CN116167992A - 缺陷检测方法、装置、电子设备和计算机可读存储介质 - Google Patents
缺陷检测方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN116167992A CN116167992A CN202310117249.XA CN202310117249A CN116167992A CN 116167992 A CN116167992 A CN 116167992A CN 202310117249 A CN202310117249 A CN 202310117249A CN 116167992 A CN116167992 A CN 116167992A
- Authority
- CN
- China
- Prior art keywords
- defect detection
- image
- partial
- poy
- detection result
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
Abstract
本公开提供了一种缺陷检测方法、装置、电子设备和计算机可读存储介质,涉及人工智能技术领域,尤其涉及深度学习、图像处理和计算机视觉等领域。具体实现方案为:采集预取向丝POY产品的N个局部图像,N为不小于2的整数;采用缺陷检测模型针对N个局部图像中的每个局部图像分别进行缺陷检测,得到每个局部图像的缺陷检测结果;基于每个局部图像的缺陷检测结果,得到POY产品的缺陷检测结果。本公开可提升对POY产品的缺陷检测效率。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习、图像处理和计算机视觉等领域。
背景技术
POY(Pre-Oriented Yarn,预取向丝)是聚酯长丝在高速纺丝下制得的。通过对POY进行加弹、假捻、变形等后加工的工艺路线,可以制得DTY(Draw Textured Yarn,拉伸变形丝)。由于纺丝速度高、满卷卷装重量大、满卷直径大等原因,POY产品的缺陷复杂多样,即使同一种缺陷,其形态也不固定。因此,POY产品的外观检测难度较大。相关技术中,可采用基于深度学习算法的缺陷检测模型对POY产品的外观缺陷进行检测。
发明内容
本公开提供了一种缺陷检测方法、装置、电子设备和计算机可读存储介质。
根据本公开的一方面,提供了一种缺陷检测方法,包括:
采集POY产品的N个局部图像,N为不小于2的整数;
采用缺陷检测模型针对N个局部图像中的每个局部图像分别进行缺陷检测,得到每个局部图像的缺陷检测结果;
基于每个局部图像的缺陷检测结果,得到POY产品的缺陷检测结果。
根据本公开的另一方面,提供了一种缺陷检测装置,包括:
图像采集模块,应用于采集预取向丝POY产品的N个局部图像,N为不小于2的整数;
模型处理模块,用于采用缺陷检测模型针对N个局部图像中的每个局部图像分别进行缺陷检测,得到每个局部图像的缺陷检测结果;
结果确定模块,用于基于每个局部图像的缺陷检测结果,得到POY产品的缺陷检测结果。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开实施例中任一的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,该计算机指令用于使该计算机执行根据本公开实施例中任一的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据本公开实施例中任一的方法。
本公开实施例的技术方案中,采用缺陷检测模型对POY产品的多个局部图像分别进行缺陷检测,再基于每个局部图像的缺陷检测结果,得到完整的POY产品的缺陷检测结果。基于此,可以采用多个局部图像替代大尺寸图像,在保证输入图像质量从而保证模型预测精度的基础上,利用小图快速识别的方式提升了缺陷检测效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例的缺陷检测方法的示例性的应用场景的示意图;
图2是本公开一实施例提供的缺陷检测方法的流程示意图;
图3是本公开实施例中一种示例性的相机布置方式的示意图;
图4是本公开实施例中另一种示例性的相机布置方式的示意图;
图5是本公开一实施例提供的缺陷检测装置的示意性框图;
图6是本公开另一实施例提供的缺陷检测装置的示意性框图;
图7是用来实现本公开实施例的缺陷检测方法的电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
为了便于理解本公开实施例的缺陷检测方法,下面先对该方法的应用场景进行示例性说明。图1示出了本公开实施例的缺陷检测方法的一个示例性的应用场景的示意图。在该应用场景中,部署在POY产品外检设备中的图像采集装置10(例如摄像头、相机等)用于采集POY图像。图像采集装置10可以连接缺陷检测装置20,将POY图像发送至缺陷检测装置20。缺陷检测装置20用于利用预先训练好的缺陷检测模型对POY图像进行处理,从而得到缺陷检测结果。该缺陷检测结果可以包括缺陷在POY图像中的位置、缺陷的大小、缺陷的数量等信息,也可以包括显示有缺陷检测框的POY图像,还可以包括POY产品的等级、降等信息等。示例性地,缺陷检测装置20可以将缺陷检测结果发送至输出装置30。该输出装置30可以是POY检测应用系统或POY自动包装线系统等。
根据本公开实施例的缺陷检测方法,在该应用场景中,图像采集装置10向缺陷检测装置20发送的POY图像包括多个局部图像,缺陷检测装置20可以采用缺陷检测装置对每个局部图像分别进行检测,再基于每个局部图像的缺陷检测结果得到完整的POY产品的缺陷检测结果。
图2示出了本公开一实施例提供的缺陷检测方法的流程示意图。该方法可以应用于图1所示的缺陷检测装置,但不限于此。示例性地,该装置可以部署于电子设备。电子设备例如是单机、多机或集群系统中的终端、服务器或其他处理设备。如图2所示,该方法可以包括:
步骤S210、采集POY产品的N个局部图像,N为不小于2的整数。
在本公开实施例中,局部图像可以指POY产品的局部区域的图像。可选地,N个局部图像可以拼接得到POY产品的整体图像。上述图像采用部署在外检设备上的图像采集装置(例如相机)进行采集。其中,外检设备可以与POY自动包装线进行集成,在POY自动包装过程中实现丝锭的在线外观缺陷检测。
可选地,可以通过对相机采集的图像进行切块,得到各个局部图像。也可以通过设置多个相机,每个相机朝向POY产品的一个局部区域进行拍摄,得到各个局部图像。还可以采用线阵相机,利用线阵相机逐行扫描的特点,采集各个行图像,作为上述局部图像。
步骤S220、采用缺陷检测模型针对N个局部图像中的每个局部图像分别进行缺陷检测,得到每个局部图像的缺陷检测结果。
在本公开实施例中,缺陷检测模型可以是用于检测POY产品上的毛丝、油污、绊丝或夹结等缺陷的模型。该模型可以是基于深度学习算法的神经网络模型,也可以是特征概率模型等。示例性地,在项目冷启动阶段,可以采用特征概率模型作为上述缺陷检测模型,以克服由于缺少结构化的先验缺陷体系导致无法进行有监督训练的问题。之后,可以利用生产阶段产生的POY图像,进行神经网络模型的训练,在模型收敛后采用神经网络模型作为上述缺陷检测模型。
示例性地,每个局部图像的缺陷检测结果,可以包括缺陷检测框在该局部图像中的位置信息、缺陷的大小、缺陷的数量、包含缺陷检测框的图像等。
步骤S230、基于每个局部图像的缺陷检测结果,得到POY产品的缺陷检测结果。
示例性地,可以对每个局部图像的缺陷检测结果汇总,得到POY产品的缺陷检测结果。例如,计算N个局部图像中的缺陷的数量总和,得到POY产品的缺陷数量。又例如,将包含缺陷检测框的各局部图像进行拼接,得到POY产品的完整的缺陷展示图像。
上述方法采用缺陷检测模型对POY产品的多个局部图像分别进行缺陷检测,再基于每个局部图像的缺陷检测结果,得到完整的POY产品的缺陷检测结果。基于此,可以采用多个局部图像替代大尺寸图像,在保证输入图像质量从而保证模型预测精度的基础上,利用小图快速识别的方式提升了缺陷检测效率。
在一种示例性的实施方式中,步骤S210、采集POY产品的N个局部图像,可以包括:采用朝向POY产品的上表面或下表面的线阵相机采集POY产品的M个局部图像,M为不小于2且不大于N的整数。
也就是说,上述N个局部图像中的至少部分图像,可以采用朝向POY产品的上表面或下表面的线阵相机进行采集。这里,利用了线阵相机逐行扫描的特点,采集多个行图像,作为上述M个局部图像。
实际应用中,可以设置多个线阵相机。图3示出了本公开实施例中一种示例性的相机布置方式的示意图。如图3所示,可以朝向POY产品300的上表面设置线阵相机301,朝向POY产品300的下表面设置线阵相机302。可选地,针对上下表面可以各设置多个线阵相机,以更清楚地铺捉到表面的缺陷图像,检测毛丝、绊丝、油污、尾丝等缺陷。举例而言,根据POY产品的上下表面面积,可以在上下表面各设置2个线阵相机,每个线阵相机拍摄上表面或下表面的1/2,具体地,每个线阵相机采集多个行图像(局部图像),每个线阵相机采集的多个行图像可以拼接得到POY产品的1/2表面的图像。
根据上述实施方式,利用线阵相机逐行扫描的特点,可以直接采集得到尺寸较小的局部图像,降低输入至缺陷检测模型中的图像的尺寸,有利于提升缺陷检测效率。
在一种示例性的实施方式中,采用朝向POY产品的上表面或下表面的线阵相机采集POY产品的M个局部图像,包括:在采用缺陷检测模型针对M个局部图像中的第一局部图像进行缺陷检测时,采用线阵相机采集M个局部图像中的第二局部图像。
采用本实施方式,可以利用线阵相机逐行扫描的特点,同时进行图像采集和模型预测,即在对部分图像进行模型处理的同时采集其他部分图像,如此,可以充分提高资源利用率,例如GPU算力或AI加速卡的利用率,从而提升缺陷检测效率。
在一种示例性的实施方式中,步骤S210、采集POY产品的N个局部图像,可以包括:采用朝向POY产品的侧面且等距分布的L个面阵相机采集POY产品的L个局部图像,L为不小于2且不大于N的整数。
其中,等距分布是指各面阵相机之间的距离相等。例如,如图3所示,采用等距分布的4个面阵相机303朝向POY产品的侧面进行图像采集,每个面阵相机可采集得到POY产品的1/4侧面的图像。
实际应用中,还可以针对不同缺陷的检测难度设置多个相机。图4示出了本公开实施例中另一种示例性的相机布置方式的示意图。如图4所示,采用线阵相机301和302分别采集POY产品的上下表面的图像,用于检测毛丝、绊丝、油污、尾丝等缺陷;采用面阵相机303采集POY产品的侧面的图像,用于检测毛丝、绊丝、油污等缺陷;并增加面阵相机401采集POY产品的侧面的图像,用于检测毛丝。其中,根据不同的采集作用,可以选用光学配置不同的相机,例如线阵相机301和302可以是16k像素;面阵相机303可以是2500万像素;面阵相机401可以是500万像素。
根据上述实施方式,对于POY产品中面积相对上下表面较小的侧面,可以采用等距分布的多个面阵相机采集局部图像,可以提升采集效率,从而提升缺陷检测效率。
在一种示例性的实施方式中,步骤S220、采用缺陷检测模型针对N个局部图像中的每个局部图像分别进行缺陷检测,得到每个局部图像的缺陷检测结果,可以包括:
对N个局部图像中的第i个局部图像进行切块,得到第i个局部图像的多个图像切片,i为不小于1且不大于N的整数;
采用缺陷检测模型对第i个局部图像的每个图像切片分别进行缺陷检测,得到每个图像切片的缺陷检测结果;
基于每个图像切片的缺陷检测结果,得到第i个局部图像的缺陷检测结果。
其中,第i个局部图像可以是N个局部图像中的任一图像。也就是说,对于任一局部图像,还可以进一步地对其进行切块,得到多个尺寸更小的图像切片,针对各个图像切片分别进行缺陷检测,再基于各个图像切片的缺陷检测结果汇总得到完整的局部图像的缺陷检测结果。
采用上述实施方式,可以进一步减少输入缺陷检测模型的图像尺寸,从而可以进一步提升模型预测效率,相应地提升POY产品的缺陷检测效率。
在一种示例性的实施方式中,采用缺陷检测模型对第i个局部图像的每个图像切片分别进行缺陷检测,得到每个图像切片的缺陷检测结果,包括:将第i个局部图像的第j个图像切片加载到内存中,j为不小于1的整数;采用与多个缺陷类型分别对应的多个缺陷检测模型依次从内存中读取第j个图像切片并对第j个图像切片进行缺陷检测,得到第j个图像切片的与多个缺陷类型分别对应的多个缺陷检测结果。
其中,多个缺陷类型例如是毛丝、油污、绊丝等形态各异的缺陷。根据上述实施方式,可以针对不同的缺陷类型设计不同的缺陷检测模型,从而针对第j个图像切片进行多个缺陷检测模型的处理。
其中,第j个图像切片可以是第i个局部图像中的任一图像切片。也就是说,对于任一图像切片,将其加载到内存后,依次执行多个缺陷检测模型的处理。可选地,可以在所有缺陷检测模型处理结束后,再将该图像切片从内存中删除。具体地,在第x个缺陷检测模型处理时,从内存加载该图像切片并进行缺陷检测;在第x+1个缺陷检测模型处理时,无需再从磁盘读取图像切片,可以直接从内存加载该图像切片并进行缺陷检测,x为不小于1的整数。
上述实施方式,实现了多模型预测之间显存复用,从而有利于提升模型处理效率,相应地提升POY产品的缺陷检测效率。
根据本公开的实施例,本公开还提供一种缺陷检测装置。图5示出了本公开一实施例提供的缺陷检测装置的示意性框图。如图5所示,该装置可以包括:
图像采集模块510,应用于采集预取向丝POY产品的N个局部图像,N为不小于2的整数;
模型处理模块520,用于采用缺陷检测模型针对N个局部图像中的每个局部图像分别进行缺陷检测,得到每个局部图像的缺陷检测结果;
结果确定模块530,用于基于每个局部图像的缺陷检测结果,得到POY产品的缺陷检测结果。
示例性地,图像采集模块510具体用于:
采用朝向POY产品的上表面或下表面的线阵相机采集POY产品的M个局部图像,M为不小于2且不大于N的整数。
示例性地,图像采集模块510具体用于:
在采用缺陷检测模型针对M个局部图像中的第一局部图像进行缺陷检测时,采用线阵相机采集M个局部图像中的第二局部图像。
示例性地,图像采集模块510还可以用于:
采用朝向POY产品的侧面且等距分布的L个面阵相机采集POY产品的L个局部图像,L为不小于2且不大于N的整数。
图6是根据本公开另一实施例的缺陷检测装置的示意性框图,该装置可以包括上述实施例的缺陷检测装置的一个或多个特征,在一种可能的实施方式中,模型处理模块520可以包括:
图像切块单元610,用于对N个局部图像中的第i个局部图像进行切块,得到第i个局部图像的多个图像切片,i为不小于1且不大于N的整数;
检测单元620,用于采用缺陷检测模型对第i个局部图像的每个图像切片分别进行缺陷检测,得到每个图像切片的缺陷检测结果;
结果输出单元630,用于基于每个图像切片的缺陷检测结果,得到第i个局部图像的缺陷检测结果。
示例性地,检测单元620具体用于:
将第i个局部图像的第j个图像切片加载到内存中,j为不小于1的整数;
采用与多个缺陷类型分别对应的多个缺陷检测模型依次从内存中读取第j个图像切片并对第j个图像切片进行缺陷检测,得到第j个图像切片的与多个缺陷类型分别对应的多个缺陷检测结果。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述,可以参见上述方法实施例中对应步骤的相关描述,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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,个人数字助理、蜂窝电话、智能电话、可穿戴设备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/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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。
计算单元701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。计算单元701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计算单元、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。计算单元701执行上文所描述的各个方法和处理,例如缺陷检测方法。例如,在一些实施例中,缺陷检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM703并由计算单元701执行时,可以执行上文描述的缺陷检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行缺陷检测方法。
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、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中,机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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,可以在计算机上实施此处描述的系统和技术,该计算机具有: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计算机。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)和互联网。
计算机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,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本公开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,只要能够实现本公开公开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,并不构成对本公开保护范围的限制。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。任何在本公开的原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种缺陷检测方法,包括:
采集预取向丝POY产品的N个局部图像,N为不小于2的整数;
采用缺陷检测模型针对所述N个局部图像中的每个局部图像分别进行缺陷检测,得到所述每个局部图像的缺陷检测结果;
基于所述每个局部图像的缺陷检测结果,得到所述POY产品的缺陷检测结果。
2.根据权利要求1所述的方法,其中,所述采集预取向丝POY产品的N个局部图像,包括:
采用朝向所述POY产品的上表面或下表面的线阵相机采集所述POY产品的M个局部图像,M为不小于2且不大于N的整数。
3.根据权利要求2所述的方法,其中,所述采用朝向所述POY产品的上表面或下表面的线阵相机采集所述POY产品的M个局部图像,包括:
在采用缺陷检测模型针对所述M个局部图像中的第一局部图像进行缺陷检测时,采用所述线阵相机采集所述M个局部图像中的第二局部图像。
4.根据权利要求1-3中任一项所述的方法,其中,所述采集预取向丝POY产品的N个局部图像,包括:
采用朝向所述POY产品的侧面且等距分布的L个面阵相机采集所述POY产品的L个局部图像,L为不小于2且不大于N的整数。
5.根据权利要求1-4中任一项所述的方法,其中,所述采用缺陷检测模型针对所述N个局部图像中的每个局部图像分别进行缺陷检测,得到所述每个局部图像的缺陷检测结果,包括:
对所述N个局部图像中的第i个局部图像进行切块,得到所述第i个局部图像的多个图像切片,i为不小于1且不大于N的整数;
采用缺陷检测模型对所述第i个局部图像的每个图像切片分别进行缺陷检测,得到所述每个图像切片的缺陷检测结果;
基于所述每个图像切片的缺陷检测结果,得到所述第i个局部图像的缺陷检测结果。
6.根据权利要求5所述的方法,其中,所述采用缺陷检测模型对所述第i个局部图像的每个图像切片分别进行缺陷检测,得到所述每个图像切片的缺陷检测结果,包括:
将所述第i个局部图像的第j个图像切片加载到内存中,j为不小于1的整数;
采用与多个缺陷类型分别对应的多个缺陷检测模型,依次从所述内存中读取所述第j个图像切片,并对所述第j个图像切片进行缺陷检测,得到所述第j个图像切片的与所述多个缺陷类型分别对应的多个缺陷检测结果。
7.一种缺陷检测装置,包括:
图像采集模块,应用于采集预取向丝POY产品的N个局部图像,N为不小于2的整数;
模型处理模块,用于采用缺陷检测模型针对所述N个局部图像中的每个局部图像分别进行缺陷检测,得到所述每个局部图像的缺陷检测结果;
结果确定模块,用于基于所述每个局部图像的缺陷检测结果,得到所述POY产品的缺陷检测结果。
8.根据权利要求7所述的装置,其中,所述图像采集模块用于:
采用朝向所述POY产品的上表面或下表面的线阵相机采集所述POY产品的M个局部图像,M为不小于2且不大于N的整数。
9.根据权利要求8所述的装置,其中,所述图像采集模块用于:
在采用缺陷检测模型针对所述M个局部图像中的第一局部图像进行缺陷检测时,采用所述线阵相机采集所述M个局部图像中的第二局部图像。
10.根据权利要求7-9中任一项所述的装置,其中,所述图像采集模块用于:
采用朝向所述POY产品的侧面且等距分布的L个面阵相机采集所述POY产品的L个局部图像,L为不小于2且不大于N的整数。
11.根据权利要求7-10中任一项所述的装置,其中,所述模型处理模块包括:
图像切块单元,用于对所述N个局部图像中的第i个局部图像进行切块,得到所述第i个局部图像的多个图像切片,i为不小于1且不大于N的整数;
检测单元,用于采用缺陷检测模型对所述第i个局部图像的每个图像切片分别进行缺陷检测,得到所述每个图像切片的缺陷检测结果;
结果输出单元,用于基于所述每个图像切片的缺陷检测结果,得到所述第i个局部图像的缺陷检测结果。
12.根据权利要求11所述的装置,其中,所述检测单元用于:
将所述第i个局部图像的第j个图像切片加载到内存中,j为不小于1的整数;
采用与多个缺陷类型分别对应的多个缺陷检测模型依次从所述内存中读取所述第j个图像切片并对所述第j个图像切片进行缺陷检测,得到所述第j个图像切片的与所述多个缺陷类型分别对应的多个缺陷检测结果。
13.一种电子设备,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指令,所述指令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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310117249.XA CN116167992A (zh) | 2023-02-02 | 2023-02-02 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310117249.XA CN116167992A (zh) | 2023-02-02 | 2023-02-02 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167992A true CN116167992A (zh) | 2023-05-26 |
Family
ID=86410969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310117249.XA Pending CN116167992A (zh) | 2023-02-02 | 2023-02-02 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167992A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173156A (zh) * | 2023-10-23 | 2023-12-05 | 杭州百子尖科技股份有限公司 | 基于机器视觉的极片毛刺检测方法、装置、设备及介质 |
CN117706058A (zh) * | 2024-02-04 | 2024-03-15 | 浙江恒逸石化有限公司 | 丝锭数据的处理方法、装置、设备以及存储介质 |
CN117706058B (zh) * | 2024-02-04 | 2024-05-10 | 浙江恒逸石化有限公司 | 丝锭数据的处理方法、装置、设备以及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180157937A1 (en) * | 2016-12-02 | 2018-06-07 | Sualab Co., Ltd. | Method, apparatus and computer program stored in computer readable medium for state decision of image data |
CN111768381A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 零部件缺陷检测方法、装置及电子设备 |
CN111833303A (zh) * | 2020-06-05 | 2020-10-27 | 北京百度网讯科技有限公司 | 产品的检测方法、装置、电子设备及存储介质 |
CN112964732A (zh) * | 2021-02-04 | 2021-06-15 | 科大智能物联技术有限公司 | 一种基于深度学习的丝饼缺陷视觉检测系统及方法 |
CN113888533A (zh) * | 2021-11-17 | 2022-01-04 | 京东方科技集团股份有限公司 | 显示面板的缺陷识别装置、方法、电子设备及介质 |
CN115294024A (zh) * | 2022-07-06 | 2022-11-04 | 珠海信易为科技有限公司 | 硒鼓缺陷检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-02-02 CN CN202310117249.XA patent/CN116167992A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180157937A1 (en) * | 2016-12-02 | 2018-06-07 | Sualab Co., Ltd. | Method, apparatus and computer program stored in computer readable medium for state decision of image data |
CN111833303A (zh) * | 2020-06-05 | 2020-10-27 | 北京百度网讯科技有限公司 | 产品的检测方法、装置、电子设备及存储介质 |
CN111768381A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 零部件缺陷检测方法、装置及电子设备 |
CN112964732A (zh) * | 2021-02-04 | 2021-06-15 | 科大智能物联技术有限公司 | 一种基于深度学习的丝饼缺陷视觉检测系统及方法 |
CN113888533A (zh) * | 2021-11-17 | 2022-01-04 | 京东方科技集团股份有限公司 | 显示面板的缺陷识别装置、方法、电子设备及介质 |
CN115294024A (zh) * | 2022-07-06 | 2022-11-04 | 珠海信易为科技有限公司 | 硒鼓缺陷检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
唐嘉潞: "面向化纤丝饼毛羽的多相机瑕疵检测系统适配设计", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 1, pages 016 - 1397 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173156A (zh) * | 2023-10-23 | 2023-12-05 | 杭州百子尖科技股份有限公司 | 基于机器视觉的极片毛刺检测方法、装置、设备及介质 |
CN117173156B (zh) * | 2023-10-23 | 2024-02-20 | 杭州百子尖科技股份有限公司 | 基于机器视觉的极片毛刺检测方法、装置、设备及介质 |
CN117706058A (zh) * | 2024-02-04 | 2024-03-15 | 浙江恒逸石化有限公司 | 丝锭数据的处理方法、装置、设备以及存储介质 |
CN117706058B (zh) * | 2024-02-04 | 2024-05-10 | 浙江恒逸石化有限公司 | 丝锭数据的处理方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3937128A2 (en) | Image defect detection method and apparatus, electronic device, storage medium and product | |
CN111008540B (zh) | 一种条码识别方法及设备、计算机存储介质 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
US11468296B2 (en) | Relative position encoding based networks for action recognition | |
CN116167992A (zh) | 缺陷检测方法、装置、电子设备和计算机可读存储介质 | |
Chung et al. | Hand gesture recognition via image processing techniques and deep CNN | |
JP6603477B2 (ja) | 情報処理装置、情報処理方法 | |
CN109256341B (zh) | 用于检测单晶硅太阳能电池的方法和装置 | |
WO2015031350A1 (en) | Systems and methods for memory utilization for object detection | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN116046790B (zh) | 缺陷检测方法、装置、系统、电子设备以及存储介质 | |
CN113963167B (zh) | 应用于目标检测的方法、装置及计算机程序产品 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN115035160A (zh) | 一种基于视觉跟随的目标追踪方法、装置、设备及介质 | |
KR20220146663A (ko) | 비디오 복구 방법, 장치, 기기, 매체 및 컴퓨터 프로그램 | |
CN112632309A (zh) | 图像展示方法、装置、电子设备和存储介质 | |
CN109657523B (zh) | 一种可行驶区域检测方法和装置 | |
CN112967223A (zh) | 一种基于人工智能的纺织品检测系统、方法及介质 | |
CN117112816A (zh) | 安检图像的排序方法、装置、设备及存储介质 | |
CN116188399A (zh) | 缺陷检测模型的更新方法、装置、电子设备和存储介质 | |
CN213659503U (zh) | 图像数据处理系统、存储策略设备 | |
CN116309586A (zh) | 基于卷积神经网络的瑕疵检测方法、装置、设备及介质 | |
Yi et al. | Research on fruit recognition method based on improved yolov4 algorithm | |
CN115931905B (zh) | Poy产品的检测方法、装置、电子设备和存储介质 | |
CN117853789A (zh) | 一种图像检测方法和装置 |
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 |