CN111724352B - 一种基于核密度估计的贴片led瑕疵标注方法 - Google Patents
一种基于核密度估计的贴片led瑕疵标注方法 Download PDFInfo
- Publication number
- CN111724352B CN111724352B CN202010480388.5A CN202010480388A CN111724352B CN 111724352 B CN111724352 B CN 111724352B CN 202010480388 A CN202010480388 A CN 202010480388A CN 111724352 B CN111724352 B CN 111724352B
- Authority
- CN
- China
- Prior art keywords
- image
- density estimation
- kernel density
- pixel points
- 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.)
- Active
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 27
- 230000007547 defect Effects 0.000 claims abstract description 34
- 230000002950 deficient Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于核密度估计的贴片LED瑕疵标注方法,包括:步骤1:获得贴片LED图像;步骤2:建立基于核密度估计的分类器模型;步骤3:使用分类器模型对图像进行分类,判断图像是否为瑕疵类图像,若是,则执行步骤4,否则,将图像直接输出为非瑕疵类图像;步骤4:分别对瑕疵类图像中的瑕疵类像素点和非瑕疵类像素点进行标注;步骤5:对标注后的图像进行去噪处理,获得经过精细化标注的瑕疵类图像。与现有技术相比,本发明具有复杂度低、处理速度快、标注更加精细、实用性强等优点。
Description
技术领域
本发明涉及图像标注技术领域,尤其是涉及一种基于核密度估计的贴片LED瑕疵标注方法。
背景技术
目前,基于深度学习的数据算法已被广泛应用于分类、检测识别等计算机视觉任务中。深度学习算法在训练时往往需要较多的经过精细标注的图像作为训练集,而且工业视觉检测领域,获取大量精细标注图像的成本较高。
现有技术中对图像进行标注的方法都较为复杂,例如中国专利CN102854193A中公开了一种用于图像瑕疵检测的检测方法和检测系统。该专利中的瑕疵标注方法的复杂度较高,处理时间长,处理速度慢。由于粗标注图像比较容易获得,在综合考虑成本投入、标注速度和精度后,工业视觉检测领域中亟需一种能够通过粗标注图像获得精细化标注图像的方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种复杂度低、处理速度快、标注更加精细、实用性强的基于核密度估计的贴片LED瑕疵标注方法。
本发明的目的可以通过以下技术方案来实现:
一种基于核密度估计的贴片LED瑕疵标注方法,包括:
步骤1:获得贴片LED图像;
步骤2:建立基于核密度估计的分类器模型;
步骤3:使用分类器模型对图像进行分类,判断图像是否为瑕疵类图像,若是,则执行步骤4,否则,将图像直接输出为非瑕疵类图像;
步骤4:分别对瑕疵类图像中的瑕疵类像素点和非瑕疵类像素点进行标注;
步骤5:对标注后的图像进行去噪处理,获得经过精细化标注的瑕疵类图像。
优选地,所述步骤1中的贴片LED图像包括训练图像、测试图像和经过粗标注的瑕疵类图像;所述的训练图像包括非瑕疵图像;所述的测试图像包括非瑕疵图像和瑕疵类图像。
更加优选地,述的步骤2具体为:
步骤2-1:构建若干个核密度估计分类器;
步骤2-2:分别通过所有图像中处于相同位置的像素点训练核密度估计器,构建分类器模型;
步骤2-3:对分类器模型进行测试。
更加优选地,所述的步骤2-2使用训练图像对核密度估计器进行训练;所述的步骤2-3使用测试图像和经过粗标注的瑕疵类图像对分类器模型进行测试。
更加优选地,所述的分类器模型包括若干个核密度估计分类器,若干个核密度估计分类器通过投票法获得图像分类结果。
更加优选地,所述的核密度估计分类器的核密度估计方法为:
其中,n为样本点个数;K(·)为核函数,该函数为非负函数,积分为1,均值为0;h为平滑参数,称为带宽。
更加优选地,所述的平滑参数h的计算方法为:
其中,σ为样本的标准差;n为样本点个数。
优选地,所述的步骤3具体为:
分类器模型中的核密度估计分类器对图像的所有像素点进行检测,对所有的像素点进行分类,然后所有的核密度估计分类器通过投票法判断图像是否为瑕疵类图像,若是,则执行步骤4,否则,将图像直接输出为非瑕疵类图像。
优选地,所述的步骤5具体为:
将经过分类器模型处理后的瑕疵类图像和与之对应的粗标注图像进行取交处理,最终获得经过精细化标注的瑕疵类图像。
优选地,所述的核密度估计分类器通过预设瑕疵特征概率密度f1和预设阈值ε来判断像素点是否为瑕疵类像素点,具体为:若像素点的概率密度f∈(f1,f1+ε),则判断该像素点为瑕疵类像素点,否则,判断该像素点为非瑕疵类像素点。
与现有技术相比,本发明具有以下优点:
一、复杂度低,处理速度快:本发明中的贴片LED瑕疵标注方法通过核密度估计分类器构建分类器模型,通过对图像的像素点进行分类,从而判断图像的类别,并且在核密度估计分类器对像素点进行分类后,可以直接通过分类器标注瑕疵类像素点,算法的复杂度低,处理速度快。
二、标注更加精细:本发明中的贴片LED瑕疵标注方法通过核密度估计分类器对图像的像素点进行分类,在获得经过标注的瑕疵类图像后,再与粗标注图像进行取交处理,对瑕疵标注图像进行去噪处理。
三、实用性强:本发明中的贴片LED瑕疵标注方法为避免粗标注瑕疵图像的误判,设置了对图像类别的判断步骤,通过投票法来判断图像是否为瑕疵类图像,设置一定的阈值来提高投票法的准确度,提高算法的实用性。
附图说明
图1为本发明中贴片LED瑕疵标注方法的流程示意图;
图2为本发明实施例中带有丝状杂物的贴片LED示意图;
图3为本发明实施例中带有丝状杂物贴片LED进行粗标注后的示意图;
图4为本发明实施例中计算得到的所有像素点的概率密度示意图;
图5为本发明实施例中经分类器模型分类标注后的瑕疵类图像;
图6为本发明实施例中经过去噪处理后带有精细标注的瑕疵类图像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
一种基于核密度估计的贴片LED瑕疵标注方法,其流程如图1所示,包括:
步骤1:获得贴片LED图像,包括训练图像、测试图像和经过粗标注的瑕疵类图像;所述的训练图像包括非瑕疵图像;所述的测试图像包括非瑕疵图像和瑕疵类图像。
步骤2:建立基于核密度估计的分类器模型,具体为:
步骤2-1:构建若干个核密度估计分类器;
每个核密度估计分类器的核密度估计方法为:
其中,n为样本点个数;K(·)为核函数,该函数为非负函数,积分为1,均值为0;h为平滑参数,称为带宽。
平滑参数h的计算方法为:
其中,σ为样本的标准差;n为样本点个数。
核密度估计分类器通过预设瑕疵特征概率密度f1和预设阈值ε来判断像素点是否为瑕疵类像素点,具体为:若像素点的概率密度f∈(f1,f1+ε),则判断该像素点为瑕疵类像素点,否则,判断该像素点为非瑕疵类像素点。
步骤2-2:分别通过所有训练图像中处于相同位置的像素点训练核密度估计器,构建分类器模型;
步骤2-3:使用测试图像对分类器模型进行测试。
步骤3:使用分类器模型对图像进行分类,判断图像是否为瑕疵类图像,若是,则执行步骤4,否则,将图像直接输出为非瑕疵类图像;
具体为:分类器模型中的核密度估计分类器对图像的所有像素点进行检测,对所有的像素点进行分类,然后所有的核密度估计分类器通过投票法判断图像是否为瑕疵类图像,若是,则执行步骤4,否则,将图像直接输出为非瑕疵类图像。
步骤4:分别对瑕疵类图像中的瑕疵类像素点和非瑕疵类像素点进行标注;
步骤5:对标注后的图像进行去噪处理,获得经过精细化标注的瑕疵类图像,具体为:将经过分类器模型处理后的瑕疵类图像和与之对应的粗标注图像进行取交处理,最终获得经过精细化标注的瑕疵类图像。
本实施例使用带有丝状杂物的贴片LED进行试验,带有丝状杂物的贴片LED如图2所示,进行粗标注后如图3所示。
使用分类器模型计算该图像各像素点的概率密度示意如图4所示,有图4可以看出,与瑕疵特征相近像素点的概率密度与瑕疵概率密度也会相近,通过预设阈值来区别瑕疵类像素点和非瑕疵类像素点。
经分类器模型分类标注后的图像如图4所示,去噪后的图像如图5所示。由图2~6可以看出,本发明中的标注方法可以实现对粗标注图像的精细化标注。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于核密度估计的贴片LED瑕疵标注方法,其特征在于,包括:
步骤1:获得贴片LED图像;
步骤2:建立基于核密度估计的分类器模型;
步骤3:使用分类器模型对图像进行分类,判断图像是否为瑕疵类图像,若是,则执行步骤4,否则,将图像直接输出为非瑕疵类图像;
步骤4:分别对瑕疵类图像中的瑕疵类像素点和非瑕疵类像素点进行标注;
步骤5:对标注后的图像进行去噪处理,获得经过精细化标注的瑕疵类图像;
所述步骤1中的贴片LED图像包括训练图像、测试图像和经过粗标注的瑕疵类图像;所述的训练图像包括非瑕疵图像;所述的测试图像包括非瑕疵图像和瑕疵类图像;
所述的步骤2具体为:
步骤2-1:构建若干个核密度估计分类器;
步骤2-2:分别通过所有图像中处于相同位置的像素点训练核密度估计器,构建分类器模型;
步骤2-3:对分类器模型进行测试;
所述的步骤2-2使用训练图像对核密度估计器进行训练;所述的步骤2-3使用测试图像和经过粗标注的瑕疵类图像对分类器模型进行测试;
所述的分类器模型包括若干个核密度估计分类器,若干个核密度估计分类器通过投票法获得图像分类结果;
所述的核密度估计分类器的核密度估计方法为:
其中,n为样本点个数;K(·)为核函数,该函数为非负函数,积分为1,均值为0;h为平滑参数,称为带宽。
3.根据权利要求1所述的一种基于核密度估计的贴片LED瑕疵标注方法,其特征在于,所述的步骤3具体为:
分类器模型中的核密度估计分类器对图像的所有像素点进行检测,对所有的像素点进行分类,然后所有的核密度估计分类器通过投票法判断图像是否为瑕疵类图像,若是,则执行步骤4,否则,将图像直接输出为非瑕疵类图像。
4.根据权利要求1所述的一种基于核密度估计的贴片LED瑕疵标注方法,其特征在于,所述的步骤5具体为:
将经过分类器模型处理后的瑕疵类图像和与之对应的粗标注图像进行取交处理,最终获得经过精细化标注的瑕疵类图像。
5.根据权利要求1所述的一种基于核密度估计的贴片LED瑕疵标注方法,其特征在于,所述的核密度估计分类器通过预设瑕疵特征概率密度f1和预设阈值ε来判断像素点是否为瑕疵类像素点,具体为:若像素点的概率密度f∈(f1,f1+ε),则判断该像素点为瑕疵类像素点,否则,判断该像素点为非瑕疵类像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010480388.5A CN111724352B (zh) | 2020-05-30 | 2020-05-30 | 一种基于核密度估计的贴片led瑕疵标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010480388.5A CN111724352B (zh) | 2020-05-30 | 2020-05-30 | 一种基于核密度估计的贴片led瑕疵标注方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724352A CN111724352A (zh) | 2020-09-29 |
CN111724352B true CN111724352B (zh) | 2022-11-15 |
Family
ID=72565378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010480388.5A Active CN111724352B (zh) | 2020-05-30 | 2020-05-30 | 一种基于核密度估计的贴片led瑕疵标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724352B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318558A (zh) * | 2014-10-17 | 2015-01-28 | 浙江大学 | 复杂场景下基于多信息融合的手势分割方法 |
CN107452019A (zh) * | 2017-08-08 | 2017-12-08 | 重庆跃途科技有限公司 | 一种基于模型切换的目标检测方法、装置、系统及存储介质 |
CN109493343A (zh) * | 2018-12-29 | 2019-03-19 | 上海鹰瞳医疗科技有限公司 | 医疗图像异常区域分割方法及设备 |
CN109509180A (zh) * | 2018-10-24 | 2019-03-22 | 东华大学 | 基于机器视觉的金属纽扣瑕疵检测方法 |
CN109883691A (zh) * | 2019-01-21 | 2019-06-14 | 太原科技大学 | 核估计和随机滤波集成的齿轮剩余寿命预测方法 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
-
2020
- 2020-05-30 CN CN202010480388.5A patent/CN111724352B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318558A (zh) * | 2014-10-17 | 2015-01-28 | 浙江大学 | 复杂场景下基于多信息融合的手势分割方法 |
CN107452019A (zh) * | 2017-08-08 | 2017-12-08 | 重庆跃途科技有限公司 | 一种基于模型切换的目标检测方法、装置、系统及存储介质 |
CN109509180A (zh) * | 2018-10-24 | 2019-03-22 | 东华大学 | 基于机器视觉的金属纽扣瑕疵检测方法 |
CN109493343A (zh) * | 2018-12-29 | 2019-03-19 | 上海鹰瞳医疗科技有限公司 | 医疗图像异常区域分割方法及设备 |
CN109883691A (zh) * | 2019-01-21 | 2019-06-14 | 太原科技大学 | 核估计和随机滤波集成的齿轮剩余寿命预测方法 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111724352A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
US10489687B2 (en) | Classification method, classification module and computer program product using the same | |
CN113095438B (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
CN110059635B (zh) | 一种皮肤瑕疵检测方法及装置 | |
CN111242185A (zh) | 一种基于深度学习的缺陷快速初筛方法及系统 | |
JP6584250B2 (ja) | 画像分類方法、分類器の構成方法および画像分類装置 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
CN112805719A (zh) | 分类半导体样本中的缺陷 | |
Tang et al. | Anomaly detection of core failures in die casting X-ray inspection images using a convolutional autoencoder | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN116542984A (zh) | 五金件缺陷检测方法、装置、计算机设备及存储介质 | |
CN116596875A (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN114881996A (zh) | 缺陷检测方法及装置 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN114972880A (zh) | 一种标签识别方法、装置、电子设备及存储介质 | |
CN111191670A (zh) | 基于神经网络的分类装置及分类方法 |
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 |