CN117173172B - 一种基于机器视觉的硅胶成型效果检测方法及系统 - Google Patents
一种基于机器视觉的硅胶成型效果检测方法及系统 Download PDFInfo
- Publication number
- CN117173172B CN117173172B CN202311445386.2A CN202311445386A CN117173172B CN 117173172 B CN117173172 B CN 117173172B CN 202311445386 A CN202311445386 A CN 202311445386A CN 117173172 B CN117173172 B CN 117173172B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- silica gel
- detected
- image area
- 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
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 title claims abstract description 155
- 239000000741 silica gel Substances 0.000 title claims abstract description 155
- 229910002027 silica gel Inorganic materials 0.000 title claims abstract description 155
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000000465 moulding Methods 0.000 title claims abstract description 31
- 230000000694 effects Effects 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 81
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 153
- 238000012512 characterization method Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 58
- 230000015654 memory Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000005065 mining Methods 0.000 claims description 13
- 229920001296 polysiloxane Polymers 0.000 claims description 12
- 230000000903 blocking effect Effects 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 239000000499 gel Substances 0.000 claims 1
- 238000005192 partition Methods 0.000 abstract description 19
- 238000003860 storage Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 16
- 230000007547 defect Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于机器视觉的硅胶成型效果检测方法及系统,在获取针对不少于一个目标硅胶制品的检测图像,以及在检测图像中确定出拟检测图像区域后对拟检测图像区域进行表征向量挖掘,得到拟检测图像区域的图像表征向量,接着基于图像表征向量,确定拟检测图像区域对应的图像分类和图像参变量,通过图像分类和图像参变量对拟检测图像区域进行按序排列,以选取得到不少于一个目标图像区域,然后对目标图像区域进行分块划分,基于分块划分后的图像分块的分块影响系数,在图像分块中识别出不少于一个异常图像点。可精确地在拟检测图像区域中选取得到目标图像区域,从而在目标图像区域检测得到异常图像点,如此能够增加异常图像点检测的精度。
Description
技术领域
本申请涉及但不限于机器视觉、图像处理技术领域,尤其涉及一种基于机器视觉的硅胶成型效果检测方法及系统。
背景技术
硅胶成型是一种广泛应用于制造业的技术,可用于生产各种零件、模具、密封件、电子元器件等。在硅胶成型过程中,成型效果的质量直接影响到产品的性能和可靠性,因此对硅胶成型效果的检测显得非常重要。硅胶成型制品的表面缺陷常见为以下几种。气泡:在硅胶成型过程中,由于气体在硅胶中可能会形成气泡,这些气泡可能分布在硅胶制品的表面,影响其外观和质量。痕迹或划痕:由于模具表面不光滑或其他原因,硅胶制品的表面可能出现痕迹或划痕,导致表面不平整。粘连或粘性:硅胶具有一定的粘性,如果在成型过程中没有适当的控制,硅胶制品的表面可能出现粘连现象,导致表面不平滑或有附着物。毛边或毛刺:在硅胶成型过程中,由于模具设计或制造不当,硅胶制品的边缘可能出现毛边或毛刺,影响外观和安全性。色差或变色:硅胶制品的颜色可能不均匀或出现变色现象,可能是由于材料配比、成型温度等因素引起的。模具印痕:硅胶制品的表面可能出现模具印痕,这是由于模具设计或制造问题导致的,可能会影响产品的外观和质量。举例来说,比如在生产硅胶密封圈时,如果模具表面不光滑或存在划痕,硅胶密封圈的表面可能出现划痕或凹凸不平的现象。又如在制造硅胶手机壳时,如果成型过程中没有适当控制气泡的形成,硅胶手机壳的表面可能会出现气泡,影响外观和质量。这些表面缺陷可能会影响硅胶制品的外观质量、功能性能和安全性能。因此,在硅胶成型效果检测中,需要对这些缺陷进行识别、评估和控制,以确保产品符合要求。
目前,使用计算机视觉技术和深度学习算法,可以对硅胶制品的外观进行自动识别和分析。通过拍摄产品的照片或视频,并将其输入到训练有素的神经网络模型中,可以快速检测和识别表面缺陷、色差等问题,如何提高缺陷点检测的准确性是需要考虑的技术问题。
发明内容
有鉴于此,本申请实施例至少提供一种基于机器视觉的硅胶成型效果检测方法及系统。
本申请实施例的技术方案是这样实现的:
一方面,本申请实施例提供一种基于机器视觉的硅胶成型效果检测方法,应用于计算机设备,所述方法包括:
获取针对不少于一个目标硅胶制品的检测图像,并在所述检测图像中确定出拟检测图像区域;
对所述拟检测图像区域进行表征向量挖掘,得到所述拟检测图像区域的图像表征向量;
基于所述图像表征向量,确定所述拟检测图像区域对应的图像分类和图像参变量,所述图像分类用以表征所述检测图像的分类结果,所述图像参变量用以表征所述拟检测图像区域在所述图像分类中的影响系数;
通过所述图像分类和图像参变量对所述拟检测图像区域进行按序排列,以选取得到不少于一个目标图像区域;
对所述目标图像区域进行分块划分,基于分块划分后的图像分块的分块影响系数,在所述图像分块中识别出不少于一个异常图像点,所述分块影响系数用以表征所述图像分块在所述目标图像区域中的影响系数。
在一些实施例中,所述通过所述图像分类和图像参变量对所述拟检测图像区域进行按序排列,以选取得到不少于一个目标图像区域,包括:
基于所述图像分类对所述拟检测图像区域进行分类,得到每一图像分类对应的拟检测图像区域集合;
通过所述图像参变量对所述拟检测图像区域集合中的拟检测图像区域进行按序排列;
基于按序排列信息对所述拟检测图像区域集合中的拟检测图像区域进行筛选,得到不少于一个目标图像区域。
在一些实施例中,所述基于按序排列信息对所述拟检测图像区域集合中的拟检测图像区域进行筛选,得到不少于一个目标图像区域,包括:
基于按序排列信息,在所述拟检测图像区域集合中选取得到排列序号不大于预设排列序号阈值的拟检测图像区域,得到不少于一个无意义拟检测图像区域;
在所述拟检测图像区域集合中对所述无意义拟检测图像区域进行删除,得到不少于一个目标图像区域。
在一些实施例中,所述基于分块划分后的图像分块的分块影响系数,在所述图像分块中识别出不少于一个异常图像点,包括:
确定所述目标图像区域的图像数量,得到第一图像数量;
基于所述第一图像数量,确定分块划分后的每一图像分块的分块影响系数;
通过所述分块影响系数和所述图像分类,在所述图像分块中选取得到不少于一个异常图像点;
所述在所述检测图像中确定出拟检测图像区域,包括:
在所述检测图像中确定得到初始图像区域,并在所述初始图像区域中选取得到目标像素点;
基于所述目标像素点的像素点类型,在预设转换像素点集合中选取得到所述目标像素点对应的转换像素点;
在所述初始图像区域中将所述目标像素点转换成所述转换像素点,得到拟检测图像区域。
在一些实施例中,所述基于所述第一图像数量,确定分块划分后的每一图像分块的分块影响系数,包括:
在所述目标图像区域中确定出包含所述图像分块的图像数量,得到第二图像数量;
基于所述第一图像数量和第二图像数量获取每一所述图像分块的出现率和区分度;
将所述出现率和区分度进行相乘,得到所述图像分块的分块影响系数;
所述通过所述分块影响系数和所述图像分类,在所述图像分块中选取得到不少于一个异常图像点,包括:
在所述目标图像区域中选取得到每一图像分类对应的图像区域,并确定所述图像区域的图像数量,得到第三图像数量;
在所述图像分块中识别出突出区域,基于所述第三图像数量和突出区域获取每一所述图像分块的置信度,所述置信度用以表征所述图像分块具有特定图像分类的目标图像区域中的可能性;
基于所述分块影响系数和置信度,在所述图像分块中选取得到不少于一个异常图像点。
在一些实施例中,所述基于所述第三图像数量和突出区域获取每一所述图像分块的置信度,包括:
基于所述第三图像数量获取所述每一图像分块的概率密度函数,得到分块概率密度函数;
通过所述突出区域、第一图像数量和第三图像数量获取所述突出区域的概率密度函数,得到突出概率密度函数;
将所述分块概率密度函数和突出概率密度函数进行相乘,得到所述图像分块的置信度;
所述基于所述分块影响系数和置信度,在所述图像分块中选取得到不少于一个异常图像点,包括:
基于所述置信度对所述图像分块进行删除,得到删除后图像分块;
通过所述分块影响系数对所述删除后图像分块进行按序排列;
基于按序排列信息,在所述删除后图像分块中选取得到不少于一个异常图像点。
在一些实施例中,所述基于所述图像表征向量,确定所述拟检测图像区域对应的图像分类和图像参变量,包括:
通过调试后图像识别网络在所述图像表征向量中确定得到图像分类表征向量;
基于所述图像分类表征向量,确定所述拟检测图像区域对应的图像分类;
通过所述调试后图像识别网络将所述图像表征向量转换为所述拟检测图像区域的图像显著性表征向量,以得到图像参变量。
在一些实施例中,所述通过调试后图像识别网络分别在所述图像表征向量中确定得到图像分类表征向量和图像显著性表征向量之前,还包括:
获取不少于一个训练样例目标硅胶制品的图像区域训练样例库,所述图像区域训练样例库包括不少于一个注释目标硅胶制品类型和注释图像分类的图像区域训练样例;
通过预设图像识别网络推理所述图像区域训练样例的图像分类,得到推理图像分类;
基于所述图像区域训练样例,通过所述预设图像识别网络推理所述训练样例目标硅胶制品的目标硅胶制品类型,得到推理目标硅胶制品类型;
基于所述注释目标硅胶制品类型、注释图像分类、推理图像分类和推理目标硅胶制品类型对所述预设图像识别网络进行调试,得到调试后图像识别网络。
在一些实施例中,所述基于所述图像区域训练样例,通过所述预设图像识别网络推理所述训练样例目标硅胶制品的目标硅胶制品类型,得到推理目标硅胶制品类型,包括:
通过所述预设图像识别网络对所述图像区域训练样例进行表征向量挖掘,并将挖掘得到的训练样例图像表征向量转换为训练样例图像显著性表征向量;
基于所述训练样例图像显著性表征向量,确定所述图像区域训练样例的训练样例图像参变量,并通过所述训练样例图像参变量获取每一所述图像区域训练样例的图像权值;
通过所述图像权值对所述训练样例图像表征向量进行整合,并通过整合后训练样例图像表征向量,确定所述训练样例目标硅胶制品的目标硅胶制品类型,得到推理目标硅胶制品类型;
所述基于所述注释目标硅胶制品类型、注释图像分类、推理图像分类和推理目标硅胶制品类型对所述预设图像识别网络进行调试,得到调试后图像识别网络,包括:
基于所述注释目标硅胶制品类型和推理目标硅胶制品类型,确定所述图像区域训练样例的目标硅胶制品误差;
通过所述注释图像分类和推理图像分类,确定所述图像区域训练样例的图像误差;
获取所述图像误差的整合变量,并通过所述整合变量将所述图像误差和目标硅胶制品误差进行整合;
通过整合后误差对所述预设图像识别网络进行调试,得到调试后图像识别网络;
所述获取不少于一个训练样例目标硅胶制品的图像区域训练样例库,包括:
获取不少于一个训练样例目标硅胶制品的基础图像区域训练样例库;
当所述基础图像区域训练样例库中的图像区域训练样例数量大于数量临界值时,基于所述图像区域训练样例的先后顺序,在所述基础图像区域训练样例库中抽取得到设定数量的基础图像区域训练样例,得到余下图像区域训练样例;
基于所述数量临界值和设定数量,确定图像区域训练样例的余下抽取数量;
在所述余下图像区域训练样例中任意抽取得到所述余下抽取数量对应的目标图像区域训练样例;
将所述基础图像区域训练样例和目标图像区域训练样例进行整合,得到所述训练样例目标硅胶制品的图像区域训练样例库。
另一方面,本申请实施例提供了一种机器视觉检测系统,包括互相通信的图像获取装置和计算机设备,所述图像获取装置用于获取硅胶制品的检测图像,所述计算机设备包括存储器和处理器,所述存储器存储有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以上方法中的步骤。
本申请实施例的有益效果:
本申请实施例提供的基于机器视觉的硅胶成型效果检测方法及系统,在获取针对不少于一个目标硅胶制品的检测图像,以及在检测图像中确定出拟检测图像区域后对拟检测图像区域进行表征向量挖掘,得到拟检测图像区域的图像表征向量,接着基于图像表征向量,确定拟检测图像区域对应的图像分类和图像参变量,通过图像分类和图像参变量对拟检测图像区域进行按序排列,以选取得到不少于一个目标图像区域,然后对目标图像区域进行分块划分,基于分块划分后的图像分块的分块影响系数,在图像分块中识别出不少于一个异常图像点。本申请实施例在确定得到检测图像的拟检测图像区域之后,通过图像表征向量可以确定出拟检测图像区域对应的图像分类和图像参变量,将图像分类和图像参变量作为已知信息,即可精确地在拟检测图像区域中选取得到目标图像区域,从而在目标图像区域检测得到异常图像点,如此能够增加异常图像点检测的精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种基于机器视觉的硅胶成型效果检测方法的实现流程示意图。
图2为本申请实施例提供的一种检测装置的组成结构示意图。
图3为本申请实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图和实施例对本申请的技术方案进一步详细阐述,所描述的实施例不应视为对本申请的限制,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它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的,不是旨在限制本申请。
本申请实施例提供一种基于机器视觉的硅胶成型效果检测方法,该方法可以由计算机设备的处理器执行。其中,计算机设备可以指的是服务器、笔记本电脑、平板电脑、台式计算机、智能电视、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备、便携式游戏设备)等具备数据处理能力的设备。计算机设备和图像获取装置构成本申请实施例提供的机器视觉检测系统,图像获取装置用于获取硅胶制品的检测图像。
图1为本申请实施例提供的一种基于机器视觉的硅胶成型效果检测方法的实现流程示意图,如图1所示,该方法包括如下步骤:
步骤S110,获取不少于一个目标硅胶制品的检测图像,并在检测图像中确定出拟检测图像区域。
检测图像为基于图像获取装置(如摄像设备)拍摄得到的目标硅胶制品的表面图像,获取针对不少于一个目标硅胶制品的检测图像之后,在检测图像中确定出拟检测图像区域,提取拟检测图像区域的过程例如是在检测图像中确定得到初始图像区域,并在初始图像区域中选取得到目标像素点,基于目标像素点的像素点类型,在预设转换像素点集合中选取得到目标像素点对应的转换像素点,在初始图像区域中将目标像素点转换成转换像素点,得到拟检测图像区域。其中,在检测图像中确定得到初始图像区域的过程不做限定,例如获取检测图像的清晰度,基于清晰度满足预设清晰度,在检测图像中确定得到初始图像区域,或者,基于预设的检测要求,选取需要进行缺陷识别的图像区域(例如硅胶制品的外表面、非底座表面等)作为初始图像区域。在检测图像中确定得到初始图像区域后,在初始图像区域选取得到目标像素点,选取目标像素点的方式例如是在初始图像区域中选取得到预设像素点类型(例如数值小于或大于预设像素)的像素点,得到目标像素点,或者可以在初始图像区域中选取得到预设像素点,得到目标像素点。
在选取得到目标像素点的像素点类型后,基于目标像素点的像素点类型,在预设转换像素点集合中选取得到目标像素点对应的转换像素点,选取得到转换像素点的方式例如是在像素点类型为大于第一像素值时,在预设转换像素点集合中选取得到对应的第一转换像素点,在像素点类型为大于第二像素值时,在预设转换像素点集合中选取得到对应的第二转换像素点,转换像素点为一个具体的像素值。本申请实施例中,对初始图像区域中的目标像素点进行转换,目的在于对图像进行过滤,将初始图像区域中的非突出区域(即普通的,在色彩和纹理上没有起伏的区域,反之,突出区域为在色彩和纹理上没有起伏的区域,例如黑点、毛刺、气泡、色差、模具印痕造成的区域往往和良好区域具有较大的出入)转换成一致的像素点,如此能防止非突出区域对拟检测图像区域中的图像分块的干扰,提高异常图像点的检测精度。
步骤S120,对拟检测图像区域进行表征向量挖掘,得到拟检测图像区域的图像表征向量。
举例而言,可以通过调试后图像识别网络的图像表征向量挖掘网络对拟检测图像区域进行多维语义表征向量挖掘,得到各个维度的初始图像表征向量,将初始图像表征向量进行整合,从而得到拟检测图像区域的图像表征向量。图像表征向量用于表征拟检测图像区域的特征信息。其中,图像表征向量挖掘网络例如为卷积神经网络、残差神经网络或者其他任意可行的神经网络。
步骤S130,基于图像表征向量,确定拟检测图像区域对应的图像分类和图像参变量。
其中,图像分类可以用以表征检测图像的分类结果,比如指示缺陷还是非缺陷的结果。图像参变量用以表征拟检测图像区域在图像分类中的影响系数(即表示重要性的变量),以决定拟检测图像区域在图像分类对应的检测图像中的影响系数,从而判断拟检测图像区域对应的检测图像是否是有效的检测图像。其中,基于图像表征向量,确定拟检测图像区域对应的图像分类和图像参变量的过程例如是通过调试后图像识别网络在图像表征向量中确定得到图像分类表征向量,基于图像分类表征向量,确定拟检测图像区域对应的图像分类,通过调试后图像识别网络将图像表征向量转换为拟检测图像区域的图像显著性表征向量,以得到图像参变量。
其中,通过调试后图像识别网络在图像表征向量中确定得到图像分类表征向量的方式例如是通过调试后图像识别网络的前馈神经网络(FFN)在图像表征向量中确定得到图像分类表征向量,或者通过其他神经网络在图像表征向量中确定得到图像分类表征向量。
在确定得到图像分类表征向量后,可以基于图像分类表征向量确定拟检测图像区域对应的图像分类,确定图像分类的方式例如是可以通过分类器(如softmax、全连接网络)将图像分类表征向量转换为拟检测图像区域的图像分类概率分布,通过图像分类概率分布,在预设图像分类中选取得到拟检测图像区域的可能性,从而确定拟检测图像区域对应的图像分类。
其中,图像显著性表征向量用以表征拟检测图像区域在检测图像中有效性的特征向量。通过调试后图像识别网络将图像表征向量转换为拟检测图像区域的图像显著性表征向量,得到图像参变量的方式例如是可以通过调试后图像识别网络的前馈神经网络将图像表征向量转换为图像显著性表征向量,基于图像显著性表征向量,确定拟检测图像区域的图像参变量。
例如,调试后图像识别网络可以基于实际需要进行部署,在通过调试后图像识别网络分别在图像表征向量中确定得到图像分类表征向量和图像显著性表征向量之前,本申请实施例提供的基于机器视觉的硅胶成型效果检测方法还可以包括以下步骤:获取不少于一个训练样例目标硅胶制品的图像区域训练样例库,该图像区域训练样例库包括不少于一个注释目标硅胶制品类型和注释图像分类的图像区域训练样例,通过预设图像识别网络推理图像区域训练样例的图像分类,得到推理图像分类,基于图像区域训练样例,通过预设图像识别网络推理训练样例目标硅胶制品的目标硅胶制品类型,得到推理目标硅胶制品类型,基于注释目标硅胶制品类型、注释图像分类、推理图像分类和推理目标硅胶制品类型对预设图像识别网络进行调试,得到调试后图像识别网络。具体包括:
S1,获取不少于一个训练样例目标硅胶制品的图像区域训练样例库。
其中,图像区域训练样例包括不少于一个注释目标硅胶制品类型和注释图像分类的图像区域训练样例。其中,获取不少于一个训练样例目标硅胶制品的图像区域训练样例库的可以包括:获取不少于一个训练样例目标硅胶制品的基础图像区域训练样例库,当图像区域训练样例库中的图像区域训练样例数量大于数量临界值时,基于图像区域训练样例的先后顺序,在基础图像区域训练样例库中抽取得到设定数量的基础图像区域训练样例,得到余下图像区域训练样例,基于数量临界值和设定数量,确定图像区域训练样例的余下抽取数量,在余下图像区域训练样例中任意抽取得到余下抽取数量对应的目标图像区域训练样例,将基础图像区域训练样例和目标图像区域训练样例进行整合(即合并),得到训练样例目标硅胶制品的图像区域训练样例库。其中,获取基础图像区域训练样例库的方式例如是获取历史硅胶制品的硅胶制品图像集合,基于预设目标硅胶制品信息对目标硅胶制品集合中的候选目标硅胶制品进行过滤,得到不少于一个训练样例目标硅胶制品,获取每一训练样例目标硅胶制品的检测图像、缺陷检测结果,基于训练样例目标硅胶制品的缺陷检测结果,确定训练样例目标硅胶制品的目标硅胶制品类型(缺陷类型),在训练样例目标硅胶制品的检测图像中确定得到图像区域和图像分类,在图像区域中注释目标硅胶制品类型和图像分类,得到图像区域训练样例,将每一训练样例目标硅胶制品的图像区域训练样例进行整合,得到训练样例目标硅胶制品的基础图像区域训练样例库。其中,基于预设目标硅胶制品信息对目标硅胶制品集合中的候选目标硅胶制品进行过滤的方式例如是获取预设目标硅胶制品信息,在目标硅胶制品集合中的候选目标硅胶制品中删除预设目标硅胶制品信息包括的目标硅胶制品名单中的候选目标硅胶制品,从而得到不少于一个训练样例目标硅胶制品。
S2,通过预设图像识别网络推理图像区域训练样例的图像分类,得到推理图像分类。
比如,通过预设图像识别网络推理图像区域训练样例的图像分类,得到推理图像分类的过程和确定拟检测图像区域的图像分类的过程一致。
S3,基于图像区域训练样例,通过预设图像识别网络推理训练样例目标硅胶制品的目标硅胶制品类型,得到推理目标硅胶制品类型。
具体地,可以通过预设图像识别网络对图像区域训练样例进行表征向量挖掘,并将挖掘得到的训练样例图像表征向量转换为训练样例图像显著性表征向量,基于图像显著性表征向量,确定图像区域训练样例的训练样例图像参变量,并通过训练样例图像参变量获取每一图像区域训练样例的图像权值,通过图像权值对训练样例图像表征向量进行整合,并通过整合后训练样例图像表征向量,确定训练样例目标硅胶制品的目标硅胶制品类型,得到推理目标硅胶制品类型。其中,通过训练样例图像参变量获取每一图像区域训练样例的图像权值的方式例如是在每一图像区域训练样例的图像参变量中确定得到图像参变量值,将每一图像区域训练样例图像参变量值进行整合,接着计算每一图像区域训练样例的训练样例图像参变量值与整合后训练样例图像参变量值的比例,以获得每一图像区域训练样例的图像权值。
其中,通过整合后训练样例图像表征向量,确定训练样例目标硅胶制品的目标硅胶制品类型的方式例如是通过前馈神经网络将整合后训练样例图像表征向量映射为一个数值,通过激活函数(如sigmoid)获取训练样例目标硅胶制品的推理置信度C,从而确定训练样例目标硅胶制品的推理目标硅胶制品类型。
S4,基于注释目标硅胶制品类型、注释图像分类、推理图像分类和推理目标硅胶制品类型对预设图像识别网络进行调试,从而得到调试后图像识别网络。
具体地,基于注释目标硅胶制品类型和推理目标硅胶制品类型,确定图像区域训练样例的目标硅胶制品误差,通过注释图像分类和推理图像分类,确定图像区域训练样例的图像误差,获取图像误差的整合变量,并通过整合变量将图像误差和目标硅胶制品误差进行整合,通过整合后误差对预设图像识别网络进行调试,得到调试后图像识别网络。其中,基于注释目标硅胶制品类型和推理目标硅胶制品类型,确定图像区域训练样例的目标硅胶制品误差的方式例如是可以基于注释目标硅胶制品类型和推理目标硅胶制品类型的推理置信度,通过交叉熵函数获取每一图像区域训练样例的基础目标硅胶制品误差,将基础目标硅胶制品误差进行整合,得到图像区域训练样例的目标硅胶制品误差。其中,基于注释图像分类和推理图像分类,确定图像区域训练样例的图像误差的方式例如是基于注释图像分类和推理图像分类,通过交叉熵函数获取每一图像区域训练样例的基础图像误差。
将基础图像误差进行整合,从而得到图像区域训练样例的目标硅胶制品误差,具体可以是将各个图像误差进行累加,得到目标硅胶制品误差。
在确定目标硅胶制品误差和图像误差之后,通过得到的图像误差的整合变量将图像误差和目标硅胶制品误差进行整合,整合的方式例如是可以将整合变量与图像误差进行整合,得到整合后图像误差,将整合后图像误差和目标硅胶制品误差进行整合,得到整合后误差,例如:
C=C1+w·C2
其中,C为整合后误差,C1为目标硅胶制品误差,w为整合变量,C2为图像误差。
预设图像识别网络为多任务网络,同时运行两个同享网络架构的任务,整合变量w为超参,在调试开始时被赋予任意值,在调试开启后,预设图像识别网络对每个图像区域训练样例推理的性能开始慢慢持平。通过减小整合变量w,令目标硅胶制品误差和训练样例目标硅胶制品的推理性能慢慢平稳,预设图像识别网络的调试结束。
步骤S140,通过图像分类和图像参变量对拟检测图像区域进行按序排列,以选取得到不少于一个目标图像区域。
具体地,可以基于图像分类对拟检测图像区域进行分类,获得各个图像分类对应的拟检测图像区域集合,通过图像参变量对拟检测图像区域集合中的拟检测图像区域进行按序排列,基于按序排列信息对拟检测图像区域集合中的拟检测图像区域进行筛选,得到不少于一个目标图像区域。其中,筛选即对拟检测图像区域集合中的无意义拟检测图像区域进行删除,得到有效拟检测图像区域(即在拟检测图像区域集合中的拟检测图像区域的影响系数处于预设按序排列区间的拟检测图像区域),也即排列序号大于预设排列序号阈值的拟检测图像区域,对应的无意义拟检测图像区域即排列序号不大于预设按序排列阈值的拟检测图像区域。通过按序排列信息对拟检测图像区域集合中的拟检测图像区域进行筛选的方式例如是基于按序排列信息,在拟检测图像区域集合中选取得到排列序号不大于预设排列序号阈值的拟检测图像区域,得到不少于一个无意义拟检测图像区域,在拟检测图像区域集合中对无意义拟检测图像区域进行删除,得到不少于一个目标图像区域。
步骤S150,对目标图像区域进行分块划分,基于分块划分后的图像分块的分块影响系数,在图像分块中识别出不少于一个异常图像点。
其中,对目标图像区域进行分块划分例如是通过分块划分工具,按照预设的尺寸对目标图像区域进行分块划分,得到目标图像区域对应的不少于一个图像分块。在对目标图像区域进行分块划分后,基于分块划分后的图像分块的分块影响系数,在图像分块中检测得到不少于一个异常图像点,异常图像点即检测得到的缺陷点,对应至少一个缺陷像素,这些缺陷像素可以对应到目标硅胶制品的实体位置上,检测异常图像点的方式例如是确定目标图像区域的图像数量,得到第一图像数量,基于第一图像数量,确定分块划分后的每一图像分块的分块影响系数,通过分块影响系数和图像分类,在图像分块中选取得到不少于一个异常图像点。其中,分块影响系数用以表征图像分块在目标图像区域中的影响系数。基于第一图像数量,确定分块划分后的每一图像分块的分块影响系数的方式例如是在目标图像区域中确定出包含图像分块的图像数量,得到第二图像数量,基于第一图像数量和第二图像数量获取每一图像分块的出现率(即出现的频次)和区分度,将出现率和区分度进行相乘,得到图像分块的分块影响系数。其中,基于第一图像数量和第二图像数量获取每一图像分块的出现率和区分度的方式例如是计算第一图像数量和第二图像数量的比例,通过该数量比例,获得每一图像分块的区分度,其参考了IDF思想,具体可以参考下述公式:
F=log(N/M)
其中,F为每一图像分块的区分度,N为第一图像数量,M为包含图像分块的第二图像数量。
在目标图像区域中确定出每一图像分类的目标图像区域包含图像分块的图像数量,得到每一图像分块的出现率G,具体实现时,可以是将图像分块向量化,确定每一图像分类的目标图像区域包含相同向量或误差在误差阈值内的向量的数量。
在计算出每一图像分块的出现率和区分度之后,便可以将出现率G和区分度F进行整合,整合的方式例如是可以直接将出现率G和区分度F相乘,获得每一图像分块的分块影响系数。在确定出分块划分后的每一图像分块的分块影响系数后,通过分块影响系数和图像分类,在图像分块中选取得到不少于一个异常图像点,选取得到异常图像点的方式例如是可以在目标图像区域中选取得到每一图像分类对应的图像区域,并确定图像区域的图像数量,得到第三图像数量,在图像分块中识别出突出区域,基于第三图像数量和突出区域获取每一图像分块的置信度,基于分块影响系数和置信度,在图像分块中选取得到不少于一个异常图像点。其中,置信度用以表征图像分块具有特定图像分类的目标图像区域中的可能性,基于第三图像数量和突出区域获取每一图像分块的置信度的方式例如是基于第三图像数量获取每一图像分块的概率密度函数,得到分块概率密度函数,通过突出区域、第一图像数量和第三图像数量获取突出区域的概率密度函数,得到突出概率密度函数,将分块概率密度函数和突出概率密度函数进行相乘,得到图像分块的置信度。其中,基于第三图像数量获取每一图像分块的概率密度函数的方式例如是可以在图像区域中确定出包含图像分块的图像数量,得到第四图像数量获取第四图像数量和第三图像数量的比例,得到图像分块的分块概率密度函数,该图像分块概率密度函数用以表征任意图像分块出现一图像分类的任意一图像区域中的可能性。其中,通过突出区域、第一图像数量和第三图像数量获取突出区域的概率密度函数的方式例如是可以在目标图像区域中确定出包含突出区域的图像数量,得到第五图像数量,通过第五图像数量和第一图像数据,获取图像分块的全量突出概率密度函数,在图像区域中确定出包含突出区域的图像数量,得到第六图像数量,通过第六图像数量和第三图像数量获取图像分块的图像突出概率密度函数,将全量突出概率密度函数和图像突出概率密度函数作为图像分块的突出概率密度函数。其中,通过第五图像数量和第一图像数据,获取图像分块的全量突出概率密度函数的方式例如是获取第五图像数量与第一图像数量的比例,得到图像分块的每一突出区域对应的基础全量突出概率密度函数,将基础全量突出概率密度函数进行相乘,得到全量突出概率密度函数,全量突出概率密度函数为特定图像分块中的一个像素点出现在目标图像区域中任意一图像像素的可能性,其中,通过第六图像数量和第三图像数量获取图像分块的图像突出概率密度函数的方式例如是获取第六图像数量和第三图像数量的比例,得到图像分块的每一突出区域对于的初始图像突出概率密度函数,将初始图像突出概率密度函数进行相乘,得到图像突出概率密度函数,该图像突出概率密度函数用以表征特定图像分类的任意一图像区域出现该图像分块中任意个像素点的可能性。确定得到分块概率密度函数和突出概率密度函数后,将分块概率密度函数和突出概率密度函数进行相乘,整合的方式例如是将分块概率密度函数与图像突出概率密度函数进行相乘,得到整合后概率密度函数,计算整合后概率密度函数与全量突出概率密度函数的可能性比例,获得该图像分块的置信度,具体可以如公式(10)所示:
Cd=(Cd1·Cd2)/Cd3
其中,Cd为置信度,用以表征特定图像分块出现在特定图像分类的一图像区域中的可能性,Cd2为图像突出概率密度函数,用以表征该图像分类的任意一条图像区域中出现图像分块中的一个像素点的可能性,Cd3为全量突出概率密度函数,用以表征图像分块中的一个突出区域出现在目标图像区域中的任意一条图像的可能性。获取得到每一图像分块的置信度之后,基于分块影响系数和置信度,在图像分块中选取得到不少于一个异常图像点,选取异常图像点的方式例如是基于置信度对图像分块进行删除,得到删除后图像分块,基于分块影响系数对删除后图像分块进行按序排列,基于按序排列信息,在删除后图像分块中选取得到不少于一个异常图像点。其中,基于置信度对图像分块进行删除的方式例如是在图像分块中选取得到置信度大于预设置信度的图像分块,以获得删除后图像分块。
其中,基于按序排列信息,在删除后图像分块中选取得到不少于一个异常图像点的方式例如是可以在删除后图像分块中选取得到前K个目标图像像素,将该目标图像像素作为异常图像点,或者在删除后图像分块中选取得到前K个图像分块,得到候选图像分块对候选图像分块的分块影响系数进行加权处理,在加权处理后的候选图像分块中选取得到不少于一个异常图像点。
综上,本申请实施例在获取针对不少于一个目标硅胶制品的检测图像,并在检测图像中确定出拟检测图像区域后对拟检测图像区域进行表征向量挖掘,得到拟检测图像区域的图像表征向量,接着基于图像表征向量,确定拟检测图像区域对应的图像分类和图像参变量,通过图像分类和图像参变量对拟检测图像区域进行按序排列,以选取得到不少于一个目标图像区域,然后对目标图像区域进行分块划分,基于分块划分后的图像分块的分块影响系数,在图像分块中识别出不少于一个异常图像点;本申请实施例在确定得到检测图像的拟检测图像区域之后,通过图像表征向量可以确定出拟检测图像区域的图像分类和图像参变量,将图像分类和图像参变量作为已知信息,即可精确地在拟检测图像区域中选取得到目标图像区域,从而在目标图像区域检测得到异常图像点,如此能够增加异常图像点检测的精度。
基于前述的实施例,本申请实施例提供一种检测装置,该装置所包括的各单元、以及各单元所包括的各模块,可以通过计算机设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(Central Processing Unit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(Digital SignalProcessor,DSP)或现场可编程门阵列(Field Programmable Gate Array,FPGA)等。
图2为本申请实施例提供的一种检测装置的组成结构示意图,如图2所示,检测装置200包括:
图像获取模块210,用于获取针对不少于一个目标硅胶制品的检测图像,并在所述检测图像中确定出拟检测图像区域;
特征挖掘模块220,用于对所述拟检测图像区域进行表征向量挖掘,得到所述拟检测图像区域的图像表征向量;
属性确定模块230,用于基于所述图像表征向量,确定所述拟检测图像区域对应的图像分类和图像参变量,所述图像分类用以表征所述检测图像的分类结果,所述图像参变量用以表征所述拟检测图像区域在所述图像分类中的影响系数;
区域选定模块240,用于通过所述图像分类和图像参变量对所述拟检测图像区域进行按序排列,以选取得到不少于一个目标图像区域;
异常检测模块250,用于对所述目标图像区域进行分块划分,基于分块划分后的图像分块的分块影响系数,在所述图像分块中识别出不少于一个异常图像点,所述分块影响系数用以表征所述图像分块在所述目标图像区域中的影响系数。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法,对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的基于机器视觉的硅胶成型效果检测方法,并作为独立的产品销售或使用时,也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,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件、软件或固件,或者硬件、软件、固件三者之间的任意结合。
本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本申请实施例提供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方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
本申请实施例提供一种计算机程序,包括计算机可读代码,在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一些实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
这里需要指出的是:上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
图3为本申请实施例提供的一种计算机设备的硬件实体示意图,如图3所示,该计算机设备1000的硬件实体包括:处理器1001和存储器1002,其中,存储器1002存储有可在处理器1001上运行的计算机程序,处理器1001执行程序时实现上述任一实施例的方法中的步骤。
存储器1002存储有可在处理器上运行的计算机程序,存储器1002配置为存储由处理器1001可执行的指令和应用,还可以缓存待处理器1001以及计算机设备1000中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
处理器1001执行程序时实现上述任一项的基于机器视觉的硅胶成型效果检测方法的步骤。处理器1001通常控制计算机设备1000的总体操作。
本申请实施例提供一种计算机存储介质,计算机存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一实施例的基于机器视觉的硅胶成型效果检测方法的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit,ASIC)、数字信号处理器(DigitalSignal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各步骤/过程的序号的大小并不意味着执行顺序的先后,各步骤/过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元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,也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,本申请的技术方案本质上或者说对相关技术做出贡献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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种基于机器视觉的硅胶成型效果检测方法,其特征在于,应用于计算机设备,所述方法包括:
获取针对不少于一个目标硅胶制品的检测图像,并在所述检测图像中确定出拟检测图像区域;
对所述拟检测图像区域进行表征向量挖掘,得到所述拟检测图像区域的图像表征向量;
基于所述图像表征向量,确定所述拟检测图像区域对应的图像分类和图像参变量,所述图像分类用以表征所述检测图像的分类结果,所述图像参变量用以表征所述拟检测图像区域在所述图像分类中的影响系数;
通过所述图像分类和图像参变量对所述拟检测图像区域进行按序排列,以选取得到不少于一个目标图像区域;
对所述目标图像区域进行分块划分,基于分块划分后的图像分块的分块影响系数,在所述图像分块中识别出不少于一个异常图像点,所述分块影响系数用以表征所述图像分块在所述目标图像区域中的影响系数;
其中,所述基于分块划分后的图像分块的分块影响系数,在所述图像分块中识别出不少于一个异常图像点,包括:
确定所述目标图像区域的图像数量,得到第一图像数量;
基于所述第一图像数量,确定分块划分后的每一图像分块的分块影响系数;
通过所述分块影响系数和所述图像分类,在所述图像分块中选取得到不少于一个异常图像点;
所述在所述检测图像中确定出拟检测图像区域,包括:
在所述检测图像中确定得到初始图像区域,并在所述初始图像区域中选取得到目标像素点;
基于所述目标像素点的像素点类型,在预设转换像素点集合中选取得到所述目标像素点对应的转换像素点;
在所述初始图像区域中将所述目标像素点转换成所述转换像素点,得到拟检测图像区域;
其中,所述基于所述第一图像数量,确定分块划分后的每一图像分块的分块影响系数,包括:
在所有所述目标图像区域中确定出包含所述图像分块的目标图像区域的数量,得到第二图像数量;其中,在确定包含所述图像分块的目标图像区域的数量时,是将所述图像分块向量化,确定所有目标图像区域中包含相同向量或误差在误差阈值内的向量的目标图像区域的数量;
在所有目标图像区域中确定出每一图像分类的目标图像区域包含所述图像分块的图像分块数量,得到每一图像分块的出现率,其中,在确定每一图像分类的目标图像区域包含所述图像分块的图像分块数量时,是将图像分块向量化,确定每一图像分类的目标图像区域包含相同向量或误差在误差阈值内的向量的数量作为图像分块数量;
基于所述第一图像数量和第二图像数量获取每一所述图像分块的区分度;
将所述出现率和区分度进行相乘,得到所述图像分块的分块影响系数;
所述通过所述分块影响系数和所述图像分类,在所述图像分块中选取得到不少于一个异常图像点,包括:
在所述目标图像区域中选取得到每一图像分类对应的目标图像区域,并确定选取得到的目标图像区域的数量,得到每一图像分类各自的第三图像数量;
在所述图像分块中识别出突出区域,基于每一图像分类各自的所述第三图像数量和突出区域获取每一所述图像分块的置信度,所述置信度用以表征所述图像分块出现在特定图像分类的目标图像区域中的可能性;
基于所述分块影响系数和置信度,在所述图像分块中选取得到不少于一个异常图像点。
2.根据权利要求1所述的基于机器视觉的硅胶成型效果检测方法,其特征在于,所述通过所述图像分类和图像参变量对所述拟检测图像区域进行按序排列,以选取得到不少于一个目标图像区域,包括:
基于所述图像分类对所述拟检测图像区域进行分类,得到每一图像分类对应的拟检测图像区域集合;
通过所述图像参变量对所述拟检测图像区域集合中的拟检测图像区域进行按序排列;
基于按序排列信息对所述拟检测图像区域集合中的拟检测图像区域进行筛选,得到不少于一个目标图像区域。
3.根据权利要求2所述的基于机器视觉的硅胶成型效果检测方法,其特征在于,所述基于按序排列信息对所述拟检测图像区域集合中的拟检测图像区域进行筛选,得到不少于一个目标图像区域,包括:
基于按序排列信息,在所述拟检测图像区域集合中选取得到排列序号不大于预设排列序号阈值的拟检测图像区域,得到不少于一个无意义拟检测图像区域;
在所述拟检测图像区域集合中对所述无意义拟检测图像区域进行删除,得到不少于一个目标图像区域。
4.根据权利要求1所述的基于机器视觉的硅胶成型效果检测方法,其特征在于,所述基于所述第三图像数量和突出区域获取每一所述图像分块的置信度,包括:
基于所述第三图像数量获取所述每一图像分块的概率密度函数,得到分块概率密度函数;
通过所述突出区域、第一图像数量和第三图像数量获取所述突出区域的概率密度函数,得到突出概率密度函数;
将所述分块概率密度函数和突出概率密度函数进行相乘,得到所述图像分块的置信度;
所述基于所述分块影响系数和置信度,在所述图像分块中选取得到不少于一个异常图像点,包括:
基于所述置信度对所述图像分块进行删除,得到删除后图像分块;
通过所述分块影响系数对所述删除后图像分块进行按序排列;
基于按序排列信息,在所述删除后图像分块中选取得到不少于一个异常图像点。
5.根据权利要求1至3任一项所述的基于机器视觉的硅胶成型效果检测方法,其特征在于,所述基于所述图像表征向量,确定所述拟检测图像区域对应的图像分类和图像参变量,包括:
通过调试后图像识别网络在所述图像表征向量中确定得到图像分类表征向量;
基于所述图像分类表征向量,确定所述拟检测图像区域对应的图像分类;
通过所述调试后图像识别网络将所述图像表征向量转换为所述拟检测图像区域的图像显著性表征向量,以得到图像参变量。
6.根据权利要求5所述的基于机器视觉的硅胶成型效果检测方法,其特征在于,所述通过调试后图像识别网络分别在所述图像表征向量中确定得到图像分类表征向量和图像显著性表征向量之前,还包括:
获取不少于一个训练样例目标硅胶制品的图像区域训练样例库,所述图像区域训练样例库包括不少于一个注释目标硅胶制品类型和注释图像分类的图像区域训练样例;
通过预设图像识别网络推理所述图像区域训练样例的图像分类,得到推理图像分类;
基于所述图像区域训练样例,通过所述预设图像识别网络推理所述训练样例目标硅胶制品的目标硅胶制品类型,得到推理目标硅胶制品类型;
基于所述注释目标硅胶制品类型、注释图像分类、推理图像分类和推理目标硅胶制品类型对所述预设图像识别网络进行调试,得到调试后图像识别网络。
7.根据权利要求6所述的基于机器视觉的硅胶成型效果检测方法,其特征在于,所述基于所述图像区域训练样例,通过所述预设图像识别网络推理所述训练样例目标硅胶制品的目标硅胶制品类型,得到推理目标硅胶制品类型,包括:
通过所述预设图像识别网络对所述图像区域训练样例进行表征向量挖掘,并将挖掘得到的训练样例图像表征向量转换为训练样例图像显著性表征向量;
基于所述训练样例图像显著性表征向量,确定所述图像区域训练样例的训练样例图像参变量,并通过所述训练样例图像参变量获取每一所述图像区域训练样例的图像权值;
通过所述图像权值对所述训练样例图像表征向量进行整合,并通过整合后训练样例图像表征向量,确定所述训练样例目标硅胶制品的目标硅胶制品类型,得到推理目标硅胶制品类型;
所述基于所述注释目标硅胶制品类型、注释图像分类、推理图像分类和推理目标硅胶制品类型对所述预设图像识别网络进行调试,得到调试后图像识别网络,包括:
基于所述注释目标硅胶制品类型和推理目标硅胶制品类型,确定所述图像区域训练样例的目标硅胶制品类型误差;
通过所述注释图像分类和推理图像分类,确定所述图像区域训练样例的图像误差;
获取所述图像误差的整合变量,并通过所述整合变量将所述图像误差和目标硅胶制品类型误差进行整合;
通过整合后误差对所述预设图像识别网络进行调试,得到调试后图像识别网络;
所述获取不少于一个训练样例目标硅胶制品的图像区域训练样例库,包括:
获取不少于一个训练样例目标硅胶制品的基础图像区域训练样例库;
当所述基础图像区域训练样例库中的图像区域训练样例数量大于数量临界值时,基于所述图像区域训练样例的先后顺序,在所述基础图像区域训练样例库中抽取得到设定数量的基础图像区域训练样例,得到余下图像区域训练样例;
基于所述数量临界值和设定数量,确定图像区域训练样例的余下抽取数量;
在所述余下图像区域训练样例中任意抽取得到所述余下抽取数量对应的目标图像区域训练样例;
将所述基础图像区域训练样例和目标图像区域训练样例进行整合,得到所述训练样例目标硅胶制品的图像区域训练样例库。
8.一种机器视觉检测系统,其特征在于,包括互相通信的图像获取装置和计算机设备,所述图像获取装置用于获取硅胶制品的检测图像,所述计算机设备包括存储器和处理器,所述存储器存储有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至7任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311445386.2A CN117173172B (zh) | 2023-11-02 | 2023-11-02 | 一种基于机器视觉的硅胶成型效果检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311445386.2A CN117173172B (zh) | 2023-11-02 | 2023-11-02 | 一种基于机器视觉的硅胶成型效果检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173172A CN117173172A (zh) | 2023-12-05 |
CN117173172B true CN117173172B (zh) | 2024-01-26 |
Family
ID=88947210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311445386.2A Active CN117173172B (zh) | 2023-11-02 | 2023-11-02 | 一种基于机器视觉的硅胶成型效果检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173172B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853826B (zh) * | 2024-03-07 | 2024-05-10 | 誊展精密科技(深圳)有限公司 | 基于机器视觉的物体表面精度识别方法及相关设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140056790A (ko) * | 2012-10-31 | 2014-05-12 | 한국전자통신연구원 | 영상 인식 장치 및 그 방법 |
CN111368636A (zh) * | 2020-02-07 | 2020-07-03 | 深圳奇迹智慧网络有限公司 | 目标分类方法、装置、计算机设备和存储介质 |
CN113420738A (zh) * | 2021-08-24 | 2021-09-21 | 中国地质大学(武汉) | 自适应网络遥感图像分类方法、计算机设备及存储介质 |
CN114897806A (zh) * | 2022-04-27 | 2022-08-12 | 浙江华睿科技股份有限公司 | 缺陷检测方法、电子设备及计算机可读存储介质 |
CN115393323A (zh) * | 2022-08-26 | 2022-11-25 | 数坤(上海)医疗科技有限公司 | 一种目标区域获得方法、装置、设备和存储介质 |
CN116310568A (zh) * | 2023-03-23 | 2023-06-23 | Oppo广东移动通信有限公司 | 图像异常的识别方法、装置、计算机可读存储介质及设备 |
CN116879301A (zh) * | 2023-06-29 | 2023-10-13 | 西安闻泰信息技术有限公司 | 产品检测方法、装置、设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10878569B2 (en) * | 2018-03-28 | 2020-12-29 | International Business Machines Corporation | Systems and methods for automatic detection of an indication of abnormality in an anatomical image |
-
2023
- 2023-11-02 CN CN202311445386.2A patent/CN117173172B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140056790A (ko) * | 2012-10-31 | 2014-05-12 | 한국전자통신연구원 | 영상 인식 장치 및 그 방법 |
CN111368636A (zh) * | 2020-02-07 | 2020-07-03 | 深圳奇迹智慧网络有限公司 | 目标分类方法、装置、计算机设备和存储介质 |
CN113420738A (zh) * | 2021-08-24 | 2021-09-21 | 中国地质大学(武汉) | 自适应网络遥感图像分类方法、计算机设备及存储介质 |
CN114897806A (zh) * | 2022-04-27 | 2022-08-12 | 浙江华睿科技股份有限公司 | 缺陷检测方法、电子设备及计算机可读存储介质 |
CN115393323A (zh) * | 2022-08-26 | 2022-11-25 | 数坤(上海)医疗科技有限公司 | 一种目标区域获得方法、装置、设备和存储介质 |
CN116310568A (zh) * | 2023-03-23 | 2023-06-23 | Oppo广东移动通信有限公司 | 图像异常的识别方法、装置、计算机可读存储介质及设备 |
CN116879301A (zh) * | 2023-06-29 | 2023-10-13 | 西安闻泰信息技术有限公司 | 产品检测方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
柔性电路板硅胶帽定位缺陷视觉检测算法研究;苑玮琦 等;电脑与信息技术;第26卷(第04期);第42-47+59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117173172A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768388B (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
CN117173172B (zh) | 一种基于机器视觉的硅胶成型效果检测方法及系统 | |
CN111179263B (zh) | 一种工业图像表面缺陷检测模型、方法、系统及装置 | |
CN109740609B (zh) | 一种轨距检测方法及装置 | |
CN116152257B (zh) | 应用于传感器的检测信息优化方法、服务器及介质 | |
CN112766218A (zh) | 基于非对称联合教学网络的跨域行人重识别方法和装置 | |
CN111325265B (zh) | 一种针对篡改图像的检测方法及装置 | |
CN115935229A (zh) | 产品异常检测方法、装置、设备及存储介质 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN110458231B (zh) | 一种陶瓷产品检测方法、装置和设备 | |
CN109543571B (zh) | 一种面向复杂产品异形加工特征的智能识别与检索方法 | |
CN116167336A (zh) | 基于云计算的传感器数据加工方法、云服务器及介质 | |
CN115620083A (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN114897863A (zh) | 一种缺陷的检测方法、装置以及设备 | |
CN114898273A (zh) | 一种视频监控异常检测方法、装置及设备 | |
CN114037941A (zh) | 针对视频目标属性进行算法多数据交叉验证补全的方法和装置 | |
CN111369508A (zh) | 一种金属三维点阵结构的缺陷检测方法及系统 | |
CN117689962B (zh) | 一种器件表面缺陷识别方法及识别系统 | |
CN117853826B (zh) | 基于机器视觉的物体表面精度识别方法及相关设备 | |
CN113610184B (zh) | 一种基于迁移学习的木材纹理分类方法 | |
CN117437425B (zh) | 语义分割方法、装置、计算机设备及计算机可读存储介质 | |
CN116597364B (zh) | 图像处理方法及装置 | |
CN115171048B (zh) | 基于图像识别的资产分类方法、系统、终端及存储介质 | |
CN116486178B (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 |
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 |