CN113989600A - 一种图像异物检测方法 - Google Patents
一种图像异物检测方法 Download PDFInfo
- Publication number
- CN113989600A CN113989600A CN202111140361.2A CN202111140361A CN113989600A CN 113989600 A CN113989600 A CN 113989600A CN 202111140361 A CN202111140361 A CN 202111140361A CN 113989600 A CN113989600 A CN 113989600A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- feature
- enhancement
- rpn
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012549 training Methods 0.000 abstract description 4
- 238000007499 fusion processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像异物检测方法、装置及电子设备，其中方法包括以下步骤：获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集；将数据集发送到Faster R‑CNN的特征提取网络，得到对应特征图；将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域；将候选区域映射到特征提取网络的最后两层并进行特征融合，将特征融合后的向量输入全连接层实现分类和回归。本发明的一种图像异物检测方法，摒弃人工特征提取过程，实现端到端训练，可精准识别异物，准确率高，检测时间短，抗干扰性强，特征融合过程保留更多信息，小目标检测效果佳。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种图像异物检测方法。
背景技术
随着人工智能技术的发展，基于深度学习的异物检测技术在工业、食品等检测领域应用广泛。目前许多图像具有噪声大、对比度小、背景复杂的特点，而异物目标在整幅图像中占比极低、存在遮挡等问题，大部分企业的异物检测仪器均基于传统检测技术，根据不同数据的特点手工提取图像特征，将其送入分类器进行检测，检测灵敏度低、检测能力差，存在漏检和重复检测等问题。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是现有的图像异物识别需要耗费大量的时间对不同异物进行手工提取图像特征，人工成本及时间成本较高，并且传统的检测技术时间长、灵敏度低、很难分辨异物，容易造成漏检、误检等情况，影响检测精度和精测质量。本发明提供了一种图像异物检测方法，摒弃人工特征提取过程，实现端到端训练，可精准识别异物，准确率高，检测时间短，抗干扰性强，特征融合过程保留更多信息，小目标检测效果佳。
为实现上述目的，本发明提供了一种图像异物检测方法，包括以下步骤：
获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集；
将数据集发送到Faster R-CNN的特征提取网络，得到对应特征图；
将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域；
将候选区域映射到特征提取网络的最后两层并进行特征融合；
将特征融合后的向量输入全连接层实现分类和回归。
进一步地，获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集，具体包括：
对所述待检测图像先采用非线性灰度变换增强方法进行增强；
然后再增强后的图像中增强高频部分；
最后将经过两次增强的图像通过翻转、亮度增强、平移、拼接等方法进行数据增强，将得到的图像进行标记并作为数据集。
进一步地，将数据集发送到Faster R-CNN的特征提取网络，得到对应特征图，具体包括：
特征提取网络为ResNet-50，负责提取图像对应的特征图，再将提取的特征图作为RPN网络的输入；RPN网络负责生成区域建议框并进行边界框回归获得相应的特征矩阵，最后将每个特征矩阵通过ROI池化层统一缩放为固定尺寸后传入分类回归网络。
进一步地，将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域，具体为：
RPN锚点大小和尺度为{32，64，128，256，512}，三种比例{1:1，1:2，2:1}的RPN网络，每个锚点在原图生成15个对应的候选区域。
本发明又一较佳实施例提供了一种图像异物检测装置，包括以下模块：
预处理模块，用于获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集；
特征提取模块，用于将数据集发送到Faster R-CNN的特征提取网络，得到对应特征图；
生成模块，用于将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域；
融合模块，用于将候选区域映射到特征提取网络的最后两层并进行特征融合，
输入模块，用于将特征融合后的向量输入全连接层实现分类和回归。
进一步地，预处理模块具体包括：
第一增强单元，用于对所述待检测图像先采用非线性灰度变换增强方法进行增强；
第二增强单元，用于然后再增强后的图像中增强高频部分；
第三增强单元，用于最后将经过两次增强的图像通过翻转、亮度增强、平移、拼接等方法进行数据增强，将得到的图像进行标记并作为数据集。
进一步地，特征提取模块具体包括：
特征提取单元，用于特征提取网络为ResNet-50，负责提取图像对应的特征图，再将提取的特征图作为RPN网络的输入；
回归单元，用于RPN网络负责生成区域建议框并进行边界框回归获得相应的特征矩阵，最后将每个特征矩阵通过ROI池化层统一缩放为固定尺寸后传入分类回归网络。
进一步地，生成模块具体为：
RPN锚点大小和尺度为{32，64，128,256,512}，三种比例{1:1,1:2,2:1}的RPN网络，每个锚点在原图生成15个对应的候选区域。
本发明又一较佳实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述中任一项所述的方法。
本发明又一较佳实施例提供了一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序使计算机执行时实现如上述中任一项所述的一种图像异物检测方法。
技术效果
本发明的一种图像异物检测方法，摒弃人工特征提取过程，实现端到端训练，可精准识别异物，准确率高，检测时间短，抗干扰性强，特征融合过程保留更多信息，小目标检测效果更好。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的一种图像异物检测方法的系统框架示意图；
图2是本发明的一个较佳实施例的一种图像异物检测方法的待检测图像示意图；
图3是本发明的一个较佳实施例的一种图像异物检测方法的待检测图像增强结果示意图；
图4是本发明的一个较佳实施例的一种图像异物检测方法的待检测图像预处理结果示意图；
图5是本发明的一个较佳实施例的一种图像异物检测方法的Faster R-CNN算法的网络结构示意图；
图6是本发明的一个较佳实施例的一种图像异物检测方法的将生成的特征图发送到调整锚点大小和尺度后的RPN网络示意图；
图7是本发明的一个较佳实施例的一种图像异物检测方法的将候选区域映射到特征提取网络的最后两层并进行特征融合示意图；
图8是本发明的一个较佳实施例的一种图像异物检测方法的检测结果示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下描述中，为了说明而不是为了限定，提出了诸如特定内部程序、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
实施例一
如图1所示，本发明一实施例提供了一种图像异物检测方法，包括以下步骤：
第一、获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集；
第二、将数据集发送到Faster R-CNN的特征提取网络，得到对应特征图；
第三、将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域；
第四、将候选区域映射到特征提取网络的最后两层并进行特征融合；
第五、将特征融合后的向量输入全连接层实现分类和回归。
具体的，以下将举一具体例子来说明本发明的步骤过程。
第一、在异物识别前将待检测图像进行图像预处理，对图像进行空间域结合频率域的图像增强，待检测图像如图2所示。
首先对原图采用非线性灰度变换增强方法——对数变换增强方法，增强结果如图3所示：
上式中，g(x,y)为变换之后的灰度像素值，Gb，Ga分别为变换之后的灰度范围上限和下限，Fb，Fa分别为变换之前灰度分布的最大值和最小值。
然后在对数增强后的图像中增强其高频部分，处理结果如图4所示；
最后将处理后的异物图像通过翻转、亮度增强、平移、拼接等方法进行数据增强，将得到的图像进行标记并作为数据集；
第二、将数据集发送到Faster R-CNN的特征提取网络，得到对应特征图。
其中，Faster R-CNN算法的网络结构如图5所示，主要由特征提取网络、RPN网络和分类回归网络三部分组成。特征提取网络为ResNet-50，负责提取图像对应的特征图，再将提取的特征图作为RPN网络的输入；RPN网络负责生成区域建议框并进行边界框回归获得相应的特征矩阵，最后将每个特征矩阵通过ROI池化层统一缩放为固定尺寸(7×7)后传入分类回归网络。
第三、将生成的特征图发送到调整锚点大小和尺度后的RPN网络(图6)，生成对应的候选区域。
RPN锚点大小和尺度为{32，64，128,256,512}，三种比例{1:1,1:2,2:1}的RPN网络，每个锚点在原图生成15个对应的候选区域，根据RPN损失函数计算损失，得到每个候选区域的顶点坐标。
RPN损失函数L({pi},{ti})可表示为：
其中，Lcls(pi,pi *)和Lreg(ti,ti *)分别为分类损失和边界框回归损失，其定义如式(2)和式(3)所示：
Lcls(pi,pi *)＝-[pi *log(pi)+(1-pi *)log(1-pi)] (2)
pi为第i个锚点为真实标签的概率；当第i个锚点为正样本时pi *为1，反之为0；ti为第i个边界框的预测回归参数；Ncls为一个批次中样本的数量；Nreg为特征图的像素点个数；ti *为第i个锚点对应的真实边界框回归参数；λ为平衡参数。
第四、将候选区域映射到特征提取网络的最后两层并进行特征融合。
如图7所示，将RPN生成的候选区域映射到特征提取网络的Conv5层和Conv4层生成的特征层上，得到候选区域在这两层上的特征映射。再分别通过ROI Pooling层和L2正则化得到固定大小的特征向量，进行特征融合。
第五、将特征融合后的向量输入全连接层实现分类和回归。检测结果如图8所示。检测结果表明将原图和频域图共同作为数据集并且使用特征融合方法后，每类异物的检测精度最佳可达到99％，可以精确检测出每张图像异物所在位置及类别，且准确度高于原始方法。同时加入特征融合后的检测速度6帧/s，与原始方法的7帧/s基本持平，可以在基本保持检测速度的基础上提高检测的精度。
本发明的一种图像异物检测方法，摒弃人工特征提取过程，实现端到端训练，可精准识别异物。其中图像预处理方法增加图像与背景之间的对比度，增强图像细节部分特征，同时特征融合方法可以保留更多图像细节信息，小目标检测效果更好，经图像预处理和特征融合后，算法准确率由原来的84.4％提升到97.9％，且检测速度满足工业生产需求，鲁棒性强。
实施例二
本实施例提供了一种图像异物检测装置，包括以下模块：
预处理模块，用于获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集；
特征提取模块，用于将数据集发送到Faster R-CNN的特征提取网络，得到对应特征图；
生成模块，用于将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域；
融合模块，用于将候选区域映射到特征提取网络的最后两层并进行特征融合，
输入模块，用于将特征融合后的向量输入全连接层实现分类和回归。
其中，预处理模块具体包括：
第一增强单元，用于对所述待检测图像先采用非线性灰度变换增强方法进行增强；
第二增强单元，用于然后再增强后的图像中增强高频部分；
第三增强单元，用于最后将经过两次增强的图像通过翻转、亮度增强、平移、拼接等方法进行数据增强，将得到的图像进行标记并作为数据集。
特征提取模块具体包括：
特征提取单元，用于特征提取网络为ResNet-50，负责提取图像对应的特征图，再将提取的特征图作为RPN网络的输入；
回归单元，用于RPN网络负责生成区域建议框并进行边界框回归获得相应的特征矩阵，最后将每个特征矩阵通过ROI池化层统一缩放为固定尺寸后传入分类回归网络。
生成模块具体为：
RPN锚点大小和尺度为{32，64，128,256,512}，三种比例{1:1,1:2,2:1}的RPN网络，每个锚点在原图生成15个对应的候选区域。
本实施例的装置是用于实现实施例一中的一种图像异物检测方法，其实现方式与实施例一相同，具体实施的细节详见实施例一，此处将不再赘述。
实施例三
本发明的又一实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述任一项的方法。
该实施例的计算机设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个图像异物检测方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述计算机设备中的执行过程。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可包括，但不仅限于，处理器、存储器。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述计算机设备的内部存储单元，例如计算机设备的硬盘或内存。所述存储器也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述计算机设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述计算机设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
本发明又一较佳实施例提供了一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序使计算机执行时实现如上述中任一项所述的一种图像异物检测方法。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种图像异物检测方法，其特征在于，包括以下步骤：
获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集；
将数据集发送到Faster R-CNN的特征提取网络，得到对应特征图；
将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域；
将候选区域映射到特征提取网络的最后两层并进行特征融合，
将特征融合后的向量输入全连接层实现分类和回归。
2.如权利要求1所述的一种图像异物检测方法，其特征在于，获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集，具体包括：
对所述待检测图像先采用非线性灰度变换增强方法进行增强；
然后再增强后的图像中增强高频部分；
最后将经过两次增强的图像通过翻转、亮度增强、平移、拼接等方法进行数据增强，将得到的图像进行标记并作为数据集。
3.如权利要求2所述的一种图像异物检测方法，其特征在于，将数据集发送到FasterR-CNN的特征提取网络，得到对应特征图，具体包括：
特征提取网络为ResNet-50，负责提取图像对应的特征图，再将提取的特征图作为RPN网络的输入；RPN网络负责生成区域建议框并进行边界框回归获得相应的特征矩阵，最后将每个特征矩阵通过ROI池化层统一缩放为固定尺寸后传入分类回归网络。
4.如权利要求3所述的一种图像异物检测方法，其特征在于，将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域，具体为：
RPN锚点大小和尺度为{32，64，128，256，512}，三种比例{1:1，1:2，2:1}的RPN网络，每个锚点在原图生成15个对应的候选区域。
5.一种图像异物检测装置，其特征在于，包括以下模块：
预处理模块，用于获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集；
特征提取模块，用于将数据集发送到Faster R-CNN的特征提取网络，得到对应特征图；
生成模块，用于将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域；
融合模块，用于将候选区域映射到特征提取网络的最后两层并进行特征融合，
输入模块，用于将特征融合后的向量输入全连接层实现分类和回归。
6.如权利要求5所述的一种图像异物检测装置，其特征在于，预处理模块具体包括：
第一增强单元，用于对所述待检测图像先采用非线性灰度变换增强方法进行增强；
第二增强单元，用于然后再增强后的图像中增强高频部分；
第三增强单元，用于最后将经过两次增强的图像通过翻转、亮度增强、平移、拼接等方法进行数据增强，将得到的图像进行标记并作为数据集。
7.如权利要求6所述的一种图像异物检测装置，其特征在于，特征提取模块具体包括：
特征提取单元，用于特征提取网络为ResNet-50，负责提取图像对应的特征图，再将提取的特征图作为RPN网络的输入；
回归单元，用于RPN网络负责生成区域建议框并进行边界框回归获得相应的特征矩阵，最后将每个特征矩阵通过ROI池化层统一缩放为固定尺寸后传入分类回归网络。
8.如权利要求7所述的一种图像异物检测装置，其特征在于，生成模块具体为：
RPN锚点大小和尺度为{32，64，128,256,512}，三种比例{1:1,1:2,2:1}的RPN网络，每个锚点在原图生成15个对应的候选区域。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-4中任一项所述的方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序使计算机执行时实现如权利要求1-4中任一项所述的一种图像异物检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111140361.2A CN113989600B (zh) | 2021-09-28 | 2021-09-28 | 一种图像异物检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111140361.2A CN113989600B (zh) | 2021-09-28 | 2021-09-28 | 一种图像异物检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113989600A true CN113989600A (zh) | 2022-01-28 |
| CN113989600B CN113989600B (zh) | 2024-09-06 |
Family
ID=79736953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111140361.2A Active CN113989600B (zh) | 2021-09-28 | 2021-09-28 | 一种图像异物检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113989600B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115359306A (zh) * | 2022-10-24 | 2022-11-18 | 中铁科学技术开发有限公司 | 一种铁路货检高清图像智能识别方法和系统 |
| CN115641330A (zh) * | 2022-11-17 | 2023-01-24 | 东莞市众嘉印刷有限公司 | 一种基于图像处理的软性线路板缺陷检测方法及系统 |
| CN117472303A (zh) * | 2023-12-28 | 2024-01-30 | 珠海芯烨电子科技有限公司 | 一种热敏打印机图像填充方法以及相关装置 |
| CN117665224A (zh) * | 2024-01-31 | 2024-03-08 | 深圳海关食品检验检疫技术中心 | 一种用于食品检测的智能实验室管理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977812A (zh) * | 2019-03-12 | 2019-07-05 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
| CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
| KR20210100937A (ko) * | 2020-02-07 | 2021-08-18 | 주식회사 딥아이 | 이종 센서 융합을 이용한 행동 분석 장치 |
-
2021
- 2021-09-28 CN CN202111140361.2A patent/CN113989600B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977812A (zh) * | 2019-03-12 | 2019-07-05 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
| CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
| KR20210100937A (ko) * | 2020-02-07 | 2021-08-18 | 주식회사 딥아이 | 이종 센서 융합을 이용한 행동 분석 장치 |
Non-Patent Citations (2)
| Title |
|---|
| 蒋进: "基于Faster-RCNN的机场跑道异物识别定位技术研究", 《航空电子技术》, vol. 2020, no. 3, 30 September 2020 (2020-09-30), pages 1 - 5 * |
| 邓姗姗: "基于深度学习的小目标检测方法研究", 《硕士定期期刊》, 31 October 2022 (2022-10-31), pages 1 - 61 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115359306A (zh) * | 2022-10-24 | 2022-11-18 | 中铁科学技术开发有限公司 | 一种铁路货检高清图像智能识别方法和系统 |
| CN115641330A (zh) * | 2022-11-17 | 2023-01-24 | 东莞市众嘉印刷有限公司 | 一种基于图像处理的软性线路板缺陷检测方法及系统 |
| CN117472303A (zh) * | 2023-12-28 | 2024-01-30 | 珠海芯烨电子科技有限公司 | 一种热敏打印机图像填充方法以及相关装置 |
| CN117472303B (zh) * | 2023-12-28 | 2024-04-26 | 珠海芯烨电子科技有限公司 | 一种热敏打印机图像填充方法以及相关装置 |
| CN117665224A (zh) * | 2024-01-31 | 2024-03-08 | 深圳海关食品检验检疫技术中心 | 一种用于食品检测的智能实验室管理方法 |
| CN117665224B (zh) * | 2024-01-31 | 2024-05-28 | 深圳海关食品检验检疫技术中心 | 一种用于食品检测的智能实验室管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113989600B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113989600B (zh) | 一种图像异物检测方法 | |
| CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
| CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
| CN111860439A (zh) | 一种无人机巡检图像缺陷检测方法、系统及设备 | |
| CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
| CN111931620A (zh) | 仪表盘定位识别方法、装置、电子设备及存储介质 | |
| CN112116568A (zh) | 一种图像质量评价方法、装置及存储介质 | |
| Panda et al. | Kernel density estimation and correntropy based background modeling and camera model parameter estimation for underwater video object detection | |
| CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
| Balmik et al. | A robust object recognition using modified YOLOv5 neural network | |
| CN116205918B (zh) | 基于图卷积的多模态融合半导体检测方法、装置及介质 | |
| Juang et al. | Inspection of lead frame defects using deep CNN and cycle-consistent GAN-based defect augmentation | |
| CN116311290A (zh) | 基于深度学习的手写及打印文本检测方法和装置 | |
| CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
| CN115908409A (zh) | 光伏片缺陷的检测方法、检测装置、计算机设备和介质 | |
| Shelke et al. | Detection of Artificially Ripened Fruits using Machine Learning | |
| CN113469087A (zh) | 建筑图纸中的图框检测方法、装置、设备及介质 | |
| Zhou et al. | On contrast combinations for visual saliency detection | |
| Algazinov et al. | Hardware–software complex for the analysis of a nonuniform flow of objects in real-time optical sorting systems | |
| Zhong et al. | Detection of oxidation region of flexible integrated circuit substrate based on topology mapping | |
| CN111507389A (zh) | 一种用于天空云量探测的UNet分割网络的训练方法与设备 | |
| Kim et al. | Target segmentation in non-homogeneous infrared images using a PCA plane and an adaptive Gaussian kernel | |
| Cao et al. | An Improved Adaptive Median Filtering Algorithm Based on Star Map Denoising | |
| Mai et al. | An improved method for vietnam license plate location based on mathematic morphology and measuring properties of image regions | |
| CN115100441B (zh) | 目标检测方法、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |