CN116385430A - 一种机器视觉瑕疵检测方法、装置、介质及设备 - Google Patents
一种机器视觉瑕疵检测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN116385430A CN116385430A CN202310607293.9A CN202310607293A CN116385430A CN 116385430 A CN116385430 A CN 116385430A CN 202310607293 A CN202310607293 A CN 202310607293A CN 116385430 A CN116385430 A CN 116385430A
- Authority
- CN
- China
- Prior art keywords
- flaw
- hardware
- image
- feature
- flaws
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000007547 defect Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000007689 inspection Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000009713 electroplating Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004049 embossing Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本公开提供了一种机器视觉瑕疵检测方法、装置、介质及设备,所述方法包括:采集待检测的五金件图像信息,并根据五金件瑕疵的位置和尺寸大小进行人工标注得到标注后的图像数据;根据预先构建的分类库将标注后的图像数据中五金件瑕疵的位置和尺寸大小划分为小型故障类别、长条状故障类别和大面积故障类别三种瑕疵类别;根据瑕疵类别得到瞄框和图像大小自动调节方法,利用数据聚类的方法,根据所述瑕疵类别自适应选择瞄框和图像大小,将自适应选择后的瞄框和图像大小作为输入得到特征图;对特征图进行迭代生成五金件瑕疵检测模型,并利用所述五金件瑕疵检测模型进行五金件瑕疵检测。本公开的方法有效地降低计算复杂度,提高小目标的检测准确率。
Description
技术领域
本公开涉及目标检测技术领域,更为具体来说,本公开涉及一种机器视觉瑕疵检测方法、装置、介质及设备。
背景技术
五金件是生产领域常见的工具,在其加工过程中,可能会出现表面划痕、压印、电镀不良、脏污等瑕疵的异常情况,这些瑕疵不仅影响外形美观,严重的情况可能影响到设备的正常安全运行。现有的五金件检测系统大多依靠人工进行抽检,很难保证整个批次的产品进行全部检验。人工检测存在时间周期较长,生产效率较低,成本较高,人为因素影响较大,误检率漏检率较高等情况。相对于人工抽检,利用机器进行瑕疵检测更加的高速、高效、精准。此外,肉眼无法检测细微的瑕疵,采用机器视觉能够迅速检测出微米级的缺陷,尤其是对精密五金件检测来说,机器视觉检测的应用是非常必要的。常用的机器视觉检测系统主要通过获取图像和处理图像来判断瑕疵的数量和类别。大多数情况,只是针对比较简单的场景对一些明显故障做出判断,不能满足实际的需求。
发明内容
为解决现有技术的机器视觉检测方法具有局限性不能满足用户的实际需求的技术问题。
为实现上述技术目的,本公开提供了一种机器视觉检测方法,包括:
采集待检测的五金件图像信息,并根据五金件瑕疵的位置和尺寸大小进行人工标注得到标注后的图像数据;
根据预先构建的分类库将所述标注后的图像数据中五金件瑕疵的位置和尺寸大小划分为小型故障类别、长条状故障类别和大面积故障类别三种瑕疵类别;
利用数据聚类的方法,根据所述瑕疵类别自适应选择瞄框和图像大小,将自适应选择后的瞄框和图像大小作为输入得到特征图;
对所述特征图进行迭代生成五金件瑕疵检测模型,并利用所述五金件瑕疵检测模型进行五金件瑕疵检测。
进一步,所述利用数据聚类的方法,根据所述瑕疵类别自适应选择瞄框和图像大小具体包括:
根据瑕疵标注结果得到瑕疵的中心点横纵坐标,标注框的长度,标注框的高度,标注的瑕疵类别;
根据瑕疵的大小和类别,通过数据聚类的方法将瑕疵划分为三种瑕疵类别;
根据所述瑕疵类别自适应选择瞄框和图像大小。
进一步,所述数据聚类的方法基于k-means方法实现瑕疵的聚类,具体包括:
S1,对每张图像中的瑕疵进行特征提取;
S2,随机初始化三个属于不同瑕疵类别的特征,将这三个瑕疵特征分别作为三种瑕疵类别的聚类中心;
S3,计算除上述三个瑕疵特征之外的瑕疵特征距离每个聚类中心的距离,选择距离最近的一个作为该瑕疵特征的瑕疵类别;
S4,将所有的瑕疵特征按照三个聚类中心进行分类,重新计算新的分类中所有瑕疵特征的平均值作为新的聚类中心;
S5,若新的聚类中心和原来的聚类中心之间的距离小于预设的阈值,则结束聚类;若大于预设阈值,则重复步骤S3-S5。
进一步,所述步骤S3中,计算除上述三个瑕疵特征之外的瑕疵特征距离每个聚类中心的距离,具体为:
计算每个瑕疵特征与聚类中心的三种相关系数数值,选择相关系数数值最大的一个作为距离表达;
所述三种相关系数包括皮尔逊相关系数、斯皮尔曼相关系数、最大信息相关系数;
三种相关系数的计算公式如下:
皮尔逊相关系数:
最大信息系数:
其中,是指瑕疵X和瑕疵Y之间的互信息,/>是瑕疵X和瑕疵Y之间的联合概率,/>和/>分别是瑕疵X和瑕疵Y的概率密度函数,/>是指瑕疵X和瑕疵Y之间的最大信息系数,B是预先设定的参数,一般情况下,/>,N为数据总量,是全部特征在所有采样时刻的采样观测值总和。
进一步,所述对所述特征图进行迭代生成五金件瑕疵检测模型具体包括:
将所述特征图送入FPN特征金字塔进行特征提取得到特征层;使用YoloHead对3个加强的特征层分别进行分类预测和回归预测。
进一步,所述将所述特征图送入FPN特征金字塔进行特征提取得到特征层具体包括:
对较小的特征图采取上采样,对较大的特征图采取下采样,并不断的把同等大小的特征图进行融合得到特征层。
进一步,所述将自适应选择后的瞄框和图像大小作为输入得到特征图之前,所述方法还包括:
对自适应选择的后的瞄框和图像进行数据增强处理;
将数据增强处理和自适应选择后的瞄框和图像大小作为输入得到特征图。
为实现上述技术目的,本公开还能够提供一种机器视觉检测装置,包括:
图像采集标注模块,用于采集待检测的五金件图像信息,并根据五金件瑕疵的位置和尺寸大小进行人工标注得到标注后的图像数据;
图像分类模块,用于根据预先构建的分类库将所述标注后的图像数据中五金件瑕疵的位置和尺寸大小划分为小型故障类别、长条状故障类别和大面积故障类别三种瑕疵类别;
图像处理模块,用于利用数据聚类的方法,根据所述瑕疵类别自适应选择瞄框和图像大小,将自适应选择后的瞄框和图像大小作为输入得到特征图;
模型训练模块,用于对所述特征图进行迭代生成五金件瑕疵检测模型。
为实现上述技术目的,本公开还能够提供一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时用于实现上述的机器视觉检测方法的步骤。
为实现上述技术目的,本公开还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的机器视觉检测方法的步骤。
本公开的有益效果为:
本公开根据五金件规模较小、瑕疵颜色较难分辨等特征,对传统的yolov5算法进行改进,提高五金件瑕疵检测的准确率。由于五金件颜色均匀,瑕疵较小,本发明利用聚类算法,对多种相似瑕疵进行处理,有效地降低计算复杂度,同时考虑瑕疵较小的问题,利用数据增强方法,提高小目标的检测准确率。
本公开根据五金件的大小形态特征,将全部的五金件瑕疵种类分为三种,并利用瑕疵之间的关联关系辨识瑕疵种类,初步对瑕疵进行分类,为后续模型训练,瑕疵识别打下重要的基础,极大提高瑕疵的检出效率,同时有目的性的分辨待检测五金件的瑕疵种类,具有较高的使用价值和实际意义。
整体流程将五金件放入传送带,并自动旋转至拍摄区,通过高清工业相机拍摄五金件图像,将采集到的高清图像利用改进的yolov5算法进行检测,判断其是否存在瑕疵及瑕疵等级,根据五金件的质量等级,分别传送至不同的分区位置,并将存在瑕疵的五金件图像传送给显示终端,并对瑕疵图像进行信息储存。
自动化产线基于本公开提出的瑕疵检测方法,对五金件质量进行把控,极大程度降低了人工识别五金件的工程量,提高了检测速度,同时避免了不同检测人员的主观判断造成的误差。使用人工智能算法识别五金件的瑕疵,可以高效准确检测出五金件的瑕疵,解决了传统人工检测速度较慢,标准不一的缺点。
附图说明
图1示出了本公开的实施例1的流程示意图;
图2示出了本公开的实施例2的结构示意图;
图3示出了本公开的实施例4的结构示意图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
五金件是生产领域常见的工具,在其加工过程中,可能会出现表面划痕、压印、电镀不良、脏污等瑕疵的异常情况,这些瑕疵不仅影响外形美观,严重的情况可能影响到设备的正常安全运行。现有的五金件检测系统大多依靠人工进行抽检,很难保证整个批次的产品进行全部检验。人工检测存在时间周期较长,生产效率较低,成本较高,人为因素影响较大,误检率漏检率较高等情况。相对于人工抽检,利用机器进行瑕疵检测更加的高速、高效、精准。此外,肉眼无法检测细微的瑕疵,采用机器视觉能够迅速检测出微米级的缺陷,尤其是对精密五金件检测来说,机器视觉检测的应用是非常必要的。
机器视觉,简而言之就是利用机器代替人工进行目标识别、判断与测量。它是现代光学、电子学、软件工程、信号处理与系统控制技术等多学科的交叉与融合。光学采集设备,由工业摄像机、光源及配套图像采集卡等硬件组成。主要作用是获取通过采集位置的标签的数字图像,为后续的分析与处理提供素材,相当于人工检测的眼睛。自动控制判断识别,由工业控制计算机及植入的图像处理与分析软件、控制软件构成。是视觉检测的核心部分,最终形成缺陷的判断并能向后续执行机构发出指令。工业产品的表面缺陷对产品的美观度、舒适度和使用性能等带来不良影响,所以生产企业对产品的表面缺陷进行检测以便及时发现并加以控制。
目标检测需要获取图片中所需要目标的位置及其类别,目前主要有两种基于深度学习的目标检测方法:以Faster R-CNN为代表的两阶段算法和以YOLO为代表的一阶段算法。YOLO是一个目标检测算法,而目标检测的本质,就是识别与回归,而处理图像用的最多的就是卷积神经网络。所以YOLO本质上,就是一个实现了回归功能的深度卷积神经网络。
对于训练卷积神经网络,需要提取图片信息的特征。相对于FAST R-CNN目标检测模型中使用region proposal(候选区域)特征提取的方法,YOLO选择了对图片全局区域进行训练,速度加快的同时,能够更好的区分目标和背景。
常用的机器视觉检测系统主要通过获取图像和处理图像来判断瑕疵的数量和类别。大多数情况,只是针对比较简单的场景对一些明显故障做出判断,不能满足实际的需求。
为了解决上述技术问题:
如图1所示:
本公开提供了一种机器视觉瑕疵检测方法,包括:
S101:采集待检测的五金件图像信息,并根据五金件瑕疵的位置和尺寸大小进行人工标注得到标注后的图像数据;
S102:根据预先构建的分类库将所述标注后的图像数据中五金件瑕疵的位置和尺寸大小划分为小型故障类别、长条状故障类别和大面积故障类别三种瑕疵类别;
103:利用数据聚类的方法,根据所述瑕疵类别自适应选择瞄框和图像大小,将自适应选择后的瞄框和图像大小作为输入得到特征图;
104:对所述特征图进行迭代生成五金件瑕疵检测模型,并利用所述五金件瑕疵检测模型进行五金件瑕疵检测。
进一步,所述利用数据聚类的方法,根据所述瑕疵类别自适应选择瞄框和图像大小具体包括:
根据瑕疵标注结果得到瑕疵的中心点横纵坐标,标注框的长度,标注框的高度,标注的瑕疵类别;
根据瑕疵的大小和类别,通过数据聚类的方法将瑕疵划分为三种瑕疵类别;
根据所述瑕疵类别自适应选择瞄框和图像大小。
进一步,所述数据聚类的方法基于k-means方法实现瑕疵的聚类,具体包括:
S1,对每张图像中的瑕疵进行特征提取;
S2,随机初始化三个属于不同瑕疵类别的特征,将这三个瑕疵特征分别作为三种瑕疵类别的聚类中心;
S3,计算除上述三个瑕疵特征之外的瑕疵特征距离每个聚类中心的距离,选择距离最近的一个作为该瑕疵特征的瑕疵类别;
S4,将所有的瑕疵特征按照三个聚类中心进行分类,重新计算新的分类中所有瑕疵特征的平均值作为新的聚类中心;
S5,若新的聚类中心和原来的聚类中心之间的距离小于预设的阈值,则结束聚类;若大于预设阈值,则重复步骤S3-S5。
进一步,所述步骤S3中,计算除上述三个瑕疵特征之外的瑕疵特征距离每个聚类中心的距离,具体为:
计算每个瑕疵特征与聚类中心的三种相关系数数值,选择相关系数数值最大的一个作为距离表达;
所述三种相关系数包括皮尔逊相关系数、斯皮尔曼相关系数、最大信息相关系数;
三种相关系数的计算公式如下:
皮尔逊相关系数:
最大信息系数:
其中,是指瑕疵X和瑕疵Y之间的互信息,/>是瑕疵X和瑕疵Y之间的联合概率,/>和/>分别是瑕疵X和瑕疵Y的概率密度函数,/>是指瑕疵X和瑕疵Y之间的最大信息系数,B是预先设定的参数,一般情况下,/>,N为数据总量,是全部特征在所有采样时刻的采样观测值总和。
进一步,所述对所述特征图进行迭代生成五金件瑕疵检测模型具体包括:
将所述特征图送入FPN特征金字塔进行特征提取得到特征层;使用YoloHead对3个加强的特征层分别进行分类预测和回归预测。
进一步,所述将所述特征图送入FPN特征金字塔进行特征提取得到特征层具体包括:
对较小的特征图采取上采样,对较大的特征图采取下采样,并不断的把同等大小的特征图进行融合得到特征层。
进一步,所述将自适应选择后的瞄框和图像大小作为输入得到特征图之前,所述方法还包括:
对自适应选择的后的瞄框和图像进行数据增强处理;
将数据增强处理和自适应选择后的瞄框和图像大小作为输入得到特征图。
一种机器视觉瑕疵检测的方法及实现,具体包括:
通过工业相机拍摄五金件高清图像,根据瑕疵的位置和大小,对五金件高清图像进行人工标注;
根据瑕疵的大小和形态,利用专家系统知识对瑕疵进行分类,包括不影响功能的轻微瑕疵和需要废弃的严重瑕疵;
根据瑕疵种类,设计了一种瞄框和图片大小自动调节算法,利用数据聚类的方法,自适应选择瞄框和图片大小;
根据标注的瑕疵位置和大小,将瑕疵图像部分取出,利用随机缩放、随机裁剪、随机排布的方式进行拼接。针对部分五金件瑕疵目标较小的特征,利用Mosaic数据增强方法提高小目标检测的效果;
将数据增强后的高清图像及自适应选择后的瞄框和图片大小作为输入,通过Backbone主干提取网络进行图像分块,保留存在瑕疵的部分作为特征图;
然后利用CSPDarknet进行特征提取,提取到的特征层,是输入图片的特征集合;
获得的有效特征层会进一步送入加强提取特征网络FPN,在这里特征会进行局部跨层融合,利用不同层的特征信息来获得更为丰富的特征图;
将不同层提取的有效特征进行聚合,再通过自底向上路径聚合结构聚合浅层特征,充分融合了不同层的图像特征;
最后通过特征点预测瑕疵的位置和类别,通过与真实瑕疵的位置和类别进行比对,构建损失函数计算其损失值,从而在反向传播处调整网络权重参数,进而迭代生成瑕疵检测的模型;
采用获得的瑕疵检测的模型对新采集的五金件图像进行瑕疵检测。
其中一种瞄框和图片大小自动调节算法,其特征在于:包括:
瑕疵标注结果为瑕疵的中心点横纵坐标(x,y),标注框的长度w,标注框的高度h,标注的瑕疵类别n。
根据瑕疵的大小和种类,可以分为三种尺寸类别的故障,例如毛孔、砂眼、压印等小型故障类别集合N1,擦痕、划伤等长条状故障类别集合N2,电镀不良、脏污等大面积故障类别集合N3。通过数据聚类的方法,将多种故障简化为3种特征更为明显的故障,在数据聚类的过程中针对处在边界处的样本,对其赋予较低的权重,对于位于聚类中心的样本赋予其较高的权重。
其中数据聚类方法指基于改进的k-means算法的瑕疵分类方法,首先记录瑕疵的一些描述特征,包括所在位置的绝对坐标(x,y),瑕疵中最高的部分高度h1,最矮的部分高度h2,最宽的宽度w1,最窄的宽度w2,瑕疵基于水平线的倾斜角度α,将这7个数值作为每个瑕疵的所属特征,利用改进的k-means方法实现瑕疵的聚类。
具体步骤如下:
1. 对每张图片中的瑕疵进行上述7种特征的提取:x,y,h1,h2,w1,w2, α;
2. 随机初始化三个属于不同瑕疵类别的特征,将这三个瑕疵特征分别作为三种瑕疵类别的聚类中心c1,c2,c3;
3. 计算除上述三个瑕疵特征之外的瑕疵特征距离每个聚类中心的距离,选择距离最近的一个作为该瑕疵特征的瑕疵类别,其中距离的计算公式,考虑五金件的瑕疵特征主要在于大小和形态,故计算距离的时候选择不同瑕疵之间的关联关系。皮尔逊相关系数,斯皮尔曼相关系数及最大信息系数可以用于辨识不同变量之间的互信息关系。为了降低数据规模对关联关系的影响,首先对特征值进行归一化处理。为了消除不同关联关系计算的影响,本专利创新性地用三种关联关系中的最大值描述不同瑕疵之间的关联关系,作为k-means距离的计算方式。公式如下:
皮尔逊相关系数:
最大信息系数:
其中,是指瑕疵X和瑕疵Y之间的互信息,/>是瑕疵X和瑕疵Y之间的联合概率,/>和/>分别是瑕疵X和瑕疵Y的概率密度函数,/>是指瑕疵X和瑕疵Y之间的最大信息系数,B是预先设定的参数,一般情况下,/>,N为数据总量,是全部特征在所有采样时刻的采样观测值总和。
计算每个瑕疵与中心瑕疵的三种相关系数数值,选择相关系数数值最大的为最终的距离表达。
4. 将所有的瑕疵按照三个聚类中心进行分类,重新计算新的分类中所有瑕疵特征的平均值作为新的聚类中心;
5. 如果新计算出来的中心和原来的中心之间的距离小于某一个设置的阈值,则表示重新计算的中心的位置变化不大,数据整体趋于稳定,或者说数据已经收敛。在这样的情况下,我们认为聚类效果已经达到了期望的结果,算法可终止。
6. 反之,如果新中心和原来中心的距离变化很大,需要重复迭代3-5步骤,直至位置变化不大,达到收敛状态。
至此,将获得的全部高清瑕疵图片分类完成。
将数据增强后的高清图像及自适应选择后的瞄框和图片大小作为输入,送入Backbone主干提取网络,首先经过Focus网络对图片的长宽进行压缩,获得一个特征层。经过不断的卷积层和池化层,获得3个不同大小的特征提取层。
3个不同大小的有效特征层大小分别为80*80*256、40*40*512和20*20*1024。将它们分别传入FPN进行特征提取。对较小的特征层采取上采样,对较大的特征层采取下采样,并不断的把同等大小的特征层进行融合。输出3个加强的有效特征层。
使用YoloHead对3个加强的有效特征层分别进行分类预测和回归预测,最终获得网络的预测结果。
本公开针对五金工件特有的瑕疵特点,基于YOLOv5算法进行视觉检测。首先对整个图像区域进行快速检索,采用Mosaic数据增强的模式,使用随机缩放、随机裁剪、随机排布的方法进行拼接,实现缺陷的识别。然后采用智能检测算法,针对不同的数据集,设定初始的缺陷参数,对不同的瑕疵类型进行聚类分析。用整理过的瑕疵数据进行网络训练,获得提取特征参数,进而算法不断进行数据分析,进行参数迭代,从而得到精准的缺陷特征参数,实现目标缺陷的检测。基于上述研究内容,本发明设计了五金件瑕疵检测算法实现流程,包含了图像采集、图像瑕疵数据预处理、图像瑕疵检测、结果显示等多个进程,完成了表面瑕疵检测流程的整体落地。
基于工业视觉检测技术原理的工业表面缺陷检测系统能够在线、高速扫描每个产品,形成高分辨率的原始图像,进行实时的图像处理,精确捕捉各种表面缺陷,并实现报警、报表统计、质量分析和分拣等处理,有效提高缺陷检测准确率,同时防止伪缺陷带来的干扰。
实施例二:
如图2所示:
本公开还提供了一种机器视觉瑕疵检测装置,包括:
图像采集标注模块201,用于采集待检测的五金件图像信息,并根据五金件瑕疵的位置和尺寸大小进行人工标注得到标注后的图像数据;
图像分类模块202,用于根据预先构建的分类库将所述标注后的图像数据中五金件瑕疵的位置和尺寸大小划分为小型故障类别、长条状故障类别和大面积故障类别三种瑕疵类别;
图像处理模块203,用于利用数据聚类的方法,根据所述瑕疵类别自适应选择瞄框和图像大小,将自适应选择后的瞄框和图像大小作为输入得到特征图;
模型训练模块204,用于对所述特征图进行迭代生成五金件瑕疵检测模型。
其中,所述图像采集标注模块201依次与所述图像分类模块202、所述图像处理模块203和所述模型训练模块204相连接。
实施例三:
本公开还能够提供一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时用于实现上述的机器视觉检测方法的步骤。
所述存储介质可以是非易失性的,也可以是非易失性的。所述存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
实施例四:
本公开还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的机器视觉检测方法的步骤。
图3为一个实施例中电子设备的内部结构示意图。如图3所示,该电子设备包括通过系统总线连接的处理器、存储介质、存储器和网络接口。其中,该计算机设备的存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种机器视觉检测方法。该电设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种机器视觉检测方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。
所述处理器在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器内的程序或者模块(例如执行远端数据读写程序等),以及调用存储在所述存储器内的数据,以执行电子设备的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。本公开的范围由所附权利要求及其等价物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种机器视觉瑕疵检测方法,其特征在于,包括:
采集待检测的五金件图像信息,并根据五金件瑕疵的位置和尺寸大小进行人工标注得到标注后的图像数据;
根据预先构建的分类库将所述标注后的图像数据中五金件瑕疵的位置和尺寸大小划分为小型故障类别、长条状故障类别和大面积故障类别三种瑕疵类别;
利用数据聚类的方法,根据所述瑕疵类别自适应选择瞄框和图像大小,将自适应选择后的瞄框和图像大小作为输入得到特征图;
对所述特征图进行迭代生成五金件瑕疵检测模型,并利用所述五金件瑕疵检测模型进行五金件瑕疵检测。
2.根据权利要求1所述的方法,其特征在于,所述利用数据聚类的方法,根据所述瑕疵类别自适应选择瞄框和图像大小具体包括:
根据瑕疵标注结果得到瑕疵的中心点横纵坐标,标注框的长度,标注框的高度,标注的瑕疵类别;
根据瑕疵的大小和类别,通过数据聚类的方法将瑕疵划分为三种瑕疵类别;
根据所述瑕疵类别自适应选择瞄框和图像大小。
3.根据权利要求2所述的方法,其特征在于,所述数据聚类的方法基于k-means方法实现瑕疵的聚类,具体包括:
S1,对每张图像中的瑕疵进行特征提取;
S2,随机初始化三个属于不同瑕疵类别的特征,将这三个瑕疵特征分别作为三种瑕疵类别的聚类中心;
S3,计算除上述三个瑕疵特征之外的瑕疵特征距离每个聚类中心的距离,选择距离最近的一个作为该瑕疵特征的瑕疵类别;
S4,将所有的瑕疵特征按照三个聚类中心进行分类,重新计算新的分类中所有瑕疵特征的平均值作为新的聚类中心;
S5,若新的聚类中心和原来的聚类中心之间的距离小于预设的阈值,则结束聚类;若大于预设阈值,则重复步骤S3-S5。
4.根据权利要求3所述的方法,其特征在于,所述步骤S3中,计算除上述三个瑕疵特征之外的瑕疵特征距离每个聚类中心的距离,具体为:
计算每个瑕疵特征与聚类中心的三种相关系数数值,选择相关系数数值最大的一个作为距离表达;
所述三种相关系数包括皮尔逊相关系数、斯皮尔曼相关系数、最大信息相关系数;
三种相关系数的计算公式如下:
皮尔逊相关系数:
最大信息系数:
5.根据权利要求1所述的方法,其特征在于,所述对所述特征图进行迭代生成五金件瑕疵检测模型具体包括:
将所述特征图送入FPN特征金字塔进行特征提取得到特征层;使用YoloHead对3个加强的特征层分别进行分类预测和回归预测。
6.根据权利要求5所述的方法,其特征在于,所述将所述特征图送入FPN特征金字塔进行特征提取得到特征层具体包括:
对较小的特征图采取上采样,对较大的特征图采取下采样,并不断的把同等大小的特征图进行融合得到特征层。
7.根据权利要求1~6任一项中所述的方法,其特征在于,所述将自适应选择后的瞄框和图像大小作为输入得到特征图之前,所述方法还包括:
对自适应选择的后的瞄框和图像进行数据增强处理;
将数据增强处理和自适应选择后的瞄框和图像大小作为输入得到特征图。
8.一种机器视觉瑕疵检测装置,其特征在于,包括:
图像采集标注模块,用于采集待检测的五金件图像信息,并根据五金件瑕疵的位置和尺寸大小进行人工标注得到标注后的图像数据;
图像分类模块,用于根据预先构建的分类库将所述标注后的图像数据中五金件瑕疵的位置和尺寸大小划分为小型故障类别、长条状故障类别和大面积故障类别三种瑕疵类别;
图像处理模块,用于利用数据聚类的方法,根据所述瑕疵类别自适应选择瞄框和图像大小,将自适应选择后的瞄框和图像大小作为输入得到特征图;
模型训练模块,用于对所述特征图进行迭代生成五金件瑕疵检测模型。
9.一种电子设备,包括存储器、处理器,所述存储器上存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~7任一项中所述方法的步骤。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时用于实现权利要求1~7任一项中所述的方法对应的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310607293.9A CN116385430A (zh) | 2023-05-26 | 2023-05-26 | 一种机器视觉瑕疵检测方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310607293.9A CN116385430A (zh) | 2023-05-26 | 2023-05-26 | 一种机器视觉瑕疵检测方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385430A true CN116385430A (zh) | 2023-07-04 |
Family
ID=86979012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310607293.9A Pending CN116385430A (zh) | 2023-05-26 | 2023-05-26 | 一种机器视觉瑕疵检测方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385430A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117006948A (zh) * | 2023-07-29 | 2023-11-07 | 南通莱博尔精密机电配套有限公司 | 一种基于机器视觉的集装箱密封条瑕疵检测方法及系统 |
CN117474912A (zh) * | 2023-12-27 | 2024-01-30 | 浪潮软件科技有限公司 | 一种基于计算机视觉的路段缝隙分析方法及模型 |
CN117589779A (zh) * | 2023-11-28 | 2024-02-23 | 苏州瑞德智慧精密科技股份有限公司 | 一种视觉检伤系统及五金配件成型设备 |
CN118297931A (zh) * | 2024-04-30 | 2024-07-05 | 广西精记拉链有限公司 | 一种基于机器视觉的拉链质量在线检测方法及其系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991271A (zh) * | 2021-02-08 | 2021-06-18 | 西安理工大学 | 基于改进yolov3的铝型材表面缺陷视觉检测方法 |
CN113240626A (zh) * | 2021-04-08 | 2021-08-10 | 西安电子科技大学 | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 |
CN114048789A (zh) * | 2021-07-19 | 2022-02-15 | 青岛科技大学 | 基于改进Cascade R-CNN的酒瓶瑕疵检测 |
CN115272234A (zh) * | 2022-07-29 | 2022-11-01 | 烟台海维软件科技有限公司 | 瓶盖质量检测方法、装置、计算机设备及存储介质 |
-
2023
- 2023-05-26 CN CN202310607293.9A patent/CN116385430A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991271A (zh) * | 2021-02-08 | 2021-06-18 | 西安理工大学 | 基于改进yolov3的铝型材表面缺陷视觉检测方法 |
CN113240626A (zh) * | 2021-04-08 | 2021-08-10 | 西安电子科技大学 | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 |
CN114048789A (zh) * | 2021-07-19 | 2022-02-15 | 青岛科技大学 | 基于改进Cascade R-CNN的酒瓶瑕疵检测 |
CN115272234A (zh) * | 2022-07-29 | 2022-11-01 | 烟台海维软件科技有限公司 | 瓶盖质量检测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
刘大松: "基于深度卷积神经网络的铝型材表面瑕疵识别技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 01, pages 022 - 452 * |
熊光明 等: "《智能车辆理论与应用:慕课版 第2版》", 北京理工大学出版社, pages: 57 - 60 * |
王思杰: "基于机器视觉的油气管道焊缝检测识别系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 12, pages 019 - 108 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117006948A (zh) * | 2023-07-29 | 2023-11-07 | 南通莱博尔精密机电配套有限公司 | 一种基于机器视觉的集装箱密封条瑕疵检测方法及系统 |
CN117006948B (zh) * | 2023-07-29 | 2024-04-16 | 南通莱博尔精密机电配套有限公司 | 一种基于机器视觉的集装箱密封条瑕疵检测方法及系统 |
CN117589779A (zh) * | 2023-11-28 | 2024-02-23 | 苏州瑞德智慧精密科技股份有限公司 | 一种视觉检伤系统及五金配件成型设备 |
CN117474912A (zh) * | 2023-12-27 | 2024-01-30 | 浪潮软件科技有限公司 | 一种基于计算机视觉的路段缝隙分析方法及模型 |
CN118297931A (zh) * | 2024-04-30 | 2024-07-05 | 广西精记拉链有限公司 | 一种基于机器视觉的拉链质量在线检测方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11380232B2 (en) | Display screen quality detection method, apparatus, electronic device and storage medium | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
US20200357109A1 (en) | Method for detecting display screen quality, apparatus, electronic device and storage medium | |
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
WO2020164282A1 (zh) | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 | |
He et al. | Deep regression neural network for industrial surface defect detection | |
CN109508664B (zh) | 一种基于深度学习的菜品识别计价方法 | |
CN115131283B (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN109871821A (zh) | 自适应网络的行人重识别方法、装置、设备及存储介质 | |
Yao et al. | AYOLOv3-Tiny: An improved convolutional neural network architecture for real-time defect detection of PAD light guide plates | |
CN112270659A (zh) | 一种动力电池极片表面缺陷快速检测方法和系统 | |
CN110349167A (zh) | 一种图像实例分割方法及装置 | |
CN110929795A (zh) | 高速焊线机焊点快速识别与定位方法 | |
WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
CN113487610A (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN117011260A (zh) | 一种芯片外观缺陷自动检测方法、电子设备及存储介质 | |
CN110866931B (zh) | 图像分割模型训练方法及基于分类的强化图像分割方法 | |
CN114627090A (zh) | 一种基于注意力机制的卷积神经网络光学镜片缺陷检测方法 | |
CN118053027A (zh) | 一种缺陷识别方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230704 |