CN111932531A - 模型训练方法、焊点缺陷检测方法、装置及电子设备 - Google Patents
模型训练方法、焊点缺陷检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111932531A CN111932531A CN202010991797.1A CN202010991797A CN111932531A CN 111932531 A CN111932531 A CN 111932531A CN 202010991797 A CN202010991797 A CN 202010991797A CN 111932531 A CN111932531 A CN 111932531A
- Authority
- CN
- China
- Prior art keywords
- image
- welding
- images
- product welding
- 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.)
- Pending
Links
- 238000003466 welding Methods 0.000 title claims abstract description 403
- 230000007547 defect Effects 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 title claims abstract description 87
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000004519 manufacturing process Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 53
- 230000002950 deficient Effects 0.000 claims description 49
- 229910000679 solder Inorganic materials 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 23
- 238000010586 diagram Methods 0.000 description 8
- 230000003321 amplification Effects 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- 238000010923 batch production Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000012815 thermoplastic material Substances 0.000 description 1
- 238000012546 transfer 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20—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]
-
- 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
- G06T2207/30152—Solder
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本申请涉及焊点缺陷检测技术领域，具体而言，涉及一种模型训练方法、焊点缺陷检测方法、装置及电子设备。本申请实施例提供的模型训练方法，包括：根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应，其中，M和N为大于等于1的整数，且N大于M；通过N张坏品焊接图像和N张良品焊接图像，对初始生成式对抗网络进行训练，获得目标生成器。本申请实施例提供的模型训练方法、焊点缺陷检测方法、装置及电子设备能够解决焊接产品生产初期，由于缺陷样本缺失而无法顺利对焊接过程中形成的焊点进行缺陷检测的问题。
Description
技术领域
本申请涉及焊点缺陷检测技术领域，具体而言，涉及一种模型训练方法、焊点缺陷检测方法、装置及电子设备。
背景技术
焊接，也称作熔接、镕接，是一种以加热、高温或者高压的方式接合金属或其他热塑性材料的制造工艺及技术。在焊接产品的生产制造过程中，通常需要对焊接过程中形成的焊点进行缺陷检测，以避免将存在焊点缺陷的焊接产品误判为良品，而降低焊接产品的出厂良品率。
现有技术中，通常是通过机器学习获得焊点缺陷检测模型，再通过焊点缺件检测模块对焊接过程中形成的焊点进行缺陷检测。但是，由于焊点形态的多样性，在焊接产品的生产初期，往往不存在坏品焊接图像，或仅存在少量的坏品焊接图像作为缺陷样本，而无法满足机器学习的样本需求量。因此，如何解决焊接产品生产初期，由于缺陷样本缺失而无法顺利对焊接过程中形成的焊点进行缺陷检测的问题，成为焊点缺陷检测技术领域亟待解决的问题。
发明内容
本申请的目的在于，提供一种模型训练方法、焊点缺陷检测方法、装置及电子设备，以解决上述问题。
第一方面，本申请提供的模型训练方法，包括：
根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应，其中，M和N为大于等于1的整数，且N大于M；
通过N张坏品焊接图像和N张良品焊接图像，对初始生成式对抗网络进行训练，获得目标生成器。
结合第一方面，本申请实施例还提供了第一方面的第一种可选的实施方式，根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应之前，模型训练方法，还包括：
采集M张初始焊接图像，且M张初始焊接图像对应的焊接物均为良品焊接物；
对M张初始焊接图像进行图像预处理，获得M张良品焊接图像，图像预处理包括尺寸标准化处理、去噪处理和对比度处理中的至少一者。
结合第一方面的第一种可选的实施方式，本申请实施例还提供了第一方面的第二种可选的实施方式，根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应，包括：
将M张良品焊接图像中的每张良品焊接图像复制M分之N次，获得N张良品焊接图像；
针对N张良品焊接图像中的每张良品焊接图像，通过在良品焊接图像上添加目标缺陷特征，制作N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应。
结合第一方面的第二种可选的实施方式，本申请实施例还提供了第一方面的第三种可选的实施方式，通过在良品焊接图像上添加目标缺陷特征，制作N张坏品焊接图像，包括：
针对N张良品焊接图像中的每张良品焊接图像，从缺陷特征集中选取出目标缺陷特征；
在良品焊接图像上添加目标缺陷特征，获得一张坏品焊接图像。
结合第一方面，本申请实施例还提供了第一方面的第四种可选的实施方式，通过N张坏品焊接图像和N张良品焊接图像，对初始生成式对抗网络进行训练，获得目标生成器，包括：
针对N张坏品焊接图像中的每张坏品焊接图像，将坏品焊接图像输入初始生成式对抗网络中包括的初始生成器，以获得初始生成器输出的第一中间图像；
获取初始生成式对抗网络中包括的初始判别器根据坏品焊接图像对应的良品焊接图像和第一中间图像输出的判别概率值；
若判别概率值位于预设概率区间，则停止针对坏品焊接图像的模型训练，以获得目标生成器；
若判别概率值超出预设概率区间，则继续执行针对坏品焊接图像的模型训练，直至判别概率值位于预设概率区间时，停止针对坏品焊接图像的模型训练，以获得目标生成器。
第二方面，本申请实施例提供的焊点缺陷检测方法，包括：
将获取的目标检测图像输入目标生成器，以获取目标生成器输出的良品预测图像；
对目标检测图像和良品预测图像作差分处理，获得缺陷表征区域；
根据缺陷表征区域，获得目标检测图像的缺陷检测结果。
第三方面，本申请实施例提供的模型训练装置，包括：
样本构建模块，用于根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应，其中，M和N为大于等于1的整数，且N大于M；
模型训练模块，用于通过N张坏品焊接图像和N张良品焊接图像，对初始生成式对抗网络进行训练，获得目标生成器。
第四方面，本申请实施例提供的焊点缺陷检测装置，包括：
预测图像获取模块，用于将获取的目标检测图像输入目标生成器，以获取目标生成器输出的良品预测图像；
差分处理模块，用于对目标检测图像和良品预测图像作差分处理，获得缺陷表征区域；
检测结果获取模块，用于根据缺陷表征区域，获得目标检测图像的缺陷检测结果。
第五方面，本申请实施例提供的电子设备，包括控制器和存储器，存储器上存储有计算机程序，控制器用于执行计算机程序，以实现上述第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法，或实现上述第二方面所提供的焊点缺陷检测方法。
第六方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被执行时，实现上述第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法，或实现上述第二方面所提供的焊点缺陷检测方法。
本申请实施例提供的模型训练方法及装置，能够根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应，其中，M和N为大于等于1的整数，且N大于M，如此，制作的N张良品焊接图像便能够作为模型训练的非缺陷样本，而制作的N张坏品焊接图像能够作为模型训练的非缺陷样本，此后，便能够通过N张坏品焊接图像和N张良品焊接图像，对初始生成式对抗网络进行训练，获得目标生成器，而获得的目标生成器能够用于辅助实现对焊接过程中形成的焊点进行缺陷检测的目的，以解决焊接产品生产初期，由于缺陷样本缺失而无法顺利对焊接过程中形成的焊点进行缺陷检测的问题。
本申请实施例中提供的焊点缺陷检测方法及装置，能够将获取的目标检测图像输入目标生成器，以获取目标生成器输出的良品预测图像，此后，对目标检测图像和良品预测图像作差分处理，获得缺陷表征区域，并根据缺陷表征区域，获得目标检测图像的缺陷检测结果。由于目标生成器能够在缺陷样本缺失的情况下获得，因此，本申请实施例提供的焊点缺陷检测方法及装置能够解决焊接产品生产初期，由于缺陷样本缺失而无法顺利对焊接过程中形成的焊点进行缺陷检测的问题。
本申请提供的电子设备和计算机可读存储介质具有与上述第一方面所提供的模型训练方法、上述第二方面所提供的焊点缺陷检测方法、上述第三方面所提供的模型训练装置和上述第四方面所提供的焊点缺陷检测装置相同的有益效果，此处不作赘述。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种电子设备的示意性结构框图。
图2为本申请实施例提供的一种模型训练方法的步骤流程图。
图3为本申请实施例提供的一种模型训练装置的示意性结构框图。
图4为本申请实施例提供的一种焊点缺陷检测方法的步骤流程图。
图5为本申请实施例提供的一种焊点缺陷检测装置的示意性结构框图。
附图标记：100-电子设备；110-处理器；120-存储器；200-模型训练装置；210-样本构建模块；220-模型训练模块；300-焊点缺陷检测装置；310-预测图像获取模块；320-差分处理模块；330-检测结果获取模块。
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，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。此外，应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
请参阅图1，为本申请实施例提供的一种电子设备100的示意性结构框图。本申请实施例中，电子设备100可以是终端设备，例如，电脑、个人数字助理（Personal DigitalAssistant，PAD）、移动上网设备(Mobile Internet Device，MID)等，还可以是服务器，本申请实施例对此不作具体限制。
在结构上，电子设备100可以包括处理器110和存储器120。
处理器110和存储器120直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。模型训练装置或焊点缺陷检测装置包括至少一个可以软件或固件（Firmware）的形式存储在存储器120中或固化在电子设备100的操作系统（Operating System，OS）中的软件模块。处理器110用于执行存储器120中存储的可执行模块，例如，模型训练装置所包括的软件功能模块及计算机程序等，以实现模型训练方法，或焊点缺陷检测装置所包括的软件功能模块及计算机程序等，以实现焊点缺陷检测方法。
处理器110可以在接收到执行指令后，执行计算机程序。其中，处理器110可以是一种集成电路芯片，具有信号处理能力。处理器110也可以是通用处理器，例如，可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图，此外，通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是，但不限于，随机存取存储器（Random Access Memory，RAM）、只读存储器（Read Only Memory，ROM）、可编程只读存储器（Programmable Read-OnlyMemory，PROM）、可擦可编程序只读存储器（Erasable Programmable Read-Only Memory，EPROM），以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM）。存储器120用于存储程序，处理器110在接收到执行指令后，执行该程序。
应当理解，图1所示的结构仅为示意，本申请实施例提供的电子设备还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。此外，图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2，为本申请实施例提供的模型训练方法的流程示意图，该方法应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的模型训练方法不以图2及以下所示的顺序为限制，以下结合图2对模型训练方法的具体流程及步骤进行描述。
步骤S100，根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应，其中，M和N为大于等于1的整数，且N大于M。
本申请实施例中，良品焊接图像为在焊接产品的生成过程中，当获得的焊接产品为良品焊接物时，通过摄像设备采集的产品图像，而焊接产品可以是，但不限于电池盒、小型设备机壳、键盘。此外，需要说明的是，本申请实施例中，M张良品焊接图像可以是同类、同型号、同批次产品在批量生产过程中，采集的不同良品焊接物的产品图像，或不同采集环境下，同一个良品焊接物的产品图像。
进一步地，为保证M张良品焊接图像的图像质量，本申请实施例中，M张良品焊接图像也可以通过步骤S001和步骤S002获得。
步骤S001，采集M张初始焊接图像，且M张初始焊接图像对应的焊接物均为良品焊接物。
同样，本申请实施例中，初始焊接图像为在焊接产品的生成过程中，当获得的焊接产品为良品焊接物时，通过摄像设备采集的产品图像，而焊接产品可以是，但不限于电池盒、小型设备机壳、键盘。此外，需要说明的是，本申请实施例中，M张初始焊接图像可以是同类、同型号、同批次产品在批量生产过程中，采集的不同良品焊接物的产品图像，或不同采集环境下，同一个良品焊接物的产品图像。
步骤S002，对M张初始焊接图像进行图像预处理，获得M张良品焊接图像，图像预处理包括尺寸标准化处理、去噪处理和对比度处理中的至少一者。
在获得M张初始焊接物图像之后，可以按照同样的处理标准，分别对M张初始焊接图像进行图像预处理，而图像预处理包括尺寸标准化处理、去噪处理和对比度处理中的至少一者。
例如，本申请实施例中，可以预先设定统一的标准尺寸，此后，按照标准尺寸对分别对M张初始焊接物图像中的每张初始焊接物图像进行尺寸标准化处理，也即，将M张初始焊接图像中的每张初始焊接物图像的大小，调整至标准尺寸，具体可以通过图像缩放和图像剪裁的方式实现。本申请实施例中，M张初始焊接物图像中，某张初始焊接物图像的尺寸可以通过分辨率表示，例如，3840*2746，也即，长度为3840个像素点，宽度为2746的像素点，同样，标准尺寸可以通过分辨率表示，例如，256*256，也即，长度和宽度均为256个像素点。再例如，本申请实施例中，可以通过相同的取噪算法和相同的去噪参数分别对M张初始焊接物图像中的每张初始焊接物图像进行去噪处理。又例如，本申请实施例中，可以分别将M张初始焊接物图像中的每张初始焊接物图像的对比度设置为同一对比数值。
通过上述设置，不仅可以保证M张良品焊接图像的图像质量，而且还能够使得M张良品焊接图像实现图像质量的均衡化。
对于步骤S100，本申请实施例中，作为一种可选的实施方式，其可以包括步骤S110和步骤S120。
步骤S110，将M张良品焊接图像中的每张良品焊接图像复制N/M次，获得N张良品焊接图像。
本申请实施例中，在获得M张良品焊接图像之后，可以将M张良品焊接图像中的每张良品焊接图像复制M分之N次，获得N张良品焊接图像。例如，M的数值为100，而N的数值为1000，则在获得100张良品焊接图像之后，可以将100张良品焊接图像中的每张良品焊接图像复制10次，获得1000张良品焊接图像。
步骤S120，针对N张良品焊接图像中的每张良品焊接图像，通过在良品焊接图像上添加目标缺陷特征，制作N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应。
本申请实施例中，在获得N张良品焊接图像之后，可以在每张良品焊接图像上添加目标缺陷特征，从而制作N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应。实际实施时，可以针对N张良品焊接图像中的每张良品焊接图像，从缺陷特征集中选取出目标缺陷特征，再在良品焊接图像上添加目标缺陷特征，获得一张坏品焊接图像，最终，获得N张坏品焊接图像。其中，缺陷特征集中可以包括炸焊特征、连焊特征、漏焊特征、少焊特征、裂纹特征、凹坑特征、气孔特征、咬边焊接特征、夹渣特征、未焊满特征中的至少一者。
示例性的，在获得N张良品焊接图像之后，针对复制来源为同一张良品焊接图像的M分之N张良品焊接图像，可以建立这M分之N张良品焊接图像与缺陷特征集中的多个缺陷特征的对应关系，具体可以是一一对应关系，也可以是多对一的对应关系。对应关系建立之后，便可以针对这M分之N张良品焊接图像中的每张良品焊接图像，确定出该良品焊接图像对应的缺陷特征，作为目标缺陷特征，并在该良品焊接图像上添加目标缺陷特征。
继续以M的数值为100，而N的数值为1000，而缺陷特征集中包括炸焊特征、连焊特征、漏焊特征、少焊特征、裂纹特征、凹坑特征、气孔特征、咬边焊接特征、夹渣特征、未焊满特征为例，在获得1000张良品焊接图像之后，针对复制来源为同一张良品焊接图像的10张良品焊接图像，可以建立这10张良品焊接图像与缺陷特征集中的10个缺陷特征的对应关系，而在此情况下，建立的对应关系为一一对应关系。对应关系建立之后，针对这10张良品焊接图像中的每张良品焊接图像，确定出该良品焊接图像对应的缺陷特征，作为目标缺陷特征，并在该良品焊接图像上添加目标缺陷特征。
示例性的，本申请实施例中，可以分别定义复制来源为同一张良品焊接图像的10张良品焊接图像为第一良品焊接图像、第二良品焊接图像、第三良品焊接图像、第四良品焊接图像、第五良品焊接图像、第六良品焊接图像、第七良品焊接图像、第八良品焊接图像、第九良品焊接图像和第十良品焊接图像，并建立第一良品焊接图像与炸焊特征的对应关系，建立第二良品焊接图像与连焊特征的对应关系，建立第三良品焊接图像与漏焊特征的对应关系，建立第四良品焊接图像与少焊特征的对应关系，建立第五良品焊接图像与裂纹特征的对应关系，建立第六良品焊接图像与凹坑特征的对应关系，建立第七良品焊接图像与气孔特征的对应关系，建立第八良品焊接图像与咬边焊接特征的对应关系，第九良品焊接图像与夹渣特征的对应关系，建立第十良品焊接图像与未焊满特征的对应关系。此后，在第一良品焊接图像上添加炸焊特征，在第二良品焊接图像上添加连焊特征，在第三良品焊接图像上添加漏焊特征，在第四良品焊接图像上建立少焊特征，在第五良品焊接图像上添加裂纹特征，在第六良品焊接图像上添加凹坑特征，在第七良品焊接图像上建立气孔特征，在第八良品焊接图像上建立咬边焊接特征，在第九良品焊接图像上建立夹渣特征，在第十良品焊接图像上建立未焊满特征。
步骤S200，通过N张坏品焊接图像和N张良品焊接图像，对初始生成式对抗网络（Generative Adversarial Networks，GAN）进行训练，获得目标生成器。
本申请实施例中，初始GAN中包括初始生成器和初始判别器两个训练模块，基于这两个训练模型，对于步骤S200，本申请实施例中，作为一种可选的实施方式，其可以包括步骤S210、步骤S220，以及步骤S230或步骤S240。
步骤S210，针对N张坏品焊接图像中的每张坏品焊接图像，将坏品焊接图像输入初始生成式对抗网络中包括的初始生成器，以获得初始生成器输出的第一中间图像。
步骤S220，获取初始生成式对抗网络中包括的初始判别器根据坏品焊接图像对应的良品焊接图像和第一中间图像输出的判别概率值。
本申请实施例中，针对N张坏品焊接图像中的每张坏品焊接图像，在将该张坏品焊接图像输入初始生成式对抗网络中包括的初始生成器之后，初始生成器可以根据预设的模型参数，对该张坏品焊接物图像进行处理变更，输出第一中间图像，此后，初始生成器将坏品焊接图像对应的良品焊接图像和第一中间图像输入初始生成式对抗网络中包括的初始判别器，初始判别器再根据坏品焊接图像对应的良品焊接图像和第一中间图像输出的判别概率值，判别概率值的表征意义为第一中间图像为是良品焊接图像的概率值。
步骤S230，若判别概率值位于预设概率区间，则停止针对坏品焊接图像的模型训练，以获得目标生成器。
本申请实施例中，若判别概率值位于预设概率区间，则停止针对坏品焊接图像的模型训练，以获得目标生成器，而本申请实施例中，预设概率区间可以是[0.5-x，0.5+x]，其中，x的取值可以是，但不限于0.01、0.02，基于此，可以理解的是，本申请实施例中，若判别概率值等于0.5，或接近0.5，则停止针对坏品焊接图像的模型训练，以获得目标生成器。
步骤S240，若判别概率值超出预设概率区间，则继续执行针对坏品焊接图像的模型训练，直至判别概率值位于预设概率区间，则停止针对坏品焊接图像的模型训练，以获得目标生成器。
本申请实施例中，若判别概率值超出预设概率区间，则继续执行针对坏品焊接图像的模型训练，也即，若判别概率值超出预设概率区间，则在初始生成器调整模型参数之后，重新控制执行步骤S210和步骤S220，并再次判断判别概率值是否位于预设概率区间，若判别概率值位于预设概率区间，则停止针对坏品焊接图像的模型训练，以获得目标生成器，若判别概率值还是超出预设概率区间，则再次在初始生成器调整模型参数之后，重新控制执行步骤S210和步骤S220，以此重复，直至判别概率值位于预设概率区间，则停止针对坏品焊接图像的模型训练，以获得目标生成器。
总结来说，本申请实施例提供的模型训练方法及装置，能够根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应，其中，M和N为大于等于1的整数，且N大于M，如此，制作的N张良品焊接图像便能够作为模型训练的非缺陷样本，而制作的N张坏品焊接图像能够作为模型训练的非缺陷样本，此后，便能够通过N张坏品焊接图像和N张良品焊接图像，对初始生成式对抗网络进行训练，获得目标生成器，而获得的目标生成器能够用于辅助实现对焊接过程中形成的焊点进行缺陷检测的目的，以解决焊接产品生产初期，由于缺陷样本缺失而无法顺利对焊接过程中形成的焊点进行缺陷检测的问题。
基于与上述模型训练方法同样的发明构思，本申请实施例还提供了一种模型训练装置200。请参阅图3，本申请实施例提供的模型训练装置200包括样本构建模块210和模型训练模块220。
样本构建模块210，用于根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应，其中，M和N为大于等于1的整数，且N大于M；
模型训练模块220，用于通过N张坏品焊接图像和N张良品焊接图像，对初始生成式对抗网络进行训练，获得目标生成器。
本申请实施例提供的模型训练装置200，还包括图像采集模块和图像预处理模块。
图像采集模块，用于采集M张初始焊接图像，且M张初始焊接图像对应的焊接物均为良品焊接物。
图像预处理模块，用于对M张初始焊接图像进行图像预处理，获得M张良品焊接图像，图像预处理包括尺寸标准化处理、去噪处理和对比度处理中的至少一者。
本申请实施例中，样本构建模块210可以包括图像复制模块和缺陷特征添加模块。
图像复制模块，用于将M张良品焊接图像中的每张良品焊接图像复制M分之N次，获得N张良品焊接图像。
缺陷特征添加模块，用于针对N张良品焊接图像中的每张良品焊接图像，通过在良品焊接图像上添加目标缺陷特征，制作N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应。
其中，通过在良品焊接图像上添加目标缺陷特征，，制作N张坏品焊接图像，可以包括：
针对N张良品焊接图像中的每张良品焊接图像，从缺陷特征集中选取出目标缺陷特征；
在良品焊接图像上添加目标缺陷特征，获得一张坏品焊接图像。
本申请实施例中，模型训练模块220可以包括中间图像获取单元、概率值获取单元、第一执行单元和第二执行单元。
中间图像获取单元，用于针对N张坏品焊接图像中的每张坏品焊接图像，将坏品焊接图像输入初始生成式对抗网络中包括的初始生成器，以获得初始生成器输出的第一中间图像。
概率值获取单元，用于获取初始生成式对抗网络中包括的初始判别器根据坏品焊接图像对应的良品焊接图像和第一中间图像输出的判别概率值；
第一执行单元，用于若判别概率值位于预设概率区间，则停止针对坏品焊接图像的模型训练，以获得目标生成器；
第二执行单元，用于若判别概率值超出预设概率区间，则继续执行针对坏品焊接图像的模型训练，直至判别概率值位于预设概率区间时，停止针对坏品焊接图像的模型训练，以获得目标生成器。
由于本申请实施例提供的模型训练装置200是基于与上述模型训练方法同样的发明构思实现的，因此，模型训练装置200中，每个软件模块的具体描述，均可参见上述模型训练方法实施例中对应步骤的相关描述，此处不作赘述。
请参阅图4，为本申请实施例提供的焊点缺陷检测方法的流程示意图，该方法可以应用于图1所示的电子设备。需要说明的是，本申请实施例提供的焊点缺陷检测方法不以图4及以下所示的顺序为限制，以下结合图4对焊点缺陷检测方法的具体流程及步骤进行描述。
步骤S300，将获取的目标检测图像输入目标生成器，以获取目标生成器输出的良品预测图像，其中，目标生成器通过上述方法实施例所提供的模型训练方法获得。
本申请实施例中，目标检测图像为在焊接产品的生成过程中，获得的焊接产品图像，而此处的焊接产品与上述方法实施例提供的模型训练方法中，良品焊接图像对应的良品焊接物为同类、同型号、同批次产品。在获得目标焊接物图像之后，可以将目标焊接物图像输入目标生成器，并获取目标生成器输出的良品预测图像。
步骤S400，对目标检测图像和良品预测图像作差分处理，获得缺陷表征区域。
在获得良品预测图像之后，可以对目标检测图像和良品预测图像作差分处理，获得差分图像，差分图像中包括缺陷表征区域。此外，为保证差分结果的准确性，本申请实施例中，在对目标检测图像和良品预测图像作差分处理之前，还可以通过局部二值模式(Local binary patterns，LBP)算子分别对目标检测图像和良品预测图像进行二值化处理，此后，对经过二值化处理的目标检测图像和良品预测图像作差分处理，获得差分图像。
步骤S500，根据缺陷表征区域，获得目标检测图像的缺陷检测结果。
本申请实施例中，在获得缺陷表征区域之后，便可以对缺陷表征区域进行特征识别，获得目标检测图像的缺陷检测结果。可以理解的是，本申请实施例中，特征识别的方式可以是缺陷表征区域与缺陷特征集中包括的多个缺陷特征进行对比，获得最大的缺陷相似度，若缺陷相似度小于预设相似度阈值，则认为目标检测图像对应的焊接产品无焊点缺陷，若缺陷相似度大于或等于预设相似度阈值，则将与该最大的缺陷相似度对应缺陷特征，作为目标检测图像对应的焊接产品存在的焊点缺陷。
进一步地，为使得缺陷表征区域更具象化，本申请实施例中，在执行步骤S500之前，还可以通过金字塔增强定位方法对差分图像进行图像增强操作，以凸显差分图像中包括的缺陷表征区域。例如，可以按照X个缩小比例系数，分别对差分图像进行缩小处理，获得X张差分处理图像，X≥2，且为整数，此后，分别对X张差分处理图像进行滤波处理，获得X张待处理图像，再针对X张待处理图像中的每张待处理图像，对待处理图像和对应的差分处理图像作差分处理，以获得X张待放大图像，接着，针对X张待放大图像中的每张待放大图像，根据对应的放大比例系数，对待放大图像进行放大处理，获得X张待叠合图像，最后，叠合X张待叠合图像，获得新的差分图像。以下，将以X取值为4，通过一种可选的实施方式，对通过金字塔增强定位方法对差分图像进行图像增强操作的过程进行描述。
（1）按照1倍、0.5倍、0.25倍、0.125倍的缩小比例系数分别对差分图像进行缩小处理，获得第一差分处理图像、第二差分处理图像、第三差分处理图像和第四差分处理图像；
（2）根据大小为31*31的高斯滤波核，对第一差分处理图像进行滤波处理，获得第一待处理图像，根据大小为15*15的高斯滤波核，对第二差分处理图像进行滤波处理，获得第二待处理图像，根据大小为7*7的高斯滤波核，对第三差分处理图像进行滤波处理，获得第三待处理图像，根据大小为3*3的高斯滤波核，对第四差分处理图像进行滤波处理，获得第四待处理图像；
（3）对第一待处理图像和第一差分处理图像作差分处理，获得第一待放大图像，对第二待处理图像和第二差分处理图像作差分处理，获得第二待放大图像，对第三待处理图像和第三差分处理图像作差分处理，获得第三待放大图像，对第四待处理图像和第四差分处理图像作差分处理，获得第四待放大图像；
（4）按照1倍的放大比例系数对第一待处理图像进行放大处理，获得第一待叠合图像，按照2倍的放大比例系数对第二待处理图像进行放大处理，获得第二待叠合图像，按照4倍的放大比例系数对第三待处理图像进行放大处理，获得第三待叠合图像，按照8倍的放大比例系数对第四待处理图像进行放大处理，获得第四待叠合图像；
（5）叠合第一待叠合图像、第二待叠合图像、第三待叠合图像和第四待叠合图像，获得新的差分图像。
此后，执行步骤S500，也即，根据新的差分图像中包括缺陷表征区域，获得目标检测图像的缺陷检测结果。
总结来说，本申请实施例中提供的焊点缺陷检测方法及装置，能够将获取的目标检测图像输入目标生成器，以获取目标生成器输出的良品预测图像，此后，对目标检测图像和良品预测图像作差分处理，获得缺陷表征区域，并根据缺陷表征区域，获得目标检测图像的缺陷检测结果。由于目标生成器能够在缺陷样本缺失的情况下获得，因此，本申请实施例提供的焊点缺陷检测方法及装置能够解决焊接产品生产初期，由于缺陷样本缺失而无法顺利对焊接过程中形成的焊点进行缺陷检测的问题。
基于与上述焊点缺陷检测方法同样的发明构思，本申请实施例还提供了一种焊点缺陷检测装置300。请参阅图5，本申请实施例提供的焊点缺陷检测装置300包括预测图像获取模块310、差分处理模块320和检测结果获取模块330。
预测图像获取模块310，用于将获取的目标检测图像输入目标生成器，以获取目标生成器输出的良品预测图像。
差分处理模块320，用于对目标检测图像和良品预测图像作差分处理，获得缺陷表征区域。
检测结果获取模块330，用于根据缺陷表征区域，获得目标检测图像的缺陷检测结果。
由于本申请实施例提供的焊点缺陷检测装置300是基于与上述焊点缺陷检测方法同样的发明构思实现的，因此，焊点缺陷检测装置300中，每个软件模块的具体描述，均可参见上述焊点缺陷检测方法实施例中对应步骤的相关描述，此处不作赘述。
此外，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被执行时，实现上述方法实施例所提供的模型训练方法或焊点缺陷检测方法，具体可参见上述方法实施例，本申请实施例中对此不作赘述。
综上所述，本申请实施例提供的模型训练方法及装置，能够根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且N张良品焊接图像与N张坏品焊接图像一一对应，其中，M和N为大于等于1的整数，且N大于M，如此，制作的N张良品焊接图像便能够作为模型训练的非缺陷样本，而制作的N张坏品焊接图像能够作为模型训练的非缺陷样本，此后，便能够通过N张坏品焊接图像和N张良品焊接图像，对初始生成式对抗网络进行训练，获得目标生成器，而获得的目标生成器能够用于辅助实现对焊接过程中形成的焊点进行缺陷检测的目的，以解决焊接产品生产初期，由于缺陷样本缺失而无法顺利对焊接过程中形成的焊点进行缺陷检测的问题。
进一步地，本申请实施例中提供的焊点缺陷检测方法及装置，能够将获取的目标检测图像输入目标生成器，以获取目标生成器输出的良品预测图像，此后，对目标检测图像和良品预测图像作差分处理，获得缺陷表征区域，并根据缺陷表征区域，获得目标检测图像的缺陷检测结果。由于目标生成器能够在缺陷样本缺失的情况下获得，因此，本申请实施例提供的焊点缺陷检测方法及装置能够解决焊接产品生产初期，由于缺陷样本缺失而无法顺利对焊接过程中形成的焊点进行缺陷检测的问题。
此外，本申请提供的电子设备和计算机可读存储介质具有与上述模型训练方法、上述焊点缺陷检测方法、上述模型训练装置和上述焊点缺陷检测装置相同的有益效果，此处不作赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，也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，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这将依据所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。此外，在本申请每个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是每个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
此外，所述功能如果以软件功能模块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）执行本申请每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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，还需要说明的是，在本申请的描述中，如“第一”、“第二”、“第三”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
Claims (10)
1.一种模型训练方法，其特征在于，包括：
根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且所述N张良品焊接图像与所述N张坏品焊接图像一一对应，其中，M和N为大于等于1的整数，且N大于M；
通过所述N张坏品焊接图像和所述N张良品焊接图像，对初始生成式对抗网络进行训练，获得目标生成器。
2.根据权利要求1所述的模型训练方法，其特征在于，所述根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且所述N张良品焊接图像与所述N张坏品焊接图像一一对应之前，所述模型训练方法，还包括：
采集M张初始焊接图像，且所述M张初始焊接图像对应的焊接物均为良品焊接物；
对所述M张初始焊接图像进行图像预处理，获得所述M张良品焊接图像，所述图像预处理包括尺寸标准化处理、去噪处理和对比度处理中的至少一者。
3.根据权利要求1所述的模型训练方法，其特征在于，所述根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且所述N张良品焊接图像与所述N张坏品焊接图像一一对应，包括：
将所述M张良品焊接图像中的每张良品焊接图像复制M分之N次，获得所述N张良品焊接图像；
针对所述N张良品焊接图像中的每张良品焊接图像，通过在所述良品焊接图像上添加目标缺陷特征，制作所述N张坏品焊接图像，且所述N张良品焊接图像与所述N张坏品焊接图像一一对应。
4.根据权利要求3所述的模型训练方法，其特征在于，所述通过在所述良品焊接图像上添加目标缺陷特征，制作所述N张坏品焊接图像，包括：
针对所述N张良品焊接图像中的每张良品焊接图像，从缺陷特征集中选取出目标缺陷特征；
在所述良品焊接图像上添加目标缺陷特征，获得一张所述坏品焊接图像。
5.根据权利要求1所述的模型训练方法，其特征在于，所述通过所述N张坏品焊接图像和所述N张良品焊接图像，对初始生成式对抗网络进行训练，获得目标生成器，包括：
针对所述N张坏品焊接图像中的每张坏品焊接图像，将所述坏品焊接图像输入初始生成式对抗网络中包括的初始生成器，以获得所述初始生成器输出的第一中间图像；
获取所述初始生成式对抗网络中包括的初始判别器根据所述坏品焊接图像对应的良品焊接图像和所述第一中间图像输出的判别概率值；
若所述判别概率值位于预设概率区间，则停止针对所述坏品焊接图像的模型训练，以获得所述目标生成器；
若所述判别概率值超出预设概率区间，则继续执行针对所述坏品焊接图像的模型训练，直至所述判别概率值位于预设概率区间时，停止针对所述坏品焊接图像的模型训练，以获得所述目标生成器。
6.一种焊点缺陷检测方法，其特征在于，包括：
将获取的目标检测图像输入权利要求1~5中任意一项所述的目标生成器，以获取所述目标生成器输出的良品预测图像；
对所述目标检测图像和所述良品预测图像作差分处理，获得缺陷表征区域；
根据所述缺陷表征区域，获得所述目标检测图像的缺陷检测结果。
7.一种模型训练装置，其特征在于，包括：
样本构建模块，用于根据采集的M张良品焊接图像，制作N张良品焊接图像和N张坏品焊接图像，且所述N张良品焊接图像与所述N张坏品焊接图像一一对应，其中，M和N为大于等于1的整数，且N大于M；
模型训练模块，用于通过所述N张坏品焊接图像和所述N张良品焊接图像，对初始生成式对抗网络进行训练，获得目标生成器。
8.一种焊点缺陷检测装置，其特征在于，包括：
预测图像获取模块，用于将获取的目标检测图像输入权利要求1~5中任意一项所述的目标生成器，以获取所述目标生成器输出的良品预测图像；
差分处理模块，用于对所述目标检测图像和所述良品预测图像作差分处理，获得缺陷表征区域；
检测结果获取模块，用于根据所述缺陷表征区域，获得所述目标检测图像的缺陷检测结果。
9.一种电子设备，其特征在于，包括控制器和存储器，所述存储器上存储有计算机程序，所述控制器用于执行所述计算机程序，以实现权利要求1~5中任意一项所述的模型训练方法，或实现权利要求6所述的焊点缺陷检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时，实现权利要求1~5中任意一项所述的模型训练方法，或实现权利要求6所述的焊点缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010991797.1A CN111932531A (zh) | 2020-09-21 | 2020-09-21 | 模型训练方法、焊点缺陷检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010991797.1A CN111932531A (zh) | 2020-09-21 | 2020-09-21 | 模型训练方法、焊点缺陷检测方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111932531A true CN111932531A (zh) | 2020-11-13 |
Family
ID=73333533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010991797.1A Pending CN111932531A (zh) | 2020-09-21 | 2020-09-21 | 模型训练方法、焊点缺陷检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111932531A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119460A (zh) * | 2021-09-18 | 2022-03-01 | 上海联麓半导体技术有限公司 | 半导体图像缺陷识别方法、装置、计算机设备和存储介质 |
| CN115546211A (zh) * | 2022-11-29 | 2022-12-30 | 福建帝视智能科技有限公司 | 一种焊点缺陷分类方法、终端及计算机存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102630043A (zh) * | 2012-04-01 | 2012-08-08 | 北京捷成世纪科技股份有限公司 | 一种基于对象的视频转码方法和装置 |
| CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
| US20190076950A1 (en) * | 2014-01-07 | 2019-03-14 | Illinois Tool Works Inc. | Feedback from a welding torch of a welding system |
| CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
| CN110441329A (zh) * | 2019-08-12 | 2019-11-12 | 广东工业大学 | 一种基于深度学习的激光焊接缺陷识别方法、装置及设备 |
| CN110675353A (zh) * | 2019-08-31 | 2020-01-10 | 电子科技大学 | 一种基于条件生成对抗网络的选择分割图像合成方法 |
| 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 |
| CN110880175A (zh) * | 2019-11-15 | 2020-03-13 | 广东工业大学 | 一种焊点缺陷检测方法、系统以及设备 |
| CN110969611A (zh) * | 2019-12-03 | 2020-04-07 | 广州特种承压设备检测研究院 | 管道焊缝缺陷检测方法、装置、系统及存储介质 |
| CN111027631A (zh) * | 2019-12-13 | 2020-04-17 | 四川赛康智能科技股份有限公司 | 高压耐张线夹压接缺陷判别的x射线影像分类识别方法 |
| CN111126433A (zh) * | 2019-11-19 | 2020-05-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种工厂pcb板缺陷检测中正负样本数据平衡方法 |
| CN111681243A (zh) * | 2020-08-17 | 2020-09-18 | 广东利元亨智能装备股份有限公司 | 焊接图像处理方法、装置及电子设备 |
-
2020
- 2020-09-21 CN CN202010991797.1A patent/CN111932531A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102630043A (zh) * | 2012-04-01 | 2012-08-08 | 北京捷成世纪科技股份有限公司 | 一种基于对象的视频转码方法和装置 |
| US20190076950A1 (en) * | 2014-01-07 | 2019-03-14 | Illinois Tool Works Inc. | Feedback from a welding torch of a welding system |
| CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
| CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
| CN110441329A (zh) * | 2019-08-12 | 2019-11-12 | 广东工业大学 | 一种基于深度学习的激光焊接缺陷识别方法、装置及设备 |
| CN110675353A (zh) * | 2019-08-31 | 2020-01-10 | 电子科技大学 | 一种基于条件生成对抗网络的选择分割图像合成方法 |
| CN110880175A (zh) * | 2019-11-15 | 2020-03-13 | 广东工业大学 | 一种焊点缺陷检测方法、系统以及设备 |
| CN111126433A (zh) * | 2019-11-19 | 2020-05-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种工厂pcb板缺陷检测中正负样本数据平衡方法 |
| CN110969611A (zh) * | 2019-12-03 | 2020-04-07 | 广州特种承压设备检测研究院 | 管道焊缝缺陷检测方法、装置、系统及存储介质 |
| CN111027631A (zh) * | 2019-12-13 | 2020-04-17 | 四川赛康智能科技股份有限公司 | 高压耐张线夹压接缺陷判别的x射线影像分类识别方法 |
| 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 |
| CN111681243A (zh) * | 2020-08-17 | 2020-09-18 | 广东利元亨智能装备股份有限公司 | 焊接图像处理方法、装置及电子设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119460A (zh) * | 2021-09-18 | 2022-03-01 | 上海联麓半导体技术有限公司 | 半导体图像缺陷识别方法、装置、计算机设备和存储介质 |
| CN114119460B (zh) * | 2021-09-18 | 2024-07-26 | 上海联麓半导体技术有限公司 | 半导体图像缺陷识别方法、装置、计算机设备和存储介质 |
| CN115546211A (zh) * | 2022-11-29 | 2022-12-30 | 福建帝视智能科技有限公司 | 一种焊点缺陷分类方法、终端及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6936957B2 (ja) | 検査装置、データ生成装置、データ生成方法及びデータ生成プログラム | |
| CN112935442B (zh) | 自动焊接工艺参数的确定方法、装置、设备以及介质 | |
| CN110599484B (zh) | 缺陷检测方法、装置及存储介质 | |
| CN111932531A (zh) | 模型训练方法、焊点缺陷检测方法、装置及电子设备 | |
| JP7435303B2 (ja) | 検査装置、ユニット選択装置、検査方法、及び検査プログラム | |
| US12023722B2 (en) | Stamping line defect quality monitoring systems and methods of monitoring stamping line defects | |
| CN117274258B (zh) | 主板图像的缺陷检测方法、系统、设备及存储介质 | |
| CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
| CN117237360B (zh) | 一种基于3d视觉的铸件毛刺检测方法和系统 | |
| CN113807378A (zh) | 训练数据增量方法、电子装置与计算机可读记录介质 | |
| JP2021039476A (ja) | 欠陥検査装置、欠陥検査方法、およびプログラム | |
| CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
| CN113781393A (zh) | 屏幕缺陷检测方法、装置、设备及存储介质 | |
| CN111882547A (zh) | 一种基于神经网络的pcb漏件检测方法 | |
| JP2023047003A (ja) | 機械学習システム、学習データ収集方法及び学習データ収集プログラム | |
| CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
| CN111681243B (zh) | 焊接图像处理方法、装置及电子设备 | |
| Aminzadeh et al. | Layerwise automated visual inspection in laser powder-bed additive manufacturing | |
| JP2006266943A (ja) | 欠陥検査装置及び欠陥検査方法 | |
| CN112534472B (zh) | 图像判定装置、图像判定方法及其程序的记录介质 | |
| CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
| CN115995023A (zh) | 瑕疵检测方法、装置、电子设备、计算机可读存储介质及产品检测方法 | |
| CN115564734A (zh) | 一种产品检测方法、电子设备及存储介质 | |
| JP2008185395A (ja) | 実装基板外観検査方法 | |
| EP2573694A1 (en) | Conversion method and system |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |