CN112378916A - 基于机器视觉的图像分级自动化检测系统与方法 - Google Patents
基于机器视觉的图像分级自动化检测系统与方法 Download PDFInfo
- Publication number
- CN112378916A CN112378916A CN202011249389.5A CN202011249389A CN112378916A CN 112378916 A CN112378916 A CN 112378916A CN 202011249389 A CN202011249389 A CN 202011249389A CN 112378916 A CN112378916 A CN 112378916A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- target
- sampling
- detection system
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000012546 transfer Methods 0.000 claims abstract description 33
- 238000010191 image analysis Methods 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000000084 colloidal system Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
Abstract
本发明提出基于机器视觉的图像分级自动化检测系统与方法。所述系统包括第一目标传送系统、第二目标检测系统以及与所述第二目标检测系统无线通信的便携式移动终端；第一目标传送系统包括目标对象转移端；第二目标检测系统包括图像采集装置、图像存储装置以及图像处理装置；图像处理装置获取采样图像得出图像分析结果；基于所述图像分析结果，改变所述目标对象转移端的启闭状态；响应于目标对象转移端的启动信号，将图像分析结果以及采样图像发送至便携式移动终端，并将所述便携式移动终端的反馈信号发送至所述图像处理装置。本发明还提出基于所述系统实现的方法。本发明的技术方案能够基于机器视觉实现图像目标的自动化分级检测。
Description
技术领域
本发明属于机器视觉与图像处理技术领域，尤其涉及基于机器视觉的图像分级自动化检测系统与方法、实现该方法的计算机可读存储介质。
背景技术
机器视觉和图像处理技未大范圃地应用在品质检测与分级、农业生产目标识别与定位、植物长势检测、病害检测、積准管控等农业工程领域。机器视觉是触及到计算机科学、图像处理、人工智能、模式识别等领域的交叉学科。机器视觉相对于人工视觉具有优秀的彩色识别能为、空间及灰度分辨为，可实时处理，被广泛应用在半导体、钢铁、林木、汽车制造、包装、纺织、烟草、电子部件及设备、造船、物流等行业，可用来保证产品质量、控制生产流程、提高生产效率和感知环境等。
机器视觉技术己在医学图像分析、印刷栓测、精确机器人导航、军事目标识别、工业检测与控制、农业等方面展现了巨大的优越性，给人类带来前所未有的经济效益和社会效益。
例如，申请号为CN202010419696.7的中国发明专利申请提出基于机器视觉的纽扣电池负极壳缺陷检测方法，负极壳出料反面朝上有序地经过一号工位、二号工位、三号工位进行缺陷检测，然后进入翻转流槽，正面朝上依次经过四号工位、五号工位进行缺陷；一号工位用于纽扣电池负极壳反面密封圈胶体缺陷检测；二号工位用于纽扣电池负极壳反面金属面和密封圈的缺陷检测；三号工位用于纽扣电池负极壳反面内缺胶、外缺胶缺陷检测；四号工位用于纽扣电池负极壳正面密封圈胶体和金属面的缺陷检测；五号工位用于纽扣电池负极壳正面外打点和压伤缺陷检测。该发明在多个视觉检测工位分别采用不同的视觉光源配置，对纽扣电池负极盖正反两面的内外沿及表面等进行全方位检测。
申请号为CN202010788611.2的中国发明专利申请提出基于图像处理和机器学习的视觉检测系统，包括移动防尘系统、负责对整个检测系统进行图像采集的图像采集系统、负责对整个检测系统的图像和检测数据进行处理并将检测数据进行保存和上传同时还能够将检测数据传输至企业管理系统的图像处理系统。该发明实时性强、稳定性好、准确性高、可随时监控检测结果，方便安装。
然而，机器视觉所进行的检测和识别实质上是依赖于其所得到的目标对象的图像数据以及所使用的识别模型，因此，图像数据和识别模型本身的精度对于机器视觉的效果有着重大影响。现有技术并未考虑此类问题，使用静态的固定不变的图像采集技术和识别模型，可能会导致识别结果出现错误，甚至于错误的记忆性下的累计错误，从而使得机器识别的精确性逐步降低。
发明内容
为解决上述技术问题，本发明提出基于机器视觉的图像分级自动化检测系统与方法。所述系统包括第一目标传送系统、第二目标检测系统以及与所述第二目标检测系统无线通信的便携式移动终端；第一目标传送系统包括目标对象转移端；第二目标检测系统包括图像采集装置、图像存储装置以及图像处理装置；图像处理装置获取采样图像得出图像分析结果；基于所述图像分析结果，改变所述目标对象转移端的启闭状态；响应于目标对象转移端的启动信号，将图像分析结果以及采样图像发送至便携式移动终端，并将所述便携式移动终端的反馈信号发送至所述图像处理装置。
本发明还提出基于所述系统实现的方法。
概括来说，本发明的技术方案能够基于机器视觉实现图像目标的自动化分级检测。
具体来说，在本发明的第一个方面，提出基于机器视觉的图像分级自动化检测系统，所述系统包括第一目标传送系统、第二目标检测系统以及与所述第二目标检测系统无线通信的便携式移动终端；
所述图像采集装置用于获取所述第一目标传送装置的传送带上的目标对象的多张不同分辨率的采样图像；所述采样图像包含所述目标对象的至少一个识别编码；
所述第一目标传送装置包括目标对象输入端、目标对象输出端以及目标对象转移端；
在本发明中，所述目标对象输入端用于将目标对象送入所述传送带；所述目标输出端用于将所述目标对象驱离出所述传送带；所述目标对象转移端在启动时，用于将所述目标对象从所述传送带上转移；
所述第二目标检测系统包括图像采集装置、图像存储装置以及图像处理装置；
所述图像处理装置获取所述采样图像，基于至少一种图像处理模型对其进行图像处理后，得出图像分析结果；
基于所述图像分析结果，改变所述目标对象转移端的启闭状态；
响应于所述目标对象转移端的启动信号，将所述图像分析结果以及所述采样图像发送至所述便携式移动终端，并将所述便携式移动终端的反馈信号发送至所述图像处理装置；响应于所述反馈信号，将所述采样图像存贮至所述图像存储装置。
所述图像采集装置包括多种不同级别分辨率的图像采集模式；
在初始状态下，所述图像采集装置使用最低分辨率的图像采集模式获取所述第一目标传送装置的传送带上的目标对象的采样图像。
响应于所述目标对象转移端的启动信号，所述图像采集装置切换所述图像采集模式，使得切换后所述图像采集装置获取所述第一目标传送装置的传送带上的目标对象的采样图像的分辨率提高。
响应于所述目标对象转移端的关闭信号，所述图像采集装置切换所述图像采集模式，使得切换后所述图像采集装置获取所述第一目标传送装置的传送带上的目标对象的采样图像的分辨率降低。
所述便携式移动终端的授权用户对所述图像分析结果以及所述采样图像进行人工标注和结果反馈，并将所述人工标注和结果反馈信息发送至所述图像处理装置，用于对所述图像处理装置的所述图像处理模型进行更新。
在本发明第二个方面，提供一种基于前述的图像分级自动化检测系统实现的图像分级自动化检测方法，所述方法主要包括如下步骤：
S100：初始化图像分级自动化检测系统；
S200：获取目标对象的采样图像；
S300：基于图像处理模型对所述采样图像进行识别，获取所述采样图像的识别编码以及识别结果；
S400：判断所述识别结果是否异常；如果是，进入步骤S500；如果否，则返回步骤S200；
S500：切换图像分级自动化检测系统的状态，并将所述识别结果以及所述采样图像发送至便携式移动终端；
S600：接收所述便携式移动终端的反馈信号，基于所述反馈信号对所述图像处理模型进行更新，返回步骤S200。
更具体的，所述步骤S500中切换图像分级自动化检测系统的状态，包括：
切换所述图像分级自动化检测系统中图像采集装置的图像采集分辨率。
本发明的上述方法可以通过计算机程序指令的形式自动化的实现。因此，在本发明的第三个方面，提供一种非易失性计算机可读存贮介质，其上存储有可执行程序指令；通过包含处理器和存储器的终端设备，执行所述程序指令，用于实现前述的图像分级自动化检测方法的全部或者部分步骤。
本发明的技术方案，采用机器视觉实现图像自动检测之后，还能够结合专家用户的人工标注进一步获取有利训练数据实现模型更新，从而使得后续的机器视觉识别准确度进一步提高；此外，本发明采用不同分辨率的采集模式进行图像采样，能够使得采样数据符合实际情况的精度要求的同时，降低硬件成本。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明一个实施例的基于机器视觉的图像分级自动化检测系统的主体架构图
图2是实现图1所述系统的一个更具体的实施例
图3是图1所述系统进行采样分辨率调整的一个实施例的原理示意图
图4是基于图1所述方法实现的一种图像分级自动化检测方法的主体流程图。
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述。
参见图1，是本发明一个实施例的基于机器视觉的图像分级自动化检测系统的主体架构图。
图1所述所述系统包括第一目标传送系统、第二目标检测系统以及与所述第二目标检测系统无线通信的便携式移动终端。
作为优选，所述便携式移动终端具备图像交互、图像标注以及结果反馈的人机交互界面；
作为优选，所述便携式移动终端还包括训练勿扰模式。在所述训练勿扰模式下，所述便携式移动终端不接收所述第二目标检测系统的通信数据。
在图1基础上，参见图2。
在图2中，所述第一目标传送装置包括目标对象输入端、目标对象输出端以及目标对象转移端。
更具体的，所述第一目标传送装置包括环形传送带，所述目标对象输入端、目标对象输出端以及目标对象转移端位于所述环形传送带的不同位置。
作为原理性的介绍，所述目标对象输入端用于将目标对象送入所述传送带；所述目标输出端用于将所述目标对象驱离出所述传送带；所述目标对象转移端在启动时，用于将所述目标对象从所述传送带上转移。
在初始状态下，所述目标对象转移端处于关闭状态，所述目标对象输入端和所述所述目标输出端处于开启状态。
在正常工作状态下，每个所述目标对象从所述目标对象输入端进入所述环形传送带，从所述目标对象输出端或所述目标对象转移端离开所述环形传送带。
所述第二目标检测系统包括图像采集装置、图像存储装置以及图像处理装置；
所述图像采集装置用于获取所述第一目标传送装置的传送带上的目标对象的多张不同分辨率的采样图像；所述采样图像包含所述目标对象的至少一个识别编码；
所述图像处理装置获取所述采样图像，基于至少一种图像处理模型对其进行图像处理后，得出图像分析结果；
基于所述图像分析结果，改变所述目标对象转移端的启闭状态；
响应于所述目标对象转移端的启动信号，将所述图像分析结果以及所述采样图像发送至所述便携式移动终端，并将所述便携式移动终端的反馈信号发送至所述图像处理装置；
响应于所述反馈信号，将所述采样图像存贮至所述图像存储装置。
所述图像采集装置包括多种不同级别分辨率的图像采集模式；
在初始状态下，所述图像采集装置使用最低分辨率的图像采集模式获取所述第一目标传送装置的传送带上的目标对象的采样图像。
所述图像处理模型可以是目标对象识别模型，用于识别采样图像中的目标对象并对其进行状态检测。
所述状态检测可以是采用机器视觉技术、图像处理技术等，识别目标对象的属性，从而判断其是否存在异常。
例如，对于生产线来说，可以通过状态检测判断当前生产件(目标对象)是否存在异常(例如变形、裂缝等)；
对于物件识别来说，可以通过状态检测识别出当前物件是否存在缺损；还可以是其他场景，例如生鲜、蔬菜、水果等的质量判断等。
所述图像处理装置获取所述采样图像，基于至少一种图像处理模型对其进行图像处理后，得出图像分析结果；
参见图3，在本实施例中，图像分析结果可以概括为是否存在异常；
如果存在异常，则启动所述目标对象转移端，同时判断当前所述图像采集装置是否采用了最高分辨率进行图像采集，如果不是，则提高所述图像采集的分辨率；
与此相对应的，如果不存在异常，则判断当前所述图像采集装置是否采用了最低分辨率进行图像采集，如果不是，则降低所述图像采集的分辨率；
显然，本实施例相对于现有技术，首次使用了不同的分辨率来表示同一幅图像的简单结构，即引入图片金字塔技术。
图像金字塔最初被用在图像压缩技术上，减少图像所占的空间。
在本发明中，则将其使用在机器视觉相关的图像处理过程中，可执行后续的模板匹配与图像识别，可以在满足实际图片的采集和识别精度的前提下，降低内存需求，节约硬件硬件成本。
基于图1-图3所述的系统，参见图4，给出了基于前述的图像分级自动化检测系统实现的图像分级自动化检测方法，所述方法主要包括如下步骤：
S100：初始化图像分级自动化检测系统；
在具体实现中，这里的初始化，主要是关闭所述目标对象转移端，同时设置所述图像采集装置的采样分辨率；
在初始状态下，是使用最低分辨率的图像采集模式获取所述第一目标传送装置的传送带上的目标对象的采样图像；
S200：获取目标对象的采样图像；
此时，所述图像采集装置使用最低分辨率的图像采集模式获取所述第一目标传送装置的传送带上的目标对象的采样图像；
S300：基于图像处理模型对所述采样图像进行识别，获取所述采样图像的识别编码以及识别结果；
在本实例中，所述被采样的目标对象本身具备唯一的识别编码，能够被所述图像采集装置识别出来，用于标识所述目标对象，使得后续如果所述目标对象转移端要对目标对象进行转移时，能够识别出要转移哪一个目标对象；
所述识别结果包括异常或者正常；
S400：判断所述识别结果是否异常；如果是，进入步骤S500；如果否，则返回步骤S200；
S500：切换图像分级自动化检测系统的状态，并将所述识别结果以及所述采样图像发送至便携式移动终端；
更具体的，如果识别结果异常，则需要将所述图像采集装置图像采集模式的分辨率提高，同时，还需要启动所述目标对象转移端对目标对象进行转移；
如果当前图像采集模式不是最高分辨率，则可以提高；
如果当前图像采集模式已经是最高分辨率，则应当发送调节信号给所述第一目标传送装置，改变所述第一目标传送装置的传送参数，例如，降低传送速度。
因此，切换图像分级自动化检测系统的状态至少包括：改变所述图像采集装置图像采集模式的分辨率、改变所述第一目标传送装置的传送参数以及改变所述目标对象转移端的状态；
并且，在识别结果异常时，还需要将所述图像分析结果以及所述采样图像发送至所述便携式移动终端，并将所述便携式移动终端的反馈信号发送至所述图像处理装置；
所述便携式移动终端的授权用户对所述图像分析结果以及所述采样图像进行人工标注和结果反馈，并将所述人工标注和结果反馈信息发送至所述图像处理装置。
S600：接收所述便携式移动终端的反馈信号，基于所述反馈信号对所述图像处理模型进行更新，返回步骤S200。
在上述实施例中，响应于所述反馈信号，将所述采样图像存贮至所述图像存储装置。
具体执行如下：
将所述人工标注后的所述采样图像作为训练样本；
将所述结果反馈信息作为所述采样图像的校验样本；
基于所述训练样本和所述校验样本，对所述图像处理模型进行训练更新。
此时，响应于所述反馈信号，将从所述目标对象转移端离开所述环形传送带的所述目标对象，通过所述目标对象输入端进入所述环形传送带。
本发明所提到的现有技术技术作为本申请的一部分引入其中。
显然，本发明上述实施例采用机器视觉实现图像自动检测之后，还能够结合专家用户的人工标注进一步获取有利训练数据实现模型更新，从而使得后续的机器视觉识别准确度进一步提高；此外，本发明采用不同分辨率的采集模式进行图像采样，能够使得采样数据符合实际情况的精度要求的同时，降低硬件成本。
不同的实施例数据表明，采用本发明的技术方案后，机器视觉系统的识别效率和识别准确性都会保持在一个稳定的较高水平，而不会由于个别错误的出现而出现累计错误的记忆效应。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于机器视觉的图像分级自动化检测系统，所述系统包括第一目标传送系统、第二目标检测系统以及与所述第二目标检测系统无线通信的便携式移动终端；
其特征在于：
所述第一目标传送装置包括目标对象输入端、目标对象输出端以及目标对象转移端；
所述第二目标检测系统包括图像采集装置、图像存储装置以及图像处理装置；
所述图像采集装置用于获取所述第一目标传送装置的传送带上的目标对象的多张不同分辨率的采样图像；所述采样图像包含所述目标对象的至少一个识别编码；
所述图像处理装置获取所述采样图像，基于至少一种图像处理模型对其进行图像处理后，得出图像分析结果；
基于所述图像分析结果，改变所述目标对象转移端的启闭状态；
响应于所述目标对象转移端的启动信号，将所述图像分析结果以及所述采样图像发送至所述便携式移动终端，并将所述便携式移动终端的反馈信号发送至所述图像处理装置；
响应于所述反馈信号，将所述采样图像存贮至所述图像存储装置。
2.如权利要求1所述的一种基于机器视觉的图像分级自动化检测系统，其特征在于：
所述第一目标传送装置包括环形传送带，所述目标对象输入端、目标对象输出端以及目标对象转移端位于所述环形传送带的不同位置。
3.如权利要求1或2所述的一种基于机器视觉的图像分级自动化检测系统，其特征在于：
所述图像采集装置包括多种不同级别分辨率的图像采集模式；
在初始状态下，所述图像采集装置使用最低分辨率的图像采集模式获取所述第一目标传送装置的传送带上的目标对象的采样图像。
4.如权利要求2所述的一种基于机器视觉的图像分级自动化检测系统，其特征在于：
每个所述目标对象从所述目标对象输入端进入所述环形传送带，从所述目标对象输出端或所述目标对象转移端离开所述环形传送带。
5.如权利要求3所述的一种基于机器视觉的图像分级自动化检测系统，其特征在于：
响应于所述目标对象转移端的启动信号，所述图像采集装置切换所述图像采集模式，使得切换后所述图像采集装置获取所述第一目标传送装置的传送带上的目标对象的采样图像的分辨率提高。
6.如权利要求3所述的一种基于机器视觉的图像分级自动化检测系统，其特征在于：
响应于所述目标对象转移端的关闭信号，所述图像采集装置切换所述图像采集模式，使得切换后所述图像采集装置获取所述第一目标传送装置的传送带上的目标对象的采样图像的分辨率降低。
7.如权利要求1所述的一种基于机器视觉的图像分级自动化检测系统，其特征在于：
将所述图像分析结果以及所述采样图像发送至所述便携式移动终端，并将所述便携式移动终端的反馈信号发送至所述图像处理装置，具体包括：
所述便携式移动终端的授权用户对所述图像分析结果以及所述采样图像进行人工标注和结果反馈，并将所述人工标注和结果反馈信息发送至所述图像处理装置。
8.如权利要求7所述的一种基于机器视觉的图像分级自动化检测系统，其特征在于：
响应于所述反馈信号，将所述采样图像存贮至所述图像存储装置，具体包括：
将所述人工标注后的所述采样图像作为训练样本；
将所述结果反馈信息作为所述采样图像的校验样本；
基于所述训练样本和所述校验样本，对所述图像处理模型进行训练更新。
9.一种基于机器视觉的图像分级自动化检测方法，其特征在于，
所述方法包括如下步骤：
S100：初始化图像分级自动化检测系统；
S200：获取目标对象的采样图像；
S300：基于图像处理模型对所述采样图像进行识别，获取所述采样图像的识别编码以及识别结果；
S400：判断所述识别结果是否异常；如果是，进入步骤S500；如果否，则返回步骤S200；
S500：切换图像分级自动化检测系统的状态，并将所述识别结果以及所述采样图像发送至便携式移动终端；
S600：接收所述便携式移动终端的反馈信号，基于所述反馈信号对所述图像处理模型进行更新，返回步骤S200。
10.如权利要求9所述的方法，其特征在于：
所述步骤S500中切换图像分级自动化检测系统的状态，包括：
切换所述图像分级自动化检测系统中图像采集装置的图像采集分辨率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011249389.5A CN112378916B (zh) | 2020-11-10 | 2020-11-10 | 基于机器视觉的图像分级自动化检测系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011249389.5A CN112378916B (zh) | 2020-11-10 | 2020-11-10 | 基于机器视觉的图像分级自动化检测系统与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112378916A true CN112378916A (zh) | 2021-02-19 |
| CN112378916B CN112378916B (zh) | 2024-03-29 |
Family
ID=74579271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011249389.5A Active CN112378916B (zh) | 2020-11-10 | 2020-11-10 | 基于机器视觉的图像分级自动化检测系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112378916B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
| WO2017177903A1 (zh) * | 2016-04-13 | 2017-10-19 | 芋头科技（杭州）有限公司 | 一种实时手势检测的在线验证方法及系统 |
| CN107291737A (zh) * | 2016-04-01 | 2017-10-24 | 腾讯科技（深圳）有限公司 | 敏感图像识别方法及装置 |
| CN108462842A (zh) * | 2018-05-14 | 2018-08-28 | 恒玄科技（上海）有限公司 | 一种高准确度、低功耗的视屏监控方法及监控系统 |
| WO2019126908A1 (zh) * | 2017-12-25 | 2019-07-04 | 深圳市大疆创新科技有限公司 | 图像数据处理方法、装置及设备 |
| CN111210024A (zh) * | 2020-01-14 | 2020-05-29 | 深圳供电局有限公司 | 模型训练方法、装置、计算机设备和存储介质 |
-
2020
- 2020-11-10 CN CN202011249389.5A patent/CN112378916B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107291737A (zh) * | 2016-04-01 | 2017-10-24 | 腾讯科技（深圳）有限公司 | 敏感图像识别方法及装置 |
| WO2017177903A1 (zh) * | 2016-04-13 | 2017-10-19 | 芋头科技（杭州）有限公司 | 一种实时手势检测的在线验证方法及系统 |
| CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
| WO2019126908A1 (zh) * | 2017-12-25 | 2019-07-04 | 深圳市大疆创新科技有限公司 | 图像数据处理方法、装置及设备 |
| CN108462842A (zh) * | 2018-05-14 | 2018-08-28 | 恒玄科技（上海）有限公司 | 一种高准确度、低功耗的视屏监控方法及监控系统 |
| CN111210024A (zh) * | 2020-01-14 | 2020-05-29 | 深圳供电局有限公司 | 模型训练方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112378916B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| KR102166458B1 (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
| US20200013156A1 (en) | Method for monitoring manufacture of assembly units | |
| CN112686833B (zh) | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 | |
| US20200175673A1 (en) | Method and device for detecting defect of meal box, server, and storage medium | |
| CN110049121B (zh) | 一种基于增强现实技术的数据中心巡检系统 | |
| CN110689539A (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
| CN103776841A (zh) | 合成革缺陷自动检测装置及检测方法 | |
| CN112651966A (zh) | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 | |
| CN110560376B (zh) | 一种产品表面缺陷检测方法及装置 | |
| CN111699499A (zh) | 检查系统、图像识别系统、识别系统、识别器生成系统及学习数据生成装置 | |
| CN111950396A (zh) | 一种仪表读数神经网络识别方法 | |
| CN111033563A (zh) | 一种免疫层析检测的图像分析方法以及系统 | |
| CN114723706A (zh) | 一种基于机器视觉的焊点检测定位方法 | |
| CN110837860A (zh) | 基于深度学习的贴片检测方法及相关系统 | |
| CN111060518A (zh) | 一种基于实例分割的冲压件缺陷识别方法 | |
| CN111429431A (zh) | 一种基于卷积神经网络的元件定位识别方法 | |
| CN112378916B (zh) | 基于机器视觉的图像分级自动化检测系统与方法 | |
| CN112347947A (zh) | 融合智能检测与自动化测试的图像数据处理系统与方法 | |
| CN113408630A (zh) | 一种变电站指示灯状态识别方法 | |
| CN113012228A (zh) | 一种工位定位系统及基于深度学习的工件定位方法 | |
| CN112710671A (zh) | 吊运小车天轨滑触线缺陷视觉智能巡检装置及检查方法 | |
| CN112183374A (zh) | 一种基于树莓派和深度学习的快递自动分拣装置及方法 | |
| CN207937374U (zh) | 一种焊盘焊接缺陷检测装置 | |
| CN116474976A (zh) | 一种具备视觉检测的高速喷涂系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |