CN116486126A - 一种模版确定方法、装置、设备及存储介质 - Google Patents
一种模版确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116486126A CN116486126A CN202310757001.XA CN202310757001A CN116486126A CN 116486126 A CN116486126 A CN 116486126A CN 202310757001 A CN202310757001 A CN 202310757001A CN 116486126 A CN116486126 A CN 116486126A
- Authority
- CN
- China
- Prior art keywords
- image
- template
- preset
- detected
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 230000004044 response Effects 0.000 claims description 60
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 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
Classifications
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及图像处理技术领域，具体提供了一种模版确定方法、装置、设备及存储介质，用于解决提高匹配精度以及降低匹配耗时的问题，所述方法包括：基于预设设计文档确定预设模版图像的各个建模区域图像，提取各个所述建模区域图像的图像特征作为匹配模版。采用该方法，利用预设设计文档精确确定出了建模区域图像，使得在对笔记本内构件进行缺陷检测时可以采用更精准的建模区域图像进行缺陷检测，提高了匹配与检测精度，并且，根据建模区域图像确定了匹配模版，使得可以直接利用匹配模版对待检测的笔记本内构件图像进行匹配，大大降低了匹配耗时，提高了匹配与检测效率。
Description
技术领域
本公开涉及图像处理技术领域，尤其涉及一种模版确定方法、装置、设备及存储介质。
背景技术
笔记本内构件缺陷检测过程对于笔记本被投入应用十分重要。目前，对于笔记本内构件缺陷检测通常会使用图像建模技术，以提高缺陷的检出率和工业自动化水平。具体的，传统的针对笔记本内构件的图像建模方法主要是对笔记本内构件的模板图像进行特征提取，利用所提取的特征与笔记本内构件的图像进行匹配，然而，这种方式不仅非常耗时，且建模技术会受到光照变化、拍摄角度变化以及图像畸变等因素影响，导致匹配精度较差。
因此，如何在提高匹配精度的同时降低匹配耗时成为了一个亟待解决的问题。
发明内容
本公开提供了一种模版确定方法、装置、设备及存储介质，以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面，提供了一种模版确定方法，所述方法包括：
基于预设设计文档确定预设模版图像的各个建模区域图像，其中，所述预设设计文档为记录了待检测设备的脚垫贴敷区域的文档，所述预设模版图像为所采集的经过标准化脚垫贴敷处理后的设备的内结构图像，所述建模区域图像为所述预设模版图像中的脚垫贴敷区域图像；
提取各个所述建模区域图像的图像特征作为匹配模版。
在一可实施方式中，所述提取各个所述建模区域图像的图像特征作为匹配模版，包括：
提取各个所述建模区域图像的梯度响应特征；
基于各个所述梯度响应特征，确定所述预设模版图像对应的特征模版，作为匹配模版。
在一可实施方式中，所述提取各个所述建模区域图像的梯度响应特征，包括：
采用如下公式，提取各个所述建模区域图像的梯度响应特征：
其中，Ig(x)为所述建模区域图像中的像素点x的梯度响应特征，R、G、B为所述建模区域图像的RGB通道，C为所述建模区域图像的图像通道，ori表示所述建模区域图像。
在一可实施方式中，所述基于各个所述梯度响应特征，确定所述预设模版图像对应的特征模版，作为匹配模版，包括：
根据多个预设梯度方向，确定各个所述梯度响应特征所属的梯度方向；
将各个所述梯度响应特征与各个所述梯度响应特征所属的梯度方向进行对应处理，得到对应处理后的特征模版作为匹配模版。
在一可实施方式中，所述根据多个预设梯度方向，确定各个所述梯度响应特征所属的梯度方向，包括：
针对每个所述梯度响应特征的各个像素，确定该像素与该像素的邻域像素所对应的预设梯度方向；
根据所对应的预设梯度方向确定该梯度响应特征所属的梯度方向。
在一可实施方式中，所述基于预设设计文档确定预设模版图像的各个建模区域图像，包括：
确定预设设计文档中的设计图像与所述预设模板图像之间的伸缩比例；
基于所述伸缩比例调整所述预设模版图像的大小，以使调整后的预设模版图像与所述设计图像大小一致；
将调整后的预设模版图像中与所述设计图像的目标贴敷区域对应的区域，确定为建模区域图像。
在一可实施方式中，所述方法还包括：
获取待检测设备的内结构图像；
基于所述预设设计文档确定所述内结构图像的各个待检测区域图像；
提取各个所述待检测区域图像的图像特征；
基于所述匹配模版，确定所述待检测区域图像的图像特征与所述建模区域图像的图像特征是否匹配；
如果是，确定待检测设备通过检测。
在一可实施方式中，所述基于所述匹配模版，确定所述待检测区域图像的图像特征与所述建模区域图像的图像特征是否匹配，包括：
针对每个所述待检测区域图像的图像特征，计算该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度；
若所述匹配模版中存在相似度大于预设相似度阈值的图像特征，确定该待检测区域图像的图像特征与所述匹配模版中的图像特征相匹配。
在一可实施方式中，所述针对每个所述待检测区域图像的图像特征，计算该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度，包括：
针对每个所述待检测区域图像的图像特征，采用如下公式计算该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度：
其中，为该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度，/>，R(c+r)为图像中以位置c+r为中心且大小为/>的邻域，/>是所述内结构图像I中t移位的c位置处的梯度方向，P为所述预设模版图像T中的特征位置，ori(T,r)是所述预设模版图像T中r移位的c位置处的梯度方向，/>表示3×3的邻域。
根据本公开的第二方面，提供了一种模版确定装置，所述装置包括：
图像提取模块，用于基于预设设计文档确定预设模版图像的各个建模区域图像，其中，所述预设设计文档为记录了待检测设备的脚垫贴敷区域的文档，所述预设模版图像为所采集的经过标准化脚垫贴敷处理后的设备的内结构图像，所述建模区域图像为所述预设模版图像中的脚垫贴敷区域图像；
模版确定模块，用于提取各个所述建模区域图像的图像特征作为匹配模版。
根据本公开的第三方面，提供了一种电子设备，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本公开所述的方法。
根据本公开的第四方面，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，所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的模版确定方法、装置、设备及存储介质，基于预设设计文档确定预设模版图像的各个建模区域图像，提取各个所述建模区域图像的图像特征作为匹配模版。即利用预设设计文档精确确定出了建模区域图像，使得在对笔记本内构件进行缺陷检测时可以采用更精准的建模区域图像进行缺陷检测，提高了匹配与检测精度，并且，根据建模区域图像确定了匹配模版，使得可以直接利用匹配模版对待检测的笔记本内构件图像进行匹配，大大降低了匹配耗时，提高了匹配与检测效率。
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
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例提供的模版确定方法的一种实现流程示意图；
图2示出了本公开实施例提供的一种预设设计文档示意图；
图3示出了本公开实施例提供的一种预设模版图像；
图4示出了本公开实施例提供的一种建模区域图像流程图；
图5示出了本公开实施例提供的一种建模区域图像；
图6示出了一种方向空间划分示意图；
图7示出了本公开实施例提供的一种预设梯度方向示意图；
图8示出了本公开实施例提供的一种预设梯度方向扩展示意图；
图9示出了本公开实施例提供的设备检测方法的一种实现流程示意图；
图10示出了本公开实施例提供的模版确定装置的一种结构示意图；
图11示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域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，都属于本公开保护的范围。
由于传统的针对笔记本内构件的图像建模方法不仅非常耗时，且建模技术会受到光照变化、拍摄角度变化以及图像畸变等因素影响，导致匹配精度较差。因此，为了提高匹配精度的同时降低匹配耗时，本公开提供了一种模版确定方法、装置、设备及存储介质。本公开提供的方法可以应用于能够进行图像处理的电子设备，例如电脑和服务器等。
下面将结合本公开实施例中的附图，对本公开实施例的技术方案进行描述。
图1示出了本公开实施例提供的模版确定方法的一种实现流程示意图，如图1所示，所述方法包括：
S101，基于预设设计文档确定预设模版图像的各个建模区域图像。
其中，所述预设设计文档为记录了待检测设备的脚垫贴敷区域的文档，所述预设模版图像为所采集的经过标准化脚垫贴敷处理后的设备的内结构图像，所述建模区域图像为所述预设模版图像中的脚垫贴敷区域图像。
本公开中，待检测设备为笔记本电脑，则预设设计文档为笔记本电脑底部结构的设计图像。例如，图2示出了本公开实施例提供的一种预设设计文档示意图，如图2所示，待检测设备为笔记本电脑时，预设设计文档包括笔笔记本电脑底部结构的设计图像201，设计图像201中被标记的各个小区域为笔记本电脑底部结构中需要贴敷脚垫的区域。
待检测设备是指对内结构进行了脚垫贴敷后的设备，例如，待检测设备可以为对内结构进行了脚垫贴敷后的笔记本。本公开中，可以预先对笔记本进行内结构脚垫贴敷，然后通过人工检查的方式挑选出内结构脚垫贴敷满足要求的笔记本作为经过标准化脚垫贴敷处理后的设备，并对经过标准化脚垫贴敷处理后的设备进行内结构图像采集，得到预设模版图像。图3示出了本公开实施例提供的一种预设模版图像，如图3所示，预设模版图像301是经过标准化脚垫贴敷处理后的设备的内结构图像，预设模版图像301中各矩形框表示的区域均为所贴敷的脚垫区域302，且图3中所贴敷的脚垫区域302中的脚垫贴敷符合内结构脚垫贴敷要求。
在一种可能的实施方式中，图4示出了本公开实施例提供的一种建模区域图像流程图，如图4所示，所述基于预设设计文档确定预设模版图像的各个建模区域图像，包括：
S401，确定预设设计文档中的设计图像与所述预设模板图像之间的伸缩比例。
本公开中，可以计算设计图像的长与预设模板图像的长的比值，作为横向伸缩比例；计算设计图像的宽与预设模板图像的宽的比值，作为纵向伸缩比例。
横向伸缩比例和纵向伸缩比例共同作为预设设计文档中的设计图像与所述预设模板图像之间的伸缩比例。
S402，基于所述伸缩比例调整所述预设模版图像的大小，以使调整后的预设模版图像与所述设计图像大小一致。
具体的，本公开中可以采用如下公式，基于所述伸缩比例，将预设模版图像与预设设计文档中的设计图像按照1:1进行双线性插值缩放，以使调整后的预设模版图像与所述设计图像大小一致：
其中，表示调整后的预设模版图像中的像素点（X,Y）的像素值，/>表示预设模版图像中的像素点（X’,Y’）的像素值，预设模版图像中的像素点（X’,Y’）与调整后的预设模版图像中的像素点（X,Y）为对应的像素点，/>表示预设模版图像中的像素点（X’,Y’）上侧最邻近像素点的像素值，/>表示预设模版图像中的像素点（X’,Y’）右侧最邻近像素点的像素值，/>表示预设模版图像中的像素点（X’,Y’）右侧最邻近像素点的上侧最邻近像素点的像素值，u表示横向伸缩比例，v表示纵向伸缩比例。
S403，将调整后的预设模版图像中与所述设计图像的目标贴敷区域对应的区域，确定为建模区域图像。
例如，图5示出了本公开实施例提供的一种建模区域图像，图3示出了一种标准模版图像，图2示出了预设设计文档，对图3的标准模版图像301进行调整，得到与图2的预设设计文档中的设计图像大小一致的调整后的预设模版图像，再将图2的预设设计文档中的设计图像中的笔记本电脑底部结构中需要贴敷脚垫的目标贴敷区域图像映射到调整后的预设模版图像中，得到了图5所示的建模区域图像501，建模区域图像501中展示了调整后的预设模版图像中的各个脚垫贴敷区域502。
S102，提取各个所述建模区域图像的图像特征作为匹配模版。
本公开中，可以针对预设模版图像的每个建模区域图像，提取该建模区域图像的图像特征作为匹配模版，用于检测待检测设备的脚垫贴敷区域。
采用本公开的模版确定方法，基于预设设计文档确定预设模版图像的各个建模区域图像，提取各个所述建模区域图像的图像特征作为匹配模版。即利用预设设计文档精确确定出了建模区域图像，使得在对笔记本内构件进行缺陷检测时可以采用更精准的建模区域图像进行缺陷检测，提高了匹配与检测精度，并且，根据建模区域图像确定了匹配模版，使得可以直接利用匹配模版对待检测的笔记本内构件图像进行匹配，大大降低了匹配耗时，提高了匹配与检测效率。
在一种可能的实施方式中，所述提取各个所述建模区域图像的图像特征作为匹配模版的步骤，可以包括步骤A1-A2：
步骤A1，提取各个所述建模区域图像的梯度响应特征。
本公开中，可以利用sobel（边缘检测算子）算子计算每个建模区域图像的横向和纵向的梯度幅值和梯度方向，确定梯度响应特征。其中，由于梯度方向具有更强的鉴别性和鲁棒性，一般更优先采用梯度方向作为梯度响应特征。建模区域图像的梯度方向的计算规则为：分别计算建模区域图像每个颜色通道的梯度方向，并取每个图像位置梯度幅度最大的通道的梯度方向为该位置方向。具体的，可以采用如下公式，提取各个所述建模区域图像的梯度响应特征：
其中，Ig(x)为所述建模区域图像中的像素点x的梯度响应特征，R、G、B为所述建模区域图像的RGB通道，C为所述建模区域图像的图像通道，ori表示所述建模区域图像。
步骤A2，基于各个所述梯度响应特征，确定所述预设模版图像对应的特征模版，作为匹配模版。
本公开中，可以将预设模版图像中每个建模区域图像的梯度响应特征确定为该梯度响应特征对应的特征模版，然后，将预设模版图像中各个建模区域图像各自对应的特征模版共同确定为预设模版图像对应的匹配模版。
具体的，所述基于各个所述梯度响应特征，确定所述预设模版图像对应的特征模版，作为匹配模版的步骤，可以包括如下步骤B1-B2：
步骤B1，根据多个预设梯度方向，确定各个所述梯度响应特征所属的梯度方向。
本公开中，为了提高匹配模版确定效率可以对梯度方向进行量化。具体的，可以对梯度方向进行离散化处理，可以用通过离散化处理后得到的离散有限的数据制表，进而可以将匹配模版用数据表记录下来，从而在后续的利用匹配模版进行待检测设备的脚垫贴敷区域的检测场景中，可以直接利用所制成的数据表进行检测。
具体的，本公开中可以将方向空间划分为等间距的多个方向区间，图6示出了一种方向空间划分示意图，如图6所示，可以将0°-180°范围内的方向空间划分为等间距的8个方向区间。对于0°-360°范围内的方向空间也可以将其划分为等间距的16个方向区间。并且，可以为每个量化方向计算一个映射，如果将方向空间划分为等间距的8个方向区间，则可以用8位的二进制数值分别表示8个方向区间，如果将方向空间划分为等间距的16个方向区间，则可以用16位的二进制数值分别表示8个方向区间。如图6所示，0°-180°范围内的方向空间被划分为等间距的8个方向区间，则可以用8位的二进制数“0000 0000”、“0000 0010”、“0000 0100”、“0000 1000”、“0001 0000”、“0010 0000”、“0100 0000”和“1000 0000”分别表示这8个方向区间。
如果建模区域图像的梯度响应特征的梯度方向中具有被等间距划分的方向空间中的某一个方向区间，则可以将该建模区域图像的梯度响应特征的梯度方向在该方向区间对应的值设置为1，如果建模区域图像的梯度响应特征的梯度方向中不具有被等间距划分的方向空间中的某一个方向区间，则可以将该建模区域图像的梯度响应特征的梯度方向在该方向区间对应的值设置为0。
本公开中，所述根据多个预设梯度方向，确定各个所述梯度响应特征所属的梯度方向，包括步骤C1-C2：
步骤C1，针对每个所述梯度响应特征的各个像素，确定该像素与该像素的邻域像素所对应的预设梯度方向。
本公开中，针对每个所述梯度响应特征的每个像素点，可以将该像素点的预设梯度方向扩展到该像素点n×n邻域里，对该像素点3×3邻域里每个像素点的预设梯度方向进行运算，然后将该像素点n×n邻域里每个像素点的预设梯度方向进行叠加，作为该像素点对应的梯度方向。其中，n×n邻域可以为3×3邻域。
具体的，针对每个所述梯度响应特征的各个像素，可以采用如下公式，确定该像素与该像素的邻域像素所对应的预设梯度方向：
每个像素位置响应值设计为[0,1]之间。计算公式如下：
τi表示方向空间被划分的多个方向区间，若方向空间被划分为16个方向区间，则i=0,1,2,…15；Z表示梯度方向扩展后的组合，τi(Z)，该像素与该像素的邻域像素所对应的预设梯度方向，l∈Z，表示该像素与该像素的邻域像素的弧度值。
步骤C2，根据所对应的预设梯度方向确定该梯度响应特征所属的梯度方向。
图7示出了本公开实施例提供的一种预设梯度方向示意图，如图7所示，图7用箭头展示了每个像素点自身对应的预设梯度方向。图8示出了本公开实施例提供的一种预设梯度方向扩展示意图，图7与图8中对应位置像素点自身对应的预设梯度方向相同。图8展示了在图7的各个像素点自身对应的预设梯度方向的基础上，将每个像素点的预设梯度方向扩展到该像素点3×3邻域里后所对应的预设梯度方向，即图8展示了在图7的各个像素点自身对应的预设梯度方向的基础上每个像素点叠加了其对应的3×3邻域里各个像素点的预设梯度方向所得到的叠加方向。
例如，图8中位置为（3,3）的像素点自身对应的预设梯度方向为无梯度方向，其对应的3×3邻域像素点包括像素点（2,2）、像素点（2,3）、像素点（2,4）、像素点（3,2）、像素点（3,4）、像素点（4,2）、像素点（4,3）和像素点（4,4），其中，像素点（2,2）对应的预设梯度方向为竖直向上的梯度方向、像素点（2,3）对应的预设梯度方向为无梯度方向、像素点（2,4）对应的预设梯度方向为无梯度方向、像素点（3,2）对应的预设梯度方向为右向上的梯度方向、像素点（3,4）对应的预设梯度方向为左向上的梯度方向、像素点（4,2）对应的预设梯度方向为无梯度方向、像素点（4,3）对应的预设梯度方向为左向上的梯度方向、像素点（4,4）对应的预设梯度方向为水平向左的梯度方向。
将位置为（3,3）的像素点自身对应的预设梯度方向与其对应的3×3邻域像素点对应的预设梯度方向进行叠加，则可以得到图8像素点（3,3）位置处所展示的叠加方向。同理，可以对图8中每个像素点自身对应的预设梯度方向和每个像素点对应的3×3邻域里的各个像素点的预设梯度方向进行叠加，将叠加后所得到的叠加方向作为该像素点对应的梯度方向。
步骤B2，将各个所述梯度响应特征与各个所述梯度响应特征所属的梯度方向进行对应处理，得到对应处理后的特征模版作为匹配模版。
本公开中，可以对各个所述梯度响应特征所属的梯度方向进行制表，例如，若将方向空间预先划分为了8个等间距的方向区间，并对每个区间8位的二进制值“0000 0000”、“0000 0010”、“0000 0100”、“0000 1000”、“0001 0000”、“0010 0000”、“0100 0000”和“1000 0000”。以图7和图8为例，无梯度方向对应的数值“0000 0000”、左向上的梯度方向对应数值“0000 1000”、右向上的梯度方向对应数值“0000 0010”、竖直向上的梯度方向对应数值“0000 0100”、水平向左的梯度方向对应数值“0001 0000”，则对图8中每个像素点自身对应的预设梯度方向和每个像素点对应的3×3邻域里的各个像素点的预设梯度方向进行叠加，并将叠加后所得到的叠加方向作为该像素点对应的梯度方向，对图8中每个像素点对应的梯度方向进行制表表示，可以得到下表1：
表1：梯度方向量化二进制表
表1中的行与图8中像素点的行对应，表1中的列与图8中像素点的列对应。通过对像素点的梯度方向进行制表处理，在后续的理由梯度方向进行待检测设备的脚垫贴敷区域检测时，可以直接查询梯度方向量化二进制表中的梯度方向进行检测。
采用本公开的模版确定方法，利用预设设计文档精确确定出了建模区域图像，使得在对笔记本内构件进行缺陷检测时可以采用更精准的建模区域图像进行缺陷检测，提高了匹配与检测精度，并且，根据建模区域图像确定了匹配模版，使得可以直接利用匹配模版对待检测的笔记本内构件图像进行匹配，大大降低了匹配耗时，提高了匹配与检测效率。
在一种可能的实施方式中，图9示出了本公开实施例提供的设备检测方法的一种实现流程示意图，如图9所示，所述方法包括：
S901，获取待检测设备的内结构图像。
待检测设备可以为贴敷了脚垫的笔记本电脑，待检测设备的内结构图像为笔记本电脑底部的图像，具体的，可以采用相机或摄影机等图像采集设备，采集笔记本电脑底部的图像作为待检测设备的内结构图像。
S902，基于所述预设设计文档确定所述内结构图像的各个待检测区域图像。
具体的，本步骤中利用预设设计文档确定所述内结构图像的各个待检测区域图像的方式，与S101中基于预设设计文档确定预设模版图像的各个建模区域图像的方式类似，此处不再赘述。
S903，提取各个所述待检测区域图像的图像特征。
本公开中，可以提取各个待检测区域图像的梯度响应特征，作为各个待检测区域图像的图像特征。
S904，基于所述匹配模版，确定所述待检测区域图像的图像特征与所述建模区域图像的图像特征是否匹配。
本公开中，可以利用匹配模版中各个预设模版图像对应的梯度响应特征，计算每个待检测区域图像的梯度响应特征与该待检测区域图像对应的预设模版图像的梯度响应特征之间的相似度，根据相似度确定该待检测区域图像的图像特征与所述建模区域图像的图像特征是否匹配。
具体的，所述基于所述匹配模版，确定所述待检测区域图像的图像特征与所述建模区域图像的图像特征是否匹配，可以包括步骤D1-D2：
步骤D1，针对每个所述待检测区域图像的图像特征，计算该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度。
具体的，针对每个所述待检测区域图像的图像特征，可以采用如下公式计算该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度：
其中，为该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度，/>，R(c+r)为图像中以位置c+r为中心且大小为/>的邻域，/>是所述内结构图像I中t移位的c位置处的梯度方向，P为所述预设模版图像T中的特征位置，ori(T,r)是所述预设模版图像T中r移位的c位置处的梯度方向，/>表示3×3的邻域。
步骤D2，若所述匹配模版中存在相似度大于预设相似度阈值的图像特征，确定该待检测区域图像的图像特征与所述匹配模版中的图像特征相匹配。
其中，预设相似度阈值可以设置为0.85或0.95等。
S905，如果是，确定待检测设备通过检测。
如果针对每个所述待检测区域图像的图像特征均能在所述匹配模版中确定出相匹配的图像特征，则可以确定待检测设备通过检测，否则，确定待检测设备不能通过检测。
采用本公开的模版确定方法，根据建模区域图像确定了匹配模版，使得可以直接利用匹配模版对待检测的笔记本内构件图像进行匹配，大大降低了匹配耗时，提高了匹配与检测效率。
基于同一发明构思，根据本公开上述实施例提供的模版确定方法，相应地，本公开另一实施例还提供了一种模版确定装置，其结构示意图如图10所示，具体包括：
图像提取模块1001，用于基于预设设计文档确定预设模版图像的各个建模区域图像，其中，所述预设设计文档为记录了待检测设备的脚垫贴敷区域的文档，所述预设模版图像为所采集的经过标准化脚垫贴敷处理后的设备的内结构图像，所述建模区域图像为所述预设模版图像中的脚垫贴敷区域图像；
模版确定模块1002，用于提取各个所述建模区域图像的图像特征作为匹配模版。
采用本公开的模版确定装置，基于预设设计文档确定预设模版图像的各个建模区域图像，提取各个所述建模区域图像的图像特征作为匹配模版。即利用预设设计文档精确确定出了建模区域图像，使得在对笔记本内构件进行缺陷检测时可以采用更精准的建模区域图像进行缺陷检测，提高了匹配与检测精度，并且，根据建模区域图像确定了匹配模版，使得可以直接利用匹配模版对待检测的笔记本内构件图像进行匹配，大大降低了匹配耗时，提高了匹配与检测效率。
在一可实施方式中，所述模版确定模块1002，具体用于提取各个所述建模区域图像的梯度响应特征；基于各个所述梯度响应特征，确定所述预设模版图像对应的特征模版，作为匹配模版。
在一可实施方式中，所述模版确定模块1002，具体用于采用如下公式，提取各个所述建模区域图像的梯度响应特征：
其中，Ig(x)为所述建模区域图像中的像素点x的梯度响应特征，R、G、B为所述建模区域图像的RGB通道，C为所述建模区域图像的图像通道，ori表示所述建模区域图像。
在一可实施方式中，所述模版确定模块1002，具体用于根据多个预设梯度方向，确定各个所述梯度响应特征所属的梯度方向；将各个所述梯度响应特征与各个所述梯度响应特征所属的梯度方向进行对应处理，得到对应处理后的特征模版作为匹配模版。
在一可实施方式中，所述模版确定模块1002，具体用于针对每个所述梯度响应特征的各个像素，确定该像素与该像素的邻域像素所对应的预设梯度方向；根据所对应的预设梯度方向确定该梯度响应特征所属的梯度方向。
在一可实施方式中，所述图像提取模块1001，具体用于确定预设设计文档中的设计图像与所述预设模板图像之间的伸缩比例；基于所述伸缩比例调整所述预设模版图像的大小，以使调整后的预设模版图像与所述设计图像大小一致；将调整后的预设模版图像中与所述设计图像的目标贴敷区域对应的区域，确定为建模区域图像。
在一可实施方式中，所述装置还包括：
检测模块（图中未展示出），用于获取待检测设备的内结构图像；基于所述预设设计文档确定所述内结构图像的各个待检测区域图像；提取各个所述待检测区域图像的图像特征；基于所述匹配模版，确定所述待检测区域图像的图像特征与所述建模区域图像的图像特征是否匹配；如果是，确定待检测设备通过检测。
在一可实施方式中，所述检测模块，具体用于针对每个所述待检测区域图像的图像特征，计算该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度；若所述匹配模版中存在相似度大于预设相似度阈值的图像特征，确定该待检测区域图像的图像特征与所述匹配模版中的图像特征相匹配。
在一可实施方式中，所述检测模块，具体用于针对每个所述待检测区域图像的图像特征，采用如下公式计算该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度：
其中，为该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度，/>，R(c+r)为图像中以位置c+r为中心且大小为/>的邻域，/>是所述内结构图像I中t移位的c位置处的梯度方向，P为所述预设模版图像T中的特征位置，ori(T,r)是所述预设模版图像T中r移位的c位置处的梯度方向，/>表示3×3的邻域。
采用本公开的模版确定装置，利用预设设计文档精确确定出了建模区域图像，使得在对笔记本内构件进行缺陷检测时可以采用更精准的建模区域图像进行缺陷检测，提高了匹配与检测精度，并且，根据建模区域图像确定了匹配模版，使得可以直接利用匹配模版对待检测的笔记本内构件图像进行匹配，大大降低了匹配耗时，提高了匹配与检测效率。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
图11示出了可以用来实施本公开的实施例的示例电子设备1100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，个人数字处理、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11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器（ROM）1102中的计算机程序或者从存储单元1108加载到随机访问存储器（RAM）1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出（I/O）接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行上文所描述的各个方法和处理，例如模版确定方法。例如，在一些实施例中，模版确定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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的模版确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行模版确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（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，本发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。
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。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种模版确定方法，其特征在于，所述方法包括：
基于预设设计文档确定预设模版图像的各个建模区域图像，其中，所述预设设计文档为记录了待检测设备的脚垫贴敷区域的文档，所述预设模版图像为所采集的经过标准化脚垫贴敷处理后的设备的内结构图像，所述建模区域图像为所述预设模版图像中的脚垫贴敷区域图像；
提取各个所述建模区域图像的图像特征作为匹配模版。
2.根据权利要求1所述的方法，其特征在于，所述提取各个所述建模区域图像的图像特征作为匹配模版，包括：
提取各个所述建模区域图像的梯度响应特征；
基于各个所述梯度响应特征，确定所述预设模版图像对应的特征模版，作为匹配模版。
3.根据权利要求2所述的方法，其特征在于，所述提取各个所述建模区域图像的梯度响应特征，包括：
采用如下公式，提取各个所述建模区域图像的梯度响应特征：
其中，Ig(x)为所述建模区域图像中的像素点x的梯度响应特征，R、G、B为所述建模区域图像的RGB通道，C为所述建模区域图像的图像通道，ori表示所述建模区域图像。
4.根据权利要求2所述的方法，其特征在于，所述基于各个所述梯度响应特征，确定所述预设模版图像对应的特征模版，作为匹配模版，包括：
根据多个预设梯度方向，确定各个所述梯度响应特征所属的梯度方向；
将各个所述梯度响应特征与各个所述梯度响应特征所属的梯度方向进行对应处理，得到对应处理后的特征模版作为匹配模版。
5.根据权利要求4所述的方法，其特征在于，所述根据多个预设梯度方向，确定各个所述梯度响应特征所属的梯度方向，包括：
针对每个所述梯度响应特征的各个像素，确定该像素与该像素的邻域像素所对应的预设梯度方向；
根据所对应的预设梯度方向确定该梯度响应特征所属的梯度方向。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述基于预设设计文档确定预设模版图像的各个建模区域图像，包括：
确定预设设计文档中的设计图像与所述预设模板图像之间的伸缩比例；
基于所述伸缩比例调整所述预设模版图像的大小，以使调整后的预设模版图像与所述设计图像大小一致；
将调整后的预设模版图像中与所述设计图像的目标贴敷区域对应的区域，确定为建模区域图像。
7.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
获取待检测设备的内结构图像；
基于所述预设设计文档确定所述内结构图像的各个待检测区域图像；
提取各个所述待检测区域图像的图像特征；
基于所述匹配模版，确定所述待检测区域图像的图像特征与所述建模区域图像的图像特征是否匹配；
如果是，确定待检测设备通过检测。
8.根据权利要求7所述的方法，其特征在于，所述基于所述匹配模版，确定所述待检测区域图像的图像特征与所述建模区域图像的图像特征是否匹配，包括：
针对每个所述待检测区域图像的图像特征，计算该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度；
若所述匹配模版中存在相似度大于预设相似度阈值的图像特征，确定该待检测区域图像的图像特征与所述匹配模版中的图像特征相匹配。
9.根据权利要求8所述的方法，其特征在于，所述针对每个所述待检测区域图像的图像特征，计算该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度，包括：
针对每个所述待检测区域图像的图像特征，采用如下公式计算该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度：
其中，为该待检测区域图像的图像特征与所述匹配模版中的图像特征之间的相似度，/>，R(c+r)为图像中以位置c+r为中心且大小为/>的邻域，/>是所述内结构图像I中t移位的c位置处的梯度方向，P为所述预设模版图像T中的特征位置，ori(T,r)是所述预设模版图像T中r移位的c位置处的梯度方向，/>表示3×3的邻域。
10.一种模版确定装置，其特征在于，所述装置包括：
图像提取模块，用于基于预设设计文档确定预设模版图像的各个建模区域图像，其中，所述预设设计文档为记录了待检测设备的脚垫贴敷区域的文档，所述预设模版图像为所采集的经过标准化脚垫贴敷处理后的设备的内结构图像，所述建模区域图像为所述预设模版图像中的脚垫贴敷区域图像；
模版确定模块，用于提取各个所述建模区域图像的图像特征作为匹配模版。
11.一种电子设备，其特征在于，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1-9中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757001.XA CN116486126B (zh) | 2023-06-25 | 2023-06-25 | 一种模版确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757001.XA CN116486126B (zh) | 2023-06-25 | 2023-06-25 | 一种模版确定方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116486126A true CN116486126A (zh) | 2023-07-25 |
| CN116486126B CN116486126B (zh) | 2023-10-27 |
Family
ID=87218201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310757001.XA Active CN116486126B (zh) | 2023-06-25 | 2023-06-25 | 一种模版确定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116486126B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217196A (zh) * | 2023-11-09 | 2023-12-12 | 杭州瀚斯科技有限公司 | 数据处理系统、方法及计算机装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102802529A (zh) * | 2009-06-16 | 2012-11-28 | 皇家飞利浦电子股份有限公司 | 用于微分相衬成像的校正方法 |
| CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
| CN112085033A (zh) * | 2020-08-19 | 2020-12-15 | 浙江华睿科技有限公司 | 一种模板匹配方法、装置、电子设备及存储介质 |
| CN113469971A (zh) * | 2021-06-30 | 2021-10-01 | 深圳中科飞测科技股份有限公司 | 一种图像匹配方法及检测装置、存储介质 |
| US20220036525A1 (en) * | 2020-07-30 | 2022-02-03 | International Business Machines Corporation | Determining image defects using image comparisons |
| CN114170229A (zh) * | 2022-02-14 | 2022-03-11 | 北京阿丘科技有限公司 | 印制电路板缺陷图像配准方法、装置、设备及存储介质 |
| CN114936997A (zh) * | 2021-12-24 | 2022-08-23 | 广东利元亨智能装备股份有限公司 | 检测方法、装置、电子设备及可读存储介质 |
| CN115034577A (zh) * | 2022-05-09 | 2022-09-09 | 北京航空航天大学 | 一种基于虚实边缘匹配的机电产品漏装检测方法 |
| CN115100443A (zh) * | 2022-04-29 | 2022-09-23 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于高速模版匹配计算的电缆缺陷识别方法 |
| CN115131587A (zh) * | 2022-08-30 | 2022-09-30 | 常州铭赛机器人科技股份有限公司 | 一种基于边缘轮廓的梯度向量特征的模板匹配方法 |
| CN115205291A (zh) * | 2022-09-15 | 2022-10-18 | 广州镭晨智能装备科技有限公司 | 一种电路板检测方法、装置、设备和介质 |
| CN116152208A (zh) * | 2023-02-23 | 2023-05-23 | 合肥联宝信息技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
-
2023
- 2023-06-25 CN CN202310757001.XA patent/CN116486126B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102802529A (zh) * | 2009-06-16 | 2012-11-28 | 皇家飞利浦电子股份有限公司 | 用于微分相衬成像的校正方法 |
| CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
| US20220036525A1 (en) * | 2020-07-30 | 2022-02-03 | International Business Machines Corporation | Determining image defects using image comparisons |
| CN112085033A (zh) * | 2020-08-19 | 2020-12-15 | 浙江华睿科技有限公司 | 一种模板匹配方法、装置、电子设备及存储介质 |
| CN113469971A (zh) * | 2021-06-30 | 2021-10-01 | 深圳中科飞测科技股份有限公司 | 一种图像匹配方法及检测装置、存储介质 |
| CN114936997A (zh) * | 2021-12-24 | 2022-08-23 | 广东利元亨智能装备股份有限公司 | 检测方法、装置、电子设备及可读存储介质 |
| CN114170229A (zh) * | 2022-02-14 | 2022-03-11 | 北京阿丘科技有限公司 | 印制电路板缺陷图像配准方法、装置、设备及存储介质 |
| CN115100443A (zh) * | 2022-04-29 | 2022-09-23 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于高速模版匹配计算的电缆缺陷识别方法 |
| CN115034577A (zh) * | 2022-05-09 | 2022-09-09 | 北京航空航天大学 | 一种基于虚实边缘匹配的机电产品漏装检测方法 |
| CN115131587A (zh) * | 2022-08-30 | 2022-09-30 | 常州铭赛机器人科技股份有限公司 | 一种基于边缘轮廓的梯度向量特征的模板匹配方法 |
| CN115205291A (zh) * | 2022-09-15 | 2022-10-18 | 广州镭晨智能装备科技有限公司 | 一种电路板检测方法、装置、设备和介质 |
| CN116152208A (zh) * | 2023-02-23 | 2023-05-23 | 合肥联宝信息技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217196A (zh) * | 2023-11-09 | 2023-12-12 | 杭州瀚斯科技有限公司 | 数据处理系统、方法及计算机装置 |
| CN117217196B (zh) * | 2023-11-09 | 2024-01-26 | 杭州瀚斯科技有限公司 | 数据处理系统、方法及计算机装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116486126B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560862B (zh) | 文本识别方法、装置及电子设备 | |
| CN116486126B (zh) | 一种模版确定方法、装置、设备及存储介质 | |
| US20160063732A1 (en) | Method and apparatus for determining a building location based on a building image | |
| CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
| CN113378696A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN113744268A (zh) | 一种裂纹检测方法、电子设备及可读存储介质 | |
| CN114926849A (zh) | 一种文本检测方法、装置、设备及存储介质 | |
| CN109741306B (zh) | 应用于危险化学品库房堆垛的图像处理方法 | |
| CN111247517B (zh) | 一种图像处理方法、装置及系统 | |
| CN117611642A (zh) | 一种地图图像配准方法、设备和介质 | |
| CN114359383A (zh) | 一种图像定位方法、装置、设备以及存储介质 | |
| CN117593420A (zh) | 基于图像处理的平面图纸标注方法、装置、介质及设备 | |
| CN108804978B (zh) | 一种版面分析方法及装置 | |
| CN106778844B (zh) | 隧道内裂缝匹配方法和系统 | |
| CN112215827A (zh) | 电迁移区域检测方法、装置、计算机设备和存储介质 | |
| CN112651315A (zh) | 折线图的信息提取方法、装置、计算机设备和存储介质 | |
| CN104200460A (zh) | 基于图像特征和互信息的图像配准方法 | |
| CN116402820A (zh) | 一种检测方法、装置、设备及存储介质 | |
| CN116205889A (zh) | 偏移检测方法、装置、电子设备及存储介质 | |
| Karimi et al. | A new method for automatic and accurate coded target recognition in oblique images to improve augmented reality precision | |
| CN113361371B (zh) | 道路提取方法、装置、设备以及存储介质 | |
| CN111241974B (zh) | 票据信息获取方法、装置、计算机设备和存储介质 | |
| CN117372408A (zh) | 一种设备检测方法、装置、设备及存储介质 | |
| CN117351010B (zh) | 一种基于深度学习的金属凹陷结构缺陷检测方法及装置 | |
| CN110599456A (zh) | 一种医学图像的特定区域的提取方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |