CN111680750A - 图像识别方法、装置和设备 - Google Patents

图像识别方法、装置和设备 Download PDF

Info

Publication number
CN111680750A
CN111680750A CN202010518487.8A CN202010518487A CN111680750A CN 111680750 A CN111680750 A CN 111680750A CN 202010518487 A CN202010518487 A CN 202010518487A CN 111680750 A CN111680750 A CN 111680750A
Authority
CN
China
Prior art keywords
flaw
image
original image
area
defect
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
CN202010518487.8A
Other languages
English (en)
Other versions
CN111680750B (zh
Inventor
汤寅航
刁晓淳
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.)
Ainnovation Hefei Technology Co ltd
Original Assignee
Ainnovation Hefei 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 Ainnovation Hefei Technology Co ltd filed Critical Ainnovation Hefei Technology Co ltd
Priority to CN202010518487.8A priority Critical patent/CN111680750B/zh
Publication of CN111680750A publication Critical patent/CN111680750A/zh
Application granted granted Critical
Publication of CN111680750B publication Critical patent/CN111680750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请提供一种图像识别方法、装置和设备，方法包括：获取待测物体的原始图像；识别出所述原始图像上的瑕疵区域；解析所述原始图像上的全部所述瑕疵区域，输出所述待测物体的瑕疵状态信息。本申请实现了通过对待测物体的原始图像进行识别，得出原始图像上的瑕疵区域，然后逐一解析瑕疵区域，最终自动得到待测物体上的瑕疵状态信息，无需人工识别，提高瑕疵识别效率。

Description

图像识别方法、装置和设备
技术领域
本申请涉及信息处理技术领域，具体而言，涉及一种图像识别方法、装置和设备。
背景技术
随着工业制造技术的飞速发展，生产力和生产效率都大大提高，使得笔记本电脑的更新换代越来越快。这也使得消费者对品质的要求越来越高，从原来对笔记本的计算性能到现在的各个方面，尤其对笔记本的外观有着非常严格的要求。
笔记本外壳在生产过程中，一般需要经过冲压、磨砂、抛光等一道道工序，难免会出现划痕等缺陷。目前在工厂中主要依靠质检工人基于人眼进行识别和辨认瑕疵，非常耗费人力物力。并且，笔记本外壳的种类繁多，颜色各异，往往不能把所有可能出现的瑕疵情况都考虑进去。工人往往在最开始的时候检测的比较准，但是随着时间的增加，工人会疲倦，识别的准确率会下降的非常多。
发明内容
本申请实施例的目的在于提供一种图像识别方法、装置和设备，用以实现根据待测物体的原始图像，识别出待测物体上的瑕疵状态信息。
本申请实施例第一方面提供了一种图像识别方法，包括：获取待测物体的原始图像；识别出所述原始图像上的瑕疵区域；解析所述原始图像上的全部所述瑕疵区域，输出所述待测物体的瑕疵状态信息。
于一实施例中，所述识别出所述原始图像上的瑕疵区域，包括：将所述原始图像裁切成预设尺寸的多个子图像；将多个所述子图像输入至预设的瑕疵识别模型，输出每个所述子图像的带有瑕疵的区域框；将每个所述子图像的所述区域框还原至所述原始图像中的对应位置，去除重复的所述区域框，剩余的带有瑕疵的所述区域框作为所述原始图像上的所述瑕疵区域。
于一实施例中，建立所述瑕疵识别模型的步骤包括：采集所述待测物体的多个样本图像，并对每个所述样本图像进行瑕疵标注，生成多个标注图像；将每个所述标注图像裁切成所述预设尺寸的多个子样本图，生成标注样本集；根据所述标注样本集训练神经网络识别模型，生成所述瑕疵识别模型。
于一实施例中，所述解析所述原始图像上的全部所述瑕疵区域，输出所述待测物体的瑕疵状态信息，包括：每个所述瑕疵区域的中心点；分别根据每个所述瑕疵区域的长度信息和宽度信息，对应计算每个所述中心点的邻域；根据多个所述邻域和预设的最小包含点数，对每个所述中心点所在的所述瑕疵区域进行聚类，生成瑕疵区域聚类结果；根据所述瑕疵区域聚类结果，生成所述待测物体的所述瑕疵状态信息。
于一实施例中，所述根据所述瑕疵区域聚类结果，生成所述待测物体的所述瑕疵状态信息，包括：根据所述瑕疵区域聚类结果，分别获取每一个瑕疵区域类别的范围框；分别计算每个所述范围框的对角线长度，以此作为对应瑕疵区域类别的瑕疵长度。
本申请实施例第二方面提供了一种图像识别装置，包括：获取模块，用于获取待测物体的原始图像；识别模块，用于识别出所述原始图像上的瑕疵区域；解析模块，用于解析所述原始图像上的全部所述瑕疵区域，输出所述待测物体的瑕疵状态信息。
于一实施例中，所述识别模块用于：将所述原始图像裁切成预设尺寸的多个子图像；将多个所述子图像输入至预设的瑕疵识别模型，输出每个所述子图像的带有瑕疵的区域框；将每个所述子图像的所述区域框还原至所述原始图像中的对应位置，去除重复的所述区域框，剩余的带有瑕疵的所述区域框作为所述原始图像上的所述瑕疵区域。
于一实施例中，还包括建立模块，所述建立模块用于：采集所述待测物体的多个样本图像，并对每个所述样本图像进行瑕疵标注，生成多个标注图像；将每个所述标注图像裁切成所述预设尺寸的多个子样本图，生成标注样本集；根据所述标注样本集训练神经网络识别模型，生成所述瑕疵识别模型。
于一实施例中，所述解析模块用于：获取每个所述瑕疵区域的中心点；分别根据每个所述瑕疵区域的长度信息和宽度信息，对应计算每个所述中心点的邻域；根据多个所述邻域和预设的最小包含点数，对每个所述中心点所在的所述瑕疵区域进行聚类，生成瑕疵区域聚类结果；根据所述瑕疵区域聚类结果，生成所述待测物体的所述瑕疵状态信息；
于一实施例中，所述根据所述瑕疵区域聚类结果，生成所述待测物体的所述瑕疵状态信息，包括：根据所述瑕疵区域聚类结果，分别获取每一个瑕疵区域类别的范围框；分别计算每个所述范围框的对角线长度，以此作为对应瑕疵区域类别的瑕疵长度。
本申请实施例第三方面提供了一种电子设备，包括：存储器，用以存储计算机程序；处理器，用以执行本申请实施例第一方面及其任一实施例的方法，以识别待测物体的瑕疵状态信息。
本申请提供的图像识别方法、装置和设备，通过对待测物体的原始图像进行识别，得出原始图像上的瑕疵区域，然后逐一解析瑕疵区域，最终自动得到待测物体上的瑕疵状态信息，无需人工识别，提高瑕疵识别效率。
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为本申请一实施例的电子设备的结构示意图；
图2为本申请一实施例的图像识别方法的流程示意图；
图3为本申请一实施例的图像识别方法的流程示意图；
图4为本申请一实施例的样本图像标注的示意图；
图5为本申请一实施例的邻域框的示意图；
图6为本申请一实施例的图像识别装置的结构示意图。
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。在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图1中以一个处理器为例。处理器11和存储器12通过总线10连接，存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部分流程，以识别待测物体的瑕疵状态信息。
于一实施例中，电子设备1可以是手机、笔记本电脑、台式计算机等设备。
于一实施例中，在终端外壳的瑕疵检测场景中，待测物体可以是终端的外壳，瑕疵可以是外壳上的划痕、凹陷、凸起或者色差等信息。
请参看图2，其为本申请一实施例的图像识别方法，该方法可由图1所示的电子设备1来执行，并可应用于终端外壳的瑕疵识别场景中，以实现根据终端外壳的原始图像，自动识别出外壳上的瑕疵状态信息。该方法包括如下步骤：
步骤201：获取待测物体的原始图像。
在本步骤中，待测物体可以是手机、笔记本电脑等终端设备的外壳，可以通过摄像头采集待测物体的原始图像，比如通过拍摄手机外壳的照片，获得原始图像。
步骤202：识别出原始图像上的瑕疵区域。
在本步骤中，瑕疵区域可以是外壳上带有划痕或凹陷等瑕疵的一个区域范围，通过对原始图像进行图像处理，可以将手机外壳上的瑕疵区域圈出来。
步骤203：解析原始图像上的全部瑕疵区域，输出待测物体的瑕疵状态信息。
在本步骤中，对于圈出来的瑕疵区域，逐一进行图像解析，从中解析出终端外壳上的瑕疵状态信息，进而可以为终端设备的生产提供检测信息，促进提升产品质量。
上述图像识别方法，通过采集终端外壳的原始图像，并对原始图像进行处理，圈出瑕疵所在的范围，形成瑕疵区域，然后逐一对瑕疵区域进行解析，进而得到更加准确的瑕疵状态信息，无需人工识别，提高了瑕疵识别效率。
请参看图3，其为本申请一实施例的图像识别方法，该方法可由图1所示的电子设备1来执行，并可应用于终端外壳的瑕疵识别场景中，以实现根据终端外壳的原始图像，自动识别出外壳上的瑕疵状态信息。该方法包括如下步骤：
步骤301：采集待测物体的多个样本图像，并对每个样本图像进行瑕疵标注，生成多个标注图像。
在本步骤中，以笔记本电脑外壳作为待测物体为例，可以首先收集大量生产过程中产生划痕等瑕疵的笔记本外壳，并分别采集外壳的多个样本图像，然后对每个样本图像进行瑕疵标注。如图4所示，以样本图像40中划痕Q的标注为例，可以用矩形框401在样本图像40中进行标注，让划痕Q尽量过矩形框401的对角线，同一条划痕Q上矩形框401的形状接近(大小和长宽比接近)。最终可以得到多个标注图像。
步骤302：将每个标注图像裁切成预设尺寸的多个子样本图，生成标注样本集。
在本步骤中，可以将每个标注图像，按照预设尺寸进行裁切，预设尺寸可以根据实际场景需要进行设定，图像裁切可以便于计算，并可以提高计算精度。比如可以将标注图像裁剪预设尺寸为M*N(M为长度，N为宽度，M和N分别为正数。)的多个子样本图，并将其集合组成标注样本集。
步骤303：根据标注样本集训练神经网络识别模型，生成瑕疵识别模型。
在本步骤中，神经网络结构可以采用faster R-CNN(Regions with CNNfeatures，一种快速卷积神经网络结构)。将步骤302中生成的标注样本集作为训练样本，输入至该神经网络结构中进行模型训练，训练完成后即可建立瑕疵识别模型。一旦出现新样式的外壳，只要进行样本图像的采集标注，迭代更新模型即可。
于一实施例中，可以将训练完成的模型进行在线测试，进一步完善模型的识别精度。
步骤304：获取待测物体的原始图像。详细参见上述实施例中对步骤201的描述。
步骤305：将原始图像裁切成预设尺寸的多个子图像。
在本步骤中，为了匹配使用瑕疵识别模型，可以将外壳的原始图像和模型训练时一样，裁剪为预设尺寸为M*N的多个子图像。
步骤306：将多个子图像输入至预设的瑕疵识别模型，输出每个子图像的带有瑕疵的区域框。
在本步骤中，将裁切得到的多个子图像输入瑕疵识别模型，可以得倒每个子图像上带有瑕疵的区域框。
步骤307：将每个子图像的区域框还原至原始图像中的对应位置，去除重复的区域框，剩余的带有瑕疵的区域框作为原始图像上的瑕疵区域。
在本步骤中，由于步骤306中得到的每个子图像带有瑕疵的区域框可能存在重复，可以将各个子图像得到的区域框还原到原始图像的坐标系中，并可以进行NMS(NonMaximum Suppression，非极大值抑制)处理，来去掉一些重合度非常高的区域框，则剩余的带有瑕疵的区域框即可作为原始图像上的瑕疵区域。
步骤308：获取每个瑕疵区域的中心点。
在本步骤中，可以采用DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，是一个比较有代表性的基于密度的聚类算法)算法，对瑕疵区域进行局部聚类。首先获取聚类的样本点，中心点可以是瑕疵区域的几何中心点，如果瑕疵区域是矩形框，则中心点可以是矩形框的几何中心。分别计算每个瑕疵区域的中心点坐标，作为待聚类的样本点。
步骤309：分别根据每个瑕疵区域的长度信息和宽度信息，对应计算每个中心点的邻域。
在本步骤中，领域的定义：给定对象半径为Ε内的区域称为该对象的Ε邻域。可以以每个瑕疵区域的区域框自身的长和宽分别乘以一个预设因子，然后根据曼哈顿距离的定义，进而得到对应中心点一个领域。如图5所示，以瑕疵区域501为例，其区域框为矩形框，对应的中心点为点P，根据瑕疵区域501的长和宽的大小，结合曼哈顿距离的定义，最终确定其对应的领域框502。同理，每个区域框都可以计算出自己局部的领域。改进的DBSCAN算法，主要改动是对待聚类的样本点，各自定义了一个距离来分别计算对应的邻域，而非经典的算法那样定义了一个统一的距离。
于一实施例中，聚类算法中邻域的度量不仅可以用曼哈顿距离，也可以是其他种类的距离，如余弦距离等。
步骤310：根据多个邻域和预设的最小包含点数，对每个中心点所在的瑕疵区域进行聚类，生成瑕疵区域聚类结果。
在本步骤中，最小包含点数为包含在邻域内的点数，可以根据实际场景的测验数据得到。基于每个样本点的邻域和最小包含点数，采用DBSCAN算法，从多个样本点中找出核心点，然后逐个进行聚类，将离得近的区域框合并成一类，最终生成瑕疵区域的聚类结果。
步骤311：根据瑕疵区域聚类结果，生成待测物体的瑕疵状态信息。
于一实施例中，步骤311可以包括：根据瑕疵区域聚类结果，分别获取每一个瑕疵区域类别的范围框。分别计算每个范围框的对角线长度，以此作为对应瑕疵区域类别的瑕疵长度。
在本步骤中，聚类结果中，两个区域框离得近，说明二者可能属于同一个瑕疵的区域框，会将离得近的区域框合并成一个瑕疵类别的范围框。一个范围框可以代表一个单独的瑕疵类别，以划痕为例，可以用同一瑕疵类别的所有框的外接矩形的对角线长度来近似划痕的长度信息。
请参看图6，其为本申请一实施例的图像识别装置600，该装置可应用于图1所示的电子设备1，并可应用于终端外壳的瑕疵识别场景中，以实现根据终端外壳的原始图像，自动识别出外壳上的瑕疵状态信息。该装置包括：获取模块601、识别模块602和解析模块603，各个模块的原理关系如下：
获取模块601，用于获取待测物体的原始图像。详细参见上述实施例中对步骤201的描述。
识别模块602，用于识别出原始图像上的瑕疵区域。详细参见上述实施例中对步骤202的描述。
解析模块603，用于解析原始图像上的全部瑕疵区域，输出待测物体的瑕疵状态信息。详细参见上述实施例中对步骤203的描述。
于一实施例中，识别模块602用于：将原始图像裁切成预设尺寸的多个子图像。将多个子图像输入至预设的瑕疵识别模型，输出每个子图像的带有瑕疵的区域框。将每个子图像的区域框还原至原始图像中的对应位置，去除重复的区域框，剩余的带有瑕疵的区域框作为原始图像上的瑕疵区域。详细参见上述实施例中对步骤305至步骤307的描述。
于一实施例中，还包括建立模块604，建立模块604用于：采集待测物体的多个样本图像，并对每个样本图像进行瑕疵标注，生成多个标注图像。将每个标注图像裁切成预设尺寸的多个子样本图，生成标注样本集。根据标注样本集训练神经网络识别模型，生成瑕疵识别模型。详细参见上述实施例中对步骤301至步骤303的描述。
于一实施例中，解析模块603用于：获取每个瑕疵区域的中心点。分别根据每个瑕疵区域的长度信息和宽度信息，对应计算每个中心点的邻域。根据多个邻域和预设的最小包含点数，对每个中心点所在的瑕疵区域进行聚类，生成瑕疵区域聚类结果。根据瑕疵区域聚类结果，生成待测物体的瑕疵状态信息。详细参见上述实施例中对步骤308至步骤311的描述。
于一实施例中，根据瑕疵区域聚类结果，生成待测物体的瑕疵状态信息，包括：根据瑕疵区域聚类结果，分别获取每一个瑕疵区域类别的范围框。分别计算每个范围框的对角线长度，以此作为对应瑕疵区域类别的瑕疵长度。详细参见上述实施例中对相关方法的描述。
上述图像识别装置600的详细描述，请参见上述实施例中相关方法步骤的描述。
本发明实施例还提供了一种非暂态电子设备可读存储介质，包括：程序，当其在电子设备上运行时，使得电子设备可执行上述实施例中方法的全部或部分流程。其中，存储介质可为磁盘、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等。存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种图像识别方法，其特征在于，包括：
获取待测物体的原始图像；
识别出所述原始图像上的瑕疵区域；
解析所述原始图像上的全部所述瑕疵区域，输出所述待测物体的瑕疵状态信息。
2.根据权利要求1所述的方法，其特征在于，所述识别出所述原始图像上的瑕疵区域，包括：
将所述原始图像裁切成预设尺寸的多个子图像；
将多个所述子图像输入至预设的瑕疵识别模型，输出每个所述子图像的带有瑕疵的区域框；
将每个所述子图像的所述区域框还原至所述原始图像中的对应位置，去除重复的所述区域框，剩余的带有瑕疵的所述区域框作为所述原始图像上的所述瑕疵区域。
3.根据权利要求2所述的方法，其特征在于，建立所述瑕疵识别模型的步骤包括：
采集所述待测物体的多个样本图像，并对每个所述样本图像进行瑕疵标注，生成多个标注图像；
将每个所述标注图像裁切成所述预设尺寸的多个子样本图，生成标注样本集；
根据所述标注样本集训练神经网络识别模型，生成所述瑕疵识别模型。
4.根据权利要求1所述的方法，其特征在于，所述解析所述原始图像上的全部所述瑕疵区域，输出所述待测物体的瑕疵状态信息，包括：
获取每个所述瑕疵区域的中心点；
分别根据每个所述瑕疵区域的长度信息和宽度信息，对应计算每个所述中心点的邻域；
根据多个所述邻域和预设的最小包含点数，对每个所述中心点所在的所述瑕疵区域进行聚类，生成瑕疵区域聚类结果；
根据所述瑕疵区域聚类结果，生成所述待测物体的所述瑕疵状态信息。
5.根据权利要求4所述的方法，其特征在于，所述根据所述瑕疵区域聚类结果，生成所述待测物体的所述瑕疵状态信息，包括：
根据所述瑕疵区域聚类结果，分别获取每一个瑕疵区域类别的范围框；
分别计算每个所述范围框的对角线长度，以此作为对应瑕疵区域类别的瑕疵长度。
6.一种图像识别装置，其特征在于，包括：
获取模块，用于获取待测物体的原始图像；
识别模块，用于识别出所述原始图像上的瑕疵区域；
解析模块，用于解析所述原始图像上的全部所述瑕疵区域，输出所述待测物体的瑕疵状态信息。
7.根据权利要求6所述的装置，其特征在于，所述识别模块用于：
将所述原始图像裁切成预设尺寸的多个子图像；
将多个所述子图像输入至预设的瑕疵识别模型，输出每个所述子图像的带有瑕疵的区域框；
将每个所述子图像的所述区域框还原至所述原始图像中的对应位置，去除重复的所述区域框，剩余的带有瑕疵的所述区域框作为所述原始图像上的所述瑕疵区域。
8.根据权利要求7所述的装置，其特征在于，还包括建立模块，所述建立模块用于：
采集所述待测物体的多个样本图像，并对每个所述样本图像进行瑕疵标注，生成多个标注图像；
将每个所述标注图像裁切成所述预设尺寸的多个子样本图，生成标注样本集；
根据所述标注样本集训练神经网络识别模型，生成所述瑕疵识别模型。
9.根据权利要求6所述的装置，其特征在于，所述解析模块用于：
获取每个所述瑕疵区域的中心点；
分别根据每个所述瑕疵区域的长度信息和宽度信息，对应计算每个所述中心点的邻域；
根据多个所述邻域和预设的最小包含点数，对每个所述中心点所在的所述瑕疵区域进行聚类，生成瑕疵区域聚类结果；
根据所述瑕疵区域聚类结果，生成所述待测物体的所述瑕疵状态信息；
以及所述根据所述瑕疵区域聚类结果，生成所述待测物体的所述瑕疵状态信息，包括：
根据所述瑕疵区域聚类结果，分别获取每一个瑕疵区域类别的范围框；
分别计算每个所述范围框的对角线长度，以此作为对应瑕疵区域类别的瑕疵长度。
10.一种电子设备，其特征在于，包括：
存储器，用以存储计算机程序；
处理器，用以执行如权利要求1至5中任一项所述的方法，以识别待测物体的瑕疵状态信息。
CN202010518487.8A 2020-06-09 2020-06-09 图像识别方法、装置和设备 Active CN111680750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010518487.8A CN111680750B (zh) 2020-06-09 2020-06-09 图像识别方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010518487.8A CN111680750B (zh) 2020-06-09 2020-06-09 图像识别方法、装置和设备

Publications (2)

Publication Number Publication Date
CN111680750A true CN111680750A (zh) 2020-09-18
CN111680750B CN111680750B (zh) 2022-12-06

Family

ID=72455050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010518487.8A Active CN111680750B (zh) 2020-06-09 2020-06-09 图像识别方法、装置和设备

Country Status (1)

Country Link
CN (1) CN111680750B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308094A (zh) * 2020-11-25 2021-02-02 创新奇智(重庆)科技有限公司 一种图像处理方法、装置、电子设备及存储介质
CN112505049A (zh) * 2020-10-14 2021-03-16 上海互觉科技有限公司 基于蒙版抑制的精密零组件表面缺陷检测方法和系统
CN114581795A (zh) * 2022-05-06 2022-06-03 天津航天中为数据系统科技有限公司 基于深度学习的杆塔绝缘子检测方法
CN116593486A (zh) * 2023-07-18 2023-08-15 佛山市南海德耀纺织实业有限公司 一种布料瑕疵智能检测方法及其相关设备
CN117589771A (zh) * 2023-11-20 2024-02-23 杭州环申新材料科技股份有限公司 一种透明包装袋瑕疵检测系统及方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106770323A (zh) * 2016-12-15 2017-05-31 常州大学 基于层次聚类和Gabor滤波的纺织品瑕疵检测方法
CN106815830A (zh) * 2016-12-13 2017-06-09 中国科学院自动化研究所 图像的缺陷检测方法
CN107036572A (zh) * 2017-04-12 2017-08-11 中国农业大学 一种农机作业面积获取方法及装置
CN107085846A (zh) * 2017-05-08 2017-08-22 湘潭大学 工件表面缺陷图像识别方法
CN108985337A (zh) * 2018-06-20 2018-12-11 中科院广州电子技术有限公司 一种基于图像深度学习的产品表面划痕检测方法
CN109409374A (zh) * 2018-10-11 2019-03-01 东莞市七宝树教育科技有限公司 一种基于联合的同批次试卷答案区域切割方法
US20190095800A1 (en) * 2017-09-28 2019-03-28 Applied Materials Israel Ltd. System, method and computer program product for classifying a multiplicity of items
CN110070526A (zh) * 2019-04-18 2019-07-30 深圳市深视创新科技有限公司 基于深度神经网络热度图预测的缺陷检测方法
CN110473216A (zh) * 2019-08-22 2019-11-19 联想(北京)有限公司 一种图像中目标物的检测方法及装置
CN110796646A (zh) * 2019-10-28 2020-02-14 上海悦易网络信息技术有限公司 一种电子设备屏幕区域瑕疵检测方法与设备
CN110826416A (zh) * 2019-10-11 2020-02-21 佛山科学技术学院 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
CN110827244A (zh) * 2019-10-28 2020-02-21 上海悦易网络信息技术有限公司 一种用于电子设备外观瑕疵检测的方法与设备
CN111199543A (zh) * 2020-01-07 2020-05-26 南京航空航天大学 一种基于卷积神经网络的冰柜表面缺陷检测

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815830A (zh) * 2016-12-13 2017-06-09 中国科学院自动化研究所 图像的缺陷检测方法
CN106770323A (zh) * 2016-12-15 2017-05-31 常州大学 基于层次聚类和Gabor滤波的纺织品瑕疵检测方法
CN107036572A (zh) * 2017-04-12 2017-08-11 中国农业大学 一种农机作业面积获取方法及装置
CN107085846A (zh) * 2017-05-08 2017-08-22 湘潭大学 工件表面缺陷图像识别方法
US20190095800A1 (en) * 2017-09-28 2019-03-28 Applied Materials Israel Ltd. System, method and computer program product for classifying a multiplicity of items
CN108985337A (zh) * 2018-06-20 2018-12-11 中科院广州电子技术有限公司 一种基于图像深度学习的产品表面划痕检测方法
CN109409374A (zh) * 2018-10-11 2019-03-01 东莞市七宝树教育科技有限公司 一种基于联合的同批次试卷答案区域切割方法
CN110070526A (zh) * 2019-04-18 2019-07-30 深圳市深视创新科技有限公司 基于深度神经网络热度图预测的缺陷检测方法
CN110473216A (zh) * 2019-08-22 2019-11-19 联想(北京)有限公司 一种图像中目标物的检测方法及装置
CN110826416A (zh) * 2019-10-11 2020-02-21 佛山科学技术学院 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
CN110796646A (zh) * 2019-10-28 2020-02-14 上海悦易网络信息技术有限公司 一种电子设备屏幕区域瑕疵检测方法与设备
CN110827244A (zh) * 2019-10-28 2020-02-21 上海悦易网络信息技术有限公司 一种用于电子设备外观瑕疵检测的方法与设备
CN111199543A (zh) * 2020-01-07 2020-05-26 南京航空航天大学 一种基于卷积神经网络的冰柜表面缺陷检测

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHENG HAO JIN 等: "A Novel DBSCAN-Based Defect Pattern Detection A Novel DBSCAN-Based Defect Pattern Detection", 《IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》 *
杨树亮 等: "一种出租车载客轨迹空间聚类方法", 《计算机工程与应用》 *
胡峻峰 等: "基于超像素的木材表面缺陷图像分割算法", 《东北林业大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112505049A (zh) * 2020-10-14 2021-03-16 上海互觉科技有限公司 基于蒙版抑制的精密零组件表面缺陷检测方法和系统
CN112505049B (zh) * 2020-10-14 2021-08-03 上海互觉科技有限公司 基于蒙版抑制的精密零组件表面缺陷检测方法和系统
CN112308094A (zh) * 2020-11-25 2021-02-02 创新奇智(重庆)科技有限公司 一种图像处理方法、装置、电子设备及存储介质
CN114581795A (zh) * 2022-05-06 2022-06-03 天津航天中为数据系统科技有限公司 基于深度学习的杆塔绝缘子检测方法
CN116593486A (zh) * 2023-07-18 2023-08-15 佛山市南海德耀纺织实业有限公司 一种布料瑕疵智能检测方法及其相关设备
CN116593486B (zh) * 2023-07-18 2023-12-08 佛山市南海德耀纺织实业有限公司 一种布料瑕疵智能检测方法及其相关设备
CN117589771A (zh) * 2023-11-20 2024-02-23 杭州环申新材料科技股份有限公司 一种透明包装袋瑕疵检测系统及方法

Also Published As

Publication number Publication date
CN111680750B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN111680750B (zh) 图像识别方法、装置和设备
EP3937128A2 (en) Image defect detection method and apparatus, electronic device, storage medium and product
JP2024509411A (ja) 欠陥検出方法、装置及びシステム
Fernandes et al. Pavement pathologies classification using graph-based features
CN111598825B (zh) 数据处理方法、瑕疵的检测方法、计算设备及存储介质
CN109961446B (zh) Ct/mr三维图像分割处理方法、装置、设备及介质
CN112348765A (zh) 数据增强方法、装置、计算机可读存储介质及终端设备
CN114155244B (zh) 缺陷检测方法、装置、设备及存储介质
WO2022100366A1 (zh) 工业缺陷识别方法、系统、计算设备及存储介质
CN115131283A (zh) 目标对象的缺陷检测、模型训练方法、装置、设备及介质
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN115690102B (zh) 缺陷检测方法、装置、电子设备、存储介质和程序产品
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN114419035A (zh) 产品识别方法、模型训练方法、装置和电子设备
CN114764774A (zh) 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN115526885A (zh) 一种产品图像缺陷检测方法、系统、装置及介质
CN114897868A (zh) 极片缺陷识别及模型训练方法、装置及电子设备
CN111598084A (zh) 缺陷分割网络训练方法、装置、设备及可读存储介质
CN114881996A (zh) 缺陷检测方法及装置
CN112686896B (zh) 基于分割网络的频域空间结合的玻璃缺陷检测方法
CN114299040A (zh) 瓷砖瑕疵检测方法、装置和电子设备
CN115546108A (zh) 基于边云协同和ar的汽车轮胎外观质量智能检测方法
CN115393290A (zh) 边缘缺陷检测方法、装置及设备
CN110083807B (zh) 合同的修改影响自动预测方法、装置、介质及电子设备
CN114078109A (zh) 图像处理方法、电子装置和存储介质

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