CN111696095A - 用于检测物体表面缺陷的方法及装置 - Google Patents
用于检测物体表面缺陷的方法及装置 Download PDFInfo
- Publication number
- CN111696095A CN111696095A CN202010536645.2A CN202010536645A CN111696095A CN 111696095 A CN111696095 A CN 111696095A CN 202010536645 A CN202010536645 A CN 202010536645A CN 111696095 A CN111696095 A CN 111696095A
- Authority
- CN
- China
- Prior art keywords
- defect
- detected
- image
- information
- detection
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本公开的实施例公开了用于检测物体表面缺陷的方法及装置,涉及人工智能计算机视觉、深度学习以及云计算领域。该方法的一具体实施方式包括:获取待检测物体的待检测面图像和检测时间信息;根据上述检测时间信息确定上述待检测面图像的检测方式,并按照上述检测方式对上述待检测面图像进行检测,得到缺陷图像;对上述缺陷图像进行缺陷识别,得到识别结果信息;将上述识别结果信息与缺陷标签库内的缺陷标签进行匹配,得到对应上述待检测物体的目标缺陷标签。该实施方式提高了识别缺陷的准确性和效率。
Description
技术领域
本公开的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的用于检测物体表面缺陷的方法及装置。
背景技术
随着社会工业化的发展,各种产品具有了更复杂的结构和更高的性能。产品通常由各种零部件构成,产品的性能与各个零部件的好坏息息相关。零部件通常存在多个面,需要对多个面进行缺陷检测,以确定零部件是否合格。
发明内容
本公开的实施例提出了用于检测物体表面缺陷的方法及装置。
第一方面,本公开的实施例提供了一种用于检测物体表面缺陷的方法,该方法包括:获取待检测物体的待检测面图像和检测时间信息,上述检测时间信息用于指示检测完物体所需要的时间;根据上述检测时间信息确定上述待检测面图像的检测方式,并按照上述检测方式对上述待检测面图像进行检测,得到缺陷图像,其中,上述检测方式包括并行检测和串行检测;对上述缺陷图像进行缺陷识别,得到识别结果信息;将上述识别结果信息与缺陷标签库内的缺陷标签进行匹配,得到对应上述待检测物体的目标缺陷标签。
在一些实施例中,上述根据上述检测时间信息确定上述待检测面图像的检测方式,包括:响应上述检测时间信息小于设定的时间信息阈值,对上述待检测面图像进行并行检测,否则,对上述待检测面图像进行串行检测。
在一些实施例中,上述根据上述检测时间信息确定上述待检测面图像的检测方式,包括:响应上述待检测面图像的数量大于的第一数量阈值,对上述待检测面图像进行并行检测,否则,对上述待检测面图像进行串行检测。
在一些实施例中,上述对上述缺陷图像进行缺陷识别,得到识别结果信息,包括:响应于上述缺陷图像的面积小于设定面积阈值,采用单目标检测法对上述缺陷图像进行检测,否则,采用多目标检测法对上述缺陷图像进行检测。
在一些实施例中,上述对上述缺陷图像进行缺陷识别,得到识别结果信息,包括:响应于上述缺陷图像的数量小于第二数量阈值,采用多目标检测法对上述缺陷图像进行检测,否则,采用单目标检测法对上述缺陷图像进行检测。
在一些实施例中,上述目标缺陷标签包括缺陷类型信息和缺陷数量信息,以及,上述方法还包括:响应于上述待检测面图像为多个,获取多个上述待检测面图像中的每个待检测面图像的缺陷类型信息和缺陷数量信息;通过上述缺陷类型信息和缺陷数量信息得到缺陷统计信息;响应于上述缺陷统计信息中包含指定缺陷类型,标记上述待检测物体为不合格。
在一些实施例中,上述方法还包括:响应于上述缺陷统计信息中存在缺陷数量大于第三数量阈值的缺陷类型信息,标记上述待检测物体为不合格。
在一些实施例中,上述方法还包括:响应于上述缺陷标签库内没有对应上述识别结果信息的缺陷标签,将上述识别结果信息导入缺陷标记模型,得到对应上述识别结果信息的目标缺陷标签。
第二方面,本公开的实施例提供了一种用于检测物体表面缺陷的装置,该装置包括:第一信息获取单元,被配置成获取待检测物体的待检测面图像和检测时间信息,上述检测时间信息用于指示检测完物体所需要的时间;缺陷图像获取单元,被配置成根据上述检测时间信息确定上述待检测面图像的检测方式,并按照上述检测方式对上述待检测面图像进行检测,得到缺陷图像,其中,上述检测方式包括并行检测和串行检测;识别结果信息获取单元,被配置成对上述缺陷图像进行缺陷识别,得到识别结果信息;第一目标缺陷标签获取单元,被配置成将上述识别结果信息与缺陷标签库内的缺陷标签进行匹配,得到对应上述待检测物体的目标缺陷标签。
在一些实施例中,上述缺陷图像获取单元包括:第一检测方式确定子单元,响应上述检测时间信息小于设定的时间信息阈值,被配置成对上述待检测面图像进行并行检测,否则,对上述待检测面图像进行串行检测。
在一些实施例中,上述缺陷图像获取单元包括:第二检测方式确定子单元,响应上述待检测面图像的数量大于的第一数量阈值,被配置成对上述待检测面图像进行并行检测,否则,对上述待检测面图像进行串行检测。
在一些实施例中,上述识别结果信息获取单元包括:面积检测子单元,响应于上述缺陷图像的面积小于设定面积阈值,被配置成采用单目标检测法对上述缺陷图像进行检测,否则,采用多目标检测法对上述缺陷图像进行检测。
在一些实施例中,上述识别结果信息获取单元包括:数量检测子单元,响应于上述缺陷图像的数量小于第二数量阈值,被配置成采用多目标检测法对上述缺陷图像进行检测,否则,采用单目标检测法对上述缺陷图像进行检测。
在一些实施例中,上述目标缺陷标签包括缺陷类型信息和缺陷数量信息,以及,上述装置还包括:第二信息获取单元,响应于上述待检测面图像为多个,被配置成获取多个上述待检测面图像中的每个待检测面图像的缺陷类型信息和缺陷数量信息;信息统计单元,被配置成通过上述缺陷类型信息和缺陷数量信息得到缺陷统计信息;第二目标缺陷标签获取单元,响应于上述缺陷统计信息中包含指定缺陷类型,被配置成标记上述待检测物体为不合格。
在一些实施例中,上述装置还包括:第三目标缺陷标签获取单元,响应于上述缺陷统计信息中存在缺陷数量大于第三数量阈值的缺陷类型信息,被配置成标记上述待检测物体为不合格。
在一些实施例中,上述装置还包括:第四目标缺陷标签获取单元,响应于上述缺陷标签库内没有对应上述识别结果信息的缺陷标签,被配置成将上述识别结果信息导入缺陷标记模型,得到对应上述识别结果信息的目标缺陷标签。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述第一方面的用于检测物体表面缺陷的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述第一方面的操作无人机的方法或第二方面的操作无人机的方法。
本公开的实施例提供的用于检测物体表面缺陷的方法及装置,首先获取待检测物体的待检测面图像和检测时间信息;然后根据上述检测时间信息确定上述待检测面图像的检测方式,并按照上述检测方式对上述待检测面图像进行检测,得到缺陷图像,有利于工业化生产的实际要求;之后对上述缺陷图像进行缺陷识别,得到识别结果信息;最后将上述识别结果信息与缺陷标签库内的缺陷标签进行匹配,得到对应上述待检测物体的目标缺陷标签。本申请提高了识别缺陷的准确性和效率。
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是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是用来实现本申请实施例的用于检测物体表面缺陷的方法的电子设备的框图;
图6是适于用来实现本公开的实施例的电子设备结构示意图。
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示出了可以应用本公开的实施例的用于检测物体表面缺陷的方法或用于检测物体表面缺陷的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种图像处理应用,例如图像采集应用、图像识别应用、图像标记应用、视频采集应用、图像提取应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有镜头并且支持图像采集的各种电子设备,包括但不限于智能摄像头、监控摄像头等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103采集的图像或视频提供支持的服务器。服务器可以对接收到的待检测面图像等数据进行分析等处理,以得到待检测物体的缺陷标签。
需要说明的是,本公开的实施例所提供的用于检测物体表面缺陷的方法一般由服务器105执行,相应地,用于检测物体表面缺陷的装置一般设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的用于检测物体表面缺陷的方法的一个实施例的流程200。该用于检测物体表面缺陷的方法包括以下步骤:
步骤201,获取待检测物体的待检测面图像和检测时间信息。
在本实施例中,用于检测物体表面缺陷的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取待检测物体各个面的待检测面图像和检测时间信息。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(Ultra Wideband)连接、以及其他现在已知或将来开发的无线连接方式。
现有对待检测物体(例如可以是生产线上的零部件)进行缺陷检测过程中,需要大量的人工参与,且不易按照相同标准检测缺陷。同时,人工检测的方式不易建立缺陷数据库,对缺陷的类型、大小等不能进行准确判断。
本申请的执行主体在对待检测物体进行缺陷检测时,可以同时获取待检测物体各个面的待检测面图像和检测时间信息。其中,待检测面图像可以由终端设备101、102、103采集。终端设备101、102、103可以设置在生产线上,用于采集待检测物体各个面的待检测面图像。检测时间信息可以是根据生产线上待检测物体的处理时间,或待检测物体的数量等实际要求进行设置。即,上述检测时间信息用于指示检测完物体所需要的时间。
步骤202,根据上述检测时间信息确定上述待检测面图像的检测方式,并按照上述检测方式对上述待检测面图像进行检测,得到缺陷图像。
执行主体可以根据检测时间信息确定检测方式。其中,上述检测方式可以包括并行检测和串行检测。并行检测是对每个待检测面图像单独进行的检测,得到的缺陷图像也是针对的单独的待检测面图像。因此处理的数据量少,冗余数据的也少。串行检测需要同时输入待检测物体各个面的待检测面图像,得到的缺陷图像也是针对整个待检测物体。但是,在对某个待检测面图像检测时,其他的待检测面图像也需要经过该待检测面图像的串行检测过程。因此,串行检测的过程容易产生冗余数据,且耗时较多。优点是一次性得出待检测物体整体的缺陷图像。根据上述检测时间信息确定上述待检测面图像的检测方式,能够满足实际生产的需要,提高检测缺陷的效率。
步骤203,对上述缺陷图像进行缺陷识别,得到识别结果信息。
得到缺陷图像后,执行主体可以通过现有的多种缺陷识别方法得到识别结果信息。例如,执行主体可以获取待检测物体没有缺陷时的基准面图像,然后通过基准面图像与待检测面图像进行对比确定识别结果信息。执行主体还可以将待检测面图像导入到缺陷识别模型,得到对应的识别结果信息。其中,识别结果信息可以包括缺陷图像的结构、面积、数量等信息。
步骤204,将上述识别结果信息与缺陷标签库内的缺陷标签进行匹配,得到对应上述待检测物体的目标缺陷标签。
实际中,每种待检测物体都有对应的缺陷类型,对应的可以构建缺陷标签库。缺陷标签库包含了多种缺陷标签,缺陷标签可以标识缺陷的类型等信息。执行主体将识别结果信息与缺陷标签库内的缺陷标签进行匹配,可以查找到与待检测物体对应的目标缺陷标签。目标缺陷标签可以包含缺陷标签库中的缺陷标签,也可以包含缺陷标签库中的缺陷标签和执行主体依据该缺陷标签生成的其他信息。例如,其他信息可以是缺陷标签对应的缺陷的大小等。如此,提高了识别缺陷的准确性和效率。
继续参考图3,示出了根据本公开的用于检测物体表面缺陷的方法的一个实施例的流程300。该用于检测物体表面缺陷的方法包括以下步骤:
步骤301,获取待检测物体的待检测面图像和检测时间信息。
步骤301的内容与步骤201的内容相同,此处不再一一赘述。
步骤302,根据上述检测时间信息确定上述待检测面图像的检测方式,并按照上述检测方式对上述待检测面图像进行检测,得到缺陷图像。
在本实施例的一些可选的实现方式中,上述根据上述检测时间信息确定上述待检测面图像的检测方式,可以包括:响应上述检测时间信息小于设定的时间信息阈值,对上述待检测面图像进行并行检测,否则,对上述待检测面图像进行串行检测。
检测时间信息通常是根据实际的生产需要来设置的。当待检测物体的生产过程较短时,检测时间信息对应的时间通常较短。反之,检测时间信息对应的时间通常较长。对应的,检测时间信息小于设定的时间信息阈值时,执行主体可以对待检测面图像进行并行检测,否则,对上述待检测面图像进行串行检测。如此,有利于提高检测效率。
在本实施例的一些可选的实现方式中,上述根据上述检测时间信息确定上述待检测面图像的检测方式,包括:响应上述待检测面图像的数量大于的第一数量阈值,对上述待检测面图像进行并行检测,否则,对上述待检测面图像进行串行检测。
当待检测物体的数量较大时,为了保证生产的正常进行,执行主体可以对待检测面图像进行并行检测,否则,对上述待检测面图像进行串行检测。如此,有利于提高检测效率。
步骤303,对上述缺陷图像进行缺陷识别,得到识别结果信息。
在本实施例的一些可选的实现方式中,上述对上述缺陷图像进行缺陷识别,得到识别结果信息,可以包括:响应于上述缺陷图像的面积小于设定面积阈值,采用单目标检测法对上述缺陷图像进行检测,否则,采用多目标检测法对上述缺陷图像进行检测。
实际中,缺陷图像的尺寸可以是不同的,当缺陷图像的面积小于设定面积阈值时,该缺陷图像通常不会包含多种不同类型的缺陷。此时,执行主体可以单目标检测法对上述缺陷图像进行检测。其中,单目标检测法用于对单一的缺陷进行检测,具有识别速度快的优势。常用的单目标检测法包括YOLO(You Only Look Once)系列方法包括YOLOv2、YOLO9000、YOLOv3等。多目标检测法可用于对各种不同的缺陷进行检测,具有识别准确率高的优势。多目标检测法可以包括R-CNN(Region-Convolutional Neural Networks,快速区域卷积神经网络)、SPPNet(Spatial Pyramid Pooling in Deep ConvolutionalNetworks)、Faster R-CNN(Faster Region-Convolutional Neural Networks,快速区域卷积神经网络)等。单目标检测法和多目标检测法的选择可根据实际需要而定。如此,提高了识别缺陷图像的针对性,有利于对缺陷图像的准确识别。
在本实施例的一些可选的实现方式中,上述对上述缺陷图像进行缺陷识别,得到识别结果信息,可以包括:响应于上述缺陷图像的数量小于第二数量阈值,采用多目标检测法对上述缺陷图像进行检测,否则,采用单目标检测法对上述缺陷图像进行检测。
除了上述通过缺陷图像的面积确定检测方式外,执行主体还可以通过缺陷图像的数量来确定检测方式。当缺陷图像的数量小于第二数量阈值时,说明对全部的缺陷图像进行检测也不会花费过多的时间。为了提高检测的准确性,执行主体可以采用多目标检测法对上述缺陷图像进行检测。反之,执行主体可以采用单目标检测法对上述缺陷图像进行检测,以提高检测速度。
步骤304,将上述识别结果信息与缺陷标签库内的缺陷标签进行匹配,得到对应上述待检测物体的目标缺陷标签。
步骤304的内容与步骤204的内容相同,此处不再一一赘述。
步骤305,响应于上述待检测面图像为多个,获取多个上述待检测面图像中的每个待检测面图像的缺陷类型信息和缺陷数量信息。
当待检测面图像为多个时,为了确定待检测物体的质量,执行主体可以获取多个上述待检测面图像中的每个待检测面图像的缺陷类型信息和缺陷数量信息。如此,有利于实现对待检测物体的整体评价。
步骤306,通过上述缺陷类型信息和缺陷数量信息得到缺陷统计信息。
执行主体可以对缺陷类型信息和缺陷数量信息进行统计,以得到缺陷统计信息。缺陷统计信息可以反映待检测物体的整体质量情况。
步骤307,响应于上述缺陷统计信息中包含指定缺陷类型,标记上述待检测物体为不合格。
当缺陷统计信息中包含指定缺陷类型时,说明待检测物体存在严重的质量问题。此时,不管有没有其他缺陷,也不管其他缺陷数量的多少,执行主体都可以直接标记上述待检测物体为不合格。指定缺陷类型可以包括结构缺失、存在导电杂质等。对于不同的待检测物体,指定缺陷类型可以不同。有利于快速判断待检测物体的质量。
步骤308,响应于上述缺陷统计信息中存在缺陷数量大于第三数量阈值的缺陷类型信息,标记上述待检测物体为不合格。
当待检测物体中存在缺陷数量大于第三数量阈值的缺陷类型信息时,不管该缺陷是否为指定缺陷类型,都可以认为待检测物体不合格。可检测因大量小缺陷导致的待检测物体质量不合格的情况,提高了标记的有效性。
本公开的上述实施例提供的方法通过将网页页面的内容和推送信息相关联,实现了富于针对性的信息推送。
继续参考图4,示出了根据本公开的用于检测物体表面缺陷的方法的一个实施例的流程400。该用于检测物体表面缺陷的方法包括以下步骤:
步骤401,获取待检测物体的待检测面图像和检测时间信息。
步骤401的内容与步骤201的内容相同,此处不再一一赘述。
步骤402,根据上述检测时间信息确定上述待检测面图像的检测方式,并按照上述检测方式对上述待检测面图像进行检测,得到缺陷图像。
步骤402的内容与步骤202的内容相同,此处不再一一赘述。
步骤403,对上述缺陷图像进行缺陷识别,得到识别结果信息。
步骤403的内容与步骤203的内容相同,此处不再一一赘述。
步骤404,将上述识别结果信息与缺陷标签库内的缺陷标签进行匹配,得到对应上述待检测物体的目标缺陷标签。
步骤404的内容与步骤204的内容相同,此处不再一一赘述。
步骤405,响应于上述缺陷标签库内没有对应上述识别结果信息的缺陷标签,将上述识别结果信息导入缺陷标记模型,得到对应上述识别结果信息的目标缺陷标签。
当缺陷标签库内没有对应上述识别结果信息的缺陷标签时,说明该缺陷为首次出现。此时,执行主体可以将识别结果信息导入缺陷标记模型,得到对应上述识别结果信息的目标缺陷标签。其中,缺陷标记模型可以是现有的多种用于标记缺陷的模型。例如GANomaly模型、深度学习模型等。如此,可以对未知的缺陷进行准确识别。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于检测物体表面缺陷的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于检测物体表面缺陷的装置500可以包括:第一信息获取单元501、缺陷图像获取单元502、识别结果信息获取单元503和第一目标缺陷标签获取单元504。其中,第一信息获取单元501,被配置成获取待检测物体的待检测面图像和检测时间信息,上述检测时间信息用于指示检测完物体所需要的时间;缺陷图像获取单元502,被配置成根据上述检测时间信息确定上述待检测面图像的检测方式,并按照上述检测方式对上述待检测面图像进行检测,得到缺陷图像,其中,上述检测方式包括并行检测和串行检测;识别结果信息获取单元503,被配置成对上述缺陷图像进行缺陷识别,得到识别结果信息;第一目标缺陷标签获取单元504,被配置成将上述识别结果信息与缺陷标签库内的缺陷标签进行匹配,得到对应上述待检测物体的目标缺陷标签。
在本实施例的一些可选的实现方式中,上述缺陷图像获取单元502可以包括:第一检测方式确定子单元(图中未示出),响应上述检测时间信息小于设定的时间信息阈值,被配置成对上述待检测面图像进行并行检测,否则,对上述待检测面图像进行串行检测。
在本实施例的一些可选的实现方式中,上述缺陷图像获取单元502可以包括:第二检测方式确定子单元(图中未示出),响应上述待检测面图像的数量大于的第一数量阈值,被配置成对上述待检测面图像进行并行检测,否则,对上述待检测面图像进行串行检测。
在本实施例的一些可选的实现方式中,上述识别结果信息获取单元503可以包括:面积检测子单元(图中未示出),响应于上述缺陷图像的面积小于设定面积阈值,被配置成采用单目标检测法对上述缺陷图像进行检测,否则,采用多目标检测法对上述缺陷图像进行检测。
在本实施例的一些可选的实现方式中,上述识别结果信息获取单元503可以包括:数量检测子单元(图中未示出),响应于上述缺陷图像的数量小于第二数量阈值,被配置成采用多目标检测法对上述缺陷图像进行检测,否则,采用单目标检测法对上述缺陷图像进行检测。
在本实施例的一些可选的实现方式中,上述目标缺陷标签可以包括缺陷类型信息和缺陷数量信息,以及,上述用于检测物体表面缺陷的装置500还可以包括:第二信息获取单元(图中未示出)、信息统计单元(图中未示出)和第二目标缺陷标签获取单元(图中未示出)。第二信息获取单元,响应于上述待检测面图像为多个,被配置成获取多个上述待检测面图像中的每个待检测面图像的缺陷类型信息和缺陷数量信息;信息统计单元,被配置成通过上述缺陷类型信息和缺陷数量信息得到缺陷统计信息;第二目标缺陷标签获取单元,响应于上述缺陷统计信息中包含指定缺陷类型,被配置成标记上述待检测物体为不合格。
在本实施例的一些可选的实现方式中,上述用于检测物体表面缺陷的装置500还可以包括:第三目标缺陷标签获取单元(图中未示出),响应于上述缺陷统计信息中存在缺陷数量大于第三数量阈值的缺陷类型信息,被配置成标记上述待检测物体为不合格。
在本实施例的一些可选的实现方式中,上述用于检测物体表面缺陷的装置500还可以包括:第四目标缺陷标签获取单元(图中未示出),响应于上述缺陷标签库内没有对应上述识别结果信息的缺陷标签,被配置成将上述识别结果信息导入缺陷标记模型,得到对应上述识别结果信息的目标缺陷标签。
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用于检测物体表面缺陷的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。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,上述存储器存储有可由至少一个处理器执行的指令,以使上述至少一个处理器执行本申请所提供的用于检测物体表面缺陷的方法。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用于检测物体表面缺陷的方法。
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用于检测物体表面缺陷的方法对应的程序指令/模块(例如,附图5所示的第一信息获取单元501、缺陷图像获取单元502、识别结果信息获取单元503和第二目标缺陷标签获取单元504)。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用于检测物体表面缺陷的方法。
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用于检测物体表面缺陷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用于检测物体表面缺陷的电子设备。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。
用于检测物体表面缺陷的方法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,以及产生与用于检测物体表面缺陷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604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,首先获取待检测物体的待检测面图像和检测时间信息;然后根据上述检测时间信息确定上述待检测面图像的检测方式,并按照上述检测方式对上述待检测面图像进行检测,得到缺陷图像,有利于工业化生产的实际要求;之后对上述缺陷图像进行缺陷识别,得到识别结果信息;最后将上述识别结果信息与缺陷标签库内的缺陷标签进行匹配,得到对应上述待检测物体的目标缺陷标签。本申请提高了识别缺陷的准确性和效率。
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 (18)
1.一种用于检测物体表面缺陷的方法,包括:
获取待检测物体的待检测面图像和检测时间信息,所述检测时间信息用于指示检测完物体所需要的时间;
根据所述检测时间信息确定所述待检测面图像的检测方式,并按照所述检测方式对所述待检测面图像进行检测,得到缺陷图像,其中,所述检测方式包括并行检测和串行检测;
对所述缺陷图像进行缺陷识别,得到识别结果信息;
将所述识别结果信息与缺陷标签库内的缺陷标签进行匹配,得到对应所述待检测物体的目标缺陷标签。
2.根据权利要求1所述的方法,其中,所述根据所述检测时间信息确定所述待检测面图像的检测方式,包括:
响应所述检测时间信息小于设定的时间信息阈值,对所述待检测面图像进行并行检测,否则,对所述待检测面图像进行串行检测。
3.根据权利要求1所述的方法,其中,所述根据所述检测时间信息确定所述待检测面图像的检测方式,包括:
响应所述待检测面图像的数量大于的第一数量阈值,对所述待检测面图像进行并行检测,否则,对所述待检测面图像进行串行检测。
4.根据权利要求1所述的方法,其中,所述对所述缺陷图像进行缺陷识别,得到识别结果信息,包括:
响应于所述缺陷图像的面积小于设定面积阈值,采用单目标检测法对所述缺陷图像进行检测,否则,采用多目标检测法对所述缺陷图像进行检测。
5.根据权利要求1所述的方法,其中,所述对所述缺陷图像进行缺陷识别,得到识别结果信息,包括:
响应于所述缺陷图像的数量小于第二数量阈值,采用多目标检测法对所述缺陷图像进行检测,否则,采用单目标检测法对所述缺陷图像进行检测。
6.根据权利要求1所述的方法,其中,所述目标缺陷标签包括缺陷类型信息和缺陷数量信息,以及
所述方法还包括:
响应于所述待检测面图像为多个,获取多个所述待检测面图像中的每个待检测面图像的缺陷类型信息和缺陷数量信息;
通过所述缺陷类型信息和缺陷数量信息得到缺陷统计信息;
响应于所述缺陷统计信息中包含指定缺陷类型,标记所述待检测物体为不合格。
7.根据权利要求6所述的方法,其中,所述方法还包括:
响应于所述缺陷统计信息中存在缺陷数量大于第三数量阈值的缺陷类型信息,标记所述待检测物体为不合格。
8.根据权利要求1所述的方法,其中,所述方法还包括:
响应于所述缺陷标签库内没有对应所述识别结果信息的缺陷标签,将所述识别结果信息导入缺陷标记模型,得到对应所述识别结果信息的目标缺陷标签。
9.一种用于检测物体表面缺陷的装置,包括:
第一信息获取单元,被配置成获取待检测物体的待检测面图像和检测时间信息,所述检测时间信息用于指示检测完物体所需要的时间;
缺陷图像获取单元,被配置成根据所述检测时间信息确定所述待检测面图像的检测方式,并按照所述检测方式对所述待检测面图像进行检测,得到缺陷图像,其中,所述检测方式包括并行检测和串行检测;
识别结果信息获取单元,被配置成对所述缺陷图像进行缺陷识别,得到识别结果信息;
第一目标缺陷标签获取单元,被配置成将所述识别结果信息与缺陷标签库内的缺陷标签进行匹配,得到对应所述待检测物体的目标缺陷标签。
10.根据权利要求9所述的装置,其中,所述缺陷图像获取单元包括:
第一检测方式确定子单元,响应所述检测时间信息小于设定的时间信息阈值,被配置成对所述待检测面图像进行并行检测,否则,对所述待检测面图像进行串行检测。
11.根据权利要求9所述的装置,其中,所述缺陷图像获取单元包括:
第二检测方式确定子单元,响应所述待检测面图像的数量大于的第一数量阈值,被配置成对所述待检测面图像进行并行检测,否则,对所述待检测面图像进行串行检测。
12.根据权利要求9所述的装置,其中,所述识别结果信息获取单元包括:
面积检测子单元,响应于所述缺陷图像的面积小于设定面积阈值,被配置成采用单目标检测法对所述缺陷图像进行检测,否则,采用多目标检测法对所述缺陷图像进行检测。
13.根据权利要求9所述的装置,其中,所述识别结果信息获取单元包括:
数量检测子单元,响应于所述缺陷图像的数量小于第二数量阈值,被配置成采用多目标检测法对所述缺陷图像进行检测,否则,采用单目标检测法对所述缺陷图像进行检测。
14.根据权利要求9所述的装置,其中,所述目标缺陷标签包括缺陷类型信息和缺陷数量信息,以及
所述装置还包括:
第二信息获取单元,响应于所述待检测面图像为多个,被配置成获取多个所述待检测面图像中的每个待检测面图像的缺陷类型信息和缺陷数量信息;
信息统计单元,被配置成通过所述缺陷类型信息和缺陷数量信息得到缺陷统计信息;
第二目标缺陷标签获取单元,响应于所述缺陷统计信息中包含指定缺陷类型,被配置成标记所述待检测物体为不合格。
15.根据权利要求14所述的装置,其中,所述装置还包括:
第三目标缺陷标签获取单元,响应于所述缺陷统计信息中存在缺陷数量大于第三数量阈值的缺陷类型信息,被配置成标记所述待检测物体为不合格。
16.根据权利要求9所述的装置,其中,所述装置还包括:
第四目标缺陷标签获取单元,响应于所述缺陷标签库内没有对应所述识别结果信息的缺陷标签,被配置成将所述识别结果信息导入缺陷标记模型,得到对应所述识别结果信息的目标缺陷标签。
17.一种电子设备,包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行权利要求1至8中任一所述的方法。
18.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010536645.2A CN111696095B (zh) | 2020-06-12 | 2020-06-12 | 用于检测物体表面缺陷的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010536645.2A CN111696095B (zh) | 2020-06-12 | 2020-06-12 | 用于检测物体表面缺陷的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111696095A true CN111696095A (zh) | 2020-09-22 |
CN111696095B CN111696095B (zh) | 2023-08-08 |
Family
ID=72480786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010536645.2A Active CN111696095B (zh) | 2020-06-12 | 2020-06-12 | 用于检测物体表面缺陷的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111696095B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950560A (zh) * | 2021-02-20 | 2021-06-11 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子元器件缺陷检测方法、装置及系统 |
CN113026828A (zh) * | 2021-03-04 | 2021-06-25 | 北京百度网讯科技有限公司 | 水下桩基探伤方法、装置、设备、存储介质及程序产品 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030105897A1 (en) * | 2001-11-30 | 2003-06-05 | Adams Phillip M. | Programmatic time-gap defect correction apparatus and method |
CN102565073A (zh) * | 2011-12-31 | 2012-07-11 | 北京航空航天大学 | 基于fpga的便携式电路板缺陷快速检测装置 |
CN108776808A (zh) * | 2018-05-25 | 2018-11-09 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
CN109949305A (zh) * | 2019-03-29 | 2019-06-28 | 北京百度网讯科技有限公司 | 产品表面缺陷检测方法、装置及计算机设备 |
CN109961433A (zh) * | 2019-03-29 | 2019-07-02 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置及计算机设备 |
CN110057828A (zh) * | 2019-04-28 | 2019-07-26 | 广东工业大学 | 一种基于机器视觉的表面检测方法及系统 |
CN110619620A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 导致表面缺陷的异常定位方法、装置、系统及电子设备 |
CN110659600A (zh) * | 2019-09-19 | 2020-01-07 | 北京百度网讯科技有限公司 | 物体检测方法、装置及设备 |
-
2020
- 2020-06-12 CN CN202010536645.2A patent/CN111696095B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030105897A1 (en) * | 2001-11-30 | 2003-06-05 | Adams Phillip M. | Programmatic time-gap defect correction apparatus and method |
CN102565073A (zh) * | 2011-12-31 | 2012-07-11 | 北京航空航天大学 | 基于fpga的便携式电路板缺陷快速检测装置 |
CN108776808A (zh) * | 2018-05-25 | 2018-11-09 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
CN110619620A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 导致表面缺陷的异常定位方法、装置、系统及电子设备 |
CN109949305A (zh) * | 2019-03-29 | 2019-06-28 | 北京百度网讯科技有限公司 | 产品表面缺陷检测方法、装置及计算机设备 |
CN109961433A (zh) * | 2019-03-29 | 2019-07-02 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置及计算机设备 |
CN110057828A (zh) * | 2019-04-28 | 2019-07-26 | 广东工业大学 | 一种基于机器视觉的表面检测方法及系统 |
CN110659600A (zh) * | 2019-09-19 | 2020-01-07 | 北京百度网讯科技有限公司 | 物体检测方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
谭沛岩: "基于Zynq的线缆表观缺陷视觉检测图像处理系统的研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950560A (zh) * | 2021-02-20 | 2021-06-11 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子元器件缺陷检测方法、装置及系统 |
CN113026828A (zh) * | 2021-03-04 | 2021-06-25 | 北京百度网讯科技有限公司 | 水下桩基探伤方法、装置、设备、存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111696095B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860506B (zh) | 识别文字的方法和装置 | |
CN111784663B (zh) | 零部件的检测方法、装置、电子设备及存储介质 | |
CN111768381A (zh) | 零部件缺陷检测方法、装置及电子设备 | |
CN111768386A (zh) | 产品缺陷检测方法、装置、电子设备和存储介质 | |
CN111738322B (zh) | 一种物品表面缺陷的检测方法、装置、设备和介质 | |
CN111598164A (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN111552646B (zh) | 用于回归测试的方法和装置 | |
EP3852007A2 (en) | Method, apparatus, electronic device, readable storage medium and program for classifying video | |
CN111814633A (zh) | 陈列场景检测方法、装置、设备以及存储介质 | |
CN114428677B (zh) | 任务处理方法、处理装置、电子设备及存储介质 | |
CN111488821A (zh) | 用于识别交通信号灯倒计时信息的方法及装置 | |
CN111967490A (zh) | 用于地图检测的模型训练方法和地图检测方法 | |
CN111753911A (zh) | 用于融合模型的方法和装置 | |
CN111783639A (zh) | 图像检测方法、装置、电子设备及可读存储介质 | |
CN111224843A (zh) | 资源链路监控方法、装置、设备和存储介质 | |
CN111444819A (zh) | 切割帧确定方法、网络训练方法、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 | |
CN111160410A (zh) | 一种物体检测方法和装置 | |
CN111563541B (zh) | 图像检测模型的训练方法和装置 | |
CN112287922A (zh) | 表计读取方法、装置、设备以及存储介质 | |
CN111967299B (zh) | 无人机巡检方法、装置、设备及存储介质 | |
CN111783591B (zh) | 异常检测方法、装置、设备和存储介质 | |
CN111599174B (zh) | 一种交通指标的异常检测方法和电子设备 | |
CN113419915A (zh) | 云终端桌面静止确定方法和装置 |
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 |