CN112668647A - 一种图像的检测方法、装置及计算机可读存储介质 - Google Patents
一种图像的检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112668647A CN112668647A CN202011587159.XA CN202011587159A CN112668647A CN 112668647 A CN112668647 A CN 112668647A CN 202011587159 A CN202011587159 A CN 202011587159A CN 112668647 A CN112668647 A CN 112668647A
- Authority
- CN
- China
- Prior art keywords
- image
- shot image
- shot
- detecting
- detection model
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像的检测方法、装置及计算机可读存储介质,该方法,包括:获取训练样本,训练样本包括:多张样本物品的第一拍摄图像;第一拍摄图像中去除了印刷数据、且第一拍摄图像中标注了目标元素;印刷数据用于指示样本物品上的印刷内容;向神经网络输入多张第一拍摄图像,以训练图像检测模型;获取待检测物品的第二拍摄图像,第二拍摄图像中去除了印刷数据;使用图像检测模型对第二拍摄图像进行检测,识别出第二拍摄图像中的目标。由于第二拍摄图像中去除了印刷数据,因此在采用图像检测模型检测第二拍摄图像中的目标时,可以减少印刷数据产生的干扰,从而图像检测模型可以准确识别第二拍摄图像中的目标,完成对待检测物品的检测任务。
Description
技术领域
本申请涉及图像检测技术领域,尤其涉及一种图像的检测方法、装置及计算机可读存储介质。
背景技术
便携式电子设备整机的生产与组装过程中,针对产品物理键盘所在的平面(简称为C面),需要进行质量检测。C面质量检测时,需要检测C面表面有无瑕疵异常,其中,瑕疵种类包括如划痕(有感/无感)、残胶、油印、飞溅、水渍等。
目前,C面质量检测的环节中,自动化光学检测设备广泛应用。自动化光学检测设备以非接触方式对待检测C面进行动态或静态拍照成像,然后通过计算机视觉技术进行瑕疵检测。然而由于C面平面存在多种设计结构,如键盘、标签、标志、指纹处理器、触摸板等,以键盘为例,键盘上不同语言的印刷数据在瑕疵检测时干扰巨大,极易误识别为划痕或其他瑕疵,因此,通过计算机视觉技术进行瑕疵检测时,检测的准确率较低。
申请内容
本发明实施例通过提供一种图像的检测方法、装置及计算机可读存储介质,用以解决现有技术中通过计算机视觉技术进行瑕疵检测时,检测的准确率较低的问题。
为了解决上述问题,第一方面,本发明实施例提供了一种图像的检测方法,包括:获取训练样本,训练样本包括:多张样本物品的第一拍摄图像;第一拍摄图像中去除了印刷数据、且第一拍摄图像中标注了目标元素;印刷数据用于指示样本物品上的印刷内容;向神经网络输入多张第一拍摄图像,以训练图像检测模型;获取待检测物品的第二拍摄图像,第二拍摄图像中去除了印刷数据;使用图像检测模型对第二拍摄图像进行检测,识别出第二拍摄图像中的目标。
可选地,向神经网络输入多张第一拍摄图像,以训练图像检测模型,包括:将每张第一拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;将每张第一拍摄图像对应的多张切割后的图像输入神经网络,以训练图像检测模型。
可选地,使用图像检测模型对第二拍摄图像进行检测,包括:将第二拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;使用图像检测模型对第二拍摄图像对应的多张切割后的图像进行检测,识别出第二拍摄图像对应的多张切割后的图像中的目标。
可选地,图像的检测方法还包括:将检测后的第二拍摄图像对应的多张切割后的图像进行拼接。
可选地,获取去除了印刷数据的第一拍摄图像或者第二拍摄图像,包括:获取物品的原始拍摄图像和物品的设计图像;从设计图像中提取第一印刷数据;从原始拍摄图像中确定与第一印刷数据匹配的数据作为第二印刷数据;从原始拍摄图像中去除第二印刷数据;原始拍摄图像为样本物品的原始拍摄图像时,从原始拍摄图像中去除第二印刷数据后得到第一拍摄图像;原始拍摄图像为待检测物品的原始拍摄图像时,从原始拍摄图像中去除第二印刷数据后得到第二拍摄图像。
第二方面,本发明实施例提供了一种图像的检测装置,包括:第一获取单元,用于获取训练样本,训练样本包括:多张样本物品的第一拍摄图像;第一拍摄图像中去除了印刷数据、且第一拍摄图像中标注了目标元素;印刷数据用于指示样本物品上的印刷内容;训练单元,用于向神经网络输入多张第一拍摄图像,以训练图像检测模型;第二获取单元,用于获取待检测物品的第二拍摄图像,第二拍摄图像中去除了印刷数据;检测单元,用于使用图像检测模型对第二拍摄图像进行检测,识别出第二拍摄图像中的目标。
可选地,训练单元包括:第一切割子单元,用于将每张第一拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;训练子单元,用于将每张第一拍摄图像对应的多张切割后的图像输入神经网络,以训练图像检测模型。
可选地,检测单元包括:第二切割子单元,用于将第二拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;检测子单元,用于使用图像检测模型对第二拍摄图像对应的多张切割后的图像进行检测,识别出第二拍摄图像对应的多张切割后的图像中的目标。
第三方面,本发明实施例提供了一种计算机,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行如第一方面或第一方面任意实施方式中的图像的检测方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行如第一方面或第一方面任意实施方式中的图像的检测方法。
本发明实施例提供的图像的检测方法、装置及计算机可读存储介质,通过获取训练样本,训练样本包括:多张样本物品的第一拍摄图像,第一拍摄图像中去除了印刷数据、且第一拍摄图像中标注了目标元素,印刷数据用于指示样本物品上的印刷内容,然后向神经网络输入多张第一拍摄图像,以训练图像检测模型;然后通过获取待检测物品的第二拍摄图像,第二拍摄图像中去除了印刷数据;并使用图像检测模型对第二拍摄图像进行检测,从而图像检测模型可以检测去除了印刷数据的第二拍摄图像中的目标,且由于第二拍摄图像中去除了印刷数据,因此在采用图像检测模型检测第二拍摄图像中的目标时,可以减少印刷数据产生的干扰,从而图像检测模型可以准确识别第二拍摄图像中的目标,完成对待检测物品的检测任务。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本发明实施例中一种图像的检测方法的流程示意图;
图2为本发明实施例中一种图像的检测装置的结构示意图;
图3为本发明实施例中一种计算机的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种图像的检测方法,如图1所示,包括:
S101.获取训练样本,训练样本包括:多张样本物品的第一拍摄图像;第一拍摄图像中去除了印刷数据、且第一拍摄图像中标注了目标元素;印刷数据用于指示样本物品上的印刷内容;具体地,在获取多张样本物品的第一拍摄图像时,可以采用自动化光学检测设备对多个样本物品进行动态或静态拍摄,得到多张样本物品的原始拍摄图像。然后通过去除多张样本物品的原始拍摄图像中的印刷数据,得到多张样本物品的第一拍摄图像。印刷数据是指样本物品上的印刷内容,例如键盘上的印刷字符。然后可以通过在多张样本物品的第一拍摄图像中分别标注好目标元素,从而得到训练样本。目标元素可以为划痕、残胶、油印、水渍等。
S102.向神经网络输入多张第一拍摄图像,以训练图像检测模型;具体地,可以将整张的第一拍摄图像输入神经网络,以训练图像检测模型,也可以将第一拍摄图像切割为多个小分辨率的图像,将第一拍摄图像对应的多个切割后的图像输入神经网络,以训练图像检测模型。
S103.获取待检测物品的第二拍摄图像,第二拍摄图像中去除了印刷数据;具体地,可以采用自动化光学检测设备对待检测物品进行动态或静态拍摄,得到待检测物品的原始拍摄图像。然后通过去除待检测物品的原始拍摄图像中的印刷数据,得到待检测物品的第二拍摄图像。
S104.使用图像检测模型对第二拍摄图像进行检测,识别出第二拍摄图像中的目标。具体地,由于图像检测模型是采用多张第一拍摄图像训练得到的,且第一拍摄图像中去除了印刷数据,并标注了目标元素,因此,使用图像检测模型对去除了印刷数据的第二拍摄图像进行检测,可以识别出第二拍摄图像中的目标。
本发明实施例提供的图像的检测方法,通过获取训练样本,训练样本包括:多张样本物品的第一拍摄图像,第一拍摄图像中去除了印刷数据、且第一拍摄图像中标注了目标元素,印刷数据用于指示样本物品上的印刷内容,然后向神经网络输入多张第一拍摄图像,以训练图像检测模型;然后通过获取待检测物品的第二拍摄图像,第二拍摄图像中去除了印刷数据;并使用图像检测模型对第二拍摄图像进行检测,从而图像检测模型可以检测去除了印刷数据的第二拍摄图像中的目标,且由于第二拍摄图像中去除了印刷数据,因此在采用图像检测模型检测第二拍摄图像中的目标时,可以减少印刷数据产生的干扰,从而图像检测模型可以准确识别第二拍摄图像中的目标,完成对待检测物品的检测任务。
在可选的实施例中,步骤S102,向神经网络输入多张第一拍摄图像,以训练图像检测模型,可以包括:将每张第一拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;将每张第一拍摄图像对应的多张切割后的图像输入神经网络,以训练图像检测模型。
具体地,由于第一拍摄图像一般为高分辨率图像,如果直接将整张的第一拍摄图像输入神经网络模型进行训练,由于图像文件占用的硬件资源较高,则对于终端工控机的硬件要求较高。因此,在本发明实施例中,可以将每张第一拍摄图像进行不定步长的切割,将高分辨率的第一拍摄图像,切割为多张小分辨率的图像,得到对应的多张切割后的图像。然后再将每张第一拍摄图像对应的多张切割后的图像输入神经网络,以训练图像检测模型。
通过将每张第一拍摄图像进行不定步长的切割,得到对应的多张切割后的图像,将每张第一拍摄图像对应的多张切割后的图像输入神经网络,以训练图像检测模型,一方面,可以减少训练样本收集的时间,另一方面,则可以降低对终端工控机的硬件要求。
在可选的实施例中,步骤S104中,使用图像检测模型对第二拍摄图像进行检测,可以包括:将第二拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;使用图像检测模型对第二拍摄图像对应的多张切割后的图像进行检测,识别出第二拍摄图像对应的多张切割后的图像中的目标。
具体地,在使用图像检测模型对第二拍摄图像进行检测时,由于第二拍摄图像一般是高分辨率的图像,因此,可以将第二拍摄图像进行不定步长的切割,切割为多张小分辨率的图像。然后将第二拍摄图像对应的多张切割后的图像输入图像检测模型,得到第二拍摄图像对应的多张切割后的图像中的目标。
通过将第二拍摄图像进行不定步长的切割,得到多张小分辨率的图像,从而图像检测模型在识别每张小分辨率的图像中的目标时,图像识别模型中网络的推理速度较快,从而可以减少图像检测的时间,从而使得图像检测的速度满足待检测物品的流水线生产节拍的检测要求。
在可选的实施例中,图像的检测方法还包括:将检测后的第二拍摄图像对应的多张切割后的图像进行拼接。
具体地,由于图像检测模型是对第二拍摄图像对应的多张切割后的图像进行检测,识别出第二拍摄图像对应的多张切割后的图像中的目标,因此,为了得到第二拍摄图像中的目标,还可以采用图像拼接技术将检测后的第二拍摄图像对应的多张切割后的图像进行拼接。将检测后的第二拍摄图像对应的多张切割后的图像进行拼接,可以得到第二拍摄图像中的目标,且便于用户查看第二拍摄图像中的目标。
在可选的实施例中,获取去除了印刷数据的第一拍摄图像或者第二拍摄图像,包括:获取物品的原始拍摄图像和物品的设计图像;从设计图像中提取第一印刷数据;从原始拍摄图像中确定与第一印刷数据匹配的数据作为第二印刷数据;从原始拍摄图像中去除第二印刷数据;原始拍摄图像为样本物品的原始拍摄图像时,从原始拍摄图像中去除第二印刷数据后得到第一拍摄图像;原始拍摄图像为待检测物品的原始拍摄图像时,从原始拍摄图像中去除第二印刷数据后得到第二拍摄图像。
具体地,可以采用自动化光学检测设备对样本物品/待检测物品进行动态或静态拍摄,得到样本物品/待检测物品的原始拍摄图像。由于样本物品/待检测物品在生产时,都需要进行设计,因此,都具有对应的设计图像,而设计图像中都对应设计有第一印刷数据,因此,从设计图像中可以提取到第一印刷数据。并且,样本物品/待检测物品在生产时,是按照设计图像进行加工的,因此,样本物品/待检测物品的原始拍摄图像中具有与设计图像中的第一印刷数据对应的数据。通过数据匹配技术,可以从样本物品/待检测物品的原始拍摄图像中确定与第一印刷数据匹配的数据作为第二印刷数据。将样本物品的原始拍摄图像中的第二印刷数据去除后,可以得到第一拍摄图像。将待检测物品的原始拍摄图像中的第二印刷数据去除后,可以得到第二拍摄图像。
在本发明实施例中,由于物品的设计图像中具有第一印刷数据,而物品的原始拍摄图像中具有与设计图像中的第一印刷数据匹配的数据,因此通过获取物品的原始拍摄图像和物品的设计图像;从设计图像中提取第一印刷数据;从原始拍摄图像中确定与第一印刷数据匹配的数据作为第二印刷数据;从原始拍摄图像中去除第二印刷数据;原始拍摄图像为样本物品的原始拍摄图像时,从原始拍摄图像中去除第二印刷数据后得到第一拍摄图像;原始拍摄图像为待检测物品的原始拍摄图像时,从原始拍摄图像中去除第二印刷数据后得到第二拍摄图像,可以快速地得到第一拍摄图像和第二拍摄图像。
本发明实施例还提供了一种图像的检测装置,如图2所示,包括:第一获取单元201,用于获取训练样本,训练样本包括:多张样本物品的第一拍摄图像;第一拍摄图像中去除了印刷数据、且第一拍摄图像中标注了目标元素;印刷数据用于指示样本物品上的印刷内容;具体地实施方式详见上述方法实施例中步骤S101的描述,在此不再赘述。训练单元202,用于向神经网络输入多张第一拍摄图像,以训练图像检测模型;具体地实施方式详见上述方法实施例中步骤S102的描述,在此不再赘述。第二获取单元203,用于获取待检测物品的第二拍摄图像,第二拍摄图像中去除了印刷数据;具体地实施方式详见上述方法实施例中步骤S103的描述,在此不再赘述。检测单元204,用于使用图像检测模型对第二拍摄图像进行检测,识别出第二拍摄图像中的目标。具体地实施方式详见上述方法实施例中步骤S104的描述,在此不再赘述。
本发明实施例提供的图像的检测方法、装置及计算机可读存储介质,通过获取训练样本,训练样本包括:多张样本物品的第一拍摄图像,第一拍摄图像中去除了印刷数据、且第一拍摄图像中标注了目标元素,印刷数据用于指示样本物品上的印刷内容,然后向神经网络输入多张第一拍摄图像,以训练图像检测模型;然后通过获取待检测物品的第二拍摄图像,第二拍摄图像中去除了印刷数据;并使用图像检测模型对第二拍摄图像进行检测,从而图像检测模型可以检测去除了印刷数据的第二拍摄图像中的目标,且由于第二拍摄图像中去除了印刷数据,因此在采用图像检测模型检测第二拍摄图像中的目标时,可以减少印刷数据产生的干扰,从而图像检测模型可以准确识别第二拍摄图像中的目标,完成对待检测物品的检测任务。
在可选的实施例中,训练单元包括:第一切割子单元,用于将每张第一拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;训练子单元,用于将每张第一拍摄图像对应的多张切割后的图像输入神经网络,以训练图像检测模型。
具体地,由于第一拍摄图像一般为高分辨率图像,如果直接将整张的第一拍摄图像输入神经网络模型进行训练,由于图像文件占用的硬件资源较高,则对于终端工控机的硬件要求较高。因此,在本发明实施例中,可以将每张第一拍摄图像进行不定步长的切割,将高分辨率的第一拍摄图像,切割为多张小分辨率的图像,得到对应的多张切割后的图像。然后再将每张第一拍摄图像对应的多张切割后的图像输入神经网络,以训练图像检测模型。
通过将每张第一拍摄图像进行不定步长的切割,得到对应的多张切割后的图像,将每张第一拍摄图像对应的多张切割后的图像输入神经网络,以训练图像检测模型,一方面,可以减少训练样本收集的时间,另一方面,则可以降低对终端工控机的硬件要求。
在可选的实施例中,检测单元包括:第二切割子单元,用于将第二拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;检测子单元,用于使用图像检测模型对第二拍摄图像对应的多张切割后的图像进行检测,识别出第二拍摄图像对应的多张切割后的图像中的目标。
具体地,在使用图像检测模型对第二拍摄图像进行检测时,由于第二拍摄图像一般是高分辨率的图像,因此,可以将第二拍摄图像进行不定步长的切割,切割为多张小分辨率的图像。然后将第二拍摄图像对应的多张切割后的图像输入图像检测模型,得到第二拍摄图像对应的多张切割后的图像中的目标。
通过将第二拍摄图像进行不定步长的切割,得到多张小分辨率的图像,从而图像检测模型在识别每张小分辨率的图像中的目标时,图像识别模型中网络的推理速度较快,从而可以减少图像检测的时间,从而使得图像检测的速度满足待检测物品的流水线生产节拍的检测要求。
基于与前述实施例中一种图像的检测方法同样的发明构思,本发明还提供一种计算机,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种图像的检测方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
基于与前述实施例中一种图像的检测方法同样的发明构思,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取训练样本,训练样本包括:多张样本物品的第一拍摄图像;第一拍摄图像中去除了印刷数据、且第一拍摄图像中标注了目标元素;印刷数据用于指示样本物品上的印刷内容;向神经网络输入多张第一拍摄图像,以训练图像检测模型;获取待检测物品的第二拍摄图像,第二拍摄图像中去除了印刷数据;使用图像检测模型对第二拍摄图像进行检测,识别出第二拍摄图像中的目标。
在具体实施过程中,该程序被处理器执行时,还可以实现实施例一中的任一方法步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程信息处理设备的处理器以产生一个机器,使得通过计算机或其他可编程信息处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程信息处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程信息处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种图像的检测方法,其特征在于,包括:
获取训练样本,所述训练样本包括:多张样本物品的第一拍摄图像;所述第一拍摄图像中去除了印刷数据、且第一拍摄图像中标注了目标元素;所述印刷数据用于指示所述样本物品上的印刷内容;
向神经网络输入多张所述第一拍摄图像,以训练图像检测模型;
获取待检测物品的第二拍摄图像,所述第二拍摄图像中去除了印刷数据;
使用所述图像检测模型对所述第二拍摄图像进行检测,识别出第二拍摄图像中的目标。
2.根据权利要求1所述的图像的检测方法,其特征在于,所述向神经网络输入多张所述第一拍摄图像,以训练图像检测模型,包括:
将每张第一拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;
将每张第一拍摄图像对应的多张切割后的图像输入神经网络,以训练图像检测模型。
3.根据权利要求2所述的图像的检测方法,其特征在于,所述使用所述图像检测模型对所述第二拍摄图像进行检测,包括:
将所述第二拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;
使用所述图像检测模型对第二拍摄图像对应的多张切割后的图像进行检测,识别出第二拍摄图像对应的多张切割后的图像中的目标。
4.根据权利要求3所述的图像的检测方法,其特征在于,还包括:
将检测后的所述第二拍摄图像对应的多张切割后的图像进行拼接。
5.根据权利要求1所述的图像的检测方法,其特征在于,获取所述去除了印刷数据的第一拍摄图像或者第二拍摄图像,包括:
获取物品的原始拍摄图像和物品的设计图像;
从所述设计图像中提取第一印刷数据;
从所述原始拍摄图像中确定与所述第一印刷数据匹配的数据作为第二印刷数据;
从所述原始拍摄图像中去除第二印刷数据;
所述原始拍摄图像为样本物品的原始拍摄图像时,从所述原始拍摄图像中去除第二印刷数据后得到第一拍摄图像;
所述原始拍摄图像为待检测物品的原始拍摄图像时,从所述原始拍摄图像中去除第二印刷数据后得到第二拍摄图像。
6.一种图像的检测装置,其特征在于,包括:
第一获取单元,用于获取训练样本,所述训练样本包括:多张样本物品的第一拍摄图像;所述第一拍摄图像中去除了印刷数据、且第一拍摄图像中标注了目标元素;所述印刷数据用于指示所述样本物品上的印刷内容;
训练单元,用于向神经网络输入多张所述第一拍摄图像,以训练图像检测模型;
第二获取单元,用于获取待检测物品的第二拍摄图像,所述第二拍摄图像中去除了印刷数据;
检测单元,用于使用所述图像检测模型对所述第二拍摄图像进行检测,识别出第二拍摄图像中的目标。
7.根据权利要求6所述的图像的检测装置,其特征在于,所述训练单元包括:
第一切割子单元,用于将每张第一拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;
训练子单元,用于将每张第一拍摄图像对应的多张切割后的图像输入神经网络,以训练图像检测模型。
8.根据权利要求7所述的图像的检测装置,其特征在于,所述检测单元包括:
第二切割子单元,用于将所述第二拍摄图像进行不定步长的切割,得到对应的多张切割后的图像;
检测子单元,用于使用所述图像检测模型对第二拍摄图像对应的多张切割后的图像进行检测,识别出第二拍摄图像对应的多张切割后的图像中的目标。
9.一种计算机,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-5任意一项所述的图像的检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行如权利要求1-5任意一项所述的图像的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011587159.XA CN112668647A (zh) | 2020-12-29 | 2020-12-29 | 一种图像的检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011587159.XA CN112668647A (zh) | 2020-12-29 | 2020-12-29 | 一种图像的检测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112668647A true CN112668647A (zh) | 2021-04-16 |
Family
ID=75411549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011587159.XA Pending CN112668647A (zh) | 2020-12-29 | 2020-12-29 | 一种图像的检测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668647A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319894A (zh) * | 2017-12-28 | 2018-07-24 | 杭州乔戈里科技有限公司 | 基于深度学习的水果识别方法及装置 |
CN109949290A (zh) * | 2019-03-18 | 2019-06-28 | 北京邮电大学 | 路面裂缝检测方法、装置、设备及存储介质 |
US20200151692A1 (en) * | 2018-04-18 | 2020-05-14 | Sbot Technologies, Inc. d/b/a Caper Inc. | Systems and methods for training data generation for object identification and self-checkout anti-theft |
CN111242234A (zh) * | 2020-01-17 | 2020-06-05 | 深圳力维智联技术有限公司 | 图像目标的检测方法、装置、终端设备及存储介质 |
-
2020
- 2020-12-29 CN CN202011587159.XA patent/CN112668647A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319894A (zh) * | 2017-12-28 | 2018-07-24 | 杭州乔戈里科技有限公司 | 基于深度学习的水果识别方法及装置 |
US20200151692A1 (en) * | 2018-04-18 | 2020-05-14 | Sbot Technologies, Inc. d/b/a Caper Inc. | Systems and methods for training data generation for object identification and self-checkout anti-theft |
CN109949290A (zh) * | 2019-03-18 | 2019-06-28 | 北京邮电大学 | 路面裂缝检测方法、装置、设备及存储介质 |
CN111242234A (zh) * | 2020-01-17 | 2020-06-05 | 深圳力维智联技术有限公司 | 图像目标的检测方法、装置、终端设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
翟光: "《空间目标相对导航与滤波技术》", 28 February 2020, 北京理工大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN110955590A (zh) | 界面检测方法、图像处理方法、装置、电子设备及存储介质 | |
CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
KR102297232B1 (ko) | 형태학적 영상처리를 활용한 이상 탐지 방법 | |
CN114266764A (zh) | 一种印刷标签的字符完整性检测方法及其装置 | |
CN113850749A (zh) | 训练缺陷侦测器的方法 | |
CN111652145B (zh) | 一种公式检测的方法、装置、电子设备和存储介质 | |
CN112614117A (zh) | 设备区域提取模型训练方法、设备区域提取方法及装置 | |
CN114419038A (zh) | 轮毂表面缺陷的识别方法及装置、存储介质、电子设备 | |
CN109359683B (zh) | 目标检测方法、装置、终端和计算机可读存储介质 | |
CN112668647A (zh) | 一种图像的检测方法、装置及计算机可读存储介质 | |
CN116002480A (zh) | 电梯轿厢内乘客意外摔倒的自动检测方法和系统 | |
CN115829929A (zh) | 产品表面图像的缺陷检测方法、装置、设备及存储介质 | |
CN115564734A (zh) | 一种产品检测方法、电子设备及存储介质 | |
CN114820794A (zh) | 定位方法、装置、电子设备及可读存储介质 | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
JP2023047003A (ja) | 機械学習システム、学習データ収集方法及び学習データ収集プログラム | |
US11150849B2 (en) | Device and method for checking the printing of an article | |
JP2022135007A (ja) | 作業適正判定装置 | |
CN112598616A (zh) | 一种电子设备曝光参数的确定方法及成像方法 | |
CN116758040B (zh) | 镀铜板表面褶皱缺陷检测方法、装置、设备及存储介质 | |
CN112529039B (zh) | 一种主板物料信息的检验方法、装置及存储介质 | |
CN117474924B (zh) | 基于机器视觉的标签缺陷检测方法 | |
CN117788421A (zh) | 缺陷检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |