CN111444864B - 目标对象的磨损程度检测方法及装置 - Google Patents
目标对象的磨损程度检测方法及装置 Download PDFInfo
- Publication number
- CN111444864B CN111444864B CN202010240158.1A CN202010240158A CN111444864B CN 111444864 B CN111444864 B CN 111444864B CN 202010240158 A CN202010240158 A CN 202010240158A CN 111444864 B CN111444864 B CN 111444864B
- Authority
- CN
- China
- Prior art keywords
- target
- target object
- neural network
- network model
- 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.)
- Active
Links
- 238000005299 abrasion Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 114
- 238000003062 neural network model Methods 0.000 claims abstract description 93
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000007689 inspection Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012958 reprocessing Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种目标对象的磨损程度检测方法及装置，涉及图像处理技术领域，该方法包括：获取包含待检测目标对象的目标图像；该目标对象包括文字和/或图案；将目标图像输入预先训练得到的神经网络模型中，基于神经网络模型对目标图像中的目标对象进行检测，得到目标对象的磨损程度值；其中，神经网络模型是基于目标训练样本训练得到的，目标训练样本包括多张标注有磨损程度的样本图像。本发明能够提升文字和/或图案的磨损程度检测精度。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种目标对象的磨损程度检测方法及装置。
背景技术
随着产品制造业的日渐发展，产品制造逐步趋于自动化，在生产出大量产品的同时，对于产品的质量检测也成为需要关注的问题，诸如一些带有重要文字或图案的产品，文字或图案确实既会影响产品外观，还会影响产品的日常使用，因此对于产品外观上的文字或图案的检测是十分必要的。以日常生活中的断路器为例，断路器的手柄上印刷有一些重要文字，对于用户用电具有一定的安全提示作用，但是，断路器的生产制造过程中难免会发生碰撞等情况，导致手柄上的文字会有磨损和缺失，生产企业会在产品生产过程中对断路器的外观质量进行检测。然而，传统的断路器手柄文字磨损检测技术，只能检测出断路器上的文字是否被磨损，该技术简单粗暴，导致一些出现轻微磨损且可以看清文字的断路器也被筛选出来重新加工，增加了生产成本。因此，现有的文字或图案磨损检测技术还存在磨损检测精度较低的问题。
发明内容
有鉴于此，本发明的目的在于提供一种目标对象的磨损程度检测方法及装置，能够提升文字和/或图案的磨损程度检测精度。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种目标对象的磨损程度检测方法，包括：获取包含待检测目标对象的目标图像；所述目标对象包括文字和/或图案；将所述目标图像输入预先训练得到的神经网络模型中，基于所述神经网络模型对所述目标图像中的目标对象进行检测，得到所述目标对象的磨损程度值；其中，所述神经网络模型是基于目标训练样本训练得到的，所述目标训练样本包括多张标注有磨损程度的样本图像。
进一步，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述神经网络模型包括卷积层、池化层和全连接层；所述基于所述神经网络模型对所述目标图像中的目标对象进行检测，得到所述目标对象的磨损程度值的步骤，包括：基于所述卷积层从所述目标图像中提取图像特征，并在所述池化层基于提取到的所述图像特征对所述目标图像进行缩放，以定位所述目标对象的目标位置；基于所述全连接层对所述目标位置的图像特征进行信息整合，得到所述目标对象的磨损程度；对所述目标对象的磨损程度进行归一化处理，得到所述目标对象的磨损程度值。
进一步，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述对所述目标对象的磨损程度进行归一化处理，得到所述目标对象的磨损程度值的步骤，包括：利用以下算式计算所述目标对象的磨损程度值：其中，为x为全连接层得到的所述目标对象的磨损程度。
进一步，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述神经网络模型的训练过程包括：获取目标训练样本；将所述目标训练样本输入所述神经网络模型，基于所述目标训练样本对所述神经网络模型进行训练，直至训练结束，得到训练后的神经网络模型。
进一步，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述获取目标训练样本的步骤，包括：在目标采集角度下采集所述目标对象在多种拍摄条件下的样本图像，得到多个样本图像；其中，所述目标采集角度包括多个采集角度，所述目标对象包括不同磨损程度的目标对象；所述拍摄条件包括所述目标对象在拍摄场景中的位置、所述目标对象在拍摄场景中的旋转角度和/或所述目标对象的背景；对所述多个样本图像中的目标对象及目标对象的磨损程度进行标注，得到目标训练样本。
进一步，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述基于所述目标训练样本对所述神经网络模型进行训练的步骤，包括：在所述神经网络模型训练的前向传播过程中，基于预设的目标损失函数计算各个所述目标训练样本的损失值；基于所述损失值对所述神经网络模型进行反向传播以更新所述神经网络模型中的参数。
进一步，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述基于预设的目标损失函数计算各个所述目标训练样本的损失值的步骤，包括：基于所述神经网络模型的全连接层预测所述目标对象的磨损程度，对预测得到的所述目标对象的磨损程度进行归一化处理，以预测所述目标对象的磨损程度值；基于预测得到的所述目标对象的磨损程度值和所述目标对象标注的磨损程度计算所述目标训练样本的损失值。
进一步，本发明实施例提供了第一方面的第七种可能的实施方式，其中，所述预设的目标损失函数的计算算式为：L＝|y-q|；其中，q为预测得到的所述目标对象的磨损程度值，m为预测得到的所述目标对象的磨损程度，y为所述目标对象标注的磨损程度。
进一步，本发明实施例提供了第一方面的第八种可能的实施方式，其中，所述目标训练样本的图像中包括多个目标对象；所述预设的目标损失函数的计算算式为：L＝L1+L2+…+Li；其中，Li＝|yi-qi|，qi为对所述目标训练样本中第i个目标对象预测得到的磨损程度值，yi为所述目标训练样本中第i个目标对象标注的磨损程度。
第二方面，本发明实施例还提供一种目标对象的磨损程度检测装置，包括：图像获取模块，用于获取包含待检测目标对象的目标图像；所述目标对象包括文字和/或图案；图像检测模块，用于将所述目标图像输入预先训练得到的神经网络模型中，基于所述神经网络模型对所述目标图像中的目标对象进行检测，得到所述目标对象的磨损程度值；其中，所述神经网络模型是基于目标训练样本训练得到的，所述目标训练样本包括多张标注有磨损程度的样本图像。
第三方面，本发明实施例提供了一种产品检测系统，所述系统包括：图像采集装置、处理器和存储装置；所述图像采集装置，用于采集包含待检测目标对象的产品图像；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行第一方面任一项所述的方法。
进一步，本发明实施例提供了第三方面的第一种可能的实施方式，其中，所述系统还包括：产品检验装置；所述处理器还用于将运行得到的目标对象的磨损程度值发送至所述产品检验装置；所述产品检验装置用于将所述磨损程度值达到预设阈值的目标对象所属的产品确定为不合格产品，将所述磨损程度值小于所述预设阈值的目标对象所属的产品确定为合格产品。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面任一项所述的方法的步骤。
本发明实施例提供了一种目标对象的磨损程度检测方法及装置，通过获取包含待检测目标对象的目标图像(包括文字和/或图案)；将目标图像输入预先训练得到的神经网络模型(基于目标训练样本训练得到的，该目标训练样本包括多张标注有磨损程度的样本图像)中，基于神经网络模型对目标图像中的目标对象进行检测，得到目标对象的磨损程度值。该方法通过获取带有待检测文字和/或图案的目标图像，并利用预先训练得到的神经网络模型(基于多张标注有磨损程度的样本图像训练得到)对目标图像中的文字和/或图案进行检测，可以自动检测出文字和/或图案的磨损程度值，根据该磨损程度值可以准确确定需要进行重新加工的产品，在节省生产成本的同时，提升了文字和/或图案的磨损程度检测精度。
本发明实施例的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明实施例的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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的附图。
图1示出了本发明实施例所提供的一种电子设备的结构示意图；
图2示出了本发明实施例所提供的一种目标对象的磨损程度检测方法流程图；
图3示出了本发明实施例所提供的一种目标对象检测流程图；
图4示出了本发明实施例所提供的一种目标对象的磨损程度检测装置结构示意图；
图5示出了本发明实施例所提供的另一种目标对象的磨损程度检测装置结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
考虑到现有的文字或图案磨损检测技术还存在检测精度较低的问题，为改善此问题，本发明实施例提供的一种目标对象的磨损程度检测方法及装置，该技术可应用于提升文字和/或图案的磨损程度检测精度。以下对本发明实施例进行详细介绍。
实施例一：
首先，参照图1来描述用于实现本发明实施例的一种目标对象的磨损程度检测方法及装置的示例电子设备100。
如图1所示的一种电子设备的结构示意图，电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108以及图像采集装置110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。
所述处理器102可以采用数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)中的至少一种硬件形式来实现，所述处理器102可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元中的一种或几种的组合，并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如，用户)输出各种信息(例如，图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。
所述图像采集装置110可以拍摄用户期望的图像(例如照片、视频等)，并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。
示例性地，用于实现根据本发明实施例的目标对象的磨损程度检测方法及装置的示例电子设备可以被实现为诸如智能手机、平板电脑、计算机等智能终端。
实施例二：
本实施例提供了一种目标对象的磨损程度检测方法，该方法可以由诸如前述电子设备执行，参见图2所示的目标对象的磨损程度检测方法流程图，该方法主要包括以下步骤S202～步骤S204：
步骤S202，获取包含待检测目标对象的目标图像。
其中，上述目标对象包括文字和/或图案，该目标对象可以是设置于任意设备或器件上的文字和/或图案，通过检测该设备或器件上文字和/或图案的磨损程度，可以得到该设备或器件的磨损程度及当前产品质量。
在实际应用中，可以通过设置于目标对象正上方或正前方的摄像头采集目标对象的目标图像，并将采集到的目标图像发送至用于执行目标对象的磨损程度检测方法的电子设备；也可以直接通过上述执行目标对象的磨损程度检测方法的电子设备采集目标对象的目标图像。上述采集目标对象的目标图像的方式可以是在执行上述目标对象的磨损程度检测方法时实时采集获取的，也可以是获取用户上传的目标对象的目标图像，从而对目标对象进行磨损程度检测，还可以是定时获取目标对象的目标图像，并进行磨损程度检测的，诸如可以根据生产线的产品传输速度定时获取目标图像，该时间间隔可以是两个相邻产品到达图像采集点的时间间隔。
步骤S204，将目标图像输入预先训练得到的神经网络模型中，基于神经网络模型对目标图像中的目标对象进行检测，得到目标对象的磨损程度值。
上述神经网络模型是基于目标训练样本训练得到的，该目标训练样本包括多张标注有磨损程度的样本图像。在对目标训练样本进行标注时，需要标注出目标对象的区域及目标对象的磨损程度，该磨损程度可以用分数表示，也可以用等级表示，诸如用[0，10]之间任意数值表示磨损程度的得分值，得分值越大目标对象的磨损程度越大，或者用英文字母ABCDE表示磨损程度的磨损等级，磨损等级越高表示目标对象的磨损程度越大。为了提升神经网络模型的检测精度，上述目标训练样本中的样本图像可以包括不同磨损程度的目标对象，对于同一目标对象使用不同磨损程度的样本图像对神经网络模型进行训练，可以使训练得到的神经网络模型检测出目标对象的磨损程度值，从而提升磨损程度检测精度。
上述预先训练得到的神经网络模型首先提取目标图像中的特征，根据提取到的特征确定目标对象的位置，检测目标对象的位置上的图像特征，根据检测到的图像特征确定目标对象的磨损程度值。其中，上述神经网络模型输出的目标对象的磨损程度值的输出方式可以与目标训练样本的标注方式相对应，当上述目标训练样本标注的磨损程度为得分值时，上述输出的目标对象的磨损程度值为得分值；当上述目标训练样本标注的磨损程度值为磨损等级时，上述输出的目标对象的磨损程度值为磨损等级。
本实施例提供的上述目标对象的磨损程度检测方法，通过获取带有待检测文字和/或图案的目标图像，并利用预先训练得到的神经网络模型(基于多张标注有磨损程度的样本图像训练得到)对目标图像中的文字和/或图案进行检测，可以自动检测出文字和/或图案的磨损程度值，根据该磨损程度值可以准确确定需要进行重新加工的产品，在节省生产成本的同时，提升了文字和/或图案的磨损程度检测精度。
为了准确地得到目标对象的磨损程度值，本实施例提供了基于神经网络模型对目标图像中的目标对象进行检测，得到目标对象的磨损程度值的实施方式，参见如图3所示的目标对象检测流程图，具体可参照如下步骤S302～步骤S306执行：
步骤S302，基于卷积层从目标图像中提取图像特征，并在池化层基于提取到的图像特征对目标图像进行缩放，以定位目标对象的目标位置。
上述神经网络模型可以是卷积神经网络，包括卷积层、池化层和全连接层。在对目标图像中的目标对象进行检测时，首先基于神经网络模型的卷积层对目标图像进行卷积操作，在卷积操作中会适当对目标图像的大小进行缩放，通过卷积操作提取目标图像的各个局部的图像特征，并根据目标图像中各个局部的图像特征获取目标图像的全局信息。
为了定位到目标对象在目标图像中的目标位置，神经网络模型的池化层基于卷积层提取到的图像特征对目标图像进行下采样，逐步缩小目标图像的大小，从而逐步缩小定位目标位置的范围，进而从缩小后的目标图像中检测定位到目标对象的位置。诸如，上述目标图像中可以同时包括多个目标对象，当上述多个目标对象为断路器各个手柄上的文字时，首先基于预先训练得到的神经网络模型的卷积层提取目标对象的图像特征，根据该图像特征可以检测出目标图像中的手柄区域和非手柄区域，再基于池化层对目标图像进行缩放，将目标图像中非手柄区域逐步去除，得到带有文字的手柄区域，即手柄上文字的目标位置。在一种具体的实施方式中，上述神经网络模型也可以输出目标对象的目标位置，诸如在目标图像中标记出目标对象的目标位置，或者输出目标对象的目标位置中各个像素点的坐标。
步骤S304，基于全连接层对目标位置的图像特征进行信息整合，得到目标对象的磨损程度。
在卷积神经网络结构中，经卷积层和池化层后，连接着一个或多个全连接层，由于全连接层的每一个结点都与上一层的所有结点相连，因此全连接处可以用来把前边网络层提取到的图像特征综合起来，实现对目标对象所在目标位置的图像特征的信息整合，由于上述神经网络模型为预先训练得到的，即该神经网络模型预先学习了目标对象在不同磨损程度下的图像特征，根据整合得到的图像特征信息可以确定文字和/或图案的磨损程度。当上述目标图像中同时包括多个目标对象时，根据各个目标对象的图像特征，可以分别得到各个目标对象的磨损程度。
步骤S306，对目标对象的磨损程度进行归一化处理，得到目标对象的磨损程度值。
利用以下算式计算目标对象的磨损程度值：
其中，为x为全连接层得到的目标对象的磨损程度。利用激活函数对全连接层得到的目标对象的磨损程度进行归一化处理，将上述目标对象的磨损程度转换为0到1之间的具体数值，得到目标对象的磨损程度值，从而更清晰地体现出目标对象的磨损程度。当目标对象的磨损程度值为0时，确定该目标对象未被磨损，当目标对象的磨损程度值为1时，确定该目标对象达到了最严重的磨损程度。
在一种具体的实施方式中，还可以将上述得到的目标对象的磨损程度值转换为磨损等级，诸如，将磨损程度值为[0，0.2]的目标对象的磨损等级确定为A，表示轻微磨损，将磨损程度值为(0.2，0.4]的目标对象的磨损等级确定为B，将磨损程度值为(0.4，0.6]的目标对象的磨损等级确定为C，将磨损程度值为(0.6，0.8]的目标对象的磨损等级确定为D，将磨损程度值为(0.8，1]的目标对象的磨损等级确定为E，并将目标对象的磨损等级作为目标对象的磨损程度值输出。
为了准确地检测到目标对象的磨损程度值，本实施例提供了上述神经网络模型的训练方式，具体可参照如下步骤(1)～步骤(2)执行：
步骤(1)：获取目标训练样本。
在目标采集角度下采集目标对象在多种拍摄条件下的样本图像，得到多个样本图像；其中，上述目标采集角度包括多个采集角度，目标对象包括不同磨损程度的目标对象，上述拍摄条件包括目标对象在拍摄场景中的位置、目标对象在拍摄场景中的旋转角度和/或目标对象的背景。为了提升神经网络模型的磨损程度检测精度，采集多个目标对象(该多个目标对象的磨损程度均不相同)的图像作为样本图像，为了保证训练样本的多样性，可以在不同的拍摄条件下采集样本图像，以使样本图像的背景产生变化，得到多种背景下的样本图像，诸如，可以直接变换目标对象的背景图像，还可以在同一背景图像下移动目标对象在拍摄场景中的位置，以使目标对象的背景图像发生变化，也可以在同一背景图像旋转目标对象，采集目标对象在不同旋转角度下的样本图像，从而采集到同一个目标对象在不同背景或不同采集角度下的样本图像。
对多个样本图像中的目标对象及目标对象的磨损程度进行标注，得到目标训练样本。对上述目标训练样本中的每一个样本图像进行标注，即绘制出目标对象所在位置区域的轮廓，并标注该目标对象的磨损程度，该标注过程也是对样本图像中的目标文字和/或图案的磨损程度进行打分的过程。在一种具体的实施方式中，可以限定目标对象的磨损程度打分区间，诸如该得分区间可以是[0，10]，对目标对象的磨损程度的打分可以根据目标对象的颜色深浅和笔画连续性进行打分。
步骤(2)：将目标训练样本输入神经网络模型，基于目标训练样本对神经网络模型进行训练，直至训练结束，得到训练后的神经网络模型。
将目标训练样本输入神经网络模型，利用梯度下降法对神经网络模型进行迭代训练，在神经网络模型训练的前向传播过程中，基于预设的目标损失函数计算各个目标训练样本的损失值。在计算目标训练样本的损失值时，可以基于神经网络模型的全连接层预测目标对象的磨损程度，对预测得到的目标对象的磨损程度进行归一化处理，以预测目标对象的磨损程度值。基于预测得到的目标对象的磨损程度值和目标对象标注的磨损程度计算目标训练样本的损失值。
当样本图像中包括一个目标对象时，上述预设的目标损失函数的计算算式为：L＝|y-q|。其中，q为预测得到的目标对象的磨损程度值，m为预测得到的目标对象的磨损程度，y为目标对象标注的磨损程度。
当样本图像中包括多个目标对象时，该样本图像的损失值与样本图像中的各个目标对象均相关，将各个目标对象的损失值进行累加，得到该多个目标对象所在样本图像的损失值。上述预设的目标损失函数的计算算式为：L＝L1+L2+…+Li。其中，Li＝|yi-qi|，qi为对目标训练样本中第i个目标对象预测得到的磨损程度值，yi为目标训练样本中第i个目标对象标注的磨损程度。诸如，当样本图像中包括4个目标对象时，该样本图像的损失值的计算算式为：L＝L1+L2+L3+L4＝|y1-q1|+|y2-q2|+|y3-q3|+|y4-q4|，其中，y1为该样本图像中第一个目标对象的标注的磨损程度，q1为对该样本图像中第一个目标对象预测得到的磨损程度值，y2为该样本图像中第二个目标对象的标注的磨损程度，q2为对该样本图像中第二个目标对象预测得到的磨损程度值，y3为该样本图像中第三个目标对象的标注的磨损程度，q3为对该样本图像中第三个目标对象预测得到的磨损程度值，y4为该样本图像中第四个目标对象的标注的磨损程度，q4为对该样本图像中第四个目标对象预测得到的磨损程度值。
基于损失值对神经网络模型进行反向传播以更新神经网络模型中的参数。重复执行上述前向传播和反向传播训练过程，当神经网络模型的迭代次数达到预设的迭代次数时，或者当神经网络模型中目标训练样本的损失值达到预设数值时，训练结束，得到训练后的神经网络模型。
本实施例提供的上述目标对象的磨损程度检测方法，通过利用多种背景及多种磨损程度下的目标训练样本对神经网络模型进行训练，可以对各设备上的文字和/或图案磨损程度进行有效识别，且对设备的摆放角度、设备图像采集距离及光照等条件均没有限制，提升了对于设备磨损程度检测的便捷性。
实施例三：
在前述实施例的基础上，本实施例提供了一种应用前述目标对象的磨损程度检测方法对断路器进行文字检测的示例，具体可参照如下步骤a～步骤d执行：
步骤a：获取预先标注好的目标训练样本。
将断路器各个手柄上的文字作为目标对象，利用摄像头采集多个断路器的图像，该多个断路器包括完全没有磨损的断路器和存在不同程度磨损的断路器。在图像采集过程中，可以将摄像头移动至不同的位置进行图像采集，并将摄像头旋转一定的角度进行图像采集，或者将断路器旋转一定的角度进行图像采集，得到断路器的多个样本图像。对上述多个样本图像中的每个图像进行标注，标注出图像中的断路器各个手柄上的文字及该手柄文字的磨损程度。
步骤b：将目标训练样本输入神经网络模型，基于目标训练样本对神经网络模型进行训练，直至训练结束，得到训练后的神经网络模型。
步骤c：基于训练后的神经网络模型对待检测断路器手柄上的文字进行磨损程度检测，得到断路器手柄文字的磨损程度值。
获取断路器的图像，将断路器的图像输入训练后的神经网络模型中，通过神经网络模型可以检测断路器各个手柄上文字的磨损程度值。诸如，当上述断路器的级数为4级时，神经网络模型可以分别检测断路器4个手柄上文字的磨损程度值，将上述4级断路器的图像输入训练后的神经网络模型后，神经网络模型输出的磨损程度值为[p1,p2,p3,p4]，其中，p1,p2,p3和p4分别为断路器每个手柄上文字的磨损程度值。
步骤d：根据断路器手柄文字的磨损程度值判断断路器手柄是否合格。
将断路器各个手柄上文字的磨损程度值与预设阈值进行比较，当手柄上文字的磨损程度值大于预设阈值时，表示该手柄上文字的磨损程度较大，可以确定该手柄为不合格产品；当手柄上文字的磨损程度值小于预设阈值时，表示该手柄上文字的磨损程度较小，可以确定该手柄为合格产品。上述预设阈值可以根据不同的使用场景设置为不同的值。
本实施例提供的上述断路器手柄文字的磨损检测方法，不仅适用于工厂固定工位的产线上，也可以脱离产线环境进行使用，对断路器的摆放角度、距离、光照等条件均没有严格的要求，用户可以根据不同的使用场景设置不同的阈值来判断该断路器手柄是否存在文字磨损，提升了断路器文字磨损检测的准确性。
实施例四：
对于实施例二中所提供的目标对象的磨损程度检测方法，本发明实施例提供了一种目标对象的磨损程度检测装置，参见图4所示的一种目标对象的磨损程度检测装置结构示意图，该装置包括以下模块：
图像获取模块41，用于获取包含待检测目标对象的目标图像；目标对象包括文字和/或图案。
图像检测模块42，用于将目标图像输入预先训练得到的神经网络模型中，基于神经网络模型对目标图像中的目标对象进行检测，得到目标对象的磨损程度值；其中，神经网络模型是基于目标训练样本训练得到的，目标训练样本包括多张标注有磨损程度的样本图像。
本实施例提供的上述目标对象的磨损程度检测装置，通过获取带有待检测文字和/或图案的目标图像，并利用预先训练得到的神经网络模型(基于多张标注有磨损程度的样本图像训练得到)对目标图像中的文字和/或图案进行检测，可以自动检测出文字和/或图案的磨损程度值，根据该磨损程度值可以准确确定需要进行重新加工的产品，在节省生产成本的同时，提升了文字和/或图案的磨损程度检测精度。
在一种实施方式中，上述神经网络模型包括卷积层、池化层和全连接层；上述图像检测模块42，进一步用于基于卷积层从目标图像中提取图像特征，并在池化层基于提取到的图像特征对目标图像进行缩放，以定位目标对象的目标位置；基于全连接层对目标位置的图像特征进行信息整合，得到目标对象的磨损程度；对目标对象的磨损程度进行归一化处理，得到目标对象的磨损程度值。
在一种实施方式中，上述图像检测模块42，进一步用于利用以下算式计算目标对象的磨损程度值：
其中，为x为全连接层得到的目标对象的磨损程度。
在一种实施方式中，参见如图5所示的另一种目标对象的磨损程度检测装置结构示意图，上述装置还包括：
模型训练模块53，用于获取目标训练样本；将目标训练样本输入神经网络模型，采用梯度下降法对神经网络模型进行训练，直至训练结束，得到训练后的神经网络模型。
在一种实施方式中，上述模型训练模块53，进一步用于在目标采集角度下采集目标对象在多种拍摄条件下的样本图像，得到多个样本图像；其中，目标采集角度包括多个采集角度，目标对象包括不同磨损程度的目标对象；拍摄条件包括目标对象在拍摄场景中的位置、目标对象在拍摄场景中的旋转角度和/或目标对象的背景；对多个样本图像中的目标对象及目标对象的磨损程度进行标注，得到目标训练样本。
在一种实施方式中，上述模型训练模块53，进一步用于在神经网络模型训练的前向传播过程中，基于预设的目标损失函数计算各个目标训练样本的损失值；基于损失值对神经网络模型进行反向传播以更新神经网络模型中的参数。
在一种实施方式中，上述模型训练模块53，进一步用于基于神经网络模型的全连接层预测目标对象的磨损程度，对预测得到的目标对象的磨损程度进行归一化处理，以预测目标对象的磨损程度值；基于预测得到的目标对象的磨损程度值和目标对象标注的磨损程度计算目标训练样本的损失值。
在一种实施方式中，上述预设的目标损失函数的计算算式为：L＝|y-q|；其中，q为预测得到的目标对象的磨损程度值，m为预测得到的目标对象的磨损程度，y为目标对象标注的磨损程度。
在一种实施方式中，上述目标训练样本的图像中包括多个目标对象；上述预设的目标损失函数的计算算式为：L＝L1+L2+…+Li；其中，Li＝|yi-qi|，qi为对目标训练样本中第i个目标对象预测得到的磨损程度值，yi为目标训练样本中第i个目标对象标注的磨损程度。
本实施例提供的上述目标对象的磨损程度检测装置，通过利用多种背景及多种磨损程度下的目标训练样本对神经网络模型进行训练，可以对各设备上的文字和/或图案磨损程度进行有效识别，且对设备的摆放角度、设备图像采集距离及光照等条件均没有限制，提升了对于设备磨损程度检测的便捷性。
本实施例所提供的装置，其实现原理及产生的技术效果和前述实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例五：
对应于前述实施例所提供的方法和装置，本发明实施例还提供了一种产品检测系统，该系统包括：图像采集装置、处理器和存储装置。
上述图像采集装置，用于采集包含待检测目标对象的产品图像。图像采集装置将采集到的产品图像实时发送至处理器，以使处理器根据采集到的产品图像检测产品上的文字和/或图像的磨损程度值。其中，图像采集装置采集产品图像的方式可以是实时采集，也可以是按照预设的时间间隔采集产品图像，该预设时间间隔可以根据产品传输带的传输速度进行设置。
上述存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如实施例二提供的方法。
在一种具体的实施方式中，上述系统还包括产品检验装置。
上述处理器还用于将运行得到的目标对象的磨损程度值发送至产品检验装置。为了保证产品质量检测的准确性，处理器每处理完一个产品的产品图像，得到该产品的磨损程度值时，即自动触发将该产品的磨损程度值发送至产品检验装置。
上述产品检验装置用于将磨损程度值达到预设阈值的目标对象所属的产品确定为不合格产品，将磨损程度值小于预设阈值的目标对象所属的产品确定为合格产品。
在一种具体的实施方式中，上述产品检验装置可以产品的检验结果发送至传输履带的控制器，当上述产品的检验结果为不合格产品时，传输履带的控制器可以发送报警信号至报警器以标示出不合格产品，或者，传输履带的控制器可以控制传输履带将不合格产品传输至指定区域，以便自动筛选出不合格的产品进行重新加工。
本实施例提供的上述产品检测系统，可以自动对工厂生产线上的产品磨损程度进行检测，并根据产品的磨损程度确定合格产品和不合格产品，将不合格产品筛选出来进行重新加工，提升了产品检验精度和产品筛选效率。
实施例五：
本发明实施例提供了一种计算机可读介质，其中，所述计算机可读介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，所述计算机可执行指令促使所述处理器实现上述实施例所述的目标对象的磨损程度检测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。
本发明实施例所提供的目标对象的磨损程度检测方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种目标对象的磨损程度检测方法，其特征在于，包括：
获取包含待检测目标对象的目标图像；所述目标对象包括文字和/或图案；
将所述目标图像输入预先训练得到的神经网络模型中，基于所述神经网络模型对所述目标图像中的目标对象进行检测，得到所述目标对象的磨损程度值；其中，所述神经网络模型是基于目标训练样本训练得到的，所述目标训练样本包括多张标注有磨损程度的样本图像；
其中，所述神经网络模型包括卷积层、池化层和全连接层；
所述基于所述神经网络模型对所述目标图像中的目标对象进行检测，得到所述目标对象的磨损程度值的步骤，包括：
基于所述卷积层从所述目标图像中提取图像特征，并在所述池化层基于提取到的所述图像特征对所述目标图像进行缩放，以定位所述目标对象的目标位置；
基于所述全连接层对所述目标位置的图像特征进行信息整合，得到所述目标对象的磨损程度；
对所述目标对象的磨损程度进行归一化处理，得到所述目标对象的磨损程度值。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标对象的磨损程度进行归一化处理，得到所述目标对象的磨损程度值的步骤，包括：
利用以下算式计算所述目标对象的磨损程度值：
其中，x为全连接层得到的所述目标对象的磨损程度。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述神经网络模型的训练过程包括：
获取目标训练样本；
将所述目标训练样本输入所述神经网络模型，基于所述目标训练样本对所述神经网络模型进行训练，直至训练结束，得到训练后的神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述获取目标训练样本的步骤，包括：
在目标采集角度下采集所述目标对象在多种拍摄条件下的样本图像，得到多个样本图像；其中，所述目标采集角度包括多个采集角度，所述目标对象包括不同磨损程度的目标对象；所述拍摄条件包括所述目标对象在拍摄场景中的位置、所述目标对象在拍摄场景中的旋转角度和/或所述目标对象的背景；
对所述多个样本图像中的目标对象及目标对象的磨损程度进行标注，得到目标训练样本。
5.根据权利要求3所述的方法，其特征在于，所述基于所述目标训练样本对所述神经网络模型进行训练的步骤，包括：
在所述神经网络模型训练的前向传播过程中，基于预设的目标损失函数计算各个所述目标训练样本的损失值；
基于所述损失值对所述神经网络模型进行反向传播以更新所述神经网络模型中的参数。
6.根据权利要求5所述的方法，其特征在于，所述基于预设的目标损失函数计算各个所述目标训练样本的损失值的步骤，包括：
基于所述神经网络模型的全连接层预测所述目标对象的磨损程度，对预测得到的所述目标对象的磨损程度进行归一化处理，以预测所述目标对象的磨损程度值；
基于预测得到的所述目标对象的磨损程度值和所述目标对象标注的磨损程度计算所述目标训练样本的损失值。
7.根据权利要求5所述的方法，其特征在于，所述预设的目标损失函数的计算算式为：L＝|y-q|；
其中，q为预测得到的所述目标对象的磨损程度值，m为预测得到的所述目标对象的磨损程度，y为所述目标对象标注的磨损程度。
8.根据权利要求5所述的方法，其特征在于，所述目标训练样本的图像中包括多个目标对象；
所述预设的目标损失函数的计算算式为：L＝L1+L2+…+Li；
其中，Li＝|yi-qi|，qi为对所述目标训练样本中第i个目标对象预测得到的磨损程度值，yi为所述目标训练样本中第i个目标对象标注的磨损程度。
9.一种目标对象的磨损程度检测装置，其特征在于，包括：
图像获取模块，用于获取包含待检测目标对象的目标图像；所述目标对象包括文字和/或图案；
图像检测模块，用于将所述目标图像输入预先训练得到的神经网络模型中，基于所述神经网络模型对所述目标图像中的目标对象进行检测，得到所述目标对象的磨损程度值；其中，所述神经网络模型是基于目标训练样本训练得到的，所述目标训练样本包括多张标注有磨损程度的样本图像；
其中，所述神经网络模型包括卷积层、池化层和全连接层；所述图像检测模块用于：
基于所述卷积层从所述目标图像中提取图像特征，并在所述池化层基于提取到的所述图像特征对所述目标图像进行缩放，以定位所述目标对象的目标位置；
基于所述全连接层对所述目标位置的图像特征进行信息整合，得到所述目标对象的磨损程度；
对所述目标对象的磨损程度进行归一化处理，得到所述目标对象的磨损程度值。
10.一种产品检测系统，其特征在于，所述系统包括：图像采集装置、处理器和存储装置；
所述图像采集装置，用于采集包含待检测目标对象的产品图像；
所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至8任一项所述的方法。
11.根据权利要求10所述的系统，其特征在于，所述系统还包括：产品检验装置；
所述处理器还用于将运行得到的目标对象的磨损程度值发送至所述产品检验装置；
所述产品检验装置用于将所述磨损程度值达到预设阈值的目标对象所属的产品确定为不合格产品，将所述磨损程度值小于所述预设阈值的目标对象所属的产品确定为合格产品。
12.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至8任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010240158.1A CN111444864B (zh) | 2020-03-30 | 2020-03-30 | 目标对象的磨损程度检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010240158.1A CN111444864B (zh) | 2020-03-30 | 2020-03-30 | 目标对象的磨损程度检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111444864A CN111444864A (zh) | 2020-07-24 |
| CN111444864B true CN111444864B (zh) | 2023-11-17 |
Family
ID=71650849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010240158.1A Active CN111444864B (zh) | 2020-03-30 | 2020-03-30 | 目标对象的磨损程度检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111444864B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183970B (zh) * | 2020-09-15 | 2024-01-23 | 珠海格力电器股份有限公司 | 评估目标设备中选定零件磨损程度的方法及装置 |
| US11961052B2 (en) | 2020-12-15 | 2024-04-16 | Caterpillar Inc. | Systems and methods for wear assessment and part replacement timing optimization |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650831A (zh) * | 2017-01-10 | 2017-05-10 | 北京邮电大学 | 基于特征融合的损伤检测方法及装置 |
| CN109389599A (zh) * | 2018-10-25 | 2019-02-26 | 北京阿丘机器人科技有限公司 | 一种基于深度学习的缺陷检测方法及装置 |
| CN109740617A (zh) * | 2019-01-08 | 2019-05-10 | 国信优易数据有限公司 | 一种图像检测方法及装置 |
| CN109858551A (zh) * | 2019-01-31 | 2019-06-07 | 湖南大学 | 基于图像识别检测结构应力的方法、装置、设备及介质 |
| CN110210536A (zh) * | 2019-05-22 | 2019-09-06 | 北京邮电大学 | 一种光互连系统的物理损伤诊断方法及装置 |
| CN110414140A (zh) * | 2019-07-30 | 2019-11-05 | 同济大学 | 木材损伤的模型训练和测试方法、装置、设备和存储介质 |
-
2020
- 2020-03-30 CN CN202010240158.1A patent/CN111444864B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650831A (zh) * | 2017-01-10 | 2017-05-10 | 北京邮电大学 | 基于特征融合的损伤检测方法及装置 |
| CN109389599A (zh) * | 2018-10-25 | 2019-02-26 | 北京阿丘机器人科技有限公司 | 一种基于深度学习的缺陷检测方法及装置 |
| CN109740617A (zh) * | 2019-01-08 | 2019-05-10 | 国信优易数据有限公司 | 一种图像检测方法及装置 |
| CN109858551A (zh) * | 2019-01-31 | 2019-06-07 | 湖南大学 | 基于图像识别检测结构应力的方法、装置、设备及介质 |
| CN110210536A (zh) * | 2019-05-22 | 2019-09-06 | 北京邮电大学 | 一种光互连系统的物理损伤诊断方法及装置 |
| CN110414140A (zh) * | 2019-07-30 | 2019-11-05 | 同济大学 | 木材损伤的模型训练和测试方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111444864A (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368788B (zh) | 图像识别模型的训练方法、装置及电子设备 | |
| CN109508688B (zh) | 基于骨架的行为检测方法、终端设备及计算机存储介质 | |
| CN107358149B (zh) | 一种人体姿态检测方法和装置 | |
| CN109583449A (zh) | 字符识别方法及相关产品 | |
| CN110880175B (zh) | 一种焊点缺陷检测方法、系统以及设备 | |
| CN105550678A (zh) | 基于全局显著边缘区域的人体动作特征提取方法 | |
| CN111444864B (zh) | 目标对象的磨损程度检测方法及装置 | |
| CN108318773B (zh) | 一种输电导线断股检测方法及系统 | |
| CN113065474A (zh) | 行为识别方法、装置及计算机设备 | |
| CN111881853A (zh) | 一种超大桥隧中异常行为识别方法和装置 | |
| CN116952958B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
| CN115908988B (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
| CN109376736A (zh) | 一种基于深度卷积神经网络的视频小目标检测方法 | |
| CN114066877A (zh) | 图像筛选方法及装置、电子设备和存储介质 | |
| CN113553893A (zh) | 基于深度神经网络的人体跌倒检测方法、装置和电子设备 | |
| Viraktamath et al. | Comparison of YOLOv3 and SSD algorithms | |
| CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
| CN113688820A (zh) | 频闪条带信息识别方法、装置和电子设备 | |
| CN111753796A (zh) | 图像中关键点的识别方法、装置、电子设备及存储介质 | |
| CN115526852A (zh) | 基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用 | |
| CN117576634A (zh) | 基于密度检测的异常分析方法、设备以及存储介质 | |
| CN116630367B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN111695404B (zh) | 行人跌倒检测方法、装置、电子设备及存储介质 | |
| CN116994049A (zh) | 全自动针织横机及其方法 | |
| CN111667450A (zh) | 一种船只数量统计方法、装置及电子设备 |
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 |