CN115937101A - 质量检测方法、装置、设备及存储介质 - Google Patents
质量检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115937101A CN115937101A CN202211430160.0A CN202211430160A CN115937101A CN 115937101 A CN115937101 A CN 115937101A CN 202211430160 A CN202211430160 A CN 202211430160A CN 115937101 A CN115937101 A CN 115937101A
- Authority
- CN
- China
- Prior art keywords
- defect
- determining
- original image
- quality detection
- detected
- 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
Links
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了质量检测方法、装置、设备及存储介质。方法包括:获取每个待检测对象的至少一张原始图像;通过预先训练的缺陷识别模型对每张所述原始图像进行识别,得到每张所述原始图像的缺陷识别结果;根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果。本发明的方案能够替代传统的人工质量检测,解决由于人工质量检测导致的分析结果不准确和不稳定的情况,通过自动获取待检测对象的图像并自动进行缺陷识别,实现了检测过程智能化,能够提高质量检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及质量检测方法、装置、设备及存储介质。
背景技术
质量检测是指对给定的产品按照规定的程序确定一个或多个特性或性能的技术操作。质量检测能够即使发现产品本身的缺陷,保证产品的质量。
现有的质量检测方法主要是依靠人工对检测结果进行查看,结合检测人员的工作经验判断出质量缺陷并对缺陷产生的原因进行推测和定位,这种人工的质量检测方法难以保证质量检测的准确性。
因此,针对现有技术中存在的问题,亟待进行改善。
发明内容
本发明提供了质量检测方法、装置、设备及存储介质,以解决通过人工的质量检测方法带来的难以保证质量检测准确性的问题。
根据本发明的一方面,提供了一种质量检测方法,包括:获取每个待检测对象的至少一张原始图像;通过预先训练的缺陷识别模型对每张所述原始图像进行识别,得到每张所述原始图像的缺陷识别结果;根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果。
可选的,所述缺陷识别模型,通过如下方式训练:获取至少一张样本图像数据;通过边界框标注每张所述样本图像数据中的缺陷区域,得到缺陷识别数据集;将所述缺陷识别数据集输入预设网络模型进行训练,直至网络损失收敛,得到所述缺陷识别模型。
可选的,所述通过预先训练的缺陷识别模型对每张所述原始图像进行识别,得到每张所述原始图像的缺陷识别结果,包括:对每张所述原始图像,执行:通过所述缺陷识别模型确定所述当前原始图像是否存在缺陷区域;根据所述缺陷区域确定所述当前原始图像的缺陷识别结果。
可选的,所述根据所述缺陷区域确定所述当前原始图像的缺陷识别结果,包括:
确定每个所述缺陷区域对应的缺陷参数,所述缺陷参数包括:缺陷位置、缺陷面积、缺陷形状、缺陷矩形外框中的一种或多种;
根据每个所述缺陷区域及对应的所述缺陷参数确定所述当前原始图像的缺陷识别结果。
可选的,所述根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果,包括:对于每个待检测对象,执行:确定当前待检测对象的每个缺陷区域对应的缺陷参数;根据预设的每种缺陷参数与对应的缺陷因素的对应关系,确定所述当前待检测对象对应的至少一种目标缺陷因素;根据所述目标缺陷因素确定所述当前待检测对象的质量检测结果。
可选的,所述根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果之后,该方法还包括:根据每个所述质量检测结果确定每种缺陷因素的数量;确定数量超过待检测对象的数量的预设比例的目标缺陷因素;根据预设的缺陷因素与生产工序的对应关系,确定所述目标缺陷因素对应的目标生产工序。
可选的,在所述获取每个待检测对象的至少一张原始图像之后,该方法还包括:对所述原始图像进行清晰度提升、去除干扰因素、裁剪处理中的一种或多种。
根据本发明的另一方面,提供了一种质量检测装置,包括:
图像获取单元,用于获取每个待检测对象的至少一张原始图像;
识别结果确定单元,用于通过预先训练的缺陷识别模型对每张所述原始图像进行识别,得到每张所述原始图像的缺陷识别结果;
检测结果确定单元,用于根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的质量检测方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的质量检测方法。
本发明实施例的技术方案,获取每个待检测对象的至少一张原始图像,通过预先训练的缺陷识别模型对每张所述原始图像进行识别,得到每张所述原始图像的缺陷识别结果,据所述缺陷识别结果确定所述每个待检测对象的质量检测结果。通过上述技术方案,能够替代传统的人工质量检测,解决由于人工质量检测导致的分析结果不准确和不稳定的情况,通过自动获取待检测对象的图像并自动进行缺陷识别,实现了检测过程智能化,能够提高质量检测的准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种质量检测方法的流程图;
图2为本发明实施例二提供的一种缺陷识别模型的训练方法的流程图;
图3为本发明实施例二提供的一种确定质量检测结果的方法的流程图;
图4为本发明实施例三提供的一种质量检测装置的结构示意图;
图5是实现本发明实施例的质量检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,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”等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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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。
实施例一
图1为本发明实施例一提供的一种质量检测方法的流程图,本实施例可适用于对产品进行质量检测的情况,该方法可以由质量检测装置来执行,该质量检测装置可以采用硬件和/或软件的形式实现,该质量检测装置可配置于计算机中。如图1所示,该方法包括:
S110、获取每个待检测对象的至少一张原始图像。
其中,待检测对象可以是需要进行质量检测的物品或产品,原始图像可以对待检测对象进行拍摄获取的待检测对象的表面图像,原始图像可以是彩色图像,也可以是黑白图像。此外,为了提高后续检测的准确性,可以通过摄像装置获取多个角度的待检测对象的原始图像。示例性的,待检测对象为流水线上生产的产品,可以在流水线上的多个位置设置摄像装置,当待检测对象在流水线上达到预设位置时,摄像装置对待检测对象进行拍照,得到多张原始图像。摄像装置的拍摄间隔可以根据流水线的移动速度进行调整。优选的,可以使用高清工业相机对待检测对象进行全方位的检测图像拍摄和采集,包括各种角度以及各种光照,点亮画面进行高清图像的采集。所采集的高清图片保存至相机所属的存储单元内,待进一步图像分析使用。
S120、通过预先训练的缺陷识别模型对每张所述原始图像进行识别,得到每张所述原始图像的缺陷识别结果。
其中,缺陷识别模型可以为基于YOLO算法的网络模型,YOLO是一种目标检测算法,目标检测任务的目标是找到图像中的所有感兴趣区域,并确定这些区域的位置和类别概率。YOLO的核心思想是采用全卷积结构,利用全图的上下文信息进行回归,其回归结果即目标框的类别和位置信息。缺陷识别结果为缺陷识别模型从每张原始图像识别出的待检测对象可能存在的缺陷。
S130、根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果。
由于待检测对象的数量可以为一个或多个,待检测对象的数量为1时,可以根据待检测对象的原始图像中识别得到的至少一个缺陷识别结果确定该检测对象的缺陷识别结果;待检测对象的数量为多个时,可以根据这些待检测对象的缺陷识别结果来综合判定这些待检测对象整体的质量检测结果。
本发明通过上述技术方案,能够替代传统的人工质量检测,解决由于人工质量检测导致的分析结果不准确和不稳定的情况,通过自动获取待检测对象的图像并自动进行缺陷识别,实现了检测过程智能化,能够提高质量检测的准确性。
实施例二
图2为本发明实施例二提供的一种缺陷识别模型的训练方法的流程图,本实施例在上述实施例的基础上作进一步解释说明。如图2所示,该方法包括:
S210、获取至少一张样本图像数据。
在进行物体缺陷识别模型的训练时,可以先获取一定数量的样本图像数据,这里的样本图像数据可以为不同种类的待检测对象的图像。如果缺陷识别模型应用于工业流水线上对于工件或产品缺陷识别的场景,则可以采用高清摄像头等专业成像设备对工件进行全方位扫描或拍摄。具体如何获取样本图像数据,本领域技术人员可以根据实际情况灵活选择,在此不作具体限定。
S220、通过边界框标注每张所述样本图像数据中的缺陷区域,得到缺陷识别数据集。
优选的,可以使用Labelimg标注样本图像数据中的缺陷区域,获得缺陷识别数据集。LabelImg是一个图形图像注释工具,采用Python编写而成,并使用Qt作为其图形界面。注释以PASCALVOC格式保存为XML文件,格式使用了ImageNet。举例来说,对于一张样本图像数据,通过边界框标注图像数据中的缺陷部分,根据标注好的样本图像数据得到缺陷识别数据集,用于训练通过边界框确定缺陷区域,其中,边界框用于指示存在缺陷的区域,该区域可以是矩形区域。
或者,可以通过位置定位的方式来确定样本图像数据中的缺陷区域,具体可以包括缺陷区域在样本图像数据中的位置坐标,然后将缺陷区域从样本图像数据中分割出来,得到独立的缺陷区域图像,再对缺陷区域图像和样本图像数据进行训练。
在本发明实施例中,通过对缺陷区域进行标记,可以避免过度地对样本图像数据中其他无关的特征进行学习,进而影响模型整体的训练效率和识别准确率,能够提高模型的识别效率和识别准确率,且最终训练得到的物体缺陷识别模型对于不同类型的缺陷的泛化能力均较好,无需开发提取缺陷特征的算法,大大降低了物体缺陷识别的成本。
S230、将所述缺陷识别数据集输入预设网络模型进行训练,直至网络损失收敛,得到所述缺陷识别模型。
示例性的,在使用基于YOLO算法的网络模型时,首先加载YOLO预训练模型,初始化网络模型参数;将标注好的缺陷识别数据集输入YOLO网络模型进行训练,当网络损失收敛时停止训练,获得模型权重文件,加载训练后的权重文件。权重文件保存的就是训练好的网络各层的权值,也就是通过训练集训练出来的。训练好之后,应用时只要加载权值即可。
在本发明实施例中,所述通过预先训练的缺陷识别模型对每张所述原始图像进行识别,得到每张所述原始图像的缺陷识别结果,包括:对每张所述原始图像,执行:通过所述缺陷识别模型确定所述当前原始图像是否存在缺陷区域;根据所述缺陷区域确定所述当前原始图像的缺陷识别结果。
其中,优选的,通过缺陷识别模型识别原始图像中是否存在缺陷区域,在识别到缺陷区域后可以对缺陷区域进行标记,根据标记的缺陷区域确定原始图像的缺陷识别结果。当缺陷识别模型未识别出缺陷区域时,可以在原始图像中标注表征该原始图像中未识别出缺陷区域的标记,以便后续处理。
在本发明实施例中,所述根据所述缺陷区域确定所述当前原始图像的缺陷识别结果,包括:确定每个所述缺陷区域对应的缺陷参数,所述缺陷参数包括:缺陷位置、缺陷面积、缺陷形状、缺陷矩形外框中的一种或多种;根据每个所述缺陷区域及对应的所述缺陷参数确定所述当前原始图像的缺陷识别结果。
其中,缺陷参数用于体现当前原始图像对应的待检测对象的具体缺陷情况,即基于缺陷的数字化属性。缺陷位置表征缺陷区域在待检测对象上的位置,在原始图像对应不同视角的情况下,可以根据对应的视角确定缺陷区域在待检测对象上的相应区域,缺陷位置可以通过在原始图像中建立坐标轴来确定该缺陷区域在对应视角的原始图像中的位置,再根据参照视角进行坐标的转换;缺陷面积用于表征缺陷区域在待检测对象上的所占的面积大小;缺陷形状用于表征缺陷区域的具体形状,可以体现出缺陷为划痕、凹陷、变形等;缺陷矩形外框用于表征缺陷区域的范围。由于不同的缺陷参数对应不同的缺陷类型,而导致这些缺陷参数出现的原因也不尽相同,因此根据缺陷参数能够定位造成该缺陷区域的原因,比如生产线中的某工序的机器出现异常。
图3为本发明实施例二提供的一种确定质量检测结果的方法的流程图,如图3所示,该方法包括:
S310、确定当前待检测对象的每个缺陷区域对应的缺陷参数。
S320、根据预设的每种缺陷参数与对应的缺陷因素的对应关系,确定所述当前待检测对象对应的至少一种目标缺陷因素。
其中,由于缺陷参数对应不同的缺陷数字化属性,而造成不同缺陷的原因也不相同,比如造成划痕可能是流水线中出现障碍物,在待检测对象在流水线上移动时与障碍物产生了摩擦导致出现划痕,因此缺陷参数与造成缺陷的缺陷因素具有对应关系,该对应关系的建立可以以人工的工作经验为基础进行建立。示例性的,预先将人工经验录入至知识库,此知识库接收数字化的质量缺陷数据,输出是所有该质量缺陷的可能发生的原因汇总,即数字化质量缺陷与质量缺陷所有可能原因的对应关系结果。此简易的对应关系知识库可使用key-value形式的离散型数据库进行实现。实际应用场景下,由于产线、产品类型、工艺段和面板类型等工件属性的不同,对应的产品形态也不同,进而造成产品缺陷的原因也不同,在确定缺陷参数与缺陷因素的对应关系时,可以根据待检测对象所属的产线、产品类型、工艺段和面板类型等维度来选择相应的技术人员制定上述对应关系,除了上述提及的产线、产品类型、工艺段、面板类型等因素外,本领域技术人员也可以根据实际需求灵活设置。
S330、根据所述目标缺陷因素确定所述当前待检测对象的质量检测结果。
其中,可以将当前待检测对象的缺陷参数作为确定对应的目标缺陷因素的条件,从缺陷参数与对应的缺陷因素的对应关系中确定导致待检测对象所具有的缺陷的目标缺陷因素,最终呈现的质量检测结果可以为待检测对象所存在的缺陷、缺陷的具体参数以及导致这些缺陷的原因。
在本发明实施例中,所述根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果之后,该方法还包括:根据每个所述质量检测结果确定每种缺陷因素的数量;确定数量超过待检测对象的数量的预设比例的目标缺陷因素;根据预设的缺陷因素与生产工序的对应关系,确定所述目标缺陷因素对应的目标生产工序。
其中,当待检测对象的数量较多时,个体出现质量缺陷可能属于正常的品控范围内,当某一缺陷因素的比例过高时,表示该批次的产品大规模出现该缺陷因素对应的缺陷,属于非正常品控范围内,在缺陷产品数量过多的情况下会导致在这种情况下,需要对生产流水线中的对应工序进行检查,通过大规模出现的缺陷因素确定可能导致该缺陷因素的目标生产工序,对目标生产工序进行检查,在发现问题所在后对目标生产工序进行改良或维修,以防止后续产品在经过该生产工序时再出现质量缺陷。
在本发明实施例中,在所述获取每个待检测对象的至少一张原始图像之后,该方法还包括:对所述原始图像进行清晰度提升、去除干扰因素、裁剪处理中的一种或多种。
其中,为了进一步提高质量检测结果的准确性,可以预先对原始图像进行预处理,示例性的,可以对原始图像进行清晰度的提升处理,清除掉模糊不清的难以分辨的原始图像,或者调整图片数据的明暗和对比度,能够提高图片数据的清晰度;对原始图像中的障碍物进行识别,比如对镜头产生遮挡的物体或者原始图像中待检测对象的物体进行去除,或者直接在摄像装置拍摄的图像中将待检测对象的部分裁剪下来,获得可直接使用的原始图像。
综上所述,本发明提供的方案能够代替依靠人工进行检测和分析的质量检测方案,提供了一种自动化质量检测结果分析技术方案,解决了检测依靠人工分析,导致分析结果会出现不准确和不稳定的情况,影响产品质量的判定,以及高度依赖有经验的人员个体。人员的变动会对质量缺陷原因的定位造成较大影响的问题,此外,还能够基于自动化获得的质量检测结果进行自动化的质量缺陷原因定位,在生产过程中对相关问题进行改进,提升产品质量。
实施例三
图4为本发明实施例三提供的一种质量检测装置的结构示意图。如图4所示,该装置包括:
图像获取单元410,用于获取每个待检测对象的至少一张原始图像。
识别结果确定单元420,用于通过预先训练的缺陷识别模型对每张所述原始图像进行识别,得到每张所述原始图像的缺陷识别结果。
检测结果确定单元430,用于根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果。
可选的,该装置还包括:模型训练单元440;
模型训练单元440,用于通过如下方式训练缺陷识别模型:
获取至少一张样本图像数据;
通过边界框标注每张所述样本图像数据中的缺陷区域,得到缺陷识别数据集;
将所述缺陷识别数据集输入预设网络模型进行训练,直至网络损失收敛,得到所述缺陷识别模型。
可选的,识别结果确定单元420,用于对每张所述原始图像,执行:
通过所述缺陷识别模型确定所述当前原始图像是否存在缺陷区域;
根据所述缺陷区域确定所述当前原始图像的缺陷识别结果。
可选的,识别结果确定单元420在执行所述根据所述缺陷区域确定所述当前原始图像的缺陷识别结果时,执行:
确定每个所述缺陷区域对应的缺陷参数,所述缺陷参数包括:缺陷位置、缺陷面积、缺陷形状、缺陷矩形外框中的一种或多种;
根据每个所述缺陷区域及对应的所述缺陷参数确定所述当前原始图像的缺陷识别结果。
可选的,检测结果确定单元430,用于对于每个待检测对象,执行:
确定当前待检测对象的每个缺陷区域对应的缺陷参数;
根据预设的每种缺陷参数与对应的缺陷因素的对应关系,确定所述当前待检测对象对应的至少一种目标缺陷因素;
根据所述目标缺陷因素确定所述当前待检测对象的质量检测结果。
可选的,检测结果确定单元430,还用于执行:
根据每个所述质量检测结果确定每种缺陷因素的数量;
确定数量超过待检测对象的数量的预设比例的目标缺陷因素;
根据预设的缺陷因素与生产工序的对应关系,确定所述目标缺陷因素对应的目标生产工序。
可选的,该装置还包括:图像处理单元450;
图像处理单元450,用于对所述原始图像进行清晰度提升、去除干扰因素、裁剪处理中的一种或多种。
本发明实施例所提供的质量检测装置可执行本发明任意实施例所提供的质量检测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如质量检测方法。
在一些实施例中,质量检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时,可以执行上文描述的质量检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行质量检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.质量检测方法,其特征在于,包括:
获取每个待检测对象的至少一张原始图像;
通过预先训练的缺陷识别模型对每张所述原始图像进行识别,得到每张所述原始图像的缺陷识别结果;
根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果。
2.根据权利要求1所述的方法,其特征在于,所述缺陷识别模型,通过如下方式训练:
获取至少一张样本图像数据;
通过边界框标注每张所述样本图像数据中的缺陷区域,得到缺陷识别数据集;
将所述缺陷识别数据集输入预设网络模型进行训练,直至网络损失收敛,得到所述缺陷识别模型。
3.根据权利要求2所述的方法,其特征在于,所述通过预先训练的缺陷识别模型对每张所述原始图像进行识别,得到每张所述原始图像的缺陷识别结果,包括:
对每张所述原始图像,执行:
通过所述缺陷识别模型确定所述当前原始图像是否存在缺陷区域;
根据所述缺陷区域确定所述当前原始图像的缺陷识别结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述缺陷区域确定所述当前原始图像的缺陷识别结果,包括:
确定每个所述缺陷区域对应的缺陷参数,所述缺陷参数包括:缺陷位置、缺陷面积、缺陷形状、缺陷矩形外框中的一种或多种;
根据每个所述缺陷区域及对应的所述缺陷参数确定所述当前原始图像的缺陷识别结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果,包括:
对于每个待检测对象,执行:
确定当前待检测对象的每个缺陷区域对应的缺陷参数;
根据预设的每种缺陷参数与对应的缺陷因素的对应关系,确定所述当前待检测对象对应的至少一种目标缺陷因素;
根据所述目标缺陷因素确定所述当前待检测对象的质量检测结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果之后,进一步包括:
根据每个所述质量检测结果确定每种缺陷因素的数量;
确定数量超过待检测对象的数量的预设比例的目标缺陷因素;
根据预设的缺陷因素与生产工序的对应关系,确定所述目标缺陷因素对应的目标生产工序。
7.根据权利要求1所述的方法,其特征在于,在所述获取每个待检测对象的至少一张原始图像之后,进一步包括:
对所述原始图像进行清晰度提升、去除干扰因素、裁剪处理中的一种或多种。
8.质量检测装置,其特征在于,包括:
图像获取单元,用于获取每个待检测对象的至少一张原始图像;
识别结果确定单元,用于通过预先训练的缺陷识别模型对每张所述原始图像进行识别,得到每张所述原始图像的缺陷识别结果;
检测结果确定单元,用于根据所述缺陷识别结果确定所述每个待检测对象的质量检测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的质量检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430160.0A CN115937101A (zh) | 2022-11-15 | 2022-11-15 | 质量检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430160.0A CN115937101A (zh) | 2022-11-15 | 2022-11-15 | 质量检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937101A true CN115937101A (zh) | 2023-04-07 |
Family
ID=86648096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211430160.0A Pending CN115937101A (zh) | 2022-11-15 | 2022-11-15 | 质量检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937101A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342599A (zh) * | 2023-05-29 | 2023-06-27 | 宁德时代新能源科技股份有限公司 | 缺陷检测设备的点检方法、装置、设备和存储介质 |
CN116952166A (zh) * | 2023-09-20 | 2023-10-27 | 菲特(天津)检测技术有限公司 | 汽车门把手总成的零件检测方法、装置、设备及介质 |
-
2022
- 2022-11-15 CN CN202211430160.0A patent/CN115937101A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342599A (zh) * | 2023-05-29 | 2023-06-27 | 宁德时代新能源科技股份有限公司 | 缺陷检测设备的点检方法、装置、设备和存储介质 |
CN116342599B (zh) * | 2023-05-29 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 缺陷检测设备的点检方法、装置、设备和存储介质 |
CN116952166A (zh) * | 2023-09-20 | 2023-10-27 | 菲特(天津)检测技术有限公司 | 汽车门把手总成的零件检测方法、装置、设备及介质 |
CN116952166B (zh) * | 2023-09-20 | 2023-12-08 | 菲特(天津)检测技术有限公司 | 汽车门把手总成的零件检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
KR102320371B1 (ko) | 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
WO2021046726A1 (zh) | 用于检测机械设备零部件的方法和装置 | |
CN115205291B (zh) | 一种电路板检测方法、装置、设备和介质 | |
CN115376130A (zh) | 电力施工现场识别模型的生成方法、装置、设备及介质 | |
CN116559177A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
CN115908988A (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
CN115331132A (zh) | 一种汽车零件的检测方法、装置、电子设备和存储介质 | |
CN114120086A (zh) | 路面病害识别、图像处理模型训练方法、装置及电子设备 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
CN115953463A (zh) | 一种包裹打标识方法、装置、设备以及存储介质 | |
CN113012137B (zh) | 一种面板缺陷检查方法、系统、终端设备及存储介质 | |
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 | |
CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
CN112991308A (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
CN117112816B (zh) | 安检图像的排序方法、装置、设备及存储介质 | |
CN112730427B (zh) | 一种基于机器视觉的产品表面缺陷检测方法及系统 | |
CN117689660B (zh) | 基于机器视觉的保温杯温度质检方法 | |
CN115830386A (zh) | 基于深度学习的计算机主板装配质量检测方法及相关装置 | |
CN117576077A (zh) | 一种缺陷检测方法、装置、设备和存储介质 |
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 |