CN115294024A - 硒鼓缺陷检测方法、装置、电子设备及存储介质 - Google Patents

硒鼓缺陷检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115294024A
CN115294024A CN202210790461.8A CN202210790461A CN115294024A CN 115294024 A CN115294024 A CN 115294024A CN 202210790461 A CN202210790461 A CN 202210790461A CN 115294024 A CN115294024 A CN 115294024A
Authority
CN
China
Prior art keywords
defect
selenium drum
image
training
detection model
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
CN202210790461.8A
Other languages
English (en)
Inventor
苏策敏
郭永建
封家海
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.)
Zhuhai Xinyiwei Technology Co ltd
Original Assignee
Zhuhai Xinyiwei 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 Zhuhai Xinyiwei Technology Co ltd filed Critical Zhuhai Xinyiwei Technology Co ltd
Priority to CN202210790461.8A priority Critical patent/CN115294024A/zh
Publication of CN115294024A publication Critical patent/CN115294024A/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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本发明提供一种硒鼓缺陷检测方法、装置、电子设备及存储介质，该硒鼓缺陷检测方法包括：采集硒鼓的第一图像，第一图像为打印纸张图片；将第一图像通过硒鼓缺陷检测模型执行检测，得到硒鼓缺陷分类结果；硒鼓缺陷检测模型的训练包括：获取多张第二图像，第二图像用于表征包括有缺陷的硒鼓图像；对第二图像进行缺陷标注，并采用目标检测模型进行训练，得到推算结果；对推算结果通过视觉检测执行后处理，得到硒鼓缺陷检测模型。本发明的有益效果为：计算速度快，且避免了使用GPU而导致的消费大的问题。此外，还通过深度学习算法还对复杂图像进行了有效检测，避免了传统算法是复杂图像繁琐的计算量。提高了硒鼓检测的速度和效率，降低了检测成本。

Description

硒鼓缺陷检测方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机打印技术领域，尤其涉及一种硒鼓缺陷检测方法、装置、电子设备及存储介质。
背景技术
复杂的AOI图像缺陷的视觉检测系统，为生产线自动挑出OK/NG缺陷，并为缺陷种类进行分类，减少人工，提高生产力。
比如液晶面板缺陷检测，基于深度学习的液晶面板检测，选择搭配背光源和同轴光对液晶面板图像进行采集，在扫描图片的过程中，深度学习算法同时处理图像，实时显示玻璃的缺陷信息，对于有缺陷的玻璃，实时联动主设备进行停止等相关操作，防止在生产过程中因玻璃碎裂导致主设备停机。算法方面，可实现对液晶面板的各个生产工艺产生的缺陷进行检测，通过针对性的深度学习算法优化有效克服少样本学习问题，可对不同种缺陷类型有效准确的检出、分类，包括崩边、裂纹、破损、划痕、水滴、水渍、光阻残留等，随着检测缺陷的样本量增加检出率会越高。深度学习模型加载在GPU里，再对模型进行推理。
传统的硒鼓缺陷检测主要由人眼辨别，人工检测难度大，易疲劳导致漏检，这给企业把控生产质量和提高生产效率带来巨大困难。于是，应运而生的是传统视觉检测，但是传统视觉检测对图像要求极高，并且算法逻辑复杂，图像或者缺陷稍有变化，算法需要跟着修改，代码实施起来十分困难。于是应用了深度学习进行检测，但是模型在CPU上运行非常缓慢，于是模型通常使用GPU进行加速，虽然速度快，但价格昂贵，提高了生产成本。
发明内容
本发明实施例的主要目的在于提出一种硒鼓缺陷检测方法、装置、电子设备及存储介质，提高了硒鼓检测的速度和效率，降低了检测成本。
本发明的一方面提供了一种硒鼓缺陷检测方法，包括：
响应于缺陷检测请求，采集硒鼓的第一图像，所述第一图像用于表征打印纸张的拍摄图片；
将所述第一图像通过硒鼓缺陷检测模型执行检测，得到硒鼓缺陷分类结果；
所述硒鼓缺陷检测模型的训练包括：
获取多张第二图像，所述第二图像用于表征包括有缺陷的硒鼓图像；
对所述第二图像进行缺陷标注，并采用目标检测模型进行训练，得到推算结果；
对所述推算结果通过视觉检测执行后处理，得到所述硒鼓缺陷检测模型。
根据所述的硒鼓缺陷检测方法，其中对所述第二图像进行缺陷标注，并采用目标检测模型进行训练，得到推算结果，包括：
采用NanoDet目标检测模型划分为第一模型和第二模型对所述第二图像执行训练，所述第一模型用于表征点状和块状的缺陷训练，所述第二模型用于表征线状和带状的缺陷训练；
采用所述NanoDet目标检测模型训练通过调整参数并执行循环训练，对得到的所述硒鼓缺陷检测模型的识别结果进行检测，直至所述识别结果达到预设值。
根据所述的硒鼓缺陷检测方法，其中NanoDet目标检测模型包括：
采用ShuffNetV2作为主干网络，去掉最后一层的卷积层；
并且抽取8/16/32倍下采样率的特征输入到金字塔注意力网络中执行多尺度的特征融合，得出硒鼓缺陷检测框的分数和类别。
根据所述的硒鼓缺陷检测方法，其中对得到的所述硒鼓缺陷检测模型的识别结果进行检测，直至所述识别结果达到预设值，包括：
对NanoDet目标检测模型的训练参数进行调整，以使损失函数的损失和平均AP值满足所述预设值，所述平均AP值用于表征检测精度的指标。
根据所述的硒鼓缺陷检测方法，其中将所述第一图像通过硒鼓缺陷检测模型执行检测，得到硒鼓缺陷分类结果，包括：
使用OpenVino进行CPU高性能加速算法执行推理。
根据所述的硒鼓缺陷检测方法，其中对所述推算结果通过视觉检测执行后处理，包括：
对所述推算结果的图像执行平场矫正，包括在稳定光源下拍摄标准图像，计算所述标准图像的灰度均值，确定标准图像减去灰度均值的差值图，对每次所述推算结果的图像减去所述差值图得出平场矫正图；
通过目标检测的缺陷检测框，对所述平场矫正图进行裁切，得到裁剪图；
对所述裁剪图进行中值滤波，得到滤波图；
对所述滤波图按照宽和高进行压缩，得出压缩图；
对所述压缩图进行求导得出极值信息图，然后通过对极值直接的高度距离或宽度距离判断硒鼓缺陷的类别，类别包括缺陷面积、缺陷分数及缺陷数量中的至少一种。
根据所述的硒鼓缺陷检测方法，其中方法包括：
将所述第一图像的硒鼓缺陷的类别通过交互界面进行可视化展示。
本发明实施例的另一方面提供了一种硒鼓缺陷检测装置，包括：
采集模块，用于根据缺陷检测请求，采集硒鼓的第一图像，所述第一图像用于表征打印纸张的拍摄图片；
分类模块，用于将所述第一图像通过硒鼓缺陷检测模型执行检测，得到硒鼓缺陷分类结果；
训练模块，包括收集模块、缺陷识别训练模块及后处理模块：
所述收集模块用于获取多张第二图像，所述第二图像用于表征包括有缺陷的硒鼓图像；
所述缺陷识别训练模块用于对所述第二图像进行缺陷标注，并采用目标检测模型进行训练，得到推算结果；
所述后处理模块用于对所述推算结果通过视觉检测执行后处理，得到所述硒鼓缺陷检测模型。
本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前文所描述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前文所描述的方法。
本发明的有益效果为：使用超轻量模型NanoDet配合OpenVino进行目标检测，计算速度快，且避免了使用GPU而导致的消费大的问题。此外，还通过深度学习算法还对复杂图像进行了有效检测，避免了传统算法是复杂图像繁琐的计算量。提高了硒鼓检测的速度和效率，降低了检测成本。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明实施例的方法的流程示意图。
图2是本发明实施例的硒鼓缺陷检测模型的训练流程示意图。
图3是本发明实施例的NanoDet目标检测模型的训练流程示意图。
图4是本发明实施例的一种硒鼓缺陷检测的流程示意图。
图5是本发明实施例的NanoDet目标检测模型的结构示意图。
图6是本发明实施例的目标检测模型进行训练的流程示意图。
图7是本发明实施例的训练损失函数和mAP示意图。
图8是本发明实施例的后处理的流程示意图。
图9是本发明实施例的滤波图。
图10是本发明实施例的PLC、视觉检测软件及硒鼓缺陷检测的流程示意图。
图11是本发明实施例的硒鼓缺陷检测分析装置图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。“第一”、“第二”等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。在本后续的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本发明实施例提供了一种硒鼓缺陷检测方法的流程，该方法具体包括但不限于步骤S100-S200。
步骤S100，响应于缺陷检测请求，采集硒鼓的第一图像；
在一些实施例中，其中第一图像通过视觉软件在预设角度对打印的纸张图像进行采集；
步骤S200，将第一图像通过硒鼓缺陷检测模型执行检测，得到硒鼓缺陷分类结果。
在一些实施例中，参考附图2，其中硒鼓缺陷检测模型的训练包括但不限于步骤S310～S330：
步骤S310，获取多张第二图像，第二图像用于表征包括有缺陷的硒鼓图像；
在一些实施例中，参考图3，其示例了采用NanoDet目标检测模型的训练流程，包括但不限于步骤S311～S312：
步骤S311，采用NanoDet目标检测模型划分为第一模型和第二模型对第二图像执行训练，第一模型用于表征点状和块状的缺陷训练，第二模型用于表征线状和带状的缺陷训练；
在一些实施例中，参考图4，其示例了一种硒鼓缺陷检测的流程示意图，第一阶段是收集足够数量的图像，对图像上的缺陷进行标注，再将图像放入NanoDet(目标检测模型)进行调参数和训练，得到模型后再上线检测，如果结果有出现检测错误，如过杀，漏检等现象，则把图像继续收集起来，继续进行训练，往复迭代。
在一些实施例中，采用超轻量级目标检测模型NanoDet，检测速度快，模型小，兼顾精度、速度和体积的检测模型，其中NanoDet是基于FCOS模型进行轻量化改进而来的。
步骤S312，采用NanoDet目标检测模型训练通过调整参数并执行循环训练，对得到的硒鼓缺陷检测模型的识别结果进行检测，直至识别结果达到预设值。
在一些实施例中，参考图5，其示例了一种NanoDet目标检测模型的结构示意图，NanoDet的Backbone(主干网络)是ShuffNetV2 1.0x(网络一种)，去掉最后一层的卷积层，并且抽取8/16/32倍下采样率的特征输入到PAN(pyramid attention network金字塔注意力网络)中做多尺度的特征融合，最终得出检测框的分数和类别。
步骤S320，对第二图像进行缺陷标注，并采用目标检测模型进行训练，得到推算结果；
在一些实施例中，参考图6，其公开了目标检测模型进行训练的流程示意图，包括但不限于步骤S321～S322：
步骤S321，对NanoDet目标检测模型的训练参数进行调整，以使损失函数的损失和平均AP值满足预设值，平均AP值用于表征检测精度的指标。
在一些实施例中，在图像标注结束后，把图像送入网络训练，通过训练参数的调整让损失函数的损失尽量小，mAP(mAP是Mean Average Precision的缩写，即平均AP值。作为目标检测中衡量检测精度的指标。)尽量大，得出最终用于检测的模型。训练损失函数和mAP如图7所示。为提高准确率，把点状和带状缺陷分开训练，故使用两个模型。
步骤S322，使用OpenVino进行CPU高性能加速算法执行推理。
在一些实施例中，使用了OpenVino进行Intel CPU高性能加速算法推理，使运行速度增快了五倍以上，CPU消耗大大降低，在打印机打印纸和拍照期间在后台进行并行运算，所以本实施例并未需要使用昂贵的GPU进行硬件加速，大大的省了企业的成本。
步骤S330，对推算结果通过视觉检测执行后处理，得到硒鼓缺陷检测模型。
在一些实施例中，参考图8，其示例了后处理的流程示意图，包括但不限于步骤S331～S335：
步骤S331，对推算结果的图像执行平场矫正，包括在稳定光源下拍摄标准图像，计算标准图像的灰度均值，确定标准图像减去灰度均值的差值图，对每次推算结果的图像减去差值图得出平场矫正图；
在一些实施例中，先对图像做平场矫正，现场在稳定的光源下拍一张标准的图像，求图像灰度的均值，标准图减去灰度均值的出差值图，程序运行期间每次都减去差值图得出平场矫正图。
步骤S332，通过目标检测的缺陷检测框，对平场矫正图进行裁切，得到裁剪图；
在一些实施例中，通过目标检测的缺陷检测框，对平场矫正后的图像进行裁切，此举可以降低运算量。
步骤S333，对裁剪图进行中值滤波，得到滤波图；
在一些实施例中，参考图9，其示例了滤波图，即对两张裁剪图像进行中值滤波过滤取多余的噪声，得出如图9所示的滤波图。
步骤S334，对滤波图按照宽和高进行压缩，得出压缩图；
在一些实施例中，分别对滤波图的宽和高压缩为10，得到一张宽为10，高为裁剪高和一张高为10，宽为裁剪宽的图像，得出压缩图。
步骤S335，对压缩图进行求导得出极值信息图，然后通过对极值直接的高度距离或宽度距离判断硒鼓缺陷的类别，类别包括缺陷面积、缺陷分数及缺陷数量中的至少一种。
在一些实施例中，对再对压缩图的图像进行求导得出极值信息图，然后通过对极值直接的高度距离或宽度距离判断缺陷的细分类别。
在一些实施例中，参考图10，其示例了PLC、视觉检测软件及硒鼓缺陷检测的流程示意图，其包括图像采集，TCP通信，打印控制，图像算法，算法加速。
如图10所示，视觉软件会和PLC进行TCP通信，收到相关的指令会进行打印机的检查状态，返回准备就绪，塞纸，纸张耗尽，无墨粉，脱机等状态，然后PLC根据相应状态对打印机做出反应。软件也会根据PLC指令对打印机进行控制打印，删除打印任务，清除状态。
当视觉软件收拍照指令，相机则进行取像，然后把图像送入深度学习网络，同时使用因特尔的CPU进行推理，推理过程由OpenVino框架优化加速，使其计算速度增加速度五倍以上。得出推理结果后再用传统视觉进行连通域分析，计算面积，分数，统计缺陷数量等。
图11是本发明实施例的硒鼓缺陷检测分析装置图。该装置包括了采集模块1110、分类模块1120及训练模块1130，训练模块1130包括收集模块1131、缺陷识别训练模块1132及后处理模块1133。
其中，采集模块，用于根据缺陷检测请求，采集硒鼓的第一图像，第一图像用于表征打印纸张的拍摄图片；分类模块，用于将第一图像通过硒鼓缺陷检测模型执行检测，得到硒鼓缺陷分类结果；训练模块，包括收集模块、缺陷识别训练模块及后处理模块：收集模块用于获取多张第二图像，第二图像用于表征包括有缺陷的硒鼓图像；缺陷识别训练模块用于对第二图像进行缺陷标注，并采用目标检测模型进行训练，得到推算结果；后处理模块用于对推算结果通过视觉检测执行后处理，得到硒鼓缺陷检测模型。
示例性地，在装置中的采集模块、分类模块、训练模块，实施例装置可以实现前述的任意一种硒鼓缺陷检测方法，即响应于缺陷检测请求，采集硒鼓的第一图像；将第一图像通过硒鼓缺陷检测模型执行检测，得到硒鼓缺陷分类结果；硒鼓缺陷检测模型的训练包括：获取多张第二图像，第二图像用于表征包括有缺陷的硒鼓图像；对第二图像进行缺陷标注，并采用目标检测模型进行训练，得到推算结果；对推算结果通过视觉检测执行后处理，得到硒鼓缺陷检测模型。提高了硒鼓检测的速度和效率，降低了检测成本。
本发明实施例还提供了一种电子设备，该电子设备包括处理器以及存储器；
存储器存储有程序；
处理器执行程序以执行前述的硒鼓缺陷检测方法；该电子设备具有搭载并运行本发明实施例提供的硒鼓缺陷检测的软件系统的功能，例如，个人计算机(PersonalComputer，PC)、手机、智能手机、个人数字助手(Personal Digital Assistant，PDA)、可穿戴设备、掌上电脑PPC(Pocket PC)、平板电脑等。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的硒鼓缺陷检测方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述的硒鼓缺陷检测方法。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种硒鼓缺陷检测方法，其特征在于，包括：
响应于缺陷检测请求，采集硒鼓的第一图像，所述第一图像用于表征打印纸张的拍摄图片；
将所述第一图像通过硒鼓缺陷检测模型执行检测，得到硒鼓缺陷分类结果；
所述硒鼓缺陷检测模型的训练包括：
获取多张第二图像，所述第二图像用于表征包括有缺陷的硒鼓图像；
对所述第二图像进行缺陷标注，并采用目标检测模型进行训练，得到推算结果；
对所述推算结果通过视觉检测执行后处理，得到所述硒鼓缺陷检测模型。
2.根据权利要求1所述的硒鼓缺陷检测方法，其特征在于，所述对所述第二图像进行缺陷标注，并采用目标检测模型进行训练，得到推算结果，包括：
采用NanoDet目标检测模型划分为第一模型和第二模型对所述第二图像执行训练，所述第一模型用于表征点状和块状的缺陷训练，所述第二模型用于表征线状和带状的缺陷训练；
采用所述NanoDet目标检测模型训练通过调整参数并执行循环训练，对得到的所述硒鼓缺陷检测模型的识别结果进行检测，直至所述识别结果达到预设值。
3.根据权利要求2所述的硒鼓缺陷检测方法，其特征在于，所述NanoDet目标检测模型包括：
采用ShuffNetV2作为主干网络，去掉最后一层的卷积层；
并且抽取8/16/32倍下采样率的特征输入到金字塔注意力网络中执行多尺度的特征融合，得出硒鼓缺陷检测框的分数和类别。
4.根据权利要求2所述的硒鼓缺陷检测方法，其特征在于，所述对得到的所述硒鼓缺陷检测模型的识别结果进行检测，直至所述识别结果达到预设值，包括：
对NanoDet目标检测模型的训练参数进行调整，以使损失函数的损失和平均AP值满足所述预设值，所述平均AP值用于表征检测精度的指标。
5.根据权利要求1所述的硒鼓缺陷检测方法，其特征在于，所述将所述第一图像通过硒鼓缺陷检测模型执行检测，得到硒鼓缺陷分类结果，包括：
使用OpenVino进行CPU高性能加速算法执行推理。
6.根据权利要求2所述的硒鼓缺陷检测方法，其特征在于，所述对所述推算结果通过视觉检测执行后处理，包括：
对所述推算结果的图像执行平场矫正，包括在稳定光源下拍摄标准图像，计算所述标准图像的灰度均值，确定标准图像减去灰度均值的差值图，对每次所述推算结果的图像减去所述差值图得出平场矫正图；
通过目标检测的缺陷检测框，对所述平场矫正图进行裁切，得到裁剪图；
对所述裁剪图进行中值滤波，得到滤波图；
对所述滤波图按照宽和高进行压缩，得出压缩图；
对所述压缩图进行求导得出极值信息图，然后通过对极值直接的高度距离或宽度距离判断硒鼓缺陷的类别，类别包括缺陷面积、缺陷分数及缺陷数量中的至少一种。
7.根据权利要求6所述的硒鼓缺陷检测方法，其特征在于，所述方法包括：
将所述第一图像的硒鼓缺陷的类别通过交互界面进行可视化展示。
8.一种硒鼓缺陷检测装置，其特征在于，包括：
采集模块，用于根据缺陷检测请求，采集硒鼓的第一图像，所述第一图像用于表征打印纸张的拍摄图片；
分类模块，用于将所述第一图像通过硒鼓缺陷检测模型执行检测，得到硒鼓缺陷分类结果；
训练模块，包括收集模块、缺陷识别训练模块及后处理模块：
所述收集模块用于获取多张第二图像，所述第二图像用于表征包括有缺陷的硒鼓图像；
所述缺陷识别训练模块用于对所述第二图像进行缺陷标注，并采用目标检测模型进行训练，得到推算结果；
所述后处理模块用于对所述推算结果通过视觉检测执行后处理，得到所述硒鼓缺陷检测模型。
9.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-7中任一项所述的硒鼓缺陷检测方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-7中任一项所述的硒鼓缺陷检测方法。
CN202210790461.8A 2022-07-06 2022-07-06 硒鼓缺陷检测方法、装置、电子设备及存储介质 Pending CN115294024A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210790461.8A CN115294024A (zh) 2022-07-06 2022-07-06 硒鼓缺陷检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210790461.8A CN115294024A (zh) 2022-07-06 2022-07-06 硒鼓缺陷检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115294024A true CN115294024A (zh) 2022-11-04

Family

ID=83821340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210790461.8A Pending CN115294024A (zh) 2022-07-06 2022-07-06 硒鼓缺陷检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115294024A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661161A (zh) * 2022-12-29 2023-01-31 成都数联云算科技有限公司 零件的缺陷检测方法、装置、存储介质、设备及程序产品
CN116167992A (zh) * 2023-02-02 2023-05-26 北京百度网讯科技有限公司 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN118711040A (zh) * 2024-08-29 2024-09-27 杭州久烁网络科技有限公司 一种基于特征融合和注意力机制的fcos网络优化方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661161A (zh) * 2022-12-29 2023-01-31 成都数联云算科技有限公司 零件的缺陷检测方法、装置、存储介质、设备及程序产品
CN116167992A (zh) * 2023-02-02 2023-05-26 北京百度网讯科技有限公司 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN118711040A (zh) * 2024-08-29 2024-09-27 杭州久烁网络科技有限公司 一种基于特征融合和注意力机制的fcos网络优化方法及系统

Similar Documents

Publication Publication Date Title
CN115294024A (zh) 硒鼓缺陷检测方法、装置、电子设备及存储介质
CN110779937B (zh) 一种铸件产品内部缺陷智能检测装置
CN109613002B (zh) 一种玻璃缺陷检测方法、装置和存储介质
CN111951249A (zh) 基于多任务学习网络的手机导光板缺陷可视化检测方法
CN113421230B (zh) 基于目标检测网络的车载液晶屏导光板缺陷视觉检测方法
CN113850799B (zh) 一种基于YOLOv5的微量DNA提取工作站工件检测方法
CN113376172B (zh) 一种基于视觉与涡流的焊缝缺陷检测系统及其检测方法
CN113780484B (zh) 工业产品缺陷检测方法和装置
CN116756372A (zh) 一种烟支缺陷检测方法及装置
CN113727022A (zh) 巡检图像的采集方法及装置、电子设备、存储介质
CN116245882A (zh) 电路板电子元件检测方法、装置及计算机设备
CN112881412A (zh) 一种废钢产品中非金属异物检测方法
CN115661057A (zh) 一种基于云边协同和深度学习的工业无损检测系统与方法
CN105195438A (zh) 基于图像识别的嵌入式自动珍珠分拣器及分拣方法
CN116977334B (zh) 一种光缆表面瑕疵检测方法及装置
CN112257849A (zh) 基于深度学习的智能检测方法、系统、装置及其应用
CN117788400A (zh) 一种基于双目视觉的光伏组件缺陷检测方法及系统
CN112213244A (zh) 基于机器学习的机动车尾气林格曼黑度测量装置及方法
CN115359412B (zh) 一种盐酸中和实验评分方法、装置、设备及可读存储介质
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质
CN113267506A (zh) 木板ai视觉缺陷检测装置、方法、设备及介质
CN111610205A (zh) 一种金属零部件x光图像缺陷检测装置
CN116894937B (zh) 获取车轮定位仪参数的方法、系统及电子设备
CN118115928B (zh) 一种基于目标检测的高炉出铁见渣时间自动识别方法
CN217332186U (zh) 木板ai视觉缺陷检测装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination