CN113420844B - 物体缺陷检测方法、装置、电子设备和存储介质 - Google Patents

物体缺陷检测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113420844B
CN113420844B CN202110969984.4A CN202110969984A CN113420844B CN 113420844 B CN113420844 B CN 113420844B CN 202110969984 A CN202110969984 A CN 202110969984A CN 113420844 B CN113420844 B CN 113420844B
Authority
CN
China
Prior art keywords
scale
object image
defect
preset
type
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
Application number
CN202110969984.4A
Other languages
English (en)
Other versions
CN113420844A (zh
Inventor
于洋
黄雪峰
熊海飞
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.)
Shenzhen Xinrun Fulian Digital Technology Co Ltd
Original Assignee
Shenzhen Xinrun Fulian Digital 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 Shenzhen Xinrun Fulian Digital Technology Co Ltd filed Critical Shenzhen Xinrun Fulian Digital Technology Co Ltd
Priority to CN202110969984.4A priority Critical patent/CN113420844B/zh
Publication of CN113420844A publication Critical patent/CN113420844A/zh
Application granted granted Critical
Publication of CN113420844B publication Critical patent/CN113420844B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种物体缺陷检测方法、装置、电子设备和存储介质。其中，方法包括：获取不同缺陷尺度的物体图像；对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像；根据所述第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果。采用本发明提供的方案能提高物体缺陷检测过程中极端尺度的缺陷的检测效果，以及提高检测性能。

Description

物体缺陷检测方法、装置、电子设备和存储介质
技术领域
本发明涉及缺陷识别技术领域，尤其涉及一种物体缺陷检测方法、装置、电子设备和存储介质。
背景技术
目前，对于热轧带钢表面的缺陷，常采用基于卷积神经网络的骨干网络加上改进的特征融合的识别模型来对采集到的图片进行检测以识别缺陷。但由于金属内部极大尺度缺陷和极小尺度缺陷的尺寸相差超过40倍，面积相差超过1600倍，且卷积神经网络本身并不具有尺度不变性，使用特征融合的方式带来的尺度不变性只是利用深度神经网络的强大拟合能力勉强达到多尺度检测的效果。因此，上述检测方式中，极大尺度缺陷和极小尺度缺陷的检测效果差，网络训练过程中强制拟合极端尺度缺陷导致性能损失。
发明内容
为解决缺陷检测过程中极端尺度缺陷检测效果差，以及强制拟合极端尺度导致全尺度缺陷检测性能低的技术问题，本发明实施例提供一种物体缺陷检测方法、装置、电子设备和存储介质。
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种物体缺陷检测方法，方法包括：
获取不同缺陷尺度的物体图像；
对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像；
根据所述第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果。
上述方案中，所述对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像包括：
确定所述物体图像缺陷尺度的尺度类型；所述尺度类型包括第一尺度、第二尺度或第三尺度，其中，所述第一尺度大于或等于第一预设阈值、第二尺度小于第一预设阈值且大于第二预设阈值，第三尺度小于或等于第二预设阈值；
根据所述尺度类型，采用对应的绝对尺度和相对尺度的尺度变换方式对所述物体图像进行尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像。
上述方案中，所述根据所述尺度类型，采用对应的绝对尺度和相对尺度的尺度变换方式对所述物体图像进行尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像包括：
当所述尺度类型为第一尺度时，按照预设第一比例对所述物体图像进行缩放；在缩放后的所述物体图像的四周补入预设数量的补位图像；将补入补位图像后的图像作为第一物体图像；
当所述尺度类型为第二尺度时，将所述物体图像作为第一物体图像；
当所述尺度类型为第三尺度时，对所述物体图像进行多次局部图像的截取，将多次截取后的局部图像按照预设第二比例进行放大，将放大后的局部图像作为第一物体图像。
上述方案中，所述根据所述第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果包括：
对所述第一物体图像进行特征提取；
确定所述第一物体图像的缺陷的尺度类型；其中，所述尺度类型包括第一尺度、第二尺度或第三尺度，其中，所述第一尺度大于或等于第一预设阈值、第二尺度小于第一预设阈值且大于第二预设阈值，第三尺度小于或等于第二预设阈值；
根据所述第一物体图像的缺陷的尺度类型，利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果。
上述方案中，所述根据所述第一物体图像的缺陷的尺度类型，利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果包括：
当所述尺度类型为第一尺度或第二尺度时，利用预设识别模型对所述特征中的深层特征进行检测识别，获得所述物体图像的缺陷检测结果；其中，所述深层特征的深度大于或等于预设数值；
当所述尺度类型为第三尺度时，利用预设识别模型对所述特征中的浅层特征进行检测识别，获得所述物体图像的缺陷检测结果；其中，所述浅层特征的深度小于预设数值。
上述方案中，所述根据所述第一物体图像的缺陷尺度类型，利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果包括：
当所述尺度类型为第一尺度时，利用所述预设识别模型对缺陷尺度大于或等于第一阈值的缺陷所对应的特征进行检测识别，获得所述物体图像的缺陷检测结果；
当所述尺度类型为第二尺度时，利用所述预设识别模型对缺陷尺度小于第一阈值且大于第二阈值的缺陷所对应的特征进行检测识别，获得所述物体图像的缺陷检测结果；其中，所述第一阈值大于所述第二阈值；
当所述尺度类型为第三尺度时，利用所述预设识别模型对缺陷尺度小于或等于第二阈值的缺陷所对应的特征进行检测识别，获得所述物体图像的缺陷检测结果。
上述方案中，所述利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果包括：
利用预设识别模型中的类别损失函数和定位损失函数对所述特征进行损失函数的计算，获得所述物体图像的缺陷检测结果；
所述类别损失函数如公式（1）所示：
Figure 558350DEST_PATH_IMAGE001
公式（1）
其中，
Figure 81736DEST_PATH_IMAGE002
表示类别损失函数计算值，
Figure DEST_PATH_IMAGE003
表示正负样本平衡系数，
Figure 449263DEST_PATH_IMAGE004
为网络的预测值；系数
Figure DEST_PATH_IMAGE005
和
Figure 690888DEST_PATH_IMAGE006
可使得模型更加侧重于缺陷和背景较为相似的难分样本的学习；
所述定位损失函数如公式（2）所示：
Figure DEST_PATH_IMAGE007
公式（2）
其中，
Figure 966012DEST_PATH_IMAGE008
表示定位损失函数计算值，
Figure DEST_PATH_IMAGE009
表示预设识别模型中预测框和真实样本框之间的交并比，
Figure 796434DEST_PATH_IMAGE010
表示预设识别模型中预测框和真实样本框中线点的距离；
Figure DEST_PATH_IMAGE011
表示预设识别模型中预测框和真实样本框最远角点之间的距离。
本发明实施例还提供了一种物体缺陷检测装置，物体缺陷检测装置包括：
获取模块，用于获取不同缺陷尺度的物体图像；
变换模块，用于对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像；
识别模块，用于根据所述第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果。
本发明实施例还提供了一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
处理器用于运行计算机程序时，执行上述任一方法的步骤。
本发明实施例还提供了一种存储介质，存储介质中存储有计算机程序，计算机程序被处理器执行时，实现上述任一方法的步骤。
本发明实施例提供的物体缺陷检测方法、装置、电子设备和存储介质，获取不同缺陷尺度的物体图像；对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像；根据所述第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果。采用本发明提供的方案能提高物体缺陷检测过程中极端尺度的缺陷的检测效果，以及提高检测性能。
附图说明
图1为本发明实施例物体缺陷检测方法的流程示意图；
图2为本发明实施例第一尺度缺陷的尺寸变换示意图；
图3为本发明实施例第二尺度缺陷的尺寸变换示意图；
图4为本发明实施例第三尺度缺陷的尺寸变换示意图；
图5为本发明应用实施例训练过程和检测过程示意图；
图6为本发明应用实施例预设识别模型的结构示意图；
图7为本发明实施例物体缺陷检测装置的结构示意图；
图8为本发明实施例计算机设备的内部结构图。
具体实施方式
下面将结合附图及实施例对本发明作进一步详细的描述。
本发明实施例提供了一种物体缺陷检测方法，如图1所示，该方法包括：
步骤101：获取不同缺陷尺度的物体图像；
步骤102：对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像；
步骤103：根据所述第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果。
具体地，本实施例可针对热轧带钢等物体表面的缺陷进行检测。
实际应用时，可通过摄像头采集物体图像，并对物体图像进行缺陷尺度识别来确定物体图像的缺陷尺度。
进一步地，在一实施例中，所述对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像包括：
确定所述物体图像缺陷尺度的尺度类型；所述尺度类型包括第一尺度、第二尺度或第三尺度，其中，所述第一尺度大于或等于第一预设阈值、第二尺度小于第一预设阈值且大于第二预设阈值，第三尺度小于或等于第二预设阈值；
根据所述尺度类型，采用对应的绝对尺度和相对尺度的尺度变换方式对所述物体图像进行尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像。
这里，绝对尺度和相对尺度的尺度变换方式指对物体图像进行一定的操作处理后，使得图像中缺陷的绝对尺度和相对尺度都发生变化。
其中，绝对尺度指缺陷所占的像素个数；相对尺度指缺陷所占像素的个数与物体图像总像素之间的比值。
实际应用时，可通过设置阈值的方式对缺陷尺度进行划分，来确定缺陷尺度的尺度类型。例如，定义缺陷尺度大于或等于A的缺陷的尺度类型为第一尺度；缺陷尺度大于A且小于B的缺陷的尺度类型为第二尺度；缺陷尺度小于或等于B的缺陷的尺度类型为第三尺度。
进一步地，在一实施例中，所述根据所述尺度类型，采用对应的绝对尺度和相对尺度的尺度变换方式对所述物体图像进行尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像包括：
当所述尺度类型为第一尺度时，按照预设第一比例对所述物体图像进行缩放；在缩放后的所述物体图像的四周补入预设数量的补位图像；将补入补位图像后的图像作为第一物体图像；
当所述尺度类型为第二尺度时，将所述物体图像作为第一物体图像；
当所述尺度类型为第三尺度时，对所述物体图像进行多次局部图像的截取，将多次截取后的局部图像按照预设第二比例进行放大，将放大后的局部图像作为第一物体图像。
这里预设第一比例和预设数量可以根据识别需要进行设置。
实际使用时，可以对预设第一比例和预设数量进行设置，使得采用设置后的预设第一比例和预设数量，能使缺陷的绝对尺度和相对尺度的变化率一致。
这里，可以通过如下公式（3）计算绝对尺度的变化率：
Figure 131600DEST_PATH_IMAGE012
公式（3）
其中，
Figure 860522DEST_PATH_IMAGE013
表示绝对尺度的变化率，
Figure 939336DEST_PATH_IMAGE014
表示预设第一比例。
可以通过如下公式（4）计算相对尺度的变化率：
Figure 374997DEST_PATH_IMAGE015
公式（4）
其中，
Figure 146644DEST_PATH_IMAGE016
表示相对尺度的变化率，
Figure 97282DEST_PATH_IMAGE017
表示预设第一比例，
Figure 979787DEST_PATH_IMAGE018
表示缩放前物体图像的宽度，
Figure 332271DEST_PATH_IMAGE019
表示缩放前物体图像中缺陷外接矩形的宽度，
Figure 467630DEST_PATH_IMAGE020
表示补位图像的预设数量。
利用上述公式（3）和公式（4）可计算出当缺陷的绝对尺度和相对尺度的变化率一致时，预设第一比例和预设数量的设置关系。
实际应用时，也可设置预设第一比例和预设数量为固定数值，使得所有的物体图像都通过固定的预设第一比例和预设数量进行相同的尺度变换。
进一步地，该补位图像可以为纯黑底图像。在利用该补位图像进行补入时，可按照一定的方式进行补入，使得补入后的图像为正方形或长方形。
参见图2，图2为当缺陷的尺度类型为第一尺度时，对物体图像进行缩放以补入后的效果示意图。
由于缺陷的尺度类型为第二尺度时，缺陷的尺度已在合适的范围内，因此，当缺陷的尺度类型为第二尺度时，不对物体图像进行任何处理，将物体图像直接作为第一物体图像。参见图3，图3为当缺陷的尺度类型为第二尺度时，对物体图像不做任何处理，直接将物体图像作为第一图像的处理过程。
当所述尺度类型为第三尺度时，可按照一定的顺序对所述物体图像进行多次局部图像的截取，截取的次数可以为预设次数。例如，参见图4，可按照左上、右上、左下、右下的顺序对物体图形进行4次局部图像的截取。截取时，需对物体图像中的每个位置都进行局部图像的截取，即实际截取时，需保证物体图像中的每个位置都在局部图像中能够找到。且为了保证截取边界处小尺度缺陷的完整性，在截取时，可交叠进行截取，即截取的局部图像之间存在部分重叠。
实际应用时，截取的顺序、截取局部图像的数量和截取局部图像的尺寸均可以根据使用需要进行设定。每次截取的局部图像的尺度可以不同。
具体地，在放大时，预设第二比例也可以根据使用需要进行设定。
进一步地，在一实施例中，所述根据所述第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果包括：
对所述第一物体图像进行特征提取；
确定所述第一物体图像的缺陷的尺度类型；其中，所述尺度类型包括第一尺度、第二尺度或第三尺度，其中，所述第一尺度大于或等于第一预设阈值、第二尺度小于第一预设阈值且大于第二预设阈值，第三尺度小于或等于第二预设阈值；
根据所述第一物体图像的缺陷的尺度类型，利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果。
具体地，可利用预设识别模型中的基于卷积神经网络的骨干网络对第一物体图像进行特征提取。
这里，可根据第一物体图像的尺度变化方式，确定所述第一物体图像的缺陷尺度类型。例如，当所述第一物体图像是通过缩放和补入补位图像的方式所生成，则所述第一物体图像的缺陷尺度类型为第一尺度；当所述第一物体图像没有经过任何处理，则所述第一物体图像的缺陷尺度类型为第二尺度；当所述第一物体图像是通过截取并放大的方式所生成的，则所述第一物体图像的缺陷尺度类型为第三尺度。
进一步地，在一实施例中，所述根据所述第一物体图像的缺陷的尺度类型，利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果包括：
当所述尺度类型为第一尺度或第二尺度时，利用预设识别模型对所述特征中的深层特征进行检测识别，获得所述物体图像的缺陷检测结果；其中，所述深层特征的深度大于或等于预设数值；
当所述尺度类型为第三尺度时，利用预设识别模型对所述特征中的浅层特征进行检测识别，获得所述物体图像的缺陷检测结果；其中，所述浅层特征的深度小于预设数值。
具体地，当尺度类型为第一尺度或第二尺度时，可通过预设识别模型中的大尺度目标检测模块执行对缺陷的检测识别。大尺度目标检测模块用于对深层特征的检测识别。当缺陷尺度类型为第三尺度时，可通过预设识别模型中的小尺度目标检测模块执行对缺陷的检测识别。小尺度目标检测模块用于对浅层特征的检测识别。
进一步地，在一实施例中，所述根据所述第一物体图像的缺陷的尺度类型，利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果包括：
当所述尺度类型为第一尺度时，利用所述预设识别模型对缺陷尺度大于或等于第一阈值的缺陷所对应的特征进行检测识别，获得所述物体图像的缺陷检测结果；
当所述尺度类型为第二尺度时，利用所述预设识别模型对缺陷尺度小于第一阈值且大于第二阈值的缺陷所对应的特征进行检测识别，获得所述物体图像的缺陷检测结果；其中，所述第一阈值大于所述第二阈值；
当所述尺度类型为第三尺度时，利用所述预设识别模型对缺陷尺度小于或等于第二阈值的缺陷所对应的特征进行检测识别，获得所述物体图像的缺陷检测结果。
具体地，第一阈值和第二阈值可以根据使用需要进行设定。
实际应用时，可先确定所述物体图像中是否存在缺陷，在所述物体图像存在缺陷的前提下，再按照缺陷尺度类型，筛选出符合对应要求的缺陷所对应的特征，再对筛选出来的特征进行检测，以获得缺陷检测结果。
进一步地，在一实施例中，所述利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果包括：
利用预设识别模型中的类别损失函数和定位损失函数对所述特征进行损失函数的计算，获得所述物体图像的缺陷检测结果；
所述类别损失函数如公式（1）所示：
Figure 905564DEST_PATH_IMAGE001
公式（1）
其中，
Figure 326181DEST_PATH_IMAGE002
表示类别损失函数计算值，
Figure 798751DEST_PATH_IMAGE003
表示正负样本平衡系数，
Figure 912200DEST_PATH_IMAGE004
为网络的预测值；系数
Figure 775114DEST_PATH_IMAGE005
和
Figure 999422DEST_PATH_IMAGE006
可使得模型更加侧重于缺陷和背景较为相似的难分样本的学习；
所述定位损失函数如公式（2）所示：
Figure 60919DEST_PATH_IMAGE007
公式（2）
其中，
Figure 345270DEST_PATH_IMAGE008
表示定位损失函数计算值，
Figure 757797DEST_PATH_IMAGE009
表示预设识别模型中预测框和真实样本框之间的交并比，
Figure 972746DEST_PATH_IMAGE010
表示预设识别模型中预测框和真实样本框中线点的距离；
Figure 154329DEST_PATH_IMAGE011
表示预设识别模型中预测框和真实样本框最远角点之间的距离。
这里，由于上述类别损失函数中采用了系数
Figure 344002DEST_PATH_IMAGE021
和
Figure 243825DEST_PATH_IMAGE022
，系数
Figure 809935DEST_PATH_IMAGE023
和
Figure 111603DEST_PATH_IMAGE024
可使得模型更加侧重于缺陷和背景较为相似的难分样本的学习，因此，可使预设识别模型具有良好地对缺陷和背景的辨别能力。且上述定位损失函数，可提高对缺陷的定位精度。
另外，为增强检测结果的准确性，可采用非极大值抑制过程（non maximumsuppression，NMS）去掉对同一个目标的重复检测，得到最终的检测结果。
本发明实施例提供的物体缺陷检测方法，获取不同缺陷尺度的物体图像；对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像；根据所述第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果。采用本发明提供的方案能提高物体缺陷检测过程中极端尺度的缺陷的检测效果，以及提高检测性能。
下面结合应用实施例对本发明再作进一步详细的描述。
本应用实施例提供一种金属缺陷检测方法。具体地，该方法包括训练过程和推断过程两个过程。如图5所示，在训练过程中，首先在训练数据集中随机选取金属缺陷图片，经历缺陷目标尺度一致化过程(OSU)得到尺度范围合理的缺陷目标，将得到的尺度范围合理的缺陷目标输入到尺度一致化目标检测模型（SUDet）中，得到选择性的候选区域建议网络（SRPN）损失函数计算值和检测头损失函数计算值，再利用该SRPN损失函数计算值和检测头损失函数计算值经过模型参数尺度一致化（PSU）过程适应性优化模型参数。迭代的重复上述过程更新模型参数，在模型达到收敛条件后保存模型参数，完成训练过程。在测试过程中，首先读取训练过程保存的模型参数，实时监测金属零件产线上产生的金属零件图片，将图片进行OSU处理，随后将处理的图片输入到SUDet模型中进行缺陷检测，最终得到检测结果。
下面将对上述分过程和模型进行详细描述：
（1）OSU过程。OSU过程的目的是将缺陷目标尺度差异变换到合理的范围内，为后续的模型参数优化打下基础。OSU过程进行的尺度变换包括绝对尺度变换和相对尺度变换。绝对尺度变换指的是改变缺陷目标所占像素个数，相对尺度变换指的是改变缺陷目标所占像素和图片总体像素之间的比例。上述变换方式可增强小目标和大目标的检测率。
具体地，在这一过程中，尺度变换主要包括以下三种变换方式。
第一种，对于大尺度缺陷目标（可理解为上述实施例中的第一尺度的缺陷目标）进行尺度缩减，变换过程如图2所示，首先对图像进行缩放操作，图像整体尺度也等比例减小，所以缺陷目标绝对尺度减小但相对尺度不变；然后在其四周进行补零操作，减小其相对尺度。这里，绝对尺度变换和相对尺度变换的比例可以尽量保持一致，绝对尺度变换的比例和相对尺度变换的比例可由上述公式（3）和公式（4）表示。
第二种，对于中等尺度缺陷目标（可理解为上述实施例中的第二尺度的缺陷目标）进行恒等变换，即如图3所示，其缺陷尺度适中无需进行尺度变换。
第三种，对于小尺度缺陷目标（可理解为上述实施例中的第三尺度的缺陷目标）采用交叠分割放大的方式进行尺度放大变换。具体放大过程如图4所示，将图片有交叠地分割为“左上”、“右上”、“左下”和“右下”四个部分，四个部分尺度相等，随后对四个部分进行尺度放大操作得到尺度放大变换后的结果。先分割再放大的目的是使缺陷目标的绝对尺度和相对尺度同时放大，单纯的图像放大操作无法改变缺陷目标的相对尺度。交叠的目的是为了保证边界处小尺度目标的完整性。
（2）SUDet模型。SUDet模型结构如图6所示，其输入为OSU过程的尺度一致化结果。将尺度变换后的图像输入至SUDet模型后，图像经过骨干网络的特征提取后，对缺陷目标尺度进行再次细分，即将A和B的特征输入到大尺度目标检测模块，C的特征输入到小尺度目标检测模块。大尺度目标检测模块和小尺度目标检测模块主要区别在于使用的特征在骨干网络中的深度不同，小尺度目标检测模块使用细节信息更为丰富的浅层特征，大尺度目标检测模块使用更为抽象的深层特征。在训练过程中，SRPN和检测头计算模型损失值，并经过PSU过程更新网络参数，直到模型收敛。在测试过程中，大小尺度目标检测模块将输出检测结果，然后经过NMS过程去掉对同一个目标的重复检测得到最终的检测结果。
（3）PSU过程。对于经过尺度变换的图片A、B、C，PSU将根据图片中缺陷尺度的大小，利用SRPN自适应的选择合适尺度的缺陷进行损失函数的计算和梯度的反向传播。具体来说，对于A类图片，其中大尺度的缺陷目标经过变换后尺度适中，在损失函数计算和梯度的反向传播过程中，只考虑尺度超过阈值A的目标缺陷所对应的特征；对于B类图片，其未经过尺度变换，在损失函数计算和梯度的反向传播过程中，只考虑尺度位于阈值A和阈值B之间尺度适中的目标缺陷所对应的特征；对于C类图片，其经过尺度放大变换，小目标的尺度变得适中，在损失函数计算和梯度的反向传播过程中，只考虑尺度小于阈值B的目标缺陷所对应的特征。OSU过程使极端尺度目标变得适中，降低了网络的学习难度，而PSU过程避免了极端尺度目标的损失函数计算和梯度反向传播，杜绝了这个过程对网络的危害性。
（4）SRPN。金属缺陷检测的漏检和误检问题是影响模型性能的重要原因，在漏检和误检的样本中，缺陷的极端尺度、缺陷和背景的混淆、缺陷的定位误差是造成漏检和误检的最主要因素。首先，SRPN配合OSU过程将缺陷的极端尺度转换为正常尺度进行处理，SRPN根据输入网络的图片的尺度变换类型，选择性的将尺度适中的缺陷传递到检测头中，使得所有尺度的缺陷在被检测时都处于合适的尺度。其次使用合适的类别损失函数，提高SRPN对缺陷和背景的辨别能力，使用合适的定位损失函数，提高SRPN对缺陷的定位精度。
SRPN的类别损失函数可以如上述公式（1）所示。SRPN的定位损失函数可以如上述公式（2）所示。检测头和SRPN所使用的损失函数类似，这里不再赘述。
综上，本实施例中的OSU过程改变了极端尺度目标的绝对尺度和相对尺度，使缺陷目标变得易于检测，降低了网络的学习难度，而PSU过程避免了极端尺度目标的损失函数计算和梯度反向传播，杜绝了这个过程对网络的危害性。SRPN起到尺度选择的作用，并利用损失函数降低了网络的误检和漏检率。
本实施例中的方法通过OSU过程和PSU过程两个过程，将极大尺度缺陷和极小尺度缺陷的绝对尺度和相对尺度变换到合理范围内，适应性更新优化网络参数，提高全尺度目标的检测效果。通过SRPN和按尺度划分的目标检测模块，按缺陷目标尺度和模型的抽象程度进一步细化检测过程；通过按缺陷目标检测的难易程度和缺陷尺度的不同针对性设计的损失函数，进一步降低误检率和缺陷的定位误差。本实施例中的上述过程解决了金属缺陷检测过程中极端尺度缺陷目标检测效果差的问题，及强制拟合极端尺度目标带来的全尺度目标检测性能下降问题。
为了实现本发明实施例的方法，本发明实施例还提供了一种物体缺陷检测装置，如图7所示，物体缺陷检测装置700包括：获取模块701、变换模块702和识别模块703；其中，
获取模块701，用于获取不同缺陷尺度的物体图像；
变换模块702，用于对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像；
识别模块703，用于根据所述第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果。
实际应用时，获取模块701、变换模块702和识别模块703可由物体缺陷检测装置中的处理器实现。
需要说明的是：上述实施例提供的上述装置在执行时，仅以上述各程序模块的划分进行举例说明，实际应用时，可以根据需要而将上述处理分配由不同的程序模块完成，即将终端的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的上述装置与上述方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
为了实现本发明实施例的方法，本发明实施例还提供了一种计算机程序物体，计算机程序物体包括计算机指令，计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取计算机指令，处理器执行计算机指令，使得计算机设备执行上述方法的步骤。
基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供了一种电子设备（计算机设备）。具体地，在一个实施例中，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器（图中未示出）。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质A06存储有操作系统B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现上述任意一项实施例的方法。该计算机设备的显示屏A04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明实施例提供的设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述任意一项实施例的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序物体。因此，本申请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，本申请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物体的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序物体的流程图和/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数据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数据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数据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数据处理设备上，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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
可以理解，本发明实施例的存储器可以是易失性存储器或者非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（ROM，ReadOnly Memory）、可编程只读存储器（PROM，Programmable Read-Only Memory）、可擦除可编程只读存储器（EPROM，Erasable Programmable Read-Only Memory）、电可擦除可编程只读存储器（EEPROM，Electrically Erasable Programmable Read-Only Memory）、磁性随机存取存储器（FRAM，ferromagnetic random access memory）、快闪存储器（Flash Memory）、磁表面存储器、光盘、或只读光盘（CD-ROM，Compact Disc Read-Only Memory）；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器（RAM，RandomAccess Memory），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（SRAM，Static Random Access Memory）、同步静态随机存取存储器（SSRAM，Synchronous Static Random Access Memory）、动态随机存取存储器（DRAM，Dynamic Random Access Memory）、同步动态随机存取存储器（SDRAM，SynchronousDynamic Random Access Memory）、双倍数据速率同步动态随机存取存储器（DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory）、增强型同步动态随机存取存储器（ESDRAM，Enhanced Synchronous Dynamic Random Access Memory）、同步连接动态随机存取存储器（SLDRAM，SyncLink Dynamic Random Access Memory）、直接内存总线随机存取存储器（DRRAM，Direct Rambus Random Access Memory）。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (8)

1.一种物体缺陷检测方法，其特征在于，所述方法包括：
获取不同缺陷尺度的物体图像；
对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像；
根据第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果；
其中，所述根据第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果包括：
对尺度变换后的第一物体图像进行特征提取；
确定第一物体图像的尺度类型；其中，第一物体图像的尺度类型为尺度变换前的物体图像的缺陷的尺度类型，所述尺度类型包括第一尺度、第二尺度或第三尺度，其中，所述第一尺度大于或等于第一预设阈值、第二尺度小于第一预设阈值且大于第二预设阈值，第三尺度小于或等于第二预设阈值；
根据所述尺度类型，利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果；
其中，所述根据所述尺度类型，利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果包括：
当所述尺度类型为第一尺度或第二尺度时，利用预设识别模型对所述特征中的深层特征进行检测识别，获得所述物体图像的缺陷检测结果；其中，所述深层特征的深度大于或等于预设数值；
当所述尺度类型为第三尺度时，利用预设识别模型对所述特征中的浅层特征进行检测识别，获得所述物体图像的缺陷检测结果；其中，所述浅层特征的深度小于预设数值。
2.根据权利要求1所述的方法，其特征在于，所述对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像包括：
确定所述物体图像缺陷尺度的尺度类型；所述尺度类型包括第一尺度、第二尺度或第三尺度，其中，所述第一尺度大于或等于第一预设阈值、第二尺度小于第一预设阈值且大于第二预设阈值，第三尺度小于或等于第二预设阈值；
根据所述尺度类型，采用对应的绝对尺度和相对尺度的尺度变换方式对所述物体图像进行尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述尺度类型，采用对应的绝对尺度和相对尺度的尺度变换方式对所述物体图像进行尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像包括：
当所述尺度类型为第一尺度时，按照预设第一比例对所述物体图像进行缩放；在缩放后的所述物体图像的四周补入预设数量的补位图像；将补入补位图像后的图像作为第一物体图像；
当所述尺度类型为第二尺度时，将所述物体图像作为第一物体图像；
当所述尺度类型为第三尺度时，对所述物体图像进行多次局部图像的截取，将多次截取后的局部图像按照预设第二比例进行放大，将放大后的局部图像作为第一物体图像。
4.根据权利要求1所述的方法，其特征在于，所述根据所述尺度类型，利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果包括：
当所述尺度类型为第一尺度时，利用所述预设识别模型对缺陷尺度大于或等于第一阈值的缺陷所对应的特征进行检测识别，获得所述物体图像的缺陷检测结果；
当所述尺度类型为第二尺度时，利用所述预设识别模型对缺陷尺度小于第一阈值且大于第二阈值的缺陷所对应的特征进行检测识别，获得所述物体图像的缺陷检测结果；其中，所述第一阈值大于所述第二阈值；
当所述缺陷尺度类型为第三尺度时，利用所述预设识别模型对缺陷尺度小于或等于第二阈值的缺陷所对应的特征进行检测识别，获得所述物体图像的缺陷检测结果。
5.根据权利要求1所述的方法，其特征在于，所述利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果包括：
利用预设识别模型中的类别损失函数和定位损失函数对所述特征进行损失函数的计算，获得所述物体图像的缺陷检测结果；
所述类别损失函数如公式（1）所示：
Figure 450619DEST_PATH_IMAGE001
公式（1）
其中，
Figure 367759DEST_PATH_IMAGE002
表示类别损失函数计算值，
Figure 209813DEST_PATH_IMAGE003
表示正负样本平衡系数，y表示标签类别，
Figure 605023DEST_PATH_IMAGE004
为网络的预测值；系数
Figure 419395DEST_PATH_IMAGE005
和
Figure 241857DEST_PATH_IMAGE006
可使得模型更加侧重于缺陷和背景较为相似的难分样本的学习；
所述定位损失函数如公式（2）所示：
Figure 571208DEST_PATH_IMAGE007
公式（2）
其中，
Figure 770108DEST_PATH_IMAGE008
表示定位损失函数计算值，
Figure 438986DEST_PATH_IMAGE009
表示预设识别模型中预测框和真实样本框之间的交并比，
Figure 432350DEST_PATH_IMAGE010
表示预设识别模型中预测框和真实样本框中线点的距离；
Figure 248997DEST_PATH_IMAGE011
表示预设识别模型中预测框和真实样本框最远角点之间的距离。
6.一种物体缺陷检测装置，其特征在于，所述物体缺陷检测装置包括：
获取模块，用于获取不同缺陷尺度的物体图像；
变换模块，用于对所述物体图像进行绝对尺度和相对尺度的尺度变换，获得缺陷尺度在预设尺度范围内的第一物体图像；
识别模块，用于根据第一物体图像的缺陷尺度，利用预设识别模型对所述第一物体图像进行检测识别，获得所述物体图像的缺陷检测结果；
其中，所述识别模块，还用于对尺度变换后的第一物体图像进行特征提取；确定第一物体图像的尺度类型；其中，第一物体图像的尺度类型为尺度变换前的物体图像的缺陷的尺度类型，所述尺度类型包括第一尺度、第二尺度或第三尺度，其中，所述第一尺度大于或等于第一预设阈值、第二尺度小于第一预设阈值且大于第二预设阈值，第三尺度小于或等于第二预设阈值；根据所述尺度类型，利用预设识别模型对所述特征进行检测识别，获得所述物体图像的缺陷检测结果；
其中，所述识别模块，还用于当所述尺度类型为第一尺度或第二尺度时，利用预设识别模型对所述特征中的深层特征进行检测识别，获得所述物体图像的缺陷检测结果；其中，所述深层特征的深度大于或等于预设数值；当所述尺度类型为第三尺度时，利用预设识别模型对所述特征中的浅层特征进行检测识别，获得所述物体图像的缺陷检测结果；其中，所述浅层特征的深度小于预设数值。
7.一种电子设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
所述处理器用于运行所述计算机程序时，执行权利要求1至5任一项所述方法的步骤。
8.一种存储介质，所述存储介质中存储有计算机程序，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5任一项所述方法的步骤。
CN202110969984.4A 2021-08-23 2021-08-23 物体缺陷检测方法、装置、电子设备和存储介质 Active CN113420844B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110969984.4A CN113420844B (zh) 2021-08-23 2021-08-23 物体缺陷检测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110969984.4A CN113420844B (zh) 2021-08-23 2021-08-23 物体缺陷检测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113420844A CN113420844A (zh) 2021-09-21
CN113420844B true CN113420844B (zh) 2021-12-21

Family

ID=77719269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110969984.4A Active CN113420844B (zh) 2021-08-23 2021-08-23 物体缺陷检测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113420844B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052834A (zh) * 2021-04-20 2021-06-29 河南大学 一种基于卷积神经网络多尺度特征的管道缺陷检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108469437B (zh) * 2018-03-16 2021-06-11 河北视窗玻璃有限公司 浮法玻璃的缺陷检测方法及装置
KR102213600B1 (ko) * 2018-08-28 2021-02-05 포항공과대학교 산학협력단 Cnn을 이용하여 크기 독립적으로 물체를 검출하는 방법 및 장치
US10832399B2 (en) * 2018-10-23 2020-11-10 International Business Machines Corporation Detection for abnormal connectivity on a product
CN110288586A (zh) * 2019-06-28 2019-09-27 昆明能讯科技有限责任公司 一种基于可见光图像数据的多尺度输电线路缺陷检测方法
CN111696136B (zh) * 2020-06-09 2023-06-16 电子科技大学 一种基于编解码结构的目标跟踪方法
CN111768406A (zh) * 2020-08-05 2020-10-13 赛维森(广州)医疗科技服务有限公司 细胞图像处理方法、装置、设备和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052834A (zh) * 2021-04-20 2021-06-29 河南大学 一种基于卷积神经网络多尺度特征的管道缺陷检测方法

Also Published As

Publication number Publication date
CN113420844A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
JP2024509411A (ja) 欠陥検出方法、装置及びシステム
US20160148079A1 (en) Object detection using cascaded convolutional neural networks
CN111091123A (zh) 文本区域检测方法及设备
CN108229495B (zh) 目标对象检测方法、装置、电子设备和存储介质
CN110348392B (zh) 车辆匹配方法及设备
CN113920538B (zh) 目标检测方法、装置、设备、存储介质及计算机程序产品
CN110956131B (zh) 单目标追踪方法、装置及系统
CN113240718A (zh) 多目标识别及跟踪方法、系统、介质和计算设备
CN112102141B (zh) 水印的检测方法、装置、存储介质以及电子设备
CN111741329B (zh) 一种视频处理方法、装置、设备及存储介质
CN109753157B (zh) 显示屏的手势控制方法及装置
CN113466839B (zh) 侧扫声呐海底线检测方法和装置
CN116805387B (zh) 基于知识蒸馏的模型训练方法、质检方法和相关设备
CN108573510B (zh) 一种栅格地图矢量化方法及设备
CN110223320B (zh) 物体检测跟踪方法和检测跟踪装置
CN111027551B (zh) 图像处理方法、设备和介质
CN113420844B (zh) 物体缺陷检测方法、装置、电子设备和存储介质
CN114638996A (zh) 基于对抗学习的模型训练方法、装置、设备和存储介质
CN111369557A (zh) 图像处理方法、装置、计算设备和存储介质
CN113379745B (zh) 产品缺陷识别方法、装置、电子设备和存储介质
CN113762017B (zh) 一种动作识别方法、装置、设备及存储介质
CN111967403B (zh) 视频移动区域确定方法、装置及电子设备
CN111931920A (zh) 基于级联神经网络的目标检测方法、装置及存储介质
CN117252822B (zh) 缺陷检测网络的构建及缺陷检测方法、装置和设备
CN111260757A (zh) 一种图像处理方法、装置及终端设备

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