CN111739020A - 周期纹理背景缺陷标签自动标注方法、装置、设备及介质 - Google Patents
周期纹理背景缺陷标签自动标注方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111739020A CN111739020A CN202010754405.XA CN202010754405A CN111739020A CN 111739020 A CN111739020 A CN 111739020A CN 202010754405 A CN202010754405 A CN 202010754405A CN 111739020 A CN111739020 A CN 111739020A
- Authority
- CN
- China
- Prior art keywords
- longitudinal
- transverse
- image
- difference
- region
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 121
- 238000002372 labelling Methods 0.000 title claims abstract description 47
- 230000000737 periodic effect Effects 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000005192 partition Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 44
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000013215 result calculation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000010365 information processing Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种周期纹理背景缺陷标签自动标注方法、装置、设备及介质，该方法包括提取有效图像中横向像素信息以获取横向周期，提取纵向像素信息以获取纵向周期，用于网格化分区有效图像，对网格化分区后的每一网格区域图像标号；通过邻间差分分析法差分处理网格区域图像中的像素，得到区域差分结果，从而得到差分特征信息；基于差分特征信息构建异常区域，并将异常区域与目标正常区域进行绝对值差分处理，再利用核窗口对绝对值差分处理的结果进行开运算，最后对开运算结果进行正则化和二值化处理，得到缺陷图像，从而获取缺陷轮廓并对缺陷轮廓进行缺陷位置标注，无需人工标注，提高标注准确率和标注效率。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种周期纹理背景缺陷标签自动标注方法、装置、设备及介质。
背景技术
在工业制造特别是电子制造产品的过程中，产品不可避免地会产生各种各样缺陷，目前主要使用AOI（Automated Optical Inspection，自动光学检测）设备利用模版匹配方法检测和识别产品缺陷，然后通过大量人力分类AOI设备拍摄的缺陷照片。工业2.0时代，越来越多的电子制造商开始采用人工智能ADC（自动缺陷分类系统）来取代人力进行缺陷分类，但是，人工智能ADC都需要大量的标注数据用于训练模型，目前标注数据需要耗费大量的人力，容易出错、耗时长、效率低。
发明内容
本发明所要解决的技术问题是人工智能ADC中人为标注数据容易出错且耗时长，效率低。本发明提供一种周期纹理背景缺陷标签自动标注方法，无需人工标注，提高标注效率。
本发明通过下述技术方案实现：
一种周期纹理背景缺陷标签自动标注方法，包括
采集输入图像，预处理所述输入图像得到有效图像；
提取所述有效图像中的横向像素信息和纵向像素信息，基于所述横向像素信息获取横向周期，基于所述纵向像素信息获取纵向周期；
基于所述横向周期和所述纵向周期网格化分区有效图像，并对网格化分区后的每一网格区域图像标号，以使每一网格区域图像携带有区域编号；
通过邻间差分分析法差分处理所述网格区域图像中的像素得到区域差分结果；
对所述区域差分结果进行特征提取，获取所述区域差分结果对应的差分特征信息；
基于所述差分特征信息构建异常区域，将所述异常区域与目标正常区域进行绝对值差分处理，得到绝对值差分结果；
利用核窗口对所述绝对值差分结果进行开运算，并对开运算结果进行正则化和二值化处理，得到缺陷图像；
对所述缺陷图像进行轮廓提取，得到缺陷轮廓，并对所述缺陷轮廓进行缺陷标签标注。
进一步地，所述预处理所述输入图像得到有效图像，包括；
灰度化处理所述输入图像得到灰度化图像；
去除所述灰度化图像中的文字信息，并通过非局部平均去噪方法降噪处理去除文字信息的灰度化图像得到有效图像。
进一步地，所述基于所述横向像素信息获取横向周期，基于所述纵向像素信息获取纵向周期，包括：
对所述横向像素信息进行自相关分析，得到所述横向像素信息的横向自相关系数；
基于所述横向自相关系数，提取除坐标原点以外的横向自相关系数的极大值对应的横坐标作为横向周期；
对所述纵向像素信息进行自相关分析，得到所述纵向像素信息的纵向自相关系数；
基于所述纵向自相关系数，提取除坐标原点以外的纵向自相关系数的极大值对应的横坐标作为纵向周期。
进一步地，所述通过邻间差分分析法差分处理所述网格区域图像中的像素得到区域差分结果，包括：
将第一列网格区域图像作为第一差分对象，差分处理所述第一差分对象中的像素得到第一区域差分结果；
将除第一列网格区域图像之外的每一列网格区域图像相邻的左侧列网格区域图像作为第二差分对象，差分处理所述第二差分对象中的像素得到第二区域差分结果；
将第一行网格区域图像作为第三差分对象，差分处理所述第三差分对象中的像素得到第三区域差分结果；
将除第一行网格区域图像之外的每一行网格区域图像相邻的上侧行网格区域图像作为第四差分对象，差分处理所述第四差分对象中的像素得到第四区域差分结果。
进一步地，所述区域差分结果包括横向区域差分结果和纵向区域差分结果；
所述对所述区域差分结果进行特征提取，获取所述区域差分结果对应的差分特征信息，包括：
将所述第二区域差分结果作为待提取横向区域差分结果，计算每一所述待提取横向区域差分结果的均值和标准差得到各待提取横向区域差分结果对应的横向均值和横向标准差；
选取每一行网格区域图像对应的最小横向标准差和所述最小横向标准差对应的横向均值作为横向差分特征信息；
将所述第四区域差分结果作为待提取纵向区域差分结果，计算每一所述待提取纵向区域差分结果的均值和标准差得到各待提取纵向区域差分结果对应的纵向均值和纵向标准差；
选取每一列网格区域图像对应的最小纵向标准差和所述最小纵向标准差对应的纵向均值作为纵向差分特征信息。
进一步地，所述基于所述差分特征信息构建异常区域，包括：
基于所述横向差分特征信息构建横向特征信息分布图，并确定横向可疑判定阈值；
在所述横向特征信息分布图中对应的预设正态分布置信区间中，选取高于所述横向可疑判定阈值的区域作为横向可疑区域；
基于所述纵向差分特征信息构建纵向特征信息分布图，并确定纵向可疑判定阈值；
在所述纵向特征信息分布图中对应的预设正态分布置信区间中，选取高于所述纵向可疑判定阈值的区域作为纵向可疑区域；
所述横向可疑区域和所述纵向可疑区域的交集则为异常区域。
进一步地，所述基于所述横向差分特征信息构建横向特征信息分布图，包括：
以每一行的区域编号作为横坐标，所述横向区域差分结果为纵坐标构建横向特征信息分布图；
所述基于所述纵向差分特征信息构建纵向特征信息分布图，包括：
以每一列的区域编号作为横坐标，所述纵向区域差分结果为纵坐标构建纵向特征信息分布图。
一种周期纹理背景缺陷标签自动标注装置，包括：
有效图像获取模块，用于采集输入图像，预处理所述输入图像得到有效图像；
有效图像信息提取模块，用于提取所述有效图像中的横向像素信息和纵向像素信息，基于所述横向像素信息获取横向周期，基于所述纵向像素信息获取纵向周期；
网格化分区处理模块，用于基于所述横向周期和所述纵向周期网格化分区有效图像，并对网格化分区后的每一网格区域图像标号，以使每一网格区域图像携带有区域编号；
区域差分结果计算模块，用于通过邻间差分分析法差分处理所述网格区域图像中的像素得到区域差分结果；
差分特征信息提取模块，用于对所述区域差分结果进行特征提取，获取所述区域差分结果对应的差分特征信息；
绝对值差分处理模块，用于基于所述差分特征信息构建异常区域，将所述异常区域与目标正常区域进行绝对值差分处理，得到绝对值差分结果；
缺陷图像获取模块，用于利用核窗口对所述绝对值差分结果进行开运算，并对开运算结果进行正则化和二值化处理，得到缺陷图像；
缺陷标签标注模块，用于对所述缺陷图像进行轮廓提取，得到缺陷轮廓，并对所述缺陷轮廓进行缺陷标签标注。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述周期纹理背景缺陷标签自动标注方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述周期纹理背景缺陷标签自动标注方法。
本发明提供的周期纹理背景缺陷标签自动标注方法、装置、设备及介质，通过预处理采集的输入图像得到有效图像，从有效图像中提取横向像素信息和纵向像素信息，并基于横向像素信息获取横向周期，基于纵向像素信息获取纵向周期；基于横向周期和纵向周期网格化分区有效图像，并对网格化分区后的每一网格区域图像标号，以使每一网格区域图像携带有区域编号；通过邻间差分分析法对网格区域图像中的像素进行差分处理，得到区域差分结果，并对区域差分结果进行特征提取，获取差分特征信息；基于差分特征信息构建异常区域，将异常区域与目标正常区域进行绝对值差分处理，得到绝对值差分结果；通过核窗口对绝对值差分结果进行开运算，并对开运算对应的开运算结果进行正则化和二值化处理，得到缺陷图像；提取缺陷图像进行轮廓得到缺陷轮廓，并标注缺陷轮廓的缺陷位置作为缺陷标签，无需人工标注，提高标注准确率和标注效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明周期纹理背景缺陷标签自动标注方法的流程图。
图2为图1中步骤S10的一具体流程图。
图3为图1中步骤S20的一具体流程图。
图4为图1中步骤S40的一具体流程图。
图5为图1中步骤S50的一具体流程图。
图6为图1中步骤S60的一具体流程图。
图7为本发明周期纹理背景缺陷标签自动标注装置的结构示意图。
图8为本发明计算机设备的一示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本发明提供一种周期纹理背景缺陷标签自动标注方法，该方法可应用于不同计算机设备中，该计算机设备包括但不限于各种个人计算机、笔记本电脑、智能手机和平板电脑。
如图1所示，本发明提供一种周期纹理背景缺陷标签自动标注方法，包括如下步骤：
S10：采集输入图像，预处理输入图像得到有效图像。
其中，输入图像指需要进行缺陷标签自动标注的周期纹理背景图像。有效图像指输入图像经过预处理后得到的图像。
S20：提取有效图像中的横向像素信息和纵向像素信息，基于横向像素信息获取横向周期，基于纵向像素信息获取纵向周期。
其中，横向像素信息指有效图像中的行像素。纵向像素信息指有效图像中的列像素。
具体地，提取有效图像中的横向像素信息和纵向像素信息包括两种方法。具体为：（一）通过提取有效图像中首行的像素作为横向像素信息，首列的像素作为纵向像素信息。（二）选用特定窗口对横向像素进行池化操作后作为横向像素信息，对纵向像素进行池化操作后作为纵向像素信息。为了提高后续数据的准确性，本实施例选用第二种方法提取有效图像中的横向像素信息和纵向像素信息。
在获取横向像素信息和纵向像素信息后，基于横向像素信息获取横向周期，基于纵向像素信息获取纵向周期。其中，横向周期指对有效图像进行横向划分的周期，通过横向周期可以将有效图像中的像素信息划分成多个行；纵向周期指对有效图像进行纵向划分的周期，通过纵向周期可以将有效图像中的像素信息划分成多个列。
S30：基于横向周期和纵向周期网格化分区有效图像，并对网格化分区后的每一网格区域图像标号，以使每一网格区域图像携带有区域编号。
具体地，在获取横向周期和纵向周期后，基于横向周期和纵向周期网格化分区有效图像，并对网格化分区后的每一网格区域图像标号，以使每一网格区域图像携带有区域编号。其中，标号顺序可以依次从左到右，也可以依次从上到下。可以理解地，一个区域编号仅唯一标识一个网格区域图像，每个网格区域图像中包括多个像素值。
S40：通过邻间差分分析法差分处理网格区域图像中的像素得到区域差分结果。
其中，邻间差分分析法指除第一行和第一列的网格区域图像以自己为差分对象进行各自的差分计算，除第一行网格区域图像之外的其他行对应的网格区域图像均以各自上边相邻的行对应的网格区域图像作为差分对象，除第一列网格区域图像之外的其他列对应的网格区域图像均以各自左边相邻的列对应的网格区域图像作为差分对象进行差分处理的方法。
具体地，邻间差分分析法为：
其中
为x方向（横向）的差分结果，其中
为区域编号；
为第
区域；
为y方向（纵向）的差分结果，其中
为区域编号；
为第
区域。
通过上述邻间差分分析方法获取每一行网格区域图像的区域差分结果，和每一列网格区域图像的区域差分结果。其中，区域差分结果指通过上述邻间差分分析法对网格区域图像中的像素进行差分处理得到的结果。本实施例中的区域差分结果包括横向区域差分结果和纵向区域差分结果，其中，横向差分结果指第一行网格区域图像和除第一行网格区域图像之外的其他行对应的网格区域图像的区域差分结果；纵向差分结果指第一列网格区域图像和除第一列网格区域图像之外的其他列对应的网格区域图像的区域差分结果。
S50：对区域差分结果进行特征提取，获取区域差分结果对应的差分特征信息。
具体地，在获取区域差分结果后，将区域查分结果中除第一行网格区域图像之外的其他行对应的网格区域图像的区域差分结果，作为待提取横向区域差分结果，并对该横向区域差分结果进行特征信息提取，计算每一待提取横向区域差分结果的均值和标准差得到各待提取横向区域差分结果对应的横向均值和横向标准差；选取每一行网格区域图像对应的最小横向标准差和最小横向标准差对应的横向均值作为横向差分特征信息；将除第一列网格区域图像之外的其他列对应的网格区域图像的区域差分结果，作为待提取纵向区域差分结果，计算每一待提取纵向区域差分结果的均值和标准差得到各待提取纵向区域差分结果对应的纵向均值和纵向标准差；选取每一列网格区域图像对应的最小纵向标准差和最小纵向标准差对应的纵向均值作为纵向差分特征信息。其中，待提取横向区域差分结果指按照特征提取原则选取的横向区域差分结果，横向均值指计算待提取横向区域差分结果的平均值得到的值，横向标准差指计算待提取横向区域差分结果的标准差得到的值；待提取纵向区域差分结果指按照特征提取原则选取的纵向区域差分结果，纵向均值指计算待提取纵向区域差分结果的平均值得到的值，纵向标准差指计算待提取纵向区域差分结果的标准差得到的值。
其中，特征提取原则指预先设置的对特定的区域差分结果进行特征信息提取的原则。差分特征信息指最小横向标准差和该最小横向标准差对应的横向均值，以及最小纵向标准差和该最小纵向标准差对应的纵向均值形成的信息。
进一步地，若每一行中最后一个网格区域图像的长度小于横向周期的预设周期（如80%的横向周期），或每一列中最后一个网格区域图像的长度小于纵向周期的预设周期（如80%的纵向周期）则该网格区域图像不计入上述特征提取的区域差分结果中；若一行的横向网格区域图像或一列的纵向网格区域图像的个数少于预设个数（如3），则不进行上述特征提取处理中的标准差计算，直接将该行中横向网格区域图像的最小均值作为横向差分特征信息，该列中纵向网格区域图像的最小均值作为纵向差分特征信息。
S60：基于差分特征信息构建异常区域，将异常区域与目标正常区域进行绝对值差分处理，得到绝对值差分结果。
其中，异常区域（abnormal）指根据差分特征信息构建的网格区域图像。目标正常区域指与异常区域欧氏距离最近的网格区域图像。
具体地，在获取差分特征信息后，基于差分特征信息构建异常区域，将异常区域与目标正常区域进行绝对值差分处理，获取绝对值差分结果。其中，绝对值差分处理指异常区域与目标正常区域进行绝对值差分处理后的值取绝对值得到的结果。其中，绝对值差分处理的公式为：
其中，N为正常区域的集合，s为正常区域， abnormal为异常区域，template为目标正常区域；diff为异常区域与正常区域的绝对值差分结果。
S70：通过核窗口对绝对值差分结果进行开运算，并对开运算结果进行正则化和二值化处理，得到缺陷图像。
由于在计算上述绝对值差分结果过程中可能会出现一些细微纹理（由与照片可能出现水平或垂直的细微倾斜所致），因此，本实施例首先选用
的核窗口对绝对值差分结果进行开运算，获取开运算结果；然后，根据异常区域与目标正常区域的距离设定开运算的迭代次数n；最后，为了使被背景周期纹理分割的缺陷合并，选用
核窗口进行n次闭运算，以提高开运算结果计算的准确性。需要说明的是上述核窗口的大小不仅局限于本实施例中列举的
和
，用户可根据实际要求调整。
在获取开运算结果后，对开运算结果进行正则化和二值化处理，获取缺陷图像。其中，缺陷图像指开运算结果进行正则化和二值化处理之后的图像。
S80：对缺陷图像进行轮廓提取，得到缺陷轮廓，并对缺陷轮廓进行缺陷标签标注。
具体地，由于进行开运算之后得到缺陷图像中仍会存在一些噪音，因此，在获取缺陷图像后需要对缺陷图像进行过滤，去掉缺陷图像中的噪音，如果不进行过滤，在对缺陷图像进行轮廓提取时，缺陷图像中的噪音也会被认为是轮廓，使得缺陷轮廓提取不准确。在对缺陷图像进行过滤后，通过轮廓提取方法对缺陷图像进行轮廓提取，获取缺陷轮廓。本实施例中的轮廓提取方法包括但不限于openCV中的cv2.findContours()函数。
在获取缺陷轮廓后，对缺陷轮廓进行位置标注，该标注好的位置则为缺陷缺陷标签。
进一步地，对缺陷轮廓进行缺陷位置标注后，将该缺陷位置信息输出到xml文件或json文件，以方便后续神经网络进行模型训练时使用。
步骤S10-步骤S80，通过对获取的输入图像进行预处理，采集有效图像，以从有效图像中提取横向像素信息和纵向像素信息，并基于横向像素信息获取横向周期，基于纵向像素信息获取纵向周期；基于横向周期和纵向周期网格化分区有效图像，并对网格化分区后的每一网格区域图像标号，以使每一网格区域图像携带有区域编号；通过邻间差分分析法差分处理网格区域图像中的像素得到区域差分结果，并对区域差分结果进行特征提取，获取差分特征信息；基于差分特征信息构建异常区域，将异常区域与目标正常区域进行绝对值差分处理，得到绝对值差分结果；通过核窗口对绝对值差分结果进行开运算，并对开运算结果进行正则化和二值化处理得到缺陷图像；对缺陷图像进行轮廓提取，获取缺陷轮廓，并标注缺陷轮廓的缺陷位置作为缺陷标签，无需人工标注，提高标注准确率和标注效率。
进一步地，如图2所示，步骤S10中，对输入图像进行预处理，获取有效图像，具体包括如下步骤：
S11：灰度化处理输入图像得到灰度化图像。
其中，灰度化图像指输入图像进行灰度化处理后得到的图像。
S12：去除灰度化图像中的文字信息，并通过非局部平均去噪方法降噪处理去除文字信息的灰度化图像得到有效图像。
其中，有效图像指灰度化图像去除文字信息并进行降噪处理后得到的图像。
具体地，通过openCV中的裁剪方法对灰度化图像进行裁剪，去除灰度化图像中的文字信息，并通过非局部平均去噪方法对去除文字信息的灰度化图像进行降噪处理，获取有效图像。
进一步地，如图3所示，步骤S20中，基于横向像素信息获取横向周期，基于纵向像素信息获取纵向周期，具体包括如下步骤：
S21：对横向像素信息进行自相关分析，得到横向像素信息的横向自相关系数。
S22：基于横向自相关系数，提取除坐标原点以外的横向自相关系数的极大值对应的横坐标作为横向周期。
S23：对纵向像素信息进行自相关分析，得到纵向像素信息的纵向自相关系数。
S24：基于纵向自相关系数，提取除坐标原点以外的纵向自相关系数的极大值对应的横坐标作为纵向周期。
本实施例中步骤S22以像素的个数为横坐标，横向自相关分析系数为纵坐标建立直角坐标系，步骤S23以区域编号为横坐标，纵向自相关分析系数为纵坐标建立直角坐标系。
具体地，自相关分析的计算公式为
其中，
指第t个像素对应的时序信号序列，
指该时序信号序列的均值，
指时序信号序列中极大值对应的像素个数为k的自相关系数。若计算横向自相关系数，则将横向像素信息代入上述自相关分析的计算公式中；若计算纵向自相关系数，则将纵向像素信息代入上述自相关分析的计算公式中。
自相关系数越大则像素以k为周期的置信度越高，通过公式
确定横向周期和纵向周期。
进一步地，如图4所示，步骤S40，通过邻间差分分析法对网格区域图像中的像素进行差分处理，获取区域差分结果，具体包括如下步骤：
S41：将第一列网格区域图像作为第一差分对象，差分处理第一差分对象中的像素得到第一区域差分结果。
其中，第一区域差分结果指第一差分对象进行差分处理得到的结果。
S42：将除第一列网格区域图像之外的每一列网格区域图像相邻的左侧列网格区域图像作为第二差分对象，差分处理第二差分对象中的像素得到第二区域差分结果。
其中，第二区域差分结果指第二差分对象进行差分处理得到的结果。
S43：将第一行网格区域图像作为第三差分对象，差分处理第三差分对象中的像素得到第三区域差分结果。
其中，第三区域差分结果指第三差分对象进行差分处理得到的结果。
S44：将除第一行网格区域图像之外的每一行网格区域图像相邻的上侧行网格区域图像作为第四差分对象，差分处理第四差分对象中的像素得到第四区域差分结果。
其中，第四区域差分结果指第四差分对象进行差分处理得到的结果。
进一步地，区域差分结果包括横向区域差分结果和纵向区域差分结果，如图5所示，步骤S50，对区域差分结果进行特征提取，获取区域差分结果对应的差分特征信息，具体包括如下步骤：
S51：将第二区域差分结果作为待提取横向区域差分结果，计算每一待提取横向区域差分结果的均值和标准差得到各待提取横向区域差分结果对应的横向均值和横向标准差。
S52：选取每一行网格区域图像对应的最小横向标准差和最小横向标准差对应的横向均值作为横向差分特征信息。
S53：将第四区域差分结果作为待提取纵向区域差分结果，计算每一待提取纵向区域差分结果的均值和标准差得到各待提取纵向区域差分结果对应的纵向均值和纵向标准差。
S54：选取每一列网格区域图像对应的最小纵向标准差和最小纵向标准差对应的纵向均值作为纵向差分特征信息。
进一步地，如图6所示，步骤S60中，基于差分特征信息构建异常区域，具体包括如下步骤：
S61：基于横向差分特征信息构建横向特征信息分布图，并确定横向可疑判定阈值。
具体地，以每一行的区域编号作为横坐标，横向区域差分结果为纵坐标构建横向特征信息分布图。
将最小横向标准差乘以预设倍数（如3倍），并将结果与该最小横向标准差对应的横向均值相加的和作为横向可疑判定阈值。其中，横向可疑判定阈值指用于判定横向网格区域图像中疑似有缺陷的域值。
进一步地，若出现横向标准差远大于纵向标准差的情况，则横向可疑判定阈值为最小纵向标准差乘以阈值倍数（如6倍）的结果加上最小横向标准差。该阈值倍数需满足正态分布的99.7%的置信区间。
S62：在横向特征信息分布图中对应的预设正态分布置信区间中，选取高于横向可疑判定阈值的区域作为横向可疑区域。
其中，预设正态分布置信区间指预先设定的满足要求的正态分布置信区间，本实施例中将正态分布99.7%的置信区间作为预设正态分布置信区间，
S63：基于纵向差分特征信息构建纵向特征信息分布图，并确定纵向可疑判定阈值。
具体地，以每一列的区域编号作为横坐标，纵向区域差分结果为纵坐标构建纵向特征信息分布图。
将最小纵向标准差乘以预设倍数（如3倍），并将结果与该最小纵向标准差对应的纵向均值相加的和作为纵向可疑判定阈值。其中，纵向可疑判定阈值指用于判定纵向网格区域图像中疑似有缺陷的域值。
进一步地，若出现纵向标准差远大于横向标准差的情况，则纵向可疑判定阈值为最小横向标准差乘以阈值倍数（如6倍）的结果加上最小纵向标准差。
S64：在纵向特征信息分布图中对应的预设正态分布置信区间中，选取高于纵向可疑判定阈值的区域作为纵向可疑区域。
具体地，该预设正态分布置信区间与步骤S63中的预设正态分布置信区间一样，为避免重复，不再赘述。
S65：横向可疑区域和纵向可疑区域的交集则为异常区域。
进一步地，对于只有横向的网格区域图像的情况或只有纵向的网格区域图像的情况，为降低漏检，横向可疑判定阈值为该行的最小值加上该行或该列的标准差，如果该标准差大于最小值，则阈值为两倍的最小值。
本发明提供的周期纹理背景缺陷标签自动标注方法，通过预处理获取的输入图像得到有效图像，从有效图像中提取横向像素信息和纵向像素信息，并基于横向像素信息获取横向周期，基于纵向像素信息获取纵向周期；基于横向周期和纵向周期网格化分区有效图像，并对网格化分区后的每一网格区域图像标号，以使每一网格区域图像携带有区域编号；通过邻间差分分析法对网格区域图像中的像素进行差分处理，得到区域差分结果，并对区域差分结果进行特征提取，得到差分特征信息；基于差分特征信息构建异常区域，将异常区域与目标正常区域进行绝对值差分处理，得到绝对值差分结果；通过核窗口对绝对值差分结果进行开运算，并对开运算对应的开运算结果进行正则化和二值化处理，得到缺陷图像；对缺陷图像进行轮廓提取，得到缺陷轮廓，并标注缺陷轮廓的缺陷位置作为缺陷标签，无需人工标注，提高标注准确率和标注效率。
实施例2
如图7所示，本实施例与实施例1的区别在于，一种周期纹理背景缺陷标签自动标注装置，包括：
有效图像获取模块10，用于采集输入图像，预处理输入图像得到有效图像。
有效图像信息提取模块20，用于提取有效图像中的横向像素信息和纵向像素信息，基于横向像素信息获取横向周期，基于纵向像素信息获取纵向周期。
网格化分区处理模块30，用于基于横向周期和纵向周期网格化分区有效图像，并对网格化分区后的每一网格区域图像标号，以使每一网格区域图像携带有区域编号。
区域差分结果计算模块40，用于通过邻间差分分析法差分处理网格区域图像中的像素得到区域差分结果。
差分特征信息提取模块50，用于对区域差分结果进行特征提取，获取区域差分结果对应的差分特征信息。
绝对值差分处理模块60，用于基于差分特征信息构建异常区域，将异常区域与目标正常区域进行绝对值差分处理，得到绝对值差分结果。
缺陷图像获取模块70，用于利用核窗口对绝对值差分结果进行开运算，并对开运算结果进行正则化和二值化处理，得到缺陷图像。
缺陷标签标注模块80，用于对缺陷图像进行轮廓提取，得到缺陷轮廓，并对缺陷轮廓进行缺陷标签标注。
进一步地，有效图像获取模块10包括输入图像处理单元和灰度图像处理单元。
输入图像处理单元，用于灰度化处理输入图像得到灰度化图像。
灰度图像处理单元，用于去除灰度化图像中的文字信息，并通过非局部平均去噪方法降噪处理去除文字信息的灰度化图像得到有效图像。
进一步地，有效图像信息提取模块20包括横向像素信息分析单元、横向周期获取单元、纵向像素信息分析单元和纵向周期获取单元。
横向像素信息分析单元，用于对横向像素信息进行自相关分析，得到横向像素信息的横向自相关系数。
横向周期获取单元，用于基于横向自相关系数，提取除坐标原点以外的纵向自相关系数的极大值对应的横坐标作为横向周期。
纵向像素信息分析单元，用于对纵向像素信息进行自相关分析，得到纵向像素信息的纵向自相关系数。
纵向周期获取单元，用于基于纵向自相关系数，提取除坐标原点以外的纵向自相关系数的极大值对应的横坐标作为纵向周期。
进一步地，区域差分结果计算模块40包括第一区域差分结果获取单元、第一区域差分结果获取单元、第二区域差分结果获取单元和第三区域差分结果获取单元。
第一区域差分结果获取单元，用于将第一列网格区域图像作为第一差分对象，差分处理第一差分对象中的像素得到第一区域差分结果。
第二区域差分结果获取单元，用于将除第一列网格区域图像之外的每一列网格区域图像相邻的左侧列网格区域图像作为第二差分对象，差分处理第二差分对象中的像素得到第二区域差分结果。
第三区域差分结果获取单元，用于将第一行网格区域图像作为第三差分对象，差分处理第三差分对象中的像素得到第三区域差分结果。
第四区域差分结果获取单元，用于将除第一行网格区域图像之外的每一行网格区域图像相邻的上侧行网格区域图像作为第四差分对象，差分处理第四差分对象中的像素得到第四区域差分结果。
进一步地，差分特征信息提取模块50包括横向数据获取单元、横向差分特征信息获取单元、纵向数据获取单元和纵向差分特征信息获取单元。
横向数据获取单元，用于将第二区域差分结果作为待提取横向区域差分结果，计算每一待提取横向区域差分结果的均值和标准差得到各待提取横向区域差分结果对应的横向均值和横向标准差。
横向差分特征信息获取单元，用于选取每一行网格区域图像对应的最小横向标准差和最小横向标准差对应的横向均值作为横向差分特征信息。
纵向数据获取单元，用于将第四区域差分结果作为待提取纵向区域差分结果，计算每一待提取纵向区域差分结果的均值和标准差得到各待提取纵向区域差分结果对应的纵向均值和纵向标准差。
纵向差分特征信息获取单元，用于选取每一列网格区域图像对应的最小纵向标准差和最小纵向标准差对应的纵向均值作为纵向差分特征信息。
进一步地，绝对值差分处理模块60包括横向差分特征信息处理单元、横向可疑区域确定单元、纵向差分特征信息处理单元和纵向可疑区域确定单元。
横向差分特征信息处理单元，用于基于横向差分特征信息构建横向特征信息分布图，并确定横向可疑判定阈值。
横向可疑区域确定单元，用于在横向特征信息分布图中对应的预设正态分布置信区间中，选取高于横向可疑判定阈值的区域作为横向可疑区域。
纵向差分特征信息处理单元，用于基于纵向差分特征信息构建纵向特征信息分布图，并确定纵向可疑判定阈值在纵向特征信息分布图中对应的预设正态分布置信区间中，选取高于纵向可疑判定阈值的区域作为纵向可疑区域。
纵向可疑区域确定单元，用于横向可疑区域和纵向可疑区域的交集则为异常区域。
进一步地，横向差分特征信息处理单元，还用于以每一行的区域编号作为横坐标，横向区域差分结果为纵坐标构建横向特征信息分布图。
纵向差分特征信息处理单元，还用于以每一列的区域编号作为横坐标，纵向区域差分结果为纵坐标构建纵向特征信息分布图。
关于周期纹理背景缺陷标签自动标注的具体限定可以参见上文中对于周期纹理背景缺陷标签自动标注方法的限定，在此不再赘述。上述周期纹理背景缺陷标签自动标注中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
实施例3
本实施例提供一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括计算机可读存储介质、内存储器。该计算机可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为计算机可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储周期纹理背景缺陷标签自动标注方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种周期纹理背景缺陷标签自动标注方法。
本实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中周期纹理背景缺陷标签自动标注方法的步骤，例如图1所示的步骤10至步骤S80，或者，图2-图6所示的步骤，为避免重复，这里不再赘述。或者，处理器执行计算机程序时实现上述实施例中周期纹理背景缺陷标签自动标注装置的各模块/单元的功能，例如图7所示模块10至模块80的功能。为避免重复，这里不再赘述。
实施例4
本实施例，提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中周期纹理背景缺陷标签自动标注方法的步骤，例如图1所示的步骤S10-S80，或者，图2-图6所示的步骤，为避免重复，这里不再赘述。或者，处理器执行计算机程序时实现周期纹理背景缺陷标签自动标注装置这一实施例中的各模块/单元的功能，例如图7所示的模块10至模块80的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种周期纹理背景缺陷标签自动标注方法，其特征在于，包括：
采集输入图像，预处理所述输入图像得到有效图像；
提取所述有效图像中的横向像素信息和纵向像素信息，基于所述横向像素信息获取横向周期，基于所述纵向像素信息获取纵向周期；
基于所述横向周期和所述纵向周期网格化分区有效图像，并对网格化分区后的每一网格区域图像标号，以使每一网格区域图像携带有区域编号；
通过邻间差分分析法差分处理所述网格区域图像中的像素得到区域差分结果；
对所述区域差分结果进行特征提取，获取所述区域差分结果对应的差分特征信息；
基于所述差分特征信息构建异常区域，将所述异常区域与目标正常区域进行绝对值差分处理，得到绝对值差分结果；
利用核窗口对所述绝对值差分结果进行开运算，并对开运算结果进行正则化和二值化处理，得到缺陷图像；
对所述缺陷图像进行轮廓提取，得到缺陷轮廓，并对所述缺陷轮廓进行缺陷标签标注。
2.根据权利要求1所述的一种周期纹理背景缺陷标签自动标注方法，其特征在于，所述预处理所述输入图像得到有效图像，包括；
灰度化处理所述输入图像得到灰度化图像；
去除所述灰度化图像中的文字信息，并通过非局部平均去噪方法降噪处理去除文字信息的灰度化图像得到有效图像。
3.根据权利要求1所述的一种周期纹理背景缺陷标签自动标注方法，其特征在于，所述基于所述横向像素信息获取横向周期，基于所述纵向像素信息获取纵向周期，包括：
对所述横向像素信息进行自相关分析，得到所述横向像素信息的横向自相关系数；
基于所述横向自相关系数，提取除坐标原点以外的横向自相关系数的极大值对应的横坐标作为横向周期；
对所述纵向像素信息进行自相关分析，得到所述纵向像素信息的纵向自相关系数；
基于所述纵向自相关系数，提取除坐标原点以外的纵向自相关系数的极大值对应的横坐标作为纵向周期。
4.根据权利要求1所述的一种周期纹理背景缺陷标签自动标注方法，其特征在于，所述通过邻间差分分析法差分处理所述网格区域图像中的像素得到区域差分结果，包括：
将第一列网格区域图像作为第一差分对象，差分处理所述第一差分对象中的像素得到第一区域差分结果；
将除第一列网格区域图像之外的每一列网格区域图像相邻的左侧列网格区域图像作为第二差分对象，差分处理所述第二差分对象中的像素得到第二区域差分结果；
将第一行网格区域图像作为第三差分对象，差分处理所述第三差分对象中的像素得到第三区域差分结果；
将除第一行网格区域图像之外的每一行网格区域图像相邻的上侧行网格区域图像作为第四差分对象，差分处理所述第四差分对象中的像素得到第四区域差分结果。
5.根据权利要求1所述的一种周期纹理背景缺陷标签自动标注方法，其特征在于，所述区域差分结果包括横向区域差分结果和纵向区域差分结果；
所述对所述区域差分结果进行特征提取，获取所述区域差分结果对应的差分特征信息，包括：
将所述第二区域差分结果作为待提取横向区域差分结果，计算每一所述待提取横向区域差分结果的均值和标准差得到各待提取横向区域差分结果对应的横向均值和横向标准差；
选取每一行网格区域图像对应的最小横向标准差和所述最小横向标准差对应的横向均值作为横向差分特征信息；
将所述第四区域差分结果作为待提取纵向区域差分结果，计算每一所述待提取纵向区域差分结果的均值和标准差得到各待提取纵向区域差分结果对应的纵向均值和纵向标准差；
选取每一列网格区域图像对应的最小纵向标准差和所述最小纵向标准差对应的纵向均值作为纵向差分特征信息。
6.根据权利要求5所述的一种周期纹理背景缺陷标签自动标注方法，其特征在于，所述基于所述差分特征信息构建异常区域，包括：
基于所述横向差分特征信息构建横向特征信息分布图，并确定横向可疑判定阈值；
在所述横向特征信息分布图中对应的预设正态分布置信区间中，选取高于所述横向可疑判定阈值的区域作为横向可疑区域；
基于所述纵向差分特征信息构建纵向特征信息分布图，并确定纵向可疑判定阈值；
在所述纵向特征信息分布图中对应的预设正态分布置信区间中，选取高于所述纵向可疑判定阈值的区域作为纵向可疑区域；
所述横向可疑区域和所述纵向可疑区域的交集则为异常区域。
7.根据权利要求6所述的一种周期纹理背景缺陷标签自动标注方法，其特征在于，所述基于所述横向差分特征信息构建横向特征信息分布图，包括：
以每一行的区域编号作为横坐标，所述横向区域差分结果为纵坐标构建横向特征信息分布图；
所述基于所述纵向差分特征信息构建纵向特征信息分布图，包括：
以每一列的区域编号作为横坐标，所述纵向区域差分结果为纵坐标构建纵向特征信息分布图。
8.一种周期纹理背景缺陷标签自动标注装置，其特征在于，包括：
有效图像获取模块，用于采集输入图像，预处理所述输入图像得到有效图像；
有效图像信息提取模块，用于提取所述有效图像中的横向像素信息和纵向像素信息，基于所述横向像素信息获取横向周期，基于所述纵向像素信息获取纵向周期；
网格化分区处理模块，用于基于所述横向周期和所述纵向周期网格化分区有效图像，并对网格化分区后的每一网格区域图像标号，以使每一网格区域图像携带有区域编号；
区域差分结果计算模块，用于通过邻间差分分析法差分处理所述网格区域图像中的像素得到区域差分结果；
差分特征信息提取模块，用于对所述区域差分结果进行特征提取，获取所述区域差分结果对应的差分特征信息；
绝对值差分处理模块，用于基于所述差分特征信息构建异常区域，将所述异常区域与目标正常区域进行绝对值差分处理，得到绝对值差分结果；
缺陷图像获取模块，用于利用核窗口对所述绝对值差分结果进行开运算，并对开运算结果进行正则化和二值化处理，得到缺陷图像；
缺陷标签标注模块，用于对所述缺陷图像进行轮廓提取，得到缺陷轮廓，并对所述缺陷轮廓进行缺陷标签标注。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述周期纹理背景缺陷标签自动标注方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述周期纹理背景缺陷标签自动标注方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010754405.XA CN111739020B (zh) | 2020-07-31 | 2020-07-31 | 周期纹理背景缺陷标签自动标注方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010754405.XA CN111739020B (zh) | 2020-07-31 | 2020-07-31 | 周期纹理背景缺陷标签自动标注方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111739020A true CN111739020A (zh) | 2020-10-02 |
| CN111739020B CN111739020B (zh) | 2020-12-01 |
Family
ID=72656642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010754405.XA Active CN111739020B (zh) | 2020-07-31 | 2020-07-31 | 周期纹理背景缺陷标签自动标注方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111739020B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837991A (zh) * | 2021-06-18 | 2021-12-24 | 腾讯云计算（北京）有限责任公司 | 图像处理方法、装置、设备及存储介质 |
| CN113933312A (zh) * | 2021-09-30 | 2022-01-14 | 杭州百子尖科技股份有限公司 | 表面缺陷的周期性规律实时判定方法 |
| CN113936002A (zh) * | 2021-12-17 | 2022-01-14 | 成都数之联科技有限公司 | 周期提取方法、装置、计算机设备及可读存储介质 |
| CN114519743A (zh) * | 2022-02-25 | 2022-05-20 | 成都数联云算科技有限公司 | 一种面板缺陷区域提取方法、装置、设备及存储介质 |
| CN114862856A (zh) * | 2022-07-07 | 2022-08-05 | 成都数之联科技股份有限公司 | 一种面板缺陷区域识别方法、装置、电子设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001005970A (ja) * | 1999-06-24 | 2001-01-12 | Canon Inc | 欠陥情報処理装置及び方法 |
| JP2004361358A (ja) * | 2003-06-09 | 2004-12-24 | Hitachi Kokusai Electric Inc | ディスプレイ装置の欠陥検査装置 |
| CN1982880A (zh) * | 2005-12-13 | 2007-06-20 | 大日本网目版制造株式会社 | 差分比较检查方法及差分比较检查装置 |
| CN103310447A (zh) * | 2013-06-12 | 2013-09-18 | 中国科学院光电技术研究所 | 一种基于自适应技术的二维平面采样方法 |
| CN107543828A (zh) * | 2017-08-25 | 2018-01-05 | 广东工业大学 | 一种工件表面缺陷检测方法及系统 |
| CN107644234A (zh) * | 2017-10-12 | 2018-01-30 | 成都思晗科技股份有限公司 | 一种输电线路的绝缘子脱落缺陷检测方法 |
| CN109521028A (zh) * | 2018-12-04 | 2019-03-26 | 燕山大学 | 一种金属三维多层点阵结构内部宏观缺陷检测方法 |
| CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
-
2020
- 2020-07-31 CN CN202010754405.XA patent/CN111739020B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001005970A (ja) * | 1999-06-24 | 2001-01-12 | Canon Inc | 欠陥情報処理装置及び方法 |
| JP2004361358A (ja) * | 2003-06-09 | 2004-12-24 | Hitachi Kokusai Electric Inc | ディスプレイ装置の欠陥検査装置 |
| CN1982880A (zh) * | 2005-12-13 | 2007-06-20 | 大日本网目版制造株式会社 | 差分比较检查方法及差分比较检查装置 |
| CN103310447A (zh) * | 2013-06-12 | 2013-09-18 | 中国科学院光电技术研究所 | 一种基于自适应技术的二维平面采样方法 |
| CN107543828A (zh) * | 2017-08-25 | 2018-01-05 | 广东工业大学 | 一种工件表面缺陷检测方法及系统 |
| CN107644234A (zh) * | 2017-10-12 | 2018-01-30 | 成都思晗科技股份有限公司 | 一种输电线路的绝缘子脱落缺陷检测方法 |
| CN109521028A (zh) * | 2018-12-04 | 2019-03-26 | 燕山大学 | 一种金属三维多层点阵结构内部宏观缺陷检测方法 |
| CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王伟: "钢卷边部缺陷检测方法研究", 《邯郸职业技术学院学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837991A (zh) * | 2021-06-18 | 2021-12-24 | 腾讯云计算（北京）有限责任公司 | 图像处理方法、装置、设备及存储介质 |
| WO2022262054A1 (zh) * | 2021-06-18 | 2022-12-22 | 腾讯云计算（北京）有限责任公司 | 图像处理方法、装置、设备及存储介质 |
| CN113933312A (zh) * | 2021-09-30 | 2022-01-14 | 杭州百子尖科技股份有限公司 | 表面缺陷的周期性规律实时判定方法 |
| CN113933312B (zh) * | 2021-09-30 | 2024-07-05 | 杭州百子尖科技股份有限公司 | 表面缺陷的周期性规律实时判定方法 |
| CN113936002A (zh) * | 2021-12-17 | 2022-01-14 | 成都数之联科技有限公司 | 周期提取方法、装置、计算机设备及可读存储介质 |
| CN114519743A (zh) * | 2022-02-25 | 2022-05-20 | 成都数联云算科技有限公司 | 一种面板缺陷区域提取方法、装置、设备及存储介质 |
| CN114862856A (zh) * | 2022-07-07 | 2022-08-05 | 成都数之联科技股份有限公司 | 一种面板缺陷区域识别方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111739020B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111739020B (zh) | 周期纹理背景缺陷标签自动标注方法、装置、设备及介质 | |
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| WO2019232853A1 (zh) | 中文模型训练、中文图像识别方法、装置、设备及介质 | |
| CN106909888B (zh) | 应用于移动设备端的人脸关键点跟踪系统及方法 | |
| CN109977997B (zh) | 基于卷积神经网络快速鲁棒的图像目标检测与分割方法 | |
| CN109165538B (zh) | 基于深度神经网络的条形码检测方法及装置 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN112419297A (zh) | 一种螺栓松动检测方法、装置、设备及存储介质 | |
| CN111738344A (zh) | 一种基于多尺度融合的快速目标检测方法 | |
| CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
| CN114004204B (zh) | 基于计算机视觉的表格结构重建与文字提取方法和系统 | |
| CN113205511B (zh) | 基于深层神经网络的电子元器件批量信息检测方法及系统 | |
| CN113837151B (zh) | 表格图像处理方法、装置、计算机设备及可读存储介质 | |
| CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
| CN116704516B (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
| CN111091101A (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
| CN115908988B (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
| CN113343779A (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
| CN114049568A (zh) | 基于图像比对的标的物形变检测方法、装置、设备及介质 | |
| CN112541504A (zh) | 一种针对文本中单个字符目标的检测方法 | |
| CN114998192A (zh) | 基于深度学习的缺陷检测方法、装置、设备和存储介质 | |
| Jing et al. | Automatic recognition of weave pattern and repeat for yarn-dyed fabric based on KFCM and IDMF | |
| CN111382638B (zh) | 一种图像检测方法、装置、设备和存储介质 | |
| CN113378837A (zh) | 车牌遮挡识别方法、装置、电子设备和存储介质 | |
| CN112101139B (zh) | 人形检测方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Patentee after: Chengdu shuzhilian Technology Co.,Ltd. Address before: 610000 No.2, 4th floor, building 1, Jule Road intersection, West 1st section of 1st ring road, Wuhou District, Chengdu City, Sichuan Province Patentee before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201002 Assignee: Chengdu Haijixian Intelligent Technology Co.,Ltd. Assignor: Chengdu shuzhilian Technology Co.,Ltd. Contract record no.: X2024510000011 Denomination of invention: Automatic annotation method, device, equipment, and medium for periodic texture background defect labels Granted publication date: 20201201 License type: Common License Record date: 20240717 |