CN116645374B - 点状缺陷检测方法、装置、计算机设备及存储介质 - Google Patents
点状缺陷检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116645374B CN116645374B CN202310930218.6A CN202310930218A CN116645374B CN 116645374 B CN116645374 B CN 116645374B CN 202310930218 A CN202310930218 A CN 202310930218A CN 116645374 B CN116645374 B CN 116645374B
- Authority
- CN
- China
- Prior art keywords
- punctiform
- particle
- particles
- current
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 124
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 239000002245 particle Substances 0.000 claims abstract description 650
- 238000009826 distribution Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 23
- 230000007797 corrosion Effects 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 11
- 239000000428 dust Substances 0.000 claims description 8
- 239000002184 metal Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011236 particulate material Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种点状缺陷检测方法、装置、计算机设备及存储介质。方法包括：获取目标对象的对象图；对对象图进行点状特征检测，得到多个点状颗粒；对多个点状颗粒进行聚类处理，得到聚类结果；根据聚类结果，确定多个点状颗粒在对象图中的分布特征；将分布特征满足预设颗粒分布要求的点状颗粒确定为目标对象的点状缺陷。采用本申请，能够提高缺陷检测的准确性。
Description
技术领域
本申请涉及缺陷检测技术领域，特别是涉及一种点状缺陷检测方法、装置、计算机设备及存储介质。
背景技术
随着计算机视觉技术的快速发展，对目标对象进行针对性的缺陷检测是一个必不可少的环节。例如，需要对待测物料的点状颗粒进行缺陷检测，以判断这些点状颗粒是否属于点状缺陷，从而判断待测物料是否满足要求。
目前，主要是根据待测物料的成像情况进行缺陷检测，但是由于属于点状缺陷的点状颗粒与不属于点状缺陷的点状颗粒在图像中没有明显差异，因此，不属于点状缺陷的点状颗粒会干扰点状缺陷的检测，从而导致缺陷检测的准确率很低。
发明内容
基于此，有必要针对上述技术问题，提供一种点状缺陷检测方法、装置、计算机设备、计算机可读存储介质以及计算机程序产品，能够提高缺陷检测的准确性。
第一方面，本申请提供了一种点状缺陷检测方法，包括：
获取目标对象的对象图；
对对象图进行点状特征检测，得到多个点状颗粒；
对多个点状颗粒进行聚类处理，得到聚类结果；
根据聚类结果，确定多个点状颗粒在对象图中的分布特征；
将分布特征满足预设颗粒分布要求的点状颗粒确定为目标对象的点状缺陷。
第二方面，本申请提供了一种点状缺陷检测装置，包括：
图像获取模块，用于获取目标对象的对象图；
特征检测模块，用于对对象图进行点状特征检测，得到多个点状颗粒；
聚类模块，用于对多个点状颗粒进行聚类处理，得到聚类结果；
分布确定模块，用于根据聚类结果，确定多个点状颗粒在对象图中的分布特征；
缺陷检测模块，用于将分布特征满足预设颗粒分布要求的点状颗粒确定为目标对象的点状缺陷。
第三方面，本申请提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行该计算机程序时实现上述的方法中的步骤。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法中的步骤。
第五方面，本申请提供了一种计算机程序产品，计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现上述的方法中的步骤。
上述点状缺陷检测方法、装置、计算机设备、计算机可读存储介质及计算机程序产品，通过获取目标对象的对象图；对对象图进行点状特征检测，得到多个点状颗粒；对多个点状颗粒进行聚类处理，得到用于指示多个点状颗粒在对象图中分布情况的聚类结果；根据聚类结果，确定多个点状颗粒在对象图中的分布特征，由于存在缺陷的点状颗粒的分布特征与不存在缺陷的点状颗粒的分布特征具有明显的区别，因此，可以将分布特征满足预设颗粒分布要求的点状颗粒确定为目标对象的点状缺陷，相比起直接从对象图中区分点状缺陷的方式，准确率更高。
附图说明
图1为本申请实施例提供的一种点状缺陷检测方法的流程示意图；
图2为本申请实施例提供的一种聚类结果示意图；
图3为本申请实施例提供的一种对点状颗粒进行分类的示意图；
图4为本申请实施例提供的一种点状缺陷检测装置的结构框图；
图5为本申请实施例提供的一种计算机设备的内部结构图；
图6为本申请实施例提供的另一种计算机设备的内部结构图；
图7为本申请实施例提供的一种计算机可读存储介质的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一些实施例中，如图 1所示，提供了一种点状缺陷检测方法，本实施例以该方法应用于计算机设备进行举例说明，可以理解的是，该计算机设备可以是服务器或终端，该方法可以由服务器或终端单独实现，也可以通过服务器和终端之间的交互来实现。本实施例中，该方法包括以下步骤：
步骤102，获取目标对象的对象图。
其中，目标对象指的是需要进行缺陷检测的对象。在一些实施例中，目标对象包括金属，具体可以是金属外壳。对象图，是通过光学设备或者图像采集设备针对目标对象进行图像采集得到的。其中，图像采集设备，指的是具备拍照功能的设备，可以但不限于是各种相机和移动设备。
具体地，光学设备或者图像采集设备针对目标对象进行图像采集，得到对象图。计算机设备则获取采集到的对象图。
步骤104，对对象图进行点状特征检测，得到多个点状颗粒。
其中，点状特征检测，指的是识别出对象图中的点状特征，从而得到点状颗粒的过程。点状特征，是图像中的基本特征，是指灰度信号在二维方向上有明显变换的点。
具体地，计算机设备基于传统视觉或者深度学习等算法检测出对象图上的点状特征，基于检测出的点状特征得到多个点状颗粒。
步骤106，对多个点状颗粒进行聚类处理，得到聚类结果。
其中，聚类处理，指的是按照点状颗粒之间的相似与相异度，把不同的点状颗粒分割成不同的颗粒簇，以确保各个颗粒簇中的点状颗粒尽可能相似，而不同簇之间的点状颗粒尽可能相异的处理。
其中，聚类结果能够表征多个点状颗粒的分布情况。
步骤108，根据聚类结果，确定多个点状颗粒在对象图中的分布特征。
其中，分布特征，指的是用于反映多个点状颗粒的分布情况的特征。在一些实施例中，分布特征包括点状颗粒的分布数量、颗粒密度或颗粒距离中的至少一种，通过分布特征可以确定点状颗粒是均匀分布还是扎堆分布。
具体地，计算机设备根据聚类结果，确定多个点状颗粒在对象图中不同维度下的分布情况，得到不同维度下的分布特征。
步骤110，将分布特征满足预设颗粒分布要求的点状颗粒确定为目标对象的点状缺陷。
其中，点状缺陷，指的是目标对象中属于缺陷的点状颗粒。由于不属于缺陷的点状颗粒与属于缺陷的点状颗粒存在很明显的分布差异，因此针对这一情况，本申请实施例设置了预设颗粒分布要求，用于从统计特征上区分点状颗粒是否属于点状缺陷。
具体地，针对多个点状颗粒中的每个当前点状颗粒，计算机设备判断当前点状颗粒是否满足预设颗粒分布要求，若当前点状颗粒满足预设颗粒分布要求，则说明当前点状颗粒是目标对象的点状缺陷；若当前点状颗粒不满足预设颗粒分布要求，则说明当前点状颗粒并不属于目标对象的点状缺陷。
在一些实施例中，目标对象是金属外壳，金属外壳上的点状颗粒包括腐蚀颗粒和灰尘颗粒，由于腐蚀颗粒和灰尘颗粒在成像后几乎没有差异，这会导致计算机设备对金属外壳进行缺陷检测时，很有可能将灰尘颗粒判断为腐蚀颗粒，从而导致原本质量合格的金属外壳被误判定为缺陷物料。基于上述情况，本申请实施例先是根据腐蚀缺陷产生的机理，判断出腐蚀颗粒多以多点密集出现，具有扎堆分布的特点，而灰尘颗粒的分布比较分散，具有均匀分布的特点。因此，可以通过对对象图中的多个点状颗粒进行聚类处理，确定各个点状颗粒的分布情况，将预设颗粒分布要求确定为扎堆分布。若点状颗粒的分布情况为扎堆分布，则可以确定该点状颗粒为腐蚀缺陷；若点状颗粒的分布情况不为扎堆分布，且为均匀分布，则可以确定该点状颗粒不属于腐蚀缺陷，且为灰尘颗粒。
可见，在本申请实施例中，通过获取目标对象的对象图；对对象图进行点状特征检测，得到多个点状颗粒；对多个点状颗粒进行聚类处理，得到用于指示多个点状颗粒在对象图中分布情况的聚类结果；根据聚类结果，确定多个点状颗粒在对象图中的分布特征，由于存在缺陷的点状颗粒的分布特征与不存在缺陷的点状颗粒的分布特征具有明显的区别，因此，可以将分布特征满足预设颗粒分布要求的点状颗粒确定为目标对象的点状缺陷，相比起直接从对象图中区分点状缺陷的方式，准确率更高。
在一些实施例中，步骤106具体包括：
确定多个点状颗粒分别在对象图中的像素坐标；
针对多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒的像素坐标和非当前点状颗粒的像素坐标，确定当前点状颗粒分别与非当前点状颗粒的相对距离；
根据多个点状颗粒各自对应的相对距离，对多个点状颗粒进行聚类处理，得到聚类结果。
其中，非当前点状颗粒，指的是多个点状颗粒中除了当前点状颗粒之外的其他点状颗粒。
具体地，计算机设备确定各个点状颗粒分别在对象图中的位置，得到各个点状颗粒分别对应的像素坐标。针对多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒的像素坐标以及各个非当前点状颗粒的像素坐标之间的差值，确定当前点状颗粒分别与各个非当前点状颗粒在对象图中的相对距离。根据多个点状颗粒分别对应的相对距离，对多个点状颗粒进行聚类处理，从而尽量将相对距离近的点状颗粒分配到同一颗粒簇中，得到聚类结果。
在一些实施例中，针对当前点状颗粒，可以先确定当前点状颗粒的中心点，再确定该中心点在对象图中的位置，从而得到当前点状颗粒对应的像素坐标。在另一些实施例中，还可以根据当前点状颗粒的边缘点在对象图中的位置，确定当前点状颗粒在对象图的像素坐标。
在一些实施例中，在计算出每个点状颗粒与其他点状颗粒之间的相对距离之后，则可以构造一个用于存储多个相对距离的距离矩阵。若点状颗粒的总数为N，则可以根据各点状颗粒之间的相对距离，构造出一个N*N的距离矩阵。
在一些实施例中，对多个点状颗粒进行聚类处理的过程包括但不限于包括：
遍历每个点状颗粒，针对每个遍历至的当前点状颗粒，在存在与当前点状颗粒之间的相对距离小于或等于预设距离阈值的点状颗粒的情况下，将对应的点状颗粒和当前点状颗粒进行合并得到颗粒簇，并继续遍历颗粒簇的下一点状颗粒，直至颗粒簇中的各点状颗粒与颗粒簇外的各点状颗粒的相对距离均大于预设距离阈值，则继续遍历颗粒簇外的各点状颗粒，以得到各分配好的颗粒簇，以及不在颗粒簇中的离群颗粒。
可见，在本实施例中，通过多个点状颗粒分别对应的相对距离，以及可控聚类距离，即预设距离阈值对多个点状颗粒进行聚类处理，能够在不需要提前指定聚类中心的数量的情况下，快速定位各颗粒簇和离群颗粒。
在一些实施例中，聚类结果包括划分的至少一个颗粒簇；分布特征包括颗粒簇中的点状颗粒的数量；步骤110具体包括：
在颗粒簇中的点状颗粒的数量满足预设数量要求的情况下，将颗粒簇中的点状颗粒确定为目标对象的点状缺陷。
其中，预设数量要求，指的是分布数量需要大于或等于预设数量阈值。
具体地，在颗粒簇中的点状颗粒的数量满足预设数量要求的情况下，则可以认为该颗粒簇中的点状颗粒是扎堆分布的，此时可以将颗粒簇中的点状颗粒确定为目标对象的点状缺陷。
可见，在本实施例中，在对多个点状颗粒进行聚类处理得到颗粒簇之后，不是直接将颗粒簇中的点状颗粒确定为点状缺陷，而是在满足预设数量要求的情况下，才将颗粒簇中的点状颗粒确定为点状缺陷，这样是为了防止将某些不够密集的点状颗粒误检测为点状缺陷，进而提高点状缺陷检测的准确性。
在一些实施例中，聚类结果还包括至少一个离群颗粒；离群颗粒为不在颗粒簇中的点状颗粒；方法还包括：
在颗粒簇中的点状颗粒的数量不满足预设数量要求的情况下，则确定颗粒簇中的点状颗粒和离群颗粒不属于目标对象的点状缺陷。
具体地，在颗粒簇中的点状颗粒的数量不满足预设数量要求的情况下，则认为该颗粒簇中的点状颗粒不够密集，不符合扎堆分布的特点，此时可以确定不满足预设数量要求的颗粒簇中的点状颗粒不属于目标对象的点状缺陷。而由于离群颗粒与其他点状颗粒之间的距离较大，因此离群颗粒也不符合扎堆分布的特点，因此可以确定离群颗粒也不属于目标对象的点状缺陷。
可见，在本实施例中，通过将不满足预设数量要求的颗粒簇中的点状颗粒，以及离群颗粒都确定为不存在缺陷的点状颗粒，能够在很大程度上避免点状缺陷的误检测，从而提高点状缺陷的检测效率。
在一些实施例中，在聚类结果仅包括离群颗粒，或者聚类结果不包括颗粒簇、且不包括离群颗粒的情况下，则确定目标对象不存在点状缺陷。
在一些实施例中，对对象图中的多个点状颗粒进行聚类的结果可以参照图2，在左边部分中没有填充颜色的点状颗粒是其中一个颗粒簇，即颗粒簇A，在右边部分中填充了条纹图案的点状颗粒则是另一个颗粒簇，即颗粒簇B，填充了颜色的点状颗粒为离群颗粒。假设预设数量要求为颗粒簇的分布数量大于或等于7，颗粒簇A的分布数量是15，颗粒簇B的分布数量是6。因为颗粒簇A的分布数量大于7，满足预设数量要求，所以颗粒簇A中的点状颗粒为点状缺陷。因为颗粒簇B的分布数量小于7，不满足预设数量要求，所以颗粒簇B中的点状颗粒不属于点状缺陷。而由于离群颗粒与其他点状颗粒的相对距离较远，因此，离群颗粒也不属于点状缺陷。
在一些实施例中，分布特征包括多个点状颗粒各自的颗粒密度和颗粒距离；步骤110具体包括：
根据多个点状颗粒各自的颗粒密度和颗粒距离对多个点状颗粒进行分类，以得到多个颗粒类别；
将属于簇中心类别的点状颗粒，以及属于簇中心密度可达类别的点状颗粒确定为目标对象的点状缺陷。
其中，属于簇中心类别的点状颗粒的颗粒密度大于或等于预设密度阈值、且颗粒距离大于或等于预设距离阈值；属于簇中心密度可达类别的点状颗粒的颗粒密度大于或等于预设密度阈值、且颗粒距离小于预设距离阈值。
具体地，计算机设备根据多个点状颗粒的颗粒密度和颗粒距离对多个点状颗粒进行分类，以得到多个颗粒类别。对点状颗粒进行分类之后，计算机设备将属于簇中心类别以及属于簇中心密度可达类别的点状颗粒直接确定为目标对象的点状颗粒，并将既不属于簇中心类别也不属于簇中心密度可达类别的点状颗粒确定为不存在缺陷的点状颗粒。
可见，在本实施例中，通过计算多个点状颗粒的颗粒密度和颗粒距离，对多个点状颗粒进行分类，以根据多个点状颗粒所属的颗粒类别判断点状颗粒是否属于点状缺陷，能够实现另一种点状缺陷的检测方式，提高了适用性。
在一些实施例中，如图3所示，在计算出多个点状颗粒的颗粒密度和颗粒距离之后，则可以将颗粒密度作为X轴、颗粒距离作为Y轴，构建一个直角坐标系，得到密度距离坐标系。针对多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒的颗粒密度和颗粒距离，确定当前点状颗粒在密度距离坐标系下对应的坐标位置。根据多个点状颗粒分别在密度距离坐标系中的位置，确定多个点状颗粒所属的颗粒类别，比如确定多个点状颗粒属于簇中心类别还是属于簇中心密度可达类别，还是属于离群颗粒。将属于簇中心类别和属于簇中心密度可达类别的点状颗粒确定为点状缺陷，并确定离群颗粒不是点状缺陷。
在一些实施例中，在步骤“根据多个点状颗粒各自的颗粒密度和颗粒距离对多个点状颗粒进行分类，以得到多个颗粒类别”之前，方法还包括：
针对多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒分别与非当前点状颗粒对应的各相对距离，确定相对距离小于目标距离阈值的点状颗粒的颗粒数量；
将颗粒数量确定为当前点状颗粒的颗粒密度。
具体地，计算机设备针对多个点状颗粒中的当前点状颗粒，根据当前点状颗粒分别与各个非当前点状颗粒对应的各相对距离，计算相对距离小于目标距离阈值的点状颗粒的数量，得到颗粒数量。计算机设备将计算的颗粒数量直接确定为当前点状颗粒的颗粒密度，比如，若相对距离小于目标距离阈值的点状颗粒的数量为5，则当前点状颗粒对应的颗粒密度为5。通过计算多个点状颗粒的颗粒密度，能够便于后续对多个点状颗粒进行分类，以根据分类情况确定多个点状颗粒是否属于点状缺陷。
在一些实施例中，在步骤将颗粒数量确定为当前点状颗粒的颗粒密度之后，方法还包括：
针对多个点状颗粒中的每个当前点状颗粒，在存在颗粒密度大于或等于当前点状颗粒的颗粒密度的情况下，从颗粒密度大于或等于当前点状颗粒的非当前点状颗粒中，确定相对距离最小的目标点状颗粒，并将目标点状颗粒与当前点状颗粒的相对距离作为当前点状颗粒的颗粒距离。
具体地，针对多个点状颗粒中的每个当前点状颗粒，在存在颗粒密度大于或等于当前点状颗粒的颗粒密度的情况下，从颗粒密度大于或等于当前点状颗粒的非当前点状颗粒中，确定与当前点状颗粒的相对距离最小的非当前点状颗粒，得到目标点状颗粒，并将目标点状颗粒与当前点状颗粒的距离作为当前点状颗粒的颗粒密度。此外，在存在颗粒密度均小于当前点状颗粒的颗粒密度的情况下，也就说明当前点状颗粒是颗粒密度最大的点状颗粒，此时则可以指定当前点状颗粒的颗粒距离，以保证当前点状颗粒是颗粒距离最大的点状颗粒。通过计算多个点状颗粒的颗粒距离，能够便于后续对多个点状颗粒进行分类，以根据分类情况确定多个点状颗粒是否属于点状缺陷。
在一些实施例中，在确定目标点状颗粒与当前点状颗粒的距离之后，可以对该距离进行归一化处理，得到颗粒密度，并且将颗粒密度约束至0到1之间。此外，还可以将颗粒密度最大的点状颗粒对应的颗粒距离设置为1，以保证颗粒密度最大的点状颗粒的颗粒距离是最大的。
在一些实施例中，点状缺陷为腐蚀颗粒，本申请的点状缺陷检测方法具体还包括但不限于包括以下步骤：
（1）获取目标对象的对象图。
（2）对对象图进行点状特征检测，得到多个点状颗粒。
（3）确定多个点状颗粒分别在对象图中的像素坐标。
（4）针对多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒的像素坐标和非当前点状颗粒的像素坐标，确定当前点状颗粒分别与非当前点状颗粒的相对距离。
（5）根据多个点状颗粒分别对应的相对距离，对多个点状颗粒进行聚类处理，得到聚类结果。之后，则执行步骤（6）和（7），或者执行步骤（8）至（12）。
（6）根据聚类结果，确定多个点状颗粒在对象图中的分布特征。
（7）将分布特征满足预设颗粒分布要求的点状颗粒确定为目标对象的腐蚀颗粒。在颗粒簇中的点状颗粒的数量不满足预设数量要求的情况下，则确定颗粒簇中的各点状颗粒和离群颗粒为灰尘颗粒。
（8）针对多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒分别与非当前点状颗粒对应的各相对距离，确定相对距离小于目标距离阈值的点状颗粒的颗粒数量。
（9）将颗粒数量确定为当前点状颗粒的颗粒密度。
（10）针对多个点状颗粒中的每个当前点状颗粒，在存在颗粒密度大于或等于当前点状颗粒的颗粒密度的情况下，从颗粒密度大于或等于当前点状颗粒的非当前点状颗粒中，确定相对距离最小的目标点状颗粒，并将目标点状颗粒与当前点状颗粒的距离作为当前点状颗粒的颗粒距离。
（11）根据多个点状颗粒的颗粒密度和颗粒距离对多个点状颗粒进行分类，以得到多个颗粒类别。
（12）将属于簇中心类别的点状颗粒，以及属于簇中心密度可达类别的点状颗粒确定为目标对象的腐蚀颗粒。其中，属于簇中心类别的点状颗粒的颗粒密度大于或等于预设密度阈值、且颗粒距离大于或等于预设距离阈值；属于簇中心密度可达类别的点状颗粒的颗粒密度大于或等于预设密度阈值、且颗粒距离小于预设距离阈值。
应该理解的是，虽然如上述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种点状缺陷检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个点状缺陷检测装置实施例中的具体限定可以参见上文中对于点状缺陷检测方法的限定，在此不再赘述。
如图4所示，本申请实施例提供了一种点状缺陷检测装置，包括：
图像获取模块402，用于获取目标对象的对象图；
特征检测模块404，用于对对象图进行点状特征检测，得到多个点状颗粒；
聚类模块406，用于对多个点状颗粒进行聚类处理，得到聚类结果；
分布确定模块408，用于根据聚类结果，确定多个点状颗粒在对象图中的分布特征；
缺陷检测模块410，用于将分布特征满足预设颗粒分布要求的点状颗粒确定为目标对象的点状缺陷。
在一些实施例中，聚类结果包括划分的至少一个颗粒簇；分布特征包括颗粒簇中的点状颗粒的数量；在将分布特征满足预设颗粒分布要求的点状颗粒确定为目标对象的点状缺陷方面，缺陷检测模块410具体用于：
在颗粒簇中的点状颗粒的数量满足预设数量要求的情况下，将颗粒簇中的点状颗粒确定为目标对象的点状缺陷。
在一些实施例中，聚类结果还包括至少一个离群颗粒；离群颗粒为不在颗粒簇中的点状颗粒。缺陷检测模块410具体还用于：
在颗粒簇中的点状颗粒的数量不满足预设数量要求的情况下，则确定颗粒簇中的点状颗粒和离群颗粒不属于目标对象的点状缺陷。
在一些实施例中，在聚类结果仅包括离群颗粒，或者聚类结果不包括颗粒簇、且不包括离群颗粒的情况下，则确定目标对象不存在点状缺陷。
在一些实施例中，分布特征包括多个点状颗粒各自的颗粒密度和颗粒距离；在将分布特征满足预设颗粒分布要求的点状颗粒确定为目标对象的点状缺陷方面，缺陷检测模块410具体用于：
根据多个点状颗粒各自的颗粒密度和颗粒距离对多个点状颗粒进行分类，以得到多个颗粒类别；
将属于簇中心类别的点状颗粒，以及属于簇中心密度可达类别的点状颗粒确定为目标对象的点状缺陷；
其中，属于簇中心类别的点状颗粒的颗粒密度大于或等于预设密度阈值、且颗粒距离大于或等于预设距离阈值；属于簇中心密度可达类别的点状颗粒的颗粒密度大于或等于预设密度阈值、且颗粒距离小于预设距离阈值。
在一些实施例中，点状缺陷检测装置还包括颗粒密度确定模块，颗粒密度确定模块具体用于：
针对多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒分别与非当前点状颗粒对应的各相对距离，确定相对距离小于目标距离阈值的点状颗粒的颗粒数量；
将颗粒数量确定为当前点状颗粒的颗粒密度。
在一些实施例中，点状缺陷检测装置还包括颗粒距离确定模块，颗粒距离确定模块具体用于：
针对多个点状颗粒中的每个当前点状颗粒，在存在颗粒密度大于或等于当前点状颗粒的颗粒密度的情况下，从颗粒密度大于或等于当前点状颗粒的非当前点状颗粒中，确定相对距离最小的目标点状颗粒，并将目标点状颗粒与当前点状颗粒的相对距离作为当前点状颗粒的颗粒距离。
在一些实施例中，在对多个点状颗粒进行聚类处理，得到聚类结果方面，聚类模块406具体用于：
确定多个点状颗粒分别在对象图中的像素坐标；
针对多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒的像素坐标和非当前点状颗粒的像素坐标，确定当前点状颗粒分别与非当前点状颗粒的相对距离；
根据多个点状颗粒各自对应的相对距离，对多个点状颗粒进行聚类处理，得到聚类结果。
上述点状缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器，也可以以软件形式存储于计算机设备中的存储器，以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）及通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储与点状缺陷检测相关的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的点状缺陷检测方法中的步骤。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元及输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现上述的点状缺陷检测方法中的步骤。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏；该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5或图6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。
在一些实施例中，提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一些实施例中，如图7所示提供了一种计算机可读存储介质的内部结构图，计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一些实施例中，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（FerroelectricRandom Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（StaticRandom AccessMemory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种点状缺陷检测方法，其特征在于，包括：
获取目标对象的对象图；所述目标对象为金属外壳；
对所述对象图进行点状特征检测，得到多个点状颗粒；点状特征检测，是对所述对象图中的点状特征进行识别的过程；所述点状特征，是灰度信号在二维方向上有明显变换的点；
对所述多个点状颗粒进行聚类处理，得到聚类结果；
根据所述聚类结果，确定所述多个点状颗粒在所述对象图中的分布特征，包括：针对所述多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒分别与非当前点状颗粒对应的各相对距离，确定相对距离小于目标距离阈值的点状颗粒的颗粒数量；将所述颗粒数量确定为当前点状颗粒的颗粒密度；针对所述多个点状颗粒中的每个当前点状颗粒，在存在颗粒密度大于或等于当前点状颗粒的颗粒密度的情况下，从颗粒密度大于或等于当前点状颗粒的非当前点状颗粒中，确定相对距离最小的目标点状颗粒，并将所述目标点状颗粒与当前点状颗粒的相对距离作为当前点状颗粒的颗粒距离；
将所述分布特征满足预设颗粒分布要求的点状颗粒确定为所述目标对象的点状缺陷，包括：根据所述多个点状颗粒各自的颗粒密度和颗粒距离对所述多个点状颗粒进行分类，以得到多个颗粒类别；将属于簇中心类别的点状颗粒，以及属于簇中心密度可达类别的点状颗粒确定为所述目标对象的点状缺陷；或者，包括：将颗粒密度作为X轴、颗粒距离作为Y轴构建直角坐标系，得到密度距离坐标系；针对所述多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒的颗粒密度和颗粒距离，确定当前点状颗粒在所述密度距离坐标系下对应的坐标位置；根据所述多个点状颗粒分别在所述密度距离坐标系中的位置，确定所述多个点状颗粒所属的颗粒类别；将属于簇中心类别和属于簇中心密度可达类别的点状颗粒确定为所述目标对象的点状缺陷，并确定离群颗粒不是所述点状缺陷；
其中，所述点状缺陷为腐蚀颗粒；不属于所述点状缺陷的点状颗粒为灰尘颗粒；属于簇中心类别的点状颗粒的颗粒密度大于或等于预设密度阈值、且颗粒距离大于或等于预设距离阈值；属于簇中心密度可达类别的点状颗粒的颗粒密度大于或等于所述预设密度阈值、且颗粒距离小于所述预设距离阈值。
2.根据权利要求1所述的方法，其特征在于，所述聚类结果包括划分的至少一个颗粒簇；所述分布特征包括颗粒簇中的点状颗粒的数量；所述将所述分布特征满足预设颗粒分布要求的点状颗粒确定为所述目标对象的点状缺陷，包括：
在所述颗粒簇中的点状颗粒的数量满足预设数量要求的情况下，将所述颗粒簇中的点状颗粒确定为所述目标对象的点状缺陷。
3.根据权利要求2所述的方法，其特征在于，所述聚类结果还包括至少一个离群颗粒；所述离群颗粒为不在所述颗粒簇中的点状颗粒；所述方法还包括：
在所述颗粒簇中的点状颗粒的数量不满足所述预设数量要求的情况下，则确定所述颗粒簇中的点状颗粒和所述离群颗粒不属于所述目标对象的点状缺陷。
4.根据权利要求1所述的方法，其特征在于，在所述聚类结果仅包括离群颗粒，或者所述聚类结果不包括颗粒簇、且不包括离群颗粒的情况下，则确定所述目标对象不存在点状缺陷。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述对所述多个点状颗粒进行聚类处理，得到聚类结果，包括：
确定所述多个点状颗粒分别在所述对象图中的像素坐标；
针对所述多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒的像素坐标和非当前点状颗粒的像素坐标，确定当前点状颗粒分别与非当前点状颗粒的相对距离；
根据所述多个点状颗粒各自对应的相对距离，对所述多个点状颗粒进行聚类处理，得到聚类结果。
6.一种点状缺陷检测装置，其特征在于，包括：
图像获取模块，用于获取目标对象的对象图；所述目标对象为金属外壳；
特征检测模块，用于对所述对象图进行点状特征检测，得到多个点状颗粒；点状特征检测，是对所述对象图中的点状特征进行识别的过程；所述点状特征，是灰度信号在二维方向上有明显变换的点；
聚类模块，用于对所述多个点状颗粒进行聚类处理，得到聚类结果；
颗粒密度确定模块，用于针对所述多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒分别与非当前点状颗粒对应的各相对距离，确定相对距离小于目标距离阈值的点状颗粒的颗粒数量；将所述颗粒数量确定为当前点状颗粒的颗粒密度；
颗粒距离确定模块，用于针对所述多个点状颗粒中的每个当前点状颗粒，在存在颗粒密度大于或等于当前点状颗粒的颗粒密度的情况下，从颗粒密度大于或等于当前点状颗粒的非当前点状颗粒中，确定相对距离最小的目标点状颗粒，并将所述目标点状颗粒与当前点状颗粒的相对距离作为当前点状颗粒的颗粒距离；
缺陷检测模块，用于根据所述多个点状颗粒各自的颗粒密度和颗粒距离对所述多个点状颗粒进行分类，以得到多个颗粒类别；将属于簇中心类别的点状颗粒，以及属于簇中心密度可达类别的点状颗粒确定为所述目标对象的点状缺陷；或者，将颗粒密度作为X轴、颗粒距离作为Y轴构建直角坐标系，得到密度距离坐标系；针对所述多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒的颗粒密度和颗粒距离，确定当前点状颗粒在所述密度距离坐标系下对应的坐标位置；根据所述多个点状颗粒分别在所述密度距离坐标系中的位置，确定所述多个点状颗粒所属的颗粒类别；将属于簇中心类别和属于簇中心密度可达类别的点状颗粒确定为所述目标对象的点状缺陷，并确定离群颗粒不是所述目标对象的所述点状缺陷；
其中，所述点状缺陷为腐蚀颗粒；不属于所述点状缺陷的点状颗粒为灰尘颗粒；属于簇中心类别的点状颗粒的颗粒密度大于或等于预设密度阈值、且颗粒距离大于或等于预设距离阈值；属于簇中心密度可达类别的点状颗粒的颗粒密度大于或等于所述预设密度阈值、且颗粒距离小于所述预设距离阈值。
7.根据权利要求6所述的装置，其特征在于，所述聚类结果包括划分的至少一个颗粒簇；分布特征包括颗粒簇中的点状颗粒的数量；在将所述分布特征满足预设颗粒分布要求的点状颗粒确定为所述目标对象的点状缺陷方面，所述缺陷检测模块具体用于：
在所述颗粒簇中的点状颗粒的数量满足预设数量要求的情况下，将所述颗粒簇中的点状颗粒确定为所述目标对象的点状缺陷。
8.根据权利要求7所述的装置，其特征在于，所述聚类结果还包括至少一个离群颗粒；所述离群颗粒为不在所述颗粒簇中的点状颗粒；所述缺陷检测模块具体还用于：
在所述颗粒簇中的点状颗粒的数量不满足所述预设数量要求的情况下，则确定所述颗粒簇中的点状颗粒和所述离群颗粒不属于所述目标对象的点状缺陷。
9.根据权利要求6所述的装置，其特征在于，所述缺陷检测模块具体还用于：
在所述聚类结果仅包括离群颗粒，或者所述聚类结果不包括颗粒簇、且不包括离群颗粒的情况下，则确定所述目标对象不存在点状缺陷。
10.根据权利要求6至9任一项所述的装置，其特征在于，在对多个点状颗粒进行聚类处理，得到聚类结果方面，所述聚类模块具体用于：
确定所述多个点状颗粒分别在所述对象图中的像素坐标；
针对所述多个点状颗粒中的每个当前点状颗粒，根据当前点状颗粒的像素坐标和非当前点状颗粒的像素坐标，确定当前点状颗粒分别与非当前点状颗粒的相对距离；
根据所述多个点状颗粒各自对应的相对距离，对所述多个点状颗粒进行聚类处理，得到聚类结果。
11.一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，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至5中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310930218.6A CN116645374B (zh) | 2023-07-27 | 2023-07-27 | 点状缺陷检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310930218.6A CN116645374B (zh) | 2023-07-27 | 2023-07-27 | 点状缺陷检测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116645374A CN116645374A (zh) | 2023-08-25 |
| CN116645374B true CN116645374B (zh) | 2024-03-22 |
Family
ID=87623409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310930218.6A Active CN116645374B (zh) | 2023-07-27 | 2023-07-27 | 点状缺陷检测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116645374B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807474A (zh) * | 2019-10-12 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 聚类方法及装置、存储介质、电子设备 |
| CN115294140A (zh) * | 2022-10-09 | 2022-11-04 | 南通永卓金属制品有限公司 | 一种五金零件缺陷检测方法及系统 |
| CN115311277A (zh) * | 2022-10-11 | 2022-11-08 | 南通美乐柯材料科技有限公司 | 一种不锈钢制品的凹坑缺陷识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10748271B2 (en) * | 2018-04-25 | 2020-08-18 | Applied Materials Israel Ltd. | Method of defect classification and system thereof |
-
2023
- 2023-07-27 CN CN202310930218.6A patent/CN116645374B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807474A (zh) * | 2019-10-12 | 2020-02-18 | 腾讯科技（深圳）有限公司 | 聚类方法及装置、存储介质、电子设备 |
| CN115294140A (zh) * | 2022-10-09 | 2022-11-04 | 南通永卓金属制品有限公司 | 一种五金零件缺陷检测方法及系统 |
| CN115311277A (zh) * | 2022-10-11 | 2022-11-08 | 南通美乐柯材料科技有限公司 | 一种不锈钢制品的凹坑缺陷识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116645374A (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626295B (zh) | 车牌检测模型的训练方法和装置 | |
| CN113705297A (zh) | 检测模型的训练方法、装置、计算机设备和存储介质 | |
| CN116310656A (zh) | 训练样本确定方法、装置和计算机设备 | |
| CN112668577A (zh) | 大尺度图像中目标物体的检测方法、终端及装置 | |
| CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
| CN117934439A (zh) | 钢板定位方法、装置、计算机设备和存储介质 | |
| CN116645374B (zh) | 点状缺陷检测方法、装置、计算机设备及存储介质 | |
| CN116912791A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN115731442A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN116168377A (zh) | 车牌识别方法、装置、计算机设备以及存储介质 | |
| CN116071418A (zh) | 建盏尺寸测量方法、装置、计算机设备、存储介质和计算机程序产品 | |
| CN115880362A (zh) | 码区定位方法、装置、计算机设备及计算机可读存储介质 | |
| CN114925153A (zh) | 基于业务的地理信息数据质量检测方法、装置和设备 | |
| CN115861520B (zh) | 高光检测方法、装置、计算机设备和存储介质 | |
| CN117576645B (zh) | 基于bev视角的车位检测方法、装置和计算机设备 | |
| CN115527161B (zh) | 异常放电监测方法、装置、计算机设备和存储介质 | |
| CN117274366B (zh) | 线条边距确定方法和装置 | |
| CN117874530B (zh) | 对抗样本检测方法、装置、设备、介质和产品 | |
| CN117611943A (zh) | 参数调整方法、装置、计算机设备及计算机可读存储介质 | |
| CN117876669B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN116295031B (zh) | 弧垂的测量方法、装置、计算机设备和存储介质 | |
| CN117237826A (zh) | 基于空间位姿信息的配电网的缺陷去重方法、装置和设备 | |
| CN116612474B (zh) | 对象检测方法、装置、计算机设备及计算机可读存储介质 | |
| CN118154689B (zh) | 零件位置获取方法、装置、计算机设备、存储介质和产品 | |
| CN118334031A (zh) | 外观缺陷检测方法、装置、存储介质及电子设备 |
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 |