CN117058106A - 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 - Google Patents
基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 Download PDFInfo
- Publication number
- CN117058106A CN117058106A CN202311038289.1A CN202311038289A CN117058106A CN 117058106 A CN117058106 A CN 117058106A CN 202311038289 A CN202311038289 A CN 202311038289A CN 117058106 A CN117058106 A CN 117058106A
- Authority
- CN
- China
- Prior art keywords
- flexible glass
- image
- surface defects
- random forest
- flatness
- 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
- 239000011521 glass Substances 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 80
- 230000007547 defect Effects 0.000 title claims abstract description 52
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000691 measurement method Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000004441 surface measurement Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 9
- 238000011179 visual inspection Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000005211 surface analysis 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，所述方法包括：获取待测量的柔性玻璃图像；将所述待测量的柔性玻璃图像输入至预设的预测模型，输出柔性玻璃平面度及表面缺陷的测量结果。本发明基于柔性玻璃图像的特征训练得到预测模型，然后将待测量的柔性玻璃图像输入至预设的预测模型，就能够快速、准确地得到柔性玻璃平面度及表面缺陷的测量结果。相比于传统的人工视觉检查和光学测量方法相比，本发明具有测量效率高、成本低、结果一致性强及准确度高等优点。
Description
技术领域
本发明属于表面测量及分析技术领域，具体涉及一种基于随机森林的柔性玻璃平面度及表面缺陷的测量方法。
背景技术
柔性玻璃是一种具有高度柔韧性和可弯曲性的玻璃材料，广泛应用于柔性显示屏、太阳能电池板等领域。柔性玻璃在制造过程中可能会发生形变和变形，导致平面度不均匀或出现表面缺陷，如凹陷、凸起或划痕等。为了确保柔性玻璃制品的质量和性能，需要对其平面度和表面缺陷进行准确测量和评估。
现有的柔性玻璃测量方法主要依赖于人工视觉检查或使用昂贵光学设备，如激光扫描仪、光学显微镜进行测量。然而，对于柔性玻璃这样具有高度柔韧性和可变形性的材料，传统方法并不能提供准确和可靠的测量结果。一方面，依赖人工视觉检查不仅效率低下，且检测结果一致性较差，准确度无法保证。另一方面，采用光学测量方法只能得到玻璃的表面形貌和高度变化，还需要基于这些数据再确定玻璃的平面度及表面缺陷参数，不仅过程繁琐，且成本高昂。
发明内容
为了克服现有技术的不足，本发明提供一种基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，以解决传统玻璃测量方法无法针对柔性玻璃进行准确测量的问题。
第一方面，本发明提供了一种基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，所述方法包括：
获取待测量的柔性玻璃图像；
将所述待测量的柔性玻璃图像输入至预设的预测模型，输出柔性玻璃平面度及表面缺陷的测量结果。
在一种可能实施的方式中，在所述将所述待测量的柔性玻璃图像输入至预设的预测模型之前，还包括：基于随机森林网络训练得到所述预测模型。
在一种可能实施的方式中，所述基于随机森林网络训练得到所述预测模型，包括：
获取原始的柔性玻璃图像；
对所述原始的柔性玻璃图像进行特征提取，生成数据集；
利用所述数据集训练所述随机森林网络，当所述随机森林网络的预测精度不满足预设值时，对所述随机森林网络进行参数调优，直至所述预测精度满足所述预设值时，生成所述预测模型。
在一种可能实施的方式中，所述对所述原始的柔性玻璃图像进行特征提取，包括：
通过纹理分析算法提取柔性玻璃表面的纹理特征；
通过颜色空间转换和/或颜色直方图法，提取柔性玻璃表面的颜色特征；
通过边缘检测和形状描述算法，提取柔性玻璃表面的形状特征。
在一种可能实施的方式中，在所述对所述原始的柔性玻璃图像进行特征提取之前，还包括：
采用滤波算法对所述原始的柔性玻璃图像进行去噪；
对去噪后的柔性玻璃图像进行图像增强，所述图像增强包括调整图像的对比度和/或亮度，增强图像的细节和/或清晰度。
在一种可能实施的方式中，所述对所述随机森林网络进行参数调优，包括：
采用交叉验证或网格搜索方法确定所述随机森林网络的最佳参数组合；其中，所述随机森林网络的参数包括决策树数量、最大深度以及节点分裂的最小样本数
在一种可能实施的方式中，在所述输出柔性玻璃平面度及表面缺陷的测量结果之后，还包括：
对所述测量结果进行误差修正和滤波处理，所述误差修正包括去除异常值、平滑数据；
对处理后的测量结果进行统计分析，并进行可视化输出。
第二方面，本发明还提供了一种基于随机森林的柔性玻璃平面度及表面缺陷的测量系统，所述系统包括：
图像获取单元，用于获取待测量的柔性玻璃图像；
表面测量单元，用于将所述待测量的柔性玻璃图像输入至预设的预测模型，输出柔性玻璃平面度及表面缺陷的测量结果。
第三方面，本发明还提供了一种电子设备，包括显示器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现第一方面任一项所述的基于随机森林的柔性玻璃平面度及表面缺陷的测量方法的步骤。
第四方面，本发明还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行的至少一个程序，所述至少一个程序被所述计算机执行时，使所述计算机执行上述任一项所述的基于随机森林的柔性玻璃平面度及表面缺陷的测量方法中的步骤。
与现有技术相比，本发明的有益效果在于：
本发明提供了一种基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，所述方法包括：获取待测量的柔性玻璃图像；将所述待测量的柔性玻璃图像输入至预设的预测模型，输出柔性玻璃平面度及表面缺陷的测量结果。本发明基于柔性玻璃图像的特征训练得到预测模型，然后将待测量的柔性玻璃图像输入至预设的预测模型，就能够快速、准确地得到柔性玻璃平面度及表面缺陷的测量结果。相比于传统的人工视觉检查和光学测量方法相比，本发明具有测量效率高、成本低、结果一致性强及准确度高等优点。
附图说明
为了更清楚地说明本发明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仅是本发明的一些实施例，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示出的结构获得其他的附图。
图1为本发明其中一实施例提供的基于随机森林的柔性玻璃平面度及表面缺陷的测量方法的流程示意图；
图2为本发明另一实施例提供的基于随机森林的柔性玻璃平面度及表面缺陷的测量方法的流程示意图；
图3为图2中步骤S30的子步骤的流程示意图；
图4为本发明其中一实施例提供的进行图像预处理的流程示意图；
图5为本发明其中一实施例提供的基于随机森林的柔性玻璃平面度及表面缺陷的测量装置的结构示意图；
图6为本发明其中一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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”的特征可以明示或者隐含地包括至少一个该特征。另外，若全文中出现的“和/或”或者“及/或”，其含义包括三个并列的方案，以“A和/或B”为例，包括A方案、或B方案、或A和B同时满足的方案。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
现有的柔性玻璃测量方法主要依赖于人工视觉检查或使用昂贵光学设备，如激光扫描仪、光学显微镜进行测量。然而，对于柔性玻璃这样具有高度柔韧性和可变形性的材料，传统方法并不能提供准确和可靠的测量结果。为此，本发明提供了一种基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，通过预设的预测模型，直接将待测量的柔性玻璃图像输入至预测模型，就能够快速、准确地得到柔性玻璃平面度及表面缺陷的测量结果，具有测量效率高、成本低、结果一致性好等优点。
请参阅图1，本发明其中一个实施例提供了一种基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，包括：
S10、获取待测量的柔性玻璃图像。
获取待测量的柔性玻璃图像时，通常可以从数据库中获得，也可以现场获取待测量的柔性玻璃，然后利用相机对待测量的柔性玻璃进行拍摄，以得到柔性玻璃图像。
待测量的柔性玻璃图像的原始图像的质量对于预测结果的好坏有着直接的关联。因此，在一个具体的实施方式中，为了减小测量时的干扰，应该获取质量相对较优的图像，如从数据库中尽量选择满足要求的较为清晰的图像，如果是现场拍摄，应该从拍摄过程和摄影环境的角度来提高图像的拍摄质量。
具体地，可以通过以下步骤原始图像的质量，包括选择一台具有较高分辨率和图像质量的相机或摄影设备；优化光线条件：柔性玻璃通常反射光线较多，因此在拍摄之前应注意优化光线条件。避免直射光和强烈的反射源，使用柔和的光源，如漫射光或柔光箱，以减少反射和阴影。为了获得尽可能清晰的图像，建议使用三脚架或其他稳定支架来稳定相机。
优选地，当得到待测量的柔性玻璃图像后，还可以进行图像预处理，提高图像质量。例如可以进行去噪处理，去除可能存在的噪点或瑕疵。可以根据需要调整亮度、对比度、饱和度等参数，生成最终输入至预测模型的图像。
S20、将待测量的柔性玻璃图像输入至预设的预测模型，输出柔性玻璃平面度及表面缺陷的测量结果。
本实施例中，在图像检测阶段之前，预设的预测模型通常要选择一种深度学习网络，然后根据大量的柔性玻璃图像训练得到。
请参阅图2，在一个实施例中，在执行步骤S20之前，还包括步骤S30、基于随机森林网络训练得到预设的预测模型。
随机森林是一种集成学习算法，通过构建多个决策树并进行投票或平均来得到最终的预测结果。随机森林算法通常具有以下几个优点：
高准确性：随机森林能够生成多个决策树，并通过投票或平均的方式来预测结果。这样可以降低单个决策树的过拟合风险，提高整体的准确性。
适用于大规模数据集：随机森林可以处理具有数十万甚至数百万特征的大型数据集，同时对于缺失值和异常值也具有较好的鲁棒性。
可处理高维数据：随机森林不需要进行特征选择，因为在每个决策树中只使用了随机选择的特征子集。这使得它能够有效地处理高维数据，并保持较好的性能。
抗噪声能力强：随机森林在训练过程中使用了随机抽样和特征选择的方法，这使得它对噪声的影响较小，能够很好地处理包含噪声的数据。
可评估特征重要性：通过随机森林，可以计算每个特征对模型准确性的贡献程度，从而评估特征的重要性，这有助于进行特征选择和解释模型。
因此，本实施例通过随机森林网络训练得到预测模型，能够基于输入的待测量的柔性玻璃图像，快速得检测出柔性玻璃图像。相比传统的人工视觉检查或昂贵设备测量方法，本实施例具有测量效率高、成本低、结果一致性好等优点，适用于大规模生产环境下的柔性玻璃质量控制和改进。
参见图3，在一个实施例中，基于随机森林网络训练得到预测模型，包括以下子步骤：
S301、获取原始的柔性玻璃图像；
S302、对原始的柔性玻璃图像进行特征提取，生成数据集；
S303、利用数据集训练随机森林网络，当随机森林网络的预测精度不满足预设值时，对随机森林网络进行参数调优，直至预测精度满足预设值时，生成预测模型。
本实施例中，首先获取原始的柔性玻璃图像，该图像可以从数据库或者拍摄得到，为了使得随机森林网络能够较为全面地学习柔性玻璃图像的表面特征，提高预测模型的泛化能力。本实施例优选采用大量的数据集来训练随机森林网络，例如获取上千张原始的柔性玻璃图像，然后进行特征提取，根据提取的特征生成数据集对随机森林网络进行训练。
在得到数据集时，通常可以按照预设的比例将其划分为训练集和测试集，例如按照7:3的比例来分配，利用训练集对训练随机森林网络，然后利用测试集对训练后的模型预测精度进行验证。
为了使得最终训练的预测模型能够满足识别精度的要求，本实施例应当设定一个识别精度的预设值，根据初始配置条件对随机森林网络训练后，会生成对应的预测模型，然后利用测试集来验证当前的预测模型是否达到预设值，若达到，则无需再训练随机森林网络，直接将当前的预测模型作为最终测量柔性玻璃表面的平面度和表面缺陷的预测模型；反之，如果没有达到，那么就要进行参数调优，直至预测精度满足所述预设值时，才能够生成对应的预测模型。
本实施例中，通过对原始的柔性玻璃图像进行特征提取，采用提取的特征生成数据集对随机森林网络进行训练，降低了训练的复杂度，提高了训练效率。通过参数调优过程，能够优化模型的性能，使得最终生成的预测模型满足识别精度的要求，进一步保证了柔性玻璃表面的平面度和表面缺陷测量结果的准确性。
在一个实施例中，对随机森林网络进行参数调优，包括：
采用交叉验证或网格搜索方法确定随机森林网络的最佳参数组合；其中，所述随机森林网络的参数包括决策树数量、最大深度以及节点分裂的最小样本数。
需要说明的是，参数调优是一个迭代的过程，需要根据实际情况反复进行调整和评估，以找到最佳的参数组合。同时，还要注意避免过拟合问题，选择合适的参数范围，适当限制模型的复杂度，以提高模型的泛化性能。
具体地，本实施例中对于随机森林网络的参数调优具体可以包括以下步骤：
1)确定基础模型：首先确定决策树的基础模型并设置基础参数。
2)确定需要调优的参数范围：根据经验或者文献，确定随机森林需要调优的参数范围。常见的参数包括决策树数量(n_estimators)、最大深度(max_depth)、节点划分标准(criterion)等。
3)选择评价指标：根据问题的特点和需求，选择适当的评价指标。例如，对于分类问题可以选择准确率、精确率、召回率等，对于回归问题可以选择均方误差、平均绝对误差等。
4)网格搜索与交叉验证：使用网格搜索技术，在参数空间中进行交叉验证。通过遍历不同参数组合，计算模型在验证集上的性能，选择性能最佳的参数组合。这里可以使用交叉验证来更好地估计模型的泛化性能。
5)模型评估与调整：使用最佳参数训练随机森林模型，并在测试集上进行评估。根据评估结果，可以进一步调整参数或者尝试其他的算法。
因此，本实施例通过网格搜索与交叉验证对于随机森林网络进行参数调优，能提高预测模型地泛化能力，使其能够针对更多场景下的柔性玻璃图像进行准确地预测。
参见图4，在一个实施例中，在执行步骤S301之后，执行步骤S303之前，还包括：
S304、采用滤波算法对原始的柔性玻璃图像进行去噪；
S305、对去噪后的柔性玻璃图像进行图像增强，图像增强包括调整图像的对比度和/或亮度，增强图像的细节和/或清晰度。
本实施例中，滤波算法可以采用以下几种方式：
均值滤波：计算像素周围邻域的平均灰度值，然后将该值赋给当前像素。这种方法可以有效地减少噪声，但可能会导致图像模糊。
中值滤波：计算像素周围邻域的中值，然后将该值赋给当前像素。中值滤波能够在去除噪声的同时保留图像细节，对于椒盐噪声效果较好。
高斯滤波：利用高斯函数生成权重矩阵，然后将该权重矩阵应用于图像中的每个像素，最终得到平滑后的图像。高斯滤波可以降低高频噪声，同时保持图像的整体细节。
图像增强可以采用考虑以下方面：
对比度调整：通过调整图像像素值的范围来增强图像的对比度。可以使用直方图均衡化、对比度拉伸等方法来实现。
亮度调整：通过增加或减少图像的整体亮度，来改变图像的明暗程度。可以使用亮度调整算法来实现。
细节增强：可以使用锐化滤波器等方法来增强图像中的细节信息，使得图像更加清晰。
清晰度增强：可以通过图像增强算法，如边缘增强算法等来提升图像的清晰度和辨识度。
因此，本实施例通过原始的柔性玻璃图像进行去噪和图像增强，能够提高训练样本的质量，有利于后续特征提取的进行。
在一种可能实施的方式中，对原始的柔性玻璃图像进行特征提取，包括：
通过纹理分析算法提取柔性玻璃表面的纹理特征；
通过颜色空间转换和/或颜色直方图法，提取柔性玻璃表面的颜色特征；
通过边缘检测和形状描述算法，提取柔性玻璃表面的形状特征。
如果直接利用柔性玻璃图像对随机森林网络进行训练，那么会存在很多的干扰特征，如此会导致训练过程非常复杂，运算量很大。因此本实施例中需要进行特征提取，将提取的特征作为训练样本。
特征提取也是特征降维的一部分，特征降维是指在机器学习和数据分析中，通过减少特征的数量或者转换特征空间，来降低数据的维度。它可以帮助我们解决高维数据集带来的问题，包括维度灾难、计算复杂性和模型过拟合等
特征降维的方法主要分为两大类：特征选择和特征提取。
特征选择(Feature Selection)：这种方法是直接从原始特征中选择一部分最有用或者最相关的特征作为新的特征子集。常用的特征选择方法有过滤法(Filter Method)、包装法(Wrapper Method)和嵌入法(Embedded Method)等。过滤法通常根据统计指标或者特征之间的相关性进行特征选择；包装法则通过使用机器学习模型对不同特征子集进行评估和比较来选择特征；嵌入法会将特征选择嵌入到训练过程中，让模型自动学习最优的特征子集。
特征提取(Feature Extraction)：这种方法通过数学变换将原始特征映射到一个新的低维特征空间。常见的特征提取方法有主成分分析(Principal Component Analysis，PCA)、线性判别分析(Linear Discriminant Analysis，LDA)和独立成分分析(IndependentComponent Analysis，ICA)等。这些方法都是基于数据的统计特性进行特征变换，从而找到能够保留最多信息的新特征。
本实施例中，由于要对柔性玻璃表面的平面度和表面缺陷进行确定，因此本实施例提取的特征主要为纹理特征、颜色特征和形状特征。
纹理特征：柔性玻璃表面的纹理特征包括了表面的光滑度、粗糙度和凹凸程度等。它们可以通过观察表面的视觉外观或者使用物理测量方法(如激光扫描或显微镜观察)来获得。纹理特征对于柔性玻璃材料的质感和触感具有重要影响。
颜色特征：柔性玻璃表面的颜色特征指的是其在可见光波段下的反射或透射光谱特性。柔性玻璃可以具有不同的颜色，如透明、半透明或不透明。其颜色特征可以通过光谱分析仪器或人眼观察来确定。
形状特征：柔性玻璃表面的形状特征描述了其外部轮廓、边缘曲率和几何形状等方面。这些特征可以通过计算机视觉技术、三维扫描或物理测量方法(如投影仪或测量工具)来获取。形状特征对于柔性玻璃材料的外观和功能性能具有重要作用。
通常，纹理特征可以使用局部二值模式(LBP)或灰度共生矩阵(GLCM)等方法提取。颜色特征可以使用颜色直方图或颜色矩等方法提取。形状特征可以使用边缘检测算法，如Canny算子或Sobel算子等方法提取。
本实施例通过进行特征提取，将纹理特征、颜色特征和形状特征作为训练样本对随机森林网络进行训练，能够降低训练过程的复杂度，大大降低运算量，通过降低维度来简化数据集并保留最重要的信息使得模型更好地理解数据、加速计算和建立更精确的模型。
在一个实施例中，在输出柔性玻璃平面度及表面缺陷的测量结果之后，还包括：
对测量结果进行误差修正和滤波处理，误差修正包括去除异常值、平滑数据；
对处理后的测量结果进行统计分析，并进行可视化输出。
本实施例中，对预测结果进行误差去除和数据分析处理，以提高测量结果的准确性和可靠性。后处理可以包括去除异常值、平滑数据、统计分析等步骤。例如，可以使用滑动窗口平均法平滑数据，去除离群点或异常值。
通过统计分析和可视化输出，能够更加直观的对于测量结果进行展示，进一步提高了产品的生产和管理能效。
为了更好地说明本发明的实施方式，以下是一个柔性玻璃平面度及表面缺陷测量方法的具体实施方式：
1)图像采集：使用高分辨率的摄像机或扫描仪，对待测的柔性玻璃进行图像采集。确保采集到的图像清晰、无失真。
2)图像预处理：对采集到的图像进行预处理，主要包括中值滤波去噪和直方图均衡化增强等操作。去噪可以采用滤波算法，如中值滤波或高斯滤波，以去除图像中的噪声。图像增强可以采用直方图均衡化或对比度增强等方法，以提高图像的质量和清晰度。
3)特征提取：从预处理后的图像中提取相关特征，包括纹理特征、颜色特征和形状特征等。纹理特征可以使用局部二值模式(LBP)或灰度共生矩阵(GLCM)等方法提取。颜色特征可以使用颜色直方图或颜色矩等方法提取。形状特征可以使用边缘检测算法，如Canny算子或Sobel算子等方法提取。
4)训练数据准备：准备一批已知平面度和表面缺陷的柔性玻璃图像，并提取其对应的特征。这些图像和特征将作为训练数据用于训练随机森林模型。
5)随机森林模型训练：使用训练数据，训练随机森林模型。进行模型训练，调整模型参数，如决策树数量和深度，以获得最佳的预测性能。
6)图像预测：将经过预处理的待测图像输入训练好的随机森林模型，进行预测得到柔性玻璃的平面度及表面缺陷的测量结果。可以使用图像处理库提供的函数进行预测操作。
7)参数调优：调整随机森林模型的参数以获得更好的性能。包括决策树数量、最大深度、节点分裂的最小样本数等。可以使用交叉验证或网格搜索等方法来寻找最佳参数组合。
8)后处理：对预测结果进行后处理，以提高测量结果的准确性和可靠性。可以使用统计分析方法，如去除异常值、平滑数据等，对预测结果进行处理。
9)结果输出：将测量结果以可视化形式输出，如绘制柔性玻璃的平面度图或表面缺陷图。可以使用图像处理库或绘图软件进行结果展示。
综上，本发明实施例提供的方法至少具有以下优点：
准确性：通过引入随机森林模型和特征提取技术，本方法能够准确测量柔性玻璃的平面度及表面缺陷。相比传统的人工视觉检查或昂贵设备测量方法，准确性更高，能够提供可靠的测量结果。
高效性：本方法利用图像处理和特征提取技术，能够快速处理柔性玻璃图像，并通过随机森林模型进行预测。相比传统的人工测量方法，具有更高的测量效率，能够提高生产效率和质量控制效率。
成本低：相比使用昂贵设备进行测量的方法，本方法所需的设备成本较低。同时，由于测量过程自动化，减少了人力成本，降低了生产成本。
一致性好：通过使用随机森林模型进行预测，本方法能够提供一致性较好的测量结果。不受人为主观因素的影响，减少了测量结果的差异性。
适用性广：本方法适用于大规模生产环境下的柔性玻璃质量控制和改进。可以应用于各种柔性玻璃产品，如电子显示器、太阳能电池等领域。
因此，通过本发明实施例提供的方法，可以提高柔性玻璃生产过程中的质量控制效率，减少人力成本，并改善产品质量，适用范围广且易于推广。
基于与上述方法相同的发明构思，在本发明公开的另一实施例中，还公开了一种基于随机森林的柔性玻璃平面度及表面缺陷的测量系统。请参阅图2，本发明实施例提供的一种基于随机森林的柔性玻璃平面度及表面缺陷的测量系统，包括：
图像获取单元10，用于获取待测量的柔性玻璃图像；
表面测量单元20，用于将所述待测量的柔性玻璃图像输入至预设的预测模型，输出柔性玻璃平面度及表面缺陷的测量结果。
在该实施例公开的系统中，各个模块的具体实现还可以对应参照上述实施例所示的方法实施例的相应描述，为了简便，在此不再赘述。
在一个实施例中，本发明还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序包括程序指令，程序指令当被电子设备的处理器执行时，使处理器执行如上述任意一种可能实现的方式的方法。
在一个实施例中，本发明还提供了一种电子设备，包括：处理器、发送装置、输入装置、输出装置和存储器，存储器用于存储计算机程序代码，计算机程序代码包括计算机指令，当处理器执行所述计算机指令时，电子设备执行如上述任意一种可能实现的方式的方法。
请参阅图xx，图xx为本发明实施例提供的一种电子设备的硬件结构示意图。
该电子设备2包括处理器21，存储器22，输入装置23，输出装置24。该处理器21、存储器22、输入装置23和输出装置24通过连接器相耦合，该连接器包括各类接口、传输线或总线等等，本发明实施例对此不作限定。应当理解，本发明的各个实施例中，耦合是指通过特定方式的相互联系，包括直接相连或者通过其他设备间接相连，例如可以通过各类接口、传输线、总线等相连。
处理器21可以是一个或多个图形处理器(graphics processing unit，GPU)，在处理器21是一个GPU的情况下，该GPU可以是单核GPU，也可以是多核GPU。可选的，处理器21可以是多个GPU构成的处理器组，多个处理器之间通过一个或多个总线彼此耦合。可选的，该处理器还可以为其他类型的处理器等等，本发明实施例不作限定。
存储器22可用于存储计算机程序指令，以及用于执行本发明方案的程序代码在内的各类计算机程序代码。可选地，存储器包括但不限于是随机存储记忆体(random accessmemory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasableprogrammable read only memory，EPROM)、或便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器用于相关指令及数据。
输入装置23用于输入数据和/或信号，以及输出装置24用于输出数据和/或信号。输出装置23和输入装置24可以是独立的器件，也可以是一个整体的器件。
可理解，本发明实施例中，存储器22不仅可用于存储相关指令，本发明实施例对于该存储器中具体所存储的数据不作限定。
可以理解的是，图xx仅仅示出了一种电子设备的简化设计。在实际应用中，电子设备还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、存储器等，而所有可以实现本发明实施例的视频解析装置都在本发明的保护范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。所属领域的技术人员还可以清楚地了解到，本发明各个实施例描述各有侧重，为描述的方便和简洁，相同或类似的部分在不同实施例中可能没有赘述，因此，在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digitalversatiledisc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
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，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：只读存储器(read-only memory，ROM)或随机存储存储器(random access memory，RAM)、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，其特征在于，所述方法包括：
获取待测量的柔性玻璃图像；
将所述待测量的柔性玻璃图像输入至预设的预测模型，输出柔性玻璃平面度及表面缺陷的测量结果。
2.如权利要求1所述的基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，其特征在于，在所述将所述待测量的柔性玻璃图像输入至预设的预测模型之前，还包括：基于随机森林网络训练得到所述预测模型。
3.如权利要求2所述的基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，其特征在于，所述基于随机森林网络训练得到所述预测模型，包括：
获取原始的柔性玻璃图像；
对所述原始的柔性玻璃图像进行特征提取，生成数据集；
利用所述数据集训练所述随机森林网络，当所述随机森林网络的预测精度不满足预设值时，对所述随机森林网络进行参数调优，直至所述预测精度满足所述预设值时，生成所述预测模型。
4.如权利要求3所述的基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，其特征在于，所述对所述原始的柔性玻璃图像进行特征提取，包括：
通过纹理分析算法提取柔性玻璃表面的纹理特征；
通过颜色空间转换和/或颜色直方图法，提取柔性玻璃表面的颜色特征；
通过边缘检测和形状描述算法，提取柔性玻璃表面的形状特征。
5.如权利要求3所述的基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，其特征在于，在所述对所述原始的柔性玻璃图像进行特征提取之前，还包括：
采用滤波算法对所述原始的柔性玻璃图像进行去噪；
对去噪后的柔性玻璃图像进行图像增强，所述图像增强包括调整图像的对比度和/或亮度，增强图像的细节和/或清晰度。
6.如权利要求3所述的基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，其特征在于，所述对所述随机森林网络进行参数调优，包括：
采用交叉验证或网格搜索方法确定所述随机森林网络的最佳参数组合；其中，所述随机森林网络的参数包括决策树数量、最大深度以及节点分裂的最小样本数。
7.如权利要求1所述的基于随机森林的柔性玻璃平面度及表面缺陷的测量方法，其特征在于，在所述输出柔性玻璃平面度及表面缺陷的测量结果之后，还包括：
对所述测量结果进行误差修正和滤波处理，所述误差修正包括去除异常值、平滑数据；
对处理后的测量结果进行统计分析，并进行可视化输出。
8.一种基于随机森林的柔性玻璃平面度及表面缺陷的测量系统，其特征在于，所述系统包括：
图像获取单元，用于获取待测量的柔性玻璃图像；
表面测量单元，用于将所述待测量的柔性玻璃图像输入至预设的预测模型，输出柔性玻璃平面度及表面缺陷的测量结果。
9.一种电子设备，其特征在于，包括显示器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1～7任一项所述基于随机森林的柔性玻璃平面度及表面缺陷的测量方法的步骤。
10.一种计算机存储介质，所述计算机存储介质存储有计算机可执行的至少一个程序，其特征在于，所述至少一个程序被所述计算机执行时，使所述计算机执行上述权利要求1～7任一项所述基于随机森林的柔性玻璃平面度及表面缺陷的测量方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311038289.1A CN117058106A (zh) | 2023-08-16 | 2023-08-16 | 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311038289.1A CN117058106A (zh) | 2023-08-16 | 2023-08-16 | 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117058106A true CN117058106A (zh) | 2023-11-14 |
Family
ID=88656787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311038289.1A Pending CN117058106A (zh) | 2023-08-16 | 2023-08-16 | 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117058106A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117497087A (zh) * | 2023-12-20 | 2024-02-02 | 浙江大学 | 一种基于可解释的高维空间预测模型的氧化物玻璃性能预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019168086A1 (ja) * | 2018-03-01 | 2019-09-06 | 国立大学法人大阪大学 | 欠陥検出システム、欠陥モデル作成プログラム、および欠陥検出プログラム |
| CN114219957A (zh) * | 2021-11-03 | 2022-03-22 | 三峡大学 | 一种基于Resnet和随机森林融合的鱼类分类方法 |
| CN114841957A (zh) * | 2022-04-29 | 2022-08-02 | 哈尔滨理工大学 | 一种基于深度学习的钢板表面缺陷检测方法 |
| CN115965816A (zh) * | 2023-01-05 | 2023-04-14 | 无锡职业技术学院 | 基于深度学习的玻璃缺陷分类与检测方法及系统 |
| CN116542975A (zh) * | 2023-07-05 | 2023-08-04 | 成都数之联科技股份有限公司 | 一种玻璃面板的缺陷分类方法、装置、设备和介质 |
-
2023
- 2023-08-16 CN CN202311038289.1A patent/CN117058106A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019168086A1 (ja) * | 2018-03-01 | 2019-09-06 | 国立大学法人大阪大学 | 欠陥検出システム、欠陥モデル作成プログラム、および欠陥検出プログラム |
| CN114219957A (zh) * | 2021-11-03 | 2022-03-22 | 三峡大学 | 一种基于Resnet和随机森林融合的鱼类分类方法 |
| CN114841957A (zh) * | 2022-04-29 | 2022-08-02 | 哈尔滨理工大学 | 一种基于深度学习的钢板表面缺陷检测方法 |
| CN115965816A (zh) * | 2023-01-05 | 2023-04-14 | 无锡职业技术学院 | 基于深度学习的玻璃缺陷分类与检测方法及系统 |
| CN116542975A (zh) * | 2023-07-05 | 2023-08-04 | 成都数之联科技股份有限公司 | 一种玻璃面板的缺陷分类方法、装置、设备和介质 |
Non-Patent Citations (4)
| Title |
|---|
| 刘传泽 等: "基于随机森林算法的纤维板表面缺陷识别", 《林业科学》, 15 November 2018 (2018-11-15) * |
| 刘传泽;罗瑞;陈龙现;王霄;周玉成;: "基于区域筛选分割和随机森林的人造板表面缺陷识别", 制造业自动化, no. 09, 25 September 2018 (2018-09-25) * |
| 方匡南;吴见彬;朱建平;谢邦昌;: "随机森林方法研究综述", 统计与信息论坛, no. 03, 10 March 2011 (2011-03-10) * |
| 王朝宇: "基于机器视觉的木材表面缺陷识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, no. 3, 15 March 2022 (2022-03-15), pages 024 - 837 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117497087A (zh) * | 2023-12-20 | 2024-02-02 | 浙江大学 | 一种基于可解释的高维空间预测模型的氧化物玻璃性能预测方法 |
| CN117497087B (zh) * | 2023-12-20 | 2024-04-26 | 浙江大学 | 一种基于可解释的高维空间预测模型的氧化物玻璃性能预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090902B (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
| WO2023077404A1 (zh) | 缺陷检测方法、装置和系统 | |
| US11164048B2 (en) | Focus-weighted, machine learning disease classifier error prediction for microscope slide images | |
| RU2680765C1 (ru) | Автоматизированное определение и обрезка неоднозначного контура документа на изображении | |
| CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
| CN103619238B (zh) | 用于确定皮炎值的装置和方法 | |
| CN110070531B (zh) | 用于检测眼底图片的模型训练方法、眼底图片的检测方法及装置 | |
| CN109410192B (zh) | 一种多纹理分级融合的织物缺陷检测方法及其装置 | |
| CN117058106A (zh) | 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 | |
| CN116612111B (zh) | 一种高强度复合材料加工质量检测方法 | |
| CN112014413A (zh) | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 | |
| CN112052730B (zh) | 一种3d动态人像识别监控设备及方法 | |
| CN112017130B (zh) | 基于自适应各向异性全变分正则化的图像复原方法 | |
| CN115797551B (zh) | 基于两步无监督聚类算法的激光点云数据自动建模方法 | |
| WO2022153305A1 (en) | Systems and methods for hue based encoding of a digital image | |
| CN116167932A (zh) | 一种图像质量优化方法、装置、设备及存储介质 | |
| CN114841992A (zh) | 基于循环生成对抗网络和结构相似性的缺陷检测方法 | |
| Stets et al. | Scene reassembly after multimodal digitization and pipeline evaluation using photorealistic rendering | |
| CN117557487A (zh) | 基于pix2pixHD的光滑物体高光去除方法、系统及缺陷检测装置 | |
| CN116539619B (zh) | 产品缺陷检测方法、系统、装置及存储介质 | |
| CN114913086B (zh) | 基于生成对抗网络的人脸图像质量增强方法 | |
| CN113763315B (zh) | 玻片图像的信息获取方法、装置、设备及介质 | |
| CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
| Frederickx et al. | Adaptive LightSlice for virtual ray lights | |
| CN117934453B (zh) | 一种手机屏背光异物缺陷诊断方法及系统 |
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 |