CN115984282B - 一种氨纶产品检测方法、装置、设备及存储介质 - Google Patents
一种氨纶产品检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115984282B CN115984282B CN202310273168.9A CN202310273168A CN115984282B CN 115984282 B CN115984282 B CN 115984282B CN 202310273168 A CN202310273168 A CN 202310273168A CN 115984282 B CN115984282 B CN 115984282B
- Authority
- CN
- China
- Prior art keywords
- image
- spandex
- determining
- sample
- historical
- 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.)
- Active
Links
- 229920002334 Spandex Polymers 0.000 title claims abstract description 135
- 239000004759 spandex Substances 0.000 title claims abstract description 135
- 238000001514 detection method Methods 0.000 title claims abstract description 118
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000013145 classification model Methods 0.000 claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000000465 moulding Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000005520 cutting process Methods 0.000 claims description 36
- 240000004282 Grewia occidentalis Species 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004804 winding Methods 0.000 description 7
- 229920006306 polyurethane fiber Polymers 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 108010022355 Fibroins Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 210000004177 elastic tissue Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
本发明公开了一种氨纶产品检测方法、装置、设备及存储介质。包括:获取氨纶产品的历史氨纶丝锭图像,对历史氨纶丝锭图像进行预处理以生成图像样本;根据图像样本构建产品分类模型,其中,产品分类模型包括样本特征向量和检测标签的对应关系;获取待测氨纶丝锭图像,基于产品分类模型确定待测氨纶丝锭图像的检测结果,其中,检测结果包括成型良好和成型不良。通过对获取的历史氨纶丝锭图像进行预处理以生成图像样本,然后根据图像样本构建产品分类模型,最后基于产品分类模型检测出待测氨纶丝锭图像为成型良好或者成型不良,减少了人工工作量,节约了成本,避免了漏检误检的情况,保证了检测的准确率的同时也提高了检测效率。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及一种氨纶产品检测方法、装置、设备及存储介质。
背景技术
随着氨纶产品生产规模的扩大,对氨纶产品的外观质量的要求也越来越高,在氨纶丝锭上下表面成型不良的缺陷中,其产生原因为在缠绕过程中的震动或上下料未到位造成的起伏偏位等现象,其特征为环状的突起,及在光线下产生的阴影,都为环状特征,极易与缠绕过程中正常产生的环状特征所混淆,容易造成误检或漏检。
现有技术往往基于人工目视的方式实现氨纶产品的检测,通过工人使用手电筒照亮特征,然后通过人眼观察特征的有无及清晰程度的方法进行丝锭上下表面缠绕情况的检测,此类方法人的影响因素较大,存在标准不一致以及漏检误检高等问题,进而导致检测的准确率和效率较低。
发明内容
本发明提供了一种氨纶产品检测方法、装置、设备及存储介质,以实现对氨纶产品的检测,保证产品的质量。
根据本发明的一方面,提供了一种氨纶产品检测方法,该方法包括:
获取氨纶产品的历史氨纶丝锭图像,对历史氨纶丝锭图像进行预处理以生成图像样本;
根据图像样本构建产品分类模型,其中,产品分类模型包括样本特征向量和检测标签的对应关系;
获取待测氨纶丝锭图像,基于产品分类模型确定待测氨纶丝锭图像的检测结果,其中,检测结果包括成型良好和成型不良。
可选的,对历史氨纶丝锭图像进行预处理以生成图像样本,包括:根据历史氨纶丝锭图像生成滤波图像;提取滤波图像的连通域,并确定连通域中包括的各路径点坐标;根据各路径点坐标确定图像剪裁数据,并基于图像剪裁数据生成遮罩图像;根据历史氨纶丝锭图像和遮罩图像生成图像样本。
可选的,根据历史氨纶丝锭图像生成滤波图像,包括:获取历史氨纶丝锭图像的色彩通道数据,对色彩通道数据进行指定色域转换以生成灰度图像;确定灰度图像中各像素点对应的亮度值;将亮度值大于预设亮度阈值的像素点对应的第一背景区域设置为1,将亮度值小于等于预设亮度阈值的像素点对应的第二背景区域设置为0,根据第一背景区域和第二背景区域生成二值图像;对二值图像进行均值滤波以生成滤波图像。
可选的,根据各路径点坐标确定图像剪裁数据,并基于图像剪裁数据生成遮罩图像,包括:根据各路径点坐标确定连通域的各外接矩形的四角坐标,并确定各四角坐标对应的矩形面积;获取氨纶产品的纸筒尺寸,通过预设面积阈值和纸筒尺寸对各四角坐标进行筛选以确定目标四角坐标,将目标四角坐标对应的矩形作为图像剪裁数据,其中,目标四角坐标包括纸筒最小外接矩形坐标以及丝锭外边缘外接矩形坐标;确定图像剪裁数据中纸筒最小外接矩形对应的第一最大内接圆区域,并将第一最大内接圆区域的像素设置为0;确定图像剪裁数据中丝锭外边缘外接矩形对应的第二最大内接圆区域,并将第一最大内接圆区域内的像素设置为指定数值,其中,第二最大内接圆区域的大小大于第一最大内接圆区域;将第一最大内接圆区域和第二最大内接圆区域结合以生成遮罩图像。
可选的,根据历史氨纶丝锭图像和遮罩图像生成图像样本,包括:通过各遮罩图像对对应的历史氨纶丝锭图像进行切割以生成各切割图像;将各切割图像转换成指定尺寸以生成图像样本。
可选的,根据图像样本构建产品分类模型,包括:对各图像样本进行图像特征提取以生成各样本特征向量;获取各图像样本对应的检测标签,根据各样本特征向量和检测标签的对应关系建立产品分类模型。
可选的,基于产品分类模型确定待测氨纶丝锭图像的检测结果,包括:对待测氨纶丝锭图像进行特征提取以生成待测特征向量;通过产品分类模型确定与待测特征向量匹配的样本特征向量作为目标特征向量;将目标特征向量对应的检测标签作为检测结果。
根据本发明的另一方面,提供了一种氨纶产品检测装置,该装置包括:
图像预处理模块,用于获取氨纶产品的历史氨纶丝锭图像,对历史氨纶丝锭图像进行预处理以生成图像样本;
产品分类模型构建模块,用于根据图像样本构建产品分类模型,其中,产品分类模型包括样本特征向量和检测标签的对应关系;
检测结果确定模块,用于获取待测氨纶丝锭图像,基于产品分类模型确定待测氨纶丝锭图像的检测结果,其中,检测结果包括成型良好和成型不良。
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一种氨纶产品检测方法。
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一种氨纶产品检测方法。
本发明实施例的技术方案,通过对获取的历史氨纶丝锭图像进行预处理以生成图像样本,然后根据图像样本构建产品分类模型,最后基于产品分类模型检测出待测氨纶丝锭图像为成型良好或者成型不良,减少了人工工作量,节约了成本,避免了漏检误检的情况,保证了检测的准确率的同时也提高了检测效率。
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是根据本发明实施例一提供的一种氨纶产品检测方法的流程图;
图2是根据本发明实施例二提供的另一种氨纶产品检测方法的流程图;
图3是根据本发明实施例三提供的一种氨纶产品检测装置的结构示意图;
图4是实现本发明实施例的一种氨纶产品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了一种氨纶产品检测方法的流程图,本实施例可适用对氨纶产品进行质检的情况,该方法可以由氨纶产品检测装置来执行,该氨纶产品检测装置可以采用硬件和/或软件的形式实现,该氨纶产品检测装置可配置于计算机中。如图1所示,该方法包括:
S110、获取氨纶产品的历史氨纶丝锭图像,对历史氨纶丝锭图像进行预处理以生成图像样本。
其中,氨纶是指聚氨基甲酸酯纤维,是一种弹性纤维,氨纶产品的成型不良会影响后续的纺织效率,所以需要对氨纶丝锭的上下表面缠绕情况进行检测,历史氨纶丝锭图像是指用户输入控制器的氨纶丝锭采集图像,采集图像时,可以通过布置高清工业相机,使高清工业相机直视丝锭的上或下表面,并调整合适的距离,收集工业现场流水线上所取得的高清图像,为了保证图像的质量,用户可以对图像进行初步筛选,选取特征更典型的图像,控制器获取到历史氨纶丝锭图像后,会对其进行预处理生成图像样本。
进一步的,由于取图设备与流水线联动,每张图片中仅有一个或没有工件,工件为圆饼状丝锭,中间镂空有纸筒,为防止周边及纸筒中有飞絮以及碎屑等影响模型的检测效果,引入过多的无效干扰数据影响模型的效率,因此需要对图像进行预处理,预处理是指对图像进行灰度转化、二值化、滤波、连通域提取、连通域筛选、绘制遮罩矩阵、使用遮罩切割原始图像以及图像大小微调等操作,去除边缘背景可能的干扰因素,只保留需进行检测的感兴趣区域,使模型的训练更具有针对性,达到提高检测精度,缩短训练周期,降低检测成本的目的。
S120、根据图像样本构建产品分类模型,其中,产品分类模型包括样本特征向量和检测标签的对应关系。
可选的,根据图像样本构建产品分类模型,包括:对各图像样本进行图像特征提取以生成各样本特征向量;获取各图像样本对应的检测标签,根据各样本特征向量和检测标签的对应关系建立产品分类模型。
具体的,通过对各图像样本进行图像特征提取可以生成各样本特征向量,然后基于样本特征向量与检测标签的对应关系可以进一步构建产品分类模型。示例性的,产品分类模型可以是EfficientNet-b5分类模型,同时可以配合RandomResizedCrop随机裁剪在线数据增强算法以及RandomFlip随机反转数据增强算法完成图像的训练。EfficientNet分类模型更为轻量化,可以减少现场检测设备的算力需求,并且具有训练速度快、工程调试周期短以及效率高的特点。
示例性的,可以使用EfficientNet网络对各图像样本进行图像特征提取,生成各样本特征向量,样本特征向量中的每个元素都表示图像样本的一个特征,比如第一个元素可以表示图像样本中的边缘特征,第二个元素可以表示图像样本中的颜色特征,第三个元素可以表示图像样本的纹理特征。同时可以获取各图像样本对应的检测标签,检测标签为用户提前指定的,例如,可以用1表示成型良好,0表示成型不良。因此,训练数据集可以看作是一个由样本特征向量和检测标签组成的二元组的集合,在训练阶段,产品分类模型会使用训练数据集中的样本特征向量和检测标签来学习样本特征向量和检测标签之间的关系,并在测试阶段使用学习到的关系来预测待测氨纶丝锭图像的标签,以确定待测氨纶丝锭图像的检测结果。
S130、获取待测氨纶丝锭图像,基于产品分类模型确定待测氨纶丝锭图像的检测结果,其中,检测结果包括成型良好和成型不良。
可选的,基于产品分类模型确定待测氨纶丝锭图像的检测结果,包括:对待测氨纶丝锭图像进行特征提取以生成待测特征向量;通过产品分类模型确定与待测特征向量匹配的样本特征向量作为目标特征向量;将目标特征向量对应的检测标签作为检测结果。
具体的,可以将产品分类模型及预处理算法部署到工业现场工控机及计算设备,工业相机采集的待测氨纶丝锭图像首先经过数据预处理算法进行预处理后进入深度学习的产品分类模型进行分类,通过产品分类模型可以确定出与待测特征向量匹配的样本特征向量作为目标特征向量,然后根据目标特征向量对应的检测标签得到成型不良或成型良好的检测结果。其中,成型良好是指氨纶丝锭上下表面平整,而成型不良是指氨纶丝锭上下表面不平整。相较于使用传统机器视觉方法进行成型不良检测,本实施方式的检测方式不易受到与成型不良缺陷环状轮廓相似的环形缠绕痕迹的干扰,并且通过深度学习的产品分类模型可以提取更加高维的特征,使得检测的准确率更高。
本发明实施例的技术方案,通过对获取的历史氨纶丝锭图像进行预处理以生成图像样本,然后根据图像样本构建产品分类模型,最后基于产品分类模型检测出待测氨纶丝锭图像为成型良好或者成型不良,减少了人工工作量,节约了成本,避免了漏检误检的情况,保证了检测的准确率的同时也提高了检测效率。
实施例二
图2为本发明实施例二提供的一种氨纶产品检测方法的流程图,本实施例在上述实施例一的基础上增加了对历史氨纶丝锭图像进行预处理以生成图像样本的过程的具体说明,其中,步骤S260-S270的具体内容与实施例一中的步骤S120-S130大致相同,因此本实施方式中不再进行赘述。如图2所示,该方法包括:
S210、获取氨纶产品的历史氨纶丝锭图像。
S220、根据历史氨纶丝锭图像生成滤波图像。
可选的,根据历史氨纶丝锭图像生成滤波图像,包括:获取历史氨纶丝锭图像的色彩通道数据,对色彩通道数据进行指定色域转换以生成灰度图像;确定灰度图像中各像素点对应的亮度值;将亮度值大于预设亮度阈值的像素点对应的第一背景区域设置为1,将亮度值小于等于预设亮度阈值的像素点对应的第二背景区域设置为0,根据第一背景区域和第二背景区域生成二值图像;对二值图像进行均值滤波以生成滤波图像。
具体的,现场工业相机所拍摄的为RGB彩色图片,其包含三个通道的彩色信息,在训练中可以提供更丰富的数据以获得更好效果。但是在图像的预处理中,过于复杂的图像矩阵不利于图像的分割及处理,故可以先将获取历史氨纶丝锭图像转化为灰度图像,只保留需要的边缘信息,简化预处理流程。即先获取历史氨纶丝锭图像的色彩通道数据,然后对色彩通道数据进行指定色域转换以生成灰度图像,示例性的,可以使用OpenCV库中的cvtColor方法更改颜色域到灰度GRAY,转换为单通道的灰度图。
进一步的,图像转为单通道灰度后,为了使图像效果更好,可以对灰度图像的亮度值进行调整,调整时可以通过OpenCV库threshold方法通过设置亮度阈值将图像矩阵中亮度较高的第一背景区域置为1,将亮度较低的第二背景区域置为0,然后根据第一背景区域和第二背景区域生成二值图像,完成像素层面的丝锭区域提取。控制器还会对二值图像进行滤波,滤波时可以通过medianBlur方法对二值图像进行均值滤波,去除因拍摄过程中产生的太过细小的噪点,减少干扰。
S230、提取滤波图像的连通域,并确定连通域中包括的各路径点坐标。
具体的,控制器提取滤波图像的连通域,并确定连通域中包括的各路径点坐标,获取连通域可以通过OpenCV库的findContours,然后即可得到连通区域各个路径点坐标。
S240、根据各路径点坐标确定图像剪裁数据,并基于图像剪裁数据生成遮罩图像。
可选的,根据各路径点坐标确定图像剪裁数据,并基于图像剪裁数据生成遮罩图像,包括:根据各路径点坐标确定连通域的各外接矩形的四角坐标,并确定各四角坐标对应的矩形面积;获取氨纶产品的纸筒尺寸,通过预设面积阈值和纸筒尺寸对各四角坐标进行筛选以确定目标四角坐标,将目标四角坐标对应的矩形作为图像剪裁数据,其中,目标四角坐标包括纸筒最小外接矩形坐标以及丝锭外边缘外接矩形坐标;确定图像剪裁数据中纸筒最小外接矩形对应的第一最大内接圆区域,并将第一最大内接圆区域的像素设置为0;确定图像剪裁数据中丝锭外边缘外接矩形对应的第二最大内接圆区域,并将第一最大内接圆区域内的像素设置为指定数值,其中,第二最大内接圆区域的大小大于第一最大内接圆区域;将第一最大内接圆区域和第二最大内接圆区域结合以生成遮罩图像。
具体的,控制器提取连通域后还会进行连通域筛选,根据连通域上各路径点坐标确定连通域的各外接矩形的四角坐标,并确定各四角坐标对应的矩形面积,示例性的,可以将连通域中点的X,Y坐标转化为最小外接正矩形左上角点的X,Y坐标及长宽信息,完成数据的简化,所检工件在视野中所占体积较大,通过使用面积筛选算子,进行外接矩形的面积计算,并设置面积阈值进行连通域面积筛选,只保留符合要求的连通域,减少干扰。氨纶丝锭工件中心纸筒的大小一致,缠绕过后的丝锭大小根据丝线粗细及缠绕的数量的不同而不同,且纸筒外边缘与丝锭外边缘为同心圆,故可以通过面积筛选的方式定位到纸筒所对应的最小外接矩形,再寻找与纸筒中心位置相似,面积较大的外接矩形为丝锭外边缘,即可提取出两个用于图像裁剪的最小外接矩形作为图像剪裁数据。
进一步的,对图片进行圆环形状的裁剪需要绘制遮罩矩阵,首先创建与原始图像相同大小的全0二维矩阵,确定图像剪裁数据中纸筒最小外接矩形对应的第一最大内接圆区域,并将第一最大内接圆区域设置为0;确定图像剪裁数据中丝锭外边缘外接矩形对应的第二最大内接圆区域,并将第一最大内接圆区域内设置为指定数值,用户可以根据需要设定指定数值,最后将第一最大内接圆区域和第二最大内接圆区域结合即可生成同心圆的遮罩图像。示例性的,可以使用OpenCV库中的circle方法绘制一个与丝锭外边缘外接矩形对应的最大内接圆,并填充其内数据为255,再使用相同的方法绘制纸筒外边缘最小外接矩形的最大内接圆,并填充其内数据为0,即可得到同心圆遮罩。
S250、根据历史氨纶丝锭图像和遮罩图像生成图像样本。
可选的,根据历史氨纶丝锭图像和遮罩图像生成图像样本,包括:通过各遮罩图像对对应的历史氨纶丝锭图像进行切割以生成各切割图像;将各切割图像转换成指定尺寸以生成图像样本。
具体的,由于遮罩图像和历史氨纶丝锭图像存在对应关系,即遮罩图像与对应的历史氨纶丝锭图像等大,像素位置一一对应,故通过遮罩图像可以对历史氨纶丝锭图像进行切割,然后还能将切割图像转换成指定尺寸,以实现对图像大小的微调,生成图像样本。
示例性的,通过裁切算子,将原始图像与遮罩图像进行或操作,将遮罩图像中0的位置在原始图像中置为0,255的位置保持不变,即完成圆环形状切割,遮罩切割后,图像中空白面积较大,易造成存储和算力上的浪费,使用图像矩形切割算子,根据丝锭外边缘最小外接矩形的大小,适当放大裁切范围,以保证关键区域不会太靠近图像边缘,最终得到合适的裁切图片,完成图像预处理过程生成图像样本。
S260、根据图像样本构建产品分类模型,其中,产品分类模型包括样本特征向量和检测标签的对应关系。
可选的,根据图像样本构建产品分类模型,包括:对各图像样本进行图像特征提取以生成各样本特征向量;获取各图像样本对应的检测标签,根据各样本特征向量和检测标签的对应关系建立产品分类模型。
S270、获取待测氨纶丝锭图像,基于产品分类模型确定待测氨纶丝锭图像的检测结果,其中,检测结果包括成型良好和成型不良。
可选的,基于产品分类模型确定待测氨纶丝锭图像的检测结果,包括:对待测氨纶丝锭图像进行特征提取以生成待测特征向量;通过产品分类模型确定与待测特征向量匹配的样本特征向量作为目标特征向量;将目标特征向量对应的检测标签作为检测结果。
本发明实施例的技术方案,通过对获取的历史氨纶丝锭图像进行预处理以生成图像样本,然后根据图像样本构建产品分类模型,通过对图像进行灰度转化、二值化、滤波、连通域提取、连通域筛选、绘制遮罩矩阵、使用遮罩切割原始图像以及图像大小微调等操作,去除边缘背景可能的干扰因素,只保留需进行检测的感兴趣区域,使模型的训练更具有针对性,达到提高检测精度,缩短训练周期,降低检测成本的目的。最后基于产品分类模型检测出待测氨纶丝锭图像为成型良好或者成型不良,减少了人工工作量,节约了成本,避免了漏检误检的情况,保证了检测的准确率的同时也提高了检测效率。
实施例三
图3为本发明实施例三提供的一种氨纶产品检测装置的结构示意图。如图3所示,该装置包括:图像预处理模块310,用于获取氨纶产品的历史氨纶丝锭图像,对历史氨纶丝锭图像进行预处理以生成图像样本;产品分类模型构建模块320,用于根据图像样本构建产品分类模型,其中,产品分类模型包括样本特征向量和检测标签的对应关系;检测结果确定模块330,用于获取待测氨纶丝锭图像,基于产品分类模型确定待测氨纶丝锭图像的检测结果,其中,检测结果包括成型良好和成型不良。
可选的,图像预处理模块310,具体包括:图像样本生成单元,用于根据历史氨纶丝锭图像生成滤波图像;提取滤波图像的连通域,并确定连通域中包括的各路径点坐标;根据各路径点坐标确定图像剪裁数据,并基于图像剪裁数据生成遮罩图像;根据历史氨纶丝锭图像和遮罩图像生成图像样本。
可选的,图像样本生成单元,具体包括:滤波图像生成子单元,用于:获取历史氨纶丝锭图像的色彩通道数据,对色彩通道数据进行指定色域转换以生成灰度图像;确定灰度图像中各像素点对应的亮度值;将亮度值大于预设亮度阈值的像素点对应的第一背景区域设置为1,将亮度值小于等于预设亮度阈值的像素点对应的第二背景区域设置为0,根据第一背景区域和第二背景区域生成二值图像;对二值图像进行均值滤波以生成滤波图像。
可选的,图像样本生成单元,具体包括:遮罩图像生成子单元,用于:根据各路径点坐标确定连通域的各外接矩形的四角坐标,并确定各四角坐标对应的矩形面积;获取氨纶产品的纸筒尺寸,通过预设面积阈值和纸筒尺寸对各四角坐标进行筛选以确定目标四角坐标,将目标四角坐标对应的矩形作为图像剪裁数据,其中,目标四角坐标包括纸筒最小外接矩形坐标以及丝锭外边缘外接矩形坐标;确定图像剪裁数据中纸筒最小外接矩形对应的第一最大内接圆区域,并将第一最大内接圆区域的像素设置为0;确定图像剪裁数据中丝锭外边缘外接矩形对应的第二最大内接圆区域,并将第一最大内接圆区域内的像素设置为指定数值,其中,第二最大内接圆区域的大小大于第一最大内接圆区域;将第一最大内接圆区域和第二最大内接圆区域结合以生成遮罩图像。
可选的,图像样本生成单元,具体包括:图像样本生成子单元,用于:通过各遮罩图像对对应的历史氨纶丝锭图像进行切割以生成各切割图像;将各切割图像转换成指定尺寸以生成图像样本。
可选的,产品分类模型构建模块320,具体用于:对各图像样本进行图像特征提取以生成各样本特征向量;获取各图像样本对应的检测标签,根据各样本特征向量和检测标签的对应关系建立产品分类模型。
可选的,产品分类模型构建模块320,具体用于:对待测氨纶丝锭图像进行特征提取以生成待测特征向量;通过产品分类模型确定与待测特征向量匹配的样本特征向量作为目标特征向量;将目标特征向量对应的检测标签作为检测结果。
本发明实施例的技术方案,通过对获取的历史氨纶丝锭图像进行预处理以生成图像样本,然后根据图像样本构建产品分类模型,最后基于产品分类模型检测出待测氨纶丝锭图像为成型良好或者成型不良,减少了人工工作量,节约了成本,避免了漏检误检的情况,保证了检测的准确率的同时也提高了检测效率。
本发明实施例所提供的一种氨纶产品检测装置可执行本发明任意实施例所提供的一种氨纶产品检测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4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4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RAM 13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、ROM 12以及RAM 13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,例如一种氨纶产品检测方法。
在一些实施例中,一种氨纶产品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ROM 12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RAM 13并由处理器11执行时,可以执行上文描述的一种氨纶产品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)而被配置为执行一种氨纶产品检测方法。
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 (7)
1.一种氨纶产品检测方法,其特征在于,包括:
获取氨纶产品的历史氨纶丝锭图像,对所述历史氨纶丝锭图像进行预处理以生成图像样本;
根据所述图像样本构建产品分类模型,其中,所述产品分类模型包括样本特征向量和检测标签的对应关系;
获取待测氨纶丝锭图像,基于所述产品分类模型确定所述待测氨纶丝锭图像的检测结果,其中,所述检测结果包括成型良好和成型不良;
其中,所述对所述历史氨纶丝锭图像进行预处理以生成图像样本,包括:
根据所述历史氨纶丝锭图像生成滤波图像;
提取所述滤波图像的连通域,并确定所述连通域中包括的各路径点坐标;
根据各所述路径点坐标确定图像剪裁数据,并基于所述图像剪裁数据生成遮罩图像;
根据所述历史氨纶丝锭图像和所述遮罩图像生成所述图像样本;
其中,所述根据各所述路径点坐标确定图像剪裁数据,并基于所述图像剪裁数据生成遮罩图像,包括:
根据各所述路径点坐标确定所述连通域的各外接矩形的四角坐标,并确定各所述四角坐标对应的矩形面积;
获取氨纶产品的纸筒尺寸,通过预设面积阈值和所述纸筒尺寸对各所述四角坐标进行筛选以确定目标四角坐标,将所述目标四角坐标对应的矩形作为所述图像剪裁数据,其中,所述目标四角坐标包括纸筒最小外接矩形坐标以及丝锭外边缘外接矩形坐标;
确定所述图像剪裁数据中纸筒最小外接矩形对应的第一最大内接圆区域,并将所述第一最大内接圆区域的像素设置为0;
确定所述图像剪裁数据中丝锭外边缘外接矩形对应的第二最大内接圆区域,并将所述第一最大内接圆区域内的像素设置为指定数值,其中,所述第二最大内接圆区域的大小大于所述第一最大内接圆区域;
将所述第一最大内接圆区域和所述第二最大内接圆区域结合以生成所述遮罩图像;
其中,所述根据所述历史氨纶丝锭图像和所述遮罩图像生成所述图像样本,包括:
通过各所述遮罩图像对对应的所述历史氨纶丝锭图像进行切割以生成各切割图像;
将各所述切割图像转换成指定尺寸以生成所述图像样本。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史氨纶丝锭图像生成滤波图像,包括:
获取所述历史氨纶丝锭图像的色彩通道数据,对所述色彩通道数据进行指定色域转换以生成灰度图像;
确定所述灰度图像中各像素点对应的亮度值;
将所述亮度值大于预设亮度阈值的像素点对应的第一背景区域设置为1,将所述亮度值小于等于预设亮度阈值的像素点对应的第二背景区域设置为0,根据所述第一背景区域和所述第二背景区域生成二值图像;
对所述二值图像进行均值滤波以生成所述滤波图像。
3.根据权利要求1所述的方法,其特征在于,所述根据所述图像样本构建产品分类模型,包括:
对各所述图像样本进行图像特征提取以生成各样本特征向量;
获取各所述图像样本对应的检测标签,根据各所述样本特征向量和所述检测标签的对应关系建立所述产品分类模型。
4.根据权利要求1所述的方法,其特征在于,所述基于所述产品分类模型确定所述待测氨纶丝锭图像的检测结果,包括:
对所述待测氨纶丝锭图像进行特征提取以生成待测特征向量;
通过所述产品分类模型确定与所述待测特征向量匹配的样本特征向量作为目标特征向量;
将所述目标特征向量对应的检测标签作为所述检测结果。
5.一种氨纶产品检测装置,其特征在于,包括:
图像预处理模块,用于获取氨纶产品的历史氨纶丝锭图像,对所述历史氨纶丝锭图像进行预处理以生成图像样本;
产品分类模型构建模块,用于根据所述图像样本构建产品分类模型,其中,所述产品分类模型包括样本特征向量和检测标签的对应关系;
检测结果确定模块,用于获取待测氨纶丝锭图像,基于所述产品分类模型确定所述待测氨纶丝锭图像的检测结果,其中,所述检测结果包括成型良好和成型不良;
其中,所述图像预处理模块,具体包括:图像样本生成单元,用于:
根据所述历史氨纶丝锭图像生成滤波图像;
提取所述滤波图像的连通域,并确定所述连通域中包括的各路径点坐标;
根据各所述路径点坐标确定图像剪裁数据,并基于所述图像剪裁数据生成遮罩图像;
根据所述历史氨纶丝锭图像和所述遮罩图像生成所述图像样本;
其中,所述图像样本生成单元,具体包括:遮罩图像生成子单元,用于:
根据各所述路径点坐标确定所述连通域的各外接矩形的四角坐标,并确定各所述四角坐标对应的矩形面积;
获取氨纶产品的纸筒尺寸,通过预设面积阈值和所述纸筒尺寸对各所述四角坐标进行筛选以确定目标四角坐标,将所述目标四角坐标对应的矩形作为所述图像剪裁数据,其中,所述目标四角坐标包括纸筒最小外接矩形坐标以及丝锭外边缘外接矩形坐标;
确定所述图像剪裁数据中纸筒最小外接矩形对应的第一最大内接圆区域,并将所述第一最大内接圆区域的像素设置为0;
确定所述图像剪裁数据中丝锭外边缘外接矩形对应的第二最大内接圆区域,并将所述第一最大内接圆区域内的像素设置为指定数值,其中,所述第二最大内接圆区域的大小大于所述第一最大内接圆区域;
将所述第一最大内接圆区域和所述第二最大内接圆区域结合以生成所述遮罩图像;
其中,所述图像样本生成单元,还包括:图像样本生成子单元,用于:
通过各所述遮罩图像对对应的所述历史氨纶丝锭图像进行切割以生成各切割图像;
将各所述切割图像转换成指定尺寸以生成所述图像样本。
6.一种电子设备,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1-4中任一项所述的方法。
7.一种计算机存储介质,其特征在于,所述计算机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1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310273168.9A CN115984282B (zh) | 2023-03-21 | 2023-03-21 | 一种氨纶产品检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310273168.9A CN115984282B (zh) | 2023-03-21 | 2023-03-21 | 一种氨纶产品检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115984282A CN115984282A (zh) | 2023-04-18 |
CN115984282B true CN115984282B (zh) | 2023-06-16 |
Family
ID=85959960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310273168.9A Active CN115984282B (zh) | 2023-03-21 | 2023-03-21 | 一种氨纶产品检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984282B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998664A (zh) * | 2012-10-29 | 2013-03-27 | 中国科学院对地观测与数字地球科学中心 | 一种基于合成孔径雷达的水华识别方法及装置 |
CN109454006A (zh) * | 2018-10-08 | 2019-03-12 | 杭州慧知连科技有限公司 | 化纤丝锭绊丝缺陷在线检测和分级的装置及其检测分级方法 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN110894625A (zh) * | 2019-12-17 | 2020-03-20 | 洛阳常龙新材料科技有限公司 | 一种氨纶纺丝用油剂的制备及使用方法 |
CN112700488A (zh) * | 2020-12-11 | 2021-04-23 | 浙江托普云农科技股份有限公司 | 基于图像拼接的活体长叶片叶面积分析方法、系统及装置 |
CN112911165A (zh) * | 2021-03-02 | 2021-06-04 | 杭州海康慧影科技有限公司 | 内窥镜曝光方法、装置及计算机可读存储介质 |
CN114794606A (zh) * | 2021-01-28 | 2022-07-29 | 北京服装学院 | 一种可测量人体维度的减震服装 |
CN114972274A (zh) * | 2022-06-02 | 2022-08-30 | 中交第一公路勘察设计研究院有限公司 | 一种基于裂缝连通域的区域搜索连接方法 |
CN115398214A (zh) * | 2020-02-05 | 2022-11-25 | 斯玛特克斯欧洲一人有限公司 | 用于缺陷检测的系统和方法 |
CN115471650A (zh) * | 2022-08-26 | 2022-12-13 | 中国长江三峡集团有限公司 | 一种气体压力仪表读数方法、装置、设备及介质 |
CN115705637A (zh) * | 2021-08-11 | 2023-02-17 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于改进YOLOv5模型的丝饼缺陷检测方法 |
-
2023
- 2023-03-21 CN CN202310273168.9A patent/CN115984282B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998664A (zh) * | 2012-10-29 | 2013-03-27 | 中国科学院对地观测与数字地球科学中心 | 一种基于合成孔径雷达的水华识别方法及装置 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN109454006A (zh) * | 2018-10-08 | 2019-03-12 | 杭州慧知连科技有限公司 | 化纤丝锭绊丝缺陷在线检测和分级的装置及其检测分级方法 |
CN110894625A (zh) * | 2019-12-17 | 2020-03-20 | 洛阳常龙新材料科技有限公司 | 一种氨纶纺丝用油剂的制备及使用方法 |
CN115398214A (zh) * | 2020-02-05 | 2022-11-25 | 斯玛特克斯欧洲一人有限公司 | 用于缺陷检测的系统和方法 |
CN112700488A (zh) * | 2020-12-11 | 2021-04-23 | 浙江托普云农科技股份有限公司 | 基于图像拼接的活体长叶片叶面积分析方法、系统及装置 |
CN114794606A (zh) * | 2021-01-28 | 2022-07-29 | 北京服装学院 | 一种可测量人体维度的减震服装 |
CN112911165A (zh) * | 2021-03-02 | 2021-06-04 | 杭州海康慧影科技有限公司 | 内窥镜曝光方法、装置及计算机可读存储介质 |
CN115705637A (zh) * | 2021-08-11 | 2023-02-17 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于改进YOLOv5模型的丝饼缺陷检测方法 |
CN114972274A (zh) * | 2022-06-02 | 2022-08-30 | 中交第一公路勘察设计研究院有限公司 | 一种基于裂缝连通域的区域搜索连接方法 |
CN115471650A (zh) * | 2022-08-26 | 2022-12-13 | 中国长江三峡集团有限公司 | 一种气体压力仪表读数方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
Shape-from-Mask: A Deep Learning Based Human Body Shape Reconstruction from Binary Mask Images;ZHONGPING JI et al.;《arXiv》;第1-11页 * |
通过油剂改良提升氨纶品质;张书林等;《合成纤维》;第33-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115984282A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111693534B (zh) | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 | |
CN111833303B (zh) | 产品的检测方法、装置、电子设备及存储介质 | |
CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
WO2020228739A1 (zh) | 光伏组件缺陷的检测方法和装置、分类器的训练方法、终端设备及非暂时性存储介质 | |
CN114998337B (zh) | 一种划痕检测方法、装置、设备及存储介质 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN115272291A (zh) | 一种贴膜的缺陷检测方法、装置、设备及存储介质 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN116703925B (zh) | 一种轴承缺陷检测方法、装置、电子设备及存储介质 | |
CN115984282B (zh) | 一种氨纶产品检测方法、装置、设备及存储介质 | |
CN117333443A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN114399617B (zh) | 一种遮挡图案识别方法、装置、设备和介质 | |
CN112991308B (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
CN114612971A (zh) | 人脸检测方法、模型训练方法、电子设备及程序产品 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN116682124A (zh) | 一种数据录入方法、装置、设备及存储介质 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN117557777A (zh) | 一种样本图像确定方法、装置、电子设备以及存储介质 | |
CN116823661A (zh) | 交通灯描色方法、装置、设备及存储介质 | |
CN116798104A (zh) | 瞳孔检测方法、装置、设备及存储介质 | |
CN117808775A (zh) | 一种缺陷层级的确定方法、装置、电子设备及存储介质 | |
CN118096698A (zh) | 一种视觉检测方法、装置、电子设备及存储介质 | |
CN117078708A (zh) | 图像检测及模型的训练方法、装置、设备、介质和产品 | |
CN115934567A (zh) | 一种界面控件检测识别方法、装置、电子设备及存储介质 | |
CN117745653A (zh) | 防爆阀缺陷检测方法和装置 |
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 | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |