CN113470043A - 一种基于图像分割的数据处理方法、装置和电子设备 - Google Patents
一种基于图像分割的数据处理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113470043A CN113470043A CN202110619612.9A CN202110619612A CN113470043A CN 113470043 A CN113470043 A CN 113470043A CN 202110619612 A CN202110619612 A CN 202110619612A CN 113470043 A CN113470043 A CN 113470043A
- Authority
- CN
- China
- Prior art keywords
- image
- interest
- preset
- product
- defect detection
- 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.)
- Pending
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 42
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 76
- 230000007547 defect Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
Images
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于图像分割的数据处理方法，所述方法包括：获取待检产品的第一图像；通过预设图像分割方式对所述第一图像进行分割处理，以得到至少一个兴趣区域；将所述第一图像的兴趣区域输入预设缺陷检测模型进行缺陷检测，得到检测结果。可以实现产品质量的自动化检测，提高质量检测效率，此外，本申请基于预设的缺陷检测模型进行质量检测，将人工智能应用到了缺陷检测领域，而通过图像分割处理待检产品的图像，使待检产品的图像质量得到提升，可以提高缺陷检测的准确性，同时检测区域可以限定在兴趣区域，减少检测范围，提升检测效率。
Description
技术领域
本申请涉及质量检测领域，具体涉及一种基于图像分割的数据处理方法、装置和电子设备。
背景技术
生产线的QC（QUALITY CONTROL，质量控制）数据可以分为定量数据及定性数据：定量数据，可以从生产工艺入手，使用数字化的仪器仪表，即可完成自动的数据采集；而定性数据，比如PCB板（ Printed Circuit Board，印刷线路板）的虚焊、冷焊、碰件等等，即产品缺陷数据。
关于产品的定性数据（如产品缺陷）的检验，相关技术中采取的方法主要包括以下两种：一、通过人工进行检验，然后将检验数据上传到质量平台；二、通过人工智能技术进行检验，确定产品的质量或者产品缺陷。
本申请人发现，采用人工检验的方式，检验结果依靠人为主观判断，其检验结果受人为因素、环境因素影响较多较大，且质量检验效率也较低；而人工智能技术（例如图像检测识别）其依赖于图像质量及图像标注的准确性，如图像质量较差或图像标注数据质量较差，则将直接影响产品的检验结果。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于图像分割的数据处理方法、装置、计算机可读存储介质和电子设备。
根据本申请的第一方面，提供了一种基于图像分割的数据处理方法，包括：
获取待检产品的第一图像；
通过预设图像分割方式对所述第一图像进行分割处理，以得到至少一个兴趣区域；
将所述第一图像的兴趣区域输入预设缺陷检测模型进行缺陷检测，得到检测结果。
根据本申请的第二方面，提供了一种基于图像分割的数据处理装置，所述装置包括：
第一获取模块，用于获取待检产品的第一图像；
第一分割模块，用于通过预设图像分割方式对所述第一图像进行分割处理，以得到至少一个兴趣区域；
检测模块，用于将所述第一图像的兴趣区域输入预设缺陷检测模型进行缺陷检测，得到检测结果。
根据本申请第三方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述第一方面所述的一种基于图像分割的数据处理方法。
根据本申请第四方面，提供一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述第一方面一种基于图像分割的数据处理方法。
本申请提供的实施例，通过一种基于图像分割的数据处理方法、装置和电子设备，通过图像分割对待检产品的图像数据进行处理，以得到兴趣区域，基于兴趣区域对待检产品进行质量检测，可以实现产品质量的自动化检测，且提高质量检测效率，此外，本申请基于预设的缺陷检测模型进行质量检测，将人工智能应用到了缺陷检测领域，而通过图像分割处理待检产品的图像图像，使待检产品的图像质量得到提升，可以提高缺陷检测的准确性，同时检测区域可以限定在兴趣区域，减少检测范围，提升检测效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本申请示例性实施例提供的一种基于图像分割的数据处理方法的流程示意图。
图2是本申请示例性实施例提供的一种基于图像分割的数据处理装置的结构示意图。
图3是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
示例性方法
图1是本申请一示例性实施例提供的基于图像分割的数据处理方法的流程示意图。如图1所示，本发明提供的一种基于图像分割的数据处理方法包括如下步骤：
步骤101，获取待检产品的第一图像。
待检产品即需要进行缺陷检测的产品。针对待检产品的第一图像，可以通过图像采集装置（例如高清、高像素摄像机）进行图像采集得到，或者，也可以是图像采集装置完成采集后，进行去噪和图像转换得到的。以及，待检产品的第一图像可以是待检产品的外观某个待检面的二维图像或者是待检产品的外观三维图像。
在本步骤中，获取待检产品的第一图像可以是图像采集装置直接实施。或者，获取待检产品的第一图像由图像采集装置连接的质量检测的系统或者平台实施，该系统或者平台从图像采集装置获取图像采集装置采集到的图像，即得到待检产品的第一图像。示例性地，可以将待检产品放置在检测台上，然后通过图像采集装置进行图像采集，从而获得待检产品的第一图像，或者，通过图像采集装置进行图像采集，进而传输至质量检测的系统或者平台，以使质量检测的系统或者平台得到待检产品的第一图像。
在图像采集前，可以对图像采集装置的图像采集参数（即参数设置信息）
进行设置，从而获取高质量、高标准的第一图像。示例性地，在获取待检产品的第一图像的步骤之前，获取图像采集设备（或者图像采集装置）的参数设置信息，参数设置信息包括：曝光、增益、采集模式、ROI尺寸中的至少一个。其中，参数设置信息可以是通过工作人员手动输入后，以使得系统在图像采集时按照参数设置信息自动响应的，或者，系统通过自动学习（机器学习），在确定待检产品类型和大小后，可以根据同类待检产品的原始数据自动学习得到参数设置信息，以使得系统在图像采集时按照参数设置信息自动响应。
步骤102，通过预设图像分割方式对所述第一图像进行分割处理，以得到至少一个兴趣区域。
在一些实施方式中，可以通过图像处理，将图像分割为多个区域，并从多个区域中得到至少一个兴趣区域，即通过图像分割处理方式对图像数据进行处理得到兴趣区域。示例性地，例如某待检产品的图像经过图像处理后，可以得到A、B、C三个区域，其中C区域有缺陷，则可以将C区域确定为一个兴趣区域。
在另一些实施方式中，示例性地，某待检产品的图像经过图像处理后，可以得到A、B、C三个区域，其中A区域例如为噪声区域（非待检产品的本身图像）、B区域和C区域均为待检产品本身的图像，且C区域为待检产品的产品缺陷区域，则B和C可以分别确定为兴趣区域。
在本申请实施例中，预设图像分割方式例如可以包括获取图像的像素信息，针对所有像素信息，进行图像二值化、灰度转换等图像处理，从而实现图像分割。在一些实施方式中，预设图像分割方式例如可以包括如下步骤：
根据所述第一图像的灰度值和预设阈值，将所述第一图像分割为多个区域；
基于每个所述分割出的区域的面积、圆度、凸性、轮廓长度、重心和椭圆参数确定出至少一个兴趣区域。
步骤103，将第一图像的兴趣区域输入预设缺陷检测模型进行缺陷检测，得到检测结果。
在本步骤中，可以将上一个步骤得到的兴趣区域输入到预设的缺陷检测模型中，从而得到缺陷类型、缺陷的位置等信息，从而将缺陷类型和/或缺陷位置作为检测结果输出。
在一些实施例中，还可以包括预设缺陷检测模型的训练步骤，示例性地：
步骤A（图中未示出），获取产品样本的第二图像，所述产品样本为有预设缺陷的产品。
本步骤的实现过程，可以参见步骤101的实现过程及原理，为了简洁，此处不再赘述。
步骤B（图中未示出），通过所述预设图像分割方式对所述第二图像进行分割处理，得到至少一个兴趣区域。
本步骤的实现过程，可以参加步骤102的实现过程及原理，为了简洁，此处不再赘述。
步骤C（图中未示出），针对每个所述兴趣区域，获取该兴趣区域的标注信息。
在一些实施例中，可以先对对每个所述兴趣区域进行标注，以在该兴趣区域标注上与该兴趣区域匹配的预设标注信息。其中，对兴趣区域进行标注，例如标注出兴趣区域的缺陷类型、缺陷位置等。在一些实施方式中，标注可以是人工进行的，也可以是通过图像识别系统进行图像识别并标注上识别结果，从而得到标注信息。
在本步骤中，主要针对每个兴趣区域，获取人工标注还是通过图像识别方式标注的标注信息，
步骤D（图中未示出），根据第二图像及第二图像的所有兴趣区域的标注信息，对神经网络进行模型训练，得到所述预设缺陷检测模型。
本步骤中，将第二图像和第二图像的兴趣区域的标注信息，输入到神经网络中，通过大量的第二图像与第二图像的兴趣区域训练神经网络模型，从而得到预设缺陷检测模型。在一些实施例中，在所述根据第二图像及第二图像的所有兴趣区域的标注信息，神经网络进行模型训练，得到所述预设缺陷检测模型步骤之前，还可以获取神经网络的参数设置信息，从而配置好悬链预设缺陷检测模型所需的参数，其中，神经网络的参数设置信息包括batch_siz（批量输入图像数）、image_dimensions（图像规格）、image_height（图像高）、image_width（图像宽）、image_num_channels（图像通道数）、learning_rate（学习率）、momentum（动量）、runtime（执行设备）、weight_prior（权重）、max_overlap（最大覆盖）、ignore_class_ids（方向忽略）中的至少一个。
本申请提供的实施例，通过一种基于图像分割的数据处理方法，可以实现产品质量的自动化检测，提高质量检测效率，此外，本申请基于预设的缺陷检测模型进行质量检测，将人工智能应用到了缺陷检测领域，而通过图像分割处理待检产品的图像，使待检产品的图像质量得到提升，可以提高缺陷检测的准确性，同时检测区域可以限定在兴趣区域，减少检测范围，提升检测效率。
示例性装置
图2是本申请实施例提供的一种基于图像分割的数据处理装置的结构示意图。本实施例中的装置可以包括：第一获取模块21、第一分割模块22和检测模块23。
第一获取模块21用于获取待检产品的第一图像。
第一分割模块22用于通过预设图像分割方式对所述第一图像进行分割处理，以得到至少一个兴趣区域。
检测模块23用于将所述第一图像的兴趣区域输入预设缺陷检测模型进行缺陷检测，得到检测结果。
本申请一种基于图像分割的数据处理装置还可以包括：
第二获取模块（图中未示出），用于获取产品样本的第二图像，所述产品样本为有预设缺陷的产品。
第二分割模块（图中未示出），用于通过所述预设图像分割方式对所述第二图像进行分割处理，得到至少一个兴趣区域。
标注模块（图中未示出），用于针对每个所述兴趣区域，获取该兴趣区域的标注信息。
训练模块（图中未示出），用于根据所述第二图像及所述第二图像的所有兴趣区域的标注信息，对神经网络进行模型训练，得到所述预设缺陷检测模型。
本申请提供的实施例，通过一种基于图像分割的数据处理装置，可以实现产品质量的自动化检测，提高质量检测效率，此外，本申请基于预设的缺陷检测模型进行质量检测，将人工智能应用到了缺陷检测领域，而通过图像分割处理待检产品的图像，使待检产品的图像质量得到提升，可以提高缺陷检测的准确性，同时检测区域可以限定在兴趣区域，减少检测范围，提升检测效率。
示例性电子设备
下面，参考图3来描述根据本申请实施例的电子设备。图3图示了根据本申请实施例的电子设备的框图。
如图3所示，电子设备11包括一个或多个处理器111和存储器112。
处理器111可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备11中的其他组件以执行期望的功能。
存储器112可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器111可以运行所述程序指令，以实现上文所述的本申请的各个实施例的一种基于图像分割的数据处理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备11还可以包括：输入装置113和输出装置114，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
例如，在该电子设备是第一设备或第二设备时，该输入装置113可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置113可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。
此外，该输入设备113还可以包括例如键盘、鼠标等等。
该输出装置114可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备114可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图3中仅示出了该电子设备11中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备11还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的一种基于图像分割的数据处理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在第一用户计算设备上执行、部分地在第一用户设备上执行、作为一个独立的软件包执行、部分在第一用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的一种基于图像分割的数据处理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于图像分割的数据处理方法，其特征在于，所述方法包括：
获取待检产品的第一图像；
通过预设图像分割方式对所述第一图像进行分割处理，以得到至少一个兴趣区域；
将所述第一图像的兴趣区域输入预设缺陷检测模型进行缺陷检测，得到检测结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取产品样本的第二图像，所述产品样本为有预设缺陷的产品；
通过所述预设图像分割方式对所述第二图像进行分割处理，得到至少一个兴趣区域；
针对每个所述兴趣区域，获取该兴趣区域的标注信息；
根据所述第二图像及所述第二图像的所有兴趣区域的标注信息，对神经网络进行模型训练，得到所述预设缺陷检测模型。
3.根据权利要求1所述的方法，其特征在于，所述通过预设图像分割方式对所述第一图像进行分割处理，以得到至少一个兴趣区域的步骤，包括：
根据所述第一图像的灰度值和预设阈值，将所述第一图像分割为多个区域；
基于每个所述分割出的区域的面积、圆度、凸性、轮廓长度、重心和椭圆参数确定出至少一个兴趣区域。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在所述针对每个所述兴趣区域，获取该兴趣区域的标注信息步骤之前，
对每个所述兴趣区域进行标注，以在该兴趣区域标注上与该兴趣区域匹配的预设标注信息。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在所述根据所述第二图像及所述第二图像的所有兴趣区域的标注信息，
对神经网络进行模型训练，得到所述预设缺陷检测模型步骤之前，获取所述神经网络的参数设置信息，其中，所述神经网络的参数设置信息包括批量输入图像数、图像规格、图像高、图像宽、图像通道数、学习率、动量、执行设备、权重、最大覆盖、方向中的至少一个。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述获取待检产品的第一图像的步骤之前，获取图像采集设备的参数
设置信息，所述参数设置信息包括：曝光、增益、采集模式、ROI尺寸中的至少一个。
7.一种基于图像分割的数据处理装置，其特征在于，所述装置包括：
第一获取模块，用于获取待检产品的第一图像；
第一分割模块，用于通过预设图像分割方式对所述第一图像进行分割处理，以得到至少一个兴趣区域；
检测模块，用于将所述第一图像的兴趣区域输入预设缺陷检测模型进行缺陷检测，得到检测结果。
8.根据权利要求1所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取产品样本的第二图像，所述产品样本为有预设缺陷的产品；
第二分割模块，用于通过所述预设图像分割方式对所述第二图像进行分割处理，得到至少一个兴趣区域；
标注模块，用于针对每个所述兴趣区域，获取该兴趣区域的标注信息；
训练模块，用于根据所述第二图像及所述第二图像的所有兴趣区域的标注信息，对神经网络进行模型训练，得到所述预设缺陷检测模型。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如权利要求1-6中任一项所述的基于图像分割的数据处理方法。
10.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如权利要求1-6中任一项所述的基于图像分割的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110619612.9A CN113470043A (zh) | 2021-06-03 | 2021-06-03 | 一种基于图像分割的数据处理方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110619612.9A CN113470043A (zh) | 2021-06-03 | 2021-06-03 | 一种基于图像分割的数据处理方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113470043A true CN113470043A (zh) | 2021-10-01 |
Family
ID=77872078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110619612.9A Pending CN113470043A (zh) | 2021-06-03 | 2021-06-03 | 一种基于图像分割的数据处理方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113470043A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859177A (zh) * | 2019-01-17 | 2019-06-07 | 航天新长征大道科技有限公司 | 基于深度学习的工业射线影像评定方法及装置 |
| CN111161244A (zh) * | 2019-12-30 | 2020-05-15 | 华南理工大学 | 基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法 |
| CN111914841A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种ct图像处理方法和装置 |
| CN112233128A (zh) * | 2020-10-15 | 2021-01-15 | 推想医疗科技股份有限公司 | 图像分割方法及模型的训练方法、装置、介质、电子设备 |
| CN112419299A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院（深圳）有限公司 | 一种螺栓缺失检测方法、装置、设备及存储介质 |
-
2021
- 2021-06-03 CN CN202110619612.9A patent/CN113470043A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859177A (zh) * | 2019-01-17 | 2019-06-07 | 航天新长征大道科技有限公司 | 基于深度学习的工业射线影像评定方法及装置 |
| CN111161244A (zh) * | 2019-12-30 | 2020-05-15 | 华南理工大学 | 基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法 |
| CN111914841A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种ct图像处理方法和装置 |
| CN112233128A (zh) * | 2020-10-15 | 2021-01-15 | 推想医疗科技股份有限公司 | 图像分割方法及模型的训练方法、装置、介质、电子设备 |
| CN112419299A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院（深圳）有限公司 | 一种螺栓缺失检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11341626B2 (en) | Method and apparatus for outputting information | |
| CN110705405B (zh) | 目标标注的方法及装置 | |
| CN110659660B (zh) | 利用深度学习系统的自动光学检测分类设备及其训练设备 | |
| CN111507958B (zh) | 目标检测方法、检测模型的训练方法及电子设备 | |
| CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
| US11189019B2 (en) | Method for detecting defects, electronic device, and computer readable medium | |
| CN109086780B (zh) | 用于检测电极片毛刺的方法和装置 | |
| CN113095438A (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
| JP2017107541A (ja) | 情報処理装置、情報処理方法、プログラムおよび検査システム | |
| JP2011158373A (ja) | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 | |
| CN109741295B (zh) | 产品质量检测方法及装置 | |
| CN113469944A (zh) | 一种产品质检方法、装置和电子设备 | |
| CN111951210A (zh) | 数据的处理方法、装置及设备 | |
| CN115294063A (zh) | 电子元件的缺陷检测方法、装置、系统、电子设备及介质 | |
| CN112634227A (zh) | Pcb拼板的检测标识方法、装置、电子设备以及存储介质 | |
| CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
| CN114998369A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN115082659A (zh) | 一种图像标注方法、装置、电子设备及存储介质 | |
| CN117274245B (zh) | 基于图像处理技术的aoi光学检测方法及系统 | |
| KR20220026439A (ko) | 인쇄회로기판의 부품 미실장 검출 방법 및 그 장치 | |
| CN113470043A (zh) | 一种基于图像分割的数据处理方法、装置和电子设备 | |
| CN113592761A (zh) | 存储介质、走线检测装置、走线检测模型训练装置及方法 | |
| CN116129348A (zh) | 异物检测方法、装置、电子设备及计算机可读存储介质 | |
| CN113298760A (zh) | 一种基于深度学习的质量检测方法、装置和系统 | |
| CN112989256B (zh) | 识别响应信息中web指纹的方法和装置 |
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 |