CN115049604B - 一种大幅面板材超高分辨率图像的微小缺陷快速检测方法 - Google Patents

一种大幅面板材超高分辨率图像的微小缺陷快速检测方法 Download PDF

Info

Publication number
CN115049604B
CN115049604B CN202210650165.8A CN202210650165A CN115049604B CN 115049604 B CN115049604 B CN 115049604B CN 202210650165 A CN202210650165 A CN 202210650165A CN 115049604 B CN115049604 B CN 115049604B
Authority
CN
China
Prior art keywords
image
box
suspected defect
bounding box
loss function
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
CN202210650165.8A
Other languages
English (en)
Other versions
CN115049604A (zh
Inventor
罗陆锋
刘炳飘
朱赟海
卢清华
朱文博
张云志
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.)
Foshan University
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN202210650165.8A priority Critical patent/CN115049604B/zh
Publication of CN115049604A publication Critical patent/CN115049604A/zh
Application granted granted Critical
Publication of CN115049604B publication Critical patent/CN115049604B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种大幅面板材超高分辨率图像的微小缺陷快速检测方法，涉及目标检测技术领域。本发明包括以下步骤：采集物体表面图像；对所述物体表面图像进行图像拼接，得到超高分辨率图像；对所述超高分辨率图像进行边缘检测，获得疑似缺陷部分的边缘，采用外接矩形将其区域标出，得到疑似缺陷部分区域，并采用非极大值抑制方法去除冗余部分；将所述疑似缺陷部分区域与原图进行区域对应，获得原图疑似缺陷部分区域，将疑似缺陷部分区域输入到改进的YOLOv4‑tiny中得到检测结果。本发明可快速检测的同时又提高了检测的精度，大大提高了检测效率。

Description

一种大幅面板材超高分辨率图像的微小缺陷快速检测方法
技术领域
本发明涉及目标监测领域，更具体的说是涉及一种大幅面板材超高分辨率图像的微小缺陷快速检测方法。
背景技术
现有技术中高清图像信号分辨率为1080P、1080i(分辨率为1920*1080)或720p(1280*720)，但对于一些大幅面图像的缺陷检测，1080P、1080i远远不能满足要求。随着半导体技术的提高，10K*10K(即10240*10240)甚至更高分辨率的像元传感器已出现，在这样的超高分辨率图像中缺陷是微小且稀疏的，但与低分辨率图像相比，小缺陷在高分辨率图像中可以用更多的像素来表征，即可以被更加清晰的刻画出来。在目前低分辨率图像中的缺陷快速检测方法中，Faster R-CNN、YOLO系列和Single Shot Detection(SSD)等目标检测算法发挥了出色的表现。但这些算法都无法直接应用到超高分辨率的图像中。如果将超高分辨率的图像进行降素处理的话，又会造成信息的丢失，从而影响检测的精度。
发明内容
有鉴于此，为了解决大幅面图像的微小缺陷检测困难的问题，本发明提供了一种大幅面超高分辨率图像中的微小缺陷快速检测方法，可快速检测的同时又提高了检测的精度，大大提高了检测效率。
为了实现上述目的，本发明采用如下技术方案：
一种大幅面板材超高分辨率图像的微小缺陷快速检测方法，包括以下步骤：
采集物体表面图像；
对所述物体表面图像进行图像拼接，得到超高分辨率图像；
对所述超高分辨率图像进行边缘检测，获得疑似缺陷部分的边缘，采用外接矩形将其区域标出，得到疑似缺陷部分区域，并采用非极大值抑制方法去除冗余部分；
将所述疑似缺陷部分区域与原图进行区域对应，获得原图疑似缺陷部分区域。
可选的，还包括对原图疑似缺陷部分区域采样，将采样结果输入到改进的YOLOv4-tiny模型中，最终得到缺陷检测结果。
可选的，其特征在于，所述图像拼接包括：图像预处理、图像配准和图像融合。
可选的，其特征在于，所述图像预处理包括的操作为图像光线校正、相机标定和图像去噪。
可选的，所述图像配准是计算出两幅图像间的空间变换模型并进行投影变换，设图像f1(x,y)、f2(x,y)存在投影变换关系，则用齐次方程(1)表示：
Figure BDA0003684904530000021
式中：m0、m1、m3和m4共同表示旋转角度和缩放尺度；m2和m5分别表示x方向与y方向上的平移量；m6和m7分别表示x方向和y方向上的变形量。
可选的，所述图像融合用来消除拼接缝隙，得到无缝的高质量图像。
可选的，所述改进的YOLOv4-tiny的损失函数由三部分组成，分别为置信度损失函数、分类损失函数和边界框回归损失函数。
可选的，所述置信度损失函数的计算公式如下：
Figure BDA0003684904530000022
Figure BDA0003684904530000023
式子(6)中S2为输入图像中的网格数，B为网格中的边界框数，如果第i个网格的第j个边界框负责检测当前对象，则
Figure BDA0003684904530000031
否则
Figure BDA0003684904530000032
Figure BDA0003684904530000033
和
Figure BDA0003684904530000034
分别为预测盒的置信度得分和真值盒的置信度得分，λnoobj是一个权重参数；如果对象在第i个网格的第j个框中，Pi,j＝1，否则，Pi,j＝0。
Figure BDA0003684904530000035
表示预测框和真实框之间的交集。
可选的，所述分类损失函数的计算公式如下：
Figure BDA0003684904530000036
式子(8)中，S2为输入图像中的网格数，B为网格中的边界框数，
Figure BDA0003684904530000037
和
Figure BDA0003684904530000038
是第i个网格的第j个边界框中对象属于c分类的预测概率和真概率。
可选的，所述边界框回归损失函数的计算公式如下：
Figure BDA0003684904530000039
式子(9)中IOU是预测边界框和真值边界框之间的联合的交集；wgt和hgt分别为边界框的真实宽度和高度；w和h分别为边界框的预测宽度和高度。ρ2(b,bgt)表示预测边界框与真值边界框的中心点之间的欧氏距离；c是包含预测的边界框和真值边界框的框的最小对角线距离。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种大幅面超高分辨率图像中的微小缺陷快速检测方法，可快速实时检测的同时又提高了检测的精度，大大提高了检测效率。
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的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明的总体流程示意图；
图2为本发明的大幅面超高分辨率图像采集平台示意图；
图3为本发明所改进的YOLOv4-tiny模型图；
图4为CBAM中的通道注意力机制示意图；
图5为CBAM中的空间注意力机制示意图；
其中，1-相机，2-支架，3-待检测目标。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种大幅面超高分辨率图像中的微小缺陷快速检测方法，如图1所示，包括以下步骤：
(1)将多个高分辨率相机固定在物体正上方，相机对物体表面图像采集，进行图像拼接，以获得超高分辨率图像。本实施例以4个高分辨率相机为例，如图2所示布置，其中，1为相机，2为支架，3为待检测目标。
(2)图像拼接包括3部分:图像预处理、图像配准和图像融合。图像预处理包括的操作为图像光线校正、相机标定和图像去噪。
(3)图像配准是计算出两幅图像间的空间变换模型并进行空间变换,使两幅图像的重叠部分在空间上对准，是图像拼接的关键。图像之间的空间变换关系包括:平移、旋转、尺度缩放、仿射变换、投影变换，其中投影变换更具有普遍性。假设图像f1(x,y)、f2(x,y)存在投影变换关系,则用齐次方程(1)表示：
Figure BDA0003684904530000051
式中:m0、m1、m3和m4共同表示旋转角度和缩放尺度；m2和m5分别表示x方向与y方向上的平移量；m6和m7分别表示x方向和y方向上的变形量。图像配准的关键是用式(1)确定空间变换模型M的参数。
本实施例采用基于特征的图像配准，主要有Harris角点检测法、基于轮廓特征的图像配准、基于SIFT的图像配准等。
(4)图像融合技术主要用来消除拼接缝隙，得到无缝的高质量图像。
(5)对所获得的超高分辨率图像进行边缘检测，获得疑似缺陷部分的边缘，采用外接矩形将其区域标出，并采用非极大值抑制方法去除冗余部分。边缘检测可采用Canny边缘检测算子、拉普拉斯算子、Prewitt算子和Sobel算子中的任意一种。
(6)将所得疑似缺陷部分区域与原图进行区域对应，在原图上获得疑似缺陷部分区域。
(7)由于在超高分辨率图像中，缺陷显得十分微小，但是这些缺陷在高分辨率图像中被使用较多的像素来表征，因此将其进行上采样，可以获得缺陷的更多特征。利用这一优点，将在原图上获得的疑似缺陷部分区域的分辨率上采样为416×416，然后将其输入到改进的YOLOv4-tiny模型中，最终得到缺陷检测结果。
(8)如图3所示，改进的YOLOv4-tiny使用ResNet-D网络中的ResBlock-D模块替换了Yolov4-tiny中的CSPBlock模块，从而降低了计算复杂度，提高检测的速度。设计思路是对比两个模块的模型复杂度(FLOPs)。FLOPs的计算公式为：
Figure BDA0003684904530000061
其中D为所有卷积层的和，
Figure BDA0003684904530000062
为第l个卷积层的输出特征映射大小，
Figure BDA0003684904530000065
为核大小的个数，Cl-1和Cl分别为输入通道和输出通道的个数。
这里假设输入图像的大小为104×104，通道数为64。
CSPBlock的FLOPs为：
Figure BDA0003684904530000064
ResBlock-D的FLOPs为：
FLOPs＝1042×12×64×32+522×32×322+522×12×32×64+64×522×22+522×12×642(3)
＝6.438×107
通过以上计算可以得到CSPBlock和ResBlock-D的计算复杂度比率约为10:1。这意味着ResBlock-D的计算复杂度远小于CSPBlock。因此在设计模型的时候使用ResBlock-D代替CSPBlock模块，可以降低计算复杂度，提高检测的速度。
(9)虽然使用ResBlock-D模块来代替CSPBlock模块能够一定层度上提高目标检测的速度，但是它降低了目标检测的准确性，所以本实施例在YOLOv4-tiny主干网络提取出来的两个有效特征层上增加了注意力机制CBAM(ConvolutionalBlock Attention Module)，可以提取更有效的特征信息，进一步提高了检测的准确性。CBAM将通道注意力机制和空间注意力机制进行一个结合，相比于SENet只关注通道的注意力机制可以取得更好的效果。
(10)CBAM中的通道注意力机制如图4所示。通道注意力是关注什么样的特征是有意义的。为了汇总空间特征，采用了全局平均池化和最大池化两种方式来分别利用不同的信息，如式(4)所示：
Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))(4)
输入是一个H×W×C的特征F，先分别进行一个空间的全局平均池化和最大池化得到两个1×1×C的通道描述。接着，再将它们分别送入一个两层的神经网络，第一层神经元个数为C/r，激活函数为Relu，第二层神经元个数为C。这个两层的神经网络是共享的。然后，再将得到的两个特征相加后经过一个Sigmoid激活函数得到权重系数Mc。最后，拿权重系数和原来的特征F相乘即可得到缩放后的新特征。
(11)CBAM中的空间注意力机制如图5所示。在通道注意力模块之后，再引入空间注意力模块来关注哪里的特征是有意义的，如式(5)所示：
Figure BDA0003684904530000071
与通道注意力相似，给定一个H×W×C的特征F’，我们先分别进行一个通道维度的平均池化和最大池化得到两个H×W×1的通道描述，并将这两个描述按照通道拼接在一起。然后，经过一个7×7的卷积层，激活函数为Sigmoid，得到权重系数Ms。最后，将权重系数和特征F’相乘即可得到缩放后的新特征。
(12)将检测结果输出到原始图像中对应的缺陷位置。
(13)本实施例改进的YOLOv4-tiny的损失函数由三部分组成，分别为置信度损失函数、分类损失函数和边界框回归损失函数。置信度损失函数的计算公式如下：
Figure BDA0003684904530000072
Figure BDA0003684904530000073
式子(6)中S2为输入图像中的网格数，B为网格中的边界框数，
Figure BDA0003684904530000074
仅仅是对象的一个函数。如果第i个网格的第j个边界框负责检测当前对象，则
Figure BDA0003684904530000075
＝1，否则
Figure BDA0003684904530000076
Figure BDA0003684904530000077
和
Figure BDA0003684904530000078
分别为预测盒的置信度得分和真值盒的置信度得分。
λnoobj是一个权重参数。
式子(7)中Pi,j只是对象的一个函数。如果对象在第i个网格的第j个框中，Pi,j＝1，否则，Pi,j＝0。
Figure BDA0003684904530000081
表示预测框和真实框之间的交集。
Figure BDA0003684904530000082
分数越大，预测的盒子就越接近真实的盒子。
分类损失函数的计算公式如下：
Figure BDA0003684904530000083
式子(8)中
Figure BDA0003684904530000084
和
Figure BDA0003684904530000085
是第i个网格的第j个边界框中对象属于c分类的预测概率和真概率。
边界框回归损失函数的计算公式如下：
Figure BDA0003684904530000086
式子(9)中IOU是预测边界框和真值边界框之间的联合的交集。wgt和hgt分别为边界框的真实宽度和高度。w和h分别为边界框的预测宽度和高度。ρ2(b,bgt)表示预测边界框与真值边界框的中心点之间的欧氏距离。c是可以包含预测的边界框和真值边界框的框的最小对角线距离。
所以总损失函数为：
loss＝loss1+loss2+loss3(10)
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种大幅面板材超高分辨率图像的微小缺陷快速检测方法，其特征在于，包括以下步骤：
采集物体表面图像；
对所述物体表面图像进行图像拼接，得到超高分辨率图像；
对所述超高分辨率图像进行边缘检测，获得疑似缺陷部分的边缘，采用外接矩形将其区域标出，得到疑似缺陷部分区域，并采用非极大值抑制方法去除冗余部分；
将所述疑似缺陷部分区域与原图进行区域对应，获得原图疑似缺陷部分区域；
还包括对原图疑似缺陷部分区域采样，将采样结果输入到改进的YOLOv4-tiny模型中，最终得到缺陷检测结果；
所述改进的YOLOv4-tiny的损失函数由三部分组成，分别为置信度损失函数、分类损失函数和边界框回归损失函数；
所述置信度损失函数的计算公式如下：
Figure FDA0004055022180000011
Figure FDA0004055022180000012
式子(6)中S2为输入图像中的网格数，B为网格中的边界框数，如果第i个网格的第j个边界框负责检测当前对象，则
Figure FDA0004055022180000013
否则
Figure FDA0004055022180000014
Figure FDA0004055022180000015
和
Figure FDA0004055022180000016
 分别为预测盒的置信度得分和真值盒的置信度得分，λnoobj是一个权重参数；如果对象在第i个网格的第j个框中，Pi,j＝1，否则，Pi,j＝0；
Figure FDA0004055022180000017
表示预测框和真实框之间的交集。
2.根据权利要求1所述的一种大幅面板材超高分辨率图像的微小缺陷快速检测方法，其特征在于，所述图像拼接包括：图像预处理、图像配准和图像融合。
3.根据权利要求2所述的一种大幅面板材超高分辨率图像的微小缺陷快速检测方法，其特征在于，所述图像预处理包括的操作为图像光线校正、相机标定和图像去噪。
4.根据权利要求2所述的一种大幅面板材超高分辨率图像的微小缺陷快速检测方法，其特征在于，所述图像配准是计算出两幅图像间的空间变换模型并进行投影变换，设图像f1(x,y)、f2(x,y)存在投影变换关系，则用齐次方程(1)表示：
Figure FDA0004055022180000021
式中：m0、m1、m3和m4共同表示旋转角度和缩放尺度；m2和m5分别表示x方向与y方向上的平移量；m6和m7分别表示x方向和y方向上的变形量。
5.根据权利要求2所述的一种大幅面板材超高分辨率图像的微小缺陷快速检测方法，其特征在于，所述图像融合用来消除拼接缝隙，得到无缝的高质量图像。
6.根据权利要求1所述的一种大幅面板材超高分辨率图像的微小缺陷快速检测方法，其特征在于，
所述分类损失函数的计算公式如下：
Figure FDA0004055022180000022
式子(8)中，S2为输入图像中的网格数，B为网格中的边界框数，
Figure FDA0004055022180000023
和
Figure FDA0004055022180000024
是第i个网格的第j个边界框中对象属于c分类的预测概率和真概率。
7.根据权利要求1所述的一种大幅面板材超高分辨率图像的微小缺陷快速检测方法，其特征在于，
所述边界框回归损失函数的计算公式如下：
Figure FDA0004055022180000031
式子(9)中IOU是预测边界框和真值边界框之间的联合的交集；wgt和hgt 分别为边界框的真实宽度和高度；w和h分别为边界框的预测宽度和高度；ρ2(b,bgt)表示预测边界框与真值边界框的中心点之间的欧氏距离；c是包含预测的边界框和真值边界框的最小对角线距离。
CN202210650165.8A 2022-06-09 2022-06-09 一种大幅面板材超高分辨率图像的微小缺陷快速检测方法 Active CN115049604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210650165.8A CN115049604B (zh) 2022-06-09 2022-06-09 一种大幅面板材超高分辨率图像的微小缺陷快速检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210650165.8A CN115049604B (zh) 2022-06-09 2022-06-09 一种大幅面板材超高分辨率图像的微小缺陷快速检测方法

Publications (2)

Publication Number Publication Date
CN115049604A CN115049604A (zh) 2022-09-13
CN115049604B true CN115049604B (zh) 2023-04-07

Family

ID=83160832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210650165.8A Active CN115049604B (zh) 2022-06-09 2022-06-09 一种大幅面板材超高分辨率图像的微小缺陷快速检测方法

Country Status (1)

Country Link
CN (1) CN115049604B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112304960A (zh) * 2020-12-30 2021-02-02 中国人民解放军国防科技大学 一种基于深度学习的高分辨率图像物体表面缺陷检测方法
WO2022062812A1 (zh) * 2020-09-28 2022-03-31 歌尔股份有限公司 屏幕缺陷检测方法、装置和电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259930B (zh) * 2020-01-09 2023-04-25 南京信息工程大学 自适应注意力指导机制的一般性目标检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022062812A1 (zh) * 2020-09-28 2022-03-31 歌尔股份有限公司 屏幕缺陷检测方法、装置和电子设备
CN112304960A (zh) * 2020-12-30 2021-02-02 中国人民解放军国防科技大学 一种基于深度学习的高分辨率图像物体表面缺陷检测方法

Also Published As

Publication number Publication date
CN115049604A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN108986152B (zh) 一种基于差分图像的异物检测方法及装置
CN103902953B (zh) 一种屏幕检测系统及方法
Deng et al. Binocular video-based 3D reconstruction and length quantification of cracks in concrete structures
WO2013020143A1 (en) Image-based crack quantification
CN107016646A (zh) 一种基于改进的逼近投影变换图像拼接方法
CN110287826A (zh) 一种基于注意力机制的视频目标检测方法
CN111639668A (zh) 一种基于深度学习的人群密度检测方法
CN111626295B (zh) 车牌检测模型的训练方法和装置
CN114255197B (zh) 一种红外与可见光图像自适应融合对齐方法及系统
CN108960115A (zh) 基于角点的多方向文本检测方法
CN113569737B (zh) 基于自主学习网络模型笔记本屏幕缺陷检测方法及介质
CN106296587A (zh) 轮胎模具图像的拼接方法
WO2025007949A1 (zh) 基于多尺度网格化的覆铜板表面缺陷检测方法
CN107240126A (zh) 阵列图像的校准方法
CN116977316A (zh) 一种复杂外形构件损伤缺陷全场检测与量化评估方法
JP4859061B2 (ja) 画像の補正方法、補正プログラムおよび画像歪み補正装置
CN115205114A (zh) 一种基于orb特征的高分辨率图像拼接改进算法
CN110547803A (zh) 一种适用于鱼眼相机俯视拍摄的行人身高估计方法
CN118674723B (zh) 一种基于深度学习的涂布陶瓷区虚边检测方法
Ouyang et al. From pixel to infrastructure: Photogrammetry-based tunnel crack digitalization and documentation method using deep learning
CN115049604B (zh) 一种大幅面板材超高分辨率图像的微小缺陷快速检测方法
CN118071979B (zh) 一种基于深度学习的晶圆预对准方法及系统
CN114240759A (zh) 一种车底成像处理方法及装置
CN118864526A (zh) 一种基于模板匹配的打印轨迹快速跟踪方法及系统
CN116465893A (zh) 畸变镜头下的排水管道缺陷检测方法

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220913

Assignee: Foshan Xiangyuan Furniture Manufacturing Co.,Ltd.

Assignor: FOSHAN University

Contract record no.: X2023980054076

Denomination of invention: A Fast Detection Method for Small Defects in Ultra High Resolution Images of Large Panel Materials

Granted publication date: 20230407

License type: Common License

Record date: 20231227

Application publication date: 20220913

Assignee: GUANGZHOU YUANFANG COMPUTER SOFTWARE ENGINEERING Co.,Ltd.

Assignor: FOSHAN University

Contract record no.: X2023980054075

Denomination of invention: A Fast Detection Method for Small Defects in Ultra High Resolution Images of Large Panel Materials

Granted publication date: 20230407

License type: Common License

Record date: 20231227

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220913

Assignee: FOSHAN WEISHANG FURNITURE MANUFACTURING Co.,Ltd.

Assignor: FOSHAN University

Contract record no.: X2023980054621

Denomination of invention: A Fast Detection Method for Small Defects in Ultra High Resolution Images of Large Panel Materials

Granted publication date: 20230407

License type: Common License

Record date: 20240102

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 528000 No. 18, No. 1, Jiangwan, Guangdong, Foshan

Patentee after: Foshan University

Country or region after: China

Address before: 528000 No. 18, No. 1, Jiangwan, Guangdong, Foshan

Patentee before: FOSHAN University

Country or region before: China