CN112967226A - 一种基于人工智能的高反光制品检测系统、方法及介质 - Google Patents

一种基于人工智能的高反光制品检测系统、方法及介质 Download PDF

Info

Publication number
CN112967226A
CN112967226A CN202110130573.6A CN202110130573A CN112967226A CN 112967226 A CN112967226 A CN 112967226A CN 202110130573 A CN202110130573 A CN 202110130573A CN 112967226 A CN112967226 A CN 112967226A
Authority
CN
China
Prior art keywords
detection
image
reflectivity product
product
reflectivity
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.)
Withdrawn
Application number
CN202110130573.6A
Other languages
English (en)
Inventor
陈泰翔
黄祥麟
卢肖永
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.)
Shaoxing Longfuli Intelligent Technology Development Co ltd
Original Assignee
Shaoxing Longfuli Intelligent Technology Development 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 Shaoxing Longfuli Intelligent Technology Development Co ltd filed Critical Shaoxing Longfuli Intelligent Technology Development Co ltd
Priority to CN202110130573.6A priority Critical patent/CN112967226A/zh
Publication of CN112967226A publication Critical patent/CN112967226A/zh
Withdrawn legal-status Critical Current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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于人工智能的高反光制品检测系统，包括：数字光模块采用数字方式控制光源照射待检测的高反光制品；视觉检测模块用于在数字方式控制下的光源照射下采集待检测的高反光制品的图像；图像处理模块用于对待检测的高反光制品的图像进行预处理得到处理后的高反光制品图像；智能分析模块用于建立知识图谱，采用高反光制品样本训练卷积神经网络模型得到训练好的检测模型，将处理后的待检测高反光制品图像输入训练好的检测模型中检测，得到预测结果，并将预测结果反向传播到卷积神经网络模型中进行数据更新；结果输出模块用于输出预测结果。对高反光制品进行全方位的、自动化的详细检测，高检出率、低误报率的检测水平，降低人工成本。

Description

一种基于人工智能的高反光制品检测系统、方法及介质
技术领域
本发明涉及高反光制品检测技术领域，具体涉及一种基于人工智能的高反光制品检测系统、方法及介质。
背景技术
目前，制造业多采用传统的质检手段，传统的质检手段面临多种挑战，尤其是高反光制品的质检，例如：需要投入大量的人力做质检，人力成本大、工作吸引力、招工难；质检水平完全依赖于检测工人个人能力与稳定性，导致高反光制品质量不稳定；传统质检设备准确率低、误报率高、灵活性差；质检数据没有被记录，无法深入分析，无法帮助工艺改进。
发明内容
针对现有技术中的缺陷，本发明实施例提供一种基于人工智能的高反光制品检测系统、方法及介质，能对高反光制品进行自动质检，准确度高，降低人工成本。
第一方面，本发明实施例提供的一种基于人工智能的高反光制品检测系统，包括：数字光模块、视觉检测模块、图像处理模块、智能分析模块和结果输出模块，其中，
所述数字光模块采用数字方式控制光源照射待检测的高反光制品；
所述视觉检测模块用于在数字方式控制下的光源照射下采集待检测的高反光制品的图像；
所述图像处理模块用于对待检测的高反光制品的图像进行预处理得到处理后的高反光制品图像；
所述智能分析模块用于建立知识图谱，采用高反光制品样本训练卷积神经网络模型得到训练好的检测模型，将处理后的待检测高反光制品图像输入训练好的检测模型中检测，得到预测结果，并将预测结果反向传播到卷积神经网络模型中进行数据更新；
所述结果输出模块用于输出预测结果。
第二方面，本发明实施例提供的一种基于人工智能的高反光制品检测方法，包括以下步骤：
建立检测高反光制品的知识图谱；
用高反光制品样本训练卷积神经网络模型得到训练好的检测模型；
获取在数字方式控制下的光源照射下采集的待检测的高反光制品图像；
对待检测的高反光制品图像进行预处理得到处理后的待检测高反光制品图像；
将处理后的待检测高反光制品图像输入训练好的检测模型中检测，得到预测结果，并将预测结果反向传播到卷积神经网络模型中进行数据更新；
输出预测结果。
第三方面，本发明实施例提供的一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
本发明的有益效果：
本发明实施例提供的一种基于人工智能的高反光制品检测系统、方法及介质，对高反光制品进行全方位的、自动化的详细检测，高检出率、低误报率的检测水平，并且检测能力随检测数据的积累不断提升，无需人工过多干预，降低人工成本。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种基于人工智能的高反光制品检测系统的结构框图；
图2示出了本发明第二实施例所提供的一种基于人工智能的高反光制品检测方法的流程图。
具体实施方式
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，本领域普通技术人员在没有做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”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。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示，本发明第一实施例提供了一种基于人工智能的高反光制品检测系统的结构框图，该系统包括：数字光模块、视觉检测模块、图像处理模块、智能分析模块和结果输出模块，其中，所述数字光模块采用数字方式控制光源照射待检测的高反光制品；所述视觉检测模块用于在数字方式控制下的光源照射下采集待检测的高反光制品的图像；所述图像处理模块用于对待检测的高反光制品的图像进行预处理得到处理后的高反光制品图像；所述智能分析模块用于建立知识图谱，采用高反光制品样本训练卷积神经网络模型得到训练好的检测模型，将处理后的待检测高反光制品图像输入训练好的检测模型中检测，得到预测结果，并将预测结果反向传播到卷积神经网络模型中进行数据更新；所述结果输出模块用于输出预测结果。
高反光制品包括：汽车零件、手机、玻璃面、类镜面物体等。在本实施例中，数字光模块对光源波长、切入角、照射区域和/或折射角进行控制。通过数字光模块对光源进行调节，找到适合高反光制品的光源波长、照射角度、切入角、照射区域和/或折射角，使得视觉检测模块在拍摄时不会反光，视觉模块采集的高反光制品的图像能体现高反光制品的不同缺陷，解决了高反光制品的成像难题，便于智能分析模块可以清楚辨识高反光表面的瑕疵，提高产品检测效果。
在本实施例中，智能分析模块包括知识图谱建立单元，知识图谱建立单元通过多种数据接入方式获取检测高反光制品的数据建立知识图谱图数据库。可以通过网络爬虫自动收集检测高反光制品的数据，也可以通过数据传输方式接入检测高反光制品数据，通过收集充足的数据建立知识图谱图数据库，增强人工智能技术在高反光制品领域的应用性。
知识图谱建立单元包括数据预处理单元、实体抽取单元、关系抽取单元和数据存储单元，数据预处理单元用于收集的高反光制品数据进行过滤、整理和清洗，将非文本数据转化为文本数据；实体抽取单元用于从文本数据中抽取数据中的实体和实体属性；关系抽取单元用于判定实体与实体间的关系；数据存储单元用于对需要存储的实体和实体属性进行数据处理，形成相应的键值存储到数据库中。通过构建不同的知识图谱，可以对高反光制品质量进行检测或对高反光制品的瑕疵进行检测。
在本实施例中，智能分析模块包括卷积神经网络模型训练单元，卷积神经网络模型训练单元获取不良高反光制品的图像，对不良高反光制品的图像上的不良特征所在的有效区域进行标注，有效区域包括不良特征像素点；根据不良高反光制品的图像、有效区域信息及不良特征对应的缺陷类别信息，获得训练样本，利用训练样本训练卷积神经网络模型得到检测模型。智能分析模块还包括检测单元，所述检测单元利用训练好的检测模型对处理后的待检测高反光制品进行检测，将检测出的缺陷进行标注。
视觉检测模块利用CCD相机拍摄待检测高反光制品的图像，视觉检测模块将采集的图像传输给图像处理模块，图像处理模块对待检测高反光制品图像进行预处理，预处理的方法包括灰度化、几何变换、图像增强，得到处理后的图像。智能分析模块采用高反光制品样本训练卷积神经网络模型得到训练好的检测模型，将处理后的待检测高反光制品图像输入训练好的检测模型中检测，得到预测结果，并将预测结果反向传播到卷积神经网络模型中进行数据更新；结果输出模块用于输出预测结果。通过大量样本训练卷积神经网络模型使得预测结果越来越准确。
本发明实施例提供的一种基于人工智能的高反光制品检测系统，实现对高反光制品进行全方位的、自动化的详细检测，高检出率、低误报率的检测水平，并且检测能力随检测数据的积累不断提升，无需人工过多干预，降低人工成本。
在上述的第一实施例中，提供了一种基于人工智能的高反光制品检测系统，与之相对应的，本申请还提供一种基于人工智能的高反光制品检测方法。请参考图2，其为本发明第二实施例提供的基于人工智能的高反光制品检测方法的流程图。由于方法实施例基本相似于装置实施例，所以描述得比较简单，相关之处参见装置实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。
如图2所示，示出了本发明第二实施例提供的一种基于人工智能的高反光制品检测方法的流程图，该方法适用于第一实施例描述的系统，方法包括以下步骤：
S1:建立检测高反光制品的知识图谱。
具体地，建立检测高反光制品的知识图谱的具体方法包括：
将收集的高反光制品数据进行过滤、整理和清洗，将非文本数据转化为文本数据；
从文本数据中抽取数据中的实体和实体属性；
判定实体与实体间的关系；
对需要存储的实体和实体属性进行数据处理，形成相应的键值存储到数据库中。
S2:采用高反光制品样本训练卷积神经网络模型得到训练好的检测模型。
具体地，采用高反光制品样本训练卷积神经网络模型得到训练好的检测模型具体包括：
获取不良高反光制品的图像，对不良高反光制品的图像上的不良特征所在的有效区域进行标注，所述有效区域包括不良特征像素点；
根据不良高反光制品的图像、有效区域信息及不良特征对应的缺陷类别信息，获得训练样本，利用训练样本训练卷积神经网络模型得到检测模型。
S3:获取在数字方式控制下的光源照射下采集的待检测的高反光制品图像。
具体地，采用CCD相机拍摄待检测高反光制品图像。采用数字光模块对光源波长、切入角、照射区域和/或折射角进行控制。
S4:对待检测的高反光制品图像进行预处理得到处理后的待检测高反光制品图像。
具体地，对待检测高反光制品图像进行预处理，预处理的方法包括灰度化、几何变换、图像增强，得到处理后的图像。
S5:将处理后的待检测高反光制品图像输入训练好的检测模型中检测，得到预测结果，并将预测结果反向传播到卷积神经网络模型中进行数据更新。
S6:输出预测结果。
本发明实施例提供的一种基于人工智能的高反光制品检测方法，实现对高反光制品进行全方位的、自动化的详细检测，高检出率、低误报率的检测水平，并且检测能力随检测数据的积累不断提升，无需人工过多干预，降低人工成本。
在本发明第三实施例还提供一种计算机可读存储介质，计算机存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时使处理器执行上述第二实施例描述的方法。
计算机可读存储介质可以是前述实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于人工智能的高反光制品检测系统，其特征在于，包括：数字光模块、视觉检测模块、图像处理模块、智能分析模块和结果输出模块，其中，
所述数字光模块采用数字方式控制光源照射待检测的高反光制品；
所述视觉检测模块用于在数字方式控制下的光源照射下采集待检测的高反光制品的图像；
所述图像处理模块用于对待检测的高反光制品的图像进行预处理得到处理后的高反光制品图像；
所述智能分析模块用于建立知识图谱，采用高反光制品样本训练卷积神经网络模型得到训练好的检测模型，将处理后的待检测高反光制品图像输入训练好的检测模型中检测，得到预测结果，并将预测结果反向传播到卷积神经网络模型中进行数据更新；
所述结果输出模块用于输出预测结果。
2.如权利要求1所述的系统，其特征在于，所述数字光模块对光源波长、切入角、照射区域和/或折射角进行控制。
3.如权利要求1所述的系统，其特征在于，所述智能分析模块包括知识图谱建立单元，所述知识图谱建立单元通过多种数据接入方式获取高反光制品数据建立知识图谱图数据库。
4.如权利要求3所述的系统，其特征在于，所述知识图谱建立单元包括数据预处理单元、实体抽取单元、关系抽取单元和数据存储单元，
所述数据预处理单元用于将收集的高反光制品数据进行过滤、整理和清洗，将非文本数据转化为文本数据；
所述实体抽取单元用于从文本数据中抽取数据中的实体和实体属性；
所述关系抽取单元用于判定实体与实体间的关系；
所述数据存储单元用于对需要存储的实体和实体属性进行数据处理，形成相应的键值存储到数据库中。
5.如权利要求1所述的系统，其特征在于，所述智能分析模块包括卷积神经网络模型训练单元，所述卷积神经网络模型训练单元获取不良高反光制品的图像，对不良高反光制品的图像上的不良特征所在的有效区域进行标注，所述有效区域包括不良特征像素点；
根据不良高反光制品的图像、有效区域信息及不良特征对应的缺陷类别信息，获得训练样本，利用训练样本训练卷积神经网络模型得到检测模型。
6.如权利要求5所述的系统，其特征在于，所述智能分析模块还包括检测单元，所述检测单元利用训练好的检测模型对处理后的待检测高反光制品进行检测，将检测出的缺陷进行标注。
7.一种基于人工智能的高反光制品检测方法，其特征在于，包括以下步骤：
建立检测高反光制品的知识图谱；
用高反光制品样本训练卷积神经网络模型得到训练好的检测模型；
获取在数字方式控制下的光源照射下采集的待检测的高反光制品图像；
对待检测的高反光制品图像进行预处理得到处理后的待检测高反光制品图像；
将处理后的待检测高反光制品图像输入训练好的检测模型中检测，得到预测结果，并将预测结果反向传播到卷积神经网络模型中进行数据更新；
输出预测结果。
8.如权利要求7所述的方法，其特征在于，所述建立检测高反光制品的知识图谱的具体方法包括：
将收集的高反光制品数据进行过滤、整理和清洗，将非文本数据转化为文本数据；
从文本数据中抽取数据中的实体和实体属性；
判定实体与实体间的关系；
对需要存储的实体和实体属性进行数据处理，形成相应的键值存储到数据库中。
9.如权利要求7所述的方法，其特征在于，所述用高反光制品样本训练卷积神经网络模型得到训练好的检测模型具体包括：
获取不良高反光制品的图像，对不良高反光制品的图像上的不良特征所在的有效区域进行标注，所述有效区域包括不良特征像素点；
根据不良高反光制品的图像、有效区域信息及不良特征对应的缺陷类别信息，获得训练样本，利用训练样本训练卷积神经网络模型得到检测模型。
10.一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，其特征在于，所述程序指令当被处理器执行时使所述处理器执行权利要求7-9任一项所述的方法。
CN202110130573.6A 2021-01-29 2021-01-29 一种基于人工智能的高反光制品检测系统、方法及介质 Withdrawn CN112967226A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110130573.6A CN112967226A (zh) 2021-01-29 2021-01-29 一种基于人工智能的高反光制品检测系统、方法及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110130573.6A CN112967226A (zh) 2021-01-29 2021-01-29 一种基于人工智能的高反光制品检测系统、方法及介质

Publications (1)

Publication Number Publication Date
CN112967226A true CN112967226A (zh) 2021-06-15

Family

ID=76272517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110130573.6A Withdrawn CN112967226A (zh) 2021-01-29 2021-01-29 一种基于人工智能的高反光制品检测系统、方法及介质

Country Status (1)

Country Link
CN (1) CN112967226A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114813055A (zh) * 2022-04-26 2022-07-29 岚图汽车科技有限公司 一种挡风玻璃反光测试方法、装置、电子设备及读存介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520274A (zh) * 2018-03-27 2018-09-11 天津大学 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN109697233A (zh) * 2018-12-03 2019-04-30 中电科大数据研究院有限公司 一种知识图谱体系搭建方法
CN110554047A (zh) * 2019-09-06 2019-12-10 腾讯科技（深圳）有限公司 产品缺陷检测数据处理方法、装置、系统和设备
CN111612763A (zh) * 2020-05-20 2020-09-01 重庆邮电大学 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质
US20200349875A1 (en) * 2018-07-02 2020-11-05 Beijing Baidu Netcom Science Technology Co., Ltd. Display screen quality detection method, apparatus, electronic device and storage medium
CN112001903A (zh) * 2020-08-21 2020-11-27 深圳市华汉伟业科技有限公司 缺陷检测网络构建方法、异常检测方法及系统、存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520274A (zh) * 2018-03-27 2018-09-11 天津大学 基于图像处理及神经网络分类的高反光表面缺陷检测方法
US20200349875A1 (en) * 2018-07-02 2020-11-05 Beijing Baidu Netcom Science Technology Co., Ltd. Display screen quality detection method, apparatus, electronic device and storage medium
CN109697233A (zh) * 2018-12-03 2019-04-30 中电科大数据研究院有限公司 一种知识图谱体系搭建方法
CN110554047A (zh) * 2019-09-06 2019-12-10 腾讯科技（深圳）有限公司 产品缺陷检测数据处理方法、装置、系统和设备
CN111612763A (zh) * 2020-05-20 2020-09-01 重庆邮电大学 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质
CN112001903A (zh) * 2020-08-21 2020-11-27 深圳市华汉伟业科技有限公司 缺陷检测网络构建方法、异常检测方法及系统、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
阙馨妍子: ""知识图谱入门精讲"", pages 1 - 7, Retrieved from the Internet <URL:《https://www.jianshu.com/p/2009c4107b56.html》> *
陈丰: ""高反光零件表面缺陷智能检测技术研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, vol. 2020, no. 06, pages 7 - 54 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114813055A (zh) * 2022-04-26 2022-07-29 岚图汽车科技有限公司 一种挡风玻璃反光测试方法、装置、电子设备及读存介质

Similar Documents

Publication Publication Date Title
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN111444921A (zh) 划痕缺陷检测方法、装置、计算设备和存储介质
CN110705405B (zh) 目标标注的方法及装置
CN112837290B (zh) 一种基于种子填充算法的裂缝图像自动识别方法
CN115100200B (zh) 基于光学手段的光纤缺陷检测方法及系统
CN111489352A (zh) 一种基于数字图像处理的隧道缝隙检测与测量方法及装置
CN111598827A (zh) 外观瑕疵检测方法、电子装置及存储介质
KR102355997B1 (ko) 스마트글래스 기반의 콘크리트 구조물 건전도 모니터링 방법
CN112967225A (zh) 一种基于人工智能的自动检测系统、方法、设备及介质
CN112052730B (zh) 一种3d动态人像识别监控设备及方法
CN114332026A (zh) 一种铭牌表面划痕缺陷的视觉检测方法及装置
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
CN113298769A (zh) Fpc软排线外观缺陷检测方法、系统和介质
CN115937101A (zh) 质量检测方法、装置、设备及存储介质
CN112967226A (zh) 一种基于人工智能的高反光制品检测系统、方法及介质
CN112686896B (zh) 基于分割网络的频域空间结合的玻璃缺陷检测方法
CN112669302A (zh) 吊弦缺陷检测方法、装置、电子设备及存储介质
WO2019071663A1 (zh) 电子装置、虚拟样本生成方法及存储介质
CN116152191A (zh) 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备
CN116229336A (zh) 视频移动目标识别方法、系统、存储介质及计算机
CN112967223A (zh) 一种基于人工智能的纺织品检测系统、方法及介质
CN113177926B (zh) 一种图像检测方法和装置
CN115719428A (zh) 基于分类模型的人脸图像聚类方法、装置、设备及介质
CN112329572B (zh) 一种基于边框和闪光点的快速静态活体检测方法及装置

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210615

WW01 Invention patent application withdrawn after publication