CN113592761A - 存储介质、走线检测装置、走线检测模型训练装置及方法 - Google Patents
存储介质、走线检测装置、走线检测模型训练装置及方法 Download PDFInfo
- Publication number
- CN113592761A CN113592761A CN202010362054.8A CN202010362054A CN113592761A CN 113592761 A CN113592761 A CN 113592761A CN 202010362054 A CN202010362054 A CN 202010362054A CN 113592761 A CN113592761 A CN 113592761A
- Authority
- CN
- China
- Prior art keywords
- line segment
- image
- edge
- detection
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 195
- 238000012549 training Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000001052 transient effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种非瞬态可读存储介质、走线检测装置、走线检测模型的训练装置及训练方法,涉及机器学习技术领域。该训练方法包括:获取包括样本图像以及样本图像的样本标签;对样本图像进行线段检测,并获取样本图像的线段边缘特征;根据线段边缘特征生成训练特征;根据样本标签和训练特征对分类模型进行训练,得到走线检测模型。
Description
技术领域
本公开涉及机器学习技术领域,具体而言,涉及一种非瞬态可读存储介质、走线检测装置、走线检测模型的训练装置及训练方法。
背景技术
电子产品中存在大量的电路,因而需要铺设大量的走线,在生产过程中,为了提高产品的良率,需要对走线进行检查。目前,一般采用人工检查的方式对走线是否规范进行判断。但是,由于人工检查存在漏检和误检现象,造成产品良率下降,而且增加了人工成本。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于克服上述现有技术的不足,提供一种可读存储介质、走线检测装置、走线检测模型的训练装置及训练方法,可提高走线规范性检查的工作效率。
根据本公开的一个方面,提供一种走线检测模型的训练方法,包括:
获取样本图像以及所述样本图像的样本标签;
对所述样本图像进行线段检测,并获取所述样本图像的线段边缘特征;
根据所述线段边缘特征生成训练特征;
根据所述样本标签和所述训练特征对分类模型进行训练,得到走线检测模型。
在本公开的一种示例性实施例中,所述对所述样本图像进行线段检测,并获取所述样本图像的线段边缘特征,包括:
对所述样本图像进行预处理,得到目标样本图像;
在所述目标样本图像中确定感兴趣区域;
对所述目标样本图像的感兴趣区域进行线段检测,得到线段检测结果,所述线段检测结果包括检测到的每个线段的端点坐标;
根据所述线段检测结果生成线段检测图像;
根据所述线段检测图像获取边缘点的线段边缘特征,作为所述样本图像的线段边缘特征;每个所述边缘点的线段边缘特征包括所述边缘点的坐标及其所属线段的斜率。
在本公开的一种示例性实施例中,所述对所述样本图像进行预处理,得到目标样本图像,包括:
获取标准图像;
根据所述标准图像对所述样本图像进行配准;
对配准后的所述样本图像进行下采样,得到目标样本图像。
在本公开的一种示例性实施例中,所述在所述目标样本图像中确定感兴趣区域,包括:
获取包含感兴趣区域位置信息的感兴趣区域参数;
根据所述感兴趣区域参数在所述目标样本图像中确定感兴趣区域。
在本公开的一种示例性实施例中,所述根据所述线段检测结果生成线段检测图像,包括:
根据所述线段检测结果确定在所述目标样本图像中检测到的每个线段的长度;
筛选出长度位于长度阈值范围内的线段作为参考线段,以所述参考线段的端点坐标作为参考端点坐标;
根据所述参考线段的参考端点坐标生成线段检测图像。
在本公开的一种示例性实施例中,所述根据所述参考线段的参考端点坐标生成线段检测图像,包括:
根据所述参考线段的参考端点坐标生成连接每个所述参考线段的两端点的连线,得到一个或多个目标线段;
为每个所述目标线段设置像素值,且同一所述目标线段的像素值相同,以得到包含一个或多个所述目标线段的线段检测图像;若所述目标线段的数量为多个,不同所述目标线段的像素值不同。
在本公开的一种示例性实施例中,根据所述线段检测图像获取边缘点的线段边缘特征,作为所述样本图像的线段边缘特征,包括:
确定所述线段检测图像中所述目标线段的边缘点的总数,并获取每个所述目标线段的边缘点的线段边缘特征;每个所述边缘点的线段边缘特征包括所述边缘点的坐标及其所属目标线段的斜率;
将所述线段检测图像中所述目标线段的边缘点的总数与数量阈值进行比较;
若所述线段检测图像中所述目标线段的边缘点的总数不大于所述数量阈值,则以每个所述边缘点的线段边缘特征作为所述样本图像的线段边缘特征;
若所述线段检测图像中所述目标线段的边缘点的总数大于所述数量阈值,则对所述线段检测图像以预设的采样比例进行下采样,并将下采样后的线段检测图像中所述目标线段的边缘点的线段边缘特征作为作为所述样本图像的线段边缘特征,所述采样比例为所述数量阈值与下采样前的线段检测图像的边缘点的数量之比。
在本公开的一种示例性实施例中,对所述线段检测图像以预设的采样比例进行下采样,包括:
获取所述线段检测图像中所述目标线段的像素点的坐标及其所属目标线段的斜率;
根据预设的采样比例、所述目标线段的像素点的坐标及所述目标线段的斜率,确定所述目标线段的像素点的浮点型坐标及所述目标线段的浮点型斜率;所述采样比例为所述数量阈值与下采样前的所述线段检测图像的边缘点的总数之比;
根据所述浮点型坐标及所述目标线段的浮点型斜率确定下采样后的线段检测图像中所述目标线段的所述边缘点的线段边缘特征。
在本公开的一种示例性实施例中,所述根据所述线段边缘特征生成所述训练特征,包括:
对所述线段边缘特征进行归一化,以得到训练特征。
在本公开的一种示例性实施例中,所述分类模型为支持向量机模型或卷积神经网络模型。
根据本公开的一个方面,提供一种走线检测模型的训练装置,包括:
获取单元,被配置为:获取样本图像以及所述样本图像的样本标签;
检测单元,被配置为:对所述样本图像进行线段检测,并获取所述样本图像的线段边缘特征;
处理单元,被配置为:根据所述线段边缘特征生成训练特征;
生成单元,被配置为:根据所述样本标签和所述训练特征对分类模型进行训练,得到走线检测模型。
根据本公开的一个方面,提供一种走线检测方法,包括:
执行上述任意一项所述的训练方法,生成走线检测模型;
获取待检测图像;
对所述待检测图像进行线段检测,并获取所述待检测图像的线段边缘特征;
将所述线段边缘特征输入走线检测模型,得到检测结果,并根据所述检测结果确定所述待检测图像是否规范。
在本公开的一种示例性实施例中,对所述待检测图像进行线段检测,包括:
对所述待检测图像进行预处理,得到目标待检测图像;
在所述目标待检测图像中确定感兴趣区域;
对所述目标待检测图像的感兴趣区域进行线段检测,得到待检测图像的线段检测结果,所述线段检测结果包括检测到的每个线段的端点坐标;
根据各所述线段检测结果生成线段检测图像;
根据所述线段检测图像获取边缘点的线段边缘特征,作为所述待检测图像的线段边缘特征;每个所述边缘点的线段边缘特征包括所述边缘点的坐标及其所属线段的斜率。
根据本公开的一个方面,提供一种走线检测装置,包括:
图像采集装置,被配置为:采集待检测图像;
存储器,被配置为:存储可执行指令;
处理器,其耦合到所述图像采集装置和所述存储器,所述处理器被配置为:获取所述待检测图像和所述可执行指令,并经由执行所述可执行指令来执行上述任意一项所述的走线检测方法。
根据本公开的一个方面,提供一种非瞬态可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述任意一项所述的训练方法,或者所述计算机程序被执行时实现上述任意一项所述的走线检测方法。
本公开的可读存储介质、走线检测装置、走线检测模型的训练装置及方法,可通过线段检测的方式获取样本图像和待检测图像中线段边缘特征,用于反映走线的图案。通过基于样本图像和样本标签训练出走线检测模型,并利用该走线检测模型对待检测图像的走线进行分类,从而通过机器学习的方式实现对走线是否规范进行检查,避免采用人工检查的方式,使工作效率得以提升,接于人力成本。同时,还可避免因工作人员操作失误等原因造成的漏检、错检等情况,有利于提高检查结果的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本公开训练方法一实施方式的流程图。
图2为本公开训练方法一实施方式的步骤S120的流程图。
图3为本公开训练方法一实施方式的步骤S1210的流程图。
图4为本公开训练方法一实施方式的步骤S1250的流程图。
图5为本公开训练装置一实施方式的方框图。
图6为本公开走线检测方法一实施方式的流程图。
图7为本公开走线检测方法一实施方式的步骤S230的流程图。
图8为本公开走线检测装置一实施方式的方框图。
图9为本公开可读存储介质一实施方式的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。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方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述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技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”、“第二”等仅作为标记使用,不是对其对象的数量限制。
本公开的实施方式提供了一种走线检测模型的训练方法,如图1所示,该训练方法可包括步骤S110-步骤S140,其中:
步骤S110、获取样本图像以及所述样本图像的样本标签;
步骤S120、对所述样本图像进行线段检测,并获取所述样本图像的线段边缘特征;
步骤S130、根据所述线段边缘特征生成训练特征;
步骤S140、根据所述样本标签和所述训练特征对分类模型进行训练,得到走线检测模型。
本公开的训练方法,可通过线段检测的方式获取样本图像的线段边缘特征,用于反映走线的图案,并通过基于样本图像和样本标签训练出走线检测模型,该走线检测模型可用于对待检测图像的走线进行分类,从而通过机器学习的方式实现对走线是否规范进行检查,避免采用人工检查的方式,使工作效率得以提升,接于人力成本。同时,还可避免因工作人员操作失误等原因造成的漏检、错检等情况,有利于提高检查结果的准确性。
下面对本公开实施方式训练方法进行详细说明:
在步骤S110中,获取样本图像以及所述样本图像的样本标签。
样本图像可为待检测的电子器件的图像,其中包含走线的图案,该电子器件可以是电路板或其它布设有走线的器件,在此不做特殊限定。样本标签至少包括规范和不规范两种。
在本公开的一些实施方式中,样本图像的数量可为多个,且每个样本图像与一样本标签对应,也就是说,每个样本图像所反映的走线是否规范是确定的。
需要说明的是,多个样本图像针对的可以是同一电子器件的同一走线区域,确保评价对象的统一。当然,针对不同电子器件或同一电子器件的不同走线区域,可能存在属于不规范的共性问题,此时,多个样本图像也可针对不同电子器件或同一电子器件的不同区域,但确定其属于规范或不规范的标准是统一的。
在步骤S120中,对所述样本图像进行线段检测,并获取所述样本图像的线段边缘特征。
可通过线段检测的方式识别出走线,并可用线段边缘特征表征走线,以便后续生成训练特征。
如图2所示,在本公开的一些实施方式中,以对一个样本图像的处理过程为例:对所述样本图像进行线段检测,并获取所述样本图像的线段边缘特征;即步骤S120,可包括步骤S1210-步骤S1250,其中:
步骤S1210、对所述样本图像进行预处理,得到目标样本图像。
预处理可包括:对样本图像进行校正、尺寸变换等操作,以便进行线段检测。
如图3所示,在本公开的一些实施方式中,对所述样本图像进行预处理,得到目标样本图像;即步骤S1210,可包括步骤S12110-步骤S12130,其中:
S12110、获取标准图像。
标准图像与样本图像属于对应于同一走线区域的图像,可预先设置或采集,其满足能进行线段采集的条件。获取标准图像可与上述的样本图像和样本标签同时获取,即步骤S12110和步骤S110可同时进行。
S12120、根据所述标准图像对所述样本图像进行配准。
可采用SIFT(Scale-invariant feature transform,尺度不变特征转换)算法进行配准,还可以采用基于RegNet网络模型或其它网络模型的深度学习配准方法实现配准,在此不对配准的方法做特殊限定。
S12130、对配准后的所述样本图像进行下采样,得到目标样本图像。
可通过下采样的方式得到数据量更小的目标样本图像,以便处理。下采样的比例可以是1/4,但不以此为限,也可以是1/2或其它比例。可基于opencv(Open SourceComputer Vision Library,开源计算机视觉库)利用resize函数实现对样本图像的下采样,当然,也可以采用其它方式,在此不对形成目标样本图像的下采样的具体方式做特殊限定。
步骤S1220、在所述目标样本图像中确定感兴趣区域。
感兴趣区域可根据预先获取的位置信息来确定,举例而言:
在本公开的一些实施方式中,在所述目标样本图像中确定感兴趣区域,即步骤S1220,可包括步骤S12210和步骤S12220,其中:
步骤S12210、获取包含感兴趣区域位置信息的感兴趣区域参数。
感兴趣区域参数可包括感兴趣区域的一基准点的坐标以及感兴趣区域的高度和宽度。以感兴趣区域为矩形为例,该基准点可以是感兴趣区域的一顶点,当然,也可以是感兴趣区域的中心或其它点,只要能在目标样本图像中确定出感兴趣区域即可。
此外,感兴趣区域参数可与上述的训练样本和样本标签同时获取,即步骤S12210可与步骤S110同时执行。
步骤S12220、根据所述感兴趣区域参数在所述目标样本图像中确定感兴趣区域。
基于步骤S12210中获取的感兴趣区域参数,可在目标样本图像中筛选出感兴趣区域。例如,基于opencv根据感兴趣区域参数在目标样本图像中筛选出感兴趣区域。
步骤S1230、对所述目标样本图像的感兴趣区域进行线段检测,得到线段检测结果,所述线段检测结果包括检测到的每个线段的端点坐标。
端点坐标包括在一参考坐标系下的横坐标和纵坐标。可通过opencv的LSD线段检测算法对目标样本图像的感兴趣区域进行线段检测,检测出感兴趣区域中的每个线段的端点坐标,得到包含各个端点坐标的线段检测结果。当然,还可采用霍夫变换法或其它方法实现线段检测,只要能获取到每个线段的端点坐标即可。
步骤S1240、根据所述线段检测结果生成线段检测图像。
可根据线段检测结果的各线段的端点坐标生成目标线段,得到包含一个或多个目标线段的线段检测图像。
在本公开的一些实施方式中,根据所述线段检测结果生成线段检测图像,即步骤S1240,可包括步骤S12410-步骤S12430,其中:
步骤S12410、根据所述线段检测结果确定在所述目标样本图像中检测到的每个线段的长度。
可根据线段检测结果的各端点坐标确定对应的线段的长度,即属于同一线段的两个端点之间的距离,该距离可用像素数来表征。举例而言,对于属于同一线段的两个端点坐标,两个端点坐标均包括在参考坐标系中的横坐标和纵坐标。
步骤S12420、筛选出长度位于长度阈值范围内的线段作为参考线段,以所述参考线段的端点坐标作为参考端点坐标。
长度阈值范围具有上限值和下限值,可将每个线段的长度与长度阈值范围的上限值和下限值进行比较,筛选出长度不小于下限值,且不大于上限值的线段的端点坐标作为参考端点坐标,即筛选出长度位于长度阈值范围内的线段的端点坐标作为参考端点坐标,以便于去除长度过小和过大的线段。长度阈值范围的大小可视目标样本图像的分辨率和走线的实际尺寸而预先设定,在此不做特殊限定,目的是去除非走线的线段,即,去除噪音,例如,在本公开的一些实施方式中,长度阈值范围可以是30-100。
步骤S12430、根据所述参考线段的参考端点坐标生成线段检测图像。
在本公开的一些实施方式中,根据所述参考线段的参考端点坐标生成线段检测图像,即步骤S12430,可包括步骤S124310和步骤S124320,其中:
步骤S124310、根据所述参考线段的参考端点坐标生成连接每个所述参考线段的两端点的连线,得到一个或多个目标线段。
针对每个选取的参考线段,生成连接两端点的连线,从而得到目标线段,也就是说,每个目标线段包括两个参考端点和参考端点之间的连线。参考线段和目标线段可能完全重合,也可能仅局部重合。若参考线段的数量为多个,则可按照预设的次序依次选取各参考线段,并生成对应各参考线段的多个目标线段。
举例而言,可为每个参考线段编号,不同参考线段的编号不同,从而可根据编号大小进行排序,从而确定选取参考线段的次序。编号可为正整数,例如1、2、3等。其中,可基于opencv的line函数生成两个参考端点间的连线,当然,也可采用其他函数或算法生成目标线段。
步骤S124320、为每个所述目标线段设置像素值,且同一所述目标线段的像素值相同,以得到包含多个目标线段的线段检测图像;不若所述目标线段的数量为多个,不同所述目标线段的像素值不同。
对于多个目标线段而言,为了区分各所述目标线段,可为不同目标线段的赋予不同的像素值,该像素值可为灰阶。举例而言,对于任一目标线段而言,可将其端点对应的参考线段的编号作为该目标线段的像素值,使目标线段的每个像素点的灰阶与该编号相等。
步骤S1250、根据所述线段检测图像获取边缘点的线段边缘特征,作为所述样本图像的线段边缘特征,每个所述边缘点的线段边缘特征包括所述边缘点的坐标及其所属线段的斜率。
如图4所示,在本公开的一些实施方式中,根据所述线段检测图像获取边缘点的线段边缘特征,作为所述样本图像的线段边缘特征;即步骤S1250,可包括步骤S12510-步骤S12540,其中:
步骤S12510、确定所述线段检测图像中所述目标线段的边缘点的总数,并获取每个所述目标线段的边缘点的线段边缘特征;每个所述边缘点的线段边缘特征包括所述边缘点的坐标及其所属目标线段的斜率。
边缘点所属线段的斜率是指边缘点所属目标线段的斜率。在每个目标线段中,每个边缘点的线段边缘特征包括该边缘点的坐标及其所属目标线段的斜率,每个边缘点的坐标包括边缘点在参考坐标系中的横坐标和纵坐标,目标线段的斜率可用目标线段与横坐标轴的夹角来表征。
步骤S12520、将所述线段检测图像中所述目标线段的边缘点的总数与数量阈值进行比较。
为了限制边缘点的数量,以减少运算量,可将所有目标线段的边缘点的总数与数量阈值进行比较,该数量阈值的大小在此不做特殊限定,例如,该数量阈值可为1000。
步骤S12530、若所述线段检测图像中所述目标线段的边缘点的总数不大于所述数量阈值,则以每个所述边缘点的线段边缘特征作为所述样本图像的线段边缘特征。
若边缘点的数量小于或等于数量阈值,则可直接将各个边缘点的线段边缘特征作为训练特征,以便训练分类模型。
步骤S12540、若所述线段检测图像中所述目标线段的边缘点的总数大于所述数量阈值,则对所述线段检测图像以预设的采样比例进行下采样,并将下采样后的线段检测图像中所述目标线段的边缘点的线段边缘特征作为所述样本图像的线段边缘特征,所述采样比例为所述数量阈值与下采样前的线段检测图像的边缘点的总数之比。
若边缘点的数量大于数量阈值,说明边缘点的数量过多,因而可对线段检测图像进行下采样,减少边缘点的数量,采样比例采用数量阈值与下采样前的线段检测图像的边缘点的总数之比,可确保下采样后的边缘点的数量小于或等于数量阈值。
在本公开的一些实施方式中,对所述线段检测图像以预设的采样比例进行下采样,即步骤S12540,可包括步骤S125410-步骤S125430,其中:
步骤S125410、获取所述线段检测图像中所述目标线段的像素点的坐标及其所属目标线段的斜率。
步骤S125420、根据预设的采样比例、所述目标线段的像素点的坐标及所述目标线段的斜率,确定所述目标线段的像素点的浮点型坐标及所述目标线段的浮点型斜率;所述采样比例为所述数量阈值与下采样前的线段检测图像的边缘点的总数之比。
步骤S125430、根据所述浮点型坐标及所述目标线段的浮点型斜率确定下采样后的线段检测图像中所述目标线段的所述边缘点的线段边缘特征。
进一步的,举例而言:
创建与线段检测图像的宽度和高度相同的3个二维数组arr_sum_x、arr_count_x;arr_sum_y、arr_count_y;arr_sum_a、arr_count_a。各二维数组的数据类型为浮点型,并初始化为0。
按照预设的次序遍历获取线段检测图像的每个像素点的横坐标j、纵坐标i及每个像素点所属目标线段的斜率,该斜率可用像素点与横坐标轴的夹角a表征。
根据采样比例计算下采样后的像素点的浮点型坐标,浮点型坐标x_float=j×ratio,浮点型坐标y_float=i×ratio,ratio为采样比例,ratio=threshod/n,n>threshod,threshod为数量阈值,n为下采样前的线段检测图像的边缘点的数量,1>ratio>0。可对浮点型坐标取整得到:x_int=int(x_float+0.5),y_int=int(y_float+0.5),将arr_sum_x对应位置的值加上x_float,将arr_sum_y对应位置的值加上y_float,将arr_sum_a对应位置的值加上a,分别将arr_count_x、arr_count_y、arr_count_a对应位置的值均加1。
遍历获取参考图像的像素点的横坐标j、纵坐标i,如果arr_count[i][j]大于0,则可计算得到参考图像的边缘点的浮点型坐标,从而得到边缘点的线段边缘特征,其中:
x2_float=arr_sum_x[i][j]/arr_count[i][j];
y2_float=arr_sum_y[i][j]/arr_count[i][j];
a2_float=arr_sum_a[i][j]/arr_count[i][j]。
x2_float为像素点的浮点型横坐标,y2_float为像素点浮点型纵坐标,a2_float为像素点关于浮点型斜率。
在步骤S130中,根据所述线段边缘特征生成训练特征。
可对边缘点的线段边缘特征进行归一化,以得到训练特征,举例而言,可将边缘点的横坐标除以线段检测图像的宽度;纵坐标除以线段检测图像的高度;边缘点所属目标线段的斜率用边缘点所属目标线段与横坐标轴的夹角表征,若该夹角为弧度,可使该夹角除以π,π可取3.1416。
在步骤S140中,根据所述样本标签和所述训练特征对一预设的分类模型进行训练,得到走线检测模型。
分类模型可采用支持向量机模型(SVM)。或者,也可以深度学习点云分类技术,利用具有分类功能的PointNet网络模型或其它卷积神经网络模型作为分类模型,将训练特征作为点云数据进行训练。走线检测模型可用于对走线是否规范进行判断,输出规范或不规范的结果,举例而言,可用输出不同的数字(例如1和0)表示规范和不规范。
在本公开的一些实施方式中,若样本图像的数量为多个,则可对每个样本图像执行上述步骤S120-步骤S130,得到每个样本图像的训练特征,即多个训练特征,具体细节在此不再赘述。同时,样本标签的数量也为多个,且与样本图像一一对应。相应的,可根据各个样本图像的训练特征和样本标签对分类模型进行训练,得到走线检测模型。
本公开实施方式提供一种走线检测模型的训练装置,如图5所示,该训练装置可包括获取单元1、检测单元2、处理单元3和生成单元4,其中:
获取单元1被配置为:获取样本图像以及所述样本图像的样本标签;
检测单元2被配置为:对所述样本图像进行线段检测,并获取样本图像的线段边缘特征;
处理单元3被配置为:根据所述线段边缘特征生成训练特征;
生成单元4被配置为:根据所述样本标签和所述训练特征对分类模型进行训练,得到走线检测模型。
本公开实施方式训练装置的各部分的细节以及有益效果已在上文训练方法的实施方式中进行了详细的说明,在此不再详述。
本公开实施方式还提供一种走线检测方法,如图6所示,该走线检测方法包括步骤S210-步骤S230,其中:
步骤S210、获取待检测图像;
步骤S220、对所述待检测图像进行线段检测,并获取所述待检测图像的线段边缘特征;
步骤S230、将所述线段边缘特征输入所述走线检测模型,得到检测结果,并根据所述检测结果确定所述待检测图像是否规范。
下面对本公开走线检测方法进行详细说明:
在步骤S210中,获取待检测图像。
待检测图像可以是一电子器件的一走线区域的图像,可通过工业相机等摄影装置拍摄而获得。
在步骤S220中,对所述待检测图像进行线段检测,并或取所述待检测图像的线段边缘特征。
如图7所示,在本公开的一些实施方式中,对每个所述待检测图像进行线段检测,即步骤S220,可包括步骤S2210-步骤S2250,其中:
步骤S2210、对所述待检测图像进行预处理,得到目标待检测图像;
步骤S2220、在所述目标待检测图像中确定感兴趣区域;
步骤S2230、对所述目标待检测图像的感兴趣区域进行线段检测,得到待检测图像的线段检测结果,所述线段检测结果包括检测到的每个线段的端点坐标;
步骤S2240、根据各所述线段检测结果生成线段检测图像;
步骤S2250、根据所述线段检测图像中的获取边缘点的线段边缘特征,作为所述待检测图像的线段边缘特征;每个所述边缘点的线段边缘特征包括所述边缘点的坐标及其所属线段的斜率。
对待检测图像进行线段检测的方法可与对样本图像进行线段检测的方法相同,只要将样本图像替换为待检测图像即可,因而具体细节可参考上文中对样本图像进行线段检测的实施方式,在此不再赘述。
在步骤S230中,将所述线段边缘特征输入走线检测模型,得到检测结果,并根据所述检测结果确定所述待检测图像是否规范。
在本实施例中的走线检测模型可采用上文中任意实施方式的走线检测模型的训练方法生成走线检测模型,具体可参考上文中训练方法的实施方式,在此不再赘述。
可通过走线检测模型对走线是否规范进行判断,输出规范或不规范的结果,举例而言,可用输出不同的数字(例如1和0)表示规范和不规范。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
本公开实施方式提供一种走线检测装置,如图8所示,该走线检测装置可包括图像采集装置100、存储器200和处理器300,其中:
图像采集装置100被配置为:拍摄待检测图像;
存储器200被配置为:存储可执行指令;
处理器300耦合到图像采集装置100和存储器200,且处理器300被配置为:从图像采集装置100获取所述待检测图像,并从存储器200获取所述可执行指令;且处理器300被配置为:经由执行所述可执行指令来执行上述任意实施方式的走线检测方法,从而输出走线是否规范的结果。
本公开实施方式走线检测装置的各部分的细节以及有益效果已在上文走线检测方法的实施方式中进行了详细的说明,在此不再详述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干装置,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多装置、模块、单元或电路的特征和功能可以在一个装置、模块、单元或电路中具体化。反之,上文描述的一个装置、模块、单元或电路的特征和功能可以进一步划分为由多个装置、模块、单元或电路来具体化。
本公开实施方式还提供一种非瞬态可读存储介质,其上存储有计算机程序,该计算机程序被执行时实现上述任意实施方式的走线检测模型的训练方法,或者实现上述任意实施方式的走线检测方法。在一些实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述训练方法中描述的根据本发明各种示例性实施方式的步骤。
如图9所示,描述了根据本发明的实施方式的用于实现上述训练方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,非瞬态可读存储介质500可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是非瞬态可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的程序代码,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用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在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。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM、U盘、移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (15)
1.一种走线检测模型的训练方法,其特征在于,包括:
获取样本图像以及所述样本图像的样本标签;
对所述样本图像进行线段检测,并获取所述样本图像的线段边缘特征;
根据所述线段边缘特征生成训练特征;
根据所述样本标签和所述训练特征对分类模型进行训练,得到走线检测模型。
2.根据权利要求1所述的训练方法,其特征在于,所述对所述样本图像进行线段检测,并获取所述样本图像的线段边缘特征,包括:
对所述样本图像进行预处理,得到目标样本图像;
在所述目标样本图像中确定感兴趣区域;
对所述目标样本图像的感兴趣区域进行线段检测,得到线段检测结果,所述线段检测结果包括检测到的每个线段的端点坐标;
根据所述线段检测结果生成线段检测图像;
根据所述线段检测图像获取边缘点的线段边缘特征,作为所述样本图像的线段边缘特征;每个所述边缘点的线段边缘特征包括所述边缘点的坐标及其所属线段的斜率。
3.根据权利要求2所述的训练方法,其特征在于,所述对所述样本图像进行预处理,得到目标样本图像,包括:
获取标准图像;
根据所述标准图像对所述样本图像进行配准;
对配准后的所述样本图像进行下采样,得到目标样本图像。
4.根据权利要求2所述的训练方法,其特征在于,所述在所述目标样本图像中确定感兴趣区域,包括:
获取包含感兴趣区域位置信息的感兴趣区域参数;
根据所述感兴趣区域参数在所述目标样本图像中确定感兴趣区域。
5.根据权利要求2所述的训练方法,其特征在于,所述根据所述线段检测结果生成线段检测图像,包括:
根据所述线段检测结果确定在所述目标样本图像中检测到的每个线段的长度;
筛选出长度位于长度阈值范围内的线段作为参考线段,以所述参考线段的端点坐标作为参考端点坐标;
根据所述参考线段的参考端点坐标生成线段检测图像。
6.根据权利要求5所述的训练方法,其特征在于,所述根据所述参考线段的参考端点坐标生成线段检测图像,包括:
根据所述参考线段的参考端点坐标生成连接每个所述参考线段的两端点的连线,得到一个或多个目标线段;
为每个所述目标线段设置像素值,且同一所述目标线段的像素值相同,以得到包含一个或多个所述目标线段的线段检测图像;若所述目标线段的数量为多个,不同所述目标线段的像素值不同。
7.根据权利要求6所述的训练方法,其特征在于,根据所述线段检测图像获取边缘点的线段边缘特征,作为所述样本图像的线段边缘特征,包括:
确定所述线段检测图像中所述目标线段的边缘点的总数,并获取每个所述目标线段的边缘点的线段边缘特征;每个所述边缘点的线段边缘特征包括所述边缘点的坐标及其所属目标线段的斜率;
将所述线段检测图像中所述目标线段的边缘点的总数与数量阈值进行比较;
若所述线段检测图像中所述目标线段的边缘点的总数不大于所述数量阈值,则以每个所述边缘点的线段边缘特征作为所述样本图像的线段边缘特征;
若所述线段检测图像中所述目标线段的边缘点的总数大于所述数量阈值,则对所述线段检测图像以预设的采样比例进行下采样,并将下采样后的线段检测图像中所述目标线段的边缘点的线段边缘特征作为作为所述样本图像的线段边缘特征,所述采样比例为所述数量阈值与下采样前的线段检测图像的边缘点的数量之比。
8.根据权利要求7所述的训练方法,其特征在于,对所述线段检测图像以预设的采样比例进行下采样,包括:
获取所述线段检测图像中所述目标线段的像素点的坐标及其所属目标线段的斜率;
根据预设的采样比例、所述目标线段的像素点的坐标及所述目标线段的斜率,确定所述目标线段的像素点的浮点型坐标及所述目标线段的浮点型斜率;所述采样比例为所述数量阈值与下采样前的所述线段检测图像的边缘点的总数之比;
根据所述浮点型坐标及所述目标线段的浮点型斜率确定下采样后的线段检测图像中所述目标线段的所述边缘点的线段边缘特征。
9.根据权利要求1-8任一所述的训练方法,其特征在于,所述根据所述线段边缘特征生成所述训练特征,包括:
对所述线段边缘特征进行归一化,以得到训练特征。
10.根据权利要求1-8任一所述的训练方法,其特征在于,所述分类模型为支持向量机模型或卷积神经网络模型。
11.一种走线检测模型的训练装置,其特征在于,包括:
获取单元,被配置为:获取样本图像以及所述样本图像的样本标签;
检测单元,被配置为:对所述样本图像进行线段检测,并获取所述样本图像的线段边缘特征;
处理单元,被配置为:根据所述线段边缘特征生成训练特征;
生成单元,被配置为:根据所述样本标签和所述训练特征对分类模型进行训练,得到走线检测模型。
12.一种走线检测方法,其特征在于,包括:
获取待检测图像;
对所述待检测图像进行线段检测,并获取所述待检测图像的线段边缘特征;
将所述线段边缘特征输入走线检测模型,得到检测结果,并根据所述检测结果确定所述待检测图像是否规范。
13.根据权利要求12所述的走线检测方法,其特征在于,对所述待检测图像进行线段检测,包括:
对所述待检测图像进行预处理,得到目标待检测图像;
在所述目标待检测图像中确定感兴趣区域;
对所述目标待检测图像的感兴趣区域进行线段检测,得到待检测图像的线段检测结果,所述线段检测结果包括检测到的每个线段的端点坐标;
根据各所述线段检测结果生成线段检测图像;
根据所述线段检测图像获取边缘点的线段边缘特征,作为所述待检测图像的线段边缘特征;每个所述边缘点的线段边缘特征包括所述边缘点的坐标及其所属线段的斜率。
14.一种走线检测装置,其特征在于,包括:
图像采集装置,被配置为:采集待检测图像;
存储器,被配置为:存储可执行指令;
处理器,其耦合到所述图像采集装置和所述存储器,所述处理器被配置为:获取所述待检测图像和所述可执行指令,并经由执行所述可执行指令来执行权利要求12或13所述的走线检测方法。
15.一种非瞬态可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现权利要求1-10任一项所述的训练方法,或者所述计算机程序被执行时实现权利要求12或13所述的走线检测方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010362054.8A CN113592761A (zh) | 2020-04-30 | 2020-04-30 | 存储介质、走线检测装置、走线检测模型训练装置及方法 |
PCT/CN2021/079938 WO2021218420A1 (zh) | 2020-04-30 | 2021-03-10 | 存储介质、走线检测装置、走线检测模型训练装置及方法 |
US17/629,377 US20220262090A1 (en) | 2020-04-30 | 2021-05-10 | Storage medium, trace detection device, and device and method for training trace detection model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010362054.8A CN113592761A (zh) | 2020-04-30 | 2020-04-30 | 存储介质、走线检测装置、走线检测模型训练装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592761A true CN113592761A (zh) | 2021-11-02 |
Family
ID=78237094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010362054.8A Pending CN113592761A (zh) | 2020-04-30 | 2020-04-30 | 存储介质、走线检测装置、走线检测模型训练装置及方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220262090A1 (zh) |
CN (1) | CN113592761A (zh) |
WO (1) | WO2021218420A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210406112A1 (en) * | 2020-06-29 | 2021-12-30 | International Business Machines Corporation | Anomaly classification in information technology environments |
CN114332049B (zh) * | 2021-12-31 | 2023-03-03 | 广东利元亨智能装备股份有限公司 | 边缘检测方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090897A (zh) * | 2017-12-18 | 2018-05-29 | 川亿电脑(深圳)有限公司 | 印刷线路板缺陷的检测方法、检测装置及存储介质 |
US10628546B1 (en) * | 2018-06-29 | 2020-04-21 | Cadence Design Systems, Inc. | Method and system for automatically extracting layout design patterns for custom layout design reuse through interactive recommendations |
CN109409664A (zh) * | 2018-09-20 | 2019-03-01 | 信利光电股份有限公司 | 一种设计规范检测方法及系统 |
CN110782439B (zh) * | 2019-10-21 | 2022-02-15 | 北京云聚智慧科技有限公司 | 一种辅助检测图像标注质量的方法及装置 |
-
2020
- 2020-04-30 CN CN202010362054.8A patent/CN113592761A/zh active Pending
-
2021
- 2021-03-10 WO PCT/CN2021/079938 patent/WO2021218420A1/zh active Application Filing
- 2021-05-10 US US17/629,377 patent/US20220262090A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021218420A1 (zh) | 2021-11-04 |
US20220262090A1 (en) | 2022-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN111444921A (zh) | 划痕缺陷检测方法、装置、计算设备和存储介质 | |
US20210233250A1 (en) | System and method for finding and classifying lines in an image with a vision system | |
US9679354B2 (en) | Duplicate check image resolution | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
JP6786874B2 (ja) | 針式メータ検出装置、方法およびプログラム | |
CN109389105B (zh) | 一种基于多任务的虹膜检测和视角分类方法 | |
CN103383732A (zh) | 图像处理方法和装置 | |
CN111507908A (zh) | 图像矫正处理方法、装置、存储介质及计算机设备 | |
KR20210020065A (ko) | 비전 시스템을 갖는 이미지에서 패턴을 찾고 분류하기 위한 시스템 및 방법 | |
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 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN112037521A (zh) | 一种车辆类型识别方法以及危化品车辆识别方法 | |
CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
CN114494161A (zh) | 基于图像对比的受电弓异物检测方法、设备及存储介质 | |
CN112052702A (zh) | 一种识别二维码的方法和装置 | |
CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
JP2022009474A (ja) | ビジョンシステムでラインを検出するためのシステム及び方法 | |
TW201601119A (zh) | 物件辨識與定位方法 | |
CN114821194B (zh) | 一种设备运行状态识别方法及装置 | |
CN115374517A (zh) | 布线软件的测试方法、装置、电子设备及存储介质 | |
CN113469944A (zh) | 一种产品质检方法、装置和电子设备 | |
CN111767751B (zh) | 二维码图像识别方法和装置 | |
CN114067145A (zh) | 无源分光器检测方法、装置、设备及介质 | |
CN113869163A (zh) | 目标跟踪方法、装置、电子设备及存储介质 |
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 |