CN113658167A - 一种含缺陷的训练图像生成方法及装置 - Google Patents
一种含缺陷的训练图像生成方法及装置 Download PDFInfo
- Publication number
- CN113658167A CN113658167A CN202110978527.1A CN202110978527A CN113658167A CN 113658167 A CN113658167 A CN 113658167A CN 202110978527 A CN202110978527 A CN 202110978527A CN 113658167 A CN113658167 A CN 113658167A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- injectable
- product
- training
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 220
- 238000012549 training Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims description 27
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 6
- 239000007924 injection Substances 0.000 description 6
- 230000003321 amplification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请的一种含缺陷的训练图像生成方法,包括以下步骤:获取缺陷图像的掩模图像;根据所述掩模图像在第一产品图像中选取所述缺陷图像的可注入区域,所述第一产品图像为没有缺陷的图像;在所述可注入区域选取所述缺陷图像的可注入范围;将所述缺陷图像融合到所述第一产品图像的所述可注入范围中,得到含缺陷的训练图像。本申请方法提高了生成含缺陷的训练图像的速度,通过本申请方法生成的含缺陷的训练图像的重现度高、能够包含原始产品图像中更多的有效信息,为缺陷检测模型提供足够多的训练数据,提高缺陷检测模型的鲁棒性。本申请还包括一种含缺陷的训练图像生成装置。
Description
技术领域
本申请涉及技术领域,尤其涉及一种含缺陷的训练图像生成方法及装置。
背景技术
在工业缺陷检测领域,计算机视觉系统通过分析产品的光学图像来检测缺陷的有无、位置和种类,从而实现对不良产品的剔除。在实际生产条件下,由于生产线上不良产品出现的概率较小,导致基于深度学习的缺陷检测模型无法获得足够的含缺陷的训练图像作为训练数据,训练数据数量较少时缺陷检测模型的产品缺陷识别率降低。
为给缺陷检测模型提供足够多的含缺陷的训练图像作为训练数据,本申请提供一种含缺陷的训练图像生成方法及装置。
发明内容
本申请提供了一种含缺陷的训练图像生成方法和装置,以为缺陷检测模型提供足够多的含缺陷的训练图像作为训练数据。
本申请采用的技术方案如下:
一种含缺陷的训练图像生成方法,所述方法包括:
获取缺陷图像的掩模图像;
根据所述掩模图像在第一产品图像中选取所述缺陷图像的可注入区域,所述第一产品图像为没有缺陷的图像;
在所述可注入区域选取所述缺陷图像的可注入范围;
将所述缺陷图像融合到所述第一产品图像的所述可注入范围中,得到含缺陷的训练图像。
进一步地,获取缺陷图像的掩模图像,包括:
采用二阶边缘提取算子获取所述缺陷图像的缺陷边缘;
计算所述缺陷边缘的最大连通区域的最小外接矩形;
根据所述最小外接矩形对第二产品图像进行剪裁,获取所述缺陷图像,所述第二产品图像为带有所述缺陷图像的图像;
获取所述缺陷图像的灰度直方图;
对所述灰度直方图的峰值点进行二值化,获得所述缺陷图像的掩模图像。
进一步地,根据所述掩模图像在第一产品图像中选取所述缺陷图像的可注入区域,包括:
获取所述掩模图像的最小外接矩形的宽高比;
通过所述掩模图像的最小外接矩形的宽高比在所述第一产品图像中选取所述缺陷图像的可注入区域。
进一步地,在所述可注入区域选取所述缺陷图像的可注入范围,包括:
获取所述缺陷图像的最小外接矩形的宽高比;
通过所述缺陷图像的最小外接矩形的宽高比在所述可注入区域选取所述缺陷图像的可注入范围。
进一步地,将所述缺陷图像融合到所述第一产品图像的所述可注入范围中,得到含缺陷的训练图像,包括:
分别对所述缺陷图像和所述第一产品图像进行多层金字塔分解,得到多层的金字塔图像;
将每层的金字塔图像按不同融合权重进行逐层融合,所述融合权重根据所述缺陷图像是否超出所述可注入区域得到;
将融合后的所述缺陷图像和所述第一产品图像进行高斯逆变换得到所述含缺陷的训练图像。
进一步地,在生成含缺陷的训练图像之后,还包括:
分别计算所述可注入范围的原始边缘强度和注入缺陷区域的边缘强度,所述注入缺陷区域为在融合后的第一产品图像中所述缺陷图像的所处区域;
采用边缘增强算法根据所述原始边缘强度对所述注入缺陷区域的边缘强度进行修正,直到所述注入缺陷区域的边缘强度与所述原始边缘强度一致;
将修正后的含缺陷的训练图像输入到缺陷检测模型中。
一种含缺陷的训练图像生成装置,包括:
获取模块,用于获取缺陷图像的掩模图像,所述缺陷图像为产品缺陷部位的图像;
第一选取模块,用于根据所述掩模图像在第一产品图像中选取所述缺陷图像的可注入区域,所述第一产品图像为没有缺陷的图像;
第二选取模块,用于在所述可注入区域选取所述缺陷图像的可注入范围;
融合模块,用于将所述缺陷图像融合到所述第一产品图像的所述可注入范围中,得到含缺陷的训练图像。
进一步地,所述融合模块还包括:
分解单元,用于分别对所述缺陷图像和所述产品图像进行多层金字塔分解,得到多层的金字塔图像;
逐层融合单元,用于对每层的金字塔图像按不同融合权重进行逐层融合,所述融合权重根据所述缺陷图像是否超出所述可注入区域得到;
逆变换单元,用于将融合后的所述缺陷图像和所述第一产品图像进行高斯逆变换得到所述含缺陷的训练图像。
一种计算机设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或者多个处理器实现所述的含缺陷的训练图像生成方法。
一种计算机可读介质,其上储存有计算机程序,所述程序被处理器执行时实现所述的含缺陷的训练图像生成方法。
采用本申请的技术方案的有益效果如下:
本申请方法提高了生成含缺陷的训练图像的速度,通过本申请方法获得的含缺陷的产品图像的重现度高、能够包含原始产品图像中更多的有效信息,为缺陷检测模型提供了足够多的训练数据,提高了缺陷检测模型的鲁棒性;
通过边缘提取技术,可以快速获取缺陷目标图像的缺陷边缘位置;
通过对融合后的含缺陷的产品图像的边缘进行校正,能够消除注入痕迹,提高注入结果的可用性。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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为通过本实施例提供的含缺陷的训练图像生成方法生成含缺陷的训练图像的过程示意图;图1中的(a)图表示缺陷图像;图1中的(b)图表示第一产品图像;图1中的(c)图表示含缺陷的训练图像;
图2为通过本实施例提供的含缺陷的训练图像生成方法生成含缺陷的训练图像的过程示意图;图2中的(a)图表示缺陷图像;图2中的(b)图表示第一产品图像;图2中的(c)图表示含缺陷的训练图像;图2中的(d)图表示修正后的含缺陷的训练图像。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
扩充训练数据是一种有效的提高模型鲁棒性的方法,好的模型往往是基于大的数据集训练而来的。训练数据的数量较少时,模型性能难以达到理想的状态。为给缺陷检测模型提供足够多的含缺陷的训练图像作为训练数据,本申请提供一种含缺陷的训练图像生成方法及装置。
实施例一
本实施例提供的一种含缺陷的训练图像生成方法,包括以下步骤:
参见图1,为通过本实施例提供的一种含缺陷的训练图像生成方法生成含缺陷的训练图像的过程示意图。其中,图1中的(a)图表示缺陷图像,图1中的(b)图表示第一产品图像,图1中的(c)图表示含缺陷的训练图像。
S1.获取缺陷图像的掩模图像,缺陷图像为产品缺陷部位的图像,具体包括:
S11.采用二阶边缘提取算子获取缺陷图像的缺陷边缘;
S12.计算缺陷边缘的最大连通区域的最小外接矩形;
S13.根据最小外接矩形对第二产品图像进行剪裁,获取缺陷图像,第二产品图像为带有缺陷图像的图像。在实际生产条件下,生产线上检测出的具有缺陷图像的不良产品就是第二产品图像;
S14.获取缺陷图像的灰度直方图;
缺陷图像的灰度直方图,就是将缺陷图像转化成灰度图像之后,统计各个像素点的灰度值,绘制成直方图,其横轴是灰度值(0,255),纵轴是该灰度值所对应的像素的数目。灰度直方图可扩展图像的动态范围以提升图像对比度。
S15.对灰度直方图的峰值点进行二值化,获得缺陷图像的掩模图像。该掩模图像与缺陷图像的形态是相似的,在边界可为缺陷图像和第一产品图像进行融合时提供参考。
S2.根据掩模图像在第一产品图像中选取缺陷图像的可注入区域,第一产品图像为没有缺陷的图像。具体包括:
计算掩模图像的最小外接矩形;
计算掩模图像的最小外接矩形的宽高比;
通过掩模图像的最小外接矩形的宽高比在第一产品图像中选取缺陷图像的可注入区域,可确保注入后缺陷图像不会超出缺陷部位的边界。
S3.在可注入区域选取缺陷图像的可注入范围,包括:
获取缺陷图像的最小外接矩形的宽高比;
通过缺陷图像的最小外接矩形的宽高比在可注入区域选取缺陷图像的可注入范围。通过确定缺陷图像的可注入范围,提高了缺陷图像在第一产品图像中的注入准确度。
还包括,通过离线增广方法对掩模图像和缺陷图像进行离线增广并生成图像以达到扩大数据库的目的,且通过离线增广方法获得的增广数据可视化,开发者能够控制增广数据的效果。离线增广方法包括水平/垂直镜像、随机旋转/平移、随机区域擦除、伽马变换、对比度变换和边缘增强中的一种或几种任意组合。
S4.将缺陷图像融合到第一产品图像的可注入范围中,得到含缺陷的训练图像。具体包括:
S41.分别对缺陷图像和第一产品图像进行多层金字塔分解,得到多层的金字塔图像;
S42.将每层的金字塔图像按不同融合权重进行逐层融合,融合权重根据缺陷图像是否超出可注入区域得到。当缺陷目标图像超出可注入区域时,第一产品图像的融合权值为1,缺陷图像的融合权重为0。
S43.将融合后的缺陷图像和第一产品图像进行高斯逆变换得到含缺陷的训练图像。
S5.将含缺陷的训练图像输入到缺陷检测模型中。
本申请方法提高了获取融合图像的速度快,通过本申请方法获得的含缺陷的产品图像的重现度高、能够包含原始产品图像中更多的有效信息,为缺陷检测模型提供了足够多的训练数据,提高了缺陷检测模型的鲁棒性。
实施例二
参见图2,为通过本实施例提供的一种含缺陷的训练图像生成方法生成含缺陷的训练图像的过程示意图。其中,图2中的(a)图表示缺陷图像,图2中的(b)图表示第一产品图像,图2中的(c)图表示含缺陷的训练图像,图2中的(d)图表示修正后的含缺陷的训练图像。
在实施例一的基础上,本实施例还包括:
分别计算可注入范围的原始边缘强度和注入缺陷区域的边缘强度,注入缺陷区域为在融合后的第一产品图像中缺陷图像的所处区域;
采用边缘增强算法根据原始边缘强度对注入缺陷区域的边缘强度进行修正,直到注入缺陷区域的边缘强度与原始边缘强度一致;
将修正后的含缺陷的训练图像输入到缺陷检测模型中。
通过边缘增强处理将注入缺陷区域的边缘进行修正,减小获得的含缺陷的训练图像与第二产品图像之间的差异性,可提高训练图像的可信任度和注入结果的可用性。
实施例三
本申请还提供一种含缺陷的训练图像生成装置,包括:
获取模块,用于获取缺陷图像的掩模图像,缺陷图像为产品缺陷部位的图像;
第一选取模块,用于根据掩模图像在第一产品图像中选取缺陷图像的可注入区域,第一产品图像为没有缺陷的图像;
第二选取模块,用于在可注入区域选取缺陷图像的可注入范围;
融合模块,用于将缺陷图像融合到第一产品图像的可注入范围中,得到含缺陷的训练图像。融合模块包括:
分解单元,用于分别对缺陷图像和产品图像进行多层金字塔分解,得到多层的金字塔图像;
逐层融合单元,用于对每层的金字塔图像按不同融合权重进行逐层融合,融合权重根据缺陷图像是否超出可注入区域得到;
逆变换单元,用于将融合后的缺陷图像和第一产品图像进行高斯逆变换得到含缺陷的训练图像。
实施例三
本实施例提供一种计算机设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当一个或多个程序被一个或多个处理器执行,使得一个或者多个处理器实现的含缺陷的训练图像生成方法。
实施例四
本实施例提供一种计算机可读介质,其上储存有计算机程序,程序被处理器执行时实现的含缺陷的训练图像生成方法。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (10)
1.一种含缺陷的训练图像生成方法,其特征在于,所述方法包括:
获取缺陷图像的掩模图像;
根据所述掩模图像在第一产品图像中选取所述缺陷图像的可注入区域,所述第一产品图像为没有缺陷的图像;
在所述可注入区域选取所述缺陷图像的可注入范围;
将所述缺陷图像融合到所述第一产品图像的所述可注入范围中,得到含缺陷的训练图像。
2.根据权利要求1所述的含缺陷的训练图像生成方法,其特征在于,获取缺陷图像的掩模图像,包括:
采用二阶边缘提取算子获取所述缺陷图像的缺陷边缘;
计算所述缺陷边缘的最大连通区域的最小外接矩形;
根据所述最小外接矩形对第二产品图像进行剪裁,获取所述缺陷图像,所述第二产品图像为带有所述缺陷图像的图像;
获取所述缺陷图像的灰度直方图;
对所述灰度直方图的峰值点进行二值化,获得所述缺陷图像的掩模图像。
3.根据权利要求1所述的含缺陷的训练图像生成方法,其特征在于,根据所述掩模图像在第一产品图像中选取所述缺陷图像的可注入区域,包括:
获取所述掩模图像的最小外接矩形的宽高比;
通过所述掩模图像的最小外接矩形的宽高比在所述第一产品图像中选取所述缺陷图像的可注入区域。
4.根据权利要求1所述的含缺陷的训练图像生成方法,其特征在于,在所述可注入区域选取所述缺陷图像的可注入范围,包括:
获取所述缺陷图像的最小外接矩形的宽高比;
通过所述缺陷图像的最小外接矩形的宽高比在所述可注入区域选取所述缺陷图像的可注入范围。
5.根据权利要求1所述的含缺陷的训练图像生成方法,其特征在于,将所述缺陷图像融合到所述第一产品图像的所述可注入范围中,得到含缺陷的训练图像,包括:
分别对所述缺陷图像和所述第一产品图像进行多层金字塔分解,得到多层的金字塔图像;
将每层的金字塔图像按不同融合权重进行逐层融合,所述融合权重根据所述缺陷图像是否超出所述可注入区域得到;
将融合后的所述缺陷图像和所述第一产品图像进行高斯逆变换得到所述含缺陷的训练图像。
6.根据权利要求1-5任意一项所述的含缺陷的训练图像生成方法,其特征在于,在生成含缺陷的训练图像之后,还包括:
分别计算所述可注入范围的原始边缘强度和注入缺陷区域的边缘强度,所述注入缺陷区域为在融合后的第一产品图像中所述缺陷图像的所处区域;
采用边缘增强算法根据所述原始边缘强度对所述注入缺陷区域的边缘强度进行修正,直到所述注入缺陷区域的边缘强度与所述原始边缘强度一致;
将修正后的含缺陷的训练图像输入到缺陷检测模型中。
7.一种含缺陷的训练图像生成装置,其特征在于,包括:
获取模块,用于获取缺陷图像的掩模图像,所述缺陷图像为产品缺陷部位的图像;
第一选取模块,用于根据所述掩模图像在第一产品图像中选取所述缺陷图像的可注入区域,所述第一产品图像为没有缺陷的图像;
第二选取模块,用于在所述可注入区域选取所述缺陷图像的可注入范围;
融合模块,用于将所述缺陷图像融合到所述第一产品图像的所述可注入范围中,得到含缺陷的训练图像。
8.根据权利要求7所述的含缺陷的训练图像生成装置,其特征在于,所述融合模块还包括:
分解单元,用于分别对所述缺陷图像和所述产品图像进行多层金字塔分解,得到多层的金字塔图像;
逐层融合单元,用于对每层的金字塔图像按不同融合权重进行逐层融合,所述融合权重根据所述缺陷图像是否超出所述可注入区域得到;
逆变换单元,用于将融合后的所述缺陷图像和所述第一产品图像进行高斯逆变换得到所述含缺陷的训练图像。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或者多个处理器实现如权利要求1至6任意一项所述的含缺陷的训练图像生成方法。
10.一种计算机可读介质,其上储存有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至6任意一项所述的含缺陷的训练图像生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978527.1A CN113658167B (zh) | 2021-08-24 | 2021-08-24 | 一种含缺陷的训练图像生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978527.1A CN113658167B (zh) | 2021-08-24 | 2021-08-24 | 一种含缺陷的训练图像生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658167A true CN113658167A (zh) | 2021-11-16 |
CN113658167B CN113658167B (zh) | 2024-03-26 |
Family
ID=78481870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110978527.1A Active CN113658167B (zh) | 2021-08-24 | 2021-08-24 | 一种含缺陷的训练图像生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658167B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223277A (zh) * | 2019-05-28 | 2019-09-10 | 深圳新视智科技术有限公司 | 图像生成的方法、装置、终端设备及存储介质 |
CN111047576A (zh) * | 2019-12-12 | 2020-04-21 | 珠海博明视觉科技有限公司 | 一种表面缺陷样本生成工具 |
CN111489348A (zh) * | 2020-04-16 | 2020-08-04 | 创新奇智(重庆)科技有限公司 | 一种磁性材料产品表面缺陷模拟方法及装置 |
CN111524100A (zh) * | 2020-04-09 | 2020-08-11 | 武汉精立电子技术有限公司 | 一种缺陷图像样本生成方法、装置及面板缺陷检测方法 |
CN112634209A (zh) * | 2020-12-09 | 2021-04-09 | 歌尔股份有限公司 | 一种产品缺陷检测方法和装置 |
CN112700432A (zh) * | 2021-01-12 | 2021-04-23 | 华中科技大学 | 一种基于异常合成与分解的纹理表面缺陷检测方法与系统 |
KR20210057518A (ko) * | 2019-11-12 | 2021-05-21 | 라온피플 주식회사 | 불량 이미지 생성 장치 및 방법 |
US20210158503A1 (en) * | 2019-11-21 | 2021-05-27 | International Business Machines Corporation | Generating synthetic defect images for new feature combinations |
CN112907595A (zh) * | 2021-05-06 | 2021-06-04 | 武汉科技大学 | 一种表面缺陷检测方法及装置 |
WO2021146935A1 (zh) * | 2020-01-21 | 2021-07-29 | 京东方科技集团股份有限公司 | 图像缺陷确定方法与装置、电子设备及存储介质 |
-
2021
- 2021-08-24 CN CN202110978527.1A patent/CN113658167B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223277A (zh) * | 2019-05-28 | 2019-09-10 | 深圳新视智科技术有限公司 | 图像生成的方法、装置、终端设备及存储介质 |
KR20210057518A (ko) * | 2019-11-12 | 2021-05-21 | 라온피플 주식회사 | 불량 이미지 생성 장치 및 방법 |
US20210158503A1 (en) * | 2019-11-21 | 2021-05-27 | International Business Machines Corporation | Generating synthetic defect images for new feature combinations |
CN111047576A (zh) * | 2019-12-12 | 2020-04-21 | 珠海博明视觉科技有限公司 | 一种表面缺陷样本生成工具 |
WO2021146935A1 (zh) * | 2020-01-21 | 2021-07-29 | 京东方科技集团股份有限公司 | 图像缺陷确定方法与装置、电子设备及存储介质 |
CN111524100A (zh) * | 2020-04-09 | 2020-08-11 | 武汉精立电子技术有限公司 | 一种缺陷图像样本生成方法、装置及面板缺陷检测方法 |
CN111489348A (zh) * | 2020-04-16 | 2020-08-04 | 创新奇智(重庆)科技有限公司 | 一种磁性材料产品表面缺陷模拟方法及装置 |
CN112634209A (zh) * | 2020-12-09 | 2021-04-09 | 歌尔股份有限公司 | 一种产品缺陷检测方法和装置 |
CN112700432A (zh) * | 2021-01-12 | 2021-04-23 | 华中科技大学 | 一种基于异常合成与分解的纹理表面缺陷检测方法与系统 |
CN112907595A (zh) * | 2021-05-06 | 2021-06-04 | 武汉科技大学 | 一种表面缺陷检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113658167B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN110033471B (zh) | 一种基于连通域分析和形态学操作的框线检测方法 | |
EP3309703B1 (en) | Method and system for decoding qr code based on weighted average grey method | |
US12002198B2 (en) | Character defect detection method and device | |
CN114266773B (zh) | 显示面板缺陷定位方法、装置、设备及存储介质 | |
CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
US20170372156A1 (en) | Table data recovering in case of image distortion | |
CN113505781B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN114926374B (zh) | 一种基于ai的图像处理方法、装置、设备及可读存储介质 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
CN108830133A (zh) | 合同影像图片的识别方法、电子装置及可读存储介质 | |
CN115760820A (zh) | 一种塑料件缺陷图像识别方法及应用 | |
CN111476758A (zh) | Amoled显示屏的缺陷检测方法、装置、计算机设备及存储介质 | |
CN115880288B (zh) | 电子元件焊接的检测方法、系统及计算机设备 | |
CN116152261B (zh) | 一种印刷制品质量的视觉检测系统 | |
CN112085700A (zh) | X射线图像中焊缝区域的自动化提取方法、系统及介质 | |
CN111221996B (zh) | 仪表屏幕视觉检测方法和系统 | |
CN112419207A (zh) | 一种图像矫正方法及装置、系统 | |
AlAzawee et al. | Using morphological operations—Erosion based algorithm for edge detection | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN112184723B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN116542926B (zh) | 电池的二维码缺陷识别方法、装置、设备及存储介质 | |
CN116051542B (zh) | 缺陷检测方法及缺陷检测装置 | |
CN113658167A (zh) | 一种含缺陷的训练图像生成方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |