CN114882002A - 目标缺陷检测方法和检测装置、计算机设备、存储介质 - Google Patents

目标缺陷检测方法和检测装置、计算机设备、存储介质 Download PDF

Info

Publication number
CN114882002A
CN114882002A CN202210605274.8A CN202210605274A CN114882002A CN 114882002 A CN114882002 A CN 114882002A CN 202210605274 A CN202210605274 A CN 202210605274A CN 114882002 A CN114882002 A CN 114882002A
Authority
CN
China
Prior art keywords
defect
image
target
feature map
feature
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
CN202210605274.8A
Other languages
English (en)
Inventor
王永吉
杨延竹
张华�
于波
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.)
Shenzhen Geling Jingrui Vision Co ltd
Original Assignee
Shenzhen Geling Jingrui Vision 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 Shenzhen Geling Jingrui Vision Co ltd filed Critical Shenzhen Geling Jingrui Vision Co ltd
Priority to CN202210605274.8A priority Critical patent/CN114882002A/zh
Publication of CN114882002A publication Critical patent/CN114882002A/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/30136—Metal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种目标缺陷检测方法和检测装置、计算机设备、存储介质，属于人工智能技术领域。该方法包括：获取待检测的BGA图像，BGA图像中包括至少一个候选检测子图像；利用Mosaic函数对每个候选检测子图像进行数据增强操作，得到BGA图像中的至少一个目标缺陷图像；根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值。本申请实施例根据预训练的FPN架构模型对BGA图像中的候选检测子图像进行目标缺陷检测，能够提高对锡球小目标缺陷检测的准确率和效率。

Description

目标缺陷检测方法和检测装置、计算机设备、存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种目标缺陷检测方法和检测装置、计算机设备、存储介质。
背景技术
目前对锡球缺陷检测主要有两种：一是人工检测，传统的人工检测方式为工人通过佩戴显微镜逐个对锡球进行检测，而这种方式的工作强度大，易受到工人工作状态、工作经验等主观因素的影响，从而影响对锡球缺陷判断的准确性。此外，由于人工检测时生产线速度受到一定的限制，从而影响了生产效率。二是基于机器视觉的2D图像处理，其通过光学以及图像处理技术检测锡球缺陷，利用传统视觉的Blob分析、模板匹配等技术，识别速度虽然满足实验室要求，但这样的速度在实际生产中肯定是远远不够的，同时由于锡球损伤缺陷较小，存在较高的漏检率。
发明内容
本申请实施例的主要目的在于提出了目标缺陷检测方法和检测装置、计算机设备、存储介质，能够提高对锡球小目标缺陷检测的准确率和效率。
为实现上述目的，本申请实施例的第一方面提出了一种目标缺陷检测方法，所述方法包括：
获取待检测的BGA图像，所述BGA图像中包括至少一个候选检测子图像；
利用Mosaic函数对每个候选检测子图像进行数据增强操作，得到所述BGA图像中的至少一个目标缺陷图像；
根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出所述每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值。
在一些实施例中，所述FPN架构模型通过如下方法训练得到：
构建训练样本集，所述训练样本集包括多个缺陷样本图像；
对每个缺陷样本图像进行下采样操作，得到对应于所述缺陷样本图像的多个不同特征尺寸的第二缺陷特征图；
根据所述多个不同特征尺寸的第二缺陷特征图构建多层下采样结构；
根据所述多层下采样结构对每个第二缺陷特征图进行上采样操作，得到多个不同尺寸的第三缺陷特征图；
根据所述多个不同尺寸的第三缺陷特征图构建多层上采样结构；
根据所述多层上采样结构对每个第三缺陷特征图进行下采样操作，得到多个不同尺寸的第四缺陷特征图；
根据每个第四缺陷特征图和预设的缺陷类别对所述FPN架构模型进行模型训练，直至所述模型训练的精确值满足预设训练结束条件，以得到所述FPN架构模型。
在一些实施例中，所述根据所述多层下采样结构对每个第二缺陷特征图进行上采样操作，得到多个不同尺寸的第三缺陷特征图，包括：
获取所述多层下采样结构中最深层的第二缺陷特征图，所述最深层的第二缺陷特征图为所述最深层的第二缺陷特征图对应的前一层的第二缺陷特征图进行卷积操作得到；
对所述前一层的第二缺陷特征图和所述最深层的第二缺陷特征图进行特征融合，得到与所述前一层的第二缺陷特征图的特征尺寸相等的第三缺陷特征图；
将得到的所述第三缺陷特征图替换为所述最深层的第二缺陷特征图，与当前的所述最深层的第二缺陷特征图对应的前一层的第二缺陷特征图进行特征融合，得到多个不同尺寸的第三缺陷特征图。
在一些实施例中，所述根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出所述每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值，包括：
根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，得到所述每个目标缺陷图像在候选缺陷类别下对应的候选缺陷概率值；
对多个所述候选缺陷概率值进行数值比较，得到所述每个目标缺陷图像对应的目标缺陷类别和目标缺陷概率值。
在一些实施例中，所述方法还包括：
将所述目标缺陷类别和所述目标缺陷概率值标记到所述BGA图像中对应的所述目标缺陷图像上。
本申请实施例的第二方面提出了一种目标缺陷检测装置，所述装置包括：
图像获取模块，用于获取待检测的BGA图像，所述BGA图像中包括至少一个候选检测子图像；
数据增强模块，用于利用Mosaic函数对每个候选检测子图像进行数据增强操作，得到所述BGA图像中的至少一个目标缺陷图像；
缺陷检测模块，用于根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出所述每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值。
在一些实施例中，所述装置还包括：
FPN架构模型模块，所述FPN架构模型模块对应的所述FPN架构模型通过如下方法训练得到：
构建训练样本集，所述训练样本集包括多个缺陷样本图像；
对每个缺陷样本图像进行下采样操作，得到对应于所述缺陷样本图像的多个不同特征尺寸的第二缺陷特征图；
根据所述多个不同特征尺寸的第二缺陷特征图构建多层下采样结构；
根据所述多层下采样结构对每个第二缺陷特征图进行上采样操作，得到多个不同尺寸的第三缺陷特征图；
根据所述多个不同尺寸的第三缺陷特征图构建多层上采样结构；
根据所述多层上采样结构对每个第三缺陷特征图进行下采样操作，得到多个不同尺寸的第四缺陷特征图；
根据每个第四缺陷特征图和预设的缺陷类别对所述FPN架构模型进行模型训练，直至所述模型训练的精确值满足预设训练结束条件，以得到所述FPN架构模型。
在一些实施例中，所述缺陷检测模块包括：
缺陷检测子模块，用于根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，得到所述每个目标缺陷图像在候选缺陷类别下对应的候选缺陷概率值；
数值比较模块，用于对多个所述候选缺陷概率值进行数值比较，得到所述每个目标缺陷图像对应的目标缺陷类别和目标缺陷概率值。
本申请实施例的第三方面提出了一种计算机设备，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时所述处理器用于执行如本申请第一方面实施例任一项所述的方法。
本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行如本申请第一方面实施例任一项所述的方法。
本申请实施例提出的目标缺陷检测方法和检测装置、计算机设备、存储介质，通过获取待检测的BGA图像，得到该BGA图像中的至少一个候选检测子图像，为了提高图像进行缺陷检测的准确率，利用Mosaic函数对每个候选检测子图像进行数据增强操作，得到BGA图像中的至少一个目标缺陷图像。根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值。本申请实施例根据预训练的FPN架构模型对BGA图像中的候选检测子图像进行目标缺陷检测，能够提高对锡球小目标缺陷检测的准确率和效率。
附图说明
图1是本申请实施例提供的目标缺陷检测方法的流程图；
图2是本申请实施例提供的FPN架构模型的第一流程图；
图3是本申请实施例提供的FPN架构模型的第二流程图；
图4是图1中的步骤S130的流程图；
图5是本申请实施例提供的目标缺陷检测方法的结构示意图；
图6是本申请实施例提供的目标缺陷检测装置的模块结构框图；
图7是本申请实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
首先，对本申请中涉及的若干名词进行解析：
人工智能(Artificial Intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
Blob分析：指图像中的一块连通区域，Blob分析就是对前景/背景分离后的二值图像，进行连通域提取和标记。标记完成的每一个Blob都代表一个前景目标，然后就可以计算Blob的一些相关特征。其优点在于通过Blob提取，可以获得相关区域的信息，但是速度较慢，分析难度大。
球栅阵列封装(Ball Grid Array，BGA)技术：为应用在集成电路上的一种表面黏着封装技术，常用来永久固定如微处理器之类的的装置。BGA封装能提供比其他如双列直插封装或四侧引脚扁平封装所容纳更多的接脚，整个装置的底部表面可全作为接脚使用，比起周围限定的封装类型还能具有更短的平均导线长度，具备更佳的高速效能。
特征金字塔网络(Feature Pyramid Network，FPN)：同时利用低层特征高分辨率和高层特征的高语义信息，通过融合不同层的特征以达到预测的效果。
光学三原色(Red-Green-Blue，RGB)，用于表示自然界中肉眼所能看到的任何色彩，即都可以由这三种色彩混合叠加而成，因此也称为加色模式。
下采样(Under-sampling)操作：指缩小图像，其主要目是使得图像符合显示区域的大小，生成对应图像的缩略图。
池化(Pooling)：是下采样的一种形式，它会压缩输入的特征图像，一方面减少了图像特征，以导致参数的减少，进而简化了卷积网络计算时的复杂度；另一方面保持了特征的某种不变性(旋转、平移、伸缩等)。
上采样(Unsampling)操作：即扩充特征图像的高度和宽度。在对图像进行特征提取的时候，需要对目标特征图像进行下采样操作，所以在编码过程中，要进行相应的上采样操作。常见的上采样操作方法有双线性插值、转置卷积、上采样和上池化。
目前对锡球缺陷检测主要有两种：一是人工检测，传统的人工检测方式为工人通过佩戴显微镜逐个对锡球进行检测，而这种方式的工作强度大，且受到工人工作状态、工作经验等主观因素的影响，从而影响对锡球缺陷判断的准确性。此外，由于人工检测时生产线速度受到一定的限制，从而影响了生产效率。二是基于机器视觉的2D图像处理，其通过光学以及图像处理技术检测锡球缺陷，利用传统视觉的Blob分析、模板匹配等技术，识别速度虽然满足实验室要求，但这样的速度在实际生产中肯定是远远不够的，同时由于锡球损伤缺陷较小，存在较高的漏检率。
基于此，本申请实施例提出目标缺陷检测方法和检测装置、计算机设备、存储介质，旨在提高对锡球小目标缺陷检测的准确率和效率。
本申请实施例提供的目标缺陷检测方法和检测装置、计算机设备、存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的目标缺陷检测方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的目标缺陷检测方法，涉及人工智能领域。本申请实施例提供的目标缺陷检测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现目标缺陷检测方法的应用等，但并不局限于以上形式。
本申请实施例可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
请参照图1，图1是本申请实施例提供的目标缺陷检测方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S110至步骤S130。
步骤S110，获取待检测的BGA图像，BGA图像中包括至少一个候选检测子图像；
步骤S120，利用Mosaic函数对每个候选检测子图像进行数据增强操作，得到BGA图像中的至少一个目标缺陷图像；
步骤S130，根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值。
在一些实施例的步骤S110中，当对缺陷较小的目标物体进行缺陷检测的时候，由于其对应出现的缺陷也比较小，对目标缺陷检测造成了很多大的困难。为了提高对小目标缺陷检测的准确率，首先，获取待检测的BGA图像，BGA图像中包括至少一个候选检测子图像。
需要说明的是，待检测的BGA图像的获取可以为通过对包含多个需进行小目标检测的目标对象进行初始图像采集，从而通过对初始图像进行图像预处理，以得到待检测的BGA图像，BGA图像中包括至少一个候选检测子图像。具体地，例如，由于锡球本身尺寸较小，所以锡球的一些缺陷包括锡球磨损、锡球毛刺、锡球刮伤等缺陷更小，因此可以通过电子显微镜等图像采集设备拍摄得到所需的初始图像即锡球照片。通过对锡球照片进行图像预处理，例如，可以对锡球照片进行图像反转、图像平移、图像分割、增强图像亮度等图像预处理操作，得到与锡球照片对应的待检测的BGA图像，BGA图像中包括至少一个候选检测子图像，其中的每个候选检测子图像对应于锡球照片中的一个待检测的目标对象，即相当于一个锡球。
需要说明的是，初始图像可以为二值图像、灰度图像、RGB三通道图像等，本申请实施例并不对采集的初始图像的具体形式进行限定。
在一些实施例的步骤S120中，为了提高对锡球小目标缺陷检测的识别精度，利用Mosaic函数对每个候选检测子图像进行数据增强操作，得到BGA图像中的至少一个目标缺陷图像。具体地，利用Mosaic函数得到数据增强模型，通过数据增强模型对每个候选检测子图像进行数据增强操作，得到BGA图像中的至少一个目标缺陷图像。
需要说明的是，Mosaic函数对应的数据增强方法主要是将四张图片进行随机裁剪，再拼接到一张图上作为训练数据，从而丰富了图片的背景，在获得一张新的图片的同时，也获得这张图片中对应的识别框。然后将这样一张新的图片传入到神经网络当中去学习，从而提高数据增强模型的识别精度。本申请实施例通过数据增强模型对每个候选检测子图像进行数据增强操作，得到BGA图像中的至少一个目标缺陷图像，即在BGA图像中得到至少一个用识别框标记的待检测的目标缺陷图像。
在一些实施例的步骤S130中，为了提高对锡球小目标缺陷检测的准确率和效率，根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值。
需要说明的是，锡球的目标缺陷类别的划分主要分为两大类：锡球尺寸缺陷、锡球损伤缺陷以及锡球外来物缺点。其中，锡球尺寸缺陷主要包括：锡球的尺寸缺陷、锡球排列位置缺陷、锡球间间距缺陷、锡球共面度缺陷等；锡球损伤缺陷主要包括：锡球压扁、锡球磨损、锡球刮伤、锡球脱落、锡球氧化、锡球形状缺陷等；锡球外来物缺陷主要包括：锡球上会沾有杂质，或是运输过程中吸附外来毛发等。具体地，锡球的尺寸缺陷可以包括锡球的高度、体积、表面积等缺陷；锡球排列位置缺陷即锡球的位置不能偏移；锡球间间距缺陷即锡球间的间距不能超过尺寸规范。
请参照图2，在一些实施例中，为了提高对目标缺陷识别的效率，本申请实施例根据预训练的FPN架构模型对BGA图像中的候选检测子图像进行目标缺陷检测，图2是本申请实施例提供的FPN架构模型的一个可选的训练流程图，图2中的训练方法可以包括但不限于包括步骤S210至步骤S270。
步骤S210，构建训练样本集，训练样本集包括多个缺陷样本图像；
步骤S220，对每个缺陷样本图像进行下采样操作，得到对应于缺陷样本图像的多个不同特征尺寸的第二缺陷特征图；
步骤S230，根据多个不同特征尺寸的第二缺陷特征图构建多层下采样结构；
步骤S240，根据多层下采样结构对每个第二缺陷特征图进行上采样操作，得到多个不同尺寸的第三缺陷特征图；
步骤S250，根据多个不同尺寸的第三缺陷特征图构建多层上采样结构；
步骤S260，根据多层上采样结构对每个第三缺陷特征图进行下采样操作，得到多个不同尺寸的第四缺陷特征图；
步骤S270，根据每个第四缺陷特征图和预设的缺陷类别对FPN架构模型进行模型训练，直至模型训练的精确值满足预设训练结束条件，以得到FPN架构模型。
在一些实施例的步骤S210中，为了提高对目标缺陷识别的效率，本申请实施采用的预训练的FPN架构模型是将输入的待检测图像经过下采样操作-上采样操作-下采样操作，实现了从不同的主干层对模型中不同的检测层的参数聚合，最终实现对锡球小目标缺陷的检测精度，极大地提高了检测率，降低了漏检率。具体地训练过程为，首先构建训练样本集，该训练样本集包括多个缺陷样本图像。
在一些实施例的步骤S220和步骤S230中，由于初始的缺陷样本图像通过特征提取后得到的特征图的尺寸较大，包含了较强的位置信息和较弱的语义特征信息，通过对每个缺陷样本图像进行下采样操作，即将每个缺陷样本图像对应的特征图进行卷积处理，得到对应于缺陷样本图像的多个不同特征尺寸的第二缺陷特征图。其中，将特征尺寸相同的缺陷特征图归为一层，并根据多个不同特征尺寸的第二缺陷特征图构建多层下采样结构。其中，当前的下采样结构相当于第一特征金字塔，初始的缺陷样本图像位于该第一特征金字塔的浅层，对每个缺陷样本图像进行多次卷积处理后得到的第一特征金字塔中深层对应的缺陷特征图，即第一特征金字塔实现了对每个缺陷样本图像从底向上的采样过程。
需要说明的是，对每个缺陷样本图像进行下采样时，FPN架构模型中特征选取网络的主干网并不限定于采用几倍的进行图像的缩放，可以根据需求进行灵活调整。
在一些实施例的步骤S240和步骤S250中，由于深层的特征图包含了较弱的位置信息和较强的语义特征信息，为了增强多个尺寸特征图对应的语义特征信息，根据多层下采样结构对每个第二缺陷特征图进行上采样操作，得到多个不同尺寸的第三缺陷特征图。具体地，将每个第二缺陷特征图与第一特征金字塔中特征图尺寸相同的缺陷特征图进行特征融合，以得到多个不同尺寸的第三缺陷特征图。因此，实现了将深层的语义特征信息传到浅层对应的缺陷特征图中，从而增强了多个尺寸特征图对应的语义特征信息。根据得到的多个不同尺寸的第三缺陷特征图构建多层上采样结构。其中，当前的上采样结构相当于第二特征金字塔，初始的第二缺陷特征图位于该第二特征金字塔的深层，对每个缺陷样本图像对应的第二缺陷特征图进行多次卷积处理后，得到了第二特征金字塔中浅层对应的缺陷特征图，即第二特征金字塔实现了对每个缺陷样本图像从顶向下的采样过程。
在一些实施例的步骤S260中，由于第二特征金字塔只是将深层较强的语义特征信息传递下来，为了提高对较高的位置信息的传递，以提高对图像中缺陷的定位情况，根据多层上采样结构对每个第三缺陷特征图进行下采样操作，得到多个不同尺寸的第四缺陷特征图。具体地，将每个第三缺陷特征图与第二特征金字塔中特征图尺寸相同的缺陷特征图进行特征融合，以得到多个不同尺寸的第四缺陷特征图。因此，实现了将浅层较强的位置信息传到深层对应的缺陷特征图中，从而增强了多个尺寸特征图对应的位置信息，以提高对小目标缺陷的定位检测能力。
需要说明的是，根据多个不同特征尺寸的第四缺陷特征图构建多层上采样结构。其中，当前的上采样结构相当于第三特征金字塔，初始的第三缺陷特征图位于该第三特征金字塔的浅层，对每个第三缺陷特征图进行多次卷积处理后得到的第三特征金字塔中深层对应的缺陷特征图，即第三特征金字塔实现了对每个第三缺陷特征图从底向上的采样过程。同时，根据第三特征金字塔中不同层对应的特征图像可以实现对不同尺寸的缺陷的预测。
在一些实施例的步骤S270中，为了提高FPN架构模型对缺陷的识别效率，根据每个第四缺陷特征图和预设的缺陷类别对FPN架构模型进行模型训练，直至模型训练的精确值满足预设训练结束条件，以得到FPN架构模型。
请参照图3，在一些实施例中，步骤S240具体包括但不限于步骤S310至步骤S330。
步骤S310，获取多层下采样结构中最深层的第二缺陷特征图，最深层的第二缺陷特征图为最深层的第二缺陷特征图对应的前一层的第二缺陷特征图进行卷积操作得到；
步骤S320，对前一层的第二缺陷特征图和最深层的第二缺陷特征图进行特征融合，得到与前一层的第二缺陷特征图的特征尺寸相等的第三缺陷特征图；
步骤S330，将得到的第三缺陷特征图替换为最深层的第二缺陷特征图，与当前的最深层的第二缺陷特征图对应的前一层的第二缺陷特征图进行特征融合，得到多个不同尺寸的第三缺陷特征图。
在一些实施例的步骤S310至步骤S330中，为了增强多个尺寸特征图对应的语义特征信息，获取多层下采样结构即获取第一特征金字塔中最深层的第二缺陷特征图，且该最深层的第二缺陷特征图为第一特征金字塔中，最深层的第二缺陷特征图对应的前一层的第二缺陷特征图进行卷积操作得到的。为了保证扩充特征图像的高度和宽度，上采样操作采样横向的相加融合，横向连接则是将上采样的结果和第一特征金字塔中生成的相同大小的特征图进行融合，即对前一层的第二缺陷特征图和最深层的第二缺陷特征图进行特征融合，得到与前一层的第二缺陷特征图的特征尺寸相等的第三缺陷特征图。在不断的上采样过程中，将得到的第三缺陷特征图替换为最深层的第二缺陷特征图，与当前的最深层的第二缺陷特征图对应的前一层的第二缺陷特征图进行特征融合，得到多个不同尺寸的第三缺陷特征图。因此，实现了将深层的语义特征信息传到浅层对应的缺陷特征图中，从而增强了多个尺寸特征图对应的语义特征信息。
需要说明的是，上采样操作所采用的具体倍数并不做具体限定，可以根据情况进行选择调整。
需要说明的是，为了消除上采样操作产生的的混叠效应，在进行特征融合之后，可以再采用设定的3*3的卷积核对每个融合结果进行卷积。
需要说明的是，对前一层的第二缺陷特征图和最深层的第二缺陷特征图进行特征融合时，为了降低融合通道的维度，先将前一层的第二缺陷特征图进行对应的卷积操作，将最深层的第二缺陷特征图进行特征方法，使得此时的特征图与前一层的第二缺陷特征图的尺寸相同，之后将经过卷积操作后的前一层的第二缺陷特征图和放大的最深层的第二缺陷特征图进行特征融合，得到与前一层的第二缺陷特征图的特征尺寸相等的第三缺陷特征图。
需要说明的是，由于第二特征金字塔只是将深层较强的语义特征信息传递下来，为了提高对较高的位置信息的传递，以提高对图像中缺陷的定位情况，根据多层上采样结构对每个第三缺陷特征图进行下采样操作，得到多个不同尺寸的第四缺陷特征图。具体地，获取多层上采样结构即获取第二特征金字塔中最深层的第三缺陷特征图，且该最深层的第三缺陷特征图为第二特征金字塔中，最深层的第三缺陷特征图对应的前一层的第三缺陷特征图进行卷积操作得到的。下采样操作同样采样横向的相加融合，横向连接则是将下采样的结果和第二特征金字塔中生成的相同大小的特征图进行融合，即对前一层的第三缺陷特征图和最浅层的第三缺陷特征图进行特征融合，得到与前一层的第三缺陷特征图的特征尺寸相等的第四缺陷特征图。在不断的下采样过程中，将得到的第四缺陷特征图替换为最浅层的第三缺陷特征图，与当前的最浅层的第三缺陷特征图对应的前一层的第三缺陷特征图进行特征融合，得到多个不同尺寸的第四缺陷特征图。
请参照图4，在一些实施例中，步骤S130具体包括但不限于步骤S410和步骤S420。
步骤S410，根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，得到每个目标缺陷图像在候选缺陷类别下对应的候选缺陷概率值；
步骤S420，对多个候选缺陷概率值进行数值比较，得到每个目标缺陷图像对应的目标缺陷类别和目标缺陷概率值。
在一些实施例的步骤S410和步骤S420中，为了提高对目标缺陷识别的效率和准确率，根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，得到每个目标缺陷图像在候选缺陷类别下对应的候选缺陷概率值。具体地，根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测时，输出了每个目标缺陷图像在候选缺陷类别下对应的候选缺陷概率值，对多个候选缺陷概率值进行数值比较，选择其实与待检测的目标缺陷图像最匹配的目标，即得到了每个目标缺陷图像对应的目标缺陷类别和目标缺陷概率值。因为锡球的目标缺陷类别和对应的目标缺陷概率值均通过该模型对应的网络进行识别，提高了对目标缺陷识别的效率和准确率。
在一些实施例中，本申请实施例的目标缺陷检测方法还包括：将目标缺陷类别和目标缺陷概率值标记到BGA图像中对应的目标缺陷图像上。
具体地，在一些实施例中，为了直观地获取待检测的目标图像对应的目标缺陷类别和目标缺陷概率值，将得到的目标缺陷类别和目标缺陷概率值标记到BGA图像中对应的目标缺陷图像上。
在一具体的实施例中，请参照图5，首先获取待检测的BGA图像510，BGA图像510中包括至少一个候选检测子图像，利用Mosaic函数对每个候选检测子图像进行数据增强操作，得到BGA图像510中的至少一个目标缺陷图像520。预训练的FPN架构模型包括第一特征金字塔530、第二特征金字塔540和第三特征金字塔550。根据预训练的FPN架构模型对每个目标缺陷图像520进行缺陷检测，具体为，对初始的目标缺陷图像520在第一特征金字塔530中不断的进行下采样操作，得到对应于缺陷样本图像的多个不同特征尺寸的第二缺陷特征图，例如，包括依次得到的特征尺寸为512*512、128*128、64*64的第二缺陷特征图。则64*64的第二缺陷特征图为最深层的第二缺陷特征图，通过对第一特征金字塔530中128*128的第二缺陷特征图和最深层的第二缺陷特征图进行特征融合，得到了第二特征金字塔540中特征尺寸为128*128的第三缺陷特征图。通过对128*128的第三缺陷特征图继续进行下采样，得到特征尺寸为512*512的第三缺陷特征图，从而构建了第二特征金字塔540。由于浅层的特征图包含了较强的位置信息和较弱的语义特征信息，将第二特征金字塔540中的512*512的第三缺陷特征图为最浅层的第三缺陷特征图，将当前的最浅层的第三缺陷特征图对应的前一层的第三缺陷特征图进行特征融合，得到多个不同尺寸的第四缺陷特征图。例如，包括依次得到的特征尺寸为512*512、128*128、64*64的第四缺陷特征图，构建了第三特征金字塔550。根据第三特征金字塔550中不同尺寸的图像能够将浅层较强的位置信息传导到深层，以增强多个尺度上的定位能力，例如，第三特征金字塔550中浅层的特征尺寸为512*512的特征图能够预测锡球中较小的缺陷，例如：毛刺、刮伤等，特征尺寸为128*128的特征图能够预测锡球中一些中等的缺陷，比如：锡球外来物等，特征尺寸为64*64的特征图能够预测锡球中较大的缺陷，比如锡球脱落等，即通过对每个目标缺陷图像520进行缺陷检测，输出每个目标缺陷图像520对应的目标缺陷类别及目标缺陷概率值。因此，本发明实施例在传统的FPN架构模型上增加了多层上采样融合层，即通过下采样-上采样-下采样的模型架构，将包含更多细节的浅层信息向上传递，扩大感受野面积，二次放大输入的目标缺陷图像对应的特征图，提高了对目标缺陷识别的效率和准确率。
本申请实施例还提供目标缺陷检测装置，请参照图6，可以实现上述目标缺陷检测方法，该装置包括：图像获取模块610，数据增强模块620和缺陷检测模块630。
图像获取模块610，用于获取待检测的BGA图像，BGA图像中包括至少一个候选检测子图像；
数据增强模块620，用于利用Mosaic函数对每个候选检测子图像进行数据增强操作，得到BGA图像中的至少一个目标缺陷图像；
缺陷检测模块630，用于根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值。
本申请实施例提出的目标缺陷检测装置，通过获取待检测的BGA图像，得到该BGA图像中的至少一个候选检测子图像，为了提高图像进行缺陷检测的准确率，利用Mosaic函数对每个候选检测子图像进行数据增强操作，得到BGA图像中的至少一个目标缺陷图像。根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值。本申请实施例根据预训练的FPN架构模型对BGA图像中的候选检测子图像进行目标缺陷检测，能够提高对锡球小目标缺陷检测的准确率和效率。
本申请实施例的目标缺陷检测装置用于执行上述实施例中的目标缺陷检测方法，其具体处理过程与上述实施例中的目标缺陷检测方法相同，此处不再一一赘述。
在一些实施例中，本申请实施例提供的目标缺陷检测装置，还包括：
FPN架构模型模块，FPN架构模型模块对应的FPN架构模型通过如下方法训练得到：
构建训练样本集，训练样本集包括多个缺陷样本图像；
对每个缺陷样本图像进行下采样操作，得到对应于缺陷样本图像的多个不同特征尺寸的第二缺陷特征图；
根据多个不同特征尺寸的第二缺陷特征图构建多层下采样结构；
根据多层下采样结构对每个第二缺陷特征图进行上采样操作，得到多个不同尺寸的第三缺陷特征图；
根据多个不同尺寸的第三缺陷特征图构建多层上采样结构；
根据多层上采样结构对每个第三缺陷特征图进行下采样操作，得到多个不同尺寸的第四缺陷特征图；
根据每个第四缺陷特征图和预设的缺陷类别对FPN架构模型进行模型训练，直至模型训练的精确值满足预设训练结束条件，以得到FPN架构模型。
在一些实施例中，缺陷检测模块630包括：
缺陷检测子模块，用于根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，得到每个目标缺陷图像在候选缺陷类别下对应的候选缺陷概率值；
数值比较模块，用于对多个候选缺陷概率值进行数值比较，得到每个目标缺陷图像对应的目标缺陷类别和目标缺陷概率值。
本申请实施例还提供了一种计算机设备，该计算机设备包括存储器和处理器，其中，存储器中存储有计算机程序，计算机程序被处理器执行时处理器用于执行如本申请上述实施例中的方法。
下面结合图7对计算机设备的硬件结构进行详细说明。该计算机设备包括：处理器710、存储器720、输入/输出接口730、通信接口740和总线750。
处理器710，可以采用通用的CPU(Central Processin Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器720，可以采用ROM(Read Only Memory，只读存储器)、静态存储设备、动态存储设备或者RAM(Random Access Memory，随机存取存储器)等形式实现。存储器720可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器720中，并由处理器710来调用执行本申请实施例的目标缺陷检测方法；
输入/输出接口730，用于实现信息输入及输出；
通信接口740，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线750，在设备的各个组件(例如处理器710、存储器720、输入/输出接口730和通信接口740)之间传输信息；
其中处理器710、存储器720、输入/输出接口730和通信接口740通过总线750实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机程序，在计算机程序被计算机执行时，计算机用于执行本申请实施例的目标缺陷检测方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1至图5中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。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。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元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单元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，也可以采用软件功能单元的形式实现。
所述集成的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种目标缺陷检测方法，其特征在于，所述方法包括：
获取待检测的BGA图像，所述BGA图像中包括至少一个候选检测子图像；
利用Mosaic函数对每个候选检测子图像进行数据增强操作，得到所述BGA图像中的至少一个目标缺陷图像；
根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出所述每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值。
2.根据权利要求1所述的方法，其特征在于，所述FPN架构模型通过如下方法训练得到：
构建训练样本集，所述训练样本集包括多个缺陷样本图像；
对每个缺陷样本图像进行下采样操作，得到对应于所述缺陷样本图像的多个不同特征尺寸的第二缺陷特征图；
根据所述多个不同特征尺寸的第二缺陷特征图构建多层下采样结构；
根据所述多层下采样结构对每个第二缺陷特征图进行上采样操作，得到多个不同尺寸的第三缺陷特征图；
根据所述多个不同尺寸的第三缺陷特征图构建多层上采样结构；
根据所述多层上采样结构对每个第三缺陷特征图进行下采样操作，得到多个不同尺寸的第四缺陷特征图；
根据每个第四缺陷特征图和预设的缺陷类别对所述FPN架构模型进行模型训练，直至所述模型训练的精确值满足预设训练结束条件，以得到所述FPN架构模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述多层下采样结构对每个第二缺陷特征图进行上采样操作，得到多个不同尺寸的第三缺陷特征图，包括：
获取所述多层下采样结构中最深层的第二缺陷特征图，所述最深层的第二缺陷特征图为所述最深层的第二缺陷特征图对应的前一层的第二缺陷特征图进行卷积操作得到；
对所述前一层的第二缺陷特征图和所述最深层的第二缺陷特征图进行特征融合，得到与所述前一层的第二缺陷特征图的特征尺寸相等的第三缺陷特征图；
将得到的所述第三缺陷特征图替换为所述最深层的第二缺陷特征图，与当前的所述最深层的第二缺陷特征图对应的前一层的第二缺陷特征图进行特征融合，得到多个不同尺寸的第三缺陷特征图。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出所述每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值，包括：
根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，得到所述每个目标缺陷图像在候选缺陷类别下对应的候选缺陷概率值；
对多个所述候选缺陷概率值进行数值比较，得到所述每个目标缺陷图像对应的目标缺陷类别和目标缺陷概率值。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将所述目标缺陷类别和所述目标缺陷概率值标记到所述BGA图像中对应的所述目标缺陷图像上。
6.一种目标缺陷检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取待检测的BGA图像，所述BGA图像中包括至少一个候选检测子图像；
数据增强模块，用于利用Mosaic函数对每个候选检测子图像进行数据增强操作，得到所述BGA图像中的至少一个目标缺陷图像；
缺陷检测模块，用于根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，输出所述每个目标缺陷图像对应的目标缺陷类别及目标缺陷概率值。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
FPN架构模型模块，所述FPN架构模型模块对应的所述FPN架构模型通过如下方法训练得到：
构建训练样本集，所述训练样本集包括多个缺陷样本图像；
对每个缺陷样本图像进行下采样操作，得到对应于所述缺陷样本图像的多个不同特征尺寸的第二缺陷特征图；
根据所述多个不同特征尺寸的第二缺陷特征图构建多层下采样结构；
根据所述多层下采样结构对每个第二缺陷特征图进行上采样操作，得到多个不同尺寸的第三缺陷特征图；
根据所述多个不同尺寸的第三缺陷特征图构建多层上采样结构；
根据所述多层上采样结构对每个第三缺陷特征图进行下采样操作，得到多个不同尺寸的第四缺陷特征图；
根据每个第四缺陷特征图和预设的缺陷类别对所述FPN架构模型进行模型训练，直至所述模型训练的精确值满足预设训练结束条件，以得到所述FPN架构模型。
8.根据权利要求6所述的装置，其特征在于，所述缺陷检测模块包括：
缺陷检测子模块，用于根据预训练的FPN架构模型对每个目标缺陷图像进行缺陷检测，得到所述每个目标缺陷图像在候选缺陷类别下对应的候选缺陷概率值；
数值比较模块，用于对多个所述候选缺陷概率值进行数值比较，得到所述每个目标缺陷图像对应的目标缺陷类别和目标缺陷概率值。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时所述处理器用于执行：
如权利要求1至5中任一项所述的方法。
10.一种存储介质，所述存储介质为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存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行：
如权利要求1至5中任一项所述的方法。
CN202210605274.8A 2022-05-31 2022-05-31 目标缺陷检测方法和检测装置、计算机设备、存储介质 Pending CN114882002A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210605274.8A CN114882002A (zh) 2022-05-31 2022-05-31 目标缺陷检测方法和检测装置、计算机设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210605274.8A CN114882002A (zh) 2022-05-31 2022-05-31 目标缺陷检测方法和检测装置、计算机设备、存储介质

Publications (1)

Publication Number Publication Date
CN114882002A true CN114882002A (zh) 2022-08-09

Family

ID=82678771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210605274.8A Pending CN114882002A (zh) 2022-05-31 2022-05-31 目标缺陷检测方法和检测装置、计算机设备、存储介质

Country Status (1)

Country Link
CN (1) CN114882002A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601363A (zh) * 2022-12-14 2023-01-13 中建科技集团有限公司（Cn） 一种基于小目标检测算法的装配式建筑产品缺陷检测方法
CN116129221A (zh) * 2023-01-16 2023-05-16 五邑大学 锂电池缺陷检测方法、系统及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601363A (zh) * 2022-12-14 2023-01-13 中建科技集团有限公司（Cn） 一种基于小目标检测算法的装配式建筑产品缺陷检测方法
CN116129221A (zh) * 2023-01-16 2023-05-16 五邑大学 锂电池缺陷检测方法、系统及存储介质
CN116129221B (zh) * 2023-01-16 2024-02-20 五邑大学 锂电池缺陷检测方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN109190752B (zh) 基于深度学习的全局特征和局部特征的图像语义分割方法
CN110176027B (zh) 视频目标跟踪方法、装置、设备及存储介质
US10789504B2 (en) Method and device for extracting information in histogram
CN111681273B (zh) 图像分割方法、装置、电子设备及可读存储介质
CN114882002A (zh) 目标缺陷检测方法和检测装置、计算机设备、存储介质
US11823358B2 (en) Handwritten content removing method and device and storage medium
CN109977834B (zh) 从深度图像中分割人手与交互物体的方法和装置
CN116245876B (zh) 缺陷检测方法、装置、电子设备、存储介质和程序产品
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
CN112001317A (zh) 基于语义信息的导线缺陷识别方法、系统及终端设备
CN113642585A (zh) 图像处理方法、装置、设备、存储介质及计算机程序产品
CN113436222A (zh) 图像处理方法、图像处理装置、电子设备及存储介质
CN111583322A (zh) 一种基于深度学习的2d图像场景深度预测及语义分割方法和系统
CN117557784B (zh) 目标检测方法、装置、电子设备及存储介质
CN108877030B (zh) 图像处理方法、装置、终端和计算机可读存储介质
CN112396564A (zh) 一种基于深度学习的产品封装质量检测方法及系统
CN112750113A (zh) 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置
CN115656189B (zh) 基于光度立体与深度学习算法的缺陷检测方法及装置
CN116798041A (zh) 图像识别方法、装置和电子设备
CN115063348A (zh) 一种零件表面缺陷检测方法、装置、设备及介质
CN112651351B (zh) 一种数据处理的方法和装置
CN115358981A (zh) 胶水缺陷的确定方法、装置、设备及存储介质
CN114973271A (zh) 一种文本信息提取方法、提取系统、电子设备及存储介质
CN116883770A (zh) 深度估计模型的训练方法、装置、电子设备及存储介质
CN113034420B (zh) 一种频率空间域特征的工业产品表面缺陷分割方法及系统

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