CN113570552A - 基于决策树自动判别真实缺陷与过杀方法 - Google Patents
基于决策树自动判别真实缺陷与过杀方法 Download PDFInfo
- Publication number
- CN113570552A CN113570552A CN202110758777.4A CN202110758777A CN113570552A CN 113570552 A CN113570552 A CN 113570552A CN 202110758777 A CN202110758777 A CN 202110758777A CN 113570552 A CN113570552 A CN 113570552A
- Authority
- CN
- China
- Prior art keywords
- defect
- decision tree
- defects
- acquiring
- characteristic information
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 99
- 238000003066 decision tree Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于决策树自动判别真实缺陷与过杀方法,包括:准备一组实际生产过程中过杀和真实缺陷的原图及mask图;通过mask图获取缺陷形状、面积、长度、缺陷类别,通过原图获取缺陷的对比度、极性,将生成的特征信息保存至文本当中,利用决策树自动获取缺陷的判别规则;通过缺陷算法得到一组缺陷数据,生成缺陷小图及mask图,获取缺陷形状、面积、长度、对比度、极性及缺陷类别特征信息;根据决策树生成的判别规则计算当前缺陷属于过杀还是真实缺陷。发明根据已有缺陷和过杀数据特征信息自动判别新产生缺陷是否过杀,算法通用性强,与现有技术中的手动设置缺陷检出参数相比,可以将缺陷漏检和过杀风险控制最低,进而达到实际生产要求。
Description
技术领域
本发明涉及缺陷检测领域,特别涉及一种基于决策树自动判别真实缺陷与过杀方法。
背景技术
工业生产现场,一般对于缺陷真实与否有很高要求,无论对于传统算法还是深度学习,往往为了减低漏检风险,会将缺陷的检出参数(如缺陷面积、长宽、对比度等)设置过严,因此会导致实际应用中存在大量过杀。
发明内容
本发明提供了一种基于决策树自动判别真实缺陷与过杀方法,以解决至少一个上述技术问题。
为解决上述问题,作为本发明的一个方面,提供了一种基于决策树自动判别真实缺陷与过杀方法,包括:
步骤1,准备一组实际生产过程中过杀和真实缺陷的原图及mask图,过杀和缺陷两者数量接近且不低于500个;
步骤2,通过mask图获取缺陷形状、面积、长度、缺陷类别,通过原图获取缺陷的对比度、极性,将生成的特征信息保存至文本当中;
步骤3,读取文本中的缺陷标签和特征信息,利用决策树自动获取缺陷的判别规则;
步骤4,通过缺陷算法得到一组缺陷数据;
步骤5,根据步骤4中的缺陷数据生成缺陷小图及mask图,获取缺陷形状、面积、长度、对比度、极性及缺陷类别特征信息;
步骤6,将步骤5生成的数据作为输入,根据步骤3中决策树生成的判别规则计算当前缺陷属于过杀还是真实缺陷。
优选地,缺陷形状主要包括点、细直线、细曲线、面等。
由于采用了上述技术方案,本发明根据已有缺陷和过杀数据特征信息自动判别新产生缺陷是否过杀,算法通用性强,与现有技术中的手动设置缺陷检出参数相比,可以将缺陷漏检和过杀风险控制最低,进而达到实际生产要求。
具体实施方式
以下对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本发明的基于决策树自动判别真实缺陷与过杀方法,事先准备一组过杀和真实缺陷样本,通过算法获取缺陷的形状(点、线、面等)、面积、长度、对比度、极性(从黑到白或从白到黑等)、缺陷类别等缺陷特征信息,然后将这些缺陷特征作为输入,通过决策树训练这些样本所属标签(过杀或真实缺陷),最后生成一套根据缺陷特征信息自动判别缺陷与否的规则。
本发明中的基于决策树自动判别真实缺陷与过杀方法包括两个阶段,一个是训练阶段,以利用决策树自动获取缺陷的判别规则;第二个阶段是实际检测流程,以根据缺陷特征信息自动判别缺陷与否。
第一阶段,训练流程主要有以下三个步骤:
步骤1:样本准备阶段,准备一组实际生产过程中过杀和真实缺陷的原图及mask图,过杀和缺陷两者数量接近且不低于500个。
步骤2:通过mask获取缺陷形状(主要包括点、细直线、细曲线、面等)、面积、长度、缺陷类别,通过原图获取缺陷的对比度、极性,将生成的特征信息保存至文本当中。
步骤3:读取文本中的缺陷标签和特征信息,利用决策树自动获取缺陷的判别规则。
第二阶段,实际检测流程如下:
步骤1:通过其他缺陷算法得到一组缺陷数据。
步骤2:生成缺陷小图及mask图,获取缺陷形状、面积、长度、对比度、极性及缺陷类别特征信息。
步骤3:将步骤2生成的数据作为输入,根据之前决策树生成的判别规则计算当前缺陷属于过杀还是真实缺陷。
由于采用了上述技术方案,本发明根据已有缺陷和过杀数据特征信息自动判别新产生缺陷是否过杀,算法通用性强,与现有技术中的手动设置缺陷检出参数相比,可以将缺陷漏检和过杀风险控制最低,进而达到实际生产要求。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于决策树自动判别真实缺陷与过杀方法,其特征在于,包括:
步骤1,准备一组实际生产过程中过杀和真实缺陷的原图及mask图,过杀和缺陷两者数量接近且不低于500个;
步骤2,通过mask图获取缺陷形状、面积、长度、缺陷类别,通过原图获取缺陷的对比度、极性,将生成的特征信息保存至文本当中;
步骤3,读取文本中的缺陷标签和特征信息,利用决策树自动获取缺陷的判别规则;
步骤4,通过缺陷算法得到一组缺陷数据;
步骤5,根据步骤4中的缺陷数据生成缺陷小图及mask图,获取缺陷形状、面积、长度、对比度、极性及缺陷类别特征信息;
步骤6,将步骤5生成的数据作为输入,根据步骤3中决策树生成的判别规则计算当前缺陷属于过杀还是真实缺陷。
2.根据权利要求1所述的基于决策树自动判别真实缺陷与过杀方法,其特征在于,缺陷形状主要包括点、细直线、细曲线、面等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758777.4A CN113570552A (zh) | 2021-07-05 | 2021-07-05 | 基于决策树自动判别真实缺陷与过杀方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758777.4A CN113570552A (zh) | 2021-07-05 | 2021-07-05 | 基于决策树自动判别真实缺陷与过杀方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570552A true CN113570552A (zh) | 2021-10-29 |
Family
ID=78163694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110758777.4A Pending CN113570552A (zh) | 2021-07-05 | 2021-07-05 | 基于决策树自动判别真实缺陷与过杀方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570552A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580025A (zh) * | 2023-07-12 | 2023-08-11 | 宁德时代新能源科技股份有限公司 | 缺陷过滤方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080317329A1 (en) * | 2007-06-20 | 2008-12-25 | Hitachi High-Technologies Corporation | Visual Inspection Method and Apparatus and Image Analysis System |
CN109544513A (zh) * | 2018-10-24 | 2019-03-29 | 广州霞光技研有限公司 | 一种钢管端面缺陷提取识别的方法 |
CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
CN110766675A (zh) * | 2019-10-22 | 2020-02-07 | 孟帅帅 | 太阳能电池板缺陷检测方法 |
CN111951231A (zh) * | 2020-07-24 | 2020-11-17 | 上海微亿智造科技有限公司 | 一种金属粉末注射成型外观缺陷的标注方法及系统 |
CN112288017A (zh) * | 2020-10-30 | 2021-01-29 | 常州微亿智造科技有限公司 | 图像缺陷标注模型的标注准确率识别方法、识别装置 |
CN112967248A (zh) * | 2021-03-03 | 2021-06-15 | 北京百度网讯科技有限公司 | 生成缺陷图像样本的方法、装置、介质及程序产品 |
-
2021
- 2021-07-05 CN CN202110758777.4A patent/CN113570552A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080317329A1 (en) * | 2007-06-20 | 2008-12-25 | Hitachi High-Technologies Corporation | Visual Inspection Method and Apparatus and Image Analysis System |
CN109544513A (zh) * | 2018-10-24 | 2019-03-29 | 广州霞光技研有限公司 | 一种钢管端面缺陷提取识别的方法 |
CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
CN110766675A (zh) * | 2019-10-22 | 2020-02-07 | 孟帅帅 | 太阳能电池板缺陷检测方法 |
CN111951231A (zh) * | 2020-07-24 | 2020-11-17 | 上海微亿智造科技有限公司 | 一种金属粉末注射成型外观缺陷的标注方法及系统 |
CN112288017A (zh) * | 2020-10-30 | 2021-01-29 | 常州微亿智造科技有限公司 | 图像缺陷标注模型的标注准确率识别方法、识别装置 |
CN112967248A (zh) * | 2021-03-03 | 2021-06-15 | 北京百度网讯科技有限公司 | 生成缺陷图像样本的方法、装置、介质及程序产品 |
Non-Patent Citations (2)
Title |
---|
YU CHEN;SHISHENG XIONG;: "Directed self-assembly of block copolymers for sub-10 nm fabrication", INTERNATIONAL JOURNAL OF EXTREME MANUFACTURING, no. 03, 15 September 2020 (2020-09-15), pages 129 - 162 * |
常青 等: "基于机器视觉的手机异形主板非标自动化检测算法", 《华东理工大学学报(自然科学版)》, vol. 45, no. 4, 31 August 2019 (2019-08-31), pages 632 - 638 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580025A (zh) * | 2023-07-12 | 2023-08-11 | 宁德时代新能源科技股份有限公司 | 缺陷过滤方法、装置、计算机设备和存储介质 |
CN116580025B (zh) * | 2023-07-12 | 2024-04-02 | 宁德时代新能源科技股份有限公司 | 缺陷过滤方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN106951900B (zh) | 一种避雷器仪表读数的自动识别方法 | |
CN112906769A (zh) | 一种基于CycleGAN的输变电设备图像缺陷样本增广方法 | |
CN112052853B (zh) | 一种基于深度学习的手写气象档案资料的文本定位方法 | |
CN110310259A (zh) | 一种基于改进YOLOv3算法的木结瑕疵检测方法 | |
CN106548165A (zh) | 一种基于图像分块加权的卷积神经网络的人脸识别方法 | |
CN111611905A (zh) | 一种可见光与红外融合的目标识别方法 | |
CN110136110A (zh) | 光伏组件缺陷的检测方法和装置 | |
CN101615244A (zh) | 手写板坯号自动识别方法及识别装置 | |
CN111027511A (zh) | 基于感兴趣区块提取的遥感图像舰船检测方法 | |
CN107273890A (zh) | 针对字符组合的图形验证码识别方法及装置 | |
CN113570552A (zh) | 基于决策树自动判别真实缺陷与过杀方法 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN112396042A (zh) | 实时更新的目标检测方法及系统、计算机可读存储介质 | |
CN115205626A (zh) | 一种应用于涂层缺陷检测领域的数据增强方法 | |
CN106503097A (zh) | 一种提高数据质量的方法及系统 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
JPH0434671A (ja) | パターン認識方法及びパターン認識装置 | |
CN116563250A (zh) | 一种复原式自监督疵点检测方法、装置及存储介质 | |
CN115063603A (zh) | 基于边缘信息的木材年轮线精确提取及复原方法 | |
US20240185590A1 (en) | Method for training object detection model, object detection method and apparatus | |
CN114897906A (zh) | 基于计算机视觉的改性塑料外观缺陷控制方法 | |
CN113095400A (zh) | 一种用于机器视觉缺陷检测的深度学习模型训练方法 | |
CN110163141B (zh) | 基于遗传算法的卫星图像预处理方法 | |
CN114299299A (zh) | 一种树叶特征提取方法、装置、计算机设备和存储介质 |
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 |