CN116703905B - 空料检测方法、装置、电子设备和计算机可读存储介质 - Google Patents
空料检测方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN116703905B CN116703905B CN202310973997.8A CN202310973997A CN116703905B CN 116703905 B CN116703905 B CN 116703905B CN 202310973997 A CN202310973997 A CN 202310973997A CN 116703905 B CN116703905 B CN 116703905B
- Authority
- CN
- China
- Prior art keywords
- image
- product
- feature
- template
- detected
- 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
- 239000000463 material Substances 0.000 title claims abstract description 184
- 238000001514 detection method Methods 0.000 title claims abstract description 175
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000010586 diagram Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims description 90
- 238000005520 cutting process Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 7
- 239000011800 void material Substances 0.000 claims description 6
- 239000000047 product Substances 0.000 description 239
- 230000007547 defect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013589 supplement Substances 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06V10/77—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
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种空料检测方法、装置、电子设备和计算机可读存储介质，涉及空料检测领域。该方法包括获取目标产品对应的待检测图像，根据目标产品的产品名称以及预先存储的产品名称和产品模板图的对应关系，获取目标产品对应的目标产品模板图，产品模板图根据产品对应的有料图像获得；将待检测图像和目标产品模板图输入空料检测模型进行处理，得到空料检测结果；空料检测模型根据模板图像和训练图像集训练得到，训练图像集中包括有料图像和空料图像，模板图像根据训练图像集中的有料图像获得。通过在训练模型以及实际检测时加入模板信息，不需要针对不同的产品训练不同的模型，有效解决了不同产品的兼容问题，空料检测准确率高，空料检测成本低。
Description
技术领域
本发明涉及空料检测领域，具体而言，涉及一种空料检测方法、装置、电子设备和计算机可读存储介质。
背景技术
在工业的缺陷检测设备中，一般都有一项必备的功能，也是所有检测步骤的第一步，那就是空料检测功能。如果没有空料检测，一方面会影响检测的UPH（Unit Per Hour，产率），即如果不判断空料，在空料位置也会进行所有检测项的计算，只不过所有检测项都会NG（Not Good，不合格），时间还是会损耗；另一方面会影响产品的计数，空料被判断为NG后，产品统计的数量就会变多，和真实产品无法对上；最后，还会影响后续的挑补料，常规的产品缺陷检测后会有挑补料动作，如果是空料就会补一颗好料。
目前市面上的空料检测方法主要有两种，一种是通过硬件去感知，一种是通过算法去识别。第一种通过硬件去感知的方式，有些是通过传感器，有些是通过尝试吸料看是否有吸到，这些方式都会一定程度增加成本，同时也降低UPH。第二种通过算法去识别的方式，这种方式不需要额外成本，也不影响UPH（不需要额外动作，就在原先检测缺陷的流程中加一步即可）。但是采用的识别算法基本上是利用灰度占比或者基于产品形状去匹配判断，该方法会受到背景成像以及料盘或者吸嘴的形状影响，在成像很固定情况下可用，环境不单一情况下容易误判，通用性很差，一旦误判，就会造成挑补料产生叠料，从而压坏产品，所以空料检测准确率要接近100%才行。
发明内容
有鉴于此，本发明的目的在于提供一种空料检测方法、装置、电子设备和计算机可读存储介质，能够兼容不同的产品，空料检测准确率高，成本低。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明提供一种空料检测方法，所述方法包括：
获取目标产品对应的待检测图像；
根据所述目标产品的产品名称以及预先存储的产品名称和产品模板图的对应关系，获取所述目标产品对应的目标产品模板图；所述产品模板图根据产品对应的有料图像获得；
将所述待检测图像和所述目标产品模板图输入预先训练的空料检测模型进行处理，得到所述待检测图像对应的空料检测结果；所述空料检测模型根据模板图像和训练图像集训练得到，所述训练图像集中包括有料图像和空料图像，所述模板图像根据所述训练图像集中的有料图像获得。
在可选的实施方式中，所述空料检测模型包括特征提取网络、特征融合网络和分类网络；所述将所述待检测图像和所述目标产品模板图输入预先训练的空料检测模型进行处理，得到所述待检测图像对应的空料检测结果，包括：
通过所述特征提取网络对输入所述空料检测模型中的所述待检测图像和所述目标产品模板图进行特征提取，得到所述待检测图像的第一特征图和所述目标产品模板图的第二特征图；
通过所述特征融合网络对所述待检测图像的第一特征图和所述目标产品模板图的第二特征图进行特征融合，得到所述待检测图像的融合特征图；
通过所述分类网络对所述待检测图像的融合特征图进行分类处理，得到所述待检测图像对应的空料检测结果。
在可选的实施方式中，所述通过所述特征融合网络对所述待检测图像的第一特征图和所述目标产品模板图的第二特征图进行特征融合，得到所述待检测图像的融合特征图，包括：
通过所述特征融合网络对所述待检测图像的第一特征图和所述目标产品模板图的第二特征图进行尺度变换，得到不同尺度的第一特征图和不同尺度的第二特征图；
将各个尺度的第一特征图与对应尺度的第二特征图进行第一特征融合操作，得到各个尺度的融合特征图；
将各个尺度的融合特征图变换到同一尺度后进行第二特征融合操作，得到所述待检测图像的融合特征图。
在可选的实施方式中，所述获取目标产品对应的待检测图像，包括：
在获得目标产品对应的实时拍摄图像后，对所述目标产品对应的实时拍摄图像进行切割，得到多个切割图像，并将所述切割图像作为待检测图像；其中，每个所述切割图像中包括一个产品放置位置。
在可选的实施方式中，所述方法还包括：
根据每个产品对应的有料图像获得所述产品对应的产品模板图；
保存各所述产品的产品名称与各所述产品对应的产品模板图之间的对应关系。
在可选的实施方式中，所述根据每个产品对应的有料图像获得所述产品对应的产品模板图，包括：
对每个产品对应的多个有料图像进行平均计算，得到所述产品对应的产品模板图。
在可选的实施方式中，所述根据每个产品的有料图像获得所述产品对应的产品模板图，包括：
将每个产品的有料图像作为所述产品对应的产品模板图。
第二方面，本发明提供一种空料检测装置，所述装置包括：
图像获取模块，用于获取目标产品对应的待检测图像；
模板图查找模块，用于根据所述目标产品的产品名称以及预先存储的产品名称和产品模板图的对应关系，获取所述目标产品对应的目标产品模板图；所述产品模板图根据产品对应的有料图像获得；
空料检测模块，用于将所述待检测图像和所述目标产品模板图输入预先训练的空料检测模型进行处理，得到所述待检测图像对应的空料检测结果；所述空料检测模型根据模板图像和训练图像集训练得到，所述训练图像集中包括有料图像和空料图像，所述模板图像根据所述训练图像集中的有料图像获得。
第三方面，本发明提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如前述实施方式中任一项所述的空料检测方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的空料检测方法的步骤。
本发明实施例提供的空料检测方法、装置、电子设备和计算机可读存储介质，该方法包括获取目标产品对应的待检测图像，根据目标产品的产品名称以及预先存储的产品名称和产品模板图的对应关系，获取目标产品对应的目标产品模板图，产品模板图是根据产品对应的有料图像获得；将待检测图像和目标产品模板图输入预先训练的空料检测模型进行处理，得到待检测图像对应的空料检测结果；空料检测模型根据模板图像和训练图像集训练得到，训练图像集中包括有料图像和空料图像，模板图像根据训练图像集中的有料图像获得。通过在训练模型以及实际检测时加入模板信息，有效解决了不同产品的兼容问题，不需要针对不同的产品训练不同的模型，故能够兼容不同的产品，并且针对不同产品都有较高的空料检测准确率；此外，本发明实施例不需要多增加硬件等额外成本，空料检测成本低，也不影响UPH。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的空料检测方法的一种流程示意图；
图2示出了空料检测模型的网络结构示意图；
图3示出了本发明实施例提供的空料检测方法的另一种流程示意图；
图4示出了本发明实施例提供的空料检测方法的又一种流程示意图；
图5示出了空料检测结果的一种可视化展示图；
图6示出了空料检测结果的另一种可视化展示图；
图7示出了本发明实施例提供的空料检测装置的一种功能模块图；
图8示出了本发明实施例提供的空料检测装置的另一种功能模块图；
图9示出了本发明实施例提供的电子设备的一种方框示意图。
图标：100-电子设备；110-存储器；120-处理器；130-通信模块；600-空料检测装置；610-图像获取模块；620-模板图查找模块；630-空料检测模块；640-模板图生成模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
现有的空料检测方法中，通过增加硬件去感知的方式，会增加成本，同时也降低UPH；通过算法识别的方式，会受到背景成像以及料盘或者吸嘴的形状影响，在成像很固定情况下可用，环境不单一情况下容易误判，通用性很差，难以适应不同产品的空料检测，空料检测准确率也无法得到保证。
基于此，本发明实施例提出一种空料检测方法、装置、电子设备和计算机可读存储介质，其在不需要多增加硬件等额外成本的情况下，通过在训练模型以及实际检测时加入模板信息，有效解决了不同产品的兼容问题，不需要针对不同的产品训练不同的模型，故能够兼容不同的产品，并且针对不同产品都有较高的空料检测准确率，空料检测成本低，也不影响UPH。
下面，将结合附图对本发明的各实施例进行详细说明。
请参照图1，为本发明所提供的空料检测方法的一种流程示意图。需要说明的是，本发明的空料检测方法并不以图1以及以下的具体顺序为限制。应当理解，在其它实施例中，本发明的空料检测方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该空料检测方法可应用在个人电脑（personal computer，PC）、服务器、工业缺陷检测设备等电子设备中。下面将对图1所示的具体流程进行详细阐述。
步骤S101，获取目标产品对应的待检测图像。
在本实施例中，该待检测图像可以为一个或者多个，每个待检测图像中包括一个产品放置位置，该产品放置位置上可能放有该目标产品，也可能没有放置目标产品（空料），也即是说，每个待检测图像中只有一个目标产品或者只有一个空料位置。通过对待检测图像进行检测，可以得到相应的空料检测结果。
步骤S102，根据目标产品的产品名称以及预先存储的产品名称和产品模板图的对应关系，获取目标产品对应的目标产品模板图；产品模板图根据产品对应的有料图像获得。
在本实施例中，电子设备中可以预先存储多个产品的产品名称和产品模板图的对应关系，在后续的生产检测中，电子设备每获取到一个产品的待检测图像后，根据该产品的产品名称就可以找到对应的产品模板图；其中，产品模板图是根据产品对应的有料图像获得，一个有料图像中只有一个产品。
步骤S103，将待检测图像和目标产品模板图输入预先训练的空料检测模型进行处理，得到待检测图像对应的空料检测结果；空料检测模型根据模板图像和训练图像集训练得到，训练图像集中包括有料图像和空料图像，模板图像根据训练图像集中的有料图像获得。
在本实施例中，电子设备中存储有预先训练好的空料检测模型，该空料检测模型是根据模板图像和训练图像集训练得到，训练图像集中包括有料图像和空料图像，模板图像根据训练图像集中的有料图像获得。其中，训练图像集中的每个有料图像中也是只有一个产品，每个空料图像中只有一个空料。由于训练的时候利用了模板信息，所以在模型的应用阶段，不是简单输入待检测图像，而是和训练的模式相对应。
也即是说，在实际利用空料检测模型进行空料检测时，会将目标产品对应的目标产品模板图和待检测图像一起输入空料检测模型中，由于加入了目标产品模板图，空料检测模型可以兼容不同的产品进行空料检测，包括没有见过的新产品，不需要重新训练模型，直接可以使用。
可见，本发明实施例提供的空料检测方法，包括获取目标产品对应的待检测图像，根据目标产品的产品名称以及预先存储的产品名称和产品模板图的对应关系，获取目标产品对应的目标产品模板图，产品模板图根据产品对应的有料图像获得；将待检测图像和目标产品模板图输入预先训练的空料检测模型进行处理，得到待检测图像对应的空料检测结果；空料检测模型根据模板图像和训练图像集训练得到，训练图像集中包括有料图像和空料图像，模板图像根据训练图像集中的有料图像获得。通过在训练模型以及实际检测时加入模板信息，有效解决了不同产品的兼容问题，不需要针对不同的产品训练不同的模型，故能够兼容不同的产品，并且针对不同产品都有较高的空料检测准确率；此外，本发明实施例不需要多增加硬件等额外成本，空料检测成本低，也不影响UPH。
在实际应用中，在使用空料检测模型进行空料检测之前，需要对空料检测模型进行训练，其中，训练空料检测模型的执行设备与使用该空料检测模型进行空料检测的设备可以相同，也可以不同。也即是说，空料检测模型的训练方法可以由上述电子设备执行，也可以由其他设备执行，本实施例对此不做限制。
在本实施例中，训练模型所需要的样本数据包括多个空料图片和多个满料图片。在对模型训练之前，为了实现针对不同产品的空料检测，不需要重新训练模型，在设计上利用了模板的信息，故针对于样本数据的预处理与现有技术中深度学习数据处理有一定区别。
本实施例中针对样本数据的预处理主要包括：对多个空料图片以及多个满料图片分别进行切割，得到对应的多个空料小图和多个有料小图，本实施例中的小图为基本放料单元所对应的图片，其中基本放料单元在图片中的表现形式为每个小图中只有一个产品或者一个空料。可以理解的是，多个空料小图以及多个有料小图构成上述的训练图像集，训练图像集中的有料小图即为上述的有料图像，空料小图即为上述的空料图像。
在本实施例中，训练模型所使用的模板图像可以根据训练图像集中的有料图像获得。在一种实施方式中，可以直接选取产品的有料小图作为模板图像；在另一种实施方式中，考虑到单个有料小图中可能存在噪声等缺陷，如果直接将其作为模板图像，会影响模型的训练效果；基于此，本实施例中可以对产品对应的多个有料小图进行处理，进而得到最优模板图像。
其中，获取最优模板图像的具体操作为：对产品的多个有料小图进行平均计算，生成该产品的最优模板图像。
在本实施例中，由于相机拍摄位置以及产品在料盘中的放置位置的差异，不同有料小图中的产品位置可能存在不同，为了便于在生成最优模板图像时进行平均计算，需要将多个有料小图进行图像对齐操作。其中，针对于图像对齐操作，本实施例中可以采用匹配的方式，然后对图像进行仿射变换。在其他实施例中可以采用其他对齐操作方法。
例如，可以随机从多张有料小图中挑选一张作为初始模板图，然后把剩下的有料小图与初始模板图进行图像对齐操作，把所有对齐后的有料小图做一个平均计算，生成一张最终的平均有料模板图，也即是上述的最优模板图像。
下面，基于生成的模板图像以及训练图像集对空料检测模型的训练过程进行说明。
现有技术中的分类网络，比如Resnet50，都是直接输入每张图像以及图像对应的类别，然后进行分类，但是这种情况对于未见过的类别无法进行正确识别，即在空料检测场景中难以对未见过的产品进行准确识别。
因此，本实施例中设计了一种利用模板信息的空料检测模型，如图2所示，该空料检测模型包括特征提取网络、特征融合网络和分类网络。训练图像包括有料图像和空料图像，在将训练图像输入模型的时候，把模板图像加在训练图像的最后面，如果训练的batch_size是N，那实际上是N-1张训练图像加上最后一张模板图像，其中，batch_size指的是单次传递给程序用以训练的数据个数。训练图像和模板图像进入空料检测模型后，首先经过特征提取网络进行特征提取，得到相应的特征图，并将特征图输入特征融合网络，由特征融合网络对训练图像的特征图和模板图像的特征图进行特征融合。
具体的，特征融合网络将每一张训练图像的不同尺度的特征图与模板图像的对应尺度的特征图进行第一特征融合操作，得到各个尺度下的融合特征图，再将各个尺度下的融合特征图变换到同一尺度后进行第二特征融合操作，得到该训练图像对应的融合特征图。
在本实施例中，特征融合网络将训练图像的不同尺度的特征图与模板图像的对应尺度的特征图进行第一特征融合操作，可以采用全卷积操作或者减操作的方式实现。
针对于全卷积操作的实现方式，特征融合网络通过全卷积操作学习训练图像的每一个尺度的特征图中每个像素点对应的参数，以及模板图像的每一个尺度的特征图中每个像素点对应的参数。其中，学习到的参数可以是正数，也可以是负数。特征融合网络利用学习到的参数对两个特征图进行第一特征融合操作的过程为：将各个尺度下的第一个特征图中每个像素点的像素值以及第二个特征图中对应像素点的像素值分别与学习到的参数相乘，然后将得到的乘积对应相加。其中，第一个特征图指的是训练图像的特征图，第二个特征图指的是模板图像的特征图。
针对于减操作的实现方式，特征融合网络可以把训练图像的每一个尺度的特征图中各像素点的像素值分别减去模板图像的对应尺度的特征图中对应像素点的像素值。
在本实施例中，特征融合网络在将训练图像的不同尺度的特征图与模板图像的对应尺度的特征图进行第一特征融合操作，得到各个尺度的融合特征图之后，还需要对各个尺度的融合特征图进行第二特征融合操作，得到每一张训练图像对应的融合特征图。其中，第二特征融合操作的实现方式可以是：把各个尺度的融合特征图变换到同一尺度后，将相同尺度下的各融合特征图中的每个像素点的像素值对应相加，最终得到训练图像对应的融合特征图。
在得到各训练图像的融合特征图之后，去掉最后模板图像的所有特征图。也就是在进入分类网络之前，batch_size实际变成了N-1张图像的特征，然后对这真实的N-1张图像进行二分类。将训练完的空料检测模型分别在见过的以及未见过的产品的图像混合集中进行测试，根据测试结果对空料检测模型进行调参，优化模型检测效果，最终得到训练好的空料检测模型。
下面，基于训练好的空料检测模型，对输入待检测图像和目标产品模板图之后，空料检测模型的处理过程进行详细说明。请参照图3，上述步骤S103可以包括如下子步骤：
子步骤S1031，通过特征提取网络对输入空料检测模型中的待检测图像和目标产品模板图进行特征提取，得到待检测图像的第一特征图和目标产品模板图的第二特征图。
在本实施例中，特征提取网络主要包括多层卷积层，将待检测图像和目标产品模板图输入特征提取网络后，将会经过多层卷积层的卷积运算，实现待检测图像和目标产品模板图的特征提取，进而得到待检测图像的第一特征图和目标产品模板图的第二特征图。
子步骤S1032，通过特征融合网络对待检测图像的第一特征图和目标产品模板图的第二特征图进行特征融合，得到待检测图像的融合特征图。
在本实施例中，特征提取网络输出的待检测图像的第一特征图和目标产品模板图的第二特征图，将会进入特征融合网络进行特征融合处理，得到待检测图像的融合特征图。
子步骤S1033，通过分类网络对待检测图像的融合特征图进行分类处理，得到待检测图像对应的空料检测结果。
在本实施例中，特征融合网络输出的待检测图像的融合特征图，将会进入分类网络进行二分类，根据分类网络输出的有料概率值和空料概率值，可以确定待检测图像对应的空料检测结果为空料还是有料。
在一种实施方式中，考虑到每个图像在不同尺度上的特征的重要性不同，本实施例中通过对待检测图像和目标产品模板图在不同尺度下的特征图进行特征融合，有效保证了检测结果的准确性。基于此，上述子步骤S1032具体可以包括：通过特征融合网络对待检测图像的第一特征图和目标产品模板图的第二特征图进行尺度变换，得到不同尺度的第一特征图和不同尺度的第二特征图；将各个尺度的第一特征图与对应尺度的第二特征图进行第一特征融合操作，得到各个尺度的融合特征图；将各个尺度的融合特征图变换到同一尺度后进行第二特征融合操作，得到待检测图像的融合特征图。
在本实施例中，第一特征融合操作可以采用全卷积操作或者减操作实现。例如，采用全卷积操作时，将每个尺度的第一特征图中的每个像素点的像素值乘以模型训练完成时学习到的第一参数，将对应尺度的第二特征图中的每个像素点的像素值乘以模型训练完成时学习到的第二参数，然后将得到的乘积对应相加，得到该尺度下的融合特征图。第一参数和第二参数可以是正数，也可以是负数。采用减操作时，将每个尺度的第一特征图中各像素点的像素值分别减去对应尺度的第二特征图中对应像素点的像素值，得到该尺度下的融合特征图。
在本实施例中，第二特征融合操作可以采用相加操作。例如，可以将各个尺度的融合特征图变换到同一尺度，将相同尺度下的各融合特征图中的每个像素点的像素值对应相加，得到最终的融合特征图。
例如，对于128×128的第一特征图和第二特征图，通过尺度变换可以分别得到64×64、32×32、16×16的第一特征图和第二特征图，通过将不同尺度的第一特征图和对应尺度的第二特征图进行第一特征融合操作，得到128×128、64×64、32×32、16×16这4个尺度下的融合特征图；将该4个融合特征图变换到同一尺度（如128×128）后进行第二特征融合操作，即可得到待检测图像的融合特征图。
在实际生产过程中，一个视野的一张产品图像一般会有多个产品，故在输入模型进行识别之前，需要进行图像的切割。基于此，上述步骤S101可以包括：在获得目标产品对应的实时拍摄图像后，对目标产品对应的实时拍摄图像进行切割，得到多个切割图像，并将切割图像作为待检测图像；其中，每个切割图像中包括一个产品放置位置。
可以理解，如果实时拍摄图像中可以包括6个目标产品，那么经过图像切割之前，会得到6个切割图像，每个切割图像中包括一个产品放置位置，该产品放置位置上可能存在目标产品，也可能不存在目标产品。其中，产品放置位置可以理解为前述的基本放料单元，当切割图像中的产品放置位置上存在目标产品时，该切割图像为有料图像；当切割图像中的产品放置位置上不存在目标产品时，该切割图像为空料图像。
需要说明的是，在本实施例中，在将切割图像作为待检测图像输入空料检测模型时，可以一次输入一个待检测图像，也可以一次输入多个待检测图像，以提高检测效率。
在本实施例中，针对一个新产品，需要生成该新产品的模板图，以便在后续的空料检测中直接使用。基于此，请参照图4，本发明实施例提供的空料检测方法还可以包括：
步骤S401，根据每个产品对应的有料图像获得产品对应的产品模板图。
在本实施例中，可以采集产品对应的图像，一般一个图像中有多个产品，通过对采集的图像进行自动切割，获得该产品对应的有料图像，然后根据该产品对应的有料图像获得该产品对应的产品模板图；其中，每个有料图像中只有一个产品。
步骤S402，保存各产品的产品名称与各产品对应的产品模板图之间的对应关系。
在本实施例中，电子设备在生成产品对应的产品模板图后，将该产品模板图与该产品的产品名称进行关联，并对产品名称和产品模板图之间的对应关系进行保存，以供后续空料检测中使用。
在本实施例中，可以根据每个产品对应的一个或者多个有料图像获得产品模板图。
在一种实施方式中，步骤S401具体可以包括：将每个产品的有料图像作为产品对应的产品模板图。
也即是说，可以直接选取产品的一张有料图像作为该产品对应的产品模板图。
在实际应用中，考虑到单个有料图像可能存在噪声等缺陷，如果直接将其作为产品模板图，可能会影响检测结果的准确性，基于此，本发明实施例还提供了另一种实施方式，该方式是对产品对应的多个有料图像进行处理，得到产品模板图。基于此，步骤S401具体可以包括：对每个产品对应的多个有料图像进行平均计算，得到产品对应的产品模板图。
在本实施例中，由于相机拍摄位置以及产品在料盘中的放置位置的差异，不同有料图像中的产品位置可能存在不同，为了便于在生成产品模板图时进行平均计算，需要将多个有料图像进行图像对齐操作。其中，针对于图像对齐操作，本实施例中可以采用匹配的方式，然后对图像进行仿射变换。
例如，电子设备可以从多个有料图像中选取一个初始有料图像，将剩余有料图像分别与该初始有料图像进行对齐，然后将所有对齐后的有料图像进行平均计算，生成该产品对应的产品模板图。
在实际应用中，为了便于用户知晓空料检测结果，可以将空料检测结果进行可视化展示。如图5和图6所示，为利用同一空料检测模型分别对不同产品进行空料检测后的可视化展示图。电子设备在获得空料检测模型输出的针对每个待检测图像的空料检测结果后，依据该空料检测结果可以在实时拍摄图像上的对应位置处用实线框和虚线框区分有料和空料，当然，也可以采用不同颜色进行区分。例如，使用红线框标识空料区域，绿色框标识有料区域。
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种空料检测装置的实现方式。请参照图7，为本发明实施例提供的空料检测装置600的一种功能模块图。需要说明的是，本实施例所提供的空料检测装置600，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该空料检测装置600包括：图像获取模块610、模板图查找模块620和空料检测模块630。
图像获取模块610，用于获取目标产品对应的待检测图像。
可以理解，该图像获取模块610可以执行上述步骤S101。
模板图查找模块620，用于根据目标产品的产品名称以及预先存储的产品名称和产品模板图的对应关系，获取目标产品对应的目标产品模板图；产品模板图根据产品对应的有料图像获得。
可以理解，该模板图查找模块620可以执行上述步骤S102。
空料检测模块630，用于将待检测图像和目标产品模板图输入预先训练的空料检测模型进行处理，得到待检测图像对应的空料检测结果；空料检测模型根据模板图像和训练图像集训练得到，训练图像集中包括有料图像和空料图像，模板图像根据训练图像集中的有料图像获得。
可以理解，该空料检测模块630可以执行上述步骤S103。
可选地，该空料检测模型包括特征提取网络、特征融合网络和分类网络；该空料检测模块630用于通过特征提取网络对输入空料检测模型中的待检测图像和目标产品模板图进行特征提取，得到待检测图像的第一特征图和目标产品模板图的第二特征图；通过特征融合网络对待检测图像的第一特征图和目标产品模板图的第二特征图进行特征融合，得到待检测图像的融合特征图；通过分类网络对待检测图像的融合特征图进行分类处理，得到待检测图像对应的空料检测结果。
可以理解，该空料检测模块630还可以执行上述子步骤S1031~S1033。
可选地，该空料检测模块630具体用于通过特征融合网络对待检测图像的第一特征图和目标产品模板图的第二特征图进行尺度变换，得到不同尺度的第一特征图和不同尺度的第二特征图；将各个尺度的第一特征图与对应尺度的第二特征图进行第一特征融合操作，得到各个尺度的融合特征图；将各个尺度的融合特征图变换到同一尺度后进行第二特征融合操作，得到待检测图像的融合特征图。
可选地，该图像获取模块610具体用于在获得目标产品对应的实时拍摄图像后，对目标产品对应的实时拍摄图像进行切割，得到多个切割图像，并将切割图像作为待检测图像；其中，每个切割图像中包括一个产品放置位置。
可选地，请参照图8，本发明实施例提供的空料检测装置600还可以包括模板图生成模块640，该模板图生成模块640用于根据每个产品对应的有料图像获得产品对应的产品模板图；保存各产品的产品名称与各产品对应的产品模板图之间的对应关系。
可选地，该模板图生成模块640具体用于对每个产品对应的多个有料图像进行平均计算，得到产品对应的产品模板图。
可选地，该模板图生成模块640还具体用于将每个产品的有料图像作为产品对应的产品模板图。
可以理解，该模板图生成模块640可以执行上述步骤S401~S402。
可见，本发明实施例提供的空料检测装置，包括图像获取模块、模板图查找模块和空料检测模块。图像获取模块用于获取目标产品对应的待检测图像，模板图查找模块用于根据目标产品的产品名称以及预先存储的产品名称和产品模板图的对应关系，获取目标产品对应的目标产品模板图，产品模板图是根据产品对应的有料图像获得；空料检测模块用于将待检测图像和目标产品模板图输入预先训练的空料检测模型进行处理，得到待检测图像对应的空料检测结果；空料检测模型根据模板图像和训练图像集训练得到，训练图像集中包括有料图像和空料图像，模板图像根据训练图像集中的有料图像获得。通过在训练模型以及实际检测时加入模板信息，有效解决了不同产品的兼容问题，不需要针对不同的产品训练不同的模型，故能够兼容不同的产品，并且针对不同产品都有较高的空料检测准确率；此外，本发明实施例不需要多增加硬件等额外成本，空料检测成本低，也不影响UPH。
请参照图9，为本发明实施例提供的电子设备100的一种方框示意图。该电子设备100包括存储器110、处理器120及通信模块130。存储器110、处理器120以及通信模块130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中，存储器110用于存储程序或者数据。存储器110可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。
处理器120用于读/写存储器110中存储的数据或程序，并执行相应地功能。例如，当存储器110中存储的计算机程序被处理器120执行时，可以实现上述各实施例所揭示的空料检测方法。
通信模块130用于通过网络建立电子设备100与其它设备之间的通信连接，并用于通过网络收发数据。
应当理解的是，图9所示的结构仅为电子设备100的结构示意图，电子设备100还可包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的配置。图9中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例还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120执行时实现上述各实施例所揭示的空料检测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种空料检测方法，其特征在于，所述方法包括：
获取目标产品对应的待检测图像；
根据所述目标产品的产品名称以及预先存储的产品名称和产品模板图的对应关系，获取所述目标产品对应的目标产品模板图；所述产品模板图根据产品对应的有料图像获得；
将所述待检测图像和所述目标产品模板图输入预先训练的空料检测模型进行处理，得到所述待检测图像对应的空料检测结果；所述空料检测模型根据模板图像和训练图像集训练得到，所述训练图像集中包括有料图像和空料图像，所述模板图像根据所述训练图像集中的有料图像获得；其中，在训练所述空料检测模型时，是将模板图像加在训练图像的最后面，作为单次输入到所述空料检测模型用以训练的数据；
所述空料检测模型包括特征提取网络、特征融合网络和分类网络；所述将所述待检测图像和所述目标产品模板图输入预先训练的空料检测模型进行处理，得到所述待检测图像对应的空料检测结果，包括：
通过所述特征提取网络对输入所述空料检测模型中的所述待检测图像和所述目标产品模板图进行特征提取，得到所述待检测图像的第一特征图和所述目标产品模板图的第二特征图；
通过所述特征融合网络对所述待检测图像的第一特征图和所述目标产品模板图的第二特征图进行尺度变换，得到不同尺度的第一特征图和不同尺度的第二特征图；将各个尺度的第一特征图与对应尺度的第二特征图进行第一特征融合操作，得到各个尺度的融合特征图；将各个尺度的融合特征图变换到同一尺度后进行第二特征融合操作，得到所述待检测图像的融合特征图；所述第一特征融合操作为全卷积操作，所述特征融合网络通过全卷积操作学习训练图像的每个尺度的特征图中每个像素点对应的第一参数，以及模板图像的每个尺度的特征图中每个像素点对应的第二参数，通过将每个尺度的第一特征图中的每个像素点的像素值乘以学习到的第一参数，将对应尺度的第二特征图中的每个像素点的像素值乘以学习到的第二参数，并将得到的乘积对应相加，得到每个尺度下的融合特征图；
通过所述分类网络对所述待检测图像的融合特征图进行分类处理，得到所述待检测图像对应的空料检测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取目标产品对应的待检测图像，包括：
在获得目标产品对应的实时拍摄图像后，对所述目标产品对应的实时拍摄图像进行切割，得到多个切割图像，并将所述切割图像作为待检测图像；其中，每个所述切割图像中包括一个产品放置位置。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据每个产品对应的有料图像获得所述产品对应的产品模板图；
保存各所述产品的产品名称与各所述产品对应的产品模板图之间的对应关系。
4.根据权利要求3所述的方法，其特征在于，所述根据每个产品对应的有料图像获得所述产品对应的产品模板图，包括：
对每个产品对应的多个有料图像进行平均计算，得到所述产品对应的产品模板图。
5.根据权利要求3所述的方法，其特征在于，所述根据每个产品的有料图像获得所述产品对应的产品模板图，包括：
将每个产品的有料图像作为所述产品对应的产品模板图。
6.一种空料检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标产品对应的待检测图像；
模板图查找模块，用于根据所述目标产品的产品名称以及预先存储的产品名称和产品模板图的对应关系，获取所述目标产品对应的目标产品模板图；所述产品模板图根据产品对应的有料图像获得；
空料检测模块，用于将所述待检测图像和所述目标产品模板图输入预先训练的空料检测模型进行处理，得到所述待检测图像对应的空料检测结果；所述空料检测模型根据模板图像和训练图像集训练得到，所述训练图像集中包括有料图像和空料图像，所述模板图像根据所述训练图像集中的有料图像获得；其中，在训练所述空料检测模型时，是将模板图像加在训练图像的最后面，作为单次输入到所述空料检测模型用以训练的数据；
所述空料检测模型包括特征提取网络、特征融合网络和分类网络；所述空料检测模块用于通过所述特征提取网络对输入所述空料检测模型中的所述待检测图像和所述目标产品模板图进行特征提取，得到所述待检测图像的第一特征图和所述目标产品模板图的第二特征图；通过所述特征融合网络对所述待检测图像的第一特征图和所述目标产品模板图的第二特征图进行尺度变换，得到不同尺度的第一特征图和不同尺度的第二特征图；将各个尺度的第一特征图与对应尺度的第二特征图进行第一特征融合操作，得到各个尺度的融合特征图；将各个尺度的融合特征图变换到同一尺度后进行第二特征融合操作，得到所述待检测图像的融合特征图；所述第一特征融合操作为全卷积操作，所述特征融合网络通过全卷积操作学习训练图像的每个尺度的特征图中每个像素点对应的第一参数，以及模板图像的每个尺度的特征图中每个像素点对应的第二参数，通过将每个尺度的第一特征图中的每个像素点的像素值乘以学习到的第一参数，将对应尺度的第二特征图中的每个像素点的像素值乘以学习到的第二参数，并将得到的乘积对应相加，得到每个尺度下的融合特征图；通过所述分类网络对所述待检测图像的融合特征图进行分类处理，得到所述待检测图像对应的空料检测结果。
7.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述的空料检测方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的空料检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310973997.8A CN116703905B (zh) | 2023-08-04 | 2023-08-04 | 空料检测方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310973997.8A CN116703905B (zh) | 2023-08-04 | 2023-08-04 | 空料检测方法、装置、电子设备和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703905A CN116703905A (zh) | 2023-09-05 |
| CN116703905B true CN116703905B (zh) | 2023-11-24 |
Family
ID=87829679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310973997.8A Active CN116703905B (zh) | 2023-08-04 | 2023-08-04 | 空料检测方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703905B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027575A (zh) * | 2019-12-13 | 2020-04-17 | 广西师范大学 | 一种自注意对抗学习的半监督语义分割方法 |
| CN111179251A (zh) * | 2019-12-30 | 2020-05-19 | 上海交通大学 | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 |
| CN113160200A (zh) * | 2021-04-30 | 2021-07-23 | 聚时科技(上海)有限公司 | 一种基于多任务孪生网络的工业图像缺陷检测方法及系统 |
| CN113781449A (zh) * | 2021-09-14 | 2021-12-10 | 上海布眼人工智能科技有限公司 | 一种基于多尺度特征融合的纺织品瑕疵分类方法 |
| CN113887644A (zh) * | 2021-10-13 | 2022-01-04 | 三一汽车制造有限公司 | 物料点状态分类模型的构建方法及物料点自动呼料方法 |
| CN115601700A (zh) * | 2022-10-20 | 2023-01-13 | 山东新一代信息产业技术研究院有限公司（Cn） | 一种数据中心网络设备的使用监测方法、设备及介质 |
-
2023
- 2023-08-04 CN CN202310973997.8A patent/CN116703905B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027575A (zh) * | 2019-12-13 | 2020-04-17 | 广西师范大学 | 一种自注意对抗学习的半监督语义分割方法 |
| CN111179251A (zh) * | 2019-12-30 | 2020-05-19 | 上海交通大学 | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 |
| CN113160200A (zh) * | 2021-04-30 | 2021-07-23 | 聚时科技(上海)有限公司 | 一种基于多任务孪生网络的工业图像缺陷检测方法及系统 |
| CN113781449A (zh) * | 2021-09-14 | 2021-12-10 | 上海布眼人工智能科技有限公司 | 一种基于多尺度特征融合的纺织品瑕疵分类方法 |
| CN113887644A (zh) * | 2021-10-13 | 2022-01-04 | 三一汽车制造有限公司 | 物料点状态分类模型的构建方法及物料点自动呼料方法 |
| CN115601700A (zh) * | 2022-10-20 | 2023-01-13 | 山东新一代信息产业技术研究院有限公司（Cn） | 一种数据中心网络设备的使用监测方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703905A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036755B (zh) | 一种建筑工程质量检测的监管方法及系统 | |
| KR101869895B1 (ko) | 딥 러닝 기반의 오브젝트 인식 서버, 오브젝트 인식 시스템 및 오브젝트 인식 방법 | |
| CN114862832A (zh) | 缺陷检测模型的优化方法、装置、设备及存储介质 | |
| CN109086737B (zh) | 基于卷积神经网络的航运货物监控视频识别方法及系统 | |
| CN111369317B (zh) | 订单生成方法、装置、电子设备及存储介质 | |
| CN103913150B (zh) | 智能电能表电子元器件一致性检测方法 | |
| CN110111311B (zh) | 一种图像质量评价方法和装置 | |
| CN111291778B (zh) | 深度分类模型的训练方法、曝光异常检测方法以及装置 | |
| CN111310837A (zh) | 车辆改装识别方法、装置、系统、介质和设备 | |
| CN112804522B (zh) | 一种对摄像头异常状况的检测方法及装置 | |
| CN110490118A (zh) | 图像处理方法及装置 | |
| CN116703905B (zh) | 空料检测方法、装置、电子设备和计算机可读存储介质 | |
| CN111368823B (zh) | 一种指针式仪表读数识别方法及装置 | |
| CN114550129B (zh) | 一种基于数据集的机器学习模型处理方法和系统 | |
| CN115526859A (zh) | 生产缺陷识别的方法、分布式处理平台、设备及存储介质 | |
| CN113160414B (zh) | 货物余量自动识别方法、装置、电子设备以及计算机可读介质 | |
| CN114463690A (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
| CN113610184B (zh) | 一种基于迁移学习的木材纹理分类方法 | |
| CN116563770B (zh) | 车辆颜色的检测方法、装置及设备和介质 | |
| CN113935995B (zh) | 一种图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN112712004B (zh) | 人脸检测系统及人脸检测方法、装置、电子设备 | |
| CN115791641B (zh) | 一种基于智能水杯进行液体成分检测的方法及系统 | |
| CN115272249B (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
| CN117557529A (zh) | 一种烟叶仓储内质量信息获取方法 | |
| CN116188824A (zh) | 一种模板图自动更新方法、装置、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |