CN111768357A - 一种图像检测的方法及装置 - Google Patents

一种图像检测的方法及装置 Download PDF

Info

Publication number
CN111768357A
CN111768357A CN201910251999.XA CN201910251999A CN111768357A CN 111768357 A CN111768357 A CN 111768357A CN 201910251999 A CN201910251999 A CN 201910251999A CN 111768357 A CN111768357 A CN 111768357A
Authority
CN
China
Prior art keywords
image
sample
area
difference
determining
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
CN201910251999.XA
Other languages
English (en)
Other versions
CN111768357B (zh
Inventor
黄永祯
曹春水
王继隆
张俊峰
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.)
Watrix Technology Beijing Co Ltd
Original Assignee
Watrix Technology Beijing 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 Watrix Technology Beijing Co Ltd filed Critical Watrix Technology Beijing Co Ltd
Priority to CN201910251999.XA priority Critical patent/CN111768357B/zh
Publication of CN111768357A publication Critical patent/CN111768357A/zh
Application granted granted Critical
Publication of CN111768357B publication Critical patent/CN111768357B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/001Industrial image inspection using an image reference approach
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/62Analysis of geometric attributes of area, perimeter, diameter or volume
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种图像检测的方法及装置,涉及图像处理的技术领域,包括获取待检测图像,基于所述待检测图像、以及训练好的图像修补模型,确定对所述待检测图像修补后的修补图像,针对所述修补图像和所述待检测图像中处于同一位置处的每两个像素点,分别计算每两个像素点的像素值之间的差值,得到所述修补图像和所述待检测图像的差值图像,基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域,若所述差值图像中的差异位置区域的面积大于预设面积,则确定所述待检测图像为缺陷图像,解决了通过同一模型对不同物体进行图像缺陷检测的技术问题,提高了对图像检测的效率。

Description

一种图像检测的方法及装置
技术领域
本申请涉及图像处理技术领域,尤其是涉及一种图像检测的方法及装置。
背景技术
针对物体表面是否平整或者是否有缺陷的判断,现有技术一般采用图像分割方法或者图像识别方法,对物体表面进行检测后得到判断结果,其中缺陷可能是物体表面有缺陷或者物体表面有突起。
但是在应用图像分割方法或者图像识别方法的过程中,需要大量的缺陷样本输入至模型中进行模型训练,而在实际应用中,对于一些特殊领域,如钢轨表面的检测、接触网表面的检测等,很难收集到大量的、具有不同缺陷区域的缺陷样本。并且因为不同类型的物体出现缺陷的情况不同,很难利用同一个模型对不同类别的物体进行缺陷检测,例如,在对钢轨表面进行缺陷图像检测时,需要预先利用大量钢轨表面出现缺陷的样本图像对模型进行训练,而训练得到的模型不能应用在对接触网表面的缺陷图像检测上,这就导致对于物体缺陷图像检测的处理效率较低。
发明内容
有鉴于此,本申请的目的在于提供一种图像检测的方法及装置,以提高图像检测的效率。
第一方面,本申请实施例提供了一种图像检测的方法,包括:
获取待检测图像;
基于所述待检测图像、以及训练好的图像修补模型,确定对所述待检测图像修补后的修补图像;
针对所述修补图像和所述待检测图像中处于同一位置处的每两个像素点,分别计算每两个像素点的像素值之间的差值,得到所述修补图像和所述待检测图像的差值图像;
基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域;
若所述差值图像中的差异位置区域的面积大于预设面积,则确定所述待检测图像为缺陷图像。
本申请的一实施例中,所述基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域,包括:
遍历所述差值图像中每个像素点,确定以遍历到的像素点为中心的第一图像区域,确定所述第一图像区域中其它像素点与所述遍历到的像素点之间的像素值差值,若所述第一图像区域对应的像素值差值超出第一设定值,则将所述第一图像区域确定为所述差异位置区域。
本申请的一实施例中,所述基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域,包括:
确定所述差值图像中像素点的像素值超过第二设定值的第二图像区域,将所述第二图像区域确定为所述差异位置区域。
本申请的一实施例中,根据以下方式训练得到所述图像修补模型:
获取训练样本集合,所述训练样本集合包含多组训练样本,其中,每组训练样本中包括样本图像和所述样本图像对应的标准图像,所述样本图像包含图像缺陷区域,所述标准图像中标记有对应的样本图像的参考图像缺陷区域;
利用所述训练样本集合对待训练的基础图像修补模型进行训练,其中,训练过程包括:
从所述训练样本集合中获取多组训练样本,分别输入至所述基础图像修补模型中,对每组训练样本中的样本图像进行修补,得到每组训练样本中样本图像对应的修补图像;通过对比每组训练样本对应的修补图像和标准图像,确定每组训练样本对应的预测结果,所述预测结果表示所述样本图像对应的修补图像为所述标准图像的概率;
基于每组训练样本对应的预测结果,确定所述基础图像修补模型进行图像修补的准确率;
若所述准确率不满足预设条件,调整所述基础图像修补模型的模型参数,并重新执行所述训练过程,直至所述准确率满足所述预设条件,确定所述基础图像修补模型训练完成,得到所述图像修补模型。
本申请的一实施例中,所述获取训练样本集合,包括:
获取预设数量的样本图像和每个样本图像对应的标准图像;
确定每个样本图像中的图像缺陷区域,以任意N个样本图像为一组,确定该组中第N个样本图像的待调整图像区域;其中,第i个待调整图像区域的位置与所述前N-1个样本图像中第i个样本图像的图像缺陷区域的位置相同;将所述第i个待调整图像区域的像素值调整为所述第i个样本图像的图像缺陷区域的像素值;其中,N为大于1的整数,i取1至N-1中任一整数;
在调整完每个待调整图像区域的像素值之后,得到新的样本图像,并确定新的样本图像对应的标准图像;
将预设数量的样本图像和每个样本图像对应的标准图像、以及新的样本图像和新的样本图像对应的标准图像,加入至所述训练样本集合中。
第二方面,本申请实施例还提供一种图像检测的装置,包括:
第一获取模块,用于获取待检测图像;
第一确定模块,用于基于所述待检测图像、以及训练好的图像修补模型,确定对所述待检测图像修补后的修补图像;
差值图像确定模块,用于针对所述修补图像和所述待检测图像中处于同一位置处的每两个像素点,分别计算每两个像素点的像素值之间的差值,得到所述修补图像和所述待检测图像的差值图像;
第二确定模块,用于基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域;
第三确定模块,用于若所述差值图像中的差异位置区域的面积大于预设面积,则确定所述待检测图像为缺陷图像。
本申请的一实施例中,所述第二确定模块,具体用于:
遍历所述差值图像中每个像素点,确定以遍历到的像素点为中心的第一图像区域,确定所述第一图像区域中其他像素点与所述遍历到的像素点之间的像素差值,若所述第一图像区域对应的像素差值超出第一设定值,则将所述第一图像区域确定为所述差异位置区域。
本申请的一实施例中,所述第二确定模块,具体用于:
确定所述差值图像中像素点的像素值超过第二设定值的第二图像区域,将所述第二图像区域确定为所述差异位置区域。
本申请的一实施例中,所述装置还包括:
训练模块,用于根据以下训练得到所述图像修补模型:
获取训练样本集合,所述训练样本集合包含多组训练样本,其中,每组训练样本中包含样本图像和所述样本图像对应的标准图像,所述样本图像包含图像缺陷区域,所述标准图像中标记有对应的样本图像的参考图像缺陷区域;
利用所述训练样本集合对待训练的基础图像修补模型进行训练,其中,训练过程包括:
从所述训练样本集合中获取多组训练样本,分别输入至所述基础图像修补模型中,对每组训练样本中的样本图像进行修补,得到每组训练样本中样本图像对应的修补图像;通过对比每组训练样本对应的修补图像和标准图像,确定每组训练样本对应的预测结果,所述预测结果表示所述样本图像对应的修补图像为所述标准图像的概率;
基于每组训练样本对应的预测结果,确定所述基础图像修补模型进行图像修补的准确率;
若所述准确率不满足预设条件,调整所述基础图像修补模型的模型参数,并重新执行所述训练过程,直至所述准确率满足所述预设条件,确定所述基础图像修补模型训练完成,得到所述图像修补模型。
本申请的一实施例中,所述训练模块,在获取训练样本集合时,具体用于:
获取预设数量的样本图像和每个样本图像对应的标准图像;
确定每个样本图像中的图像缺陷区域,以任意N个样本图像为一组,确定该组中第N个样本图像的待调整图像区域;其中,第i个待调整图像区域的位置与所述前N-1个样本图像中第i个样本图像的图像缺陷区域的位置相同;将所述第i个待调整图像区域的像素值调整为所述第i个样本图像的图像缺陷区域的像素值;其中,N为大于1的整数,i取1至N-1中任一整数;
在调整完每个待调整图像区域的像素值之后,得到新的样本图像,并确定新的样本图像对应的标准图像;
将预设数量的样本图像和每个样本图像对应的标准图像、以及新的样本图像和新的样本图像对应的标准图像,加入至所述训练样本集合中。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面的任一种可能的实施方式中的步骤。
第四方面,本申请实施例还提供一种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运行时执行上述第一方面,或第一方面的任一种可能的实施方式中的步骤。
本申请实施例提供的图像检测的方法,首先基于待检测图像和训练好的图像修补模型,确定对待检测图像修补后的修补图像,然后将修补图像和待检测图像中处于同一位置处的每两个像素点,分别计算每两个像素点的像素值之间的差值,得到修补图像和待检测图像之间的差值图像,再基于差值图像的每个像素点的像素值,确定差值图像中的差异位置区域,最后通过比较差异位置区域的面积大于预设面积,确定待检测图像为缺陷图像。
本申请所提供的方法,可以通过训练好的图像修补模型对待检测图像进行图像修补,并通过对比修补后的修补图像和待检测图像,确定待检测图像是否有缺陷,进而实现利用同一模型对不同物体进行图像缺陷检测,提高了对图像检测的效率。
本申请的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例提供的一种图像检测的方法的流程示意图;
图2示出了本申请实施例提供的一种图像修补模型处理过程的流程示意图;
图3示出了本申请实施例提供的图像修补模型训练过程的流程示意图;
图4示出了本申请实施例提供的训练样本集合处理方法的流程示意图;
图5示出了本申请实施例提供的一种图像检测的装置500的架构示意图;
图6示出了本申请实施例提供的一种电子设备600的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可以应用在很难收集到大量的、具有不同缺陷区域的缺陷样本的图像检测中,如在对钢轨表面的检测、以及接触网表面的检测中,对钢轨表面进行缺陷图像检测时,需要预先利用大量钢轨表面出现缺陷的样本图像对模型进行训练,而训练得到的模型不能应用在对接触网表面的缺陷图像检测上,从而使得现有技术中对缺陷图像的检测不具有广泛性,导致对于物体缺陷图像检测的效率较低。
而本申请实施例所提供的方法,可以先通过预设数量的样本图像和每个样本图像对应的标准图像,得到新的样本图像和新的样本图像对应的标准图像,并将新的样本图像和新的样本图像对应的标准图像加入至训练样本集合中,将训练样本集合中的训练样本输入至图像修补模型进行训练,进而根据训练好的图像修补模型以及待检测图像,得到对待检测图像修补后的修补图像,通过对比标准图像和对待检测图像修补后的修补图像,确定待检测图像是否存在缺陷,提高了对具有缺陷区域图像检测的效率。为便于对本实施例进行理解,首先对本申请实施例所公开的一种图像检测的方法进行详细介绍。
实施例一
参照图1所示,为本申请实施例提供的一种图像检测的方法的流程示意图,包括以下步骤:
步骤101、获取待检测图像。
其中,待检测图像可以是彩色图像,灰度图像,或者二值化图像。当待检测图像是彩色图像时,对待检测图像进行灰度化处理后进行检测。
步骤102、基于待检测图像、以及训练好的图像修补模型,确定对待检测图像修补后的修补图像。
示例性的,将待检测图像输入至训练好的图像修补模型之后,可以执行如图2所示的操作。
首先,对待检测图像进行第一次卷积处理得到32通道的第一特征图像,对该32通道的第一特征图像继续进行卷积处理,得到第二次卷积处理的32通道的第一特征图像,以此类推,得到128通道的第一特征图像。
然后,对128通道的第一特征图像进行反卷积处理,得到第一次反卷积处理的128通道的第二特征图像,将第一次反卷积处理的128通道的第二特征图像和第五次卷积处理得到的64通道的第一特征图像进行拼接,将拼接后的图像进行第二次反卷积处理,得到64通道的第二特征图像,以此类推,将第五次反卷积处理的32通道的第二特征图像和第一次卷积处理的32通道的第一特征图像进行拼接,将拼接后的图像进行两次卷积处理,得到对待检测图像修补后的修补图像。
需要说明的是,上述图像修补模型对输入的待检测图像的处理过程只是示例性的,实际应用中,在对图像修补模型训练时,调整模型参数包括对每一层卷积的通道数的调整、卷积和反卷积次数的调整。
在一种可能的应用场景中,对物体表面进行平整度的检测时,所检测的物体可能为部分区域缺失的物体,或者是表面具有凸起的物体。
在对物体表面进行平整度检测时,可以将待检测图像输入至输入至训练好的图像修补模型中,得到对待检测图像进行修补后的修补图像。
其中,图像修补模型的训练过程将在图像检测的方法后进行详细介绍,在此暂不展开说明。
步骤103、针对修补图像和待检测图像中处于同一位置处的每两个像素点,分别计算每两个像素点的像素值之间的差值,得到修补图像和待检测图像的差值图像。
示例性的,可以将修补图像和待检测图像中处于同一位置处的每两个像素点的像素值相减,根据相减后得到的像素点的像素值,确定修补图像和待检测图像的差值图像。
步骤104、基于差值图像中各像素点的像素值,确定差值图像中差异位置区域。
一种可能的实施例中,可以通过以下两种方式中的任意一种方式来确定差值图像中的差异位置区域。
方式一、遍历差值图像中每个像素点,确定以遍历到的像素点为中心的第一图像区域,确定第一图像区域中其它像素点与遍历到的像素点之间的像素值差值,若第一图像区域对应的像素值差值超出第一设定值,则将第一图像区域确定为差异位置区域。
示例性的,首先确定差值图像中的一个像素点A,然后将像素点A与像素点A相邻的像素点组成第一图像区域,确定第一图像区域中每一个像素点的像素值,将像素点A的像素值与像素点A相邻的每一个像素点的像素值进行比较差值,其中,可以通过将像素点A的像素值与像素点A相邻的每一个像素点的像素值相减,将相减后得到的差值进行加权平均,得到第一图像区域对应的像素值差值。
通过将第一图像区域对应的像素值差值与第一设定值进行比较,若第一图像区域对应的像素值差值超出第一设定值,则将第一图像区域确定为差异位置区域,第一设定值根据实际需求进行调整。
方式二、确定差值图像中像素点的像素值超过第二设定值的第二图像区域,将第二图像区域确定为差异位置区域。
示例性的,根据第二设定值中每一个像素点的像素值,与差值图像中对应的相同位置的像素点的像素值进行比较,确定差异位置区域,第二设定值根据实际需求进行调整。
步骤105、若差值图像中的差异位置区域的面积大于预设面积,则确定待检测图像为缺陷图像。
示例性的,根据确定的差异位置区域,计算该区域的面积,当该区域的面积大于预设面积时,确定待检测图像为缺陷图像,预设面积根据实际应用场景中的图像进行调整。
一种可能的实施例中,对上述的图像修补模型的训练过程展开说明,如图3所示,图3示出了本申请实施例提供的图像修补模型训练过程的流程示意图。图像修补模型的训练过程包括以下步骤:
步骤301、获取训练样本集合。
具体的,训练样本集合包含多组训练样本,其中,每组训练样本中包括样本图像和样本图像对应的标准图像,样本图像包含图像缺陷区域,标准图像中标记有对应的样本图像的参考图像缺陷区域。
步骤302、利用训练样本集合对待训练的基础图像修补模型进行训练。
其中,基础图像修补模型的训练过程包括:
步骤3021、将训练样本集合输入至基础图像修补模型,得到每组训练样本中样本图像对应的修补图像,针对该修补图像与标准图像,确定每组训练样本对应的预测结果。
具体的,从训练样本集合中获取多组训练样本,分别输入至基础图像修补模型中,对每组训练样本中的样本图像进行修补,得到每组训练样本中样本图像对应的修补图像;通过对比每组训练样本对应的修补图像和标准图像,确定每组训练样本对应的预测结果,预测结果表示样本图像对应的修补图像为标准图像的概率。
示例性的,假设输入50组训练样本至基础图像修补模型中,得到训练样本中50张样本图像对应的50张修补图像,通过对比50张修补图像和50张标准图像,预测修补图像为标准图像的概率。
步骤3022、基于每组训练样本对应的预测结果,确定基础图像修补模型进行图像修补的准确率。
根据上述训练样本的举例,假设通过对比修补图像和标准图像中每一个相同位置处的像素点的像素值,得到有45张预测的修补图像和对应的标准图像是完全相同或者在允许误差范围内,那么基础图像修补模型进行图像修补的准确率为90%,假设通过对比修补图像和标准图像中每一个相同位置处的像素点的像素值,有5张预测的修补图像和对应的标准图像是完全相同或者在允许误差范围内,那么基础图像修补模型进行图像修补的准确率为10%。
步骤3023、若准确率不满足预设条件,调整基础图像修补模型的模型参数,并重新执行训练过程,直至准确率满足预设条件,确定基础图像修补模型训练完成。
步骤303,在确定基础图像修补模型训练完成后,将训练完的基础图像修补模型,确定为图像修补模型。
如图4所示,图4示出了本申请实施例提供的训练样本集合处理方法的流程示意图,可以通过以下方式确定图像修补模型的训练样本集合:
步骤401、获取预设数量的样本图像和每个样本图像对应的标准图像。
具体的,标准图像可以是通过人工标注参考图像缺陷区域。
步骤402、确定每个样本图像中的图像缺陷区域,以任意N个样本图像为一组,确定该组中第N个样本图像的待调整图像区域。
其中,第i个待调整图像区域的位置与前N-1个样本图像中第i个样本图像的图像缺陷区域的位置相同。
示例性的,可以将第i个待调整图像区域的像素值调整为第i个样本图像的图像缺陷区域的像素值;其中,N为大于1的整数,i取1至N-1中任一整数。
步骤403、在调整完每个待调整图像区域的像素值之后,得到新的样本图像,并确定新的样本图像对应的标准图像。
考虑到在特殊物体表面平整度的检测中缺陷样本图像很少,对于只能获取少量缺陷样本的特殊领域,例如对钢轨表面的检测、对接触网表面的检测等,可以通过先获取少量的样本图像和每个样本图像对应的标准图像。利用获取的少量样本图像,确定每个样本图像中的图像缺陷区域位置,通过调整样本图像中图像缺陷区域位置,得到新的样本图像。
示例性的,假设对钢轨表面进行检测,获取到4张钢轨表面缺陷样本图像,首先确定每一张缺陷样本图像中的图像缺陷区域,可以是2张缺陷样本图像为一组,也可以是4张缺陷样本图像为一组,还可以是4张缺陷样本图像为一组。以2张缺陷样本图像为一组为例,则有三种组合方式,即可以是第一张缺陷样本图像和第二张缺陷样本图像为一组,第三张缺陷样本图像和第四张缺陷样本图像为一组,也可以是第一张缺陷样本图像和第三张缺陷样本图像为一组,第二张缺陷样本图像和第四张缺陷样本图像为一组,还可以是第一张缺陷样本图像和第四张缺陷样本图像为一组,第二张缺陷样本图像和第三张缺陷样本图像为一组。
以2张缺陷样本图像为一组,且第一张缺陷样本图像和第二张缺陷样本图像为一组,第三张缺陷样本图像和第四张缺陷样本图像为一组为例,根据第一张缺陷样本图像中的图像缺陷区域位置的像素值,调整第二张缺陷样本图像中对应的相同位置的像素值,根据第三张缺陷样本图像中的图像缺陷区域位置的像素值,调整第四张缺陷样本图像中对应的相同位置的像素值,得到两张新的样本图像。
步骤404、将预设数量的样本图像和每个样本图像对应的标准图像、以及新的样本图像和新的样本图像对应的标准图像,加入至训练样本集合中。
本实施例提供的图像检测的方法,可以根据预设数量的样本图像和每个样本图像对应的标准图像,得到新的样本图像和新的样本图像对应的标准图像,并将新的样本图像和新的样本图像对应的标准图像加入至训练样本集合中,将训练样本集合输入至图像修补模型进行训练,进而根据训练好的图像修补模型,对不同类别的物体进行图像修补后,通过标准图像和对图像修补后的修补图像,确定待检测图像是否存在缺陷,提高了对具有缺陷区域图像检测的效率。
实施例二
本实施例提供了一种图像检测的装置,如图5所述,为本申请实施例提供的一种图像检测的装置500的架构示意图,该装置500包括:第一获取模块501、第一确定模块502、差值图像确定模块503、第二确定模块504、第三确定模块505以及训练模块506,具体的:
第一获取模块501,用于获取待检测图像;
第一确定模块502,用于基于所述待检测图像、以及训练好的图像修补模型,确定对所述待检测图像修补后的修补图像;
差值图像确定模块503,用于针对所述修补图像和所述待检测图像中处于同一位置处的每两个像素点,分别计算每两个像素点的像素值之间的差值,得到所述修补图像和所述待检测图像的差值图像;
第二确定模块504,用于基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域;
第三确定模块505,用于若所述差值图像中的差异位置区域的面积大于预设面积,则确定所述待检测图像为缺陷图像。
一种可能的实施方式中,所述第二确定模块504,具体用于:
遍历所述差值图像中每个像素点,确定以遍历到的像素点为中心的第一图像区域,确定所述第一图像区域中其他像素点与所述遍历到的像素点之间的像素差值,若所述第一图像区域对应的像素差值超出第一设定值,则将所述第一图像区域确定为所述差异位置区域。
一种可能的实施方式中,所述第二确定模块504,具体用于:
确定所述差值图像中像素点的像素值超过第二设定值的第二图像区域,将所述第二图像区域确定为所述差异位置区域。
一种可能的实施方式中,所述装置还包括:
训练模块506,用于根据以下训练得到所述图像修补模型:
获取训练样本集合,所述训练样本集合包含多组训练样本,其中,每组训练样本中包含样本图像和所述样本图像对应的标准图像,所述样本图像包含图像缺陷区域,所述标准图像中标记有对应的样本图像的参考图像缺陷区域;
利用所述训练样本集合对待训练的基础图像修补模型进行训练,其中,训练过程包括:
从所述训练样本集合中获取多组训练样本,分别输入至所述基础图像修补模型中,对每组训练样本中的样本图像进行修补,得到每组训练样本中样本图像对应的修补图像;通过对比每组训练样本对应的修补图像和标准图像,确定每组训练样本对应的预测结果,所述预测结果表示所述样本图像对应的修补图像为所述标准图像的概率;
基于每组训练样本对应的预测结果,确定所述基础图像修补模型进行图像修补的准确率;
若所述准确率不满足预设条件,调整所述基础图像修补模型的模型参数,并重新执行所述训练过程,直至所述准确率满足所述预设条件,确定所述基础图像修补模型训练完成,得到所述图像修补模型。
一种可能的实施方式中,所述训练模块506中,在获取训练样本集合时,具体用于:
获取预设数量的样本图像和每个样本图像对应的标准图像;
确定每个样本图像中的图像缺陷区域,以任意N个样本图像为一组,确定该组中第N个样本图像的待调整图像区域;其中,第i个待调整图像区域的位置与所述前N-1个样本图像中第i个样本图像的图像缺陷区域的位置相同;将所述第i个待调整图像区域的像素值调整为所述第i个样本图像的图像缺陷区域的像素值;其中,N为大于1的整数,i取1至N-1中任一整数;
在调整完每个待调整图像区域的像素值之后,得到新的样本图像,并确定新的样本图像对应的标准图像;
将预设数量的样本图像和每个样本图像对应的标准图像、以及新的样本图像和新的样本图像对应的标准图像,加入至所述训练样本集合中。
本实施例提供的图像检测的装置,可以根据预设数量的样本图像和每个样本图像对应的标准图像,得到新的样本图像和新的样本图像对应的标准图像,并将新的样本图像和新的样本图像对应的标准图像加入至训练样本集合中,将训练样本集合输入至图像修补模型进行训练,进而根据训练好的图像修补模型,对不同类别的物体进行图像修补后,通过标准图像和对图像修补后的修补图像,确定待检测图像是否存在缺陷,提高了对具有缺陷区域图像检测的效率。
实施例三
基于同一技术构思,本申请实施例还提供了一种电子设备。参照图6所示,为本申请实施例提供的电子设备600的结构示意图,包括处理器601、存储器602、和总线603。其中,存储器602用于存储执行指令,包括内存6021和外部存储器6022;这里的内存6021也称内存储器,用于暂时存放处理器601中的运算数据,以及与硬盘等外部存储器6022交换的数据,处理器601通过内存6021与外部存储器6022进行数据交换,当电子设备600运行时,处理器601与存储器602之间通过总线603通信,使得处理器601在执行以下指令:
获取待检测图像;
基于所述待检测图像、以及训练好的图像修补模型,确定对所述待检测图像修补后的修补图像;
针对所述修补图像和所述待检测图像中处于同一位置处的每两个像素点,分别计算每两个像素点的像素值之间的差值,得到所述修补图像和所述待检测图像的差值图像;
基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域;
若所述差值图像中的差异位置区域的面积大于预设面积,则确定所述待检测图像为缺陷图像。
一种可能的设计中,处理器601执行的处理中,所述基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域,包括:
遍历所述差值图像中每个像素点,确定以遍历到的像素点为中心的第一图像区域,确定所述第一图像区域中其它像素点与所述遍历到的像素点之间的像素值差值,若所述第一图像区域对应的像素值差值超出第一设定值,则将所述第一图像区域确定为所述差异位置区域。
一种可能的设计中,处理器601执行的处理中,所述基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域,包括:
确定所述差值图像中像素点的像素值超过第二设定值的第二图像区域,将所述第二图像区域确定为所述差异位置区域。
一种可能的设计中,处理器601执行的处理中,根据以下方式训练得到所述图像修补模型:
获取训练样本集合,所述训练样本集合包含多组训练样本,其中,每组训练样本中包括样本图像和所述样本图像对应的标准图像,所述样本图像包含图像缺陷区域,所述标准图像中标记有对应的样本图像的参考图像缺陷区域;
利用所述训练样本集合对待训练的基础图像修补模型进行训练,其中,训练过程包括:
从所述训练样本集合中获取多组训练样本,分别输入至所述基础图像修补模型中,对每组训练样本中的样本图像进行修补,得到每组训练样本中样本图像对应的修补图像;通过对比每组训练样本对应的修补图像和标准图像,确定每组训练样本对应的预测结果,所述预测结果表示所述样本图像对应的修补图像为所述标准图像的概率;
基于每组训练样本对应的预测结果,确定所述基础图像修补模型进行图像修补的准确率;
若所述准确率不满足预设条件,调整所述基础图像修补模型的模型参数,并重新执行所述训练过程,直至所述准确率满足所述预设条件,确定所述基础图像修补模型训练完成,得到所述图像修补模型。
一种可能的设计中,处理器601执行的处理中,所述获取训练样本集合,包括:
获取预设数量的样本图像和每个样本图像对应的标准图像;
确定每个样本图像中的图像缺陷区域,以任意N个样本图像为一组,确定该组中第N个样本图像的待调整图像区域;其中,第i个待调整图像区域的位置与所述前N-1个样本图像中第i个样本图像的图像缺陷区域的位置相同;将所述第i个待调整图像区域的像素值调整为所述第i个样本图像的图像缺陷区域的像素值;其中,N为大于1的整数,i取1至N-1中任一整数;
在调整完每个待调整图像区域的像素值之后,得到新的样本图像,并确定新的样本图像对应的标准图像;
将预设数量的样本图像和每个样本图像对应的标准图像、以及新的样本图像和新的样本图像对应的标准图像,加入至所述训练样本集合中。
实施例四
本申请实施例还提供了一种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运行时执行上述图像检测的方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述图像检测的方法的步骤,从而提高了对具有缺陷区域图像检测的效率。
本申请实施例所提供的图像检测的方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。

Claims (12)

1.一种图像检测的方法,其特征在于,包括:
获取待检测图像;
基于所述待检测图像、以及训练好的图像修补模型,确定对所述待检测图像修补后的修补图像;
针对所述修补图像和所述待检测图像中处于同一位置处的每两个像素点,分别计算每两个像素点的像素值之间的差值,得到所述修补图像和所述待检测图像的差值图像;
基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域;
若所述差值图像中的差异位置区域的面积大于预设面积,则确定所述待检测图像为缺陷图像。
2.如权利要求1所述的方法,其特征在于,所述基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域,包括:
遍历所述差值图像中每个像素点,确定以遍历到的像素点为中心的第一图像区域,确定所述第一图像区域中其它像素点与所述遍历到的像素点之间的像素值差值,若所述第一图像区域对应的像素值差值超出第一设定值,则将所述第一图像区域确定为所述差异位置区域。
3.如权利要求1所述的方法,其特征在于,所述基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域,包括:
确定所述差值图像中像素点的像素值超过第二设定值的第二图像区域,将所述第二图像区域确定为所述差异位置区域。
4.根据权利要求1所述的方法,其特征在于,根据以下方式训练得到所述图像修补模型:
获取训练样本集合,所述训练样本集合包含多组训练样本,其中,每组训练样本中包括样本图像和所述样本图像对应的标准图像,所述样本图像包含图像缺陷区域,所述标准图像中标记有对应的样本图像的参考图像缺陷区域;
利用所述训练样本集合对待训练的基础图像修补模型进行训练,其中,训练过程包括:
从所述训练样本集合中获取多组训练样本,分别输入至所述基础图像修补模型中,对每组训练样本中的样本图像进行修补,得到每组训练样本中样本图像对应的修补图像;通过对比每组训练样本对应的修补图像和标准图像,确定每组训练样本对应的预测结果,所述预测结果表示所述样本图像对应的修补图像为所述标准图像的概率;
基于每组训练样本对应的预测结果,确定所述基础图像修补模型进行图像修补的准确率;
若所述准确率不满足预设条件,调整所述基础图像修补模型的模型参数,并重新执行所述训练过程,直至所述准确率满足所述预设条件,确定所述基础图像修补模型训练完成,得到所述图像修补模型。
5.根据权利要求4所述的方法,其特征在于,所述获取训练样本集合,包括:
获取预设数量的样本图像和每个样本图像对应的标准图像;
确定每个样本图像中的图像缺陷区域,以任意N个样本图像为一组,确定该组中第N个样本图像的待调整图像区域;其中,第i个待调整图像区域的位置与所述前N-1个样本图像中第i个样本图像的图像缺陷区域的位置相同;将所述第i个待调整图像区域的像素值调整为所述第i个样本图像的图像缺陷区域的像素值;其中,N为大于1的整数,i取1至N-1中任一整数;
在调整完每个待调整图像区域的像素值之后,得到新的样本图像,并确定新的样本图像对应的标准图像;
将预设数量的样本图像和每个样本图像对应的标准图像、以及新的样本图像和新的样本图像对应的标准图像,加入至所述训练样本集合中。
6.一种图像检测的装置,其特征在于,包括:
第一获取模块,用于获取待检测图像;
第一确定模块,用于基于所述待检测图像、以及训练好的图像修补模型,确定对所述待检测图像修补后的修补图像;
差值图像确定模块,用于针对所述修补图像和所述待检测图像中处于同一位置处的每两个像素点,分别计算每两个像素点的像素值之间的差值,得到所述修补图像和所述待检测图像的差值图像;
第二确定模块,用于基于所述差值图像中各像素点的像素值,确定所述差值图像中的差异位置区域;
第三确定模块,用于若所述差值图像中的差异位置区域的面积大于预设面积,则确定所述待检测图像为缺陷图像。
7.如权利要求6所述的装置,其特征在于,所述第二确定模块,具体用于:
遍历所述差值图像中每个像素点,确定以遍历到的像素点为中心的第一图像区域,确定所述第一图像区域中其他像素点与所述遍历到的像素点之间的像素差值,若所述第一图像区域对应的像素差值超出第一设定值,则将所述第一图像区域确定为所述差异位置区域。
8.如权利要求6所述的装置,其特征在于,所述第二确定模块,具体用于:
确定所述差值图像中像素点的像素值超过第二设定值的第二图像区域,将所述第二图像区域确定为所述差异位置区域。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括:
训练模块,用于根据以下训练得到所述图像修补模型:
获取训练样本集合,所述训练样本集合包含多组训练样本,其中,每组训练样本中包含样本图像和所述样本图像对应的标准图像,所述样本图像包含图像缺陷区域,所述标准图像中标记有对应的样本图像的参考图像缺陷区域;
利用所述训练样本集合对待训练的基础图像修补模型进行训练,其中,训练过程包括:
从所述训练样本集合中获取多组训练样本,分别输入至所述基础图像修补模型中,对每组训练样本中的样本图像进行修补,得到每组训练样本中样本图像对应的修补图像;通过对比每组训练样本对应的修补图像和标准图像,确定每组训练样本对应的预测结果,所述预测结果表示所述样本图像对应的修补图像为所述标准图像的概率;
基于每组训练样本对应的预测结果,确定所述基础图像修补模型进行图像修补的准确率;
若所述准确率不满足预设条件,调整所述基础图像修补模型的模型参数,并重新执行所述训练过程,直至所述准确率满足所述预设条件,确定所述基础图像修补模型训练完成,得到所述图像修补模型。
10.根据权利要求9所述的装置,其特征在于,所述训练模块,在获取训练样本集合时,具体用于:
获取预设数量的样本图像和每个样本图像对应的标准图像;
确定每个样本图像中的图像缺陷区域,以任意N个样本图像为一组,确定该组中第N个样本图像的待调整图像区域;其中,第i个待调整图像区域的位置与所述前N-1个样本图像中第i个样本图像的图像缺陷区域的位置相同;将所述第i个待调整图像区域的像素值调整为所述第i个样本图像的图像缺陷区域的像素值;其中,N为大于1的整数,i取1至N-1中任一整数;
在调整完每个待调整图像区域的像素值之后,得到新的样本图像,并确定新的样本图像对应的标准图像;
将预设数量的样本图像和每个样本图像对应的标准图像、以及新的样本图像和新的样本图像对应的标准图像,加入至所述训练样本集合中。
11.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述的图像检测的方法的步骤。
12.一种计算机可读存储介质,其特征在于,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运行时执行如权利要求1至5任一所述的图像检测的方法的步骤。
CN201910251999.XA 2019-03-29 2019-03-29 一种图像检测的方法及装置 Active CN111768357B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910251999.XA CN111768357B (zh) 2019-03-29 2019-03-29 一种图像检测的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910251999.XA CN111768357B (zh) 2019-03-29 2019-03-29 一种图像检测的方法及装置

Publications (2)

Publication Number Publication Date
CN111768357A true CN111768357A (zh) 2020-10-13
CN111768357B CN111768357B (zh) 2024-03-01

Family

ID=72718008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910251999.XA Active CN111768357B (zh) 2019-03-29 2019-03-29 一种图像检测的方法及装置

Country Status (1)

Country Link
CN (1) CN111768357B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581386A (zh) * 2022-02-23 2022-06-03 清华大学 基于时空数据的缺陷检测方法及装置

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6356300B1 (en) * 1998-01-16 2002-03-12 Nec Corporation Automatic visual inspection apparatus automatic visual inspection method and recording medium having recorded an automatic visual inspection program
JP2006266752A (ja) * 2005-03-22 2006-10-05 Seiko Epson Corp 欠陥検出方法、欠陥検査方法、欠陥検出装置、欠陥検査装置、欠陥検出プログラムおよびこのプログラムを記録した記録媒体
US20140133774A1 (en) * 2012-11-09 2014-05-15 Industrial Technology Research Institute Image processor and image dead pixel detection method thereof
US20140233844A1 (en) * 2013-02-21 2014-08-21 Applied Materials Israel Ltd. System, method and computer program product for defect detection based on multiple references
CN104638204A (zh) * 2013-11-12 2015-05-20 昆山国显光电有限公司 一种定量修补装置及其自动图像修补方法
CN105118044A (zh) * 2015-06-16 2015-12-02 华南理工大学 一种轮形铸造产品缺陷自动检测方法
CN106803244A (zh) * 2016-11-24 2017-06-06 深圳市华汉伟业科技有限公司 缺陷识别方法及系统
CN106846279A (zh) * 2017-03-02 2017-06-13 合肥工业大学 一种基于连分式插值技术的自适应图像修补方法及其系统
CN106878636A (zh) * 2017-02-13 2017-06-20 建荣半导体(深圳)有限公司 缺陷像素点检测方法、装置及图像处理芯片
WO2018000731A1 (zh) * 2016-06-28 2018-01-04 华南理工大学 一种曲面表面缺陷自动检测方法及其装置
CN108230321A (zh) * 2018-01-19 2018-06-29 深圳市亿图视觉自动化技术有限公司 缺陷检测方法及装置
CN108352063A (zh) * 2015-11-18 2018-07-31 科磊股份有限公司 用于区域自适应缺陷检测的系统及方法
US20180315180A1 (en) * 2017-04-28 2018-11-01 Fujitsu Limited Detecting portions of interest in images
CN109141232A (zh) * 2018-08-07 2019-01-04 常州好迪机械有限公司 一种基于机器视觉的盘类铸件在线检测方法
CN109166109A (zh) * 2018-08-14 2019-01-08 珠海格力智能装备有限公司 缺陷检测方法、装置、存储介质及处理器
CN109299634A (zh) * 2017-07-25 2019-02-01 上海中科顶信医学影像科技有限公司 斑检测方法、系统、设备及存储介质
CN109300127A (zh) * 2018-09-21 2019-02-01 中兴新通讯有限公司 缺陷检测方法、装置、计算机设备及存储介质
CN109493272A (zh) * 2018-09-30 2019-03-19 南京信息工程大学 一种基于HSV色彩空间下的Criminisi图像修复方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6356300B1 (en) * 1998-01-16 2002-03-12 Nec Corporation Automatic visual inspection apparatus automatic visual inspection method and recording medium having recorded an automatic visual inspection program
JP2006266752A (ja) * 2005-03-22 2006-10-05 Seiko Epson Corp 欠陥検出方法、欠陥検査方法、欠陥検出装置、欠陥検査装置、欠陥検出プログラムおよびこのプログラムを記録した記録媒体
US20140133774A1 (en) * 2012-11-09 2014-05-15 Industrial Technology Research Institute Image processor and image dead pixel detection method thereof
US20140233844A1 (en) * 2013-02-21 2014-08-21 Applied Materials Israel Ltd. System, method and computer program product for defect detection based on multiple references
CN104638204A (zh) * 2013-11-12 2015-05-20 昆山国显光电有限公司 一种定量修补装置及其自动图像修补方法
CN105118044A (zh) * 2015-06-16 2015-12-02 华南理工大学 一种轮形铸造产品缺陷自动检测方法
CN108352063A (zh) * 2015-11-18 2018-07-31 科磊股份有限公司 用于区域自适应缺陷检测的系统及方法
WO2018000731A1 (zh) * 2016-06-28 2018-01-04 华南理工大学 一种曲面表面缺陷自动检测方法及其装置
CN106803244A (zh) * 2016-11-24 2017-06-06 深圳市华汉伟业科技有限公司 缺陷识别方法及系统
CN106878636A (zh) * 2017-02-13 2017-06-20 建荣半导体(深圳)有限公司 缺陷像素点检测方法、装置及图像处理芯片
CN106846279A (zh) * 2017-03-02 2017-06-13 合肥工业大学 一种基于连分式插值技术的自适应图像修补方法及其系统
US20180315180A1 (en) * 2017-04-28 2018-11-01 Fujitsu Limited Detecting portions of interest in images
CN109299634A (zh) * 2017-07-25 2019-02-01 上海中科顶信医学影像科技有限公司 斑检测方法、系统、设备及存储介质
CN108230321A (zh) * 2018-01-19 2018-06-29 深圳市亿图视觉自动化技术有限公司 缺陷检测方法及装置
CN109141232A (zh) * 2018-08-07 2019-01-04 常州好迪机械有限公司 一种基于机器视觉的盘类铸件在线检测方法
CN109166109A (zh) * 2018-08-14 2019-01-08 珠海格力智能装备有限公司 缺陷检测方法、装置、存储介质及处理器
CN109300127A (zh) * 2018-09-21 2019-02-01 中兴新通讯有限公司 缺陷检测方法、装置、计算机设备及存储介质
CN109493272A (zh) * 2018-09-30 2019-03-19 南京信息工程大学 一种基于HSV色彩空间下的Criminisi图像修复方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
化春键;邓朝省;陈莹;: "基于双掩模图像差影的工业产品表面缺陷检测", 传感器与微系统, vol. 34, no. 05, pages 127 - 129 *
朱妍妍;左建华;卢继平;徐东晓;: "基于图像处理的胶管缺陷在线检测系统开发", 北京理工大学学报, vol. 37, no. 09, pages 937 - 941 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581386A (zh) * 2022-02-23 2022-06-03 清华大学 基于时空数据的缺陷检测方法及装置
CN114581386B (zh) * 2022-02-23 2024-04-12 清华大学 基于时空数据的缺陷检测方法及装置

Also Published As

Publication number Publication date
CN111768357B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN1690678B (zh) 图像分析方法、图像分析程序及其像素评价系统
JP4657869B2 (ja) 欠陥検出装置、イメージセンサデバイス、イメージセンサモジュール、画像処理装置、デジタル画像品質テスタ、欠陥検出方法、欠陥検出プログラム、およびコンピュータ読取可能な記録媒体
CN111667448B (zh) 一种图像处理方法、装置及设备
CN113379680B (zh) 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN111369545A (zh) 边缘缺陷检测方法、装置、模型、设备及可读存储介质
CN106920245B (zh) 一种边界检测的方法及装置
CN110197180B (zh) 字符缺陷检测方法、装置及设备
CN111612757A (zh) 一种屏幕裂纹的检测方法、装置、设备及存储介质
CN110706224B (zh) 基于暗场图像的光学元件弱划痕检测方法、系统和装置
CN111723634A (zh) 一种图像检测方法、装置、电子设备及存储介质
CN115861153A (zh) 图像检测方法、计算机装置及存储介质
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN113468905B (zh) 图形码识别方法、装置、计算机设备和存储介质
CN112986259B (zh) 智能终端oled面板制造工艺的缺陷检测方法以及装置
CN111768357A (zh) 一种图像检测的方法及装置
CN114445499A (zh) 棋盘格角点自动提取方法、系统、设备及介质
CN116309470A (zh) 灯珠平面故障监测方法、装置、计算机设备和存储介质
CN110634124A (zh) 一种区域检测的方法及设备
CN115984197A (zh) 基于标准pcb图像的缺陷检测方法及相关装置
CN114926455A (zh) 目标中心位置的检测方法、装置、计算机设备及存储介质
CN114549346A (zh) 模糊图像识别方法、装置、设备及存储介质
CN115719326A (zh) Pcb板缺陷检测方法及装置
CN114494117A (zh) 器件胶水分布的检测方法、装置、存储介质及电子设备
CN116500042B (zh) 缺陷检测方法、装置、系统及存储介质
CN117173185B (zh) 轧制板材的区域检测方法及装置、存储介质、计算机设备

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