CN117036267A - 一种曲面印刷检测方法、系统及存储介质 - Google Patents
一种曲面印刷检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117036267A CN117036267A CN202310958886.XA CN202310958886A CN117036267A CN 117036267 A CN117036267 A CN 117036267A CN 202310958886 A CN202310958886 A CN 202310958886A CN 117036267 A CN117036267 A CN 117036267A
- Authority
- CN
- China
- Prior art keywords
- training
- picture
- detection
- color
- product
- 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 100
- 238000003854 Surface Print Methods 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 109
- 230000007547 defect Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000007639 printing Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000005215 recombination Methods 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
-
- 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)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种曲面印刷检测方法、系统及存储介质,涉及缺陷检测技术领域。该方法使用了深度学习模型,在整体的运行上分为训练阶段和检测阶段,而这两个阶段都需要进行定位模板匹配、多模板图像分割等预处理操作,变成尺寸为(n,3,416,416)的tensor,其中n为图片分割为n个416x416小图片块的数量,以便算法能够进行计算。该系统适用于上述的方法,同时,该存储介质中存储有计算机程序,该计算机程序被执行时,实现上述的方法。本申请有效解决了套色印刷偏离的问题,在对图片本身的内容含有非常高的鲁棒性的同时,对一些传统算法难以检测的缺陷保持敏感,并且,很好的解决了深度学习模型无法在只学习少量样本的情况下无法构建能够使用的检测模型的问题。
Description
技术领域
本申请涉及缺陷检测技术领域,具体是一种曲面印刷检测方法、系统及存储介质。
背景技术
传统的曲面印刷检测方法是通过构建一个模板,后续的检测产品通过与模板对比,具体而言就是使用减法,以此获取当前检测品与模板存在差异的地方,再分析这些差异点是否为印刷的缺陷。应为印刷存在一定的工差,所以当前检测品与模板在印刷的边缘区域难免存在因印刷工差而呈现的差异,这些差异称之为套色印刷偏离,而且这些与某些缺陷,例如颜色很淡的多印缺陷、细微的灰尘等,在灰度值上非常相近,因此在使用二值化过滤的过程中,会随着工差的过滤,一起被过滤掉,从而导致检测精度下降。
另外,现有使用深度学习检测曲面印刷的方法,以YOLO最具代表性,需要大量的缺陷样本来训练算法模型,而工业生产过程中,大多数样品都为良品,只有少量是带有缺陷的不良品,并且这些缺陷的种类无法被事先统计和收集,所以深度学习方法由于数据缺乏,难以应用。
发明内容
本申请的目的在于提供一种曲面印刷检测方法、系统及存储介质,以解决上述背景技术中提出的技术问题。
为实现上述目的,本申请公开了以下技术方案:
在第一方面,本申请提供了一种曲面印刷检测方法,包括训练阶段和检测阶段;
所述训练阶段包括:
S1-训练取图:对训练产品进行图像采集获取彩色图片,采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板;
S2-定位模板匹配、多模板分开裁剪:对采集到的训练产品对应的彩色图片中的定位模板进行匹配识别,根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块;
S3-生成图片,构建训练集:经过裁剪的图片,根据检测块在采集到的训练产品对应的彩色图片中的截取位置,进行旋转、平移、要素重组的操作,生成扩展的彩色图片,并以此构建训练集;
S4-生成训练用高维加权图片:训练集的图片通过预训练的神经网络,对采集到的训练产品对应的彩色图片进行升维获取训练用高维加权图片;
S5-构建缺陷检测模型:在获取的训练用高维加权图片的基础上,以最小的检测单位,使用深度学习或机器学习算法构建缺陷检测模型;
所述检测阶段包括:
T1-检测取图:对待检产品进行图像采集获取彩色图片,采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板;
T2-定位模板匹配、多模板分开裁剪:对采集到的待检产品对应的彩色图片中的定位模板进行匹配识别,根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块;
T3-生成检测用高维加权图片:训练集的图片通过预训练的神经网络,对采集到的待检产品对应的彩色图片进行升维获取检测用高维加权图片;
T4-缺陷检测:利用构建的所述缺陷检测模型,对获取到的所述检测用高维加权图片进行计算,得出缺陷位于待件产品上的所在位置。
在一种实施方式中,所述的对训练产品进行图像采集获取彩色图片,具体包括:
采用线扫相机或面阵相机对训练产品进行图像采集,并获取彩色图片,所述训练产品为具有一个或多个缺陷的产品。
3.根据权利要求1所述的曲面印刷检测方法,其特征在于,所述的对待检产品进行图像采集获取彩色图片,具体包括:
采用线扫相机或面阵相机对待检产品进行图像采集,并获取彩色图片。
在一种实施方式中,所述的对采集到的训练产品对应的彩色图片进行升维获取训练用高维加权图片,具体包括:
将原图从只有R、G、B三个通道的彩色图片,通过tensor表示为(n,3,416,416)的大小,并通过所述神经网络升维到(n,k,416,416)得到训练用高维加权图片。
在一种实施方式中,所述的对采集到的待检产品对应的彩色图片进行升维获取检测用高维加权图片,具体包括:
将原图从只有R、G、B三个通道的彩色图片,通过tensor表示为(n,3,416,416)的大小,并通过所述神经网络升维到(n,k,416,416)得到检测用高维加权图片。
第二方面,本申请公开了一种曲面印刷检测系统,包括:图像采集模块、图片剪裁模块、训练集构建模块、高维加权图片生成模块、模型构建模块和缺陷检测模块;
所述图像采集模块配置为:对训练产品和待件产品进行图像采集并获取彩色图片,采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板;
所述图片剪裁模块配置为:对采集到的彩色图片中的定位模板进行匹配识别,根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块;
所述训练集构建模块配置为:经过裁剪的图片,根据检测块在采集到的训练产品对应的彩色图片中的截取位置,进行旋转、平移、要素重组的操作,生成扩展的彩色图片,并以此构建训练集;
所述高维加权图片生成模块配置为:训练集的图片通过预训练的神经网络,对采集到的训练产品和待检产品对应的彩色图片进行升维获取训练用高维加权图片;
所述模型构建模块配置为:在获取的训练用高维加权图片的基础上,以最小的检测单位,使用深度学习或机器学习算法构建缺陷检测模型;
所述缺陷检测模块配置为:利用构建的所述缺陷检测模型,对获取到的所述检测用高维加权图片进行计算,得出缺陷位于待件产品上的所在位置。
在一种实施方式中,所述的对训练产品和待件产品进行图像采集并获取彩色图片,具体包括:
采用线扫相机或面阵相机对训练产品进行图像采集,并获取彩色图片,所述训练产品为具有一个或多个缺陷的产品;以及,
采用线扫相机或面阵相机对待检产品进行图像采集,并获取彩色图片。
在一种实施方式中,所述的对采集到的训练产品和待检产品对应的彩色图片进行升维获取训练用高维加权图片,具体包括:
将原图从只有R、G、B三个通道的彩色图片,通过tensor表示为(n,3,416,416)的大小,并通过所述神经网络升维到(n,k,416,416)得到训练用高维加权图片和检测用高维加权图片。
在第三方面,本申请公开了一种计算机可读存储介质,该种计算机可读存储介质中存储有计算机程序,当该计算机程序被处理器执行时,实现上述的曲面印刷检测方法。
有益效果:本申请的曲面印刷检测方法、系统及存储介质,有效解决了套色印刷偏离的问题,在对图片本身的内容含有非常高的鲁棒性的同时,对细微的灰尘、颜色偏浅的多印等传统算法难以检测的缺陷保持敏感,从而上进行有效地检测;并且,只需要少量的正样本,就可以构建一个初始的检测模型,很好的解决了深度学习模型无法在只学习少量样本的情况下无法构建能够使用的检测模型的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域技术人员来讲,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的附图。
图1为本申请实施例中训练阶段的流程框图;
图2为本申请实施例中检测阶段的流程框图。
具体实施方式
下面将对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
在本文中,术语“包括”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……”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。
本实施例在第一方面,公开了一种曲面印刷检测方法,使用了深度学习模型,在整体的运行上分为训练阶段和检测阶段,而这两个阶段都需要进行定位模板匹配、多模板图像分割等预处理操作,变成尺寸为(n,3,416,416)的tensor,其中n为图片分割为n个416x416小图片块的数量,以便算法能够进行计算。
具体来说,如图1所示,所述训练阶段包括:
S1-训练取图:对训练产品进行图像采集获取彩色图片,采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板;
S2-定位模板匹配、多模板分开裁剪:对采集到的训练产品对应的彩色图片中的定位模板进行匹配识别,根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块;
S3-生成图片,构建训练集:经过裁剪的图片,根据检测块在采集到的训练产品对应的彩色图片中的截取位置,进行旋转、平移、要素重组的操作,生成扩展的彩色图片,并以此构建训练集;
S4-生成训练用高维加权图片:训练集的图片通过预训练的神经网络,对采集到的训练产品对应的彩色图片进行升维获取训练用高维加权图片;
S5-构建缺陷检测模型:在获取的训练用高维加权图片的基础上,以最小的检测单位,使用深度学习或机器学习算法构建缺陷检测模型。
其中,在上述的训练阶段中,所述的对训练产品进行图像采集获取彩色图片,具体包括:
采用线扫相机或面阵相机对训练产品进行图像采集,并获取彩色图片,所述训练产品为具有一个或多个缺陷的产品。
其中,在上述的训练阶段中,所述的对采集到的训练产品对应的彩色图片进行升维获取训练用高维加权图片,具体包括:
将原图从只有R、G、B三个通道的彩色图片,通过tensor表示为(n,3,416,416)的大小,并通过所述神经网络升维到(n,k,416,416)得到训练用高维加权图片。
具体来说,如图2所示,所述检测阶段包括:
T1-检测取图:对待检产品进行图像采集获取彩色图片,采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板;
T2-定位模板匹配、多模板分开裁剪:对采集到的待检产品对应的彩色图片中的定位模板进行匹配识别,根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块;
T3-生成检测用高维加权图片:训练集的图片通过预训练的神经网络,对采集到的待检产品对应的彩色图片进行升维获取检测用高维加权图片;
T4-缺陷检测:利用构建的所述缺陷检测模型,对获取到的所述检测用高维加权图片进行计算,得出缺陷位于待件产品上的所在位置。
其中,在上述的检测阶段中,所述的对待检产品进行图像采集获取彩色图片,具体包括:
采用线扫相机或面阵相机对待检产品进行图像采集,并获取彩色图片。
其中,在上述的检测阶段中,所述的对采集到的待检产品对应的彩色图片进行升维获取检测用高维加权图片,具体包括:
将原图从只有R、G、B三个通道的彩色图片,通过tensor表示为(n,3,416,416)的大小,并通过所述神经网络升维到(n,k,416,416)得到检测用高维加权图片。
本实施例在第二方面,公开了一种适用于上述曲面印刷检测方法的系统,具体来说,一种曲面印刷检测系统,包括:图像采集模块、图片剪裁模块、训练集构建模块、高维加权图片生成模块、模型构建模块和缺陷检测模块。
所述图像采集模块配置为:对训练产品和待件产品进行图像采集并获取彩色图片,采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板。
所述图片剪裁模块配置为:对采集到的彩色图片中的定位模板进行匹配识别,根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块。
所述训练集构建模块配置为:经过裁剪的图片,根据检测块在采集到的训练产品对应的彩色图片中的截取位置,进行旋转、平移、要素重组的操作,生成扩展的彩色图片,并以此构建训练集。
所述高维加权图片生成模块配置为:训练集的图片通过预训练的神经网络,对采集到的训练产品和待检产品对应的彩色图片进行升维获取训练用高维加权图片。
所述模型构建模块配置为:在获取的训练用高维加权图片的基础上,以最小的检测单位,使用深度学习或机器学习算法构建缺陷检测模型。
所述缺陷检测模块配置为:利用构建的所述缺陷检测模型,对获取到的所述检测用高维加权图片进行计算,得出缺陷位于待件产品上的所在位置。应当理解的,对于高维加权图片的计算,可以采用现有技术中的任意一种,且并非本申请所要求的保护的重点技术内容,因此,在本文本中不做赘述。
相应的,在上述系统中,所述的对训练产品和待件产品进行图像采集并获取彩色图片,具体包括:
采用线扫相机或面阵相机对训练产品进行图像采集,并获取彩色图片,所述训练产品为具有一个或多个缺陷的产品;以及,
采用线扫相机或面阵相机对待检产品进行图像采集,并获取彩色图片。
相应的,在上述系统中,所述的对采集到的训练产品和待检产品对应的彩色图片进行升维获取训练用高维加权图片,具体包括:
将原图从只有R、G、B三个通道的彩色图片,通过tensor表示为(n,3,416,416)的大小,并通过所述神经网络升维到(n,k,416,416)得到训练用高维加权图片和检测用高维加权图片。
本实施例在第三方面,还公开了一种计算机可读存储介质,其特征在于,该种计算机可读存储介质中存储有计算机程序,当该计算机程序被处理器执行时,实现上述的曲面印刷检测方法。
在本申请所提供的实施例中,应该理解到,可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现,处理器可以在一个或多个下列单元中实现:专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现,实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时,可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应说明的是:以上所述仅为本申请的优选实施例而已,并不用于限制本申请,尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种曲面印刷检测方法,其特征在于,包括训练阶段和检测阶段;
所述训练阶段包括:
S1-训练取图:对训练产品进行图像采集获取彩色图片,采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板;
S2-定位模板匹配、多模板分开裁剪:对采集到的训练产品对应的彩色图片中的定位模板进行匹配识别,根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块;
S3-生成图片,构建训练集:经过裁剪的图片,根据检测块在采集到的训练产品对应的彩色图片中的截取位置,进行旋转、平移、要素重组的操作,生成扩展的彩色图片,并以此构建训练集;
S4-生成训练用高维加权图片:训练集的图片通过预训练的神经网络,对采集到的训练产品对应的彩色图片进行升维获取训练用高维加权图片;
S5-构建缺陷检测模型:在获取的训练用高维加权图片的基础上,以最小的检测单位,使用深度学习或机器学习算法构建缺陷检测模型;
所述检测阶段包括:
T1-检测取图:对待检产品进行图像采集获取彩色图片,采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板;
T2-定位模板匹配、多模板分开裁剪:对采集到的待检产品对应的彩色图片中的定位模板进行匹配识别,根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块;
T3-生成检测用高维加权图片:训练集的图片通过预训练的神经网络,对采集到的待检产品对应的彩色图片进行升维获取检测用高维加权图片;
T4-缺陷检测:利用构建的所述缺陷检测模型,对获取到的所述检测用高维加权图片进行计算,得出缺陷位于待件产品上的所在位置。
2.根据权利要求1所述的曲面印刷检测方法,其特征在于,所述的对训练产品进行图像采集获取彩色图片,具体包括:
采用线扫相机或面阵相机对训练产品进行图像采集,并获取彩色图片,所述训练产品为具有一个或多个缺陷的产品。
3.根据权利要求1所述的曲面印刷检测方法,其特征在于,所述的对待检产品进行图像采集获取彩色图片,具体包括:
采用线扫相机或面阵相机对待检产品进行图像采集,并获取彩色图片。
4.根据权利要求1所述的曲面印刷检测方法,其特征在于,所述的对采集到的训练产品对应的彩色图片进行升维获取训练用高维加权图片,具体包括:
将原图从只有R、G、B三个通道的彩色图片,通过tensor表示为(n,3,416,416)的大小,并通过所述神经网络升维到(n,k,416,416)得到训练用高维加权图片。
5.根据权利要求1所述的曲面印刷检测方法,其特征在于,所述的对采集到的待检产品对应的彩色图片进行升维获取检测用高维加权图片,具体包括:
将原图从只有R、G、B三个通道的彩色图片,通过tensor表示为(n,3,416,416)的大小,并通过所述神经网络升维到(n,k,416,416)得到检测用高维加权图片。
6.一种曲面印刷检测系统,其特征在于,包括:图像采集模块、图片剪裁模块、训练集构建模块、高维加权图片生成模块、模型构建模块和缺陷检测模块;
所述图像采集模块配置为:对训练产品和待件产品进行图像采集并获取彩色图片,采集到的彩色图片中具有多个用于对产品进行基本定位的定位模板;
所述图片剪裁模块配置为:对采集到的彩色图片中的定位模板进行匹配识别,根据多个模板的变化将采集到的彩色图片剪裁为大小为416x416的检测块;
所述训练集构建模块配置为:经过裁剪的图片,根据检测块在采集到的训练产品对应的彩色图片中的截取位置,进行旋转、平移、要素重组的操作,生成扩展的彩色图片,并以此构建训练集;
所述高维加权图片生成模块配置为:训练集的图片通过预训练的神经网络,对采集到的训练产品和待检产品对应的彩色图片进行升维获取训练用高维加权图片;
所述模型构建模块配置为:在获取的训练用高维加权图片的基础上,以最小的检测单位,使用深度学习或机器学习算法构建缺陷检测模型;
所述缺陷检测模块配置为:利用构建的所述缺陷检测模型,对获取到的所述检测用高维加权图片进行计算,得出缺陷位于待件产品上的所在位置。
7.根据权利要求6所述的曲面印刷检测系统,其特征在于,所述的对训练产品和待件产品进行图像采集并获取彩色图片,具体包括:
采用线扫相机或面阵相机对训练产品进行图像采集,并获取彩色图片,所述训练产品为具有一个或多个缺陷的产品;以及,
采用线扫相机或面阵相机对待检产品进行图像采集,并获取彩色图片。
8.根据权利要求6所述的曲面印刷检测系统,其特征在于,所述的对采集到的训练产品和待检产品对应的彩色图片进行升维获取训练用高维加权图片,具体包括:
将原图从只有R、G、B三个通道的彩色图片,通过tensor表示为(n,3,416,416)的大小,并通过所述神经网络升维到(n,k,416,416)得到训练用高维加权图片和检测用高维加权图片。
9.一种计算机可读存储介质,其特征在于,该种计算机可读存储介质中存储有计算机程序,当该计算机程序被处理器执行时,实现如权利要求1-5任意一项所述的曲面印刷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310958886.XA CN117036267A (zh) | 2023-08-01 | 2023-08-01 | 一种曲面印刷检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310958886.XA CN117036267A (zh) | 2023-08-01 | 2023-08-01 | 一种曲面印刷检测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117036267A true CN117036267A (zh) | 2023-11-10 |
Family
ID=88630996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310958886.XA Pending CN117036267A (zh) | 2023-08-01 | 2023-08-01 | 一种曲面印刷检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036267A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948692A (zh) * | 2019-03-16 | 2019-06-28 | 四川大学 | 基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 |
CN111598856A (zh) * | 2020-05-08 | 2020-08-28 | 浙江工商大学 | 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统 |
CN111709909A (zh) * | 2020-05-12 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的通用印刷缺陷检测方法及其模型 |
CN113706464A (zh) * | 2021-07-22 | 2021-11-26 | 西安交通大学 | 一种印刷品外观质量检测方法及系统 |
CN114418980A (zh) * | 2022-01-10 | 2022-04-29 | 惠州中科先进制造有限公司 | 印刷线路板缺陷识别的深度学习方法、系统、设备及介质 |
CN114581388A (zh) * | 2022-02-24 | 2022-06-03 | 国能包神铁路集团有限责任公司 | 接触网零部件缺陷检测方法及装置 |
CN114881998A (zh) * | 2022-05-26 | 2022-08-09 | 秦皇岛威卡威佛吉亚汽车内饰件有限公司 | 一种基于深度学习的工件表面缺陷检测方法及系统 |
CN115937095A (zh) * | 2022-11-04 | 2023-04-07 | 中国科学技术大学 | 融合图像处理算法和深度学习的印刷缺陷检测方法及系统 |
CN116485779A (zh) * | 2023-05-11 | 2023-07-25 | 哈尔滨工业大学重庆研究院 | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-08-01 CN CN202310958886.XA patent/CN117036267A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948692A (zh) * | 2019-03-16 | 2019-06-28 | 四川大学 | 基于多颜色空间卷积神经网络及随机森林的计算机生成图片检测方法 |
CN111598856A (zh) * | 2020-05-08 | 2020-08-28 | 浙江工商大学 | 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统 |
CN111709909A (zh) * | 2020-05-12 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的通用印刷缺陷检测方法及其模型 |
CN113706464A (zh) * | 2021-07-22 | 2021-11-26 | 西安交通大学 | 一种印刷品外观质量检测方法及系统 |
CN114418980A (zh) * | 2022-01-10 | 2022-04-29 | 惠州中科先进制造有限公司 | 印刷线路板缺陷识别的深度学习方法、系统、设备及介质 |
CN114581388A (zh) * | 2022-02-24 | 2022-06-03 | 国能包神铁路集团有限责任公司 | 接触网零部件缺陷检测方法及装置 |
CN114881998A (zh) * | 2022-05-26 | 2022-08-09 | 秦皇岛威卡威佛吉亚汽车内饰件有限公司 | 一种基于深度学习的工件表面缺陷检测方法及系统 |
CN115937095A (zh) * | 2022-11-04 | 2023-04-07 | 中国科学技术大学 | 融合图像处理算法和深度学习的印刷缺陷检测方法及系统 |
CN116485779A (zh) * | 2023-05-11 | 2023-07-25 | 哈尔滨工业大学重庆研究院 | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
KR20230124713A (ko) | 결함 검출 방법, 장치 및 시스템 | |
TW559739B (en) | Image processor and pattern recognition apparatus using the image processor | |
US20230306577A1 (en) | Cross-scale defect detection method based on deep learning | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN114926839B (zh) | 基于rpa和ai的图像识别方法及电子设备 | |
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN110533660B (zh) | 一种电子产品外壳丝印缺陷的检测方法 | |
CN114332007A (zh) | 一种基于Transformer的工业缺陷检测和识别方法 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN113592839B (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 | |
CN112884741B (zh) | 一种基于图像相似性对比的印刷表观缺陷检测方法 | |
CN110570398A (zh) | 一种基于深度学习技术的线缆接头焊点合格性检测方法 | |
CN108089747B (zh) | 一种笔压信息获得方法、装置、电子设备及存储介质 | |
CN117036267A (zh) | 一种曲面印刷检测方法、系统及存储介质 | |
CN113538323A (zh) | 基于深度学习的缺陷检测方法和系统 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
WO2023053102A1 (en) | Method and system for automated proofreading of digitized visual imageries | |
CN115797299A (zh) | 一种光学复合膜的缺陷检测方法 | |
CN114202731A (zh) | 一种多状态旋钮开关识别方法 | |
CN113034432A (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
JP2006302109A (ja) | 紙葉類の損券判定装置、損券判定方法及び損券判定プログラム | |
CN111951287A (zh) | 一种二维码检测和识读方法 |
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 |