CN111696092A - 一种基于特征对比的缺陷检测方法及系统、存储介质 - Google Patents

一种基于特征对比的缺陷检测方法及系统、存储介质 Download PDF

Info

Publication number
CN111696092A
CN111696092A CN202010532060.3A CN202010532060A CN111696092A CN 111696092 A CN111696092 A CN 111696092A CN 202010532060 A CN202010532060 A CN 202010532060A CN 111696092 A CN111696092 A CN 111696092A
Authority
CN
China
Prior art keywords
image
detected
detection
feature
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
CN202010532060.3A
Other languages
English (en)
Other versions
CN111696092B (zh
Inventor
杨洋
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.)
Shenzhen Huahan Weiye Technology Co ltd
Original Assignee
Shenzhen Huahan Weiye 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 Shenzhen Huahan Weiye Technology Co ltd filed Critical Shenzhen Huahan Weiye Technology Co ltd
Priority to CN202010532060.3A priority Critical patent/CN111696092B/zh
Publication of CN111696092A publication Critical patent/CN111696092A/zh
Application granted granted Critical
Publication of CN111696092B publication Critical patent/CN111696092B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Abstract

一种基于特征对比的缺陷检测方法及系统、存储介质，其中缺陷检测方法包括：获取待检测物体的检测图像和所述待检测物体对应的标准品的基准图像；对所述检测图像和所述基准图像分别进行图像特征的编码处理，提取得到各自对应的高级特征；将所述高级特征通过特征的差分和组合处理，得到组合特征图像；利用所述组合特征图像对所述检测图像进行缺陷分割，得到所述待检测物体的缺陷特征。由于依据待检测物体的检测图像和待检测物体对应的标准品的基准图像来对检测图像进行缺陷特征的检测，使得检测图像和基准图像之间能够方便地进行特征对比，从而提高缺陷检测的准确率和稳定性。

Description

一种基于特征对比的缺陷检测方法及系统、存储介质
技术领域
本发明涉及图像处理技术，具体涉及一种基于特征对比的物体缺陷检测方法及系统、存储介质。
背景技术
目前，常用的物体表面特征的缺陷检测方法主要有基于统计的方法、基于频谱分析的方法和基于模型的方法。其中，基于统计的方法主要是通过计算某个区域内的特征值作为纹理特征，该纹理特征能用于刻画区域内一致性以及区域间差异性，比如基于统计的疵点检测算法可以包括共生矩阵、互相关、形态学、分形维数等。其中，基于频域的方法通常是利用傅里叶变换、Gabor变换和小波变换等频谱分析算法将图像转换到频域空间，并对图像的频率特性或周期特性进行分析。其中，基于模型的方法是一种控制模型参数分布的方法，模型参数表征图像特征，选择合适的模型和选择合适的计算模型参数是相当关键的。以上介绍的缺陷检测方法都需要针对特定检测对象而选择模型或者特征信息，具有通用性差、缺乏适应性的劣势，无法满足工业的快速部署要求。
此外，还有一种基于模板进行差分检测的缺陷检测方法，该方法也可称作黄金模板匹配方法，采用该方法虽然能够获取待检测物体的良品图像信息，也能够根据模板将其变换到模板的标准位置来获取图像的均值和方差信息，还能够根据图像的灰度差欧氏距离进行判断，但是该方法的环境适应性较差，容易受到外界环境光的影响，从而降低缺陷检测的质量。
总体来说，当前的缺陷检测方法还存在一些不足，通用性能差且容易受到外界环境光和物体表面差异性的影响，往往引起检测稳定性差、调试时间长等问题，为工业的快速部署带来一定困难。具体地，不足主要表面在：(1)当前工业中获取良品样本较容易，获取生产过程中的缺陷样本困难，导致良品样本多，缺陷样本少，样本数据不均衡；(2)生产过程中，工件产品存在公差，完全依赖于物体的刚体变换，容易造成误检；(3)特征提取需要依赖于算法开发人员经验进行设计和选择，在经过频繁测试和开发之后才能应用，导致效率低、部署时间长的问题；(4)缺陷检测算法通用性差，针对不同产品需要进行定制算法开发，增大了工业部署的应用成本。
发明内容
本发明主要解决的技术问题是：如何克服现有物体表面特征缺陷检测方法中存在的通用性、稳定性差的不足，提高缺陷检测方法在工业应用中的快速部署能力。为解决上述技术问题，本申请公开一种基于特征对比的缺陷检测方法及系统、存储介质。
根据第一方面，一种实施例中提供一种基于特征对比的缺陷检测方法，包括：获取待检测物体的检测图像和所述待检测物体对应的标准品的基准图像；对所述检测图像和所述基准图像分别进行图像特征的编码处理，提取得到各自对应的高级特征；将所述高级特征通过特征的差分和组合处理，得到组合特征图像；利用所述组合特征图像对所述检测图像进行缺陷分割，得到所述待检测物体的缺陷特征。
所述对所述检测图像和所述基准图像分别进行图像特征的编码处理，提取得到各自对应的高级特征，包括：将所述检测图像和所述基准图像分别输入至对应的编码网络，所述检测图像和所述基准图像各自对应的编码网络之间共享权重；通过对应的编码网络对所述检测图像和所述基准图像的图像特征分别进行多组的特征表示，提取得到所述检测图像和所述基准图像各自对应的高级特征；所述编码网络用于利用内部设置的隐藏层产生图像特征的编码信息并对图像特征进行压缩表示。
所述将所述高级特征通过特征的差分和组合处理，得到组合特征图像，包括：根据所述检测图像和所述基准图像各自对应的高级特征分别形成多个维数的输入特征；将相同维数下所述检测图像对应的输入特征和所述基准图像对应的输入特征进行差分组合运算，得到对应的输出特征；根据各个维数下对应的输出特征，上采样处理得到与所述检测图像具有相同规模的组合特征图像。
所述将相同维数下所述检测图像对应的输入特征和所述基准图像对应的输入特征进行差分组合运算，得到对应的输出特征，包括：根据预设的权重特征，计算得到相同维数下所述检测图像和所述基准图像各自对应的高级特征之间的相似性关系，用公式表示为p＝σ(w·|F1-F2|)；
其中，σ表示激活函数，w表示权重特征，F1为所述检测图像对应的高级特征，F2为所述基准图像对应的高级特征；利用所述检测图像和所述基准图像各自对应的高级特征之间的相似性关系，通过特征的差分处理计算得到特征距离且表示为dist(Fi I,Fi A)；
其中，dist表示距离运算函数，上标I、A分别表示检测图像和基准图像，下标i表示特征所在的网络层序号，Fi I为第i层网络上检测图像对应的高级特征，Fi A为第i层网络上基准图像对应的高级特征；利用所述特征距离和所述检测图像对应的高级特征，通过特征的组合处理得到对应的输出特征，所述输出特征用公式表示为
Figure BDA0002535687780000031
其中，运算符
Figure BDA0002535687780000032
表示对应特征向量元素之间的相乘运算。
所述利用所述组合特征图像对所述检测图像进行缺陷分割，得到所述待检测物体的缺陷特征，包括：将所述组合特征图像输入至预设的分割网络，利用所述分割网络对所述组合特征图像进行非线性的量度处理；根据量度处理结果分析所述组合特征图像中的特征相似度，判断特征相似度低于预设的阈值时得到所述待检测物体的缺陷特征。
根据第二方面，一种实施例中提供一种缺陷检测系统，包括至少一个用户终端，每个所述用户终端用于对所在传送通道上经过的待检测物体进行缺陷检测；所述用户终端包括摄像头、处理器和显示器；所述摄像头用于摄取获得待检测物体的检测图像和所述待检测物体对应的标准品的基准图像；所述处理器与所述摄像头连接，用于根据预设的神经网络模型执行如上述第一方面所述的缺陷检测方法，处理得到所述待检测物体的缺陷特征；所述显示器与所述处理器连接，用于对所述待检测物体的检测图像和/或缺陷特征进行显示。
所述的缺陷检测系统还包括服务器，所述服务器与每个所述用户终端连接，用于训练神经网络模型且对每个所述用户终端上预设的神经网络模型进行网络参数更新；所述神经网络模型通过以下步骤被训练：构建一神经网络结构及其目标函数；将所述待检测物体的多个训练样本输入至所述神经网络结构以对所述目标函数进行训练；所述目标函数用公式表示为
Figure BDA0002535687780000033
其中，loss表示损失函数，g表示训练样本的二值信息，q表示训练样本的二值预测结果的分割信息，M表示训练样本中标注信息的数目，j表示标注信息的序号；通过网络反向传播算法处理得到所述目标函数的网络参数；所述网络参数包括网络节点的权重信息，且用于配置更新所述用户终端上预设的神经网络模型。
所述用户终端还包括网络适配器和视频适配器；所述网络适配器与所述处理器连接，用于从公共网络中获取待检测物体的多个训练样本且上传至所述服务器，以及将所述服务器处理得到的网络参数下发至所述用户终端；所述视频适配器设于所述摄像头和所述处理器之间，用于依据视频帧对所述摄像头摄取的检测图像和基准图像进行图像适配处理，以适应所述处理器的图像接收要求。
所述用户终端还包括存储器，所述存储器与所述处理器连接，用于存储所述处理器接收到的检测图像、基准图像，和/或存储所述处理器处理得到的组合特征图像、待检测物体的缺陷特征。
根据第三方面，一种实施例中提供一种计算机可读存储介质，包括程序，所述程序能够被处理器执行以实现如上述第一方面中所述的缺陷检测方法。
本申请的有益效果是：
依据上述实施例的一种基于特征对比的缺陷检测方法及系统、存储介质，其中缺陷检测方法包括：获取待检测物体的检测图像和所述待检测物体对应的标准品的基准图像；对所述检测图像和所述基准图像分别进行图像特征的编码处理，提取得到各自对应的高级特征；将所述高级特征通过特征的差分和组合处理，得到组合特征图像；利用所述组合特征图像对所述检测图像进行缺陷分割，得到所述待检测物体的缺陷特征。第一方面，由于依据待检测物体的检测图像和待检测物体对应的标准品的基准图像来对检测图像进行缺陷特征的检测，使得检测图像和基准图像之间能够方便地进行特征对比，从而提高缺陷检测的效率和稳定性；第二方面，由于对检测图像和基准图像分别进行图像特征的编码处理以提取得到各自对应的高级特征，如此容易从输入的图像信息中自动提取关键性的图像特征，降低对工作人员经验的依赖；第三方面，在对检测图像和基准图像进行图像特征的编码提取过程中，由于编码网络之间共享权重，如此既减少了需要训练学习的参数，又可以完成相似特征的提取；第四方面，由于将高级特征通过特征的差分和组合处理得到组合特征图像，如此便能够利用多层差分网络和上采样网络组合完成不同尺度的缺陷的检测和筛选，提高物体表面缺陷检测的能力；第五方面，由于对组合特征图像进行缺陷分割处理得到待检测物体的缺陷特征，那么能够对组合特征图像进行非线性的量度处理，根据量度处理结果分析组合特征图像中的特征相似度，从而在判断特征相似度低于预设的阈值时取得待检测物体的缺陷特征；第六方面，本申请公开的缺陷检测方法主要借助了基准图像对检测图像进行缺陷检测，不仅可以满足一定外界环境变换，增强算法对环境的适应性，还可以在检测模型的设计过程中选择轻量级网络模型进行搭建和设计，满足工业场景实时性的要求；第七方面，本申请利用位置信息和非刚性变化信息提取相似特征，将提取的待检测物体的初级特征和高级特征进行组合设计，充分利用待检测物体和标准品之间的特征相似度关系进行缺陷和异常检测，具有较强的检测稳定性；第八方面，本申请的缺陷检测系统将模型训练和物体检测过程分别在服务器和用户终端上进行实现，利于服务器统一训练处理且获得目标函数的网络参数，从而配置更新每个用户终端上预设的神经网络模型，如此增强缺陷检测算法的通用性，不需要用户根据不同检测对象进行特征选择和设计，只要由服务器进行统一配置即可；第九方面，在对神经网络结构进行训练过程中，采用反向传播算法进行更新权重信息，如此利于根据各类别的学习数据获取合适的分割权重，从数据中学习相似性测定及相应特征。
附图说明
图1为本申请中基于特征对比的缺陷检测方法的流程图；
图2为处理得到组合特征图像的流程图；
图3为处理得到待检测物体的缺陷特征的流程图；
图4为编码提取高级特征的原理示意图；
图5为神经网络结构的结构示意图；
图6为差分组合运算的原理示意图；
图7为用户终端的结构示意图；
图8为另一种实施例中缺陷检测系统的结构示意图；
图9为训练神经网络模型的原理示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
实施例一、
请参考图1，本实施例公开一种基于特征对比的缺陷检测方法，其包括步骤S110-S140，下面分别说明。
步骤S110，获取待检测物体的检测图像和待检测物体对应的标准品的基准图像。
需要说明的是，待检测物体可以是工业流水线上的产品、物件箱内的机械零件、操作台上的工具等，不做具体限定。那么，待检测物体的检测图像就是相机/摄像机等成像设备对待检测物体进行取像得到的图像，比如对于流水线上的产品，通过摄像头取像可以形成每件产品对应的检测图像。此外，待检测物体对应的标准品的基准图像就是相机/摄像机等成像设备对标准品(认为没有表面缺陷特征且可以作为标准件的物体)进行取像得到的图像，比如对同一类或者同批次的产品进行缺陷检测时，需要获得同一类不同个数标准品在外界环境(如不同拍摄角度、不同光照模式)下取像得到的基准图像。
步骤S120，对检测图像和基准图像分别进行图像特征的编码处理，提取得到各自对应的高级特征。图像特征编码处理的作用是进行图像特征信息提取，从图像中提取较为关键的特征信息，在特征编码阶段，为了提升图像编码的稳定性，网络模块之间可以进行参数共享。
需要说明的是，图像编码在图像处理过程的重要环节之一，在众多的视觉任务中，比如识别、检测、跟踪等，都需要提取出辨别的特征并更好地运用于后续的处理环节中。一般来说，最浅层的特征是图像的像素灰度，这种原始的灰度具有很少的语义信息，这严重限制了图像表示的描述能力；因此，需要对图像进行编码处理，提取大量的纹理特征、结构模式或边缘信息，这些特征灵活且相对容易构造，可以表示真实图像的大部分复杂统计量。
在一个具体实施例中，参见图4，将检测图像和基准图像分别输入至对应的编码网络，比如检测图像输入至编码网络A，基准图像输入至编码网络B，编码网络A和编码网络B之间共享权重W。通过对应的编码网络对检测图像和基准图像的图像特征分别进行多组的特征表示，比如用不同维数进行特征表示，提取得到检测图像和基准图像各自对应的高级特征。这里的编码网络用于利用内部设置的隐藏层产生图像特征的编码信息并对图像特征进行压缩表示。此外，检测图像和基准图像各自对应的高级特征可以用于后续的差分和组合处理。
比如，图5中给出了利用检测图像和基准图像进行缺陷特征检测的整个网络模型，在特征比较网络模块中，可以依据公开的网络结构对检测图像和基准图像分别进行图像特征的编码处理，对各自的图像特征分别进行多组的特征表示。对于检测图像，首先进行两次的3×3卷积-ReLU，提取得到具有32通道输出的高级特征；接着，进行一次2×2最大池化和两次3×3卷积-ReLU，提取得到具有64通道输出的高级特征；然后，进行2×2最大池化和两次3×3卷积-ReLU，提取得到具有128通道输出的高级特征。对于基准图像，参考检测图像的处理过程，可以提取得到具有32通道输出的高级特征、具有64通道输出的高级特征和具有128通道输出的高级特征。
步骤S130，将提取得到高级特征通过特征的差分和组合处理，得到组合特征图像。特征的差分和组合处理就是将相同维数下检测图像、基准图像各自对应的高级特征进行差分和组合，并进一步处理得到与检测图像具有相同规模的组合特征图像。
步骤S140，对组合特征图像进行缺陷分割处理，得到待检测物体的缺陷特征。组合特征图像中不仅包含高级特征表示的表面纹理信息，还包含有低级特征表示的物体位置信息，通过特征相似度比较容易得到待检测物体的缺陷特征。可以采用的缺陷分割处理方法包括非线性量度学习，基于聚类分析的图像分割方法，基于边缘、区域或阈值的图像分割方法，基于神经网络算法或遗传算法的图像分割方法，这里不做具体限制。
在本实施例中，参见图2，上述的步骤S130主要涉及将高级特征通过特征的差分和组合处理得到组合特征图像的过程，可以具体包括步骤S131-S133，分别说明如下。
步骤S131，根据检测图像和基准图像各自对应的高级特征分别形成多个维数的输入特征。由于在对检测图像和基准图像分别进行编码处理的过程中，通过对应的编码网络对检测图像和基准图像的图像特征分别进行多组的特征表示，并且获得不同维数通道下输出的高级特征，那么容易形成多个维数的输入特征。
比如图5，在特征比较网络模块中，可以将32通道输出情形下检测图像、基准图像各自对应的高级特征分别作为同一维数的输入特征，将64通道输出情形下检测图像、基准图像各自对应的高级特征分别作为同一维数的输入特征，将128通道输出情形下检测图像、基准图像各自对应的高级特征分别作为同一维数的输入特征。
步骤S132，将相同维数下检测图像对应的输入特征和基准图像对应的输入特征进行差分组合运算，得到对应的输出特征。
比如图5，在特征比较网络模块中，将32通道输出情形下检测图像、基准图像各自对应的高级特征分别作为同一维数的输入特征时，可以将检测图像对应的输入特征和基准图像对应的输入特征共同输入至差分组合模块M1，从而运算得到对应的输出特征。以此类推，可以将64通道输出情形下检测图像对应的输入特征和基准图像对应的输入特征共同输入至差分组合模块M2，从而运算得到对应的输出特征；可以将128通道输出情形下检测图像对应的输入特征和基准图像对应的输入特征共同输入至差分模块M3，从而运算得到对应的输出特征。
步骤S133，根据各个维数下对应的输出特征，上采样处理得到与检测图像具有相同规模的组合特征图像。
比如图5，在得到差分组合模块M1对应的输出特征，差分组合模块M2对应的输出特征，差分模块M3对应的输出特征的情况下，首先对差分模块M3对应的输出特征进行2×2上采样-卷积-ReLU，进一步地结合差分组合模块M2对应的输出特征进行两次3×3卷积-ReLU和一次2×2上采样-卷积-ReLU，然后结合差分组合模块M1对应的输出特征通过上采样处理得到与检测图像具有相同规模(如相同像素大小)的组合特征图像。
需要说明的是，上采样处理可以认为是放大图像的处理过程，使图像拥有更高的分辨率，是一种对图像细节进行完善填充的操作。
为进一步说明步骤S132中差分组合运算的细节，这里将通过一个具体实施例展开说明，可以参见图6中示意的差分组合运算的原理示意图，用Fi I表示第i层网络上检测图像对应的高级特征(或输入特征)，Fi A表示第i层网络上基准图像对应的高级特征(或输入特征)，那么差分组合运算的原理说明如下：
(1)根据预设的权重特征，计算得到相同维数下检测图像和基准图像各自对应的高级特征之间的相似性关系，用公式表示为p＝σ(w·|F1-F2|)；
其中，σ表示激活函数，w表示权重特征，F1为检测图像对应的高级特征，F2为基准图像对应的高级特征。
需要说明的是，σ表示的激活函数可以是ReLU、Sigmoid、tanh、softmax函数等。激活函数可以为神经元提供规模化非线性化能力，将正常的输入的线形函数变成非线性的；当进行逻辑回归即分类时，如果没有激活函数那么神经网络相当于一个线形函数，这种情况下就无法将数据分成固定的几个类别了，而使用激活函数就可以将线性的数据掰弯成期望类型的数据。
(2)利用检测图像和基准图像各自对应的高级特征之间的相似性关系，通过特征的差分处理计算得到特征距离且表示为dist(Fi I,Fi A)；
其中，dist表示距离运算函数，上标I、A分别表示检测图像和基准图像，下标i表示特征所在的网络层序号；Fi I为第i层网络上检测图像对应的高级特征，Fi A为第i层网络上基准图像对应的高级特征。
(3)利用特征距离和检测图像对应的高级特征，通过特征的组合处理得到对应的输出特征，该输出特征用公式表示为
Figure BDA0002535687780000091
其中，运算符
Figure BDA0002535687780000092
表示对应特征向量元素之间的相乘运算，比如Hadamard乘积运算。
需要说明的是，在进行特征的组合处理过程中，既利用了物体的低级特征信息，又利用了物体的高级特征信息，将不同层之间的特征进行组合运算后进行使用。其中，低级特征信息更多地体现了物体的位置信息，高级特征信息更多地体现了物体的纹理信息。
在本实施例中，参见图3，步骤S140可以具体包括步骤S141-S142，分别说明如下。
步骤S141，将组合特征图像输入至预设的分割网络，利用分割网络对组合特征图像进行非线性的量度处理。可以理解，预设的分割网络就是图像特征的分类网络，往往通过多个非线性转换器的组合，达到高水平的特征抽象化和非线性化，将特征数据分成所期望的多个类别的数据，例如在复杂的数据或复杂的图像中，对特征、核心内容或功能进行归纳分类。
步骤S142，根据量度处理结果分析组合特征图像中的特征相似度，判断特征相似度低于预设的阈值时得到待检测物体的缺陷特征。可以理解，组合特征图像中包含了检测图像和基准图像之间的差异特征和相似特征，那么可以通过对归纳分类的数据进行相似度的比较，从而得到哪些数据表示的是明显差异的图像特征，如此即可将特征相似度较低的特征作为待检测物体的缺陷特征。
需要说明的是，特征相似度可以用置信度来进行表示，从而设置预设的阈值为0～1中的某一个数值，在特征相似度小于该数值时，则认为低特征相似度的图像特征无法成功匹配标准品对应的图像特征，从而判断低特征相似度的图像特征为待检测物体的缺陷特征。
在一个具体实施例中，参见图5，在特征判断网络模块中，依据公开的网络结构可以对组合特征图像进行特征分割处理，判断得到待检测物体的缺陷特征。将组合特征图像进行两次的3×3卷积-ReLU和一次的1×1卷积-ReLU-Dropout，从而分割处理得到待检测物体的缺陷特征。
本领域的技术人员可以理解，在利用本实施中公开的缺陷检测方法时，可以获得以下技术优势：(1)由于依据待检测物体的检测图像和待检测物体对应的标准品的基准图像来对检测图像进行缺陷特征的检测，使得检测图像和基准图像之间能够方便地进行特征对比，从而提高缺陷检测的效率和稳定性；(2)由于对检测图像和基准图像分别进行图像特征的编码处理以提取得到各自对应的高级特征，如此容易从输入的图像信息中自动提取关键性的图像特征，降低对工作人员经验的依赖；(3)在对检测图像和基准图像进行图像特征的编码提取过程中，由于编码网络之间共享权重，如此既减少了需要训练学习的参数，又可以完成相似特征的提取；(4)由于将高级特征通过特征的差分和组合处理得到组合特征图像，如此便能够利用多层差分网络和上采样网络组合完成不同尺度的缺陷的检测和筛选，提高物体缺陷检测的能力；(5)由于对组合特征图像进行缺陷分割处理得到待检测物体的缺陷特征，那么能够对组合特征图像进行非线性的量度处理，根据量度处理结果分析组合特征图像中的特征相似度，从而得到待检测物体的缺陷特征；(6)本申请公开的缺陷检测方法主要借助了基准图像对检测图像进行缺陷检测，不仅可以满足一定外界环境变换，增强算法对环境的适应性，还可以在检测模型的设计过程中选择轻量级网络模型进行搭建和设计，满足工业场景实时性的要求；(7)本申请利用位置和非刚性变化提取相似特征，将提取的待检测物体的初级特征和高级特征进行组合设计，充分利用待检测物体和标准品之间的图像特征关系进行缺陷和异常检测，具有较强的检测稳定性。
实施例二、
请参考图7，在实施例一中公开的基于特征对比的缺陷检测方法的基础上，本实施例公开一种缺陷检测系统，该缺陷检测系统包括至少一个用户终端，每个用户终端21用于对所在传送通道上经过的待检测物体进行缺陷检测。本实施中的每个用户终端21包括摄像头211、处理器212和显示器213，下面分别说明。
在本实施例中，用户终端21可以是固定或者架设在产品传送通道上的检测设备，可以对经过检测区域的每个产品进行缺陷检测。某些情况下，缺陷检测系统可以包括多个用户终端21，从而设置在同类产品的不同传送通道上，或者设置在不同产品的传送通道上。此外，用户可以设置每个用户终端21的配置参数来适应不同产品的工作模式，还可以查看缺陷检测的结果。
摄像头211可以是相机、摄像机等成像设备上的取像组件，用于摄取获得待检测物体的检测图像和待检测物体对应的标准品的基准图像。对于检测图像，可以由处理器212驱动摄像头211对每个待检测物体(比如产品)进行取像；对于基准图像，可能需要借助摄像头211对待检测物体对应的标准品进行多次取像，从而获得同一类不同个数标准品在外界环境(如不同拍摄角度、不同光照模式)下取像得到的基准图像。
处理器212与摄像头211连接，用于根据预设的神经网络模型执行实施例一中公开的缺陷检测方法，从而处理得到待检测物体的缺陷特征。
在本实施例中，预设的神经网络模型可以包括多个网络模块，比如图5中所示的特征比较网络模块、特征上采样网络模块和特征判断网络模块，每个网络模块实现不同的特征处理功能。神经网络模型对应有可执行的程序，那么处理器212执行该程序时可以实现神经网络模型中各个网络模块的全部功能。具体地，处理器212获取待检测物体的检测图像和待检测物体对应的标准品的基准图像；处理器212对检测图像和基准图像分别进行图像特征的编码处理，提取得到各自对应的高级特征；处理器212将高级特征通过特征的差分和组合处理，得到组合特征图像；处理器212对组合特征图像进行缺陷分割处理，得到待检测物体的缺陷特征。关于处理器212执行相关程序所实现的功能可以具体参考实施例一中公开的步骤S110-S140，这里不再进行赘述。
显示器213与处理器212连接，用于对待检测物体的检测图像和/或缺陷特征进行显示。显示器213可以任意类型、任意尺寸的显示屏幕，只要能够在处理器212的驱动作用下对待检测物体的检测图像和/或缺陷特征进行显示即可，至于显示界面的排布和图像色彩不做具体限制。
在本实施例中，参见图7，为达到数据的快速传输和高效通信的目的，可以在摄像头211、显示器213和处理器212之间设置数据总线，从而使得各个硬件通过数据总线进行通信连接，优化数据传送和控制逻辑的执行效率，减小处理器212的运算负荷，提高用户终端21自身的数据处理速度和最终的缺陷检测效果。
在本实施例中，神经网络模型可以采用如图5所示的神经网络结构，涉及的网络参数可以通过用户预设或者模型训练学习的方式进行配置。比如对于检测图像和基准图像均为572×572像素的情况，神经网络模型的部分网络参数，尤其是特征比较网络模块内涉及的网络参数可以配置成如表1所示的内容。
表1部分网络参数的配置内容
序号 运算 输入 输出 参数数量
1 3×3卷积运算 572×572×3 570×570×32 (3×3)×32
2 3×3卷积运算 570×570×32 568×568×32 (3×3×32)×32
3 2×2最大池化 568×568×32 284×284×32 0
4 3×3卷积运算 284×284×32 282×282×64 (3×3×32)×64
5 3×3卷积运算 282×282×64 280×280×64 (3×3×64)×64
6 2×2最大池化 280×280×64 140×140×64 0
7 3×3卷积运算 140×140×64 138×138×128 (3×3×64)×128
8 3×3卷积运算 138×138×128 136×136×128 (3×3×128)×128
当然，对于不同的待检测物体，其缺陷检测方法需要适配恰当的神经网络模型。在这里，可以将图5中所示的神经网络结构作为模型的基础结构，在该基础结构的约束下，设计和配置合适的网络参数，从而对不同的待检测物体进行缺陷特征的检测。
实施例三、
请参考图8，在实施二中公开的缺陷检测系统的基础上，本实施例公开一种改进的缺陷检测系统，其不仅包括具有摄像头211、处理器212和显示器213的用户终端21，还包括服务器22，下面具体说明。
服务器22与每个用户终端(比如用户终端21)通信连接，该服务器22用于训练神经网络模型且对每个用户终端上预设的神经网络模型进行网络参数更新。可以理解，服务器22可以协助各个用户终端分布式进行网络模型的学习，允许分散处理神经网络模型的数据类型。
在本实施例中，服务器22上构建有关于神经网络模型的神经网络结构，需要通过模型训练来学习得到网络参数，从而将得到的网络参数配置到每个用户终端上，使得用户终端能够正常地对某一类的待检测物体进行缺陷检测。参见图9，在服务器22上，神经网络模型可以通过以下步骤被训练：
(1)服务器22构建一神经网络结构及其目标函数。构建的神经网络结构可以具体参见图5，当然也可以采用其它类型的网络结构，比如经典的CNN卷积神经网络结构，这里不做具体限制。
(2)服务器22将待检测物体的多个训练样本输入至神经网络结构，以对目标函数进行训练。涉及的目标函数可以用公式表示为
Figure BDA0002535687780000121
其中，loss表示损失函数，g表示训练样本的二值信息，q表示训练样本的二值预测结果的分割信息，M表示训练样本中标注信息的数目，j表示标注信息的序号。
(3)服务器22通过网络反向传播算法处理得到目标函数的网络参数。比如图9，将多个训练样本输入神经网络模型，通过训练学习即可获得目标函数的网络参数。
需要说明的是，网络反向传播算法又称BP算法，是一种适合于多层神经元网络的学习算法。BP网络的输入输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性；相关算法的信息处理能力来源于简单非线性函数的多次复合，因此具有很强的函数复现能力。反向传播算法主要由两个环节(激励传播、权重更新)反复循环迭代，直到网络对输入的响应达到预定的目标范围为止。对于激励传播环节，每次迭代包含两步，将训练输入送入网络以获得激励响应的前向传播阶段，将激励响应同训练输入对应的目标输出进行求差运算以获得隐含层和输出层的响应误差的反向传播阶段。对于权重更新环节，每个突触上的权重可以进行如下更新，将输入激励和响应误差相乘，从而获得权重的梯度，将这个梯度乘上一个比例并取反后加到权重上，由于这个比例将会影响到训练过程的速度和效果，因此称为“训练因子”，并且梯度的方向指明了误差扩大的方向，所以在更新权重的时候需要对其取反，从而减小权重引起的误差。
需要说明的是，由于网络参数包括网络节点的权重信息，所以可以用于配置更新用户终端上预设的神经网络模型。如此，服务器22将得到的网络参数发送至处理器212，配置更新用户终端21上预设的神经网络模型。
进一步地，参见图8，为了满足多个相同配置的用户终端(比如用户终端21、用户终端N1、用户终端N2等)与服务器22之间的顺利通信需要，改进的缺陷检测系统还包括网关23，网关213设于服务器22和各个用户终端之间，用于实现不同通信协议、不同系统之间的网络互连和通信互通。
进一步地，用户终端21还包括视频适配器和214网络适配器215，分别说明如下。
参见图8，视频适配器214设于摄像头211和处理器212之间，并通过数据总线与处理器212进行通信，视频适配器214用于依据视频帧对摄像头摄取的检测图像和基准图像进行图像适配处理，以适应处理器212的图像接收要求。可以理解，由于处理器212是根据预设的神经网络模型执行实施例一中公开的缺陷检测方法，神经网络模型对图像的输入规模(如像素大小)是有严格要求的，所以有必要设置视频适配器214对摄取的照片或者视频中的每一帧图像进行规模转换，达到处理器212依据神经网络模型输入规模的图像接收要求。
参见图8，网络适配器215通过数据总线与处理器212连接，用于从公共网络中获取待检测物体的多个训练样本且上传至服务器22，以及将服务器22处理得到的网络参数下发至用户终端21。
需要说明的是，待检测物体的多个训练样本可以来源于公共网络中已经存在的训练数据集，里面包含的各个训练样本已经被标注好，比如在待检测物体的图像中准确标注哪一部分属于缺陷特征，如此便能够依据标注的训练样本参与神经网络模型的训练。
进一步地，参见图8，用户终端21还包括存储器216，存储器216通过数据总线与处理器212连接，用于存储处理器212接收到的检测图像、基准图像，和/或存储处理器212处理得到的组合特征图像、待检测物体的缺陷特征。此外，存储器216还可以存储预设的神经网络模型对应的程序，从而提供给处理器212进行执行。
进一步地，参见图8，用户终端21还包括设备接口217，设备接口217通过数据总线与处理器212连接。该设备接口217用于连接外设的键盘或者鼠标，借助外设与处理器212进行用户交互控制，比如切换显示器213上的显示模式，查看存储器216中的存储内容，更改存储器216中神经网络模型的网络参数，以及与显示器213进行其它交互操作。
需要说明的是，图8中的用户终端N1、用户终端N2可以具有和用户终端21相同的硬件结构和软件功能，也可以根据用户的实际需要而自由配置，这里不做具体限定。
本领域的技术人员可以理解，本申请的缺陷检测系统将模型训练和物体检测过程分别在服务器和用户终端上进行实现，利于服务器统一训练处理且获得目标函数的网络参数，从而配置更新每个用户终端上预设的神经网络模型，如此增强缺陷检测算法的通用性，不需要客户根据不同检测对象进行特征选择和设计，只要由服务器进行统一设计即可。此外，在对神经网络结构进行训练过程中，采用反向传播算法进行更新权重信息，如此利于根据各类别的学习数据获取合适的分割权重，从数据中学习相似性测定及相应特征。
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种基于特征对比的缺陷检测方法,其特征在于，包括：
获取待检测物体的检测图像和所述待检测物体对应的标准品的基准图像；
对所述检测图像和所述基准图像分别进行图像特征的编码处理，提取得到各自对应的高级特征；
将所述高级特征通过特征的差分和组合处理，得到组合特征图像；
对所述组合特征图像进行缺陷分割处理，得到所述待检测物体的缺陷特征。
2.如权利要求1所述的缺陷检测方法，其特征在于，所述对所述检测图像和所述基准图像分别进行图像特征的编码处理，提取得到各自对应的高级特征，包括：
将所述检测图像和所述基准图像分别输入至对应的编码网络，所述检测图像和所述基准图像各自对应的编码网络之间共享权重；
通过对应的编码网络对所述检测图像和所述基准图像的图像特征分别进行多组的特征表示，提取得到所述检测图像和所述基准图像各自对应的高级特征；所述编码网络用于利用内部设置的隐藏层产生图像特征的编码信息并对图像特征进行压缩表示。
3.如权利要求2所述的缺陷检测方法，其特征在于，所述将所述高级特征通过特征的差分和组合处理，得到组合特征图像，包括：
根据所述检测图像和所述基准图像各自对应的高级特征分别形成多个维数的输入特征；
将相同维数下所述检测图像对应的输入特征和所述基准图像对应的输入特征进行差分组合运算，得到对应的输出特征；
根据各个维数下对应的输出特征，上采样处理得到与所述检测图像具有相同规模的组合特征图像。
4.如权利要求3所述的缺陷检测方法，其特征在于，所述将相同维数下所述检测图像对应的输入特征和所述基准图像对应的输入特征进行差分组合运算，得到对应的输出特征，包括：
根据预设的权重特征，计算得到相同维数下所述检测图像和所述基准图像各自对应的高级特征之间的相似性关系，用公式表示为
p＝σ(w·|F1-F2|)；
其中，σ表示激活函数，w表示权重特征，F1为所述检测图像对应的高级特征，F2为所述基准图像对应的高级特征；
利用所述检测图像和所述基准图像各自对应的高级特征之间的相似性关系，通过特征的差分处理计算得到特征距离且表示为
dist(Fi I,Fi A)；
其中，dist表示距离运算函数，上标I、A分别表示检测图像和基准图像，下标i表示特征所在的网络层序号，Fi I为第i层网络上检测图像对应的高级特征，Fi A为第i层网络上基准图像对应的高级特征；
利用所述特征距离和所述检测图像对应的高级特征，通过特征的组合处理得到对应的输出特征，所述输出特征用公式表示为
Figure FDA0002535687770000021
其中，运算符
Figure FDA0002535687770000022
表示对应特征向量元素之间的相乘运算。
5.如权利要求4所述的缺陷检测方法，其特征在于，所述利用所述组合特征图像对所述检测图像进行缺陷分割，得到所述待检测物体的缺陷特征，包括：
将所述组合特征图像输入至预设的分割网络，利用所述分割网络对所述组合特征图像进行非线性的量度处理；
根据量度处理结果分析所述组合特征图像中的特征相似度，判断特征相似度低于预设的阈值时得到所述待检测物体的缺陷特征。
6.一种缺陷检测系统，其特征在于，包括至少一个用户终端，每个所述用户终端用于对所在传送通道上经过的待检测物体进行缺陷检测；所述用户终端包括摄像头、处理器和显示器；
所述摄像头用于摄取获得待检测物体的检测图像和所述待检测物体对应的标准品的基准图像；
所述处理器与所述摄像头连接，用于根据预设的神经网络模型执行如权利要求1-5中任一项所述的缺陷检测方法，处理得到所述待检测物体的缺陷特征；
所述显示器与所述处理器连接，用于对所述待检测物体的检测图像和/或缺陷特征进行显示。
7.如权利要求6所述的缺陷检测系统，其特征在于，还包括服务器，所述服务器与每个所述用户终端连接，用于训练神经网络模型且对每个所述用户终端上预设的神经网络模型进行网络参数更新；所述神经网络模型通过以下步骤被训练：
构建一神经网络结构及其目标函数；
将所述待检测物体的多个训练样本输入至所述神经网络结构以对所述目标函数进行训练；所述目标函数用公式表示为
Figure FDA0002535687770000031
其中，g表示训练样本的二值信息，q表示训练样本的二值预测结果的分割信息，M表示训练样本中标注信息的数目，j表示标注信息的序号；
通过网络反向传播算法处理得到所述目标函数的网络参数；所述网络参数包括网络节点的权重信息，且用于配置更新所述用户终端上预设的神经网络模型。
8.如权利要求7所述的缺陷检测系统，其特征在于，所述用户终端还包括网络适配器和视频适配器；
所述网络适配器与所述处理器连接，用于从公共网络中获取待检测物体的多个训练样本且上传至所述服务器，以及将所述服务器处理得到的网络参数下发至所述用户终端；
所述视频适配器设于所述摄像头和所述处理器之间，用于依据视频帧对所述摄像头摄取的检测图像和基准图像进行图像适配处理，以适应所述处理器的图像接收要求。
9.如权利要求8所述的缺陷检测系统，其特征在于，所述用户终端还包括存储器，所述存储器与所述处理器连接，用于存储所述处理器接收到的检测图像、基准图像，和/或存储所述处理器处理得到的组合特征图像、待检测物体的缺陷特征。
10.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1-5中任一项所述的缺陷检测方法。
CN202010532060.3A 2020-06-11 2020-06-11 一种基于特征对比的缺陷检测方法及系统、存储介质 Active CN111696092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010532060.3A CN111696092B (zh) 2020-06-11 2020-06-11 一种基于特征对比的缺陷检测方法及系统、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010532060.3A CN111696092B (zh) 2020-06-11 2020-06-11 一种基于特征对比的缺陷检测方法及系统、存储介质

Publications (2)

Publication Number Publication Date
CN111696092A true CN111696092A (zh) 2020-09-22
CN111696092B CN111696092B (zh) 2023-08-25

Family

ID=72480399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010532060.3A Active CN111696092B (zh) 2020-06-11 2020-06-11 一种基于特征对比的缺陷检测方法及系统、存储介质

Country Status (1)

Country Link
CN (1) CN111696092B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508846A (zh) * 2020-10-30 2021-03-16 北京市商汤科技开发有限公司 缺陷检测方法及装置、电子设备和存储介质
CN112991281A (zh) * 2021-03-03 2021-06-18 望知科技(深圳)有限公司 视觉检测方法、系统、电子设备及介质
CN113592831A (zh) * 2021-08-05 2021-11-02 北京方正印捷数码技术有限公司 印刷误差的检测方法、装置和存储介质
CN117036349A (zh) * 2023-10-08 2023-11-10 武汉罗博半导体科技有限公司 缺陷检测方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833220A (zh) * 2017-11-28 2018-03-23 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN109871895A (zh) * 2019-02-22 2019-06-11 北京百度网讯科技有限公司 电路板的缺陷检测方法和装置
CN110308151A (zh) * 2019-07-22 2019-10-08 重庆大学 一种基于机器视觉的金属工件表面缺陷识别方法及装置
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833220A (zh) * 2017-11-28 2018-03-23 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 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
CN109871895A (zh) * 2019-02-22 2019-06-11 北京百度网讯科技有限公司 电路板的缺陷检测方法和装置
CN110308151A (zh) * 2019-07-22 2019-10-08 重庆大学 一种基于机器视觉的金属工件表面缺陷识别方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508846A (zh) * 2020-10-30 2021-03-16 北京市商汤科技开发有限公司 缺陷检测方法及装置、电子设备和存储介质
CN112991281A (zh) * 2021-03-03 2021-06-18 望知科技(深圳)有限公司 视觉检测方法、系统、电子设备及介质
CN112991281B (zh) * 2021-03-03 2023-12-12 望知科技(深圳)有限公司 视觉检测方法、系统、电子设备及介质
CN113592831A (zh) * 2021-08-05 2021-11-02 北京方正印捷数码技术有限公司 印刷误差的检测方法、装置和存储介质
CN113592831B (zh) * 2021-08-05 2024-03-19 北京方正印捷数码技术有限公司 印刷误差的检测方法、装置和存储介质
CN117036349A (zh) * 2023-10-08 2023-11-10 武汉罗博半导体科技有限公司 缺陷检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111696092B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN111368896B (zh) 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法
CN111696092B (zh) 一种基于特征对比的缺陷检测方法及系统、存储介质
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN112085735B (zh) 一种基于自适应锚框的铝材质图像缺陷检测方法
WO2021232687A1 (zh) 一种基于深度学习的点云上采样方法
Guan et al. A steel surface defect recognition algorithm based on improved deep learning network model using feature visualization and quality evaluation
CN111465940A (zh) 机器视觉系统
CN110163286B (zh) 一种基于混合池化的领域自适应图像分类方法
CN112001903A (zh) 缺陷检测网络构建方法、异常检测方法及系统、存储介质
CN108629370B (zh) 一种基于深度置信网络的分类识别算法及装置
CN111488938B (zh) 一种基于两步可切换归一化深度神经网络的图像匹配方法
CN114581456B (zh) 一种多图像分割模型的构建方法、图像检测方法及装置
Gastaldo et al. Machine learning solutions for objective visual quality assessment
CN114359631A (zh) 基于编码-译码弱监督网络模型的目标分类与定位方法
CN114548253A (zh) 一种基于图像识别及动态匹配的数字孪生模型构建系统
WO2024078112A1 (zh) 一种舾装件智能识别方法、计算机设备
Suzuki et al. Superpixel convolution for segmentation
CN112270404A (zh) 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法
Favorskaya et al. Image inpainting based on self-organizing maps by using multi-agent implementation
CN110826604A (zh) 一种基于深度学习的物料分拣方法
CN113255937B (zh) 一种面向智能车间不同智能体之间的联邦学习方法及系统
CN113450313B (zh) 一种基于区域对比学习的图像显著性可视化方法
CN115937150A (zh) 基于点结构化信息网络的点云质量计算方法
CN114998725A (zh) 基于自适应空谱注意力核生成网络的高光谱图像分类方法
CN114780767A (zh) 一种基于深度卷积神经网络的大规模图像检索方法及系统

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