CN113421263B - 零件缺陷检测方法、设备、介质及计算机程序产品 - Google Patents
零件缺陷检测方法、设备、介质及计算机程序产品 Download PDFInfo
- Publication number
- CN113421263B CN113421263B CN202110971321.6A CN202110971321A CN113421263B CN 113421263 B CN113421263 B CN 113421263B CN 202110971321 A CN202110971321 A CN 202110971321A CN 113421263 B CN113421263 B CN 113421263B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- model
- training
- trained
- 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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种零件缺陷检测方法、设备、介质及计算机程序产品,所述零件缺陷检测方法包括:获取待检测零件对应的待检测图像,基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果,其中,所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的。本申请解决对零件的缺陷检测准确度低的技术问题。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种零件缺陷检测方法、设备、介质及计算机程序产品。
背景技术
随着现代工业的发展,零件缺陷检测技术被广泛应用于布匹瑕疵检测、工件表面质量检测、航空航天等领域中。在现有的零件缺陷检测过程中,仍有较多铸造企业使用较为传统的检测方式,也即,零件经过X射线实时扫描和成像后,将相应的底片物理打印出来,专业的工作人员再对图像进行人工检测,对缺陷的类型进行判定,然而,使用传统的人工检测方法会存在不同的检测者由于其不同的检测标准可能会导致检测的偏差,且人易疲劳,容易发生对缺陷误检漏检的情况,进而导致造成对零件的缺陷检测准确度较低。
发明内容
本申请的主要目的在于提供一种零件缺陷检测方法、设备、介质及计算机程序产品,旨在解决现有技术中的对零件的缺陷检测准确度低的技术问题。
为实现上述目的,本申请提供一种零件缺陷检测方法,所述零件缺陷检测方法包括:
获取待检测零件对应的待检测图像;
基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果,其中,所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的。
本申请还提供一种零件缺陷检测装置,所述零件缺陷检测装置为虚拟装置,所述零件缺陷检测装置包括:
获取模块,用于获取待检测零件对应的待检测图像;
缺陷预测模块,用于基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果,其中,所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的。
本申请还提供一种零件缺陷检测设备,所述零件缺陷检测设备为实体设备,所述零件缺陷检测设备包括:存储器、处理器以及存储在所述存储器上的零件缺陷检测程序,所述零件缺陷检测程序被所述处理器执行实现如上述的零件缺陷检测方法的步骤。
本申请还提供一种介质,所述介质为可读存储介质,所述可读存储介质上存储零件缺陷检测程序,所述零件缺陷检测程序被处理器执行实现如上述零件缺陷检测方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的零件缺陷检测方法的步骤。
本申请提供了一种零件缺陷检测方法、设备、介质及计算机程序产品,相比于现有技术采用的通过人工对零件对应的图像进行检测的技术手段,本申请首先获取待检测零件对应的待检测图像,进而基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果,其中,所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的,实现了基于由预设数量的深度神经网络模块级联组成的全尺度灰度先验深度分割模型,可通过不同的深度神经网络模块检测到不同尺度特征的图像数据,提高模型的全局视野,进而提升了全尺度灰度先验深度分割模型进行决策的可靠性与准确度,从而通过所述全尺度灰度先验深度分割模型对待检测零件对应的待检测图像进行检测,获得更为精准的零件缺陷检测结果,克服了现有技术中使用人工检测方法,存在不同的检测者由于其不同的检测标准可能会导致检测的偏差,且人易疲劳,容易发生对缺陷误检漏检的情况,进而导致造成对零件的缺陷检测准确度较低的技术缺陷,从而提高了对零件的缺陷检测准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,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,对于本领域默认技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请零件缺陷检测方法第一实施例的流程示意图;
图2为本申请零件缺陷检测方法第二实施例的流程示意图;
图3为本申请零件缺陷检测方法第三实施例的流程示意图;
图4为本申请零件缺陷检测方法第四实施例的流程示意图;
图5为本申请实施例中零件缺陷检测方法涉及的硬件运行环境的零件缺陷检测设备结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种零件缺陷检测方法,在本申请零件缺陷检测方法的第一实施例中,参照图1,所述零件缺陷检测方法包括:
步骤S10,获取待检测零件对应的待检测图像;
在本实施例中,需要说明的是,所述待检测图像为待检测零件的X光图像,其中,所述待检测零件的X光图像包括汽车转向节的X光图像和工业铸件的X光图像等图像,所述汽车转向节的X光图像为单通道灰度图像,汽车转向节的X光图像的缺陷类型相对较少,包括缩松、夹渣、气孔、磕碰、缩孔、裂纹等类型,所述缺陷类型的缺陷区域与周围零件区域都有较为明显的灰度值差异。
获取待检测零件对应的待检测图像,具体地,通过工业相机采集所述待检测零件对应的待检测图像。
步骤S20,基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果,其中,所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的。
在本实施例中,需要说明的是,所述全尺度灰度先验深度分割模型包括目标特征提取模型和图像缺陷分类模型,其中,所述目标特征提取模型和所述图像缺陷分类模型均由预设数量的深度神经网络模块级联组成,优选地,所述预设数量可以为4,所述深度神经网络模块包括卷积层、批归一化层和非线性函数层,所述目标特征提取模型中的各神经网络模块分别和所述图像缺陷分类模型中的各神经网络模块之间进行相连接。
基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果,其中,所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的,具体地,获取待检测零件对应的待检测图像,并将所述待检测图像对应的图像像素矩阵输入所述目标特征提取模型,对所述图像像素矩阵进行预设次数的卷积和批归一化和非线性函数的交替处理,以将所述图像像素矩阵映射至预设样本表征空间,获得不同尺度特征对应的图像特征数据,其中,所述预设样本表征空间可以为向量空间或者矩阵空间,进而将所述不同尺度特征对应的图像特征数据输入所述图像缺陷分类模型中,获得所述图像缺陷检测结果,以根据所述图像缺陷检测结果判断所述待检测零件是否合格。
其中,所述全尺度灰度先验深度分割模型包括目标特征提取模型和图像缺陷分类模型,
所述基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果的步骤包括:
步骤S21,基于所述目标特征提取模型,对所述待检测图像进行特征提取,获得图像特征数据;
在本实施例中,基于所述目标特征提取模型,对所述待检测图像进行特征提取,获得图像特征数据,具体地,基于所述目标特征提取模型对应的预设数量的深度神经网络模块,对所述待检测图像进行进行预设次数的卷积和批归一化和非线性函数的交替处理,获得不同尺度特征对应的图像特征数据。
步骤S22,基于所述图像特征数据和所述图像缺陷分类模型,对所述待检测零件进行缺陷预测,获得所述图像缺陷检测结果。
在本实施例中,基于所述图像特征数据和所述图像缺陷分类模型,对所述待检测图像进行缺陷预测,获得所述图像缺陷检测结果,具体地,将所述图像特征数据输入所述,通过对所述图像特征数据进行数据处理,其中,所述数据处理包括但不限定于卷积、批归一化层和非线性函数等,以将所述图像特征数据映射为分类概率值,进而基于所述分类概率值,确定所述待检测零件对应的缺陷类别,并将所述电感缺陷类别作为所述零件缺陷检测结果。
本申请提供了一种零件缺陷检测方法,相比于现有技术采用的通过人工对零件对应的图像进行检测的技术手段,本申请实施例首先获取待检测零件对应的待检测图像,进而基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果,其中,所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的,实现了基于由预设数量的深度神经网络模块级联组成的全尺度灰度先验深度分割模型,可通过不同的深度神经网络模块检测到不同尺度特征的图像数据,提高模型的全局视野,进而提升了全尺度灰度先验深度分割模型进行决策的可靠性与准确度,从而通过所述全尺度灰度先验深度分割模型对待检测零件对应的待检测图像进行检测,获得更为精准的零件缺陷检测结果,克服了现有技术中使用人工检测方法,存在不同的检测者由于其不同的检测标准可能会导致检测的偏差,且人易疲劳,容易发生对缺陷误检漏检的情况,进而导致造成对零件的缺陷检测准确度较低的技术缺陷,从而提高了对零件的缺陷检测准确度。
进一步地,参照图2,基于本申请中第一实施例,在本申请的另一实施例中,在所述基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果,其中,所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对由预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的步骤之前,所述零件缺陷检测方法还包括:
步骤A10,获取训练缺陷图像集;
在本实施例中,需要说明的是,所训练缺陷图像集中的各所述训练缺陷图像为已人工进行类别标注的图像。
获取训练缺陷图像集,具体地,获取用于模型训练对应的训练缺陷图像集。
步骤A20,配置训练缺陷图像集中各所述训练缺陷图像对应的初始图像尺寸和最终图像尺寸;
在本实施例中,需要说明的是,所述初始图像尺寸为所述待训练缺陷检测模型在训练初级阶段使用的图像尺寸,所述最终图像尺寸为所述待训练缺陷检测模型在训练最后阶段使用的图像尺寸,所述初始图像尺寸和所述最终图像尺寸均为预先设置的,例如,将所述初始图像尺寸设置为256×256尺寸的图像,将所述最终图像尺寸设置为1024×1024尺寸的图像。
步骤A30,基于所述初始图像尺寸和所述最终图像尺寸,计算在不同训练阶段中各所述训练缺陷图像对应的图像尺寸;
在本实施例中,基于所述初始图像尺寸和所述最终图像尺寸,计算在不同训练阶段中各所述训练缺陷图像对应的图像尺寸,具体地,根据所述初始图像尺寸和所述最终图像尺寸,按照预设阶段尺寸计算方法计算在不同训练阶段中各所述训练缺陷图像对应的图像尺寸,所述预设阶段尺寸计算方法如下:
其中,Sini为模型训练初始阶段使用的图像尺寸,Sfinal为训练最后阶段试验的图像尺寸,M为模型训练过程中总的训练阶段次数,Si为当前训练阶段对应的图像尺寸,i∈[1,M]为当前训练阶段,例如,假设设定所述待训练缺陷检测模型的迭代训练次数为10000次,将所述初始图像尺寸设置为256×256尺寸的图像,将所述最终图像尺寸设置为1024×1024尺寸的图像,进而在每一次迭代训练阶段中均计算当前训练阶段对应的图像尺寸。
步骤A40,基于在不同训练阶段对应的图像尺寸的各所述训练缺陷图像,对所述待训练缺陷检测模型进行迭代训练优化,获得所述全尺度灰度先验深度分割模型。
在本实施例中,需要说明的是,在不同阶段采用不同尺度的图像来训练模型,在初始阶段使用较小的图像尺寸和较大的批处理尺寸,使得模型可以得到更好的批归一化效果,从而提高模型收敛的效率,在训练后期训练阶段使用较大的图像尺寸和较小的批处理尺寸,使得模型学习到图像的细节信息,进而提升模型的表述能力。
基于在不同训练阶段对应的图像尺寸的各所述训练缺陷图像,对所述待训练缺陷检测模型进行迭代训练优化,获得所述全尺度灰度先验深度分割模型,具体地,将在不同训练阶段对应的图像尺寸的各所述训练缺陷图像输入所述待训练缺陷检测模型,以优化所述待训练缺陷检测模型,并判断优化后的待训练缺陷检测模型是否满足预设训练结束条件,其中,所述预设训练结束条件包括损失函数收敛和达到最大迭代次数阈值等条件,若满足,则获得所述全尺度灰度先验深度分割模型,若不满足,则返回执行步骤:获取训练缺陷图像集。
本申请实施例提供了一种零件缺陷检测方法,也即,获取训练缺陷图像集,进而配置训练缺陷图像集中各所述训练缺陷图像对应的初始图像尺寸和最终图像尺寸,进而基于所述初始图像尺寸和所述最终图像尺寸,计算在不同训练阶段中各所述训练缺陷图像对应的图像尺寸,进一步地,基于在不同训练阶段对应的图像尺寸的各所述训练缺陷图像,对所述待训练缺陷检测模型进行迭代训练优化,获得所述全尺度灰度先验深度分割模型,实现了采用渐进式学习方式进行模型训练,也即,在不同阶段采用不同尺度的图像来训练模型,从而提高模型收敛的效率,也可通过模型学习到不同尺度的图像的细节信息,从而提升模型的表述能力,为克服现有技术中使用人工检测方法,存在不同的检测者由于其不同的检测标准可能会导致检测的偏差,且人易疲劳,容易发生对缺陷误检漏检的情况,进而导致造成对零件的缺陷检测准确度较低的技术缺陷奠定了基础。
进一步地,参照图3,基于本申请中第二实施例,在本申请的另一实施例中,所述待训练缺陷检测模型包括待训练特征提取模型和待训练缺陷分类模型,所述全尺度灰度先验深度分割模型包括目标特征提取模型和图像缺陷分类模型,
所述基于在不同训练阶段对应的图像尺寸的各所述训练缺陷图像,对所述待训练缺陷检测模型进行迭代训练优化,获得所述全尺度灰度先验深度分割模型的步骤包括:
步骤B10,构建基于预设数量的特征提取神经网络模块级联组成的待训练特征提取模型;
在本实施例中,需要说明的是,所述待训练特征提取模型包括各特征提取神经网络模块,每一所述特征提取神经网络模块包括卷积层、批归一化层和非线性函数层。
构建基于预设数量的特征提取神经网络模块级联组成的待训练特征提取模型,具体地,构建预设数量的特征提取神经网络模块,将各所述特征提取神经网络模块对应的卷积层、批归一化层和非线性函数层进行级联连接,并将不相邻的特征提取神经网络模块进行两两连接,获得所述待训练特征提取模型。
其中,所述构建基于预设数量的特征提取神经网络模块级联组成的待训练特征提取模型的步骤包括:
步骤B11,构建预设数量的特征提取神经网络模块,其中,所述特征提取神经网络模块包括卷积层、批归一化层和非线性函数层;
在本实施例中,需要说明的是,处于级联连接最后位置的特征提取神经网络模块对应的卷积层的步长为2,起到下采样的作用,从而缩小区域面积,提高模型的感受野,其余特征提取神经网络模块对应的卷积层的步长为1。
步骤B12,将各所述特征提取神经网络模块进行级联连接,并将不相邻的特征提取神经网络模块进行两两连接,获得所述待训练特征提取模型。
在本实施例中,将各所述特征提取神经网络模块进行级联连接,并将不相邻的特征提取神经网络模块进行两两连接,获得所述待训练特征提取模型,具体地,将各所述特征提取神经网络模块依次进行级联连接,进而将不相邻的特征提取神经网络间进行连接,使得在不增加网络参数的条件下扩宽网络宽度,增强模型的表述能力,获得所述待训练特征提取模型,进而使得待训练特征提取模型提取不同尺度特征的图像数据。
步骤B20,构建基于预设数量的分类神经网络模块级联组成的待训练缺陷分类模型;
在本实施例中,需要说明的是,所述待训练缺陷分类模型包括分类神经网络模块,每一所述分类神经网络模块包括卷积层、批归一化层和非线性函数层。
构建基于预设数量的分类神经网络模块级联组成的待训练缺陷分类模型,具体地,获取预设数量的分类神经网络模块,将各所述分类神经网络模块对应的卷积层、批归一化层和非线性函数层进行级联连接,进而将不相邻的分类神经网络模块进行两两连接,使得在不增加网络参数的条件下扩宽网络宽度,进而获得所述分类神经网络模块。
其中,所述构建基于预设数量的分类神经网络模块级联组成的待训练缺陷分类模型的步骤包括:
步骤B21,构建预设数量的分类神经网络模块,其中,所述分类神经网络模块包括卷积层、批归一化层和非线性函数层;
在本实施例中,需要说明的是,由于在经过特征提取神经网络模块的下采样之后,模型感受野变大,会导致图像对应的分辨率降低,进而为了提高图像的分辨率,将处于级联连接最后位置的分类神经网络模块对应的卷积层设置为反卷积,步长为2,起到上采样的作用,其余特征提取神经网络模块对应的卷积层的步长为1,从而提高模型的分辨率。
步骤B22,将各所述分类神经网络模块进行级联连接,并将不相邻的分类神经网络模块进行两两连接,获得所述待训练缺陷分类模型。
在本实施例中,将各所述分类神经网络模块进行级联连接,并将不相邻的分类神经网络模块进行两两连接,获得所述待训练缺陷分类模型,具体地,将各所述分类神经网络模块依次进行级联连接,进而将不相邻的分类神经网络模块进行连接,使得在不增加网络参数的条件下扩宽网络宽度,增强模型的表述能力,获得所述待训练缺陷分类模型。
另外地,所述待训练特征提取模型中的各特征提取神经网络模块与所述待训练缺陷分类模型中的各分类神经网络模块进行连接,通过各所述特征提取神经网络模块提取不同尺度特征的图像数据,进而使得通过各分类神经网络模块融合学习到全尺度的图像信息,从而提升模型进行决策的可靠性与准确度。
步骤B30,设计模型损失函数;
在本实施例中,需要说明的是,在设计模型损失函数过程中,根据缺陷类别数制定模型的输出层,将每个像素点的多分类问题转化为每个输出层上每个像素点的二分类问题,使用二分类损失函数使得每层神经网络模型的参数更加专注于一个特定类别的分类。
设计模型损失函数,具体地,计算各所述训练缺陷图像对应的像素点到图像边缘的距离,获得模型的边缘先验系数,进而基于各所述训练缺陷图像的真实类型对应的缺陷类别数量,计算各缺陷类别对应的类别权重系数,进一步地基于所述边缘先验系数、所述类别权重系数和预测结果和各所述训练缺陷图像对应的预测类型结果,获得所述模型损失函数。
其中,所述设计模型损失函数的步骤包括:
步骤B31,计算各所述训练缺陷图像对应的像素点到图像边缘的距离,获得模型的边缘先验系数;
在本实施例中,计算各所述训练缺陷图像对应的像素点到图像边缘的距离,获得模型的边缘先验系数,具体地,基于预设边缘系数方法,分别计算各所述训练缺陷图像对应的像素点到图像边缘的距离,获得所述边缘先验系数,使得越靠近边缘的像素点的损失函数权重越大,迫使模型重视缺陷区域周围零件区域边缘信息的学习,避免了对零件缺陷的误检和漏检的情况,提升模型的辨别能力,所述预设边缘系数方法如下:
步骤B32,基于各所述训练缺陷图像的真实类型对应的缺陷类别数量,计算各缺陷类别对应的类别权重系数;
在本实施例中,基于各所述训练缺陷图像的真实类型对应的缺陷类别数量,计算各缺陷类别对应的类别权重系数,具体地,由于不同缺陷类别的样本数量极度不均衡,统计各所述训练缺陷图像的真实类型的缺陷类别数量,进而基于所述缺陷类别数量,分别计算各所述训练缺陷图像中的像素点对应的类别系数权重,从而增加样本数量较少的类别的学习权重,解决了类别不均衡的情况,所述类别权重系数的计算方式如下:
其中,K表示缺陷类别总数量,j∈[1,K]表示像素的真实类别,Ni表示第i个类别的样本数量,ui为按类别划分的常数系数。
步骤B33,基于所述边缘先验系数、所述类别权重系数和预测结果和各所述训练缺陷图像对应的预测类型结果,设计所述模型损失函数。
在本实施例中,基于所述边缘先验系数、所述类别权重系数和预测结果和各所述训练缺陷图像对应的预测类型结果,设计所述模型损失函数,具体地,首先计算所述训练缺陷图像集各像素对应的预测类型结果,
其中,ɑk(x)表示第k个特征层在位置x的值,Pk(x)表示x位置处的像素点为类别k的概率,K为缺陷类别总数,
其中,N为像素点总数,j表示位于坐标位置为x的像素点的真实类别,d(x)表示模型损失函数的边缘先验系数,Wj表示j缺陷类别对应的类别权重系数,Pj(x)表示模型预测的在坐标位置为x的像素点为缺陷类别j的概率,
步骤B40,基于所述待训练特征提取模型,对所述训练缺陷图像集进行特征提取,获得不同尺度特征的特征提取结果;
在本实施例中,基于所述待训练特征提取模型,对所述训练缺陷图像集进行特征提取,获得不同尺度特征的特征提取结果,具体地,将所述训练缺陷图像输入所述待训练特征提取模型,以通过所述待训练特征提取模型中的各特征提取神经网络模块对所述训练缺陷图像进行预设次数的卷积、批归一化和非线性函数处理,获得所述不同尺度特征的特征提取结果。
步骤B50,将不同尺度特征的特征提取结果输入待训练缺陷分类模型,以对所述训练缺陷图像集中的各训练缺陷图像集进行类别预测,获得预测类型结果;
在本实施例中,需要说明的是,对于汽车转向节的X光图像,缺陷类型的缺陷区域与零件有较为明显的灰度值差异,意味着浅层的灰度值和纹理信息对缺陷的监测和分类有着关键性的作用,而深层的全局信息和抽象信息对零件的结构至关重要,进一步地,参照图4,图4为本申请零件缺陷检测方法全尺度灰度先验深度分割模型的网络结构示意图,其中,四个DNN模块一组成特征提取阶段,特征提取阶段中的DNN模块一为所述特征提取神经网络模块,四个DNN模块二组成类别预测阶段,类别预测阶段中的DNN模块二为所述分类神经网络模块,进而分别将所述待训练特征提取模型中的各特征提取神经网络模块和所述待训练缺陷分类模型中的各分类神经网络模块进行两两相连接,形成一个总的模型网络,从而可通过所述待训练特征提取模型中的各特征提取神经网络模块提取不同尺度特征的特征提取结果,以使得所述待训练缺陷分类模型在训练过程中融合了浅层和深层的全尺度信息。
将不同尺度特征的特征提取结果输入待训练缺陷分类模型,以对所述训练缺陷图像集中的各训练缺陷图像集进行类别预测,获得预测类型结果,具体地,将不同尺度特征的特征提取结果输入所述待训练缺陷分类模型中的各分类神经网络模块,使得所述待训练缺陷分类模型学习到图像的全尺度特征信息,进而对所述训练缺陷图像集中的各训练缺陷图像集进行类别预测,获得各训练缺陷图像集中各像素点对于的预测类型结果;
步骤B60,基于各所述训练缺陷图像对应的真实类型和各所述训练缺陷图像对应的预测类型结果,通过所述模型损失函数计算类别预测损失;
在本实施例中,需要说明的是,所述真实类型为训练图像对应的已知的真实图像类别。
基于各所述训练缺陷图像对应的真实类型和各所述训练缺陷图像对应的预测类型结果,通过所述模型损失函数计算类别预测损失,具体地,通过所述模型损失函数,计算所述训练图像对应的真实类别和所述预测类别结果之间的差异度,获得所述类别预测损失。
步骤B70,基于所述类别预测损失,优化所述待训练缺陷分类模型与所述待训练特征提取模型,获得所述目标特征提取模型和所述图像缺陷分类模型。
在本实施例中,基于所述类别预测损失,优化所述待训练缺陷分类模型与所述待训练特征提取模型,获得所述目标特征提取模型和所述图像缺陷分类模型,具体地,基于所述类别预测损失,计算所述待训练缺陷分类模型对应的第一模型更新梯度,以及计算所述待训练特征提取模型对应的第二模型更新梯度,进而基于所述第一模型更新梯度,更新所述待训练缺陷分类模型,并基于所述第二模型更新梯度,更新所述待训练特征提取模型,进而判断判断更新后的待训练缺陷分类模型与更新后的待训练特征提取模型是否均满足预设训练结束条件,若满足,则将所述待训练缺陷分类模型作为所述图像缺陷分类模型,并将所述待训练特征提取模型作为所述目标特征提取模型,若不满足,则返回所述基于在不同训练阶段对应的图像尺寸的各所述训练缺陷图像,对所述待训练缺陷检测模型进行迭代训练优化,获得所述全尺度灰度先验深度分割模型的步骤,其中,所述预设训练结束条件包括损失收敛和达到最大迭代次数阈值等。
本申请实施例提供了一种零件缺陷检测方法,也即,构建基于预设数量的特征提取神经网络模块级联组成的待训练特征提取模型,并构建基于预设数量的分类神经网络模块级联组成的待训练缺陷分类模型,设计模型损失函数,进而基于所述待训练特征提取模型,对所述训练缺陷图像集进行特征提取,获得不同尺度特征的特征提取结果,进而实现了通过不同的特征提取神经网络模块提取不同尺度特征的特征数据的目的,进一步地,将不同尺度特征的特征提取结果输入待训练缺陷分类模型,以对所述训练缺陷图像集中的各训练缺陷图像集进行类别预测,获得预测类型结果,实现了基于不同尺度特征的特征数据,使得待训练缺陷分类模型融合了浅层和深层的全尺度信息,从而提高了模型的表达能力,进而基于各所述训练缺陷图像对应的真实类型和各所述训练缺陷图像对应的预测类型结果,通过所述模型损失函数计算类别预测损失,进一步地,基于所述类别预测损失,优化所述待训练缺陷分类模型与所述待训练特征提取模型,获得所述目标特征提取模型和所述图像缺陷分类模型,从而基于提取不同尺度特征的目标特征提取模型以及融合全尺度信息的图像缺陷分类模型,使得当零件X光图像中的某些固有结构与缺陷相似时,通过基于提取不同尺度特征的目标特征提取模型对零件进行不同尺度特征提取,进而通过融合全尺度信息的图像缺陷分类模型以全局的视野来进行区分零件结构和缺陷,从而提高了对待检测零件的缺陷检测的准确度,为克服现有技术中使用人工检测方法,存在不同的检测者由于其不同的检测标准可能会导致检测的偏差,且人易疲劳,容易发生对缺陷误检漏检的情况,进而导致造成对零件的缺陷检测准确度较低的技术缺陷奠定了基础。
参照图5,图5是本申请实施例方案涉及的硬件运行环境的零件缺陷检测设备结构示意图。
如图5所示,该零件缺陷检测设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该零件缺陷检测设备还可以包括矩形用户接口、网络接口、相机、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可包括标准的有线接口、无线接口(如WIFI接口)。
本领域技术人员可以理解,图5中示出的零件缺陷检测设备结构并不构成对零件缺陷检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图5所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及零件缺陷检测程序。操作系统是管理和控制零件缺陷检测设备硬件和软件资源的程序,支持零件缺陷检测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与零件缺陷检测系统中其它硬件和软件之间通信。
在图5所示的零件缺陷检测设备中,处理器1001用于执行存储器1005中存储的零件缺陷检测程序,实现上述任一项所述的零件缺陷检测方法的步骤。
本申请零件缺陷检测设备具体实施方式与上述零件缺陷检测方法各实施例基本相同,在此不再赘述。
本申请还提供一种零件缺陷检测装置,所述零件缺陷检测装置包括:
获取模块,用于获取待检测零件对应的待检测图像;
缺陷预测模块,用于基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果,其中,所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的。
可选地,所述缺陷预测模块还用于:
基于所述目标特征提取模型,对所述待检测图像进行特征提取,获得图像特征数据;
基于所述图像特征数据和所述图像缺陷分类模型,对所述待检测零件进行缺陷预测,获得所述图像缺陷检测结果。
可选地,所述零件缺陷检测装置还用于:
获取训练缺陷图像集;
配置训练缺陷图像集中各所述训练缺陷图像对应的初始图像尺寸和最终图像尺寸;
基于所述初始图像尺寸和所述最终图像尺寸,计算在不同训练阶段中各所述训练缺陷图像对应的图像尺寸;
基于在不同训练阶段对应的图像尺寸的各所述训练缺陷图像,对所述待训练缺陷检测模型进行迭代训练优化,获得所述全尺度灰度先验深度分割模型。
可选地,所述零件缺陷检测装置还用于:
构建基于预设数量的特征提取神经网络模块级联组成的待训练特征提取模型;
构建基于预设数量的特征提取神经网络模块级联组成的待训练特征提取模型;
设计模型损失函数;
基于所述待训练特征提取模型,对所述训练缺陷图像集进行特征提取,获得不同尺度特征的特征提取结果;
将不同尺度特征的特征提取结果输入待训练缺陷分类模型,以对所述训练缺陷图像集中的各训练缺陷图像集进行类别预测,获得预测类型结果;
基于各所述训练缺陷图像对应的真实类型和各所述训练缺陷图像对应的预测类型结果,通过所述模型损失函数计算类别预测损失;
基于所述类别预测损失,优化所述待训练缺陷分类模型与所述待训练特征提取模型,获得所述目标特征提取模型和所述图像缺陷分类模型。
可选地,所述零件缺陷检测装置还用于:
构建预设数量的特征提取神经网络模块,其中,所述特征提取神经网络模块包括卷积层、批归一化层和非线性函数层;
将各所述特征提取神经网络模块进行级联连接,并将不相邻的特征提取神经网络模块进行两两连接,获得所述待训练特征提取模型。
可选地,所述零件缺陷检测装置还用于:
构建预设数量的分类神经网络模块,其中,所述分类神经网络模块包括卷积层、批归一化层和非线性函数层;
将各所述分类神经网络模块进行级联连接,并将不相邻的分类神经网络模块进行两两连接,获得所述待训练缺陷分类模型。
可选地,所述零件缺陷检测装置还用于:
计算各所述训练缺陷图像对应的像素点到图像边缘的距离,获得模型的边缘先验系数;
基于各所述训练缺陷图像的真实类型对应的缺陷类别数量,计算各缺陷类别对应的类别权重系数;
基于所述边缘先验系数、所述类别权重系数和预测结果和各所述训练缺陷图像对应的预测类型结果,设计所述模型损失函数。
本申请零件缺陷检测装置的具体实施方式与上述零件缺陷检测方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种介质,所述介质为可读存储介质,且所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的零件缺陷检测方法的步骤。
本申请可读存储介质具体实施方式与上述零件缺陷检测方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种计算机程序产品,且所述计算机程序产品包括有一个或者一个以上计算机程序,所述一个或者一个以上计算机程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的零件缺陷检测方法的步骤。
本申请计算机程序产品具体实施方式与上述零件缺陷检测方法各实施例基本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (8)
1.一种零件缺陷检测方法,其特征在于,所述零件缺陷检测方法包括:
获取待检测零件对应的待检测图像,其中,所述待检测图像为所述待检测零件的X光图像;
基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果,其中,所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对由预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的,所述全尺度灰度先验深度分割模型包括目标特征提取模型和图像缺陷分类模型,所述目标特征提取模型和所述图像缺陷分类模型均由预设数量的深度神经网络模块级联组成;
其中,在所述基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果,其中,所述全尺度灰度先验深度分割模型为基于预先收集的训练缺陷图像集对由预设数量的深度神经网络模块级联组成的待训练缺陷检测模型进行迭代训练优化得到的步骤之前,所述零件缺陷检测方法还包括:
获取训练缺陷图像集;
配置训练缺陷图像集中各所述训练缺陷图像对应的初始图像尺寸和最终图像尺寸;
基于所述初始图像尺寸和所述最终图像尺寸,计算在不同训练阶段中各所述训练缺陷图像对应的图像尺寸;
基于在不同训练阶段对应的图像尺寸的各所述训练缺陷图像,对所述待训练缺陷检测模型进行迭代训练优化,获得所述全尺度灰度先验深度分割模型。
2.如权利要求1所述零件缺陷检测方法,其特征在于,所述基于全尺度灰度先验深度分割模型,对所述待检测图像进行缺陷预测,获得图像缺陷检测结果的步骤包括:
基于所述目标特征提取模型,对所述待检测图像进行特征提取,获得图像特征数据;
基于所述图像特征数据和所述图像缺陷分类模型,对所述待检测零件进行缺陷预测,获得所述图像缺陷检测结果。
3.如权利要求1所述零件缺陷检测方法,其特征在于,所述待训练缺陷检测模型包括待训练特征提取模型和待训练缺陷分类模型,
所述基于在不同训练阶段对应的图像尺寸的各所述训练缺陷图像,对所述待训练缺陷检测模型进行迭代训练优化,获得所述全尺度灰度先验深度分割模型的步骤包括:
构建基于预设数量的特征提取神经网络模块级联组成的待训练特征提取模型;
构建基于预设数量的分类神经网络模块级联组成的待训练缺陷分类模型;
设计模型损失函数;
基于所述待训练特征提取模型,对所述不同训练阶段对应的图像尺寸的各所述训练缺陷图像进行特征提取,获得不同尺度特征的特征提取结果;
将不同尺度特征的特征提取结果输入待训练缺陷分类模型,以对所述训练缺陷图像集中的各训练缺陷图像进行类别预测,获得预测类型结果;
基于各所述训练缺陷图像对应的真实类型和各所述训练缺陷图像对应的预测类型结果,通过所述模型损失函数计算类别预测损失;
基于所述类别预测损失,优化所述待训练缺陷分类模型与所述待训练特征提取模型,获得所述目标特征提取模型和所述图像缺陷分类模型。
4.如权利要求3所述零件缺陷检测方法,其特征在于,所述构建基于预设数量的特征提取神经网络模块级联组成的待训练特征提取模型的步骤包括:
构建预设数量的特征提取神经网络模块,其中,所述特征提取神经网络模块包括卷积层、批归一化层和非线性函数层;
将各所述特征提取神经网络模块进行级联连接,并将不相邻的特征提取神经网络模块进行两两连接,获得所述待训练特征提取模型。
5.如权利要求3所述零件缺陷检测方法,其特征在于,所述待训练缺陷分类模型包括各分类神经网络模块,
所述构建基于预设数量的分类神经网络模块级联组成的待训练缺陷分类模型的步骤包括:
构建预设数量的分类神经网络模块,其中,所述分类神经网络模块包括卷积层、批归一化层和非线性函数层;
将各所述分类神经网络模块进行级联连接,并将不相邻的分类神经网络模块进行两两连接,获得所述待训练缺陷分类模型。
6.如权利要求3所述零件缺陷检测方法,其特征在于,所述设计模型损失函数的步骤包括:
计算各所述训练缺陷图像对应的像素点到图像边缘的距离,获得模型的边缘先验系数;
基于各所述训练缺陷图像的真实类型对应的缺陷类别数量,计算各缺陷类别对应的类别权重系数;
基于所述边缘先验系数、所述类别权重系数和各所述训练缺陷图像对应的预测类型结果,设计所述模型损失函数。
7.一种零件缺陷检测设备,其特征在于,所述零件缺陷检测设备包括:存储器、处理器以及存储在存储器上的零件缺陷检测程序,
所述零件缺陷检测程序被所述处理器执行实现如权利要求1至6中任一项所述零件缺陷检测方法的步骤。
8.一种可读存储介质,其特征在于,所述可读存储介质上存储有零件缺陷检测程序,所述零件缺陷检测程序被处理器执行实现如权利要求1至6中任一项所述零件缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110971321.6A CN113421263B (zh) | 2021-08-24 | 2021-08-24 | 零件缺陷检测方法、设备、介质及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110971321.6A CN113421263B (zh) | 2021-08-24 | 2021-08-24 | 零件缺陷检测方法、设备、介质及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113421263A CN113421263A (zh) | 2021-09-21 |
CN113421263B true CN113421263B (zh) | 2021-11-30 |
Family
ID=77719770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110971321.6A Active CN113421263B (zh) | 2021-08-24 | 2021-08-24 | 零件缺陷检测方法、设备、介质及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421263B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888506B (zh) * | 2021-09-30 | 2023-05-05 | 电子科技大学 | 基于深度分割网络的包覆药形状缺陷检测算法 |
CN113781485B (zh) * | 2021-11-12 | 2022-09-09 | 成都数联云算科技有限公司 | 一种pcb缺陷类别的智能检测方法、装置、电子设备及介质 |
CN114299066B (zh) * | 2022-03-03 | 2022-05-31 | 清华大学 | 基于显著性特征预提取与图像分割的缺陷检测方法和装置 |
CN114676931B (zh) * | 2022-04-12 | 2024-02-20 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于数据中台技术的电量预测系统 |
CN114798495B (zh) * | 2022-07-01 | 2022-11-11 | 深圳市信润富联数字科技有限公司 | 基于质量检测的钣金冲压件分拣方法、装置、设备及介质 |
CN114972342B (zh) * | 2022-07-28 | 2022-10-21 | 南通新思迪机电有限公司 | 一种变速箱齿轮表面缺陷检测方法 |
CN115797314B (zh) * | 2022-12-16 | 2024-04-12 | 哈尔滨耐是智能科技有限公司 | 零件表面缺陷检测方法、系统、设备及存储介质 |
CN116030030B (zh) * | 2023-02-13 | 2023-08-29 | 中建科技集团有限公司 | 一种预制构件的焊缝内外缺陷一体化评估方法 |
CN117011263B (zh) * | 2023-08-03 | 2024-05-10 | 东方空间技术(山东)有限公司 | 一种用于火箭子级回收段的缺陷检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590449A (zh) * | 2017-08-31 | 2018-01-16 | 电子科技大学 | 一种基于加权特征谱融合的手势检测方法 |
CN108364281A (zh) * | 2018-01-08 | 2018-08-03 | 佛山市顺德区中山大学研究院 | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 |
CN109544534A (zh) * | 2018-11-26 | 2019-03-29 | 上海联影智能医疗科技有限公司 | 一种病灶图像检测装置、方法和计算机可读存储介质 |
WO2019210303A1 (en) * | 2018-04-27 | 2019-10-31 | Carnegie Mellon University | Improved generative adversarial networks having ranking loss |
CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201704373D0 (en) * | 2017-03-20 | 2017-05-03 | Rolls-Royce Ltd | Surface defect detection |
CN108875906B (zh) * | 2018-04-20 | 2019-06-04 | 华侨大学 | 一种多尺度逐步累加的卷积神经网络学习方法 |
CN110689011A (zh) * | 2019-09-29 | 2020-01-14 | 河北工业大学 | 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法 |
-
2021
- 2021-08-24 CN CN202110971321.6A patent/CN113421263B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590449A (zh) * | 2017-08-31 | 2018-01-16 | 电子科技大学 | 一种基于加权特征谱融合的手势检测方法 |
CN108364281A (zh) * | 2018-01-08 | 2018-08-03 | 佛山市顺德区中山大学研究院 | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 |
WO2019210303A1 (en) * | 2018-04-27 | 2019-10-31 | Carnegie Mellon University | Improved generative adversarial networks having ranking loss |
CN109544534A (zh) * | 2018-11-26 | 2019-03-29 | 上海联影智能医疗科技有限公司 | 一种病灶图像检测装置、方法和计算机可读存储介质 |
CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113421263A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113421263B (zh) | 零件缺陷检测方法、设备、介质及计算机程序产品 | |
CN109003260B (zh) | Ct图像肺结节检测方法、装置、设备及可读存储介质 | |
CN112465748B (zh) | 基于神经网络的裂缝识别方法、装置、设备及存储介质 | |
KR20230124713A (ko) | 결함 검출 방법, 장치 및 시스템 | |
CN109410192B (zh) | 一种多纹理分级融合的织物缺陷检测方法及其装置 | |
CN111797821B (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
CN110443258B (zh) | 文字检测方法、装置、电子设备及存储介质 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN111597941B (zh) | 一种面向大坝缺陷图像的目标检测方法 | |
CN115631178B (zh) | 自动晶圆缺陷检测方法、系统、设备及存储介质 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN113139543A (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN116559177A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN111583417B (zh) | 一种图像语义和场景几何联合约束的室内vr场景构建的方法、装置、电子设备和介质 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
CN114897797A (zh) | 印刷电路板的缺陷检测方法、装置、设备及存储介质 | |
CN114998222A (zh) | 汽车差速器壳体表面检测方法、电子设备及介质 | |
CN115937736A (zh) | 基于注意力和上下文感知的小目标检测方法 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
CN114359300A (zh) | 一种图像分割模型的优化方法、装置、系统及存储介质 | |
CN113657214B (zh) | 一种基于Mask RCNN的建筑损伤评估方法 | |
CN117007611B (zh) | 片状材料的周期性缺陷检测方法、装置、设备以及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |