CN112288723A - 缺陷检测方法、装置、计算机设备及存储介质 - Google Patents
缺陷检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112288723A CN112288723A CN202011191743.3A CN202011191743A CN112288723A CN 112288723 A CN112288723 A CN 112288723A CN 202011191743 A CN202011191743 A CN 202011191743A CN 112288723 A CN112288723 A CN 112288723A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- feature map
- point
- map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 134
- 238000001514 detection method Methods 0.000 title claims abstract description 128
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims description 247
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本公开提供了一种缺陷检测方法、装置、计算机设备及存储介质,其中,该方法包括:获取待检测图像、以及模板图像;对所述待检测图像进行特征提取,得到所述待检测图像的第一特征图,并对所述模板图像进行特征提取,得到与所述模板图像对应的第二特征图;将所述第一特征图、以及所述第二特征图进行特征混淆处理,得到特征融合图像;基于所述特征融合图像,得到所述待检测图像的缺陷检测结果。本公开实施例具有更高的缺陷检测精度。
Description
技术领域
本公开涉及图像处理技术领域,具体而言,涉及一种缺陷检测方法、装置、计算机设备及存储介质。
背景技术
随着科技的发展,现代制造业对于各种工业零件、产品的需求也日益增长。一些机械装置、电子元件本身质量也很大程度取决于一些零件是否符合要求。所以物体表面的缺陷检测也是标准化生产中的重要环节。当前基于神经网络的缺陷检测方法,一般利用大量标注了缺陷位置的样本图像对神经网络进行训练,然后利用训练好的神经网络,对物体的待检测图像进行缺陷检测。这种检测方法存在检测精度低的问题。
发明内容
本公开实施例至少提供一种缺陷检测方法、装置、计算机设备及存储介质。
第一方面,本公开实施例提供了一种缺陷检测方法,包括:获取待检测图像、以及模板图像;对所述待检测图像进行特征提取,得到所述待检测图像的第一特征图,并对所述模板图像进行特征提取,得到与所述模板图像对应的第二特征图;将所述第一特征图、以及所述第二特征图进行特征混淆处理,得到特征融合图像;基于所述特征融合图像,得到所述待检测图像的缺陷检测结果。
这样,通过将待处理图像的第一特征图和模板图像的第二特征图进行特征混淆处理,来减小第一特征图和第二特征图之间存在的生产误差、匹配误差、以及采集噪声等误差,然后能够利用特征融合图像,得到第一特征图的更精确的缺陷检测结果。
一种可能的实施方式中,所述对所述待检测图像进行特征提取,得到所述待检测图像的第一特征图包括:对所述待检测图像进行多级特征提取,获取与每级特征提取对应的第一特征图;所述对所述模板图像进行特征提取,得到与所述模板图像对应的第二特征图,包括:对所述模板图像进行多级特征提取,获取与每张所述第一特征图对应的第二特征图;所述将所述第一特征图、以及所述第二特征图进行特征混淆处理,得到特征融合图像,包括:针对每张第一特征图,对所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图进行特征混淆处理,得到所述每张第一特征图对应的特征融合图像。
这样,通过对待检测图像和模板图像分别进行多级特征提取,使得得到的特征融合图像中,包括了待检测图像和模板图像中的更多特征,进而基于特征融合图像确定待检测图像的缺陷检测结果时,具有更高的精度。
一种可能的实施方式中,基于所述特征融合图像,得到所述待检测图像的缺陷检测结果,包括:基于所述每张第一特征图对应的特征融合图像,得到所述每张第一特征图的缺陷检测结果;基于与多级特征提取分别对应的第一特征图的缺陷检测结果,得到所述待检测图像的缺陷检测结果。
这样,通过得到多级特征提取分别对应的缺陷检测结果,然后利用多级特征提取分别对应的缺陷检测结果确定的待检测图像的缺陷检测结果具有更高的检测精度。
一种可能的实施方式中,对所述待检测图像进行多级特征提取,获取与每级特征提取对应的中间特征图;针对所述每级特征提取为最后一级特征提取的情况,将最后一级特征提取对应的中间特征图,作为该最后一级特征提取对应的第一特征图;针对所述每级特征提取为除最后一级特征提取的其他级特征提取的情况,将与所述每级特征提取对应的中间特征图与该级特征提取的下一级特征提取对应的第一特征图进行特征融合,得到与所述每级特征提取对应的第一特征图。
这样,通过对待检测图像进行多级特征提取,使得不同级特征提取所得到的第一特征图中包含了待检测图像中不同的特征,进而使得基于多级特征提取分别对应的第一特征图的缺陷检测结果,确定的待检测图像的缺陷检测结果具有更高的检测精度。
一种可能的实施方式中,所述将与每级特征提取对应的中间特征图,与该级特征提取的下一级特征提取对应的第一特征图进行特征融合,得到与所述每级特征提取对应的第一特征图,包括:将与该级特征提取的下一级特征提取对应的第一特征图进行上采样,得到上采样向量;将所述上采样向量与该级特征提取对应的中间特征图进行叠加后,得到该级特征提取对应的第一特征图。
这样,通过上采样,统一第一特征图和对应中间特征图的维度,更方便二者的融合。
一种可能的实施方式中,所述对所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图进行特征混淆处理,包括:基于所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图,对所述第一特征图对应的第二特征图进行特征增强处理,得到该张第一特征图对应的第二特征图的特征增强图像;以及基于所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图,得到与所述每张第一特征图对应的注意力掩码图像;其中,所述注意力掩码图像中任一像素点的像素值,表征该第一特征图中位置与该任一像素点匹配的第一特征点存在缺陷的异常度值;基于所述特征增强图像、以所述注意力掩码图像,得到所述每张第一特征图对应的特征融合图像。
这样,特征增强,能够通过对模板图像的第二特征图进行特征增强,以减小由于待检测图像存在的采集噪声、匹配误差、以及生产误差,所带来的待检测图像和模板图像之间的差异,提升对待检测图像的缺陷检测精度。
另外,通过生成待检测图像的第一特征图对应的注意力掩码图像,该注意力掩码图像中的每个像素点的像素值,表征了在第一特征图中对应位置的第一特征点是否存在缺陷的异常度值,然后根据注意力掩码图像,确定第一特征图的缺陷检测结果,具有更高的检测精度。
一种可能的实施方式中,所述基于该张第一特征图、以及与该张第一特征图对应的第二特征图,对该张第一特征图对应的第二特征图进行特征增强处理,包括:针对该张第一特征图中的每个第一特征点,从该张第一特征图对应的第二特征图的多个第二特征点中,确定与该第一特征点对应的多个关联特征点;其中,该第一特征点对应的各个关联特征点,与该第一特征点位置匹配的目标第二特征点之间的距离满足预设条件;基于该第一特征点与每个关联特征点之间的相似度,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理。
这样,通过为每个第一特征点确定关联特征点,并基于多个关联特征点分别与对应第一特征点之间的相似度来确定该对应第三像素点异常度值,进而得到与该第三像素点对应的第二像素点的异常度值,使得第二像素点的异常度值受到模板图像中多个像素点的影响,以降低生产误差、匹配误差、采集噪声等对待检测图像中第二像素点的缺陷检测结果的影响,提升对待处理图像的缺陷检测精度。
一种可能的实施方式中,所述基于该第一特征点与每个关联特征点之间的相似度,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理,包括:基于该第一特征点与每个关联特征点之间的相似度、以及每个关联特征点的特征值,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理。
这样,通过关联特征点与第一特征点的相似度、以及每个关联特征点的特征值,重新确定第一特征点位置匹配的目标第二特征点的特征值,使得重新确定后的特征值能够降低与第一特征点之间存在的各种误差,以在基于特征增强图像进行缺陷检测时具有更高的检测精度。
一种可能的实施方式中,所述基于该第一特征点与每个关联特征点之间的相似度、以及每个关联特征点的特征值,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理,包括:基于该第一特征点与每个关联特征点之间的相似度,对该第一特征点对应的多个关联特征点分别对应的特征值进行加权求和,得到第一和值;对多个关联特征点分别对应的相似度进行求和,得到第二和值;将所述第一和值和所述第二和值的比值,作为对所述目标第二特征点进行特征增强处理后的特征值。
一种可能的实施方式中,所述基于该张第一特征图、以及与该张第一特征图对应的第二特征图,得到与该张第一特征图对应的注意力掩码图像,包括:针对该张第一特征图中的每个第一特征点,从该张第一特征图对应的第二特征图的多个第二特征点中,确定与该第一特征点对应的多个关联特征点;其中,该第一特征点对应的各个关联特征点,与该第一特征点位置匹配的目标第二特征点之间的距离满足预设条件;基于该第一特征点与每个关联特征点之间的相似度,确定该第一特征点的异常度值;基于所述第一特征图中各个第一特征点对应的异常度值,得到所述注意力掩码图像。
一种可能的实施方式中,所述基于该第一特征点与每个关联特征点之间的相似度,确定该第一特征点的异常度值,包括:确定多个关联特征点分别与该第一特征点之间的相似度的最大相似度;基于所述最大相似度,确定该第一特征点的异常度值。
一种可能的实施方式中,采用下述方式确定第一特征点、和与该第一特征点对应的任一关联特征点之间的相似度:基于所述第一特征点在所述第一特征图中的位置、以及预设的距离阈值,得到第一特征子图;以及基于与该第一特征点对应的任一关联特征点在所述第二特征图中的位置、以及所述距离阈值,得到第二特征子图;基于所述第一特征子图、以及所述第二特征子图,确定所述第一特征点与该第一特征点对应的该任一关联特征点之间的相似度。
一种可能的实施方式中,所述基于所述特征增强图像、以所述注意力掩码图像,得到该张第一特征图对应的特征融合图像,包括:对所述特征增强图像、以及该张第一特征图进行合并处理,得到该张第一特征图对应的合并特征图;基于所述注意力掩码图像、以及所述合并特征图,得到所述特征融合图像。
第二方面,本公开实施例还提供一种缺陷检测装置,包括:获取模块,用于获取待检测图像、以及模板图像;特征提取模块,用于对所述待检测图像进行特征提取,得到所述待检测图像的第一特征图,并对所述模板图像进行特征提取,得到与所述模板图像对应的第二特征图;特征混淆模块,用于将所述第一特征图、以及所述第二特征图进行特征混淆处理,得到特征融合图像;检测模块,用于基于所述特征融合图像,得到所述待检测图像的缺陷检测结果。
一种可能的实施方式中,所述特征提取模块,在对所述待检测图像进行特征提取,得到所述待检测图像的第一特征图时,用于对所述待检测图像进行多级特征提取,获取与每级特征提取对应的第一特征图;所述特征提取模块,在对所述模板图像进行特征提取,得到与所述模板图像对应的第二特征图时,用于对所述模板图像进行多级特征提取,获取与每张所述第一特征图对应的第二特征图;所述特征混淆模块,在将将所述第一特征图、以及所述第二特征图进行特征混淆处理,得到特征融合图像时,用于针对每张第一特征图,对所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图进行特征混淆处理,得到所述每张第一特征图对应的特征融合图像。
一种可能的实施方式中,检测模块,在基于所述特征融合图像,得到所述待检测图像的缺陷检测结果时,用于:基于所述每张第一特征图对应的特征融合图像,得到所述每张第一特征图的缺陷检测结果;基于与多级特征提取分别对应的第一特征图的缺陷检测结果,得到所述待检测图像的缺陷检测结果。
一种可能的实施方式中,所述特征提取模块,在对所述待检测图像进行多级特征提取,获取与每级特征提取对应的第一特征图时,用于:对所述待检测图像进行多级特征提取,获取与每级特征提取对应的中间特征图;针对所述每级特征提取为最后一级特征提取的情况,将最后一级特征提取对应的中间特征图,作为该最后一级特征提取对应的第一特征图;针对所述每级特征提取为除最后一级特征提取的其他级特征提取的情况,将与所述每级特征提取对应的中间特征图与该级特征提取的下一级特征提取对应的第一特征图进行特征融合,得到与所述每级特征提取对应的第一特征图。
一种可能的实施方式中,所述特征提取模块,在将与每级特征提取对应的中间特征图,与该级特征提取的下一级特征提取对应的第一特征图进行特征融合,得到与所述每级特征提取对应的第一特征图时,用于:将与该级特征提取的下一级特征提取对应的第一特征图进行上采样,得到上采样向量;将所述上采样向量与该级特征提取对应的中间特征图进行叠加后,得到该级特征提取对应的第一特征图。
一种可能的实施方式中,所述特征混淆模块,在对所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图进行特征混淆处理时,用于:
基于所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图,对所述第一特征图对应的第二特征图进行特征增强处理,得到该张第一特征图对应的第二特征图的特征增强图像;以及
基于所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图,得到与所述每张第一特征图对应的注意力掩码图像;其中,所述注意力掩码图像中任一像素点的像素值,表征该第一特征图中位置与该任一像素点匹配的第一特征点存在缺陷的异常度值;
基于所述特征增强图像、以所述注意力掩码图像,得到所述每张第一特征图对应的特征融合图像。
一种可能的实施方式中,所述特征混淆模块,在基于该张第一特征图、以及与该张第一特征图对应的第二特征图,对该张第一特征图对应的第二特征图进行特征增强处理时,用于:针对该张第一特征图中的每个第一特征点,从该张第一特征图对应的第二特征图的多个第二特征点中,确定与该第一特征点对应的多个关联特征点;其中,该第一特征点对应的各个关联特征点,与该第一特征点位置匹配的目标第二特征点之间的距离满足预设条件;基于该第一特征点与每个关联特征点之间的相似度,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理。
一种可能的实施方式中,所述特征混淆模块,在基于该第一特征点与每个关联特征点之间的相似度,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理时,用于:基于该第一特征点与每个关联特征点之间的相似度、以及每个关联特征点的特征值,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理。
一种可能的实施方式中,所述特征混淆模块,在基于该第一特征点与每个关联特征点之间的相似度、以及每个关联特征点的特征值,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理时,用于:基于该第一特征点与每个关联特征点之间的相似度,对该第一特征点对应的多个关联特征点分别对应的特征值进行加权求和,得到第一和值;对多个关联特征点分别对应的相似度进行求和,得到第二和值;将所述第一和值和所述第二和值的比值,作为对所述目标第二特征点进行特征增强处理后的特征值。
一种可能的实施方式中,所述特征混淆模块,在基于该张第一特征图、以及与该张第一特征图对应的第二特征图,得到与该张第一特征图对应的注意力掩码图像时,用于:针对该张第一特征图中的每个第一特征点,从该张第一特征图对应的第二特征图的多个第二特征点中,确定与该第一特征点对应的多个关联特征点;其中,该第一特征点对应的各个关联特征点,与该第一特征点位置匹配的目标第二特征点之间的距离满足预设条件;基于该第一特征点与每个关联特征点之间的相似度,确定该第一特征点的异常度值;基于所述第一特征图中各个第一特征点对应的异常度值,得到所述注意力掩码图像。
一种可能的实施方式中,所述特征混淆模块,在基于该第一特征点与每个关联特征点之间的相似度,确定该第一特征点的异常度值时,用于:确定多个关联特征点分别与该第一特征点之间的相似度的最大相似度;基于所述最大相似度,确定该第一特征点的异常度值。
一种可能的实施方式中,所述特征混淆模块,用于采用下述方式确定第一特征点、和与该第一特征点对应的任一关联特征点之间的相似度:基于所述第一特征点在所述第一特征图中的位置、以及预设的距离阈值,得到第一特征子图;以及基于与该第一特征点对应的任一关联特征点在所述第二特征图中的位置、以及所述距离阈值,得到第二特征子图;基于所述第一特征子图、以及所述第二特征子图,确定所述第一特征点与该第一特征点对应的该任一关联特征点之间的相似度。
一种可能的实施方式中,所述特征混淆模块,在基于所述特征增强图像、以所述注意力掩码图像,得到该张第一特征图对应的特征融合图像时,用于:对所述特征增强图像、以及该张第一特征图进行合并处理,得到该张第一特征图对应的合并特征图;基于所述注意力掩码图像、以及所述合并特征图,得到所述特征融合图像。
第三方面,本公开实施例还提供一种计算机设备,包括:相互连接的处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述机器可读指令被所述处理器执行以实现上述第一方面,或第一方面中任一种可能的实施方式中的缺陷检测方法。
第四方面,本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面中任一种可能的实施方式中的缺陷检测方法。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,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示出了本公开实施例所提供的一种缺陷检测方法的流程图;
图2示出了本公开实施例所提供的利用神经网络实现缺陷检测的示意图;
图3示出了本公开实施例所提供的对第一特征图、以及与该张第一特征图对应的第二特征图进行特征混淆处理的具体方法的流程图;
图4示出了本公开实施例所提供的一种特征混淆网络的结构示意图;
图5示出了本公开实施例所提供的一种缺陷检测装置的示意图;
图6示出了本公开实施例所提供的一种计算机设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
经研究发现,对物体表面缺陷进行检测的方法通常有以下两种:
(1)无模板方法,该方法通常使用简单的图像处理来获取待检测对象的待检测图像中存在缺陷的位置和缺陷的类别;此外,还可以利用大量的样本来训练神经网络模型,从而将待检测对象的待检测图像输入至训练好的神经网络模型中,得到待检测对象的待检测图像的缺陷检测结果。这种无模板的方式由于缺少了模板图像中的相关信息,由于无法区分设计的零件和有缺陷的零件,可能会召回大量错误的检测目标。
(2)有模板方法,该方法利用模板图像和待检测对象的待检测图像对缺陷进行定位和分类;但由于在待检测对象生产过程中,常常造成待检测对象存在一定的生产误差;另外在将待检测对象的待检测图像和模板图像进行比对时,也会存在图像之间的匹配误差;此外,待检测图像在采集过程也可能存在采集噪声;这些误差导致了当前对零件缺陷检测结果存在大量误检区域,造成缺陷检测精度的下降。
因此,当前对待检测对象进行缺陷检测的方法均存在检测精度低的问题。
基于上述研究,本公开提供了一种缺陷检测方法及装置,通过对待检测图像进行多级特征提取,获取与每级特征提取对应的第一特征图图像,并对模板图像进行多级特征提取,获取每张第一特征图对应的第二特征图,然后针对每张第一特征图,对该张第一特征图、以及与该张第一特征图对应的第二特征图,进行特征混淆处理,得到该张第一特征图对应的特征融合图像,从而通过将待处理图像和模板图像中特征的融合,来减小第一特征图和第二特征图之间存在的生产误差、匹配误差、以及采集噪声等误差,然后利用特征融合图像,得到第一特征图的缺陷检测结果,进而综合多级特征提取分别对应的第一特征图的缺陷检测结果,以更高的精度获得待检测图像的缺陷检测结果。
针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案,都应该是发明人在本公开过程中对本公开做出的贡献。
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。
为便于对本实施例进行理解,首先对本公开实施例所公开的一种缺陷检测方法进行详细介绍,本公开实施例所提供的缺陷方法的执行主体一般为具有一定计算能力的计算机设备,计算机设备例如包括:终端设备或服务器或其它处理设备,终端设备可以为专用于进行质量检测的设备,也可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
另外,本公开实施例提供的缺陷检测方法除了能够用于待检测对象进行缺陷检测外,还可以对其他物品进缺陷检测,例如工件、机器部件等。
下面以对待检测对象进行缺陷检测为例对本公开实施例提供的缺陷检测方法加以说明。
参见图1所示,为本公开实施例提供的缺陷检测方法的流程图,所述方法包括步骤S101~S104,其中:
S101:获取待检测图像、以及模板图像;
S102:对所述待检测图像进行特征提取,得到所述待检测图像的第一特征图,并对所述模板图像进行特征提取,得到与所述模板图像对应的第二特征图;
S103:将所述第一特征图、以及所述第二特征图进行特征混淆处理,得到特征融合图像;
S104:基于所述特征融合图像,得到所述待检测图像的缺陷检测结果。
下面对上述S101~S104加以详细说明。
I:在上述S101中,模板图像,是指在工业生产中作为标准的设计图纸,或对待检测对象进行缺陷检测时所用的对合格的对象拍摄的图像,此处,合格的对象,即为不存在缺陷的对象。待检测图像,是指对待检测对象获取的图像。
示例性的,待检测对象例如包括:各类机械零件、材料、印制电路板、电子元器件等中至少一种。
以将零件作为待检测对象为例:
在对待检测零件进行缺陷检测时,例如首先可以获取待检测零件的型号或者标识;然后根据零件的型号或者标识,从预先构建的模板图像库中,获取与待检测零件对应的模板图像;又例如,在模板图像库中不存在待检测零件的模板图像时,例如可以首先从多个待检测零件中确定一未存在缺陷的模板零件,然后获取该模板零件的图像,以得到模板图像。
待检测图像例如可以通过缺陷检测设备上设置的图像采集模组来获取,也可以接收其他设备传输的待检测图像。
II:在上述S102中,对待处理图像进行特征提取,例如可以采用下述方式:
对所述待检测图像进行多级特征提取,获取与每级特征提取对应的第一特征图。
示例性的,每一级特征提取均能够得到待处理图像的一张中间特征图。其中,对于任意相邻的两级特征提取,前一级特征提取得到的中间特征图,为后一级特征提取的输入,也即,后一级特征提取基于前一级特征提取得到的中间特征图进行该后一级特征提取,得到该后一级特征提取的中间特征图。针对多级特征提取中的最后一级特征提取,将最后一级特征提取对应的中间特征图,作为该最后一级特征提取对应的第一特征图;针对多级特征提取中除最后一级特征提取的其他级特征提取,将与每级特征提取对应的中间特征图,与该级特征提取的下一级特征提取对应的第一特征图进行特征融合,得到与所述每级特征提取对应的第一特征图。
在将与每级特征提取对应的中间特征图,与该级特征提取的下一级特征提取对应的第一特征图进行特征融合时,若该级特征提取的下一级特征提取对应的第一特征图的尺寸,小于该级特征提取对应的中间特征图,则将该级特征提取的下一级特征提取对应的第一特征图进行上采样,得到上采样图像,该上采样图像的尺寸,与该级特征提取对应的中间特征图的尺寸一致,后将该上采样图像和该级特征提取对应的中间特征图叠加后,得到该级特征提取对应的第一特征图。
在将与每级特征提取对应的中间特征图,与该级特征提取的下一级特征提取对应的第一特征图进行特征融合时,若该级特征提取的下一级特征提取对应的第一特征图的尺寸,等于该级特征提取对应的中间特征图,则例如可以直接将该级特征提取的下一级特征提取对应的第一特征图、和该级特征提取对应的中间特征图进行叠加,得到该级特征提取对应的第一特征图。
在本公开一种实施例中,例如可以利用预先训练的特征提取网络对待检测图像进行多级特征提取。
示例性的,参见图2所示,本公开实施例还提供一种特征提取网络的结构示例,包括:四级网络层,该四级网络层从前向后依次包括:第一级网络层、第二级网络层、第三级网络层、以及第四级网络层。
通过上述四级网络层对待处理图像A进行四级特征提取,每级网络层均能够输出与该级网络层对应的中间特征图,其中,第一级网络层对待检测图像进行第一级特征提取,得到中间特征图A1,第二级网络层对中间特征图A1进行第二级特征提取,得到中间特征图A2;第三级网络层对中间特征图A2进行第三级特征提取,得到中间特征图A3;第四级网络层对中间特征图A3进行第四级特征提取,得到中间特征图A4。
针对第四级网络层,将中间特征图A4作为第四级特征提取对应的第一特征图A4’;
针对第三级网络层,将第四级特征提取对应的第一特征图A4’进行上采样后,与第三级特征提取对应的中间特征图A3进行叠加,得到第三级特征提取对应的第一特征图A3’。
针对第二级网络层,将第三级特征提取对应的第一特征图A3’进行上采样后,与第二级特征提取对应的中间特征图A2进行叠加,得到第二级特征提取对应的第一特征图A2’。
针对第一级网络层,将第二级特征提取对应的第一特征图A2’进行上采样后,与第一级特征提取对应的中间特征图A1进行叠加,得到第一级特征提取对应的第一特征图A1’。
在对模板图像进行特征提取时,例如也可以对模板图像进行多级特征提取,获取与每张第一特征图对应的第二特征图;获取第二特征图的过程与获取第一特征图的过程类似,在此不再赘述。
此处,例如可以采用预先训练的特征提取网络对模板图像进行多级特征提取,以得到多级特征提取分别对应的第二特征图。
此处,该特征提取网络,与上述得到第一特征图的特征提取网络可以是同一网络,也可以是孪生网络的两个特征提取分支。在两个特征提取网络为孪生网络的两个特征提取分支的情况下,两个特征提取分支的参数相同。
示例性的,参见图2所示的示例中,得到第二特征图的特征提取网络与得到第一特征凸显的特征提取网络为孪生网络的两个特征提取分支。
用于得到第二特征图的特征提取网络,与用于得到第一特征图的特征提取网络相同,也包括四级网络层,四级网络层从前向后依次包括:第一级网络层、第二级网络层、第三级网络层、以及第四级网络层。
通过上述四级网络层对模板图像B进行四级特征提取,每级网络层均能够输出与该级网络层对应的中间特征图,其中,第一级网络层对模板图像进行第一级特征提取,得到中间特征图B1,第二级网络层对中间特征图B1进行第二级特征提取,得到中间特征图B2;第三级网络层对中间特征图B2进行第三级特征提取,得到中间特征图B3;第四级网络层对中间特征图B3进行第四级特征提取,得到中间特征图B4。
针对第四级网络层,将中间特征图B4作为第四级特征提取对应的第二特征图B4’;
针对第三级网络层,将第四级特征提取对应的第二特征图B4’进行上采样后,与第三级特征提取对应的中间特征图B3进行叠加,得到第三级特征提取对应的第二特征图B3’。
针对第二级网络层,将第三级特征提取对应的第二特征图B3’进行上采样后,与第二级特征提取对应的中间特征图B2进行叠加,得到第二级特征提取对应的第二特征图B2’。
针对第一级网络层,将第二级特征提取对应的第二特征图B2’进行上采样后,与第一级特征提取对应的中间特征图B1进行叠加,得到第一级特征提取对应的第二特征图B1’。
在本公开另一实施例中,在对多个相同的零件进行缺陷检测时,由于多个零件对应的模板图像一般情况下都相同,因此,可以针对多个相同的零件所对应的同一模板图像,可以只进行一次多级特征提取的过程,并在得到多级特征提取分别对应的第二特征图后,将各级特征提取分别对应的第二特征图保存在执行主体的预设存储位置。在对某个零件进行缺陷检测时,若当前存在该零件对应的模板图像的第二特征图,可以直接从预设存储位置中读取,而不需要再次对模板图像进行多级特征提取。
在另一实施例中,也可以对待检测图像进行至少一级特征提取,将最后一级特征提取的输出,作为待检测图像的第一特征图;对模板图像进行至少一级特征提取,将最后一级特征提取的输出,作为模板图像的第二特征图
III:在上述S103中,在将第一特征图和第二特征图进行特征混淆处理的时候,例如可以针对每张第一特征图,对所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图进行特征混淆处理,得到所述每张第一特征图对应的特征融合图像。
示例性的,参见图3所示,本公开实施例还提供一种对第一特征图、以及与该张第一特征图对应的第二特征图进行特征混淆处理的具体方法,包括:
S301:基于该张第一特征图、以及与该张第一特征图对应的第二特征图,对该张第一特征图对应的第二特征图进行特征增强处理,得到该张第一特征图对应的第二特征图的特征增强图像。
在具体实施中,例如可以采用下述方式对该张第一特征图对应的第二特征图进行特征增强处理:
针对该张第一特征图中的每个第一特征点,从该张第一特征图对应的第二特征图的多个第二特征点中,确定与该第一特征点对应的多个关联特征点;其中,该第一特征点对应的各个关联特征点,与该第一特征点位置匹配的目标第二特征点之间的距离满足预设条件;基于该第一特征点与每个关联特征点之间的相似度,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理。
示例性的,针对每个第一特征点,若第一特征图和第二特征图的尺寸均为m×m,其中:
对于第一特征图中的任一第一特征点aij,与之位置匹配的目标第二特征点为:bij。
任一第一特征点对应的多个关联特征点,例如是在第二特征图中,与目标第二特征点之间的距离小于预设的某一距离阈值的第二特征点。
示例性的,该距离例如为L1距离、L2距离、欧式距离、曼哈顿距离中任一种。
在为每个第一特征点确定多个关联特征点时,首先从第二特征图中,为该第一特征点确定位置匹配的目标第二特征点,然后将第二特征图中,与目标第二特征点之间的距离满足预设条件的所有第二特征点均作为该第一特征点对应的多个关联特征点。也可以将第二特征图中,与目标第二特征点之间的距离满足预设条件的所有第二特征点作为备选特征点,然后按照随机采样、或者均匀间隔采样的方式,从多个备选特征点中确定多个关联特征点。
在确定了第一特征点的多个关联特征点后,例如可以采用下述方式确定各个关联特征点和第一特征点之间的相似度:
基于所述第一特征点在所述第一特征图中的位置、以及预设的距离阈值,得到第一特征子图;以及基于与该第一特征点对应的任一关联特征点在所述第二特征图中的位置、以及所述距离阈值,得到第二特征子图;基于所述第一特征子图、以及所述第二特征子图,确定所述第一特征点与该第一特征点对应的该任一关联特征点之间的相似度。
在一种可能的实施方式中,在确定第一特征点对应的第一特征子图时,例如可以在第一特征图上,以所述第一特征点为圆心、以该预设的距离阈值为半径的第一圆形区域,基于所述第一特征图上位于该第一圆形区域内的第一特征点,得到所述第一特征子图。
此处,第一特征子图中的第一特征点,可以包括位于第一圆形区域内的所有第一特征点,也可以仅仅包括位于第一圆形区域内的部分第一特征点。
类似的,在确定任一关联特征点对应的第二特征子图时,例如可以在所述第二特征图上,确定以该任一每个关联特征点为圆心、以该预设的距离阈值为半径的第二圆形区域,并基于所述第二特征图上位于该第二圆形区域内的第二特征点,得到所述第二特征子图。
此处,第二特征子图中的第二特征点,可以包括位于第二圆形区域内的所有第二特征点,也可以仅仅包括位于第二圆形区域内的部分第二特征点。
示例性的,在第一特征子图中的第一特征点仅仅包括位于第一圆形区域内的部分第一特征点时,第二特征子图中的第二特征点也仅仅包括第二圆形区域内的部分第二特征点;且第一特征子图中的第一特征点和第二子图中的第二特征点位置一一匹配。
在另一种可能的实施方式中,在确定第一特征点对应的第一特征子图时,例如可以在所述第一特征图上,确定以第一特征点为中心、以确定的所述目标边长为边长的第一正方形区域,基于所述第一特征图上位于该第一正方形区域内的第一特征点,得到所述第一特征子图。
在确定第一特征点对应的第一特征子图时,第一特征子图包括的第一特征点,例如包括位于第一正方形区域内的所有第一特征点,也可以仅仅包括位于第一正方形区域内的部分第一特征点。
类似的,在确定任一关联特征点对应的第二特征子图时,例如还可以基于所述距离阈值,确定目标边长;在所述第二特征图上,确定以所述每个关联特征点为中心、以确定的所述目标边长为边长的第二正方形区域,基于所述第二特征图上位于该第二正方形区域内的第二特征点,得到所述第二特征子图。
在确定关联特征点对应的第二特征子图时,第二特征子图包括的第二特征点,例如包括位于第二正方形区域内的所有第二特征点,也可以仅仅包括位于第二正方形区域内的部分第二特征点。
在得到第一特征子图和第二特征子图后,基于第一特征子图确定第一特征点和该第一特征点对应的任一关联特征点之间的相似度。
示例性的,若与任一第一特征点对应的关联特征点有N个,则该第一特征点和第n个关联特征点之间的相似度满NCCn足下述公式(1):
其中,patchA表示第一特征子图;PatchBn表示第n个关联特征点的第二特征子图;patchA*PatchBn表示将第一特征子图和第n个关联特征点的第二特征子图进行矩阵乘法;sum(·)表示将矩阵中所有元素的元素值求和。
在得到第一特征点和每个关联特征点之间的相似度后,例如可以基于该第一特征点与每个关联特征点之间的相似度、以及每个关联特征点的特征值,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理。
示例性的,例如可以基于所述每个关联特征点与第一特征点之间的相似度,对多个所述关联特征点分别对应的特征值进行加权求和,得到第一和值;以及,对多个关联特征点分别对应的相似度进行求和,得到第二和值;将所述第一和值和所述第二和值的比值,作为对与第一特征点位置匹配的目标第二特征点进行特征增强处理后的特征值。
示例性的,对于任一第一特征点,对该第一特征点位置匹配的目标第二特征点进行特征增强处理后的特征值ft(B)2满足下述公式(2):
其中,ft(B)′n表征第n个关联特征点对应的特征值。
在针对第一特征图中的每个第一特征点位置匹配的目标第二特征点分别进行特征增强后,得到第二特征图的特征增强图像。
本公开实施例提供的特征混淆处理的过程还包括:
S302:基于该张第一特征图、以及与该张第一特征图对应的第二特征图,得到与该张第一特征图对应的注意力掩码图像;其中,所述注意力掩码图像中任一像素点的像素值,表征该第一特征图中位置与该任一像素点匹配的第一特征点存在缺陷的异常度值。
这里,需要注意的是,上述S301和S302并无先后逻辑关系。
在具体实施中,例如可以采用下述方式得到与任一张第一特征图对应的注意力掩码图像:针对该张第一特征图中的每个第一特征点,从该张第一特征图对应的第二特征图的多个第二特征点中,确定与该第一特征点对应的多个关联特征点;其中,该第一特征点对应的各个关联特征点,与该第一特征点位置匹配的目标第二特征点之间的距离满足预设条件;基于该第一特征点与每个关联特征点之间的相似度,确定该第一特征点的异常度值。
此处,第一特征点对应的关联特征点的具体方式、以及确定第一特征点与关联特征点之间的相似度的方式,与上述S301中类似,在此不再赘述。
在确定了第一特征点与每个关联特征点之间的相似度后,例如可以确定多个关联特征点分别与该第一特征点之间的相似度的最大相似度;基于所述最大相似度,确定该第一特征点的异常度值。
任一第一特征点的异常度值S例如满足下述公式(3):
S=1-λ×H (3)
其中,H表示最大相似度。λ为预设系数,例如为1、0.5等。具体可以根据实际的需要进行设定。
又例如,可以根据多个关联像素点分别与该第一像素点之间的相似度,确定相似度均值,并基于该相似度均值,确定该第一像素点的异常度值。
在确定了第一特征图中每个第一特征点对应的异常度值后,基于所述第一特征图中各个第一特征点对应的异常度值,得到所述注意力掩码图像;此时,例如可以将所有第一特征点分别对应的异常度值构成的图像,作为注意力掩码图像。
S303:基于所述特征增强图像、以所述注意力掩码图像,得到该张第一特征图对应的特征融合图像。
此处,例如可以对所述特征增强图像、以及该张第一特征图进行合并处理,得到该张第一特征图对应的合并特征图;后基于所述注意力掩码图像、以及所述合并特征图,得到所述特征融合图像。
在具体实施中,例如可以将特征增强图像和第一特征图进行叠加,得到合并特征图。
在基于注意力掩码图像、以及合并特征图得到特征融合图像时,例如可以对将注意力掩码图像和合并特征图进行矩阵相乘,得到特征融合图像。
在本公开实施例中,对第一特征图和阈值对应的第二特征图进行特征混淆处理的具体过程,例如可以利用预先训练的特征混淆网络来实现。
示例性的,参见图4所示,本公开实施例还提供一种特征混淆网络的具体结构,包括:特征增强模块、以及异常注意力模块。
其中,异常注意力模块,用于基于上述S302提供的方法,得到第一特征图的注意力掩码图像。特征增强模块,用于基于上述S302提供的方法,得到与第一特征图对应的第二特征图对应的特征增强图像。
然后将特征增强图像、和第一特征图进行叠加,得到合并特征图;并基于注意力掩码图像和合并特征图,得到特征融合图像。
在另一实施例中,若第一特征图和第二特征图均仅有一个,也可以按照与上述类似的方式将第一特征图和第二特征图进行特征混淆处理,得到特征融合图像,具体的特征混淆处理方法在此不再赘述。
IV:在上述S104中,在基于特征融合图像,得到所述待检测图像的缺陷检测结果时,在得到多级特征处理分别对应的第一特征图和第二特征图的情况下,例如可以基于所述每张第一特征图对应的特征融合图像,得到所述每张第一特征图的缺陷检测结果;基于与多级特征提取分别对应的第一特征图的缺陷检测结果,得到所述待检测图像的缺陷检测结果。
示例性的可以采用预先训练的检测网络,对特征融合图像进行缺陷检测处理,得到与待检测图像对应的缺陷检测结果。公开实施例提供的检测网络例如采用全卷积逐像素目标检测(Fully Convolutional One-Stage Object Detection,FCOS)网络。其中FCOS网络能够缺陷类别、缺陷中心度、缺陷框在第一特征图中的位置。
其中,缺陷中心度用于第一特征图中的某个特征点为缺陷框中心的概率。
缺陷框的在第一特征图中的位置,指示了第一特征图中存在缺陷的位置。
示例性的,如图2所示的示例中,通过FCOS检测头,得到四级特征提取分别对应的第一特征图的缺陷检测结果,该缺陷检测结果包括:缺陷类别、缺陷中心度、缺陷框的位置。
在得到多级特征提取中每一级特征提取对应的第一特征图的检测结果后,例如可以采用非极大抑制法(Non-Maximum Suppression,NMS)将多级特征提取分别对应的第一特征图的检测结果进行合并处理,得到待检测图像的缺陷检测结果。
又例如,还可以取多级特征提取分别对应的第一特征图的检测结果的交集,来确定待检测图像的缺陷检测结果。
本公开实施例通过对待检测图像进行多级特征提取,获取与每级特征提取对应的第一特征图图像,并对模板图像进行多级特征提取,获取每张第一特征图对应的第二特征图,然后针对每张第一特征图,对该张第一特征图、以及与该张第一特征图对应的第二特征图,进行特征混淆处理,得到该张第一特征图对应的特征融合图像,从而通过将待处理图像和模板图像中特征的融合,来减小第一特征图和第二特征图之间存在的生产误差、匹配误差、以及采集噪声等误差,然后利用特征融合图像,得到第一特征图的缺陷检测结果,进而综合多级特征提取分别对应的第一特征图的缺陷检测结果,以更高的精度获得待检测图像的缺陷检测结果。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思,本公开实施例中还提供了与缺陷检测方法对应的缺陷检测装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述缺陷检测方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图5所示,为本公开实施例提供的一种缺陷检测装置的示意图,所述装置包括:获取模块51、特征提取模块52、特征混淆模块53、以及检测模块54;其中,
获取模块51,用于获取待检测图像、以及模板图像;
特征提取模块52,用于对所述待检测图像进行特征提取,得到所述待检测图像的第一特征图,并对所述模板图像进行特征提取,得到与所述模板图像对应的第二特征图;
特征混淆模块53,用于将所述第一特征图、以及所述第二特征图进行特征混淆处理,得到特征融合图像;
检测模块54,用于基于所述特征融合图像,得到所述待检测图像的缺陷检测结果。
一种可能的实施方式中,所述特征提取模块52,在对所述待检测图像进行特征提取,得到所述待检测图像的第一特征图时,用于对所述待检测图像进行多级特征提取,获取与每级特征提取对应的第一特征图;所述特征提取模块52,在对所述模板图像进行特征提取,得到与所述模板图像对应的第二特征图时,用于对所述模板图像进行多级特征提取,获取与每张所述第一特征图对应的第二特征图;所述特征混淆模块53,在将将所述第一特征图、以及所述第二特征图进行特征混淆处理,得到特征融合图像时,用于针对每张第一特征图,对所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图进行特征混淆处理,得到所述每张第一特征图对应的特征融合图像。
一种可能的实施方式中,检测模块54,在基于所述特征融合图像,得到所述待检测图像的缺陷检测结果时,用于:基于所述每张第一特征图对应的特征融合图像,得到所述每张第一特征图的缺陷检测结果;基于与多级特征提取分别对应的第一特征图的缺陷检测结果,得到所述待检测图像的缺陷检测结果。
一种可能的实施方式中,所述特征提取模块52,在对所述待检测图像进行多级特征提取,获取与每级特征提取对应的第一特征图时,用于:对所述待检测图像进行多级特征提取,获取与每级特征提取对应的中间特征图;针对所述每级特征提取为最后一级特征提取的情况,将最后一级特征提取对应的中间特征图,作为该最后一级特征提取对应的第一特征图;针对所述每级特征提取为除最后一级特征提取的其他级特征提取的情况,将与所述每级特征提取对应的中间特征图与该级特征提取的下一级特征提取对应的第一特征图进行特征融合,得到与所述每级特征提取对应的第一特征图。
一种可能的实施方式中,所述特征提取模块52,在将与每级特征提取对应的中间特征图,与该级特征提取的下一级特征提取对应的第一特征图进行特征融合,得到与所述每级特征提取对应的第一特征图时,用于:将与该级特征提取的下一级特征提取对应的第一特征图进行上采样,得到上采样向量;将所述上采样向量与该级特征提取对应的中间特征图进行叠加后,得到该级特征提取对应的第一特征图。
一种可能的实施方式中,所述特征混淆模块53,在对所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图进行特征混淆处理时,用于:基于所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图,对所述第一特征图对应的第二特征图进行特征增强处理,得到该张第一特征图对应的第二特征图的特征增强图像;以及基于所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图,得到与所述每张第一特征图对应的注意力掩码图像;其中,所述注意力掩码图像中任一像素点的像素值,表征该第一特征图中位置与该任一像素点匹配的第一特征点存在缺陷的异常度值;基于所述特征增强图像、以所述注意力掩码图像,得到所述每张第一特征图对应的特征融合图像。
一种可能的实施方式中,所述特征混淆模块53,在基于该张第一特征图、以及与该张第一特征图对应的第二特征图,对该张第一特征图对应的第二特征图进行特征增强处理时,用于:针对该张第一特征图中的每个第一特征点,从该张第一特征图对应的第二特征图的多个第二特征点中,确定与该第一特征点对应的多个关联特征点;其中,该第一特征点对应的各个关联特征点,与该第一特征点位置匹配的目标第二特征点之间的距离满足预设条件;基于该第一特征点与每个关联特征点之间的相似度,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理。
一种可能的实施方式中,所述特征混淆模块53,在基于该第一特征点与每个关联特征点之间的相似度,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理时,用于:基于该第一特征点与每个关联特征点之间的相似度、以及每个关联特征点的特征值,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理。
一种可能的实施方式中,所述特征混淆模块53,在基于该第一特征点与每个关联特征点之间的相似度、以及每个关联特征点的特征值,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理时,用于:基于该第一特征点与每个关联特征点之间的相似度,对该第一特征点对应的多个关联特征点分别对应的特征值进行加权求和,得到第一和值;对多个关联特征点分别对应的相似度进行求和,得到第二和值;将所述第一和值和所述第二和值的比值,作为对所述目标第二特征点进行特征增强处理后的特征值。
一种可能的实施方式中,所述特征混淆模块53,在基于该张第一特征图、以及与该张第一特征图对应的第二特征图,得到与该张第一特征图对应的注意力掩码图像时,用于:针对该张第一特征图中的每个第一特征点,从该张第一特征图对应的第二特征图的多个第二特征点中,确定与该第一特征点对应的多个关联特征点;其中,该第一特征点对应的各个关联特征点,与该第一特征点位置匹配的目标第二特征点之间的距离满足预设条件;基于该第一特征点与每个关联特征点之间的相似度,确定该第一特征点的异常度值;基于所述第一特征图中各个第一特征点对应的异常度值,得到所述注意力掩码图像。
一种可能的实施方式中,所述特征混淆模块53,在基于该第一特征点与每个关联特征点之间的相似度,确定该第一特征点的异常度值时,用于:确定多个关联特征点分别与该第一特征点之间的相似度的最大相似度;基于所述最大相似度,确定该第一特征点的异常度值。
一种可能的实施方式中,所述特征混淆模块53,用于采用下述方式确定第一特征点、和与该第一特征点对应的任一关联特征点之间的相似度:基于所述第一特征点在所述第一特征图中的位置、以及预设的距离阈值,得到第一特征子图;以及基于与该第一特征点对应的任一关联特征点在所述第二特征图中的位置、以及所述距离阈值,得到第二特征子图;基于所述第一特征子图、以及所述第二特征子图,确定所述第一特征点与该第一特征点对应的该任一关联特征点之间的相似度。
一种可能的实施方式中,所述特征混淆模块53,在基于所述特征增强图像、以所述注意力掩码图像,得到该张第一特征图对应的特征融合图像时,用于:对所述特征增强图像、以及该张第一特征图进行合并处理,得到该张第一特征图对应的合并特征图;基于所述注意力掩码图像、以及所述合并特征图,得到所述特征融合图像。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
本公开实施例还提供了一种计算机设备10,如图6所示,为本公开实施例提供的计算机设备10结构示意图,包括:
处理器11和存储器12;所述存储器12存储有所述处理器11可执行的机器可读指令,当计算机设备运行时,所述机器可读指令被所述处理器执行以实现下述步骤:
获取待检测图像、以及模板图像;
对所述待检测图像进行多级特征提取,获取与每级特征提取对应的第一特征图,并对所述模板图像进行多级特征提取,获取与每张所述第一特征图对应的第二特征图;
针对每张第一特征图,对该张第一特征图、以及与该张第一特征图对应的第二特征图进行特征混淆处理,得到该张第一特征图对应的特征融合图像;
基于所述特征融合图像,得到该张第一特征图的缺陷检测结果;
基于与多级特征提取分别对应的第一特征图的缺陷检测结果,得到所述待检测图像的缺陷检测结果。
上述指令的具体执行过程可以参考本公开实施例中所述的缺陷检测方法的步骤,此处不再赘述。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的缺陷检测方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例所提供的缺陷检测方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的缺陷检测方法的步骤,具体可参见上述方法实施例,在此不再赘述。
本公开实施例还提供一种计算机程序,该计算机程序被处理器执行时实现前述实施例的任意一种方法。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software DevelopmentKit,SDK)等等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开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)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应所述以权利要求的保护范围为准。
Claims (16)
1.一种缺陷检测方法,其特征在于,包括:
获取待检测图像、以及模板图像;
对所述待检测图像进行特征提取,得到所述待检测图像的第一特征图,并对所述模板图像进行特征提取,得到与所述模板图像对应的第二特征图;
将所述第一特征图、以及所述第二特征图进行特征混淆处理,得到特征融合图像;
基于所述特征融合图像,得到所述待检测图像的缺陷检测结果。
2.根据权利要求1所述的缺陷检测方法,其特征在于,所述对所述待检测图像进行特征提取,得到所述待检测图像的第一特征图,包括:
对所述待检测图像进行多级特征提取,获取与每级特征提取对应的第一特征图;
所述对所述模板图像进行特征提取,得到与所述模板图像对应的第二特征图,包括:
对所述模板图像进行多级特征提取,获取与每张所述第一特征图对应的第二特征图;
所述将所述第一特征图、以及所述第二特征图进行特征混淆处理,得到特征融合图像,包括:
针对每张第一特征图,对所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图进行特征混淆处理,得到所述每张第一特征图对应的特征融合图像。
3.根据权利要求2所述的缺陷检测方法,其特征在于,所述基于所述特征融合图像,得到所述待检测图像的缺陷检测结果,包括:
基于所述每张第一特征图对应的特征融合图像,得到所述每张第一特征图的缺陷检测结果;
基于与多级特征提取分别对应的第一特征图的缺陷检测结果,得到所述待检测图像的缺陷检测结果。
4.根据权利要求2或3所述的缺陷检测方法,其特征在于,所述对所述待检测图像进行多级特征提取,获取与每级特征提取对应的第一特征图,包括:
对所述待检测图像进行多级特征提取,获取与每级特征提取对应的中间特征图;
针对所述每级特征提取为最后一级特征提取的情况,将最后一级特征提取对应的中间特征图,作为该最后一级特征提取对应的第一特征图;
针对所述每级特征提取为除最后一级特征提取的其他级特征提取的情况,将与所述每级特征提取对应的中间特征图与该级特征提取的下一级特征提取对应的第一特征图进行特征融合,得到与所述每级特征提取对应的第一特征图。
5.根据权利要求4所述的缺陷检测方法,其特征在于,所述将与每级特征提取对应的中间特征图,与该级特征提取的下一级特征提取对应的第一特征图进行特征融合,得到与所述每级特征提取对应的第一特征图,包括:
将与该级特征提取的下一级特征提取对应的第一特征图进行上采样,得到上采样向量;
将所述上采样向量与该级特征提取对应的中间特征图进行叠加后,得到该级特征提取对应的第一特征图。
6.根据权利要求2-5任一项所述的缺陷检测方法,其特征在于,所述对所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图进行特征混淆处理,包括:
基于所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图,对所述第一特征图对应的第二特征图进行特征增强处理,得到该张第一特征图对应的第二特征图的特征增强图像;以及
基于所述每张第一特征图、以及与所述每张第一特征图对应的第二特征图,得到与所述每张第一特征图对应的注意力掩码图像;其中,所述注意力掩码图像中任一像素点的像素值,表征该第一特征图中位置与该任一像素点匹配的第一特征点存在缺陷的异常度值;
基于所述特征增强图像、以所述注意力掩码图像,得到所述每张第一特征图对应的特征融合图像。
7.根据权利要求6所述的缺陷检测方法,其特征在于,所述基于该张第一特征图、以及与该张第一特征图对应的第二特征图,对该张第一特征图对应的第二特征图进行特征增强处理,包括:
针对该张第一特征图中的每个第一特征点,从该张第一特征图对应的第二特征图的多个第二特征点中,确定与该第一特征点对应的多个关联特征点;其中,该第一特征点对应的各个关联特征点,与该第一特征点位置匹配的目标第二特征点之间的距离满足预设条件;
基于该第一特征点与每个关联特征点之间的相似度,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理。
8.根据权利要求7所述的缺陷检测方法,其特征在于,所述基于该第一特征点与每个关联特征点之间的相似度,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理,包括:
基于该第一特征点与每个关联特征点之间的相似度、以及每个关联特征点的特征值,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理。
9.根据权利要求8所述的缺陷检测方法,其特征在于,所述基于该第一特征点与每个关联特征点之间的相似度、以及每个关联特征点的特征值,对与该第一特征点位置匹配的目标第二特征点进行特征增强处理,包括:
基于该第一特征点与每个关联特征点之间的相似度,对该第一特征点对应的多个关联特征点分别对应的特征值进行加权求和,得到第一和值;
对多个关联特征点分别对应的相似度进行求和,得到第二和值;
将所述第一和值和所述第二和值的比值,作为对所述目标第二特征点进行特征增强处理后的特征值。
10.根据权利要求6-9任一项所述的缺陷检测方法,其特征在于,所述基于该张第一特征图、以及与该张第一特征图对应的第二特征图,得到与该张第一特征图对应的注意力掩码图像,包括:
针对该张第一特征图中的每个第一特征点,从该张第一特征图对应的第二特征图的多个第二特征点中,确定与该第一特征点对应的多个关联特征点;其中,该第一特征点对应的各个关联特征点,与该第一特征点位置匹配的目标第二特征点之间的距离满足预设条件;
基于该第一特征点与每个关联特征点之间的相似度,确定该第一特征点的异常度值;
基于所述第一特征图中各个第一特征点对应的异常度值,得到所述注意力掩码图像。
11.根据权利要求10所述的缺陷检测方法,其特征在于,所述基于该第一特征点与每个关联特征点之间的相似度,确定该第一特征点的异常度值,包括:
确定多个关联特征点分别与该第一特征点之间的相似度的最大相似度;
基于所述最大相似度,确定该第一特征点的异常度值。
12.根据权利要求7-11任一项所述的缺陷检测方法,采用下述方式确定第一特征点、和与该第一特征点对应的任一关联特征点之间的相似度:
基于所述第一特征点在所述第一特征图中的位置、以及预设的距离阈值,得到第一特征子图;以及
基于与该第一特征点对应的任一关联特征点在所述第二特征图中的位置、以及所述距离阈值,得到第二特征子图;
基于所述第一特征子图、以及所述第二特征子图,确定所述第一特征点与该第一特征点对应的该任一关联特征点之间的相似度。
13.根据权利要求6-12任一项所述的缺陷检测方法,其特征在于,所述基于所述特征增强图像、以所述注意力掩码图像,得到该张第一特征图对应的特征融合图像,包括:
对所述特征增强图像、以及该张第一特征图进行合并处理,得到该张第一特征图对应的合并特征图;
基于所述注意力掩码图像、以及所述合并特征图,得到所述特征融合图像。
14.一种缺陷检测装置,其特征在于,包括:
获取模块,用于获取待检测图像、以及模板图像;
特征提取模块,用于对所述待检测图像进行特征提取,得到所述待检测图像的第一特征图,并对所述模板图像进行特征提取,得到与所述模板图像对应的第二特征图;
特征混淆模块,用于将所述第一特征图、以及所述第二特征图进行特征混淆处理,得到特征融合图像;
检测模块,用于基于所述特征融合图像,得到所述待检测图像的缺陷检测结果。
15.一种计算机设备,其特征在于,包括:相互连接的处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述机器可读指令被所述处理器执行以实现如权利要求1至13任一所述的缺陷检测方法。
16.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至13任一所述的缺陷检测方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011191743.3A CN112288723B (zh) | 2020-10-30 | 2020-10-30 | 缺陷检测方法、装置、计算机设备及存储介质 |
KR1020217037651A KR20220058842A (ko) | 2020-10-30 | 2021-04-25 | 결함 검출 방법, 장치, 컴퓨터 기기 및 저장 매체 |
PCT/CN2021/089654 WO2022088628A1 (zh) | 2020-10-30 | 2021-04-25 | 缺陷检测方法、装置、计算机设备及存储介质 |
JP2021566097A JP2023503751A (ja) | 2020-10-30 | 2021-04-25 | 欠陥検出方法、装置、コンピュータ機器および記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011191743.3A CN112288723B (zh) | 2020-10-30 | 2020-10-30 | 缺陷检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288723A true CN112288723A (zh) | 2021-01-29 |
CN112288723B CN112288723B (zh) | 2023-05-23 |
Family
ID=74352960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011191743.3A Active CN112288723B (zh) | 2020-10-30 | 2020-10-30 | 缺陷检测方法、装置、计算机设备及存储介质 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP2023503751A (zh) |
KR (1) | KR20220058842A (zh) |
CN (1) | CN112288723B (zh) |
WO (1) | WO2022088628A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801047A (zh) * | 2021-03-19 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 缺陷检测方法、装置、电子设备及可读存储介质 |
CN112967264A (zh) * | 2021-03-19 | 2021-06-15 | 深圳市商汤科技有限公司 | 缺陷检测方法及装置、电子设备和存储介质 |
CN113406092A (zh) * | 2021-08-18 | 2021-09-17 | 阿里巴巴(中国)有限公司 | 数字化生产检测系统、方法、装置、设备及存储介质 |
CN113744268A (zh) * | 2021-11-04 | 2021-12-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种裂纹检测方法、电子设备及可读存储介质 |
WO2022088628A1 (zh) * | 2020-10-30 | 2022-05-05 | 北京市商汤科技开发有限公司 | 缺陷检测方法、装置、计算机设备及存储介质 |
CN115496976A (zh) * | 2022-08-29 | 2022-12-20 | 锋睿领创(珠海)科技有限公司 | 多源异构数据融合的视觉处理方法、装置、设备及介质 |
CN116071356A (zh) * | 2023-03-06 | 2023-05-05 | 中国市政工程西南设计研究总院有限公司 | 用于设计企业的设计图缺陷智慧检查平台及检查方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564775B (zh) * | 2022-12-05 | 2023-04-14 | 北京矩视智能科技有限公司 | 基于轻量级注意力机制的缺陷检测方法、装置及存储介质 |
CN115965856B (zh) * | 2023-02-23 | 2023-05-30 | 深圳思谋信息科技有限公司 | 图像检测模型构建方法、装置、计算机设备及存储介质 |
CN116883417B (zh) * | 2023-09-08 | 2023-12-05 | 武汉东方骏驰精密制造有限公司 | 基于机器视觉的工件质检方法及装置 |
CN117495884B (zh) * | 2024-01-02 | 2024-03-22 | 湖北工业大学 | 一种钢铁表面缺陷分割方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872475A (zh) * | 2009-04-22 | 2010-10-27 | 中国科学院自动化研究所 | 一种扫描文档图像自动配准方法 |
CN103456009A (zh) * | 2013-08-28 | 2013-12-18 | 深圳市中瀛鑫科技股份有限公司 | 目标检测方法与装置、监控系统 |
CN107590453A (zh) * | 2017-09-04 | 2018-01-16 | 腾讯科技(深圳)有限公司 | 增强现实场景的处理方法、装置及设备、计算机存储介质 |
CN109118514A (zh) * | 2018-06-11 | 2019-01-01 | 西安电子科技大学 | 一种目标跟踪方法 |
CN110688951A (zh) * | 2019-09-26 | 2020-01-14 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
US20200143526A1 (en) * | 2017-08-23 | 2020-05-07 | Boe Technology Group Co., Ltd. | Image processing method and device |
CN111160477A (zh) * | 2019-12-31 | 2020-05-15 | 哈工汇智(深圳)科技有限公司 | 一种基于特征点检测的图像模板匹配方法 |
CN111179253A (zh) * | 2019-12-30 | 2020-05-19 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN111429403A (zh) * | 2020-02-26 | 2020-07-17 | 北京航空航天大学杭州创新研究院 | 一种基于机器视觉的汽车齿轮成品缺陷检测方法 |
CN111814905A (zh) * | 2020-07-23 | 2020-10-23 | 上海眼控科技股份有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10062156B2 (en) * | 2016-02-25 | 2018-08-28 | Kla-Tencor Corporation | Method and system for detecting defects on a substrate |
CN110807362A (zh) * | 2019-09-23 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、装置和计算机可读存储介质 |
CN111461260B (zh) * | 2020-04-29 | 2023-04-18 | 上海东普信息科技有限公司 | 基于特征融合的目标检测方法、装置、设备及存储介质 |
CN112288723B (zh) * | 2020-10-30 | 2023-05-23 | 北京市商汤科技开发有限公司 | 缺陷检测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-10-30 CN CN202011191743.3A patent/CN112288723B/zh active Active
-
2021
- 2021-04-25 JP JP2021566097A patent/JP2023503751A/ja not_active Withdrawn
- 2021-04-25 WO PCT/CN2021/089654 patent/WO2022088628A1/zh active Application Filing
- 2021-04-25 KR KR1020217037651A patent/KR20220058842A/ko unknown
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872475A (zh) * | 2009-04-22 | 2010-10-27 | 中国科学院自动化研究所 | 一种扫描文档图像自动配准方法 |
CN103456009A (zh) * | 2013-08-28 | 2013-12-18 | 深圳市中瀛鑫科技股份有限公司 | 目标检测方法与装置、监控系统 |
US20200143526A1 (en) * | 2017-08-23 | 2020-05-07 | Boe Technology Group Co., Ltd. | Image processing method and device |
CN107590453A (zh) * | 2017-09-04 | 2018-01-16 | 腾讯科技(深圳)有限公司 | 增强现实场景的处理方法、装置及设备、计算机存储介质 |
CN109118514A (zh) * | 2018-06-11 | 2019-01-01 | 西安电子科技大学 | 一种目标跟踪方法 |
CN110688951A (zh) * | 2019-09-26 | 2020-01-14 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111179253A (zh) * | 2019-12-30 | 2020-05-19 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN111160477A (zh) * | 2019-12-31 | 2020-05-15 | 哈工汇智(深圳)科技有限公司 | 一种基于特征点检测的图像模板匹配方法 |
CN111429403A (zh) * | 2020-02-26 | 2020-07-17 | 北京航空航天大学杭州创新研究院 | 一种基于机器视觉的汽车齿轮成品缺陷检测方法 |
CN111814905A (zh) * | 2020-07-23 | 2020-10-23 | 上海眼控科技股份有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
HONGWEN DONG ET AL.: "PGA-Net: Pyramid Feature Fusion and Global Context Attention Network for Automated Surface Defect Detection", 《IEEE》 * |
蔡彪;沈宽;付金磊;张理泽;: "基于Mask R-CNN的铸件X射线DR图像缺陷检测研究", 仪器仪表学报 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022088628A1 (zh) * | 2020-10-30 | 2022-05-05 | 北京市商汤科技开发有限公司 | 缺陷检测方法、装置、计算机设备及存储介质 |
CN112801047A (zh) * | 2021-03-19 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 缺陷检测方法、装置、电子设备及可读存储介质 |
CN112967264A (zh) * | 2021-03-19 | 2021-06-15 | 深圳市商汤科技有限公司 | 缺陷检测方法及装置、电子设备和存储介质 |
CN112801047B (zh) * | 2021-03-19 | 2021-08-17 | 腾讯科技(深圳)有限公司 | 缺陷检测方法、装置、电子设备及可读存储介质 |
CN113406092A (zh) * | 2021-08-18 | 2021-09-17 | 阿里巴巴(中国)有限公司 | 数字化生产检测系统、方法、装置、设备及存储介质 |
CN113406092B (zh) * | 2021-08-18 | 2022-01-11 | 阿里巴巴(中国)有限公司 | 数字化生产检测系统、方法、装置、设备及存储介质 |
CN113744268A (zh) * | 2021-11-04 | 2021-12-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种裂纹检测方法、电子设备及可读存储介质 |
CN115496976A (zh) * | 2022-08-29 | 2022-12-20 | 锋睿领创(珠海)科技有限公司 | 多源异构数据融合的视觉处理方法、装置、设备及介质 |
CN115496976B (zh) * | 2022-08-29 | 2023-08-11 | 锋睿领创(珠海)科技有限公司 | 多源异构数据融合的视觉处理方法、装置、设备及介质 |
CN116071356A (zh) * | 2023-03-06 | 2023-05-05 | 中国市政工程西南设计研究总院有限公司 | 用于设计企业的设计图缺陷智慧检查平台及检查方法 |
CN116071356B (zh) * | 2023-03-06 | 2023-06-16 | 中国市政工程西南设计研究总院有限公司 | 用于设计企业的设计图缺陷智慧检查平台及检查方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112288723B (zh) | 2023-05-23 |
KR20220058842A (ko) | 2022-05-10 |
WO2022088628A1 (zh) | 2022-05-05 |
JP2023503751A (ja) | 2023-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288723A (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
Wilf et al. | Computer vision cracks the leaf code | |
CN112508846B (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
EP3660743A1 (en) | Systems and methods for automating information extraction from piping and instrumentation diagrams | |
CA3066029A1 (en) | Image feature acquisition | |
CN111406270B (zh) | 基于图像的伪造品检测 | |
CN107622489A (zh) | 一种图像篡改检测方法及装置 | |
CN114419029B (zh) | 表面缺陷检测模型的训练方法、表面缺陷检测方法及装置 | |
CN111242050A (zh) | 一种面向大尺度复杂场景下遥感影像的自动变化检测方法 | |
CN110633711A (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
CN113704082A (zh) | 模型评测方法、装置、电子设备及存储介质 | |
CN112598657A (zh) | 缺陷检测方法、装置、模型构造方法和计算机设备 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN114004289A (zh) | 一种车辆损伤识别模型建立方法、损伤识别方法及装置 | |
Mohtashamian et al. | Automated plant species identification using leaf shape-based classification techniques: a case study on Iranian Maples | |
CN106709490B (zh) | 一种字符识别方法和装置 | |
CN112329810B (zh) | 一种基于显著性检测的图像识别模型训练方法及装置 | |
CN113269752A (zh) | 一种图像检测方法、装置终端设备及存储介质 | |
KR101821770B1 (ko) | 특징 추출을 위한 기법들 | |
CN112836636A (zh) | 一种签字图像真伪鉴别方法及装置 | |
CN112597997A (zh) | 感兴趣区域确定方法、图像内容识别方法及装置 | |
CN114882020B (zh) | 产品的缺陷检测方法、装置、设备及计算机可读介质 | |
CN111340139A (zh) | 一种图像内容复杂度的判别方法及装置 | |
CN116051959A (zh) | 一种目标检测方法、装置 | |
CN113297411B (zh) | 轮形图谱相似性的度量方法、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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40041136 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |