CN117288761A - 一种基于测试材料的瑕疵检测分类评估方法及系统 - Google Patents
一种基于测试材料的瑕疵检测分类评估方法及系统 Download PDFInfo
- Publication number
- CN117288761A CN117288761A CN202311590369.8A CN202311590369A CN117288761A CN 117288761 A CN117288761 A CN 117288761A CN 202311590369 A CN202311590369 A CN 202311590369A CN 117288761 A CN117288761 A CN 117288761A
- Authority
- CN
- China
- Prior art keywords
- flaw
- mobile
- moving
- sample
- grade
- 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.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 172
- 239000000463 material Substances 0.000 title claims abstract description 170
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 230000003068 static effect Effects 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000000903 blocking effect Effects 0.000 claims abstract description 36
- 230000005764 inhibitory process Effects 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims description 41
- 230000007547 defect Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Textile Engineering (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于测试材料的瑕疵检测分类评估方法及系统,属于质量检测领域,其中方法包括:按照测试移动参数,采集测试材料的移动图像;对移动图像获得移动瑕疵识别结果;采集在测试材料静止图像;对静止图像获取静止瑕疵识别结果,与移动瑕疵识别结果进行匹配,获得匹配结果;在匹配结果为一致时,根据瑕疵识别结果获得移动使用阻碍等级和瑕疵等级;根据移动使用阻碍等级和瑕疵等级,对测试材料进行分类,获得分类结果。本申请解决了现有技术中无法对移动使用材料进行有效的瑕疵统一检测,导致瑕疵检测分类结果不准确的技术问题,达到了通过移动状态与静止状态相结合实现瑕疵一致性检测,提高瑕疵检测分类准确性的技术效果。
Description
技术领域
本发明涉及质量检测领域,具体涉及一种基于测试材料的瑕疵检测分类评估方法及系统。
背景技术
随着社会的发展,人们对材料质量的要求越来越高,对材料中存在的各类瑕疵也越来越敏感。材料质量的好坏直接影响到用户的使用体验。因此,如何对材料进行有效的质量检测与评估,发现材料中的瑕疵,实现对材料质量的精确控制,是制造企业都极为关注的问题。对于许多需要移动使用的材料,如各类滑动装置、活动零部件等,现有的质量检测方法多是针对材料的静止状态进行检测与评估。但是,这些材料在实际移动使用过程中,其表现可能与静止状态有很大差异,仅仅依靠对静止状态的检测,无法全面评估材料的质量。例如,材料表面若存在微小的划痕、粗糙度过大等瑕疵,在静止状态下不一定能被检测到,但在移动状态下可能会产生较大的摩擦阻力从而影响使用。相反,一些表面凸起的瑕疵,在移动状态下并不一定会对使用造成太大影响。
发明内容
本申请通过提供了一种基于测试材料的瑕疵检测分类评估方法及系统,旨在解决现有技术中无法对移动使用材料进行有效的瑕疵统一检测,导致瑕疵检测分类结果不准确的技术问题。
鉴于上述问题,本申请提供了一种基于测试材料的瑕疵检测分类评估方法及系统。
本申请公开的第一个方面,提供了一种基于测试材料的瑕疵检测分类评估方法,该方法包括:按照测试移动参数,对测试材料进行移动并采集测试材料的移动图像,其中,测试移动参数为测试材料进行移动使用时的移动参数;对移动图像进行移动瑕疵特征识别,在存在移动瑕疵时,获得移动瑕疵识别结果;对测试材料在静止状态下采集静止图像,获取静止图像;对静止图像进行静止瑕疵特征识别,获取静止瑕疵识别结果,与移动瑕疵识别结果进行匹配,获得匹配结果;在匹配结果为一致时,根据移动瑕疵识别结果和静止瑕疵识别结果进行移动使用阻碍分析和瑕疵等级分析,获得移动使用阻碍等级和瑕疵等级;根据移动使用阻碍等级和瑕疵等级,对测试材料进行分类,获得分类结果。
本申请公开的另一个方面,提供了一种基于测试材料的瑕疵检测分类评估系统,该系统包括:移动图像采集模块,用于按照测试移动参数,对测试材料进行移动并采集测试材料的移动图像,其中,测试移动参数为测试材料进行移动使用时的移动参数;移动瑕疵识别模块,用于对移动图像进行移动瑕疵特征识别,在存在移动瑕疵时,获得移动瑕疵识别结果;静止图像采集模块,用于对测试材料在静止状态下采集静止图像,获取静止图像;静止瑕疵识别模块,用于对静止图像进行静止瑕疵特征识别,获取静止瑕疵识别结果,与移动瑕疵识别结果进行匹配,获得匹配结果;识别结果分析模块,用于在匹配结果为一致时,根据移动瑕疵识别结果和静止瑕疵识别结果进行移动使用阻碍分析和瑕疵等级分析,获得移动使用阻碍等级和瑕疵等级;测试材料分类模块,用于根据移动使用阻碍等级和瑕疵等级,对测试材料进行分类,获得分类结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了按照测试移动参数,对测试材料进行移动并采集测试材料的移动图像,得到能够反映材料移动过程的图像;识别移动图像中的瑕疵情况,检测出材料在移动状态下出现的各类瑕疵,获得移动瑕疵的识别结果;获取材料静止状态下的图像作为参考,为与移动图像进行匹配分析提供信息;识别静止图像中的瑕疵,将静止瑕疵结果与移动结果进行匹配,看两者是否一致,以提高检测准确性;在匹配结果为一致时,进行移动阻碍和瑕疵严重程度的评估分析;根据检测结果,对材料的质量进行评判,进行合理的分类的技术方案,解决了现有技术中无法对移动使用材料进行有效的瑕疵统一检测,导致瑕疵检测分类结果不准确的技术问题,达到了通过移动状态与静止状态相结合实现瑕疵一致性检测,提高瑕疵检测分类准确性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于测试材料的瑕疵检测分类评估方法的一种流程示意图;
图2为本申请实施例提供了一种基于测试材料的瑕疵检测分类评估方法中获得第一移动瑕疵识别分支的一种流程示意图;
图3为本申请实施例提供了一种基于测试材料的瑕疵检测分类评估系统的一种结构示意图。
附图标记说明:移动图像采集模块11,移动瑕疵识别模块12,静止图像采集模块13,静止瑕疵识别模块14,识别结果分析模块15,测试材料分类模块16。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于测试材料的瑕疵检测分类评估方法及系统。首先,根据测试材料实际的移动使用参数,模拟移动使用情况对测试材料进行移动并采集其移动图像。然后,针对所获得的移动图像,识别存在的移动瑕疵并获取移动瑕疵的识别结果。与此同时,对测试材料的静止状态进行图像采集,并对静止图像进行瑕疵识别,获取静止瑕疵识别结果。接下来,将移动瑕疵识别结果与静止瑕疵识别结果进行匹配分析,看两者是否一致,以提高检测的准确性。在两者匹配的前提下,根据移动瑕疵和静止瑕疵的检测结果,分析材料在移动状态下会产生的使用阻碍程度,以及瑕疵自身的严重程度。最后,根据移动使用阻碍分析和瑕疵严重程度分析的结果,对测试材料的质量进行合理的评判与分类,实现对同一瑕疵在静动不同状态下的统一识别与匹配分析,从而能对材料的质量进行更全面和准确的评估。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于测试材料的瑕疵检测分类评估方法,该方法包括:
按照测试移动参数,对测试材料进行移动并采集测试材料的移动图像,其中,测试移动参数为所述测试材料进行移动使用时的移动参数;
进一步的,本步骤包括:
获取测试材料进行移动使用的移动方向和移动速度,作为移动参数;
按照所述移动参数,对测试材料进行移动,并在多个时间窗口采集测试材料的移动图像,获得移动图像序列和关键帧移动图像,作为测试材料的移动图像,每张移动图像内包括测试材料移动形成的残影图像。
在一种可行的实施方式中,首先,确认待检测的测试材料的具体类型,根据测试材料的实际使用环境,确定测试材料的移动方式,以决定移动方向,例如某滑动零件的移动方向为单方向滑动。同时,根据测试材料的使用载荷情况,确定其移动速度,例如载荷不同会导致同一测试材料的滑动速度不同。然后,结合确定的移动方向和移动速度,作为测试材料进行移动使用时的移动参数,即为测试移动参数,以与测试材料在实际使用时的移动参数相匹配。
然后,将测试材料安装到对应移动测试设备上,测试设备可以符合测试移动参数的精确移动,将获取的测试移动参数中的移动方向和移动速度加载到测试设备的控制系统中。随后,启动测试设备,按照设定的移动方向和移动速度控制测试材料进行连续移动。在测试材料移动过程中,控制图像采集设备在多个时间段对移动中的测试材料进行图像采集,获取移动图像序列。接着,对移动图像序列进行处理,通过图像分析提取多个代表性的关键帧移动图像。得到的移动图像序列与关键帧移动图像共同构成测试材料完整的移动图像,每个图像包含测试材料的残影信息,充分记录了测试材料在移动过程中可能出现的瑕疵情况,用于后续对测试材料进行移动瑕疵检测与评估。
对所述移动图像进行移动瑕疵特征识别,在存在移动瑕疵时,获得移动瑕疵识别结果;
进一步的,本步骤包括:
获取样本移动图像序列集,并获取样本关键帧移动图像集;
对所述样本移动图像序列集和样本关键帧移动图像集内的瑕疵图像进行标注,获得样本移动瑕疵识别结果集合;
采用所述样本移动图像序列集和样本移动瑕疵识别结果集合,构建第一移动瑕疵识别分支;
采用所述样本关键帧移动图像集和样本移动瑕疵识别结果集合,基于卷积神经网络构建第二移动瑕疵识别分支,结合所述第一移动瑕疵识别分支,获得移动瑕疵识别器;
采用所述移动瑕疵识别器,对所述移动图像序列和关键帧移动图像进行识别,并加权获得移动瑕疵识别结果。
进一步的,如图2所示,本步骤还包括:
对所述样本移动图像序列集按照快抽取步长进行图像抽取和图像下采样,以及按照慢抽取步长进行图像抽取,获取样本快移动图像序列集和样本慢移动图像序列集;
构建移动快识别路径和移动慢识别路径;
分别采用所述样本快移动图像序列集、样本慢移动图像序列集,结合样本移动瑕疵识别结果集合,对所述移动快识别路径、移动慢识别路径进行训练,直到满足收敛要求,获得第一移动瑕疵识别分支。
在一种优选的实施方式中,首先,按照预设移动参数设定样本测试设备,使样本测试材料可以在样本测试设备上进行移动,同时集成图像采集设备以对样本测试材料移动过程实时进行图像采集。然后,将多种类型的、包含不同程度瑕疵的样本测试材料装载到样本测试设备上,控制样本测试设备按照既定移动方式使材料样品进行移动,在移动过程中,图像采集设备对材料样品的移动过程持续进行采集,得到包含样本测试材料连续移动过程的图像序列。随后,通过对图像序列进行处理和分析,提取出多个具有代表性的材料样品移动过程的关键帧图像。最终,将获取到的全部材料样品移动图像序列与关键帧图像进行保存,得到样本移动图像序列集和样本关键帧移动图像集,用于训练移动瑕疵识别器。接着,对样本移动图像序列集和样本关键帧移动图像集中的每一个样本移动图像序列和关键帧图像进行检查,采用框选瑕疵区域的边界框,或给出瑕疵区域的像素级分割信息的方式,标出图像中存在的各种移动瑕疵的位置坐标以及对瑕疵类型。对每个样本图像的瑕疵情况进行完整标注后,将所有样本移动图像与对应的瑕疵标注结果整理汇总,构成样本移动瑕疵识别结果集合。
然后,设置针对样本移动图像序列集进行图像序列抽取的快速抽取步长和慢速抽取步长,对每个样本移动图像序列,按照设置的快速抽取步长进行图像抽取,获取包含快速移动过程的图像子序列,同时对抽取的图像进行空间采样压缩,构成样本快速移动图像序列集。另一方面,按照慢速抽取步长对每个样本移动图像序列进行抽取,获取包含慢速移动过程的图像子序列,构成样本慢速移动图像序列集。随后,构建两个识别路径,一个路径用于处理快速移动图像,另一路径用于处理慢速移动图像,得到移动快识别路径和移动慢识别路径。在移动快识别路径中,卷积核大小较小,卷积层数较少,池化层的步长较大,以捕捉快速移动过程中的瑕疵特征。在移动慢识别路径中,使用较大卷积核,更多的卷积层提取特征,池化层步长较小,以精确定位慢速移动时的瑕疵细节。通过构建独立的移动快识别路径和移动慢识别路径,实现针对不同移动速度特征的训练,从而提高移动瑕疵识别的准确性。之后,将样本快移动图像序列集和样本移动瑕疵识别结果集合中的样本快移动图像序列及对应的样本移动瑕疵识别结果输入到移动快识别路径进行训练,持续迭代优化模型参数,直到模型损失函数满足收敛条件,得到用于满足条件的移动快识别路径;同时,将样本慢移动图像序列集和样本移动瑕疵识别结果集合中的样本慢移动图像序列及对应的样本移动瑕疵识别结果输入到移动慢识别路径进行训练,经过迭代达到收敛条件,得到用于满足条件的移动慢识别路径。然后,对满足条件的移动快识别路径和移动慢识别路径进行合并,得到第一移动瑕疵识别分支。
接着,构建卷积神经网络架构,作为第二移动瑕疵识别分支,将样本关键帧移动图像及对应的样本移动瑕疵识别结果输入卷积神经网络中进行训练,通过调节卷积层参数以提取移动过程中瑕疵的空间特征。重复网络训练直至满足收敛条件,得到基于关键帧的第二移动瑕疵识别分支。然后,集成第一移动瑕疵识别分支和第二移动瑕疵识别分支,进行移动图像序列输入和关键帧图像的联合识别,获得移动瑕疵识别器,用于对测试材料的移动图像进行准确的瑕疵检测与定位。
随后,将测试材料的移动图像序列输入构建的移动瑕疵识别器的第一移动瑕疵识别分支中,获得基于图像序列的第一移动瑕疵识别结果。同时,将测试材料的关键帧移动图像输入第二移动瑕疵识别分支,获得基于关键帧的第二移动瑕疵识别结果。然后,采用由专家组预先设定的权重参数对第一移动瑕疵识别结果和第二移动瑕疵识别结果进行加权融合,获得测试材料的移动瑕疵识别结果。所获得的移动瑕疵识别结果标识出测试材料在移动过程中表面存在的各类瑕疵的位置坐标、范围和类别,为后续的瑕疵分析及分类提供依据。
对所述测试材料在静止状态下采集静止图像,获取静止图像;
在本申请实施例中,获取移动瑕疵识别结果后,首先,控制测试设备使测试材料停止移动,保持静止状态。然后,调整图像采集设备的位置和采集参数,确保其拍摄视角能全方位覆盖测试材料的表面。随后,控制图像采集设备对静止的测试材料进行多角度拍摄,获得测试材料整体表面在静止状态下的多张图像,得到静止图像,为静止瑕疵识别和结果分析提供图像数据支持。
对所述静止图像进行静止瑕疵特征识别,获取静止瑕疵识别结果,与所述移动瑕疵识别结果进行匹配,获得匹配结果;
进一步的,本步骤包括:
获取样本静止图像集合,并对样本静止图像内的瑕疵图像进行标注,获得样本静止瑕疵识别结果集合;
采用所述样本静止图像集合和样本静止瑕疵识别结果集合,基于卷积神经网络,构建静止瑕疵识别器;
采用所述静止瑕疵识别器,对所述静止图像进行识别,获得静止瑕疵识别结果;
根据所述测试移动参数,对所述移动瑕疵识别结果进行修正,获得修正移动瑕疵识别结果,修正移动瑕疵识别结果和静止瑕疵识别结果内均包括瑕疵的大小信息和形状信息;
对所述修正移动瑕疵识别结果和静止瑕疵识别结果进行相似度分析,判断是否大于相似度阈值,获得匹配结果。
在一种优选的实施方式中,首先,准备多种测试材料的静止图像样本,这些样本图像通过静止拍摄,并包含不同类型、不同程度的表面瑕疵,得到样本静止图像集合。然后,由专业人员手动检查样本静止图像集合中的每张样本静止图像,准确标出图像中瑕疵的位置坐标,同时对瑕疵进行分类和评级,重复该标注过程直到所有样本静止图像中存在的各类瑕疵均得到完整标注,将带有瑕疵标注的所有样本静止图像汇总,构成样本静止瑕疵识别结果集合。随后,采用卷积神经网络算法来建立静止瑕疵识别器,包含多层卷积层、池化层和全连接层,通过调节网络结构参数完成特征提取与瑕疵分类判断;将样本静止图像集合和样本静止瑕疵识别结果集合中的样本静止图像及对应的样本静止瑕疵识别结果输入静止瑕疵识别器进行训练,通过持续迭代优化网络参数以提高识别准确性,重复网络训练直至模型损失函数满足预设收敛条件,最终获得可高效识别各类静止瑕疵的静止瑕疵识别器。随后,将获取的静止图像依次输入静止瑕疵识别器中,静止瑕疵识别器对输入图像进行前向计算,根据其学习到的特征提取和瑕疵分类知识,对各静止图像进行瑕疵检测,输出检测到的瑕疵位置坐标、范围和分类结果。之后,汇总每张测试静止图像的瑕疵检测结果,构成测试材料在静止状态下的静止瑕疵识别结果,为瑕疵匹配提供基础数据支持。
接着,根据测试移动参数,即测试材料的移动方向和速度参数,计算测试材料在移动过程中相对于静止状态的位置变换信息。然后,根据计算的位置变换信息,通过图像的旋转、平移等几何变换,相应调整移动过程中识别到的瑕疵的坐标位置和形状轮廓,使其恢复到与静止状态下视角一致的位置形态,得到修正移动瑕疵识别结果。经过位置变换修正后的移动瑕疵识别结果与静止瑕疵识别结果具有可直接比较的坐标体系,二者所包含的瑕疵位置和形状信息可实现精确对应,为后续准确匹配瑕疵提供基础。随后,将修正移动瑕疵识别结果及静止瑕疵识别结果在瑕疵位置坐标、瑕疵形状轮廓等方面进行比较计算,得出移动瑕疵与静止瑕疵的相似度数值。然后,将计算所得的瑕疵特征相似度与根据分类精度设定的相似度阈值进行对比,如果相似度数值大于相似度阈值,则判断该移动瑕疵与某静止瑕疵为匹配关系。重复上述匹配过程,直到将所有移动瑕疵识别结果与静止瑕疵识别结果之间的匹配关系确定,得到匹配结果。
在匹配结果为一致时,根据所述移动瑕疵识别结果和静止瑕疵识别结果进行移动使用阻碍分析和瑕疵等级分析,获得移动使用阻碍等级和瑕疵等级;
进一步的,本步骤包括:
获取样本移动瑕疵识别结果集和样本静止瑕疵识别结果集,并获取样本移动使用阻碍等级集和样本瑕疵等级集;
采用样本移动瑕疵识别结果集、样本移动使用阻碍等级集,构建移动使用阻碍分类器;
采用样本静止瑕疵识别结果集、样本瑕疵等级集,构建瑕疵等级分类器;
采用所述移动使用阻碍分类器和瑕疵等级分类器,对所述移动瑕疵识别结果和静止瑕疵识别结果进行移动使用阻碍分析和瑕疵等级分析,获得移动使用阻碍等级和瑕疵等级。
在一种优选的实施方式中,首先,准备多组材料样本的移动瑕疵识别结果及静止瑕疵识别结果,得到样本移动瑕疵识别结果集和样本移动瑕疵识别结果集。同时,由专业评估人员对样本移动瑕疵识别结果和样本移动瑕疵识别结果进行分析,确定每种样本瑕疵情况对应的移动使用阻碍等级,以及每种瑕疵的质量等级,得到样本移动使用阻碍等级集和样本瑕疵等级集。然后,采用支持向量机算法来建立移动使用阻碍分类器,将样本移动瑕疵识别结果集和样本移动使用阻碍等级集中的样本移动瑕疵识别结果及对应的样本移动使用阻碍等级标签作为分类器输入,配置支持向量机模型的核函数及参数,通过迭代训练使分类器适应样本的特征分布情况。重复训练过程直至分类器收敛,获得在新样本移动瑕疵识别结果上,能够正确预测其移动使用阻碍等级的移动使用阻碍分类器。随后,采用决策树建立瑕疵等级分类器,将样本静止瑕疵识别结果集和样本瑕疵等级集中的样本静止瑕疵识别结果及对应的样本瑕疵等级作为分类器输入,配置决策树的节点划分方式及树深,通过迭代训练使决策树适应样本的特征分布情况。重复训练过程直至分类器收敛,最终获得在新样本静止瑕疵识别结果上,能够正确预测其瑕疵等级的瑕疵等级分类器。
然后,将测试材料的移动瑕疵识别结果输入移动使用阻碍分类器,预测其移动使用的阻碍等级;将测试材料的静止瑕疵识别结果输入瑕疵等级分类器,预测其瑕疵的质量等级,从而得到测试材料表面瑕疵的移动使用阻碍等级及瑕疵等级的分析结果。
根据所述移动使用阻碍等级和瑕疵等级,对所述测试材料进行分类,获得分类结果。
进一步的,本步骤包括:
获取样本移动使用阻碍等级集和样本瑕疵等级集,并分类获得多个预定分类结果;
基于决策树,采用移动使用阻碍等级和瑕疵等级作为二元决策特征,采用所述样本移动使用阻碍等级集、样本瑕疵等级集和多个预定分类结果,构建测试材料分类器;
采用测试材料分类器,对所述移动使用阻碍等级和瑕疵等级进行决策分类,获得分类结果。
在一种优选的实施方式中,首先,测定多组测试材料的移动使用阻碍等级和瑕疵等级,并由材料评估专家根据样本测试材料的阻碍等级与瑕疵等级,确定其应属于的质量分类结果,得到多个预定分类结果。然后,确定移动使用阻碍等级和瑕疵等级作为决策树模型的特征输入,配置决策树的生成参数,如划分规则、树深等。接着,采用样本移动使用阻碍等级、样本瑕疵等级以及对应的预定分类结果作为训练数据集,通过迭代的特征选择与树结构优化,训练构建决策树模型。重复该训练过程直至决策树模型收敛,最终获得能对测试材料的阻碍等级与瑕疵等级进行分类决策的决策树模型,即测试材料分类器。随后,将测试材料的移动使用阻碍等级及瑕疵等级作为输入,输入训练获得的测试材料分类器中,测试材料分类器根据事先学习到的决策规则,在移动使用阻碍等级和瑕疵等级特征空间中,判断测试材料属于的分类结果,输出测试材料的分类结果,完成分类评估。
综上所述,本申请实施例所提供的一种基于测试材料的瑕疵检测分类评估方法具有如下技术效果:
按照测试移动参数,对测试材料进行移动并采集测试材料的移动图像,模拟材料实际的移动使用情况,采集移动状态下的图像。对移动图像进行移动瑕疵特征识别,在存在移动瑕疵时,获得移动瑕疵识别结果,识别出移动状态下材料的瑕疵情况。对测试材料在静止状态下采集静止图像,获取静止图像,获取材料静止状态下的图像作为参考。对静止图像进行静止瑕疵特征识别,获取静止瑕疵识别结果,与移动瑕疵识别结果进行匹配,获得匹配结果,识别静止图像中的瑕疵,并与移动瑕疵结果进行匹配分析。在匹配结果为一致时,根据移动瑕疵识别结果和静止瑕疵识别结果进行移动使用阻碍分析和瑕疵等级分析,获得移动使用阻碍等级和瑕疵等级,在匹配的前提下,分析移动状态下的使用阻碍和瑕疵本身的严重程度。根据移动使用阻碍等级和瑕疵等级,对测试材料进行分类,获得分类结果,根据检测结果对材料进行合理的质量评价与分类,实现了对材料在移动与静止状态下瑕疵的统一检测和匹配分析,达到了准确的质量评估与分类的技术效果。
实施例二
基于与前述实施例中一种基于测试材料的瑕疵检测分类评估方法相同的发明构思,如图3所示,本申请实施例提供了一种基于测试材料的瑕疵检测分类评估系统,该系统包括:
移动图像采集模块11,用于按照测试移动参数,对测试材料进行移动并采集测试材料的移动图像,其中,测试移动参数为所述测试材料进行移动使用时的移动参数;
移动瑕疵识别模块12,用于对所述移动图像进行移动瑕疵特征识别,在存在移动瑕疵时,获得移动瑕疵识别结果;
静止图像采集模块13,用于对所述测试材料在静止状态下采集静止图像,获取静止图像;
静止瑕疵识别模块14,用于对所述静止图像进行静止瑕疵特征识别,获取静止瑕疵识别结果,与所述移动瑕疵识别结果进行匹配,获得匹配结果;
识别结果分析模块15,用于在匹配结果为一致时,根据所述移动瑕疵识别结果和静止瑕疵识别结果进行移动使用阻碍分析和瑕疵等级分析,获得移动使用阻碍等级和瑕疵等级;
测试材料分类模块16,用于根据所述移动使用阻碍等级和瑕疵等级,对所述测试材料进行分类,获得分类结果。
进一步的,移动图像采集模块11包括以下执行步骤:
获取测试材料进行移动使用的移动方向和移动速度,作为移动参数;
按照所述移动参数,对测试材料进行移动,并在多个时间窗口采集测试材料的移动图像,获得移动图像序列和关键帧移动图像,作为测试材料的移动图像,每张移动图像内包括测试材料移动形成的残影图像。
进一步的,移动瑕疵识别模块12包括以下执行步骤:
获取样本移动图像序列集,并获取样本关键帧移动图像集;
对所述样本移动图像序列集和样本关键帧移动图像集内的瑕疵图像进行标注,获得样本移动瑕疵识别结果集合;
采用所述样本移动图像序列集和样本移动瑕疵识别结果集合,构建第一移动瑕疵识别分支;
采用所述样本关键帧移动图像集和样本移动瑕疵识别结果集合,基于卷积神经网络构建第二移动瑕疵识别分支,结合所述第一移动瑕疵识别分支,获得移动瑕疵识别器;
采用所述移动瑕疵识别器,对所述移动图像序列和关键帧移动图像进行识别,并加权获得移动瑕疵识别结果。
进一步的,移动瑕疵识别模块12还包括以下执行步骤:
对所述样本移动图像序列集按照快抽取步长进行图像抽取和图像下采样,以及按照慢抽取步长进行图像抽取,获取样本快移动图像序列集和样本慢移动图像序列集;
构建移动快识别路径和移动慢识别路径;
分别采用所述样本快移动图像序列集、样本慢移动图像序列集,结合样本移动瑕疵识别结果集合,对所述移动快识别路径、移动慢识别路径进行训练,直到满足收敛要求,获得第一移动瑕疵识别分支。
进一步的,静止瑕疵识别模块14包括以下执行步骤:
获取样本静止图像集合,并对样本静止图像内的瑕疵图像进行标注,获得样本静止瑕疵识别结果集合;
采用所述样本静止图像集合和样本静止瑕疵识别结果集合,基于卷积神经网络,构建静止瑕疵识别器;
采用所述静止瑕疵识别器,对所述静止图像进行识别,获得静止瑕疵识别结果;
根据所述测试移动参数,对所述移动瑕疵识别结果进行修正,获得修正移动瑕疵识别结果,修正移动瑕疵识别结果和静止瑕疵识别结果内均包括瑕疵的大小信息和形状信息;
对所述修正移动瑕疵识别结果和静止瑕疵识别结果进行相似度分析,判断是否大于相似度阈值,获得匹配结果。
进一步的,识别结果分析模块15包括以下执行步骤:
获取样本移动瑕疵识别结果集和样本静止瑕疵识别结果集,并获取样本移动使用阻碍等级集和样本瑕疵等级集;
采用样本移动瑕疵识别结果集、样本移动使用阻碍等级集,构建移动使用阻碍分类器;
采用样本静止瑕疵识别结果集、样本瑕疵等级集,构建瑕疵等级分类器;
采用所述移动使用阻碍分类器和瑕疵等级分类器,对所述移动瑕疵识别结果和静止瑕疵识别结果进行移动使用阻碍分析和瑕疵等级分析,获得移动使用阻碍等级和瑕疵等级。
进一步的,测试材料分类模块16包括以下执行步骤:
获取样本移动使用阻碍等级集和样本瑕疵等级集,并分类获得多个预定分类结果;
基于决策树,采用移动使用阻碍等级和瑕疵等级作为二元决策特征,采用所述样本移动使用阻碍等级集、样本瑕疵等级集和多个预定分类结果,构建测试材料分类器;
采用测试材料分类器,对所述移动使用阻碍等级和瑕疵等级进行决策分类,获得分类结果。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于测试材料的瑕疵检测分类评估方法,其特征在于,所述方法包括:
按照测试移动参数,对测试材料进行移动并采集测试材料的移动图像,其中,测试移动参数为所述测试材料进行移动使用时的移动参数;
对所述移动图像进行移动瑕疵特征识别,在存在移动瑕疵时,获得移动瑕疵识别结果;
对所述测试材料在静止状态下采集静止图像,获取静止图像;
对所述静止图像进行静止瑕疵特征识别,获取静止瑕疵识别结果,与所述移动瑕疵识别结果进行匹配,获得匹配结果;
在匹配结果为一致时,根据所述移动瑕疵识别结果和静止瑕疵识别结果进行移动使用阻碍分析和瑕疵等级分析,获得移动使用阻碍等级和瑕疵等级;
根据所述移动使用阻碍等级和瑕疵等级,对所述测试材料进行分类,获得分类结果。
2.根据权利要求1所述的方法,其特征在于,按照测试移动参数,对测试材料进行移动并采集测试材料的移动图像,包括:
获取测试材料进行移动使用的移动方向和移动速度,作为移动参数;
按照所述移动参数,对测试材料进行移动,并在多个时间窗口采集测试材料的移动图像,获得移动图像序列和关键帧移动图像,作为测试材料的移动图像,每张移动图像内包括测试材料移动形成的残影图像。
3.根据权利要求2所述的方法,其特征在于,对所述移动图像进行移动瑕疵特征识别,在存在移动瑕疵时,获得移动瑕疵识别结果,包括:
获取样本移动图像序列集,并获取样本关键帧移动图像集;
对所述样本移动图像序列集和样本关键帧移动图像集内的瑕疵图像进行标注,获得样本移动瑕疵识别结果集合;
采用所述样本移动图像序列集和样本移动瑕疵识别结果集合,构建第一移动瑕疵识别分支;
采用所述样本关键帧移动图像集和样本移动瑕疵识别结果集合,基于卷积神经网络构建第二移动瑕疵识别分支,结合所述第一移动瑕疵识别分支,获得移动瑕疵识别器;
采用所述移动瑕疵识别器,对所述移动图像序列和关键帧移动图像进行识别,并加权获得移动瑕疵识别结果。
4.根据权利要求3所述的方法,其特征在于,采用所述样本移动图像序列集和样本移动瑕疵识别结果集合,构建第一移动瑕疵识别分支,包括:
对所述样本移动图像序列集按照快抽取步长进行图像抽取和图像下采样,以及按照慢抽取步长进行图像抽取,获取样本快移动图像序列集和样本慢移动图像序列集;
构建移动快识别路径和移动慢识别路径;
分别采用所述样本快移动图像序列集、样本慢移动图像序列集,结合样本移动瑕疵识别结果集合,对所述移动快识别路径、移动慢识别路径进行训练,直到满足收敛要求,获得第一移动瑕疵识别分支。
5.根据权利要求1所述的方法,其特征在于,对所述静止图像进行静止瑕疵特征识别,获取静止瑕疵识别结果,与所述移动瑕疵识别结果进行匹配,获得匹配结果,包括:
获取样本静止图像集合,并对样本静止图像内的瑕疵图像进行标注,获得样本静止瑕疵识别结果集合;
采用所述样本静止图像集合和样本静止瑕疵识别结果集合,基于卷积神经网络,构建静止瑕疵识别器;
采用所述静止瑕疵识别器,对所述静止图像进行识别,获得静止瑕疵识别结果;
根据所述测试移动参数,对所述移动瑕疵识别结果进行修正,获得修正移动瑕疵识别结果,修正移动瑕疵识别结果和静止瑕疵识别结果内均包括瑕疵的大小信息和形状信息;
对所述修正移动瑕疵识别结果和静止瑕疵识别结果进行相似度分析,判断是否大于相似度阈值,获得匹配结果。
6.根据权利要求1所述的方法,其特征在于,根据所述移动瑕疵识别结果和静止瑕疵识别结果进行移动使用阻碍分析和瑕疵等级分析,获得移动使用阻碍等级和瑕疵等级,包括:
获取样本移动瑕疵识别结果集和样本静止瑕疵识别结果集,并获取样本移动使用阻碍等级集和样本瑕疵等级集;
采用样本移动瑕疵识别结果集、样本移动使用阻碍等级集,构建移动使用阻碍分类器;
采用样本静止瑕疵识别结果集、样本瑕疵等级集,构建瑕疵等级分类器;
采用所述移动使用阻碍分类器和瑕疵等级分类器,对所述移动瑕疵识别结果和静止瑕疵识别结果进行移动使用阻碍分析和瑕疵等级分析,获得移动使用阻碍等级和瑕疵等级。
7.根据权利要求1所述的方法,其特征在于,根据所述移动使用阻碍等级和瑕疵等级,对所述测试材料进行分类,包括:
获取样本移动使用阻碍等级集和样本瑕疵等级集,并分类获得多个预定分类结果;
基于决策树,采用移动使用阻碍等级和瑕疵等级作为二元决策特征,采用所述样本移动使用阻碍等级集、样本瑕疵等级集和多个预定分类结果,构建测试材料分类器;
采用测试材料分类器,对所述移动使用阻碍等级和瑕疵等级进行决策分类,获得分类结果。
8.一种基于测试材料的瑕疵检测分类评估系统,其特征在于,用于实施权利要求1-7任意一项所述的一种基于测试材料的瑕疵检测分类评估方法,所述系统包括:
移动图像采集模块,所述移动图像采集模块用于按照测试移动参数,对测试材料进行移动并采集测试材料的移动图像,其中,测试移动参数为所述测试材料进行移动使用时的移动参数;
移动瑕疵识别模块,所述移动瑕疵识别模块用于对所述移动图像进行移动瑕疵特征识别,在存在移动瑕疵时,获得移动瑕疵识别结果;
静止图像采集模块,所述静止图像采集模块用于对所述测试材料在静止状态下采集静止图像,获取静止图像;
静止瑕疵识别模块,所述静止瑕疵识别模块用于对所述静止图像进行静止瑕疵特征识别,获取静止瑕疵识别结果,与所述移动瑕疵识别结果进行匹配,获得匹配结果;
识别结果分析模块,所述识别结果分析模块用于在匹配结果为一致时,根据所述移动瑕疵识别结果和静止瑕疵识别结果进行移动使用阻碍分析和瑕疵等级分析,获得移动使用阻碍等级和瑕疵等级;
测试材料分类模块,所述测试材料分类模块用于根据所述移动使用阻碍等级和瑕疵等级,对所述测试材料进行分类,获得分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311590369.8A CN117288761B (zh) | 2023-11-27 | 2023-11-27 | 一种基于测试材料的瑕疵检测分类评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311590369.8A CN117288761B (zh) | 2023-11-27 | 2023-11-27 | 一种基于测试材料的瑕疵检测分类评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117288761A true CN117288761A (zh) | 2023-12-26 |
CN117288761B CN117288761B (zh) | 2024-02-06 |
Family
ID=89244878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311590369.8A Active CN117288761B (zh) | 2023-11-27 | 2023-11-27 | 一种基于测试材料的瑕疵检测分类评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117288761B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890215A (zh) * | 2024-03-14 | 2024-04-16 | 苏州先准电子科技有限公司 | 用于可拉伸电路板的性能检测方法及系统 |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05128256A (ja) * | 1991-10-31 | 1993-05-25 | Sumitomo Light Metal Ind Ltd | 欠陥画像処理装置及び静止画像取込装置 |
JPH09113461A (ja) * | 1995-10-23 | 1997-05-02 | Sharp Corp | 表面に存在する欠陥の検査方法 |
JPH09243980A (ja) * | 1996-03-11 | 1997-09-19 | Sanyo Electric Co Ltd | Lcdパネルの検査方法 |
KR20030077090A (ko) * | 2002-03-25 | 2003-10-01 | 주식회사 수텍 | 생산품 표면의 불량상태 검사시스템 |
JP2006292593A (ja) * | 2005-04-12 | 2006-10-26 | Nippon Steel Corp | 疵検出装置、疵検出方法、コンピュータプログラム及び記録媒体 |
CN101145306A (zh) * | 2006-09-15 | 2008-03-19 | 索尼株式会社 | 残影减少设备及方法、自发光显示设备及图像处理设备 |
CN101383134A (zh) * | 2008-10-28 | 2009-03-11 | 宏碁股份有限公司 | 降低图像残影的方法与系统 |
JP2009139239A (ja) * | 2007-12-06 | 2009-06-25 | Nippon Steel Corp | 帯状体の表面疵検出方法、検出装置及びコンピュータプログラム |
JP2011169727A (ja) * | 2010-02-18 | 2011-09-01 | Shimadzu Corp | 材料試験機 |
CN102628812A (zh) * | 2012-03-27 | 2012-08-08 | 首钢总公司 | 一种自动判定子卷表面质量等级的系统和方法 |
CN105096829A (zh) * | 2015-08-18 | 2015-11-25 | 青岛海信电器股份有限公司 | 消除残影的方法、装置以及显示器 |
WO2016121878A1 (ja) * | 2015-01-29 | 2016-08-04 | 株式会社デクシス | 光学式外観検査装置、及びこれを用いた光学式外観検査システム |
CN108922463A (zh) * | 2018-07-25 | 2018-11-30 | 京东方科技集团股份有限公司 | 显示面板的残像等级检测方法和残像等级检测装置 |
WO2019095118A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
CN110070524A (zh) * | 2019-04-03 | 2019-07-30 | 北京东舟技术股份有限公司 | 一种智能终端面板视觉故障检测系统 |
WO2019144469A1 (zh) * | 2018-01-24 | 2019-08-01 | 华讯方舟科技有限公司 | 一种图像质量分类方法、系统及终端设备 |
CN110744932A (zh) * | 2019-10-17 | 2020-02-04 | 广州乔拓科技有限公司 | 打印瑕疵检测系统 |
US20200158659A1 (en) * | 2017-05-24 | 2020-05-21 | The Hong Kong Research Institute Of Textiles And Apparel Limited | Method and system for automatic detection of fabric defect, and computer readable storage medium |
CN112179910A (zh) * | 2020-09-11 | 2021-01-05 | 广东奥普特科技股份有限公司 | 一种锂电池极片瑕疵实时检测处理方法和系统 |
KR102204434B1 (ko) * | 2020-01-10 | 2021-01-18 | (주)세동콘트롤 | 표면 결함 검사 장치 및 검사 방법 |
WO2021082921A1 (zh) * | 2019-10-28 | 2021-05-06 | 上海悦易网络信息技术有限公司 | 电子设备背板外观瑕疵检测方法及设备 |
JP2021156757A (ja) * | 2020-03-27 | 2021-10-07 | 日鉄ステンレス株式会社 | 疵検査装置、検査結果表示装置、疵検査方法及び検査結果表示方法 |
CN114611967A (zh) * | 2022-03-18 | 2022-06-10 | 上海商汤科技开发有限公司 | 目标检测方法、目标检测装置以及计算机可读存储介质 |
WO2022252348A1 (zh) * | 2021-06-01 | 2022-12-08 | 浙江工商大学 | 基于旋转目标和改进注意力机制的薄膜划痕瑕疵检测方法 |
CN115457541A (zh) * | 2022-09-19 | 2022-12-09 | 中宝金源(深圳)产业发展有限公司 | 一种基于图像识别的珠宝质量鉴定方法和装置 |
CN115980322A (zh) * | 2023-02-09 | 2023-04-18 | 百福工业缝纫机(张家港)有限公司 | 一种织物瑕疵智能检测方法及系统 |
CN116757713A (zh) * | 2023-08-18 | 2023-09-15 | 画版文化科技集团有限公司 | 基于图像识别的作品估值方法、装置、设备及存储介质 |
CN116993682A (zh) * | 2023-07-10 | 2023-11-03 | 欧几里德(苏州)医疗科技有限公司 | 基于图像数据分析的角膜塑形镜瑕疵区域提取方法 |
-
2023
- 2023-11-27 CN CN202311590369.8A patent/CN117288761B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05128256A (ja) * | 1991-10-31 | 1993-05-25 | Sumitomo Light Metal Ind Ltd | 欠陥画像処理装置及び静止画像取込装置 |
JPH09113461A (ja) * | 1995-10-23 | 1997-05-02 | Sharp Corp | 表面に存在する欠陥の検査方法 |
JPH09243980A (ja) * | 1996-03-11 | 1997-09-19 | Sanyo Electric Co Ltd | Lcdパネルの検査方法 |
KR20030077090A (ko) * | 2002-03-25 | 2003-10-01 | 주식회사 수텍 | 생산품 표면의 불량상태 검사시스템 |
JP2006292593A (ja) * | 2005-04-12 | 2006-10-26 | Nippon Steel Corp | 疵検出装置、疵検出方法、コンピュータプログラム及び記録媒体 |
CN101145306A (zh) * | 2006-09-15 | 2008-03-19 | 索尼株式会社 | 残影减少设备及方法、自发光显示设备及图像处理设备 |
JP2009139239A (ja) * | 2007-12-06 | 2009-06-25 | Nippon Steel Corp | 帯状体の表面疵検出方法、検出装置及びコンピュータプログラム |
CN101383134A (zh) * | 2008-10-28 | 2009-03-11 | 宏碁股份有限公司 | 降低图像残影的方法与系统 |
JP2011169727A (ja) * | 2010-02-18 | 2011-09-01 | Shimadzu Corp | 材料試験機 |
CN102628812A (zh) * | 2012-03-27 | 2012-08-08 | 首钢总公司 | 一种自动判定子卷表面质量等级的系统和方法 |
WO2016121878A1 (ja) * | 2015-01-29 | 2016-08-04 | 株式会社デクシス | 光学式外観検査装置、及びこれを用いた光学式外観検査システム |
CN105096829A (zh) * | 2015-08-18 | 2015-11-25 | 青岛海信电器股份有限公司 | 消除残影的方法、装置以及显示器 |
US20200158659A1 (en) * | 2017-05-24 | 2020-05-21 | The Hong Kong Research Institute Of Textiles And Apparel Limited | Method and system for automatic detection of fabric defect, and computer readable storage medium |
WO2019095118A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
WO2019144469A1 (zh) * | 2018-01-24 | 2019-08-01 | 华讯方舟科技有限公司 | 一种图像质量分类方法、系统及终端设备 |
CN108922463A (zh) * | 2018-07-25 | 2018-11-30 | 京东方科技集团股份有限公司 | 显示面板的残像等级检测方法和残像等级检测装置 |
CN110070524A (zh) * | 2019-04-03 | 2019-07-30 | 北京东舟技术股份有限公司 | 一种智能终端面板视觉故障检测系统 |
CN110744932A (zh) * | 2019-10-17 | 2020-02-04 | 广州乔拓科技有限公司 | 打印瑕疵检测系统 |
WO2021082921A1 (zh) * | 2019-10-28 | 2021-05-06 | 上海悦易网络信息技术有限公司 | 电子设备背板外观瑕疵检测方法及设备 |
KR102204434B1 (ko) * | 2020-01-10 | 2021-01-18 | (주)세동콘트롤 | 표면 결함 검사 장치 및 검사 방법 |
JP2021156757A (ja) * | 2020-03-27 | 2021-10-07 | 日鉄ステンレス株式会社 | 疵検査装置、検査結果表示装置、疵検査方法及び検査結果表示方法 |
CN112179910A (zh) * | 2020-09-11 | 2021-01-05 | 广东奥普特科技股份有限公司 | 一种锂电池极片瑕疵实时检测处理方法和系统 |
WO2022052480A1 (zh) * | 2020-09-11 | 2022-03-17 | 广东奥普特科技股份有限公司 | 锂电池极片瑕疵实时检测处理方法和系统 |
WO2022252348A1 (zh) * | 2021-06-01 | 2022-12-08 | 浙江工商大学 | 基于旋转目标和改进注意力机制的薄膜划痕瑕疵检测方法 |
CN114611967A (zh) * | 2022-03-18 | 2022-06-10 | 上海商汤科技开发有限公司 | 目标检测方法、目标检测装置以及计算机可读存储介质 |
CN115457541A (zh) * | 2022-09-19 | 2022-12-09 | 中宝金源(深圳)产业发展有限公司 | 一种基于图像识别的珠宝质量鉴定方法和装置 |
CN115980322A (zh) * | 2023-02-09 | 2023-04-18 | 百福工业缝纫机(张家港)有限公司 | 一种织物瑕疵智能检测方法及系统 |
CN116993682A (zh) * | 2023-07-10 | 2023-11-03 | 欧几里德(苏州)医疗科技有限公司 | 基于图像数据分析的角膜塑形镜瑕疵区域提取方法 |
CN116757713A (zh) * | 2023-08-18 | 2023-09-15 | 画版文化科技集团有限公司 | 基于图像识别的作品估值方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890215A (zh) * | 2024-03-14 | 2024-04-16 | 苏州先准电子科技有限公司 | 用于可拉伸电路板的性能检测方法及系统 |
CN117890215B (zh) * | 2024-03-14 | 2024-05-24 | 苏州先准电子科技有限公司 | 用于可拉伸电路板的性能检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117288761B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598287B (zh) | 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
KR102166458B1 (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN117288761B (zh) | 一种基于测试材料的瑕疵检测分类评估方法及系统 | |
CN110598767A (zh) | 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法 | |
CN111476302A (zh) | 基于深度强化学习的Faster-RCNN目标物体检测方法 | |
CN115063409B (zh) | 一种机械刀具表面材质检测方法及系统 | |
CN109815770A (zh) | 二维码检测方法、装置及系统 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
KR20220014805A (ko) | 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성 | |
CN110633711B (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
CN113239975B (zh) | 一种基于神经网络的目标检测方法和装置 | |
CN110689524A (zh) | 一种无参考在线图像清晰度评价方法与系统 | |
CN113125440A (zh) | 物件的瑕疵判断方法及装置 | |
CN117746077B (zh) | 一种芯片缺陷的检测方法、装置、设备和存储介质 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN118196095B (zh) | 一种纺织品表面缺陷检测方法 | |
CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 | |
CN110675382A (zh) | 基于CNN-LapsELM的铝电解过热度识别方法 | |
CN116777865B (zh) | 一种水下裂缝的识别方法、系统、装置及存储介质 | |
CN112598666B (zh) | 一种基于卷积神经网络的电缆隧道异常检测方法 | |
CN114842192A (zh) | 一种航空发动机叶片损伤识别模型、损伤识别方法及系统 | |
Go et al. | A deep learning-based surface defect inspection system for smartphone glass | |
CN112396648B (zh) | 一种可定位目标物质心的目标识别方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |