CN111693534A - 表面缺陷的检测方法、模型训练方法、装置、设备和介质 - Google Patents

表面缺陷的检测方法、模型训练方法、装置、设备和介质 Download PDF

Info

Publication number
CN111693534A
CN111693534A CN202010540227.0A CN202010540227A CN111693534A CN 111693534 A CN111693534 A CN 111693534A CN 202010540227 A CN202010540227 A CN 202010540227A CN 111693534 A CN111693534 A CN 111693534A
Authority
CN
China
Prior art keywords
defect
image
article
model
surface 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.)
Granted
Application number
CN202010540227.0A
Other languages
English (en)
Other versions
CN111693534B (zh
Inventor
林书妃
朱剑锋
苑鹏程
张滨
韩树民
徐英博
冯原
辛颖
王晓迪
刘静伟
文石磊
章宏武
丁二锐
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010540227.0A priority Critical patent/CN111693534B/zh
Publication of CN111693534A publication Critical patent/CN111693534A/zh
Priority to US17/116,597 priority patent/US11763552B2/en
Application granted granted Critical
Publication of CN111693534B publication Critical patent/CN111693534B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • 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
    • G06T2207/30124—Fabrics; Textile; Paper
    • 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)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了表面缺陷的检测方法、模型训练方法、装置、设备和介质，涉及人工智能计算机视觉、深度学习以及云计算领域，具体涉及图像识别技术。具体实现方案为：将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取缺陷检测模型输出的缺陷检测结果；根据缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对缺陷物品表面图像是否存在缺陷进行判别；其中，图像判别模型为已训练的生成对抗网络模型，生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到；根据图像判别模型的判别结果调整缺陷物品表面图像的缺陷检测结果。本申请实施例能够有效降低待测物品表面图像的过杀率。

Description

表面缺陷的检测方法、模型训练方法、装置、设备和介质
技术领域
本申请实施例涉及人工智能计算机视觉、深度学习以及云计算领域，具体涉及图像识别技术。
背景技术
在工业物品生产的过程中，存在对物品表面的缺陷进行检测的需求，且缺陷检测要求较低的漏检率和过杀率。
目前对物品表面缺陷进行检测的方法，或依赖于人工识别，或可以采用自动检测方案。对于采用自动检测方案，由于物品表面的纹理复杂，很容易将物品本身的纹理识别为缺陷，导致物品的过杀率高。过杀是指将正常物品识别为有缺陷的异常物品。
发明内容
本申请实施例提供了一种表面缺陷的检测方法、模型训练方法、装置、设备和介质。
根据第一方面，提供了一种物品表面缺陷的检测方法，包括：
将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取所述缺陷检测模型输出的缺陷检测结果；
根据所述缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对所述缺陷物品表面图像是否存在缺陷进行判别；其中，所述图像判别模型为已训练的生成对抗网络模型，所述生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到；
根据所述图像判别模型的判别结果调整所述缺陷物品表面图像的缺陷检测结果。
根据第二方面，提供了一种物品表面缺陷识别模型的训练方法，包括：
获取无缺陷的良品物品表面图像，作为判别训练样本；
将所述判别训练样本输入生成对抗网络模型进行训练，其中，所述生成对抗网络模型包括生成网络模型和判别网络模型，所述生成网络模型用于基于判别训练样本生成良品物品表面图像，所述判别网络模型用于对生成的良品物品表面图像进行判别；所述生成对抗网络模型用于在检测阶段对已检测到缺陷的缺陷物品表面图像进行是否存在缺陷的判别。
根据第三方面，提供了一种物品表面缺陷的检测装置，包括：
结果获取模块，用于将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取所述缺陷检测模型输出的缺陷检测结果；
缺陷判别模块，用于根据所述缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对所述缺陷物品表面图像是否存在缺陷进行判别；其中，所述图像判别模型为已训练的生成对抗网络模型，所述生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到；
结果调整模块，用于根据所述图像判别模型的判别结果调整所述缺陷物品表面图像的缺陷检测结果。
根据第四方面，提供了一种物品表面缺陷识别模型的训练装置，包括：
样本确定模块，用于获取无缺陷的良品物品表面图像，作为判别训练样本；
模型训练模块，用于将所述判别训练样本输入生成对抗网络模型进行训练，其中，所述生成对抗网络模型包括生成网络模型和判别网络模型，所述生成网络模型用于基于判别训练样本生成良品物品表面图像，所述判别网络模型用于对生成的良品物品表面图像进行判别；所述生成对抗网络模型用于在检测阶段对已检测到缺陷的缺陷物品表面图像进行是否存在缺陷的判别。
根据第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所提供的物品表面缺陷的检测方法；或者执行本申请任意实施例所提供的物品表面缺陷识别模型的训练方法。
根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所提供的物品表面缺陷的检测方法；或者执行本申请任意实施例所提供的物品表面缺陷识别模型的训练方法。
根据本申请实施例的技术解决了对良品物品过杀率较高的问题。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例提供的一种物品表面缺陷的检测方法的流程示意图；
图2是根据本申请实施例提供的另一种物品表面缺陷的检测方法的流程示意图；
图3是根据本申请实施例提供的一种物品表面缺陷识别模型的训练方法的流程示意图；
图4是根据本申请实施例提供的一种物品表面缺陷的检测装置的结构示意图；
图5是根据本申请实施例提供的一种物品表面缺陷识别模型的训练装置的结构示意图；
图6是用来实现本申请实施例的物品表面缺陷的检测方法或者物品表面缺陷识别模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例提供的一种物品表面缺陷的检测方法的流程示意图，本申请实施例可适用于对物品表面缺陷进行检测的情况，可检测的物品例如包括机械加工零件、工艺品、纺织品等各种物品。采用缺陷检测模型确定出缺陷检测结果，并进行再次判别。该方法可由一种物品表面缺陷的检测装置来执行，该装置可采用硬件和/或软件的方式来实现，可配置于电子设备中。该方法具体包括如下：
S110、将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取缺陷检测模型输出的缺陷检测结果。
在本申请实施例中，缺陷检测模型是基于训练样本预先训练得到，其中，训练样本可以包括缺陷训练样本和良品训练样本；缺陷训练样本为通过标注的且具有确定缺陷种类的物品表面图像，良品训练样本为不存在缺陷的物品表面图像；具体的，缺陷训练样本和良品训练样本可以在缺陷物品或者良品物品中采集得到。
本实施例通过预先训练好的缺陷检测模型对待测物品表面图像进行缺陷检测，有效解决了传统检测方法利用肉眼人工对待测物品表面图像进行缺陷分类而导致的分类效率和准确率较低的问题，从而实现快速准确的对待测物品表面图像进行检测。
S120、根据缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对缺陷物品表面图像是否存在缺陷进行判别；其中，图像判别模型为已训练的生成对抗网络模型，生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到。
由于不同待测物品表面图像可能存在复杂纹理，在对待测物品表面图像进行检测时，很容易将待测物品表面图像的纹理识别为缺陷；因此，在本申请实施例中，为了进一步保证对待测物品表面图像检测的准确性，在通过缺陷检测模型对待测物品表面图像检测完后，还需对检测结果中存在缺陷的物品表面图像进行二次判别，以降低待测物品表面图像的过杀率。
其中，图像判别模型是通过良品物品表面图像与缺陷物品表面图像的重构误差来判定缺陷物品表面图像是否存在缺陷。生成对抗网络模型包括两个部分，即生成网络模型和判别网络模型。生成网络模型用于基于判别训练样本生成良品物品表面图像，判别网络模型用于对生成的良品物品表面图像进行判别。判别训练样本采用的是无缺陷的良品物品表面图像。由此，该生成对抗网络模型经过训练，能够基于大量良品物品表面图像的训练样本，产生新的良品物品表面图像；而后由判别网络模型来判定该新的良品物品表面图像是否符合良品的类别。通过此训练，使得生成对抗网络模型能够更加精确的提取良品物品表面图像的特征，区别于缺陷物品表面图像的特征能够更加容易别识别。由此，利用生成对抗网络模型来对前序检测到缺陷物品表面图像进行二次识别。将缺陷物品表面图像输入生成网络模型，经生成网络模型提取缺陷物品表面图像并进行新的物品表面图像的重构；重构的物品表面图像经过判别网络模型的良品判别。由于缺陷物品表面图像经过了生成网络模型的重构处理，因此，缺陷表面区别于良品表面的特征被进一步放大，重构误差增大，由此，判别网络模型将基于强化的重构误差来判定该物品表面图像是良品表面还是缺陷表面。具体的，当良品物品表面图像与缺陷物品表面图像的重构误差大于预设重构误差阈值，则判定缺陷物品表面图像存在缺陷；否则判定缺陷物品表面图像不存在缺陷。
S130、根据图像判别模型的判别结果调整缺陷物品表面图像的缺陷检测结果。
在本申请实施例中，通过比对缺陷检测模型的输出结果与图像判别模型对缺陷检测模型的输出结果的判别结果，来确定待测物品表面图像最终的检测结果，能够提高待测物品表面图像的缺陷检测效率，从而有效避免待测物品表面图像的缺陷误检。
本实施例的技术方案，通过将待测物品表面图像输入缺陷检测模型进行缺陷检测，将缺陷检测结果中确定为存在缺陷的缺陷物品表面图像输入图像判别模型，对其进行二次缺陷判别；并根据图像判别模型的判别结果调整缺陷物品表面图像的缺陷检测结果。能够避免对待测物品表面图像的缺陷误检，从而有效降低待测物品表面图像的过杀率。
本申请实施例还提供了物品表面缺陷的检测方法一个优选实施方式，能够准确有效的确定出待测物品表面图像的检测结果。图2是根据本申请实施例提供的另一种物品表面缺陷的检测方法的流程示意图。具体包括如下：
S210、将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取缺陷检测模型输出的缺陷检测结果。
S220、根据缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对缺陷物品表面图像是否存在缺陷进行判别；其中，图像判别模型为已训练的生成对抗网络模型，生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到。
S230、确定缺陷物品表面图像中是否存在缺陷，如果是，则执行S240，否则，执行S250。
S240、如果判别结果确定缺陷物品表面图像中存在缺陷，则确认缺陷检测模型输出的缺陷检测结果。
S250、如果判别结果确定缺陷物品表面图像中不存在缺陷，则拒绝缺陷检测模型输出的缺陷检测结果。
在本申请实施例中，通过比对图像判别模型的判别结果与缺陷检测模型的缺陷检测结果是否一致，来确定待测物品表面图像的检测结果；若图像判别模型的判别结果与缺陷检测模型的缺陷检测结果一致，表明缺陷检测模型的检测结果正确，则将缺陷检测模型的缺陷检测结果作为待测物品表面图像的检测结果；若图像判别模型的判别结果与缺陷检测模型的缺陷检测结果不一致，表明缺陷检测模型的检测结果错误，则可以将图像判别模型的判别结果作为待测物品表面图像的检测结果，或者也可以报错，提示由人工进行复核。本实施例通过比对图像判别模型的判别结果与缺陷检测模型的缺陷检测结果，能够快速准确的判断出待测物品表面图像的检测结果，从而有效提高检测效率。
可选的，缺陷检测模型输出的缺陷检测结果包括：物品表面所包括缺陷的外接矩形框坐标、缺陷的轮廓坐标和缺陷的类别。
在本申请实施例中，缺陷的外接矩形框坐标为包含缺陷位置的最小矩形框的坐标；缺陷的精细轮廓坐标为包含缺陷的曲线面上的各个点坐标；缺陷的类别可以包括裂纹、划痕、缺碰伤、变形、溶解痕或脏污等。具体的，可以通过坐标映射将缺陷的外接矩形框坐标映射回待测物品表面图像坐标，以及不同子图像中的缺陷去重等处理，其中，待测物品表面图像是由待测原始物品表面图像切分得到；能够准确识别出待测原始物品表面图像中缺陷的外接矩形框坐标、轮廓坐标和缺陷的类别，以使得管理人员对存在缺陷的物品进行统一管理。可选的，物品为机械加工零件，能够提供更为精确的待测物品表面图像，有效提高缺陷检测模型的检测效率。
可选的，S210之前，还包括：如果待测物品表面图像的分辨率与缺陷检测模型的输入图像分辨率不一致，则对待测物品表面图像进行切分，以匹配输入图像分辨率。
由于不同待测物品表面图像的分辨率大小差异和不同缺陷的大小差异较大，导致某些缺陷在待测物品图像中所占比例非常小，不同分辨率的物品表面被调整成相同分辨率，导致缺陷的长宽比发生较大的变化，召回率低。本申请实施例对待测物品表面图像进行切分，将不同分辨率的物品表面图像处理成相同分辨率的图像，有效提高召回率和系统的鲁棒性。
图3是根据本申请实施例提供的一种物品表面缺陷识别模型的训练方法的流程示意图，本申请实施例可适用于根据判别训练样本，训练缺陷识别模型的情况。该方法可由一种物品表面缺陷识别模型的训练装置来执行，该装置可采用硬件和/或软件的方式来实现，可配置于电子设备中。该方法具体包括如下：
S310、获取无缺陷的良品物品表面图像，作为判别训练样本。
在本申请实施例中，利用工业相机在固定的光学环境下对物品的各个不同表面图像进行采集，将不存在缺陷的良品物品表面图像作为判别训练样本，用于训练生成对抗网络模型；其中，良品是指在工业作业中能够进行正常工作的物品。可选的，物品为机械加工零件，能够提供更为精确的良品物品表面图像，有效提高生成对抗网络模型的训练效率。
S320、将判别训练样本输入生成对抗网络模型进行训练，其中，生成对抗网络模型包括生成网络模型和判别网络模型，生成网络模型用于基于判别训练样本生成良品物品表面图像，判别网络模型用于对生成的良品物品表面图像进行判别；生成对抗网络模型用于在检测阶段对已检测到缺陷的缺陷物品表面图像进行是否存在缺陷的判别。
在本申请实施例中，生成对抗网络模型是基于无缺陷的良品物品表面图像训练得出，用于根据生成网络模型中输入的无缺陷的良品物品表面图像生成良品物品表面图像，使得判别网络模型通过良品物品表面图像与缺陷物品表面图像的重构误差来对已检测到缺陷的缺陷物品表面图像进行是否存在缺陷的判别。
本实施例的技术方案，通过无缺陷的良品物品表面图像，对生成对抗网络模型进行训练，用于在检测阶段对已检测到缺陷的缺陷物品表面图像进行是否存在缺陷的判别；能够有效结合检测阶段的缺陷检测模型，实现物品表面缺陷的精准识别。
可选的，本申请实施例的方法还包括：
获取至少一类物品表面分别对应的良品物品表面图像，并获取至少一类缺陷图像，缺陷图像为物品表面存在缺陷的图像；
根据良品物品表面图像和缺陷图像，合并生成缺陷物品表面图像，作为缺陷训练样本；
将缺陷训练样本和作为良品训练样本的良品物品表面图像，输入缺陷检测模型进行训练，其中，缺陷检测模型用于检测物品表面图像中的缺陷。
在本申请实施例中，用工业相机在固定的光学环境下采集良品物品表面图像和缺陷图像，可以合成各种表面包括各种缺陷的缺陷物品表面图像。具体可以是利用可以从单个自然图像中学习的无条件生成模型合并生成缺陷物品表面图像；其中，无条件生成模型可以包括sinGAN、DCGAN或CGAN等；缺陷检测模型可以包括Mask R-CNN、YOLACT或者YOLACT++等。本实施例通过将不同缺陷真实地黏贴在不同良品物品表面上，获取包含不同缺陷的不同物品表面的图像样本作为训练集，使得训练出的缺陷检测模型具有较强的实用性。
可选的，根据良品物品表面图像和缺陷图像，合并生成缺陷物品表面图像包括：
根据良品物品表面图像和缺陷图像，基于非条件生成模型合并生成缺陷物品表面图像。
在本申请实施例中，基于非条件生成模型合并良品物品表面图像和缺陷图像，能够捕捉图像的内部块分布信息，生成具有相同视觉内容的高质量样本，从而有效实现缺陷物品表面图像的快速合并。
可选的，获取至少一类物品表面分别对应的良品物品表面图像，并获取至少一类缺陷图像包括：
采用拍摄设备对至少一个良品物品和至少一个缺陷物品的至少一个表面分别进行拍摄，以获取良品物品表面图像和缺陷物品表面图像；
从缺陷物品表面图像中提取包括缺陷的部分图像，作为缺陷图像，并标注缺陷图像的缺陷种类。
在本申请实施例中，将拍摄设备采集到的缺陷物品表面图像进行处理，得到包括缺陷的部分图像，并标注其缺陷种类，能够对根据缺陷图像和良品物品表面图像合并生成的缺陷物品表面图像进行有效识别，并减少人工标注的工作量。
可选的，根据良品物品表面图像和缺陷图像，合并生成缺陷物品表面图像包括：
将多个良品物品表面图像和多类缺陷图像，分别进行合并处理，以生成多个缺陷物品表面图像，其中，每个缺陷物品表面图像为包括一类缺陷的一类物品表面。
在本申请实施例中，将多个良品物品表面图像和多类缺陷图像进行一一匹配合并，有效解决了训练缺陷检测模型中训练样本类别不均衡和小样本的问题。
可选的，将缺陷训练样本和作为良品训练样本的良品物品表面图像，输入缺陷检测模型进行训练之前，还包括：
按照缺陷检测模型的输入图像分辨率，对缺陷训练样本和良品训练样本进行切分，以保留与输入图像分辨率相同的部分图像，更新为缺陷训练样本和良品训练样本。
在本申请实施例中，需要对缺陷检测模型的训练样本进行分辨率的统一，若检测到训练样本的图像分辨率与预设图像分辨率不同，则将训练样本的物品表面图像切分为与预设图像分辨率相同的图像，将该图像作为训练样本。在训练缺陷检测模型之前，统一训练样本的图像分辨率，既达到样本数据增广的目的，同时又能够减小训练样本图像分辨率不同导致缺陷尺寸伸缩的影响。
图4根据本申请实施例提供的一种物品表面缺陷的检测装置的结构示意图，本实施例可适用于对物品表面缺陷进行检测的情况，该装置配置于电子设备中，可实现本申请任意实施例所述的物品表面缺陷的检测方法。自然语言语义处理装置400具体包括如下：
结果获取模块410，用于将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取所述缺陷检测模型输出的缺陷检测结果；
缺陷判别模块420，用于根据所述缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对所述缺陷物品表面图像是否存在缺陷进行判别；其中，所述图像判别模型为已训练的生成对抗网络模型中，所述生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到；
结果调整模块430，用于根据所述图像判别模型的判别结果调整所述缺陷物品表面图像的缺陷检测结果。
可选的，所述缺陷检测模型输出的缺陷检测结果包括：物品表面所包括缺陷的外接矩形框坐标、缺陷的轮廓坐标和缺陷的类别。
可选的，结果调整模块430，具体用于：
如果所述判别结果确定所述缺陷物品表面图像中存在缺陷，则确认所述缺陷检测模型输出的缺陷检测结果；
如果所述判别结果确定所述缺陷物品表面图像中不存在缺陷，则拒绝所述缺陷检测模型输出的缺陷检测结果。
可选的，还包括：
图像切分模块，用于如果待测物品表面图像的分辨率与所述缺陷检测模型的输入图像分辨率不一致，则对所述待测物品表面图像进行切分，以匹配所述输入图像分辨率。
可选的，所述物品为机械加工零件。
本实施例的技术方案，能够避免对待测物品表面图像的缺陷误检，从而有效降低待测物品表面图像的过杀率。
图5根据本申请实施例提供的一种物品表面缺陷识别模型的训练装置的结构示意图，本实施例可适用于根据判别训练样本，训练缺陷识别模型的情况，该装置配置于电子设备中，可实现本申请任意实施例所述的物品表面缺陷识别模型的训练方法。物品表面缺陷识别模型的训练装置500具体包括如下：
样本确定模块510，用于获取无缺陷的良品物品表面图像，作为判别训练样本；
模型训练模块520，用于将所述判别训练样本输入生成对抗网络模型进行训练，其中，所述生成对抗网络模型包括生成网络模型和判别网络模型，所述生成网络模型用于基于判别训练样本生成良品物品表面图像，所述判别网络模型用于对生成的良品物品表面图像进行判别；所述生成对抗网络模型用于在检测阶段对已检测到缺陷的缺陷物品表面图像进行是否存在缺陷的判别。
可选的，还包括：
图像获取模块，用于获取至少一类物品表面分别对应的良品物品表面图像，并获取至少一类缺陷图像，所述缺陷图像为物品表面存在缺陷的图像；
图像合并模块，用于根据所述良品物品表面图像和缺陷图像，合并生成缺陷物品表面图像，作为缺陷训练样本；
模型训练模块520，还用于将所述缺陷训练样本和作为良品训练样本的良品物品表面图像，输入缺陷检测模型进行训练，其中，所述缺陷检测模型用于检测物品表面图像中的缺陷。
可选的，图像合并模块，具体用于：
根据所述良品物品表面图像和缺陷图像，基于非条件生成模型合并生成缺陷物品表面图像。
可选的，图像获取模块，具体用于：
采用拍摄设备对至少一个良品物品和至少一个缺陷物品的至少一个表面分别进行拍摄，以获取良品物品表面图像和缺陷物品表面图像；
从所述缺陷物品表面图像中提取包括缺陷的部分图像，作为所述缺陷图像，并标注缺陷图像的缺陷种类。
可选的，图像合并模块，具体用于：
将多个良品物品表面图像和多类缺陷图像，分别进行合并处理，以生成多个缺陷物品表面图像，其中，每个缺陷物品表面图像为包括一类缺陷的一类物品表面。
可选的，还包括：
样本更新模块，用于按照所述缺陷检测模型的输入图像分辨率，对所述缺陷训练样本和良品训练样本进行切分，以保留与所述输入图像分辨率相同的部分图像，更新为所述缺陷训练样本和良品训练样本。
可选的，所述物品为机械加工零件。
本实施例的技术方案，能够有效结合检测阶段的缺陷检测模型，实现物品表面缺陷的精准识别。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的物品表面缺陷的检测方法或者物品表面缺陷识别模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的物品表面缺陷的检测方法或者物品表面缺陷识别模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的物品表面缺陷的检测方法或者物品表面缺陷识别模型的训练方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的物品表面缺陷的检测方法或者物品表面缺陷识别模型的训练方法对应的程序指令/模块。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的物品表面缺陷的检测方法或者物品表面缺陷识别模型的训练方法。
存储器602可以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、至少一个功能所需要的应用程序；存储数据区可存储根据物品表面缺陷的检测或者物品表面缺陷识别模型的训练的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至物品表面缺陷的检测或者物品表面缺陷识别模型的训练的电子设备。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。
物品表面缺陷的检测或者物品表面缺陷识别模型的训练的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与物品表面缺陷的检测或者物品表面缺陷识别模型的训练的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，能够避免对待测物品表面图像的缺陷误检，从而有效降低待测物品表面图像的过杀率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种物品表面缺陷的检测方法，其特征在于，包括：
将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取所述缺陷检测模型输出的缺陷检测结果；
根据所述缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对所述缺陷物品表面图像是否存在缺陷进行判别；其中，所述图像判别模型为已训练的生成对抗网络模型，所述生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到；
根据所述图像判别模型的判别结果调整所述缺陷物品表面图像的缺陷检测结果。
2.根据权利要求1所述的方法，其特征在于，所述缺陷检测模型输出的缺陷检测结果包括：物品表面所包括缺陷的外接矩形框坐标、缺陷的轮廓坐标和缺陷的类别。
3.根据权利要求1所述的方法，其特征在于，根据所述图像判别模型的判别结果调整所述缺陷物品表面图像的缺陷检测结果包括：
如果所述判别结果确定所述缺陷物品表面图像中存在缺陷，则确认所述缺陷检测模型输出的缺陷检测结果；
如果所述判别结果确定所述缺陷物品表面图像中不存在缺陷，则拒绝所述缺陷检测模型输出的缺陷检测结果。
4.根据权利要求1所述的方法，其特征在于，将待测物品表面图像输入缺陷检测模型进行缺陷检测之前，还包括：
如果待测物品表面图像的分辨率与所述缺陷检测模型的输入图像分辨率不一致，则对所述待测物品表面图像进行切分，以匹配所述输入图像分辨率。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述物品为机械加工零件。
6.一种物品表面缺陷识别模型的训练方法，其特征在于，包括：
获取无缺陷的良品物品表面图像，作为判别训练样本；
将所述判别训练样本输入生成对抗网络模型进行训练，其中，所述生成对抗网络模型包括生成网络模型和判别网络模型，所述生成网络模型用于基于判别训练样本生成良品物品表面图像，所述判别网络模型用于对生成的良品物品表面图像进行判别；所述生成对抗网络模型用于在检测阶段对已检测到缺陷的缺陷物品表面图像进行是否存在缺陷的判别。
7.根据权利要求6所述的方法，其特征在于，还包括：
获取至少一类物品表面分别对应的良品物品表面图像，并获取至少一类缺陷图像，所述缺陷图像为物品表面存在缺陷的图像；
根据所述良品物品表面图像和缺陷图像，合并生成缺陷物品表面图像，作为缺陷训练样本；
将所述缺陷训练样本和作为良品训练样本的良品物品表面图像，输入缺陷检测模型进行训练，其中，所述缺陷检测模型用于检测物品表面图像中的缺陷。
8.根据权利要求7所述的方法，其特征在于，根据所述良品物品表面图像和缺陷图像，合并生成缺陷物品表面图像包括：
根据所述良品物品表面图像和缺陷图像，基于非条件生成模型合并生成缺陷物品表面图像。
9.根据权利要求7所述的方法，其特征在于，获取至少一类物品表面分别对应的良品物品表面图像，并获取至少一类缺陷图像包括：
采用拍摄设备对至少一个良品物品和至少一个缺陷物品的至少一个表面分别进行拍摄，以获取良品物品表面图像和缺陷物品表面图像；
从所述缺陷物品表面图像中提取包括缺陷的部分图像，作为所述缺陷图像，并标注缺陷图像的缺陷种类。
10.根据权利要求9所述的方法，其特征在于，根据所述良品物品表面图像和缺陷图像，合并生成缺陷物品表面图像包括：
将多个良品物品表面图像和多类缺陷图像，分别进行合并处理，以生成多个缺陷物品表面图像，其中，每个缺陷物品表面图像为包括一类缺陷的一类物品表面。
11.根据权利要求7所述的方法，其特征在于，将所述缺陷训练样本和作为良品训练样本的良品物品表面图像，输入缺陷检测模型进行训练之前，还包括：
按照所述缺陷检测模型的输入图像分辨率，对所述缺陷训练样本和良品训练样本进行切分，以保留与所述输入图像分辨率相同的部分图像，更新为所述缺陷训练样本和良品训练样本。
12.根据权利要求6-11中任一项所述的方法，其特征在于，所述物品为机械加工零件。
13.一种物品表面缺陷的检测装置，其特征在于，包括：
结果获取模块，用于将待测物品表面图像输入缺陷检测模型进行缺陷检测，并获取所述缺陷检测模型输出的缺陷检测结果；
缺陷判别模块，用于根据所述缺陷检测结果，将确定为存在缺陷的缺陷物品表面图像输入图像判别模型，以对所述缺陷物品表面图像是否存在缺陷进行判别；其中，所述图像判别模型为已训练的生成对抗网络模型，所述生成对抗网络模型采用无缺陷的良品物品表面图像进行训练而得到；
结果调整模块，用于根据所述图像判别模型的判别结果调整所述缺陷物品表面图像的缺陷检测结果。
14.一种物品表面缺陷识别模型的训练装置，其特征在于，包括：
样本确定模块，用于获取无缺陷的良品物品表面图像，作为判别训练样本；
模型训练模块，用于将所述判别训练样本输入生成对抗网络模型进行训练，其中，所述生成对抗网络模型包括生成网络模型和判别网络模型，所述生成网络模型用于基于判别训练样本生成良品物品表面图像，所述判别网络模型用于对生成的良品物品表面图像进行判别；所述生成对抗网络模型用于在检测阶段对已检测到缺陷的缺陷物品表面图像进行是否存在缺陷的判别。
15.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法；或者执行权利要求6-12中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法；或者执行权利要求6-12中任一项所述的方法。
CN202010540227.0A 2020-06-12 2020-06-12 表面缺陷的检测方法、模型训练方法、装置、设备和介质 Active CN111693534B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010540227.0A CN111693534B (zh) 2020-06-12 2020-06-12 表面缺陷的检测方法、模型训练方法、装置、设备和介质
US17/116,597 US11763552B2 (en) 2020-06-12 2020-12-09 Method for detecting surface defect, method for training model, apparatus, device, and media

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010540227.0A CN111693534B (zh) 2020-06-12 2020-06-12 表面缺陷的检测方法、模型训练方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN111693534A true CN111693534A (zh) 2020-09-22
CN111693534B CN111693534B (zh) 2023-09-15

Family

ID=72480994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010540227.0A Active CN111693534B (zh) 2020-06-12 2020-06-12 表面缺陷的检测方法、模型训练方法、装置、设备和介质

Country Status (2)

Country Link
US (1) US11763552B2 (zh)
CN (1) CN111693534B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012097A (zh) * 2021-01-19 2021-06-22 富泰华工业（深圳）有限公司 图像复检方法、计算机装置及存储介质
CN113222967A (zh) * 2021-05-28 2021-08-06 长江存储科技有限责任公司 晶圆的检测方法及系统
CN114078127A (zh) * 2022-01-20 2022-02-22 广州里工实业有限公司 物件的缺陷检测及计数方法、装置、设备和存储介质
CN114567964A (zh) * 2022-02-11 2022-05-31 科逻技术(深圳)有限公司 一种新型的电池专用柔性线路板
CN115346068A (zh) * 2022-08-02 2022-11-15 哈尔滨市科佳通用机电股份有限公司 一种铁路货运列车螺栓丢失故障图像自动生成方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581463B (zh) * 2020-12-25 2024-02-27 北京百度网讯科技有限公司 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN114926415A (zh) * 2022-05-06 2022-08-19 东莞灵虎智能科技有限公司 一种基于pcnn与深度学习的钢轨表面检测方法
CN115829912A (zh) * 2022-07-29 2023-03-21 宁德时代新能源科技股份有限公司 检测电芯表面缺陷的方法和装置
CN115661134B (zh) * 2022-12-08 2023-03-21 浙江霖研精密科技有限公司 基于生成对抗网络的缺陷样本生成系统、方法和存储介质
CN115661157B (zh) * 2022-12-28 2023-04-14 成都数之联科技股份有限公司 面板圆类缺陷检测方法、装置、介质、设备及程序产品
CN116091486B (zh) * 2023-03-01 2024-02-06 合肥联宝信息技术有限公司 表面缺陷检测方法、装置、电子设备及存储介质
CN116342607B (zh) * 2023-05-30 2023-08-08 尚特杰电力科技有限公司 输电线缺陷的识别方法、装置、电子设备及存储介质
CN117853481B (zh) * 2024-03-04 2024-05-24 枣庄矿业集团新安煤业有限公司 一种零速度乘人装置的直线导轨表面缺陷测量方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154508A (zh) * 2018-01-09 2018-06-12 北京百度网讯科技有限公司 产品缺陷检测定位的方法、装置、存储介质及终端设备
CN108291878A (zh) * 2015-11-17 2018-07-17 科磊股份有限公司 单一图像检测
US20180293721A1 (en) * 2017-04-07 2018-10-11 Kla-Tencor Corporation Contour based defect detection
CN108846841A (zh) * 2018-07-02 2018-11-20 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
CN108918527A (zh) * 2018-05-15 2018-11-30 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的印刷品缺陷检测方法
CN110378900A (zh) * 2019-08-01 2019-10-25 北京迈格威科技有限公司 产品缺陷的检测方法、装置及系统
US20190378263A1 (en) * 2018-06-08 2019-12-12 Industrial Technology Research Institute Industrial image inspection method and system and computer readable recording medium
CN110619618A (zh) * 2018-06-04 2019-12-27 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN110726724A (zh) * 2019-10-22 2020-01-24 北京百度网讯科技有限公司 缺陷检测方法、系统和装置
CN110796637A (zh) * 2019-09-29 2020-02-14 郑州金惠计算机系统工程有限公司 图像缺陷检测模型的训练、测试方法、装置及存储介质
US20200098101A1 (en) * 2018-09-21 2020-03-26 Kla-Tencor Corporation Super-Resolution Defect Review Image Generation Through Generative Adversarial Networks
CN110992315A (zh) * 2019-11-18 2020-04-10 上海集成电路研发中心有限公司 一种基于生成式对抗网络的芯片表面缺陷分类装置和方法
CN111144477A (zh) * 2019-12-25 2020-05-12 浙江工业大学之江学院 一种钢材表面缺陷的训练样本生成方法、系统及电子设备
CN111223093A (zh) * 2020-03-04 2020-06-02 武汉精立电子技术有限公司 一种aoi缺陷检测方法
US20210001526A1 (en) * 2018-03-23 2021-01-07 The Japan Streel Works, Ltd. Injection molding machine system

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11084225B2 (en) * 2018-04-02 2021-08-10 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence process control in additive manufacturing
US11501438B2 (en) * 2018-04-26 2022-11-15 Elekta, Inc. Cone-beam CT image enhancement using generative adversarial networks

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108291878A (zh) * 2015-11-17 2018-07-17 科磊股份有限公司 单一图像检测
US20180293721A1 (en) * 2017-04-07 2018-10-11 Kla-Tencor Corporation Contour based defect detection
CN108154508A (zh) * 2018-01-09 2018-06-12 北京百度网讯科技有限公司 产品缺陷检测定位的方法、装置、存储介质及终端设备
US20210001526A1 (en) * 2018-03-23 2021-01-07 The Japan Streel Works, Ltd. Injection molding machine system
CN108918527A (zh) * 2018-05-15 2018-11-30 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的印刷品缺陷检测方法
CN110619618A (zh) * 2018-06-04 2019-12-27 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
US20190378263A1 (en) * 2018-06-08 2019-12-12 Industrial Technology Research Institute Industrial image inspection method and system and computer readable recording medium
CN108846841A (zh) * 2018-07-02 2018-11-20 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
US20200098101A1 (en) * 2018-09-21 2020-03-26 Kla-Tencor Corporation Super-Resolution Defect Review Image Generation Through Generative Adversarial Networks
CN110378900A (zh) * 2019-08-01 2019-10-25 北京迈格威科技有限公司 产品缺陷的检测方法、装置及系统
CN110796637A (zh) * 2019-09-29 2020-02-14 郑州金惠计算机系统工程有限公司 图像缺陷检测模型的训练、测试方法、装置及存储介质
CN110726724A (zh) * 2019-10-22 2020-01-24 北京百度网讯科技有限公司 缺陷检测方法、系统和装置
CN110992315A (zh) * 2019-11-18 2020-04-10 上海集成电路研发中心有限公司 一种基于生成式对抗网络的芯片表面缺陷分类装置和方法
CN111144477A (zh) * 2019-12-25 2020-05-12 浙江工业大学之江学院 一种钢材表面缺陷的训练样本生成方法、系统及电子设备
CN111223093A (zh) * 2020-03-04 2020-06-02 武汉精立电子技术有限公司 一种aoi缺陷检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
王昕钰等: "基于三级级联架构的接触网定位管开口销缺陷检测", 《仪器仪表学报》 *
王昕钰等: "基于三级级联架构的接触网定位管开口销缺陷检测", 《仪器仪表学报》, no. 10, 15 October 2019 (2019-10-15), pages 77 - 86 *
王超等: "基于卷积神经网络的磁瓦缺陷检测研究", 《大连民族大学学报》 *
王超等: "基于卷积神经网络的磁瓦缺陷检测研究", 《大连民族大学学报》, no. 03, 15 May 2019 (2019-05-15), pages 30 - 34 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012097A (zh) * 2021-01-19 2021-06-22 富泰华工业（深圳）有限公司 图像复检方法、计算机装置及存储介质
CN113012097B (zh) * 2021-01-19 2023-12-29 富泰华工业（深圳）有限公司 图像复检方法、计算机装置及存储介质
CN113222967A (zh) * 2021-05-28 2021-08-06 长江存储科技有限责任公司 晶圆的检测方法及系统
CN114078127A (zh) * 2022-01-20 2022-02-22 广州里工实业有限公司 物件的缺陷检测及计数方法、装置、设备和存储介质
CN114078127B (zh) * 2022-01-20 2022-05-17 广州里工实业有限公司 物件的缺陷检测及计数方法、装置、设备和存储介质
CN114567964A (zh) * 2022-02-11 2022-05-31 科逻技术(深圳)有限公司 一种新型的电池专用柔性线路板
CN115346068A (zh) * 2022-08-02 2022-11-15 哈尔滨市科佳通用机电股份有限公司 一种铁路货运列车螺栓丢失故障图像自动生成方法

Also Published As

Publication number Publication date
US20210390682A1 (en) 2021-12-16
US11763552B2 (en) 2023-09-19
CN111693534B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN111693534B (zh) 表面缺陷的检测方法、模型训练方法、装置、设备和介质
CN111833306B (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN112581463B (zh) 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN111986178A (zh) 产品缺陷检测方法、装置、电子设备和存储介质
KR20190063839A (ko) 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템
CN111768381A (zh) 零部件缺陷检测方法、装置及电子设备
CN111784663B (zh) 零部件的检测方法、装置、电子设备及存储介质
CN112241452B (zh) 一种模型训练方法、装置、电子设备及存储介质
CN111833303A (zh) 产品的检测方法、装置、电子设备及存储介质
CN111179250B (zh) 一种基于多任务学习的工业品缺陷检测系统
US11508162B2 (en) Method and apparatus for detecting mobile traffic light
CN106290392A (zh) 一种小微轴承表面凹痕缺陷在线检测方法及其系统
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN113222967A (zh) 晶圆的检测方法及系统
US20220076404A1 (en) Defect management apparatus, method and non-transitory computer readable medium
CN111539438A (zh) 文本内容的识别方法、装置及电子设备
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN115908988A (zh) 一种缺陷检测模型生成方法、装置、设备以及存储介质
CN115937101A (zh) 质量检测方法、装置、设备及存储介质
CN111696095B (zh) 用于检测物体表面缺陷的方法及装置
CN117333443A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
JP2013205320A (ja) 検査条件決定方法、検査方法および検査装置
Yang et al. Welding wires centerline detection method based on image gradient segmentation
CN112288696B (zh) 一种辅助质检方法、装置、电子设备及存储介质
KR102686135B1 (ko) 인공지능을 활용한 결함 검사 방법 및 인공지능을 활용한 결함 검사 장치

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