CN114648484A - 使用人工智能模型的自动检测 - Google Patents

使用人工智能模型的自动检测 Download PDF

Info

Publication number
CN114648484A
CN114648484A CN202111540690.6A CN202111540690A CN114648484A CN 114648484 A CN114648484 A CN 114648484A CN 202111540690 A CN202111540690 A CN 202111540690A CN 114648484 A CN114648484 A CN 114648484A
Authority
CN
China
Prior art keywords
inference
codes
defect
training
target object
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
CN202111540690.6A
Other languages
English (en)
Inventor
葛晓青
达斯汀·迈克尔·夏伯
J·波茨
B·斯塔彻
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.)
Baker Hughes Holdings LLC
Original Assignee
Baker Hughes Holdings LLC
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 Baker Hughes Holdings LLC filed Critical Baker Hughes Holdings LLC
Publication of CN114648484A publication Critical patent/CN114648484A/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/24765—Rule-based classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Pulmonology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明题为“使用人工智能模型的自动检测”。本发明提供了一种检查方法，该检查方法包括接收多个训练图像和从对目标对象的检查获得的目标对象图像。该方法还包括由一个或多个训练代码生成多个推断代码。一个或多个训练代码被配置成接收多个训练图像作为输入并输出多个推断代码。一个或多个训练代码和多个推断代码包括计算机可执行指令。该方法还包括基于用户输入和/或所接收的多个训练图像的至少一部分的一个或多个特征从多个推断代码中选择一个或多个推断代码。该方法还包括使用多个推断代码中的一个或多个推断代码检查所接收的图像。

Description

使用人工智能模型的自动检测
背景技术
人工智能(AI)是涉及构建智能机器的一个科学分支，该智能机器能够执行通常需要人类智能的任务。AI系统可以解释和学习外部数据，并通过灵活的适应在这种学习的基础上实现特定的目标和任务。AI系统在诸如检测系统(例如，面部识别)、自动驾驶汽车、机器人、医疗保健等领域中变得越来越普遍。
发明内容
所公开的主题的各个方面可提供以下能力中的一种或多种。
在一个具体实施中，一种方法包括接收多个训练图像和从对目标对象的检查获得的目标对象图像。该方法还包括由一个或多个训练代码生成多个推断代码。一个或多个训练代码被配置成接收多个训练图像作为输入并输出多个推断代码。一个或多个训练代码和多个推断代码包括计算机可执行指令。该方法还包括基于用户输入和/或所接收的多个训练图像的至少一部分的一个或多个特征从多个推断代码中选择一个或多个推断代码。该方法还包括使用多个推断代码中的一个或多个推断代码检查所接收的图像。
以下特征中的一个或多个特征可包括在任何可行组合中。
在一个具体实施中，该方法还包括接收用户输入，该用户输入指示对目标对象中是否存在至少一个缺陷进行确定的用户请求。选择一个或多个推断代码包括选择二元鉴别器代码。二元鉴别器代码被配置成输出指示存在至少一个缺陷的肯定推断结果或指示不存在至少一个缺陷的否定推断结果。在另一具体实施中，生成多个推断代码包括至少通过以下方式生成二元鉴别器代码：识别来自多个训练图像的包括至少一个缺陷的图像的第一类训练图像；以及识别来自多个训练图像的不包括至少一个缺陷的图像的第二类训练图像。训练代码被配置成接收第一类训练图像和第二类训练图像作为输入并且生成二元鉴别器代码作为输出。
在一个具体实施中，该方法还包括接收用户输入，该用户输入指示对在目标对象图像中的至少一个缺陷的图像进行定位的用户请求。选择一个或多个推断代码包括选择缺陷定位代码。缺陷定位代码被配置成输出已修改的目标对象图像，该已修改的目标对象图像包括所接收的目标对象图像和指示目标对象中的至少一个缺陷的标记。在另一具体实施中，生成多个推断代码包括至少通过以下方式生成缺陷定位代码：选择来自多个训练图像的包括识别至少一个缺陷的标签的被标记类训练图像。训练代码被配置成接收被标记类训练图像作为输入并且生成缺陷定位代码作为输出。在又一具体实施中，标记包括围绕至少一个缺陷的图像的多边形和/或叠加在至少一个缺陷上的像素级掩模。
在一个具体实施中，该方法还包括接收用户输入，该用户输入指示对目标对象图像中的至少一个缺陷进行量化的用户请求。选择一个或多个推断代码包括选择缺陷量化代码，其中缺陷量化代码被配置成评估与至少一个缺陷相关联的严重程度因子。在另一具体实施中，生成多个推断代码包括至少通过生成与至少一个缺陷相关联的掩模来生成缺陷量化代码。掩模被配置成提供与至少一个缺陷相关联的像素级信息。
在一个具体实施中，生成多个推断代码包括从多个训练图像中选择多个训练图像子集。多个训练图像子集中的每个子集由一个或多个训练代码使用以生成多个推断代码中的唯一推断代码。在另一具体实施中，该方法还包括由一个或多个推断代码生成一个或多个推断结果。一个或多个推断代码中的每个推断代码被配置成生成推断结果。该方法还包括生成包括一个或多个推断结果的推断结果集合；以及根据推断结果集合预测目标对象中存在至少一个缺陷。在又一具体实施中，预测目标对象中存在至少一个缺陷包括计算推断结果集合中的一个或多个推断结果的加权平均值。
在一个具体实施中，去噪代码被配置成接收目标对象图像并从所接收的图像中移除噪声特征。在另一具体实施中，在多个图像上对去噪代码进行训练，该多个图像以至少一个成像参数生成，该至少一个成像参数在与所接收的目标对象图像的拍摄相关联的检查成像参数的预定范围内。在又一具体实施中，噪声特征包括累加均匀高斯噪声和空间不均匀高斯噪声中的一者或多者。
在一个具体实施中，该方法还包括生成检查报告，该检查报告包括对所接收的图像的检查的结果、多个训练图像和由一个或多个训练代码生成的多个推断代码中的一者或多者。在另一具体实施中，该方法还包括基于对所接收的图像的检查的结果、与目标对象相关联的制造数据、与目标对象相关联的材料数据和与目标对象相关联的设计数据中的一者或多者生成用于设计和/或制造目标对象的指南。
还描述了存储指令的非暂态计算机程序产品(即，物理体现的计算机程序产品)，当指令由一个或多个计算系统的一个或多个数据处理器执行时，使至少一个数据处理器执行本文中的操作。类似地，还描述了计算机系统，该计算机系统可以包括一个或多个数据处理器和耦接到该一个或多个数据处理器的存储器。存储器可以临时或永久地存储使至少一个处理器执行本文描述的操作中的一个或多个操作的指令。另外，方法可以由单个计算系统内的一个或多个数据处理器或分布在两个或多个计算系统之间的一个或多个数据处理器来实现。此类计算系统可经由一个或多个连接、包括网络(例如，互联网、无线广域网、局域网、广域网、有线网络等)上的连接、经由多个计算系统中的一个或多个计算系统之间的直接连接等来连接并且可交换数据和/或命令或其他指令等。
所公开的这些和其他能力将在回顾下面的附图、具体实施方式和权利要求书之后被更全面地理解。
附图说明
根据以下结合附图的详细描述，将更容易理解这些和其他特征，其中：
图1是用于缺陷检测的示例性方法的流程图；
图2是示例性缺陷识别系统的示意图；
图3是图2的缺陷识别系统中的示例性训练系统的示意图；并且
图4是图2的缺陷识别系统中的示例性推断系统的示意图。
具体实施方式
非破坏性计算机断层扫描(CT)成像技术可用于检查工业机器的各种部件。例如，CT成像技术可用于检查工业机器(例如，电池)并识别工业机器中的特征(例如，检测电池中的缺陷)。现有的电池检查系统可以依赖于传统的图像处理来检查电池图像。这些检查系统可以是不一致的(例如，当检查在不同类型的电池上执行时)，低效的(例如，依赖于人工查看大量的电池图像)和不准确(例如，当由于扫描时间短导致拍摄的电池图像质量差时)。本主题提供了智能缺陷识别系统，该智能缺陷识别系统可以减少检查时间和/或改善检查准确度和一致性。在一些具体实施中，缺陷识别系统(也称为自动缺陷识别[ADR]系统)可以包括人工智能(AI)模型，该人工智能模型可以实现根据电池CT图像对电池缺陷进行识别、分类、定位和量化中的一者或多者。
在一些具体实施中，缺陷检测系统可以基于待执行的检查类型(例如，缺陷存在的确定、缺陷类型的识别、缺陷特征的确定等)自动从多个AI模型选择AI模型(例如，深度学习模型)。多个AI模型可以被预先训练，并且可以被包括在AI模型库中。可以训练各种AI模型来检测一个或多个电池(例如，具有给定电池类型、电池型号等的电池)中的缺陷、各种扫描环境、缺陷模式和电池的原始设备制造商(OEM)。与基于传统图像处理的方法相比，AI模型可以容易地适应高效且鲁棒地检测新缺陷。I。
CT成像技术可涉及扫描图像的质量与扫描图像所花费的时间(或与扫描相关联的成本)之间的权衡。换句话说，拍摄高分辨率图像可能需要更长的扫描时间(这可导致更高的扫描成本)，而快速扫描可能导致图像质量差。在一些具体实施中，缺陷检测系统可以在扫描图像上应用基于AI的图像去噪和放大过滤器。这可以允许使用传统图像增强技术对可能不是为基于AI的缺陷检测而准备的图像进行缺陷检测。对低质量CT图像具有耐受性的缺陷检测可能导致较低的间隔时间而不牺牲检测性能，并且导致更短的扫描时间和更高的检查产量(例如，实时的缺陷检测)。由于产量增加，电池检查可以在线执行(例如，在生产期间)，这可以提高安全性，并为电池设计和制造过程中的改进提供洞察。附加地或另选地，支持AI的ADR系统可以降低检测成本，同时提供全面的检测，这样可在不断增长的CT检查市场中获得竞争优势。
图1是用于通过缺陷识别系统进行缺陷检测的示例性方法的流程图。在步骤102处，可以接收(例如，通过缺陷识别系统)表征多个训练图像和从对目标对象(例如，电池)的检查获得的目标对象图像的数据。多个训练图像可以由数据准备系统(未示出)生成并且传输到缺陷识别系统。训练图像可以包括被注释的各种对象(例如，各种电池)的图像。例如，可以标记对象的各种特征(例如，缺陷)。训练图像的生成描述于标题为“用于人工智能模型的数据准备(DATA PREPARATION FOR ARTIFICIAL INTELLIGENCE MODELS)”的美国专利申请号17/118,566中，其全部内容在此以引用的方式明确地并入本文中。
图2是示例性缺陷识别系统200的示意图，该缺陷识别系统包括训练系统202、推断系统204、洞察系统206、数据库208和性能监测系统210。缺陷识别系统200可以被配置成接收多个训练图像220(例如，在步骤102处)。训练系统202可以包括一个或多个训练算法。返回图1，在步骤104处，可以由一个或多个训练算法生成多个推断算法(例如，AI计算机视觉模型、深度学习算法)，该训练算法可以接收多个训练图像作为输入并且生成多个推断算法作为输出。在一些具体实施中，给定训练算法可以通过确定推断算法中的一个或多个系数来生成/训练推断算法。例如，训练算法可以包括优化算法，该优化算法可以通过减少(例如，最小化)训练图像的预测特征(由推断算法预测)与实际特征(“基准真值”)之间的差异来确定(例如，通过搜索)推断算法系数(例如，神经网络参数)。在这些具体实施中，可以例如通过随机梯度下降(或其变型)来执行对推断算法系数的搜索。推断系统204可以包括在步骤104处生成的多个推断算法。在一些具体实施中，给定训练算法可以被配置成生成唯一推断算法(例如，基于在步骤102处接收的训练图像的子集)。例如，每个训练算法可以被配置成生成唯一推断算法。
在步骤106，可以基于用户输入222和/或步骤102处接收的多个训练图像的一个或多个特征从多个推断算法中选择一个或多个推断算法。在一些具体实施中，用户可以提供用户输入222，该用户输入请求与缺陷相关联的二元确定(例如，特定类型(或具有特定特征)的缺陷是否存在于目标对象中)。在一些具体实施中，电池缺陷特征可以包括电极变形、分层、电池中的异物、焊接缺陷、组装缺陷等中的一者或多者。基于该请求，可以从推断系统204中的多个推断算法中选择二元鉴别器推断算法。二元鉴别器推断算法可以被配置成输出指示存在缺陷的肯定推断结果或指示不存在缺陷的否定推断结果。在一些具体实施中，二元鉴别器推断算法可以包括多类分类。例如，除了确定是否存在缺陷之外，可以确定所识别缺陷的类别/类型。
在一些具体实施中，训练系统202中的第一训练算法可以被配置成生成二元鉴别器推断算法(例如，在接收用户输入222之前)。第一训练算法可以基于训练图像220(或其一部分)分类成两类来生成二元鉴别器推断算法。例如，可以识别来自多个训练图像220的包括缺陷的图像(例如，用户输入222中识别的缺陷的图像)的第一类训练图像。可以识别来自多个训练图像220的不包括缺陷的图像的第二类训练图像。可以例如通过搜索训练图像220的注释/标签中的缺陷来确定两类训练图像。在一些具体实施中，训练图像的分类可以由单独的分类系统(未示出)执行，并且分类的图像可以由第一训练算法作为输入接收。第一训练算法可以生成二元鉴别器推断算法作为输出。另选地，第一训练算法可以被配置成执行分类和二元鉴别器推断算法的生成两者。
在一些具体实施中，用户可以提供用户输入222，该用户输入具有对在步骤102处接收到的目标对象图像中的缺陷进行定位的请求。基于该请求，可以从推断系统204中的多个推断算法中选择缺陷定位推断算法。缺陷定位推断算法可以被配置成输出已修改的目标对象图像，该已修改的目标对象图像包括所接收的目标对象图像和指示用户输入224中识别的缺陷的标记。
在一些具体实施中，第二训练算法可以被配置成生成缺陷定位推断算法(例如，在接收用户输入222之前)。第二训练算法可以通过选择来自多个训练图像220的包括用户输入224中识别的缺陷的训练图像子集来生成缺陷定位推断算法。这可以例如通过搜索训练图像220的注释/标签中的所识别的缺陷来完成。另选地，单独的识别系统可以选择包括所识别的缺陷的训练图像子集。然后，第二训练算法可以基于包括所识别的缺陷的训练图像子集生成缺陷定位推断算法。在一些具体实施中，训练图像中的标签可以包括可以识别训练图像中的缺陷的标记。标记可以包含与缺陷相关联的信息(例如，缺陷的名称、缺陷的类别等)。在一些具体实施中，标记可以包括叠加在训练图像子集中的训练图像上的边界框(例如，多边形、像素级掩模)。边界框特征(例如，形状大小、颜色等)可以基于其被配置成在训练图像中识别的缺陷而变化。
在一些具体实施中，用户可以提供用户输入222，该用户输入具有对在步骤102处接收到的目标对象图像中的缺陷进行量化的请求。基于该请求，可以从推断系统204中的多个推断算法中选择量化推断算法。量化推断算法可以被配置成评估与用户输入224中识别的缺陷相关联的严重程度因子。在一些具体实施中，生成缺陷量化算法可以包括生成与所识别的缺陷相关联的掩模。掩模可以被配置成提供与所识别的缺陷相关联的像素级信息。在一些具体实施中，掩模可以用于计算可以量化严重程度的缺陷面积(例如，面积的大小可以与同缺陷相关联的严重程度因子成比例)。在一些具体实施中，掩模可用于检测可以指示存在缺陷的电池特征。
在一些具体实施中，一个或多个推断算法的选择可以基于在步骤102处接收到的一个或多个训练图像的特征。例如，可以注释训练图像以指示可以检查训练图像的推断算法的类型。附加地或另选地，推断算法的选择可以基于对训练图像的注释的分析。
在步骤108，可以使用由训练系统202生成的一个或多个推断算法(例如，二元鉴别器推断算法、缺陷定位推断算法、量化推断算法等中的一者或多者)来检查在步骤102处接收的目标对象图像。推断算法可以接收目标对象图像作为输入并且输出目标对象图像的一个或多个特征。输出特征可以基于用户输入224中的请求。例如，如果用户输入224包括对缺陷的二元确定的请求，则所选二元鉴别器推断算法的输出可以包括指示存在缺陷的肯定推断值或指示不存在缺陷的否定推断值。附加地或另选地，如果用户输入224包括对目标对象图像中缺陷进行定位的请求，则所选缺陷定位推断算法的输出可以包括已修改的目标对象图像，该已修改的目标对象图像包括所接收的目标对象图像和指示用户输入224中识别的缺陷的标记。
附加地或另选地，如果用户输入224包括对目标对象图像中的缺陷进行量化的请求，则所选量化推断算法的输出可以包括与用户输入224中识别的缺陷相关联的严重程度因子。在一些具体实施中，严重程度因子可以指示缺陷对目标对象的操作的影响(例如，缺陷对电池的操作的影响)。例如，严重程度因子可以是来自预定值范围的值，其中预定值范围内的值中的每个值指示缺陷对目标对象的影响/威胁的程度。
在一些具体实施中，推断系统204可以包括图像修改算法，该图像修改算法可以修改被配置成由缺陷识别系统200检查的目标对象图像。图像修改算法可以包括去噪/放大算法。去噪/放大算法接收目标对象图像并从所接收的图像中去除噪声特征。噪声特征可以包括在获取期间引入目标对象图像的噪声。例如，如果目标对象的扫描时间短，则所得图像可能是模糊的(例如，可能不具有期望的清晰度/对比度)。这可能抑制推断系统204检测/识别图像中的缺陷的能力。
在一些具体实施中，去噪/放大算法可以包括在噪声图像数据集上训练并且被配置成从图像中识别和/或滤除噪声特征的AI模型(例如，深度学习网络)。噪声特征可以包括例如累加均匀高斯噪声、空间非均匀高斯噪声等。在一些具体实施中，去噪/放大算法可以在噪声图像上训练，该噪声图像是在具有与检查参数相同(例如，在检查参数的预定范围内)的一个或多个参数的条件下生成，该检查参数与在步骤102处接收到的目标对象图像的拍摄相关联。检查参数可以包括例如在CT成像中使用的电磁辐射的特性(例如，强度、波束特性等)、被检查电池的类型等。在一些具体实施中，可以在来自拍摄目标对象图像的检查装置的噪声图像上训练去噪/放大算法。因此，其可以被训练为识别和移除由检查装置产生的检查噪声。
图3是示例性训练系统300的示意图，该示例性训练系统可包括多个训练算法302、304和306。图3是示例性图示，并且训练系统300可以包括两个或更多个训练算法。在一些具体实施中，可以从训练图像(例如，在步骤102处接收到的多个训练图像)选择多个训练图像子集312、314和316。给定训练算法可以接收训练图像子集并生成推断算法。例如，训练算法302、304和306可以分别接收训练图像子集312、314和316，并且可以分别生成推断算法322、324和326。
图4是示例性推断系统400的示意图，该示例性推断系统可以包括由图3中的示例性训练系统300生成的多个推断算法322、324和326。图4是示例性图示，并且推断系统400可以包括两个或更多个推断算法。多个推断算法322、324和326可以接收推断数据(例如，在步骤102处接收到的目标对象图像)并且生成推断结果(例如，分别为第一输出特征402、第二输出特征404和第三输出特征406)。可以通过组合各种推断算法322、324和326的推断结果来生成推断结果408的集合。可以根据推断结果的集合进行对缺陷的缺陷预测/推断(例如，特定类型(或具有某些特征)的缺陷是否存在于目标对象中、目标对象图像中缺陷的定位、缺陷特性的量化等)。例如，可以为集合408中的各种推断结果分配权重，并且可以计算集合中的推断结果的加权平均值。可以基于加权平均值来进行预测。在一个具体实施中，如果集合中的预定数目(例如，大部分)的推断结果指示存在缺陷，则推断系统400可以断定存在缺陷。在一些具体实施中，缺陷预测可以通过表决算法来进行，该表决算法可以从集合408挑选推断结果。
返回图2，可以评估推断系统204中的推断算法的性能。如果推断算法的性能不理想，则可以重新训练推断算法。在一些具体实施中，性能监测系统210可以监测推断算法的性能。例如，推断算法的输出(例如，由推断算法推断的目标对象图像的一个或多个特征)可以呈现给用户。附加地或另选地，性能监测系统210可以生成指示推断算法的性能的性能度量。在一些具体实施中，这可以通过以下方式完成：通过其特征已知(或基准真值)的推断算法对图像进行检查，并且将推断特征与基准真值进行比较。性能度量和/或推断特征可以呈现给用户(例如，经由图形用户界面(GUI))。如果用户确定推断算法没有按照期望执行(例如，当性能度量和/或推断特征的值超出误差容许范围时)，用户可以提供指示推断算法需要重新训练的输入(例如，经由GUI)。基于用户的输入，训练算法可以重新训练推断算法(例如，通过重新计算推断算法中的系数、神经网络参数等)。例如，反馈信号224可以由性能监测系统210传输到训练系统202，这可以指示该训练系统重新训练推断算法。
洞察系统206可以接收由推断系统202生成的与目标对象图像相关联的输出特征。洞察系统可以生成检查报告，该检查报告可以包括对所接收图像的检查的推断结果中的一个或多个推断结果(例如，来自推断系统202的目标对象图像的输出特征)。在一些具体实施中，检查报告可以包括训练图像(例如，在步骤102处接收到的训练图像或其一部分)和/或由训练代码生成的多个推断算法。在一些具体实施中，检查报告可以包括与目标对象图像的拍摄相关联的检查参数(例如，由缺陷识别系统200从检查现场接收)。洞察系统206可以包括分析算法，该分析算法可以分析洞察系统204的输出、包括在检查报告中的数据等。分析算法可以判断电池中缺陷的根本原因和/或预测电池运行寿命。在一些具体实施中，推断结果(或来自推断算法的输出特征)可以与分析算法的结果和其它材料/设计/制造数据(例如，存储在数据库210中)数据库融合，以发现潜在的趋势、模式和相关性(例如，通过统计分析)。检查报告和/或分析算法的结果可以改善电池检查过程、电池设计和制造过程。例如，分析算法可以生成用于制造电池的指南(例如，用于改进电池的制造的指南)。
与推断系统204相关联的数据(例如，特征输出、推断算法等)、与洞察系统206相关联的数据(例如，检查报告、分析算法的输出等)和与训练系统202相关联的数据(例如，训练图像、训练算法等)可以存储在数据库208中。在一些具体实施中，上述缺陷检测可以是分布式的。例如，诸如数据收集(例如，训练图像220、用于推断的目标对象图像的收集)、目标对象图像的推断(例如，通过推断系统204)、检测可视化(例如，向用户呈现检测到的缺陷)和数据存储(例如，由数据库208)的操作可以在电池检查现场处执行。诸如数据准备(例如，用于训练系统202中的训练算法)、洞察生成(例如，洞察报告的生成、洞察分析的执行等)的其他操作可以在电池检查现场或云上执行。在内部和外部分布操作的决定可以基于数据隐私、连接性和存储容量。
其他实施方案在所公开的主题的范围和精神内。例如，本专利申请中所描述的监测系统可用于具有复杂机器(例如，发电涡轮机)的设施中，这些复杂机器具有需要修改从而改变机器性能的多个操作参数。在本申请中，词语“优化(optimize/optimizing)”的使用可暗示“改进(improve/improving)”。
本文描述了某些示例性实施方案，以提供对本文所公开的系统、装置和方法的结构、功能、制造和使用的原理的全面理解。这些实施方案的一个或多个示例在附图中示出。本领域技术人员将理解的是，本文中具体描述且在附图中示出的系统、装置和方法是非限制性的示例性实施方案，并且本发明的范围仅由权利要求限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征组合。此类修改和变型旨在包括在本发明的范围内。此外，在本公开中，实施方案的相似命名的部件通常具有类似的特征，因此在具体实施方案内，不一定完全阐述每个相似命名的部件的每个特征。
本文所述的主题可在数字电子电路和/或计算机软件、固件或硬件(包括本说明书中公开的结构装置和其结构等同物)或它们的组合中实现。本文所描述的主题可被实现为一个或多个计算机程序产品，诸如有形地体现在信息载体中(例如，体现在机器可读存储装置中)、或体现在传播的信号中，以用于由数据处理设备(例如，可编程处理器、可编程图形处理单元(GPU)、计算机或多台计算机)执行或控制该数据处理设备的操作的一个或多个计算机程序。计算机程序(也称为程序、软件、软件应用程序或代码)可以任何形式的编程语言(包括编译语言或解释语言)编写，并且它可以任何形式部署，包括作为独立程序或者作为模块、部件、子例程或适用于计算环境中的其他单元部署。计算机程序不一定对应于文件。程序可存储在保存其他程序或数据的文件的一部分中，存储在专用于所考虑的程序的单个文件中，或者存储在多个协同文件(例如，存储一个或多个模块、子程序或代码的部分的文件)中。计算机程序可被部署成在一台计算机上或在多台计算机上执行，该多台计算机位于一个站点处或跨多个站点分布并且由通信网络互连。算法可以包括计算机程序。算法可以包括计算机可执行指令(例如，可以由处理器执行的计算机可执行指令)。
本说明书中所述的过程和逻辑流程，包括本文所述主题的方法步骤，可由执行一个或多个计算机程序的一个或多个可编程处理器执行，以通过对输入数据进行操作并且生成输出来执行本文所述主题的功能。该过程和逻辑流程还可由专用逻辑电路(例如FPGA(现场可编程门阵列)或ASIC(专用集成电路))来执行，并且本文所述主题的设备可被实现为专用逻辑电路(例如FPGA(现场可编程门阵列)或ASIC(专用集成电路))。
以举例的方式，适于执行计算机程序的处理器和/或GPU包括通用微处理器和专用微处理器两者，以及任何种类的数字计算机的任何一个或多个处理器。一般来说，处理器将从只读存储器(ROM)或随机存取存储器(RAM)或两者接收指令和数据。例如，ROM和/或RAM可以包括支持驱动器/软件，该支持驱动器/软件可以允许处理器和/或GPU的改进的(例如，优化的)性能。计算机的基本元件是用于执行指令的处理器以及一个或多个用于存储指令和数据的存储器装置。一般来说，计算机还将包括一个或多个用于存储数据的大容量存储装置(例如，磁盘、磁光盘或光盘)，或操作地耦接以从一个或多个用于存储数据的大容量存储装置(例如，磁盘、磁光盘或光盘)接收数据或者/并且将数据传送至一个或多个用于存储数据的大容量存储装置(例如，磁盘、磁光盘或光盘)。适于体现计算机程序指令和数据的信息载体包括所有形式的非易失性存储器，包括例如半导体存储器装置(例如，EPROM、EEPROM和闪存存储器装置)；磁盘(例如，内部硬盘或可移动磁盘)；磁光盘；以及光盘(例如，CD和DVD盘)。处理器和存储器可由专用逻辑电路补充或者并入专用逻辑电路中。
为了提供与用户的交互，本文所述的主题可在具有用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或LCD(液晶显示器)监视器)以及键盘和指向装置(例如，鼠标或跟踪球)的计算机上实现，用户可通过该键盘和指向装置向计算机提供输入。还可使用其他种类的装置来提供与用户的交互。例如，提供给用户的反馈可为任何形式的感官反馈(例如，视觉反馈、听觉反馈或触觉反馈)，并且可以任何形式接收来自用户的输入，包括声音、语音或触觉输入。
本文所述的技术可使用一个或多个模块来实现。如本文所用，术语“模块”是指计算软件、固件、硬件和/或它们的各种组合。然而，在最低程度上，模块不应被解释为未在硬件、固件上实现或记录在非暂态处理器可读存储介质上的软件(即，模块本身不为软件)。实际上，“模块”将被解释为始终包括至少一些物理的非暂态硬件，诸如处理器或计算机的一部分。两个不同的模块可共享相同的物理硬件(例如，两个不同的模块可使用相同的处理器和网络接口)。本文所述的模块可被组合、集成、分开和/或复制以支持各种应用。另外，代替在特定模块处执行的功能或除在特定模块处执行的功能之外，本文描述为在特定模块处执行的功能可在一个或多个其他模块处和/或由一个或多个其他装置执行。此外，模块可相对于彼此本地或远程地跨越多个装置和/或其他部件来实现。另外，模块可从一个装置移动并添加至另一个装置，以及/或者可包括在两个装置中。
本文所述的主题可在计算系统中实现，该计算系统包括后端部件(例如，数据服务器)、中间件部件(例如，应用程序服务器)或前端部件(例如，具有图形用户界面或网络界面的客户端计算机，用户可通过该图形用户界面或网络界面与本文所述主题的实施方式进行交互)，或此类后端部件、中间件部件和前端部件的任何组合。系统的部件可通过数字数据通信的任何形式或介质(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”)，例如互联网。
如本文在整个说明书和权利要求书中所用的，近似语言可用于修饰任何定量表示，该定量表示可有所不同但不导致与其相关的基本功能的变化。因此，由一个或多个术语诸如“约”和“基本上”修饰的值不应限于所指定的精确值。在至少一些情况下，近似语言可对应于用于测量该值的仪器的精度。在此以及在整个说明书和权利要求书中，范围限制可组合和/或互换，除非上下文或语言另外指明，否则此类范围被识别并包括其中所包含的所有子范围。

Claims (20)

1.一种方法，包括：
接收多个训练图像和从对目标对象的检查获得的目标对象图像；
由一个或多个训练代码生成多个推断代码，所述一个或多个训练代码被配置成接收所述多个训练图像作为输入并输出所述多个推断代码，其中所述一个或多个训练代码和所述多个推断代码包括计算机可执行指令；
基于用户输入和/或所接收的多个训练图像的至少一部分的一个或多个特征从所述多个推断代码中选择一个或多个推断代码；以及
使用所述多个推断代码中的所述一个或多个推断代码检查所接收的图像。
2.根据权利要求1所述的方法，还包括接收所述用户输入，所述用户输入指示对所述目标对象中是否存在至少一个缺陷进行确定的用户请求，
其中选择一个或多个推断代码包括选择二元鉴别器代码，其中所述二元鉴别器代码被配置成输出指示存在所述至少一个缺陷的肯定推断结果或指示不存在所述至少一个缺陷的否定推断结果。
3.根据权利要求2所述的方法，其中生成所述多个推断代码包括至少通过以下方式生成所述二元鉴别器代码：
识别来自所述多个训练图像的包括所述至少一个缺陷的图像的第一类训练图像；
识别来自所述多个训练图像的不包括所述至少一个缺陷的图像的第二类训练图像；并且
其中所述训练代码被配置成接收所述第一类训练图像和所述第二类训练图像作为输入并且生成所述二元鉴别器代码作为输出。
4.根据权利要求1所述的方法，还包括接收所述用户输入，所述用户输入指示对在所述目标对象图像中的至少一个缺陷的图像进行定位的用户请求，
其中选择一个或多个推断代码包括选择缺陷定位代码，其中所述缺陷定位代码被配置成输出已修改的目标对象图像，所述已修改的目标对象图像包括所接收的目标对象图像和指示目标对象中的所述至少一个缺陷的标记。
5.根据权利要求4所述的方法，其中生成所述多个推断代码包括至少通过以下方式生成所述缺陷定位代码：
选择来自所述多个训练图像的包括识别所述至少一个缺陷的标签的被标记类训练图像，
其中所述训练代码被配置成接收所述被标记类训练图像作为输入并且生成所述缺陷定位代码作为输出。
6.根据权利要求4所述的方法，其中所述标记包括围绕所述至少一个缺陷的所述图像的多边形和/或叠加在所述至少一个缺陷上的像素级掩模。
7.根据权利要求1所述的方法，还包括接收所述用户输入，所述用户输入指示对所述目标对象图像中的至少一个缺陷进行量化的用户请求，
其中选择一个或多个推断代码包括选择缺陷量化代码，其中所述缺陷量化代码被配置成评估与所述至少一个缺陷相关联的严重程度因子。
8.根据权利要求7所述的方法，其中生成所述多个推断代码包括至少通过以下方式生成所述缺陷量化代码：
生成与所述至少一个缺陷相关联的掩模，其中所述掩模被配置成提供与所述至少一个缺陷相关联的像素级信息。
9.根据权利要求1所述的方法，其中生成所述多个推断代码包括：
从所述多个训练图像中选择多个训练图像子集，其中所述多个训练图像子集中的每个子集由所述一个或多个训练代码使用以生成所述多个推断代码中的唯一推断代码。
10.根据权利要求9所述的方法，还包括：
由所述一个或多个推断代码生成一个或多个推断结果，其中所述一个或多个推断代码中的每个推断代码被配置成生成推断结果；
生成包括所述一个或多个推断结果的推断结果集合；以及
根据所述推断结果集合预测所述目标对象中存在至少一个缺陷。
11.根据权利要求10所述的方法，其中预测所述目标对象中存在所述至少一个缺陷包括计算所述推断结果集合中的所述一个或多个推断结果的加权平均值。
12.根据权利要求1所述的方法，其中去噪代码被配置成接收所述目标对象图像并且从所接收的图像中移除噪声特征。
13.根据权利要求12所述的方法，其中在多个图像上对所述去噪代码进行训练，所述多个图像以至少一个成像参数生成，所述至少一个成像参数在与所接收的目标对象图像的拍摄相关联的检查成像参数的预定范围内。
14.根据权利要求12所述的方法，其中所述噪声特征包括累加均匀高斯噪声和空间不均匀高斯噪声中的一者或多者。
15.根据权利要求1所述的方法，还包括生成检查报告，所述检查报告包括对所接收的图像的所述检查的结果、所述多个训练图像和由所述一个或多个训练代码生成的所述多个推断代码中的一者或多者。
16.根据权利要求1所述的方法，还包括基于对所接收的图像的所述检查的所述结果、与所述目标对象相关联的制造数据、与所述目标对象相关联的材料数据和与所述目标对象相关联的设计数据中的一者或多者生成用于设计和/或制造所述目标对象的指南。
17.一种系统，包括：
至少一个数据处理器；
存储器，所述存储器耦接到所述至少一个数据处理器，所述存储器存储指令以使得所述至少一个数据处理器执行操作，所述操作包括：
接收多个训练图像和从对目标对象的检查获得的目标对象图像；
由一个或多个训练代码生成多个推断代码，所述一个或多个训练代码被配置成接收所述多个训练图像作为输入并输出所述多个推断代码，其中所述一个或多个训练代码和所述多个推断代码包括计算机可执行指令；
基于用户输入和/或所接收的多个训练图像的至少一部分的一个或多个特征从所述多个推断代码中选择一个或多个推断代码；以及
使用所述多个推断代码中的所述一个或多个推断代码检查所接收的图像。
18.根据权利要求17所述的系统，其中所述操作还包括接收所述用户输入，所述用户输入指示对所述目标对象中是否存在至少一个缺陷进行确定的用户请求，
其中选择一个或多个推断代码包括选择二元鉴别器代码，其中所述二元鉴别器代码被配置成输出指示存在所述至少一个缺陷的肯定推断结果或指示不存在所述至少一个缺陷的否定推断结果。
19.根据权利要求18所述的系统，其中生成所述多个推断代码包括至少通过以下方式生成所述二元鉴别器代码：
识别来自所述多个训练图像的包括所述至少一个缺陷的图像的第一类训练图像；以及
识别来自所述多个训练图像的不包括所述至少一个缺陷的图像的第二类训练图像；
其中所述训练代码被配置成接收所述第一类训练图像和所述第二类训练图像作为输入并且生成所述二元鉴别器代码作为输出。
20.一种计算机程序产品，所述计算机程序产品包括存储指令的非暂态机器可读介质，所述指令当由包括至少一个物理核和多个逻辑核的至少一个可编程处理器执行时，使得所述至少一个可编程处理器执行操作，所述操作包括：
接收多个训练图像和从对目标对象的检查获得的目标对象图像；
由一个或多个训练代码生成多个推断代码，所述一个或多个训练代码被配置成接收所述多个训练图像作为输入并输出所述多个推断代码，其中所述一个或多个训练代码和所述多个推断代码包括计算机可执行指令；
基于用户输入和/或所接收的多个训练图像的至少一部分的一个或多个特征从所述多个推断代码中选择一个或多个推断代码；以及
使用所述多个推断代码中的所述一个或多个推断代码检查所接收的图像。
CN202111540690.6A 2020-12-16 2021-12-16 使用人工智能模型的自动检测 Pending CN114648484A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/123,928 US20220189005A1 (en) 2020-12-16 2020-12-16 Automatic inspection using artificial intelligence models
US17/123,928 2020-12-16

Publications (1)

Publication Number Publication Date
CN114648484A true CN114648484A (zh) 2022-06-21

Family

ID=78821339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111540690.6A Pending CN114648484A (zh) 2020-12-16 2021-12-16 使用人工智能模型的自动检测

Country Status (4)

Country Link
US (1) US20220189005A1 (zh)
EP (1) EP4016388A1 (zh)
KR (1) KR20220086505A (zh)
CN (1) CN114648484A (zh)

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4334183B2 (ja) * 2002-06-28 2009-09-30 株式会社東芝 マスクの欠陥修正方法、マスクの欠陥修正装置、および半導体装置の製造方法
US10726244B2 (en) * 2016-12-07 2020-07-28 Samsung Electronics Co., Ltd. Method and apparatus detecting a target
JP6936957B2 (ja) * 2017-11-07 2021-09-22 オムロン株式会社 検査装置、データ生成装置、データ生成方法及びデータ生成プログラム
US10891762B2 (en) * 2017-11-20 2021-01-12 ClariPI Inc. Apparatus and method for medical image denoising based on deep learning
CN108280811B (zh) * 2018-01-23 2021-07-06 哈尔滨工业大学深圳研究生院 一种基于神经网络的图像去噪方法和系统
US20190354850A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Identifying transfer models for machine learning tasks
US10383694B1 (en) * 2018-09-12 2019-08-20 Johnson & Johnson Innovation—Jjdc, Inc. Machine-learning-based visual-haptic feedback system for robotic surgical platforms
WO2020219915A1 (en) * 2019-04-24 2020-10-29 University Of Virginia Patent Foundation Denoising magnetic resonance images using unsupervised deep convolutional neural networks
JP7342491B2 (ja) * 2019-07-25 2023-09-12 オムロン株式会社 推論装置、推論方法、及び推論プログラム
KR20220047535A (ko) * 2019-08-19 2022-04-18 엘지전자 주식회사 Ai 기반의 사전 훈련 모델 결정 시스템 및 이를 이용한 제품 생산 라인을 위한 ai 기반의 비전 검사 관리 시스템
EP3786855A1 (en) * 2019-08-30 2021-03-03 Accenture Global Solutions Limited Automated data processing and machine learning model generation
CN110554047B (zh) * 2019-09-06 2021-07-02 腾讯科技（深圳）有限公司 产品缺陷检测数据处理方法、装置、系统和设备
KR20190110965A (ko) * 2019-09-11 2019-10-01 엘지전자 주식회사 이미지 해상도를 향상시키기 위한 방법 및 장치
WO2021120186A1 (zh) * 2019-12-20 2021-06-24 京东方科技集团股份有限公司 分布式产品缺陷分析系统、方法及计算机可读存储介质
US11188792B2 (en) * 2020-01-07 2021-11-30 International Business Machines Corporation Defect detection using multiple models
US11301705B2 (en) * 2020-02-27 2022-04-12 Western Digital Technologies, Inc. Object detection using multiple neural network configurations
CN113537446B (zh) * 2020-04-17 2024-07-12 富泰华工业（深圳）有限公司 深度学习算法的选择方法及深度学习算法的选择装置
US11150200B1 (en) * 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
EP3971556A1 (en) * 2020-09-17 2022-03-23 Evonik Operations GmbH Qualitative or quantitative characterization of a coating surface

Also Published As

Publication number Publication date
KR20220086505A (ko) 2022-06-23
EP4016388A1 (en) 2022-06-22
US20220189005A1 (en) 2022-06-16

Similar Documents

Publication Publication Date Title
Sajedi et al. Uncertainty‐assisted deep vision structural health monitoring
US11586913B2 (en) Power equipment fault detecting and positioning method of artificial intelligence inference fusion
Kumaresan et al. Transfer learning with CNN for classification of weld defect
US11449977B2 (en) Generating training data usable for examination of a semiconductor specimen
US12007335B2 (en) Automatic optimization of an examination recipe
JP7150918B2 (ja) 試料の検査のためのアルゴリズムモジュールの自動選択
Luckey et al. Explainable artificial intelligence to advance structural health monitoring
Kirthiga et al. A survey on crack detection in concrete surface using image processing and machine learning
US11639906B2 (en) Method and system for virtually executing an operation of an energy dispersive X-ray spectrometry (EDS) system in real-time production line
EP4332915A1 (en) Automated selection and model training for charged particle microscope imaging
Bordekar et al. eXplainable artificial intelligence for automatic defect detection in additively manufactured parts using CT scan analysis
Swain et al. Automatic detection of potholes using VGG-16 pre-trained network and Convolutional Neural Network
CN112184717A (zh) 用于质检的自动化分割方法
EP4016388A1 (en) Automatic inspection using artificial intelligence models
US11693921B2 (en) Data preparation for artificial intelligence models
CN118052825B (zh) 一种玻璃绝缘子表面瑕疵检测方法
Sajedi et al. Model Uncertainty Quantification for Reliable Deep Vision Structural Health Monitoring
US20240193758A1 (en) Apparatus and method with image generation
Sinha et al. Design and optimization of three class object detection modalities for manufacturing steel surface fault diagnosis and dimensionality classification
Dhavaleswarapu et al. Use case: Anomaly Detection On X-ray Images
US20240185408A1 (en) Systems and Methods for Inspection of IC Devices
CN116485708A (zh) 结构检测
Wang et al. Filter collaborative contribution pruning method based on the importance of different-scale layers for surface defect detection
Kučera et al. Using Entropy for Welds Segmentation and Evaluation
Khan Automatic Detection of Structural Deformations in Batteries from Imaging data using Machine Learning: Exploring the potential of different approaches for efficient structural deformation detection

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