CN112712514A - 产品检测系统及辅助检测方法 - Google Patents

产品检测系统及辅助检测方法 Download PDF

Info

Publication number
CN112712514A
CN112712514A CN202110012887.6A CN202110012887A CN112712514A CN 112712514 A CN112712514 A CN 112712514A CN 202110012887 A CN202110012887 A CN 202110012887A CN 112712514 A CN112712514 A CN 112712514A
Authority
CN
China
Prior art keywords
product
area image
detection
defects
image
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
Application number
CN202110012887.6A
Other languages
English (en)
Inventor
王欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Binrui Intelligent Technology Co ltd
Original Assignee
Nantong Binrui Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Binrui Intelligent Technology Co ltd filed Critical Nantong Binrui Intelligent Technology Co ltd
Priority to CN202110012887.6A priority Critical patent/CN112712514A/zh
Publication of CN112712514A publication Critical patent/CN112712514A/zh
Pending legal-status Critical Current

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/08—Learning 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
    • G06T2207/20081—Training; Learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明实施例涉及产品检测领域，具体公开了一种产品检测系统及辅助检测方法，包括检测设备和处理设备，本发明实施例通过检测设备获取预设区域内的区域图像，将所述区域图像发送给处理设备，接收所述处理设备返回的产品缺陷分类结果；根据所述分类结果对所述待检测产品进行标记；并利用处理设备判断所述区域图像所对应的待检测产品是否存在的缺陷，并在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类，不仅能够对预设区域内的产品进行检测是否有缺陷，而且能够对缺陷产品进行标记并分类，有效解决了现有技术的质检过程中存在着质检人员质检效率低且质检效果不够理想的技术问题。

Description

产品检测系统及辅助检测方法
技术领域
本发明实施例涉及产品检测领域，具体是一种产品检测系统及辅助检测方法。
背景技术
在传统的精密制造行业，产品的缺陷检测一般通过人工检验来完成，在质检工作中，质检人员一般都是一边拿着产品，一边和标准样本进行对比，操作十分麻烦，质检人员需要不断的扭头进行对比确认，对质检人员的要求也非常高，需要对质检人员进行技能培训。在一般的制造工厂中，检验人力占比将近30％，由于人力需求大，经常出现人力资源紧张的局面；而且人力检验的劳动强度大，容易因作业员疲劳而造成检验质量的波动。因此，现有技术的质检过程中存在着质检人员质检效率低且质检效果不够理想的技术问题。
发明内容
本发明实施例的目的在于提供一种产品检测系统及辅助检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明实施例提供如下技术方案：
一种产品检测系统，包括检测设备和处理设备，其中：
检测设备，用于获取预设区域内的区域图像，所述区域图像为包含待检测产品的图像；将所述区域图像发送给处理设备，接收所述处理设备返回的产品缺陷分类结果；根据所述分类结果对所述待检测产品进行标记；
处理设备，用于接收所述检测设备发送的区域图像，判断所述区域图像所对应的待检测产品是否存在的缺陷，并在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类，并将分类结果返回至所述检测设备。
作为本发明实施例技术方案进一步的限定，所述检测设备具体包括：
获取模块，用于获取预设区域内的区域图像，所述区域图像为包含待检测产品的图像；
发送模块，用于将所述区域图像发送给处理设备；
第一接收模块，用于接收所述处理设备返回的产品缺陷分类结果；以及
标记模块，用于根据所述分类结果对所述待检测产品进行标记。
作为本发明实施例技术方案进一步的限定，所述处理设备具体包括：
第二接收模块，用于接收所述检测设备发送的区域图像；
判断模块，用于判断所述区域图像所对应的待检测产品是否存在的缺陷；
分类模块，用于在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类；以及
返回模块，用于将分类结果返回至所述检测设备。
作为本发明实施例技术方案进一步的限定，所述标记模块具体包括：
标记生成单元，用于根据所述分类结果生成数字标识，其中，所述数字标识中至少携带有用于表示产品编码的信息；以及
标记存储单元，用于接收并存储所述分类结果和所述数字标识。
作为本发明实施例技术方案进一步的限定，所述判断模块具体包括：
模型构建单元，用于构建缺陷检测模型；以及
缺陷检测单元，用于将所述区域图像输入到所述缺陷检测模型，获得所述缺陷检测模型的输出结果，根据所述输出结果确定区域图像所包含产品的缺陷分类结果。
作为本发明实施例技术方案进一步的限定，所述模型构建单元包括：
第一样本获取子单元，用于获取包含产品的样本图像，所述样本图像包括多张标记有缺陷信息的训练图像；其中，多张所述训练图像是图像采集设备基于预设区域内的多个采集角度得到的；
数据增强子单元，用于对多张所述训练图像进行数据增强，得到数据增强后的多张训练样本；
第二样本获取子单元，用于利用统计方法得到所述多张训练样本的统计特征，结合样本图像和其对应的统计特征得到训练样本图像；以及
模型训练子单元，用于将所述训练样本图像输入至待训练神经网络模型中进行训练，得到训练后的缺陷检测模型。
本发明实施例还提供了一种产品辅助检测方法，所述方法包括以下步骤：
获取预设区域内的区域图像，
判断所述区域图像所对应的待检测产品是否存在的缺陷，并在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类；
根据所述分类结果对所述待检测产品进行标记。
与现有技术相比，本发明的有益效果是：
在本发明实施例提供的产品检测系统中，通过检测设备获取预设区域内的区域图像，将所述区域图像发送给处理设备，接收所述处理设备返回的产品缺陷分类结果；根据所述分类结果对所述待检测产品进行标记；并利用处理设备判断所述区域图像所对应的待检测产品是否存在的缺陷，并在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类，不仅能够对预设区域内的产品进行检测是否有缺陷，而且能够对缺陷产品进行标记并分类，大大提高了产品检测的效率，且能够有很好的保证产品检测的准确度，有效解决了现有技术的质检过程中存在着质检人员质检效率低且质检效果不够理想的技术问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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。
图1为本发明提供的产品检测系统的架构图的结构示意图。
图2为本发明实施例一产品检测系统的结构框图。
图3为本发明实施例二产品检测系统中标记模块的结构框图。
图4为本发明实施例三产品检测系统中判断模块的结构框图。
图5为本发明实施例四产品检测系统中模型构建单元的结构框图。
图6为本发明实施例五产品辅助检测方法的流程框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
在传统的精密制造行业，产品的缺陷检测一般通过人工检验来完成，在质检工作中，质检人员一般都是一边拿着产品，一边和标准样本进行对比，操作十分麻烦，质检人员需要不断的扭头进行对比确认，对质检人员的要求也非常高，而且人力检验的劳动强度大，容易因作业员疲劳而造成检验质量的波动。因此，现有技术的质检过程中存在着质检人员质检效率低且质检效果不够理想的技术问题。
可以理解的是，为解决上述问题，本发明提供了一种产品检测系统及辅助检测方法；在本发明实施例提供的产品检测系统中，通过检测设备获取预设区域内的区域图像，将所述区域图像发送给处理设备，接收所述处理设备返回的产品缺陷分类结果；根据所述分类结果对所述待检测产品进行标记；并利用处理设备判断所述区域图像所对应的待检测产品是否存在的缺陷，并在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类，不仅能够对预设区域内的产品进行检测是否有缺陷，而且能够对缺陷产品进行标记并分类，有效解决了现有技术的质检过程中存在着质检人员质检效率低且质检效果不够理想的技术问题。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
具体的，图1为本发明提供的产品检测系统的架构图的结构示意图。
其中，本发明实施例提供的产品检测系统包括检测设备100和处理设备200，其中：检测设备100用于对区域内含有待检测产品的图像进行获取，并将区域图像提供给处理设备200进行处理，通过处理设备200对含有待检测产品的图像进行分析，以实现对产品的检测。
具体的，在本发明提供的优选实施方式中，所述检测设备100，用于获取预设区域内的区域图像，所述区域图像为包含待检测产品的图像；
可以理解的是，在本发明实施例中，可以通过图像采集设备对准预设区域，当需要进行检测的产品进入预设区域内时，触发图像采集设备对预设区域进行拍照摄像，以获取包含有待检测产品的图像，即为所述的区域图像，且所述区域图像是图像采集设备基于预设区域内的多个采集角度得到的，以对待检测产品的多个角度进行获取图像，从而保证对待检测产品的多角度全方位的检测。
另外，本发明实施例提供的检测设备还用于将所述区域图像发送给处理设备，接收所述处理设备返回的产品缺陷分类结果；根据所述分类结果对所述待检测产品进行标记。
具体的，在本发明提供的优选实施方式中，在检测设备100获取到区域图像后，需要通过处理设备200对区域图像中的待检测产品是否存在缺陷进行判断检测，可以理解的是，检测设备100与处理设备200之间通过网络实现数据的传输，其中，网络可以是用以在检测设备100与处理设备200之间提供通信链路的介质。
可以连接的是，在本发明实施例中，所述网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
根据所述分类结果对所述待检测产品进行标记时，对正在进行检测的缺陷产品进行信息录入，并生成唯一标识码，并存储与所述标识码相对应的产品缺陷信息，其中，所述缺陷信息包括产品编码、缺陷种类以及该含有该产品缺陷的区域图像。
处理设备200，用于接收所述检测设备发送的区域图像，判断所述区域图像所对应的待检测产品是否存在的缺陷，并在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类，并将分类结果返回至所述检测设备。
具体的，在本发明提供的优选实施方式中，在检测设备100通过图像采集设备获取到区域图像后，通过网络通信，接收经检测设备100所发送的区域图像，并通过构建缺陷检测模型；将所述区域图像输入到所述缺陷检测模型，获得所述缺陷检测模型的输出结果，根据所述输出结果确定区域图像所包含产品的缺陷分类结果。
实施例一：图2为本发明实施例一产品检测系统的结构框图。
具体的，在本发明提供的优选实施方式中，所述检测设备100具体包括：
获取模块101，用于获取预设区域内的区域图像，所述区域图像为包含待检测产品的图像；
可以理解的是，在本发明实施例中，可以通过图像采集设备对准预设区域，当需要进行检测的产品进入预设区域内时，触发图像采集设备对预设区域进行拍照摄像，以获取包含有待检测产品的图像，即为所述的区域图像。
发送模块102，用于将所述区域图像发送给处理设备200；
具体的，发送模块102通过网络实现将区域图像的数据发送至处理设备200，其中，网络可以是用以提供通信链路的介质，
第一接收模块103，用于接收所述处理设备返回的产品缺陷分类结果；以及
标记模块104，用于根据所述分类结果对所述待检测产品进行标记。
具体的，在本发明提供的优选实施方式中，所述处理设备200具体包括：
第二接收模块201，用于接收所述检测设备发送的区域图像；
判断模块202，用于判断所述区域图像所对应的待检测产品是否存在的缺陷；
分类模块203，用于在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类；以及
返回模块204，用于将分类结果返回至所述检测设备。
在本发明实施例中，第二接收模块201通过网络通信接收经检测设备100所发送的区域图像，并通过判断模块202构建的缺陷检测模型；将所述区域图像输入到所述缺陷检测模型，从而能够获得所述缺陷检测模型的输出结果，根据所述输出结果病通过分类模块203,确定区域图像所包含产品的缺陷分类结果；然后通过返回模块204将分类结果发送至检测设备100，其中，所述分类结果包含了对产品是否为缺陷产品的确认信息，即对产品进行分类的前提是，确认了待检测产品为缺陷产品，进而对缺陷产品进行分类。
实施例二：图3为本发明实施例二产品检测系统中标记模块104的结构框图。
具体的，在本发明提供的优选实施方式中，所述标记模块104具体包括：
标记生成单元1041，用于根据所述分类结果生成数字标识，其中，所述数字标识中至少携带有用于表示产品编码的信息；以及
标记存储单元1042，用于接收并存储所述分类结果和所述数字标识。
实施例三：图4为本发明实施例三产品检测系统中判断模块202的结构框图。具体的，在本发明提供的优选实施方式中，所述判断模块202具体包括：
模型构建单元2021，用于构建缺陷检测模型；以及
缺陷检测单元2022，用于将所述区域图像输入到所述缺陷检测模型，获得所述缺陷检测模型的输出结果，根据所述输出结果确定区域图像所包含产品的缺陷分类结果。
实施例四：图5为本发明实施例四产品检测系统中模型构建单元2021的结构框图。
具体的，在本发明提供的优选实施方式中，所述模型构建单元2021包括：
第一样本获取子单元20211，用于获取包含产品的样本图像，所述样本图像包括多张标记有缺陷信息的训练图像；其中，多张所述训练图像是图像采集设备基于预设区域内的多个采集角度得到的；
在本发明实施例中，将已知缺陷种类的缺陷产品作为样本图像，且样本图像需要通过对产品的多面进行展示，所述样本图像包含多张标记有缺陷种类信息的训练图案性，其中每一张训练图像为对应一个角度所获取的，因此，多张所述训练图像是图像采集设备基于预设区域内的多个采集角度得到的。
数据增强子单元20212，用于对多张所述训练图像进行数据增强，得到数据增强后的多张训练样本；
本发明实施例中，通过对训练图像的数据进行增强，从而能够使得图像中的缺陷特征信息更加的明显，方便对缺陷信息进行捕捉。
第二样本获取子单元20213，用于利用统计方法得到所述多张训练样本的统计特征，结合样本图像和其对应的统计特征得到训练样本图像；以及
模型训练子单元20214，用于将所述训练样本图像输入至待训练神经网络模型中进行训练，得到训练后的缺陷检测模型。
实施例五：图6为本发明实施例五产品辅助检测方法的流程框图。
本发明实施例还提供了一种产品辅助检测方法，所述方法300包括以下步骤：
步骤S301：获取预设区域内的区域图像，
可以理解的是，在本发明实施例中，可以通过图像采集设备对准预设区域，当需要进行检测的产品进入预设区域内时，触发图像采集设备对预设区域进行拍照摄像，以获取包含有待检测产品的图像，即为所述的区域图像，且所述区域图像是图像采集设备基于预设区域内的多个采集角度得到的，以对待检测产品的多个角度进行获取图像，从而保证对待检测产品的多角度全方位的检测。
步骤S302：判断所述区域图像所对应的待检测产品是否存在的缺陷，并在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类；
具体的，在本发明提供的优选实施方式中，在获取到区域图像后，通过网络通信，接收经检测设备100所发送的区域图像，并通过构建缺陷检测模型；将所述区域图像输入到所述缺陷检测模型，获得所述缺陷检测模型的输出结果，根据所述输出结果确定区域图像所包含产品的缺陷分类结果。
步骤S303：根据所述分类结果对所述待检测产品进行标记。
根据所述分类结果对所述待检测产品进行标记时，对正在进行检测的缺陷产品进行信息录入，并生成唯一标识码，并存储与所述标识码相对应的产品缺陷信息，其中，所述缺陷信息包括产品编码、缺陷种类以及该含有该产品缺陷的区域图像。
综上所述，在本发明实施例提供的产品检测系统中，通过检测设备获取预设区域内的区域图像，将所述区域图像发送给处理设备，接收所述处理设备返回的产品缺陷分类结果；根据所述分类结果对所述待检测产品进行标记；并利用处理设备判断所述区域图像所对应的待检测产品是否存在的缺陷，并在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类，不仅能够对预设区域内的产品进行检测是否有缺陷，而且能够对缺陷产品进行标记并分类，大大提高了产品检测的效率，且能够有很好的保证产品检测的准确度，有效解决了现有技术的质检过程中存在着质检人员质检效率低且质检效果不够理想的技术问题。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。
另外，在本发明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，也可以是两个或两个以上单元集成在一个单元中。该集成的单元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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.产品检测系统，其特征在于，包括检测设备和处理设备，其中：
检测设备，用于获取预设区域内的区域图像，所述区域图像为包含待检测产品的图像；将所述区域图像发送给处理设备，接收所述处理设备返回的产品缺陷分类结果；根据所述分类结果对所述待检测产品进行标记；
处理设备，用于接收所述检测设备发送的区域图像，判断所述区域图像所对应的待检测产品是否存在的缺陷，并在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类，并将分类结果返回至所述检测设备。
2.根据权利要求1所述的产品检测系统，其特征在于，所述检测设备具体包括：
获取模块，用于获取预设区域内的区域图像，所述区域图像为包含待检测产品的图像；
发送模块，用于将所述区域图像发送给处理设备；
第一接收模块，用于接收所述处理设备返回的产品缺陷分类结果；以及
标记模块，用于根据所述分类结果对所述待检测产品进行标记。
3.根据权利要求2所述的产品检测系统，其特征在于，所述处理设备具体包括：
第二接收模块，用于接收所述检测设备发送的区域图像；
判断模块，用于判断所述区域图像所对应的待检测产品是否存在的缺陷；
分类模块，用于在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类；以及
返回模块，用于将分类结果返回至所述检测设备。
4.根据权利要求2或3所述的产品检测系统，其特征在于，所述标记模块具体包括：
标记生成单元，用于根据所述分类结果生成数字标识，其中，所述数字标识中至少携带有用于表示产品编码的信息；以及
标记存储单元，用于接收并存储所述分类结果和所述数字标识。
5.根据权利要求3所述的产品检测系统，其特征在于，所述判断模块具体包括：
模型构建单元，用于构建缺陷检测模型；以及
缺陷检测单元，用于将所述区域图像输入到所述缺陷检测模型，获得所述缺陷检测模型的输出结果，根据所述输出结果确定区域图像所包含产品的缺陷分类结果。
6.根据权利要求5所述的产品检测系统，其特征在于，所述模型构建单元包括：
第一样本获取子单元，用于获取包含产品的样本图像，所述样本图像包括多张标记有缺陷信息的训练图像；其中，多张所述训练图像是图像采集设备基于预设区域内的多个采集角度得到的；
数据增强子单元，用于对多张所述训练图像进行数据增强，得到数据增强后的多张训练样本；
第二样本获取子单元，用于利用统计方法得到所述多张训练样本的统计特征，结合样本图像和其对应的统计特征得到训练样本图像；以及
模型训练子单元，用于将所述训练样本图像输入至待训练神经网络模型中进行训练，得到训练后的缺陷检测模型。
7.一种产品辅助检测方法，其特征在于，所述方法包括以下步骤：
获取预设区域内的区域图像，
判断所述区域图像所对应的待检测产品是否存在的缺陷，并在产品存在缺陷时，基于分类模型对所述区域图像中的产品缺陷类型进行分类；
根据所述分类结果对所述待检测产品进行标记。
CN202110012887.6A 2021-01-06 2021-01-06 产品检测系统及辅助检测方法 Pending CN112712514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110012887.6A CN112712514A (zh) 2021-01-06 2021-01-06 产品检测系统及辅助检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110012887.6A CN112712514A (zh) 2021-01-06 2021-01-06 产品检测系统及辅助检测方法

Publications (1)

Publication Number Publication Date
CN112712514A true CN112712514A (zh) 2021-04-27

Family

ID=75548359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110012887.6A Pending CN112712514A (zh) 2021-01-06 2021-01-06 产品检测系统及辅助检测方法

Country Status (1)

Country Link
CN (1) CN112712514A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469944A (zh) * 2021-06-03 2021-10-01 厦门宏泰智能制造有限公司 一种产品质检方法、装置和电子设备
CN114850057A (zh) * 2022-05-10 2022-08-05 苏州天准科技股份有限公司 一种电极综合检测设备及检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469944A (zh) * 2021-06-03 2021-10-01 厦门宏泰智能制造有限公司 一种产品质检方法、装置和电子设备
CN114850057A (zh) * 2022-05-10 2022-08-05 苏州天准科技股份有限公司 一种电极综合检测设备及检测方法

Similar Documents

Publication Publication Date Title
CN107179324B (zh) 检测产品包装的方法、装置和系统
CN110579479A (zh) 一种基于假点缺陷检测的pcb检修系统及检修方法
CN110569841B (zh) 基于卷积神经网络的接触网关键部件目标检测方法
CN112712514A (zh) 产品检测系统及辅助检测方法
CN113095438A (zh) 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质
CN107229560A (zh) 一种界面显示效果测试方法、图像样张获取方法及装置
CN204924967U (zh) 全自动aoi整机的图像采集机构
CN107024478A (zh) 一种零件加工自动缺陷识别系统
CN114994061A (zh) 一种基于机器视觉的钢轨智能化检测方法及系统
CN110560376B (zh) 一种产品表面缺陷检测方法及装置
CN115331002A (zh) 一种基于ar眼镜实现热力站故障远程处理方法
CN113077416A (zh) 一种基于图像处理的焊点焊接缺陷检测方法与系统
WO2023236371A1 (zh) 用于电缆元件识别的视觉分析方法
CN111311545A (zh) 集装箱检测方法、装置及计算机可读存储介质
TWI531787B (zh) An automatic optical detection method and an automatic optical detection system for carrying out the method
CN103913150A (zh) 智能电能表电子元器件一致性检测方法
CN116499362B (zh) 钢板尺寸在线测量系统
CN112613476A (zh) 一种基于机器视觉自动检测工人不安全行为的方法
CN107907546A (zh) 一种基于智能移动终端的视觉缺陷检测方法与系统
CN111468427A (zh) 锯材分等设备及分等方法
CN110443803A (zh) 一种印刷品图像质量检测方法及装置
CN114066799A (zh) 检测系统和检测方法
CN113418919A (zh) 纺织纤维成分定性定量在线分析系统及方法
CN110068582B (zh) 一种aoi印制板检测系统
CN115829780A (zh) 一种布料离线检验系统、方法、服务器及介质

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210427

WD01 Invention patent application deemed withdrawn after publication