CN115115600A - 镀膜镜片瑕疵检测方法、装置、设备及存储介质 - Google Patents

镀膜镜片瑕疵检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115115600A
CN115115600A CN202210775080.2A CN202210775080A CN115115600A CN 115115600 A CN115115600 A CN 115115600A CN 202210775080 A CN202210775080 A CN 202210775080A CN 115115600 A CN115115600 A CN 115115600A
Authority
CN
China
Prior art keywords
image
preset
lens
detection
coating
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
CN202210775080.2A
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 CN202210775080.2A priority Critical patent/CN115115600A/zh
Publication of CN115115600A publication Critical patent/CN115115600A/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
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (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

本发明涉及图像处理领域，公开了一种镀膜镜片瑕疵检测方法、装置、设备及存储介质，用于提高镀膜镜片瑕疵检测的准确率。所述镀膜镜片瑕疵检测方法包括：基于环形桶、环形光源以及图像采集终端采集待检测镀膜镜片的初始图像；对初始图像进行图像切割，得到切割后的图像，并对切割后的图像进行图像灰度变换，得到标准图像；将标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；若检测结果为待检测镀膜镜片存在镀膜瑕疵，则将检测结果中的五维向量可视化为检测框；将检测框与初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。

Description

镀膜镜片瑕疵检测方法、装置、设备及存储介质
技术领域
本发明涉及图像处理领域，尤其涉及一种镀膜镜片瑕疵检测方法、装置、设备及存储介质。
背景技术
近年来，随着计算机技术的发展，产品的自动化生产是现代生产发展的主要趋势之一，自动化生产对加速社会生产力发展，改进企业生产技术，减轻工人劳动力具有重要意义。在高端消费和产能快速增长的需求下，企业想提高竞争力，产品的检测变得越来越重要。产品出厂前会镀膜，以增加产品的耐用程度，但是镀膜之后的产品表面还是会存在表面瑕疵。
现有镀膜镜片的表面瑕疵检测不仅效率低下，准确率大打折扣，检测工作还单调乏味。而且，工业生产量大，工作时间长，工人们容易视觉疲劳，使得检测容易出现误检、漏检等情况，即现有方案的准确率低。
发明内容
本发明提供了一种镀膜镜片瑕疵检测方法、装置、设备及存储介质，用于提高镀膜镜片瑕疵检测的准确率。
本发明第一方面提供了一种镀膜镜片瑕疵检测方法，所述镀膜镜片瑕疵检测方法包括：基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；对所述初始图像进行图像切割，得到切割后的图像，并对所述切割后的图像进行图像灰度变换，得到标准图像；将所述标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，所述镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；若所述检测结果为所述待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将所述检测结果中的五维向量可视化为检测框；将所述检测框与所述初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。
可选的，在本发明第一方面的第一种实现方式中，所述镀膜镜片瑕疵检测方法还包括：获取样本图像和预置训练模型；对所述样本图像进行信息标注，得到所述样本图像对应的标注图像；将所述样本图像输入所述训练模型的输入层进行归一化处理，得到归一化图像；将所述归一化图像输入所述训练模型的CSP网络进行卷积运算和特征提取，得到第一特征图；将所述第一特征图输入所述训练模型的Neck网络进行特征提取和残差学习，得到所述第一特征图对应的第二特征图；将所述第一特征图和所述第二特征图输入所述训练模型的输出层进行像素点预测，得到所述样本图像的各个像素点对应的预测结果并输出；根据所述预测结果和所述标注图像，对所述训练模型的参数进行优化，直至所述训练模型收敛，得到镀膜镜片瑕疵检测模型。
可选的，在本发明第一方面的第二种实现方式中，所述对所述样本图像进行信息标注，得到所述样本图像对应的标注图像，包括：调用预置样本标注工具对所述样本图像中的镀膜区域进行选取，得到多个样本区域图像；对所述样本区域图像进行区域信息标注，得到所述样本图像对应的标注图像。
可选的，在本发明第一方面的第三种实现方式中，所述将所述第一特征图和所述第二特征图输入所述训练模型的输出层进行像素点预测，得到所述样本图像的各个像素点对应的预测结果并输出，包括：将所述第一特征图和所述第二特征图所述训练模型的输出层，并通过所述输出层对所述第一特征图和所述第二特征图进行拼接，得到拼接特征图；通过所述输出层对所述拼接特征图进行整合，得到所述样本图像对应的输出值；通过所述输出层计算所述输出值对应所述样本图像中的各个像素点为特征点的概率值；判断各个所述概率值是否超过预置特征点阈值；若是，则将所述概率值大于所述特征点阈值的像素点的位置坐标作为预测结果并输出。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述预测结果和所述标注图像，对所述训练模型的参数进行优化，直至所述训练模型收敛，得到镀膜镜片瑕疵检测模型，包括：调用预置损失函数，计算所述预测结果和所述标注图像之间的第一损失值；将所述第一损失值反向传播回所述训练模型，并基于预置优化器，对所述训练模型的学习率和参数进行优化，得到优化模型；获取验证图像和所述验证图像对应的标注图像，并将所述验证图像输入所述优化模型进行镀膜镜片瑕疵检测，得到验证结果；计算所述验证图像和所述验证图像对应的标注图像的第二损失值，若所述第二损失值小于预置损失阈值，则将所述优化模型作为镀膜镜片瑕疵检测模型。
可选的，在本发明第一方面的第五种实现方式中，所述将所述标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，包括：将所述标准图像输入预置镀膜镜片瑕疵检测模型中的CSP网络进行特征提取，得到特征信息；将所述特征信息输入预置镀膜镜片瑕疵检测模型中的Neck网络进行特征融合，得到特征图；对所述特征图进行镀膜瑕疵类别信息和位置信息分析，输出检测结果，其中，所述检测结果包括所述待检测镀膜镜片的瑕疵位置信息和瑕疵种类信息。
本发明第二方面提供了一种镀膜镜片瑕疵检测装置，所述镀膜镜片瑕疵检测装置包括：采集模块，用于基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；切割模块，用于对所述初始图像进行图像切割，得到切割后的图像，并对所述切割后的图像进行图像灰度变换，得到标准图像；检测模块，用于将所述标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，所述镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；可视化模块，用于若所述检测结果为所述待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将所述检测结果中的五维向量可视化为检测框；输出模块，用于将所述检测框与所述初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。
可选的，在本发明第二方面的第一种实现方式中，所述镀膜镜片瑕疵检测装置还包括：获取模块，用于获取样本图像和预置训练模型；标注模块，用于对所述样本图像进行信息标注，得到所述样本图像对应的标注图像；训练模块，用于将所述样本图像输入所述训练模型的输入层进行归一化处理，得到归一化图像；将所述归一化图像输入所述训练模型的CSP网络进行卷积运算和特征提取，得到第一特征图；将所述第一特征图输入所述训练模型的Neck网络进行特征提取和残差学习，得到所述第一特征图对应的第二特征图；预测模块，用于将所述第一特征图和所述第二特征图输入所述训练模型的输出层进行像素点预测，得到所述样本图像的各个像素点对应的预测结果并输出；优化模块，用于根据所述预测结果和所述标注图像，对所述训练模型的参数进行优化，直至所述训练模型收敛，得到镀膜镜片瑕疵检测模型。
可选的，在本发明第二方面的第二种实现方式中，所述标注模块具体用于：调用预置样本标注工具对所述样本图像中的镀膜区域进行选取，得到多个样本区域图像；对所述样本区域图像进行区域信息标注，得到所述样本图像对应的标注图像。
可选的，在本发明第二方面的第三种实现方式中，所述预测模块具体用于：将所述第一特征图和所述第二特征图所述训练模型的输出层，并通过所述输出层对所述第一特征图和所述第二特征图进行拼接，得到拼接特征图；通过所述输出层对所述拼接特征图进行整合，得到所述样本图像对应的输出值；通过所述输出层计算所述输出值对应所述样本图像中的各个像素点为特征点的概率值；判断各个所述概率值是否超过预置特征点阈值；若是，则将所述概率值大于所述特征点阈值的像素点的位置坐标作为预测结果并输出。
可选的，在本发明第二方面的第四种实现方式中，所述优化模块具体用于：调用预置损失函数，计算所述预测结果和所述标注图像之间的第一损失值；将所述第一损失值反向传播回所述训练模型，并基于预置优化器，对所述训练模型的学习率和参数进行优化，得到优化模型；获取验证图像和所述验证图像对应的标注图像，并将所述验证图像输入所述优化模型进行镀膜镜片瑕疵检测，得到验证结果；计算所述验证图像和所述验证图像对应的标注图像的第二损失值，若所述第二损失值小于预置损失阈值，则将所述优化模型作为镀膜镜片瑕疵检测模型。
可选的，在本发明第二方面的第五种实现方式中，所述检测模块具体用于：将所述标准图像输入预置镀膜镜片瑕疵检测模型中的CSP网络进行特征提取，得到特征信息；将所述特征信息输入预置镀膜镜片瑕疵检测模型中的Neck网络进行特征融合，得到特征图；对所述特征图进行镀膜瑕疵类别信息和位置信息分析，输出检测结果，其中，所述检测结果包括所述待检测镀膜镜片的瑕疵位置信息和瑕疵种类信息。
本发明第三方面提供了一种镀膜镜片瑕疵检测设备，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，以使得所述镀膜镜片瑕疵检测设备执行上述的镀膜镜片瑕疵检测方法。
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镀膜镜片瑕疵检测方法。
本发明提供的技术方案中，基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；对所述初始图像进行图像切割，得到切割后的图像，并对所述切割后的图像进行图像灰度变换，得到标准图像；将所述标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，所述镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；若所述检测结果为所述待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将所述检测结果中的五维向量可视化为检测框；将所述检测框与所述初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。本发明针对镀膜的镜片构建了人工智能模型，该模型对镀膜镜片有较好的特异性检测功能，有效的提高了镀膜镜片的瑕疵检测准确率。
附图说明
图1为本发明实施例中镀膜镜片瑕疵检测方法的一个实施例示意图；
图2为本发明实施例中镀膜镜片瑕疵检测方法的另一个实施例示意图；
图3为本发明实施例中镀膜镜片瑕疵检测装置的一个实施例示意图；
图4为本发明实施例中镀膜镜片瑕疵检测装置的另一个实施例示意图；
图5为本发明实施例中镀膜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结构示意图。
具体实施方式
本发明实施例提供了一种镀膜镜片瑕疵检测方法、装置、设备及存储介质，用于提高镀膜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，本发明实施例中镀膜镜片瑕疵检测方法的一个实施例包括：
101、基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；
可以理解的是，本发明的执行主体可以为镀膜镜片瑕疵检测装置，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。
具体的，本实施例中的环形桶、环形光源以及图像采集终端如图6所示，通过环形光源照射后，在待检测镀膜镜片上形成镜片表面反射的两个环形光圈像。由于待检测镀膜镜片两面度数与厚度的差异，其光源的反射像大小位置形状也不同。而通过镜片上反射光圈像的颜色来鉴定镜片两面每一个面镀膜的颜色。针对待检测镀膜镜片的镀膜不全的瑕疵检测，透射无法实现镀膜不全的成像，而只有反射才能形成清晰的像。而瑕疵却是针对某一些特定的反射角度才能成像。所以在环光下放放置一个内表面漫反射的环形桶。其形成任意角度的光照射到镜片表面上。从而实现任意度数镜片上任意位置都能显现出是否有镀膜不全的存在，通过该图像采集终端采集得到该待检测镀膜镜片的初始图像。
102、对初始图像进行图像切割，得到切割后的图像，并对切割后的图像进行图像灰度变换，得到标准图像；
具体的，对初始图像进行图像切割，得到切割后的图像，并对切割后的图像进行图像灰度变换，得到标准图像，服务器进行去除噪点，即降噪，再进行对比度增强、亮度和饱和度调整得到的标准图像更加清晰，使的后续进行检测时的识别度更高。
103、将标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；
具体的，该镀膜镜片瑕疵检测模型可以为YoloV5网络结构，YoloV5由CSP网络、Neck网络和瑕疵信息分析层构成，模型由主流深度学习框架Pytorch构建。该检测结果包括待检测镀膜镜片中有无瑕疵，有瑕疵时将瑕疵点对应的位置信息和瑕疵种类信息生成一个五维向量并作为检测结果输出。此外，在该镀膜镜片瑕疵检测模型的训练过程中对于正样本图像和负样本图像，除了经典的几何畸变与光照畸变外，还使用了CutMix与Mosaic技术来进行数据增强，得到增强样本图像。该训练模型需要调整原始图像的尺寸进行特征识别，模型中的图像缩放到512*512。CSP网络解决了其他大型卷积神经网络框架Backbone中网络优化的梯度信息重复问题，将梯度的变化从头到尾地集成到特征图中，将基础层的特征映射图分离出来，有效缓解了梯度消失问题，并且支持特征传播，鼓励网络重用特征，从而减少网络参数数量。Neck网络用于生成特征金字塔。特征金字塔会增强模型对于不同缩放尺度对象的检测，从而能够识别不同大小和尺度的同一个物体，从而融合了CSP网络提取的特征，得到特征图片。
104、若检测结果为待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将检测结果中的五维向量可视化为检测框；
具体的，检测结果中的五维向量为(c,x,y,w,h)，其中，c为检测框类别，x为横坐标，y为纵坐标，w为宽，h为高，根据五维向量(c,x,y,w,h)标注出瑕疵在图片中位置以及瑕疵种类。
具体的，若检测结果为待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将检测结果中的五维向量可视化为检测框，该可视化接口可以为OpenCV接口，该OpenCV接口是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。该OpenCV接口为轻量级而且高效，提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的多个通用算法。
105、将检测框与初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。
具体的，将检测框与初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。将检测框和目标图像结合通过该可视化接口生成一个新图像，得到包含有标注信息的标注图像。将检测结果和目标图像结合可以有效的使用户在大量图像数据中进行归类和储存，对有瑕疵的镜片信息进行归档，方便查找和比对。
本发明实施例中，基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；对初始图像进行图像切割，得到切割后的图像，并对切割后的图像进行图像灰度变换，得到标准图像；将标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；若检测结果为待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将检测结果中的五维向量可视化为检测框；将检测框与初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。本发明针对镀膜的镜片构建了人工智能模型，该模型对镀膜镜片有较好的特异性检测功能，有效的提高了镀膜镜片的瑕疵检测准确率。
请参阅图2，本发明实施例中镀膜镜片瑕疵检测方法的另一个实施例包括：
201、基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；
具体的，通过环形光源照射后，在待检测镀膜镜片上形成镜片表面反射的两个环形光圈像。由于待检测镀膜镜片两面度数与厚度的差异，其光源的反射像大小位置形状也不同。而通过镜片上反射光圈像的颜色来鉴定镜片两面每一个面镀膜的颜色。针对待检测镀膜镜片的镀膜不全的瑕疵检测，透射无法实现镀膜不全的成像，而只有反射才能形成清晰的像。而瑕疵却是针对某一些特定的反射角度才能成像。所以在环光下放放置一个内表面漫反射的环形桶。其形成任意角度的光照射到镜片表面上。从而实现任意度数镜片上任意位置都能显现出是否有镀膜不全的存在，通过预置的图像采集终端采集得到该待检测镀膜镜片的初始图像。
202、对初始图像进行图像切割，得到切割后的图像，并对切割后的图像进行图像灰度变换，得到标准图像；
具体的，服务器获取样本图像和预置训练模型；对样本图像进行信息标注，得到样本图像对应的标注图像；将样本图像输入训练模型的输入层进行归一化处理，得到归一化图像；将归一化图像输入训练模型的CSP网络进行卷积运算和特征提取，得到第一特征图；将第一特征图输入训练模型的Neck网络进行特征提取和残差学习，得到第一特征图对应的第二特征图；将第一特征图和第二特征图输入训练模型的输出层进行像素点预测，得到样本图像的各个像素点对应的预测结果并输出；根据预测结果和标注图像，对训练模型的参数进行优化，直至训练模型收敛，得到镀膜镜片瑕疵检测模型。
可选的，服务器调用预置样本标注工具对样本图像中的镀膜区域进行选取，得到多个样本区域图像；对样本区域图像进行区域信息标注，得到样本图像对应的标注图像。
具体的，预置样本标注工具可以为Labellmg工具，该预置样本标注工具首先执行open file命令，再对样本图像中的镀膜区域进行选取，在create rectbox信息标注框中输入类别信息，最后在保存文件的路径下生成xml文件，xml文件的名字是和标注图片的名字一致，标注图像的时候，类别名称用小写字母表示。
可选的，服务器将第一特征图和第二特征图训练模型的输出层，并通过输出层对第一特征图和第二特征图进行拼接，得到拼接特征图；通过输出层对拼接特征图进行整合，得到样本图像对应的输出值；通过输出层计算输出值对应样本图像中的各个像素点为特征点的概率值；判断各个概率值是否超过预置特征点阈值；若是，则将概率值大于特征点阈值的像素点的位置坐标作为预测结果并输出。
具体的，服务器对该归一化图像进行1x1卷积操作，形成特征图。再对归一化图像进行卷积操作，生成的特征图再和上一次形成的特征图进行求和，依次类推，得到的特征提取图都融合到一起，为防止抖动，CSP网络会对所有输入的归一化图像进行3x3卷积操作，然后进行下采样，从而实现多级特征融合，生成第一特征图。
可选的，服务器调用预置损失函数，计算预测结果和标注图像之间的第一损失值；将第一损失值反向传播回训练模型，并基于预置优化器，对训练模型的学习率和参数进行优化，得到优化模型；获取验证图像和验证图像对应的标注图像，并将验证图像输入优化模型进行镀膜镜片瑕疵检测，得到验证结果；计算验证图像和验证图像对应的标注图像的第二损失值，若第二损失值小于预置损失阈值，则将优化模型作为镀膜镜片瑕疵检测模型。
具体的，损失函数的主要目的是计算预测结果和标注信息之间的差距。通过损失值可以对预测结果和标注信息之间的差距进行量化，从而便于后续对训练模型的参数进行调节，使其进行学习。将损失值反向传播训练模型中。然后通过优化器，对训练模型进行随机梯度下降，从而实现参数的优化。在随机梯度下降中有不同的优化器，如BGD(BatchGradient Descent)、SDG(Stochastic Gradient Descent)、MBGD(Mini-Batch GradientDescent)。本方案优选的优化器为SGD优化器。SGD一次仅进行一次更新，没有冗余，速度快，并且可新增样本。当训练模型的参数优化完成后采用验证图像对参数优化后的模型进行验证，若模型的输出和预先标注信息图像之间的损失值小于预置损失阈值，则将优化模型作为镀膜镜片瑕疵检测模型。
203、将标准图像输入预置镀膜镜片瑕疵检测模型中的CSP网络进行特征提取，得到特征信息；
具体的，该CSP网络是将原输入分成两个分支，分别进行卷积操作使得通道数减半，然后分支一进行Bottlenneck x N操作，随后张量拼接分支一和分支二，从而使得CSP网络的输入与输出是一样的大小，CSP网络可以让模型提取到更多的特征。
204、将特征信息输入预置镀膜镜片瑕疵检测模型中的Neck网络进行特征融合，得到特征图；
具体的，该Neck网络的主要作用是对CSP网络提取得到的特征信息进行特征融合，采用普通卷积操作，将高层的特征信息通过上采样的方式进行传递融合，得到进行预测的特征图，加强了网络特征融合的能力。
205、对特征图进行镀膜瑕疵类别信息和位置信息分析，输出检测结果，其中，检测结果包括待检测镀膜镜片的瑕疵位置信息和瑕疵种类信息；
具体的，该镀膜镜片瑕疵检测模型可以为YoloV5网络结构，YoloV5由CSP网络、Neck网络和瑕疵信息分析层构成，模型由主流深度学习框架Pytorch构建。该检测结果包括待检测镀膜镜片中有无瑕疵，有瑕疵时将瑕疵点对应的位置信息和瑕疵种类信息生成一个五维向量并作为检测结果输出。
206、若检测结果为待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将检测结果中的五维向量可视化为检测框；
具体的，检测结果中的五维向量为(c,x,y,w,h)，其中，c为检测框类别，x为横坐标，y为纵坐标，w为宽，h为高，根据五维向量(c,x,y,w,h)标注出瑕疵在图片中位置以及瑕疵种类。
具体的，若检测结果为待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将检测结果中的五维向量可视化为检测框，该可视化接口可以为OpenCV接口，该OpenCV接口是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和MacOS操作系统上。该OpenCV接口为轻量级而且高效，提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的多个通用算法。
207、将检测框与初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。
具体的，服务器将检测框与初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。将检测框和目标图像结合通过该OpenCV接口生成一个新图像，得到包含有标注信息的标注图像。将检测结果和目标图像结合可以有效的使用户在大量图像数据中进行归类和储存，对有瑕疵的镜片信息进行归档，方便查找和比对。
本发明实施例中，基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；对初始图像进行图像切割，得到切割后的图像，并对切割后的图像进行图像灰度变换，得到标准图像；将标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；若检测结果为待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将检测结果中的五维向量可视化为检测框；将检测框与初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。本发明针对镀膜的镜片构建了人工智能模型，该模型对镀膜镜片有较好的特异性检测功能，有效的提高了镀膜镜片的瑕疵检测准确率。
上面对本发明实施例中镀膜镜片瑕疵检测方法进行了描述，下面对本发明实施例中镀膜镜片瑕疵检测装置进行描述，请参阅图3，本发明实施例中镀膜镜片瑕疵检测装置一个实施例包括：
采集模块301，用于基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；
切割模块302，用于对所述初始图像进行图像切割，得到切割后的图像，并对所述切割后的图像进行图像灰度变换，得到标准图像；
检测模块303，用于将所述标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，所述镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；
可视化模块304，用于若所述检测结果为所述待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将所述检测结果中的五维向量可视化为检测框；
输出模块305，用于将所述检测框与所述初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。
本发明实施例中，基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；对所述初始图像进行图像切割，得到切割后的图像，并对所述切割后的图像进行图像灰度变换，得到标准图像；将所述标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，所述镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；若所述检测结果为所述待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将所述检测结果中的五维向量可视化为检测框；将所述检测框与所述初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。本发明针对镀膜的镜片构建了人工智能模型，该模型对镀膜镜片有较好的特异性检测功能，有效的提高了镀膜镜片的瑕疵检测准确率。
请参阅图4，本发明实施例中镀膜镜片瑕疵检测装置另一个实施例包括：
采集模块301，用于基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；
切割模块302，用于对所述初始图像进行图像切割，得到切割后的图像，并对所述切割后的图像进行图像灰度变换，得到标准图像；
检测模块303，用于将所述标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，所述镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；
可视化模块304，用于若所述检测结果为所述待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将所述检测结果中的五维向量可视化为检测框；
输出模块305，用于将所述检测框与所述初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。
可选的，镀膜镜片瑕疵检测装置还包括：
获取模块306，用于获取样本图像和预置训练模型；
标注模块307，用于对所述样本图像进行信息标注，得到所述样本图像对应的标注图像；
训练模块308，用于将所述样本图像输入所述训练模型的输入层进行归一化处理，得到归一化图像；将所述归一化图像输入所述训练模型的CSP网络进行卷积运算和特征提取，得到第一特征图；将所述第一特征图输入所述训练模型的Neck网络进行特征提取和残差学习，得到所述第一特征图对应的第二特征图；
预测模块309，用于将所述第一特征图和所述第二特征图输入所述训练模型的输出层进行像素点预测，得到所述样本图像的各个像素点对应的预测结果并输出；
优化模块310，用于根据所述预测结果和所述标注图像，对所述训练模型的参数进行优化，直至所述训练模型收敛，得到镀膜镜片瑕疵检测模型。
可选的，标注模块307具体用于：调用预置样本标注工具对所述样本图像中的镀膜区域进行选取，得到多个样本区域图像；对所述样本区域图像进行区域信息标注，得到所述样本图像对应的标注图像。
可选的，预测模块309具体用于：将所述第一特征图和所述第二特征图所述训练模型的输出层，并通过所述输出层对所述第一特征图和所述第二特征图进行拼接，得到拼接特征图；通过所述输出层对所述拼接特征图进行整合，得到所述样本图像对应的输出值；通过所述输出层计算所述输出值对应所述样本图像中的各个像素点为特征点的概率值；判断各个所述概率值是否超过预置特征点阈值；若是，则将所述概率值大于所述特征点阈值的像素点的位置坐标作为预测结果并输出。
可选的，优化模块310具体用于：调用预置损失函数，计算所述预测结果和所述标注图像之间的第一损失值；将所述第一损失值反向传播回所述训练模型，并基于预置优化器，对所述训练模型的学习率和参数进行优化，得到优化模型；获取验证图像和所述验证图像对应的标注图像，并将所述验证图像输入所述优化模型进行镀膜镜片瑕疵检测，得到验证结果；计算所述验证图像和所述验证图像对应的标注图像的第二损失值，若所述第二损失值小于预置损失阈值，则将所述优化模型作为镀膜镜片瑕疵检测模型。
可选的，检测模块303具体用于：将所述标准图像输入预置镀膜镜片瑕疵检测模型中的CSP网络进行特征提取，得到特征信息；将所述特征信息输入预置镀膜镜片瑕疵检测模型中的Neck网络进行特征融合，得到特征图；对所述特征图进行镀膜瑕疵类别信息和位置信息分析，输出检测结果，其中，所述检测结果包括所述待检测镀膜镜片的瑕疵位置信息和瑕疵种类信息。
本发明实施例中，基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；对所述初始图像进行图像切割，得到切割后的图像，并对所述切割后的图像进行图像灰度变换，得到标准图像；将所述标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，所述镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；若所述检测结果为所述待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将所述检测结果中的五维向量可视化为检测框；将所述检测框与所述初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。本发明针对镀膜的镜片构建了人工智能模型，该模型对镀膜镜片有较好的特异性检测功能，有效的提高了镀膜镜片的瑕疵检测准确率。
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镀膜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镀膜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镀膜镜片瑕疵检测设备的结构示意图，该镀膜镜片瑕疵检测设备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镀膜镜片瑕疵检测设备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，在镀膜镜片瑕疵检测设备500上执行存储介质530中的一系列指令操作。
镀膜镜片瑕疵检测设备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示出的镀膜镜片瑕疵检测设备结构并不构成对镀膜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。
本发明还提供一种镀膜镜片瑕疵检测设备，所述镀膜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镀膜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镀膜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)

1.一种镀膜镜片瑕疵检测方法，其特征在于，所述镀膜镜片瑕疵检测方法包括：
基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；
对所述初始图像进行图像切割，得到切割后的图像，并对所述切割后的图像进行图像灰度变换，得到标准图像；
将所述标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，所述镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；
若所述检测结果为所述待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将所述检测结果中的五维向量可视化为检测框；
将所述检测框与所述初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。
2.根据权利要求1所述的镀膜镜片瑕疵检测方法，其特征在于，所述镀膜镜片瑕疵检测方法还包括：
获取样本图像和预置训练模型；
对所述样本图像进行信息标注，得到所述样本图像对应的标注图像；
将所述样本图像输入所述训练模型的输入层进行归一化处理，得到归一化图像；
将所述归一化图像输入所述训练模型的CSP网络进行卷积运算和特征提取，得到第一特征图；
将所述第一特征图输入所述训练模型的Neck网络进行特征提取和残差学习，得到所述第一特征图对应的第二特征图；
将所述第一特征图和所述第二特征图输入所述训练模型的输出层进行像素点预测，得到所述样本图像的各个像素点对应的预测结果并输出；
根据所述预测结果和所述标注图像，对所述训练模型的参数进行优化，直至所述训练模型收敛，得到镀膜镜片瑕疵检测模型。
3.根据权利要求2所述的镀膜镜片瑕疵检测方法，其特征在于，所述对所述样本图像进行信息标注，得到所述样本图像对应的标注图像，包括：
调用预置样本标注工具对所述样本图像中的镀膜区域进行选取，得到多个样本区域图像；
对所述样本区域图像进行区域信息标注，得到所述样本图像对应的标注图像。
4.根据权利要求2所述的镀膜镜片瑕疵检测方法，其特征在于，所述将所述第一特征图和所述第二特征图输入所述训练模型的输出层进行像素点预测，得到所述样本图像的各个像素点对应的预测结果并输出，包括：
将所述第一特征图和所述第二特征图所述训练模型的输出层，并通过所述输出层对所述第一特征图和所述第二特征图进行拼接，得到拼接特征图；
通过所述输出层对所述拼接特征图进行整合，得到所述样本图像对应的输出值；
通过所述输出层计算所述输出值对应所述样本图像中的各个像素点为特征点的概率值；
判断各个所述概率值是否超过预置特征点阈值；
若是，则将所述概率值大于所述特征点阈值的像素点的位置坐标作为预测结果并输出。
5.根据权利要求2所述的镀膜镜片瑕疵检测方法，其特征在于，所述根据所述预测结果和所述标注图像，对所述训练模型的参数进行优化，直至所述训练模型收敛，得到镀膜镜片瑕疵检测模型，包括：
调用预置损失函数，计算所述预测结果和所述标注图像之间的第一损失值；
将所述第一损失值反向传播回所述训练模型，并基于预置优化器，对所述训练模型的学习率和参数进行优化，得到优化模型；
获取验证图像和所述验证图像对应的标注图像，并将所述验证图像输入所述优化模型进行镀膜镜片瑕疵检测，得到验证结果；
计算所述验证图像和所述验证图像对应的标注图像的第二损失值，若所述第二损失值小于预置损失阈值，则将所述优化模型作为镀膜镜片瑕疵检测模型。
6.根据权利要求1-5中任一项所述的镀膜镜片瑕疵检测方法，其特征在于，所述将所述标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，包括：
将所述标准图像输入预置镀膜镜片瑕疵检测模型中的CSP网络进行特征提取，得到特征信息；
将所述特征信息输入预置镀膜镜片瑕疵检测模型中的Neck网络进行特征融合，得到特征图；
对所述特征图进行镀膜瑕疵类别信息和位置信息分析，输出检测结果，其中，所述检测结果包括所述待检测镀膜镜片的瑕疵位置信息和瑕疵种类信息。
7.一种镀膜镜片瑕疵检测装置，其特征在于，所述镀膜镜片瑕疵检测装置包括：
采集模块，用于基于预置的环形桶、预置的环形光源以及预置的图像采集终端采集待检测镀膜镜片的初始图像；
切割模块，用于对所述初始图像进行图像切割，得到切割后的图像，并对所述切割后的图像进行图像灰度变换，得到标准图像；
检测模块，用于将所述标准图像输入预置镀膜镜片瑕疵检测模型进行瑕疵检测，输出检测结果，其中，所述镀膜镜片瑕疵检测模型包括：输入层、CSP网络、Neck网络和输出层；
可视化模块，用于若所述检测结果为所述待检测镀膜镜片存在镀膜瑕疵，则调用预置可视化接口，将所述检测结果中的五维向量可视化为检测框；
输出模块，用于将所述检测框与所述初始图像相结合，得到标注有镀膜瑕疵位置和瑕疵种类的目标图像。
8.根据权利要求7所述的镀膜镜片瑕疵检测装置，其特征在于，所述检测模块具体用于：
将所述标准图像输入预置镀膜镜片瑕疵检测模型中的CSP网络进行特征提取，得到特征信息；
将所述特征信息输入预置镀膜镜片瑕疵检测模型中的Neck网络进行特征融合，得到特征图；
对所述特征图进行镀膜瑕疵类别信息和位置信息分析，输出检测结果，其中，所述检测结果包括所述待检测镀膜镜片的瑕疵位置信息和瑕疵种类信息。
9.一种镀膜镜片瑕疵检测设备，其特征在于，所述镀膜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，以使得所述镀膜镜片瑕疵检测设备执行如权利要求1-6中任一项所述的镀膜镜片瑕疵检测方法。
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1-6中任一项所述的镀膜镜片瑕疵检测方法。
CN202210775080.2A 2022-07-01 2022-07-01 镀膜镜片瑕疵检测方法、装置、设备及存储介质 Pending CN115115600A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210775080.2A CN115115600A (zh) 2022-07-01 2022-07-01 镀膜镜片瑕疵检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210775080.2A CN115115600A (zh) 2022-07-01 2022-07-01 镀膜镜片瑕疵检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115115600A true CN115115600A (zh) 2022-09-27

Family

ID=83329580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210775080.2A Pending CN115115600A (zh) 2022-07-01 2022-07-01 镀膜镜片瑕疵检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115115600A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229126A (zh) * 2023-05-09 2023-06-06 日照皓诚电子科技有限公司 一种石英晶体镀膜智能检测方法、系统、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229126A (zh) * 2023-05-09 2023-06-06 日照皓诚电子科技有限公司 一种石英晶体镀膜智能检测方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
JP6931402B2 (ja) ディスプレイの品質検出方法、装置、電子機器及び記憶媒体
KR102229594B1 (ko) 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체
US11341626B2 (en) Method and apparatus for outputting information
US10691982B2 (en) Method and apparatus for vehicle damage identification
CN110264444B (zh) 基于弱分割的损伤检测方法及装置
US20220178841A1 (en) Apparatus for optimizing inspection of exterior of target object and method thereof
US20220222822A1 (en) Microscopy System and Method for Evaluating Image Processing Results
CN112102201B (zh) 图像阴影反光消除方法、装置、计算机设备及存储介质
CN112446870A (zh) 管道损伤检测方法、装置、设备及存储介质
KR20210020065A (ko) 비전 시스템을 갖는 이미지에서 패턴을 찾고 분류하기 위한 시스템 및 방법
US11562479B2 (en) Inspection apparatus, inspection method, and non-volatile storage medium
CN115115600A (zh) 镀膜镜片瑕疵检测方法、装置、设备及存储介质
CN109919941A (zh) 内螺纹缺陷检测方法、装置、系统、设备及介质
CN116071294A (zh) 一种光纤表面缺陷检测方法和装置
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN114881998A (zh) 一种基于深度学习的工件表面缺陷检测方法及系统
CN113591507A (zh) 一种鲁棒的二维码DataMatrix定位方法及系统
CN116348897A (zh) 用于可收集物品的识别及分级系统以及相关方法
CN115272136B (zh) 基于大数据的证件照眼镜反光消除方法、装置、介质及设备
CN115690001A (zh) 一种用于检测钢管焊接数字射线图像中缺陷的方法
CN115239663A (zh) 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质
CN115100110A (zh) 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质
KR102470856B1 (ko) 인공지능을 이용한 크라우드 아웃소싱 작업 검수 방법 및 그 장치
CN111727108B (zh) 用于控制机器人的方法、装置及系统以及存储介质
CN112906581A (zh) 防护服着装规范检测方法、装置、设备及存储介质

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