CN111340796A - 一种缺陷检测方法、装置、电子设备及存储介质 - Google Patents

一种缺陷检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111340796A
CN111340796A CN202010160066.2A CN202010160066A CN111340796A CN 111340796 A CN111340796 A CN 111340796A CN 202010160066 A CN202010160066 A CN 202010160066A CN 111340796 A CN111340796 A CN 111340796A
Authority
CN
China
Prior art keywords
image
matrix
workpiece
pooling
module
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
Application number
CN202010160066.2A
Other languages
English (en)
Other versions
CN111340796B (zh
Inventor
黄家水
刘洋
唐永亮
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.)
Innovation Qizhi Chengdu Technology Co ltd
Original Assignee
Innovation Qizhi Chengdu 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 Innovation Qizhi Chengdu Technology Co ltd filed Critical Innovation Qizhi Chengdu Technology Co ltd
Priority to CN202010160066.2A priority Critical patent/CN111340796B/zh
Publication of CN111340796A publication Critical patent/CN111340796A/zh
Application granted granted Critical
Publication of CN111340796B publication Critical patent/CN111340796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20—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
    • G06T2207/30164—Workpiece; Machine component
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种缺陷检测方法、装置、电子设备及存储介质。该方法包括：获取工件图像，工件图像为对待检测工件进行图像采集获得；利用图像分割模型对工件图像进行特征提取及前后景分割，获得特征矩阵和掩模矩阵；掩模矩阵为对工件图像进行前后景分割后包含前景的二进制矩阵；利用图像分类模型对特征矩阵和所述掩模矩阵进行处理，获得工件图像的检测结果。本申请实施例通过图像分割模型对工件图像进行前后景分割，再利用图像分类模型对前后景分割获得的特征矩阵和掩模矩阵进行处理，获得是否包括缺陷的检测结果。此种方法无需图像匹配，不用根据灰度值去寻找关键点和描述子，所以不受光照的影响，因此能够提高对工件表面进行缺陷检测的准确性。

Description

一种缺陷检测方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种缺陷检测方法、装置、电子设备及存储介质。
背景技术
工件在生产出来之后，需要检测是否合格。其中判定是否合格的一个标准为工件表面是否有缺陷。
现有技术中，往往采用配准，像素对比，局部检测等方式进行。配准会先通过关键点技术得到图像和模板的角点和其描述子，再通过匹配描述子的形式，得到对应点对，利用RANSAC等算法，去除错误匹配后，利用剩下的对应点对，得到仿射变换矩阵，完成配准。在完成配准后，对图像和模板的像素进行一一对比，并设定阈值，找到差异较大的位置，检测为缺陷。或者利用3*3的卷积核在图像上扫描，通过局部梯度异常变化来检测工件缺陷。
传统方法受图像质量制约很大，不同的阴影，变形，旋转都会对关键点的检测和描述子产生较大影响，也就意味着传统方法很容易形成错误匹配，对图片变换和环境变换很敏感，稳定性和鲁棒性不够。同时像素对比和局部显著性检测都很容易收到光照，导致缺陷检测的准确度较低。
发明内容
本申请实施例的目的在于提供一种缺陷检测方法、装置、电子设备及存储介质，用以提高对工件缺陷检测的准确度。
第一方面，本申请实施例提供一种缺陷检测方法，包括：获取工件图像，所述工件图像为对待检测工件进行图像采集获得；利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵；其中，所述掩模矩阵为对所述工件图像进行前后景分割后，包含前景的二进制矩阵；利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果。
本申请实施例通过图像分割模型对工件图像进行前后景分割，再利用图像分类模型对前后景分割获得的特征矩阵和掩模矩阵进行处理，获得是否包括缺陷的检测结果。此种方法无需图像匹配，不用根据灰度值寻找关键点和描述子，所以不受光照、放射变换的影响，因此能够提高对工件表面进行缺陷检测的准确性。
进一步地，所述图像分割模型包括第一特征提取模块和掩模提取模块；其中：所述第一特征提取模块包括多个卷积层和池化层；所述掩模提取模块与所述第一特征提取模块中的最后一个池化层连接，且所述掩模提取模块包括一个卷积层。
本申请实施例提供的第一特征提取模块和掩模提取模块能够准确的从工件图像中提取出前景图像，以及前景图像对应的特征，以便提高后续对工件缺陷识别的准确性。
进一步地，所述利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵，包括：通过所述第一特征提取模块对所述工件图像进行卷积及池化运算，获得所述特征矩阵；所述掩模提取模块对所述特征矩阵进行卷积运算，获得所述掩模矩阵。
本申请实施例提供的第一特征提取模块和掩模提取模块能够准确的从工件图像中提取出前景图像，以及前景图像对应的特征，以便提高后续对工件缺陷识别的准确性。
进一步地，所述图像分类模型包括第二特征提取模块、特征融合模块和分类模块；其中：所述第二特征提取模块包括多个卷积层和多个最大池化层；所述特征融合模块包括第一池化模块和第二池化模块；所述第一池化模块包括第一全局最大池化层和第一全局平均池化层；所述第二池化模块包括第二全局最大池化层和第二全局平均池化层；所述分类模块包括全连接层。
本申请实施例通过第二特征提取模块、特征融合模块和分类模块对特征矩阵和掩模矩阵的进行处理，从而获得工件表面是否含有缺陷的检测结果，其检测过程不需要寻找关键点和描述子，因此不受光线影响，从而提高了检测的准确性。
进一步地，所述利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果，包括：通过所述第二特征提取模块将所述特征矩阵和所述掩模矩阵进行拼接，并对拼接后的矩阵进行特征提取，获得特征层；所述第一池化模块对所述掩模矩阵进行池化处理，获得所述掩模矩阵对应的第一池化结果；所述第二池化模块分别对所述特征层进行池化处理，获得所述特征层对应的第二池化结果；根据所述第一池化结果和所述第二池化结果获得特征向量；所述全连接层对所述特征向量进行分类，获得所述工件图像的检测结果。
本申请实施例通过第二特征提取模块、特征融合模块和分类模块对特征矩阵和掩模矩阵的进行处理，从而获得工件表面是否含有缺陷的检测结果，其检测过程不需要寻找关键点和描述子，因此不受光线影响，从而提高了检测的准确性。
进一步地，在利用图像分割模型对所述工件图像进行特征提取及前后景分割之前，所述方法还包括：获取第一训练样本，所述第一训练样本包括多个第一训练图像和所述第一训练图像对应的掩模矩阵；分别将所述第一训练图像输入待训练的图像分割模型中，获得所述第一训练图像对应的预测掩模矩阵；根据所述预测掩模矩阵和所述掩模矩阵优化所述待训练的图像分割模型中的参数，获得训练后的图像分割模型。
本申请实施例通过构建图像分割模型能够对工件图像进行前后景分割，从而获得前景的掩模矩阵以及前景的特征矩阵，进而防止了背景因素的干扰，提高了检测的准确性。
进一步地，在利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理之前，所述方法还包括：获取第二训练样本，所述第二训练样本包括多个第二训练图像的特征矩阵和掩模矩阵，以及所述第二训练图像的标签；所述标签用于表征所述第二训练图像中的工件是否有缺陷；分别将所述第二训练图像的特征矩阵和掩模矩阵输入待训练的图像分类模型中，获得所述第二训练图像对应的缺陷预测结果；根据所述缺陷预测结果和对应的所述标签优化所述待训练的图像分类模型中的参数，获得训练后的图像分类模型。
本申请实施例通过构建图像分类模型，能够准确地识别出工件表面是否存在缺陷。
第二方面，本申请实施例提供一种缺陷检测装置，包括：图像获取模块，用于获取工件图像，所述工件图像为对待检测工件进行图像采集获得；
分割模块，用于利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵；其中，所述掩模矩阵为对所述工件图像进行前后景分割后，包含前景的二进制矩阵；分类模块，用于利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果。
第三方面，本申请实施例提供一种电子设备，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法。
第四方面，本申请实施例提供一种非暂态计算机可读存储介质，包括：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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获得其他相关的附图。
图1为本申请实施例提供的图像分割模型训练方法流程示意图；
图2为本申请实施例提供的待训练的图像分割模型结构示意图；
图3为本申请实施例提供的图像分类模型的训练流程示意图；
图4为本申请实施例提供的图像分类模型结构示意图；
图5为本申请实施例提供的缺陷检测方法流程示意图；
图6为本申请实施例提供的图像分割流程示意图；
图7为本申请实施例提供的图像分类流程示意图；
图8为本申请实施例提供的装置结构示意图；
图9为本申请实施例提供的电子设备实体结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
首先，介绍本申请实施例提供的缺陷检测方法中用到的图像分割模型和图像分类模型的训练过程。
图1为本申请实施例提供的图像分割模型训练方法流程示意图，包括：
步骤101：获取第一训练样本，所述第一训练样本包括多个第一训练图像和所述第一训练图像对应的掩模矩阵。
其中，多个第一训练图像中有一部分是带缺陷的工件样本图像，有一部分是不带缺陷的工件样本图像，带缺陷的工件样本图像的数量可以比不带缺陷的工件样本图像的数量多，其数量之比可以为3:1，当然，也可以为其他比例值，本申请实施例对此不作具体限定。每一个第一训练图像都有对应的掩模矩阵，可以理解的是，掩模矩阵的获得可以为人工对第一训练图像进行标注，即，人工从第一训练图像中选择缺陷所对应的像素点，并将选择的像素点值置为1，然后将剩下的像素点值置为0，根据第一训练图像中各个像素点值可以获得对应的掩模图像，像素点值构成的矩阵为掩模矩阵。对于没有缺陷的第一训练图像来说，其对应的掩模矩阵中的各个元素值均为0。
步骤102：分别将所述第一训练图像输入待训练的图像分割模型中，获得所述第一训练图像对应的预测掩模矩阵。
其中，图2为本申请实施例提供的待训练的图像分割模型结构示意图，如图2所示，包括第一特征提取模块201和掩模提取模块202；其中：第一特征提取模块201包括三个卷积模块，即第一卷积模块2011、第二卷积模块2012、第三卷积模块2013和第四卷积模块2014。第一卷积模块2011包括两个核为5*5，输出通道为32的卷积层分别为Conv1_1,Conv1_2和一个核为2*2的最大池化层MaxPool1。第二卷积模块2012包括3个核为5*5，输出通道为64的卷积层分别为Conv2_1，Conv2_2,Conv2_3和一个核为2*2的最大池化层MaxPool2。第三卷积模块2013包括4个核为5*5，输出通道为64的卷积层分别为Conv3_1,Conv3_2,Conv3_3,Conv3_4和一个核为2*2的最大池化层MaxPool3。第四卷积模块2021包括1个核为15*15，输出通道为1024的卷积层Conv4_1。掩模提取模块202包括核为1*1，输出通道为1的卷积层Conv5。掩模提取模块202与第一特征提取模块201中的最后一个池化层连接。应当说明的是，图2所示的图像分割模型仅为一种示例，其中的卷积层和池化层的数量可以根据实际情况进行调整。待训练的图像分割模型中各个参数的初始值可以为任意一个值，也可以根据经验预先设定。通过多个第一训练图像进行对待训练的图像分割模型进行迭代训练，不断优化待训练的图像分割模型中各个参数。以一次迭代为例：将第一训练图像输入到待训练的图像分割模型中，待训练的图像分割模型对第一训练图像进行处理，输出预测掩模矩阵。
步骤103：根据所述预测掩模矩阵和所述掩模矩阵优化所述待训练的图像分割模型中的参数，获得训练后的图像分割模型。
其中，根据预测掩模矩阵和第一训练图像对应的掩模矩阵计算损失函数，并根据损失函数优化待训练的图像分割模型中的参数。当损失函数对应的损失值小于预设值，或者迭代次数达到预设次数，则停止训练，将最后一次训练获得的模型作为训练好的图像分割模型。
本申请实施例提供的第一特征提取模块和掩模提取模块能够准确的从工件图像中提取出前景图像，以及前景图像对应的特征，以便提高后续对工件缺陷识别的准确性。
图3为本申请实施例提供的图像分类模型的训练流程示意图，如图3所示，包括：
步骤301：获取第二训练样本，所述第二训练样本包括多个第二训练图像的特征矩阵和掩模矩阵，以及所述第二训练图像的标签；所述标签用于表征所述第二训练图像中的工件是否有缺陷。
其中，第二训练样本中可以包括一部分带缺陷的工件图像和一部分不带缺陷的工件图像。带缺陷的工件图像的数量可以比不带缺陷的工件图像的数据多，例如：带缺陷的工件图像的数量可以是不带缺陷的工件图像的数量的两倍。可以理解的是，上述两种图像的数量比值可以根据实际情况设定，本申请实施例对此不作具体限定。
第二训练图像的特征矩阵和掩模矩阵可以利用上述实施例训练好的图像分割模型获得，也可以人工进行提取。另外，第二训练图像对应的标签用来表示该第二训练图像中的工件是否有缺陷，该标签可以是人为预先标注获得。例如，可以通过“1”表示有缺陷，“0”表示没有缺陷。当然，也可以通过其他标识来表示有无缺陷，本申请实施例对此不作具体限定。
步骤302：分别将所述第二训练图像的特征矩阵和掩模矩阵输入待训练的图像分类模型中，获得所述第二训练图像对应的缺陷预测结果。
其中，图4为本申请实施例提供的图像分类模型结构示意图，如图4所示，包括第二特征提取模块401、特征融合模块402和分类模块403；其中：
所述第二特征提取模块401包括四个模块，即池化模块4011、第五卷积模块4012、第六卷积模块4013和第七卷积模块4014。池化模块4011包括一个核为2*2的最大池化层MaxPool1。第五卷积模块4012包括卷积核为5*5，输出通道为8的卷积层Conv1和一个核为2*2的最大池化层MaxPool2。第六卷积模块4013包括卷积核为5*5，输出通道为16的卷积层Conv2和一个核为2*2的最大池化层MaxPool3。第七卷积模块4014包括卷积核为5*5，输出通道为32的卷积层Conv3。
所述特征融合模块402包括第一池化模块4021和第二池化模块4022；所述第一池化模块4021包括第一全局最大池化层和第一全局平均池化层；所述第二池化模块4022包括第二全局最大池化层和第二全局平均池化层。
所述分类模块403包括全连接层4031。应当说明的是，图4仅为本申请实施例提供的一种模型结构的示例，其每个模块中包括的卷积层数和池化层数可以根据实际情况调整，本申请实施例对此不作具体限定。
利用多个第二训练样本实现对待训练的图像分类模型的多次迭代训练，以对待训练的图像分类模型中的参数进行不断的优化，最终获得训练好的图像分类模型。以一次迭代为例，将第二训练图像对应的特征矩阵和掩模矩阵输入到待训练的图像分类模型中，待训练的图像分类模型对特征矩阵和掩模矩阵进行处理，输出第二训练图像对应的缺陷预测结果。其中，缺陷预测结果为带有缺陷，或不带有缺陷。
步骤303：根据所述缺陷预测结果和对应的所述标签优化所述待训练的图像分类模型中的参数，获得训练后的图像分类模型。
其中，根据缺陷预测结果和对应的标签计算损失值，然后根据损失值优化图像分类模型中的参数。当损失函数的损失值小于预设值，或者迭代次数达到预设次数，则停止训练。最后一次迭代后获得的模型为训练好的图像分类模型。
本申请实施例通过第二特征提取模块、特征融合模块和分类模块对特征矩阵和掩模矩阵的进行处理，从而获得工件表面是否含有缺陷的检测结果，其检测过程不需要寻找关键点和描述子，因此不受光线影响，从而提高了检测的准确性。
图5为本申请实施例提供的缺陷检测方法流程示意图，如图5所示，执行该检测方法的主体为检测装置，该检测装置可以为台式电脑、笔记本电脑、智能手机、智能穿戴设备等智能电子设备，该方法包括：
步骤501：获取工件图像，所述工件图像为对待检测工件进行图像采集获得。
在具体的实施过程中，检测装置可以通过自身配置的图像采集装置对待检测工件进行采集获得工件图像，还可以通过专门的图像采集装置进行采集，然后图像采集装置通过有线或无线的方式传输给检测装置。可以理解的是，待检测工件可以是任意一种需要进行表面缺陷检测的物品。
步骤502：利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵；其中，所述掩模矩阵为对所述工件图像进行前后景分割后，包含前景的二进制矩阵。
在具体的实施过程中，图像分割模型可以采用上述实施例提供的，图像分割模型的主要作用是对工件图像进行特征提取获得特征矩阵，以及对工件图像的前后景进行分割，获得掩模矩阵。二进制矩阵是指矩阵中只包含0和1的矩阵，当然，矩阵中的元素也可以全部都是0或1，具体根据输入的工件图像获得。通过上述实施例中对掩模矩阵的介绍可以获知，本申请实施例将工件图像中的缺陷当作前景，除缺陷以外的区域当作后景，也可称为背景。
步骤503：利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果。
在具体的实施过程中，当图像分割模型输出特征矩阵和掩模矩阵之后，检测装置利用图像分类模型对特征矩阵和掩模矩阵进行处理。获得的检测结果为有缺陷或者无缺陷。可以理解的是，图像分类模型可以采用上述实施例训练获得的模型。
本申请实施例通过图像分割模型对工件图像进行前后景分割，然后针对分割后的前景进行缺陷检测，由于不需要进行图像匹配以及寻找关键点，所以不受光照因素的影响，能够提高对缺陷检测的准确性。
在上述实施例的基础上，所述利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵，包括：
通过所述第一特征提取模块对所述工件图像进行卷积及池化运算，获得所述特征矩阵；
所述掩模提取模块对所述特征矩阵进行卷积运算，获得所述掩模矩阵。
在具体的实施过程中，图6为本申请实施例提供的图像分割流程示意图，如图6所示，将工件图像输入到图像分割模型后，先通过第一卷积模块、第二卷积模块和第三卷积模块和第四卷积模块对工件图像进行卷积及池化处理，获得特征矩阵。然后将特征矩阵输入到掩模提取模块中，掩模提取模块中的卷积层对特征矩阵再次卷积计算，获得掩模矩阵。为了直观，图6中给出了掩模矩阵对应的图像，通过掩模图像可以看出在图的右侧有一条白色线条，这个白色线条即为工件上的缺陷。
本申请实施例提供的第一特征提取模块和掩模提取模块能够准确的从工件图像中提取出前景图像，以及前景图像对应的特征，以便提高后续对工件缺陷识别的准确性。
在上述实施例的基础上，所述利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果，包括：
通过所述第二特征提取模块将所述特征矩阵和所述掩模矩阵进行拼接，并对拼接后的矩阵进行特征提取，获得特征层；
所述第一池化模块对所述掩模矩阵进行池化处理，获得所述掩模矩阵对应的第一池化结果；
所述第二池化模块分别对所述特征层进行池化处理，获得所述特征层对应的第二池化结果；
根据所述第一池化结果和所述第二池化结果获得特征向量；
所述全连接层对所述特征向量进行分类，获得所述工件图像的检测结果。
在具体的实施过程中，图7为本申请实施例提供的图像分类流程示意图，如图7所示。在获得特征矩阵和掩模矩阵后，将特征矩阵和掩模矩阵输入到图像分类模型中，首先，将特征矩阵和掩模矩阵进行拼接，获得拼接后的矩阵，然后利用图像分类模型的池化模块、第五卷积模块、第六卷积模块和第七卷积模块对拼接后的矩阵进行特征提取，获得特征层。
将掩模矩阵输入到第一池化模块中，第一池化模块中的全局最大池化层和全局平均池化层分别对掩模矩阵进行池化计算，分别输出各自的池化结果，即第一池化结果。
将特征层输入第二池化模块中，第二池化模块中的全局最大池化层和全局平均池化层分别对特征层进行池化计算，分别输出各自的池化结果，即第二池化结果。
第一池化结果和第二池化结果可以拼接成特征向量。最后，将特征向量输入到全连接层，全连接层对其进行分类，获得工件图像对应的检测结果。
本申请实施例通过第二特征提取模块、特征融合模块和分类模块对特征矩阵和掩模矩阵的进行处理，从而获得工件表面是否含有缺陷的检测结果，其检测过程不需要寻找关键点和描述子，因此不受光线影响，从而提高了检测的准确性。
图8为本申请实施例提供的装置结构示意图，该装置可以是电子设备上的模块、程序段或代码。应理解，该装置与上述图5方法实施例对应，能够执行图5方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括：图像获取模块801、分割模块802和分类模块803，其中：
图像获取模块801用于获取工件图像，所述工件图像为对待检测工件进行图像采集获得；分割模块802用于利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵；其中，所述掩模矩阵为对所述工件图像进行前后景分割后，包含前景的二进制矩阵；分类模块803用于利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果。
在上述实施例的基础上，所述图像分割模型包括第一特征提取模块和掩模提取模块；其中：所述第一特征提取模块包括多个卷积层和池化层；所述掩模提取模块与所述第一特征提取模块中的最后一个池化层连接，且所述掩模提取模块包括一个卷积层。
在上述实施例的基础上，分割模块802具体用于：
通过所述第一特征提取模块对所述工件图像进行卷积及池化运算，获得所述特征矩阵；
所述掩模提取模块对所述特征矩阵进行卷积运算，获得所述掩模矩阵。
在上述实施例的基础上，所述图像分类模型包括第二特征提取模块、特征融合模块和分类模块；其中：
所述第二特征提取模块包括多个卷积层和多个最大池化层；
所述特征融合模块包括第一池化模块和第二池化模块；所述第一池化模块包括第一全局最大池化层和第一全局平均池化层；所述第二池化模块包括第二全局最大池化层和第二全局平均池化层；
所述分类模块包括全连接层。
在上述实施例的基础上，分类模块803具体用于：
通过所述第二特征提取模块将所述特征矩阵和所述掩模矩阵进行拼接，并对拼接后的矩阵进行特征提取，获得特征层；
所述第一池化模块对所述掩模矩阵进行池化处理，获得所述掩模矩阵对应的第一池化结果；
所述第二池化模块分别对所述特征层进行池化处理，获得所述特征层对应的第二池化结果；
根据所述第一池化结果和所述第二池化结果获得特征向量；
所述全连接层对所述特征向量进行分类，获得所述工件图像的检测结果。
在上述实施例的基础上，该装置还包括第一训练模块，用于：
获取第一训练样本，所述第一训练样本包括多个第一训练图像和所述第一训练图像对应的掩模矩阵；
分别将所述第一训练图像输入待训练的图像分割模型中，获得所述第一训练图像对应的预测掩模矩阵；
根据所述预测掩模矩阵和所述掩模矩阵优化所述待训练的图像分割模型中的参数，获得训练后的图像分割模型。
在上述实施例的基础上，该装置还包括第二训练模块，用于：
获取第二训练样本，所述第二训练样本包括多个第二训练图像的特征矩阵和掩模矩阵，以及所述第二训练图像的标签；所述标签用于表征所述第二训练图像中的工件是否有缺陷；
分别将所述第二训练图像的特征矩阵和掩模矩阵输入待训练的图像分类模型中，获得所述第二训练图像对应的缺陷预测结果；
根据所述缺陷预测结果和对应的所述标签优化所述待训练的图像分类模型中的参数，获得训练后的图像分类模型。
综上所述，本申请实施例通过图像分割模型对工件图像进行前后景分割，然后针对分割后的前景进行缺陷检测，由于不需要进行图像匹配以及寻找关键点，所以不受光照因素的影响，能够提高对缺陷检测的准确性。
图9为本申请实施例提供的电子设备实体结构示意图，如图9所示，所述电子设备，包括：处理器(processor)901、存储器(memory)902和总线903；其中，
所述处理器901和存储器902通过所述总线903完成相互间的通信；
所述处理器901用于调用所述存储器902中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取工件图像，所述工件图像为对待检测工件进行图像采集获得；利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵；其中，所述掩模矩阵为对所述工件图像进行前后景分割后，包含前景的二进制矩阵；利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果。
处理器901可以是一种集成电路芯片，具有信号处理能力。上述处理器901可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器902可以包括但不限于随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取工件图像，所述工件图像为对待检测工件进行图像采集获得；利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵；其中，所述掩模矩阵为对所述工件图像进行前后景分割后，包含前景的二进制矩阵；利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取工件图像，所述工件图像为对待检测工件进行图像采集获得；利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵；其中，所述掩模矩阵为对所述工件图像进行前后景分割后，包含前景的二进制矩阵；利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种缺陷检测方法，其特征在于，包括：
获取工件图像，所述工件图像为对待检测工件进行图像采集获得；
利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵；其中，所述掩模矩阵为对所述工件图像进行前后景分割后，包含前景的二进制矩阵；
利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果。
2.根据权利要求1所述的方法，其特征在于，所述图像分割模型包括第一特征提取模块和掩模提取模块；其中：所述第一特征提取模块包括多个卷积层和池化层；所述掩模提取模块与所述第一特征提取模块中的最后一个池化层连接，且所述掩模提取模块包括一个卷积层。
3.根据权利要求2所述的方法，其特征在于，所述利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵，包括：
通过所述第一特征提取模块对所述工件图像进行卷积及池化运算，获得所述特征矩阵；
所述掩模提取模块对所述特征矩阵进行卷积运算，获得所述掩模矩阵。
4.根据权利要求1所述的方法，其特征在于，所述图像分类模型包括第二特征提取模块、特征融合模块和分类模块；其中：
所述第二特征提取模块包括多个卷积层和多个最大池化层；
所述特征融合模块包括第一池化模块和第二池化模块；所述第一池化模块包括第一全局最大池化层和第一全局平均池化层；所述第二池化模块包括第二全局最大池化层和第二全局平均池化层；
所述分类模块包括全连接层。
5.根据权利要求4所述的方法，其特征在于，所述利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果，包括：
通过所述第二特征提取模块将所述特征矩阵和所述掩模矩阵进行拼接，并对拼接后的矩阵进行特征提取，获得特征层；
所述第一池化模块对所述掩模矩阵进行池化处理，获得所述掩模矩阵对应的第一池化结果；
所述第二池化模块分别对所述特征层进行池化处理，获得所述特征层对应的第二池化结果；
根据所述第一池化结果和所述第二池化结果获得特征向量；
所述全连接层对所述特征向量进行分类，获得所述工件图像的检测结果。
6.根据权利要求1所述的方法，其特征在于，在利用图像分割模型对所述工件图像进行特征提取及前后景分割之前，所述方法还包括：
获取第一训练样本，所述第一训练样本包括多个第一训练图像和所述第一训练图像对应的掩模矩阵；
分别将所述第一训练图像输入待训练的图像分割模型中，获得所述第一训练图像对应的预测掩模矩阵；
根据所述预测掩模矩阵和所述掩模矩阵优化所述待训练的图像分割模型中的参数，获得训练后的图像分割模型。
7.根据权利要求1所述的方法，其特征在于，在利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理之前，所述方法还包括：
获取第二训练样本，所述第二训练样本包括多个第二训练图像的特征矩阵和掩模矩阵，以及所述第二训练图像的标签；所述标签用于表征所述第二训练图像中的工件是否有缺陷；
分别将所述第二训练图像的特征矩阵和掩模矩阵输入待训练的图像分类模型中，获得所述第二训练图像对应的缺陷预测结果；
根据所述缺陷预测结果和对应的所述标签优化所述待训练的图像分类模型中的参数，获得训练后的图像分类模型。
8.一种缺陷检测装置，其特征在于，包括：
图像获取模块，用于获取工件图像，所述工件图像为对待检测工件进行图像采集获得；
分割模块，用于利用图像分割模型对所述工件图像进行特征提取及前后景分割，获得对应的特征矩阵和掩模矩阵；其中，所述掩模矩阵为对所述工件图像进行前后景分割后，包含前景的二进制矩阵；
分类模块，用于利用图像分类模型对所述特征矩阵和所述掩模矩阵进行处理，获得所述工件图像的检测结果。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-7任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被计算机运行时，使所述计算机执行如权利要求1-7任一项所述的方法。
CN202010160066.2A 2020-03-10 2020-03-10 一种缺陷检测方法、装置、电子设备及存储介质 Active CN111340796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010160066.2A CN111340796B (zh) 2020-03-10 2020-03-10 一种缺陷检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010160066.2A CN111340796B (zh) 2020-03-10 2020-03-10 一种缺陷检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111340796A true CN111340796A (zh) 2020-06-26
CN111340796B CN111340796B (zh) 2023-07-21

Family

ID=71182254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010160066.2A Active CN111340796B (zh) 2020-03-10 2020-03-10 一种缺陷检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111340796B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111879774A (zh) * 2020-08-03 2020-11-03 广州皓醒湾科技有限公司 刷头磨圆率测试方法、装置和电子设备
CN112712504A (zh) * 2020-12-30 2021-04-27 广东粤云工业互联网创新科技有限公司 基于云端的工件检测方法及系统、计算机可读存储介质
CN113313704A (zh) * 2021-06-18 2021-08-27 广东工业大学 一种集成电路引脚检测方法、装置、终端及存储介质
CN113538436A (zh) * 2021-09-17 2021-10-22 深圳市信润富联数字科技有限公司 零件缺陷的检测方法、装置、终端设备及存储介质
CN116681901A (zh) * 2023-07-31 2023-09-01 山东捷瑞数字科技股份有限公司 一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法
WO2024124496A1 (zh) * 2022-12-15 2024-06-20 西门子股份公司 检测焊点缺陷的方法、装置、电子设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030081215A1 (en) * 2001-01-09 2003-05-01 Ajay Kumar Defect detection system for quality assurance using automated visual inspection
CN103593670A (zh) * 2013-10-14 2014-02-19 浙江工业大学 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN107478657A (zh) * 2017-06-20 2017-12-15 广东工业大学 基于机器视觉的不锈钢表面缺陷检测方法
CN108520274A (zh) * 2018-03-27 2018-09-11 天津大学 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN109816669A (zh) * 2019-01-30 2019-05-28 云南电网有限责任公司电力科学研究院 一种识别电力设备缺陷的改进Mask R-CNN图像实例分割方法
CN109872303A (zh) * 2019-01-16 2019-06-11 北京交通大学 表面缺陷视觉检测方法、装置和电子设备
CN110084234A (zh) * 2019-03-27 2019-08-02 东南大学 一种基于实例分割的声呐图像目标识别方法
CN110378236A (zh) * 2019-06-20 2019-10-25 西安电子科技大学 基于深度学习的车辆身份识别模型构建、识别方法和系统
CN110503114A (zh) * 2019-08-29 2019-11-26 中国科学院深圳先进技术研究院 图像特征提取方法、装置、肿瘤识别系统及存储介质
WO2019232831A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
CN110570396A (zh) * 2019-08-07 2019-12-13 华中科技大学 一种基于深度学习的工业产品缺陷检测方法
CN110717896A (zh) * 2019-09-24 2020-01-21 东北大学 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
GB201918824D0 (en) * 2019-12-19 2020-02-05 Airbus Operations Ltd Analysing surfaces of vehicles

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030081215A1 (en) * 2001-01-09 2003-05-01 Ajay Kumar Defect detection system for quality assurance using automated visual inspection
CN103593670A (zh) * 2013-10-14 2014-02-19 浙江工业大学 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN107478657A (zh) * 2017-06-20 2017-12-15 广东工业大学 基于机器视觉的不锈钢表面缺陷检测方法
CN108520274A (zh) * 2018-03-27 2018-09-11 天津大学 基于图像处理及神经网络分类的高反光表面缺陷检测方法
WO2019232831A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
CN109872303A (zh) * 2019-01-16 2019-06-11 北京交通大学 表面缺陷视觉检测方法、装置和电子设备
CN109816669A (zh) * 2019-01-30 2019-05-28 云南电网有限责任公司电力科学研究院 一种识别电力设备缺陷的改进Mask R-CNN图像实例分割方法
CN110084234A (zh) * 2019-03-27 2019-08-02 东南大学 一种基于实例分割的声呐图像目标识别方法
CN110378236A (zh) * 2019-06-20 2019-10-25 西安电子科技大学 基于深度学习的车辆身份识别模型构建、识别方法和系统
CN110570396A (zh) * 2019-08-07 2019-12-13 华中科技大学 一种基于深度学习的工业产品缺陷检测方法
CN110503114A (zh) * 2019-08-29 2019-11-26 中国科学院深圳先进技术研究院 图像特征提取方法、装置、肿瘤识别系统及存储介质
CN110717896A (zh) * 2019-09-24 2020-01-21 东北大学 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
GB201918824D0 (en) * 2019-12-19 2020-02-05 Airbus Operations Ltd Analysing surfaces of vehicles

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
C. GOBERT 等: "Application of supervised machine learning for defect detection during metallic powder bed fusion additive manufacturing usinghigh resolution imaging", ADDITIVE MANUFACTURING, vol. 21, pages 517 - 528, XP055601582, DOI: 10.1016/j.addma.2018.04.005 *
吴俊杭: "基于机器视觉的红枣表面缺陷检测算法研究", 中国硕士学位论文全文数据库 农业科技辑, no. 2020, pages 048 - 188 *
朱恒川: "基于机器视觉的液晶屏缺陷检测", 中国硕士学位论文全文数据库 信息科技辑, no. 2018, pages 138 - 621 *
袁惠: "基于优化卷积神经网络的图像识别研究", 中国硕士学位论文全文数据库 信息科技辑, no. 2020, pages 138 - 1320 *
顾小东: "基于深度学习的小样本图像缺陷检测方法研究", 中国硕士学位论文全文数据库 信息科技辑, no. 2020, pages 138 - 1697 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111879774A (zh) * 2020-08-03 2020-11-03 广州皓醒湾科技有限公司 刷头磨圆率测试方法、装置和电子设备
CN111879774B (zh) * 2020-08-03 2023-07-21 广州星际悦动股份有限公司 刷头磨圆率测试方法、装置和电子设备
CN112712504A (zh) * 2020-12-30 2021-04-27 广东粤云工业互联网创新科技有限公司 基于云端的工件检测方法及系统、计算机可读存储介质
CN112712504B (zh) * 2020-12-30 2023-08-15 广东粤云工业互联网创新科技有限公司 基于云端的工件检测方法及系统、计算机可读存储介质
CN113313704A (zh) * 2021-06-18 2021-08-27 广东工业大学 一种集成电路引脚检测方法、装置、终端及存储介质
CN113538436A (zh) * 2021-09-17 2021-10-22 深圳市信润富联数字科技有限公司 零件缺陷的检测方法、装置、终端设备及存储介质
WO2024124496A1 (zh) * 2022-12-15 2024-06-20 西门子股份公司 检测焊点缺陷的方法、装置、电子设备及存储介质
CN116681901A (zh) * 2023-07-31 2023-09-01 山东捷瑞数字科技股份有限公司 一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法
CN116681901B (zh) * 2023-07-31 2023-10-31 山东捷瑞数字科技股份有限公司 一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法

Also Published As

Publication number Publication date
CN111340796B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN111340796B (zh) 一种缺陷检测方法、装置、电子设备及存储介质
US20210374940A1 (en) Product defect detection method, device and system
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN110659647B (zh) 印章图像识别方法及装置、智能发票识别设备和存储介质
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN111681273B (zh) 图像分割方法、装置、电子设备及可读存储介质
CN111080660A (zh) 一种图像分割方法、装置、终端设备及存储介质
CN114549997B (zh) 一种基于区域特征提取的x光图像缺陷检测方法和装置
CN109598298B (zh) 图像物体识别方法和系统
CN113807378B (zh) 训练数据增量方法、电子装置与计算机可读记录介质
CN115880298A (zh) 一种基于无监督预训练的玻璃表面缺陷检测方法及系统
CN112767354A (zh) 基于图像分割的缺陷检测方法、装置、设备及存储介质
CN112052907A (zh) 基于图像边缘信息的目标检测方法、装置及存储介质
CN116266259A (zh) 图像文字结构化输出方法、装置、电子设备和存储介质
CN110991412A (zh) 人脸识别的方法、装置、存储介质及电子设备
CN112597940B (zh) 证件图像识别方法、装置及存储介质
CN117765485A (zh) 基于改进的深度残差网络的车型识别方法、装置和设备
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN116597431A (zh) 商品外包装信息检测方法、装置、电子设备和存储介质
CN116977249A (zh) 缺陷检测的方法、模型训练的方法和装置
CN114399657A (zh) 车辆检测模型训练方法、装置、车辆检测方法及电子设备
KR20220101373A (ko) 영상 기반 pcb 결함 검출 장치 및 방법
CN116226789B (zh) 基于人工智能的数据同分布判别方法、装置、设备及介质
CN116797657A (zh) 姿态估计方法、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant