CN113763338A - 一种面板的缺陷检测方法、装置及存储介质 - Google Patents

一种面板的缺陷检测方法、装置及存储介质 Download PDF

Info

Publication number
CN113763338A
CN113763338A CN202110974477.XA CN202110974477A CN113763338A CN 113763338 A CN113763338 A CN 113763338A CN 202110974477 A CN202110974477 A CN 202110974477A CN 113763338 A CN113763338 A CN 113763338A
Authority
CN
China
Prior art keywords
defect
value
frames
fusion
fused
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
Application number
CN202110974477.XA
Other languages
English (en)
Inventor
柴华荣
许月
陈友江
温栋梁
杜超
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.)
Hefei Sineva Intelligent Machine Co Ltd
Original Assignee
Hefei Sineva Intelligent Machine 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 Hefei Sineva Intelligent Machine Co Ltd filed Critical Hefei Sineva Intelligent Machine Co Ltd
Priority to CN202110974477.XA priority Critical patent/CN113763338A/zh
Publication of CN113763338A publication Critical patent/CN113763338A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06T2207/20212—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
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及智能制造与人工智能领域，公开了一种面板的缺陷检测方法、装置及存储介质，其中，该面板的缺陷检测方法，应用于计算设备，包括：将待检测的目标面板图片进行缩小处理，以便在兼顾处理数据量的同时提高检测效率，通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测，以及针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框，上述目标缺陷框与缺陷一一对应，即通过确定唯一目标缺陷框的方式，提高了缺陷所在位置的检测准确性，同时，通过融合的方式得到的缺陷类型属性也更加贴近实际类型，从而保证了面板生产过程中对效率和精度的要求。

Description

一种面板的缺陷检测方法、装置及存储介质
技术领域
本申请涉及智能制造与人工智能技术，特别涉及一种面板的缺陷检测方法、装置及存储介质。
背景技术
随着智能终端的迅速发展，面板在市场上的需求量越来越大，面板的生产量也越来越多。但在面板的生产过程中，会不可避免的产生有缺陷的面板。上述有缺陷的面板无法正常使用，在生产过程中需要通过人工检测的方式检出。但人工检测效率较差，并且，人工检测具有较强的主观性，很难准确划分出缺陷类别。
随着深度学习的兴起，面板的生产过程中，开始利用深度学习技术代替人工来进行面板的缺陷检测，常见的深度学习技术采用YOLOv5算法模型，由于面板行业的图像尺寸都是3000*3000像素以上的图片，现有的YOLOv5算法模型只能识别上述大尺寸图片，无法精确识别大尺寸图片中尺寸较小的缺陷，而大量的缺陷尺寸只有几十像素，这样导致YOLOv5算法模型对面板的缺陷检测效果较差。另外，YOLOv5算法模型的输出端采用非极大抑制算法，这样，同一个缺陷在检测后就会出现多个缺陷检测框，从而导致检测精度较差。
综上，目前所使用的基于深度学习的面板缺陷检测方法存在检测速度慢、准确率低以及迁移性差等问题，导致无法满足面板生产过程中对效率和精度的要求。
发明内容
本公开实施例提供一种面板的缺陷检测方法、装置及存储介质，用以提高面板缺陷检测结果的准确性。
本公开提供的具体技术方案如下：
第一方面，一种面板的缺陷检测方法，应用于计算设备，该方法包括：
将待检测的目标面板图片进行缩小处理；
通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测；以及
针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框，其中，目标缺陷框与缺陷一一对应。
可选地，通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框，包括：
通过YOLOv5算法模型确定包含同一缺陷的多个缺陷框中，各缺陷框的坐标值和包含同一缺陷的缺陷类型的概率值；以及
通过YOLOv5算法模型，基于坐标值和概率值，确定融合后的目标缺陷框的位置以及目标缺陷框所属缺陷的类型属性。
可选地，若包含同一缺陷的缺陷框的数量大于两个；
基于坐标值和概率值，确定融合后的目标缺陷框的位置以及目标缺陷框所属缺陷的类型属性，包括：
对包含同一缺陷的缺陷框进行多轮融合操作，并将最后一轮融合得到的缺陷框作为目标缺陷框；
其中，每一轮融合操作包括下列过程：
从本轮对应的所有缺陷框中选择偶数个缺陷框，并对选择的缺陷框进行两两分组；
针对任意一组，基于任意一组的两个缺陷框的坐标值和概率值，确定融合坐标值和融合概率值；
基于融合坐标值和融合概率值，确定本轮融合后的缺陷框的位置以及所属缺陷的类型属性；
基于缺陷框的位置以及所属缺陷的类型属性得到本轮融合后的缺陷框。
可选地，针对任意一组，基于任意一组的两个缺陷框的坐标值和概率值，确定融合坐标值和融合概率值，包括：
针对任意一组，根据第一坐标点的横坐标值、第二坐标点的横坐标值、第一概率值和第二概率值，确定第一融合横坐标值；
根据第三坐标点的横坐标值、第四坐标点的横坐标值、第一概率值和第二概率值，确定第二融合横坐标值；
根据第一坐标点的纵坐标值、第二坐标点的纵坐标值、第一概率值和第二概率值，确定第一融合纵坐标值；
根据第三坐标点的纵坐标值、第四坐标点的纵坐标值、第一概率值和第二概率值，确定第二融合纵坐标值；
根据第一融合横坐标值、第二融合横坐标值、第一融合纵坐标值和第二融合纵坐标值确定融合坐标值，以及将第一概率值和第二概率值的均值作为融合概率值；
其中，第一坐标点和第三坐标点为任意一组中其中一个缺陷框上的坐标点，第二坐标点和第四坐标点为另一个缺陷框上的坐标点；第一概率值是其中一个缺陷框所属缺陷类型的概率值，第二概率值是另一个缺陷框所属缺陷类型的概率值。
可选地，基于融合坐标值和融合概率值，确定本轮融合后的缺陷框的位置以及所属缺陷的类型属性，包括：
将融合坐标值对应的位置作为本轮融合后的缺陷框的位置；以及
将第一概率值和第二概率值中较大概率值对应的缺陷类型作为类型属性包括的缺陷类型，并将融合概率值作为类型属性包括的目标概率。
可选地，通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测之后，针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框之前，还包括：
获取通过YOLOv5算法模型输出的缺陷框的个数；
基于缺陷框的个数与预先设置的缺陷框阈值，确定缺陷的数量，其中，缺陷框阈值为同一个缺陷对应的缺陷框的数目。
可选地，通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测之后，针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框之前，还包括：
针对任意两个缺陷框，确定任意两个缺陷框之间的重叠部分的交叉面积，以及任意两个缺陷框的总面积；
若交叉面积与总面积之间的比值超过预设比例阈值，则确定任意两个缺陷框包含同一个缺陷。
第二方面，一种面板缺陷检测的装置，包括：
处理单元，用于将待检测的目标面板图片进行缩小处理；
检测单元，用于通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测；以及
融合单元，用于针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框，其中，目标缺陷框与缺陷一一对应。
可选地，通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框，融合单元，用于：
通过YOLOv5算法模型确定包含同一缺陷的多个缺陷框中，各缺陷框的坐标值和包含同一缺陷的缺陷类型的概率值；以及
通过YOLOv5算法模型，基于坐标值和概率值，确定融合后的目标缺陷框的位置以及目标缺陷框所属缺陷的类型属性。
可选地，若包含同一缺陷的缺陷框的数量大于两个；
基于坐标值和概率值，确定融合后的目标缺陷框的位置以及目标缺陷框所属缺陷的类型属性，融合单元，用于：
对包含同一缺陷的缺陷框进行多轮融合操作，并将最后一轮融合得到的缺陷框作为目标缺陷框；
其中，每一轮融合操作包括下列过程：
从本轮对应的所有缺陷框中选择偶数个缺陷框，并对选择的缺陷框进行两两分组；
针对任意一组，基于任意一组的两个缺陷框的坐标值和概率值，确定融合坐标值和融合概率值；
基于融合坐标值和融合概率值，确定本轮融合后的缺陷框的位置以及所属缺陷的类型属性；
基于缺陷框的位置以及所属缺陷的类型属性得到本轮融合后的缺陷框。
可选地，针对任意一组，基于任意一组的两个缺陷框的坐标值和概率值，确定融合坐标值和融合概率值，融合单元，用于：
针对任意一组，根据第一坐标点的横坐标值、第二坐标点的横坐标值、第一概率值和第二概率值，确定第一融合横坐标值；
根据第三坐标点的横坐标值、第四坐标点的横坐标值、第一概率值和第二概率值，确定第二融合横坐标值；
根据第一坐标点的纵坐标值、第二坐标点的纵坐标值、第一概率值和第二概率值，确定第一融合纵坐标值；
根据第三坐标点的纵坐标值、第四坐标点的纵坐标值、第一概率值和第二概率值，确定第二融合纵坐标值；
根据第一融合横坐标值、第二融合横坐标值、第一融合纵坐标值和第二融合纵坐标值确定融合坐标值，以及将第一概率值和第二概率值的均值作为融合概率值；
其中，第一坐标点和第三坐标点为任意一组中其中一个缺陷框上的坐标点，第二坐标点和第四坐标点为另一个缺陷框上的坐标点；第一概率值是其中一个缺陷框所属缺陷类型的概率值，第二概率值是另一个缺陷框所属缺陷类型的概率值。
可选地，基于融合坐标值和融合概率值，确定本轮融合后的缺陷框的位置以及所属缺陷的类型属性，融合单元，用于：
将融合坐标值对应的位置作为本轮融合后的缺陷框的位置；以及
将第一概率值和第二概率值中较大概率值对应的缺陷类型作为类型属性包括的缺陷类型，并将融合概率值作为类型属性包括的目标概率。
可选地，通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测之后，针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框之前，还包括：
获取通过YOLOv5算法模型输出的缺陷框的个数；
基于缺陷框的个数与预先设置的缺陷框阈值，确定缺陷的数量，其中，缺陷框阈值为同一个缺陷对应的缺陷框的数目。
可选地，通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测之后，针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框之前，还包括：
针对任意两个缺陷框，确定任意两个缺陷框之间的重叠部分的交叉面积，以及任意两个缺陷框的总面积；
若交叉面积与总面积之间的比值超过预设比例阈值，则确定任意两个缺陷框包含同一个缺陷。
第三方面，一种终端，包括：
存储器，用于存储可执行指令；
处理器，用于读取并执行存储器中存储的可执行指令，以实现如第一方面任一项的方法。
第四方面，一种计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得所述处理器能够执行上述第一方面任一项所述的方法。
综上所述，本公开实施例中，公开了将待检测的目标面板图片进行缩小处理，以便在兼顾处理数据量的同时提高检测效率，通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测，以及针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框，上述目标缺陷框与缺陷一一对应，即通过确定唯一目标缺陷框的方式，提高了缺陷所在位置的检测准确性，同时，通过融合的方式得到的缺陷类型属性也更加贴近实际类型，从而保证了面板生产过程中对效率和精度的要求。
附图说明
图1为本申请实施例中的对结构化数据进行检索的系统架构示意图；
图2为本申请实施例中对面板的缺陷进行检测的流程示意图；
图3为本申请实施例中一种确定缺陷数量的流程示意图；
图4为本申请实施例中一种确定包含同一缺陷的流程示意图；
图5为本申请实施例中一种确定目标缺陷框的流程示意图；
图6为本申请实施例中基于两个缺陷框确定融合坐标值和融合概率值的流程示意图；
图7为本申请实施例中一种基于两个缺陷框确定目标缺陷框的流程示意图；
图8为本申请实施例中一种基于两个缺陷框的坐标值确定目标缺陷框的位置的示意图；
图9为本公开实施例中一种面板的缺陷检测装置的逻辑架构示意图；
图10为本公开实施例中终端的实体架构示意图。
具体实施方式
下面结合附图对本申请优选的实施方式进行详细说明，首先本公开实施例中，参阅图1所示，系统中包含了至少一个计算设备，并且，该计算设备中装载有YOLOv5算法模型，实施过程中，由计算设备来执行面板的缺陷检测方法。
下面介绍由计算设备来执行面板的缺陷检测方法的情况，参阅图2所示，本公开实施例中，计算设备执行面板的缺陷检测的具体流程如下：
步骤201：将待检测的目标面板图片进行缩小处理。
在现有的生产过程中，面板行业拍摄出来的待检测的目标面板图片都是高清图片，即像素值都是3000*3000以上，而有些缺陷的大小可能只有几十像素大小，这样，现有的YOLOv5算法的原始输入会将图像缩放至640*640像素，但这种情况就会导致缺陷变得更小，YOLOv5算法无法检测到缺陷的特征信息。
本申请实施例中，为了能够提高对待检测的目标面板图片上的缺陷检测的效率和精度，将YOLOv5算法模型输入的待检测的目标面板图片进行缩小处理，优选地，大小设置1024*1024像素大小，可以有效地提高检测识别效果。
步骤202：通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测。
在此需要进行补充的是，本申请实施例中，在对目标面板图片进行缺陷检测之前，对YOLOv5算法模型的训练过程进行了相应的改进，得到了进行缺陷检测的YOLOv5算法模型：第一，将YOLOv5算法模型的输入端尺寸进行了限定，即与上述缩小处理后的尺寸相适配；第二，由于，现有的YOLOv5算法模型会针对同一缺陷输出多个缺陷框，上述多个缺陷框都作为该同一缺陷的位置和类型属性的结果，从而导致缺陷检测的精度较差。本申请实施例中，将YOLOv5算法模型输出的多个缺陷框进行融合处理，得到一个目标缺陷框。
具体的训练步骤包括：获取多张面板图片，分别对各张面板图片包含的至少一个缺陷进行标注，得到至少一个标注框，并分别确定各张面板图片中各个缺陷对应的类型属性。统计标注后的各张面板图片的总数量，并比较总数量是否达到数目阈值，当总数量没有达到数目阈值时，将各张面板图片通过数据增强方式进行数量的扩充，以使面板图片的总数量与数目阈值一致。将达到数目阈值的多张面板图片输入到YOLOv5算法模型中，通过YOLOv5算法模型将针对每一个缺陷进行检测后输出的至少两个缺陷框进行融合，得到融合后的缺陷框。
本申请实施过程中，将上述缩小处理后的目标面板图片输入到训练后的YOLOv5算法模型中，通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测。
以及
步骤203：针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框，其中，目标缺陷框与缺陷一一对应。
由于检测过程中，一个待检测的目标面板图片中可能包含不止一个缺陷，这样，在利用YOLOv5算法模型对目标面板图片进行缺陷检测后得到的多个缺陷框，可能是针对不同的缺陷的，为了有效确定哪些缺陷框是属于一个缺陷的，在执行步骤203之前可通过情况一或者情况二的方式来确定出归属于同一个缺陷的多个缺陷框。
情况一：通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测之后，针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框之前，参阅图3所示，还包括：
步骤001：获取通过YOLOv5算法模型输出的缺陷框的个数。
实施过程中，在通过YOLOv5算法模型对目标面板图片包含的多个缺陷都进行缺陷检测，并输出多个缺陷框之后，获取通过YOLOv5算法模型输出的缺陷框的个数，即获取缺陷框的总个数，例如，总个数为10。
步骤002：基于缺陷框的个数与预先设置的缺陷框阈值，确定缺陷的数量，其中，缺陷框阈值为同一个缺陷对应的缺陷框的数目。
由于，缺陷框阈值为同一个缺陷对应的缺陷框的数目，例如，在该YOLOv5算法模型中设置的每一个缺陷框输出的对应的缺陷框的数目为5。实施过程中，基于缺陷框的个数与预先设置的缺陷框阈值，确定缺陷的数量，即通过相除或者相减的方式使个数与缺陷框阈值进行运算，例如，10除以5，得到缺陷的数量为2；或者10减去5得到缺陷的数量为1，用得到的5再减去5得到缺陷的数量为2。
情况一：针对有重叠或者无重叠的多个缺陷框均可实施。而下述情况二只能针对有重叠的多个缺陷框才可实施。
情况二：通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测之后，针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框之前，参阅图4所示，还包括：
步骤101：针对任意两个缺陷框，确定任意两个缺陷框之间的重叠部分的交叉面积，以及任意两个缺陷框的总面积。
在YOLOv5算法模型输出的多个缺陷框中，选取出有重叠的任意两个缺陷框，针对任意两个缺陷框，确定任意两个缺陷框(例如，缺陷框A和B)之间的重叠部分为交叉面积，记作s1，具体的该重叠部分的形状等不做限定。并且，还需要计算出上述有重叠的任意两个缺陷框的总面积，记作s2。
步骤102：若交叉面积与总面积之间的比值超过预设比例阈值，则确定任意两个缺陷框包含同一个缺陷。
计算交叉面积与总面积之间的比值，即用上述s1除以s2，比较该比值与预设比例阈值的大小，这里预设比例阈值为判定两个缺陷框属于一个缺陷的最小比例值。如果交叉面积与总面积之间的比值超过预设比例阈值，则确定任意两个缺陷框包含同一个缺陷，即判定上述缺陷框A和B是属于同一个缺陷的缺陷框。
在确定了同一个缺陷的多个缺陷框后，通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框，参阅图5所示，包括：
步骤2031：通过YOLOv5算法模型确定包含同一缺陷的多个缺陷框中，各缺陷框的坐标值和包含同一缺陷的缺陷类型的概率值。
由于，YOLOv5算法模型输出的每一个缺陷框都携带有其在待检测的目标面板图片的位置(即坐标值)、类型以及属于该种类型的概率值。而最终获得的融合后的目标缺陷框也需要输出相应的位置(即坐标值)、类型以及属于该种类型的概率值，因此，在实施过程中，先要确定属于同一缺陷的多个缺陷框中各缺陷框的坐标值，优选地，一个缺陷框的坐标值包括两个坐标值，通常为位于缺陷框对角的两个坐标值，其中，每个坐标值都包括横坐标值和纵坐标值。
另外，在实施过程中，还要获取每一个缺陷框的类型以及属于该种类型的概率值，例如，针对缺陷A检测出了两个缺陷框1和2，缺陷框1的缺陷类型为划痕，相应的缺陷类型的概率值为70％；缺陷框2的缺陷类型为污点，相应的缺陷类型的概率值为40％。
以及
在获取到上述缺陷框的坐标值和概率值之后，可进一步对缺陷框进行融合，第一种情况：若包含同一缺陷的缺陷框的数量大于两个。
步骤2032：通过YOLOv5算法模型，基于坐标值和概率值，确定融合后的目标缺陷框的位置以及目标缺陷框所属缺陷的类型属性。包括：
对包含同一缺陷的缺陷框进行多轮融合操作，并将最后一轮融合得到的缺陷框作为目标缺陷框。
由于，包含同一缺陷的缺陷框的个数通常是多个，每次融合操作的过程中只对其中的偶数个缺陷框进行两两融合，以此类推，直到最后一轮融合过程中的两个缺陷框融合成一个目标缺陷框为止。
其中，每一轮融合操作包括下列过程：
从本轮对应的所有缺陷框中选择偶数个缺陷框，并对选择的缺陷框进行两两分组。
具体实施过程中，在当前正在执行的本轮操作过程中，从本轮对应的所有缺陷框中选择偶数个缺陷框，例子1，当包含同一缺陷的缺陷框的个数为6个时，对选择的6个缺陷框进行两两分组，缺陷框1和2一组，缺陷框3和4一组，缺陷框5和6一组。例子2，当包含同一缺陷的缺陷框的个数为7个时，对选择的6个缺陷框进行两两分组，缺陷框1和2一组，缺陷框3和4一组，缺陷框5和6一组，本轮操作中剩余缺陷框7，即缺陷框7在本轮操作中不进行融合。
针对任意一组，基于任意一组的两个缺陷框的坐标值和概率值，确定融合坐标值和融合概率值。
实施过程中，在确定了两两分组后，针对任意一组，例如，上述例子1中的缺陷框1和2组成的一组，或者，缺陷框5和6组成的一组，上述例子2中的缺陷框1和2组成的一组，或者，缺陷框5和6组成的一组等。这里以例子1中的缺陷框1和2组成的一组进行详细说明，参阅图1所示，缺陷框1的坐标值分别为第一坐标点(x11,y11)、第三坐标点(x12,y12)和概率值p1；缺陷框2的坐标值分别为第二坐标点(x21,y21)、第四坐标点(x22,y22)和概率值p2，并根据该缺陷框1和2的坐标值和概率值，确定融合坐标值和融合概率值。
即针对任意一组，基于任意一组的两个缺陷框的坐标值和概率值，确定融合坐标值和融合概率值，参阅图6所示，包括：
步骤20321：针对任意一组，根据第一坐标点的横坐标值、第二坐标点的横坐标值、第一概率值和第二概率值，确定第一融合横坐标值。
这里仍以例子1中的缺陷框1和2组成的一组进行详细说明，参照公式(1)，根据第一坐标点的横坐标值x11、第二坐标点的横坐标值x21、第一概率值p1和第二概率值p2，确定第一融合横坐标值X1。
Figure BDA0003227145630000121
步骤20322：根据第三坐标点的横坐标值、第四坐标点的横坐标值、第一概率值和第二概率值，确定第二融合横坐标值。
这里仍以例子1中的缺陷框1和2组成的一组进行详细说明，参照公式(2)，根据第三坐标点的横坐标值x21、第四坐标点的横坐标值x22、第一概率值p1和第二概率值p2，确定第一融合纵坐标值X2。
Figure BDA0003227145630000122
步骤20323：根据第一坐标点的纵坐标值、第二坐标点的纵坐标值、第一概率值和第二概率值，确定第一融合纵坐标值。
这里仍以例子1中的缺陷框1和2组成的一组进行详细说明，参照公式(3)，根据第一坐标点的纵坐标值y11、第二坐标点的纵坐标值y21、第一概率值p1和第二概率值p2，确定第一融合纵坐标值Y1。
Figure BDA0003227145630000131
步骤20324：根据第三坐标点的纵坐标值、第四坐标点的纵坐标值、第一概率值和第二概率值，确定第二融合纵坐标值。
这里仍以例子1中的缺陷框1和2组成的一组进行详细说明，参照公式(4)，根据第三坐标点的纵坐标值y21、第四坐标点的纵坐标值y22、第一概率值p1和第二概率值p2，确定第一融合纵坐标值Y2。
Figure BDA0003227145630000132
步骤20325：根据第一融合横坐标值、第二融合横坐标值、第一融合纵坐标值和第二融合纵坐标值确定融合坐标值，以及将第一概率值和第二概率值的均值作为融合概率值。
这里仍以例子1中的缺陷框1和2组成的一组进行详细说明，实施过程中，根据第一融合横坐标值X1、第二融合横坐标值X2、第一融合纵坐标值Y1和第二融合纵坐标值Y2确定融合坐标值为(X1，Y1)、(X2，Y2)，即通过融合坐标值为(X1，Y1)、(X2，Y2)来表征本轮融合后的缺陷框的位置。
这里需要进行说明的是，第一坐标点和第三坐标点为任意一组中其中一个缺陷框上的坐标点，第二坐标点和第四坐标点为另一个缺陷框上的坐标点；第一概率值是其中一个缺陷框所属缺陷类型的概率值，第二概率值是另一个缺陷框所属缺陷类型的概率值。即缺陷框1和2组成的一组中，第一坐标点(x11,y11)、第三坐标点(x12,y12)和概率值p1为缺陷框1的，第二坐标点(x21,y21)、第四坐标点(x22,y22)和概率值p2为缺陷框2的。
基于融合坐标值和融合概率值，确定本轮融合后的缺陷框的位置以及所属缺陷的类型属性。
在确定了融合坐标值和融合概率值后，确定本轮融合后的缺陷框的位置以及所属缺陷的类型属性，参阅图7所示，包括：
步骤20326：将融合坐标值对应的位置作为本轮融合后的缺陷框的位置。
这里仍以例子1中的缺陷框1和2组成的一组进行详细说明，实施过程中，将上述融合坐标值(X1，Y1)、(X2，Y2)对应的位置作为本轮融合后的缺陷框的位置。
以及
步骤20327：将第一概率值和第二概率值中较大概率值对应的缺陷类型作为类型属性包括的缺陷类型，并将融合概率值作为类型属性包括的目标概率。
这里仍以例子1中的缺陷框1和2组成的一组进行详细说明，实施过程中，比较第一概率值p1和第二概率值p2的大小，将第一概率值p1(假设，p1为80％，其对应的缺陷类型为划痕)和第二概率值p2(假设，p2为60％，其对应的缺陷类型为污点)中较大概率值对应的缺陷类型，在这种情况下，将80％对应的缺陷类型划痕作为类型属性包括的缺陷类型。
为了确定融合后的缺陷框所属缺陷类型的概率值，将融合概率值，即第一概率值p1和第二概率值p2的均值70％，作为类型属性包括的目标概率。
步骤20328：基于缺陷框的位置以及所属缺陷的类型属性得到本轮融合后的缺陷框。
在每一轮融合过程中，参阅图8所示，基于缺陷框的位置即融合坐标值对应的位置以及所属缺陷的类型属性得到本轮融合后的缺陷框。
第二种情况：缺陷框的数量为两个或者一个。
实施过程中，当缺陷框的数量为两个时，直接通过步骤20321-20328的方法得到待检测的目标面板图片中缺陷对应的融合后的目标缺陷框；当缺陷框的数量为一个时，直接将该缺陷框作为待检测的目标面板图片中缺陷对应的目标缺陷框。
基于同一发明构思，参阅图9所示，本申请实施例中提供一种面板缺陷检测的装置，包括：
第二方面，一种面板缺陷检测的装置，包括：
处理单元910，用于将待检测的目标面板图片进行缩小处理；
检测单元920，用于通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测；以及
融合单元930，用于针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框，其中，目标缺陷框与缺陷一一对应。
可选地，通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框，融合单元，用于：
通过YOLOv5算法模型确定包含同一缺陷的多个缺陷框中，各缺陷框的坐标值和包含同一缺陷的缺陷类型的概率值；以及
通过YOLOv5算法模型，基于坐标值和概率值，确定融合后的目标缺陷框的位置以及目标缺陷框所属缺陷的类型属性。
可选地，若包含同一缺陷的缺陷框的数量大于两个；
基于坐标值和概率值，确定目标缺陷框的位置以及目标缺陷框所属缺陷的类型属性，融合单元，用于：
对包含同一缺陷的缺陷框进行多轮融合操作，并将最后一轮融合得到的缺陷框作为目标缺陷框；
其中，每一轮融合操作包括下列过程：
从本轮对应的所有缺陷框中选择偶数个缺陷框，并对选择的缺陷框进行两两分组；
针对任意一组，基于任意一组的两个缺陷框的坐标值和概率值，确定融合坐标值和融合概率值；
基于融合坐标值和融合概率值，确定本轮融合后的缺陷框的位置以及所属缺陷的类型属性；
基于缺陷框的位置以及所属缺陷的类型属性得到本轮融合后的缺陷框。
可选地，针对任意一组，基于任意一组的两个缺陷框的坐标值和概率值，确定融合坐标值和融合概率值，融合单元，用于：
针对任意一组，根据第一坐标点的横坐标值、第二坐标点的横坐标值、第一概率值和第二概率值，确定第一融合横坐标值；
根据第三坐标点的横坐标值、第四坐标点的横坐标值、第一概率值和第二概率值，确定第二融合横坐标值；
根据第一坐标点的纵坐标值、第二坐标点的纵坐标值、第一概率值和第二概率值，确定第一融合纵坐标值；
根据第三坐标点的纵坐标值、第四坐标点的纵坐标值、第一概率值和第二概率值，确定第二融合纵坐标值；
根据第一融合横坐标值、第二融合横坐标值、第一融合纵坐标值和第二融合纵坐标值确定融合坐标值，以及将第一概率值和第二概率值的均值作为融合概率值；
其中，第一坐标点和第三坐标点为任意一组中其中一个缺陷框上的坐标点，第二坐标点和第四坐标点为另一个缺陷框上的坐标点；第一概率值是其中一个缺陷框所属缺陷类型的概率值，第二概率值是另一个缺陷框所属缺陷类型的概率值。
可选地，基于融合坐标值和融合概率值，确定本轮融合后的缺陷框的位置以及所属缺陷的类型属性，融合单元，用于：
将融合坐标值对应的位置作为本轮融合后的缺陷框的位置；以及
将第一概率值和第二概率值中较大概率值对应的缺陷类型作为类型属性包括的缺陷类型，并将融合概率值作为类型属性包括的目标概率。
可选地，通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测之后，针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框之前，还包括：
获取通过YOLOv5算法模型输出的缺陷框的个数；
基于缺陷框的个数与预先设置的缺陷框阈值，确定缺陷的数量，其中，缺陷框阈值为同一个缺陷对应的缺陷框的数目。
可选地，通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测之后，针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框之前，还包括：
针对任意两个缺陷框，确定任意两个缺陷框之间的重叠部分的交叉面积，以及任意两个缺陷框的总面积；
若交叉面积与总面积之间的比值超过预设比例阈值，则确定任意两个缺陷框包含同一个缺陷。
基于同一发明构思，参阅图10所示，本公开实施例提供一种终端，包括：
存储器1001，用于存储可执行指令；
处理器1002，用于读取并执行存储器中存储的可执行指令，以实现如第一方面任一项的方法。
其中，在图10中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1002代表的一个或多个处理器和存储器1001代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器1002负责管理总线架构和通常的处理，存储器1001可以存储处理器1002在执行操作时所使用的数据。
处理器1002负责管理总线架构和通常的处理，存储器1001可以存储处理器1000在执行操作时所使用的数据。
上述存储器1001和处理器1002相互配合，以实现上述实施例中步骤201-步骤203中计算设备所执行的任意一种方法，此处不再赘述。
基于同一发明构思，本申请实施例提供一种计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得所述处理器能够执行上述第一方面任一项所述的方法。
综上所述，本申请实施例中，公开了将待检测的目标面板图片进行缩小处理，以便在兼顾处理数据量的同时提高检测效率，通过YOLOv5算法模型对缩小处理后的目标面板图片进行缺陷检测，以及针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个缺陷框进行融合处理，得到融合后的目标缺陷框，上述目标缺陷框与缺陷一一对应，即通过确定唯一目标缺陷框的方式，提高了缺陷所在位置的检测准确性，同时，通过融合的方式得到的缺陷类型属性也更加贴近实际类型，从而保证了面板生产过程中对效率和精度的要求。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品系统。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品系统的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品系统的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种面板的缺陷检测方法，其特征在于，应用于计算设备，该方法包括：
将待检测的目标面板图片进行缩小处理；
通过YOLOv5算法模型对缩小处理后的所述目标面板图片进行缺陷检测；以及
针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将所述多个缺陷框进行融合处理，得到融合后的目标缺陷框，其中，所述目标缺陷框与所述缺陷一一对应。
2.如权利要求1所述的方法，其特征在于，所述通过YOLOv5算法模型将所述多个缺陷框进行融合处理，得到融合后的目标缺陷框，包括：
通过YOLOv5算法模型确定包含同一缺陷的多个缺陷框中，各所述缺陷框的坐标值和包含同一缺陷的缺陷类型的概率值；以及
通过YOLOv5算法模型，基于所述坐标值和所述概率值，确定所述融合后的目标缺陷框的位置以及所述目标缺陷框所属缺陷的类型属性。
3.如权利要求2所述的方法，其特征在于，若包含同一缺陷的缺陷框的数量大于两个；
所述基于所述坐标值和所述概率值，确定所述融合后的目标缺陷框的位置以及所述目标缺陷框所属缺陷的类型属性，包括：
对包含同一缺陷的所述缺陷框进行多轮融合操作，并将最后一轮融合得到的所述缺陷框作为所述目标缺陷框；
其中，每一轮融合操作包括下列过程：
从本轮对应的所有缺陷框中选择偶数个所述缺陷框，并对选择的所述缺陷框进行两两分组；
针对任意一组，基于所述任意一组的两个所述缺陷框的所述坐标值和所述概率值，确定所述融合坐标值和所述融合概率值；
基于所述融合坐标值和所述融合概率值，确定本轮融合后的所述缺陷框的位置以及所属缺陷的类型属性；
基于所述缺陷框的位置以及所属缺陷的类型属性得到本轮融合后的所述缺陷框。
4.如权利要求3所述的方法，其特征在于，所述针对任意一组，基于所述任意一组的两个所述缺陷框的所述坐标值和所述概率值，确定融合坐标值和融合概率值，包括：
针对任意一组，根据第一坐标点的横坐标值、第二坐标点的横坐标值、第一概率值和第二概率值，确定第一融合横坐标值；
根据第三坐标点的横坐标值、第四坐标点的横坐标值、所述第一概率值和所述第二概率值，确定第二融合横坐标值；
根据所述第一坐标点的纵坐标值、所述第二坐标点的纵坐标值、第一概率值和第二概率值，确定第一融合纵坐标值；
根据所述第三坐标点的纵坐标值、所述第四坐标点的纵坐标值、所述第一概率值和所述第二概率值，确定第二融合纵坐标值；
根据所述第一融合横坐标值、所述第二融合横坐标值、所述第一融合纵坐标值和所述第二融合纵坐标值确定所述融合坐标值，以及将所述第一概率值和所述第二概率值的均值作为所述融合概率值；
其中，所述第一坐标点和所述第三坐标点为所述任意一组中其中一个缺陷框上的坐标点，所述第二坐标点和所述第四坐标点为另一个所述缺陷框上的坐标点；所述第一概率值是所述其中一个所述缺陷框所属缺陷类型的概率值，所述第二概率值是另一个所述缺陷框所属缺陷类型的概率值。
5.如权利要求4所述的方法，其特征在于，所述基于所述融合坐标值和所述融合概率值，确定本轮融合后的所述缺陷框的位置以及所属缺陷的类型属性，包括：
将所述融合坐标值对应的位置作为本轮融合后的所述缺陷框的位置；以及
将所述第一概率值和所述第二概率值中较大概率值对应的缺陷类型作为所述类型属性包括的缺陷类型，并将所述融合概率值作为所述类型属性包括的目标概率。
6.如权利要求1所述的方法，其特征在于，所述通过YOLOv5算法模型对缩小处理后的所述目标面板图片进行缺陷检测之后，所述针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将所述多个缺陷框进行融合处理，得到融合后的所述目标缺陷框之前，还包括：
获取通过YOLOv5算法模型输出的所述缺陷框的个数；
基于所述缺陷框的个数与预先设置的缺陷框阈值，确定所述缺陷的数量，其中，所述缺陷框阈值为同一个所述缺陷对应的所述缺陷框的数目。
7.如权利要求1～6任一所述的方法，其特征在于，所述通过YOLOv5算法模型对缩小处理后的所述目标面板图片进行缺陷检测之后，针对多个包含同一缺陷的所述缺陷框，则通过YOLOv5算法模型将所述多个所述缺陷框进行融合处理，得到融合后的所述目标缺陷框之前，还包括：
针对任意两个所述缺陷框，确定所述任意两个缺陷框之间的重叠部分的交叉面积，以及所述任意两个所述缺陷框的总面积；
若所述交叉面积与所述总面积之间的比值超过预设比例阈值，则确定所述任意两个所述缺陷框包含所述同一缺陷。
8.一种面板缺陷检测的装置，其特征在于，包括：
处理单元，用于将待检测的目标面板图片进行缩小处理；
检测单元，用于通过YOLOv5算法模型对缩小处理后的所述目标面板图片进行缺陷检测；以及
融合单元，用于针对多个包含同一缺陷的缺陷框，则通过YOLOv5算法模型将多个所述缺陷框进行融合处理，得到融合后的目标缺陷框，其中，所述目标缺陷框与所述缺陷一一对应。
9.一种终端，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于读取并执行所述存储器中存储的可执行指令，以实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，当所述存储介质中的指令由处理器执行时，使得所述处理器能够执行如权利要求1-7任一项所述的方法。
CN202110974477.XA 2021-08-24 2021-08-24 一种面板的缺陷检测方法、装置及存储介质 Pending CN113763338A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110974477.XA CN113763338A (zh) 2021-08-24 2021-08-24 一种面板的缺陷检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110974477.XA CN113763338A (zh) 2021-08-24 2021-08-24 一种面板的缺陷检测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113763338A true CN113763338A (zh) 2021-12-07

Family

ID=78790993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110974477.XA Pending CN113763338A (zh) 2021-08-24 2021-08-24 一种面板的缺陷检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113763338A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180031876A1 (en) * 2016-07-28 2018-02-01 Boe Technology Group Co., Ltd. Method and device for inspecting defect of liquid crystal panel
CN111027534A (zh) * 2018-10-09 2020-04-17 杭州海康威视数字技术股份有限公司 一种紧凑双车牌检测方法及装置
CN111160432A (zh) * 2019-12-19 2020-05-15 成都数之联科技有限公司 一种面板生产制造缺陷的自动分类方法及系统
CN111738233A (zh) * 2020-08-07 2020-10-02 北京易真学思教育科技有限公司 文本检测方法、电子设备及计算机可读介质
CN113052108A (zh) * 2021-04-01 2021-06-29 罗普特科技集团股份有限公司 基于深度神经网络的多尺度级联航拍目标检测方法和系统
CN113205024A (zh) * 2021-04-25 2021-08-03 万翼科技有限公司 工程图纸的预处理方法、装置、电子设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180031876A1 (en) * 2016-07-28 2018-02-01 Boe Technology Group Co., Ltd. Method and device for inspecting defect of liquid crystal panel
CN111027534A (zh) * 2018-10-09 2020-04-17 杭州海康威视数字技术股份有限公司 一种紧凑双车牌检测方法及装置
CN111160432A (zh) * 2019-12-19 2020-05-15 成都数之联科技有限公司 一种面板生产制造缺陷的自动分类方法及系统
CN111738233A (zh) * 2020-08-07 2020-10-02 北京易真学思教育科技有限公司 文本检测方法、电子设备及计算机可读介质
CN113052108A (zh) * 2021-04-01 2021-06-29 罗普特科技集团股份有限公司 基于深度神经网络的多尺度级联航拍目标检测方法和系统
CN113205024A (zh) * 2021-04-25 2021-08-03 万翼科技有限公司 工程图纸的预处理方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN112581463B (zh) 图像缺陷的检测方法、装置、电子设备、存储介质及产品
KR20190063839A (ko) 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템
EP3620981A1 (en) Object detection method, device, apparatus and computer-readable storage medium
CN111598825B (zh) 数据处理方法、瑕疵的检测方法、计算设备及存储介质
CN112634201B (zh) 目标检测方法、装置和电子设备
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN113538603B (zh) 一种基于阵列产品的光学检测方法、系统和可读存储介质
US20220076404A1 (en) Defect management apparatus, method and non-transitory computer readable medium
CN115131283A (zh) 目标对象的缺陷检测、模型训练方法、装置、设备及介质
CN113780484B (zh) 工业产品缺陷检测方法和装置
CN115909157A (zh) 一种基于机器视觉的识别检测方法、装置、设备及介质
CN103837135B (zh) 工件检测方法及其系统
CN117372424B (zh) 一种缺陷检测方法、装置、设备及存储介质
CN110991437A (zh) 字符识别方法及其装置、字符识别模型的训练方法及其装置
CN115564779B (zh) 一种零件缺陷检测方法、装置及存储介质
CN112184679A (zh) 一种基于YOLOv3的酒瓶瑕疵自动检测方法
CN113763338A (zh) 一种面板的缺陷检测方法、装置及存储介质
CN116128826A (zh) 基于YOLOv5的锂电池缺陷检测方法、系统、设备以及存储介质
CN116091784A (zh) 一种目标跟踪方法、设备及存储介质
CN110705633B (zh) 目标物检测、目标物检测模型的建立方法及装置
CN114627435A (zh) 基于图像识别的智能灯光调节方法、装置、设备及介质
CN114627114B (zh) 产品缺陷严重程度测量方法及系统及装置及介质
CN110826564A (zh) 一种复杂场景图像中的小目标语义分割方法及系统
US20240020846A1 (en) Corner point detection method and apparatus
CN114565521B (zh) 基于虚拟换装的图像修复方法、装置、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
CB02 Change of applicant information

Address after: 230013 Southwest District of Hefei City, Anhui Province

Applicant after: Hefei xinyihua Intelligent Machine Co.,Ltd.

Address before: 230013 Southwest District of Hefei City, Anhui Province

Applicant before: HEFEI SINEVA INTELLIGENT MACHINE Co.,Ltd.

CB02 Change of applicant information