CN111093140A - 检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质 - Google Patents
检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111093140A CN111093140A CN201911265499.8A CN201911265499A CN111093140A CN 111093140 A CN111093140 A CN 111093140A CN 201911265499 A CN201911265499 A CN 201911265499A CN 111093140 A CN111093140 A CN 111093140A
- Authority
- CN
- China
- Prior art keywords
- microphone
- image
- deep learning
- learning model
- dust screen
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R29/00—Monitoring arrangements; Testing arrangements
- H04R29/004—Monitoring arrangements; Testing arrangements for microphones
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Otolaryngology (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质,该方法包括:获取麦克和听筒的防尘网图像;使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。本发明实施例提供的一种检测麦克和听筒防尘网缺陷的方法,通过使用深度学习模型识别麦克和听筒防尘网上的缺陷,避免了现有技术中检测人员通过显微镜进行人工肉眼识别麦克和听筒的防尘网缺陷时浪费大量人力,解决了由检测人员疲劳、主观偏差等原因造成误判的情况,实现了自动识别麦克和听筒防尘网缺陷并且识别准确度高、识别速度快的效果。
Description
技术领域
本发明实施例涉及图像识别技术,尤其涉及一种检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质。
背景技术
移动终端,如手机等,在生产制造过程中,麦克和听筒是非常关键的,一旦麦克和听筒的防尘网存在缺陷,如脏污、灰尘、破损等,会严重影响用户的使用。由于麦克和听筒的防尘网尺寸很小(通常不足1mm),检测的过程中需要使用显微镜放大后才能用眼睛看清楚,如果检测人员通过人工肉眼直接判断,不仅浪费人工资源,还可能由于检测人员疲劳、主观偏差等的缘故,存在误判问题。并且由于防尘网缺陷类型的多样性,用传统的图像算法往往达不到理想的效果,存在漏检或识别错误率过高的问题。
发明内容
本发明提供一种检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质,以实现自动识别麦克和听筒防尘网缺陷并且识别准确度高、识别速度快的效果。
在一个实施例中,本发明实施例提供了一种检测麦克和听筒防尘网缺陷的方法,该方法包括:
获取麦克和听筒的防尘网图像;
使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;
根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。
可选的,所述获取麦克和听筒的防尘网图像之后还包括:
获取麦克和听筒的防尘网样本图像;
使用所述样本图像训练深度学习模型得到训练好的深度学习模型。
可选的,所述获取麦克和听筒的防尘网图像样本包括:
获取麦克和听筒的防尘网的正样本和负样本;
排除所述正样本和负样本中的无效样本。
可选的,所述获取麦克和听筒的防尘网图像样本之后还包括:
对所述图像样本使用图像处理技术扩充图像样本数量。
可选的,所述获取麦克和听筒的防尘网图像包括:使用显微摄像头采集麦克和听筒的防尘网图像。
可选的,所述使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果包括:
将所述麦克和听筒的防尘网图像输入到所述预先训练的深度学习模型中;
使用所述深度学习模型中的多个卷积层提取所述麦克和听筒的防尘网图像的多个特征;
使用所述深度学习模型中的多个池化层对所述麦克和听筒的防尘网图像的多个特征的数据和参数进行压缩;
使用所述深度学习模型中的一个全连接层将压缩后的所述麦克和听筒的防尘网图像的多个特征进行连接并进行分类识别,输出识别结果。
可选的,所述使用所述样本图像训练深度学习模型得到训练好的深度学习模型包括:使用小批梯度下降算法和所述图像样本训练所述深度学习模型获得训练好的深度学习模型。
在一个实施例中,本发明实施例还提供了一种检测麦克和听筒防尘网缺陷的装置,该装置包括:
获取模块,用于获取麦克和听筒的防尘网图像;
识别模块,用于使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;
输出模块,用于根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。
在一个实施例中,本发明实施例还提供了一种设备,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,使得所述一个或多个处理器实现如上述任一所述的检测麦克和听筒防尘网缺陷的方法。
在一个实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序包括程序指令,该程序指令被处理器执行时实现如上述任一所述的检测麦克和听筒防尘网缺陷的方法。
本发明实施例公开了一种检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质,该方法包括:获取麦克和听筒的防尘网图像;使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。本发明实施例提供的一种检测麦克和听筒防尘网缺陷的方法,通过使用深度学习模型识别麦克和听筒防尘网上的缺陷,避免了现有技术中检测人员通过显微镜进行人工肉眼识别麦克和听筒的防尘网缺陷时浪费大量人力,解决了由检测人员疲劳、主观偏差等原因造成误判的情况,实现了自动识别麦克和听筒防尘网缺陷并且识别准确度高、识别速度快的效果。
附图说明
图1为本发明实施例提供的一种检测麦克和听筒防尘网缺陷的方法的流程图;
图2为本发明实施例提供的一种检测麦克和听筒防尘网缺陷的方法的流程图;
图3是本发明实施例中的一种检测麦克和听筒防尘网缺陷装置的结构示意图;
图4为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外,术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等,但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一深度学习模型为第二深度学习模型,且类似地,可将第二深度学习模型称为第一深度学习模型。第一深度学习模型和第二深度学习模型两者都是深度学习模型,但其不是同一深度学习模型。术语“第一”、“第二”等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一个或者更多个该特征。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。
实施例一
图1为本发明实施例提供的一种检测麦克和听筒防尘网缺陷的方法的流程图,本实施例可适用于使用深度学习模型识别麦克和听筒防尘网缺陷的情况,具体包括如下步骤:
步骤100、获取麦克和听筒的防尘网图像。
本实施例中,麦克和听筒的防尘网是用于保护移动终端内部电路和电气元件不被外部灰尘污染,当麦克和听筒的防尘网存在一定缺陷(脏污、灰尘、破损等)时,外部灰尘会进入移动终端内部,可能导致移动终端内部电路故障无法正常工作,因此麦克和听筒的防尘网对于移动终端而言十分重要,在移动终端的生产过程中,防尘网的完整性检测十分关键。在本实施例中,移动终端包括但不限于手机、笔记本、平板电脑、POS机等设备。在本实施例中,所述获取麦克和听筒的防尘网图像包括:使用显微摄像头采集麦克和听筒的防尘网图像。由于麦克和听筒的防尘网图像较小,无法使用正常的摄像头进行图像采集,因此在移动终端的生产线中,需要使用显微摄像头采集需要进行检测的移动终端的麦克和听筒的防尘网图像。
步骤110、使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果。
本实施例中,预先训练的深度学习模型可以为卷积神经网络(ConvNets、CNN),卷积神经网络包括可学习的权重和偏置的神经元组成。每个神经元接收一些输入,执行点积,并可选地跟随其非线性。整个网络仍然表示一个可区分的分数函数:从一端的原始图像像素到另一端的类分数。将步骤100中获得的需要进行检测的麦克和听筒的防尘网图像输入到训练好的深度学习模型中,与深度学习模型中的每个防尘网样本图像进行匹配,输出最接近的防尘网样本图像。
步骤120、根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。
本实施例中,若步骤110中输出的最接近的防尘网样本图像为具有缺陷的防尘网图像样本,则进行检测的防尘网也属于具有缺陷的防尘网,系统会通知检测人员立即对该缺陷防尘网进行回收维修。若步骤110中输出的最接近的防尘网样本图像为完好无损的防尘网,系统则会提示检测人员该防尘网正常。
本实施例提供了一种检测麦克和听筒防尘网缺陷的方法,该方法包括:获取麦克和听筒的防尘网图像;使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。本发明实施例提供的一种检测麦克和听筒防尘网缺陷的方法,通过使用深度学习模型识别麦克和听筒防尘网上的缺陷,避免了现有技术中检测人员通过显微镜进行人工肉眼识别麦克和听筒的防尘网缺陷时浪费大量人力,解决了由检测人员疲劳、主观偏差等原因造成误判的情况,实现了自动识别麦克和听筒防尘网缺陷并且识别准确度高、识别速度快的效果。
实施例二
图2为本发明实施例提供的一种检测麦克和听筒防尘网缺陷的方法的流程图,本实施例是在上述实施例的基础上进行了更加详细的识别过程说明,本实施例可适用于使用深度学习模型识别麦克和听筒防尘网缺陷的情况,具体包括如下步骤:
步骤200、获取麦克和听筒的防尘网图像。
步骤210、获取麦克和听筒的防尘网样本图像。
本实施例中,在训练深度学习模型之前,首先在移动终端生产线上使用显微摄像头采集大量麦克和听筒的防尘网样本图像,以训练深度学习模型达到最佳工作结构。
在本实施例中,步骤210还可以包括步骤211和步骤212,具体地:
步骤211、获取麦克和听筒的防尘网的正样本和负样本。
本实施例中,麦克和听筒的防尘网的正样本是指完好无损的防尘网图像样本,麦克和听筒的防尘网的负样本是指具有缺陷的防尘网图像样本。在本实施例中,获取麦克和听筒的防尘网的负样本时尽量确保负样本包含缺陷的所有种类,比如脏污、灰尘、破损等等,以提高深度学习模型识别的精确度和准确度。
步骤212、排除所述正样本和负样本中的无效样本。
本实施例中,在收集足够多的正样本和负样本之后,需要进行筛选,排出正样本和负样本中的无效样本以确保识别的准确性。在本实施例中,无效样本包括显微摄像头拍摄不清晰、显微摄像头拍摄图片尺度过大或者过小和显微摄像头拍摄的重复图片等等。经过人工或者机器筛选后,保留剩余样本图像作为有效样本,并使用有效样本图像训练深度学习模型。
步骤220、对所述图像样本使用图像处理技术扩充图像样本数量。
本实施例中,为了确保训练样本数量充足,需要对有效样本图像使用图像处理技术进行扩充,保证训练样本数量满足训练深度学习模型需求。本实施例中的图像处理技术包括:图像锐化,图像锐化是补偿图像的轮廓,增强图像的边缘及灰度跳变的部分,使图像变得清晰,分为空间域处理和频域处理两类,图像锐化是为了突出图像上地物的边缘、轮廓,或某些线性目标要素的特征;清晰度调整,清晰度调整是指调整图像上各细部影纹及其边界的清晰程度;角度旋转,角度旋转是指旋转训练样本的角度。通过图像锐化、清晰度调整、角度旋转可以将一张训练样本扩充为多张训练样本,弥补了采集的训练样本数量可能不足的问题,提高了深度学习模型识别的精确度和准确度。
步骤230、使用所述样本图像训练深度学习模型得到训练好的深度学习模型。
本实施例中,深度学习模型以卷积神经网络模型为例进行说明,包括多个卷积层、多个池化层和一个全连接层。卷积层是进行大部分计算繁重工作的卷积网络的核心构建块。池化层的功能是逐渐减小表示的空间大小,以减少卷积网络中的参数和计算量,从而也控制过度拟合。全连接层中的神经元与上一层中的所有激活都具有完整连接,它们的激活可以通过矩阵乘法后加上偏置偏移来计算。
在本实施例中,所述使用所述样本图像训练深度学习模型得到训练好的深度学习模型包括:使用小批梯度下降算法和所述图像样本训练所述深度学习模型获得训练好的深度学习模型。
本实施例中,小批量梯度下降算法的核心思想是基于梯度,通过对目标函数中的参数不断迭代更新,使得目标函数逐渐靠近最小值。它是批量梯度下降与随机梯度下降的折中,有着训练过程较快,同时又能保证得到较为精确的训练结果。使用小批量梯度下降算法时计算速度更快并且使用样本数量较少,符合实际生产检测需求。
步骤240、使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果。
本实施例中,步骤240包括以下步骤:
步骤241、将所述麦克和听筒的防尘网图像输入到所述预先训练的深度学习模型中。
本实施例中,深度学习模型主要包括多个卷积层、多个池化层和一个全连接层。将使用显微摄像头采集到的麦克和听筒的防尘网图像进行格式、尺寸统一处理后输入到预先训练的深度学习模型中对其进行识别。
步骤242、使用所述深度学习模型中的多个卷积层提取所述麦克和听筒的防尘网图像的多个特征。
在本实施例中,使用多个卷积层对麦克和听筒的防尘网图像进行特征提取,得到多个麦克和听筒的防尘网的特征图像。特征图像主要包含了麦克和听筒的防尘网图像中各个像素点灰度值的权重,通过特征图能够反映整张麦克和听筒的防尘网图像的主要像素点的深浅度分布。
步骤243、使用所述深度学习模型中的多个池化层对所述麦克和听筒的防尘网图像的多个特征的数据和参数进行压缩。
本实施例中,将步骤242中得到的多个麦克和听筒的防尘网的特征图像使用多个池化层进行参数和数据压缩,保持特征的尺度不变,将一些特征进行降维处理,删除特征图像中无用和重复的特征。
步骤244、使用所述深度学习模型中的一个全连接层将压缩后的所述麦克和听筒的防尘网图像的多个特征进行连接并进行分类识别,输出识别结果。
本实施例中,将步骤243中获得的压缩后的多个特征图像使用全连接层连接所有的特征,并将输出值送给分类识别器;分类识别器一般通过欧式距离鉴别法获取与该输入图像最相近的样本图像,该样本图像即为最接近输入的麦克和听筒的防尘网图像,根据该样本图像是否存在缺陷即可判断输入的麦克和听筒的防尘网图像是否存在缺陷。
步骤250、根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。
本实施例提供了一种检测麦克和听筒防尘网缺陷的方法,该方法包括:获取麦克和听筒的防尘网图像;获取麦克和听筒的防尘网样本图像;对所述图像样本使用图像处理技术扩充图像样本数量;使用所述样本图像训练深度学习模型得到训练好的深度学习模型;使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。本发明实施例提供的一种检测麦克和听筒防尘网缺陷的方法,通过使用深度学习模型识别麦克和听筒防尘网上的缺陷,避免了现有技术中检测人员通过显微镜进行人工肉眼识别麦克和听筒的防尘网缺陷时浪费大量人力,解决了由检测人员疲劳、主观偏差等原因造成误判的情况,实现了自动识别麦克和听筒防尘网缺陷并且识别准确度高、识别速度快的效果。
实施例三
本发明实施例所提供的用于检测麦克和听筒防尘网缺陷装置可执行本发明任意实施例所提供的检测麦克和听筒防尘网缺陷的方法,具备执行方法相应的功能模块和有益效果。图3是本发明实施例中的一种检测麦克和听筒防尘网缺陷装置300的结构示意图。参照图3,本发明实施例提供的检测麦克和听筒防尘网缺陷装置300具体可以包括:
获取模块310,用于获取麦克和听筒的防尘网图像;
识别模块320,用于使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;
输出模块330,用于根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。
进一步的,还包括:
样本获取模块,用于获取麦克和听筒的防尘网样本图像。
模型训练模块,用于使用所述样本图像训练深度学习模型得到训练好的深度学习模型。
进一步的,还包括:
样本获取子模块,用于获取麦克和听筒的防尘网的正样本和负样本。
筛选子模块,用于排除所述正样本和负样本中的无效样本。
进一步的,还包括:
样本扩充模块,用于对所述图像样本使用图像处理技术扩充图像样本数量。
进一步的,所述获取麦克和听筒的防尘网图像包括:使用显微摄像头采集麦克和听筒的防尘网图像。
进一步的,所述使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果包括:
将所述麦克和听筒的防尘网图像输入到所述预先训练的深度学习模型中;
使用所述深度学习模型中的多个卷积层提取所述麦克和听筒的防尘网图像的多个特征;
使用所述深度学习模型中的多个池化层对所述麦克和听筒的防尘网图像的多个特征的数据和参数进行压缩;
使用所述深度学习模型中的一个全连接层将压缩后的所述麦克和听筒的防尘网图像的多个特征进行连接并进行分类识别,输出识别结果。
进一步的,所述使用所述样本图像训练深度学习模型得到训练好的深度学习模型包括:使用小批梯度下降算法和所述图像样本训练所述深度学习模型获得训练好的深度学习模型。
本实施例提供了一种检测麦克和听筒防尘网缺陷装置,该装置包括:获取模块,用于获取麦克和听筒的防尘网图像;识别模块,用于使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;输出模块,用于根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。本发明实施例提供的一种检测麦克和听筒防尘网缺陷装置,通过使用深度学习模型识别麦克和听筒防尘网上的缺陷,避免了现有技术中检测人员通过显微镜进行人工肉眼识别麦克和听筒的防尘网缺陷时浪费大量人力,解决了由检测人员疲劳、主观偏差等原因造成误判的情况,实现了自动识别麦克和听筒防尘网缺陷并且识别准确度高、识别速度快的效果。
实施例四
图4为本发明实施例提供的一种计算机设备的结构示意图,如图4所示,该计算机设备包括存储器410、处理器420,计算机设备中处理器420的数量可以是一个或多个,图4中以一个处理器420为例;设备中的存储器410、处理器420可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器410作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的检测麦克和听筒防尘网缺陷的方法对应的程序指令/模块(例如,用于检测麦克和听筒防尘网缺陷装置中的获取模块310、识别模块320、输出模块330)。处理器420通过运行存储在存储器410中的软件程序、指令以及模块,从而执行设备/终端/设备的各种功能应用以及数据处理,即实现上述的用于检测麦克和听筒防尘网缺陷的方法。
其中,处理器420用于运行存储在存储器410中的计算机程序,实现如下步骤:
获取麦克和听筒的防尘网图像;
使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;
根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。
在其中一个实施例中,本发明实施例所提供的一种计算机设备,其计算机程序不限于如上的方法操作,还可以执行本发明任意实施例所提供的检测麦克和听筒防尘网缺陷的方法中的相关操作。
存储器410可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器410可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器410可进一步包括相对于处理器420远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本实施例提供了一种检测麦克和听筒防尘网缺陷设备,执行如下方法:获取麦克和听筒的防尘网图像;使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。本发明实施例提供的一种检测麦克和听筒防尘网缺陷设备,通过使用深度学习模型识别麦克和听筒防尘网上的缺陷,避免了现有技术中检测人员通过显微镜进行人工肉眼识别麦克和听筒的防尘网缺陷时浪费大量人力,解决了由检测人员疲劳、主观偏差等原因造成误判的情况,实现了自动识别麦克和听筒防尘网缺陷并且识别准确度高、识别速度快的效果。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种检测麦克和听筒防尘网缺陷的方法,该方法包括:
获取麦克和听筒的防尘网图像;
使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;
根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的检测麦克和听筒防尘网缺陷的方法中的相关操作。
本发明实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的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、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储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、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本实施例提供了一种检测麦克和听筒防尘网缺陷存储介质,执行如下方法:获取麦克和听筒的防尘网图像;使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。本发明实施例提供的一种检测麦克和听筒防尘网缺陷存储介质,通过使用深度学习模型识别麦克和听筒防尘网上的缺陷,避免了现有技术中检测人员通过显微镜进行人工肉眼识别麦克和听筒的防尘网缺陷时浪费大量人力,解决了由检测人员疲劳、主观偏差等原因造成误判的情况,实现了自动识别麦克和听筒防尘网缺陷并且识别准确度高、识别速度快的效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种检测麦克和听筒防尘网缺陷的方法,其特征在于,包括:
获取麦克和听筒的防尘网图像;
使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;
根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。
2.根据权利要求1中所述的一种检测麦克和听筒防尘网缺陷的方法,其特征在于,所述获取麦克和听筒的防尘网图像之后还包括:
获取麦克和听筒的防尘网样本图像;
使用所述样本图像训练深度学习模型得到训练好的深度学习模型。
3.根据权利要求2中所述的一种检测麦克和听筒防尘网缺陷的方法,其特征在于,所述获取麦克和听筒的防尘网图像样本包括:
获取麦克和听筒的防尘网的正样本和负样本;
排除所述正样本和负样本中的无效样本。
4.根据权利要求2中所述的一种检测麦克和听筒防尘网缺陷的方法,其特征在于,所述获取麦克和听筒的防尘网图像样本之后还包括:
对所述图像样本使用图像处理技术扩充图像样本数量。
5.根据权利要求1中所述的一种检测麦克和听筒防尘网缺陷的方法,其特征在于,所述获取麦克和听筒的防尘网图像包括:使用显微摄像头采集麦克和听筒的防尘网图像。
6.根据权利要求1中所述的一种检测麦克和听筒防尘网缺陷的方法,其特征在于,所述使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果包括:
将所述麦克和听筒的防尘网图像输入到所述预先训练的深度学习模型中;
使用所述深度学习模型中的多个卷积层提取所述麦克和听筒的防尘网图像的多个特征;
使用所述深度学习模型中的多个池化层对所述麦克和听筒的防尘网图像的多个特征的数据和参数进行压缩;
使用所述深度学习模型中的一个全连接层将压缩后的所述麦克和听筒的防尘网图像的多个特征进行连接并进行分类识别,输出识别结果。
7.根据权利要求2中所述的一种检测麦克和听筒防尘网缺陷的方法,其特征在于,所述使用所述样本图像训练深度学习模型得到训练好的深度学习模型包括:使用小批梯度下降算法和所述图像样本训练所述深度学习模型获得训练好的深度学习模型。
8.一种检测麦克和听筒防尘网缺陷的装置,其特征在于,包括:
获取模块,用于获取麦克和听筒的防尘网图像;
识别模块,用于使用预先训练的深度学习模型识别所述防尘网图像,以输出识别结果;
输出模块,用于根据所述识别结果确认所述防尘网图像对应的麦克和听筒是否有缺陷。
9.一种检测设备,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,使得所述一个或多个处理器实现如权利要求1-7中任一所述的检测麦克和听筒防尘网缺陷的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序包括程序指令,其特征在于,该程序指令被处理器执行时实现如权利要求1-7中任一所述的检测麦克和听筒防尘网缺陷的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911265499.8A CN111093140A (zh) | 2019-12-11 | 2019-12-11 | 检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911265499.8A CN111093140A (zh) | 2019-12-11 | 2019-12-11 | 检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111093140A true CN111093140A (zh) | 2020-05-01 |
Family
ID=70395459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911265499.8A Pending CN111093140A (zh) | 2019-12-11 | 2019-12-11 | 检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111093140A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639708A (zh) * | 2020-05-29 | 2020-09-08 | 深圳市燕麦科技股份有限公司 | 图像处理方法、装置、存储介质及设备 |
CN111862089A (zh) * | 2020-08-03 | 2020-10-30 | 上海闻泰信息技术有限公司 | 一种防尘网瑕疵识别方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657603A (zh) * | 2017-08-21 | 2018-02-02 | 北京精密机电控制设备研究所 | 一种基于智能视觉的工业外观检测方法 |
CN107909095A (zh) * | 2017-11-07 | 2018-04-13 | 江苏大学 | 一种基于深度学习的图像识别方法 |
CN107967463A (zh) * | 2017-12-12 | 2018-04-27 | 武汉科技大学 | 一种基于合成图像和深度学习的虚拟人脸识别方法 |
CN109714670A (zh) * | 2018-12-28 | 2019-05-03 | 努比亚技术有限公司 | 防尘网检测方法、移动终端及计算机可读存储介质 |
CN110111297A (zh) * | 2019-03-15 | 2019-08-09 | 浙江大学 | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 |
CN110443323A (zh) * | 2019-08-19 | 2019-11-12 | 电子科技大学 | 基于长短期记忆网络和人脸关键点的相貌评估方法 |
CN110619619A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种缺陷检测方法、装置及电子设备 |
-
2019
- 2019-12-11 CN CN201911265499.8A patent/CN111093140A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657603A (zh) * | 2017-08-21 | 2018-02-02 | 北京精密机电控制设备研究所 | 一种基于智能视觉的工业外观检测方法 |
CN107909095A (zh) * | 2017-11-07 | 2018-04-13 | 江苏大学 | 一种基于深度学习的图像识别方法 |
CN107967463A (zh) * | 2017-12-12 | 2018-04-27 | 武汉科技大学 | 一种基于合成图像和深度学习的虚拟人脸识别方法 |
CN110619619A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种缺陷检测方法、装置及电子设备 |
CN109714670A (zh) * | 2018-12-28 | 2019-05-03 | 努比亚技术有限公司 | 防尘网检测方法、移动终端及计算机可读存储介质 |
CN110111297A (zh) * | 2019-03-15 | 2019-08-09 | 浙江大学 | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 |
CN110443323A (zh) * | 2019-08-19 | 2019-11-12 | 电子科技大学 | 基于长短期记忆网络和人脸关键点的相貌评估方法 |
Non-Patent Citations (1)
Title |
---|
吕阳: "环境污染物对电接触和电子设备防护可靠性的影响研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639708A (zh) * | 2020-05-29 | 2020-09-08 | 深圳市燕麦科技股份有限公司 | 图像处理方法、装置、存储介质及设备 |
CN111862089A (zh) * | 2020-08-03 | 2020-10-30 | 上海闻泰信息技术有限公司 | 一种防尘网瑕疵识别方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11341626B2 (en) | Method and apparatus for outputting information | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN111507958B (zh) | 目标检测方法、检测模型的训练方法及电子设备 | |
CN112131936B (zh) | 一种巡检机器人图像识别方法及巡检机器人 | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
CN113095438B (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
CN111179249A (zh) | 一种基于深度卷积神经网络的电力设备检测方法和装置 | |
KR102322773B1 (ko) | 전극편의 버를 검출하기 위한 방법 및 장치 | |
CN110717881A (zh) | 晶圆缺陷识别方法、装置、存储介质和终端设备 | |
CN111340787A (zh) | 输电线路的导线缺陷检测识别方法、装置及计算机设备 | |
CN109389105B (zh) | 一种基于多任务的虹膜检测和视角分类方法 | |
CN113705361A (zh) | 活体检测模型的方法、装置及电子设备 | |
CN111093140A (zh) | 检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质 | |
CN114863221A (zh) | 检测模型的训练方法、装置、系统、设备及存储介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN115239672A (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
CN111091122A (zh) | 一种多尺度特征卷积神经网络的训练和检测方法、装置 | |
CN112560791A (zh) | 识别模型的训练方法、识别方法、装置及电子设备 | |
CN111539931A (zh) | 一种基于卷积神经网络和边界限定优化的外观异常检测方法 | |
CN110942439A (zh) | 基于卫星图片缺陷的图像复原和增强方法 | |
CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN115620083A (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 | |
CN112529883A (zh) | 一种基于图像边缘识别的贴片检测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200501 |