CN111047576A - 一种表面缺陷样本生成工具 - Google Patents
一种表面缺陷样本生成工具 Download PDFInfo
- Publication number
- CN111047576A CN111047576A CN201911272616.3A CN201911272616A CN111047576A CN 111047576 A CN111047576 A CN 111047576A CN 201911272616 A CN201911272616 A CN 201911272616A CN 111047576 A CN111047576 A CN 111047576A
- Authority
- CN
- China
- Prior art keywords
- defect
- sample
- image
- fusion
- mask
- 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
Images
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04842—Selection of displayed objects or displayed text elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04845—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range for image manipulation, e.g. dragging, rotation, expansion or change of colour
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种表面缺陷样本生成工具,包括如下步骤:A)缺陷库自动生成:如图1所示,在已有缺陷样本库中选取一张负样本图像(NG Sample)及其负样本标签(NG Mask),利用图像处理技术算出每个缺陷区域的最小平行外接矩形,并用矩形ROI(可改变尺寸)裁剪缺陷对象图(Defect Obj)和缺陷二值图(Defect Mask),遍历所有负样本图像之后,可以得到所有缺陷对象图(Defect Obj)及其缺陷二值图(Defect Mask),其中包括不同尺寸的孔洞、划痕、料渣和杂质等,生成或丰富了备用的缺陷库。本发明通过上述生成工具,可对缺陷个体进行增强,这样有效提高了样本的多样性,解决了传统方法存在的打标效率低、负样本图像不足等问题,值得推广。
Description
技术领域
本发明涉及表面缺陷样本技术领域,具体为一种表面缺陷样本生成工具。
背景技术
在表面缺陷检测领域中,深度学习的应用是解决外表复杂产品检测难题的重要手段,而训练一个满足性能要求的图像语义分割模型,是需要足够的样本数据驱动的。
制作样本的传统方法,首先是从生产现场采集足量的缺陷样本图像,接着通过人工标记软件,生成每张缺陷(负)样本图像(NG Sample)对应的负样本标签(NG Mask),然而,传统方法具有的明显不足,一方面,打标的效率太慢,在规定时间内难以提供足够的训练样本;另一方面,经常会遇到产品的负样本图像缺陷单一,或者整体缺陷样本太少(甚至没有)的情况,这时,无法训练出有效的检测模型。
为解决传统方法存在的打标效率低、负样本图像不足等问题,本发明采取了在原有缺陷样本库的基础上,通过图像融合技术自动生成新样本数据的方法,实现了高效扩充缺陷样本库的目标。
发明内容
本发明的目的在于提供一种表面缺陷样本生成工具,具备打标效率高、样本图像充足的优点,解决了传统方法存在的打标效率低、负样本图像不足等问题。
为实现上述目的,本发明提供如下技术方案:一种表面缺陷样本生成工具,包括如下步骤:
A)缺陷库自动生成:如图1所示,在已有缺陷样本库中选取一张负样本图像(NGSample)及其负样本标签(NG Mask),利用图像处理技术算出每个缺陷区域的最小平行外接矩形,并用矩形ROI(可改变尺寸)裁剪缺陷对象图(Defect Obj)和缺陷二值图(DefectMask),遍历所有负样本图像之后,可以得到所有缺陷对象图(Defect Obj)及其缺陷二值图(Defect Mask),其中包括不同尺寸的孔洞、划痕、料渣和杂质等,生成或丰富了备用的缺陷库;
B)基于图像融合生成新的缺陷样本:在正样本库中选取一张正样本图像(OKSample),首先通过自动或人为的方式随机选取若干个融合点,接着基于图像融合技术(例如泊松融合),将随机选取的缺陷对象图(Defect Obj)在正样本图像(OK Sample)上的融合点处进行融合,生成新的负样本图像(NG Sample),相应地,利用匹配的缺陷二值图(DefectMask)生成新的负样本标签(NG Mask),缺陷融合效果如图2、图3所示。
优选的,所述针对不同客户的检测需求,可将裁剪得到缺陷对象图(Defect Obj)和缺陷二值图(Defect Mask)按缺陷尺寸、深浅程度划分为不同等级的类目。
优选的,所述在融合前可对选取的缺陷对象图(Defect Obj)和缺陷二值图(Defect Mask)进行增强,如翻转、旋转、尺度变换、拉伸、剪切和灰度变换等,通过随机融合点、随机缺陷、随机增强,共同提高生成样本的多样性。
优选的,所述自动模式下选取融合点时,为避免将缺陷融合到背景,本工具事先通过图像处理算法识别产品所在区域,接着才是随机选点,选点数目可人为设置;而在手动模式下,则需借助人工干预在图像交互界面(GUI)进行融合点的选择,如图5所示;即使比自动模式效率低,手动模式可以更好地模拟缺陷分布。
优选的,所述当真实缺陷主要分布在外表复杂产品的某一特定区域内,且区域识别算法的开发难度又比较大时,例如铜管焊缝检测项目,手动模式弥补了自动模式的不足。
优选的,所述当项目需要增加一些特定位置的缺陷时,比如线缆产品的边缘位置,手动模式能够提供用户指定的某种缺陷样本。
与现有技术相比,本发明的有益效果如下:
1、本发明通过上述生成工具,可对缺陷个体进行增强,这样有效提高了样本的多样性,解决了传统方法存在的打标效率低、负样本图像不足等问题,值得推广。
2、本发明手动选点模式与自动选点模式可切换:不同的缺陷融合任务,有些可以通过简单的图像处理技术自动判断缺陷发生区域并随机提取融合点,而难以通过图像处理技术解决的,也可切换到手动提取模式,通过本发明工具弹出图像交互界面进行手动提取。
3、本发明融合点随机提取接口:本发明工具的融合点随机提取接口一方面通过选点区域的自动识别,保障缺陷位置的有效性,另一方面通过随机点坐标的生成,保证缺陷位置不重复,接口形参只有正样本图像(OK Sample)和融合点数量,接口返回融合点对应的x坐标列表和y坐标列表。
4、本发明融合点手动提取接口:融合点手动提取接口设置为GUI鼠标点击事件的回调函数,当鼠标点击GUI内图像时,接口会记录被点选的点坐标,同时也调用绘图接口将被选中的点描绘出来,便于手动选点模式下的可视化操作,当按esc键时,GUI会切换到下一张正样本图像(OK Sample),继续进行选点作业
5、本发明融合前缺陷增强:训练样本量不多时,一般会采用数据增强的方法,例如翻转、旋转、尺度变换、拉伸、裁剪、灰度变换、加噪声等,这是对整张样本图像进行处理的,不同的是,本发明工具在融合前就对缺陷个体进行增强,虽然同样是采用翻转、旋转、拉伸、尺度变换、灰度变换等措施,但能配合整张图像的增强措施共同提高样本的多样性。
附图说明
图1为本发明缺陷样本库图像;
图2为本发明线缆缺陷融合效果一;
图3为本发明线缆缺陷融合效果二;
图4为本发明铜管缺陷融合效果;
图5为本发明融合点手动选取GUI;
图6为本发明新缺陷样本生成流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-6,一种表面缺陷样本生成工具,包括如下步骤:
A)缺陷库自动生成:如图1所示,在已有缺陷样本库中选取一张负样本图像(NGSample)及其负样本标签(NG Mask),利用图像处理技术算出每个缺陷区域的最小平行外接矩形,并用矩形ROI(可改变尺寸)裁剪缺陷对象图(Defect Obj)和缺陷二值图(DefectMask),遍历所有负样本图像之后,可以得到所有缺陷对象图(Defect Obj)及其缺陷二值图(Defect Mask),其中包括不同尺寸的孔洞、划痕、料渣和杂质等,生成或丰富了备用的缺陷库;
针对不同客户的检测需求,可将裁剪得到缺陷对象图(Defect Obj)和缺陷二值图(Defect Mask)按缺陷尺寸、深浅程度划分为不同等级的类目;
B)基于图像融合生成新的缺陷样本:在正样本库中选取一张正样本图像(OKSample),首先通过自动或人为的方式随机选取若干个融合点,接着基于图像融合技术(例如泊松融合),将随机选取的缺陷对象图(Defect Obj)在正样本图像(OK Sample)上的融合点处进行融合,生成新的负样本图像(NG Sample),相应地,利用匹配的缺陷二值图(DefectMask)生成新的负样本标签(NG Mask),缺陷融合效果如图2、图3所示;
在融合前可对选取的缺陷对象图(Defect Obj)和缺陷二值图(Defect Mask)进行增强,如翻转、旋转、尺度变换、拉伸、剪切和灰度变换等,通过随机融合点、随机缺陷、随机增强,共同提高生成样本的多样性;
自动模式下选取融合点时,为避免将缺陷融合到背景,本工具事先通过图像处理算法识别产品所在区域,接着才是随机选点,选点数目可人为设置;而在手动模式下,则需借助人工干预在图像交互界面(GUI)进行融合点的选择,如图5所示;比自动模式效率低,手动模式可以更好地模拟缺陷分布;当真实缺陷主要分布在外表复杂产品的某一特定区域内,且区域识别算法的开发难度又比较大时,例如铜管焊缝检测项目,手动模式弥补了自动模式的不足;当项目需要增加一些特定位置的缺陷时,比如线缆产品的边缘位置,手动模式能够提供用户指定的某种缺陷样本,本发明通过上述生成工具,可对缺陷个体进行增强,这样有效提高了样本的多样性,解决了传统方法存在的打标效率低、负样本图像不足等问题,值得推广。
本发明手动选点模式与自动选点模式可切换:不同的缺陷融合任务,有些可以通过简单的图像处理技术自动判断缺陷发生区域并随机提取融合点,而难以通过图像处理技术解决的,也可切换到手动提取模式,通过本发明工具弹出图像交互界面进行手动提取。
本发明融合点随机提取接口:本发明工具的融合点随机提取接口一方面通过选点区域的自动识别,保障缺陷位置的有效性,另一方面通过随机点坐标的生成,保证缺陷位置不重复,接口形参只有正样本图像(OK Sample)和融合点数量,接口返回融合点对应的x坐标列表和y坐标列表。
本发明融合点手动提取接口:融合点手动提取接口设置为GUI鼠标点击事件的回调函数,当鼠标点击GUI内图像时,接口会记录被点选的点坐标,同时也调用绘图接口将被选中的点描绘出来,便于手动选点模式下的可视化操作,当按esc键时,GUI会切换到下一张正样本图像(OK Sample),继续进行选点作业
本发明融合前缺陷增强:训练样本量不多时,一般会采用数据增强的方法,例如翻转、旋转、尺度变换、拉伸、裁剪、灰度变换、加噪声等,这是对整张样本图像进行处理的,不同的是,本发明工具在融合前就对缺陷个体进行增强,虽然同样是采用翻转、旋转、拉伸、尺度变换、灰度变换等措施,但能配合整张图像的增强措施共同提高样本的多样性。
本发明达到了如下效果:研发人员在面临急需训练某型产品的缺陷检测模型,却缺少或暂时没有相应负样本图像的状况时,本发明工具可巧妙地利用相似产品的缺陷样本和该型号产品的正样本进行融合,高度相似地生成该产品的负样本,有效打破缺少或没有负样本图像的窘迫局面;
随着接触到更多类型的产品,缺陷库的缺陷类型会越来越丰富,缺陷对象也会越来越多,而且来源不同的缺陷对象图可以融合到不同产品图像上,使生成的负样本图像会更加呈现出多样性,训练出来的检测模型也更具有更好的泛化和通用性能;
使用传统方法制作样本时,为了工作进度,需要增加员工数量,可见效率低下随之带来用人成本的加大,而本发明工具的优势就是自动化程度高,可大幅降低研发成本,且可在全自动和半自动操作模式之间切换,灵活性强,可适应不同项目。
综上所述:该表面缺陷样本生成工具,通过上述生成工具,解决了传统方法存在的打标效率低、负样本图像不足等问题。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种表面缺陷样本生成工具,其特征在于:包括如下步骤:
A)缺陷库自动生成:如图1所示,在已有缺陷样本库中选取一张负样本图像(NGSample)及其负样本标签(NG Mask),利用图像处理技术算出每个缺陷区域的最小平行外接矩形,并用矩形ROI(可改变尺寸)裁剪缺陷对象图(Defect Obj)和缺陷二值图(DefectMask),遍历所有负样本图像之后,可以得到所有缺陷对象图(Defect Obj)及其缺陷二值图(Defect Mask),其中包括不同尺寸的孔洞、划痕、料渣和杂质等,生成或丰富了备用的缺陷库;
B)基于图像融合生成新的缺陷样本:在正样本库中选取一张正样本图像(OK Sample),首先通过自动或人为的方式随机选取若干个融合点,接着基于图像融合技术(例如泊松融合),将随机选取的缺陷对象图(Defect Obj)在正样本图像(OK Sample)上的融合点处进行融合,生成新的负样本图像(NG Sample),相应地,利用匹配的缺陷二值图(Defect Mask)生成新的负样本标签(NG Mask),缺陷融合效果如图2、图3所示。
2.根据权利要求1所述的一种表面缺陷样本生成工具,其特征在于:所述针对不同客户的检测需求,可将裁剪得到缺陷对象图(Defect Obj)和缺陷二值图(Defect Mask)按缺陷尺寸、深浅程度划分为不同等级的类目。
3.根据权利要求1所述的一种表面缺陷样本生成工具,其特征在于:所述在融合前可对选取的缺陷对象图(Defect Obj)和缺陷二值图(Defect Mask)进行增强,如翻转、旋转、尺度变换、拉伸、剪切和灰度变换等,通过随机融合点、随机缺陷、随机增强,共同提高生成样本的多样性。
4.根据权利要求3所述的一种表面缺陷样本生成工具,其特征在于:所述自动模式下选取融合点时,为避免将缺陷融合到背景,本工具事先通过图像处理算法识别产品所在区域,接着才是随机选点,选点数目可人为设置;而在手动模式下,则需借助人工干预在图像交互界面(GUI)进行融合点的选择,如图5所示;即使比自动模式效率低,手动模式可以更好地模拟缺陷分布。
5.根据权利要求4所述的一种表面缺陷样本生成工具,其特征在于:所述当真实缺陷主要分布在外表复杂产品的某一特定区域内,且区域识别算法的开发难度又比较大时,例如铜管焊缝检测项目,手动模式弥补了自动模式的不足。
6.根据权利要求5所述的一种表面缺陷样本生成工具,其特征在于:所述当项目需要增加一些特定位置的缺陷时,比如线缆产品的边缘位置,手动模式能够提供用户指定的某种缺陷样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272616.3A CN111047576B (zh) | 2019-12-12 | 2019-12-12 | 一种表面缺陷样本生成工具 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272616.3A CN111047576B (zh) | 2019-12-12 | 2019-12-12 | 一种表面缺陷样本生成工具 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047576A true CN111047576A (zh) | 2020-04-21 |
CN111047576B CN111047576B (zh) | 2023-05-09 |
Family
ID=70236009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911272616.3A Active CN111047576B (zh) | 2019-12-12 | 2019-12-12 | 一种表面缺陷样本生成工具 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047576B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899204A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技(深圳)有限公司 | 车损检测数据合成方法、装置及存储介质 |
CN112907543A (zh) * | 2021-02-24 | 2021-06-04 | 胡志雄 | 一种基于随机缺陷模型的产品外观缺陷检测方法 |
CN113095400A (zh) * | 2021-04-09 | 2021-07-09 | 安徽芯纪元科技有限公司 | 一种用于机器视觉缺陷检测的深度学习模型训练方法 |
CN113313024A (zh) * | 2021-05-28 | 2021-08-27 | 宁波新胜中压电器有限公司 | 一种基于掩膜的输电线杆塔鸟巢小样本检测方法 |
CN113361588A (zh) * | 2021-06-03 | 2021-09-07 | 北京文安智能技术股份有限公司 | 基于图像数据增强的图像训练集生成方法和模型训练方法 |
CN113658167A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种含缺陷的训练图像生成方法及装置 |
CN114113137A (zh) * | 2021-11-10 | 2022-03-01 | 佛山科学技术学院 | 一种薄膜材料的缺陷检测系统及其方法 |
CN114140679A (zh) * | 2021-10-26 | 2022-03-04 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN114638294A (zh) * | 2022-03-10 | 2022-06-17 | 深圳市腾盛精密装备股份有限公司 | 一种数据增强方法、装置、终端设备及存储介质 |
CN114862863A (zh) * | 2022-07-11 | 2022-08-05 | 四川大学 | 一种样本可均衡的曲轴表面缺陷检测方法及检测系统 |
WO2023241276A1 (zh) * | 2022-06-15 | 2023-12-21 | 华为云计算技术有限公司 | 图像编辑方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN107564002A (zh) * | 2017-09-14 | 2018-01-09 | 广东工业大学 | 塑料管表面缺陷检测方法、系统及计算机可读存储介质 |
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
-
2019
- 2019-12-12 CN CN201911272616.3A patent/CN111047576B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN107564002A (zh) * | 2017-09-14 | 2018-01-09 | 广东工业大学 | 塑料管表面缺陷检测方法、系统及计算机可读存储介质 |
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
Non-Patent Citations (1)
Title |
---|
周鹏等: "基于剪切波和小波特征融合的金属表面缺陷识别方法", 《机械工程学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021139357A1 (zh) * | 2020-07-30 | 2021-07-15 | 平安科技(深圳)有限公司 | 车损检测数据合成方法、装置、系统及存储介质 |
CN111899204B (zh) * | 2020-07-30 | 2024-04-09 | 平安科技(深圳)有限公司 | 车损检测数据合成方法、装置及存储介质 |
CN111899204A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技(深圳)有限公司 | 车损检测数据合成方法、装置及存储介质 |
CN112907543B (zh) * | 2021-02-24 | 2024-03-26 | 胡志雄 | 一种基于随机缺陷模型的产品外观缺陷检测方法 |
CN112907543A (zh) * | 2021-02-24 | 2021-06-04 | 胡志雄 | 一种基于随机缺陷模型的产品外观缺陷检测方法 |
CN113095400A (zh) * | 2021-04-09 | 2021-07-09 | 安徽芯纪元科技有限公司 | 一种用于机器视觉缺陷检测的深度学习模型训练方法 |
CN113313024A (zh) * | 2021-05-28 | 2021-08-27 | 宁波新胜中压电器有限公司 | 一种基于掩膜的输电线杆塔鸟巢小样本检测方法 |
CN113361588A (zh) * | 2021-06-03 | 2021-09-07 | 北京文安智能技术股份有限公司 | 基于图像数据增强的图像训练集生成方法和模型训练方法 |
CN113658167A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种含缺陷的训练图像生成方法及装置 |
CN113658167B (zh) * | 2021-08-24 | 2024-03-26 | 凌云光技术股份有限公司 | 一种含缺陷的训练图像生成方法及装置 |
CN114140679A (zh) * | 2021-10-26 | 2022-03-04 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN114140679B (zh) * | 2021-10-26 | 2022-07-01 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN114113137A (zh) * | 2021-11-10 | 2022-03-01 | 佛山科学技术学院 | 一种薄膜材料的缺陷检测系统及其方法 |
CN114638294A (zh) * | 2022-03-10 | 2022-06-17 | 深圳市腾盛精密装备股份有限公司 | 一种数据增强方法、装置、终端设备及存储介质 |
WO2023241276A1 (zh) * | 2022-06-15 | 2023-12-21 | 华为云计算技术有限公司 | 图像编辑方法及相关设备 |
CN114862863A (zh) * | 2022-07-11 | 2022-08-05 | 四川大学 | 一种样本可均衡的曲轴表面缺陷检测方法及检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111047576B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047576B (zh) | 一种表面缺陷样本生成工具 | |
Andriluka et al. | Fluid annotation: a human-machine collaboration interface for full image annotation | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN114581742B (zh) | 基于线性度的连通域聚类融合方法、装置、系统及介质 | |
CN110008962B (zh) | 基于注意力机制的弱监督语义分割方法 | |
Pizurica et al. | Digital image processing of the Ghent Altarpiece: Supporting the painting's study and conservation treatment | |
CN104408269B (zh) | 设计图纸拆分方法 | |
CN109754362B (zh) | 一种用可旋转的边界框标注海参目标检测结果的方法 | |
US20190272627A1 (en) | Automatically generating image datasets for use in image recognition and detection | |
CN111696079A (zh) | 一种基于多任务学习的表面缺陷检测方法 | |
Han et al. | An enhanced image binarization method incorporating with Monte-Carlo simulation | |
CN117456319A (zh) | 一种结合旋转目标检测和缺陷分类的工业缺陷检测方法 | |
CN113298130A (zh) | 目标图像的检测、目标对象检测模型的生成方法 | |
Tsai et al. | Saw-Mark Defect Detection in Heterogeneous Solar Wafer Images using GAN-based Training Samples Generation and CNN Classification. | |
CN116128826A (zh) | 基于YOLOv5的锂电池缺陷检测方法、系统、设备以及存储介质 | |
JP2020140518A (ja) | 情報処理装置、情報処理装置の制御方法及びプログラム | |
CN115578362A (zh) | 电极涂层的缺陷检测方法、装置、电子设备及介质 | |
CN114154856A (zh) | 一种基于路网的电网路径规划节点计算方法与系统 | |
CN115019202A (zh) | 一种应用于服务型移动机械臂的分步式抓取检测方法 | |
Afroz et al. | STL_Process: A. STL-based preprocessor for robot path planning in manufacturing and quality control processes | |
CN111222682A (zh) | 一种地图边界数据的二阶优化简化方法 | |
CN114723748B (zh) | 电机控制器的检测方法、装置、设备及存储介质 | |
CN117197003B (zh) | 一种多条件控制的纸箱样本生成方法 | |
Sampaio et al. | Improving robustness of industrial object detection by automatic generation of synthetic images from CAD models | |
WO2023184083A1 (zh) | 一种智能图形联想的方法及智能交互显示设备 |
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 |