CN114882024B - 目标对象的缺陷检测方法、装置、电子设备以及存储介质 - Google Patents
目标对象的缺陷检测方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN114882024B CN114882024B CN202210795548.4A CN202210795548A CN114882024B CN 114882024 B CN114882024 B CN 114882024B CN 202210795548 A CN202210795548 A CN 202210795548A CN 114882024 B CN114882024 B CN 114882024B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- point
- matrix
- target object
- defect detection
- 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.)
- Active
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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]
-
- 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
Abstract
本申请实施例提供了一种目标对象的缺陷检测方法、装置、电子设备以及存储介质;其中方法通过对目标对象的三维点云数据进行处理,以得到用于检测目标对象的缺陷的缺陷检测数据,避免了二维图像中光照不均、表面不洁、复杂纹理等干扰导致无法准确获取目标对象的缺陷的问题;同时,通过每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征,综合考虑了三维点云中的特征信息和位置信息,使得三维点云理解和缺陷检测水平提高,提高了缺陷检测的准确性,进而提升了用户体验。
Description
技术领域
本申请涉及信息技术领域,特别是一种目标对象的缺陷检测方法、装置、电子设备以及存储介质。
背景技术
目前对目标对象进行缺陷检测,主要采用人工检测的方式,而人工检测的方式过于依赖检测技术人员的主观经验,效率低下,结果不够准确。而新兴的图像识别技术,包括阈值分割、边缘检测、形态学运算等图像处理方法,更为有效且相对简单,得到了广泛的应用。在此基础上,许多研究者建立了基于卷积神经网络(CNN)、深度学习(DNN)等技术的缺陷识别机器学习模型,实现了目标对象缺陷的自动识别,有效避免了人工和主观检测方法。然而,图像识别和机器学习识别仍有一定的局限性。两者都是基于图像处理的识别,识别结果不可避免地受到图像质量、拍摄效果等因素的影响。
发明内容
本申请实施例的目的在于提供一种目标对象的缺陷检测方法、装置、电子设备以及存储介质,以解决现有技术中,对目标对象进行缺陷检测时,效率低下,准确率低的问题。具体技术方案如下:
在本申请实施的第一方面,首先提供了一种目标对象的缺陷检测方法,所述目标对象的缺陷检测方法包括:对目标对象的三维点云数据进行特征提取,得到特征数据;根据所述特征数据中点云数在三维空间的位置,计算所述特征数据中点云中每个点的邻域,得到邻域内每个点的第一特征和三维坐标;根据邻域内每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征;聚合邻域内所有点的第二特征,得到缺陷检测数据,所述缺陷检测数据用于检测所述目标对象的缺陷。
在本申请实施的第二方面,还提供了一种目标对象的缺陷检测装置,所述目标对象的缺陷检测装置包括:提取模块,所述提取模块用于对目标对象的三维点云数据进行特征提取,得到特征数据;第一特征模块,所述第一特征模块用于根据所述特征数据中点云数在三维空间的位置,计算所述特征数据中点云中每个点的邻域,得到邻域内每个点的第一特征和三维坐标;第二特征模块,所述第二特征模块用于根据邻域内每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征;聚合模块,所述聚合模块用于聚合邻域内所有点的第二特征,得到缺陷检测数据,所述缺陷检测数据用于检测目标对象的缺陷。
在本申请实施的第三方面,提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现如上所述的目标对象的缺陷检测方法的步骤。
在本申请实施的第四方面还提供了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指令,当其在计算机上运行时,使得计算机执行上述任一所述的目标对象的缺陷检测方法的步骤。
在本申请实施例中的目标对象的缺陷检测方法,包括:对目标对象的三维点云数据进行特征提取,得到特征数据;根据所述特征数据中点云数在三维空间的位置,计算所述特征数据中点云中每个点的邻域,得到邻域内每个点的第一特征和三维坐标;根据邻域内每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征;聚合邻域内所有点的第二特征,得到缺陷检测数据,所述缺陷检测数据用于检测所述目标对象的缺陷,通过对目标对象的三维点云数据进行处理,以得到用于检测目标对象的缺陷的缺陷检测数据,避免了二维图像中光照不均、表面不洁、复杂纹理等干扰导致无法准确获取目标对象的缺陷的问题;同时,通过每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征,综合考虑了三维点云中的特征信息和位置信息,使得三维点云理解和缺陷检测水平提高,提高了缺陷检测的准确性,进而提升了用户体验。
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。
图1为本申请实施例中的一种目标对象的缺陷检测方法的基本流程示意图;
图2为本申请实施例中的一种深度神经网络的基本结构示意图;
图3为本申请实施例中的一种BasicLayer的基本结构示意图;
图4为本申请实施例中的一种注意力计算的基本结构示意图;
图5为本申请实施例中的一种目标对象的缺陷检测装置的基本结构示意图;
图6为本申请实施例中电子设备的结构示意图。
具体实施方式
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描述。
为了解决现有技术中存在的问题,如图1所示,本申请实施例提供了一种目标对象的缺陷检测方法,所述目标对象的缺陷检测方法包括:
S101、对目标对象的三维点云数据进行特征提取,得到特征数据;
S102、根据所述特征数据中点云数在三维空间的位置,计算所述特征数据中点云中每个点的邻域,得到邻域内每个点的第一特征和三维坐标;
S103、根据邻域内每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征;
S104、聚合邻域内所有点的第二特征,得到缺陷检测数据,所述缺陷检测数据用于检测所述目标对象的缺陷。
应当理解的是,上述目标对象的缺陷检测方法应用于在终端,该终端可以以各种形式来实施。例如,本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(PortableMedia Player,PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端,以及诸如数字TV、台式计算机等固定终端;
应当理解的是,其中目标对象为待检测对象,本实施例并不限制待检测对象的形状、大小、种类等,例如,目标对象包括但不限于混泥土、工业制品、建筑物等。其中,在一些示例中,三维点云数据包括但不限于目标对象的XYZ三维信息,在一些示例中,三维点云数据还包括目标对象的颜色、方向信息。
在本实施例的一些示例中,对目标对象的三维点云数据进行特征提取,得到特征数据之前,所述方法还包括:通过预设三维激光扫描装置,对所述目标对象进行激光扫描,以获得所述目标对象的所述三维点云数据。其中,预设三维激光扫描装置包括但不限于机载三维激光扫描装置、架站式三维激光扫描装置、移动式三维激光扫描装置中的至少一个,其中机载激光扫描就是将激光扫描设备搭载在无人机或有人机上,进行扫描作业;其中,可以根据目标对象确定预设三维激光扫描装置,例如,在目标对象为建筑物时,由于目标对象体积以及表面都很大,则预设三维激光扫描装置为机载三维激光扫描装置;再例如,目标对象为钢带等中小型工业制品时,则预设三维激光扫描装置为架站式三维激光扫描装置和/或移动式三维激光扫描装置。应当理解的是,在对目标对象进行激光扫描时,需要多次全面的对目标对象进行扫描,以完整的获取目标对象的所述三维点云数据。
在本实施例的一些示例中,对目标对象的三维点云数据进行特征提取,得到特征数据,包括:对所述三维点云数据进行降采样,以减少所述三维点云数据中点的数量,并保持所述三维点云数据中点云的形状特征不变,以保留所述三维点云数据中点云的空间结构信息。应当理解的是。获取到的三维点云数据通常为大规模数据,若直接对获取到的三维点云数据进行后续处理,将导致计算量大,导致计算时间、计算成本增加,因此本实施例通过对三维点云数据进行降采样,将对全部三维点云数据的操作转换到下采样所得到的关键点上,从而达到降低计算量的目的。
承接上例,其中,所述对三维点云数据进行降采样的方式包括但不限于:体素下采样、均匀采样、几何采样、随机下采样中的至少一种;以体素下采样为例,体素下采样通过将三维点云数据的点云空间进行网格化,也称体素化,网格化后的每一个格子称为体素,在这些划分为一个个极小的格子中包含一些点,然后对这些点取平均或加权平均得到一个点,以此来替代原来网格中所有的点。显然,网格选取越大则采样之后的点云越少,处理速度变快,但会对原先点云过度模糊,网格选取越小,则作用相反。
在本实施例的一些示例中,根据邻域内每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征,包括:根据邻域内每个点的第一特征得到第一查询矩阵(Query矩阵)、第一键矩阵(Key矩阵)以及第一值矩阵(Value矩阵),并对所述第一查询矩阵和所述第一键矩阵进行复合得到第一复合矩阵;根据邻域内每个点的三维坐标得到第二查询矩阵(Qpos矩阵)、第二键矩阵(Kpos矩阵),并对所述第二查询矩阵和所述第二键矩阵进行复合得到第二复合矩阵;对所述第一复合矩阵和所述第二复合矩阵进行求和得到求和矩阵;基于所述求和矩阵和所述第一值矩阵得到所述第二特征。
承接上例,根据邻域内每个点的第一特征得到第一查询矩阵(Query矩阵)、第一键矩阵(Key矩阵)以及第一值矩阵(Value矩阵),包括:将邻域内每个点的第一特征分别进行线性变换得到Query矩阵、Key矩阵、Value矩阵(也即,将第一特征分别与对应的神经网络内的矩阵相乘得到Query矩阵、Key矩阵、Value矩阵),并对所述第一查询矩阵和所述第一键矩阵进行复合得到第一复合矩阵包括但不限于:将所述Query矩阵和Key矩阵相乘,并对相乘得到的矩阵进行转置操作,得到第一复合矩阵。可以理解的是,其中神经网络内的矩阵可以由相关人员灵活设置,本实施例并不做限制。
同理,根据邻域内每个点的三维坐标得到第二查询矩阵(Qpos矩阵)、第二键矩阵(Kpos矩阵)包括:将邻域内每个点的三维坐标分别进行线性变换得到Qpos矩阵、Kpos矩阵(也即,将三维坐标分别与对应的神经网络内的矩阵相乘得到Qpos矩阵、Kpos矩阵)。并对所述第二查询矩阵和所述第二键矩阵进行复合得到第二复合矩阵包括但不限于:将所述Qpos矩阵和Kpos矩阵相乘,并对相乘得到的矩阵进行转置操作,得到第二复合矩阵。可以理解的是,其中神经网络内的矩阵可以由相关人员灵活设置,本实施例并不做限制。
其中,对所述第一复合矩阵和所述第二复合矩阵进行求和得到求和矩阵,并基于所述求和矩阵和所述第一值矩阵得到所述第二特征,具体的,在对所述第一复合矩阵和所述第二复合矩阵进行求和得到求和矩阵得到求和矩阵后,将求和矩阵进行归一化处理,并将归一化处理后得到的矩阵与Value矩阵复合(也即将得到的矩阵与Value矩阵相乘),并将得到的矩阵作为第二特征。
在本实施例的一些示例中,聚合邻域内所有点的特征,得到缺陷检测数据之前,所述方法还包括:
S201、将当前邻域中的最远点作为新的邻域中心点,以该中心点重新计算邻域,得到重新计算的领域内每个点的三维坐标;
S202、根据重新计算的领域内每个点的三维坐标以及每个点的第二特征,计算每个点互相之间的注意力,以更新领域内每个点的第二特征。
其中,在通过上述步骤S103确定每个点的第二特征后,为了提高每个点的第二特征的表述能力,可以通过步骤S201、S202对第二特征进行更新,以达到充分利用邻域内的结构信息和邻域间的相关信息的作用。
承接上例,具体的,上述步骤S201能够将每个点互相之间的注意力从邻域内转移到邻域间。具体操作为移动邻域的中心点,将不同邻域的点重新组成新的邻域,新的邻域将包括多个旧邻域中的点,进而实现跨邻域的注意力;应该理解的是,在组成新的领域后,则需要重新确定每个点的三维坐标;得到上述三维坐标以及步骤S103确定的第二特征后,可通过步骤S202计算每个点互相之间的注意力,以更新领域内每个点的第二特征,其中根据三维坐标和第二特征计算每个点的互相之间的注意力,得到邻域内每个点的第二特征的方式可以参考步骤S103的步骤,在此不在赘述。
应当理解的是,在聚合邻域内所有点的第二特征,得到缺陷检测数据之前,可以多次执行上述步骤S201、S202,上述步骤S201、S202的执行次数可以由训练数据量的多少,以及产线对模型精度、模型参数量和推理速度的要求综合而定。一般情况下,上述步骤S201、S202的执行次数越多说明网络结构越复杂,推理精度越高,推理速度越慢,所需的训练数据量越大。所以这个需要根据实际拥有训练数据量,权衡网络大小、推理精度、推理速度三者的关系来选定上述步骤S201、S202的执行次数。
在本实施例的一些示例中,聚合邻域内所有点的第二特征,得到缺陷检测数据,包括:对邻域内所有点的第二特征进行池化,以聚合领域内所有点的第二特征,得到所述缺陷检测数据。应当理解的是,取领域内所有点的第二特征存在数据量的问题,因此,为了减少数据量,采用池化的方式减少数据量、扩大感受野、聚合邻域内的特征信息。其中上述池化方式包括但不限于:平均池化、最大值池化、随机池化、全局平均池化中的一种或多种。
在本实施例的一些示例中,聚合邻域内所有点的特征,得到缺陷检测数据之后,所述方法还包括:根据所述缺陷检测数据在所述目标对象上进行标注,以将所述目标对象的缺陷可视化;根据所述缺陷检测数据进行标准化对照,以判断所述目标对象是否合格;其中,根据缺陷检测数据能够得到目标对象的缺陷,可视化就是以点云或图片的方式,在目标对象上将缺陷显示出来,在一些示例中,根据所述缺陷检测数据在所述目标对象上进行标注,以将所述目标对象的缺陷可视化包括:根据所述缺陷检测数据确定目标对象的缺陷,在目标对象上用不同颜色代表不同缺陷,并在目标对象上将不同颜色的缺陷显示出来。其中标准化对照是指,根据上述缺陷检测数据确定的缺陷大小,然后将该缺陷大小和生产厂家报废标准最对比,比如说,厂家要求目标对象中缩孔这一类缺陷面积要小于5mm,而检测结果显示某目标对象有6mm的缩孔,那么这一产品不合格,就要被报废;反之则是合格。
本实施例提供的目标对象的缺陷检测方法,所述目标对象的缺陷检测方法包括:对目标对象的三维点云数据进行特征提取,得到特征数据;根据所述特征数据中点云数在三维空间的位置,计算所述特征数据中点云中每个点的邻域,得到邻域内每个点的第一特征和三维坐标;根据邻域内每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征;聚合邻域内所有点的第二特征,得到缺陷检测数据,所述缺陷检测数据用于检测所述目标对象的缺陷,通过对目标对象的三维点云数据进行处理,以得到用于检测目标对象的缺陷的缺陷检测数据,避免了二维图像中光照不均、表面不洁、复杂纹理等干扰导致无法准确获取目标对象的缺陷的问题;同时,通过每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征,综合考虑了三维点云中的特征信息和位置信息,使得三维点云理解和缺陷检测水平提高,提高了缺陷检测的准确性,进而提升了用户体验。
为了更好的理解本发明,本实施例提供一种更为具体的示例对本发明进行说明,本实施例提供一种深度神经网络总体架构,如图2所示,深度神经网络总体架构由输入特征提取层(InputEmbed)、级联模块(BasicLayer)和网络头(NetworkHead)三种模块级联而成;
其中InputEmbed主要功能为,对获取的目标对象的三维点云数据进行特征提取(升维)和降采样,其中降采样的程度由输入数据规模和网络规模共同决定。BasicLayer是整个网络特征提取的核心模块,包括邻域计算、注意力计算、注意力偏移计算、特征聚合等子模块。NetworkHead根据任务目标的不同可使用检测、分割、分类等架构。
其中,本实施例并不限制采集目标对象的三维点云数据的方法,采集目标对象的三维点云数据的方法将根据采集设备和任务场景的不同选择合适的采集方法,在采集目标对象的三维点云数据并对其进行降噪后,则输入到深度神经网络,同样的,本实施例并不限制去噪方法。
如图2所示,多个级联BasicLayer(一些示例中,可以设置为4个)是网络的核心模块,BasicLayer的数量可以灵活变动以适应不同时延和精度需求的场景。BasicLayer的具体结构,如图3所示。邻域计算模块将依据三维点云数据中点云数在三维空间的位置,计算点云中每个点的邻域,并记录邻域内每个点的第一特征和三维坐标。注意力计算模块利用邻域内每个点的第一特征和三维坐标,计算每个点互相之间的注意力,更新整理邻域内每个点的特征,得到第二特征。注意力偏移模块,将注意力从邻域内转移到邻域间(不同邻域的点组成新的邻域)。图中虚线表示注意力计算模块可以有一个或多个,注意力计算模块可以有零个或多个,可根据任务复杂程度和时延要求动态调整。特征聚合模块将聚合邻域内特征并进行下采样,在注意力偏移后,通过将当前邻域中的最远点作为新的邻域中心点,以该中心点重新计算邻域,得到重新计算的领域内每个点的三维坐标;根据重新计算的领域内每个点的三维坐标以及每个点的第二特征,计算每个点互相之间的注意力,以更新领域内每个点的第二特征。
注意力计算模块中使用的注意力机制为多个邻域的邻域内局部注意力,减少计算量的同时,增加了对三维点云局部结构信息的感受能力,并通过BasicLayer的层级结构,保留了其全局信息的提取能力。其次,位置信息是三维点云数据的核心信息,对数据特征进行注意力操作的同时,增加对位置信息的注意,将提高特征表述能力。注意力计算的具体结构,如图4所示,其中Q、K、V为根据邻域内每个点的第一特征得到的Query矩阵、Key矩阵、Value矩阵,Qpos、Kpos代表对邻域内每个点的位置信息(三维坐标)求得的Query矩阵和Key矩阵,T代表转置操作,可表示为公式(1),d为特征的维度,dpos为坐标信息的维度。
注意力偏移模块将注意力从邻域内转移到邻域间。具体操作为移动邻域的中心点,将不同邻域的点重新组成新的邻域,新的邻域将包括多个旧邻域中的点,实现跨邻域的注意力。并且BasicLayer通过堆叠注意力计算模块和注意力偏移模块,充分利用邻域内的结构信息和邻域间的相关信息,得到更具表述能力的注意力结构。
本实施例提供的目标对象的缺陷检测方法,通过使用三维点云数据中的精确三维坐标来避免二维图像中光照不均、表面不洁、复杂纹理等干扰问题。同时使用一种新的基于灵活注意力的深度神经网络模型在复杂无序的三维点云中快速有效地提取特征信息,并进行判别得到精确地检测结果。具体来说,提出了一种新的注意力架构(新的神经网络特征提取模块),能综合考虑三维点云中的特征信息和位置信息(三维坐标),并利用这种注意力架构灵活搭建分层的神经网络模型,最终使三维点云理解和缺陷检测水平大幅提高,网络的适用场景也更加宽泛。
基于相同的构思,本实施例提供一种目标对象的缺陷检测装置,如图5所示,所述目标对象的缺陷检测装置包括:
提取模块1,所述提取模块1用于对目标对象的三维点云数据进行特征提取,得到特征数据;
第一特征模块2,所述第一特征模块2用于根据所述特征数据中点云数在三维空间的位置,计算所述特征数据中点云中每个点的邻域,得到邻域内每个点的第一特征和三维坐标;
第二特征模块3,所述第二特征模块3用于根据邻域内每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征;
聚合模块4,所述聚合模块5用于聚合邻域内所有点的第二特征,得到缺陷检测数据,所述缺陷检测数据用于检测目标对象的缺陷。
应当理解的是,本实施例提供的目标对象的缺陷检测装置能够实现上述目标对象的缺陷检测方法的各个步骤,达到与上述目标对象的缺陷检测方法的各个步骤相同的技术效果,在此不在赘述。
本申请实施例还提供了一种电子设备,如图6所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信,
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现上述实施例中的目标对象的缺陷检测方法步骤。
需要说明的是,处理器501在执行存储器503上所存放的程序时所起到的作用也是与上述实施例中的目标对象的缺陷检测方法步骤是类似的,在此不再赘述。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的目标对象的缺陷检测方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的目标对象的缺陷检测方法的步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (9)
1.一种目标对象的缺陷检测方法,其特征在于,所述目标对象的缺陷检测方法包括:
对目标对象的三维点云数据进行特征提取,得到特征数据;
根据所述特征数据中点云数在三维空间的位置,计算所述特征数据中点云中每个点的邻域,得到邻域内每个点的第一特征和三维坐标;
根据邻域内每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征,包括:根据邻域内每个点的第一特征得到第一查询矩阵、第一键矩阵以及第一值矩阵,并对所述第一查询矩阵和所述第一键矩阵进行复合得到第一复合矩阵;根据邻域内每个点的三维坐标得到第二查询矩阵、第二键矩阵,并对所述第二查询矩阵和所述第二键矩阵进行复合得到第二复合矩阵;对所述第一复合矩阵和所述第二复合矩阵进行求和得到求和矩阵,并基于所述求和矩阵和所述第一值矩阵得到所述第二特征;
聚合邻域内所有点的第二特征,得到缺陷检测数据,所述缺陷检测数据用于检测所述目标对象的缺陷。
2.根据权利要求1所述的方法,其特征在于,聚合邻域内所有点的特征,得到缺陷检测数据之前,所述方法还包括:
将当前邻域中的最远点作为新的邻域中心点,以该中心点重新计算邻域,得到重新计算的领域内每个点的三维坐标;
根据重新计算的领域内每个点的三维坐标以及每个点的第二特征,计算每个点互相之间的注意力,以更新领域内每个点的第二特征。
3.根据权利要求1所述的方法,其特征在于,聚合邻域内所有点的第二特征,得到缺陷检测数据,包括:
对邻域内所有点的第二特征进行池化,以聚合领域内所有点的第二特征,得到所述缺陷检测数据。
4.根据权利要求1所述的方法,其特征在于,聚合邻域内所有点的特征,得到缺陷检测数据之后,所述方法还包括:
根据所述缺陷检测数据在所述目标对象上进行标注,以将所述目标对象的缺陷可视化;
根据所述缺陷检测数据进行标准化对照,以判断所述目标对象是否合格。
5.根据权利要求1所述的方法,其特征在于,对目标对象的三维点云数据进行特征提取,得到特征数据,包括:
对所述三维点云数据进行降采样,以减少所述三维点云数据中点的数量,并保持所述三维点云数据中点云的形状特征不变,以保留所述三维点云数据中点云的空间结构信息。
6.根据权利要求1所述的方法,其特征在于,对目标对象的三维点云数据进行特征提取,得到特征数据之前,所述方法还包括:
通过预设三维激光扫描装置,对所述目标对象进行激光扫描,以获得所述目标对象的所述三维点云数据。
7.一种目标对象的缺陷检测装置,其特征在于,所述目标对象的缺陷检测装置包括:
提取模块,所述提取模块用于对目标对象的三维点云数据进行特征提取,得到特征数据;
第一特征模块,所述第一特征模块用于根据所述特征数据中点云数在三维空间的位置,计算所述特征数据中点云中每个点的邻域,得到邻域内每个点的第一特征和三维坐标;
第二特征模块,所述第二特征模块用于根据邻域内每个点的第一特征和三维坐标,计算每个点互相之间的注意力,得到邻域内每个点的第二特征,包括:根据邻域内每个点的第一特征得到第一查询矩阵、第一键矩阵以及第一值矩阵,并对所述第一查询矩阵和所述第一键矩阵进行复合得到第一复合矩阵;根据邻域内每个点的三维坐标得到第二查询矩阵、第二键矩阵,并对所述第二查询矩阵和所述第二键矩阵进行复合得到第二复合矩阵;对所述第一复合矩阵和所述第二复合矩阵进行求和得到求和矩阵,并基于所述求和矩阵和所述第一值矩阵得到所述第二特征;
聚合模块,所述聚合模块用于聚合邻域内所有点的第二特征,得到缺陷检测数据,所述缺陷检测数据用于检测目标对象的缺陷。
8.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一项所述的目标对象的缺陷检测方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的目标对象的缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210795548.4A CN114882024B (zh) | 2022-07-07 | 2022-07-07 | 目标对象的缺陷检测方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210795548.4A CN114882024B (zh) | 2022-07-07 | 2022-07-07 | 目标对象的缺陷检测方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882024A CN114882024A (zh) | 2022-08-09 |
CN114882024B true CN114882024B (zh) | 2022-11-15 |
Family
ID=82683411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210795548.4A Active CN114882024B (zh) | 2022-07-07 | 2022-07-07 | 目标对象的缺陷检测方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882024B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019117453A1 (ko) * | 2017-12-15 | 2019-06-20 | 주식회사 내일해 | 측정 대상 물체의 3차원 형상 정보를 생성하는 방법, 결함 검출 방법 및 결함 검출 장치 |
CN111784673A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(上海)科技有限公司 | 缺陷检测模型训练和缺陷检测方法、设备及存储介质 |
CN113284109A (zh) * | 2021-05-25 | 2021-08-20 | 中建三局集团(深圳)有限公司 | 管道缺陷识别方法、装置、终端设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190080446A1 (en) * | 2017-09-11 | 2019-03-14 | All Axis Robotics, LLC | System and method for automated defect detection |
CN109146943B (zh) * | 2018-08-03 | 2019-12-03 | 百度在线网络技术(北京)有限公司 | 静止物体的检测方法、装置及电子设备 |
CN111539949B (zh) * | 2020-05-12 | 2022-05-13 | 河北工业大学 | 一种基于点云数据的锂电池极片表面缺陷检测方法 |
CN114450720A (zh) * | 2020-08-18 | 2022-05-06 | 深圳市大疆创新科技有限公司 | 一种目标检测的方法、装置和车载雷达 |
CN112598668B (zh) * | 2021-03-02 | 2021-06-29 | 北京大成国测科技有限公司 | 基于三维图像的缺陷识别方法、装置及电子设备 |
CN112862730B (zh) * | 2021-04-26 | 2021-07-27 | 深圳大学 | 点云特征增强方法、装置、计算机设备和存储介质 |
CN113658100A (zh) * | 2021-07-16 | 2021-11-16 | 上海高德威智能交通系统有限公司 | 三维目标物体检测方法、装置、电子设备及存储介质 |
CN114581386B (zh) * | 2022-02-23 | 2024-04-12 | 清华大学 | 基于时空数据的缺陷检测方法及装置 |
-
2022
- 2022-07-07 CN CN202210795548.4A patent/CN114882024B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019117453A1 (ko) * | 2017-12-15 | 2019-06-20 | 주식회사 내일해 | 측정 대상 물체의 3차원 형상 정보를 생성하는 방법, 결함 검출 방법 및 결함 검출 장치 |
CN111784673A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(上海)科技有限公司 | 缺陷检测模型训练和缺陷检测方法、设备及存储介质 |
CN113284109A (zh) * | 2021-05-25 | 2021-08-20 | 中建三局集团(深圳)有限公司 | 管道缺陷识别方法、装置、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114882024A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967467B (zh) | 图像目标检测方法、装置、电子设备和计算机可读介质 | |
CN111160288A (zh) | 手势关键点检测方法、装置、计算机设备和存储介质 | |
CN110969100B (zh) | 一种人体关键点识别方法、装置及电子设备 | |
CN112336342A (zh) | 手部关键点检测方法、装置及终端设备 | |
CN111754546A (zh) | 一种基于多特征图融合的目标跟踪方法、系统及存储介质 | |
CN112906865B (zh) | 神经网络架构搜索方法、装置、电子设备及存储介质 | |
CN115631178B (zh) | 自动晶圆缺陷检测方法、系统、设备及存储介质 | |
CN112241789A (zh) | 用于轻量化神经网络的结构化剪枝方法、装置、介质及设备 | |
CN115937167A (zh) | 电池极片陶瓷的缺陷检测方法、装置及电子设备 | |
CN112668577A (zh) | 大尺度图像中目标物体的检测方法、终端及装置 | |
CN111192279B (zh) | 基于边缘检测的物体分割方法、电子终端及存储介质 | |
CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
CN114882024B (zh) | 目标对象的缺陷检测方法、装置、电子设备以及存储介质 | |
CN116330667B (zh) | 一种玩具的3d打印模型设计方法及系统 | |
CN109165648B (zh) | 一种图像处理方法、图像处理装置及移动终端 | |
CN114663662B (zh) | 超参数搜索方法、装置、计算机设备和存储介质 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN110717405A (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
CN113420604B (zh) | 多人姿态估计方法、装置和电子设备 | |
CN111488479A (zh) | 超图构建方法、装置以及计算机系统和介质 | |
CN114463856A (zh) | 姿态估计模型的训练与姿态估计方法、装置、设备及介质 | |
CN112749576A (zh) | 图像识别方法和装置、计算设备以及计算机存储介质 | |
CN111967579A (zh) | 使用卷积神经网络对图像进行卷积计算的方法和装置 | |
CN111767934A (zh) | 一种图像识别方法、装置及电子设备 | |
CN111210500B (zh) | 一种三维点云处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |