CN115546211A - 一种焊点缺陷分类方法、终端及计算机存储介质 - Google Patents

一种焊点缺陷分类方法、终端及计算机存储介质 Download PDF

Info

Publication number
CN115546211A
CN115546211A CN202211503065.9A CN202211503065A CN115546211A CN 115546211 A CN115546211 A CN 115546211A CN 202211503065 A CN202211503065 A CN 202211503065A CN 115546211 A CN115546211 A CN 115546211A
Authority
CN
China
Prior art keywords
image
welding spot
branch
detected
reference image
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.)
Granted
Application number
CN202211503065.9A
Other languages
English (en)
Other versions
CN115546211B (zh
Inventor
郑伟鑫
杨和
刘文哲
童同
高钦泉
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.)
Fujian Dishi Intelligent Technology Co ltd
Original Assignee
Fujian Dishi Intelligent 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 Fujian Dishi Intelligent Technology Co ltd filed Critical Fujian Dishi Intelligent Technology Co ltd
Priority to CN202211503065.9A priority Critical patent/CN115546211B/zh
Publication of CN115546211A publication Critical patent/CN115546211A/zh
Application granted granted Critical
Publication of CN115546211B publication Critical patent/CN115546211B/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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种焊点缺陷分类方法、终端及计算机存储介质，获取参照图像和待检测焊点图像，所述参照图像为良品数据图像；将待检测焊点图像和参照图像输入孪生网络，以获取待检测焊点图像与参照图像的相似程度和缺陷类型；所述孪生网络包括特征提取模块、匹配支路和分类支路；所述特征提取模块用于提取参照图像和待检测焊点图像的残差特征，所述匹配支路用于根据残差特征以判断参照图像和待检测焊点图像的相似程度，所述分类支路用于根据残差特征以判断待检测焊点图像的缺陷类型。特征提取器通过对参照图像和待检测焊点图像进行特征提取，从而获得目标图像与参照图像之间的残差特征，进而根据残差特征判断缺陷种类。

Description

一种焊点缺陷分类方法、终端及计算机存储介质
技术领域
本发明涉及缺陷检测技术领域，特别涉及一种焊点缺陷分类方法、终端及计算机存储介质。
背景技术
在工业领域中，焊点缺陷检测主要是人工进行判断，人工判断往往会受到主观因素和人眼疲劳的影响而造成误判，此外，也将面临人工成本高，利润低等问题。
现有技术中，计算机视觉技术主要应用在3C电子产业，有效提高了企业产品并减少成本，计算机视觉技术主要涉及到分类、分割和检测等，虽然目前将计算机视觉技术应用在工业领域中已经成为了一种主流趋势，但是在焊点缺陷检测任务上却非常少，焊点缺陷检测主要是人工进行判断，人工判断往往会受到主观因素和人眼疲劳的影响而造成误判。此外，企业也将面临人工成本高，利润低等问题。
发明内容
本发明所要解决的技术问题是：提供一种焊点缺陷分类方法，能自动判别焊点是否存在缺陷，更加准确且低成本。
为了解决上述技术问题，本发明采用的技术方案为：
一种焊点缺陷分类方法，包括步骤：
S1、获取参照图像和待检测焊点图像，所述参照图像为良品数据图像；
S2、将待检测焊点图像和参照图像输入孪生网络，以获取待检测焊点图像与参照图像的相似程度和缺陷类型；
所述孪生网络包括特征提取模块、匹配支路和分类支路；
所述特征提取模块用于提取参照图像和待检测焊点图像的残差特征，所述匹配支路用于根据残差特征以判断参照图像和待检测焊点图像的相似程度，所述分类支路用于根据残差特征以判断待检测焊点图像的缺陷类型。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种焊点缺陷分类终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的一种焊点缺陷分类方法。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的方法。
本发明的有益效果在于：一种焊点缺陷分类方法、终端及计算机存储介质，特征提取器通过对参照图像和待检测焊点图像进行特征提取，从而获得目标图像与参照图像之间的残差特征，匹配支路能通过对残差特征的判断实现对焊点是否存在缺陷进行判断，实现焊点缺陷的自动识别和分类，较之人工判断更准确且降低了成本。
附图说明
图1为本发明实施例的一种焊点缺陷分类方法的流程示意图；
图2为本发明实施例涉及的改进孪生模型的结构示意图；
图3为本发明实施例涉及的特征提取模块的结构示意图；
图4为本发明实施例涉及的RepVGG模块的结构转换示意图；
图5为本发明实施例涉及训练过程的流程示意图；
图6为本发明实施例的一种焊点缺陷分类终端的结构示意图；
标号说明：
1、一种焊点缺陷分类终端；2、处理器；3、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1至图5，一种焊点缺陷分类方法，包括步骤：
S1、获取参照图像和待检测焊点图像，所述参照图像为良品数据图像；
S2、将待检测焊点图像和参照图像输入孪生网络，以获取待检测焊点图像与参照图像的相似程度和缺陷类型；
所述孪生网络包括特征提取模块、匹配支路和分类支路；
所述特征提取模块用于提取参照图像和待检测焊点图像的残差特征，所述匹配支路用于根据残差特征以判断参照图像和待检测焊点图像的相似程度，所述分类支路用于根据残差特征以判断待检测焊点图像的缺陷类型。
由上述描述可知，本发明的有益效果在于：一种焊点缺陷分类方法、终端及计算机存储介质，特征提取器通过对参照图像和待检测焊点图像进行特征提取，从而获得目标图像与参照图像之间的残差特征，匹配支路能通过对残差特征的判断实现对焊点是否存在缺陷进行判断。
进一步地，所述孪生网络还包括分类支路，所述分类支路用于根据残差特征以判断待检测焊点图像的缺陷类型。
由上述描述可知，所述分类支路的作用是有效地将多种缺陷类别进行分选，同时在两条支路的配合下能够有效检测出训练集里没有的新缺陷。
进一步地，所述特征提取模块包括参数共享且结构大小完全一致的第一特征提取器和第二特征提取器，第一特征提取器用于提取参照图像的深层特征，第二特征提取器用于提取待检测焊点图像的深层特征，所述特征提取模块计算参照图像的深层特征和待检测焊点图像的深层特征的差作为所述残差特征。
由上述描述可知，特征提取部分主要由两个权值共享的特征提取器构成，特征提取器通过对参照图像和目标图像进行特征提取，从而获得目标图像与参照图像之间的残差特征。
进一步地，每个特征提取器均包括RepVGG模块与maxpool层，特征提取器的输入经过n个由RepVGG模块、RepVGG模块和maxpool层依次连接的子模块后依次经过两个RepVGG模块输出。
由上述描述可知，给出了特征提取器的具体结构。
进一步地，所述RepVGG模块在训练时为多分支结构，在使用时为多分支结构转换成的单分支结构。
由上述描述可知，利用RepVGG模块来构建特征提取器，在训练过程中使用多支路结构来提高模型的学习能力，从而提高模型的精度，而测试过程中而利用重参数化技术将多支路结构化简成单支路结构，从而加快模型的计算速度且保证精度无损。
进一步地，所述多分支结构包括并联的3×3卷积层、1×1卷积层和跳跃结构，所述单分支结构包括3×3的卷积层。
由上述描述可知，给出了RepVGG模块在多分支结构和单分支结构下的构成。
进一步地，在训练所述孪生网络时，实现以下步骤：
A1、获取焊点的原始数据，对原始数据进行裁剪和分类，构件图像数据集，所述裁剪和分类是将原始数据中的焊点部分进行提取并且按缺陷的种类进行划分；
A2、从原始数据中筛选出良品数据作为参照图像；
A3、根据损失函数对孪生网络进行训练。
所述损失函数
Figure 98699DEST_PATH_IMAGE001
为：
Figure 611720DEST_PATH_IMAGE002
；
Figure 400554DEST_PATH_IMAGE003
；
Figure 657223DEST_PATH_IMAGE004
；
式中，
Figure 965844DEST_PATH_IMAGE005
为分类支路相关的损失函数，而
Figure 633455DEST_PATH_IMAGE006
为匹配支路相关的损失函数，
Figure 394737DEST_PATH_IMAGE007
为权 重系数，y为标签的真实值，
Figure 720676DEST_PATH_IMAGE008
为预测的概率值。
由上述描述可知，实现了对孪生网络进行训练。
进一步地，所述根据损失函数对孪生网络进行训练具体是采用余弦退火策略进行训练。
由上述描述可知，给出了孪生网路的具体训练策略。
请参照图6，一种焊点缺陷分类终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
本发明用于工业领域对焊点是否存在缺陷进行检测。
请参照图1至图5，本发明的实施例一为：
一种焊点缺陷分类方法，包括以下步骤：
S1、获取参照图像和待检测焊点图像，所述参照图像为良品数据图像；
S2、将待检测焊点图像和参照图像输入孪生网络，以获取待检测焊点图像与参照图像的相似程度和缺陷类型。
请参照图2，所述孪生网络包括特征提取模块、分类支路和匹配支路。
所述特征提取模块包括两个参数共享且结构大小完全一致的特征提取器，即第一特征提取器和第二特征提取器，请参照图3，每个特征提取器均包括RepVGG模块与maxpool层，将参照图像输入第一特征提取器得到第一深层特征，待检测焊点图像输入第二提取器作为第二深层特征，通过将第一深层特征和第二深层特征相减得到残差特征。其目的是为了获取到参照图像与待检测焊点图像之间不同的特征从而有利于后续的相似度匹配和缺陷分类，具体操作如下：
Figure 133072DEST_PATH_IMAGE009
；
Figure 253475DEST_PATH_IMAGE010
；
Figure 502054DEST_PATH_IMAGE011
；
其中，
Figure 366104DEST_PATH_IMAGE012
表示参照图像，
Figure 633007DEST_PATH_IMAGE013
表示待检测焊点图像，
Figure 924311DEST_PATH_IMAGE014
表示第一深层特征，
Figure 660185DEST_PATH_IMAGE015
表示第 二深层特征，
Figure 311615DEST_PATH_IMAGE016
表示残差特征。
Figure 183757DEST_PATH_IMAGE017
表示第一特征提取器，
Figure 911541DEST_PATH_IMAGE018
表示第二特征提取器，通过对 目标图像和待检测焊点图像的特征提取从而获得残差特征。
请参照图4，RepVGG模块是基于重参数化思想构建的一种新型模块，所述RepVGG模块包括一个3×3卷积层、一个1×1卷积层和一个跳跃连接，这种结构能够提取不同感受野的特征信息从而提高模型的表征能力，同时跳跃连接能够增强特征的流动性，提升模型训练的稳定性。在测试阶段，这种多支路的结构能够无损地转化成一个3×3的卷积层。
相关更详细内容可参照现有技术文件Ding X, Zhang X, Ma N, et al. RepVGG:Making VGG-style ConvNets Great Again[J]. 2021。
从而在训练阶段中其结构模式为多分支结构，这样有利于提高模型的学习能力，而测试阶段中能够等效替换成单支路结构，这种化简能够实现模型精度无损并且提高整个模型的计算效率。
为了弥补原生的孪生网络不能进行多类别分类的缺陷，本发明在相似度匹配支路的前提下新增分类支路，相似度匹配支路能够有效地判断出待检测焊点图像与模板图像是否异常，而多类别支路能够有效地将多种缺陷类别进行分选，同时，在两条支路的配合下能够一定程度检测出新的类别缺陷。
具体而言，详细步骤如下：
Figure 118400DEST_PATH_IMAGE019
；
Figure 58675DEST_PATH_IMAGE020
；
其中，
Figure 785322DEST_PATH_IMAGE016
表示所述的残差特征，
Figure 933276DEST_PATH_IMAGE021
表示缺陷的分类类型，
Figure 378163DEST_PATH_IMAGE022
表示缺陷与正常样本 之间的相似程度。
Figure 122128DEST_PATH_IMAGE023
和
Figure 234441DEST_PATH_IMAGE024
则分别代表分类支路和匹配支路，分类支路与匹配支路皆由两 层全连接层构成，不同点在于分支支路直接输出待检测焊点图像的分选类别，而匹配支路 输出待检测焊点图像与参照图像之间的相似度。
请参照图5，在对孪生网络训练时，执行以下步骤：
A1、获取焊点的原始数据，对原始数据进行裁剪和分类，构件图像数据集，所述裁剪和分类是将原始数据中的焊点部分进行提取并且按缺陷的种类进行划分。
具体而言，对焊点原始数据进行采集，对原始数据进行裁剪和分类，并对数据进行增强，构建图像数据集。所述数据裁剪和分类主要是将原始数据中的焊点部分进行提取并且按缺陷的种类进行划分，数据增强主要包括对图像的旋转以及翻转等操作。
A2、从原始数据中筛选出良品数据作为参照图像。
具体而言采用焊点的良品数据作为参照图像，用于判断目标图像与参照图像之间的关系。参照图像的作用是用来判断目标图像与参照图像是否相似，从而判断目标图像与参照图像之间的关系，因此本发明的参照图像采用焊点的良品数据，这样就能有效判断目标图像是否是缺陷图像。
A3、根据损失函数对孪生网络进行训练。
所述损失函数
Figure 287717DEST_PATH_IMAGE025
为：
Figure 485480DEST_PATH_IMAGE026
；
Figure 767556DEST_PATH_IMAGE003
；
Figure 999955DEST_PATH_IMAGE004
；
式中，
Figure 224131DEST_PATH_IMAGE027
的作用主要是用来训练多分类支路，其采用CE损失函数，CE损失函数能 够有效地监督分类模型，而
Figure 909191DEST_PATH_IMAGE028
的作用主要是用来训练相似度匹配支路，其采用BCE损失函 数进行训练，
Figure 260538DEST_PATH_IMAGE007
为权重系数，设置为0.5。通过对
Figure 81863DEST_PATH_IMAGE029
进行优化从而获得最终的网络模型，y 为标签的真实值，
Figure 742520DEST_PATH_IMAGE030
为预测的概率值。
本实施例中，具体采用余弦退火策略进行训练，其初始学习率设置为
Figure 649297DEST_PATH_IMAGE031
，最低的 学习率设置为
Figure 538755DEST_PATH_IMAGE032
，训练100次epoch迭代，学习率最大衰减一次。通过训练，从而得到最终的 模型。
请参照图6，本发明的实施例二为：
一种焊点缺陷分类终端1，包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序，处理器2执行计算机程序时实现上述实施例一的方法。
综上所述，本发明提供的一种焊点缺陷分类方法、终端及计算机存储介质，特征提取器通过对参照图像和待检测焊点图像进行特征提取，从而获得目标图像与参照图像之间的残差特征，匹配支路能通过对残差特征的判断实现对焊点是否存在缺陷进行判断。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种焊点缺陷分类方法，其特征在于，包括步骤：
S1、获取参照图像和待检测焊点图像，所述参照图像为良品数据图像；
S2、将待检测焊点图像和参照图像输入孪生网络，以获取待检测焊点图像与参照图像的相似程度和缺陷类型；
所述孪生网络包括特征提取模块、匹配支路和分类支路；
所述特征提取模块用于提取参照图像和待检测焊点图像的残差特征，所述匹配支路用于根据残差特征以判断参照图像和待检测焊点图像的相似程度，所述分类支路用于根据残差特征以判断待检测焊点图像的缺陷类型。
2.根据权利要求1所述的一种焊点缺陷分类方法，其特征在于，所述特征提取模块包括参数共享且结构大小完全一致的第一特征提取器和第二特征提取器，第一特征提取器用于提取参照图像的深层特征，第二特征提取器用于提取待检测焊点图像的深层特征，所述特征提取模块计算参照图像的深层特征和待检测焊点图像的深层特征的差作为所述残差特征。
3.根据权利要求2所述的一种焊点缺陷分类方法，其特征在于，每个特征提取器均包括RepVGG模块与maxpool层，特征提取器的输入经过n个由RepVGG模块、RepVGG模块和maxpool层依次连接的子模块后依次经过两个RepVGG模块输出。
4.根据权利要求3所述的一种焊点缺陷分类方法，其特征在于，所述RepVGG模块在训练时为多分支结构，在使用时为多分支结构转换成的单分支结构。
5.根据权利要求4所述的一种焊点缺陷分类方法，其特征在于，所述多分支结构包括并联的3×3卷积层、1×1卷积层和跳跃结构，所述单分支结构包括3×3的卷积层。
6.根据权利要求1所述的一种焊点缺陷分类方法，其特征在于，在训练所述孪生网络时，实现以下步骤：
A1、获取焊点的原始数据，对原始数据进行裁剪和分类，构件图像数据集，所述裁剪和分类是将原始数据中的焊点部分进行提取并且按缺陷的种类进行划分；
A2、从原始数据中筛选出良品数据作为参照图像；
A3、根据损失函数对孪生网络进行训练；
所述损失函数
Figure 380427DEST_PATH_IMAGE001
为：
Figure 272029DEST_PATH_IMAGE002
；
式中，
Figure 485973DEST_PATH_IMAGE003
为分类支路相关的损失函数，而
Figure 922770DEST_PATH_IMAGE004
为匹配支路相关的损失函数，
Figure 494870DEST_PATH_IMAGE005
为权重系 数。
7.根据权利要求6所述的一种焊点缺陷分类方法，其特征在于，分类支路相关的损失函 数
Figure 675315DEST_PATH_IMAGE003
为：
Figure 9345DEST_PATH_IMAGE006
；
匹配支路相关的损失函数
Figure 617043DEST_PATH_IMAGE004
为：
Figure 918581DEST_PATH_IMAGE007
；
式中，y为标签的真实值，
Figure 637138DEST_PATH_IMAGE008
为预测的概率值。
8.根据权利要求6所述的一种焊点缺陷分类方法，其特征在于，所述根据损失函数对孪生网络进行训练具体是采用余弦退火策略进行训练。
9.一种焊点缺陷分类终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述的方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的方法。
CN202211503065.9A 2022-11-29 2022-11-29 一种焊点缺陷分类方法、终端及计算机存储介质 Active CN115546211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211503065.9A CN115546211B (zh) 2022-11-29 2022-11-29 一种焊点缺陷分类方法、终端及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211503065.9A CN115546211B (zh) 2022-11-29 2022-11-29 一种焊点缺陷分类方法、终端及计算机存储介质

Publications (2)

Publication Number Publication Date
CN115546211A true CN115546211A (zh) 2022-12-30
CN115546211B CN115546211B (zh) 2023-04-11

Family

ID=84721712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211503065.9A Active CN115546211B (zh) 2022-11-29 2022-11-29 一种焊点缺陷分类方法、终端及计算机存储介质

Country Status (1)

Country Link
CN (1) CN115546211B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091874A (zh) * 2023-04-10 2023-05-09 成都数之联科技股份有限公司 图像校验方法、训练方法、装置、介质、设备及程序产品
CN117036349A (zh) * 2023-10-08 2023-11-10 武汉罗博半导体科技有限公司 缺陷检测方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110930347A (zh) * 2018-09-04 2020-03-27 京东方科技集团股份有限公司 卷积神经网络的训练方法、焊点缺陷的检测方法及装置
CN111932531A (zh) * 2020-09-21 2020-11-13 广东利元亨智能装备股份有限公司 模型训练方法、焊点缺陷检测方法、装置及电子设备
CN113160200A (zh) * 2021-04-30 2021-07-23 聚时科技(上海)有限公司 一种基于多任务孪生网络的工业图像缺陷检测方法及系统
CN114581722A (zh) * 2022-03-22 2022-06-03 聚时科技(上海)有限公司 一种基于孪生残差网络的二阶段多分类工业图像缺陷检测方法
US20220254144A1 (en) * 2021-02-05 2022-08-11 Home Depot Product Authority, Llc Product image classification

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110930347A (zh) * 2018-09-04 2020-03-27 京东方科技集团股份有限公司 卷积神经网络的训练方法、焊点缺陷的检测方法及装置
CN111932531A (zh) * 2020-09-21 2020-11-13 广东利元亨智能装备股份有限公司 模型训练方法、焊点缺陷检测方法、装置及电子设备
US20220254144A1 (en) * 2021-02-05 2022-08-11 Home Depot Product Authority, Llc Product image classification
CN113160200A (zh) * 2021-04-30 2021-07-23 聚时科技(上海)有限公司 一种基于多任务孪生网络的工业图像缺陷检测方法及系统
CN114581722A (zh) * 2022-03-22 2022-06-03 聚时科技(上海)有限公司 一种基于孪生残差网络的二阶段多分类工业图像缺陷检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091874A (zh) * 2023-04-10 2023-05-09 成都数之联科技股份有限公司 图像校验方法、训练方法、装置、介质、设备及程序产品
CN117036349A (zh) * 2023-10-08 2023-11-10 武汉罗博半导体科技有限公司 缺陷检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115546211B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN115546211B (zh) 一种焊点缺陷分类方法、终端及计算机存储介质
CN108345911B (zh) 基于卷积神经网络多级特征的钢板表面缺陷检测方法
CN113362326B (zh) 一种电池焊点缺陷的检测方法及装置
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
TWI525317B (zh) 整合影像分析與資料挖礦之自動光學檢測缺陷影像分類方法
CN111754456A (zh) 基于深度学习的二维pcb外观缺陷实时自动检测技术
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
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
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
US12094098B2 (en) Defect management apparatus, method and non-transitory computer readable medium
CN113222913B (zh) 一种电路板缺陷检测定位方法、装置和存储介质
CN112907561A (zh) 一种基于深度学习的笔记本外观瑕疵检测方法
CN113763364B (zh) 一种基于卷积神经网络的图像缺陷检测方法
CN115661160B (zh) 一种面板缺陷检测方法及系统及装置及介质
CN109685756A (zh) 影像特征自动辨识装置、系统及方法
CN114186644A (zh) 一种基于优化随机森林的缺陷报告严重程度预测方法
CN116542984A (zh) 五金件缺陷检测方法、装置、计算机设备及存储介质
CN114299040A (zh) 瓷砖瑕疵检测方法、装置和电子设备
CN114387230A (zh) 一种基于重验证检测的pcb板缺陷检测方法
CN117689646A (zh) 一种正负样本融合的高精度缺陷检测方法、系统及介质
CN111191670A (zh) 基于神经网络的分类装置及分类方法
US20240013369A1 (en) Image defect detecting system, generation method of image defect detecting system and non-transitory computer readable medium
CN111738991A (zh) 一种焊缝缺陷的数字射线检测模型的创建方法
CN111709936A (zh) 一种基于多级特征比对的令纸缺陷检测方法
Sun et al. A novel method for multi-feature grading of mango using machine vision

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