CN111784663B - 零部件的检测方法、装置、电子设备及存储介质 - Google Patents
零部件的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111784663B CN111784663B CN202010612838.1A CN202010612838A CN111784663B CN 111784663 B CN111784663 B CN 111784663B CN 202010612838 A CN202010612838 A CN 202010612838A CN 111784663 B CN111784663 B CN 111784663B
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- defect
- detection
- good
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims description 59
- 238000001514 detection method Methods 0.000 claims abstract description 180
- 230000007547 defect Effects 0.000 claims abstract description 131
- 230000002950 deficient Effects 0.000 claims abstract description 88
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 78
- 238000012545 processing Methods 0.000 claims description 24
- 238000005520 cutting process Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 201000001371 inclusion conjunctivitis Diseases 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 206010044325 trachoma Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/30—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)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种零部件的检测方法、装置、电子设备及存储介质,涉及人工智能中计算机视觉、深度学习和云计算技术领域,具体用于工业质检方面。具体实现方案为:获取待检测零部件的待检测图像,根据待检测图像和预先设置的检测模型,生成待检测零部件的质量检测信息,其中,检测模型是基于次品样本图像、良品样本图像及神经网络模型生成的,且良品样本图像为包括伪缺陷信息的图像,通过结合包括伪缺陷信息的良品样本图像生成检测模型,使得检测模型可以学到良品的零部件的相关特征,从而降低对零部件检测的错误率,提高检测的准确性和可靠性。
Description
技术领域
本申请涉及人工智能中计算机视觉、深度学习和云计算技术领域,具体用于工业质检方面,具体涉及一种零部件的检测方法、装置、电子设备及存储介质。
背景技术
随着工业现代化程度的提高,机器被广泛地应用于各个行业,如电子、化工、航空航天等,而零部件是机器的基本组成要素。
在现有技术中,对零部件的检测的方法为:获取次品零部件,根据次品零部件和神经网络模型生成检测模型,并根据该检测模型对待检测的零部件进行检测。
然而发明人在实现本申请的过程中,发现至少存在如下问题:检测的误差偏高。
发明内容
提供了一种用于降低检测的误差的零部件的检测方法、装置、电子设备、存储介质。
根据第一方面,提供了一种零部件的检测方法,包括:
获取待检测零部件的待检测图像;
根据所述待检测图像和预先设置的检测模型,生成所述待检测零部件的质量检测信息,其中,所述检测模型是基于次品样本图像、良品样本图像及神经网络模型生成的,且所述良品样本图像为包括伪缺陷信息的图像。
在本申请实施例中,通过结合包括伪缺陷信息的图像的良品样本图像生成检测模型,可以提高检测的准确性和可靠性的技术效果。
根据第二方面,本申请实施例提供了零部件的检测装置,包括:
第一获取模块,用于获取待检测零部件的待检测图像;
第一生成模块,用于根据所述待检测图像和预先设置的检测模型,生成所述待检测零部件的质量检测信息,其中,所述检测模型是基于次品样本图像、良品样本图像及神经网络模型生成的,且所述良品样本图像为包括伪缺陷信息的图像。
根据第三方面,本申请实施例提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上任一实施例所述的方法。
根据第四方面,本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上任一实施例所述的方法。
根据第五方面,本申请实施例提供了一种工业零部件的缺陷检测方法,包括:
获取待检测工业零部件的待检测图像;
根据所述待检测图像和预先设置的缺陷检测模型,生成所述待检测零部件的缺陷类型和缺陷位置,其中,所述缺陷检测模型是基于次品样本图像和良品样本图像对神经网络模型进行训练生成的,且所述良品样本图像为包括伪缺陷信息的图像。
根据本申请的第六方面,提供了一种计算机程序产品,所述程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。根据本申请的通过结合包括伪缺陷信息的良品样本图像生成检测模型技术,解决了现有技术中检测的误差偏高的问题,从而降低了对零部件检测的错误率,提高了检测的准确性和可靠性的技术效果。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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为本申请实施例的零部件的检测方法的示例性的系统框架的示意图;
图2为本申请一个实施例的零部件的检测方法的流程示意图;
图3为本申请实施例的工业零部件的缺陷检测方法的流程示意图;
图4为本申请另一实施例的零部件的检测方法的流程示意图;
图5为本申请另一实施例的零部件的检测方法的流程示意图;
图6为本申请实施例的生成待检测零部件的质量检测信息的流程示意图;
图7为本申请一个实施例的零部件的检测装置的示意图;
图8为本申请另一实施例的零部件的检测装置的示意图;
图9为本申请实施例的电子设备的框图。
具体实施方式
以下结合附图对本申请实施例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,而不会背离本申请实施例的范围和精神。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。
请参阅图1,图1为本申请实施例的零部件的检测方法的示例性的系统框架的示意图。
如图1所示,系统框架可以包括图像采集装置100,服务器300,以及为图像采集装置100和服务器300提供通信链路的网络200。
其中,图像采集装置100可以为硬件,也可以为软件。当图像采集装置100为硬件时,图像采集装置100可以为支持图像采集功能的各种电子设备,如摄像头、摄像机、相机及智能终端(如智能手环和笔记本电脑等),等等;当图像采集装置100为软件时,该软件可以安装于上述电子设备中,用于实现图像采集功能,且该软件可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做限定。
同理,服务器300可以为硬件,也可以为软件。当服务器300为硬件时,服务器300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300为软件时,可以实现成多个软件或软件模块(例如用于提供分布式服务),也可以实现成单个软件或软件模型,在此不做限定。
其中,网络200可以包括各种连接类别,如有线、无线通信链路或者光纤电缆,等等。
值得说明地是,图1中的图像采集装置100、网络200及服务器300的数目仅仅是示意性的,根据实际需要,可以具有任意数目的图像采集装置100、网络200及服务器300。
在如图1所示的系统框架中,图像采集装置100可以对零部件的图像进行采集,并通过网络200将图像发送至服务器300,服务器300可以基于预先存储的检测模型对图像进行检测,以确定零部件为次品,或者为良品,且当服务器300确定出零部件为次品时,还可以确定出零部件的缺陷类型,如刮痕等,还可以确定出零部件的缺陷位置,如缺陷在零部件中的坐标,等等。
其中,图像采集装置100采集的可以为工业制造中的工业零部件的图像。
在相关技术中,通常采用的零部件的检测方法为:获取次品零部件,根据次品零部件和神经网络模型生成检测模型,并根据该检测模型对待检测的零部件进行检测。
通过相关技术中的方法,存在检测的误差偏高的问题,且在同一位置出现检测误差的可能性尤其偏高。
本申请的发明人在经过创造性劳动之后,得到了本申请的发明构思:在用于训练神经网络模型中的训练样本中增加良品零部件的样本图像,以使得训练得到的检测模型具有良品零部件的检测能力,从而降低检测的误差,提高检测的准确性。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
根据本申请实施例的一个方面,本申请实施例提供了一种零部件的检测方法,该零部件的检测方法可以应用于如图1所示的系统框架中。
请参阅图2,图2为本申请一个实施例的零部件的检测方法的流程示意图。
如图2所示,该方法包括:
S101:获取待检测零部件的待检测图像。
其中,本申请实施例的零部件的检测方法的执行主体可以为零部件的检测装置(下文简称检测装置),且检测装置可以包括图1中所示的各组件,如检测装置可以包括如图1中所示的图像采集装置、网络及服务器组成的系统,也可以为如图1中所述的服务器,当然,检测装置也可以为如图1中所述的图像采集装置。
S102:根据待检测图像和预先设置的检测模型,生成待检测零部件的质量检测信息,其中,检测模型是基于次品样本图像、良品样本图像及神经网络模型生成的,且良品样本图像为包括伪缺陷信息的图像。
其中,次品样本图像可以用于表征次品的零部件的图像,且次品可以用于表征存在缺陷的零部件,如裂痕、划痕、鼓包、粘料、沙眼、边缘碰上、脏污、起皮、变形、毛刺及流纹,等等。也就是说,次品样本图像可以用于表征,存在缺陷的零部件的图像。
良品样本图像可以用于表征样本的零部件的图像,且良品可以用于表征不存在缺陷的零部件。也就是说,良品样本图像可以用于表征,不存在缺陷的零部件的图像。
伪缺陷信息用于表征在良品样本图像上生成的缺陷信息,即良品样本图像上本身没有缺陷的,但是,在本申请实施例中,在良品样本图像上增加了缺陷信息,而增加的该缺陷信息即为伪缺陷信息。
在一些实施例中,伪缺陷信息可以为在良品样本图像上生成与零部件不一样颜色的方块,如在良品样本图像上生成的纯黑色方块,或者纯白色方块,等等。
值得说明的是,本申请实施例对良品样本图像上的伪缺陷信息的增加方式不做限定,如可以为通过人工的方式增加,也可以为由检测装置随机增加,等等。且本申请实施例对良品样本图像上的伪缺陷信息的内容也不做限定,如上述示例中的纯黑色方块,或者纯白色方块等。
检测模型可以用于表征,用于对零部件的质量进行检测,得到零部件的质量检测信息的网络模型。也就是说,通过检测模型对零部件进行检测,可以知晓该零部件为次品或者是良品。
也就是说,在本实施例中,用于生成检测模型的样本中不仅包括次品样本图像,还包括良品样本图像,且良品样本图像中包括伪缺陷信息,因此,相较相关技术中仅根据次品样本图像生成的检测模型而言,本申请实施例中的检测模型可以学到良品的零部件的相关特征,从而降低对零部件检测的错误率,提高检测的准确性和可靠性。
本申请实施例对神经网络模型不做限定,如神经网络模型可以为卷积神经网络模型、前馈(Feed Forward,FF)神经网络模型、递归(Recurrent Neural Network,RNN)神经网络模型及长短时记忆(Long/Short Term Memory,LSTM)网络模型,等等。
基于上述分析可知,本申请实施例提供了一种零部件的检测方法,该方法包括:获取待检测零部件的待检测图像,根据待检测图像和预先设置的检测模型,生成待检测零部件的质量检测信息,其中,检测模型是基于次品样本图像、良品样本图像及神经网络模型生成的,且良品样本图像为包括伪缺陷信息的图像,通过结合包括伪缺陷信息的良品样本图像生成检测模型,使得检测模型可以学到良品的零部件的相关特征,从而降低对零部件检测的错误率,提高检测的准确性和可靠性。
基于对图1所示的应用场景的描述可知,在本申请实施例中,检测装置获取到的待检测图像可以为工业制造中的工业零部件的图像,现结合图3对当待检测图像为工业制造中的工业零部件的图像,即当本申请实施例的零部件的检测方法应用于工业制造的应用中时进行详细阐述如下:
请参阅图3,图3为本申请实施例的工业零部件的缺陷检测方法的流程示意图。
如图3所示,该方法包括:
S1:获取待检测工业零部件的待检测图像。
S2:根据待检测图像和预先设置的缺陷检测模型,生成待检测零部件的缺陷类型和缺陷位置,其中,缺陷检测模型是基于次品样本图像和良品样本图像对神经网络模型进行训练生成的,且良品样本图像为包括伪缺陷信息的图像。
值得说明的是,由于相关技术中在对工业零部件进行缺陷检测时,一般通过工业制造生产线上的工作人员实现,而由于工业零部件的生产量比较大,因此,当通过人工的方式对工业零部件的缺陷进行检测时,很可能造成漏检或者误检,且效率偏低。
而在本申请实施例中,通过由检测装置对工业零部件的缺陷进行检测,可以提高检测效率,降低人工成本。且通过结合包括伪缺陷信息的图像的良品样本图像训练生成缺陷检测模型,使得检测模型可以学习良品的特征,从而降低工业零部件检测时误检的问题,从而提高检测的可靠性和准确性的技术效果。
为使读者从生成检测模型的维度对本申请实施例的零部件的检测方法进行更为透彻地理解,现结合图4对本申请实施例的零部件的检测方法进行更为详细地阐述。其中,图4为本申请另一实施例的零部件的检测方法的流程示意图。
如图4所示,该方法包括:
S201:分别获取次品样本图像和良品样本图像。
其中,次品样本图像可以为同一次品零部件上的多个样本图像,也可以为不同次品零部件上的多个样本图像。
同理,良品样本图像可以为同一良品零部件上的多个样本图像,也可以为不同良品零部件上的多个样本图像。
在本申请实施例中,对次品样本图像和良品样本图像的数量不做限定,且次品样本图像和良品样本图像的数量可以基于经验、历史记录和试验进行选择。
现以次品样本图像的数量基于需求进行设为例,进行如下阐述:
其中,需求可以用于表征,预先设置于检测装置中的对质量检测信息的可靠性的需求,则检测装置针对可靠性相对较高的需求,可以选择相对较多数量的次品样本图像,以提高检测模型检测时的准确性,从而提高检测得到的质量检测信息的可靠性;反之,检测装置针对可靠性相对较低的需求,可以选择相对较少数量的次品样本图像。
现以次品样本图像的数量基于历史记录进行选择为例,进行如下阐述:
检测装置基于历史记录可知,次品样本图像的数量为某数量区间时,检测模型在检测时的准确性相对比较高,则检测装置可以基于该数量区间的选择次品样本图像的数量。
现以次品样本图像的数量基于试验进行选择为例,进行如下阐述:
在试验阶段,检测装置中预先设置多个数量区间。检测装置选择各数量区间的次品样本图像,基于各数量区间,分别生成试验阶段的检测模型,基于各试验阶段的检测模型的准确度,选择样次品样本图像的数量。
同理,也可以上述方式选择良品样本图像的数量,此处不再赘述。
值得说明地是,上述示例只是用于示范性地说明,选择次品样本图像和良品样本图像的数量的可能实现方式,而不能理解为对本申请实施例的限定。
S202:对次品样本图像和良品样本图像分别进行切图,生成训练集。其中,训练集包括次品样本训练图像和良品样本训练图像。
该步骤可以具体包括:对次品样本图像进行切图,生成次品样本训练图像,并对良品样本图像进行切图,生成良品样本训练图像,根据样本训练图像和良品样本训练图像组成训练集。
其中,切图可以用于表征,将次品样本图像和良品样本图像分别切分为多个图像,如将次品样本图像切分为多个子次品样本图像,将良品样本图像切分为多个子良品样本图像。
通过对次品样本图像和良品样本图像分别进行切图,可以提高训练集中的样本图像的多样性,从而提高检测模型的准确性和可靠性的技术效果。
在一些实施例中,S202可以包括:
S2021:基于次品样本的不同表面对次品样本图像进行切图,生成次品样本训练图像。
值得说明的是,零部件可以由多个表面组成,如对于一个长方体的零部件,该零部件可以包括六个表面,且分别为上表面、下表面、左表面、右表面、上表面及下表面。
则在步骤中,可以针对六个表面中的至少两个表面对该零部件的次品样本图像进行切图,生成不同表面切图后的次品样本训练图像。
通过从不同的表面对次品样本图像进行切图,可以实现提高次品样本训练图像的多样性和灵活性,从而提高检测模型的可靠性和稳定性的技术效果。
S2022:基于良品样本的不同表面对良品样本图像进行切图,生成良品样本训练图像。
同理,在步骤中,可以针对六个表面中的至少两个表面对良品样本图像进行切图,生成不同表面切图后的良品样本训练图像。
通过从不同的表面对良品样本图像进行切图,可以实现提高良品样本训练图像的多样性和灵活性,从而提高检测模型的可靠性和稳定性的技术效果。
S203:获取历史检测记录中,被误判为次品的零部件。
也就是说,在该步骤中,检测装置从检测的历史记录中,获取实际是良品,但是被错误的检测为次品的零部件。
同理,在本申请实施例中,对获取到的被误判为次品的零部件的数量不做限定,可以基于需求、历史记录及试验等进行选择,具体选择原理可以参见上述示例,此处不再赘述。
S204:根据被误判为次品的零部件在良品样本训练图像上生成伪缺陷信息。
在该步骤中,以被误判为次品的零部件为基础,在良品样本训练图像上生成伪缺陷信息,可以降低其他良品零部件再次被误判为次品零部件的可能性,从而实现训练生成的检测模型的可靠性和准确性的技术效果。
在一些实施例中,S204可以包括:
S2041:确定被误判为次品的零部件的缺陷的位置信息。
尽管被误判为次品的零部件实际为良品,并没有缺陷,但是由于检测错误,在检测装置错误的将良品的零部件确定为次品的零部件时,也会错误地检测出缺陷,因此在该步骤中,检测装置可以确定出该缺陷的位置信息。
S2042:根据位置信息在良品样本训练图像上生成伪缺陷信息。
也就是说,检测装置可以确定出良品的零部件可能会被误判为次品的零部件的位置信息,并基于该位置信息,在良品样本训练图像上生成伪缺陷信息,以使得检测模型可以学习到良品的零部件的特征,从而降低误判,提高检测模型的可靠性和准确性的技术效果。
其中,检测装置可以在良品样本训练图像上,与该位置信息对应的位置上生成伪缺陷信息,也可以在良品样本训练图像上,在与该位置信息对应的位置的附近生成伪缺陷信息,本申请实施例不做限定。
在一些实施例中,若确定出的位置信息为多个不同的位置,则可以从多个位置中选择出现次数最多的位置,即选择相对被较高频率误判为次品的零部件的位置,并基于该位置的位置信息在良品样本训练图像上生成伪缺陷信息。
S205:对训练集中的各图像进行相同分辨率处理。
在该步骤中,检测装置将训练集中的各图像的分辨率处理为相同的分辨率。
在一些实施例中,检测装置可以预先设置一标准分辨率,以该标准分辨率为基础,将训练集中的各图像均调整为该标准分辨率。
在另一些实施例中,检测装置也可以从训练集中的各图像中随机选择一图像,并以该图像的分辨率为基础,将训练集中的其他的图像的分辨率均调整为该分辨率。
在另一些实施例中,检测装置可以对训练集中的各图像的分辨率进行统计,以相同分辨率的图像的数量最多的分辨率为基础,将训练集中的其他的图像的分辨率均调整为该分辨率。
值得说明的是,上述示例只是用于示范性地说明可能包括的分辨率处理的方法,而不能理解为对分辨率处理的方法的限定。
在本申请实施例中,通过对训练集中的各图像进行相同分辨率处理,使得训练集中的各图像的分辨率相同,可以减小由于对训练集中的各图像尺寸处理带来对缺陷的伸缩的影响,并且提高缺陷在训练集中的各图像中的占比,从而提高检测模型的可靠性和准确性的技术效果。
S206:根据训练集中的各图像对神经网络模型进行训练,生成检测模型。
在一些实施例中,S206可以具体包括:提取训练集中的各图像的输入特征,并将输入特征输入至神经网络模型,生成测试值,并将测试值与预先设置的真实值对神经网络模型进行迭代,直至迭代次数等于预先设置的迭代阈值,或者,真实值与测试值之间的损失函数小于预先设置的损失阈值,得到检测模型。
S207:获取待检测零部件的待检测图像。
其中,关于S207的描述可以参见S101,此处不再赘述。
S208:根据待检测图像和预先设置的检测模型,生成待检测零部件的质量检测信息。
其中,检测模型为基于S201至S206生成的。
且关于S208的描述可以参见S202,此处不再赘述。
为使读者从检测模型对零部件的质量进行检测的维度对本申请实施例的零部件的检测方法进行更为透彻地理解,现结合图5对本申请实施例的的零部件的检测方法进行更为详细地阐述。其中,图5为本申请另一实施例的零部件的检测方法的流程示意图。
如图5所示,该方法包括:
S301:获取待检测零部件的待检测图像。
其中,关于S301的描述可以参见S101,此处不再赘述。
S302:基于待检测零部件的不同表面对待检测图像进行切图,生成多个目标图像。
其中,关于切图的描述可以参见上述示例,此处不再赘述。
在该步骤中,通过对待检测零部件的不同表面对待检测图像进行切图,可以提高后续检测模型检测的全面性,从而提高检测的可靠性和准确性的技术效果。
S303:根据多个目标图像和检测模型,生成待检测零部件的质量检测信息。
其中,检测模型为基于S201至S206生成的,此处不再赘述。
结合图6可知,在一些实施例中,S303可以包括:
S31:根据多个目标图像和检测模型,生成各目标图像各自对应的检测信息。
在该步骤中,一个目标图像对应一个检测信息。
S32:对各检测信息进行去重处理,生成质量检测信息。
值得说明的是,多个目标图像为检测装置基于待检测零部件的不同表面进行切图生成的,可能存在多个目标图像之间包括相同的元素的情况,在该步骤中,通过检测装置对各检测信息进行去重处理,可以避免信息的冗余,减少计算量,提高质量检测信息的可靠性的技术效果。
在一些实施例中,检测信息包括初始缺陷类型和初始缺陷位置,S32可以包括:
S321:根据各初始缺陷位置确定缺陷在待检测图像中的各映射位置。
值得说明的是,初始缺陷类型和初始缺陷位置中的“初始”用于与后文中的目标缺陷类型和目标缺陷位置进行区分,而不能理解为对缺陷类型和缺陷位置的内容的限定。
其中,缺陷类型可以用于表征缺陷的类别,如上述示例中描述的划分、碰伤及沙眼等。
缺陷位置可以用于表征缺陷在零部件的图像中的坐标。
某初始缺陷位置为缺陷在某目标图像上的位置,在该步骤中,检测装置将该缺陷在目标图像上的位置映射至该缺陷在待检测图像中的位置,且为了将该位置与前文中的初始缺陷位置和后文中的目标缺陷位置进行区分,将该位置称之为映射位置,同理,映射位置中的“映射”不能理解为对位置的内容的限定。
也就是说,在该步骤中,检测装置可以根据目标图像上的初始缺陷位置确定该缺陷在待检测图像中的位置,以便后续对待检测图像中的相同的缺陷位置进行去重处理。
S322:对各映射位置进行去重处理,生成目标缺陷位置。
同理,目标缺陷位置中的“目标”不能理解为对缺陷位置的内容的限定。
在该步骤中,检测装置可以将待检测图像中的相同的缺陷位置进行去重处理,得到目标缺陷位置。
在本申请实施例中,通过对相同的缺陷位置进行去重处理,可以避免信息的冗余,降低检测装置的运行功耗等。
S323:对各目标图像的初始缺陷类型进行去重处理,生成目标缺陷类型,质量检测信息包括目标缺陷位置和目标缺陷类型。
同理,目标缺陷类型中的“目标”不能理解为对缺陷类型的内容的限定。
且在该步骤中,检测装置可以将待检测图像中的相同的缺陷类型进行去重处理,得到目标缺陷类型,通过对相同的缺陷类型进行去重处理,可以避免信息的冗余,降低检测装置的运行功耗等。
根据本申请实施例的另一个方面,本申请实施例还提供了一种零部件的检测装置,用于执行如上任一实施例所述的方法,如用于执行如图2至图6中任一实施例所示的方法。
请参阅图7,图7为本申请一个实施例的零部件的检测装置的示意图。
如图7所示,该装置包括:
第一获取模块11,用于获取待检测零部件的待检测图像;
第一生成模块12,用于根据所述待检测图像和预先设置的检测模型,生成所述待检测零部件的质量检测信息,其中,所述检测模型是基于次品样本图像、良品样本图像及神经网络模型生成的,且所述良品样本图像为包括伪缺陷信息的图像。
结合图8可知,该装置还包括:
第二获取模块13,用于分别获取所述次品样本图像和所述良品样本图像;
第一切图模块14,用于对所述次品样本图像和所述良品样本图像分别进行切图,生成训练集;
训练模块15,用于根据所述训练集对所述神经网络模型进行训练,生成所述检测模型。
在一些实施例中,所述训练模块15用于,基于次品样本的不同表面对所述次品样本图像进行切图,生成次品样本训练图像,基于良品样本的不同表面对所述良品样本图像进行切图,生成良品样本训练图像,所述训练集包括所述次品样本训练图像和所述良品样本训练图像。
结合图8可知,在一些实施例中,还包括:
第三获取模块16,用于获取历史检测记录中,被误判为次品的零部件;
第二生成模块17,用于根据所述被误判为次品的零部件在所述良品样本训练图像上生成所述伪缺陷信息。
在一些实施例中,所述第二生成模块17用于,确定所述被误判为次品的零部件的缺陷的位置信息,根据所述位置信息在所述良品样本训练图像上生成所述伪缺陷信息。
结合图8可知,在一些实施例中,还包括:
处理模块18,用于对所述训练集中的各图像进行相同分辨率处理。
结合图8可知,在一些实施例中,还包括:
第二切图模块19,用于基于所述待检测零部件的不同表面对所述待检测图像进行切图,生成多个目标图像;
以及所述第一生成模块12用于,根据多个所述目标图像和所述检测模型,生成所述质量检测信息。
在一些实施例中,所述第一生成模块12用于,根据多个所述目标图像和所述检测模型,生成各所述目标图像各自对应的检测信息,对各所述检测信息进行去重处理,生成所述质量检测信息。
在一些实施例中,所述检测信息包括初始缺陷类型和初始缺陷位置,所述第一生成模块12,用于根据各所述初始缺陷位置确定缺陷在所述待检测图像中的各映射位置,对各所述映射位置进行去重处理,生成目标缺陷位置,对各所述目标图像的初始缺陷类型进行去重处理,生成目标缺陷类型,所述质量检测信息包括所述目标缺陷位置和所述目标缺陷类型。
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。
根据本申请的实施例,本申请还提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
请参阅图9,图9为本申请实施例的电子设备的框图。
其中,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。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。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/或者要求的本申请实施例的实现。
如图9所示,该电子设备包括:一个或多个处理器101、存储器102,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9中以一个处理器101为例。
存储器102即为本申请实施例所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请实施例所提供的零部件的检测方法。本申请实施例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实施例所提供的零部件的检测方法。
存储器102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程序指令/模块。处理器101通过运行存储在存储器102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零部件的检测方法。
存储器102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电子设备的使用所创建的数据等。此外,存储器102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102可选包括相对于处理器101远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、区块链服务网络(Block-chain-based Service Network,BSN)、移动通信网及其组合。
电子设备还可以包括:输入装置103和输出装置104。处理器101、存储器102、输入装置103和输出装置104可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置103可接收输入的数字或字符信息,以及产生与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104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。
这些计算机程序(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机程序。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)、区块链服务网络(Block-chain-based Service Network,BSN)、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。
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 (16)
1.一种零部件的检测方法,包括:
获取待检测零部件的待检测图像;
根据所述待检测图像和预先设置的检测模型,生成所述待检测零部件的质量检测信息,其中,所述检测模型是基于次品样本图像、良品样本图像及神经网络模型生成的,且所述良品样本图像为包括伪缺陷信息的图像;
还包括:
获取历史检测记录中,被误判为次品的零部件;
确定所述被误判为次品的零部件的缺陷的位置信息;
根据所述位置信息在所述良品样本图像上生成所述伪缺陷信息,所述伪缺陷信息为在所述良品样本图像上生成与零部件不一样颜色的方块。
2.根据权利要求1所述的方法,还包括:
分别获取所述次品样本图像和所述良品样本图像;
对所述次品样本图像和所述良品样本图像分别进行切图,生成训练集;
根据所述训练集对所述神经网络模型进行训练,生成所述检测模型。
3.根据权利要求2所述的方法,其中,所述对所述次品样本图像和所述良品样本图像分别进行切图,生成训练集包括:
基于次品样本的不同表面对所述次品样本图像进行切图,生成次品样本训练图像;
基于良品样本的不同表面对所述良品样本图像进行切图,生成良品样本训练图像;
所述训练集包括所述次品样本训练图像和所述良品样本训练图像。
4.根据权利要求3所述的方法,还包括:
对所述训练集中的各图像进行相同分辨率处理。
5.根据权利要求1至4中任一项所述的方法,还包括:
基于所述待检测零部件的不同表面对所述待检测图像进行切图,生成多个目标图像;
以及所述根据所述待检测图像和预先设置的检测模型,生成所述待检测零部件的质量检测信息包括:根据多个所述目标图像和所述检测模型,生成所述质量检测信息。
6.根据权利要求5所述的方法,其中,所述根据多个所述目标图像和所述检测模型,生成所述质量检测信息包括:
根据多个所述目标图像和所述检测模型,生成各所述目标图像各自对应的检测信息;
对各所述检测信息进行去重处理,生成所述质量检测信息。
7.根据权利要求6所述的方法,其中,所述检测信息包括初始缺陷类型和初始缺陷位置,所述对各所述检测信息进行去重处理,生成所述质量检测信息包括:
根据各所述初始缺陷位置确定缺陷在所述待检测图像中的各映射位置;
对各所述映射位置进行去重处理,生成目标缺陷位置;
对各所述目标图像的初始缺陷类型进行去重处理,生成目标缺陷类型,所述质量检测信息包括所述目标缺陷位置和所述目标缺陷类型。
8.一种零部件的检测装置,包括:
第一获取模块,用于获取待检测零部件的待检测图像;
第一生成模块,用于根据所述待检测图像和预先设置的检测模型,生成所述待检测零部件的质量检测信息,其中,所述检测模型是基于次品样本图像、良品样本图像及神经网络模型生成的,且所述良品样本图像为包括伪缺陷信息的图像;
还包括:
第三获取模块,用于获取历史检测记录中,被误判为次品的零部件;
第二生成模块,用于确定所述被误判为次品的零部件的缺陷的位置信息,根据所述位置信息在所述良品样本图像上生成所述伪缺陷信息,所述伪缺陷信息为在所述良品样本图像上生成与零部件不一样颜色的方块。
9.根据权利要求8所述的装置,还包括:
第二获取模块,用于分别获取所述次品样本图像和所述良品样本图像;
第一切图模块,用于对所述次品样本图像和所述良品样本图像分别进行切图,生成训练集;
训练模块,用于根据所述训练集对所述神经网络模型进行训练,生成所述检测模型。
10.根据权利要求9所述的装置,其中,所述训练模块用于,基于次品样本的不同表面对所述次品样本图像进行切图,生成次品样本训练图像,基于良品样本的不同表面对所述良品样本图像进行切图,生成良品样本训练图像,所述训练集包括所述次品样本训练图像和所述良品样本训练图像。
11.根据权利要求10所述的装置,还包括:
处理模块,用于对所述训练集中的各图像进行相同分辨率处理。
12.根据权利要求8至11中任一项所述的装置,还包括:
第二切图模块,用于基于所述待检测零部件的不同表面对所述待检测图像进行切图,生成多个目标图像;
以及所述第一生成模块用于,根据多个所述目标图像和所述检测模型,生成所述质量检测信息。
13.根据权利要求12所述的装置,其中,所述第一生成模块用于,根据多个所述目标图像和所述检测模型,生成各所述目标图像各自对应的检测信息,对各所述检测信息进行去重处理,生成所述质量检测信息。
14.根据权利要求13所述的装置,其中,所述检测信息包括初始缺陷类型和初始缺陷位置,所述第一生成模块,用于根据各所述初始缺陷位置确定缺陷在所述待检测图像中的各映射位置,对各所述映射位置进行去重处理,生成目标缺陷位置,对各所述目标图像的初始缺陷类型进行去重处理,生成目标缺陷类型,所述质量检测信息包括所述目标缺陷位置和所述目标缺陷类型。
15. 一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612838.1A CN111784663B (zh) | 2020-06-30 | 2020-06-30 | 零部件的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612838.1A CN111784663B (zh) | 2020-06-30 | 2020-06-30 | 零部件的检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784663A CN111784663A (zh) | 2020-10-16 |
CN111784663B true CN111784663B (zh) | 2024-01-23 |
Family
ID=72761399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010612838.1A Active CN111784663B (zh) | 2020-06-30 | 2020-06-30 | 零部件的检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784663B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686322A (zh) * | 2020-12-31 | 2021-04-20 | 柳州柳新汽车冲压件有限公司 | 零件差异识别方法、装置、设备及存储介质 |
CN112801298B (zh) * | 2021-01-20 | 2023-09-01 | 北京百度网讯科技有限公司 | 异常样本检测方法、装置、设备和存储介质 |
CN112907572B (zh) * | 2021-03-24 | 2022-02-08 | 国家石油天然气管网集团有限公司华南分公司 | 一种电机控制精准度的评估方法及系统 |
CN113111946A (zh) * | 2021-04-15 | 2021-07-13 | 宁波九纵智能科技有限公司 | 一种集手眼脑于一体的品质管控方法及其系统 |
CN113884504A (zh) * | 2021-08-24 | 2022-01-04 | 湖南云眼智能装备有限公司 | 一种电容外观检测控制方法及装置 |
CN113781460A (zh) * | 2021-09-16 | 2021-12-10 | 北京远舢智能科技有限公司 | 烟包外观缺陷在线检测方法、装置、电子设备和存储介质 |
CN114155244B (zh) * | 2022-02-10 | 2022-05-31 | 北京阿丘科技有限公司 | 缺陷检测方法、装置、设备及存储介质 |
CN115272302B (zh) * | 2022-09-23 | 2023-03-14 | 杭州申昊科技股份有限公司 | 图像中零部件检测方法,零部件检测设备及系统 |
CN115830403B (zh) * | 2023-02-22 | 2023-05-30 | 厦门微亚智能科技有限公司 | 一种基于深度学习的自动缺陷分类系统及方法 |
CN117269168B (zh) * | 2023-09-15 | 2024-04-09 | 昆山精诚得精密五金模具有限公司 | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10123063A (ja) * | 1996-10-15 | 1998-05-15 | Unisia Jecs Corp | プリント配線基板の外観検査方法 |
CN110009617A (zh) * | 2019-04-02 | 2019-07-12 | 浙江大学 | 一种轴类件在线质量检测方法 |
CN110239997A (zh) * | 2019-06-13 | 2019-09-17 | 华中科技大学 | 一种复卷机自动剔废方法及设备 |
CN110853035A (zh) * | 2020-01-15 | 2020-02-28 | 征图新视(江苏)科技股份有限公司 | 工业视觉检测中基于深度学习的样本生成方法 |
CN110992329A (zh) * | 2019-11-28 | 2020-04-10 | 上海微创医疗器械(集团)有限公司 | 一种产品表面缺陷检测方法、电子设备及可读存储介质 |
CN111311542A (zh) * | 2020-01-15 | 2020-06-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
-
2020
- 2020-06-30 CN CN202010612838.1A patent/CN111784663B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10123063A (ja) * | 1996-10-15 | 1998-05-15 | Unisia Jecs Corp | プリント配線基板の外観検査方法 |
CN110009617A (zh) * | 2019-04-02 | 2019-07-12 | 浙江大学 | 一种轴类件在线质量检测方法 |
CN110239997A (zh) * | 2019-06-13 | 2019-09-17 | 华中科技大学 | 一种复卷机自动剔废方法及设备 |
CN110992329A (zh) * | 2019-11-28 | 2020-04-10 | 上海微创医疗器械(集团)有限公司 | 一种产品表面缺陷检测方法、电子设备及可读存储介质 |
CN110853035A (zh) * | 2020-01-15 | 2020-02-28 | 征图新视(江苏)科技股份有限公司 | 工业视觉检测中基于深度学习的样本生成方法 |
CN111311542A (zh) * | 2020-01-15 | 2020-06-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
Scaling_theory_for_fault_stealing_algorithms_in_large_systolic_arrays;W. SCOTT STORNETTA等;《IEEE TRANSACTIONS ON COMPUTER-AIDED DESIGN》;第9卷(第3期);全文 * |
一种基于智能机器视觉识别的工业探伤技术;牛乾;刘桂华;康含玉;;信息技术与网络安全(02);全文 * |
基于空频域的金属缺陷特征提取算法;王健荣等;《计算机与信息技术 轻工科技》(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111784663A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784663B (zh) | 零部件的检测方法、装置、电子设备及存储介质 | |
CN111523468B (zh) | 人体关键点识别方法和装置 | |
CN111768381A (zh) | 零部件缺陷检测方法、装置及电子设备 | |
CN111738322B (zh) | 一种物品表面缺陷的检测方法、装置、设备和介质 | |
CN112270399B (zh) | 基于深度学习的算子注册处理方法、装置及电子设备 | |
CN111639637B (zh) | 表格识别方法、装置、电子设备和存储介质 | |
CN111693534A (zh) | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 | |
CN112200167B (zh) | 图像识别方法、装置、设备及存储介质 | |
JP7124153B2 (ja) | テキストコンテンツの認識方法、装置、電子機器及びコンピュータプログラム製品 | |
US11557062B2 (en) | Method and apparatus for processing video frame | |
CN110706147B (zh) | 图像处理的环境确定方法、装置、电子设备和存储介质 | |
CN113241310B (zh) | 晶圆缺陷的检测方法、检测装置、检测设备及可读存储介质 | |
CN111488821A (zh) | 用于识别交通信号灯倒计时信息的方法及装置 | |
CN111966925B (zh) | 楼栋兴趣点判重方法、装置、电子设备和存储介质 | |
CN110705551B (zh) | 按键位置的识别方法、装置、电子设备和存储介质 | |
CN111191619B (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
CN111696095B (zh) | 用于检测物体表面缺陷的方法及装置 | |
EP3901908B1 (en) | Method and apparatus for tracking target, device, medium and computer program product | |
CN112102417B (zh) | 确定世界坐标的方法和装置 | |
CN111563541B (zh) | 图像检测模型的训练方法和装置 | |
CN110737560B (zh) | 一种服务状态检测方法、装置、电子设备和介质 | |
CN112508027A (zh) | 用于实例分割的头部模型、实例分割模型、图像分割方法及装置 | |
CN110798681A (zh) | 成像设备的监测方法、装置和计算机设备 | |
CN112001369B (zh) | 船舶烟囱的检测方法、装置、电子设备及可读存储介质 | |
CN111967299B (zh) | 无人机巡检方法、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 |