CN113450323B - 质量检测方法、装置、电子设备及计算机可读存储介质 - Google Patents

质量检测方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113450323B
CN113450323B CN202110692375.9A CN202110692375A CN113450323B CN 113450323 B CN113450323 B CN 113450323B CN 202110692375 A CN202110692375 A CN 202110692375A CN 113450323 B CN113450323 B CN 113450323B
Authority
CN
China
Prior art keywords
image
regions
detected
score
region
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
CN202110692375.9A
Other languages
English (en)
Other versions
CN113450323A (zh
Inventor
白雪冰
曾宏
陈永新
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 Iwin Visual Technology Co ltd
Original Assignee
Shenzhen Iwin Visual 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 Iwin Visual Technology Co ltd filed Critical Shenzhen Iwin Visual Technology Co ltd
Priority to CN202110692375.9A priority Critical patent/CN113450323B/zh
Publication of CN113450323A publication Critical patent/CN113450323A/zh
Application granted granted Critical
Publication of CN113450323B publication Critical patent/CN113450323B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based 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
    • G06T2207/20—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
    • G06T2207/30168—Image quality inspection

Abstract

本申请提供一种质量检测方法、装置、电子设备及计算机可读存储介质，包括：获取图像集合，所述图像集合中包括L张待检测图像，每张所述待检测图像中包括n个第一区域，每个所述第一区域对应一个初始编号；对于每张所述待检测图像，根据训练后的分类模型获取所述待检测图像中n个第一区域各自的分类编号；根据所述n个第一区域各自的所述初始编号和所述分类编号确定所述待检测图像的质量评分；根据所述L张待检测图像各自的所述质量评分确定所述图像集合的质量检测结果；本申请可以解决芯片质量检测结果的准确性和检测效率较低、检测成本高的问题。

Description

质量检测方法、装置、电子设备及计算机可读存储介质
技术领域
本申请属于人工智能与质量检测技术领域，具体涉及质量检测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着工业制造业的不断发展，产品的加工越来越精细，与此同时，对产品的质量要求也越来严格。比如，在对硬件芯片质量的把控方面，主要是通过人力检测的方式来检验芯片的质量。
然而，人力检测容易造成误检、漏检，并且人力检测速度缓慢、成本高；如果采用抽样检测的方式，又无法精确检测到每个芯片的质量，导致最终的质量检测结果的准确性较低。
发明内容
有鉴于此，本申请提供了一种质量检测方法、装置、电子设备及计算机可读存储介质，可以提高芯片质量检测结果的准确率和检测效率、同时降低检测成本。
本申请实施例的第一方面提供了一种质量检测方法，包括：
获取图像集合，所述图像集合中包括L张待检测图像，每张所述待检测图像中包括n个第一区域，每个所述第一区域对应一个初始编号，所述n为正整数；
对于每张所述待检测图像，根据训练后的分类模型获取所述待检测图像中n个第一区域各自的分类编号；
根据所述n个第一区域各自的所述初始编号和所述分类编号确定所述待检测图像的质量评分；
根据所述L张待检测图像各自的所述质量评分确定所述图像集合的质量检测结果。
在第一方面的另一种实现方式中，所述对于每张所述待检测图像，根据训练后的分类模型获取所述n个第一区域各自的分类编号，包括：
对于每个所述第一区域，将所述第一区域输入训练后的分类模型，得到所述第一区域的相似度集合，其中，所述相似度集合中包括m个预设的标准区域各自与所述第一区域之间的相似值，所述m为正整数；
获取最大相似度对应的标准区域的预设编号，其中，所述最大相似度为所述第一区域的相似度集合中最大的相似值；
将所述最大相似度对应的标准区域的预设编号确定为所述第一区域的分类编号。
在第一方面的另一种实现方式中，所述根据所述n个第一区域各自的所述初始编号和所述分类编号确定所述待检测图像的质量评分，包括：
根据所述n个第一区域各自的所述初始编号和所述分类编号判断所述n个第一区域中是否存在异常区域；
若所述n个第一区域中不存在异常区域，则根据所述n个第一区域各自的最大相似度和第一预设方法，确定所述待检测图像的质量评分；
若所述n个第一区域中存在异常区域，则根据所述n个第一区域各自的最大相似度和第二预设方法，确定所述待检测图像的质量评分。
在第一方面的第一种实现方式中，所述根据所述n个第一区域各自的所述初始编号和所述分类编号判断所述n个第一区域中是否存在异常区域，包括：
对于每个所述第一区域，若所述第一区域的所述初始编号和所述分类编号不一致，则将所述第一区域判定为异常区域；
若所述第一区域的所述初始编号和所述分类编号一致，则判断所述第一区域的所述最大相似度是否在预设范围内；
若所述第一区域的所述最大相似度不在预设范围内，则将所述第一区域判定为异常区域。
在第一方面的另一种实现方式中，所述若所述n个第一区域中不存在异常区域，则根据所述n个第一区域各自的最大相似度和第一预设方法，确定所述待检测图像的质量评分，包括：
根据
Figure BDA0003126628770000021
计算所述待检测图像的第一评分；其中，Ri(i∈[1，n])为第i个第一区域的最大相似度，R为所述第一评分；
将所述第一评分确定为所述待检测图像的质量评分。
在第一方面的另一种实现方式中，所述若所述n个第一区域中存在异常区域，则根据所述n个第一区域各自的最大相似度和第二预设方法，确定所述待检测图像的质量评分，包括：
根据G1＝∑4Kj计算第二评分，其中，Kj∈C1，C1包括所述n个第一区域中正常区域的最大相似度，Kj为初始编号为j的正常区域的最大相似度，G1为所述第二评分；
根据G2＝∑4SSIM(Wt，St)计算第三评分；其中，Wt∈C2，St∈C3，C2包括n个第一区域中的异常区域，C3包括与所述异常区域相对应的标准区域，G2为所述第三评分；
根据所述第二评分和所述第三评分确定所述待检测图像的质量评分。
在第一方面的另一种实现方式中，所述质量检测结果包括合格率和综合评分；
所述根据所述L张待检测图像各自的所述质量评分确定所述图像集合的质量检测结果，包括：
根据P1＝(L-M)/L*100％计算所述合格率，其中，所述M为L张待检测图像中目标图像的数量，所述目标图像为包含异常区域的待检测图像，P1为所述合格率；
根据
Figure BDA0003126628770000031
计算L张待检测图像的综合评分，其中，Dh为第h张待检测图像的质量评分，P2为所述综合评分。
本申请实施例的第二方面提供了一种质量检测装置，包括：
第一获取模块，用于获取图像集合，所述图像集合中包括L张待检测图像，每张所述待检测图像中包括n个第一区域，每个所述第一区域对应一个初始编号，所述n为正整数；
第二获取模块，用于对于每张所述待检测图像，根据训练后的分类模型获取所述待检测图像中n个第一区域各自的分类编号；
第一确定模块，用于根据所述n个第一区域各自的所述初始编号和所述分类编号确定所述待检测图像的质量评分；
第二确定模块，根据所述L张待检测图像各自的所述质量评分确定所述图像集合的质量检测结果。
本申请实施例的第三方面提供了一种电子设备，包括：处理器，所述处理器用于运行存储器中存储的计算机程序，以实现如第一方面所述的质量检测方法。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面所述的质量检测方法。
本申请实施例中首先获取图像集合，所述图像集合中包括L张待检测图像，每张所述待检测图像中包括n个第一区域，每个所述第一区域对应一个初始编号，所述n为正整数；其次，对于每张所述待检测图像，根据训练后的分类模型获取所述待检测图像中n个第一区域各自的分类编号；然后，根据所述n个第一区域各自的所述初始编号和所述分类编号确定所述待检测图像的质量评分；最后，根据所述L张待检测图像各自的所述质量评分确定所述图像集合的质量检测结果。通过上述方法，可以解决芯片质量检测结果的准确性和检测效率较低、检测成本高的问题。
可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图，而并不超出本申请要求保护的范围。
图1示出本申请实施例提供的一种质量检测方法的流程示意图；
图2示出本申请实施例提供的一种将待检测芯片图像划分成25个第一区域后的示意图；
图3示出本申请实施例提供的一种神经网络模型的组成示意图；
图4示出本申请实施例提供的一种质量检测装置的示意框图；
图5示出本申请实施例提供的一种电子设备的示意框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
本领域技术人员可以理解，附图只是示例实施例的示意图，可能不是按比例的。附图中的模块或流程并不一定是实施本申请所必须的，因此不能用于限制本申请的保护范围。
参见图1，是本发明实施例提供的一种质量检测方法的流程示意图，如图所示，该质量检测方法可以包括以下步骤：
S11，获取图像集合，图像集合中包括L张待检测图像，每张待检测图像中包括n个第一区域，每个第一区域对应一个初始编号，n为正整数。
本申请实施例中，图像集合可以是某一生产周期内生产的待检测硬件产品的图像，其中，图像集合中的待检测硬件产品的图像个数为L，L为大于等于2的正整数。
作为示例，待检测图像可以是芯片图像，将芯片图像平均划分成n个区域图像，并为n个区域图像顺序编号；此处可将划分的n个区域图像中的每个区域图像定义为第一区域，将n个区域图像中每个区域图像的顺序编号定义为每个区域图像的初始编号。其中，n为正整数。
参见图2，为将一张将待检测芯片图像平均划分成25个第一区域，并为25个第一区域进行编号后的结果示意图。
S12，对于每张待检测图像，根据训练后的分类模型获取待检测图像中n个第一区域各自的分类编号。
本申请实施例中，分类模型可以是通过训练样本对预设的神经网络进行训练后的模型，其中，预设的神经网络可以采用resnet34、CNN、Fast-RCNN、Faster-RCNN、ZF网络等，本申请对此不作限定。
示例性的，预设的神经网络可以采用如图3所示的resnet34神经网络。如图3所示，resnet34网络中包括了多个Layer层以及Layer层内和Layer层外的卷积计算过程，avgpool是池化层，fc是全连接层，num_classes为全连接层的层数。本申请实施例中的resnet34神经网络是基于残差学习思想而提出的一种神经网络模型，该模型在一定程度上解决了梯度消失或梯度爆炸问题。此外，resnet34将输入信息“绕道”传导到输出，极大地保护了信息的完整性，整个网络只需要学习输入、输出和残差部分，就可以简化学习的目标和难度。
在本申请另一实施例中，对于每张待检测图像，根据训练后的分类模型获取待检测图像中n个第一区域各自的分类编号，包括：
S120，对于每个第一区域，将第一区域输入训练后的分类模型，得到第一区域的相似度集合。
其中，相似度集合中包括m个预设的标准区域各自与第一区域之间的相似值，m为正整数。
本申请实施例中，预设的标准区域的个数m与n个第一区域的个数可以相同，也可以不同。
作为示例，参见图2，假设本申请实施例中的待检测图像是芯片图像，此处将待检测的芯片图像平均拆分成25个第一区域，得到25个第一区域的集合W＝{w1，w2，w3...w25}；若此处预设的标准区域的个数m与n个第一区域的个数相同，比如，预设的标准区域也为25个，并且25个标准区域的集合S＝{s1，s2，s3...s25}。那么，将W集合中的第一区域w1输入训练后的分类模型后，会得到w1与S集合中每个标准区域之间的相似值，将w1与S集合中每个标准区域之间的相似值组合起来就可以得到相似度集合Q＝{q1，q2，q3...q25}，其中，q1代表第一区域w1与标准区域s1之间的相似度，q2代表第一区域w2与标准区域s2之间的相似度，以此类推。
若此处预设的标准区域的个数m与n个第一区域的个数不相同，比如，n个第一区域的个数为2，对应的2个第一区域的集合W＝{w1，w2}；预设的标准区域的个数为4，对应的4个标准区域的集合为S＝{s1，s2，s3，s4}。此处将W集合中的第一区域w1输入训练后的分类模型后，会得到w1与S集合中s1和s2组成的区域的相似值q1，w1与S集合中s3和s4组成的区域的相似值q2，将相似值q1和相似值q2组合起来即可得到第一区域w1的相似度集合Q＝{q1，q2}。
需要说明的是，W集合中的其它第一区域也是通过采用与w1相同的方法得到自己的相似度集合的，在此不再一一列出。
作为示例，表1列出待检测图像中的n个第一区域与预设的m个标准区域之间的相似值，具体见下表所示：
Figure BDA0003126628770000071
S121，获取最大相似度对应的标准区域的预设编号。
其中，最大相似度为第一区域的相似度集合中最大的相似值。
作为示例，在S120之后，假设获取的第一区域w1的相似度集合Q＝{q1，q2，q3...q25}，集合Q中最大的相似值为q8，则说明第一区域w1和标准区域s8最为相似，因此，q8为最大相似度，与最大相似度q8对应的标准区域即为s8，对应的则可得到与最大相似度对应的标准区域s8的预设编号为8。
S122，将最大相似度对应的标准区域的预设编号确定为第一区域的分类编号。
本申请实施例中，在S121之后，就可以将预设编号8确定为第一区域w1的分类编号。
需要说明的是，上述实施例仅仅以第一区域为w1为例描述了获取w1的分类编号的具体过程，其它第一区域可以采用与w1相同的方法，通过S120～S122获得各自的分类编号，在此不再一一列出。
S13，根据n个第一区域各自的初始编号和分类编号确定待检测图像的质量评分。
本申请实施例中，n个第一区域各自的初始编号是通过S11获得的，n个第一区域各自的分类编号是通过S12获得的。
在本申请另一实施例中，根据n个第一区域各自的初始编号和分类编号确定待检测图像的质量评分，包括：
S130，根据n个第一区域各自的初始编号和分类编号判断n个第一区域中是否存在异常区域。
在本申请另一实施例中，根据n个第一区域各自的初始编号和分类编号判断n个第一区域中是否存在异常区域，包括：
S1301，对于每个第一区域，若第一区域的初始编号和分类编号不一致，则将第一区域判定为异常区域。
继续S122中的示例，第一区域w1的分类编号为8，第一区域w1的初始编号为1，因为，第一区域的初始编号1跟第一区域的分类编号8不一致，则可将第一区域w1判定为异常区域，对应的，将待检测图像归为不合格。
需要补充说明的是，对W集合中除w1外的其它第一区域也采用与判断w1是否为异常区域相同的方法，对W集合中除w1外的其它第一区域进行异常判断，限于内容相同，在此不再一一列出。
S1302，若第一区域的初始编号和分类编号一致，则判断第一区域的最大相似度是否在预设范围内。
示例性的，若在S121中获取的第一区域w1的相似度集合Q＝{q1，q2，q3...q25}中最大的相似值为q1，则可得到第一区域w1的分类编号为1，因第一区域w1的分类编号1与第一区域w1的初始编号1一致，接下来就要通过预设范围对第一区域是否异常进行判定。
S1303，若第一区域的最大相似度不在预设范围内，则将第一区域判定为异常区域。
示例性的，假设获取的第一区域w1的相似度集合Q＝{q1，q2，q3...q25}中最大的相似值q1为0.4，则第一区域w1的最大相似度即为0.4，假设预设范围为0.7～1，因最大相似度0.4不在预设范围内，则可将第一区域w1判定为异常区域，对应的，将待检测图像归为不合格。
若第一区域的最大相似度在预设范围内，则将第一区域判定为正常区域。
示例性的，假设获取的第一区域w1的相似度集合Q＝{q1，q2，q3...q25}中最大的相似值q1为0.8，则第一区域w1的最大相似度即为0.8，假设预设范围为0.7～1，因最大相似值q1在预设范围内，则可将第一区域w1判定为正常区域。
当然，当其它第一区域的分类编号与初始编号一致的情况下，也采用与判断第一区域w1是否异常相同的方法，判断其它第一区域的异常情况，在此不再一一列出。
S131，若n个第一区域中不存在异常区域，则根据n个第一区域各自的最大相似度和第一预设方法，确定待检测图像的质量评分。
在本申请另一实施例中，若n个第一区域中不存在异常区域，则根据n个第一区域各自的最大相似度和第一预设方法，确定待检测图像的质量评分，包括：
根据
Figure BDA0003126628770000091
计算待检测图像的第一评分；
将第一评分确定为待检测图像的质量评分。
其中，Ri(i∈[1，n])为第i个第一区域的最大相似度。
作为示例，假设此处n为4，即待检测图像被分成了4个第一区域；4个第一区域的最大相似度分别为0.8、0.7、0.9、0.92，则此处R＝4(0.8+0.7+0.9+0.92)＝13.28。
为了便于描述，此处将n个第一区域都正常时计算得到的待检测图像的评分定义为第一评分，并且在n个第一区域都正常时，对应的将待检测图像归为合格。
S132，若n个第一区域中存在异常区域，则根据n个第一区域各自的最大相似度和第二预设方法，确定待检测图像的质量评分。
在本申请另一实施例中，若n个第一区域中存在异常区域，则根据n个第一区域各自的最大相似度和第二预设方法，确定待检测图像的质量评分，包括：
根据G1＝∑4Kj计算第二评分；其中，Kj∈C1，C1为n个第一区域中正常区域的最大相似度集合，Kj为初始编号为j的正常区域的最大相似度，G1为第二评分；
根据G2＝∑4SSIM(Wt，St)计算第三评分；其中，Wt∈C2，St∈C3，C2为n个第一区域中异常区域的集合，C3为与异常区域的集合C2相对应的标准区域的集合，G2为第三评分；
根据第二评分和第三评分确定待检测图像的质量评分。
示例性的，假设第一区域集合W＝{w1，w2，w3，w4，w5，w6，w7，w8}，标准区域集合S＝{s1，s2，s3，s4，s5，s6，s7，s8}。在经过S130判断后确定第一区域集合中的w1，w2，w4，w6，w7，w8为正常区域，正常区域
w1，w2，w4，w6，w7，w8的最大相似度分别为K1，K2，K4，K6，K7，K8。那么，本申请中，待检测图像的第二评分G1＝4(K1+K2+K4+K6+K7+K8)。
对应的，W＝{w1，w2，w3，w4，w5，w6，w7，w8}中异常区域即为w3，w5，那么，本申请中，待检测图像的第三评分G2＝4(SSIM(W3，S3)+SSIM(W5，S5))。
其中，SSIM(W3，S3)的具体计算过程如下：
SSIM(W3，S3)＝[I(W3，S3)]α[u(W3，S3)]β[v(W3，S3)]γ，α>0，β>0，γ>0，其中，α、β、γ是用来调整I(W3，S3)、u(W3，S3)、v(W3，S3)间重要性的因子；
Figure BDA0003126628770000101
是对W3和S3之间亮度的衡量，
Figure BDA0003126628770000102
是区域W3的均值，
Figure BDA0003126628770000103
是区域S3的均值，x1是常数；
Figure BDA0003126628770000104
是对W3和S3之间对比度的衡量，
Figure BDA0003126628770000105
是区域W3的方差，
Figure BDA0003126628770000106
是区域S3的方差，
Figure BDA0003126628770000107
是W3和S3的协方差，x2是常数；
Figure BDA0003126628770000108
是对W3和S3之间结构的衡量，x3是常数。
当然，SSIM(W5，S5)的计算过程可参照SSIM(W3，S3)的计算过程，在此不再重复说明。
综上，可以得到待检测图像的质量评分为G1+G2。
为了便于描述，此处将对n个第一区域中正常区域进行计算得到的评分定义为第二评分。将对n个第一区域中的异常区域进行计算得到的评分定义为第三评分。
S14，根据L张待检测图像各自的质量评分确定图像集合的质量检测结果。
本申请实施例中通过S11～S13获得了图像集合中待检测图像的质量评分，在获得质量评分后，即可根据质量评分确定待检测图像的质量检测结果。
质量检测结果包括合格率和综合评分；
在本申请另一实施例中，根据L张待检测图像各自的质量评分确定图像集合的质量检测结果，包括：
根据P1＝(L-M)/L*100％计算合格率。
其中，M为L张待检测图像中目标图像的数量，目标图像为包含异常区域的待检测图像，P1为合格率。
在S130中可以判断待检测图像中的n个第一区域中是否存在异常区域，在确定待检测图像中存在异常区域时，即可将待检测图像归为不合格，不合格的待检测图像即为本申请实施例中的目标图像。
示例性的，若图像集合中待检测图像数量L为100，不合格数量M为20，则合格率P1＝(100-20)/100*100％＝80％。
根据
Figure BDA0003126628770000111
计算L张待检测图像的综合评分。
其中，Dh为第h张待检测图像的质量评分，P2为综合评分。
示例性的，若图像集合中待检测图像数量L为100，D1、D2、D3、D4......D100分别为100张待检测图像的质量评分，则综合评分P2＝(D1+D2+D3+D4+......+D100)/100。
图4示出本申请一实施例提供的质量检测装置的示意框图，为了便于说明，仅示出与本申请实施例相关的部分。
质量检测装置4，包括：
第一获取模块410，用于获取图像集合，图像集合中包括L张待检测图像，每张待检测图像中包括n个第一区域，每个第一区域对应一个初始编号，n为正整数；
第二获取模块420，用于对于每张待检测图像，根据训练后的分类模型获取待检测图像中n个第一区域各自的分类编号；
第一确定模块430，用于根据n个第一区域各自的初始编号和分类编号确定待检测图像的质量评分。
第二确定模块440，用于根据L张待检测图像各自的质量评分确定图像集合的质量检测结果。
作为本申请另一实施例，第二获取模块420还用于：
对于每个第一区域，将第一区域输入训练后的分类模型，得到第一区域的相似度集合，其中，相似度集合中包括m个预设的标准区域各自与第一区域之间的相似值，m为正整数；
获取最大相似度对应的标准区域的预设编号，其中，最大相似度为第一区域的相似度集合中最大的相似值；
将最大相似度对应的标准区域的预设编号确定为第一区域的分类编号。
作为本申请另一实施例，第一确定模块430还用于：
根据n个第一区域各自的初始编号和分类编号判断n个第一区域中是否存在异常区域；
若n个第一区域中不存在异常区域，则根据n个第一区域各自的最大相似度和第一预设方法，确定待检测图像的质量评分；
若n个第一区域中存在异常区域，则根据n个第一区域各自的最大相似度和第二预设方法，确定待检测图像的质量评分。
作为本申请另一实施例，第一确定模块430还用于：
对于每个第一区域，若第一区域的初始编号和分类编号不一致，则将第一区域判定为异常区域；
若第一区域的初始编号和分类编号一致，则判断第一区域的最大相似度是否在预设范围内；
若第一区域的最大相似度不在预设范围内，则将第一区域判定为异常区域。
作为本申请另一实施例，第一确定模块430还用于：
根据
Figure BDA0003126628770000131
计算待检测图像的第一评分；其中，Ri(i∈[1，n])为第i个第一区域的最大相似度，R为第一评分；
将第一评分确定为待检测图像的质量评分。
作为本申请另一实施例，确定模块430还用于：
根据G1＝∑4Kj计算第二评分，其中，Kj∈C1，C1为n个第一区域中正常区域的最大相似度集合，Kj为初始编号为j的正常区域的最大相似度，G1为第二评分；
根据G2＝∑4SSIM(Wt，St)计算第三评分；其中，Wt∈C2，St∈C3，C2为n个第一区域中异常区域的集合，C3为与异常区域的集合C2相对应的标准区域的集合，G2为第三评分；
根据第二评分和第三评分确定待检测图像的质量评分。
可选的，质量检测结果包括合格率和综合评分；
作为本申请另一实施例，第二确定模块440还用于：
根据P1＝(L-M)/L*100％计算合格率，其中，M为L张待检测图像中目标图像的数量，目标图像为包含异常区域的待检测图像，P1为合格率；
根据
Figure BDA0003126628770000132
计算L张待检测图像的综合评分，其中，Dh为第h张待检测图像的质量评分，P2为综合评分。
需要说明的是，上述装置/模块之间的执行过程和相互之间的信息交互与本申请实施例提供的质量检测方法基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图5是本申请一实施例提供的电子设备的示意框图。如图5所示，该实施例的电子设备5包括：
一个或多个处理器500、存储器510以及存储在所述存储器510中并可在所述处理器500上运行的计算机程序520。所述处理器500执行所述计算机程序520时实现上述各个方法实施例中的步骤，例如图1所示的步骤S110至S130。或者，所述处理器500执行所述计算机程序520时实现上述装置实施例中各模块的功能，例如图5所示模块410至430的功能。
示例性的，所述计算机程序520可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器510中，并由所述处理器500执行，以完成本申请所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序520在所述电子设备5中的执行过程。例如，所述计算机程序520可以被分割成第一获取模块、第二获取模块、确定模块，示例性的：
第一获取模块，用于获取图像集合，图像集合中包括L张待检测图像，每张待检测图像中包括n个第一区域，每个第一区域对应一个初始编号，n为正整数；
第二获取模块，用于对于每张待检测图像，根据训练后的分类模型获取待检测图像中n个第一区域各自的分类编号；
第一确定模块，用于根据n个第一区域各自的初始编号和分类编号确定待检测图像的质量评分；
第二确定模块，用于根据L张待检测图像各自的质量评分确定图像集合的质量检测结果。
所述电子设备包括但不仅限于处理器500、存储器510。本领域技术人员可以理解，图5仅仅是电子设备5的一个示例，并不构成对电子设备5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，例如所述电子设备5还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器500可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器510可以是所述电子设备5的内部存储单元，例如电子设备5的硬盘或内存。所述存储器510也可以是所述电子设备5的外部存储设备，例如所述电子设备5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，所述存储器510还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器510用于存储所述计算机程序以及所述电子设备5所需的其他程序和数据。所述存储器510还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的电子设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块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，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被一个或多个处理器执行时，可实现上述各个方法实施例的步骤。
同样，作为一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种质量检测方法，其特征在于，包括：
获取图像集合，所述图像集合中包括L张待检测图像，每张所述待检测图像中包括n个第一区域，每个所述第一区域对应一个初始编号，所述n为正整数；
对于每张所述待检测图像，根据训练后的分类模型获取所述待检测图像中n个第一区域各自的分类编号；
根据所述n个第一区域各自的所述初始编号和所述分类编号确定所述待检测图像的质量评分；
根据所述L张待检测图像各自的所述质量评分确定所述图像集合的质量检测结果；
所述对于每张所述待检测图像，根据训练后的分类模型获取所述n个第一区域各自的分类编号，包括：
对于每个所述第一区域，将所述第一区域输入训练后的分类模型，得到所述第一区域的相似度集合，其中，所述相似度集合中包括m个预设的标准区域各自与所述第一区域之间的相似值，所述m为正整数；
获取最大相似度对应的标准区域的预设编号，其中，所述最大相似度为所述第一区域的相似度集合中最大的相似值；
将所述最大相似度对应的标准区域的预设编号确定为所述第一区域的分类编号。
2.如权利要求1所述的质量检测方法，其特征在于，所述根据所述n个第一区域各自的所述初始编号和所述分类编号确定所述待检测图像的质量评分，包括：
根据所述n个第一区域各自的所述初始编号和所述分类编号判断所述n个第一区域中是否存在异常区域；
若所述n个第一区域中不存在异常区域，则根据所述n个第一区域各自的最大相似度和第一预设方法，确定所述待检测图像的质量评分；
若所述n个第一区域中存在异常区域，则根据所述n个第一区域各自的最大相似度和第二预设方法，确定所述待检测图像的质量评分。
3.如权利要求1所述的质量检测方法，其特征在于，所述根据所述n个第一区域各自的所述初始编号和所述分类编号判断所述n个第一区域中是否存在异常区域，包括：
对于每个所述第一区域，若所述第一区域的所述初始编号和所述分类编号不一致，则将所述第一区域判定为异常区域；
若所述第一区域的所述初始编号和所述分类编号一致，则判断所述第一区域的所述最大相似度是否在预设范围内；
若所述第一区域的所述最大相似度不在预设范围内，则将所述第一区域判定为异常区域。
4.如权利要求2所述的质量检测方法，其特征在于，所述若所述n个第一区域中不存在异常区域，则根据所述n个第一区域各自的最大相似度和第一预设方法，确定所述待检测图像的质量评分，包括：
根据
Figure FDA0003854597440000021
计算所述待检测图像的第一评分；其中，Ri(i∈[1，n])为第i个第一区域的最大相似度，R为所述第一评分；
将所述第一评分确定为所述待检测图像的质量评分。
5.如权利要求2所述的质量检测方法，其特征在于，所述若所述n个第一区域中存在异常区域，则根据所述n个第一区域各自的最大相似度和第二预设方法，确定所述待检测图像的质量评分，包括：
根据G1＝∑4Kj计算第二评分，其中，Kj∈C1，C1包括所述n个第一区域中正常区域的最大相似度，Kj为初始编号为j的正常区域的最大相似度，G1为所述第二评分；
根据G2＝∑4SSIM(Wt，St)计算第三评分；其中，Wt∈C2，St∈C3，C2包括n个第一区域中的异常区域，C3包括与所述异常区域相对应的标准区域，G2为所述第三评分；
根据所述第二评分和所述第三评分确定所述待检测图像的质量评分。
6.如权利要求1所述的质量检测方法，其特征在于，所述质量检测结果包括合格率和综合评分；
所述根据所述L张待检测图像各自的所述质量评分确定所述图像集合的质量检测结果，包括：
根据P1＝(L-M)/L*100％计算所述合格率，其中，所述M为L张待检测图像中目标图像的数量，所述目标图像为包含异常区域的待检测图像，P1为所述合格率；
根据
Figure FDA0003854597440000031
计算L张待检测图像的综合评分，其中，Dh为第h张待检测图像的质量评分，P2为所述综合评分。
7.一种质量检测装置，其特征在于，包括：
第一获取模块，用于获取图像集合，所述图像集合中包括L张待检测图像，每张所述待检测图像中包括n个第一区域，每个所述第一区域对应一个初始编号，所述n为正整数；
第二获取模块，用于对于每张所述待检测图像，根据训练后的分类模型获取所述待检测图像中n个第一区域各自的分类编号；
第一确定模块，用于根据所述n个第一区域各自的所述初始编号和所述分类编号确定所述待检测图像的质量评分；
第二确定模块，用于根据所述L张待检测图像各自的所述质量评分确定所述图像集合的质量检测结果；
所述第二获取模块，用于对于每张所述待检测图像，根据训练后的分类模型获取所述待检测图像中n个第一区域各自的分类编号，包括：
对于每个所述第一区域，将所述第一区域输入训练后的分类模型，得到所述第一区域的相似度集合，其中，所述相似度集合中包括m个预设的标准区域各自与所述第一区域之间的相似值，所述m为正整数；
获取最大相似度对应的标准区域的预设编号，其中，所述最大相似度为所述第一区域的相似度集合中最大的相似值；
将所述最大相似度对应的标准区域的预设编号确定为所述第一区域的分类编号。
8.一种电子设备，其特征在于，所述电子设备包括处理器，所述处理器用于运行存储器中存储的计算机程序，以实现如权利要求1至6任一项所述的质量检测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储计算机程序，所述计算机程序在处理器上运行时实现如权利要求1至6任一项所述的质量检测方法。
CN202110692375.9A 2021-06-22 2021-06-22 质量检测方法、装置、电子设备及计算机可读存储介质 Active CN113450323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110692375.9A CN113450323B (zh) 2021-06-22 2021-06-22 质量检测方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110692375.9A CN113450323B (zh) 2021-06-22 2021-06-22 质量检测方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113450323A CN113450323A (zh) 2021-09-28
CN113450323B true CN113450323B (zh) 2022-12-06

Family

ID=77812172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110692375.9A Active CN113450323B (zh) 2021-06-22 2021-06-22 质量检测方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113450323B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113992778B (zh) * 2021-09-30 2023-12-26 紫光展锐(重庆)科技有限公司 一种设备检测的方法、装置、芯片及模组设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858394A (zh) * 2018-08-20 2020-03-03 深圳云天励飞技术有限公司 一种图像质量评估方法、装置、电子设备及计算机可读存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710081A (zh) * 2009-12-07 2010-05-19 杭州电子科技大学 基于图像纹理与分形维数的机械零件表面缺陷检测方法
JP2016038886A (ja) * 2014-08-11 2016-03-22 ソニー株式会社 情報処理装置および情報処理方法
CN106442543B (zh) * 2016-10-14 2019-10-15 龚新林 一种在线识别金属工件连续激光焊缝表面质量的检测方法
CN107481238A (zh) * 2017-09-20 2017-12-15 众安信息技术服务有限公司 图像质量评估方法及装置
JP2019143979A (ja) * 2018-02-15 2019-08-29 セイコーエプソン株式会社 エンコーダーユニット、角度検出方法およびロボット
CN111768387A (zh) * 2020-06-30 2020-10-13 创新奇智(青岛)科技有限公司 瑕疵检测方法、孪生神经网络训练方法、装置及电子设备
CN112529846A (zh) * 2020-11-25 2021-03-19 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858394A (zh) * 2018-08-20 2020-03-03 深圳云天励飞技术有限公司 一种图像质量评估方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN113450323A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
Zhang et al. Deep indicator for fine-grained classification of banana’s ripening stages
Colak et al. Automated McIntosh-based classification of sunspot groups using MDI images
CN107590498A (zh) 一种基于字符分割级联二分类器的自适应汽车仪表检测方法
CN111275660B (zh) 一种平板显示器缺陷检测方法及装置
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣系统
CN109983482A (zh) 已学习模型生成方法、已学习模型生成装置、信号数据判别方法、信号数据判别装置以及信号数据判别程序
CN110751644B (zh) 道路表面裂纹检测方法
CN110689043A (zh) 一种基于多重注意力机制的车辆细粒度识别方法及装置
CN114155397B (zh) 一种小样本图像分类方法及系统
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
CN113450323B (zh) 质量检测方法、装置、电子设备及计算机可读存储介质
CN104978569B (zh) 一种基于稀疏表示的增量人脸识别方法
WO2023029491A1 (zh) 面板阵列短路检测方法、装置、电子设备及存储介质
CN110188592B (zh) 一种尿液有形成分细胞图像分类模型构建方法及分类方法
CN115290596A (zh) 一种基于fcn-acgan数据增强的隐匿危险品识别方法及设备
CN107316296A (zh) 一种基于对数变换的遥感图像变化检测方法及装置
CN114881996A (zh) 缺陷检测方法及装置
US20240119584A1 (en) Detection method, electronic device and non-transitory computer-readable storage medium
CN114494823A (zh) 零售场景下的商品识别检测计数方法及系统
CN206897873U (zh) 一种基于检测产品特性的图像处理与检测系统
CN111222558B (zh) 图像处理方法及存储介质
Yang et al. A semantic information decomposition network for accurate segmentation of texture defects
CN114972273A (zh) 流水化产品数据集增强方法、系统、设备及存储介质
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质
CN113139932A (zh) 一种基于集成学习的深度学习缺陷图像识别方法及系统

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