CN114663365A - 缺陷检测方法、装置及计算机存储介质 - Google Patents
缺陷检测方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN114663365A CN114663365A CN202210215068.6A CN202210215068A CN114663365A CN 114663365 A CN114663365 A CN 114663365A CN 202210215068 A CN202210215068 A CN 202210215068A CN 114663365 A CN114663365 A CN 114663365A
- Authority
- CN
- China
- Prior art keywords
- defect
- detection
- suppressed
- inhibited
- detection frame
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种缺陷检测方法、装置及计算机存储介质,包括:针对待检测图像中的待检测对象执行缺陷检测,获得各缺陷各自的位置信息、置信度信息、缺陷预测信息;根据各缺陷各自的位置信息、置信度信息,确定各缺陷中的非抑制缺陷和被抑制缺陷;根据各缺陷的非抑制缺陷或被抑制缺陷的确定结果、各缺陷各自的缺陷预测信息,确定各缺陷对应的各缺陷类别;根据各缺陷对应的各缺陷类别,确定待检测对象的缺陷检测结果。借此,本申请可快速执行缺陷检测,并可有效提高缺陷检测结果的准确性。
Description
技术领域
本申请实施例涉及图像识别技术领域,特别涉及一种缺陷检测方法、装置及计算机存储介质。
背景技术
高炉炼铁在工作状态下,通常需要实时对高炉风口所呈现的状态进行监测,通过风口视频图像中所检测到的一些特征,并结合专家经验,可以对高炉当前的运行情况进行实时检测。
然而,在高炉风口众多,且长时间运行的状态下,基于专家经验所实现的检测手段难以时刻监控每个高炉风口的状况,并可能导致某些风口异常(例如:风口磨小套、风口生降落大块/刮渣、断煤等异常)无法及时处理,导致了严重的生产质量问题。
有鉴于此,亟需一种可提高检测效率以及检测准确率的缺陷检测技术。
发明内容
鉴于上述问题,本申请提供一种缺陷检测方法、装置及计算机存储介质,可提高缺陷检测效率。
本申请第一方面提供一种缺陷检测方法,包括针对待检测图像中的待检测对象执行缺陷检测,获得各缺陷各自的位置信息、置信度信息、缺陷预测信息;根据各缺陷各自的位置信息、置信度信息,确定各缺陷中的非抑制缺陷和被抑制缺陷;根据各缺陷的非抑制缺陷或被抑制缺陷的确定结果、各缺陷各自的缺陷预测信息,确定各缺陷对应的各缺陷类别;根据各缺陷对应的各缺陷类别,确定所述待检测对象的缺陷检测结果。
本申请第二方面提供一种缺陷检测装置,包括:图像检测模块,用于针对待检测图像中的待检测对象执行缺陷检测,获得各缺陷各自的位置信息、置信度信息、缺陷预测信息;类别调整模块,用于根据各缺陷各自的位置信息、置信度信息,确定各缺陷中的非抑制缺陷和被抑制缺陷,并根据各缺陷的非抑制缺陷或被抑制缺陷的确定结果、各缺陷各自的缺陷预测信息,确定各缺陷对应的各缺陷类别;缺陷确定模块,根据各缺陷对应的各缺陷类别,确定所述待检测对象的缺陷检测结果。
本申请第三方面提供一种计算机存储介质,所述计算机存储介质中存储有用于执行上述第一方面所述的方法中各步骤的各指令。
综上所述,本申请各实施例提供的缺陷检测方案,根据待检测图像中的缺陷的位置信息和置信度信息,确定缺陷中的非抑制缺陷和被抑制缺陷,并根据非抑制缺陷的缺陷类别的确定结果,调整被抑制缺陷的缺陷类别,并根据调整结果,确定待检测对象的缺陷检测结果,借以使得缺陷检测处理更加快速且精准。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请示例性实施例的缺陷检测方法的处理流程图。
图2为本申请另一示例性实施例的缺陷检测方法的处理流程图。
图3为本申请另一示例性实施例的缺陷检测方法的处理流程图。
图4为本申请示例性实施例的缺陷检测方法的应用示例示意图。
图5为本申请示例性实施例的缺陷检测装置的结构框图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
目前,深度学习被广泛用于工业缺陷检测中,然而,基于多帧的C3D等视频分类模型虽然可以利用多帧信息执行缺陷检测,但是,对于数据丰富度的要求较高,且检测模型的体量也往往很大,难以支持高路数的部署要求,因此,业界通常使用检测高效且灵活的检测模型或分类模型执行高炉风口的缺陷检测。
此外,传统的缺陷检测技术,在多种缺陷类别共存的情况下,往往仅保留置信度最大的一个缺陷类别,而忽略了置信度较低但实质存在的其他缺陷类别,导致了缺陷检测结果不完整的问题。
有鉴于此,本申请提供一种缺陷检测方案,可改善上述现有技术中存在的至少部分问题,其中,本申请提出的缺陷检测方案,可应用于各类工业缺陷检测工艺中,包括但不限于半导体工艺,高炉炼铁工艺等,在下面的描述中,将以高炉炼铁工艺为例,详细描述本申请。
以下将结合各附图详细描述本申请的各实施例。
图1为本申请示例性实施例的缺陷检测方法的处理流程图。如图所示,本实施例主要包括以下步骤:
步骤S102,针对待检测图像中的待检测对象执行缺陷检测,获得各缺陷各自的位置信息、置信度信息、缺陷预测信息。
可选地,待检测对象可为高炉风口,但并不以此为限,亦可为半导体电路板。
可选地,可针对待检测图像执行特征提取,获得待检测图像的低层次特征和高层次特征,并根据待检测图像的低层次特征和高层次特征,识别待检测对象的每一个缺陷,获得每一个缺陷的缺陷检测框的坐标值、置信值、各缺陷类别概率值。
可选地,可采用改进的YOLO模型,针对待检测图像中的待检测对象执行缺陷检测,获得待检测图像的低层次特征和高层次特征,并通过融合各低层次特征与各高层次特征,以识别出待检测图像中的各缺陷各自的位置信息、置信度信息、缺陷预测信息。
具体地,由于在检测高炉风口的异常时,既有局部的缺陷特征(如磨小套缺陷或者少量的生降缺陷),也有全局的缺陷特征(大面积生降),借此,本申请利用YOLO模型中的SPP(Spatial Pyramid Pooling)模块,根据待检测图像的低层次特征,充分聚合高层次特征,并使用PA-FPN模块充分结合低层次特征和高层次特征,即可加速待检测图像的缺陷检测推理,又能大大减少后处理候选检测框的个数。
可选地,可在执行缺陷检测之前,针对待检测图像执行图像预处理,例如,针对待检测图像的曝光、白平衡、饱和度、色偏等参数进行调节,使得待检测图像尽可能地避免亮度大幅抖动、色温抖动、偏色等问题,并使得后续的缺陷检测更加稳定。
步骤S104,根据各缺陷各自的位置信息、置信度信息,确定各缺陷中的非抑制缺陷和被抑制缺陷。
可选地,可根据各缺陷各自的置信度信息,将置信度值最大的缺陷确定为非抑制缺陷,并根据各缺陷各自的位置信息,将与非抑制缺陷之间的重合率高于预设重叠阈值的各个缺陷确定为被抑制缺陷。
步骤S106,根据各缺陷的非抑制缺陷或被抑制缺陷的确定结果、各缺陷各自的缺陷预测信息,确定各缺陷对应的各缺陷类别。
可选地,缺陷的缺陷预测信息包括有对应于各缺陷类别的各缺陷类别概率值。
可选地,在待检测对象为包括高炉风口的情况下,缺陷类别可包括但不限于断煤、磨小套、生降等。
可选地,可根据非抑制缺陷的各缺陷类别概率值中最高的缺陷类别概率值,确定非抑制缺陷的缺陷类别,并根据被抑制缺陷的各缺陷类别概率值,若各缺陷类别概率值中最高的缺陷类别概率值对应的缺陷类别与非抑制缺陷的缺陷类别相同,则根据各缺陷类别概率值中次高的缺陷类别概率值,确定非抑制缺陷的缺陷类别。
步骤S108,根据各缺陷对应的各缺陷类别,确定待检测对象的缺陷检测结果。
可选地,可根据各缺陷各自的缺陷类别、位置信息、置信度信息,判断重叠率超过预设重叠阈值的各缺陷对应的各缺陷类别之间是否存在互斥,若存在互斥,则移除置信度较低的缺陷,仅保留置信度较高的缺陷。
综上所述,本实施例通过确定各缺陷中的非抑制缺陷和被抑制缺陷,并根据非抑制缺陷的缺陷类别,调整被抑制缺陷的缺陷类别,借此,本申请可在多种缺陷类别共存的情况下,完整保留不同的缺陷类别检测结果,以提高缺陷检测结果的准确性。
具体地,利用传统缺陷检测技术所获得的缺陷检测结果中,若在多种类别缺陷共存的情况下,例如“磨小套”和“生降”共存的情况下,由于生降的缺陷特征较为明显,而磨小套的缺陷特征较不明显,因此,各缺陷检测框的最大置信度可能均为生降,而磨小套通常被分配为第二高的置信度,因此,采用传统的缺陷检测技术手段,只能获得“生降”一种缺陷类别。本申请通过根据非抑制缺陷的缺陷类别调整被抑制缺陷的缺陷类别,可以完整保留生降和磨小套的两种缺陷类别,使得缺陷检测结果更为完整,以提高缺陷检测结果的准确性。
此外,本实施例通过分类与检测相结合的方法执行待检测图像的缺陷预测分析,能够既增强普通检测模型分类头效果以及利用检测模型训练时的多种数据扩增方法,又可避免纯分类模型对于背景的敏感性。此外,若采用检测缺陷的“本体”,如掉落的渣皮、断煤的风口、煤团位置,会成倍提升标注成本,且众多的目标差异巨大,也会带来额外的均衡目标分布等小样本或者超参数调整策略。本实施例通过采用类似于分类方法的标注处理,利用检测方法丰富的训练扩增策略,如CutMix、Mosaic等多个高炉风口数据混在同一张待检测图像上,可以加强模型的判别能力。
图2为本申请另一示例性实施例的缺陷检测方法的处理流程图。本实施例为上述步骤S104的具体实施方案。如图所示,本实施例主要包括以下步骤:
步骤S202,将未被确定为非抑制检测框的所有缺陷检测框作为目标检测框。
具体地,可根据从待检测图像中所检测到的每一个缺陷的缺陷检测框,获取未被确定为非抑制检测框的每一个缺陷检测框确定为待分析的目标检测框。
每一个目标检测框的置信值,将置信值最高的一个目标检测框确定为非抑制检测框
步骤S204,根据每一个目标检测框的置信值,将置信值最高的一个目标检测框确定为非抑制检测框。
步骤S206,根据非抑制检测框的坐标值、未被确定为非抑制检测框的每一个目标检测框的坐标值,将与非抑制检测框的重叠率超过预设重叠阈值的目标检测框确定为被抑制检测框。
具体地,可将被确定为非抑制检测框的目标检测框的坐标值与未被确定为非抑制检测框的每一个目标检测框的坐标值进行分别比对,以计算非抑制检测框与未被确定为非抑制检测框的每一个目标检测框之间的重叠率,并将重叠率超过预设重叠阈值的各个目标检测框均确定为被抑制检测框。
综上所述,本实施例通过将置信值最高的缺陷检测框确定为非抑制检测框,并将与非抑制检测框的重叠率超过预设重叠阈值的各缺陷检测框确定为被抑制检测框,以供后续执行共存缺陷的检测处理,借以提高缺陷检测结果的完整性和准确性。
图3示出了本申请另一实施例的缺陷检测方法的处理流程图。本实施例为上述步骤S106的具体实施方案。如图所示,本实施例主要包括以下步骤:
步骤S302,根据非抑制检测框的各缺陷类别概率值,将最高的缺陷类别概率值对应的缺陷类别确定为非抑制检测框的缺陷类别。
例如,在图4所示示例中,假设缺陷检测框1被确定为非抑制检测框,于此情况下,可根据缺陷检测框1对应于各缺陷类别的各缺陷类别概率值,将概率值为1.0所对应的缺陷类别3确定为缺陷检测框1的缺陷类别。
步骤S304,获取一个被抑制检测框。
步骤S306,判断被抑制检测框的最高的缺陷类别概率值对应的缺陷类别与非抑制检测框的缺陷类别是否不同,若不同,进行步骤S308,若相同,进行步骤S310。
具体地,可根据被抑制检测框的各缺陷类别概率值,确定被抑制检测框的最高的缺陷类别概率值对应于的缺陷类别,并判断其是否与非抑制检测框的类别相同。
例如,在图4所示示例中,假设缺陷检测框2为当前待分析的被抑制检测框,根据缺陷检测框2对应于各缺陷类别的各缺陷类别概率值,可确定缺陷检测框2的最高的缺陷类别概率值0.6对应的是缺陷类别3,其与被确定为非抑制检测框的缺陷检测框1对应的缺陷类别3为相同,则进行步骤S310。
步骤S308,将最高的缺陷类别概率值对应的缺陷类别确定为被抑制检测框的缺陷类别,并继续执行步骤S312。
具体地,当被抑制检测框的最高的缺陷类别概率值对应的缺陷类别与非抑制检测框的缺陷类别不相同时,则与现有检测技术相同,直接根据最高的缺陷类别概率值,确定被抑制检测框的缺陷类别。
步骤S310,将被抑制检测框的次高的缺陷类别概率值对应的缺陷类别确定为被抑制检测框的缺陷类别。
例如,在图4所示示例中,针对缺陷检测框2,可将其次高的缺陷类别概率值0.4对应的缺陷类别2,确定为缺陷检测框2的缺陷类别。
步骤S312,根据非抑制检测框与被抑制检测框各自的缺陷类别、预设过滤规则,针对被抑制检测框执行过滤。
可选地,可根据非抑制检测框与被抑制检测框的缺陷类别,丢弃与非抑制检测框存在互斥的被抑制检测框对应的缺陷检测框。
具体地,由于非抑制检测框与被抑制检测框为重叠率超过预设重叠阈值的两个缺陷检测框,考虑到多种缺陷之间有的可以共存,有的不可以共存(例如“磨小套”和“断煤”两种缺陷即为不可共存缺陷),因此,可进一步针对非抑制检测框与被抑制检测框各自的缺陷类别进行互斥判别,以抑制掉不可共存的置信值较低的缺陷检测框,从而进一步提高缺陷检测结果的准确性。
例如,在图4所示示例中,若缺陷检测框1(非抑制检测框)的缺陷类别3为“磨小套”,缺陷检测框2(被抑制检测框)的缺陷类别2为“断煤”,此两种缺陷类别为不可共存,因此,将仅保留置信值较高的缺陷检测框1,而丢弃置信值较低的缺陷检测框2。
需说明的是,本步骤为可选步骤,可根据实际检测需求省略执行,亦即,在完成步骤S308或步骤S310之后,直接执行步骤S314。
步骤S314,判断是否所有被抑制检测框的缺陷类别均确认完毕,若是进行步骤S316,若否,返回步骤S304。
步骤S316,判断是否各缺陷检测框中的每一个均被确定为非抑制检测框,若否,执行步骤S104,若是,执行步骤S108。
具体地,可在被抑制检测框的缺陷类别被确定后(即执行完步骤S308或步骤S310后),或在针对被抑制检测框执行过滤后(即执行完步骤S312后),若判断还存在未被确定为非抑制检测框的缺陷检测框,则返回执行步骤S104(或返回步骤S202),以执行下一组的非抑制检测框和被抑制检测框的确认操作,直至待检测图像中的每一个缺陷检测框均被确定为非抑制检测框为止。若判断各缺陷检测框中的每一个均被确定为非抑制检测框,代表所有缺陷检测框的缺陷类别均确认完毕,则进行步骤S108。
综上所述,本实施例的缺陷检测方法基于非抑制检测框的缺陷类别确认结果,选择性地修正被抑制检测框的缺陷类别,可充分考虑多种缺陷共存的情况,以确保缺陷检测结果的完整性和准确性。
再者,本实施例还通过执行缺陷检测框的过滤处理,以基于非抑制检测框的缺陷类别,丢弃无法与之共存的置信度较低的被抑制检测框,从而进一步提高缺陷检测结果的准确性。
图5示出了本申请示例性实施例的缺陷检测装置的结构框图。如图所示,本实施例的缺陷检测装置500包括图像检测模块502、类别调整模块504、缺陷确定模块506。
图像检测模块502,用于针对待检测图像中的待检测对象执行缺陷检测,获得各缺陷各自的位置信息、置信度信息、缺陷预测信息。
类别调整模块504,用于根据各缺陷各自的位置信息、置信度信息,确定各缺陷中的非抑制缺陷和被抑制缺陷,并根据各缺陷的非抑制缺陷或被抑制缺陷的确定结果、各缺陷各自的缺陷预测信息,确定各缺陷对应的各缺陷类别。
缺陷确定模块506,根据各缺陷对应的各缺陷类别,确定所述待检测对象的缺陷检测结果。
可选地,图像检测模块502还用于:针对所述待检测图像执行特征提取,获得所述待检测图像的低层次特征和高层次特征;根据所述待检测图像的低层次特征和高层次特征,识别所述待检测对象的每一个缺陷,获得每一个缺陷的缺陷检测框的坐标值、置信值、各缺陷类别概率值。
可选地,类别调整模块504还用于:将未被确定为非抑制检测框的所有缺陷检测框作为目标检测框;根据每一个目标检测框的置信值,将置信值最高的一个目标检测框确定为非抑制检测框;根据所述非抑制检测框的坐标值、未被确定为所述非抑制检测框的每一个目标检测框的坐标值,将与所述非抑制检测框的重叠率超过预设重叠阈值的目标检测框确定为被抑制检测框。
可选地,类别调整模块504还用于:根据所述非抑制检测框的各缺陷类别概率值,将最高的缺陷类别概率值对应的缺陷类别确定为所述非抑制检测框的缺陷类别;针对每一个被抑制检测框,根据所述非抑制检测框的缺陷类别、所述被抑制检测框的各缺陷类别概率值,若所述被抑制检测框的最高的缺陷类别概率值对应的缺陷类别与所述非抑制检测框的缺陷类别不同,将所述最高的缺陷类别概率值对应的缺陷类别确定为所述被抑制检测框的缺陷类别;若所述被抑制检测框的最高的缺陷类别概率值对应的缺陷类别与所述非抑制检测框的缺陷类别相同,将所述被抑制检测框的次高的缺陷类别概率值对应的缺陷类别确定为所述被抑制检测框的缺陷类别。
可选地,类别调整模块504还用于:根据所述非抑制检测框与每一个被抑制检测框各自的缺陷类别、预设过滤规则,针对每一个被抑制检测框执行过滤。
可选地,类别调整模块504还用于:根据所述非抑制检测框与每一个被抑制检测框的缺陷类别,丢弃与所述非抑制检测框存在互斥的被抑制检测框对应的缺陷检测框。
可选地,类别调整模块504还用于:在每一个被抑制检测框的缺陷类别被确定后,或在针对每一个被抑制检测框执行过滤后,返回所述将未被确定为非抑制检测框的所有缺陷检测框作为目标检测框的步骤继续执行,直至各缺陷检测框中的每一个均被确定为非抑制检测框为止,以确定每一个缺陷检测框的缺陷类别。
可选地,所述待检测对象包括高炉风口,所述缺陷类别至少包括断煤、磨小套、生降中的一个。
此外,本申请实施例的缺陷检测装置500还可用于实现前述各缺陷检测方法实施例中的其他步骤,并具有相应的方法步骤实施例的有益效果,在此不再赘述。
本申请示例性实施例还提供一种计算机存储介质,所述计算机存储介质中存储有用于执行上述各缺陷检测方法中各步骤的各指令。
综上所述,本申请各实施例所述的缺陷检测方法、装置及计算机存储介质,根据待检测图像中各缺陷各自的位置信息、置信度信息、缺陷预测信息,以确定各缺陷中的非抑制缺陷和被抑制缺陷,并基于非抑制缺陷的缺陷类别,选择性地调整被抑制缺陷的缺陷类别,以确保在多种缺陷共存的情况下,各种缺陷均能被准确地识别,因此,本申请不仅可快速执行缺陷检测,亦可确保缺陷检测结果的完整性和准确性。
最后应说明的是:以上实施例仅用以说明本申请实施例的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种缺陷检测方法,包括:
针对待检测图像中的待检测对象执行缺陷检测,获得各缺陷各自的位置信息、置信度信息、缺陷预测信息;
根据各缺陷各自的位置信息、置信度信息,确定各缺陷中的非抑制缺陷和被抑制缺陷;
根据各缺陷的非抑制缺陷或被抑制缺陷的确定结果、各缺陷各自的缺陷预测信息,确定各缺陷对应的各缺陷类别;
根据各缺陷对应的各缺陷类别,确定所述待检测对象的缺陷检测结果。
2.根据权利要求1所述的缺陷检测方法,其中,所述针对待检测图像中的待检测对象执行缺陷检测,获得每一个缺陷的位置信息、置信度信息、缺陷预测信息,包括:
针对所述待检测图像执行特征提取,获得所述待检测图像的低层次特征和高层次特征;
根据所述待检测图像的低层次特征和高层次特征,识别所述待检测对象的每一个缺陷,获得每一个缺陷的缺陷检测框的坐标值、置信值、各缺陷类别概率值。
3.根据权利要求2所述的缺陷检测方法,其中,所述根据各缺陷各自的位置信息、置信度信息,确定各缺陷中的非抑制缺陷和被抑制缺陷,包括:
将未被确定为非抑制检测框的所有缺陷检测框作为目标检测框;
根据每一个目标检测框的置信值,将置信值最高的一个目标检测框确定为非抑制检测框;
根据所述非抑制检测框的坐标值、未被确定为所述非抑制检测框的每一个目标检测框的坐标值,将与所述非抑制检测框的重叠率超过预设重叠阈值的目标检测框确定为被抑制检测框。
4.根据权利要求3所述的缺陷检测方法,其中,所述根据各缺陷的非抑制缺陷或被抑制缺陷的确定结果、各缺陷各自的缺陷预测信息,确定各缺陷对应的各缺陷类别,包括:
根据所述非抑制检测框的各缺陷类别概率值,将最高的缺陷类别概率值对应的缺陷类别确定为所述非抑制检测框的缺陷类别;
针对每一个被抑制检测框,根据所述非抑制检测框的缺陷类别、所述被抑制检测框的各缺陷类别概率值,若所述被抑制检测框的最高的缺陷类别概率值对应的缺陷类别与所述非抑制检测框的缺陷类别不同,将所述最高的缺陷类别概率值对应的缺陷类别确定为所述被抑制检测框的缺陷类别;若所述被抑制检测框的最高的缺陷类别概率值对应的缺陷类别与所述非抑制检测框的缺陷类别相同,将所述被抑制检测框的次高的缺陷类别概率值对应的缺陷类别确定为所述被抑制检测框的缺陷类别。
5.根据权利要求4所述的缺陷检测方法,其中,所述方法还包括:
根据所述非抑制检测框与每一个被抑制检测框各自的缺陷类别、预设过滤规则,针对每一个被抑制检测框执行过滤。
6.根据权利要求5所述的缺陷检测方法,其中,所述根据所述非抑制检测框与每一个被抑制检测框各自的缺陷类别、预设过滤规则,针对每一个被抑制检测框执行过滤,包括:
根据所述非抑制检测框与每一个被抑制检测框的缺陷类别,丢弃与所述非抑制检测框存在互斥的被抑制检测框对应的缺陷检测框。
7.根据权利要求4或5所述的缺陷检测方法,其中,所述方法还包括:
在每一个被抑制检测框的缺陷类别被确定后,或在针对每一个被抑制检测框执行过滤后,返回所述将未被确定为非抑制检测框的所有缺陷检测框作为目标检测框的步骤继续执行,直至各缺陷检测框中的每一个均被确定为非抑制检测框为止,以确定每一个缺陷检测框的缺陷类别。
8.根据权利要求1所述的缺陷检测方法,其中,所述待检测对象包括高炉风口,所述缺陷类别至少包括断煤、磨小套、生降中的一个。
9.一种缺陷检测装置,包括:
图像检测模块,用于针对待检测图像中的待检测对象执行缺陷检测,获得各缺陷各自的位置信息、置信度信息、缺陷预测信息;
类别调整模块,用于根据各缺陷各自的位置信息、置信度信息,确定各缺陷中的非抑制缺陷和被抑制缺陷,并根据各缺陷的非抑制缺陷或被抑制缺陷的确定结果、各缺陷各自的缺陷预测信息,确定各缺陷对应的各缺陷类别;
缺陷确定模块,根据各缺陷对应的各缺陷类别,确定所述待检测对象的缺陷检测结果。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有用于执行上述权利要求1至8中任一项所述的方法中各步骤的各指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210215068.6A CN114663365A (zh) | 2022-03-04 | 2022-03-04 | 缺陷检测方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210215068.6A CN114663365A (zh) | 2022-03-04 | 2022-03-04 | 缺陷检测方法、装置及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663365A true CN114663365A (zh) | 2022-06-24 |
Family
ID=82028405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210215068.6A Pending CN114663365A (zh) | 2022-03-04 | 2022-03-04 | 缺陷检测方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663365A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704267A (zh) * | 2023-08-01 | 2023-09-05 | 成都斐正能达科技有限责任公司 | 一种基于改进yolox算法的深度学习3d打印缺陷检测方法 |
-
2022
- 2022-03-04 CN CN202210215068.6A patent/CN114663365A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704267A (zh) * | 2023-08-01 | 2023-09-05 | 成都斐正能达科技有限责任公司 | 一种基于改进yolox算法的深度学习3d打印缺陷检测方法 |
CN116704267B (zh) * | 2023-08-01 | 2023-10-27 | 成都斐正能达科技有限责任公司 | 一种基于改进yolox算法的深度学习3d打印缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN108445011B (zh) | 一种基于深度学习的瑕疵检测系统及方法 | |
CN111289538A (zh) | 基于机器视觉的pcb板元件检测系统及检测方法 | |
CN110567969B (zh) | 用于织物缺陷检测的图像识别方法及其系统 | |
CN114998234A (zh) | 一种基于数据增强策略的自监督弹簧缺陷检测方法 | |
CN114663365A (zh) | 缺陷检测方法、装置及计算机存储介质 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
CN112419261A (zh) | 具有异常点去除功能的视觉采集方法及装置 | |
CN115471503A (zh) | 用于数控剖锭机的设备异常检测方法 | |
CN115082850A (zh) | 基于计算机视觉的模板支架安全风险识别方法 | |
CN117689646A (zh) | 一种正负样本融合的高精度缺陷检测方法、系统及介质 | |
CN113129265A (zh) | 瓷砖表面缺陷检测方法、装置及存储介质 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
CN111707672A (zh) | 风电回转支撑件表面缺陷检测方法 | |
CN109975307A (zh) | 基于统计投影训练的轴承表面缺陷检测系统及检测方法 | |
CN110633657A (zh) | 一种高炉崩料预测方法 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN117593301B (zh) | 基于机器视觉的内存条损伤快速检测方法及系统 | |
CN117670755B (zh) | 一种吊钩防脱装置检测方法、装置、存储介质及电子设备 | |
US20230077332A1 (en) | Defect Inspection System and Defect Inspection Method | |
CN117495846B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN113837206A (zh) | 一种基于机器学习svm的图像角点检测方法 | |
CN111724352B (zh) | 一种基于核密度估计的贴片led瑕疵标注方法 | |
CN113344858A (zh) | 特征检测方法、装置及计算机存储介质 | |
CN116486141A (zh) | 基于多模态图像识别的木板等级分类及切割方法与系统 |
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 |