CN117474904A - 工业缺陷检测方法、装置、设备及存储介质 - Google Patents
工业缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117474904A CN117474904A CN202311800697.6A CN202311800697A CN117474904A CN 117474904 A CN117474904 A CN 117474904A CN 202311800697 A CN202311800697 A CN 202311800697A CN 117474904 A CN117474904 A CN 117474904A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- average pixel
- industrial
- area average
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 350
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 128
- 238000012360 testing method Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims description 19
- 230000002950 deficient Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种工业缺陷检测方法、装置、设备及存储介质,该方法包括:从工业图像数据集中选择背景颜色、缺陷的纹理和缺陷的颜色满足相似度条件的相似图像;构建训练集和测试集,相似图像不同时出现在训练集或测试集;将获取到的待检测的工业图像输入至训练后的工业缺陷检测模型中进行工业缺陷检测。由于本发明通过先找到包含类似纹理和颜色的缺陷的、并且背景相似的相似图像,然后将相似图像分别添加至训练集和测试集,其中,相似图像不同时出现在训练集或测试集,使模型在训练过程中忽略局部背景带来的差异性,使得在训练集中检测出的缺陷,在测试集中也能够准确的检出,从而能够提高工业缺陷检测的准确度。
Description
技术领域
本发明涉及工业视觉异常检测技术领域,尤其涉及一种工业缺陷检测方法、装置、设备及存储介质。
背景技术
在工业视觉的异常检测中,利用基于深度学习神经网络的分割方法来检测图像中存在的缺陷变得越来越受欢迎。然而,当训练集中已经出现过的缺陷,并且可以被完全检出的前提下,在测试集遇到相似纹理和颜色的缺陷时可能会漏检或检不全。直观上看,测试集和训练集这种相似的缺陷出现在图像中的位置不同,从神经网络的机理来看,是训练图像和测试图像中缺陷周围的局部背景不同导致的。对于一副测试图像,如果其中某一个缺陷可以在训练集中找到一个相似纹理和颜色的缺陷,那么测试图像中这个缺陷不应该漏检或出现明显大面积的检不全现象。
发明内容
本发明的主要目的在于提供一种工业缺陷检测方法、装置、设备及存储介质,旨在解决现有技术中基于深度学习的工业缺陷检测的训练集中检出的缺陷,在测试集遇到相似纹理和颜色的缺陷时存在漏检或检不全的技术问题。
为实现上述目的,本发明提供一种工业缺陷检测方法,所述方法包括以下步骤:
获取工业图像数据集,从所述工业图像数据集中选择包含缺陷的第一图像;
根据所述第一图像在所述工业图像数据集中确定第二图像,所述第二图像为背景颜色、缺陷的纹理和缺陷的颜色与所述第一图像满足相似度条件的图像;
根据所述第一图像构建训练集,根据所述第二图像构建测试集,或者根据所述第一图像构建测试集,根据所述第二图像构建训练集;
根据所述测试集和所述训练集对预设图像分割网络进行训练,获得工业缺陷检测模型;
获取待检测的工业图像,并将所述待检测的工业图像输入至所述工业缺陷检测模型,获得工业缺陷检测结果。
可选地,所述根据所述第一图像在所述工业图像数据集中确定第二图像,包括:
确定所述第一图像对应的第一缺陷区域平均像素值和第一背景区域平均像素值;
依次确定所述工业图像数据集中的任一图像为当前图像,确定所述当前图像对应的第二缺陷区域平均像素值和第二背景区域平均像素值;
在所述第一缺陷区域平均像素值、所述第一背景区域平均像素值、所述第二缺陷区域平均像素值和所述第二背景区域平均像素值满足相似度条件时,将所述当前图像确定为第二图像。
可选地,所述确定所述第一图像对应的第一缺陷区域平均像素值和第一背景区域平均像素值,包括:
根据第一预设公式计算所述第一图像对应的第一缺陷区域平均像素值和第一背景区域平均像素值,所述第一预设公式为:
,
式中,表示第一缺陷区域平均像素值,/>表示第一背景区域平均像素值,表示第一图像中缺陷区域的像素点集合,/>表示第一图像中背景区域的像素点集合,n和m表示像素点数。
可选地,所述在所述第一缺陷区域平均像素值、所述第一背景区域平均像素值、所述第二缺陷区域平均像素值和所述第二背景区域平均像素值满足相似度条件时,将所述当前图像确定为第二图像,包括:
对所述第一缺陷区域平均像素值、所述第一背景区域平均像素值、所述第二缺陷区域平均像素值和所述第二背景区域平均像素值分别进行灰度化处理,获得第一缺陷区域平均像素灰度值、第一背景区域平均像素灰度值、第二缺陷区域平均像素灰度值和第二背景区域平均像素灰度值;
在所述第一缺陷区域平均像素灰度值、所述第一背景区域平均像素灰度值、所述第二缺陷区域平均像素灰度值和所述第二背景区域平均像素灰度值满足相似度条件时,将所述当前图像确定为第二图像。
可选地,所述在所述第一缺陷区域平均像素灰度值、所述第一背景区域平均像素灰度值、所述第二缺陷区域平均像素灰度值和所述第二背景区域平均像素灰度值满足相似度条件时,将所述当前图像确定为第二图像,包括:
根据第二预设公式、所述第一缺陷区域平均像素灰度值和所述第二缺陷区域平均像素灰度值计算所述第一图像和所述第二图像之间的缺陷相似度,
其中,所述第二预设公式为:
,
式中,表示缺陷相似度,/>表示第一缺陷区域平均像素灰度值,/>表示第二缺陷区域平均像素灰度值,图像的灰度范围表示为/>;
根据所述第一背景区域平均像素灰度值和所述第二背景区域平均像素灰度值计算所述第一图像和所述第二图像之间的背景相似度;
在所述缺陷相似度小于缺陷相似度阈值并且所述背景相似度小于背景相似度阈值时,将所述当前图像确定为第二图像。
可选地,所述根据所述测试集和所述训练集对预设图像分割网络进行训练,获得工业缺陷检测模型,包括:
对所述训练集进行数据增强,获得数据增强后的训练集,所述数据增强后的训练集中每个图像中缺陷的位置不同;
根据所述测试集和所述数据增强后的训练集对预设图像分割网络进行训练,获得工业缺陷检测模型。
可选地,所述对所述训练集进行数据增强,获得数据增强后的训练集,包括:
依次确定所述训练集中的任一图像为当前缺陷图像,并确定所述当前缺陷图像对应的缺陷集合中的任一缺陷为当前缺陷;
根据预设随机数函数生成复制个数,根据预设随机坐标函数生成所述复制个数个随机复制坐标点,所述随机复制坐标点的取值范围表示为:
,/>,
式中,表示所述当前缺陷图像的宽度,/>表示所述当前缺陷图像的高度,/>表示所述当前缺陷的宽度,/>表示所述当前缺陷的高度;
依次判断所述当前缺陷图像中的所述随机复制坐标点的位置处是否已经存在缺陷;
若否,则将所述当前缺陷复制至所述随机复制坐标点的位置处,直至所述复制个数个所述随机复制坐标点全部判断完毕,获得数据增强后的训练集。
此外,为实现上述目的,本发明还提出一种工业缺陷检测装置,所述工业缺陷检测装置包括:
数据获取模块,用于获取工业图像数据集,从所述工业图像数据集中选择包含缺陷的第一图像;
相似确定模块,用于根据所述第一图像在所述工业图像数据集中确定第二图像,所述第二图像为背景颜色、缺陷的纹理和缺陷的颜色与所述第一图像满足相似度条件的图像;
数据集构建模块,用于根据所述第一图像构建训练集,根据所述第二图像构建测试集,或者根据所述第一图像构建测试集,根据所述第二图像构建训练集;
模型训练模块,用于根据所述测试集和所述训练集对预设图像分割网络进行训练,获得工业缺陷检测模型;
缺陷检测模块,用于获取待检测的工业图像,并将所述待检测的工业图像输入至所述工业缺陷检测模型,获得工业缺陷检测结果。
此外,为实现上述目的,本发明还提出一种工业缺陷检测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工业缺陷检测程序,所述工业缺陷检测程序配置为实现如上文所述的工业缺陷检测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有工业缺陷检测程序,所述工业缺陷检测程序被处理器执行时实现如上文所述的工业缺陷检测方法的步骤。
在本发明中,公开了从工业图像数据集中选择包含缺陷的第一图像;根据第一图像在工业图像数据集中确定第二图像,第二图像为背景颜色、缺陷的纹理和缺陷的颜色与第一图像满足相似度条件的图像;根据第一图像构建训练集,根据第二图像构建测试集,或者根据第一图像构建测试集,根据第二图像构建训练集;根据测试集和训练集对预设图像分割网络进行训练,获得工业缺陷检测模型;获取待检测的工业图像,并将待检测的工业图像输入至工业缺陷检测模型,获得工业缺陷检测结果。由于本发明通过先找到包含类似纹理和颜色的缺陷的、并且背景相似的相似图像,然后将相似图像分别添加至训练集和测试集,其中,相似图像不同时出现在训练集或测试集,使模型在训练过程中忽略局部背景带来的差异性,使得在训练集中检测出的缺陷,在测试集中也能够准确的检出,从而能够提高工业缺陷检测的准确度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的工业缺陷检测设备的结构示意图;
图2为本发明工业缺陷检测方法第一实施例的流程示意图;
图3为本发明工业缺陷检测方法第二实施例的流程示意图;
图4为本发明工业缺陷检测方法第三实施例的流程示意图;
图5为本发明工业缺陷检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的工业缺陷检测设备结构示意图。
如图1所示,该工业缺陷检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对工业缺陷检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及工业缺陷检测程序。
在图1所示的工业缺陷检测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明工业缺陷检测设备中的处理器1001、存储器1005可以设置在工业缺陷检测设备中,所述工业缺陷检测设备通过处理器1001调用存储器1005中存储的工业缺陷检测程序,并执行本发明实施例提供的工业缺陷检测方法。
本发明实施例提供了一种工业缺陷检测方法,参照图2,图2为本发明工业缺陷检测方法第一实施例的流程示意图。
本实施例中,所述工业缺陷检测方法包括以下步骤:
步骤S10:获取工业图像数据集,从所述工业图像数据集中选择包含缺陷的第一图像。
需要说明的是,本实施例方法的执行主体可以是具有工业缺陷检测、网络通信以及程序运行功能的计算服务设备,例如手机、平板电脑、个人电脑等;也可以是具有相同或相似功能的上述工业缺陷检测设备。本实施例及下述各实施例将以工业缺陷检测设备为例进行说明。
可以理解的是,可以从工厂生产流水线上获取工业图像数据集,然后从中挑选出包含缺陷的第一图像α。
步骤S20:根据所述第一图像在所述工业图像数据集中确定第二图像,所述第二图像为背景颜色、缺陷的纹理和缺陷的颜色与所述第一图像满足相似度条件的图像。
步骤S30:根据所述第一图像构建训练集,根据所述第二图像构建测试集,或者根据所述第一图像构建测试集,根据所述第二图像构建训练集。
应当理解的是,在实际的工业生产过程中,常常需要使用相机对生产线上的每个工件进行图像拍摄,然后通过部署的模型对图像进行缺陷检测,以确定该工件是否符合质量标准。然而,当机器出现故障或者生产工艺出现问题时,相机会连续拍摄到多幅具有相似纹理和颜色缺陷的图像。在这种情况下,如果模型出现漏检或检不全的情况,就需要对数据进行分析。如果这些缺陷之前从未出现在训练集中,那么可以选取其中几张图像加入训练集,对模型进行迭代训练以提升其检测能力。然而,如果漏检或检不全的缺陷已经在训练集中出现过,那么这种结果就无法被接受。
因此,可以从工业图像数据集中找出与包含缺陷的第一图像相似的第二图像β,其中,第一图像和第二图像中包含的缺陷应当是相似的,并且由于缺陷周围的局部背景不同会导致缺陷检测出现异常,因此,第一图像和第二图像的背景应当相似。然后根据第一图像α和第二图像β分别构建训练集和测试集,但是第一图像和第二图像不能同时出现在训练集或测试集中,即可以根据第一图像构建训练集,根据第二图像构建测试集,或者可以根据第一图像构建测试集,根据第二图像构建训练集。因为二者具有相似的背景颜色和类似的缺陷,可能会影响模型的性能评估。因此,需要确保二者被分配到不同的集合中,以便得到更准确的结果。
步骤S40:根据所述测试集和所述训练集对预设图像分割网络进行训练,获得工业缺陷检测模型。
应当理解的是,预设图像分割网络可以是可以用于工业缺陷检测的任意图像分割网络,此处的分割网络是能满足当前分割任务的任意分割网络。可以根据上述构建的测试集和训练集对预设图像分割网络进行训练,获得可以用于工业缺陷检测的模型。
步骤S50:获取待检测的工业图像,并将所述待检测的工业图像输入至所述工业缺陷检测模型,获得工业缺陷检测结果。
可以理解的是,在实际的工业生产过程中,需要使用相机对生产线上的每个工件进行图像拍摄,然后通过部署的模型对图像进行缺陷检测,以确定该工件是否符合质量标准。可以对实际的工厂生产流水线上的产品拍摄图像,即为待检测的工业图像,然后将待检测的工业图像输入至工业缺陷检测模型,获得工业缺陷检测结果。
在本实施例中,公开了从工业图像数据集中选择包含缺陷的第一图像;根据第一图像在工业图像数据集中确定第二图像,第二图像为背景颜色、缺陷的纹理和缺陷的颜色与第一图像满足相似度条件的图像;根据第一图像构建训练集,根据第二图像构建测试集,或者根据第一图像构建测试集,根据第二图像构建训练集;根据测试集和训练集对预设图像分割网络进行训练,获得工业缺陷检测模型;获取待检测的工业图像,并将待检测的工业图像输入至工业缺陷检测模型,获得工业缺陷检测结果。由于本实施例通过先找到包含类似纹理和颜色的缺陷的、并且背景相似的相似图像,然后将相似图像分别添加至训练集和测试集,其中,相似图像不同时出现在训练集或测试集,使模型在训练过程中忽略局部背景带来的差异性,使得在训练集中检测出的缺陷,在测试集中也能够准确的检出,从而能够提高工业缺陷检测的准确度。
参考图3,图3为本发明工业缺陷检测方法第二实施例的流程示意图。
进一步地,为了更加准确的找到与第一图像相似的第二图像,可以查找包含与第一图像中的缺陷类似纹理和颜色的缺陷的图像,同时还可以比较背景的相似度来确定第二图像。故基于上述第一实施例,在本实施例中,所述步骤S20包括:
步骤S201:确定所述第一图像对应的第一缺陷区域平均像素值和第一背景区域平均像素值。
易于理解的是,可以将工业生产线上相机拍摄到的图像进行挑选,在第一图像α中已经出现了的缺陷,在剩下的图像中挑选出现了类似纹理和颜色缺陷的图像,当然要求背景分布也与图相似。可以对如何判断缺陷的颜色以及背景颜色分布是否相似进行比对。
进一步地,为了更加准确的找到与第一图像相似的第二图像,可以准确的计算图像对应的缺陷区域平均像素值和背景区域平均像素值,根据平均像素值来量化两个图像之间的相似程度,从而能够更准确的找到相似的图像。因此,所述步骤S201,包括:根据第一预设公式计算所述第一图像对应的第一缺陷区域平均像素值和第一背景区域平均像素值,所述第一预设公式为:
,
式中,表示第一缺陷区域平均像素值,/>表示第一背景区域平均像素值,表示第一图像中缺陷区域的像素点集合,/>表示第一图像中背景区域的像素点集合,n和m表示像素点数。
在具体实现中,若第一图像α和第二图像β的具有相似的缺陷和背景,以图α为例,缺陷区域的像素点集合表示为(D表示defect),除了缺陷的背景像素点集合为/>(B表示background),其中n和m分别表示像素点数,利用如下的公式计算缺陷区域平均像素值和背景区域平均像素值:
。
步骤S202:依次确定所述工业图像数据集中的任一图像为当前图像,确定所述当前图像对应的第二缺陷区域平均像素值和第二背景区域平均像素值。
同样的,可以遍历工业图像数据集,依次确定所述工业图像数据集中的任一图像为当前图像,然后计算当前图像对应的第二缺陷区域平均像素值和第二背景区域平均像素值,同样的,可以使用上述的公式计算,可以获得当前图像的第二缺陷区域平均像素值和第二背景区域平均像素值。
步骤S203:在所述第一缺陷区域平均像素值、所述第一背景区域平均像素值、所述第二缺陷区域平均像素值和所述第二背景区域平均像素值满足相似度条件时,将所述当前图像确定为第二图像。
可以理解的是,可以判断第一缺陷区域平均像素值和第二缺陷区域平均像素值的差异是否小于阈值,若是,再判断第一背景区域平均像素值和第二背景区域平均像素值是否小于阈值,若同时满足,则表示当前图像和第一图像满足相似度条件,可以将所述当前图像确定为第二图像。
进一步地,为了进一步准确的找到与第一图像相似的第二图像,还可以对图像进行灰度化处理,然后根据灰度化后的平均值量化两个图像的相似性。具体的,可以根据两个图像对应的缺陷区域和背景区域的平均像素值计算灰度值,然后分别判断两个图像对应的缺陷区域和背景区域之间的相似性,从而确定相似的第二图像。因此,所述步骤S203,包括:对所述第一缺陷区域平均像素值、所述第一背景区域平均像素值、所述第二缺陷区域平均像素值和所述第二背景区域平均像素值分别进行灰度化处理,获得第一缺陷区域平均像素灰度值、第一背景区域平均像素灰度值、第二缺陷区域平均像素灰度值和第二背景区域平均像素灰度值;在所述第一缺陷区域平均像素灰度值、所述第一背景区域平均像素灰度值、所述第二缺陷区域平均像素灰度值和所述第二背景区域平均像素灰度值满足相似度条件时,将所述当前图像确定为第二图像。
需要说明的是,在计算图像的灰度值时,若原图为灰度图,则灰度值等于平均像素值,若原图为彩色图,则可以根据灰度公式计算平均像素灰度值。以第一图像的第一缺陷区域平均像素值为例进行说明,若第一图像为彩色图,则计算第一缺陷区域平均像素灰度值/>的公式如下:
,
式中,、/>和/>表示像素/>的RGB通道值,分别表示R、G、B,即像素点的红、绿、蓝通道值。若第一图像为灰度图,则/>=/>。
应当理解的是,可以判断第一缺陷区域平均像素灰度值和第二缺陷区域平均像素灰度值的差异是否小于阈值,若是,再判断第一背景区域平均像素灰度值和第二背景区域平均像素灰度值是否小于阈值,若同时满足,则表示当前图像和第一图像满足相似度条件,可以将所述当前图像确定为第二图像。
进一步地,为了更加准确的量化两个图像的缺陷相似度和背景相似度,可以根据平均像素灰度值分别计算缺陷相似度和背景相似度,在缺陷相似度和背景相似度均小于阈值时,即可以认为二者相似。因此,所述步骤S203,包括:根据第二预设公式、所述第一缺陷区域平均像素灰度值和所述第二缺陷区域平均像素灰度值计算所述第一图像和所述第二图像之间的缺陷相似度,其中,所述第二预设公式为:
,
式中,表示缺陷相似度,/>表示第一缺陷区域平均像素灰度值,/>表示第二缺陷区域平均像素灰度值,图像的灰度范围表示为/>;根据所述第一背景区域平均像素灰度值和所述第二背景区域平均像素灰度值计算所述第一图像和所述第二图像之间的背景相似度;在所述缺陷相似度小于缺陷相似度阈值并且所述背景相似度小于背景相似度阈值时,将所述当前图像确定为第二图像。
需要说明的是,通常,图像的灰度范围表示为,对于8bit图,ID∈[0,255]。图α和图β的缺陷和背景的平均像素灰度值分别为/>,/>,/>和/>,同样的可以根据上述公式计算出背景相似度/>。在所述缺陷相似度小于缺陷相似度阈值并且所述背景相似度小于背景相似度阈值时,即在/>且/>时,可以认为图α和图β相似,tG可以表示相似度阈值,二者的阈值可以按照实际情况设置不同的值。
在本实施例中,公开了先确定第一图像对应的第一缺陷区域平均像素值和第一背景区域平均像素值,然后确定当前图像对应的第二缺陷区域平均像素值和第二背景区域平均像素值;在第一缺陷区域平均像素值、第一背景区域平均像素值、第二缺陷区域平均像素值和第二背景区域平均像素值满足相似度条件时,将当前图像确定为第二图像,从而能够更加准确的找到与第一图像相似的第二图像。
参考图4,图4为本发明工业缺陷检测方法第三实施例的流程示意图。
进一步地,由于存在当训练集中已经出现过的缺陷,并且可以被完全检出的前提下,在测试集遇到相似纹理和颜色的缺陷时可能会漏检或检不全的情况。测试集和训练集这种相似的缺陷出现在图像中的位置不同,从神经网络的机理来看,是训练图像和测试图像中缺陷周围的局部背景不同导致的。因此,在模型训练之前还可以对训练集进行数据增强,常见的数据增强方法如平移、旋转、裁剪和缩放等等均是利用原有的训练数据生成新的训练数据,以使得模型覆盖更多的数据分布。本实施例中的缺陷增广方法采用同样的思路,即让缺陷出现在图像的多个位置,从这一角度增强了模型的泛化性。
故基于上述第一实施例,在本实施例中,所述步骤S40包括:
步骤S401:对所述训练集进行数据增强,获得数据增强后的训练集,所述数据增强后的训练集中每个图像中缺陷的位置不同。
可以理解的是,在模型训练的过程中,可以对训练集进行数据增强,类似于常见的平移、旋转、裁剪和缩放等操作,可以让缺陷出现在不同图像的多个位置中,从而扩增训练集,增强模型的泛化能力。
进一步地,在数据增广的具体实现中,可以遍历训练集中所有的图像,并且每个图像中包含缺陷集合,可以将每个图像中的每个缺陷随机复制在若干个位置处,并且在判断该位置处不存在缺陷时,复制缺陷,直至若干个随机位置全部判断完毕,即可获得数据增强后的训练集。因此,所述步骤S401,包括:依次确定所述训练集中的任一图像为当前缺陷图像,并确定所述当前缺陷图像对应的缺陷集合中的任一缺陷为当前缺陷;根据预设随机数函数生成复制个数,根据预设随机坐标函数生成所述复制个数个随机复制坐标点,所述随机复制坐标点的取值范围表示为:
,/>,式中,/>表示所述当前缺陷图像的宽度,/>表示所述当前缺陷图像的高度,/>表示所述当前缺陷的宽度,/>表示所述当前缺陷的高度;依次判断所述当前缺陷图像中的所述随机复制坐标点的位置处是否已经存在缺陷;若否,则将所述当前缺陷复制至所述随机复制坐标点的位置处,直至所述复制个数个所述随机复制坐标点全部判断完毕,获得数据增强后的训练集。
在具体实现中,可以按照如下步骤进行数据增强:
(1)对于一张训练图像It,图中包含的缺陷集合表示为SD,依次遍历图像中的每一个缺陷;
(2)当前缺陷标记为DC,利用一个随机函数生成一个整数C(例如,可以是0-10的整数),然后再利用另一个随机函数生成C个随机复制坐标点。此处,当前缺陷图像的尺寸表示为/>,当前缺陷的尺寸表示为/>,每一个随机复制坐标点的取值范围为/>,;
(3)依次遍历第(2)步生成的这C个随机复制坐标点,判断当前缺陷图像中的此坐标处是否已存在缺陷,如果不存在就将当前缺陷复制到该坐标点,如果存在缺陷则放弃复制;
(4)此时原图中复制了C个缺陷,接着利用随机函数生成一个随机值ED(erasedefect),如果,则将图像中原位置的当前缺陷擦除,即当前缺陷的像素值全部设置为0。
步骤S402:根据所述测试集和所述数据增强后的训练集对预设图像分割网络进行训练,获得工业缺陷检测模型。
在本实施例中,公开了对训练集进行数据增强,获得数据增强后的训练集,数据增强后的训练集中每个图像中缺陷的位置不同;根据测试集和数据增强后的训练集对预设图像分割网络进行训练,获得工业缺陷检测模型,即让缺陷出现在训练图像的多个位置,从而增强了模型的泛化性。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有工业缺陷检测程序,所述工业缺陷检测程序被处理器执行时实现如上文所述的工业缺陷检测方法的步骤。
参照图5,图5为本发明工业缺陷检测装置第一实施例的结构框图。
如图5所示,本发明实施例提出的工业缺陷检测装置包括:
数据获取模块501,用于获取工业图像数据集,从所述工业图像数据集中选择包含缺陷的第一图像;
相似确定模块502,用于根据所述第一图像在所述工业图像数据集中确定第二图像,所述第二图像为背景颜色、缺陷的纹理和缺陷的颜色与所述第一图像满足相似度条件的图像;
数据集构建模块503,用于根据所述第一图像构建训练集,根据所述第二图像构建测试集,或者根据所述第一图像构建测试集,根据所述第二图像构建训练集;
模型训练模块504,用于根据所述测试集和所述训练集对预设图像分割网络进行训练,获得工业缺陷检测模型;
缺陷检测模块505,用于获取待检测的工业图像,并将所述待检测的工业图像输入至所述工业缺陷检测模型,获得工业缺陷检测结果。
本实施例通过从工业图像数据集中选择包含缺陷的第一图像;根据第一图像在工业图像数据集中确定第二图像,第二图像为背景颜色、缺陷的纹理和缺陷的颜色与第一图像满足相似度条件的图像;根据第一图像构建训练集,根据第二图像构建测试集,或者根据第一图像构建测试集,根据第二图像构建训练集;根据测试集和训练集对预设图像分割网络进行训练,获得工业缺陷检测模型;获取待检测的工业图像,并将待检测的工业图像输入至工业缺陷检测模型,获得工业缺陷检测结果。由于本实施例通过先找到包含类似纹理和颜色的缺陷的、并且背景相似的相似图像,然后将相似图像分别添加至训练集和测试集,其中,相似图像不同时出现在训练集或测试集,使模型在训练过程中忽略局部背景带来的差异性,使得在训练集中检测出的缺陷,在测试集中也能够准确的检出,从而能够提高工业缺陷检测的准确度。
基于本发明上述工业缺陷检测装置第一实施例,提出本发明工业缺陷检测装置的第二实施例。
在本实施例中,所述相似确定模块502,还用于确定所述第一图像对应的第一缺陷区域平均像素值和第一背景区域平均像素值;依次确定所述工业图像数据集中的任一图像为当前图像,确定所述当前图像对应的第二缺陷区域平均像素值和第二背景区域平均像素值;在所述第一缺陷区域平均像素值、所述第一背景区域平均像素值、所述第二缺陷区域平均像素值和所述第二背景区域平均像素值满足相似度条件时,将所述当前图像确定为第二图像。
作为一种实施方式,所述相似确定模块502,还用于根据第一预设公式计算所述第一图像对应的第一缺陷区域平均像素值和第一背景区域平均像素值,所述第一预设公式为:
,
式中,表示第一缺陷区域平均像素值,/>表示第一背景区域平均像素值,表示第一图像中缺陷区域的像素点集合,/>表示第一图像中背景区域的像素点集合,n和m表示像素点数。
作为一种实施方式,所述相似确定模块502,还用于对所述第一缺陷区域平均像素值、所述第一背景区域平均像素值、所述第二缺陷区域平均像素值和所述第二背景区域平均像素值分别进行灰度化处理,获得第一缺陷区域平均像素灰度值、第一背景区域平均像素灰度值、第二缺陷区域平均像素灰度值和第二背景区域平均像素灰度值;在所述第一缺陷区域平均像素灰度值、所述第一背景区域平均像素灰度值、所述第二缺陷区域平均像素灰度值和所述第二背景区域平均像素灰度值满足相似度条件时,将所述当前图像确定为第二图像。
作为一种实施方式,所述相似确定模块502,还用于根据第二预设公式、所述第一缺陷区域平均像素灰度值和所述第二缺陷区域平均像素灰度值计算所述第一图像和所述第二图像之间的缺陷相似度,其中,所述第二预设公式为:
,
式中,表示缺陷相似度,/>表示第一缺陷区域平均像素灰度值,/>表示第二缺陷区域平均像素灰度值,图像的灰度范围表示为/>;根据所述第一背景区域平均像素灰度值和所述第二背景区域平均像素灰度值计算所述第一图像和所述第二图像之间的背景相似度;在所述缺陷相似度小于缺陷相似度阈值并且所述背景相似度小于背景相似度阈值时,将所述当前图像确定为第二图像。
作为一种实施方式,所述模型训练模块504,还用于对所述训练集进行数据增强,获得数据增强后的训练集,所述数据增强后的训练集中每个图像中缺陷的位置不同;根据所述测试集和所述数据增强后的训练集对预设图像分割网络进行训练,获得工业缺陷检测模型。
作为一种实施方式,所述模型训练模块504,还用于依次确定所述训练集中的任一图像为当前缺陷图像,并确定所述当前缺陷图像对应的缺陷集合中的任一缺陷为当前缺陷;根据预设随机数函数生成复制个数,根据预设随机坐标函数生成所述复制个数个随机复制坐标点,所述随机复制坐标点的取值范围表示为:
,/>,式中,/>表示所述当前缺陷图像的宽度,/>表示所述当前缺陷图像的高度,/>表示所述当前缺陷的宽度,/>表示所述当前缺陷的高度;依次判断所述当前缺陷图像中的所述随机复制坐标点的位置处是否已经存在缺陷;若否,则将所述当前缺陷复制至所述随机复制坐标点的位置处,直至所述复制个数个所述随机复制坐标点全部判断完毕,获得数据增强后的训练集。
本发明工业缺陷检测装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种工业缺陷检测方法,其特征在于,所述工业缺陷检测方法包括:
获取工业图像数据集,从所述工业图像数据集中选择包含缺陷的第一图像;
根据所述第一图像在所述工业图像数据集中确定第二图像,所述第二图像为背景颜色、缺陷的纹理和缺陷的颜色与所述第一图像满足相似度条件的图像;
根据所述第一图像构建训练集,根据所述第二图像构建测试集,或者根据所述第一图像构建测试集,根据所述第二图像构建训练集;
根据所述测试集和所述训练集对预设图像分割网络进行训练,获得工业缺陷检测模型;
获取待检测的工业图像,并将所述待检测的工业图像输入至所述工业缺陷检测模型,获得工业缺陷检测结果。
2.如权利要求1所述的工业缺陷检测方法,其特征在于,所述根据所述第一图像在所述工业图像数据集中确定第二图像,包括:
确定所述第一图像对应的第一缺陷区域平均像素值和第一背景区域平均像素值;
依次确定所述工业图像数据集中的任一图像为当前图像,确定所述当前图像对应的第二缺陷区域平均像素值和第二背景区域平均像素值;
在所述第一缺陷区域平均像素值、所述第一背景区域平均像素值、所述第二缺陷区域平均像素值和所述第二背景区域平均像素值满足相似度条件时,将所述当前图像确定为第二图像。
3.如权利要求2所述的工业缺陷检测方法,其特征在于,所述确定所述第一图像对应的第一缺陷区域平均像素值和第一背景区域平均像素值,包括:
根据第一预设公式计算所述第一图像对应的第一缺陷区域平均像素值和第一背景区域平均像素值,所述第一预设公式为:
,
式中,表示第一缺陷区域平均像素值,/>表示第一背景区域平均像素值,/>表示第一图像中缺陷区域的像素点集合,/>表示第一图像中背景区域的像素点集合,n和m表示像素点数。
4.如权利要求2所述的工业缺陷检测方法,其特征在于,所述在所述第一缺陷区域平均像素值、所述第一背景区域平均像素值、所述第二缺陷区域平均像素值和所述第二背景区域平均像素值满足相似度条件时,将所述当前图像确定为第二图像,包括:
对所述第一缺陷区域平均像素值、所述第一背景区域平均像素值、所述第二缺陷区域平均像素值和所述第二背景区域平均像素值分别进行灰度化处理,获得第一缺陷区域平均像素灰度值、第一背景区域平均像素灰度值、第二缺陷区域平均像素灰度值和第二背景区域平均像素灰度值;
在所述第一缺陷区域平均像素灰度值、所述第一背景区域平均像素灰度值、所述第二缺陷区域平均像素灰度值和所述第二背景区域平均像素灰度值满足相似度条件时,将所述当前图像确定为第二图像。
5.如权利要求4所述的工业缺陷检测方法,其特征在于,所述在所述第一缺陷区域平均像素灰度值、所述第一背景区域平均像素灰度值、所述第二缺陷区域平均像素灰度值和所述第二背景区域平均像素灰度值满足相似度条件时,将所述当前图像确定为第二图像,包括:
根据第二预设公式、所述第一缺陷区域平均像素灰度值和所述第二缺陷区域平均像素灰度值计算所述第一图像和所述第二图像之间的缺陷相似度,
其中,所述第二预设公式为:
,
式中,表示缺陷相似度,/>表示第一缺陷区域平均像素灰度值,/>表示第二缺陷区域平均像素灰度值,图像的灰度范围表示为/>;
根据所述第一背景区域平均像素灰度值和所述第二背景区域平均像素灰度值计算所述第一图像和所述第二图像之间的背景相似度;
在所述缺陷相似度小于缺陷相似度阈值并且所述背景相似度小于背景相似度阈值时,将所述当前图像确定为第二图像。
6.如权利要求1至5中任一项所述的工业缺陷检测方法,其特征在于,所述根据所述测试集和所述训练集对预设图像分割网络进行训练,获得工业缺陷检测模型,包括:
对所述训练集进行数据增强,获得数据增强后的训练集,所述数据增强后的训练集中每个图像中缺陷的位置不同;
根据所述测试集和所述数据增强后的训练集对预设图像分割网络进行训练,获得工业缺陷检测模型。
7.如权利要求6所述的工业缺陷检测方法,其特征在于,所述对所述训练集进行数据增强,获得数据增强后的训练集,包括:
依次确定所述训练集中的任一图像为当前缺陷图像,并确定所述当前缺陷图像对应的缺陷集合中的任一缺陷为当前缺陷;
根据预设随机数函数生成复制个数,根据预设随机坐标函数生成所述复制个数个随机复制坐标点,所述随机复制坐标点的取值范围表示为:
,/>,
式中,表示所述当前缺陷图像的宽度,/>表示所述当前缺陷图像的高度,表示所述当前缺陷的宽度,/>表示所述当前缺陷的高度;
依次判断所述当前缺陷图像中的所述随机复制坐标点的位置处是否已经存在缺陷;
若否,则将所述当前缺陷复制至所述随机复制坐标点的位置处,直至所述复制个数个所述随机复制坐标点全部判断完毕,获得数据增强后的训练集。
8.一种工业缺陷检测装置,其特征在于,所述工业缺陷检测装置包括:
数据获取模块,用于获取工业图像数据集,从所述工业图像数据集中选择包含缺陷的第一图像;
相似确定模块,用于根据所述第一图像在所述工业图像数据集中确定第二图像,所述第二图像为背景颜色、缺陷的纹理和缺陷的颜色与所述第一图像满足相似度条件的图像;
数据集构建模块,用于根据所述第一图像构建训练集,根据所述第二图像构建测试集,或者根据所述第一图像构建测试集,根据所述第二图像构建训练集;
模型训练模块,用于根据所述测试集和所述训练集对预设图像分割网络进行训练,获得工业缺陷检测模型;
缺陷检测模块,用于获取待检测的工业图像,并将所述待检测的工业图像输入至所述工业缺陷检测模型,获得工业缺陷检测结果。
9.一种工业缺陷检测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工业缺陷检测程序,所述工业缺陷检测程序配置为实现如权利要求1至7中任一项所述的工业缺陷检测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有工业缺陷检测程序,所述工业缺陷检测程序被处理器执行时实现如权利要求1至7任一项所述的工业缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311800697.6A CN117474904B (zh) | 2023-12-26 | 2023-12-26 | 工业缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311800697.6A CN117474904B (zh) | 2023-12-26 | 2023-12-26 | 工业缺陷检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474904A true CN117474904A (zh) | 2024-01-30 |
CN117474904B CN117474904B (zh) | 2024-03-12 |
Family
ID=89639980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311800697.6A Active CN117474904B (zh) | 2023-12-26 | 2023-12-26 | 工业缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474904B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179263A (zh) * | 2020-01-06 | 2020-05-19 | 宜通世纪物联网研究院(广州)有限公司 | 一种工业图像表面缺陷检测模型、方法、系统及装置 |
CN111537517A (zh) * | 2020-05-18 | 2020-08-14 | 江汉大学 | 一种无人智能化冲压缺陷识别方法 |
CN111862097A (zh) * | 2020-09-24 | 2020-10-30 | 常州微亿智造科技有限公司 | 微小缺陷检出率的数据增强方法和装置 |
CN112446438A (zh) * | 2020-12-16 | 2021-03-05 | 常州微亿智造科技有限公司 | 一种工业物联网下的模型智能训练方法 |
US11150200B1 (en) * | 2020-06-15 | 2021-10-19 | Mitutoyo Corporation | Workpiece inspection and defect detection system indicating number of defect images for training |
CN114419029A (zh) * | 2022-03-11 | 2022-04-29 | 深圳艾灵网络有限公司 | 表面缺陷检测模型的训练方法、表面缺陷检测方法及装置 |
CN116452540A (zh) * | 2023-04-18 | 2023-07-18 | 太原理工大学 | Pcb表面缺陷检测方法、系统 |
-
2023
- 2023-12-26 CN CN202311800697.6A patent/CN117474904B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179263A (zh) * | 2020-01-06 | 2020-05-19 | 宜通世纪物联网研究院(广州)有限公司 | 一种工业图像表面缺陷检测模型、方法、系统及装置 |
CN111537517A (zh) * | 2020-05-18 | 2020-08-14 | 江汉大学 | 一种无人智能化冲压缺陷识别方法 |
US11150200B1 (en) * | 2020-06-15 | 2021-10-19 | Mitutoyo Corporation | Workpiece inspection and defect detection system indicating number of defect images for training |
CN111862097A (zh) * | 2020-09-24 | 2020-10-30 | 常州微亿智造科技有限公司 | 微小缺陷检出率的数据增强方法和装置 |
CN112446438A (zh) * | 2020-12-16 | 2021-03-05 | 常州微亿智造科技有限公司 | 一种工业物联网下的模型智能训练方法 |
CN114419029A (zh) * | 2022-03-11 | 2022-04-29 | 深圳艾灵网络有限公司 | 表面缺陷检测模型的训练方法、表面缺陷检测方法及装置 |
CN116452540A (zh) * | 2023-04-18 | 2023-07-18 | 太原理工大学 | Pcb表面缺陷检测方法、系统 |
Non-Patent Citations (2)
Title |
---|
何俊杰;肖可;刘畅;陈松岩;: "基于卷积神经网络的电路缺陷识别方法", 福建电脑, no. 02, 25 February 2018 (2018-02-25) * |
胡方尚;郭慧;: "基于改进多类支持向量机的印刷缺陷检测", 华东理工大学学报(自然科学版), no. 01, 28 February 2017 (2017-02-28) * |
Also Published As
Publication number | Publication date |
---|---|
CN117474904B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111970506B (zh) | 镜头脏污检测方法、装置和设备 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN106920245B (zh) | 一种边界检测的方法及装置 | |
JP2012032370A (ja) | 欠陥検出方法、欠陥検出装置、学習方法、プログラム、及び記録媒体 | |
JP5815878B2 (ja) | 印刷欠陥の検出 | |
CN112560698B (zh) | 图像处理方法、装置、设备和介质 | |
JP2012032369A (ja) | 欠陥識別方法、欠陥識別装置、プログラム、及び記録媒体 | |
JP4908440B2 (ja) | 画像処理装置及び方法 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN114170227B (zh) | 产品表面缺陷检测方法、装置、设备及存储介质 | |
US8873839B2 (en) | Apparatus of learning recognition dictionary, and method of learning recognition dictionary | |
CN113379680A (zh) | 缺陷检测方法、装置、电子设备和计算机可读存储介质 | |
CN114612469A (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
JP5750093B2 (ja) | ダイナミックグリッドによるバンドベースのパッチ選択 | |
CN114998290A (zh) | 基于有监督模式的织物瑕疵检测方法、装置、设备及介质 | |
CN111079730A (zh) | 一种在界面图中确定样图所在区域的方法和电子设备 | |
RU2636681C2 (ru) | Расширенный анализ для основанной на изображении оценки износа поликлинового ремня | |
CN117474904B (zh) | 工业缺陷检测方法、装置、设备及存储介质 | |
CN115984197A (zh) | 基于标准pcb图像的缺陷检测方法及相关装置 | |
CN110672631B (zh) | 面板缺陷拍照方法和面板缺陷拍照装置 | |
CN111414866A (zh) | 车辆申请表的检测方法、装置、计算机设备和存储介质 | |
WO2024095721A1 (ja) | 画像処理装置および画像処理方法 | |
CN116523803B (zh) | 图像处理方法、阴影去除方法、装置、设备和存储介质 | |
CN113117341B (zh) | 图片处理方法及装置、计算机可读存储介质、电子设备 | |
CN117474915B (zh) | 一种异常检测方法、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 |