CN114638777A - 图像瑕疵检测方法、装置、电子设备及介质 - Google Patents

图像瑕疵检测方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN114638777A
CN114638777A CN202011493147.0A CN202011493147A CN114638777A CN 114638777 A CN114638777 A CN 114638777A CN 202011493147 A CN202011493147 A CN 202011493147A CN 114638777 A CN114638777 A CN 114638777A
Authority
CN
China
Prior art keywords
image
detected
determining
target
score
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
CN202011493147.0A
Other languages
English (en)
Inventor
林子甄
蔡东佐
郭锦斌
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.)
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
Original Assignee
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry 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 Futaihua Industry Shenzhen Co Ltd, Hon Hai Precision Industry Co Ltd filed Critical Futaihua Industry Shenzhen Co Ltd
Priority to CN202011493147.0A priority Critical patent/CN114638777A/zh
Priority to US17/551,477 priority patent/US12067705B2/en
Publication of CN114638777A publication Critical patent/CN114638777A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/443—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 matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/20081—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]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及图像分析技术，本申请提供一种图像瑕疵检测方法、装置、电子设备及介质。该方法能够获取待检测图像，确定所述待检测图像所属的领域，并基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层，利用所述目标卷积层提取所述待检测图像的待检测特征，根据所述待检测特征确定所述待检测图像的目标分数，确定与所述领域对应的分数阈值，当所述目标分数小于所述分数阈值时，将所述待检测图像确定为有瑕疵图像。本申请能够提高瑕疵检测的准确度。

Description

图像瑕疵检测方法、装置、电子设备及介质
技术领域
本申请涉及图像分析技术领域，尤其涉及一种图像瑕疵检测方法、装置、电子设备及介质。
背景技术
在工业检测领域中，对于产品图像的破损、擦伤等缺陷的检测，能够确保产品的高品质。传统的方式是通过监督式学习分类模型确定出产品图像是否存在瑕疵，然而，由于瑕疵数据取得不易，导致训练数据不足，造成训练得到的监督式学习分类模型无法准确识别产品图像是否存在瑕疵，从而降低瑕疵检测的准确度。
发明内容
鉴于以上内容，有必要提供一种图像瑕疵检测方法、装置、电子设备及介质，能够提高瑕疵检测的准确度。
本申请的第一方面提供一种图像瑕疵检测方法，所述图像瑕疵检测方法包括：
获取待检测图像；
确定所述待检测图像所属的领域，并基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层；
利用所述目标卷积层提取所述待检测图像的待检测特征；
根据所述待检测特征确定所述待检测图像的目标分数；
确定与所述领域对应的分数阈值；
当所述目标分数小于所述分数阈值时，将所述待检测图像确定为有瑕疵图像。
根据本申请优选实施例，所述获取待检测图像包括以下一种或者多种方式的组合：
确定检测对象，并利用摄像装置拍摄所述检测对象，得到所述待检测图像；及/或
从配置库中获取带有预设标识的图像作为所述待检测图像；及/或
利用网络爬虫工具从预设网页上爬取所述待检测图像。
根据本申请优选实施例，所述基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层包括：
获取所述领域上的多张训练图像；
从所述卷积神经网络的任意卷积层中提取卷积核，所述卷积神经网络中包括多个卷积层；
利用提取的每个卷积核对每张训练图像进行卷积运算，得到每个卷积层上的多张特征图像；
对每个卷积层上的每张特征图像进行池化处理，得到每个卷积层上的多个低维向量；
利用T-SNE算法对每个低维向量进行可视化处理，得到每个卷积层上的多张训练图像的分布图像；
根据每个卷积层的分布图像确定所述目标卷积层。
根据本申请优选实施例，所述多张训练图像包括瑕疵图像及正常图像，所述确定与所述领域对应的分数阈值包括：
将所述瑕疵图像及所述正常图像输入至所述目标卷积层中进行卷积处理，得到所述瑕疵图像的第一特征图及所述正常图像的第二特征图；
从所述卷积神经网络中确定与所述目标卷积层对应的目标池化层；
利用所述目标池化层对所述第一特征图及所述第二特征图进行池化处理，得到所述瑕疵图像的第一向量及所述正常图像的第二向量；
将所述第一向量及所述第二向量输入至预先训练好的高斯混合模型，得到所述瑕疵图像的第一分数及所述正常图像的第二分数；
确定所述第一分数与所述第二分数的均值分数，并确定所述第一分数与所述第二分数的标准偏差；
将所述标准偏差乘以预设数值，得到运算结果，并将所述均值分数与所述运算结果相减，得到所述分数阈值。
根据本申请优选实施例，所述根据所述待检测特征确定所述待检测图像的目标分数包括：
对所述待检测特征进行均值池化处理，得到目标向量；
将所述目标向量输入至所述高斯混合模型中，得到所述目标分数。
根据本申请优选实施例，在将所述待检测图像确定为有瑕疵图像之后，所述图像瑕疵检测方法还包括：
确定所述有瑕疵图像的目标数量；
当所述目标数量大于预设数量时，根据所述有瑕疵图像生成告警信息；
采用对称加密算法加密所述告警信息，得到密文；
根据所述目标数量确定所述密文的告警等级；
根据所述告警等级确定告警方式；
以所述告警方式发送所述密文。
根据本申请优选实施例，所述图像瑕疵检测方法还包括：
当所述目标分数大于或者等于所述分数阈值时，将所述待检测图像确定为无瑕疵图像。
本申请的第二方面提供一种图像瑕疵检测装置，所述图像瑕疵检测装置包括：
获取单元，用于获取待检测图像；
确定单元，用于确定所述待检测图像所属的领域，并基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层；
提取单元，用于利用所述目标卷积层提取所述待检测图像的待检测特征；
所述确定单元，还用于根据所述待检测特征确定所述待检测图像的目标分数；
所述确定单元，还用于确定与所述领域对应的分数阈值；
所述确定单元，还用于当所述目标分数小于所述分数阈值时，将所述待检测图像确定为有瑕疵图像。
根据本申请优选实施例，所述获取单元获取待检测图像包括以下一种或者多种方式的组合：
确定检测对象，并利用摄像装置拍摄所述检测对象，得到所述待检测图像；及/或
从配置库中获取带有预设标识的图像作为所述待检测图像；及/或
利用网络爬虫工具从预设网页上爬取所述待检测图像。
根据本申请优选实施例，所述确定单元基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层包括：
获取所述领域上的多张训练图像；
从所述卷积神经网络的任意卷积层中提取卷积核，所述卷积神经网络中包括多个卷积层；
利用提取的每个卷积核对每张训练图像进行卷积运算，得到每个卷积层上的多张特征图像；
对每个卷积层上的每张特征图像进行池化处理，得到每个卷积层上的多个低维向量；
利用T-SNE算法对每个低维向量进行可视化处理，得到每个卷积层上的多张训练图像的分布图像；
根据每个卷积层的分布图像确定所述目标卷积层。
根据本申请优选实施例，所述多张训练图像包括瑕疵图像及正常图像，所述确定单元确定与所述领域对应的分数阈值包括：
将所述瑕疵图像及所述正常图像输入至所述目标卷积层中进行卷积处理，得到所述瑕疵图像的第一特征图及所述正常图像的第二特征图；
从所述卷积神经网络中确定与所述目标卷积层对应的目标池化层；
利用所述目标池化层对所述第一特征图及所述第二特征图进行池化处理，得到所述瑕疵图像的第一向量及所述正常图像的第二向量；
将所述第一向量及所述第二向量输入至预先训练好的高斯混合模型，得到所述瑕疵图像的第一分数及所述正常图像的第二分数；
确定所述第一分数与所述第二分数的均值分数，并确定所述第一分数与所述第二分数的标准偏差；
将所述标准偏差乘以预设数值，得到运算结果，并将所述均值分数与所述运算结果相减，得到所述分数阈值。
根据本申请优选实施例，所述确定单元根据所述待检测特征确定所述待检测图像的目标分数包括：
对所述待检测特征进行均值池化处理，得到目标向量；
将所述目标向量输入至所述高斯混合模型中，得到所述目标分数。
根据本申请优选实施例，所述确定单元，还用于在将所述待检测图像确定为有瑕疵图像之后，确定所述有瑕疵图像的目标数量；
所述图像瑕疵检测装置还包括：
生成单元，用于当所述目标数量大于预设数量时，根据所述有瑕疵图像生成告警信息；
加密单元，用于采用对称加密算法加密所述告警信息，得到密文；
所述确定单元，还用于根据所述目标数量确定所述密文的告警等级；
所述确定单元，还用于根据所述告警等级确定告警方式；
发送单元，用于以所述告警方式发送所述密文。
根据本申请优选实施例，所述确定单元，还用于当所述目标分数大于或者等于所述分数阈值时，将所述待检测图像确定为无瑕疵图像。
本申请的第三方面提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，获取所述存储器中存储的指令以实现所述图像瑕疵检测方法。
本申请的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器获取以实现所述图像瑕疵检测方法。
由以上技术方案可以看出，本申请通过确定特征提取性能最好的目标卷积层，以便能够更好提取待检测图像的特征，使本申请能够提高瑕疵检测的准确度。
附图说明
图1是本申请图像瑕疵检测方法的较佳实施例的流程图。
图2是本申请图像瑕疵检测装置的较佳实施例的功能模块图。
图3是本申请实现图像瑕疵检测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本申请进行详细描述。
如图1所示，是本申请图像瑕疵检测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述图像瑕疵检测方法应用于一个或者多个电子设备1中，所述电子设备1是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述电子设备1可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备1还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，获取待检测图像。
在本申请的至少一个实施例中，所述待检测图像可以从摄像装置中获取，也可以从配置库中获取的，还可以从网站上爬取的。
进一步地，所述待检测图像中可以包括检测对象。
在本申请的至少一个实施例中，所述电子设备获取待检测图像包括以下一种或者多种方式的组合：
(1)所述电子设备确定所述检测对象，并利用所述摄像装置拍摄所述检测对象，得到所述待检测图像。
其中，所述检测对象可以是任意产品，也可以是任意产品的任意一个表面。
进一步地，所述摄像装置可以是摄像头，所述摄像装置可以安装在所述检测对象的正前方。
通过上述实施方式，能够快速获取到需要检测是否存在瑕疵的待检测图像。
(2)所述电子设备从所述配置库中获取带有预设标识的图像作为所述待检测图像。
其中，所述配置库中存储多张图像与所述多张图像的标识。
进一步地，所述预设标识可以是“未检测”，也可以是其他任意标识，所述预设标识可以由用户任意设定，本申请对此不作限制。
通过预设标识与待检测图像的映射关系，能够准确地获取到所述待检测图像。
(3)所述电子设备利用网络爬虫工具从预设网页上爬取所述待检测图像。
其中，所述预设网页可以是用户所在企业的企业网站。
进一步地，所述网络爬虫工具可以是任意爬虫工具，本申请对此不再赘述。
通过从指定网页上爬取待检测图像，能够确保最终在指定网页上呈现的图像是无瑕疵图像。
S11，确定所述待检测图像所属的领域，并基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层。
在本申请的至少一个实施例中，所述领域是待检测图像中的待检测对象所在的领域。例如：所述领域可以是钣金。
进一步地，所述预先构建好的卷积神经网络可以是VGG-16，具体的卷积神经网络本申请不作限制。
进一步地，所述目标卷积层是指在所述卷积神经网络中图像特征提取最好的卷积层。
在本申请的至少一个实施例中，所述电子设备确定所述待检测图像所属的领域包括：
所述电子设备确定所述待检测图像的待检测对象，进一步地，所述电子设备根据所述待检测对象确定所述领域。
通过上述实施方式，能够快速、准确确定所述待检测图像所属的领域。
在本申请的至少一个实施例中，所述电子设备基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层包括：
所述电子设备获取所述领域上的多张训练图像，所述电子设备从所述卷积神经网络的任意卷积层中提取卷积核，所述卷积神经网络中包括多个卷积层，进一步地，所述电子设备利用提取的每个卷积核对每张训练图像进行卷积运算，得到每个卷积层上的多张特征图像，进一步地，所述电子设备对每个卷积层上的每张特征图像进行池化处理，得到每个卷积层上的多个低维向量，更进一步地，所述电子设备利用T-SNE算法对每个低维向量进行可视化处理，得到每个卷积层上的多张训练图像的分布图像，更进一步地，所述电子设备根据每个卷积层的分布图像确定所述目标卷积层。
通过分析所述领域上的多张训练图像，能够确保所述目标卷积层适用于所述领域上的待检测图像的特征提取，同时，通过分析正常图像及瑕疵图像，使所述目标卷积层不仅能够提取正常图像的特征，还能够提取瑕疵图像的特征。
具体地，所述电子设备根据每个卷积层的分布图像确定所述目标卷积层包括：
所述电子设备遍历每个分布图像，并将遍历到分布最好的分布图像确定为目标分布图像，进一步地，所述电子设备将与所述目标分布图像对应的卷积层确定为所述目标卷积层。
S12，利用所述目标卷积层提取所述待检测图像的待检测特征。
在本申请的至少一个实施例中，所述待检测特征是利用所述目标卷积层中的卷积核对所述待检测图像进行特征提取得到的。
在本申请的至少一个实施例中，所述电子设备利用所述目标卷积层提取所述待检测图像的待检测特征包括：
所述电子设备获取所述目标卷积层中的目标卷积核，进一步地，所述电子设备利用所述目标卷积核提取所述待检测图像的特征，得到所述待检测特征。
其中，所述目标卷积核可以是2*2的矩阵，也可以是3*3的矩阵，本申请对此不作限制。
S13，根据所述待检测特征确定所述待检测图像的目标分数。
在本申请的至少一个实施例中，所述电子设备根据所述待检测特征确定所述待检测图像的目标分数包括：
所述电子设备对所述待检测特征进行均值池化处理，得到目标向量，进一步地，所述电子设备将所述目标向量输入至预先训练好的高斯混合模型中，得到所述目标分数。
其中，所述高斯混合模型(Gaussian Mixture Model，GMM)能够利用高斯概率密度函数(正态分布图像曲线)精确地量化目标向量对应的分数。
在本申请的至少一个实施例中，在将所述目标向量输入至预先训练好的高斯混合模型中，得到所述目标分数之前，所述图像瑕疵检测方法还包括：
所述电子设备将所述多个低维向量划分为训练集、测试集及验证集，更进一步地，所述电子设备基于最大期望算法，迭代训练所述训练集中的多个低维向量，得到学习器，更进一步地，所述电子设备利用所述测试集中的多个低维向量测试所述学习器，得到测试结果，当所述测试结果小于配置值时，所述电子设备利用所述验证集中的多个低维向量调整所述学习器中的参数，得到所述高斯混合模型。
通过上述实施方式，能够使生成的高斯混合模型更加准确。
在本申请的至少一个实施例中，在将所述多个低维向量划分为训练集、测试集及验证集之前，所述方法还包括：
所述电子设备计算所述多个低维向量的数量，当所述数量小于预设数量时，所述电子设备利用数据增强算法增加所述多个低维向量的数量。
通过上述实施方式，能够避免由于多个低维向量的数量不足，导致训练得到的高斯混合模型生成的分数的泛化能力较差。
S14，确定与所述领域对应的分数阈值。
在本申请的至少一个实施例中，所述多张训练图像包括瑕疵图像及正常图像，所述电子设备确定与所述领域对应的分数阈值包括：
所述电子设备将所述瑕疵图像及所述正常图像输入至所述目标卷积层中进行卷积处理，得到所述瑕疵图像的第一特征图及所述正常图像的第二特征图，进一步地，所述电子设备从所述卷积神经网络中确定与所述目标卷积层对应的目标池化层，进一步地，所述电子设备利用所述目标池化层对所述第一特征图及所述第二特征图进行池化处理，得到所述瑕疵图像的第一向量及所述正常图像的第二向量，所述电子设备将所述第一向量及所述第二向量输入至预先训练好的高斯混合模型，得到所述瑕疵图像的第一分数及所述正常图像的第二分数，进一步地，所述电子设备确定所述第一分数与所述第二分数的均值分数，并确定所述第一分数与所述第二分数的标准偏差，更进一步地，所述电子设备将所述标准偏差乘以预设数值，得到运算结果，并将所述均值分数与所述运算结果相减，得到所述分数阈值。
通过计算正常图像与瑕疵图像的均值分数及计算正常图像与瑕疵图像的标准差分数，能够确定出适合于所述领域的分数阈值。
S15，当所述目标分数小于所述分数阈值时，将所述待检测图像确定为有瑕疵图像。
在本申请的至少一个实施例中，在将所述待检测图像确定为有瑕疵图像之后，所述图像瑕疵检测方法还包括：
所述电子设备确定所述有瑕疵图像的目标数量，当所述目标数量大于预设数量时，所述电子设备根据所述有瑕疵图像生成告警信息，进一步地，所述电子设备采用对称加密算法加密所述告警信息，得到密文，更进一步地，所述电子设备根据所述目标数量确定所述密文的告警等级，所述电子设备根据所述告警等级确定告警方式，更进一步地，所述电子设备以所述告警方式发送所述密文。
其中，所述预设数量可以待检测图像的容差率计算，本申请对所述预设数量的取值不作限制。
进一步地，所述告警等级包括：等级一、等级二等。
更进一步地，所述告警方式包括：扬声器的警报声、邮件方式、电话方式等。
通过上述实施方式，能够在所述有瑕疵图像的目标数量大于预设数量时，发出告警信息，此外，通过加密告警信息，能够避免告警信息被篡改，提高告警信息的安全性，同时，根据告警等级确定告警方式，能够以合适的告警方式发送告警信息，使告警信息的发送更加人性化。
在本申请的至少一个实施例中，所述图像瑕疵检测方法还包括：
当所述目标分数大于或者等于所述分数阈值时，所述电子设备将所述待检测图像确定为无瑕疵图像。
由以上技术方案可以看出，本申请通过确定特征提取性能最好的目标卷积层，以便能够更好提取待检测图像的特征，使本申请能够提高瑕疵检测的准确度。
如图2所示，是本申请图像瑕疵检测装置的较佳实施例的功能模块图。所述图像瑕疵检测装置11包括获取单元110、确定单元111、生成单元112、加密单元113、发送单元114、划分单元115、训练单元116、测试单元117、调整单元118、计算单元119及提取单元120。本申请所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取待检测图像。
在本申请的至少一个实施例中，所述待检测图像可以从摄像装置中获取，也可以从配置库中获取的，还可以从网站上爬取的。
进一步地，所述待检测图像中可以包括检测对象。
在本申请的至少一个实施例中，所述获取单元110获取待检测图像包括以下一种或者多种方式的组合：
(1)所述获取单元110确定所述检测对象，并利用所述摄像装置拍摄所述检测对象，得到所述待检测图像。
其中，所述检测对象可以是任意产品，也可以是任意产品的任意一个表面。
进一步地，所述摄像装置可以是摄像头，所述摄像装置可以安装在所述检测对象的正前方。
通过上述实施方式，能够快速获取到需要检测是否存在瑕疵的待检测图像。
(2)所述获取单元110从所述配置库中获取带有预设标识的图像作为所述待检测图像。
其中，所述配置库中存储多张图像与所述多张图像的标识。
进一步地，所述预设标识可以是“未检测”，也可以是其他任意标识，所述预设标识可以由用户任意设定，本申请对此不作限制。
通过预设标识与待检测图像的映射关系，能够准确地获取到所述待检测图像。
(3)所述获取单元110利用网络爬虫工具从预设网页上爬取所述待检测图像。
其中，所述预设网页可以是用户所在企业的企业网站。
进一步地，所述网络爬虫工具可以是任意爬虫工具，本申请对此不再赘述。
通过从指定网页上爬取待检测图像，能够确保最终在指定网页上呈现的图像是无瑕疵图像。
确定单元111确定所述待检测图像所属的领域，并基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层。
在本申请的至少一个实施例中，所述领域是待检测图像中的待检测对象所在的领域。例如：所述领域可以是钣金。
进一步地，所述预先构建好的卷积神经网络可以是VGG-16，具体的卷积神经网络本申请不作限制。
进一步地，所述目标卷积层是指在所述卷积神经网络中图像特征提取最好的卷积层。
在本申请的至少一个实施例中，所述确定单元111确定所述待检测图像所属的领域包括：
所述确定单元111确定所述待检测图像的待检测对象，进一步地，所述确定单元111根据所述待检测对象确定所述领域。
通过上述实施方式，能够快速、准确确定所述待检测图像所属的领域。
在本申请的至少一个实施例中，所述确定单元111基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层包括：
所述确定单元111获取所述领域上的多张训练图像，所述确定单元111从所述卷积神经网络的任意卷积层中提取卷积核，所述卷积神经网络中包括多个卷积层，进一步地，所述确定单元111利用提取的每个卷积核对每张训练图像进行卷积运算，得到每个卷积层上的多张特征图像，进一步地，所述确定单元111对每个卷积层上的每张特征图像进行池化处理，得到每个卷积层上的多个低维向量，更进一步地，所述确定单元111利用T-SNE算法对每个低维向量进行可视化处理，得到每个卷积层上的多张训练图像的分布图像，更进一步地，所述确定单元111根据每个卷积层的分布图像确定所述目标卷积层。
通过分析所述领域上的多张训练图像，能够确保所述目标卷积层适用于所述领域上的待检测图像的特征提取，同时，通过分析正常图像及瑕疵图像，使所述目标卷积层不仅能够提取正常图像的特征，还能够提取瑕疵图像的特征。
具体地，所述确定单元111根据每个卷积层的分布图像确定所述目标卷积层包括：
所述确定单元111遍历每个分布图像，并将遍历到分布最好的分布图像确定为目标分布图像，进一步地，所述确定单元111将与所述目标分布图像对应的卷积层确定为所述目标卷积层。
提取单元120利用所述目标卷积层提取所述待检测图像的待检测特征。
在本申请的至少一个实施例中，所述待检测特征是利用所述目标卷积层中的卷积核对所述待检测图像进行特征提取得到的。
在本申请的至少一个实施例中，所述提取单元120利用所述目标卷积层提取所述待检测图像的待检测特征包括：
所述提取单元120获取所述目标卷积层中的目标卷积核，进一步地，所述提取单元120利用所述目标卷积核提取所述待检测图像的特征，得到所述待检测特征。
其中，所述目标卷积核可以是2*2的矩阵，也可以是3*3的矩阵，本申请对此不作限制。
所述确定单元111根据所述待检测特征确定所述待检测图像的目标分数。
在本申请的至少一个实施例中，所述确定单元111根据所述待检测特征确定所述待检测图像的目标分数包括：
所述确定单元111对所述待检测特征进行均值池化处理，得到目标向量，进一步地，所述确定单元111将所述目标向量输入至预先训练好的高斯混合模型中，得到所述目标分数。
其中，所述高斯混合模型(Gaussian Mixture Model，GMM)能够利用高斯概率密度函数(正态分布图像曲线)精确地量化目标向量对应的分数。
在本申请的至少一个实施例中，在将所述目标向量输入至预先训练好的高斯混合模型中，得到所述目标分数之前，划分单元115将所述多个低维向量划分为训练集、测试集及验证集，更进一步地，训练单元116基于最大期望算法，迭代训练所述训练集中的多个低维向量，得到学习器，更进一步地，测试单元117利用所述测试集中的多个低维向量测试所述学习器，得到测试结果，当所述测试结果小于配置值时，调整单元118利用所述验证集中的多个低维向量调整所述学习器中的参数，得到所述高斯混合模型。
通过上述实施方式，能够使生成的高斯混合模型更加准确。
在本申请的至少一个实施例中，在将所述多个低维向量划分为训练集、测试集及验证集之前，计算单元119计算所述多个低维向量的数量，当所述数量小于预设数量时，所述计算单元119利用数据增强算法增加所述多个低维向量的数量。
通过上述实施方式，能够避免由于多个低维向量的数量不足，导致训练得到的高斯混合模型生成的分数的泛化能力较差。
所述确定单元111确定与所述领域对应的分数阈值。
在本申请的至少一个实施例中，所述多张训练图像包括瑕疵图像及正常图像，所述确定单元111确定与所述领域对应的分数阈值包括：
所述确定单元111将所述瑕疵图像及所述正常图像输入至所述目标卷积层中进行卷积处理，得到所述瑕疵图像的第一特征图及所述正常图像的第二特征图，进一步地，所述确定单元111从所述卷积神经网络中确定与所述目标卷积层对应的目标池化层，进一步地，所述确定单元111利用所述目标池化层对所述第一特征图及所述第二特征图进行池化处理，得到所述瑕疵图像的第一向量及所述正常图像的第二向量，所述确定单元111将所述第一向量及所述第二向量输入至预先训练好的高斯混合模型，得到所述瑕疵图像的第一分数及所述正常图像的第二分数，进一步地，所述确定单元111确定所述第一分数与所述第二分数的均值分数，并确定所述第一分数与所述第二分数的标准偏差，更进一步地，所述确定单元111将所述标准偏差乘以预设数值，得到运算结果，并将所述均值分数与所述运算结果相减，得到所述分数阈值。
通过计算正常图像与瑕疵图像的均值分数及计算正常图像与瑕疵图像的标准差分数，能够确定出适合于所述领域的分数阈值。
当所述目标分数小于所述分数阈值时，所述确定单元111将所述待检测图像确定为有瑕疵图像。
在本申请的至少一个实施例中，在将所述待检测图像确定为有瑕疵图像之后，所述确定单元111确定所述有瑕疵图像的目标数量，当所述目标数量大于预设数量时，生成单元112根据所述有瑕疵图像生成告警信息，进一步地，加密单元113采用对称加密算法加密所述告警信息，得到密文，更进一步地，所述确定单元111根据所述目标数量确定所述密文的告警等级，所述确定单元111根据所述告警等级确定告警方式，更进一步地，发送单元114以所述告警方式发送所述密文。
其中，所述预设数量可以待检测图像的容差率计算，本申请对所述预设数量的取值不作限制。
进一步地，所述告警等级包括：等级一、等级二等。
更进一步地，所述告警方式包括：扬声器的警报声、邮件方式、电话方式等。
通过上述实施方式，能够在所述有瑕疵图像的目标数量大于预设数量时，发出告警信息，此外，通过加密告警信息，能够避免告警信息被篡改，提高告警信息的安全性，同时，根据告警等级确定告警方式，能够以合适的告警方式发送告警信息，使告警信息的发送更加人性化。
在本申请的至少一个实施例中，当所述目标分数大于或者等于所述分数阈值时，所述确定单元111将所述待检测图像确定为无瑕疵图像。
由以上技术方案可以看出，本申请通过确定特征提取性能最好的目标卷积层，以便能够更好提取待检测图像的特征，使本申请能够提高瑕疵检测的准确度。
如图3所示，是本申请实现图像瑕疵检测方法的较佳实施例的电子设备的结构示意图。
在本申请的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如图像瑕疵检测程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13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)、现场可编程门阵列(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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及获取所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13获取所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13获取所述应用程序以实现上述各个图像瑕疵检测方法实施例中的步骤，例如图1所示的步骤。
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12中，并由所述处理器13获取，以完成本申请。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电子设备1中的获取过程。例如，所述计算机程序可以被分割成获取单元110、确定单元111、生成单元112、加密单元113、发送单元114、划分单元115、训练单元116、测试单元117、调整单元118、计算单元119及提取单元120。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或获取存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器12可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器获取时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可获取文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种图像瑕疵检测方法，所述处理器13可获取所述多个指令从而实现：获取待检测图像；确定所述待检测图像所属的领域，并基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层；利用所述目标卷积层提取所述待检测图像的待检测特征；根据所述待检测特征确定所述待检测图像的目标分数；确定与所述领域对应的分数阈值；当所述目标分数小于所述分数阈值时，将所述待检测图像确定为有瑕疵图像。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布图像到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种图像瑕疵检测方法，其特征在于，所述图像瑕疵检测方法包括：
获取待检测图像；
确定所述待检测图像所属的领域，并基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层；
利用所述目标卷积层提取所述待检测图像的待检测特征；
根据所述待检测特征确定所述待检测图像的目标分数；
确定与所述领域对应的分数阈值；
当所述目标分数小于所述分数阈值时，将所述待检测图像确定为有瑕疵图像。
2.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述获取待检测图像包括以下一种或者多种方式的组合：
确定检测对象，并利用摄像装置拍摄所述检测对象，得到所述待检测图像；及/或
从配置库中获取带有预设标识的图像作为所述待检测图像；及/或
利用网络爬虫工具从预设网页上爬取所述待检测图像。
3.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层包括：
获取所述领域上的多张训练图像；
从所述卷积神经网络的任意卷积层中提取卷积核，所述卷积神经网络包括多个卷积层；
利用提取的每个卷积核对每张训练图像进行卷积运算，得到每个卷积层上的多张特征图像；
对每个卷积层上的每张特征图像进行池化处理，得到每个卷积层上的多个低维向量；
利用T-SNE算法对每个低维向量进行可视化处理，得到每个卷积层上的多张训练图像的分布图像；
根据每个卷积层的分布图像确定所述目标卷积层。
4.如权利要求3所述的图像瑕疵检测方法，其特征在于，所述多张训练图像包括瑕疵图像及正常图像，所述确定与所述领域对应的分数阈值包括：
将所述瑕疵图像及所述正常图像输入至所述目标卷积层中进行卷积处理，得到所述瑕疵图像的第一特征图及所述正常图像的第二特征图；
从所述卷积神经网络中确定与所述目标卷积层对应的目标池化层；
利用所述目标池化层对所述第一特征图及所述第二特征图进行池化处理，得到所述瑕疵图像的第一向量及所述正常图像的第二向量；
将所述第一向量及所述第二向量输入至预先训练好的高斯混合模型，得到所述瑕疵图像的第一分数及所述正常图像的第二分数；
确定所述第一分数与所述第二分数的均值分数，并确定所述第一分数与所述第二分数的标准偏差；
将所述标准偏差乘以预设数值，得到运算结果，并将所述均值分数与所述运算结果相减，得到所述分数阈值。
5.如权利要求4所述的图像瑕疵检测方法，其特征在于，所述根据所述待检测特征确定所述待检测图像的目标分数包括：
对所述待检测特征进行均值池化处理，得到目标向量；
将所述目标向量输入至所述高斯混合模型中，得到所述目标分数。
6.如权利要求1所述的图像瑕疵检测方法，其特征在于，在将所述待检测图像确定为有瑕疵图像之后，所述图像瑕疵检测方法还包括：
确定所述有瑕疵图像的目标数量；
当所述目标数量大于预设数量时，根据所述有瑕疵图像生成告警信息；
采用对称加密算法加密所述告警信息，得到密文；
根据所述目标数量确定所述密文的告警等级；
根据所述告警等级确定告警方式；
以所述告警方式发送所述密文。
7.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述图像瑕疵检测方法还包括：
当所述目标分数大于或者等于所述分数阈值时，将所述待检测图像确定为无瑕疵图像。
8.一种图像瑕疵检测装置，其特征在于，所述图像瑕疵检测装置包括：
获取单元，用于获取待检测图像；
确定单元，用于确定所述待检测图像所属的领域，并基于所述领域，从预先构建好的卷积神经网络中确定目标卷积层；
提取单元，用于利用所述目标卷积层提取所述待检测图像的待检测特征；
所述确定单元，还用于根据所述待检测特征确定所述待检测图像的目标分数；
所述确定单元，还用于确定与所述领域对应的分数阈值；
所述确定单元，还用于当所述目标分数小于所述分数阈值时，将所述待检测图像确定为有瑕疵图像。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，获取所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的图像瑕疵检测方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器获取以实现如权利要求1至7中任意一项所述的图像瑕疵检测方法。
CN202011493147.0A 2020-12-16 2020-12-16 图像瑕疵检测方法、装置、电子设备及介质 Pending CN114638777A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011493147.0A CN114638777A (zh) 2020-12-16 2020-12-16 图像瑕疵检测方法、装置、电子设备及介质
US17/551,477 US12067705B2 (en) 2020-12-16 2021-12-15 Method for detecting data defects and computing device utilizing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011493147.0A CN114638777A (zh) 2020-12-16 2020-12-16 图像瑕疵检测方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN114638777A true CN114638777A (zh) 2022-06-17

Family

ID=81942797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011493147.0A Pending CN114638777A (zh) 2020-12-16 2020-12-16 图像瑕疵检测方法、装置、电子设备及介质

Country Status (2)

Country Link
US (1) US12067705B2 (zh)
CN (1) CN114638777A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309587A (zh) * 2023-05-22 2023-06-23 杭州百子尖科技股份有限公司 一种布料瑕疵检测方法、装置、电子设备及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984235B (zh) * 2023-01-31 2024-09-20 苏州大学 一种基于图像分割的晶圆图混合缺陷模式识别方法及系统
CN115937655B (zh) * 2023-02-24 2023-05-23 城云科技（中国）有限公司 多阶特征交互的目标检测模型及其构建方法、装置及应用
CN116228774B (zh) * 2023-05-10 2023-09-08 国网山东省电力公司菏泽供电公司 基于图像质量评价的变电站巡检图像缺陷识别方法及系统
CN116630305B (zh) * 2023-07-18 2024-02-13 北京阿丘机器人科技有限公司 电池盖板外观检测方法、装置、设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5774177A (en) * 1996-09-11 1998-06-30 Milliken Research Corporation Textile fabric inspection system
KR101888683B1 (ko) * 2017-07-28 2018-08-14 펜타시큐리티시스템 주식회사 비정상 트래픽을 탐지하는 방법 및 장치
CN108038847A (zh) * 2017-12-05 2018-05-15 国网内蒙古东部电力有限公司 基于深度学习的变压器巡检图像智能识别和故障检测系统
US10169587B1 (en) * 2018-04-27 2019-01-01 John A. Nix Hosted device provisioning protocol with servers and a networked initiator
CN109829916A (zh) * 2019-03-04 2019-05-31 国网内蒙古东部电力有限公司 一种基于cnn的变压器故障诊断方法
WO2020234863A1 (en) 2019-05-22 2020-11-26 Applied Materials Israel Ltd. Machine learning-based classification of defects in a semiconductor specimen
CN112070727B (zh) * 2020-08-21 2022-04-19 电子科技大学 一种基于机器学习的金属表面缺陷检测方法
CN112040223B (zh) * 2020-08-25 2022-08-12 RealMe重庆移动通信有限公司 一种图像处理方法、终端设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309587A (zh) * 2023-05-22 2023-06-23 杭州百子尖科技股份有限公司 一种布料瑕疵检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
US12067705B2 (en) 2024-08-20
US20220189008A1 (en) 2022-06-16

Similar Documents

Publication Publication Date Title
CN114638777A (zh) 图像瑕疵检测方法、装置、电子设备及介质
CN110047095B (zh) 基于目标检测的跟踪方法、装置及终端设备
CN114663335A (zh) 图像瑕疵检测方法、装置、电子设备及介质
CN110020592A (zh) 物体检测模型训练方法、装置、计算机设备及存储介质
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
Guo et al. Defect Detection in Tire X‐Ray Images Using Weighted Texture Dissimilarity
CN112381104B (zh) 一种图像识别方法、装置、计算机设备及存储介质
CN111667001B (zh) 目标重识别方法、装置、计算机设备和存储介质
CN111783812B (zh) 违禁图像识别方法、装置和计算机可读存储介质
CN116433559A (zh) 产品外观缺陷检测方法、电子设备及存储介质
TWI803243B (zh) 圖像擴增方法、電腦設備及儲存介質
CN113505781B (zh) 目标检测方法、装置、电子设备及可读存储介质
CN116416190A (zh) 瑕疵检测方法及装置、电子设备及存储介质
CN111753729B (zh) 一种假脸检测方法、装置、电子设备及存储介质
CN117274133A (zh) 瑕疵侦测方法、电子设备及存储介质
CN111144425B (zh) 检测拍屏图片的方法、装置、电子设备及存储介质
CN111046957B (zh) 一种模型盗用的检测、模型的训练方法和装置
CN111709951B (zh) 目标检测网络训练方法及系统及网络及装置及介质
CN110298302A (zh) 一种人体目标检测方法及相关设备
CN114155363A (zh) 换流站车辆识别方法、装置、计算机设备和存储介质
CN113903041A (zh) 文本识别方法、装置、车辆及存储介质
Lu et al. Channel‐Wise Spatiotemporal Aggregation Technology for Face Video Forensics
CN114898155B (zh) 车辆定损方法、装置、设备及存储介质
CN112560621A (zh) 基于动物图像的识别方法、装置、终端及介质
CN116452802A (zh) 车损检测方法、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