CN116109617A - 一种图像质量管理方法、系统、设备及介质 - Google Patents
一种图像质量管理方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116109617A CN116109617A CN202310193423.9A CN202310193423A CN116109617A CN 116109617 A CN116109617 A CN 116109617A CN 202310193423 A CN202310193423 A CN 202310193423A CN 116109617 A CN116109617 A CN 116109617A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- defect
- preset
- defect type
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 91
- 230000007547 defect Effects 0.000 claims abstract description 213
- 238000007689 inspection Methods 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000003326 Quality management system Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000003908 quality control method Methods 0.000 abstract description 18
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06V10/77—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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像质量管理方法、系统、设备及介质。其中,该方法包括:通过质量管理单元获取目标设备的目标样本图像,基于目标设备的预设图像缺陷类型从目标样本图像中确定目标缺陷图像;通过模型训练单元获取目标缺陷图像和预设图像缺陷类型,根据目标缺陷图像和预设图像缺陷类型确定目标质检模型;其中,目标质检模型用于识别预设图像缺陷类型的图像;通过质量管理单元获取目标质检模型,将目标质检模型部署于目标设备中,以使目标设备根据目标质检模型对预设图像缺陷类型的图像进行质量检测。本技术方案,能够充分满足质检模型训练对样本图像多样化的需求,同时降低用户操作的复杂性,有助于提高图像质量管理效率。
Description
技术领域
本发明涉及质量管理技术领域,尤其涉及一种图像质量管理方法、系统、设备及介质。
背景技术
现有的质量样本管理通常将质量样本按不同维度分为通用调机样本库、不常发缺陷库、客诉漏检样品库和易混淆样品库四种质量样本库。当利用质量样本库中的样本图像进行质检模型训练时,由于质量样本库分类比较宽泛,难以满足质检模型训练中对于样本源多样化的需求。此外,在质量样本管理过程中,需要用户对样本源数据进行多次上传和下载操作,增加了用户操作的复杂性。因此,如何在满足模型训练对样本源多样化需求的同时降低用户操作的复杂性,是质量管理领域亟待解决的问题之一。
发明内容
本发明提供了一种图像质量管理方法、系统、设备及介质,能够充分满足质检模型训练对样本图像多样化的需求,同时降低用户操作的复杂性,有助于提高图像质量管理效率。
根据本发明的一方面,提供了一种图像质量管理方法,所述方法包括:
通过质量管理单元获取目标设备的目标样本图像,基于所述目标设备的预设图像缺陷类型从所述目标样本图像中确定目标缺陷图像;
通过模型训练单元获取所述目标缺陷图像和所述预设图像缺陷类型,根据所述目标缺陷图像和所述预设图像缺陷类型确定目标质检模型;其中,所述目标质检模型用于识别所述预设图像缺陷类型的图像;
通过所述质量管理单元获取所述目标质检模型,将所述目标质检模型部署于所述目标设备中,以使所述目标设备根据所述目标质检模型对所述预设图像缺陷类型的图像进行质量检测。
根据本发明的另一方面,提供了一种图像质量管理系统,包括:
质量管理单元,用于获取目标设备的目标样本图像,基于所述目标设备的预设图像缺陷类型从所述目标样本图像中确定目标缺陷图像;
模型训练单元,用于获取所述目标缺陷图像和所述预设图像缺陷类型,根据所述目标缺陷图像和所述预设图像缺陷类型确定目标质检模型;其中,所述目标质检模型用于识别所述预设图像缺陷类型的图像;
所述质量管理单元,还用于获取所述目标质检模型,将所述目标质检模型部署于所述目标设备中,以使所述目标设备根据所述目标质检模型对所述预设图像缺陷类型的图像进行质量检测。
根据本发明的另一方面,提供了一种图像质量管理电子设备,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图像质量管理方法。
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图像质量管理方法。
本发明实施例的技术方案,通过质量管理单元获取目标设备的目标样本图像,基于目标设备的预设图像缺陷类型从目标样本图像中确定目标缺陷图像;通过模型训练单元获取目标缺陷图像和预设图像缺陷类型,根据目标缺陷图像和预设图像缺陷类型确定目标质检模型;其中,目标质检模型用于识别预设图像缺陷类型的图像;通过质量管理单元获取目标质检模型,将目标质检模型部署于目标设备中,以使目标设备根据目标质检模型对预设图像缺陷类型的图像进行质量检测。本技术方案,能够充分满足质检模型训练对样本图像多样化的需求,同时降低用户操作的复杂性,有助于提高图像质量管理效率。
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图像质量管理方法的流程图;
图2是根据本发明实施例二提供的一种图像质量管理方法的流程图;
图3是根据本发明实施例三提供的一种图像质量管理方法的示意图;
图4是根据本发明实施例四提供的一种图像质量管理系统的结构示意图;
图5是实现本发明实施例的一种图像质量管理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”“目标”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图像质量管理方法的流程图,本实施例可适用于对图像质量进行高效管理的情况,该方法可以由图像质量管理装置来执行,该图像质量管理装置可以采用硬件和/或软件的形式实现,该图像质量管理装置可配置于具有数据处理能力的电子设备中。如图1所示,该方法包括:
S110,通过质量管理单元获取目标设备的目标样本图像,基于目标设备的预设图像缺陷类型从目标样本图像中确定目标缺陷图像。
其中,目标设备可以是指等待被质检的工业电子设备,例如显示屏等。本实施例中对目标设备数量不做限定,即可以有一个或者多个目标设备,具体可以根据实际应用情况进行确定。目标样本图像可以是指通过从目标设备的实时监测图像中抽样得到的图像序列。本实施例中对目标样本图像的抽样方式不做任何限定,可以根据实际需求设定。示例性的,可以采用随机抽样方式确定目标样本图像,也可以基于图像采集时间采用平均抽样方式确定目标样本图像,还可以选取某一时间段内的监测图像作为目标样本图像。预设图像缺陷类型可以是指预先设定的需要目标设备进行检测的图像缺陷类型。本实施例中对预设图像缺陷类型的种类和数量不做限定,可以根据实际需求设定。示例性的,预设图像缺陷类型可以是白斑和/或异物等。对于每个目标设备来说,可以设定一个或多个预设图像缺陷类型;对于不同目标设备来说,所设定的预设图像缺陷类型可以相同或者不同。缺陷图像可以是指存在缺陷的异常图像。目标缺陷图像可以是指目标样本图像中属于预设图像缺陷类型的图像。
本实施例中,首先通过质量管理单元获取目标设备的目标样本图像。其中,质量管理单元可以通过后端接口支持多种数据上传形式,包括用户手动上传和设备自动上传两种;还可以通过前端网页为用户提供图像化的用户操作界面,支持用户进行查询、审核、打包下载、手动上传、自定义样本库分类和标注样本源图像缺陷类型等操作,以便为后续模型训练提供精准定制化的样本源图像。得到目标样本图像之后,可以进一步基于目标设备的预设图像缺陷类型从目标样本图像中确定目标缺陷图像。可选的,基于预设图像缺陷类型从目标样本图像中确定目标缺陷图像,包括:确定目标样本图像中是否存在图像缺陷;若存在,确定目标样本图像的目标缺陷类型;若目标缺陷类型与预设图像缺陷类型相同,则将目标样本图像确定为目标缺陷图像。
其中,目标缺陷类型可以是指目标样本图像所属的图像缺陷类型。在本实施例中,由于目标样本图像是经过抽样方式得到的,因而无法确定目标样本图像是否存在图像缺陷。也就是说,获取到的目标样本图像可能全部是正常图像,也可能全部是缺陷图像,还可能同时包括正常图像和缺陷图像,因此首先需要确定目标样本图像中是否存在图像缺陷。若目标样本图像中不存在图像缺陷,即目标样本图像均为正常图像,则需要通过质量管理单元重新获取目标样本图像,并且重新确定目标样本图像中是否存在图像缺陷。若通过用户手动上传方式获取到目标样本图像,可以通过质量管理单元提供的用户操作界面向用户发送重新上传数据请求,以提示用户数据上传失败且需要重新上传数据;若通过设备自动上传方式获取到目标样本图像,则可以通过质量管理单元自动重新获取目标样本图像。若目标样本图像中存在图像缺陷,则可以通过用户操作界面由用户确定目标样本图像中的缺陷图像,并由用户对缺陷图像的缺陷类型进行标注,由此可以确定出目标样本图像的目标缺陷类型。进而通过质量管理单元将目标缺陷类型与预设图像缺陷类型进行比较,若目标缺陷类型与预设图像缺陷类型相同,则可以将目标样本图像确定为目标缺陷图像。此时,目标缺陷图像的图像缺陷类型为目标设备的预设图像缺陷类型,从而可为后续模型训练提供精准定制化的样本源图像。需要说明的是,为了减少网络带宽和存储空间消耗,可以基于压缩文件形式实现图像数据的上传、下载和存储。
S120,通过模型训练单元获取目标缺陷图像和预设图像缺陷类型,根据目标缺陷图像和预设图像缺陷类型确定目标质检模型;其中,目标质检模型用于识别预设图像缺陷类型的图像。
其中,质检模型可以是指能够实现图像质量检测的机器学习模型(如深度学习模型),具体可以用于识别预设图像缺陷类型的图像。
本实施例中,在确定目标缺陷图像之后,可以通过模型训练单元获取目标缺陷图像和预设图像缺陷类型,并根据目标缺陷图像和预设图像缺陷类型确定目标质检模型。可选的,根据目标缺陷图像和预设图像缺陷类型确定目标质检模型,包括:根据目标缺陷图像和预设图像缺陷类型确定训练数据对;对训练数据对进行有监督学习,得到与预设图像缺陷类型对应的目标质检模型。
本实施例中,首先根据目标缺陷图像和预设图像缺陷类型确定训练数据对,其中,目标缺陷图像作为模型输入,预设图像缺陷类型作为期望输出值,然后对训练数据对进行有监督学习,从而得到与预设图像缺陷类型对应的目标质检模型,即利用目标质检模型可以对属于预设图像缺陷类型的图像进行快速有效识别。
S130,通过质量管理单元获取目标质检模型,将目标质检模型部署于目标设备中,以使目标设备根据目标质检模型对预设图像缺陷类型的图像进行质量检测。
本实施例中,得到目标质检模型之后,可以进一步通过质量管理单元将目标质检模型部署于目标设备中,使得目标设备可以根据目标质检模型对预设图像缺陷类型的图像进行质量检测。可选的,将目标质检模型部署于目标设备中,包括:根据目标设备的目标地址信息,将与目标设备的预设图像缺陷类型对应的目标质检模型部署于目标设备中。
其中,目标地址信息可以是指能够描述目标设备地址的相关信息,可用于对目标设备地址进行唯一表征。示例性的,目标地址信息可以是设备端口号或者设备序列号等。
本实施例中,通过质量管理单元获取目标设备的目标样本图像的同时,可以一并获取目标设备的目标地址信息。因此,在质量管理单元获取目标质检模型之后,可以直接根据目标设备的目标地址信息,将与目标设备的预设图像缺陷类型对应的目标质检模型部署于目标设备中,由此目标设备可以根据目标质检模型对预设图像缺陷类型的监测图像进行识别,以实现对预设图像缺陷类型的图像质检功能。
本发明实施例的技术方案,通过质量管理单元获取目标设备的目标样本图像,基于目标设备的预设图像缺陷类型从目标样本图像中确定目标缺陷图像;通过模型训练单元获取目标缺陷图像和预设图像缺陷类型,根据目标缺陷图像和预设图像缺陷类型确定目标质检模型;其中,目标质检模型用于识别预设图像缺陷类型的图像;通过质量管理单元获取目标质检模型,将目标质检模型部署于目标设备中,以使目标设备根据目标质检模型对预设图像缺陷类型的图像进行质量检测。本技术方案,能够充分满足质检模型训练对样本图像多样化的需求,同时降低用户操作的复杂性,有助于提高图像质量管理效率。
实施例二
图2为本发明实施例二提供的一种图像质量管理方法的流程图,本实施例以上述实施例为基础进行优化。具体优化为:通过质量管理单元获取目标设备的目标样本图像,包括:基于预设检测周期将目标设备的目标监测图像发送至文件服务器;通过文件服务器接收目标监测图像,将目标监测图像存储在文件服务器的图像数据库中;通过质量管理单元从文件服务器的图像数据库中获取预设数量的目标监测图像作为目标样本图像。
如图2所示,本实施例的方法具体包括如下步骤:
S210,基于预设检测周期将目标设备的目标监测图像发送至文件服务器。
其中,预设检测周期可以是指预先设定的图像检测周期,具体可以根据实际应用需求设定。目标监测图像可以是指目标设备的实时监测图像。文件服务器可以用于存储图像数据。本实施例中,可以通过目标设备基于预设检测周期向文件服务器发送目标监测图像,以实现对图像数据的定时上传功能。
S220,通过文件服务器接收目标监测图像,将目标监测图像存储在文件服务器的图像数据库中。
本实施例中,可以通过文件服务器接收目标设备发送的目标监测图像,并将目标监测图像存储在文件服务器的图像数据库中。其中,图像数据库可以用于存储目标设备的目标监测图像。
S230,通过质量管理单元从文件服务器的图像数据库中获取预设数量的目标监测图像作为目标样本图像。
其中,预设数量可以是指预先设定的图像数量,具体可根据实际需求设定。示例性的,预设数量可以通过质量管理单元提供的用户操作界面由用户指定。此外,对预设数量的目标监测图像的获取方式,可以参照上述实施例一中对目标样本图像的抽样方式,此处不再赘述。
S240,通过模型训练单元获取目标缺陷图像和预设图像缺陷类型,根据目标缺陷图像和预设图像缺陷类型确定目标质检模型;其中,目标质检模型用于识别预设图像缺陷类型的图像。
S250,通过质量管理单元获取目标质检模型,将目标质检模型部署于目标设备中,以使目标设备根据目标质检模型对预设图像缺陷类型的图像进行质量检测。
其中,S240-S250的具体实现方式可以参见S120-S130中的详细描述,此处不再赘述。
本发明实施例的技术方案,基于预设检测周期将目标设备的目标监测图像发送至文件服务器;通过文件服务器接收目标监测图像,将目标监测图像存储在文件服务器的图像数据库中;通过质量管理单元从文件服务器的图像数据库中获取预设数量的目标监测图像作为目标样本图像。本技术方案,能够充分满足质检模型训练对样本图像多样化的需求,同时降低用户操作的复杂性,有助于提高图像质量管理效率,还能够通过文件服务器存储目标监测图像,以便对样本源图像进行统一管理。
在本实施例中,可选的,在基于目标设备的预设图像缺陷类型从目标样本图像中确定目标缺陷图像之后,还包括:将目标缺陷图像和预设图像缺陷类型发送至文件服务器中的样本数据库;相应的,通过模型训练单元获取目标缺陷图像和预设图像缺陷类型,包括:通过模型训练单元从文件服务器的样本数据库中获取目标缺陷图像和预设图像缺陷类型;在根据目标缺陷图像和预设图像缺陷类型确定目标质检模型之后,还包括:将目标质检模型发送至文件服务器中的模型数据库;相应的,通过质量管理单元获取目标质检模型,包括:通过质量管理单元从文件服务器的模型数据库中获取目标质检模型。
其中,样本数据库可以用于存储目标缺陷图像和预设图像缺陷类型。模型数据库可以用于存储目标质检模型。本实施例中,可以借助文件服务器实现对样本图像数据和质检模型的统一管理,从而提高图像管理效率。具体的,在基于目标设备的预设图像缺陷类型从目标样本图像中确定目标缺陷图像之后,可将目标缺陷图像和预设图像缺陷类型发送至文件服务器中的样本数据库,后续可以通过模型训练单元从文件服务器的样本数据库中获取目标缺陷图像和预设图像缺陷类型。在根据目标缺陷图像和预设图像缺陷类型确定目标质检模型之后,可将目标质检模型发送至文件服务器中的模型数据库,后续可以通过质量管理单元从文件服务器的模型数据库中获取目标质检模型。
在本实施例中,可选的,在将目标设备的目标监测图像发送至文件服务器之后,还包括:确定目标监测图像是否成功发送至文件服务器;若发送失败,则基于预设重发周期将目标监测图像重新发送至文件服务器。
其中,预设重发周期可以是指预先设定的图像重新发送周期,具体可根据实际需求设定。本实施例中,在图像发送过程中,可能由于网络中断等原因造成图像发送失败的情况。为了解决上述问题,可以针对图像发送失败的情况设定图像重发机制。具体的,在将目标设备的目标监测图像发送至文件服务器之后,首先判断目标监测图像是否成功发送至文件服务器。若检测到目标监测图像发送失败,则自动启动图像重发机制,基于预设重发周期将目标监测图像重新发送至文件服务器。
实施例三
图3为本发明实施例三提供的一种图像质量管理方法的示意图,本实施例以上述实施例为基础进行优化。具体步骤如下:
A1、目标设备基于预设检测周期上传目标监测图像至文件服务器;
A2、文件服务器接收目标监测图像,并将目标监测图像存储在文件服务器的图像数据库中;
A3、质量管理单元从文件服务器的图像数据库中获取预设数量的目标监测图像作为目标样本图像,通过用户操作界面基于目标设备的预设图像缺陷类型从目标样本图像中确定目标缺陷图像,并将目标缺陷图像和预设图像缺陷类型发送至文件服务器中的样本数据库;
A4、模型训练单元从文件服务器的样本数据库中获取目标缺陷图像和预设图像缺陷类型,根据目标缺陷图像和预设图像缺陷类型确定目标质检模型,并将目标质检模型发送至文件服务器中的模型数据库;
A5、质量管理单元从文件服务器的模型数据库中获取目标质检模型,并将目标质检模型部署于目标设备中,以使目标设备根据目标质检模型对预设图像缺陷类型的图像进行质量检测。
本发明实施例的技术方案,能够在充分满足质检模型训练对样本图像多样化的需求,同时降低用户操作复杂性的基础上,实现对目标设备监测图像的质量闭环管理,有助于进一步提高图像质量管理效率。
实施例四
图4为本发明实施例四提供的一种图像质量管理系统的结构示意图,该系统可执行本发明任意实施例所提供的图像质量管理方法,具备执行方法相应的功能模块和有益效果。如图4所示,该系统包括:
质量管理单元410,用于获取目标设备的目标样本图像,基于所述目标设备的预设图像缺陷类型从所述目标样本图像中确定目标缺陷图像;
模型训练单元420,用于获取所述目标缺陷图像和所述预设图像缺陷类型,根据所述目标缺陷图像和所述预设图像缺陷类型确定目标质检模型;其中,所述目标质检模型用于识别所述预设图像缺陷类型的图像;
所述质量管理单元410,还用于获取所述目标质检模型,将所述目标质检模型部署于所述目标设备中,以使所述目标设备根据所述目标质检模型对所述预设图像缺陷类型的图像进行质量检测。
可选的,所述系统还包括:
文件服务器,用于接收基于预设检测周期发送的目标设备的目标监测图像,将所述目标监测图像存储在所述文件服务器的图像数据库中;
所述质量管理单元410,还用于:
从所述文件服务器的图像数据库中获取预设数量的目标监测图像作为目标样本图像。
可选的,所述质量管理单元410,还用于:
在基于所述目标设备的预设图像缺陷类型从所述目标样本图像中确定目标缺陷图像之后,将所述目标缺陷图像和所述预设图像缺陷类型发送至所述文件服务器中的样本数据库;
相应的,所述模型训练单元420,用于:
从所述文件服务器的样本数据库中获取所述目标缺陷图像和所述预设图像缺陷类型;
所述模型训练单元420,还用于:
在根据所述目标缺陷图像和所述预设图像缺陷类型确定目标质检模型之后,将所述目标质检模型发送至所述文件服务器中的模型数据库;
相应的,所述质量管理单元410,还用于:
从所述文件服务器的模型数据库中获取所述目标质检模型。
可选的,所述系统用于:
在将目标设备的目标监测图像发送至文件服务器之后,确定所述目标监测图像是否成功发送至所述文件服务器;
若发送失败,则基于预设重发周期将所述目标监测图像重新发送至所述文件服务器。
可选的,所述质量管理单元410,还用于:
确定所述目标样本图像中是否存在图像缺陷;
若存在,确定所述目标样本图像的目标缺陷类型;
若所述目标缺陷类型与预设图像缺陷类型相同,则将所述目标样本图像确定为目标缺陷图像。
可选的,所述模型训练单元420,还用于:
根据所述目标缺陷图像和所述预设图像缺陷类型确定训练数据对;
对所述训练数据对进行有监督学习,得到与所述预设图像缺陷类型对应的目标质检模型。
可选的,所述质量管理单元410,还用于:
根据所述目标设备的目标地址信息,将与所述目标设备的预设图像缺陷类型对应的目标质检模型部署于所述目标设备中。
本发明实施例所提供的一种图像质量管理装置可执行本发明任意实施例所提供的一种图像质量管理方法,具备执行方法相应的功能模块和有益效果。
实施例五
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,例如图像质量管理方法。
在一些实施例中,图像质量管理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图像质量管理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)而被配置为执行图像质量管理方法。
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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(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)
1.一种图像质量管理方法,其特征在于,所述方法包括:
通过质量管理单元获取目标设备的目标样本图像,基于所述目标设备的预设图像缺陷类型从所述目标样本图像中确定目标缺陷图像;
通过模型训练单元获取所述目标缺陷图像和所述预设图像缺陷类型,根据所述目标缺陷图像和所述预设图像缺陷类型确定目标质检模型;其中,所述目标质检模型用于识别所述预设图像缺陷类型的图像;
通过所述质量管理单元获取所述目标质检模型,将所述目标质检模型部署于所述目标设备中,以使所述目标设备根据所述目标质检模型对所述预设图像缺陷类型的图像进行质量检测。
2.根据权利要求1所述的方法,其特征在于,通过质量管理单元获取目标设备的目标样本图像,包括:
基于预设检测周期将目标设备的目标监测图像发送至文件服务器;
通过所述文件服务器接收所述目标监测图像,将所述目标监测图像存储在所述文件服务器的图像数据库中;
通过质量管理单元从所述文件服务器的图像数据库中获取预设数量的目标监测图像作为目标样本图像。
3.根据权利要求2所述的方法,其特征在于,在基于所述目标设备的预设图像缺陷类型从所述目标样本图像中确定目标缺陷图像之后,还包括:
将所述目标缺陷图像和所述预设图像缺陷类型发送至所述文件服务器中的样本数据库;
相应的,通过模型训练单元获取所述目标缺陷图像和所述预设图像缺陷类型,包括:
通过模型训练单元从所述文件服务器的样本数据库中获取所述目标缺陷图像和所述预设图像缺陷类型;
在根据所述目标缺陷图像和所述预设图像缺陷类型确定目标质检模型之后,还包括:
将所述目标质检模型发送至所述文件服务器中的模型数据库;
相应的,通过所述质量管理单元获取所述目标质检模型,包括:
通过所述质量管理单元从所述文件服务器的模型数据库中获取所述目标质检模型。
4.根据权利要求2所述的方法,其特征在于,在将目标设备的目标监测图像发送至文件服务器之后,所述方法还包括:
确定所述目标监测图像是否成功发送至所述文件服务器;
若发送失败,则基于预设重发周期将所述目标监测图像重新发送至所述文件服务器。
5.根据权利要求1所述的方法,其特征在于,基于预设图像缺陷类型从所述目标样本图像中确定目标缺陷图像,包括:
确定所述目标样本图像中是否存在图像缺陷;
若存在,确定所述目标样本图像的目标缺陷类型;
若所述目标缺陷类型与预设图像缺陷类型相同,则将所述目标样本图像确定为目标缺陷图像。
6.根据权利要求1所述的方法,其特征在于,根据所述目标缺陷图像和所述预设图像缺陷类型确定目标质检模型,包括:
根据所述目标缺陷图像和所述预设图像缺陷类型确定训练数据对;
对所述训练数据对进行有监督学习,得到与所述预设图像缺陷类型对应的目标质检模型。
7.根据权利要求1所述的方法,其特征在于,将所述目标质检模型部署于所述目标设备中,包括:
根据所述目标设备的目标地址信息,将与所述目标设备的预设图像缺陷类型对应的目标质检模型部署于所述目标设备中。
8.一种图像质量管理系统,其特征在于,所述系统包括:
质量管理单元,用于获取目标设备的目标样本图像,基于所述目标设备的预设图像缺陷类型从所述目标样本图像中确定目标缺陷图像;
模型训练单元,用于获取所述目标缺陷图像和所述预设图像缺陷类型,根据所述目标缺陷图像和所述预设图像缺陷类型确定目标质检模型;其中,所述目标质检模型用于识别所述预设图像缺陷类型的图像;
所述质量管理单元,还用于获取所述目标质检模型,将所述目标质检模型部署于所述目标设备中,以使所述目标设备根据所述目标质检模型对所述预设图像缺陷类型的图像进行质量检测。
9.一种图像质量管理电子设备,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中任一项所述的图像质量管理方法。
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中任一项所述的图像质量管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310193423.9A CN116109617A (zh) | 2023-03-02 | 2023-03-02 | 一种图像质量管理方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310193423.9A CN116109617A (zh) | 2023-03-02 | 2023-03-02 | 一种图像质量管理方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116109617A true CN116109617A (zh) | 2023-05-12 |
Family
ID=86261638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310193423.9A Pending CN116109617A (zh) | 2023-03-02 | 2023-03-02 | 一种图像质量管理方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109617A (zh) |
-
2023
- 2023-03-02 CN CN202310193423.9A patent/CN116109617A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110995851B (zh) | 消息处理方法、装置、存储介质及设备 | |
CN116301997A (zh) | 一种控制器的升级方法、装置、设备和介质 | |
CN116450176A (zh) | 版本更新方法、装置、电子设备及存储介质 | |
CN116109617A (zh) | 一种图像质量管理方法、系统、设备及介质 | |
CN115951344A (zh) | 雷达与相机的数据融合方法、装置、电子设备及存储介质 | |
CN115269055A (zh) | Nginx请求数据采集方法、装置、设备及存储介质 | |
CN117251769B (zh) | 基于监控组件的异常数据识别方法、装置、设备及介质 | |
CN115860055B (zh) | 性能确定方法、性能优化方法、装置、电子设备以及介质 | |
CN117956261A (zh) | Plc交互方法、系统、上位机、设备及介质 | |
CN116449810B (zh) | 一种故障排查方法、装置、电子设备及存储介质 | |
CN115543712A (zh) | 设备配置信息自动化检测方法、装置、电子设备及介质 | |
CN115237497A (zh) | 一种应用组件处理方法、装置、设备及存储介质 | |
CN116028228A (zh) | 一种位图内存占用检测方法、装置、设备及存储介质 | |
CN117991139A (zh) | 一种ipu电源的测试方法、系统、设备及介质 | |
CN116303071A (zh) | 一种接口测试方法、装置、电子设备及存储介质 | |
CN115454973A (zh) | 数据迁移方法、装置、设备及存储介质 | |
CN114741291A (zh) | 一种漏洞信息自动提交的方法、装置、设备及介质 | |
CN117472774A (zh) | 界面测试方法、装置、电子设备和存储介质 | |
CN115827218A (zh) | 一种节点状态处理方法、装置、设备及介质 | |
CN114418429A (zh) | 一种批量作业的监控方法、装置、移动终端及介质 | |
CN117950750A (zh) | 一种应用程序的部署变更处理方法、装置、设备及介质 | |
CN115757275A (zh) | 一种资产信息管理方法、装置、电子设备及存储介质 | |
CN117459373A (zh) | 网络诊断方法、设备以及存储介质 | |
CN117785264A (zh) | 一种服务器运维的接口配置方法、装置和存储介质 | |
CN116319454A (zh) | 应用程序网络耗时检测方法、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 |