CN115018842B - 基于机器视觉的缺陷检测方法、装置、终端及存储介质 - Google Patents

基于机器视觉的缺陷检测方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN115018842B
CN115018842B CN202210944247.3A CN202210944247A CN115018842B CN 115018842 B CN115018842 B CN 115018842B CN 202210944247 A CN202210944247 A CN 202210944247A CN 115018842 B CN115018842 B CN 115018842B
Authority
CN
China
Prior art keywords
image
defect
target
dimensional
determining
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
Application number
CN202210944247.3A
Other languages
English (en)
Other versions
CN115018842A (zh
Inventor
郭媛君
刘祥飞
吴承科
张亚宁
汪军
谭家娟
蒋锐
杨之乐
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.)
Zhongke Hangmai CNC Software Shenzhen Co Ltd
Original Assignee
Zhongke Hangmai CNC Software Shenzhen 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 Zhongke Hangmai CNC Software Shenzhen Co Ltd filed Critical Zhongke Hangmai CNC Software Shenzhen Co Ltd
Priority to CN202210944247.3A priority Critical patent/CN115018842B/zh
Publication of CN115018842A publication Critical patent/CN115018842A/zh
Application granted granted Critical
Publication of CN115018842B publication Critical patent/CN115018842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于机器视觉的缺陷检测方法、装置、终端及存储介质。本发明通过获取目标部件各常见受损部位分别对应的缺陷图像集，通过这些缺陷图像集确定目标部件上缺乏缺陷数据的区域。针对缺乏缺陷数据的区域制作补充图像集，以增加缺陷检测模型的缺陷数据集的种类。解决了现有技术中缺陷检测模型的训练数据通常只包含有加工部件上常见受损区域的缺陷数据，训练数据种类局限，导致训练出的缺陷检测模型的准确性和可靠性不高的问题。

Description

基于机器视觉的缺陷检测方法、装置、终端及存储介质
技术领域
本发明涉及缺陷检测领域，尤其涉及的是一种基于机器视觉的缺陷检测方法、装置、终端及存储介质。
背景技术
在传统的工业加工场景中，如刀具加工等领域，加工部件的表面缺陷的产生是不可避免的，而加工部件的表面缺点决定着加工部件的服役性能和疲劳寿命，因此加工部件的缺陷检测是加工流程中的关键环节。加工部件的缺陷检测存在人工检测和机器视觉检测两种方式。然而计算机智能视觉具有不间断、不疲劳的特性，因此机器视觉检测在检测方面提供远高于人工检测的效率和准确性。现有技术中的机器视觉检测通常与机器学习模型相结合，机器学习模型需要预先采用大量的训练数据进行训练。然而由于加工部件上不同区域的使用情况不同，使用较少的区域的受损情况较少，导致这部分区域的缺陷数据难以采集。因此现有的缺陷检测模型的训练数据的种类不全面，准确性和可靠性不高。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于机器视觉的缺陷检测方法、装置、终端及存储介质，旨在解决现有技术中缺陷检测模型的训练数据通常只包含有加工部件上常见受损区域的缺陷数据，训练数据种类局限，导致训练出的缺陷检测模型的准确性和可靠性不高的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供1.一种基于机器视觉的缺陷检测方法，其中，所述方法包括：
获取目标部件对应的三维图像,将所述三维图像输入缺陷检测模型，得到所述目标部件对应的缺陷检测结果，其中，所述缺陷检测模型预先经过所述目标部件对应的缺陷数据集训练；
所述缺陷数据集的生成方法包括：
获取若干缺陷图像集，其中，每一所述缺陷图像集包括若干缺陷三维图像，各所述缺陷三维图像分别基于与所述目标部件相同类型的缺陷部件生成，各所述缺陷图像集分别对应的缺陷区域不同；
根据各所述缺陷图像集，确定补充图像集，其中，所述补充图像集包括若干补充图像，每一所述补充图像对应的缺陷区域与各所述缺陷图像集分别对应的缺陷区域不同；
根据各所述缺陷图像集和各所述补充图像集，确定所述缺陷数据集。
在一种实施方式中，所述获取目标部件对应的三维图像，包括：
获取所述目标部件对应的若干拍摄图像，其中，若干所述拍摄图像分别对应的拍摄角度不同；
判断各所述拍摄图像中是否存在遮挡物，根据判断结果将各所述拍摄图像分为无遮挡物的第一拍摄图像和有遮挡物的第二拍摄图像；
对各所述第二拍摄图像进行图像修复，得到各所述第二拍摄图像分别对应的修复图像；
根据各所述第一拍摄图像和各所述修复图像，确定所述三维图像。
在一种实施方式中，所述判断各所述拍摄图像中是否存在遮挡物，包括：
获取每一所述拍摄图像对应的目标局部图像，其中，所述目标局部图像为该拍摄图像中所述缺陷部件对应的局部图像；
获取所述目标局部图像对应的平均灰度值，确定所述目标局部图像中与所述平均灰度值的偏差大于偏差阈值的异常像素点；
根据各所述异常像素点的位置对各所述异常像素点进行聚类，得到若干离散的像素片，其中，每一所述像素片中的像素点均为所述异常像素点；
当任意一个所述像素片中的像素点数量大于数量阈值时，判断该拍摄图像中存在遮挡物。
在一种实施方式中，所述根据各所述缺陷图像集，确定补充图像集，包括：
获取标准部件对应的标准三维图像，其中，所述标准部件与所述目标部件对应的部件类型相同，且所述标准部件不存在缺陷区域；
根据各所述缺陷图像集和所述标准三维图像，确定所述标准部件对应的若干目标区域，其中，每一所述目标区域与各所述缺陷图像集分别对应的缺陷区域均不相同；
根据所述标准三维图像和各所述目标区域，确定各所述目标区域分别对应的所述补充图像，其中，每一所述目标区域对应的所述补充图像用于反映所述标准部件上该目标区域存在缺陷时的三维图像。
在一种实施方式中，所述根据各所述缺陷图像集和所述标准三维图像，确定所述标准部件对应的若干目标区域，包括：
根据各所述缺陷图像集分别对应的缺陷区域，确定所述标准三维图像对应的若干删减区域；
对所述标准三维图像中各所述删减区域进行删除操作，得到待划分图像；
对所述待划分图像进行划分，得到若干所述目标区域，其中，若干所述目标区域互不重叠。
在一种实施方式中，所述根据所述标准三维图像和各所述目标区域，确定各所述目标区域分别对应的所述补充图像，包括：
从各所述缺陷图像集中确定每一所述目标区域对应的目标缺陷图像集，其中，每一所述目标区域的区域中心点与该目标区域对应的所述目标缺陷图像集的缺陷区域的区域中心点距离最近；
获取每一所述目标区域对应的所述目标缺陷图像集的缺陷形状特征；
根据每一所述缺陷形状特征对所述标准三维图像进行图像处理，得到每一所述目标区域对应的所述补充图像。
在一种实施方式中，所述方法还包括对所述补充图像集进行扩增，扩增方法包括：
将每一所述补充图像输入预先经过训练的图像生成模型，得到该补充图像对应的扩增图像；
所述图像生成模型的训练过程包括：
将训练图像输入所述图像生成模型，得到所述训练图像对应的仿真图像；
将所述仿真图像和所述训练图像输入所述图像生成模型对应的图像判别模型，得到所述仿真图像和所述训练图像分别对应的分类结果；
根据所述仿真图像和所述训练图像分别对应的分类结果对所述图像生成模型进行更新，判断更新后的所述图像生成模型是否收敛至训练目标，若否，继续执行将训练图像输入所述图像生成模型的步骤，直至更新后的所述图像生成模型收敛至所述训练目标，得到已训练的所述图像生成模型。
第二方面，本发明实施例还提供一种基于机器视觉的缺陷检测装置，其中，所述装置包括：
预测模块，用于获取目标部件对应的三维图像,将所述三维图像输入缺陷检测模型，得到所述目标部件对应的缺陷检测结果，其中，所述缺陷检测模型预先经过所述目标部件对应的缺陷数据集训练；
生成模块，用于获取若干缺陷图像集，其中，每一所述缺陷图像集包括若干缺陷三维图像，各所述缺陷三维图像分别基于与所述目标部件相同类型的缺陷部件生成，各所述缺陷图像集分别对应的缺陷区域不同；
根据各所述缺陷图像集，确定补充图像集，其中，所述补充图像集包括若干补充图像，每一所述补充图像对应的缺陷区域与各所述缺陷图像集分别对应的缺陷区域不同；
根据各所述缺陷图像集和各所述补充图像集，确定所述缺陷数据集。
第三方面，本发明实施例还提供一种终端，其中，所述终端包括有存储器和一个以上处理器；所述存储器存储有一个以上的程序；所述程序包含用于执行如上述任一所述的基于机器视觉的缺陷检测方法的指令；所述处理器用于执行所述程序。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适用于由处理器加载并执行，以实现上述任一所述的基于机器视觉的缺陷检测方法。
本发明的有益效果：本发明实施例通过获取目标部件各常见受损部位分别对应的缺陷图像集，通过这些缺陷图像集确定目标部件上缺乏缺陷数据的区域。针对缺乏缺陷数据的区域制作补充图像集，以增加缺陷检测模型的缺陷数据集的种类。解决了现有技术中缺陷检测模型的训练数据通常只包含有加工部件上常见受损区域的缺陷数据，训练数据种类局限，导致训练出的缺陷检测模型的准确性和可靠性不高的问题。
附图说明
为了更清楚地说明本发明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发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于机器视觉的缺陷检测方法的流程示意图。
图2是本发明实施例提供的基于机器视觉的缺陷检测装置的内部模块示意图。
图3是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了基于机器视觉的缺陷检测方法、装置、终端及存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。 应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
针对现有技术的上述缺陷，本发明提供一种基于机器视觉的缺陷检测方法，所述方法通过获取目标部件对应的三维图像,将所述三维图像输入缺陷检测模型，得到所述目标部件对应的缺陷检测结果，其中，所述缺陷检测模型预先经过所述目标部件对应的缺陷数据集训练；所述缺陷数据集的生成方法包括：获取若干缺陷图像集，其中，每一所述缺陷图像集包括若干缺陷三维图像，各所述缺陷三维图像分别基于与所述目标部件相同类型的缺陷部件生成，各所述缺陷图像集分别对应的缺陷区域不同；根据各所述缺陷图像集，确定补充图像集，其中，所述补充图像集包括若干补充图像，每一所述补充图像对应的缺陷区域与各所述缺陷图像集分别对应的缺陷区域不同；根据各所述缺陷图像集和各所述补充图像集，确定所述缺陷数据集。本发明通过获取目标部件各常见受损部位分别对应的缺陷图像集，通过这些缺陷图像集确定目标部件上缺乏缺陷数据的区域。针对缺乏缺陷数据的区域制作补充图像集，以增加缺陷检测模型的缺陷数据集的种类。解决了现有技术中缺陷检测模型的训练数据通常只包含有加工部件上常见受损区域的缺陷数据，训练数据种类局限，导致训练出的缺陷检测模型的准确性和可靠性不高的问题。
如图1所示，所述方法包括：
步骤S100、获取目标部件对应的三维图像,将所述三维图像输入缺陷检测模型，得到所述目标部件对应的缺陷检测结果，其中，所述缺陷检测模型预先经过所述目标部件对应的缺陷数据集训练。
具体地，本实施例中的目标部件可以为任意一个需要进行缺陷检测的加工部件，例如加工刀具。为了进行缺陷检测，本实施例预先训练了一个缺陷检测模型，由于缺陷检测模型预先基于缺陷数据集学习了不同特征的三维图像与目标部件的缺陷特征之间的关系，因此将目标部件当前的三维图像输入缺陷检测模型，缺陷检测模型即可基于输入的三维图像判断出目标部件是否存在缺陷以及缺陷的具体位置。
在一种实现方式中，所述获取目标部件对应的三维图像，具体包括如下步骤：
步骤S101、获取所述目标部件对应的若干拍摄图像，其中，若干所述拍摄图像分别对应的拍摄角度不同；
步骤S102、判断各所述拍摄图像中是否存在遮挡物，根据判断结果将各所述拍摄图像分为无遮挡物的第一拍摄图像和有遮挡物的第二拍摄图像；
步骤S103、对各所述第二拍摄图像进行图像修复，得到各所述第二拍摄图像分别对应的修复图像；
步骤S104、根据各所述第一拍摄图像和各所述修复图像，确定所述三维图像。
简单来说，为了获得目标部件的三维图像，本实施例预先在目标部件周围不同角度布设了摄像装置，通过各摄像装置分别获取目标部件不同视角的拍摄图像，然后根据这些拍摄图像进行三维建模，以得到目标部件的三维图像。然而由于加工环境的复杂性，因此难以保证每一拍摄角度都不会存在遮挡物，而拍摄图像中一旦存在遮挡物，则会对三维建模过程产生极大影响，因此本实施例在进行三维建模之前需要先检查各拍摄图像中是否存在遮挡物，并对存在遮挡物的拍摄图像进行图像修复，例如采用PS修复功能进行图像修复。再根据各张不存在遮挡物的第一拍摄图像和各张存在遮挡物但已进行图像修复的第二拍摄图像进行三维建模，以得到目标部件的三维图像。
在一种实现方式中，所述判断各所述拍摄图像中是否存在遮挡物，具体包括如下步骤：
步骤S1021、获取每一所述拍摄图像对应的目标局部图像，其中，所述目标局部图像为该拍摄图像中所述缺陷部件对应的局部图像；
步骤S1022、获取所述目标局部图像对应的平均灰度值，确定所述目标局部图像中与所述平均灰度值的偏差大于偏差阈值的异常像素点；
步骤S1023、根据各所述异常像素点的位置对各所述异常像素点进行聚类，得到若干离散的像素片，其中，每一所述像素片中的像素点均为所述异常像素点；
步骤S1024、当任意一个所述像素片中的像素点数量大于数量阈值时，判断该拍摄图像中存在遮挡物。
由于本实施例判断每一张拍摄图像中是否存在遮挡物的流程是相同的，因此本实施例以一张拍摄图像为例说明该流程。具体地，由于本实施例中的遮挡物指的是遮挡住缺陷部件的物体，因此首先确定拍摄图像中缺陷部件对应的局部图像，即得到目标局部图像。可以理解的是，若拍摄图像中存在遮挡物，由于遮挡物相较于缺陷部件而言与摄像装置距离更近，因此拍摄图像中遮挡物的部分光线较暗，缺陷部件的部分光线较明亮，因此目标局部图像上明暗变化更强烈。所以本实施例中将拍摄图像中灰度值大于平均灰度值的像素点作为异常像素点。由于遮挡物具有一定的体积，为了避免判断错误，因此本实施例还需要对异常像素点进行聚类，以得到多个离散的像素片。若任意一个像素片的像素点数量大于预先设定的数量阈值，表示该像素片极大可能拍摄的是遮挡物，则判断拍摄图像中存在遮挡物。
如图1所示，所述方法还包括如下步骤：
步骤S200、所述缺陷数据集的生成方法包括：获取若干缺陷图像集，其中，每一所述缺陷图像集包括若干缺陷三维图像，各所述缺陷三维图像分别基于与所述目标部件相同类型的缺陷部件生成，各所述缺陷图像集分别对应的缺陷区域不同；根据各所述缺陷图像集，确定补充图像集，其中，所述补充图像集包括若干补充图像，每一所述补充图像对应的缺陷区域与各所述缺陷图像集分别对应的缺陷区域不同；根据各所述缺陷图像集和各所述补充图像集，确定所述缺陷数据集。
具体地，目标部件不同区域的使用情况不同，使用次数较少的区域难以采集到缺陷数据，导致缺陷检测模型的训练数据种类不全面。为了克服这一缺点，本实施例需要通过采集到的不同区域的缺陷图像集，判断目标部件中哪些区域缺乏或者不存在缺陷数据，然后针对这些区域生成补充图像集，以补偿这些区域的缺陷数据。最后根据正常采集到的各缺陷图像集合和各补充图像集汇总成目标部件的缺陷数据集。由于该缺陷数据集包括目标部件各个区域的缺陷数据，因此采用该缺陷数据集对缺陷检测模型进行训练可以得到更好的模型训练效果。
在一种实现方式中，所述获取若干缺陷图像集具体包括如下步骤：获取缺陷部件对应的若干缺陷三维图像和各所述缺陷三维图像分别对应的缺陷区域，其中，所述缺陷部件与所述目标部件对应的部件类型相同；根据各所述缺陷三维图像分别对应的缺陷区域对各所述缺陷三维图像进行分类，得到若干所述缺陷图像集。
在一种实现方式中，所述根据各所述缺陷图像集，确定补充图像集，具体包括如下步骤：
步骤S201、获取标准部件对应的标准三维图像，其中，所述标准部件与所述目标部件对应的部件类型相同，且所述标准部件不存在缺陷区域；
步骤S202、根据各所述缺陷图像集和所述标准三维图像，确定所述标准部件对应的若干目标区域，其中，每一所述目标区域与各所述缺陷图像集分别对应的缺陷区域均不相同；
步骤S203、根据所述标准三维图像和各所述目标区域，确定各所述目标区域分别对应的所述补充图像，其中，每一所述目标区域对应的所述补充图像用于反映所述标准部件上该目标区域存在缺陷时的三维图像。
具体地，由于各缺陷图像集反映了目标部件上常见的多个缺陷区域，因此本实施例可以获取不存在任何缺陷的目标部件的标准三维图像，通过比较标准三维图像和各缺陷图像集，判断出目标部件上哪些区域难以采集到缺陷数据，即得到目标区域。最后针对各目标区域一一制作出补充图像，以补偿各目标区域的缺陷数据。
在一种实现方式中，所述根据各所述缺陷图像集和所述标准三维图像，确定所述标准部件对应的若干目标区域，具体包括如下步骤：
步骤S2021、根据各所述缺陷图像集分别对应的缺陷区域，确定所述标准三维图像对应的若干删减区域；
步骤S2022、对所述标准三维图像中各所述删减区域进行删除操作，得到待划分图像；
步骤S2023、对所述待划分图像进行划分，得到若干所述目标区域，其中，若干所述目标区域互不重叠。
具体地，由于标准三维图像是反映的是未受损/不存在缺陷的目标部件的完整三维结构，因此标准三维图像包含目标部件各个区域的三维图像。将标准三维图像中各缺陷图像集分别对应的缺陷区域删除，则剩余的区域即为缺乏缺陷数据的目标区域的总和，可以采用各缺陷图像集分别对应的缺陷区域的面积平均值对剩余的区域进行划分，即得到多个目标区域。
在一种实现方式中，所述根据所述标准三维图像和各所述目标区域，确定各所述目标区域分别对应的所述补充图像，具体包括如下步骤：
步骤S2031、从各所述缺陷图像集中确定每一所述目标区域对应的目标缺陷图像集，其中，每一所述目标区域的区域中心点与该目标区域对应的所述目标缺陷图像集的缺陷区域的区域中心点距离最近；
步骤S2032、获取每一所述目标区域对应的所述目标缺陷图像集的缺陷形状特征；
步骤S2033、根据每一所述缺陷形状特征对所述标准三维图像进行图像处理，得到每一所述目标区域对应的所述补充图像。
简单来说，由于目标部件上距离相近的区域的受力情况相似，生成的缺陷形状也相似。因此针对每一目标区域，本实施例将与该目标区域的中心距离最近、且含有缺陷图像集的区域作为该目标区域的参考区域。根据该参考区域的缺陷图像集进行图像特征提取，以得到该参考区域的缺陷形状特征，并根据该缺陷形状特征在标准三维图像上构建一个缺陷形状，从而得到该目标区域对应的补充图像，该补充图像即可反映目标部件上该目标区域存在缺陷时的情况。
在一种实现方式中，所述方法还包括如下步骤：
步骤S300、将每一所述补充图像输入预先经过训练的图像生成模型，得到该补充图像对应的扩增图像；所述图像生成模型的训练过程包括：将训练图像输入所述图像生成模型，得到所述训练图像对应的仿真图像；将所述仿真图像和所述训练图像输入所述图像生成模型对应的图像判别模型，得到所述仿真图像和所述训练图像分别对应的分类结果；根据所述仿真图像和所述训练图像分别对应的分类结果对所述图像生成模型进行更新，判断更新后的所述图像生成模型是否收敛至训练目标，若否，继续执行将训练图像输入所述图像生成模型的步骤，直至更新后的所述图像生成模型收敛至所述训练目标，得到已训练的所述图像生成模型。
简单来说，为了扩增每一目标区域对应的补充图像，本实施例预先经过对抗神经网络方法训练得到一个生成模型，该生成模型可以输出与输入图像风格相近的仿真图像，从而达到图像扩增的目的。具体地，生成模型的训练过程需要采用图像判别模型，针对每一轮训练，需要将训练图像输入生成模型，得到该训练图像对应的仿真图像，再将训练图像和仿真图像一起输入图像判别模型，得到训练图像和仿真图像各自的分类结果，分类结果为真图像或者假图像。生成模型的训练目的则是使图像判别模型无法区分训练图像和仿真图像，即将生成模型输出的仿真图像输入图像判别模型，得到真图像的分类结果。因此根据仿真图像和训练图像分别对应的分类结果可以计算生成模型的损失值，并以损失值为导向对生成模型的参数进行更新。迭代训练直至生成器收敛至训练目标，例如训练目标可以为迭代次数大于预设次数或者损失值收敛至目标值。
基于上述实施例，本发明还提供了一种基于机器视觉的缺陷检测装置，如图2所示，所述装置包括：
预测模块01，用于获取目标部件对应的三维图像,将所述三维图像输入缺陷检测模型，得到所述目标部件对应的缺陷检测结果，其中，所述缺陷检测模型预先经过所述目标部件对应的缺陷数据集训练；
生成模块02，用于获取若干缺陷图像集，其中，每一所述缺陷图像集包括若干缺陷三维图像，各所述缺陷三维图像分别基于与所述目标部件相同类型的缺陷部件生成，各所述缺陷图像集分别对应的缺陷区域不同；根据各所述缺陷图像集，确定补充图像集，其中，所述补充图像集包括若干补充图像，每一所述补充图像对应的缺陷区域与各所述缺陷图像集分别对应的缺陷区域不同；根据各所述缺陷图像集和各所述补充图像集，确定所述缺陷数据集。
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图3所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于机器视觉的缺陷检测方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一种实现方式中，所述终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行基于机器视觉的缺陷检测方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
综上所述，本发明公开了基于机器视觉的缺陷检测方法、装置、终端及存储介质，所述方法通过获取目标部件对应的三维图像,将所述三维图像输入缺陷检测模型，得到所述目标部件对应的缺陷检测结果，其中，所述缺陷检测模型预先经过所述目标部件对应的缺陷数据集训练；所述缺陷数据集的生成方法包括：获取若干缺陷图像集，其中，每一所述缺陷图像集包括若干缺陷三维图像，各所述缺陷三维图像分别基于与所述目标部件相同类型的缺陷部件生成，各所述缺陷图像集分别对应的缺陷区域不同；根据各所述缺陷图像集，确定补充图像集，其中，所述补充图像集包括若干补充图像，每一所述补充图像对应的缺陷区域与各所述缺陷图像集分别对应的缺陷区域不同；根据各所述缺陷图像集和各所述补充图像集，确定所述缺陷数据集。本发明通过获取目标部件各常见受损部位分别对应的缺陷图像集，通过这些缺陷图像集确定目标部件上缺乏缺陷数据的区域。针对缺乏缺陷数据的区域制作补充图像集，以增加缺陷检测模型的缺陷数据集的种类。解决了现有技术中缺陷检测模型的训练数据通常只包含有加工部件上常见受损区域的缺陷数据，训练数据种类局限，导致训练出的缺陷检测模型的准确性和可靠性不高的问题。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.一种基于机器视觉的缺陷检测方法，其特征在于，所述方法包括：
获取目标部件对应的三维图像,将所述三维图像输入缺陷检测模型，得到所述目标部件对应的缺陷检测结果，其中，所述缺陷检测模型预先经过所述目标部件对应的缺陷数据集训练；
所述缺陷数据集的生成方法包括：
获取若干缺陷图像集，其中，每一所述缺陷图像集包括若干缺陷三维图像，各所述缺陷三维图像分别基于与所述目标部件相同类型的缺陷部件生成，各所述缺陷图像集分别对应的缺陷区域不同；
根据各所述缺陷图像集，确定补充图像集，其中，所述补充图像集包括若干补充图像，每一所述补充图像对应的缺陷区域与各所述缺陷图像集分别对应的缺陷区域不同；
根据各所述缺陷图像集和各所述补充图像集，确定所述缺陷数据集；
所述获取目标部件对应的三维图像，包括：
获取所述目标部件对应的若干拍摄图像，其中，若干所述拍摄图像分别对应的拍摄角度不同；
判断各所述拍摄图像中是否存在遮挡物，根据判断结果将各所述拍摄图像分为无遮挡物的第一拍摄图像和有遮挡物的第二拍摄图像；
对各所述第二拍摄图像进行图像修复，得到各所述第二拍摄图像分别对应的修复图像；
根据各所述第一拍摄图像和各所述修复图像，确定所述三维图像；
所述判断各所述拍摄图像中是否存在遮挡物，包括：
获取每一所述拍摄图像对应的目标局部图像，其中，所述目标局部图像为该拍摄图像中所述缺陷部件对应的局部图像；
获取所述目标局部图像对应的平均灰度值，确定所述目标局部图像中与所述平均灰度值的偏差大于偏差阈值的异常像素点；
根据各所述异常像素点的位置对各所述异常像素点进行聚类，得到若干离散的像素片，其中，每一所述像素片中的像素点均为所述异常像素点；
当任意一个所述像素片中的像素点数量大于数量阈值时，判断该拍摄图像中存在遮挡物；
所述获取若干缺陷图像集，包括：
获取缺陷部件对应的若干缺陷三维图像和各所述缺陷三维图像分别对应的缺陷区域，其中，所述缺陷部件与所述目标部件对应的部件类型相同；
根据各所述缺陷三维图像分别对应的缺陷区域对各所述缺陷三维图像进行分类，得到若干所述缺陷图像集；
所述根据各所述缺陷图像集，确定补充图像集，包括：
获取标准部件对应的标准三维图像，其中，所述标准部件与所述目标部件对应的部件类型相同，且所述标准部件不存在缺陷区域；
根据各所述缺陷图像集和所述标准三维图像，确定所述标准部件对应的若干目标区域，其中，每一所述目标区域与各所述缺陷图像集分别对应的缺陷区域均不相同；
根据所述标准三维图像和各所述目标区域，确定各所述目标区域分别对应的所述补充图像，其中，每一所述目标区域对应的所述补充图像用于反映所述标准部件上该目标区域存在缺陷时的三维图像；
所述根据各所述缺陷图像集和所述标准三维图像，确定所述标准部件对应的若干目标区域，包括：
根据各所述缺陷图像集分别对应的缺陷区域，确定所述标准三维图像对应的若干删减区域；
对所述标准三维图像中各所述删减区域进行删除操作，得到待划分图像；
对所述待划分图像进行划分，得到若干所述目标区域，其中，若干所述目标区域互不重叠；
所述根据所述标准三维图像和各所述目标区域，确定各所述目标区域分别对应的所述补充图像，包括：
从各所述缺陷图像集中确定每一所述目标区域对应的目标缺陷图像集，其中，每一所述目标区域的区域中心点与该目标区域对应的所述目标缺陷图像集的缺陷区域的区域中心点距离最近；
获取每一所述目标区域对应的所述目标缺陷图像集的缺陷形状特征；
根据每一所述缺陷形状特征对所述标准三维图像进行图像处理，得到每一所述目标区域对应的所述补充图像。
2.根据权利要求1所述的基于机器视觉的缺陷检测方法，其特征在于，所述方法还包括对所述补充图像集进行扩增，扩增方法包括：
将每一所述补充图像输入预先经过训练的图像生成模型，得到该补充图像对应的扩增图像；
所述图像生成模型的训练过程包括：
将训练图像输入所述图像生成模型，得到所述训练图像对应的仿真图像；
将所述仿真图像和所述训练图像输入所述图像生成模型对应的图像判别模型，得到所述仿真图像和所述训练图像分别对应的分类结果；
根据所述仿真图像和所述训练图像分别对应的分类结果对所述图像生成模型进行更新，判断更新后的所述图像生成模型是否收敛至训练目标，若否，继续执行将训练图像输入所述图像生成模型的步骤，直至更新后的所述图像生成模型收敛至所述训练目标，得到已训练的所述图像生成模型。
3.一种基于机器视觉的缺陷检测装置，其特征在于，所述装置包括：
预测模块，用于获取目标部件对应的三维图像,将所述三维图像输入缺陷检测模型，得到所述目标部件对应的缺陷检测结果，其中，所述缺陷检测模型预先经过所述目标部件对应的缺陷数据集训练；
生成模块，用于获取若干缺陷图像集，其中，每一所述缺陷图像集包括若干缺陷三维图像，各所述缺陷三维图像分别基于与所述目标部件相同类型的缺陷部件生成，各所述缺陷图像集分别对应的缺陷区域不同；
根据各所述缺陷图像集，确定补充图像集，其中，所述补充图像集包括若干补充图像，每一所述补充图像对应的缺陷区域与各所述缺陷图像集分别对应的缺陷区域不同；
根据各所述缺陷图像集和各所述补充图像集，确定所述缺陷数据集；
所述获取目标部件对应的三维图像，包括：
获取所述目标部件对应的若干拍摄图像，其中，若干所述拍摄图像分别对应的拍摄角度不同；
判断各所述拍摄图像中是否存在遮挡物，根据判断结果将各所述拍摄图像分为无遮挡物的第一拍摄图像和有遮挡物的第二拍摄图像；
对各所述第二拍摄图像进行图像修复，得到各所述第二拍摄图像分别对应的修复图像；
根据各所述第一拍摄图像和各所述修复图像，确定所述三维图像；
所述判断各所述拍摄图像中是否存在遮挡物，包括：
获取每一所述拍摄图像对应的目标局部图像，其中，所述目标局部图像为该拍摄图像中所述缺陷部件对应的局部图像；
获取所述目标局部图像对应的平均灰度值，确定所述目标局部图像中与所述平均灰度值的偏差大于偏差阈值的异常像素点；
根据各所述异常像素点的位置对各所述异常像素点进行聚类，得到若干离散的像素片，其中，每一所述像素片中的像素点均为所述异常像素点；
当任意一个所述像素片中的像素点数量大于数量阈值时，判断该拍摄图像中存在遮挡物；
所述获取若干缺陷图像集，包括：
获取缺陷部件对应的若干缺陷三维图像和各所述缺陷三维图像分别对应的缺陷区域，其中，所述缺陷部件与所述目标部件对应的部件类型相同；
根据各所述缺陷三维图像分别对应的缺陷区域对各所述缺陷三维图像进行分类，得到若干所述缺陷图像集；
所述根据各所述缺陷图像集，确定补充图像集，包括：
获取标准部件对应的标准三维图像，其中，所述标准部件与所述目标部件对应的部件类型相同，且所述标准部件不存在缺陷区域；
根据各所述缺陷图像集和所述标准三维图像，确定所述标准部件对应的若干目标区域，其中，每一所述目标区域与各所述缺陷图像集分别对应的缺陷区域均不相同；
根据所述标准三维图像和各所述目标区域，确定各所述目标区域分别对应的所述补充图像，其中，每一所述目标区域对应的所述补充图像用于反映所述标准部件上该目标区域存在缺陷时的三维图像；
所述根据各所述缺陷图像集和所述标准三维图像，确定所述标准部件对应的若干目标区域，包括：
根据各所述缺陷图像集分别对应的缺陷区域，确定所述标准三维图像对应的若干删减区域；
对所述标准三维图像中各所述删减区域进行删除操作，得到待划分图像；
对所述待划分图像进行划分，得到若干所述目标区域，其中，若干所述目标区域互不重叠；
所述根据所述标准三维图像和各所述目标区域，确定各所述目标区域分别对应的所述补充图像，包括：
从各所述缺陷图像集中确定每一所述目标区域对应的目标缺陷图像集，其中，每一所述目标区域的区域中心点与该目标区域对应的所述目标缺陷图像集的缺陷区域的区域中心点距离最近；
获取每一所述目标区域对应的所述目标缺陷图像集的缺陷形状特征；
根据每一所述缺陷形状特征对所述标准三维图像进行图像处理，得到每一所述目标区域对应的所述补充图像。
4.一种终端，其特征在于，所述终端包括有存储器和一个以上处理器；所述存储器存储有一个以上的程序；所述程序包含用于执行如权利要求1-2中任一所述的基于机器视觉的缺陷检测方法的指令；所述处理器用于执行所述程序。
5.一种计算机可读存储介质，其上存储有多条指令，其特征在于，所述指令适用于由处理器加载并执行，以实现上述权利要求1-2任一所述的基于机器视觉的缺陷检测方法。
CN202210944247.3A 2022-08-08 2022-08-08 基于机器视觉的缺陷检测方法、装置、终端及存储介质 Active CN115018842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210944247.3A CN115018842B (zh) 2022-08-08 2022-08-08 基于机器视觉的缺陷检测方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210944247.3A CN115018842B (zh) 2022-08-08 2022-08-08 基于机器视觉的缺陷检测方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN115018842A CN115018842A (zh) 2022-09-06
CN115018842B true CN115018842B (zh) 2022-11-11

Family

ID=83066111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210944247.3A Active CN115018842B (zh) 2022-08-08 2022-08-08 基于机器视觉的缺陷检测方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN115018842B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115292964B (zh) * 2022-09-28 2023-01-06 中科航迈数控软件(深圳)有限公司 加工部件的可视化寿命管理方法、系统、终端及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614125A (zh) * 2020-12-30 2021-04-06 湖南科技大学 手机玻璃缺陷检测方法、装置、计算机设备及存储介质
CN113284086A (zh) * 2021-03-31 2021-08-20 广东电力信息科技有限公司 电力稀缺缺陷图像生成及检测方法、装置及相关设备
CN113469921A (zh) * 2021-09-06 2021-10-01 深圳市创世易明科技有限公司 图像缺陷修复方法、系统、计算机设备及存储介质
CN113484333A (zh) * 2021-09-08 2021-10-08 苏州高视半导体技术有限公司 多层结构屏幕的异物缺陷区分方法、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063702B (zh) * 2014-07-16 2017-02-15 中南大学 一种基于遮挡修复和局部相似性匹配的三维步态识别方法
CN110400296A (zh) * 2019-07-19 2019-11-01 重庆邮电大学 连铸坯表面缺陷双目扫描与深度学习融合识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614125A (zh) * 2020-12-30 2021-04-06 湖南科技大学 手机玻璃缺陷检测方法、装置、计算机设备及存储介质
CN113284086A (zh) * 2021-03-31 2021-08-20 广东电力信息科技有限公司 电力稀缺缺陷图像生成及检测方法、装置及相关设备
CN113469921A (zh) * 2021-09-06 2021-10-01 深圳市创世易明科技有限公司 图像缺陷修复方法、系统、计算机设备及存储介质
CN113484333A (zh) * 2021-09-08 2021-10-08 苏州高视半导体技术有限公司 多层结构屏幕的异物缺陷区分方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN115018842A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN109308488B (zh) 乳腺超声图像处理装置、方法、计算机设备及存储介质
US11189019B2 (en) Method for detecting defects, electronic device, and computer readable medium
CN111325159B (zh) 故障诊断方法、装置、计算机设备和存储介质
JP2010530179A (ja) 仮想センサ・システムおよび方法
CN115018842B (zh) 基于机器视觉的缺陷检测方法、装置、终端及存储介质
CN111401472B (zh) 基于深度卷积神经网络的红外目标分类方法和装置
CN113705685B (zh) 疾病特征识别模型训练、疾病特征识别方法、装置及设备
CN115310562B (zh) 一种适用于极端状态的储能设备的故障预测模型生成方法
CN111259791A (zh) 核电站物资验收方法、装置、计算机设备及存储介质
CN116028886A (zh) 一种基于bim的数据处理方法、系统及云平台
KR20200076323A (ko) 디지털 트윈용 다중 모델 병렬 실행 자동화 및 검증을 위한 방법 및 장치
CN111340025A (zh) 字符识别方法、装置、计算机设备和计算机可读存储介质
CN116993710A (zh) 纺丝工艺的检测方法、装置、电子设备及存储介质
CN111340788A (zh) 硬件木马版图检测方法、装置、电子设备和可读存储介质
CN116342256A (zh) 风控策略测试方法、装置、计算机设备和存储介质
CN115797291A (zh) 回路端子的识别方法、装置、计算机设备和存储介质
CN113344961B (zh) 图像背景分割方法、装置、计算设备及存储介质
CN115525455A (zh) 多层级系统的异常修复方法、装置、服务器及存储介质
CN115205224A (zh) 自适应特征增强的多源融合视觉检测方法、装置及介质
CN114155471A (zh) 设计图纸与实物的核验方法、装置、计算机设备和系统
CN110865939B (zh) 应用程序质量监测方法、装置、计算机设备和存储介质
CN111768371A (zh) Aoi智能检修方法、装置、计算机设备和存储介质
CN111161239B (zh) 医学图像分析方法、装置、存储介质及计算机设备
CN116994609B (zh) 应用于智能生产线的数据分析方法及系统
CN112053224B (zh) 业务处理监控实现方法、装置及系统

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
GR01 Patent grant
GR01 Patent grant