CN112734742B - 用于提高工业质检准确率的方法和系统 - Google Patents
用于提高工业质检准确率的方法和系统 Download PDFInfo
- Publication number
- CN112734742B CN112734742B CN202110071345.6A CN202110071345A CN112734742B CN 112734742 B CN112734742 B CN 112734742B CN 202110071345 A CN202110071345 A CN 202110071345A CN 112734742 B CN112734742 B CN 112734742B
- Authority
- CN
- China
- Prior art keywords
- sample
- pixel
- prediction result
- target frame
- module
- 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.)
- Active
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于提高工业质检准确率的方法和系统，包括步骤甲：训练得到检测模型；步骤乙：利用所述检测模型进行推理。本发明采用固定拍摄模板，加上语义分割图，实现对过检缺陷进行筛选。本发明可以代替漫长的迭代方案，仅需少量的迭代，就可以降低过检缺陷的数量，进而改善检测模型的结果。
Description
技术领域
本发明涉及计算机视觉领域，具体地，涉及用于提高工业质检准确率的方法和系统。
背景技术
在传统的工业质量检测过程中，通常的流程是拍摄样本、采集照片数据、送入检测模型、产生检测结果。对于检测模型结果好坏的评判有两个指标：漏检和过检。漏检是指本应该检测出的缺陷，模型却没检测出。过检是指，某一区域是良好的区域，但模型却认为这一区域是缺陷。对于处理漏检和过检，常规的做法有：1.收集更多的数据训练。2.对过检和漏检区域做增强处理，并对模型不断迭代。这两种方法都需要很多人力和算力去维持，并且也需要大量的时间去优化模型效果。
在工业质检领域，目标检测是指从一个样本(工件)中找出缺陷目标，这里包括检测(定位)和识别(识别)两个过程。而这里的难点在于待检测区域候选的提取。很多过检的缺陷往往都是在非检测区域内。一张图片除了包含样本，还会包含很多非检测区域，比如：样本镂空处、样本所置于的机台表面。
前景和背景：在一个样本上，前景是指需要被检测的缺陷所在的样本区域，背景是指除了缺陷的其他的样本区域。
专利文献CN110458840A公开了一种降低面板缺陷过检率的方法、系统及终端设备，该方法包括：采集第一相机拍摄的待测面板显示画面的第一图像以及第二相机拍摄的所述显示画面的第二图像；所述第二相机为彩色相机；提取所述第一图像中待过滤的第一缺陷区域；将所述第二图像变换到HSV颜色空间，提取S通道图像并从所述S通道图像中提取待过滤的第二缺陷区域；计算所述第一缺陷区域与第二缺陷区域的重合度，并过滤掉所述重合度大于预设的重合度阈值的第一缺陷区域；本发明以两个缺陷区域之间的重合度为指标，通过第二缺陷区域对第一缺陷区域进行过滤，有效筛选出吸盘印区域并进行过滤，避免吸盘印被作为缺陷误检出，有效降低了过检率。
但是该专利文献仅仅适用于避免吸盘印被作为缺陷误检出。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种用于提高工业质检准确率的方法和系统。
根据本发明提供的一种用于提高工业质检准确率的方法，其特征在于，包括：
步骤甲：训练得到检测模型；
步骤乙：利用所述检测模型进行推理。
优选地，所述步骤甲包括：
步骤甲1：采集样本图片，对每一个样本图片进行第一种标注和第二种标注，作为标注结果；
第一种标注为目标框和类别的标注，标注出样本图片中缺陷的类别和缺陷的位置，其中，缺陷的位置用框表示；
第二种标注为语义标注，对样本图片进行像素层次的标注，作为前景的缺陷所在样本区域的像素标注为数字1，作为后景的非缺陷所在的样本区域的像素标注为数字0，而对于作为背景的非样本所在的区域则标注为数字2；
步骤甲2：将样本图片作为输入送入检测模型进行训练，生成目标框预测结果和类别预测结果，以及语义分割预测结果；
步骤甲3：将步骤甲1中的标注结果，以及步骤甲2中的检测模型得到的目标框预测结果和类别预测结果、语义分割预测结果，送入检测模型反向传播方程，反向传播的结果会反馈给检测模型，优化检测模型的参数。
优选地，所述步骤乙，包括：
步骤乙1：在流水线批量检测前，将第一个工件作为固定模板；设置好固定模板，将工件置于固定模板内，调整相机距离和曝光度，并对固定模板、相机以及相机参数进行固定，以保证后续所有的检测工件，在照片里成像的位置、大小都是统一的；
步骤乙2：根据第一个工件获得的照片制作标注文件：工件所在区域的像素标注为数字1，非样本所在的区域的像素标注为数字0，得到固定模板的掩模图；
步骤乙3：对其它工件进行拍照，将其它工件图片作为输入送入步骤甲训练得到的检测模型，进行推理，并分别生成语义分割预测结果，以及目标框预测结果和类别预测结果；
步骤乙4：语义分割预测结果得到一张具有前景、后景、背景的掩模图，作为前景的缺陷所在样本区域的像素标注为数字1，作为后景的非缺陷所在的样本区域的像素标注为数字0，而对于作为背景的非样本所在的区域则标注为数字2；
将前景、后景、背景的掩模图和固定模板的掩膜图两者的对应位置的像素之间进行交集操作，在两者像素标注值相同的像素位置处标注数字1，在两者像素标注值不相同的像素位置处标注数字0，得到最终掩模图；
步骤乙5：筛选：将最终掩模图作为筛选标准，对目标框预测结果进行筛选：如果目标框在最终掩模图中对应的区域是数字1的区域，则代表目标框没有过检；如果目标框在掩模图中对应的区域是数字0的区域，则代表该目标框所框住的缺陷是一个过检过检缺陷，需要筛除；
步骤乙6：将步骤乙5筛选完后的目标框与类别的预测结果做为最终结果并输出。
优选地，非样本所在的区域，包括样本镂空处和/或样本所置于的机台表面。
根据本发明提供的一种用于提高工业质检准确率的系统，包括：
模块甲：训练得到检测模型；
模块乙：利用所述检测模型进行推理。
优选地，所述模块甲包括：
模块甲1：采集样本图片，对每一个样本图片进行第一种标注和第二种标注，作为标注结果；
第一种标注为目标框和类别的标注，标注出样本图片中缺陷的类别和缺陷的位置，其中，缺陷的位置用框表示；
第二种标注为语义标注，对样本图片进行像素层次的标注，作为前景的缺陷所在样本区域的像素标注为数字1，作为后景的非缺陷所在的样本区域的像素标注为数字0，而对于作为背景的非样本所在的区域则标注为数字2；
模块甲2：将样本图片作为输入送入检测模型进行训练，生成目标框预测结果和类别预测结果，以及语义分割预测结果；
模块甲3：将模块甲1中的标注结果，以及模块甲2中的检测模型得到的目标框预测结果和类别预测结果、语义分割预测结果，送入检测模型反向传播方程，反向传播的结果会反馈给检测模型，优化检测模型的参数。
优选地，所述模块乙，包括：
模块乙1：在流水线批量检测前，将第一个工件作为固定模板；设置好固定模板，将工件置于固定模板内，调整相机距离和曝光度，并对固定模板、相机以及相机参数进行固定，以保证后续所有的检测工件，在照片里成像的位置、大小都是统一的；
模块乙2：根据第一个工件获得的照片制作标注文件：工件所在区域的像素标注为数字1，非样本所在的区域的像素标注为数字0，得到固定模板的掩模图；
模块乙3：对其它工件进行拍照，将其它工件图片作为输入送入模块甲训练得到的检测模型，进行推理，并分别生成语义分割预测结果，以及目标框预测结果和类别预测结果；
模块乙4：语义分割预测结果得到一张具有前景、后景、背景的掩模图，作为前景的缺陷所在样本区域的像素标注为数字1，作为后景的非缺陷所在的样本区域的像素标注为数字0，而对于作为背景的非样本所在的区域则标注为数字2；
将前景、后景、背景的掩模图和固定模板的掩膜图两者的对应位置的像素之间进行交集操作，在两者像素标注值相同的像素位置处标注数字1，在两者像素标注值不相同的像素位置处标注数字0，得到最终掩模图；
模块乙5：筛选：将最终掩模图作为筛选标准，对目标框预测结果进行筛选：如果目标框在最终掩模图中对应的区域是数字1的区域，则代表目标框没有过检；如果目标框在掩模图中对应的区域是数字0的区域，则代表该目标框所框住的缺陷是一个过检过检缺陷，需要筛除；
模块乙6：将模块乙5筛选完后的目标框与类别的预测结果做为最终结果并输出。
优选地，非样本所在的区域，包括样本镂空处和/或样本所置于的机台表面。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现所述的用于提高工业质检准确率的方法的步骤。
根据本发明提供的一种检测生产线，包括所述的用于提高工业质检准确率的系统。
与现有技术相比，本发明具有如下的有益效果：
在工业质检领域，传统处理漏检和过检的方案效果不错，但是由于模型迭代的周期较为漫长，会一方面导致人工和算力成本的增加，另一方面，如果迭代方向没有选对，则需要重新开始迭代，这又会浪费很多人力物力。漏检的处理相对简单，而对于过检，经实验比对发现，大量的过检的缺陷往往都是在非检测区域，或者是在样本的背景上。
本发明采用固定拍摄模板，加上语义分割图，实现对过检缺陷进行筛选。本发明可以代替漫长的迭代方案，仅需少量的迭代，就可以降低过检缺陷的数量，进而改善检测模型的结果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是前景、后景、背景的掩膜图。缺陷所在样本区域(前景)的像素标注为“1”，非缺陷所在的样本区域(后景)的像素标注为“0”，而对于非样本所在的区域(背景，如样本镂空处、样本所置于的机台表面)则标注为2。
图2是固定模板的掩膜图。样本(工件)所在区域的像素标注为“1”，非样本所在的区域(如样本镂空处、样本所置于的机台表面)的像素标注为“0”。
图3是前景、后景、背景的掩膜图和固定模板的掩膜图两者的交集操作。两者中都标记为‘1’的才会被保留，其余标注为“0”。
图4是目标检测模型训练的流程图。
图5目标检测推理和筛选的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
在传统的工业质量检测过程中，对过检缺陷的处理，通常需要对模型不断迭代，这种方式需要很多人力、算力成本以及时间成本。可经实验发现，大量的过检的缺陷往往都是在非检测区域，或者是在样本的背景上。本发明利用固定拍摄模板和语义分割图，分别生成两个掩模图，并用交集操作使两张掩模图合并成一张掩膜图，随后根据掩模图，对过检的缺陷进行筛选。本发明可以代替漫长的迭代方案，仅需少量的迭代，就可以降低过检缺陷的数量，进而改善检测模型的结果。
图4是目标检测模型训练的流程图。
步骤甲，训练步骤：
步骤甲1：采集样本图片，对每一个样本图片进行标注。第一种标注：目标框和类别的标注，标注出样本中缺陷的类别和缺陷的位置(用框表示)。第二种标注：语义标注，对样本进行像素层次的标注，缺陷所在样本区域(前景)的像素标注为“1”，非缺陷所在的样本区域(后景)的像素标注为“0”，而对于非样本所在的区域(背景，如样本镂空处、样本所置于的机台表面)则标注为2。如图1所示。
步骤甲2：将样本图片作为输入送入检测模型进行训练，生成目标框预测结果和类别预测结果和语义分割预测结果。
步骤甲3：将步骤甲1中的标注结果和模型的预测结果送入检测模型反向传播方程，反向传播的结果会反馈给检测模型，优化模型参数。这就是检测模型的训练的过程。
图5是目标检测推理和筛选的流程图。
步骤乙，推理步骤：
步骤乙1：在流水线批量检测前，设置好固定模板，将样本置于模板内，调整相机距离和曝光度，并固定好模板、相机以及相机参数。这个过程是为了保证后续所有的检测工件，在照片里成像的位置、大小都是统一的。
步骤乙2：根据第一个样本获得的照片制作标注文件：同步骤甲1中的语义标注一样，都是对样本进行像素层次的标注，不同的是，样本所在区域的像素标注为“1”，非样本所在的区域(如样本镂空处、样本所置于的机台表面)的像素标注为“0”。此处生成固定模板的掩模图。由于步骤乙1，该掩模图可以适用于同一条产线上的所有同类产品的同一侧表面。如图2所示。
步骤乙3：对样本(工件)进行拍照，将工件图片作为输入送入步骤甲训练得到的检测模型，进行推理，并分别生成语义分割预测结果和目标框与类别预测结果。
步骤乙4：语义分割预测得到一张前景、后景、背景的掩模图，将前景、后景、背景的掩模图和固定模板的掩膜图进行交集操作(见图3)，得到最终掩模图；
步骤乙5：筛选：将最终掩模图作为筛选标准，对目标框预测结果进行筛选：如果目标框在掩模图中对应的区域是‘1’，则代表目标框在没有过检；如果目标框在掩模图中对应的区域是‘0’，则代表该目标框所框住的缺陷是一个过检过检缺陷，需要筛除。
步骤乙6：将最终筛选完后的目标框与类别的预测结果做为最终结果并输出。
根据本发明提供的一种用于提高工业质检准确率的系统，包括：
模块甲：训练得到检测模型；
模块乙：利用所述检测模型进行推理。
优选地，所述模块甲包括：
模块甲1：采集样本图片，对每一个样本图片进行第一种标注和第二种标注，作为标注结果；
第一种标注为目标框和类别的标注，标注出样本图片中缺陷的类别和缺陷的位置，其中，缺陷的位置用框表示；
第二种标注为语义标注，对样本图片进行像素层次的标注，作为前景的缺陷所在样本区域的像素标注为数字1，作为后景的非缺陷所在的样本区域的像素标注为数字0，而对于作为背景的非样本所在的区域则标注为数字2；
模块甲2：将样本图片作为输入送入检测模型进行训练，生成目标框预测结果和类别预测结果，以及语义分割预测结果；
模块甲3：将模块甲1中的标注结果，以及模块甲2中的检测模型得到的目标框预测结果和类别预测结果、语义分割预测结果，送入检测模型反向传播方程，反向传播的结果会反馈给检测模型，优化检测模型的参数。
优选地，所述模块乙，包括：
模块乙1：在流水线批量检测前，将第一个工件作为固定模板；设置好固定模板，将工件置于固定模板内，调整相机距离和曝光度，并对固定模板、相机以及相机参数进行固定，以保证后续所有的检测工件，在照片里成像的位置、大小都是统一的；
模块乙2：根据第一个工件获得的照片制作标注文件：工件所在区域的像素标注为数字1，非样本所在的区域的像素标注为数字0，得到固定模板的掩模图；
模块乙3：对其它工件进行拍照，将其它工件图片作为输入送入模块甲训练得到的检测模型，进行推理，并分别生成语义分割预测结果，以及目标框预测结果和类别预测结果；
模块乙4：语义分割预测结果得到一张具有前景、后景、背景的掩模图，作为前景的缺陷所在样本区域的像素标注为数字1，作为后景的非缺陷所在的样本区域的像素标注为数字0，而对于作为背景的非样本所在的区域则标注为数字2；
将前景、后景、背景的掩模图和固定模板的掩膜图两者的对应位置的像素之间进行交集操作，在两者像素标注值相同的像素位置处标注数字1，在两者像素标注值不相同的像素位置处标注数字0，得到最终掩模图；
模块乙5：筛选：将最终掩模图作为筛选标准，对目标框预测结果进行筛选：如果目标框在最终掩模图中对应的区域是数字1的区域，则代表目标框没有过检；如果目标框在掩模图中对应的区域是数字0的区域，则代表该目标框所框住的缺陷是一个过检过检缺陷，需要筛除；
模块乙6：将模块乙5筛选完后的目标框与类别的预测结果做为最终结果并输出。
优选地，非样本所在的区域，包括样本镂空处和/或样本所置于的机台表面。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现所述的用于提高工业质检准确率的方法的步骤。
根据本发明提供的一种检测生产线，包括所述的用于提高工业质检准确率的系统。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种用于提高工业质检准确率的方法，其特征在于，包括：
步骤甲：训练得到检测模型；
步骤乙：利用所述检测模型进行推理；
所述步骤乙，包括：
步骤乙1：在流水线批量检测前，将第一个工件作为固定模板；设置好固定模板，将工件置于固定模板内，调整相机距离和曝光度，并对固定模板、相机以及相机参数进行固定，以保证后续所有的检测工件，在照片里成像的位置、大小都是统一的；
步骤乙2：根据第一个工件获得的照片制作标注文件：工件所在区域的像素标注为数字1，非样本所在的区域的像素标注为数字0，得到固定模板的掩模图；
步骤乙3：对其它工件进行拍照，将其它工件图片作为输入送入步骤甲训练得到的检测模型，进行推理，并分别生成语义分割预测结果，以及目标框预测结果和类别预测结果；
步骤乙4：语义分割预测结果得到一张具有前景、后景、背景的掩模图，作为前景的缺陷所在样本区域的像素标注为数字1，作为后景的非缺陷所在的样本区域的像素标注为数字0，而对于作为背景的非样本所在的区域则标注为数字2；
将前景、后景、背景的掩模图和固定模板的掩膜图两者的对应位置的像素之间进行交集操作，在两者像素标注值相同的像素位置处标注数字1，在两者像素标注值不相同的像素位置处标注数字0，得到最终掩模图；
步骤乙5：筛选：将最终掩模图作为筛选标准，对目标框预测结果进行筛选：如果目标框在最终掩模图中对应的区域是数字1的区域，则代表目标框没有过检；如果目标框在掩模图中对应的区域是数字0的区域，则代表该目标框所框住的缺陷是一个过检缺陷，需要筛除；
步骤乙6：将步骤乙5筛选完后的目标框与类别的预测结果做为最终结果并输出。
2.根据权利要求1所述的用于提高工业质检准确率的方法，其特征在于，所述步骤甲包括：
步骤甲1：采集样本图片，对每一个样本图片进行第一种标注和第二种标注，作为标注结果；
第一种标注为目标框和类别的标注，标注出样本图片中缺陷的类别和缺陷的位置，其中，缺陷的位置用框表示；
第二种标注为语义标注，对样本图片进行像素层次的标注，作为前景的缺陷所在样本区域的像素标注为数字1，作为后景的非缺陷所在的样本区域的像素标注为数字0，而对于作为背景的非样本所在的区域则标注为数字2；
步骤甲2：将样本图片作为输入送入检测模型进行训练，生成目标框预测结果和类别预测结果，以及语义分割预测结果；
步骤甲3：将步骤甲1中的标注结果，以及步骤甲2中的检测模型得到的目标框预测结果和类别预测结果、语义分割预测结果，送入检测模型反向传播方程，反向传播的结果会反馈给检测模型，优化检测模型的参数。
3.根据权利要求1或2所述的用于提高工业质检准确率的方法，其特征在于，非样本所在的区域，包括样本镂空处和/或样本所置于的机台表面。
4.一种用于提高工业质检准确率的系统，其特征在于，包括：
模块甲：训练得到检测模型；
模块乙：利用所述检测模型进行推理；
所述模块乙，包括：
模块乙1：在流水线批量检测前，将第一个工件作为固定模板；设置好固定模板，将工件置于固定模板内，调整相机距离和曝光度，并对固定模板、相机以及相机参数进行固定，以保证后续所有的检测工件，在照片里成像的位置、大小都是统一的；
模块乙2：根据第一个工件获得的照片制作标注文件：工件所在区域的像素标注为数字1，非样本所在的区域的像素标注为数字0，得到固定模板的掩模图；
模块乙3：对其它工件进行拍照，将其它工件图片作为输入送入模块甲训练得到的检测模型，进行推理，并分别生成语义分割预测结果，以及目标框预测结果和类别预测结果；
模块乙4：语义分割预测结果得到一张具有前景、后景、背景的掩模图，作为前景的缺陷所在样本区域的像素标注为数字1，作为后景的非缺陷所在的样本区域的像素标注为数字0，而对于作为背景的非样本所在的区域则标注为数字2；
将前景、后景、背景的掩模图和固定模板的掩膜图两者的对应位置的像素之间进行交集操作，在两者像素标注值相同的像素位置处标注数字1，在两者像素标注值不相同的像素位置处标注数字0，得到最终掩模图；
模块乙5：筛选：将最终掩模图作为筛选标准，对目标框预测结果进行筛选：如果目标框在最终掩模图中对应的区域是数字1的区域，则代表目标框没有过检；如果目标框在掩模图中对应的区域是数字0的区域，则代表该目标框所框住的缺陷是一个过检缺陷，需要筛除；
模块乙6：将模块乙5筛选完后的目标框与类别的预测结果做为最终结果并输出。
5.根据权利要求4所述的用于提高工业质检准确率的系统，其特征在于，所述模块甲包括：
模块甲1：采集样本图片，对每一个样本图片进行第一种标注和第二种标注，作为标注结果；
第一种标注为目标框和类别的标注，标注出样本图片中缺陷的类别和缺陷的位置，其中，缺陷的位置用框表示；
第二种标注为语义标注，对样本图片进行像素层次的标注，作为前景的缺陷所在样本区域的像素标注为数字1，作为后景的非缺陷所在的样本区域的像素标注为数字0，而对于作为背景的非样本所在的区域则标注为数字2；
模块甲2：将样本图片作为输入送入检测模型进行训练，生成目标框预测结果和类别预测结果，以及语义分割预测结果；
模块甲3：将模块甲1中的标注结果，以及模块甲2中的检测模型得到的目标框预测结果和类别预测结果、语义分割预测结果，送入检测模型反向传播方程，反向传播的结果会反馈给检测模型，优化检测模型的参数。
6.根据权利要求4或5所述的用于提高工业质检准确率的系统，其特征在于，非样本所在的区域，包括样本镂空处和/或样本所置于的机台表面。
7.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的用于提高工业质检准确率的方法的步骤。
8.一种检测生产线，其特征在于，包括权利要求4至6中任一项所述的用于提高工业质检准确率的系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110071345.6A CN112734742B (zh) | 2021-01-19 | 2021-01-19 | 用于提高工业质检准确率的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110071345.6A CN112734742B (zh) | 2021-01-19 | 2021-01-19 | 用于提高工业质检准确率的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112734742A CN112734742A (zh) | 2021-04-30 |
| CN112734742B true CN112734742B (zh) | 2021-11-16 |
Family
ID=75592561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110071345.6A Active CN112734742B (zh) | 2021-01-19 | 2021-01-19 | 用于提高工业质检准确率的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112734742B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065618A (zh) * | 2021-06-03 | 2021-07-02 | 常州微亿智造科技有限公司 | 工业质检中的检测方法、检测装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910368A (zh) * | 2019-11-20 | 2020-03-24 | 佛山市南海区广工大数控装备协同创新研究院 | 基于语义分割的注射器缺陷检测方法 |
| CN110930383A (zh) * | 2019-11-20 | 2020-03-27 | 佛山市南海区广工大数控装备协同创新研究院 | 基于深度学习语义分割和图像分类的注射器缺陷检测方法 |
| CN111951239A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 过标过检方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105118044B (zh) * | 2015-06-16 | 2017-11-07 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
| CN108846841A (zh) * | 2018-07-02 | 2018-11-20 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-19 CN CN202110071345.6A patent/CN112734742B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910368A (zh) * | 2019-11-20 | 2020-03-24 | 佛山市南海区广工大数控装备协同创新研究院 | 基于语义分割的注射器缺陷检测方法 |
| CN110930383A (zh) * | 2019-11-20 | 2020-03-27 | 佛山市南海区广工大数控装备协同创新研究院 | 基于深度学习语义分割和图像分类的注射器缺陷检测方法 |
| CN111951239A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 过标过检方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王尔琪.轮毂铸造缺陷检测的关键技术研究.《中国优秀硕士学位论文全文数据库 信息科技I辑》.2020,正文第5-7,15-54页. * |
| 轮毂铸造缺陷检测的关键技术研究;王尔琪;《中国优秀硕士学位论文全文数据库 信息科技I辑》;20200115;正文第5-7,15-54页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112734742A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
| CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
| CN110618134A (zh) | 钢板表面质量缺陷检测评级系统及方法 | |
| WO2021102741A1 (zh) | 一种免疫层析检测的图像分析方法以及系统 | |
| CN113870267B (zh) | 缺陷检测方法、装置、计算机设备及可读存储介质 | |
| CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
| CN111080615A (zh) | 基于卷积神经网络的pcb缺陷检测系统及检测方法 | |
| CN113034488A (zh) | 一种喷墨印刷品的视觉检测方法 | |
| CN115908415A (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
| CN116542975A (zh) | 一种玻璃面板的缺陷分类方法、装置、设备和介质 | |
| CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN112734742B (zh) | 用于提高工业质检准确率的方法和系统 | |
| WO2023280081A1 (zh) | 空盘识别装置和方法 | |
| CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
| CN115512381A (zh) | 文本识别方法、装置、设备、存储介质及作业机械 | |
| CN116337887A (zh) | 铸造缸体上表面缺陷检测方法及系统 | |
| CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
| TWM606740U (zh) | 瑕疵檢測系統 | |
| JP6377214B2 (ja) | テキスト検出方法および装置 | |
| CN115578362A (zh) | 电极涂层的缺陷检测方法、装置、电子设备及介质 | |
| CN114486916A (zh) | 基于机器视觉的手机玻璃盖板缺陷检测方法 | |
| CN114596242A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 | |
| CN117437648B (zh) | 用于电力物资建设自动封样设备的处理方法及系统 | |
| CN110866487B (zh) | 大规模行人检测与重识别样本集构建方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |