺陷周长满足周长条件1,缺陷扁平度满足扁平度条件1时,对应的类型归类为A类。缺陷特征的特征值与分类之间的关系可以自定义设置。由于不同条件下提取到的缺陷特征值不同,缺陷分类器与相机是一一对应的,目标的是对各自条件下的缺陷进行分类,由于同一缺陷在不同条件下呈现的特征是不同的,通过在不同缺陷分类器中设置不同的缺陷分类规则有利于更好地进行分类。
在一个实施例中,缺陷分类器采用如下方式得到:获取训练样本集,训练样本集中包含有训练缺陷特征值和对应的缺陷类型,训练缺陷特征值是通过对训练缺陷图像中的缺陷进行特征提取得到的;将训练缺陷特征值作为缺陷分类器的输入,将缺陷类型作为期望的输出对缺陷分类器进行训练,得到训练完成的缺陷分类器,训练完成的缺陷分类中包含有训练得到的缺陷分类规则。
其中,每个相机对应一个缺陷分类器,缺陷分类器中的分类规则是通过深度学习得到的,比如,可以采用卷积神经网络模型训练得到。具体的学习方法如下:获取训练样本集,训练样本集中包含有缺陷特征值和对应的缺陷类型,缺陷特征值是从训练缺陷图像中提取到的缺陷特征值。将缺陷特征值作为缺陷分类器的输入,将相应的缺陷类型作为期望的输出对缺陷分类器进行训练,得到训练完成的缺陷分类器,即包含有训练得到的缺陷分类规则。
在一个实施例中,根据每个缺陷图像对应的缺陷特征值采用与相应相机对应的缺陷分类器对缺陷进行分类,得到每个缺陷分类器对应的分类结果,包括:将每个缺陷图像对应的缺陷特征值作为相应相机对应的缺陷分类器的输入;获取缺陷分类器输出的分类结果。
其中,训练得到缺陷分类器后,就可以将缺陷特征值作为缺陷分类器的输入,然后通过缺陷分类器来预测相应的分类结果。即在缺陷分类器训练完成后,缺陷分类规则就已经确定了,根据缺陷分类规则便可根据缺陷特征值得到最终的分类结果。
在一个实施例中,获取每个相机拍摄得到的同一缺陷对应的缺陷图像,每个相机对应一个缺陷图像,包括:获取每个相机拍摄得到的同一缺陷区域的区域图像,区域图像中包含有至少一个缺陷;根据缺陷在区域图像中的坐标从各个区域图像中提取出同一缺陷对应的缺陷图像。
其中,由于相机在进行拍摄时,是针对区域进行拍摄的,拍摄得到的区域图像中可能包含有很多个缺陷。不同相机针对的是同一缺陷区域进行拍摄的,参考图2,由于缺陷可能有很多,为了从各个区域图像中得到同一缺陷对应的缺陷图像,需要根据缺陷在区域图像中的坐标从各个区域图像中提取出同一缺陷对应的缺陷图像。同一坐标对应的缺陷是相同的。
在一个实施例中,根据每个缺陷分类器对应的分类结果确定缺陷的目标分类,包括:获取每个缺陷分类器对同一缺陷的分类结果;将多个分类结果作为目标分类器的输入,获取目标分类器输出的目标分类,目标分类器中存储有目标分类规则。
其中,目标分类器是指根据多个分类结果进行最终分类的分类器,目标分类器中存储有目标分类规则。举个例子,假设有两个缺陷分类器,第一缺陷分类器输出的分类结果为A,第二缺陷分类器输出的分类结果为B,那么目标分类器的作用是根据A和B得到最终的目标分类C。目标分类器中的目标分类规则可以自定义设置,也可以通过深度学习训练得到。
目标分离器中的目标分类规则中设定了各个分类结果的组合与最终目标分类之间的分类规则,比如,假设有三个缺陷分类器,每个缺陷分离器中有三个分类情况,假设缺陷分类器1中包含的分类有A1,B1和C1;缺陷分类器2中包含的分类有A2,B2和C2;缺陷分类器3中包含的分类有A3,B3和C3,分别设置每种组合情况对应的最终分类,比如,预先设置与A1、A2和A3对应的类型为I类型,与A1、A2和B3对应的类型为II类型,与A1、A2和C3对应的类型为III类型等等,预先设置最终得到的各个分类结果的组合与最终目标分类之间的关系,即可根据得到的各个分类结果确定目标分类。
在一个实施例中,多个缺陷特征包括:缺陷面积、缺陷周长、缺陷扁平度、缺陷圆度、缺陷凹度、缺陷背景灰度差、缺陷紧造度、缺陷矩形度、缺陷长度和缺陷宽度;对每个缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值,包括:根据每个缺陷特征的特征属性提取各个缺陷特征的特征值。
其中,缺陷特征可以有很多个,提取的缺陷特征越多,对缺陷的描述会越准确,相应地得到的分类结果也会更准确。缺陷面积是指缺陷所占的面积大小,缺陷周长是指缺陷的边缘的总长度。缺陷扁平度、缺陷圆度、缺陷凹度、缺陷矩形度、缺陷紧造度都是用来反映缺陷形态特点的特征。缺陷面积、缺陷周长、缺陷长度、缺陷宽度是用来反映缺陷大小的特征;缺陷背景灰度差是用来反映缺陷颜色特点的特征。通过针对每个缺陷特征的特征属性对缺陷特征的特征值进行提取。便于后续根据缺陷特征值进行分类。
如图4所示,为一个实施例中,缺陷分类的方法的流程示意图。首先有多个相机在不同条件下进行图像采集,得到同一缺陷的缺陷图像,然后根据缺陷图像提取缺陷特征值,然后采用每个相机对应的缺陷分类器根据缺陷特征值进行分类,最后根据各个缺陷分类器输出的结果确定目标分类。
如图5所示,提出了一种缺陷分类的装置,该装置包括:
获取模块502,用于获取每个相机拍摄得到的同一缺陷对应的缺陷图像,不同相机拍摄所述同一缺陷的条件不同;
提取模块504,用于对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值;
分类模块506,用于根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果;
确定模块508,用于根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类。
在一个实施例中,所述缺陷特征值包括:多个缺陷特征和每个缺陷特征的特征值;所述缺陷分类器中存储有缺陷分类规则,所述缺陷分类规则是根据各个缺陷特征的特征值预先设定的,不同缺陷分类器中的缺陷分类规则不同。
如图6所示,在一个实施例中,所述缺陷分类器中的缺陷分类规则是通过深度学习得到的,每个相机对应一个缺陷分类器;上述缺陷分类的装置还包括:
训练模块501,用于获取训练样本集,所述训练样本集中包含有训练缺陷特征值和对应的缺陷类型,所述训练缺陷特征值是通过对训练缺陷图像中的缺陷进行特征提取得到的;将所述训练缺陷特征值作为所述缺陷分类器的输入,将所述缺陷类型作为期望的输出对所述缺陷分类器进行训练,得到训练完成的缺陷分类器,所述训练完成的缺陷分类中包含有训练得到的缺陷分类规则。
在一个实施例中,所述分类模块还用于将每个缺陷图像对应的所述缺陷特征值作为相应相机对应的缺陷分类器的输入;获取所述缺陷分类器输出的分类结果。
在一个实施例中,所述获取模块还用于获取每个相机拍摄得到的同一缺陷区域的区域图像,所述区域图像中包含有至少一个缺陷;根据缺陷在所述区域图像中的坐标从各个区域图像中提取出同一缺陷对应的缺陷图像。
在一个实施例中,确定模块还用于获取每个缺陷分类器对所述同一缺陷的分类结果;将多个分类结果作为目标分类器的输入,获取所述目标分类器输出的目标分类,所述目标分类器中存储有目标分类规则。
在一个实施例中,所述多个缺陷特征包括:缺陷面积、缺陷周长、缺陷扁平度、缺陷圆度、缺陷凹度、缺陷背景灰度差、缺陷紧造度、缺陷矩形度、缺陷长度和缺陷宽度;所述提取模块还用于根据每个缺陷特征的特征属性提取各个所述缺陷特征的特征值。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备可以是终端。如图7所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现缺陷分类的方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行缺陷分类的方法。网络接口用于与外界进行通信。本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的缺陷分类的方法可以实现为一种计算机程序的形式,计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该缺陷分类的装置的各个程序模板。比如,获取模块502,提取模块504,分类模块506,确定模块508。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:获取每个相机拍摄得到的同一缺陷对应的缺陷图像,不同相机拍摄所述同一缺陷的条件不同;对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值;根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果;根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类。
在一个实施例中,所述缺陷特征值包括:多个缺陷特征和每个缺陷特征的特征值;所述缺陷分类器中存储有缺陷分类规则,所述缺陷分类规则是根据各个缺陷特征的特征值预先设定的,不同缺陷分类器中的缺陷分类规则不同。
在一个实施例中,所述缺陷分类器中的缺陷分类规则是通过深度学习得到的,每个相机对应一个缺陷分类器;所述缺陷分类器采用如下方式得到:获取训练样本集,所述训练样本集中包含有训练缺陷特征值和对应的缺陷类型,所述训练缺陷特征值是通过对训练缺陷图像中的缺陷进行特征提取得到的;将所述训练缺陷特征值作为所述缺陷分类器的输入,将所述缺陷类型作为期望的输出对所述缺陷分类器进行训练,得到训练完成的缺陷分类器,所述训练完成的缺陷分类中包含有训练得到的缺陷分类规则。
在一个实施例中,所述根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果,包括:将每个缺陷图像对应的所述缺陷特征值作为相应相机对应的缺陷分类器的输入;获取所述缺陷分类器输出的分类结果。
在一个实施例中,所述获取每个相机拍摄得到的同一缺陷对应的缺陷图像,每个相机对应一个缺陷图像,包括:获取每个相机拍摄得到的同一缺陷区域的区域图像,所述区域图像中包含有至少一个缺陷;根据缺陷在所述区域图像中的坐标从各个区域图像中提取出同一缺陷对应的缺陷图像。
在一个实施例中,所述根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类,包括:获取每个缺陷分类器对所述同一缺陷的分类结果;将多个分类结果作为目标分类器的输入,获取所述目标分类器输出的目标分类,所述目标分类器中存储有目标分类规则。
在一个实施例中,所述多个缺陷特征包括:缺陷面积、缺陷周长、缺陷扁平度、缺陷圆度、缺陷凹度、缺陷背景灰度差、缺陷紧造度、缺陷矩形度、缺陷长度和缺陷宽度;所述对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值,包括:根据每个缺陷特征的特征属性提取各个所述缺陷特征的特征值。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:获取每个相机拍摄得到的同一缺陷对应的缺陷图像,不同相机拍摄所述同一缺陷的条件不同;对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值;根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果;根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类。
在一个实施例中,所述缺陷特征值包括:多个缺陷特征和每个缺陷特征的特征值;所述缺陷分类器中存储有缺陷分类规则,所述缺陷分类规则是根据各个缺陷特征的特征值预先设定的,不同缺陷分类器中的缺陷分类规则不同。
在一个实施例中,所述缺陷分类器中的缺陷分类规则是通过深度学习得到的,每个相机对应一个缺陷分类器;所述缺陷分类器采用如下方式得到:获取训练样本集,所述训练样本集中包含有训练缺陷特征值和对应的缺陷类型,所述训练缺陷特征值是通过对训练缺陷图像中的缺陷进行特征提取得到的;将所述训练缺陷特征值作为所述缺陷分类器的输入,将所述缺陷类型作为期望的输出对所述缺陷分类器进行训练,得到训练完成的缺陷分类器,所述训练完成的缺陷分类中包含有训练得到的缺陷分类规则。
在一个实施例中,所述根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果,包括:将每个缺陷图像对应的所述缺陷特征值作为相应相机对应的缺陷分类器的输入;获取所述缺陷分类器输出的分类结果。
在一个实施例中,所述获取每个相机拍摄得到的同一缺陷对应的缺陷图像,每个相机对应一个缺陷图像,包括:获取每个相机拍摄得到的同一缺陷区域的区域图像,所述区域图像中包含有至少一个缺陷;根据缺陷在所述区域图像中的坐标从各个区域图像中提取出同一缺陷对应的缺陷图像。
在一个实施例中,所述根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类,包括:获取每个缺陷分类器对所述同一缺陷的分类结果;将多个分类结果作为目标分类器的输入,获取所述目标分类器输出的目标分类,所述目标分类器中存储有目标分类规则。
在一个实施例中,所述多个缺陷特征包括:缺陷面积、缺陷周长、缺陷扁平度、缺陷圆度、缺陷凹度、缺陷背景灰度差、缺陷紧造度、缺陷矩形度、缺陷长度和缺陷宽度;所述对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值,包括:根据每个缺陷特征的特征属性提取各个所述缺陷特征的特征值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种缺陷分类的方法,其特征在于,所述方法包括:
获取每个相机拍摄得到的同一缺陷对应的缺陷图像,不同相机拍摄所述同一缺陷的条件不同;
对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值;
根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果;
根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类。
2.根据权利要求1所述的方法,其特征在于,所述缺陷特征值包括:多个缺陷特征和每个缺陷特征的特征值;所述缺陷分类器中存储有缺陷分类规则,所述缺陷分类规则是根据各个缺陷特征的特征值预先设定的,不同缺陷分类器中的缺陷分类规则不同。
3.根据权利要求2所述的方法,其特征在于,所述缺陷分类器中的缺陷分类规则是通过深度学习得到的,每个相机对应一个缺陷分类器;
所述缺陷分类器采用如下方式得到:
获取训练样本集,所述训练样本集中包含有训练缺陷特征值和对应的缺陷类型,所述训练缺陷特征值是通过对训练缺陷图像中的缺陷进行特征提取得到的;
将所述训练缺陷特征值作为所述缺陷分类器的输入,将所述缺陷类型作为期望的输出对所述缺陷分类器进行训练,得到训练完成的缺陷分类器,所述训练完成的缺陷分类中包含有训练得到的缺陷分类规则。
4.根据权利要求3所述的方法,其特征在于,所述根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果,包括:
将每个缺陷图像对应的所述缺陷特征值作为相应相机对应的缺陷分类器的输入;
获取所述缺陷分类器输出的分类结果。
5.根据权利要求1所述的方法,其特征在于,所述获取每个相机拍摄得到的同一缺陷对应的缺陷图像,每个相机对应一个缺陷图像,包括:
获取每个相机拍摄得到的同一缺陷区域的区域图像,所述区域图像中包含有至少一个缺陷;
根据缺陷在所述区域图像中的坐标从各个区域图像中提取出同一缺陷对应的缺陷图像。
6.根据权利要求1所述的方法,其特征在于,所述根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类,包括:
获取每个缺陷分类器对所述同一缺陷的分类结果;
将多个分类结果作为目标分类器的输入,获取所述目标分类器输出的目标分类,所述目标分类器中存储有目标分类规则。
7.根据权利要求2所述的方法,其特征在于,所述多个缺陷特征包括:缺陷面积、缺陷周长、缺陷扁平度、缺陷圆度、缺陷凹度、缺陷背景灰度差、缺陷紧造度、缺陷矩形度、缺陷长度和缺陷宽度;
所述对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值,包括:根据每个缺陷特征的特征属性提取各个所述缺陷特征的特征值。
8.一种缺陷分类的装置,其特征在于,所述装置包括:
获取模块,用于获取每个相机拍摄得到的同一缺陷对应的缺陷图像,不同相机拍摄所述同一缺陷的条件不同;
提取模块,用于对每个所述缺陷图像中的缺陷进行特征提取,得到每个缺陷图像对应的缺陷特征值;
分类模块,用于根据每个缺陷图像对应的所述缺陷特征值采用与相应相机对应的缺陷分类器对所述缺陷进行分类,得到每个缺陷分类器对应的分类结果;
确定模块,用于根据每个所述缺陷分类器对应的分类结果确定所述缺陷的目标分类。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910871937.9A CN110738237A (zh) | 2019-09-16 | 2019-09-16 | 缺陷分类的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910871937.9A CN110738237A (zh) | 2019-09-16 | 2019-09-16 | 缺陷分类的方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110738237A true CN110738237A (zh) | 2020-01-31 |
Family
ID=69268006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910871937.9A Pending CN110738237A (zh) | 2019-09-16 | 2019-09-16 | 缺陷分类的方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738237A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337512A (zh) * | 2020-05-22 | 2020-06-26 | 深圳新视智科技术有限公司 | 用于aoi缺陷检测的缺陷提取方法 |
CN111389741A (zh) * | 2020-04-16 | 2020-07-10 | 长春光华学院 | 基于机器视觉的汽车刹车片表面缺陷检测自动分拣系统 |
CN113537414A (zh) * | 2021-09-15 | 2021-10-22 | 深圳新视智科技术有限公司 | 锂电池缺陷检测方法、装置、设备及存储介质 |
CN114581723A (zh) * | 2022-05-06 | 2022-06-03 | 成都数之联科技股份有限公司 | 缺陷分类方法、装置、存储介质、设备及计算机程序产品 |
WO2023065548A1 (zh) * | 2021-10-21 | 2023-04-27 | 东方晶源微电子科技(北京)有限公司 | 缺陷分类方法和装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060002604A1 (en) * | 2004-05-07 | 2006-01-05 | Kaoru Sakai | Method and apparatus for pattern inspection |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN106503724A (zh) * | 2015-09-04 | 2017-03-15 | 佳能株式会社 | 分类器生成装置、有缺陷/无缺陷确定装置和方法 |
CN107533012A (zh) * | 2015-03-31 | 2018-01-02 | 日新制钢株式会社 | 熔融镀覆钢板的表面缺陷检查装置及表面缺陷检查方法 |
CN108020564A (zh) * | 2016-11-04 | 2018-05-11 | 山东天和绿色包装科技有限公司 | 纸浆制品表面缺陷检测方法 |
CN108564104A (zh) * | 2018-01-09 | 2018-09-21 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、系统、服务器及存储介质 |
CN108805208A (zh) * | 2018-06-13 | 2018-11-13 | 哈尔滨工业大学 | 一种基于无标签样本一致性判定的协同训练方法 |
CN109829883A (zh) * | 2018-12-19 | 2019-05-31 | 歌尔股份有限公司 | 产品质量检测方法及装置 |
CN110068578A (zh) * | 2019-05-17 | 2019-07-30 | 苏州图迈蓝舸智能科技有限公司 | 一种pvc地板的表观缺陷检测方法、装置及终端设备 |
CN110161045A (zh) * | 2019-05-17 | 2019-08-23 | 深圳新视智科技术有限公司 | 表面缺陷检测系统和方法 |
-
2019
- 2019-09-16 CN CN201910871937.9A patent/CN110738237A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060002604A1 (en) * | 2004-05-07 | 2006-01-05 | Kaoru Sakai | Method and apparatus for pattern inspection |
CN107533012A (zh) * | 2015-03-31 | 2018-01-02 | 日新制钢株式会社 | 熔融镀覆钢板的表面缺陷检查装置及表面缺陷检查方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN106503724A (zh) * | 2015-09-04 | 2017-03-15 | 佳能株式会社 | 分类器生成装置、有缺陷/无缺陷确定装置和方法 |
CN108020564A (zh) * | 2016-11-04 | 2018-05-11 | 山东天和绿色包装科技有限公司 | 纸浆制品表面缺陷检测方法 |
CN108564104A (zh) * | 2018-01-09 | 2018-09-21 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、系统、服务器及存储介质 |
CN108805208A (zh) * | 2018-06-13 | 2018-11-13 | 哈尔滨工业大学 | 一种基于无标签样本一致性判定的协同训练方法 |
CN109829883A (zh) * | 2018-12-19 | 2019-05-31 | 歌尔股份有限公司 | 产品质量检测方法及装置 |
CN110068578A (zh) * | 2019-05-17 | 2019-07-30 | 苏州图迈蓝舸智能科技有限公司 | 一种pvc地板的表观缺陷检测方法、装置及终端设备 |
CN110161045A (zh) * | 2019-05-17 | 2019-08-23 | 深圳新视智科技术有限公司 | 表面缺陷检测系统和方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111389741A (zh) * | 2020-04-16 | 2020-07-10 | 长春光华学院 | 基于机器视觉的汽车刹车片表面缺陷检测自动分拣系统 |
CN111337512A (zh) * | 2020-05-22 | 2020-06-26 | 深圳新视智科技术有限公司 | 用于aoi缺陷检测的缺陷提取方法 |
CN111337512B (zh) * | 2020-05-22 | 2020-09-08 | 深圳新视智科技术有限公司 | 用于aoi缺陷检测的缺陷提取方法 |
CN113537414A (zh) * | 2021-09-15 | 2021-10-22 | 深圳新视智科技术有限公司 | 锂电池缺陷检测方法、装置、设备及存储介质 |
CN113537414B (zh) * | 2021-09-15 | 2022-01-11 | 深圳新视智科技术有限公司 | 锂电池缺陷检测方法、装置、设备及存储介质 |
WO2023065548A1 (zh) * | 2021-10-21 | 2023-04-27 | 东方晶源微电子科技(北京)有限公司 | 缺陷分类方法和装置、设备及存储介质 |
CN114581723A (zh) * | 2022-05-06 | 2022-06-03 | 成都数之联科技股份有限公司 | 缺陷分类方法、装置、存储介质、设备及计算机程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738237A (zh) | 缺陷分类的方法、装置、计算机设备和存储介质 | |
US11138478B2 (en) | Method and apparatus for training, classification model, mobile terminal, and readable storage medium | |
CN109447169B (zh) | 图像处理方法及其模型的训练方法、装置和电子系统 | |
CN109034078B (zh) | 年龄识别模型的训练方法、年龄识别方法及相关设备 | |
CN110163842B (zh) | 建筑裂缝检测方法、装置、计算机设备和存储介质 | |
CN110795976B (zh) | 一种训练物体检测模型的方法、装置以及设备 | |
CN111368758B (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
CN111242128B (zh) | 目标检测方法、装置、计算机可读存储介质和计算机设备 | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
CN113487607A (zh) | 基于多视场图像的缺陷检测方法及装置 | |
CN112750104B (zh) | 一种多相机监控船舶自动匹配最优相机的方法及装置 | |
CN113516661A (zh) | 基于特征融合的缺陷检测方法及装置 | |
CN114897806A (zh) | 缺陷检测方法、电子设备及计算机可读存储介质 | |
US20210224565A1 (en) | Method for optical character recognition in document subject to shadows, and device employing method | |
CN110728659A (zh) | 缺陷合并的方法、装置、计算机设备及存储介质 | |
WO2018121414A1 (zh) | 电子设备、目标图像识别方法及装置 | |
CN110942456B (zh) | 篡改图像检测方法、装置、设备及存储介质 | |
CN112465807A (zh) | 车牌图像真伪识别方法、装置、设备和介质 | |
CN106529437B (zh) | 一种人脸检测的方法和装置 | |
CN111159150A (zh) | 一种数据扩充方法及装置 | |
CN114782310A (zh) | 表面缺陷检测方法、装置、设备和存储介质 | |
KR101732359B1 (ko) | 이미지 내의 텍스트를 검출하는 방법 및 장치 | |
CN112766351A (zh) | 一种图像质量的评估方法、系统、计算机设备和存储介质 | |
US20190164009A1 (en) | Method and system for visual change detection using multi-scale analysis | |
US11893730B2 (en) | Method for an automatic segmentation and classification of relevant objects in a digital tissue sample image |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200131 |