CN111915549A - 瑕疵检测方法、电子装置及计算机可读存储介质 - Google Patents

瑕疵检测方法、电子装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111915549A
CN111915549A CN201910385705.2A CN201910385705A CN111915549A CN 111915549 A CN111915549 A CN 111915549A CN 201910385705 A CN201910385705 A CN 201910385705A CN 111915549 A CN111915549 A CN 111915549A
Authority
CN
China
Prior art keywords
image
detected
model
template image
similar
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.)
Pending
Application number
CN201910385705.2A
Other languages
English (en)
Inventor
林忠亿
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.)
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
Original Assignee
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry 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 Futaihua Industry Shenzhen Co Ltd, Hon Hai Precision Industry Co Ltd filed Critical Futaihua Industry Shenzhen Co Ltd
Priority to CN201910385705.2A priority Critical patent/CN111915549A/zh
Priority to US16/539,031 priority patent/US11189019B2/en
Publication of CN111915549A publication Critical patent/CN111915549A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明提供一种瑕疵检测方法，包括以下步骤：获取待测物的图像；将所述待测物的图像分割成多个待测图像；利用第一模型判断每个所述待测图像与相应的预设模板图像是否相似，所述模板图像为无瑕疵的正常图像；当判断每个所述待测图像与相应的所述模板图像相似时，确定所述待测物无瑕疵；当判断所述待测图像与所述模板图像不相似时，利用第二模型判断所述待测图像是否存在瑕疵，以确定所述待测物是否有瑕疵。本发明同时提出一种电子装置及计算机可读存储介质。本发明能够完成待测物表面瑕疵的检测，且检测效率较高。

Description

瑕疵检测方法、电子装置及计算机可读存储介质
技术领域
本发明涉及待测物检测领域，尤其涉及一种瑕疵检测方法、电子装置及计算机可读存储介质。
背景技术
目前，通常采用图像学的方法分辨待测物图像上的瑕疵，来进行待测物外观的检测。当待测物的尺寸比较大而瑕疵的尺寸比较小时，使用解析度低的摄像机来获取图像，可能会因为解析度不足无法呈现瑕疵；使用解析度高的摄像机来获取图像，由于常用的卷积神经网络(CNN)模型内部的运算量较大，受限于硬体条件常常无法完成图像处理。例如，在使用CNN模型分辨图像时，会将图像压缩至较小的解析度，例如224*224，此时细微的瑕疵部分将在图像上消失，从而无法正确分辨瑕疵。
发明内容
有鉴于此，有必要提出一种瑕疵检测方法、电子装置及计算机可读存储介质，以解决此问题。
本发明的第一方面提出一种瑕疵检测方法，包括以下步骤：获取待测物的图像；将所述待测物的图像分割成多个待测图像；利用第一模型判断每个所述待测图像与相应的预设模板图像是否相似，所述模板图像为无瑕疵的正常图像；当判断每个所述待测图像与相应的所述模板图像相似时，确定所述待测物无瑕疵；当判断所述待测图像与所述模板图像不相似时，利用第二模型判断所述待测图像是否存在瑕疵，以确定所述待测物是否有瑕疵。
进一步地，利用第一模型判断每个所述待测图像与相应的预设模板图像是否相似的步骤具体为：将所述待测图像与所述模板图像进行匹配；利用所述第一模型获得所述待测图像与所述模板图像的相似度值；判断所述相似度值是否大于预设的阈值；若为是，则判断所述待测图像与所述模板图像相似；若为否，则判断所述待测图像与所述模板图像不相似。
进一步地，所述第一模型为相似度判断模型，所述第二模型为卷积神经网络模型。
进一步地，将所述图像分割成多个待测图像的步骤具体为：搜寻所述图像的有效边缘；区分所述图像的检测区和非检测区；将所述检测区分割成多个能够供机器学习使用的所述待测图像。
进一步地，将所述待测物的图像分割成多个待测图像的步骤具体为：将所述待测物的图像按照所述模板图像的尺寸均匀分割成多个所述待测图像。
本发明的第二方面提出一种电子装置，用于检测待测物表面的瑕疵，所述电子装置包括：至少一个处理器；存储器，适于存储多条指令，所述指令适于由所述处理器加载并执行：获取待测物的图像；将所述待测物的图像分割成多个待测图像；利用第一模型判断每个所述待测图像与相应的预设模板图像是否相似，所述模板图像为无瑕疵的正常图像；当判断每个所述待测图像与所述模板图像相似时，确定所述待测物无瑕疵；当判断所述待测图像与所述模板图像不相似时，利用第二模型判断待测图像是否存在瑕疵，以确定所述待测物是否有瑕疵。
进一步地，所述相似度判断模块利用第一模型判断待测图像与预设的模板图像是否相似的步骤具体为：将所述待测图像与所述模板图像进行匹配；利用所述第一模型获得所述待测图像与所述模板图像的相似度值；判断所述相似度值是否大于预设的阈值；若为是，则判断所述待测图像与所述模板图像相似；若为否，则判断所述待测图像与所述模板图像不相似。
进一步地，所述第一模型为相似度判断模型，所述第二模型为卷积神经网络模型。
进一步地，所述图像处理模块将所述图像分割成多个待测图像的步骤具体为：搜寻所述图像的有效边缘；区分所述图像的检测区和非检测区；将所述检测区分割成多个能够供机器学习使用的所述待测图像。
本申请的第三方面提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的瑕疵检测方法。
本发明能够通过检测待测物图像来完成待测物表面瑕疵的检测，先利用第一模型判断分割后的所述待测图像与预设的模板图像是否相似，如果相似，则直接确定所述图像为正常图像，从而确定所述待测物无瑕疵，不需要再使用第二模型进行瑕疵检测；如果不相似再利用第二模型进行检测。由于第一模型的运算量小于第二模型的运算量，该方法能够提升瑕疵检测的效率。并且，对于大尺寸的待测物，至少部分待测图像极为相似，通过第一模型进行相似度判断，节省了检测时间，进一步提升了瑕疵检测的效率。
附图说明
图1为本发明一实施方式中的电子装置的应用结构示意图。
图2为本发明一实施方式中的瑕疵检测系统的应用结构示意图。
图3为本发明一实施方式中的瑕疵检测方法的流程图。
主要元件符号说明
Figure BDA0002054769070000031
Figure BDA0002054769070000041
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
请参照图1，图1为本发明提供之一种实施方式中的电子装置1的结构示意图。所述电子装置1包括，但不限于，处理器10、存储器20及通信单元30，存储器20和通信单元30分别与所述处理器10电连接。在一个实施例中，所述电子装置1可以为电脑、服务器或控制器等设备。所述处理器10的数量可为至少一个。
所述处理器10可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片或图形处理器，或各种控制芯片的组合等。
所述处理器10是所述电子装置1的控制核心(Control Unit)，利用各种接口和线路连接整个所述电子装置1的各个部件，通过运行或执行存储在所述存储器20内的程序或者模块，以及调用存储在所述存储器20内的数据，以执行所述电子装置1各种功能和处理数据，例如执行瑕疵检测系统100(请参图2)。
所述存储器20可用于存储计算机程序和/或模块/单元，所述处理器10通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述电子装置1的各种功能。所述存储器20可以是，但并不限于，只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
所述通信单元30用于与影像获取装置或其他电子装置建立通信连接。所述通信单元30可为有线通信单元或无线通信单元。
本领域技术人员可以理解，所述示意图仅仅是电子装置1的示例，并不构成对电子装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子装置1还可以包括输入输出设备、网络接入设备、总线等。
在一个实施例中，所述瑕疵检测系统100可以包括一个或多个程序形式的计算机指令，该一个或多个程序形式的计算机指令储存于所述存储器20中，并由所述处理器10执行。在本实施例中，所述瑕疵检测系统100可以集成于所述处理器10中。在其他实施例中，所述瑕疵检测系统100也可以独立于该处理器10之外。参阅图2所示，所述瑕疵检测系统100可以包括一个或多个模块，例如图2所示的获取模块101、图像处理模块102、相似度判断模块103、瑕疵检测模块104及确定模块105。
所述获取模块101用于获取待测物的图像。
在一实施例中，所述获取模块101可通过通信单元30从影像获取装置或其他电子装置中获取待测物的图像。
所述图像处理模块102用于将待测物的图像分割成多个待测图像。所述待测图像为能够供机器学习使用的、小尺寸的图像。
所述相似度判断模块103用于利用第一模型判断待测图像与相应的预设模板图像是否相似。所述模板图像为无瑕疵的正常图像。例如，所述模板图像可为对相同待测物进行检测后确定无瑕疵的正常图像。可以理解，所述模板图像的数量可为一个或多个。当模板图像的数量为多个时，所述相似度判断模块103先将所述待测图像匹配相应的模板图像，然后判断所述待测图像与相应的模板图像是否相似。
在本实施例中，所述第一模型为相似度判断模型。所述相似度判断模型中包括用于计算图像相似度的公式。例如，利用所述公式判断两张图像中相同的像素数量，进而计算图像的相似度。
在另一实施方式中，所述相似度判断模型也可为卷积神经网络(CNN)模型，或其他神经网络模型，例如VGG模型、ResNet模型等。
所述相似度判断模块103首先将所述待测图像与模板图像进行匹配，利用第一模型获得所述待测图像的相似度值，然后判断所述相似度值是否大于预设的阈值。若所述相似度值大于预设的阈值，则判断所述待测图像与所述模板图像相似。
所述瑕疵检测模块104用于利用第二模型判断待测图像是否存在瑕疵。所述第二模型可为神经网络模型。在本实施例中，所述瑕疵检测模块104用于在所述待测图像与所述模板图像不相似时，利用第二模型判断待测图像是否存在瑕疵。
所述第二模型可为CNN模型。可以理解，所述第二模型也可为其他神经网络模型，例如VGG模型、ResNet模型等。
所述确定模块105用于依据所述相似度判断模块103或所述瑕疵检测模块104的判断结果，确定所述待测物无瑕疵或存在瑕疵。具体地，所述确定模块105在所述相似度判断模块103判断每个所述待测图像均与相应的所述模板图像相似时，确定所述待测物无瑕疵；以及，所述确定模块105在所述瑕疵检测模块104判断每个所述待测图像均不存在瑕疵时，确定所述待测物无瑕疵。
请参阅图3，图3是本发明一实施例提供的瑕疵检测方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S301，获取待测物的图像。
具体地，所述获取模块101获取待测物的图像。所述待测物的图像可为较高解析度的大尺寸图像。
步骤S302，将所述待测物的图像分割成多个待测图像。
具体地，所述图像处理模块102将所述待测物的图像分割成多个待测图像，以便后续对每个待测图像分别进行检测。所述待测图像为能够供机器学习使用的、小尺寸的图像。
在本实施方式中，步骤S302具体为：搜寻所述图像的有效边缘，区分图像的检测区和非检测区，再将检测区分割成多个待测图像。可以理解，当待测物尺寸较大且比较均匀时，分割后的多个待测图像中，至少部分待测图像会极度相似。
在至少一实施例中，可将所述待测物的图像按照预设的模板图像的尺寸均匀分割成多个待测图像。
步骤S303，利用第一模型判断每个所述待测图像与预设的模板图像是否相似。
具体地，所述相似度判断模块103利用第一模型判断每个所述待测图像与预设的模板图像是否相似。所述预设的模板图像为无瑕疵的正常图像。所述第一模型可为相似度判断模型。
在本实施方式中，该步骤具体为：将所述待测图像与模板图像进行匹配；利用第一模型获得所述待测图像与所述模板图像的相似度值；判断所述相似度值是否大于预设的阈值。若为是，则判断所述待测图像与预设的模板图像相似，若每个待测图像均与预设的模板图像相似，则进入步骤S304；若为否，则进入步骤S305。
步骤S304，确定所述待测物无瑕疵。
当每个所述待测图像均与预设的模板图像相似时，所述确定模块105可确定所述待测物无瑕疵，为正常图像。
步骤S305，利用第二模型判断所述待测图像是否存在瑕疵。
具体地，对于与预设的模板图像不相似的待测图像，所述瑕疵检测模块104利用第二模型判断所述待测图像是否存在瑕疵。
所述第二模型可为神经网络模型。在本实施例中，所述第二模型可为卷积神经网络(CNN)模型。可以理解，所述第二模型也可为其他神经网络模型，例如VGG模型、ResNet模型等。
若所述瑕疵检测模块104判断所述待测图像存在瑕疵，则进入步骤S306，确定所述待测物存在瑕疵。若为否，则确定所述待测物无瑕疵。
本发明能够通过图像检测完成待测物表面瑕疵的检测，先利用第一模型判断分割后的所述待测图像与预设的模板图像是否相似，如果相似，则直接确定所述图像为正常图像，不需要再使用第二模型进行瑕疵检测。由于第一模型的运算量小于第二模型的运算量，该方法能够提升瑕疵检测的效率。并且，对于大尺寸的待测物，至少部分待测图像极为相似，通过第一模型进行相似度判断，节省了检测时间，进一步提升了瑕疵检测的效率。
由于本发明是对待测物的图像进行分割后进行检测，适用于较大尺寸的待测物，且无需降低待测物图像的解析度，适用范围更广。
本领域普通技术人员可以理解实现上述实施方式中的全部或者部分流程，是可以通过计算机程序来指令相关的硬件完成，所述的程序可存储于一计算机可读取存储介质中，所述程序在执行时，可包括如上述各方法的实施方式的流程。
另外，在本发明各个实施方式中的各功能单元可以集成在相同处理器中，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相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施方式的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施方式看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其它单元或步骤，单数不排除复数。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
尽管对本发明的优选实施方式进行了说明和描述，但是本领域的技术人员将领悟到，可以作出各种不同的变化和改进，这些都不超出本发明的真正范围。因此期望，本发明并不局限于所公开的作为实现本发明所设想的最佳模式的具体实施方式，本发明包括的所有实施方式都有所附权利要求书的保护范围内。

Claims (10)

1.一种瑕疵检测方法，其特征在于，包括以下步骤：
获取待测物的图像；
将所述待测物的图像分割成多个待测图像；
利用第一模型判断每个所述待测图像与相应的预设模板图像是否相似，所述模板图像为无瑕疵的正常图像；
当判断每个所述待测图像与相应的所述模板图像相似时，确定所述待测物无瑕疵；
当判断所述待测图像与所述模板图像不相似时，利用第二模型判断所述待测图像是否存在瑕疵，以确定所述待测物是否有瑕疵。
2.如权利要求1所述的瑕疵检测方法，其特征在于，利用第一模型判断每个所述待测图像与相应的预设模板图像是否相似的步骤具体为：
将所述待测图像与所述模板图像进行匹配；
利用所述第一模型获得所述待测图像与所述模板图像的相似度值；
判断所述相似度值是否大于预设的阈值；
若为是，则判断所述待测图像与所述模板图像相似；
若为否，则判断所述待测图像与所述模板图像不相似。
3.如权利要求1所述的瑕疵检测方法，其特征在于，所述第一模型为相似度判断模型，所述第二模型为卷积神经网络模型。
4.如权利要求1所述的瑕疵检测方法，其特征在于，将所述待测物的图像分割成多个待测图像的步骤具体为：
搜寻所述图像的有效边缘；
区分所述图像的检测区和非检测区；
将所述检测区分割成多个能够供机器学习使用的所述待测图像。
5.如权利要求1所述的瑕疵检测方法，其特征在于，将所述待测物的图像分割成多个待测图像的步骤具体为：
将所述待测物的图像按照所述模板图像的尺寸均匀分割成多个所述待测图像。
6.一种电子装置，用于检测待测物表面的瑕疵，其特征在于，所述电子装置包括：
至少一个处理器；
存储器，适于存储多条指令，所述指令适于由所述处理器加载并执行：
获取待测物的图像；
将所述待测物的图像分割成多个待测图像；
利用第一模型判断每个所述待测图像与相应的预设模板图像是否相似，所述模板图像为无瑕疵的正常图像；
当判断每个所述待测图像与所述模板图像相似时，确定所述待测物无瑕疵；
当判断所述待测图像与所述模板图像不相似时，利用第二模型判断待测图像是否存在瑕疵，以确定所述待测物是否有瑕疵。
7.如权利要求6所述的电子装置，其特征在于，利用第一模型判断每个所述待测图像与相应的预设模板图像是否相似的步骤具体为：
将所述待测图像与所述模板图像进行匹配；
利用所述第一模型获得所述待测图像与所述模板图像的相似度值；
判断所述相似度值是否大于预设的阈值；
若为是，则判断所述待测图像与所述模板图像相似；
若为否，则判断所述待测图像与所述模板图像不相似。
8.如权利要求6所述的电子装置，其特征在于，所述第一模型为相似度判断模型，所述第二模型为卷积神经网络模型。
9.如权利要求6所述的电子装置，其特征在于，将所述待测物的图像分割成多个待测图像的步骤具体为：
搜寻所述图像的有效边缘；
区分所述图像的检测区和非检测区；
将所述检测区分割成多个能够供机器学习使用的所述待测图像。
10.一种计算机可读存储介质，其上存储有计算机程序，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1-5中任一项所述的瑕疵检测方法。
CN201910385705.2A 2019-05-09 2019-05-09 瑕疵检测方法、电子装置及计算机可读存储介质 Pending CN111915549A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910385705.2A CN111915549A (zh) 2019-05-09 2019-05-09 瑕疵检测方法、电子装置及计算机可读存储介质
US16/539,031 US11189019B2 (en) 2019-05-09 2019-08-13 Method for detecting defects, electronic device, and computer readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910385705.2A CN111915549A (zh) 2019-05-09 2019-05-09 瑕疵检测方法、电子装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111915549A true CN111915549A (zh) 2020-11-10

Family

ID=73045816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910385705.2A Pending CN111915549A (zh) 2019-05-09 2019-05-09 瑕疵检测方法、电子装置及计算机可读存储介质

Country Status (2)

Country Link
US (1) US11189019B2 (zh)
CN (1) CN111915549A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012097A (zh) * 2021-01-19 2021-06-22 富泰华工业（深圳）有限公司 图像复检方法、计算机装置及存储介质
CN113706465A (zh) * 2021-07-22 2021-11-26 杭州深想科技有限公司 基于深度学习的笔类缺陷检测方法、计算设备和存储介质
CN117456287A (zh) * 2023-12-22 2024-01-26 天科院环境科技发展（天津）有限公司 一种使用遥感影像观测野生动物种群数量的方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021157303A (ja) * 2020-03-25 2021-10-07 東京エレクトロン株式会社 異常検出装置及び異常検出方法
CN114820409A (zh) * 2021-01-12 2022-07-29 富泰华工业（深圳）有限公司 图像异常检测方法、装置、电子设备及存储介质
CN112950563A (zh) * 2021-02-22 2021-06-11 深圳中科飞测科技股份有限公司 检测方法及装置、检测设备和存储介质
US20230153986A1 (en) * 2021-11-12 2023-05-18 Future Dial, Inc. Grading cosmetic appearance of a test object
CN115564778B (zh) * 2022-12-06 2023-03-14 深圳思谋信息科技有限公司 缺陷的检测方法、装置、电子设备及计算机可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105548216A (zh) * 2016-01-15 2016-05-04 浙江野马电池有限公司 一种半成品电池外观视觉检测方法
CN106198569A (zh) * 2016-08-03 2016-12-07 广东工业大学 一种ltps/igzo玻璃基板破洞快速检测方法
CN106504238A (zh) * 2016-10-31 2017-03-15 成都交大光芒科技股份有限公司 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法
CN107966444A (zh) * 2017-10-12 2018-04-27 常州信息职业技术学院 基于模板的纺织品瑕疵检测方法
CN108355987A (zh) * 2018-01-08 2018-08-03 西安交通大学 一种基于分块模板匹配的电池丝印质量检测方法
CN109613006A (zh) * 2018-12-22 2019-04-12 中原工学院 一种基于端到端神经网络的织物疵点检测方法
CN109671078A (zh) * 2018-12-24 2019-04-23 广东理致技术有限公司 一种产品表面图像异常检测方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4776308B2 (ja) * 2005-09-05 2011-09-21 株式会社東京精密 画像欠陥検査装置、画像欠陥検査システム、欠陥分類装置及び画像欠陥検査方法
CN104346370B (zh) 2013-07-31 2018-10-23 阿里巴巴集团控股有限公司 图像搜索、获取图像文本信息的方法及装置
JP6759034B2 (ja) 2016-09-29 2020-09-23 株式会社日立ハイテク パターン評価装置及びコンピュータープログラム
US20190096057A1 (en) * 2017-05-11 2019-03-28 Jacob Nathaniel Allen Object inspection system and method for inspecting an object
US11120297B2 (en) * 2018-11-30 2021-09-14 International Business Machines Corporation Segmentation of target areas in images
CN109829914B (zh) * 2019-02-26 2021-09-03 视睿（杭州）信息科技有限公司 检测产品缺陷的方法和装置
CN109949305B (zh) * 2019-03-29 2021-09-28 北京百度网讯科技有限公司 产品表面缺陷检测方法、装置及计算机设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105548216A (zh) * 2016-01-15 2016-05-04 浙江野马电池有限公司 一种半成品电池外观视觉检测方法
CN106198569A (zh) * 2016-08-03 2016-12-07 广东工业大学 一种ltps/igzo玻璃基板破洞快速检测方法
CN106504238A (zh) * 2016-10-31 2017-03-15 成都交大光芒科技股份有限公司 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法
CN107966444A (zh) * 2017-10-12 2018-04-27 常州信息职业技术学院 基于模板的纺织品瑕疵检测方法
CN108355987A (zh) * 2018-01-08 2018-08-03 西安交通大学 一种基于分块模板匹配的电池丝印质量检测方法
CN109613006A (zh) * 2018-12-22 2019-04-12 中原工学院 一种基于端到端神经网络的织物疵点检测方法
CN109671078A (zh) * 2018-12-24 2019-04-23 广东理致技术有限公司 一种产品表面图像异常检测方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012097A (zh) * 2021-01-19 2021-06-22 富泰华工业（深圳）有限公司 图像复检方法、计算机装置及存储介质
CN113012097B (zh) * 2021-01-19 2023-12-29 富泰华工业（深圳）有限公司 图像复检方法、计算机装置及存储介质
CN113706465A (zh) * 2021-07-22 2021-11-26 杭州深想科技有限公司 基于深度学习的笔类缺陷检测方法、计算设备和存储介质
CN113706465B (zh) * 2021-07-22 2022-11-15 杭州深想科技有限公司 基于深度学习的笔类缺陷检测方法、计算设备和存储介质
CN117456287A (zh) * 2023-12-22 2024-01-26 天科院环境科技发展（天津）有限公司 一种使用遥感影像观测野生动物种群数量的方法
CN117456287B (zh) * 2023-12-22 2024-03-12 天科院环境科技发展（天津）有限公司 一种使用遥感影像观测野生动物种群数量的方法

Also Published As

Publication number Publication date
US20200357106A1 (en) 2020-11-12
US11189019B2 (en) 2021-11-30

Similar Documents

Publication Publication Date Title
CN111915549A (zh) 瑕疵检测方法、电子装置及计算机可读存储介质
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
WO2017181724A1 (zh) 电子元件漏件检测方法和系统
CN111598827A (zh) 外观瑕疵检测方法、电子装置及存储介质
US11842482B2 (en) Defect detection of a component in an assembly
CN111428374A (zh) 零件缺陷检测方法、装置、设备及存储介质
US11551349B2 (en) Defect detection and image comparison of components in an assembly
CN115861153A (zh) 图像检测方法、计算机装置及存储介质
CN114677348A (zh) 一种基于视觉的ic芯片缺陷的检测方法、系统和存储介质
TWI748184B (zh) 瑕疵檢測方法、電子裝置及電腦可讀存儲介質
KR20220026439A (ko) 인쇄회로기판의 부품 미실장 검출 방법 및 그 장치
CN115546219B (zh) 检测板式生成方法、板卡缺陷检测方法、装置及产品
CN107403429B (zh) 一种周期序列图像模型参数的快速自动获取方法
CN113902742B (zh) 一种基于tft-lcd检测缺陷真假判定方法和系统
CN110634124A (zh) 一种区域检测的方法及设备
CN115523861A (zh) 阻尼器检测方法、装置及设备
CN110782439B (zh) 一种辅助检测图像标注质量的方法及装置
CN115830606A (zh) 文字瑕疵检测方法、计算机装置及存储介质
CN113284141A (zh) 用于缺陷检测的模型确定方法、装置和设备
CN113379726A (zh) 线路检测方法、装置、设备及计算机可读存储介质
CN113870754B (zh) 一种面板检测电子信号缺陷判定的方法和系统
CN111291800A (zh) 房屋装修类型分析方法、系统、电子设备及可读存储介质
CN117129480B (zh) 基于机器视觉的计算机主板元器件智能检测方法及装置
CN111524097B (zh) 一种两器喇叭口的检测方法、装置、存储介质及设备
US20240144468A1 (en) Defect detection of a component in an assembly

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