CN112241699B - 物体缺陷类别识别方法、装置、计算机设备和存储介质 - Google Patents
物体缺陷类别识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112241699B CN112241699B CN202011090450.6A CN202011090450A CN112241699B CN 112241699 B CN112241699 B CN 112241699B CN 202011090450 A CN202011090450 A CN 202011090450A CN 112241699 B CN112241699 B CN 112241699B
- Authority
- CN
- China
- Prior art keywords
- gray
- gray scale
- target
- defect
- standard
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 374
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims description 90
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000002950 deficient Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 21
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 241001270131 Agaricus moelleri Species 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Abstract
本申请涉及一种物体缺陷类别识别方法、装置、计算机设备和存储介质。方法包括:获取目标物体的灰度图,根据灰度图中各像素点的灰度值,识别灰度图中的缺陷区域,根据缺陷区域中各像素点的灰度值,确定缺陷区域对应的目标灰度值,获取灰度区间与物体缺陷类别的关联关系,根据关联关系以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别。简化了物体缺陷类别的判定过程的数据处理量,提高了数据处理效率,能够快速得到目标物体的物体缺陷类别。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种物体缺陷类别识别方法、装置、计算机设备和存储介质。
背景技术
对物体缺陷检测以及按缺陷类别分类是对物体生产制造工艺的一项重要流程。以锂电池电芯的生产过程为例,锂电池电芯中生产要求对各个环节进行缺陷检测,这一系列缺陷检测质量的可靠性与在电池的充放电过程中的安全性、稳定性密不可分。目前在锂电池电芯的生产工艺中包含的缺陷种类较为繁多,包括但不限于极耳的翻折、褶皱以及破损,这一系列的缺陷种类都容易在电池充放电过程中造成极大的安全隐患。因此在电芯工艺生产过程中,各类缺陷检测尤为重要。
然而,目前的物体缺陷类别的识别一般是通过获取待处理的图像之后,基于与各种缺陷类别的图像进行相似度比较,通过判断与哪一种缺陷类别的图像类似,判定物体即存在哪种缺陷,但是相似度比较过程涉及的数据处理量较大,数据处理速度慢。
发明内容
基于此,有必要针对上述技术问题,提供一种提高缺陷类别识别速度的物体缺陷类别识别方法、装置、计算机设备和存储介质。
一种物体缺陷类别识别方法,所述方法包括:
获取目标物体的灰度图;
根据所述灰度图中各像素点的灰度值,识别所述灰度图中的缺陷区域;
根据所述缺陷区域中各像素点的灰度值,确定所述缺陷区域对应的目标灰度值;
获取灰度区间与物体缺陷类别的关联关系,根据所述关联关系以及所述目标灰度值所属的灰度区间,得到所述目标物体的物体缺陷类别。
在其中一个实施例中,所述根据所述关联关系以及所述目标灰度值所属的灰度区间,得到所述目标物体的物体缺陷类别包括:
当所述目标灰度值所属的灰度区间的数量不少于2个时,获取所述缺陷区域中各目标像素点对应的分布矩阵;
将所述分布矩阵分别与目标灰度值所属的各灰度区间对应的目标分布矩阵进行相似匹配;
根据所述相似匹配结果,确定所述目标灰度值所属的目标灰度区间;
根据所述关联关系,查找所述目标灰度区间对应的物体缺陷类别,得到所述目标物体的物体缺陷类别。
在其中一个实施例中,所述根据所述缺陷区域中各像素点的灰度值,确定所述缺陷区域对应的目标灰度值包括:
对所述缺陷区域中各像素点的灰度值进行均值处理,得到所述缺陷区域对应的目标灰度值。
在其中一个实施例中,所述根据灰度图中各像素点的灰度值,识别灰度图中的缺陷区域包括:
获取标准灰度图对应的标准灰度数据,其中,标准灰度图是指非缺陷物体的灰度图;
根据标准灰度数据和所述灰度图中各像素点的灰度值,识别所述灰度图中的缺陷区域。
在其中一个实施例中,所述标准灰度数据包括标准灰度值和允许灰度偏差阈值;
所述根据标准灰度数据和所述灰度图中各像素点的灰度值,识别所述灰度图中的缺陷区域包括:
根据所述灰度图中像素点所在的区域,获取所述区域在非缺陷情况下对应的标准灰度值;
将所述像素点的灰度值与所述标准灰度值进行比较,得到所述像素点的灰度值与所述标准灰度值的灰度偏差数据;
确定所述灰度偏差数据不满足所述允许灰度偏差阈值的目标像素点,得到所述目标像素点构成的缺陷区域。
在其中一个实施例中,所述标准灰度数据包括标准灰度区间;
所述根据标准灰度数据和所述灰度图中各像素点的灰度值,识别所述灰度图中的缺陷区域包括:
根据所述灰度图中像素点所在的区域,获取所述区域在非缺陷情况下对应的标准灰度区间;
确定所述灰度值不处于所述标准灰度区间的目标像素点,得到所述目标像素点构成的缺陷区域。
在其中一个实施例中,所述方法还包括:
将携带有物体缺陷类别标签的目标物体的灰度图作为训练样本,输入初始的物体缺陷检测模型,其中,所述初始的物体缺陷检测模型基于深度学习神经网络构建得到;
对所述初始的物体缺陷检测模型进行训练,得到物体缺陷检测模型。
在其中一个实施例中,所述对所述初始的物体缺陷检测模型进行训练,得到物体缺陷检测模型之后,还包括:
获取待处理灰度图,所述待处理灰度图的图像采集环境与所述目标物体的灰度图的图像采集环境相同;
将所述待处理灰度图输入所述物体缺陷检测模型,由所述物体缺陷检测模型对所述目标灰度图进行物体缺陷检测;
获取所述物体缺陷检测模型输出的物体缺陷检测结果。
一种物体缺陷类别识别装置,装置包括:
灰度图获取模块,用于获取目标物体的灰度图;
缺陷区域识别模块,用于根据灰度图中各像素点的灰度值,识别灰度图中的缺陷区域;
目标灰度值确定模块,用于根据缺陷区域中各像素点的灰度值,确定缺陷区域对应的目标灰度值;
物体缺陷类别确定模块,用于获取灰度区间与物体缺陷类别的关联关系,根据关联关系以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取目标物体的灰度图;
根据灰度图中各像素点的灰度值,识别灰度图中的缺陷区域;
根据缺陷区域中各像素点的灰度值,确定缺陷区域对应的目标灰度值;
获取灰度区间与物体缺陷类别的关联关系,根据关联关系以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标物体的灰度图;
根据灰度图中各像素点的灰度值,识别灰度图中的缺陷区域;
根据缺陷区域中各像素点的灰度值,确定缺陷区域对应的目标灰度值;
获取灰度区间与物体缺陷类别的关联关系,根据关联关系以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别。
上述物体缺陷类别识别方法、装置、计算机设备和存储介质,通过获取目标物体的灰度图,基于灰度图中各像素点的灰度值,识别出灰度图中的缺陷区域,然后根据缺陷区域中各像素点的灰度值,得到缺陷区域对应的目标灰度值,基于灰度区间与物体缺陷类别的关联关系,以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别,基于目标物体的图像中各像素点的灰度值来判断缺陷区域并基于像素点的灰度程度,即灰度值所属的灰度区间,来判定目标物体的物体缺陷类别,简化了物体缺陷类别的判定过程的数据处理量,提高了数据处理效率,能够快速得到目标物体的物体缺陷类别。
附图说明
图1为一个实施例中物体缺陷类别识别方法的应用环境图;
图2为一个实施例中物体缺陷类别识别方法的流程示意图;
图3为另一个实施例中物体缺陷类别识别方法的流程示意图;
图4为一个实施例中物体缺陷类别的示意图;
图5为又一个实施例中物体缺陷类别识别方法的流程示意图;
图6为再一个实施例中物体缺陷类别识别方法的流程示意图;
图7为还一个实施例中物体缺陷类别识别方法的流程示意图;
图8为一个实施例中物体缺陷类别识别方法中模型结构示意图;
图9为一个实施例中物体缺陷类别识别方法中模型训练的示意图;
图10为一个实施例中物体缺陷类别识别装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的物体缺陷类别识别方法,可以应用于如图1所示的应用环境中。其中,图像采集装置102采集目标物体的图像,并将采集的图像通过网络发送至服务器104,服务器104基于预先配置的图像灰度处理线程将接收的图像转换成灰度图,得到目标物体的灰度图,然后,服务器104根据灰度图中各像素点的灰度值,识别灰度图中的缺陷区域,根据缺陷区域中各像素点的灰度值,确定缺陷区域对应的目标灰度值,获取灰度区间与物体缺陷类别的关联关系,根据关联关系以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别,最后将目标物体的物体缺陷类别反馈至终端106。其中,终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种物体缺陷类别识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤202至步骤208。
步骤202,获取目标物体的灰度图。
目标物体可以是指已知存在缺陷、需要进行缺陷类别区分处理的物体,也可以是不知道是否存在缺陷、需要进行缺陷识别和类别区分处理的物体。
灰度图是指灰度表示的图像,通过把白色与黑色之间按对数关系分为若干等级,该等级称为灰度,其中,灰度分为256阶。
在实施例中,图像采集装置采集到的目标物体的图像为彩色图像,彩色图像中的各个像素点都是基于红、绿、蓝三原色组成的,通过红、绿、蓝三原色,通过灰度转换,可以得到像素点的灰度值。
在其中一个实施例中,可以通过浮点法、整数法、移位法、平均值法、仅取一原色(例如绿色)以及Gamma校正算法等中的任意一种方法,实现将彩色图像转换为灰度图。具体来说,在服务器中预先配置的图像灰度处理线程中预先设置有上述将彩色图像转换为灰度图中的一种灰度转换方法,以使得每一个目标物体的彩色图像都通过相同的灰度转换方式得到对应的灰度图。
在其中一个实施例中,还可以通过集成有灰度图像采集功能的图像采集设备,采集得到的图像即为灰度图,即服务器可以直接获取到图像采集设备上传的灰度图。由于目标物体的图像都是通过同一图像采集设备采集得到的,因此,通过集成有灰度图像采集功能的图像采集设备,在不修改图像采集设备的配置数据的前提下,能够确保灰度图不受灰度转换方式的影响,从而提高缺陷分类结果的准确性。
步骤204,根据灰度图中各像素点的灰度值,识别灰度图中的缺陷区域。
在实施例中,基于灰度值识别缺陷区域的方式可以包括图像中的轮廓线识别、灰度值对比等方式实现。具体来说,轮廓线识别可以是利用传统的边缘检测算子检测目标轮廓,也可以是是从人类视觉系统中提取可以使用的数学模型完成目标轮廓检测,轮廓检测算法大致可分为轮廓跟踪、基于图像子集、基于游程。
在一个实施例中,如图3所示,根据灰度图中各像素点的灰度值,识别灰度图中的缺陷区域,即步骤204包括步骤302至步骤304。
步骤302,获取标准灰度图对应的标准灰度数据。
步骤304,根据标准灰度数据和灰度图中各像素点的灰度值,识别灰度图中的缺陷区域。
其中,标准灰度图是指非缺陷物体的灰度图,标准灰度数据是指非缺陷物体的标准灰度图的灰度数据。标准灰度数据包括不存在缺陷的物体在标准灰度图中所在区域的像素点的灰度数据,还可以包括背景区域的正常像素点的灰度数据。灰度数据具体可以是两个灰度值构成的灰度范围,也可以是由一个具体的灰度值和允许的灰度波动范围构成的数据。
如果不存在缺陷的正常物体在灰度图中对应的所有像素点的灰度值都维持在一个稳定的灰度范围,则该标准灰度数据只包含一组数据,即该稳定的灰度范围。如果不存在缺陷的正常物体是由多种材料或加工工艺组合而成的物体,则在不同材料或加工工艺的区域的灰度值范围会存在差异,因此,可以按区域划分,使得不同区域具有不用的标准灰度数据,则该标准灰度数据只包含多组数据,即各个区域对应的稳定灰度范围。
通过将灰度图中各像素点的灰度值与标准灰度数据进行比较,可以确定像素点属于正常的像素点还是异常的像素点。多个异常的像素点构成的范围即为灰度图中的缺陷区域。
步骤206,根据缺陷区域中各像素点的灰度值,确定缺陷区域对应的目标灰度值。
在实施例中,缺陷区域中各像素点的灰度值可能数值相同,也可能存在较小范围的差异,通过对缺陷区域中各像素点的灰度值进行均值处理,将得到的灰度值的平均值作为缺陷区域对应的目标灰度值。通过灰度值的均值处理,能够反映该缺陷区域的整体情况,避免其中的极端灰度值数据的干扰,提高缺陷分类结果的准确性。可以理解,在其他实施例中,还可以通过对缺陷区域中各像素点的灰度值进行取众数或中位数等数据处理方式,确定缺陷区域对应的目标灰度值。
步骤208,获取灰度区间与物体缺陷类别的关联关系,根据关联关系以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别。
灰度区间与物体缺陷类别的关联关系是预先配置的数据。利用不同的物体缺陷类别具有不同的灰度的特点,通过配置灰度区间与物体缺陷类别的关联关系,基于目标灰度值所属的灰度区间,能够快速准确地判定目标灰度值对应的物体缺陷类别,从而快速准确地得到目标物体的物体缺陷类别。
在实施例中,以电芯生产过程中所出现的各类缺陷进行视觉图像检测和分类为例。如图4所示,电芯的缺陷包括但不限于极耳翻折、黑点、漏金属、划痕、破损等,经反复实验发现,不同类型的缺陷在对应的灰度图中的灰度值是存在差异的,通过多次实验得到的历史数据,确定出每一类缺陷对应的灰度值的波动范围即灰度区间,从而构建得到灰度区间与物体缺陷类别的关联关系。
上述物体缺陷类别识别方法,通过获取目标物体的灰度图,基于灰度图中各像素点的灰度值,识别出灰度图中的缺陷区域,然后根据缺陷区域中各像素点的灰度值,得到缺陷区域对应的目标灰度值,基于灰度区间与物体缺陷类别的关联关系,以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别,基于目标物体的图像中各像素点的灰度值来判断缺陷区域并基于像素点的灰度程度,即灰度值所属的灰度区间,来判定目标物体的物体缺陷类别,简化了物体缺陷类别的判定过程的数据处理量,提高了数据处理效率,能够快速得到目标物体的物体缺陷类别。
在其中一个实施例中,如图5所示,标准灰度数据包括标准灰度值和允许灰度偏差阈值,即步骤302包括以下步骤502。
步骤502,获取标准灰度图对应的标准灰度值和允许灰度偏差阈值。
根据标准灰度数据和灰度图中各像素点的灰度值,识别灰度图中的缺陷区域,即步骤304包括步骤504至步骤508。
步骤504,根据灰度图中像素点所在的区域,获取区域在非缺陷情况下对应的标准灰度值。
步骤506,将像素点的灰度值与标准灰度值进行比较,得到像素点的灰度值与标准灰度值的灰度偏差数据。
步骤508,确定灰度偏差数据不满足允许灰度偏差阈值的目标像素点,得到目标像素点构成的缺陷区域。
标准灰度值是指一个具体的灰度值,允许灰度偏差阈值是指以标准灰度值为基准,与标准灰度值的数据差值的允许范围。
在实施例中,由于图像采集装置与目标物体之间的相对位置是固定的,也就是说,目标物体的拍摄角度是确定的。根据像素点在灰度图中的坐标数据,可以确定像素点所对应的区域。
在实施例中,如果目标物体属于由同一种材料得到的物体,则采集的图像中仅包括物体所在区域,或是包括物体所在区域和背景区域两种,其中,由于目标物体的拍摄角度不变,所以背景区域在灰度图中的位置是相对固定的。如果目标物体是由多种材料或加工工艺组合而成的物体,则采集的图像中会包括多种不同材料或加工工艺对应的多个区域。
不同的区域类型具有不同的区域标识,根据区域标识,可以得到预先配置的该区域在非缺陷情况下对应的标准灰度值。通过将像素点的灰度值与标准灰度值进行比较,得到像素点的灰度值与标准灰度值的灰度偏差数据,如果灰度偏差数据满足允许灰度偏差阈值,则该像素点为正常像素点,如果灰度偏差数据不满足允许灰度偏差阈值,则该像素点为异常像素点,即目标像素点,由目标像素点构成的范围即为灰度图中的缺陷区域。
在其中一个实施例中,标准灰度数据包括标准灰度区间。如图6所示,步骤302包括以下步骤602。
步骤602,获取标准灰度图对应的标准灰度区间。
根据标准灰度数据和灰度图中各像素点的灰度值,识别灰度图中的缺陷区域,即步骤304包括步骤604至步骤606。
步骤604,根据灰度图中像素点所在的区域,获取区域在非缺陷情况下对应的标准灰度区间。
步骤606,确定灰度值不处于标准灰度区间的目标像素点,得到目标像素点构成的缺陷区域。
标准灰度区间是指在正常情况下像素点的灰度值的数值变化范围。在实施例中,基于标准灰度值和允许灰度偏差阈值可以构成标准灰度区间。例如,标准灰度值为60,允许灰度偏差阈值为3,则对应的标准灰度区间为[57,63]。具体来说,不同的数据存储方式需要占用不同的数据空间大小不同,且数据处理方式也存在差异,例如,如某像素点的灰度值为70,则通过标准灰度值和允许灰度偏差阈值的方式,预先存储的数据包括60和3,在进行数据处理时,需要先计算70-60=10,在比较得到10>3,每次处理都需要按先后顺序执行,最后得到该像素点为异常像素点的结果。通过标准灰度区间的方式,预先存储的数据57和63,相较而言,存储的数据更为复杂,在进行数据处理时,通过同步判断70分别与57和63之间的大小关系,即可得到该像素点为异常像素点的结果,数据处理速度更快。在实施例中,具体的方式可以根据实际需要进行配置。
在一个实施例中,根据关联关系以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别包括:当目标灰度值所属的灰度区间的数量不少于2个时,获取缺陷区域中各目标像素点对应的分布矩阵。将分布矩阵分别与目标灰度值所属的各灰度区间对应的目标分布矩阵进行相似匹配。根据相似匹配结果,确定目标灰度值所属的目标灰度区间。根据关联关系,查找目标灰度区间对应的物体缺陷类别,得到目标物体的物体缺陷类别。
在实施例中,以目标灰度值所属的灰度区间既有第一灰度区间和又有第二灰度区间时为例,通过将缺陷区域中各目标像素点对应的分布矩阵,分别与第一灰度区间的第一分布矩阵以及第二灰度区间的第二分布矩阵进行相似匹配,得到第一相似匹配结果和第二相似匹配结果,根据两个相似匹配结果对应表征的相似度的大小,将相似度大的灰度区间作为目标灰度值所属的目标灰度区间。
在其中一个实施例中,以电池的各种原材料的缺陷分类为例,缺陷类型包括但不限于极耳翻折、极耳打折、褶皱、破损,隔膜破损,极片划痕、裂痕,漏金属,黑点,气泡,亮斑,凹凸等。其中,有的缺陷类型的灰度区间有部分重叠,但是缺陷区域的范围会存在差异,例如裂痕和漏金属这两种缺陷情况下,裂痕一般为线条状,漏金属一般为块状,反映到图像中的像素点上,就是缺陷区域对应的像素点的分布情况存在较大差异。
像素点对应的分布矩阵是用于描述像素分布情况的数据,通过将目标像素点对应的分布矩阵与匹配得到的各个灰度区间的分布矩阵进行相似匹配,可以基于相似匹配结果,确定相似匹配结果中相似度满足要求的灰度区间为目标灰度值所属的目标灰度区间。
在其中一个实施例中,像素点对应的分布矩阵,具体可以是01矩阵,即,将目标像素点对应的矩阵元素置1,其余矩阵元素置0,从而得到由0和1构成的用于表征像素分布情况的分布矩阵。基于01矩阵,能够简化分布矩阵的相似匹配过程中的数据处理量,提高数据处理速度。
在其他实施例中,当目标灰度值所属的灰度区间的数量不少于2个时,例如,以目标灰度值所属的灰度区间既有第一灰度区间又有第二灰度区间为例,还可以通过统计缺陷区域中各目标像素点的总数量,通过将该总数量分别与第一灰度区间的像素点总数量以及第二灰度区间的像素点总数量进行比较,基于像素点总数量的差值是否满足预设要求,来确定目标灰度值所属的目标灰度区间。
在其中一个实施例中,如图7所示,方法还包括步骤702至步骤704。
步骤702,将携带有物体缺陷类别标签的目标物体的灰度图作为训练样本,输入初始的物体缺陷检测模型。
其中,初始的物体缺陷检测模型基于深度学习神经网络构建得到。
步骤704,对初始的物体缺陷检测模型进行训练,得到物体缺陷检测模型。
通过将携带有物体缺陷类别标签的目标物体的灰度图作为训练样本,对初始的物体缺陷检测模型进行训练,得到物体缺陷检测模型。可以实现利用多层神经网络结构自适应提取携带有物体缺陷类别标签的目标物体的灰度图中多类缺陷特征,如图8所示,实现图像(端)—深度学习神经网络模型—图像检测结果(端)这样端到端的检测模式,提高物体缺陷检测的稳定性与准确性。
具体来说,按不同缺陷类型进行归类整理得到了携带有物体缺陷类别标签的训练样本,通过神经网络去拟合不同缺陷检测特征,经过反复训练迭代后得到成熟的物体缺陷检测模型。
在其中一个实施例中,如图9,在物体缺陷检测模型的训练过程和应用过程中,还可以使用GPU硬件加速,采取GPU处理运算,可以极大的提高处理速度实现视觉实时检测,满足电芯高速生产过程中缺陷检测的节拍需求,极大的提高了图像处理速度,支持高速相机检测,甚至高帧率视频检测。
其中,深度学习神经网络是训练初始的物体缺陷检测模型的核心架构,如图9所示,提供了一种初始的物体缺陷检测模型的训练过程示意图,基于深度学习神经网络,能够自动提取输入图像数据集的(缺陷)特征,并自我学习完善并对图像特征进行归纳总结。假设{xi}为一系列待训练图像训样本集,{yi}是对应图像的缺陷分类检测结果,函数f代表物体缺陷检测模型。
根据不同的检测需求,{yi}一般包含有图像缺陷的类别信息或者缺陷的位置信息等。神经网络f的作用就是建立从输入图像集{xi}到视觉检测结果{yi}的桥梁。神经网络由众多网络层组成,包括卷积层,激活函数,池化层,全连接层等。输入的样本数据的图像经过这一系列神经网络层的运算,可以实现从{xi}到{yi}的多维度非线性映射。所以训练初始的物体缺陷检测模型的过程就是找寻{xi}到{yi}之间多维度非线性映射关系f的过程,而运用物体缺陷检测模型的获得检测结果的过程就是运算yk=f(xk)的过程,其中xk,yk为实际的待处理图像以及对应图像的检测结果。
在神经网络从各个网络层由浅至深的运算中,实际都是对图像数据降维并不断抽象出有效特征的过程,并最终将所有的有效特征转化为所需要的视觉检测结果。卷积层的作用就是通过图像与不同的卷积核进行卷积运算提取图像不同特征的过程。这些不同的特征包括图像的纹理、明暗甚至是形状等信息,这些卷积后所获得的图像特征在经过池化层(降采样),激活层(非线性变化)后进一步变换最终转化为所需要的检测结果。
假定现在需要区分极片上划痕和漏金属两种缺陷,物体缺陷检测模型可以从灰度值、纹理、形状等方面进行特征提取,在利用网络层卷积学习这些有效图像特征的过程中,不断的更新调整卷积核中的权重参数,使得经过网络层运算出来的结果能达到区分识别不同缺陷的效果。在训练的过程中,设置损失函数用来评价学习到图像有效特征的效果,损失函数描述了期望学习到的特征与当前学习到特征的差距。所以当图像训练数据足够多时,并且损失函数值足够小的时候,即可认定当前训练出的神经网络模型可以有效的提取并泛化不同缺陷的特征,从而达到对实际待处理图像的缺陷检测。
在其中一个实施例中,对初始的物体缺陷检测模型进行训练,得到物体缺陷检测模型之后,还包括:获取待处理灰度图,待处理灰度图的图像采集环境与目标物体的灰度图的图像采集环境相同。将待处理灰度图输入物体缺陷检测模型,由物体缺陷检测模型对待处理灰度图进行物体缺陷检测。获取物体缺陷检测模型输出的物体缺陷检测结果。
在实施例中,待处理灰度图的图像采集环境与目标物体的灰度图的图像采集环境相同,可以进一步避免不同的图像采集环境对图像的灰度值造成影响,从而影响物体缺陷检测结果。
应该理解的是,虽然上述各流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种物体缺陷类别识别装置,包括:灰度图获取模块1002、缺陷区域识别模块1004、目标灰度值确定模块1006和物体缺陷类别确定模块1008,其中:
灰度图获取模块1002,用于获取目标物体的灰度图。
缺陷区域识别模块1004,用于根据灰度图中各像素点的灰度值,识别灰度图中的缺陷区域。
目标灰度值确定模块1006,用于根据缺陷区域中各像素点的灰度值,确定缺陷区域对应的目标灰度值。
物体缺陷类别确定模块1008,用于获取灰度区间与物体缺陷类别的关联关系,根据关联关系以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别。
在其中一个实施例中,缺陷区域识别模块还用于获取标准灰度图对应的标准灰度数据,其中,标准灰度图是指非缺陷物体的灰度图;根据标准灰度数据和所述灰度图中各像素点的灰度值,识别所述灰度图中的缺陷区域。
在其中一个实施例中,标准灰度数据包括标准灰度值和允许灰度偏差阈值;缺陷区域识别模块还用于根据灰度图中像素点所在的区域,获取区域在非缺陷情况下对应的标准灰度值;将像素点的灰度值与标准灰度值进行比较,得到像素点的灰度值与标准灰度值的灰度偏差数据;确定灰度偏差数据不满足允许灰度偏差阈值的目标像素点,得到目标像素点构成的缺陷区域。
在其中一个实施例中,标准灰度数据包括标准灰度区间;缺陷区域识别模块根据灰度图中像素点所在的区域,获取区域在非缺陷情况下对应的标准灰度区间;确定灰度值不处于标准灰度区间的目标像素点,得到目标像素点构成的缺陷区域。
在其中一个实施例中,目标灰度值确定模块还用于对缺陷区域中各像素点的灰度值进行均值处理,得到缺陷区域对应的目标灰度值。
在其中一个实施例中,物体缺陷类别确定模块还用于当目标灰度值所属的灰度区间的数量不少于2个时,获取缺陷区域中各目标像素点对应的分布矩阵;将分布矩阵分别与目标灰度值所属的各灰度区间对应的目标分布矩阵进行相似匹配;根据相似匹配结果,确定目标灰度值所属的目标灰度区间;根据关联关系,查找目标灰度区间对应的物体缺陷类别,得到目标物体的物体缺陷类别。
在其中一个实施例中,物体缺陷类别识别装置还包括模型训练模块,用于将携带有物体缺陷类别标签的目标物体的灰度图作为训练样本,输入初始的物体缺陷检测模型,其中,初始的物体缺陷检测模型基于深度学习神经网络构建得到;对初始的物体缺陷检测模型进行训练,得到物体缺陷检测模型。
在其中一个实施例中,物体缺陷类别识别装置还包括模型应用模块,用于获取待处理灰度图,待处理灰度图的图像采集环境与目标物体的灰度图的图像采集环境相同;将待处理灰度图输入物体缺陷检测模型,由物体缺陷检测模型对待处理灰度图进行物体缺陷检测;获取物体缺陷检测模型输出的物体缺陷检测结果。
上述物体缺陷类别识别装置,通过获取目标物体的灰度图,基于灰度图中各像素点的灰度值,识别出灰度图中的缺陷区域,然后根据缺陷区域中各像素点的灰度值,得到缺陷区域对应的目标灰度值,基于灰度区间与物体缺陷类别的关联关系,以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别,基于目标物体的图像中各像素点的灰度值来判断缺陷区域并基于像素点的灰度程度,即灰度值所属的灰度区间,来判定目标物体的物体缺陷类别,简化了物体缺陷类别的判定过程的数据处理量,提高了数据处理效率,能够快速得到目标物体的物体缺陷类别。
关于物体缺陷类别识别装置的具体限定可以参见上文中对于物体缺陷类别识别方法的限定,在此不再赘述。上述物体缺陷类别识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储物体缺陷类别与灰度区间的关联关系。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种物体缺陷类别识别方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标物体的灰度图;根据灰度图中各像素点的灰度值,识别灰度图中的缺陷区域;根据缺陷区域中各像素点的灰度值,确定缺陷区域对应的目标灰度值;获取灰度区间与物体缺陷类别的关联关系,根据关联关系以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取标准灰度图对应的标准灰度数据,其中,标准灰度图是指非缺陷物体的灰度图;根据标准灰度数据和所述灰度图中各像素点的灰度值,识别所述灰度图中的缺陷区域。
在一个实施例中,标准灰度数据包括标准灰度值和允许灰度偏差阈值;处理器执行计算机程序时还实现以下步骤:
根据灰度图中像素点所在的区域,获取区域在非缺陷情况下对应的标准灰度值;将像素点的灰度值与标准灰度值进行比较,得到像素点的灰度值与标准灰度值的灰度偏差数据;确定灰度偏差数据不满足允许灰度偏差阈值的目标像素点,得到目标像素点构成的缺陷区域。
在一个实施例中,标准灰度数据包括标准灰度区间;处理器执行计算机程序时还实现以下步骤:
根据灰度图中像素点所在的区域,获取区域在非缺陷情况下对应的标准灰度区间;确定灰度值不处于标准灰度区间的目标像素点,得到目标像素点构成的缺陷区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对缺陷区域中各像素点的灰度值进行均值处理,得到缺陷区域对应的目标灰度值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当目标灰度值所属的灰度区间的数量不少于2个时,获取缺陷区域中各目标像素点对应的分布矩阵;将分布矩阵分别与目标灰度值所属的各灰度区间对应的目标分布矩阵进行相似匹配;根据相似匹配结果,确定目标灰度值所属的目标灰度区间;根据关联关系,查找目标灰度区间对应的物体缺陷类别,得到目标物体的物体缺陷类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将携带有物体缺陷类别标签的目标物体的灰度图作为训练样本,输入初始的物体缺陷检测模型,其中,初始的物体缺陷检测模型基于深度学习神经网络构建得到;对初始的物体缺陷检测模型进行训练,得到物体缺陷检测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取待处理灰度图,待处理灰度图的图像采集环境与目标物体的灰度图的图像采集环境相同;将待处理灰度图输入物体缺陷检测模型,由物体缺陷检测模型对待处理灰度图进行物体缺陷检测;获取物体缺陷检测模型输出的物体缺陷检测结果。
上述用于实现物体缺陷类别识别方法的计算机设备,通过获取目标物体的灰度图,基于灰度图中各像素点的灰度值,识别出灰度图中的缺陷区域,然后根据缺陷区域中各像素点的灰度值,得到缺陷区域对应的目标灰度值,基于灰度区间与物体缺陷类别的关联关系,以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别,基于目标物体的图像中各像素点的灰度值来判断缺陷区域并基于像素点的灰度程度,即灰度值所属的灰度区间,来判定目标物体的物体缺陷类别,简化了物体缺陷类别的判定过程的数据处理量,提高了数据处理效率,能够快速得到目标物体的物体缺陷类别。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标物体的灰度图;根据灰度图中各像素点的灰度值,识别灰度图中的缺陷区域;根据缺陷区域中各像素点的灰度值,确定缺陷区域对应的目标灰度值;获取灰度区间与物体缺陷类别的关联关系,根据关联关系以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取标准灰度图对应的标准灰度数据,其中,标准灰度图是指非缺陷物体的灰度图;根据标准灰度数据和所述灰度图中各像素点的灰度值,识别所述灰度图中的缺陷区域。
在一个实施例中,标准灰度数据包括标准灰度值和允许灰度偏差阈值;计算机程序被处理器执行时还实现以下步骤:
根据灰度图中像素点所在的区域,获取区域在非缺陷情况下对应的标准灰度值;将像素点的灰度值与标准灰度值进行比较,得到像素点的灰度值与标准灰度值的灰度偏差数据;确定灰度偏差数据不满足允许灰度偏差阈值的目标像素点,得到目标像素点构成的缺陷区域。
在一个实施例中,标准灰度数据包括标准灰度区间;计算机程序被处理器执行时还实现以下步骤:
根据灰度图中像素点所在的区域,获取区域在非缺陷情况下对应的标准灰度区间;确定灰度值不处于标准灰度区间的目标像素点,得到目标像素点构成的缺陷区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对缺陷区域中各像素点的灰度值进行均值处理,得到缺陷区域对应的目标灰度值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当目标灰度值所属的灰度区间的数量不少于2个时,获取缺陷区域中各目标像素点对应的分布矩阵;将分布矩阵分别与目标灰度值所属的各灰度区间对应的目标分布矩阵进行相似匹配;根据相似匹配结果,确定目标灰度值所属的目标灰度区间;根据关联关系,查找目标灰度区间对应的物体缺陷类别,得到目标物体的物体缺陷类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将携带有物体缺陷类别标签的目标物体的灰度图作为训练样本,输入初始的物体缺陷检测模型,其中,初始的物体缺陷检测模型基于深度学习神经网络构建得到;对初始的物体缺陷检测模型进行训练,得到物体缺陷检测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取待处理灰度图,待处理灰度图的图像采集环境与目标物体的灰度图的图像采集环境相同;将待处理灰度图输入物体缺陷检测模型,由物体缺陷检测模型对待处理灰度图进行物体缺陷检测;获取物体缺陷检测模型输出的物体缺陷检测结果。
上述用于实现物体缺陷类别识别方法的计算机可读存储介质,通过获取目标物体的灰度图,基于灰度图中各像素点的灰度值,识别出灰度图中的缺陷区域,然后根据缺陷区域中各像素点的灰度值,得到缺陷区域对应的目标灰度值,基于灰度区间与物体缺陷类别的关联关系,以及目标灰度值所属的灰度区间,得到目标物体的物体缺陷类别,基于目标物体的图像中各像素点的灰度值来判断缺陷区域并基于像素点的灰度程度,即灰度值所属的灰度区间,来判定目标物体的物体缺陷类别,简化了物体缺陷类别的判定过程的数据处理量,提高了数据处理效率,能够快速得到目标物体的物体缺陷类别。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种物体缺陷类别识别方法,其特征在于,所述方法包括:
获取目标物体的灰度图;
获取标准灰度图对应的标准灰度数据,其中,所述标准灰度图是指非缺陷物体的灰度图;
根据标准灰度数据和所述灰度图中各像素点的灰度值,识别所述灰度图中的缺陷区域;所述缺陷区域为由多个异常的像素点构成的范围;
对所述缺陷区域中各像素点的灰度值进行均值处理,得到所述缺陷区域对应的目标灰度值;
获取灰度区间与物体缺陷类别的关联关系,当所述目标灰度值所属的灰度区间的数量不少于2个时,获取所述缺陷区域中各目标像素点对应的分布矩阵;
将所述分布矩阵分别与所述目标灰度值所属的各灰度区间对应的目标分布矩阵进行相似匹配;
根据所述相似匹配结果,确定所述目标灰度值所属的目标灰度区间;
根据所述关联关系,查找所述目标灰度区间对应的物体缺陷类别,得到所述目标物体的物体缺陷类别。
2.根据权利要求1所述的方法,其特征在于,所述标准灰度数据包括标准灰度值和允许灰度偏差阈值;
所述根据标准灰度数据和所述灰度图中各像素点的灰度值,识别所述灰度图中的缺陷区域包括:
根据所述灰度图中像素点所在的区域,获取所述区域在非缺陷情况下对应的标准灰度值;
将所述像素点的灰度值与所述标准灰度值进行比较,得到所述像素点的灰度值与所述标准灰度值的灰度偏差数据;
确定所述灰度偏差数据不满足所述允许灰度偏差阈值的目标像素点,得到所述目标像素点构成的缺陷区域。
3.根据权利要求1所述的方法,其特征在于,所述标准灰度数据包括标准灰度区间;
所述根据标准灰度数据和所述灰度图中各像素点的灰度值,识别所述灰度图中的缺陷区域包括:
根据所述灰度图中像素点所在的区域,获取所述区域在非缺陷情况下对应的标准灰度区间;
确定所述灰度值不处于所述标准灰度区间的目标像素点,得到所述目标像素点构成的缺陷区域。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将携带有物体缺陷类别标签的目标物体的灰度图作为训练样本,输入初始的物体缺陷检测模型,其中,所述初始的物体缺陷检测模型基于深度学习神经网络构建得到;
对所述初始的物体缺陷检测模型进行训练,得到物体缺陷检测模型。
5.根据权利要求4所述的方法,其特征在于,所述对所述初始的物体缺陷检测模型进行训练,得到物体缺陷检测模型之后,还包括:
获取待处理灰度图,所述待处理灰度图的图像采集环境与所述目标物体的灰度图的图像采集环境相同;
将所述待处理灰度图输入所述物体缺陷检测模型,由所述物体缺陷检测模型对所述目标灰度图进行物体缺陷检测;
获取所述物体缺陷检测模型输出的物体缺陷检测结果。
6.一种物体缺陷类别识别装置,其特征在于,所述装置包括:
灰度图获取模块,用于获取目标物体的灰度图;
缺陷区域识别模块,用于获取标准灰度图对应的标准灰度数据,其中,所述标准灰度图是指非缺陷物体的灰度图;根据标准灰度数据和所述灰度图中各像素点的灰度值,识别所述灰度图中的缺陷区域;所述缺陷区域为由多个异常的像素点构成的范围;
目标灰度值确定模块,用于对所述缺陷区域中各像素点的灰度值进行均值处理,得到所述缺陷区域对应的目标灰度值;
物体缺陷类别确定模块,用于获取灰度区间与物体缺陷类别的关联关系,当所述目标灰度值所属的灰度区间的数量不少于2个时,获取所述缺陷区域中各目标像素点对应的分布矩阵;将所述分布矩阵分别与所述目标灰度值所属的各灰度区间对应的目标分布矩阵进行相似匹配;根据所述相似匹配结果,确定所述目标灰度值所属的目标灰度区间;根据所述关联关系,查找所述目标灰度区间对应的物体缺陷类别,得到所述目标物体的物体缺陷类别。
7.根据权利要求6所述的装置,其特征在于,所述标准灰度数据包括标准灰度区间;所述缺陷区域识别模块根据所述灰度图中像素点所在的区域,获取所述区域在非缺陷情况下对应的标准灰度区间;确定所述灰度值不处于所述标准灰度区间的目标像素点,得到所述目标像素点构成的缺陷区域。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
模型训练模块,用于将携带有物体缺陷类别标签的目标物体的灰度图作为训练样本,输入初始的物体缺陷检测模型,其中,所述初始的物体缺陷检测模型基于深度学习神经网络构建得到;对所述初始的物体缺陷检测模型进行训练,得到物体缺陷检测模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
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权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090450.6A CN112241699B (zh) | 2020-10-13 | 物体缺陷类别识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090450.6A CN112241699B (zh) | 2020-10-13 | 物体缺陷类别识别方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241699A CN112241699A (zh) | 2021-01-19 |
CN112241699B true CN112241699B (zh) | 2024-07-05 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106770321A (zh) * | 2016-12-08 | 2017-05-31 | 广东工业大学 | 一种基于多阈值区间的塑料零件缺陷检测方法 |
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
CN107590511A (zh) * | 2017-08-30 | 2018-01-16 | 武汉华星光电技术有限公司 | 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106770321A (zh) * | 2016-12-08 | 2017-05-31 | 广东工业大学 | 一种基于多阈值区间的塑料零件缺陷检测方法 |
CN107590511A (zh) * | 2017-08-30 | 2018-01-16 | 武汉华星光电技术有限公司 | 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 |
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
CN113658132B (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN115294140B (zh) | 一种五金零件缺陷检测方法及系统 | |
CN110610475A (zh) | 一种深度卷积神经网络的视觉缺陷检测方法 | |
US20230014823A1 (en) | Defect detection in image space | |
CN112200121A (zh) | 基于evm和深度学习的高光谱未知目标检测方法 | |
CN115345894B (zh) | 一种焊缝射线检测图像分割方法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN116030237A (zh) | 工业缺陷检测方法、装置及电子设备、存储介质 | |
CN111598889A (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
CN113902641A (zh) | 一种基于红外图像的数据中心热区判别方法及系统 | |
CN111652846B (zh) | 一种基于特征金字塔卷积神经网络的半导体缺陷识别方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN106960188B (zh) | 天气图像分类方法及装置 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
CN112241699B (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
CN114080644A (zh) | 用于诊断小肠清洁度的系统和方法 | |
CN116704281A (zh) | 模型训练方法、装置、图像识别方法、计算机设备 | |
CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 | |
CN115082449A (zh) | 一种电子元器件缺陷检测方法 | |
CN112241699A (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |