CN116309513A - 电子元件缺陷的检测方法、装置、设备及存储介质 - Google Patents

电子元件缺陷的检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116309513A
CN116309513A CN202310333758.6A CN202310333758A CN116309513A CN 116309513 A CN116309513 A CN 116309513A CN 202310333758 A CN202310333758 A CN 202310333758A CN 116309513 A CN116309513 A CN 116309513A
Authority
CN
China
Prior art keywords
model
defect
detection model
result
electronic component
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
Application number
CN202310333758.6A
Other languages
English (en)
Inventor
李云龙
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.)
Chengdu Boe Smart Technology Co ltd
BOE Technology Group Co Ltd
Original Assignee
Chengdu Boe Smart Technology Co ltd
BOE Technology Group 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 Chengdu Boe Smart Technology Co ltd, BOE Technology Group Co Ltd filed Critical Chengdu Boe Smart Technology Co ltd
Priority to CN202310333758.6A priority Critical patent/CN116309513A/zh
Publication of CN116309513A publication Critical patent/CN116309513A/zh
Pending legal-status Critical Current

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
    • G06N20/00—Machine learning
    • 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
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种电子元件缺陷的检测方法、装置、设备及存储介质，该方法包括：获取待测电子元件图像和目标检测模型，其中，目标检测模型是经过至少两次训练的模型；对目标检测模型进行转换，生成推理模型；将待测电子元件图像输入到推理模型中，生成缺陷检测结果。本实施例的电子元件缺陷的检测方法，通过至少两次训练得到的目标检测模型，能够有效提高了网络参数鲁棒性的同时，修正了单类别目标检测模型通过单阶段训练不能很好地将目标缺陷与相似背景类别的区分的问题，提高了缺陷预测的准确性。

Description

电子元件缺陷的检测方法、装置、设备及存储介质
技术领域
本申请涉及图像处理技术领域，尤其涉及一种电子元件缺陷的检测方法、装置、设备及存储介质。
背景技术
电子元件作为电子设备的主要元器件，为了避免出产的电子设备出现电子元件故障而导致频繁返厂维修的问题，其中，电子元件中包括线路板等，需要对电子元件的质量提出较高的要求。对于此，对电子元件的缺陷检测尤为重要。基于传统的电子元件表面缺陷检测方法主要是采用人工进行检测，对电子元件缺陷检测的准确性难以得到保证。
发明内容
本申请实施例提供一种电子元件缺陷的检测方法、装置、设备及存储介质，以解决相关技术存在的问题，技术方案如下：
第一方面，本申请实施例提供了一种电子元件缺陷的检测方法，该方法包括：
获取待测电子元件图像和目标检测模型，其中，目标检测模型是经过训练得到的，待测电子元件图像是由初始电子元件图像经过预处理得到；型；
对目标检测模型进行转换，生成推理模型；
将待测电子元件图像输入到推理模型中，生成缺陷检测结果。
第二方面，本申请实施例提供了一种电子元件缺陷的检测装置，该装置包括：
获取模块，用于获取待测电子元件图像和目标检测模型，其中，所述目标检测模型是经过训练得到的，所述待测电子元件图像是由初始电子元件图像经过预处理得到；
第一生成模块，用于对目标检测模型进行转换，生成推理模型；
第二生成模块，用于将待测电子元件图像输入到推理模型中，生成缺陷检测结果。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：存储器和处理器。其中，该存储器和该处理器通过内部连接通路互相通信，该存储器用于存储指令，该处理器用于执行该存储器存储的指令，并且当该处理器执行该存储器存储的指令时，使得该处理器执行上述各方面任一种实施方式中的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储计算机程序，当计算机程序在计算机上运行时，上述各方面任一种实施方式中的方法被执行。
上述技术方案中的优点或有益效果至少包括：
本公开实施例的技术方案，通过获取目标检测模型和待测电子元件图像，该目标检测模型是经过训练得到的模型，将目标检测模型转换为推理模型，通过推理模型对待测电子元件图像进行检测，得到缺陷检测结果。本实施例的电子元件缺陷的检测方法，通过经过训练得到的目标检测模型，能够有效提高了网络参数鲁棒性的同时，修正了单类别目标检测模型通过单阶段训练不能很好地将目标缺陷与相似背景类别的区分的问题，提高了缺陷预测的准确性。同时，通过将目标检测模型转换为推理模型，增加了模型应用环境的兼容性，省去了复杂的训练环境搭建过程，提高了模型推理效率，同时通过指定环境加速了推理模型的推理过程，而且推理模型可以通过更为直观地查看网络结构和输入输出属性，在保证输入的待测电子元件图像与网络需求保持一致的情况下，其能够快速计算得到准确的网络输出结果，即缺陷检测结果。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本申请进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。
图1为本申请一实施例的电子元件缺陷的检测方法的流程图；
图2为本申请另一实施例的电子元件缺陷的检测方法的流程图；
图3为本申请另一实施例的电子元件缺陷的检测方法的流程图；
图4为本申请一实施例的电子元件缺陷的检测装置的结构框图；
图5为本申请一实施例的电子设备的结构框图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本申请的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
图1示出根据本申请一实施例的电子元件缺陷的检测方法的流程图。如图1所示，本申请的实施例提供了一种电子元件缺陷的检测方法，该检测方法可以包括：
S110：获取待测电子元件图像和目标检测模型，其中，目标检测模型是经过训练得到的，所述待测电子元件图像是由初始电子元件图像经过预处理得到；
S120：对目标检测模型进行转换，生成推理模型；
S130：将待测电子元件图像输入到推理模型中，生成缺陷检测结果。
本实施例的电子元件缺陷的检测方法可以为在流水线中配置电子元件检测装置，通过电子元件检测装置上的控制器/处理器等执行本实施例的电子元件缺陷的检测方法，以便在流水线中能够及时准确地将电子元件上的缺陷能够在出厂成品前被截停，避免带有缺陷的电子元件流入到市场中，造成了后续返修等问题。也可以另外配置电子元件检测设备，通过都在电子元件检测设备上执行该电子元件缺陷的检测方法，从而对电子元件进行缺陷检测，确定电子元件上的缺陷问题，及时进行修复或者是作废处理。
本公开实施例的技术方案，通过获取目标检测模型和待测电子元件图像，该目标检测模型是经过训练得到的模型，将目标检测模型转换为推理模型，通过推理模型对待测电子元件图像进行检测，得到缺陷检测结果。本实施例的电子元件缺陷的检测方法，通过经过训练得到的目标检测模型，能够有效提高了网络参数鲁棒性的同时，修正了单类别目标检测模型通过单阶段训练不能很好地将目标缺陷与相似背景类别的区分的问题，提高了缺陷预测的准确性。同时，通过将目标检测模型转换为推理模型，增加了模型应用环境的兼容性，省去了复杂的训练环境搭建过程，提高了模型推理效率，同时通过指定环境加速了推理模型的推理过程，而且推理模型可以通过更为直观地查看网络结构和输入输出属性，在保证输入的待测电子元件图像与网络需求保持一致的情况下，其能够快速计算得到准确的网络输出结果，即缺陷检测结果。
在步骤S110中，获取待测电子元件图像和目标检测模型，其中，目标检测模型是经过至少两次训练的模型；
本实施例中，待测电子元件图像是通过待测电子元件上获取的图像集，例如可以通过图像采集装置从待测电子元件上拍摄获取，具体为待测电子元件表面图像集，图像采集装置可以例如摄像头等，待测电子元件图像包括电子元件表面各个部位的至少一张图像。在本实施例中的电子元件可以是线路板等。
其中，对待测电子元件图像可以先进行预处理，可以采用随机亮度增强、随机对比度增强等方法，减少由于电子元件表面图像采光较差或不均匀带来的影响；针对电子元件表面线条特征与划痕缺陷特征相似的问题。对待测电子元件图像具体可以进行如下一种或者多种处理方式进行预处理：
1.为减少电子元件表面图像干扰特征，将待测电子元件图像进行灰度化处理；
2.为减少工业场景下光照不均匀带来的影响，对待测电子元件图像进行对比度增强处理；
3.为增加电子元件表面缺陷及线路特征，对待测电子元件图像进行亮度增强处理；
4.为了匹配网络的输入需求，对增强后的待测电子元件图像进行图像及尺寸归一化处理。
本实施例中，目标检测模型为训练好的目标检测模型，目标检测模型可以用于对待测电子元件的图像中具有缺陷电子元件图像进行识别，输出电子元件上具有缺陷部分的图像作为结果，同时还可以对电子元件上具有缺陷部分的图像进行缺陷类型的分类，得到分好类别电子元件上具有缺陷部分的图像，其中，缺陷类型可以是划痕类缺陷或背景类缺陷等。还可以输出电子元件上具有缺陷处的图像的置信度等信息。
其中，目标检测模型可以为机器学习模型，例如深度学习模型或神经网络模型等。通过标注好的电子元件图像的训练集对检测模型进行至少两次迭代训练，得到训练好的模型为目标检测模型。在一示例中，目标检测模型可以采用Faster-RCNN网络进行缺陷检测模型训练，基于电子元件表面图像集的规模选择不同层数的resnet作为骨干网络。例如：当训练图像集数量小于104时选定resnet50作为骨干网络，反之选择resnet101作为骨干网络。
对于目标检测模型训练可以是，获取标注好的电子元件图像集作为训练集，将训练集输入到检测模型中，通过训练集对检测模型中的网络参数的选择进行了适应性调整。例如，在第一次的训练中，将第一训练集输入到检测模型中，对于检测模型中的锚点参数的选择，通过对训练集中标注好的缺陷目标的边界框标签进行统计，得出了适应于电子元件表面缺陷检测任务的锚点参数，通过锚点参数调整检测模型。在第二次的训练中，获取第一次训练后的检测模型和第一次训练后的检测模型测出的缺陷结果，重新对第一次训练后的检测模型测出的缺陷结果中出现的背景误检为划痕缺陷或其他问题的缺陷结果图像集取出，缺陷结果图像集中存在误检的图像、划痕缺陷重叠较多的复杂图像以及电子元件线条特征复杂的图像。对缺陷结果图像集重新进行标注，作为第二训练图像集，将第二训练集输入到第一次训练后的检测模型，重新对检测模型中参数进行微调，其中，在微调过程中，设置网络的学习率为第一阶段初始学习率的α倍。得到第二次训练后的检测模型，可以将第二次训练后的检测模型作为目标检测模型。也可以在此对第二次训练后的检测模型进行训练，以提升检测模型的检测的精确度。对于每次训练后的结果进行重新标注，作为下一次训练的训练集，重新输入到当前训练后的检测模型进行训练，通过重复多次的训练，针对电子元件表面线路与划痕缺陷特征较为相似的问题提供解决方案，针对特定的工业场景，有效地提高了网络对电子元件表面的划痕缺陷目标类和线路背景类的区分能力。
其中，为了保证每次训练后的结果能够更少，最终达到模型的收敛。每次对检测模型进行训练的时候，需要对检测模型的学习率进行调整，一般采用α表示对于学习率的调整。α为后一次训练过程的检测模型微调的学习率与前一次训练过程的检测模型微调的初始学习率的比，α的取值通常为0.1或0.001，其计算公式如下：
Figure BDA0004155774270000061
式中，lR1表示后一次训练过程的检测模型微调的学习率，lR2表示前一次训练过程的检测模型微调的初始学习率。
在步骤S120中，对目标检测模型进行转换，生成推理模型；
本实施例中，推理模型可以是onnx模型、Tensorrt模型或torch模型等具有推理能力的推理模型。以onnx模型为例，通过至少两次训练后的检测模型中的网络参数，通过调用torch函数将网络参数加载到检测模型中，形成目标检测模型，并将该目标检测模型转换为onnx模型进行输出保存。在不需要构建符合模型需求的pytorch环境的情况下，仅通过onnxruntime-gpu环境即可完成对onnx模型的调用，由于onnx模型通过gpu计算完成网络推理部分，在保证输入的待测电子元件图像与网络需求保持一致的情况下，其能够快速计算得到准确的缺陷检测结果。
在步骤S130中，将待测电子元件图像输入到推理模型中，生成缺陷检测结果。
在本实施例中，将目标检测模型转换为推理模型，通过将待测电子元件图像的图像集输入到推理模型中。以onnx模型为例，能够实现结合工业场景特点通过onnx模型进行模型推理，增加了模型应用环境的兼容性，省去了复杂的训练环境搭建过程，提高了模型推理效率，同时通过gpu环境加速了模型推理过程，此外onnx模型可以通过netron软件更为直观地查看网络结构和输入输出属性。其他的推理模型采用对应的环境或者是对应的函数，同样能够实现与本实施例的onnx模型相同或者相似的过程以及效果。
通过本实施例的检测方法，能够针对电子元件表面图像的缺陷检测的分类效果更加明显，如电子元件线路背景和划痕缺陷目标的特征区分能力进一步提升加强，从而实现提高缺陷检测的准确性。
在一种实施方式中，对目标检测模型进行转换，生成推理模型包括：
调用指定函数对目标检测模型进行转换，生成推理模型。
目标检测模型通常为机器学习模型，例如深度学习模型或神经网络模型等。
推理模型可以是onnx模型、Tensorrt模型或torch模型等具有推理能力的推理模型。指定函数通常是与推理函数相对应的函数，例如转换为onnx模型的指定函数为torch函数，相应地，转换为其他如Tensorrt模型或torch模型等的推理模型，也可以直接通过调用对应的指定函数，将目标检测模型转换为推理模型。
以onnx模型为例，通过至少两次训练后的检测模型中的网络参数，通过调用torch函数将网络参数加载到检测模型中，形成目标检测模型，并将该目标检测模型转换为onnx模型进行输出保存。在不需要构建符合模型需求的pytorch环境的情况下，仅通过onnxruntime-gpu环境即可完成对onnx模型的调用，由于onnx模型通过gpu计算完成网络推理部分，在保证输入的待测电子元件图像与网络需求保持一致的情况下，其能够快速计算得到准确的缺陷检测结果。
具体而言，调用指定函数对目标检测模型进行转换的过程中，根据实际电子元件的情况，设置动态配置的参数dynamic_axes，以增加模型输入的通配性和灵活性。在进行转换后得到初始推理模型，通过onnx模型的onnxsim模块对onnx模型进行简化和优化，具体过程为：(1)简化onnx模型：针对常量计算模块进行合并；(2)优化onnx模型：合并卷积层和批归一化层的图优化；(3)清理图中冗余节点，通过简化后的onnx模型进行推理，既增加了推理速度，又增加了可视化的可读性。
如图2所示，在一种实施方式中，获取目标检测模型包括：
S210：获取训练集和检测模型；
S220：根据训练集对检测模型进行训练，生成训练后的检测模型和训练集结果；
S230：对训练集结果中误检的图像进行标注，生成标注后的训练集结果；
S240：根据标注后的训练集结果对训练后的检测模型进行调整，生成目标检测模型。
在本实施例中，通过预先标注好的电子元件图像集作为训练集。可以选择机器学习模型作为检测模型，例如深度学习模型或神经网络模型等。在一示例中，检测模型可以采用Faster-RCNN网络进行缺陷检测模型训练，基于电子元件表面图像集的规模选择不同层数的resnet作为骨干网络。例如：当训练图像集数量小于104时选定resnet50作为骨干网络，反之选择resnet101作为骨干网络。
通过标注好的电子元件图像的训练集输入到检测模型中，检测模型根据训练集进行训练，在训练的同时输出训练集结果，训练集结果中可能存在有较多的误检的图像，对于此，可以对误检的图像重新标注后，作为新的训练集，输入到训练后的检测模型中进行重复训练，将训练得到的检测模型作为目标检测模型。其中，对于训练集的结果，还可以采用对应专门缺陷类别的方式进行标注。
在一示例中，在待测电子元件图像存在划痕，例如：在待测电子元件图像上存在一处划痕、两处划痕或者三处划痕等。对待测电子元件图像上的划痕标记标签，其中至少一处与电子元件图像的表面线路特征较为相近的划痕，目标检测模型经单次训练后的检测结果中可能出现漏检。其判断标准为目标检测模型的检测结果(后处理后)与对应的标签计算iou，若存在与标签匹配的检测结果缺失的情况，则为漏检，则待测电子元件图像加入下一轮训练数据集。除上述情况中的漏检问题，若训练数据集中有较多该种相近特征划痕或其他缺陷(与接口圆点相近的孔洞类缺陷)，单次训练后的目标检测模型可能存在较多非缺陷类误检，判断标准为若存在与检测结果匹配的标签结果缺失的情况，则为误检。
对检测模型进行至少两次依次迭代训练，得到训练好的模型为目标检测模型。可以对于训练集的结果进行误检结果进行标注，使得标注后的训练集能够对训练后的检测模型进行训练，提升检测模型的准确性。同时还可以对训练后的结果根据缺陷类别进行批注，从而能够进一步提升训练后的目标检测模型对电子元件表面图像的缺陷检测的分类效果更加明显，如电子元件线路背景和划痕缺陷目标的特征区分能力进一步提升加强，从而实现提高缺陷检测的准确性。
如图3所示，在一种实施方式中，根据标注后的训练集结果对训练后的检测模型进行调整，生成目标检测模型包括：
S310：对训练后的检测模型的网络学习率进行调整，获取调整后的检测模型；
S320：根据标注后的训练集结果和调整后的检测模型，生成目标检测模型。
为了保证每次训练后的结果能够更少，最终达到检测模型的收敛。每次对检测模型进行训练的时候，需要对检测模型的学习率进行调整，一般采用α表示对于学习率的调整。α为后一次训练过程的检测模型微调的学习率与前一次训练过程的检测模型微调的初始学习率的比，α的取值通常为0.1或0.001，其计算公式如下：
Figure BDA0004155774270000091
式中，lR1表示后一次训练过程的检测模型微调的学习率，lR2表示前一次训练过程的检测模型微调的初始学习率。
在一种实施方式中，获取训练集包括：
获取初始训练集和缺陷类别；
根据缺陷类别对初始训练集进行分类，确定各缺陷类别的训练图像的数量；
对训练图像的数量低于指定数量的缺陷类别进行过采样，获取训练集。
对于初始训练集的选取的过程中，可能会出现某些缺陷类别的图像过少的问题，或者是缺陷类别中图像的数量不平衡的问题，如果将这个初始训练集作为训练集直接输入到检测模型中进行训练，则可能会导致训练出来的检测模型不均衡，对于某些训练集中数量较少的缺陷类别训练的效果较差。
对于此，在本实施例中，通过先获取初始训练集，对初始训练集根据缺陷类别进行分类，确定各缺陷类型的训练数量，判断缺陷类别的训练图像的数量与指定数量之间的大小关系，指定数量可以根据实际进行设置，以便可以满足对于训练集训练后能够达到该缺陷类别效果较好的情况。对于其中对缺陷类别的训练图像的数量低于指定数量的缺陷类别进行过采样，过采样可以为重复采样，从而使得各种缺陷类别的训练图像的数量较为平衡，从而避免由于缺陷类别的训练图像不平衡导致的训练出来的检测模型的检测效果较差的问题。
在一种实施方式中，方法还包括：
对缺陷检测结果进行非极大值抑制，生成处理后的缺陷检测结果。
在本实施例中，对于通过目标检测模型检测后得到的缺陷检测结果通过非极大值抑制的方式进行后处理，实现了在保证了缺陷检测结果准确性的同时，对工业场景下电子元件表面图像中重叠复杂的划痕缺陷的检出。
在一种实施方式中，对缺陷检测结果进行非极大值抑制，获取处理后的缺陷检测结果包括：
根据缺陷检测结果，确定各缺陷间的初始距离交并比；
根据各缺陷间的初始距离交并比对缺陷检测结果进行非极大值抑制处理，生成处理后的缺陷检测结果。
对于缺陷检测结果中存在一些很近的划痕等伤痕被认定为是同一个划痕，从而导致被后处理作为重叠的结果去除了，使得处理后的缺陷结果存在误差。
对于缺陷检测结果进行后处理的方式是通过各缺陷间的距离交并比，以距离交并比指标作为非极大值预制的后处理依据，通过适当降低距离交并比阈值的方式，保留更多重叠的缺陷检测结果，从而避免将缺陷检测结果中存在一些很近的划痕等伤痕被认定为是同一个划痕，从而导致被后处理作为重叠的结果去除了，使得处理后的缺陷结果存在误差的问题。
在一种实施方式中，根据缺陷检测结果，确定各缺陷间的距离交并比包括：
根据缺陷检测结果，确定任意两个缺陷间的初始距离交并比和该两个缺陷结果中心的距离信息；
根据任意两个缺陷间的初始距离交并比和该两个缺陷结果中心的距离信息，确定各距离交并比；
获取交并比阈值；
根据各距离交并比和交并比阈值，生成后处理的缺陷检测结果。
在本实施例中，对于以距离交并比指标作为非极大值抑制的后处理依据进行后处理的具体过程为通过确定DIOU距离交并比和交并比阈值TDIOU，通过对两者进行比较，对于距离交并比DIOU大于等于交并比阈值TDIOU去除掉，对于距离交并比DIOU小于交并比阈值TDIOU的图像保留作为缺陷检测结果。
其中，交并比阈值是缺陷检测后处理NMS抑制方法中采用的输出阈值，是根据实际的情况进行设置的，在本实施例中，可以通过提高或者保持原交并比阈值，从而使得能够保留更多的缺陷检测结果。以避免将其中的一些较为靠近的划痕出现误检的问题。
两个缺陷结果中心的距离信息包括两个检测框的中心点坐标、两个检测框坐标点的欧氏距离和l表示能够同时包含两个检测框的最小矩形区域的对角线长度。
距离交并比DIOU是目标检测网络中常用的交并比指标之一，其计算公式如下：
Figure BDA0004155774270000111
式中，p1和p2表示两个检测框的中心点坐标，d表示两个检测框坐标点的欧氏距离，l表示能够同时包含两个检测框的最小矩形区域的对角线长度。IOU为传统的交并比，即初始距离交并比。即DIOU在传统的初始距离交并比IOU的基础上结合了检测框中心的距离信息，增加了非极大值抑制处理后重叠目标的输出能力。
在一种实施方式中，根据各距离交并比和交并比阈值，生成处理后的缺陷检测结果包括：
根据各距离交并比和交并比阈值，确定初始后处理结果；
根据初始后处理结果，确定初始后处理结果的置信度；
根据初始处理后结果的置信度和置信度阈值，生成处理后的缺陷检测结果。
但由于采用上书的距离交并比的方法进行后处理后，确定的缺陷检测结果的数量较大，为了进一步提升处理后的缺陷检测结果。本实施例中通过初始后处理结果确定初始处理后的结果的置信度，通常目标检测模型在输出结果的时候，同时也输出了对应结果的置信度，在确定了初始后处理结果之后，初始后处理结果之中也包括有其中对应的初始后处理结果的置信度，根据该初始处理后的置信度和置信度阈值进行比较，将初始后处理结果的置信度大于置信度阈值的结果保留下来，作为处理后的缺陷检测结果，并可以适当增加置信度阈值，以提高处理后的缺陷检测结果的准确性以及可信度。
在一种实施方式中，所述置信度阈值的确定方式包括：
获取初始置信度阈值和调节权重；
根据所述初始置信度阈值、调节权重、所述任意两个缺陷间的初始距离交并比和该两个缺陷结果中心的距离信息，确定置信度阈值。
其中，初始置信度阈值和调节权重可以根据不同的识别类别进行选择。
两个缺陷结果中心的距离信息包括两个检测框的中心点坐标、两个检测框坐标点的欧氏距离和l表示能够同时包含两个检测框的最小矩形区域的对角线长度。对于置信度阈值的计算可以为：
Figure BDA0004155774270000121
式中，p1和p2表示两个检测框的中心点坐标，d表示两个检测框坐标点的欧氏距离，l表示能够同时包含两个检测框的最小矩形区域的对角线长度。Tc为初始置信度阈值。T为置信度阈值。通过在初始置信度阈值的基础上，进行交并比筛选过程中，针对预测的缺陷结果中心相对距离的惩罚因子，加入了λ权重因子，从而能够提升目标识别模型检测后的缺陷结果的准确性，尤其是在进行交并比处理后，保留了较多数据的情况下，通过本实施的方法增大置信度阈值，能够使得到的缺陷结果能够更加准确，且数量保持可保持在一定范围内。
在一种实施方式中，所述预处理包括对待测电子元件图像进行灰度化处理、对待测电子元件图像进行对比度增强处理、对待测电子元件图像进行亮度增强处理和对待测电子元件图像进行数据及尺寸的归一化处理中的至少一种处理。
在本实施例中，对于初始待测电子元件图像，可以通过预处理来实现减少了工业场景下环境因素影响的同时，增加了缺陷目标与背景类别的特征显著性。
对待测电子元件图像可以先进行预处理，可以采用随机亮度增强、随机对比度增强等方法，减少由于电子元件表面图像采光较差或不均匀带来的影响；针对电子元件表面线条特征与划痕缺陷特征相似的问题。对待测电子元件图像集具体可以进行如下至少一个预处理：
1.为减少电子元件表面图像干扰特征，将电子元件图像进行灰度化处理；
2.为减少工业场景下光照不均匀带来的影响，对电子元件图像进行对比度增强处理；
3.为增加电子元件表面缺陷及线路特征，对电子元件图像进行亮度增强处理；
4.为了匹配网络的输入需求，对增强后的电子元件图像进行图像及尺寸归一化处理。
图4示出根据本申请一实施例的电子元件缺陷的检测装置的结构框图。如图4所示，一种电子元件缺陷的检测装置，该装置可以包括：
获取模块410，用于获取待测电子元件图像和目标检测模型，其中，所述目标检测模型是经过训练得到的，所述待测电子元件图像是由初始电子元件图像经过预处理得到；
第一生成模块420，用于对目标检测模型进行转换，生成推理模型；
第二生成模块430，用于将待测电子元件图像输入到推理模型中，生成缺陷检测结果。
本公开实施例的技术方案，通过获取目标检测模型和待测电子元件图像，该目标检测模型是经过训练得到的模型，将目标检测模型转换为推理模型，通过推理模型对待测电子元件图像进行检测，得到缺陷检测结果。本实施例的电子元件缺陷的检测方法，通过训练得到的目标检测模型，能够有效提高了网络参数鲁棒性的同时，修正了单类别目标检测模型通过单阶段训练不能很好地将目标缺陷与相似背景类别的区分的问题，提高了缺陷预测的准确性。同时，通过将目标检测模型转换为推理模型，增加了模型应用环境的兼容性，省去了复杂的训练环境搭建过程，提高了模型推理效率，同时通过指定环境加速了推理模型的推理过程，而且推理模型可以通过更为直观地查看网络结构和输入输出属性，在保证输入的待测电子元件图像与网络需求保持一致的情况下，其能够快速计算得到准确的网络输出结果，即缺陷检测结果。
在一种实施方式中，获取模块包括：
第一获取单元，用于获取训练集和检测模型；
第一生成单元，用于根据训练集对检测模型进行训练，生成训练后的检测模型和训练结果；
第二生成单元，用于对训练集结果中误检的图像进行标注，生成标注后的训练集结果；
第三生成单元，用于根据标注后的训练集结果和训练后的检测模型，生成目标检测模型。
在一种实施方式中，第三生成单元包括：
第一获取子单元，用于对训练后的检测模型的网络学习率进行调整，获取调整后的检测模型；
第一生成子单元，用于根据标注后的训练集结果对调整后的检测模型进行调整，生成目标检测模型。
在一种实施方式中，第一获取单元包括：
第一获取子单元，用于获取初始训练集和缺陷类别；
第一确定子单元，用于根据缺陷类别对初始训练集进行分类，确定各缺陷类别的训练图像的数量；
第二获取子单元，用于对缺陷类别的训练图像的数量低于指定数量的缺陷类别进行过采样，获取训练集。
在一种实施方式中，该装置还包括：
第三生成模块，用于对缺陷检测结果进行非极大值抑制，生成处理后的缺陷检测结果。
在一种实施方式中，第三生成模块包括：
第一确定单元，用于根据缺陷检测结果，确定各缺陷间的初始距离交并比；
第四生成单元，用于根据各缺陷间的初始距离交并比对缺陷检测结果进行非极大值抑制处理，生成处理后的缺陷检测结果。
在一种实施方式中，第一确定单元包括：
第二确定子单元，用于根据缺陷检测结果，确定任意两个缺陷间的初始距离交并比和该两个缺陷结果中心的距离信息；
第三确定子单元，用于根据任意两个缺陷间的初始距离交并比和该两个缺陷结果中心的距离信息，确定各距离交并比；
第一获取单元，用于获取交并比阈值。
第二生成子单元，用于根据各距离交并比和交并比阈值，生成后处理的缺陷检测结果。
在一种实施方式中，第二生成子单元包括：
第一确定子模块，用于根据各距离交并比和交并比阈值，确定初始后处理结果；
第二确定子模块，用于根据初始后处理结果，确定初始处理后结果的置信度；
生成子模块，用于根据初始处理后结果的置信度和置信度阈值，生成处理后的缺陷检测结果。
在一种实施方式中，所述置信度阈值的确定方式包括：
获取初始置信度阈值和调节权重；
根据所述初始置信度阈值、调节权重、所述任意两个缺陷间的初始距离交并比和该两个缺陷结果中心的距离信息，确定置信度阈值。
在一种实施方式中，获取模块包括：
所述预处理包括对待测电子元件图像进行灰度化处理、对待测电子元件图像进行对比度增强处理、对待测电子元件图像进行亮度增强处理和对待测电子元件图像进行数据及尺寸的归一化处理中的至少一种处理。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
图5示出根据本申请一实施例的电子设备的结构框图。如图5所示，该电子设备包括：存储器510和处理器520，存储器510内存储有可在处理器520上运行的计算机程序。处理器520执行该计算机程序时实现上述实施例中的电子元件缺陷的检测方法。存储器510和处理器520的数量可以为一个或多个。
该电子设备还包括：
通信接口530，用于与外界设备进行通信，进行图像交互传输。
如果存储器510、处理器520和通信接口530独立实现，则存储器510、处理器520和通信接口530可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，EISA)总线等。该总线可以分为地址总线、图像总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器510、处理器520及通信接口530集成在一块芯片上，则存储器510、处理器520及通信接口530可以通过内部接口完成相互间的通信。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现本申请实施例中提供的方法。
本申请实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述各方面任一种实施方式中的方法。
本申请实施例还提供了一种芯片，该芯片包括，包括处理器，用于从存储器中调用并运行存储器中存储的指令，使得安装有芯片的通信设备执行本申请实施例提供的方法。
本申请实施例还提供了一种芯片，包括：输入接口、输出接口、处理器和存储器，输入接口、输出接口、处理器以及存储器之间通过内部连接通路相连，处理器用于执行存储器中的代码，当代码被执行时，处理器用于执行申请实施例提供的方法。
应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(fieldprogrammablegate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(advanced RISC machines，ARM)架构的处理器。
进一步地，可选的，上述存储器可以包括只读存储器和随机存取存储器，还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以包括只读存储器(read-onlymemory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以包括随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic random access memory，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍图像速率同步动态随机存取存储器(double data date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (14)

1.一种电子元件缺陷的检测方法，其特征在于，包括：
获取待测电子元件图像和目标检测模型，其中，所述目标检测模型是经过训练得到的，所述待测电子元件图像是由初始电子元件图像经过预处理得到；
对所述目标检测模型进行转换，生成推理模型；
将所述待测电子元件图像输入到所述推理模型中，生成缺陷检测结果。
2.根据权利要求1所述电子元件缺陷的检测方法，其特征在于，所述对所述目标检测模型进行转换，生成推理模型包括：
调用指定函数对所述目标检测模型进行转换，生成推理模型。
3.根据权利要求1所述电子元件缺陷的检测方法，其特征在于，所述获取目标检测模型包括：
获取训练集和检测模型；
根据训练集对检测模型进行训练，生成训练后的检测模型和训练结果；
对所述训练集结果中误检的图像进行标注，生成标注后的训练集结果；
根据所述标注后的训练集结果对所述训练后的检测模型进行调整，生成目标检测模型。
4.根据权利要求3所述电子元件缺陷的检测方法，其特征在于，所述根据所述标注后的训练集结果对所述训练后的检测模型进行调整，生成目标检测模型包括：
对训练后的检测模型的网络学习率进行调整，获取调整后的检测模型；
根据标注后的训练集结果和调整后的检测模型，生成目标检测模型。
5.根据权利要求3所述电子元件缺陷的检测方法，其特征在于，所述获取训练集包括：
获取初始训练集和缺陷类别；
根据所述缺陷类别对所述初始训练集进行分类，确定各缺陷类别的训练图像的数量；
对训练图像的数量低于指定数量的缺陷类别进行过采样，获取训练集。
6.根据权利要求1所述电子元件缺陷的检测方法，其特征在于，所述方法还包括：
对所述缺陷检测结果进行非极大值抑制，生成处理后的缺陷检测结果。
7.根据权利要求6所述电子元件缺陷的检测方法，其特征在于，所述对所述缺陷检测结果进行非极大值抑制，获取处理后的缺陷检测结果包括：
根据所述缺陷检测结果，确定各缺陷间的初始距离交并比；
根据所述各缺陷间的初始距离交并比对所述缺陷检测结果进行非极大值抑制处理，生成处理后的缺陷检测结果。
8.根据权利要求7所述电子元件缺陷的检测方法，其特征在于，所述根据所述缺陷检测结果，确定各缺陷间的距离交并比包括：
根据所述缺陷检测结果，确定任意两个缺陷间的初始距离交并比和该两个缺陷结果中心的距离信息；
根据所述任意两个缺陷间的初始距离交并比和该两个缺陷结果中心的距离信息，确定各距离交并比；
获取交并比阈值；
根据各距离交并比和所述交并比阈值，生成后处理的缺陷检测结果。
9.根据权利要求8所述电子元件缺陷的检测方法，其特征在于，所述根据各距离交并比和交并比阈值，生成处理后的缺陷检测结果包括：
根据各距离交并比和交并比阈值，确定初始后处理结果；
根据所述初始后处理结果，确定初始后处理结果的置信度；
根据所述初始处理后结果的置信度和置信度阈值，生成处理后的缺陷检测结果。
10.根据权利要求9所述电子元件缺陷的检测方法，其特征在于，所述置信度阈值的确定方式包括：
获取初始置信度阈值和调节权重；
根据所述初始置信度阈值、调节权重、所述任意两个缺陷间的初始距离交并比和该两个缺陷结果中心的距离信息，确定置信度阈值。
11.根据权利要求1所述电子元件缺陷的检测方法，其特征在于，
所述预处理包括对待测电子元件图像进行灰度化处理、对待测电子元件图像进行对比度增强处理、对待测电子元件图像进行亮度增强处理和对待测电子元件图像进行数据及尺寸的归一化处理中的至少一种处理。
12.一种电子元件缺陷的检测装置，其特征在于，包括：
获取模块，用于获取待测电子元件图像和目标检测模型，其中，所述目标检测模型是经过训练得到的，所述待测电子元件图像是由初始电子元件图像经过预处理得到；
第一生成模块，用于对所述目标检测模型进行转换，生成推理模型；
第二生成模块，用于将所述待测电子元件图像输入到所述推理模型中，生成缺陷检测结果。
13.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器中存储指令，所述指令由处理器加载并执行，以实现如权利要求1至11任一项所述的方法。
14.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-11中任一项所述的方法。
CN202310333758.6A 2023-03-31 2023-03-31 电子元件缺陷的检测方法、装置、设备及存储介质 Pending CN116309513A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310333758.6A CN116309513A (zh) 2023-03-31 2023-03-31 电子元件缺陷的检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310333758.6A CN116309513A (zh) 2023-03-31 2023-03-31 电子元件缺陷的检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116309513A true CN116309513A (zh) 2023-06-23

Family

ID=86834216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310333758.6A Pending CN116309513A (zh) 2023-03-31 2023-03-31 电子元件缺陷的检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116309513A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576108A (zh) * 2024-01-17 2024-02-20 杭州广立微电子股份有限公司 晶圆缺陷检测的可视化优化方法、装置和计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576108A (zh) * 2024-01-17 2024-02-20 杭州广立微电子股份有限公司 晶圆缺陷检测的可视化优化方法、装置和计算机设备
CN117576108B (zh) * 2024-01-17 2024-05-28 杭州广立微电子股份有限公司 晶圆缺陷检测的可视化优化方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
CN111986178B (zh) 产品缺陷检测方法、装置、电子设备和存储介质
US10776911B2 (en) Information processing apparatus, identification system, setting method, and program
CN110659660B (zh) 利用深度学习系统的自动光学检测分类设备及其训练设备
CN109978816B (zh) 识别装置、识别方法以及存储介质
JP2019109563A (ja) データ生成装置、データ生成方法及びデータ生成プログラム
CN108492327B (zh) Aoi图像匹配方法、系统、可读存储介质及智能设备
CN116309513A (zh) 电子元件缺陷的检测方法、装置、设备及存储介质
CN113240673B (zh) 缺陷检测方法、装置、电子设备及存储介质
CN111178446A (zh) 一种基于神经网络的目标分类模型的优化方法、装置
CN113034447A (zh) 一种边缘缺陷检测方法和装置
CN113554630A (zh) 芯片表面缺陷检测方法、系统、计算机设备和存储介质
CN116542984A (zh) 五金件缺陷检测方法、装置、计算机设备及存储介质
CN112184679A (zh) 一种基于YOLOv3的酒瓶瑕疵自动检测方法
KR102174424B1 (ko) 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치
CN117372424B (zh) 一种缺陷检测方法、装置、设备及存储介质
CN116559170A (zh) 一种产品质量检测方法及相关系统
CN111191670A (zh) 基于神经网络的分类装置及分类方法
KR102208676B1 (ko) 신경망 학습을 위한 학습 데이터 레이블링 방법 및 이를 수행하는 시스템
CN117173154A (zh) 玻璃瓶的在线图像检测系统及其方法
JP2019158684A (ja) 検査システム、識別システム、及び識別器評価装置
US11282229B2 (en) Inspection apparatus
CN113870754B (zh) 一种面板检测电子信号缺陷判定的方法和系统
CN116977257A (zh) 缺陷检测方法、装置、电子设备、存储介质及程序产品
CN113763305B (zh) 标定物品缺陷的方法、装置及电子设备
CN114692887A (zh) 半监督学习系统及半监督学习方法

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