CN115082416A - 镜片瑕疵检测方法、装置、设备及存储介质 - Google Patents

镜片瑕疵检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115082416A
CN115082416A CN202210810141.4A CN202210810141A CN115082416A CN 115082416 A CN115082416 A CN 115082416A CN 202210810141 A CN202210810141 A CN 202210810141A CN 115082416 A CN115082416 A CN 115082416A
Authority
CN
China
Prior art keywords
lens
image
network
flaw
image features
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
CN202210810141.4A
Other languages
English (en)
Inventor
任杰
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.)
Xinjian Intelligent Control Shenzhen Technology Co ltd
Original Assignee
Xinjian Intelligent Control Shenzhen Technology 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 Xinjian Intelligent Control Shenzhen Technology Co ltd filed Critical Xinjian Intelligent Control Shenzhen Technology Co ltd
Priority to CN202210810141.4A priority Critical patent/CN115082416A/zh
Publication of CN115082416A publication Critical patent/CN115082416A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/80—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及镜片检测领域，公开了一种镜片瑕疵检测方法、装置、设备及存储介质，用于提高镜片瑕疵检测的准确率。所述镜片瑕疵检测方法包括：控制点光源、待检测镜片和图像采集终端之间的距离，并调整图像采集终端中的光圈开口大小以使待检测镜片小孔成像，得到待检测镜片对应的目标图像；将目标图像输入镜片瑕疵检测模型；通过特征提取网络对目标图像进行图像特征提取，得到深层图像特征和浅层图像特征；通过特征融合网络对深层图像特征和浅层图像特征进行融合并构建图像特征金字塔，得到瑕疵图像特征；通过瑕疵检测网络对瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到瑕疵检测结果。

Description

镜片瑕疵检测方法、装置、设备及存储介质
技术领域
本发明涉及镜片检测领域，尤其涉及一种镜片瑕疵检测方法、装置、设备及存储介质。
背景技术
在工业自动化生产线中，镜片表面容易出现黑点、色斑、焦料、缺料、凹陷、色线、飞边、毛刺等缺陷，这些缺陷对于产品的美观度、使用性及稳定性等带来不良的影响，为了将不合格的产品分拣出来，提高产品的出厂合格率，需要对产品进行细致的检测。
但是现有方案主要依靠人工基于一些简单的光学元件进行镜片瑕疵检测，导致镜片瑕疵检测的准确率低，不利于瑕疵的分析。
发明内容
本发明提供了一种镜片瑕疵检测方法、装置、设备及存储介质，用于提高镜片瑕疵检测的准确率。
本发明第一方面提供了一种镜片瑕疵检测方法，所述镜片瑕疵检测方法包括：控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整所述图像采集终端中的光圈开口大小以使所述待检测镜片小孔成像，得到所述待检测镜片对应的目标图像；将所述目标图像输入预置的镜片瑕疵检测模型中，其中，所述镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；通过所述特征提取网络对所述目标图像进行图像特征提取，得到所述目标图像对应的深层图像特征和浅层图像特征；通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，并基于所述浅层图像特征中的位置信息和所述深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到所述待检测镜片对应的瑕疵检测结果。
可选的，在本发明第一方面的第一种实现方式中，所述镜片瑕疵检测方法还包括：从预置的数据库中获取镜片瑕疵图像，以及获取深度学习网络，其中，所述镜片瑕疵图像中带有瑕疵位置和瑕疵类型的标注信息；将所述镜片瑕疵图像输入所述深度学习网络进行网络训练，得到所述深度学习网络对应的样本预测结果；根据所述样本预测结果和所述标注信息对所述深度学习网络进行参数调整，直至所述深度学习网络收敛，得到镜片瑕疵检测模型。
可选的，在本发明第一方面的第二种实现方式中，所述将所述镜片瑕疵图像输入所述深度学习网络进行网络训练，得到所述深度学习网络对应的样本预测结果，包括：对所述深度学习网络进行网络参数初始化；基于预置的随机图像裁剪算法对所述镜片瑕疵图像进行预处理，得到预处理后的镜片瑕疵图像；将预处理后的镜片瑕疵图像输入所述深度学习网络中，得到图像特征；对图像特征进行下采样和特征融合，并对镜片瑕疵图像的类别和位置信息进行逻辑回归预测，得到样本预测结果。
可选的，在本发明第一方面的第三种实现方式中，所述根据所述样本预测结果和所述标注信息对所述深度学习网络进行参数调整，直至所述深度学习网络收敛，得到镜片瑕疵检测模型，包括：根据所述标注信息和所述样本预测结果并通过预置的侧重损失函数计算整体网络损失，其中，所述整体网络损失包括初步提取框的位置损失、最终预测瑕疵框的位置损失以及最终预测瑕疵框的分类损失；根据所述整体网络损失并采用反向传播算法和梯度下降算法依次更新网络参数，并对所述深度学习网络进行迭代计算，直至所述深度学习网络收敛，得到镜片瑕疵检测模型。
可选的，在本发明第一方面的第四种实现方式中，所述镜片瑕疵检测方法还包括：对所述镜片瑕疵图像进行筛选过滤，并去除无效镜片瑕疵图像，其中，所述无效镜片瑕疵图像包括镜片错位图像、镜片缺失图像和镜片种类错误图像；标注所述镜片瑕疵图像中的镜片瑕疵的位置信息和镜片瑕疵的类别信息。
可选的，在本发明第一方面的第五种实现方式中，所述通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，并基于所述浅层图像特征中的位置信息和所述深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征，包括：通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，其中，所述特征融合网络包括：自底向上的链路、自顶向下的链路和横向连接的旁路；通过所述自底向上的链路对所述深层图像特征和所述浅层图像特征构建图像特征金字塔；通过所述自顶向下的链路中的双线性插值进行采样并将高层图像特征图转换为和前一层图像特征尺度相同大小的图像特征；通过所述横向连接的旁路进行图像特征融合并添加卷积，输出瑕疵图像特征。
可选的，在本发明第一方面的第六种实现方式中，所述通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到所述待检测镜片对应的瑕疵检测结果，包括：通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，其中，所述瑕疵检测网络包括：区域候选框网络和分类器，所述分类器包括两层全连接层；基于所述两层全连接层和所述区域候选框网络对所述瑕疵图像特征进行特征处理，得到所述待检测镜片对应的瑕疵检测结果。
本发明第二方面提供了一种镜片瑕疵检测装置，所述镜片瑕疵检测装置包括：采集模块，用于控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整所述图像采集终端中的光圈开口大小以使所述待检测镜片小孔成像，得到所述待检测镜片对应的目标图像；输入模块，用于将所述目标图像输入预置的镜片瑕疵检测模型中，其中，所述镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；提取模块，用于通过所述特征提取网络对所述目标图像进行图像特征提取，得到所述目标图像对应的深层图像特征和浅层图像特征；融合模块，用于通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，并基于所述浅层图像特征中的位置信息和所述深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；预测模块，用于通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到所述待检测镜片对应的瑕疵检测结果。
可选的，在本发明第二方面的第一种实现方式中，所述镜片瑕疵检测装置还包括：获取模块，用于从预置的数据库中获取镜片瑕疵图像，以及获取深度学习网络，其中，所述镜片瑕疵图像中带有瑕疵位置和瑕疵类型的标注信息；训练模块，用于将所述镜片瑕疵图像输入所述深度学习网络进行网络训练，得到所述深度学习网络对应的样本预测结果；调整模块，用于根据所述样本预测结果和所述标注信息对所述深度学习网络进行参数调整，直至所述深度学习网络收敛，得到镜片瑕疵检测模型。
可选的，在本发明第二方面的第二种实现方式中，所述训练模块具体用于：对所述深度学习网络进行网络参数初始化；基于预置的随机图像裁剪算法对所述镜片瑕疵图像进行预处理，得到预处理后的镜片瑕疵图像；将预处理后的镜片瑕疵图像输入所述深度学习网络中，得到图像特征；对图像特征进行下采样和特征融合，并对镜片瑕疵图像的类别和位置信息进行逻辑回归预测，得到样本预测结果。
可选的，在本发明第二方面的第三种实现方式中，所述调整模块具体用于：根据所述标注信息和所述样本预测结果并通过预置的侧重损失函数计算整体网络损失，其中，所述整体网络损失包括初步提取框的位置损失、最终预测瑕疵框的位置损失以及最终预测瑕疵框的分类损失；根据所述整体网络损失并采用反向传播算法和梯度下降算法依次更新网络参数，并对所述深度学习网络进行迭代计算，直至所述深度学习网络收敛，得到镜片瑕疵检测模型。
可选的，在本发明第二方面的第四种实现方式中，所述镜片瑕疵检测装置还包括：标注模块，用于对所述镜片瑕疵图像进行筛选过滤，并去除无效镜片瑕疵图像，其中，所述无效镜片瑕疵图像包括镜片错位图像、镜片缺失图像和镜片种类错误图像；标注所述镜片瑕疵图像中的镜片瑕疵的位置信息和镜片瑕疵的类别信息。
可选的，在本发明第二方面的第五种实现方式中，所述融合模块具体用于：通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，其中，所述特征融合网络包括：自底向上的链路、自顶向下的链路和横向连接的旁路；通过所述自底向上的链路对所述深层图像特征和所述浅层图像特征构建图像特征金字塔；通过所述自顶向下的链路中的双线性插值进行采样并将高层图像特征图转换为和前一层图像特征尺度相同大小的图像特征；通过所述横向连接的旁路进行图像特征融合并添加卷积，输出瑕疵图像特征。
可选的，在本发明第二方面的第六种实现方式中，所述预测模块具体用于：通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，其中，所述瑕疵检测网络包括：区域候选框网络和分类器，所述分类器包括两层全连接层；基于所述两层全连接层和所述区域候选框网络对所述瑕疵图像特征进行特征处理，得到所述待检测镜片对应的瑕疵检测结果。
本发明第三方面提供了一种镜片瑕疵检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述镜片瑕疵检测设备执行上述的镜片瑕疵检测方法。
本发明的第四方面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的镜片瑕疵检测方法。
本发明提供的技术方案中，控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整所述图像采集终端中的光圈开口大小以使所述待检测镜片小孔成像，得到所述待检测镜片对应的目标图像；将所述目标图像输入预置的镜片瑕疵检测模型中，其中，所述镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；通过所述特征提取网络对所述目标图像进行图像特征提取，得到所述目标图像对应的深层图像特征和浅层图像特征；通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，并基于所述浅层图像特征中的位置信息和所述深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到所述待检测镜片对应的瑕疵检测结果。本发明通过控制点光源和待检测镜片距离图像采集终端的距离使光线趋近于平行光透过待检测镜片，可以有效的使待测镜片的所有纹理更加清晰的成像，而且本发明采用的是深度学习检测模型，通过深度学习检测模型对图像进行特征提取、特征融合以及瑕疵预测，有效的提高了瑕疵检测的准确率。
附图说明
图1为本发明实施例中镜片瑕疵检测方法的一个实施例示意图；
图2为本发明实施例中镜片瑕疵检测方法的另一个实施例示意图；
图3为本发明实施例中镜片瑕疵检测装置的一个实施例示意图；
图4为本发明实施例中镜片瑕疵检测装置的另一个实施例示意图；
图5为本发明实施例中镜片瑕疵检测设备的一个实施例示意图；
图6为本发明实施例中图像采集的光学原理示意图。
具体实施方式
本发明实施例提供了一种镜片瑕疵检测方法、装置、设备及存储介质，用于提高镜片瑕疵检测的准确率。本发明的说明书和权利要求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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中镜片瑕疵检测方法的一个实施例包括：
101、控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整图像采集终端中的光圈开口大小以使待检测镜片小孔成像，得到待检测镜片对应的目标图像；
可以理解的是，本发明的执行主体可以为镜片瑕疵检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
需要说明的是，如图6所示，预置的图像采集终端、点光源和待检测镜片位于同一轴线，预置的图像采集终端和点光源模块分别位于待检测镜片的两侧；该点光源用于控制点光源发射穿透待检测镜片的光线；该图像采集终端用于控制镜头光圈的开口大小，并接收透过待检测镜片的光线，根据光线拍摄成像，其中，在镜头上，将光圈调至很小的开口，而拉远该待检测镜片和点光源的距离，使得光源更接近平行光效果。此外，本发明还在该点光源上添加一些图纹，以增加水波纹等纹理瑕疵的对比度。因此，本发明在不对光学环境进行任何调节的情况下，针对不同度数不同散光镜片上所产生的纹理类瑕疵，均可有效成像出来，最终生成目标图像。
102、将目标图像输入预置的镜片瑕疵检测模型中，其中，镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；
具体的，服务器将目标图像输入预置的镜片瑕疵检测模型中，该镜片瑕疵检测模型中包括特征提取网络、特征融合网络和瑕疵检测网络，其中，特征提取网络由四个卷积计算单元串联叠加而成，其中每个卷积计算单元包括卷积层、最大池化层和批量归一化层；特征融合网络由自底向上的链路、自顶向下的链路和横向连接的旁路三部分组成；瑕疵检测网络由区域候选框网络和分类器组成，其中分类器使用两层全连接层。
103、通过特征提取网络对目标图像进行图像特征提取，得到目标图像对应的深层图像特征和浅层图像特征；
具体的，该特征提取网络由四个卷积计算单元串联叠加而成，其中每个卷积计算单元包括卷积层、最大池化层和批量归一化层；其中，卷积层进行卷积运算，卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征；最大池化层会分别作用于每个输入的特征并减小其大小；批量归一化层是在卷积计算之后，如果卷积计算输出多个通道，服务器对这些通道的输出分别做批量归一化，且每个通道都拥有独立的拉伸和偏移参数。
104、通过特征融合网络对深层图像特征和浅层图像特征进行融合，并基于浅层图像特征中的位置信息和深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；
具体的，该特征融合网络由自底向上的链路、自顶向下的链路和横向连接的旁路三部分组成，自底向上的链路用于使用每个稳定图像尺度输出层输出的图像特征作构建图像特征金字塔，稳定图像尺度输出层为自底向上的链路中存在的不改变输入特征图尺寸的层级；自顶向下的链路用于将具有更多语义信息的深层图像特征图通过双线性插值进行采样将高层图像特征图变为和前一层图像特征尺度一样大小的图像特征；横向连接的旁路将上述不同层次的图像特征融合，并添加1×1卷积。
105、通过瑕疵检测网络对瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到待检测镜片对应的瑕疵检测结果。
具体的，该瑕疵检测网络由区域候选框网络和分类器组成，其中分类器使用两层全连接层，并额外使用1×1卷积和空间随机选取技术Spatial Dropout。若存在瑕疵，则会输出瑕疵的具体类别与具体位置信息。
本发明实施例中，控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整图像采集终端中的光圈开口大小以使待检测镜片小孔成像，得到待检测镜片对应的目标图像；将目标图像输入预置的镜片瑕疵检测模型中，其中，镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；通过特征提取网络对目标图像进行图像特征提取，得到目标图像对应的深层图像特征和浅层图像特征；通过特征融合网络对深层图像特征和浅层图像特征进行融合，并基于浅层图像特征中的位置信息和深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；通过瑕疵检测网络对瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到待检测镜片对应的瑕疵检测结果。本发明通过控制点光源和待检测镜片距离图像采集终端的距离使光线趋近于平行光透过待检测镜片，可以有效的使待测镜片的所有纹理更加清晰的成像，而且本发明采用的是深度学习检测模型，通过深度学习检测模型对图像进行特征提取、特征融合以及瑕疵预测，有效的提高了瑕疵检测的准确率。
请参阅图2，本发明实施例中镜片瑕疵检测方法的另一个实施例包括：
201、从预置的数据库中获取镜片瑕疵图像，以及获取深度学习网络，其中，镜片瑕疵图像中带有瑕疵位置和瑕疵类型的标注信息；
具体的，服务器对镜片瑕疵图像进行筛选过滤，并去除无效镜片瑕疵图像，其中，无效镜片瑕疵图像包括镜片错位图像、镜片缺失图像和镜片种类错误图像；服务器标注镜片瑕疵图像中的镜片瑕疵的位置信息和镜片瑕疵的类别信息。服务器对于采集到的镜片图像，镜片的瑕疵标注信息由两部分组成，第一部分‘defect_name’和‘defect_id’为瑕疵所属类别；共有6类‘defect_name’分别为：边异常、角异常、白色点瑕疵、浅色块瑕疵、深色点块瑕疵和光圈瑕疵对应为‘defect_id’为：1、2、3、4、5、6。第二部分‘bbox’是由4组数字{x1,y1,x2,y2}组成，是瑕疵的位置信息，其中x1表示瑕疵的x轴最小坐标，其中y1表示瑕疵的y轴最小坐标，其中x2表示瑕疵的x轴最大坐标，其中y2表示瑕疵的y轴最大坐标。
202、将镜片瑕疵图像输入深度学习网络进行网络训练，得到深度学习网络对应的样本预测结果；
具体的，服务器对深度学习网络进行网络参数初始化；服务器基于预置的随机图像裁剪算法对镜片瑕疵图像进行预处理，得到预处理后的镜片瑕疵图像；服务器将预处理后的镜片瑕疵图像输入深度学习网络中，得到图像特征；服务器对图像特征进行下采样和特征融合，并对镜片瑕疵图像的类别和位置信息进行逻辑回归预测，得到样本预测结果。基于深度学习的镜片瑕疵检测与识别算法训练流程图。服务器在训练开始时，首先对镜片瑕疵检测与识别网络结构参数进行初始化；将镜片模板图像和镜片瑕疵图像及其位置与类别标记信息输入，然后对镜片图像进行预处理，预处理指对镜片模板图像和镜片瑕疵图像使用随机图像裁切算法，包括随机旋转、随机裁剪、添加噪声和标准化；然后将预处理后的镜片模板图像和镜片瑕疵图像及其瑕疵信息输入到镜片瑕疵检测与识别网络中，获得图像特征；对图像特征进行下采样以及特征融合，之后对瑕疵的类别以及位置信息进行逻辑回归预测，得到预测结果；再根据真实数据标注与预测数据使用侧重损失函数Focal Loss计算整体网络损失，整体网络损失包括初步提取框的位置损失、最终预测瑕疵框的位置损失以及最终预测瑕疵框的分类损失，根据损失值使用反向传播算法和梯度下降算法依次更新检测网络参数。不断重复以上过程，直到达到预设的轮数，训练结束，保存检测网络参数。
203、根据样本预测结果和标注信息对深度学习网络进行参数调整，直至深度学习网络收敛，得到镜片瑕疵检测模型；
具体的，服务器根据标注信息和样本预测结果并通过预置的侧重损失函数计算整体网络损失，其中，整体网络损失包括初步提取框的位置损失、最终预测瑕疵框的位置损失以及最终预测瑕疵框的分类损失；服务器根据整体网络损失并采用反向传播算法和梯度下降算法依次更新网络参数，并对深度学习网络进行迭代计算，直至深度学习网络收敛，得到镜片瑕疵检测模型。
204、控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整图像采集终端中的光圈开口大小以使待检测镜片小孔成像，得到待检测镜片对应的目标图像；
需要说明的是，预置的图像采集终端、点光源和待检测镜片位于同一轴线，预置的图像采集终端和点光源模块分别位于待检测镜片的两侧；该点光源用于控制点光源发射穿透待检测镜片的光线；该图像采集终端用于控制镜头光圈的开口大小，并接收透过待检测镜片的光线，根据光线拍摄成像，其中，在镜头上，将光圈调至很小的开口，而拉远该待检测镜片和点光源的距离，使得光源更接近平行光效果。此外，本发明还在该点光源上添加一些图纹，以增加水波纹等纹理瑕疵的对比度。因此，本发明在不对光学环境进行任何调节的情况下，针对不同度数不同散光镜片上所产生的纹理类瑕疵，均可有效成像出来，最终生成目标图像。
205、将目标图像输入预置的镜片瑕疵检测模型中，其中，镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；
具体的，服务器将目标图像输入预置的镜片瑕疵检测模型中，该镜片瑕疵检测模型中包括特征提取网络、特征融合网络和瑕疵检测网络，其中，特征提取网络由四个卷积计算单元串联叠加而成，其中每个卷积计算单元包括卷积层、最大池化层和批量归一化层；特征融合网络由自底向上的链路、自顶向下的链路和横向连接的旁路三部分组成；瑕疵检测网络由区域候选框网络和分类器组成，其中分类器使用两层全连接层。
206、通过特征提取网络对目标图像进行图像特征提取，得到目标图像对应的深层图像特征和浅层图像特征；
具体的，该特征提取网络由四个卷积计算单元串联叠加而成，其中每个卷积计算单元包括卷积层、最大池化层和批量归一化层；其中，卷积层进行卷积运算，卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征；最大池化层会分别作用于每个输入的特征并减小其大小；批量归一化层是在卷积计算之后，如果卷积计算输出多个通道，服务器对这些通道的输出分别做批量归一化，且每个通道都拥有独立的拉伸和偏移参数。
207、通过特征融合网络对深层图像特征和浅层图像特征进行融合，并基于浅层图像特征中的位置信息和深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；
具体的，服务器通过特征融合网络对深层图像特征和浅层图像特征进行融合，其中，特征融合网络包括：自底向上的链路、自顶向下的链路和横向连接的旁路；服务器通过自底向上的链路对深层图像特征和浅层图像特征构建图像特征金字塔；服务器通过自顶向下的链路中的双线性插值进行采样并将高层图像特征图转换为和前一层图像特征尺度相同大小的图像特征；服务器通过横向连接的旁路进行图像特征融合并添加卷积，输出瑕疵图像特征。
208、通过瑕疵检测网络对瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到待检测镜片对应的瑕疵检测结果。
具体的，服务器通过瑕疵检测网络对瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，其中，瑕疵检测网络包括：区域候选框网络和分类器，分类器包括两层全连接层；服务器基于两层全连接层和区域候选框网络对瑕疵图像特征进行特征处理，得到待检测镜片对应的瑕疵检测结果。其中，两层全连接层中的第一层全连接层，通过第一层全连接层对瑕疵图像特征进行ReLU函数运算，输出特征值；服务器将特征值输入第二层全连接层，对特征值进行sigmoid函数运算，输出瑕疵检测结果。
其中，第一层全连接层采用ReLU函数，第一层全连接层的计算公式为：D1=tanh(Wd1ht+bd1)，D1表示第一层全连接层的输出结果，tanh表示双曲正切函数，ht为两层门限循环单元的输出向量，Wd1、bd1为训练参数；
第二层全连接层采用sigmoid函数，第二层全连接层的计算公式为：D2=σ(Wd2D1+bd2)，D2表示第二层全连接层的输出结果，σ表示sigmoid函数，Wd2、bd2为训练参数，D2的输出值范围为(0，1)。
本发明实施例中，控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整图像采集终端中的光圈开口大小以使待检测镜片小孔成像，得到待检测镜片对应的目标图像；将目标图像输入预置的镜片瑕疵检测模型中，其中，镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；通过特征提取网络对目标图像进行图像特征提取，得到目标图像对应的深层图像特征和浅层图像特征；通过特征融合网络对深层图像特征和浅层图像特征进行融合，并基于浅层图像特征中的位置信息和深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；通过瑕疵检测网络对瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到待检测镜片对应的瑕疵检测结果。本发明通过控制点光源和待检测镜片距离图像采集终端的距离使光线趋近于平行光透过待检测镜片，可以有效的使待测镜片的所有纹理更加清晰的成像，而且本发明采用的是深度学习检测模型，通过深度学习检测模型对图像进行特征提取、特征融合以及瑕疵预测，有效的提高了瑕疵检测的准确率。
上面对本发明实施例中镜片瑕疵检测方法进行了描述，下面对本发明实施例中镜片瑕疵检测装置进行描述，请参阅图3，本发明实施例中镜片瑕疵检测装置一个实施例包括：
采集模块301，用于控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整所述图像采集终端中的光圈开口大小以使所述待检测镜片小孔成像，得到所述待检测镜片对应的目标图像；
输入模块302，用于将所述目标图像输入预置的镜片瑕疵检测模型中，其中，所述镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；
提取模块303，用于通过所述特征提取网络对所述目标图像进行图像特征提取，得到所述目标图像对应的深层图像特征和浅层图像特征；
融合模块304，用于通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，并基于所述浅层图像特征中的位置信息和所述深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；
预测模块305，用于通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到所述待检测镜片对应的瑕疵检测结果。
本发明实施例中，控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整所述图像采集终端中的光圈开口大小以使所述待检测镜片小孔成像，得到所述待检测镜片对应的目标图像；将所述目标图像输入预置的镜片瑕疵检测模型中，其中，所述镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；通过所述特征提取网络对所述目标图像进行图像特征提取，得到所述目标图像对应的深层图像特征和浅层图像特征；通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，并基于所述浅层图像特征中的位置信息和所述深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到所述待检测镜片对应的瑕疵检测结果。本发明通过控制点光源和待检测镜片距离图像采集终端的距离使光线趋近于平行光透过待检测镜片，可以有效的使待测镜片的所有纹理更加清晰的成像，而且本发明采用的是深度学习检测模型，通过深度学习检测模型对图像进行特征提取、特征融合以及瑕疵预测，有效的提高了瑕疵检测的准确率。
请参阅图4，本发明实施例中镜片瑕疵检测装置另一个实施例包括：
采集模块301，用于控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整所述图像采集终端中的光圈开口大小以使所述待检测镜片小孔成像，得到所述待检测镜片对应的目标图像；
输入模块302，用于将所述目标图像输入预置的镜片瑕疵检测模型中，其中，所述镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；
提取模块303，用于通过所述特征提取网络对所述目标图像进行图像特征提取，得到所述目标图像对应的深层图像特征和浅层图像特征；
融合模块304，用于通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，并基于所述浅层图像特征中的位置信息和所述深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；
预测模块305，用于通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到所述待检测镜片对应的瑕疵检测结果。
可选的，镜片瑕疵检测装置还包括：
获取模块306，用于从预置的数据库中获取镜片瑕疵图像，以及获取深度学习网络，其中，所述镜片瑕疵图像中带有瑕疵位置和瑕疵类型的标注信息；
训练模块307，用于将所述镜片瑕疵图像输入所述深度学习网络进行网络训练，得到所述深度学习网络对应的样本预测结果；
调整模块308，用于根据所述样本预测结果和所述标注信息对所述深度学习网络进行参数调整，直至所述深度学习网络收敛，得到镜片瑕疵检测模型。
可选的，训练模块307具体用于：对所述深度学习网络进行网络参数初始化；基于预置的随机图像裁剪算法对所述镜片瑕疵图像进行预处理，得到预处理后的镜片瑕疵图像；将预处理后的镜片瑕疵图像输入所述深度学习网络中，得到图像特征；对图像特征进行下采样和特征融合，并对镜片瑕疵图像的类别和位置信息进行逻辑回归预测，得到样本预测结果。
可选的，调整模块308具体用于：根据所述标注信息和所述样本预测结果并通过预置的侧重损失函数计算整体网络损失，其中，所述整体网络损失包括初步提取框的位置损失、最终预测瑕疵框的位置损失以及最终预测瑕疵框的分类损失；根据所述整体网络损失并采用反向传播算法和梯度下降算法依次更新网络参数，并对所述深度学习网络进行迭代计算，直至所述深度学习网络收敛，得到镜片瑕疵检测模型。
可选的，镜片瑕疵检测装置还包括：
标注模块309，用于对所述镜片瑕疵图像进行筛选过滤，并去除无效镜片瑕疵图像，其中，所述无效镜片瑕疵图像包括镜片错位图像、镜片缺失图像和镜片种类错误图像；标注所述镜片瑕疵图像中的镜片瑕疵的位置信息和镜片瑕疵的类别信息。
可选的，融合模块304具体用于：通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，其中，所述特征融合网络包括：自底向上的链路、自顶向下的链路和横向连接的旁路；通过所述自底向上的链路对所述深层图像特征和所述浅层图像特征构建图像特征金字塔；通过所述自顶向下的链路中的双线性插值进行采样并将高层图像特征图转换为和前一层图像特征尺度相同大小的图像特征；通过所述横向连接的旁路进行图像特征融合并添加卷积，输出瑕疵图像特征。
可选的，预测模块305具体用于：通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，其中，所述瑕疵检测网络包括：区域候选框网络和分类器，所述分类器包括两层全连接层；基于所述两层全连接层和所述区域候选框网络对所述瑕疵图像特征进行特征处理，得到所述待检测镜片对应的瑕疵检测结果。
本发明实施例中，控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整所述图像采集终端中的光圈开口大小以使所述待检测镜片小孔成像，得到所述待检测镜片对应的目标图像；将所述目标图像输入预置的镜片瑕疵检测模型中，其中，所述镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；通过所述特征提取网络对所述目标图像进行图像特征提取，得到所述目标图像对应的深层图像特征和浅层图像特征；通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，并基于所述浅层图像特征中的位置信息和所述深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到所述待检测镜片对应的瑕疵检测结果。本发明通过控制点光源和待检测镜片距离图像采集终端的距离使光线趋近于平行光透过待检测镜片，可以有效的使待测镜片的所有纹理更加清晰的成像，而且本发明采用的是深度学习检测模型，通过深度学习检测模型对图像进行特征提取、特征融合以及瑕疵预测，有效的提高了瑕疵检测的准确率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的镜片瑕疵检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中镜片瑕疵检测设备进行详细描述。
图5是本发明实施例提供的一种镜片瑕疵检测设备的结构示意图，该镜片瑕疵检测设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对镜片瑕疵检测设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在镜片瑕疵检测设备500上执行存储介质530中的一系列指令操作。
镜片瑕疵检测设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的镜片瑕疵检测设备结构并不构成对镜片瑕疵检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种镜片瑕疵检测设备，所述镜片瑕疵检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述镜片瑕疵检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性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，当所述指令在计算机上运行时，使得计算机执行所述镜片瑕疵检测方法的步骤。
进一步地，计算机可读存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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，本发明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，包括若干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）执行本发明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，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种镜片瑕疵检测方法，其特征在于，所述镜片瑕疵检测方法包括：
控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整所述图像采集终端中的光圈开口大小以使所述待检测镜片小孔成像，得到所述待检测镜片对应的目标图像；
将所述目标图像输入预置的镜片瑕疵检测模型中，其中，所述镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；
通过所述特征提取网络对所述目标图像进行图像特征提取，得到所述目标图像对应的深层图像特征和浅层图像特征；
通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，并基于所述浅层图像特征中的位置信息和所述深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；
通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到所述待检测镜片对应的瑕疵检测结果。
2.根据权利要求1所述的镜片瑕疵检测方法，其特征在于，所述镜片瑕疵检测方法还包括：
从预置的数据库中获取镜片瑕疵图像，以及获取深度学习网络，其中，所述镜片瑕疵图像中带有瑕疵位置和瑕疵类型的标注信息；
将所述镜片瑕疵图像输入所述深度学习网络进行网络训练，得到所述深度学习网络对应的样本预测结果；
根据所述样本预测结果和所述标注信息对所述深度学习网络进行参数调整，直至所述深度学习网络收敛，得到镜片瑕疵检测模型。
3.根据权利要求2所述的镜片瑕疵检测方法，其特征在于，所述将所述镜片瑕疵图像输入所述深度学习网络进行网络训练，得到所述深度学习网络对应的样本预测结果，包括：
对所述深度学习网络进行网络参数初始化；
基于预置的随机图像裁剪算法对所述镜片瑕疵图像进行预处理，得到预处理后的镜片瑕疵图像；
将预处理后的镜片瑕疵图像输入所述深度学习网络中，得到图像特征；
对图像特征进行下采样和特征融合，并对镜片瑕疵图像的类别和位置信息进行逻辑回归预测，得到样本预测结果。
4.根据权利要求2所述的镜片瑕疵检测方法，其特征在于，所述根据所述样本预测结果和所述标注信息对所述深度学习网络进行参数调整，直至所述深度学习网络收敛，得到镜片瑕疵检测模型，包括：
根据所述标注信息和所述样本预测结果并通过预置的侧重损失函数计算整体网络损失，其中，所述整体网络损失包括初步提取框的位置损失、最终预测瑕疵框的位置损失以及最终预测瑕疵框的分类损失；
根据所述整体网络损失并采用反向传播算法和梯度下降算法依次更新网络参数，并对所述深度学习网络进行迭代计算，直至所述深度学习网络收敛，得到镜片瑕疵检测模型。
5.根据权利要求2所述的镜片瑕疵检测方法，其特征在于，所述镜片瑕疵检测方法还包括：
对所述镜片瑕疵图像进行筛选过滤，并去除无效镜片瑕疵图像，其中，所述无效镜片瑕疵图像包括镜片错位图像、镜片缺失图像和镜片种类错误图像；
标注所述镜片瑕疵图像中的镜片瑕疵的位置信息和镜片瑕疵的类别信息。
6.根据权利要求1所述的镜片瑕疵检测方法，其特征在于，所述通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，并基于所述浅层图像特征中的位置信息和所述深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征，包括：
通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，其中，所述特征融合网络包括：自底向上的链路、自顶向下的链路和横向连接的旁路；
通过所述自底向上的链路对所述深层图像特征和所述浅层图像特征构建图像特征金字塔；
通过所述自顶向下的链路中的双线性插值进行采样并将高层图像特征图转换为和前一层图像特征尺度相同大小的图像特征；
通过所述横向连接的旁路进行图像特征融合并添加卷积，输出瑕疵图像特征。
7.根据权利要求1-6中任一项所述的镜片瑕疵检测方法，其特征在于，所述通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到所述待检测镜片对应的瑕疵检测结果，包括：
通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，其中，所述瑕疵检测网络包括：区域候选框网络和分类器，所述分类器包括两层全连接层；
基于所述两层全连接层和所述区域候选框网络对所述瑕疵图像特征进行特征处理，得到所述待检测镜片对应的瑕疵检测结果。
8.一种镜片瑕疵检测装置，其特征在于，所述镜片瑕疵检测装置包括：
采集模块，用于控制预置的点光源、待检测镜片和预置的图像采集终端之间的距离，并调整所述图像采集终端中的光圈开口大小以使所述待检测镜片小孔成像，得到所述待检测镜片对应的目标图像；
输入模块，用于将所述目标图像输入预置的镜片瑕疵检测模型中，其中，所述镜片瑕疵检测模型包括：特征提取网络、特征融合网络和瑕疵检测网络；
提取模块，用于通过所述特征提取网络对所述目标图像进行图像特征提取，得到所述目标图像对应的深层图像特征和浅层图像特征；
融合模块，用于通过所述特征融合网络对所述深层图像特征和所述浅层图像特征进行融合，并基于所述浅层图像特征中的位置信息和所述深层图像特征中的语义信息构建图像特征金字塔，得到瑕疵图像特征；
预测模块，用于通过所述瑕疵检测网络对所述瑕疵图像特征进行瑕疵分类预测和瑕疵位置预测，得到所述待检测镜片对应的瑕疵检测结果。
9.一种镜片瑕疵检测设备，其特征在于，所述镜片瑕疵检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述镜片瑕疵检测设备执行如权利要求1-7中任一项所述的镜片瑕疵检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的镜片瑕疵检测方法。
CN202210810141.4A 2022-07-11 2022-07-11 镜片瑕疵检测方法、装置、设备及存储介质 Pending CN115082416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210810141.4A CN115082416A (zh) 2022-07-11 2022-07-11 镜片瑕疵检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210810141.4A CN115082416A (zh) 2022-07-11 2022-07-11 镜片瑕疵检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115082416A true CN115082416A (zh) 2022-09-20

Family

ID=83258941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210810141.4A Pending CN115082416A (zh) 2022-07-11 2022-07-11 镜片瑕疵检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115082416A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757713A (zh) * 2023-08-18 2023-09-15 画版文化科技集团有限公司 基于图像识别的作品估值方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757713A (zh) * 2023-08-18 2023-09-15 画版文化科技集团有限公司 基于图像识别的作品估值方法、装置、设备及存储介质
CN116757713B (zh) * 2023-08-18 2024-01-12 画版文化科技集团有限公司 基于图像识别的作品估值方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111862067B (zh) 一种焊接缺陷检测方法、装置、电子设备以及存储介质
CN110827251A (zh) 一种基于航拍图像的输电线路锁紧销缺陷检测方法
CN110619618A (zh) 一种表面缺陷检测方法、装置及电子设备
CN108463876A (zh) 为样品产生模拟输出
Fernandes et al. Pavement pathologies classification using graph-based features
CN115731164A (zh) 基于改进YOLOv7的绝缘子缺陷检测方法
CN112037219A (zh) 一种基于两阶段卷积神经网络的金属表面缺陷检测方法
CN111382785A (zh) 一种gan网络模型及实现样本自动清洗、辅助标记的方法
Rahman et al. Semantic deep learning integrated with RGB feature-based rule optimization for facility surface corrosion detection and evaluation
Adem et al. Defect detection of seals in multilayer aseptic packages using deep learning
CN113516651A (zh) 基于残差网络的焊接接头缺陷检测方法及装置
CN113469950A (zh) 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法
CN114743102A (zh) 一种面向家具板材的瑕疵检测方法、系统及装置
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN114639102B (zh) 基于关键点与尺寸回归的细胞分割方法和装置
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN116935092A (zh) 自动化缺陷分类和检测
CN116205876A (zh) 基于多尺度标准化流的无监督笔记本外观缺陷检测方法
CN115082416A (zh) 镜片瑕疵检测方法、装置、设备及存储介质
CN112017154A (zh) 基于Mask R-CNN模型的一种射线缺陷检测方法
CN115239672A (zh) 缺陷检测方法及装置、设备、存储介质
CN113205511B (zh) 基于深层神经网络的电子元器件批量信息检测方法及系统
CN111709936A (zh) 一种基于多级特征比对的令纸缺陷检测方法
CN110889418A (zh) 一种气体轮廓识别方法
Klusek et al. Supporting the process of sewer pipes inspection using machine learning on embedded devices

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