CN112288727A - 磁环表面缺陷检测方法、装置、电子设备及存储介质 - Google Patents
磁环表面缺陷检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112288727A CN112288727A CN202011199608.3A CN202011199608A CN112288727A CN 112288727 A CN112288727 A CN 112288727A CN 202011199608 A CN202011199608 A CN 202011199608A CN 112288727 A CN112288727 A CN 112288727A
- Authority
- CN
- China
- Prior art keywords
- image
- magnetic ring
- defect
- network model
- suspected
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
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)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本申请提供一种磁环表面缺陷检测方法、装置、电子设备及存储介质,磁环表面缺陷检测方法,包括:获取待检测磁环表面图像及对应的缺陷掩码图像;根据预设的特征提取网络模型对待检测磁环表面图像进行特征提取,得到特征提取图像;根据预设的语义分割网络模型及特征提取图像,得到疑似缺陷区域的目标位置的位置信息;以疑似缺陷区域的目标位置的位置信息对特征提取图像进行裁剪,得到对应的区域特征图像;输入区域特征图像及缺陷掩码图像至预设的分类网络模型,得到对应各区域特征图像的预测结果。本申请磁环表面缺陷检测方法、装置、电子设备及存储介质,可较好地提高磁环表面缺陷检测的准确率,使磁环表面缺陷检测的效果更佳。
Description
技术领域
本申请涉及缺陷检测技术领域,具体而言,涉及一种磁环表面缺陷检测方法、装置、电子设备及存储介质。
背景技术
在磁性材料产品质检领域,磁环表面缺陷检测一直是极具挑战的部分。目前,磁环表面缺陷检测主要还是人工检测,此种检测方式效率低下,难以保证检测的准确性,且人力成本较高。
随着科学技术的不断发展及检测要求的提高,基于深度学习实现磁环表面缺陷检测的方式成为了一种潜在的高效解决方案。但现有的基于深度学习实现磁环表面缺陷检测的方式大多较为简单,导致磁环表面缺陷检测的准确率不够理想。
发明内容
本申请实施例的目的在于提供一种磁环表面缺陷检测方法、装置、电子设备及存储介质,可较好地提高磁环表面缺陷检测的准确率,使磁环表面缺陷检测的效果更佳。
第一方面,本申请实施例提供了一种磁环表面缺陷检测方法,包括:
获取待检测磁环表面图像及对应的缺陷掩码图像;
根据预设的特征提取网络模型对所述待检测磁环表面图像进行特征提取,得到特征提取图像;
根据预设的语义分割网络模型及所述特征提取图像,得到疑似缺陷区域的目标位置的位置信息;
以所述疑似缺陷区域的目标位置的位置信息对所述特征提取图像进行裁剪,得到对应的区域特征图像;
输入所述区域特征图像及所述缺陷掩码图像至预设的分类网络模型,得到对应各所述区域特征图像的预测结果。
在上述实现过程中,本申请实施例的磁环表面缺陷检测方法,通过多任务学习的方式得到待检测磁环表面缺陷检测的预测结果,待检测磁环表面图像为拍摄图像,其干扰项较多,且许多干扰项与缺陷的成像非常相似,通过预设的语义分割网络模型可在磁环表面缺陷检测过程中提升缺陷的召回率,降低缺陷被确定为干扰项的可能,降低缺陷被漏检的几率,并且,通过预设的分类网络模型可排除掉较多的误检,降低干扰项被确定为缺陷的可能,降低干扰项被误检的几率,因而可以达到高召回率、低误检率的磁环表面缺陷检测,从而可以较好地提高磁环表面缺陷检测的准确率,使磁环表面缺陷检测的效果更佳。
进一步地,所述根据预设的语义分割网络模型及所述特征提取图像,得到疑似缺陷区域的目标位置的位置信息,包括:
输入所述特征提取图像至预设的语义分割网络模型,得到像素级概率图;
以预设阈值从所述像素级概率图过滤出疑似缺陷区域;
根据所述疑似缺陷区域,计算得到所述疑似缺陷区域的目标位置的位置信息。
在上述实现过程中,该方法将特征提取图像输入至预设的语义分割网络模型得到像素级概率图,通过像素级概率图及预设阈值可以更准确地过滤得到疑似缺陷区域,从而可以更准确地得到疑似缺陷区域的目标位置的位置信息。
进一步地,所述根据所述疑似缺陷区域,计算得到所述疑似缺陷区域的目标位置的位置信息,包括:
根据所述疑似缺陷区域,计算得到所述疑似缺陷区域的外接矩形框的位置信息,并以所述疑似缺陷区域的外接矩形框的位置信息作为所述疑似缺陷区域的目标位置的位置信息。
在上述实现过程中,该方法以疑似缺陷区域的外接矩形框的位置信息作为疑似缺陷区域的目标位置的位置信息,疑似缺陷区域的外接矩形框囊括了疑似缺陷区域,避免了疑似缺陷区域的遗漏,同时,也便于疑似缺陷区域的目标位置的位置信息的确定。
进一步地,所述以所述疑似缺陷区域的目标位置的位置信息对所述特征提取图像进行裁剪,得到对应的区域特征图像,包括:
以所述疑似缺陷区域的目标位置的位置信息对所述特征提取图像进行裁剪,得到对应的裁剪图像;
以预设图像尺寸对所述裁剪图像进行调整,得到对应的区域特征图像。
在上述实现过程中,该方法以预设图像尺寸对裁剪图像进行调整,得到对应的区域特征图像,使得区域特征图像的图像尺寸能与预设的分类网络模型相对应,并保障裁剪图像的裁剪区域与疑似缺陷区域的目标位置相对应。
进一步地,在所述输入所述区域特征图像及所述缺陷掩码图像至预设的分类网络模型,得到对应各所述区域特征图像的预测结果之后,所述方法还包括:
根据各所述区域特征图像的预测结果,输出缺陷区域的位置信息。
在上述实现过程中,该方法可以根据各区域特征图像的预测结果,输出缺陷区域的位置信息,以便于对缺陷区域位置的获知。
进一步地,所述预设的语义分割网络模型和/或所述预设的分类网络模型以Focalloss作为损失函数。
在上述实现过程中,该方法采用的预设的语义分割网络模型和/或预设的分类网络模型以Focal loss作为损失函数,可以较好地保证磁环表面缺陷检测的高召回率、低误检率,进而可以更好地提高磁环表面缺陷检测的准确率。
第二方面,本申请实施例提供了一种磁环表面缺陷检测装置,包括:
获取模块,用于获取待检测磁环表面图像及对应的缺陷掩码图像;
特征提取模块,用于根据预设的特征提取网络模型对所述待检测磁环表面图像进行特征提取,得到特征提取图像;
疑似区域确定模块,用于根据预设的语义分割网络模型及所述特征提取图像,得到疑似缺陷区域的目标位置的位置信息;
图像处理模块,用于以所述疑似缺陷区域的目标位置的位置信息对所述特征提取图像进行裁剪,得到对应的区域特征图像;
缺陷检测模块,用于输入所述区域特征图像及所述缺陷掩码图像至预设的分类网络模型,得到对应各所述区域特征图像的预测结果。
在上述实现过程中,本申请实施例的磁环表面缺陷检测装置,通过多任务学习的方式得到待检测磁环表面缺陷检测的预测结果,待检测磁环表面图像为拍摄图像,其干扰项较多,且许多干扰项与缺陷的成像非常相似,通过预设的语义分割网络模型可在磁环表面缺陷检测过程中提升缺陷的召回率,降低缺陷被确定为干扰项的可能,降低缺陷被漏检的几率,并且,通过预设的分类网络模型可排除掉较多的误检,降低干扰项被确定为缺陷的可能,降低干扰项被误检的几率,因而可以达到高召回率、低误检率的磁环表面缺陷检测,从而可以较好地提高磁环表面缺陷检测的准确率,使磁环表面缺陷检测的效果更佳。
进一步地,所述疑似区域确定模块,具体用于:
输入所述特征提取图像至预设的语义分割网络模型,得到像素级概率图;
以预设阈值从所述像素级概率图过滤出疑似缺陷区域;
根据所述疑似缺陷区域,计算得到所述疑似缺陷区域的目标位置的位置信息。
在上述实现过程中,该装置将特征提取图像输入至预设的语义分割网络模型得到像素级概率图,通过像素级概率图及预设阈值可以更准确地过滤得到疑似缺陷区域,从而可以更准确地得到疑似缺陷区域的目标位置的位置信息。
第三方面,本申请实施例提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的磁环表面缺陷检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的磁环表面缺陷检测方法。
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为本申请实施例一提供的磁环表面缺陷检测方法的第一流程示意图;
图2为本申请实施例一提供的步骤S130的流程示意图;
图3为本申请实施例一提供的步骤S140的流程示意图;
图4为本申请实施例一提供的磁环表面缺陷检测方法的第二流程示意图;
图5为本申请实施例二提供的磁环表面缺陷检测装置的第一结构框图;
图6为本申请实施例二提供的磁环表面缺陷检测装置的第二结构框图。
具体实施方式
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。
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。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,磁环表面缺陷检测主要还是人工检测,此种检测方式效率低下,难以保证检测的准确性,且人力成本较高。随着科学技术的不断发展及检测要求的提高,基于深度学习实现磁环表面缺陷检测的方式成为了一种潜在的高效解决方案。但现有的基于深度学习实现磁环表面缺陷检测的方式大多较为简单,导致磁环表面缺陷检测的准确率不够理想。
针对上述现有技术中的问题,本申请提供了一种磁环表面缺陷检测方法、装置、电子设备及存储介质,可较好地提高磁环表面缺陷检测的准确率,使磁环表面缺陷检测的效果更佳。
实施例一
参见图1,图1为本申请实施例提供的磁环表面缺陷检测方法的第一流程示意图。本申请实施例中下述的磁环表面缺陷检测方法可应用于服务器。
本申请实施例的磁环表面缺陷检测方法,包括如下步骤:
步骤S110,获取待检测磁环表面图像及对应的缺陷掩码图像。
在本实施例中,待检测磁环表面图像为拍摄图像,缺陷掩码图像与待检测磁环表面图像相对应。
可选地,待检测磁环表面图像为单个,缺陷掩码图像也为单个。
步骤S120,根据预设的特征提取网络模型对待检测磁环表面图像进行特征提取,得到特征提取图像。
在本实施例中,预设的特征提取网络模型为预先训练好的特征提取网络模型。
可选地,预设的特征提取网络模型可以是resnet18网络模型。
需要说明的是,在本实施例中,预设的特征提取网络模型还可以是其他特征提取网络模型,在此,不对其他的特征提取网络模型进行列举。
步骤S130,根据预设的语义分割网络模型及特征提取图像,得到疑似缺陷区域的目标位置的位置信息。
在本实施例中,预设的语义分割网络模型为预先训练好的语义分割网络模型。
示例性地,预设的语义分割网络模型有“缺陷”及“背景”两个像素分类类别。疑似缺陷区域,即对应“缺陷”像素分类类别的区域。
由于待检测磁环表面图像为拍摄图像,因而干扰项较多,且许多干扰项与缺陷的成像非常相似,通过预设的语义分割网络模型可在磁环表面缺陷检测过程中提升缺陷的召回率,降低缺陷被确定为干扰项的可能,降低缺陷被漏检的几率。
可选地,预设的语义分割网络模型可以是PSP-Net模型。
需要说明的是,在本实施例中,预设的语义分割网络模型还可以是其他语义分割网络模型,在此,不对其他的语义分割网络模型进行列举。
疑似缺陷区域的目标位置的位置信息为特征提取图像中疑似缺陷区域的目标位置的位置信息。疑似缺陷区域的目标位置的位置信息可以是疑似缺陷区域的目标位置的位置坐标。
可选地,疑似缺陷区域的目标位置可以矩形框或圆形框等图形进行表示。
步骤S140,以疑似缺陷区域的目标位置的位置信息对特征提取图像进行裁剪,得到对应的区域特征图像。
在本实施例中,根据疑似缺陷区域的目标位置的位置信息可以在特征提取图像中确定对应的图像区域,进而可以根据确定的图像区域对特征提取图像进行裁剪,得到对应的区域特征图像。
步骤S150,输入区域特征图像及缺陷掩码图像至预设的分类网络模型,得到对应各区域特征图像的预测结果。
在本实施例中,预设的分类网络模型为预先训练好的分类网络模型。预设的分类网络模型由全局平均池化层和全连接层组成。
示例性地,预设的分类网络模型有“缺陷”及“背景”两个图像分类类别。区域特征图像的预测结果可以有区域特征图像属于缺陷区域或背景区域。
由于待检测磁环表面图像为拍摄图像,因而干扰项较多,且许多干扰项与缺陷的成像非常相似,通过预设的分类网络模型可排除掉较多的误检,降低干扰项被确定为缺陷的可能,降低干扰项被误检的几率。
本申请实施例的磁环表面缺陷检测方法,通过多任务学习的方式得到待检测磁环表面缺陷检测的预测结果,待检测磁环表面图像为拍摄图像,其干扰项较多,且许多干扰项与缺陷的成像非常相似,通过预设的语义分割网络模型可在磁环表面缺陷检测过程中提升缺陷的召回率,降低缺陷被确定为干扰项的可能,降低缺陷被漏检的几率,并且,通过预设的分类网络模型可排除掉较多的误检,降低干扰项被确定为缺陷的可能,降低干扰项被误检的几率,因而可以达到高召回率、低误检率的磁环表面缺陷检测,从而可以较好地提高磁环表面缺陷检测的准确率,使磁环表面缺陷检测的效果更佳。
在本实施例中,预设的语义分割网络模型和预设的分类网络模型以Focal loss作为损失函数。
该方法采用的预设的语义分割网络模型和预设的分类网络模型以Focal loss作为损失函数,可以较好地保证磁环表面缺陷检测的高召回率、低误检率,进而可以更好地提高磁环表面缺陷检测的准确率。
为了可以更准确地得到疑似缺陷区域的目标位置的位置信息,本申请实施例提供一种可能的实施方式,参见图2,图2为本申请实施例提供的步骤S130的流程示意图,本申请实施例的磁环表面缺陷检测方法,步骤S130,根据预设的语义分割网络模型及特征提取图像,得到疑似缺陷区域的目标位置的位置信息,可包括如下步骤:
步骤S131,输入特征提取图像至预设的语义分割网络模型,得到像素级概率图;
步骤S132,以预设阈值从像素级概率图过滤出疑似缺陷区域;
步骤S133,根据疑似缺陷区域,计算得到疑似缺陷区域的目标位置的位置信息。
在上述过程中,该方法将特征提取图像输入至预设的语义分割网络模型得到像素级概率图,通过像素级概率图及预设阈值可以更准确地过滤得到疑似缺陷区域,从而可以更准确地得到疑似缺陷区域的目标位置的位置信息。
可选地,在根据疑似缺陷区域,计算得到疑似缺陷区域的目标位置的位置信息时,可:
根据疑似缺陷区域,计算得到疑似缺陷区域的外接矩形框的位置信息,并以疑似缺陷区域的外接矩形框的位置信息作为疑似缺陷区域的目标位置的位置信息。
其中,疑似缺陷区域的外接矩形框的位置信息,及疑似缺陷区域的外接矩形框的位置坐标,其可以Bbox(x,y,w,h)表示,Bbox(x,y,w,h)中(x,y)为疑似缺陷区域的外接矩形框的左上角坐标,(w,h)为疑似缺陷区域的外接矩形框的宽和高。
在上述过程中,该方法以疑似缺陷区域的外接矩形框的位置信息作为疑似缺陷区域的目标位置的位置信息,疑似缺陷区域的外接矩形框囊括了疑似缺陷区域,避免了疑似缺陷区域的遗漏,同时,也便于疑似缺陷区域的目标位置的位置信息的确定。
参见图3,图3为本申请实施例提供的步骤S140的流程示意图。
作为一种可选的实施方式,本申请实施例的磁环表面缺陷检测方法,步骤S140,以疑似缺陷区域的目标位置的位置信息对特征提取图像进行裁剪,得到对应的区域特征图像,可包括如下步骤:
步骤S141,以疑似缺陷区域的目标位置的位置信息对特征提取图像进行裁剪,得到对应的裁剪图像;
步骤S142,以预设图像尺寸对裁剪图像进行调整,得到对应的区域特征图像。
其中,以预设图像尺寸对裁剪图像进行调整,即将裁剪图像以固定图像尺寸进行调整。
在上述过程中,该方法以预设图像尺寸对裁剪图像进行调整,得到对应的区域特征图像,使得区域特征图像的图像尺寸能与预设的分类网络模型相对应,并保障裁剪图像的裁剪区域与疑似缺陷区域的目标位置相对应。
为了可以便于对缺陷区域位置的获知,本申请实施例提供一种可能的实施方式,参见图4,图4为本申请实施例提供的磁环表面缺陷检测方法的第二流程示意图,本申请实施例的磁环表面缺陷检测方法,在步骤S150,输入区域特征图像及缺陷掩码图像至预设的分类网络模型,得到对应各区域特征图像的预测结果之后,还可包括如下步骤:
步骤S160,根据各区域特征图像的预测结果,输出缺陷区域的位置信息。
其中,缺陷区域的位置信息可以是缺陷区域的位置坐标。
在上述过程中,该方法可以根据各区域特征图像的预测结果,输出缺陷区域的位置信息,以便于对缺陷区域位置的获知。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种磁环表面缺陷检测装置。
参见图5,图5为本申请实施例提供的磁环表面缺陷检测装置的第一结构框图。
本申请实施例的磁环表面缺陷检测装置,包括:
获取模块210,用于获取待检测磁环表面图像及对应的缺陷掩码图像;
特征提取模块220,用于根据预设的特征提取网络模型对待检测磁环表面图像进行特征提取,得到特征提取图像;
疑似区域确定模块230,用于根据预设的语义分割网络模型及特征提取图像,得到疑似缺陷区域的目标位置的位置信息;
图像处理模块240,用于以疑似缺陷区域的目标位置的位置信息对特征提取图像进行裁剪,得到对应的区域特征图像;
缺陷检测模块250,用于输入区域特征图像及缺陷掩码图像至预设的分类网络模型,得到对应各区域特征图像的预测结果。
本申请实施例的磁环表面缺陷检测装置,通过多任务学习的方式得到待检测磁环表面缺陷检测的预测结果,待检测磁环表面图像为拍摄图像,其干扰项较多,且许多干扰项与缺陷的成像非常相似,通过预设的语义分割网络模型可在磁环表面缺陷检测过程中提升缺陷的召回率,降低缺陷被确定为干扰项的可能,降低缺陷被漏检的几率,并且,通过预设的分类网络模型可排除掉较多的误检,降低干扰项被确定为缺陷的可能,降低干扰项被误检的几率,因而可以达到高召回率、低误检率的磁环表面缺陷检测,从而可以较好地提高磁环表面缺陷检测的准确率,使磁环表面缺陷检测的效果更佳。
作为一种可选的实施方式,疑似区域确定模块230,可具体用于:
输入特征提取图像至预设的语义分割网络模型,得到像素级概率图;
以预设阈值从像素级概率图过滤出疑似缺陷区域;
根据疑似缺陷区域,计算得到疑似缺陷区域的目标位置的位置信息。
可选地,疑似区域确定模块230在根据疑似缺陷区域,计算得到疑似缺陷区域的目标位置的位置信息时,可:
根据疑似缺陷区域,计算得到疑似缺陷区域的外接矩形框的位置信息,并以疑似缺陷区域的外接矩形框的位置信息作为疑似缺陷区域的目标位置的位置信息。
作为一种可选的实施方式,图像处理模块240,可具体用于:
以疑似缺陷区域的目标位置的位置信息对特征提取图像进行裁剪,得到对应的裁剪图像;
以预设图像尺寸对裁剪图像进行调整,得到对应的区域特征图像。
参见图6,图6为本申请实施例提供的磁环表面缺陷检测装置的第二结构框图。
作为一种可选的实施方式,本申请实施例的磁环表面缺陷检测装置,还可包括:
输出模块260,用于根据各区域特征图像的预测结果,输出缺陷区域的位置信息。
上述的磁环表面缺陷检测装置可实施上述实施例一的磁环表面缺陷检测方法。上述实施例一中的可选项也适用于本实施例,这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容,在本实施例中,不再进行赘述。
实施例三
本申请实施例提供一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的磁环表面缺陷检测方法。
可选地,上述电子设备可以是服务器。
另外,本申请实施例还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的磁环表面缺陷检测方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,这依所涉及的功能而定。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。
另外,在本申请各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,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种磁环表面缺陷检测方法,其特征在于,包括:
获取待检测磁环表面图像及对应的缺陷掩码图像;
根据预设的特征提取网络模型对所述待检测磁环表面图像进行特征提取,得到特征提取图像;
根据预设的语义分割网络模型及所述特征提取图像,得到疑似缺陷区域的目标位置的位置信息;
以所述疑似缺陷区域的目标位置的位置信息对所述特征提取图像进行裁剪,得到对应的区域特征图像;
输入所述区域特征图像及所述缺陷掩码图像至预设的分类网络模型,得到对应各所述区域特征图像的预测结果。
2.根据权利要求1所述的磁环表面缺陷检测方法,其特征在于,所述根据预设的语义分割网络模型及所述特征提取图像,得到疑似缺陷区域的目标位置的位置信息,包括:
输入所述特征提取图像至预设的语义分割网络模型,得到像素级概率图;
以预设阈值从所述像素级概率图过滤出疑似缺陷区域;
根据所述疑似缺陷区域,计算得到所述疑似缺陷区域的目标位置的位置信息。
3.根据权利要求2所述的磁环表面缺陷检测方法,其特征在于,所述根据所述疑似缺陷区域,计算得到所述疑似缺陷区域的目标位置的位置信息,包括:
根据所述疑似缺陷区域,计算得到所述疑似缺陷区域的外接矩形框的位置信息,并以所述疑似缺陷区域的外接矩形框的位置信息作为所述疑似缺陷区域的目标位置的位置信息。
4.根据权利要求3所述的磁环表面缺陷检测方法,其特征在于,所述以所述疑似缺陷区域的目标位置的位置信息对所述特征提取图像进行裁剪,得到对应的区域特征图像,包括:
以所述疑似缺陷区域的目标位置的位置信息对所述特征提取图像进行裁剪,得到对应的裁剪图像;
以预设图像尺寸对所述裁剪图像进行调整,得到对应的区域特征图像。
5.根据权利要求1所述的磁环表面缺陷检测方法,其特征在于,在所述输入所述区域特征图像及所述缺陷掩码图像至预设的分类网络模型,得到对应各所述区域特征图像的预测结果之后,所述方法还包括:
根据各所述区域特征图像的预测结果,输出缺陷区域的位置信息。
6.根据权利要求1所述的磁环表面缺陷检测方法,其特征在于,所述预设的语义分割网络模型和/或所述预设的分类网络模型以Focal loss作为损失函数。
7.一种磁环表面缺陷检测装置,其特征在于,包括:
获取模块,用于获取待检测磁环表面图像及对应的缺陷掩码图像;
特征提取模块,用于根据预设的特征提取网络模型对所述待检测磁环表面图像进行特征提取,得到特征提取图像;
疑似区域确定模块,用于根据预设的语义分割网络模型及所述特征提取图像,得到疑似缺陷区域的目标位置的位置信息;
图像处理模块,用于以所述疑似缺陷区域的目标位置的位置信息对所述特征提取图像进行裁剪,得到对应的区域特征图像;
缺陷检测模块,用于输入所述区域特征图像及所述缺陷掩码图像至预设的分类网络模型,得到对应各所述区域特征图像的预测结果。
8.根据权利要求7所述的磁环表面缺陷检测装置,其特征在于,所述疑似区域确定模块,具体用于:
输入所述特征提取图像至预设的语义分割网络模型,得到像素级概率图;
以预设阈值从所述像素级概率图过滤出疑似缺陷区域;
根据所述疑似缺陷区域,计算得到所述疑似缺陷区域的目标位置的位置信息。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至6中任一项所述的磁环表面缺陷检测方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的磁环表面缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011199608.3A CN112288727A (zh) | 2020-10-30 | 2020-10-30 | 磁环表面缺陷检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011199608.3A CN112288727A (zh) | 2020-10-30 | 2020-10-30 | 磁环表面缺陷检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288727A true CN112288727A (zh) | 2021-01-29 |
Family
ID=74353064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011199608.3A Pending CN112288727A (zh) | 2020-10-30 | 2020-10-30 | 磁环表面缺陷检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288727A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344901A (zh) * | 2021-06-25 | 2021-09-03 | 北京市商汤科技开发有限公司 | 涂胶缺陷检测方法、装置、存储介质及电子设备 |
CN115810125A (zh) * | 2022-12-09 | 2023-03-17 | 北京远舢智能科技有限公司 | 一种基于彩色光谱的烟叶检测方法、装置、设备及介质 |
CN116580026A (zh) * | 2023-07-12 | 2023-08-11 | 深圳市致尚科技股份有限公司 | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 |
WO2024002187A1 (zh) * | 2022-06-30 | 2024-01-04 | 中兴通讯股份有限公司 | 缺陷检测方法、缺陷检测设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170345140A1 (en) * | 2016-05-25 | 2017-11-30 | Kla-Tencor Corporation | Generating simulated images from input images for semiconductor applications |
CN110232675A (zh) * | 2019-03-28 | 2019-09-13 | 昆明理工大学 | 一种工业环境下的纹理表面缺陷检测与分割装置及方法 |
CN111105411A (zh) * | 2019-12-30 | 2020-05-05 | 创新奇智(青岛)科技有限公司 | 一种磁瓦表面缺陷检测方法 |
CN111223083A (zh) * | 2020-01-06 | 2020-06-02 | 宜通世纪物联网研究院(广州)有限公司 | 表面划痕检测神经网络的构建方法、系统、装置及介质 |
CN111311598A (zh) * | 2020-05-09 | 2020-06-19 | 创新奇智(南京)科技有限公司 | 基于多视角的紧固件表面缺陷检测方法及装置 |
CN111325713A (zh) * | 2020-01-21 | 2020-06-23 | 浙江省北大信息技术高等研究院 | 基于神经网络的木材缺陷检测方法、系统及存储介质 |
KR20200087297A (ko) * | 2018-12-28 | 2020-07-21 | 이화여자대학교 산학협력단 | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 |
CN111462120A (zh) * | 2020-06-17 | 2020-07-28 | 熵智科技(深圳)有限公司 | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 |
-
2020
- 2020-10-30 CN CN202011199608.3A patent/CN112288727A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170345140A1 (en) * | 2016-05-25 | 2017-11-30 | Kla-Tencor Corporation | Generating simulated images from input images for semiconductor applications |
KR20200087297A (ko) * | 2018-12-28 | 2020-07-21 | 이화여자대학교 산학협력단 | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 |
CN110232675A (zh) * | 2019-03-28 | 2019-09-13 | 昆明理工大学 | 一种工业环境下的纹理表面缺陷检测与分割装置及方法 |
CN111105411A (zh) * | 2019-12-30 | 2020-05-05 | 创新奇智(青岛)科技有限公司 | 一种磁瓦表面缺陷检测方法 |
CN111223083A (zh) * | 2020-01-06 | 2020-06-02 | 宜通世纪物联网研究院(广州)有限公司 | 表面划痕检测神经网络的构建方法、系统、装置及介质 |
CN111325713A (zh) * | 2020-01-21 | 2020-06-23 | 浙江省北大信息技术高等研究院 | 基于神经网络的木材缺陷检测方法、系统及存储介质 |
CN111311598A (zh) * | 2020-05-09 | 2020-06-19 | 创新奇智(南京)科技有限公司 | 基于多视角的紧固件表面缺陷检测方法及装置 |
CN111462120A (zh) * | 2020-06-17 | 2020-07-28 | 熵智科技(深圳)有限公司 | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 |
Non-Patent Citations (2)
Title |
---|
GUANHAO ZHOU 等: "Defect Detection Method For Steel Based On Semantic Segmentation", 《2020 IEEE 5TH INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE (ITOEC)》 * |
蔡彪 等: "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》, vol. 41, no. 3 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344901A (zh) * | 2021-06-25 | 2021-09-03 | 北京市商汤科技开发有限公司 | 涂胶缺陷检测方法、装置、存储介质及电子设备 |
WO2024002187A1 (zh) * | 2022-06-30 | 2024-01-04 | 中兴通讯股份有限公司 | 缺陷检测方法、缺陷检测设备及存储介质 |
CN115810125A (zh) * | 2022-12-09 | 2023-03-17 | 北京远舢智能科技有限公司 | 一种基于彩色光谱的烟叶检测方法、装置、设备及介质 |
CN116580026A (zh) * | 2023-07-12 | 2023-08-11 | 深圳市致尚科技股份有限公司 | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 |
CN116580026B (zh) * | 2023-07-12 | 2023-09-12 | 深圳市致尚科技股份有限公司 | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288727A (zh) | 磁环表面缺陷检测方法、装置、电子设备及存储介质 | |
CN106920229B (zh) | 图像模糊区域自动检测方法及系统 | |
CN108108731B (zh) | 基于合成数据的文本检测方法及装置 | |
Zhang et al. | Image segmentation based on 2D Otsu method with histogram analysis | |
CN108830225B (zh) | 太赫兹图像中目标物体的检测方法、装置、设备及介质 | |
CN107992819B (zh) | 一种车辆属性结构化特征的确定方法与装置 | |
CN110717489A (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
US20060245650A1 (en) | Precise grayscale character segmentation apparatus and method | |
CN111914843B (zh) | 文字检测方法、系统、设备及存储介质 | |
US20160259972A1 (en) | Complex background-oriented optical character recognition method and device | |
CN112434612A (zh) | 吸烟检测方法、装置、电子设备及计算机可读存储介质 | |
CN112906794A (zh) | 一种目标检测方法、装置、存储介质及终端 | |
CN110929635A (zh) | 基于信任机制下面部交并比的假脸视频检测方法及系统 | |
CN111311598A (zh) | 基于多视角的紧固件表面缺陷检测方法及装置 | |
CN111310757A (zh) | 视频弹幕检测识别方法及装置 | |
CN114022804A (zh) | 一种泄漏的检测方法、装置、系统及存储介质 | |
CN112991159A (zh) | 人脸光照质量评估方法、系统、服务器与计算机可读介质 | |
CN111241891B (zh) | 一种人脸图像切图方法、装置及计算机可读存储介质 | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
JP2021111228A (ja) | 学習装置、学習方法、及びプログラム | |
Sun et al. | Differential Abnormality-Based Tampering Detection in Digital Document Images | |
CN117351011B (zh) | 屏幕缺陷检测方法、设备和可读存储介质 | |
CN111260757A (zh) | 一种图像处理方法、装置及终端设备 | |
CN113888758B (zh) | 一种基于复杂场景中的弯曲文字识别方法和系统 | |
CN117576416B (zh) | 工件边缘区域的检测方法、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 |