CN114943855A - 图像分类标注方法、装置、电子设备及存储介质 - Google Patents

图像分类标注方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114943855A
CN114943855A CN202110183358.2A CN202110183358A CN114943855A CN 114943855 A CN114943855 A CN 114943855A CN 202110183358 A CN202110183358 A CN 202110183358A CN 114943855 A CN114943855 A CN 114943855A
Authority
CN
China
Prior art keywords
image
connected domain
mask
flaw
detected
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
CN202110183358.2A
Other languages
English (en)
Inventor
孙国钦
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 CN202110183358.2A priority Critical patent/CN114943855A/zh
Priority to US17/585,813 priority patent/US20220253996A1/en
Publication of CN114943855A publication Critical patent/CN114943855A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/759—Region-based matching
    • 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
    • G06T2207/30141—Printed circuit board [PCB]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Abstract

本发明提供一种图像分类标注方法、装置、电子设备及存储介质。该方法包括：获取一待测图像；将所述待测图像与一参考图像对比，以生成图像掩膜，所述图像掩膜包括若干连通域；对所述待测图像进行瑕疵检测；当所述待测图像存在至少一瑕疵时，获取所述至少一瑕疵对应的瑕疵坐标；根据连通域的中心坐标及所述瑕疵坐标，确定对应的连通域为瑕疵连通域或正常连通域；针对所述瑕疵连通域及所述正常连通域分别生成相应的第一图像掩膜及第二图像掩膜；将所述第一图像掩膜及第二图像掩膜分别与所述待测图像进行处理，以分别获得与所述瑕疵连通域对应的瑕疵元件图像及与所述正常连通域对应的正常元件图像。本发明提供的方法，有效降低数据标注时的人力成本。

Description

图像分类标注方法、装置、电子设备及存储介质
技术领域
本发明涉及数据标注领域，尤其涉及一种图像分类标注方法、装置、电子设备及存储介质。
背景技术
印刷电路板(Printed Circuit Board，PCB)的表面贴装工艺精细且复杂，因此，在生产过程中也容易产生各种缺陷。目前的研究人员尝试采用神经网络训练的方法，实现对PCB板的自动瑕疵检测。然而在神经网络的训练过程中，需要大量的PCB板瑕疵图像数据作为负样本，及正常的PCB板图像数据作为正样本。如此，面对种类繁多的PCB板缺陷数据，若采用人工标注，将浪费大量人力和时间，代价昂贵。
发明内容
鉴于以上内容，有必要提供一种图像分类标注方法、装置、电子设备及存储介质，以解决上述问题。
一种图像分类标注方法，所述图像分类标注方法包括：
(a)获取一待测图像；
(b)将所述待测图像与一参考图像对比，以生成对应的图像掩膜，所述图像掩膜包括若干连通域；
(c)对所述待测图像进行瑕疵检测；
(d)当所述待测图像存在至少一瑕疵时，获取所述至少一瑕疵对应的瑕疵坐标；
(e)根据连通域的中心坐标及所述瑕疵坐标，确定对应的连通域为瑕疵连通域或正常连通域；
(f)针对所述瑕疵连通域及所述正常连通域分别生成相应的第一图像掩膜及第二图像掩膜；
(g)将所述第一图像掩膜及第二图像掩膜分别与所述待测图像进行处理，以分别获得与所述瑕疵连通域对应的瑕疵元件图像及与所述正常连通域对应的正常元件图像。
进一步地，步骤(b)包括如下子步骤：
步骤S21：分别对所述参考图像及所述待测图像进行灰度处理，得到对应的第一图像及第二图像；
步骤S22：对比所述第一图像与所述第二图像，得到第三图像；
步骤S23：对所述第三图像进行二值化处理，得到第四图像；
步骤S24：对所述第四图像进行连通域标记，得到所述图像掩膜，所述图像掩膜包括若干所述连通域。
进一步地，通过计算所述第一图像与所述第二图像的均方误差或计算所述第一图像与所述第二图像的结构相似性指数，以获得所述第三图像。
进一步地，步骤(e)包括如下子步骤：
步骤S51：计算若干所述连通域的中心坐标，得到若干所述中心坐标；
步骤S52：计算每一所述瑕疵坐标与若干所述中心坐标的欧几里得距离，以得到若干组欧几里得距离；
步骤S53：根据预设规则选取所述瑕疵连通域，并将所述图像掩膜上的其他连通域记为所述正常连通域。
进一步地，所述中心坐标为所述连通域的质心坐标。
进一步地，所述预设规则为：分别选取所述若干组欧几里得距离中的最小值，得到若干最小值，选取与若干所述最小值对应的若干连通域，记为所述瑕疵连通域。
进一步地，步骤(f)包括如下子步骤：
步骤S61：将所述图像掩膜中的正常连通域的像素的像素值设为0，得到所述第一图像掩膜；
步骤S62：重复上述步骤，以将所述图像掩膜中的瑕疵连通域的像素的像素值设为0，从而得到所述第二图像掩膜。
进一步地，步骤(g)包括如下子步骤：
步骤S71：将所述第一图像掩膜与所述待测图像相乘，得到所述瑕疵元件图像，并在所述瑕疵元件图像上标注所述瑕疵坐标；
步骤S72：将所述第二图像掩膜与所述待测图像相乘，得到所述正常元件图像。
进一步地，当步骤(c)的检测结果为所述待测图像无瑕疵时，即所述图像掩膜为所述第二图像掩膜时，直接执行步骤(g)。
一种图像分类标注装置，所述图像分类标注装置包括：
获取模块，用以获取一待测图像；
比较模块，用以将所述待测图像与一参考图像对比，以生成对应的图像掩膜，所述图像掩膜包括若干连通域；
瑕疵检测模块，用以对所述待测图像进行瑕疵检测；
坐标获取模块，用以当所述瑕疵检测模块的检测结果为所述待测图像存在至少一瑕疵时，获取所述至少一瑕疵对应的瑕疵坐标；
确定模块，用以根据连通域的中心坐标及所述瑕疵坐标，确定对应的连通域为瑕疵连通域或正常连通域；
掩膜生成模块，用以针对所述瑕疵连通域及所述正常连通域分别生成相应的第一图像掩膜及第二图像掩膜；
处理模块，用以将所述第一图像掩膜及第二图像掩膜分别与所述待测图像进行处理，以分别获得与所述瑕疵连通域对应的瑕疵元件图像及与所述正常连通域对应的正常元件图像。
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，执行所述存储器中存储的指令以实现所述图像分类标注方法。
一种存储介质，所述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执行以实现所述图像分类标注方法。
本发明提供的图像分类标注方法，结合图像掩膜与瑕疵检测算法，可自动得到及标注正常元件图像与瑕疵元件图像，有效降低数据标注时的人力成本。
附图说明
图1是本发明图像分类标注方法其中一实施例的流程图。
图2为图1所示步骤S2的子步骤。
图3为图1所示步骤S5的子步骤。
图4为图1所示步骤S6的子步骤。
图5为图1所示步骤S7的子步骤。
图6为图1所示图像分类标注方法的一应用场景示意图。
图7是本发明图像分类标注装置其中一实施例的功能模块图。
图8是本发明实现图像分类标注方法其中一实施例的电子设备的结构示意图。
主要元件符号说明
图像分类标注装置 100
获取模块 101
比较模块 102
瑕疵检测模块 103
坐标获取模块 104
确定模块 105
掩膜生成模块 106
处理模块 107
电子设备 200
存储器 201
处理器 202
计算机程序 203
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本发明的目的、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发明进行详细描述。
如图1所示，是本发明图像分类标注方法其中一实施例的流程图。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。
步骤S1，获取一待测图像。
步骤S2，将所述待测图像与一参考图像对比，以生成对应的图像掩膜，所述图像掩膜包括若干连通域。
其中，在执行步骤S2时，请参阅图2，步骤S2包括如下子步骤：
步骤S21：分别对所述待测图像及所述参考图像进行灰度处理，得到对应的第一图像及第二图像；
步骤S22：对比所述第一图像与所述第二图像，得到第三图像；
步骤S23：对所述第三图像进行二值化处理，得到第四图像；
步骤S24：对所述第四图像进行连通域标记，得到所述图像掩膜，所述图像掩膜包括若干所述连通域。
可以理解，步骤S21中，所述灰度处理指将所述参考图像及所述待测图像由彩色图像转化为每一像素仅有一像素值的灰度图像。
可以理解，在步骤S22中，可通过计算所述第一图像与所述第二图像的均方误差(mean-square error，MSE)或计算所述第一图像与所述第二图像的结构相似性(structural similarity，SSIM)指数，以获得所述第三图像。
可以理解，步骤S23进一步包括如下子步骤：
获取一阈值；
将所述第三图像中大于或等于所述阈值的像素的灰度值设定为第一像素值，将所述第三图像中小于所述阈值的像素的灰度值设定为第二像素值，以得到所述第四图像。
本发明不对所述阈值进行限制，例如，步骤S23中的阈值可为全局阈值或自适应阈值。本领域技术人员可通过选择不同的二值化算法而选择不同的阈值。
可以理解，步骤S24中的连通域指所述第四图像中具有相同像素值，且位置相邻的像素点组成的图像区域。所述连通域标记是指找出所述第四图像中的各个连通域进行标记，并记录下每一标记值对应的所有坐标值。
可以理解，所述图像掩膜上的若干所述连通域内的像素的像素值为所述第一像素值。所述图像掩膜上除若干所述连通域以外的像素的像素值为所述第二像素值。
在一实施例中，步骤S23中的所述第一像素值为1，所述第二像素值为0。
可以理解，步骤S24中的连通域标记算法有多种，本发明不对所述连通域标记算法进行限制。例如，所述连通域标记算法可以是基于行程的连通域标记算法，也可以是基于轮廓的连通域标记算法。可以理解，所述连通域标记算法为现有技术，本发明不再对所述连通域标记算法的详细步骤进行赘述。
在一实施例中，所述待测图像包括已经加装有电子元件的印刷线路板(PrintedCircuit Board Assembly，PCBA)的图像。所述参考图像包括还未加装任何所述电子元件的印刷线路板(Printed Circuit Board，PCB)的图像。
可以理解，所述掩膜上的每一所述连通域均对应所述电子元件。
可以理解，在执行所述步骤S21前，还可对所述参考图像及所述待测图像进行预处理。
在本发明的至少一个实施例中，所述预处理包括：
平移、旋转或缩放所述参考图像及所述待测图像，以使所述参考图像及所述多张待测图像的方向一致；
调整所述参考图像及所述待测图像为标准尺寸图像。
可以理解，所述参考图像、待测图像、第一图像、第二图像、第三图像、第四图像及所述图像掩膜的尺寸相同。
步骤S3，对所述待测图像进行瑕疵检测。
在本发明的至少一个实施例中，可通过训练好的神经网络模型对所述待测图像进行瑕疵检测。
在本发明中，还可通过其他方法对所述待测图像进行瑕疵检测，例如图像腐蚀及/或图像膨胀算法等，本发明对所述瑕疵检测方法不进行限制。
步骤S4，当所述待测图像存在至少一瑕疵时，获取所述至少一瑕疵对应的瑕疵坐标。
步骤S5，根据连通域的中心坐标及所述瑕疵坐标，确定对应的连通域为瑕疵连通域或正常连通域。
其中，在执行步骤S5时，请参阅图3，步骤S5包括如下子步骤：
步骤S51：计算若干所述连通域的中心坐标，得到若干中心坐标；
步骤S52：计算每一所述瑕疵坐标与若干所述中心坐标的欧几里得距离，以得到若干组欧几里得距离；
步骤S53：根据预设规则选取所述瑕疵连通域，并将所述图像掩膜上的其他连通域记为正常连通域。
在一实施例中，所述中心坐标为质心坐标。如此，在步骤S51中，可根据如下的质心坐标计算公式(1)求取若干所述质心坐标。
Figure BDA0002942066700000051
公式(1)中，X与Y分别为质心坐标的行坐标与列坐标，S表示连通域，(i,j)表示所述连通域上每一像素的坐标，N表示所述连通域的像素个数。
可以理解，欧几里得距离指在多维空间中两个点之间的真实距离。在本实施例中，由于所述图像掩膜与所述待测图像的尺寸相同，故所述瑕疵坐标在所述待测图像与在所述图像掩膜上的位置相同。如此，在步骤S52中，所述瑕疵坐标与所述中心坐标的欧几里得距离指的是在图像掩膜上，所述瑕疵坐标与所述中心坐标之间的距离。如此，可直接通过如下的欧几里得距离计算公式(2)计算所述瑕疵坐标与各所述连通域的中心坐标的欧几里得距离。
Figure BDA0002942066700000052
公式(2)中，(i1，j1)为任一所述连通域的中心坐标，(i2，j2)为所述瑕疵坐标。ρ为所述瑕疵坐标与所述中心坐标的欧几里得距离。
步骤S53中，所述预设规则为：分别选取所述若干组欧几里得距离中的最小值，得到若干最小值；选取与若干所述最小值对应的若干连通域，记为所述瑕疵连通域。
步骤S6，针对所述瑕疵连通域及所述正常连通域分别生成相应的第一图像掩膜及第二图像掩膜。其中，请参阅图4，步骤S6包括如下子步骤：
步骤S61：将所述图像掩膜中的正常连通域的像素的像素值设为0，得到所述第一图像掩膜；
步骤S62：重复上述步骤，以将所述图像掩膜中的瑕疵连通域的像素的像素值设为0，从而得到所述第二图像掩膜。
步骤S7，将所述第一图像掩膜及第二图像掩膜分别与所述待测图像进行处理，以分别获得与所述瑕疵连通域对应的瑕疵元件图像及与所述正常连通域对应的正常元件图像。其中，请参阅图5，步骤S7包括如下子步骤：
步骤S71：将所述第一图像掩膜与所述待测图像相乘，得到所述瑕疵元件图像，并在所述瑕疵元件图像上标注所述瑕疵坐标；
步骤S72：将所述第二图像掩膜与所述待测图像相乘，得到所述正常元件图像。
可以理解，在其他实施例中，当步骤S3的检测结果为所述待测图像无瑕疵时，即所述图像掩膜为所述第二图像掩膜时，直接执行步骤S7，以获得正常元件图像。
请参阅图6，在本申请实施例中，以所述待测图像中设置有两个电子元件为例，对本案的图像分类标注方法进行详细说明。
首先，获取一待测图像及对应的一参考图像，其中，如上所述，所述待测图像包括两个电子元件。对比所述待测图像及所述参考图像，以生成与所述待测图像对应的图像掩膜，所述图像掩膜包括连通域1及连通域2。
接着，对所述待测图像进行瑕疵检测，且检测结果为所述待测图像存在一瑕疵(即图中三角形)。获取与所述瑕疵对应的瑕疵坐标。
然后，按照质心坐标公式分别计算得到所述连通域1及所述连通域2的质心坐标，分别记为中心坐标a及中心坐标b。再分别计算所述中心坐标a及所述中心坐标b与所述瑕疵坐标的欧几里得距离，记为欧几里得距离(1)及欧几里得距离(2)。对比所述欧几里得距离(1)及欧几里得距离(2)，得到所述欧几里得距离(1)大于欧几里得距离(2)，则连通域1为正常连通域，连通域2为与所述瑕疵对应的瑕疵连通域。
接着，将所述图像掩膜中的正常连通域的像素的像素值设为0，得到第一图像掩膜；重复这一步骤，以将所述图像掩膜中的瑕疵连通域的像素的像素值设为0，得到第二图像掩膜。
然后，将所述第一图像掩膜与所述待测图像相乘，得到瑕疵元件图像，并在所述瑕疵元件图像上标注所述瑕疵。将所述第二图像掩膜与所述待测图像相乘，得到正常元件图像。
本发明通过对比参考图像与对应的待测图像，得到一包括若干连通域的图像掩膜。当所述待测图像存在瑕疵时，找出与所述瑕疵对应的瑕疵连通域，并将所述图像掩膜上除所述瑕疵连通域以外的连通域标记为正常连通域。将所述图像掩膜中的正常连通域的像素的像素值设为0，得到第一图像掩膜；将所述图像掩膜中的瑕疵连通域的像素的像素值设为0，得到第二图像掩膜。将所述第一图像掩膜与所述待测图像相乘，得到瑕疵元件图像；将所述第二图像掩膜与所述待测图像相乘，得到正常元件图像。当所述待测图像无瑕疵时，直接将所述图像掩膜与所述待测图像相乘，得到正常元件图像。本发明提供的图像分类标注方法，有效降低数据标注时的人力成本。
请参阅图7，本发明另一实施例还提供一种图像分类标注装置100。所述图像分类标注装置100包括获取模块101、比较模块102、瑕疵检测模块103、坐标获取模块104、确定模块105、掩膜生成模块106及处理模块107。
其中，所述获取模块101用以获取一待测图像。
所述比较模块102用以将所述待测图像与一参考图像对比，以生成对应的图像掩膜，所述图像掩膜包括若干连通域。
所述瑕疵检测模块103用以对所述待测图像进行瑕疵检测。
所述坐标获取模块104用以当所述瑕疵检测模块103的检测结果为所述待测图像存在至少一瑕疵时，获取所述至少一瑕疵对应的瑕疵坐标。
所述确定模块105用以根据连通域的中心坐标及所述瑕疵坐标，确定对应的连通域为瑕疵连通域或正常连通域。
所述掩膜生成模块106用以针对所述瑕疵连通域及所述正常连通域分别生成相应的第一图像掩膜及第二图像掩膜。
所述处理模块107用以将所述第一图像掩膜及第二图像掩膜分别与所述待测图像进行处理，以分别获得与所述瑕疵连通域对应的瑕疵元件图像及与所述正常连通域对应的正常元件图像。
可以理解，当所述瑕疵检测模块103的检测结果为所述待测图像无瑕疵时，即所述掩膜为所述第二图像掩膜时，直接利用所述处理模块107将所述掩膜与所述待测图像进行处理，获得所述正常元件图像。
可以理解，所述获取模块101、比较模块102、瑕疵检测模块103、坐标获取模块104、确定模块105、掩膜生成模块106及处理模块107用以共同实现上述图像分类标注方法实施例中的步骤S1至步骤S7，在此不再赘述各所述功能模块的具体实现过程，具体请参阅上述步骤S1至步骤S7。
可以理解，请一并参阅图8，本发明另一实施例还提供一种电子设备200。所述电子设备200包括存储器201、处理器202以及存储在所述存储器201中并可在所述处理器202上运行的计算机程序203。
所述电子设备200可以为智能手机、平板电脑、膝上型便捷计算机、嵌入式电脑、台式计算机中的任意一种或服务器等。本领域技术人员可以理解，所述示意图仅仅是电子设备200的示例，并不构成对电子设备200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。
所述处理器202用以执行所述计算机程序203时实现上述图像分类标注方法实施例中的步骤，例如第一实施例中所示的步骤S1-S7。或者，所述处理器202执行所述计算机程序203时实现上述图像分类标注装置100实施例中各模块/单元的功能，例如第二实施例中的获取模块101、比较模块102、瑕疵检测模块103、坐标获取模块104、确定模块105、掩膜生成模块106及处理模块107。
示例性的，所述计算机程序203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201中，并由所述处理器202执行，以完成本发明。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，所述指令段用于描述所述计算机程序203在所述电子设备200中的执行过程。例如，所述计算机程序203可以被分割成第二实施例中的获取模块101、比较模块102、瑕疵检测模块103、坐标获取模块104、确定模块105、掩膜生成模块106及处理模块107。
所述处理器202可以是中央处理模块(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)、现成可编程门阵列(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所述处理器202也可以是任何常规的处理器等，所述处理器202是所述电子设备200的控制中心，利用各种接口和线路连接整个电子设备200的各个部分。
所述存储器201可用于存储所述计算机程序203和/或模块/单元.所述处理器202通过运行或执行存储在所述存储器201内的计算机程序和/或模块/单元，以及调用存储在存储器201内的数据，实现所述电子设备200的各种功能。所述存储器201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200的使用所创建的数据(比如视频数据、音频数据、电话本等)等。此外，存储器201可以包括高速随机存取存储器，还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 MediaCard，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、或其他易失性固态存储器件。
在本发明的一实施例中，所述电子设备200为一自动光学检测(AutomatedOptical Inspection，AOI)仪器。可以理解，自动光学检测仪器是一种基于光学原理来对焊接生产中遇到的常见缺陷进行检测的设备。
所述电子设备200集成的模块/单元如果以软件功能模块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，本发明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，所述计算机程序在被处理器执行时，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、可执行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)、随机存取存储器(RAM，Random Access Memory)、电信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备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。
另外，在本发明各个实施例中的各功能模块可以集成在相同处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在相同模块中。上述集成的模块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。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。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，本发明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发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。电子设备权利要求中陈述的多个模块或电子设备也可以由同一个模块或电子设备通过软件或者硬件来实现。第一，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发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (12)

1.一种图像分类标注方法，其特征在于，所述图像分类标注方法包括：
(a)获取一待测图像；
(b)将所述待测图像与一参考图像对比，以生成对应的图像掩膜，所述图像掩膜包括若干连通域；
(c)对所述待测图像进行瑕疵检测；
(d)当所述待测图像存在至少一瑕疵时，获取所述至少一瑕疵对应的瑕疵坐标；
(e)根据连通域的中心坐标及所述瑕疵坐标，确定对应的连通域为瑕疵连通域或正常连通域；
(f)针对所述瑕疵连通域及所述正常连通域分别生成相应的第一图像掩膜及第二图像掩膜；
(g)将所述第一图像掩膜及第二图像掩膜分别与所述待测图像进行处理，以分别获得与所述瑕疵连通域对应的瑕疵元件图像及与所述正常连通域对应的正常元件图像。
2.如权利要求1所述的图像分类标注方法，其特征在于，步骤(b)包括如下子步骤：
步骤S21：分别对所述参考图像及所述待测图像进行灰度处理，得到对应的第一图像及第二图像；
步骤S22：对比所述第一图像与所述第二图像，得到第三图像；
步骤S23：对所述第三图像进行二值化处理，得到第四图像；
步骤S24：对所述第四图像进行连通域标记，得到所述图像掩膜，所述图像掩膜包括若干所述连通域。
3.如权利要求2所述的图像分类标注方法，其特征在于，通过计算所述第一图像与所述第二图像的均方误差或计算所述第一图像与所述第二图像的结构相似性指数，以获得所述第三图像。
4.如权利要求1所述的图像分类标注方法，其特征在于，步骤(e)包括如下子步骤：
步骤S51：计算若干所述连通域的中心坐标，得到若干所述中心坐标；
步骤S52：计算每一所述瑕疵坐标与若干所述中心坐标的欧几里得距离，以得到若干组欧几里得距离；
步骤S53：根据预设规则选取所述瑕疵连通域，并将所述图像掩膜上的其他连通域记为所述正常连通域。
5.如权利要求4所述的图像分类标注方法，其特征在于，所述中心坐标为所述连通域的质心坐标。
6.如权利要求4所述的图像分类标注方法，其特征在于，所述预设规则为：分别选取所述若干组欧几里得距离中的最小值，得到若干最小值，选取与若干所述最小值对应的若干连通域，记为所述瑕疵连通域。
7.如权利要求1所述的图像分类标注方法，其特征在于，步骤(f)包括如下子步骤：
步骤S61：将所述图像掩膜中的正常连通域的像素的像素值设为0，得到所述第一图像掩膜；
步骤S62：重复上述步骤，以将所述图像掩膜中的瑕疵连通域的像素的像素值设为0，从而得到所述第二图像掩膜。
8.如权利要求1所述的图像分类标注方法，其特征在于，步骤(g)包括如下子步骤：
步骤S71：将所述第一图像掩膜与所述待测图像相乘，得到所述瑕疵元件图像，并在所述瑕疵元件图像上标注所述瑕疵坐标；
步骤S72：将所述第二图像掩膜与所述待测图像相乘，得到所述正常元件图像。
9.如权利要求1所述的图像分类标注方法，其特征在于，当步骤(c)的检测结果为所述待测图像无瑕疵时，即所述图像掩膜为所述第二图像掩膜时，直接执行步骤(g)。
10.一种图像分类标注装置，其特征在于，所述图像分类标注装置包括：
获取模块，用以获取一待测图像；
比较模块，用以将所述待测图像与一参考图像对比，以生成对应的图像掩膜，所述图像掩膜包括若干连通域；
瑕疵检测模块，用以对所述待测图像进行瑕疵检测；
坐标获取模块，用以当所述瑕疵检测模块的检测结果为所述待测图像存在至少一瑕疵时，获取所述至少一瑕疵对应的瑕疵坐标；
确定模块，用以根据连通域的中心坐标及所述瑕疵坐标，确定对应的连通域为瑕疵连通域或正常连通域；
掩膜生成模块，用以针对所述瑕疵连通域及所述正常连通域分别生成相应的第一图像掩膜及第二图像掩膜；
处理模块，用以将所述第一图像掩膜及第二图像掩膜分别与所述待测图像进行处理，以分别获得与所述瑕疵连通域对应的瑕疵元件图像及与所述正常连通域对应的正常元件图像。
11.一种电子设备，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，执行所述存储器中存储的指令以实现如权利要求1至9中任意一项所述的图像分类标注方法。
12.一种存储介质，其特征在于：所述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执行以实现如权利要求1至9中任意一项所述的图像分类标注方法。
CN202110183358.2A 2021-02-09 2021-02-09 图像分类标注方法、装置、电子设备及存储介质 Pending CN114943855A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110183358.2A CN114943855A (zh) 2021-02-09 2021-02-09 图像分类标注方法、装置、电子设备及存储介质
US17/585,813 US20220253996A1 (en) 2021-02-09 2022-01-27 Method, apparatus, and device for labeling images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110183358.2A CN114943855A (zh) 2021-02-09 2021-02-09 图像分类标注方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114943855A true CN114943855A (zh) 2022-08-26

Family

ID=82703304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110183358.2A Pending CN114943855A (zh) 2021-02-09 2021-02-09 图像分类标注方法、装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US20220253996A1 (zh)
CN (1) CN114943855A (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005084133A2 (en) * 2004-03-05 2005-09-15 Orbotech Ltd. Verification of non-recurring defects in pattern inspection
US7876938B2 (en) * 2005-10-06 2011-01-25 Siemens Medical Solutions Usa, Inc. System and method for whole body landmark detection, segmentation and change quantification in digital images
US7369236B1 (en) * 2006-10-31 2008-05-06 Negevtech, Ltd. Defect detection through image comparison using relative measures
CN109085174A (zh) * 2018-07-02 2018-12-25 北京百度网讯科技有限公司 显示屏外围电路检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
US20220253996A1 (en) 2022-08-11

Similar Documents

Publication Publication Date Title
US11783469B2 (en) Method and system for scanning wafer
CN110930390B (zh) 基于半监督深度学习的芯片管脚缺失检测方法
US8515156B2 (en) Image analysis device and method
CN112085022B (zh) 一种用于识别文字的方法、系统及设备
CN113160161B (zh) 目标边缘处缺陷的检测方法和装置
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
CN114764774A (zh) 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN110796078A (zh) 车辆的灯光检测方法、装置、电子设备及可读存储介质
CN111325728B (zh) 产品缺陷检测方法、装置、设备及存储介质
CN116385380A (zh) 基于深度特征的缺陷检测方法、系统、设备及存储介质
CN115937175A (zh) 一种电路板表面缺陷检测方法、系统、设备及存储介质
CN112419207A (zh) 一种图像矫正方法及装置、系统
CN114445410A (zh) 基于图像识别的电路板检测方法、计算机及可读存储介质
CN114862740A (zh) 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN114445318A (zh) 一种缺陷检测方法、装置、电子设备和存储介质
CN112215266A (zh) 一种基于小样本学习的x光图像违禁物品检测方法
CN114981838A (zh) 物体检测装置、物体检测方法及物体检测程序
CN114943855A (zh) 图像分类标注方法、装置、电子设备及存储介质
CN113870262B (zh) 基于图像处理的印刷电路板分类方法、装置及储存介质
TWI771908B (zh) 圖像分類標注方法、裝置、電子設備及存儲介質
CN111709951B (zh) 目标检测网络训练方法及系统及网络及装置及介质
CN114677373A (zh) 一种印刷品内容检错方法、装置、电子设备及介质
CN112084364A (zh) 对象分析方法、局部图像搜索方法、设备及存储介质
JP2008185395A (ja) 実装基板外観検査方法
CN115719326A (zh) Pcb板缺陷检测方法及装置

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