CN117591691A - 数据库构建方法、装置、计算机设备和存储介质 - Google Patents
数据库构建方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117591691A CN117591691A CN202311591582.0A CN202311591582A CN117591691A CN 117591691 A CN117591691 A CN 117591691A CN 202311591582 A CN202311591582 A CN 202311591582A CN 117591691 A CN117591691 A CN 117591691A
- Authority
- CN
- China
- Prior art keywords
- defect
- image data
- shells
- target image
- information
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000007547 defect Effects 0.000 claims abstract description 428
- 238000002372 labelling Methods 0.000 claims abstract description 116
- 238000001514 detection method Methods 0.000 claims abstract description 82
- 238000012545 processing Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012858 packaging process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- YREOLPGEVLLKMB-UHFFFAOYSA-N 3-methylpyridin-1-ium-2-amine bromide hydrate Chemical compound O.[Br-].Cc1ccc[nH+]c1N YREOLPGEVLLKMB-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种数据库构建方法、装置、计算机设备和存储介质。方法包括:根据预设缺陷特征信息获取多种电路外壳的原始图像数据;对多种电路外壳的原始图像数据进行滤波处理和均衡处理,得到多种电路外壳的目标图像数据。对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息。根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库。本申请实施例,通过获取不同类型的电路外壳的原始图像数据,构建缺陷图像数据库,从而有利于提高基于该缺陷图像数据库训练得到的缺陷检测模型的电路外壳缺陷检测和分析的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种数据库构建方法、装置、计算机设备和存储介质。
背景技术
随着信息技术的快速发展,电子元器件产能扩增、产线增加,未来将会有越来越多微型化、集成化的元器件(或者简称为集成电路)进入电子产品以及通信系统中,其质量和可靠性水平会直接影响产品功能的实现。因此,对集成电路外观缺陷进行检测是非常重要的环节。
相关技术中,通常采用机器学习的方法来训练外观缺陷检测模型,以用于集成电路的外观缺陷检测。但是,相关技术中用于训练的外观缺陷图像数据库通常是为了满足个别研究机构的具体需求而创建的,其适用性较低,从而使得基于该外观缺陷图像数据库训练得到的缺陷检测模型的检测准确性不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高缺陷图像数据库的适用性的数据库构建方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种数据库构建方法,方法包括:
根据预设缺陷特征信息获取多种电路外壳的原始图像数据;
对多种电路外壳的原始图像数据进行滤波处理和均衡处理,得到多种电路外壳的目标图像数据;
对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息;其中,缺陷标注信息包括:缺陷类型信息和缺陷图标信息;
根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库。
在其中一个实施例中,预设缺陷特征信息用于指示多种预设缺陷特征,根据预设缺陷特征信息获取多种电路外壳的原始图像数据,包括:
获取至少一个图像采集设备采集的多种电路外壳的图像采集数据;
根据预设缺陷特征信息从多种电路外壳的图像采集数据中筛选出具有预设缺陷特征的多种电路外壳的原始图像数据。
在其中一个实施例中,预设缺陷特征信息用于指示多种预设缺陷特征,根据预设缺陷特征信息获取多种电路外壳的原始图像数据,包括:
根据预设缺陷特征信息从第三方获取具有预设缺陷特征的多种电路外壳的原始图像数据。
在其中一个实施例中,对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息,包括:
对于各电路外壳的目标图像数据,基于图像标注页面显示目标图像数据对应的目标图像;
接收缺陷标注指令,其中,缺陷标注指令中包括缺陷标注信息。
在其中一个实施例中,上述方法还包括:
根据缺陷图像数据库对初始缺陷检测模型进行模型训练和模型测试,得到目标缺陷检测模型。
在其中一个实施例中,上述方法还包括:
根据目标缺陷检测模型对缺陷图像数据库进行数据准确性验证,得到验证结果;其中,验证结果用于指示缺陷图像数据库的数据准确性。
在其中一个实施例中,对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息之前,上述方法还包括:
对于各电路外壳的目标图像数据,根据目标图像数据的图像尺寸信息和预设图像尺寸信息,对目标图像数据进行图像归一化处理,得到处理后的目标图像数据。
第二方面,本申请提供了一种数据库构建装置,装置包括:
获取模块,用于根据预设缺陷特征信息获取多种电路外壳的原始图像数据;
处理模块,用于对多种电路外壳的原始图像数据进行滤波处理和均衡处理,得到多种电路外壳的目标图像数据;
标注处理模块,用于对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息;其中,缺陷标注信息包括:缺陷类型信息和缺陷图标信息;
确定模块,用于根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库。
第三方面,本申请提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时以实现上述第一方面的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面的方法的步骤。
上述数据库构建方法、装置、计算机设备和存储介质,通过根据预设缺陷特征信息获取多种电路外壳的原始图像数据,并对多种电路外壳的原始图像数据进行滤波处理和均衡处理,得到多种电路外壳的目标图像数据。进一步地,对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息,并根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库;其中,缺陷标注信息包括:缺陷类型信息和缺陷图标信息。相对于相关技术中外观缺陷图像数据库通常是为了满足个别研究机构的具体需求而创建的方式,本申请实施例通过根据预设缺陷特征信息获取多种电路外壳的原始图像数据,可以准确地筛选出具有缺陷特征的图像数据,收集不同类型的电路外壳的原始图像数据,有利于提高图像数据库的准确性和可靠性。通过对多种电路外壳的原始图像数据进行滤波处理和均衡处理,可以得到优化后的目标图像数据,有利于提高缺陷标注和分析的效率。通过对多种电路外壳的目标图像数据进行缺陷标注处理,可以将图像中的缺陷区域准确地标记出来,有利于后续的算法能够更准确地定位和识别不同类型的缺陷。进一步地,通过根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库,由于缺陷图像数据库中包含多种类型的电路外观缺陷图像,因此可以满足大多数研究机构的具体需求,其适用性较高,从而有利于提高基于该缺陷图像数据库训练得到的缺陷检测模型的电路外壳缺陷检测和分析的准确性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,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获得其他的附图。
图1为本申请一个实施例中数据库构建方法的实施环境示意图;
图2为本申请一个实施例中数据库构建方法的流程示意图;
图3为本申请一个实施例中多种电路外壳预设缺陷特征信息中划痕缺陷特征示意图;
图4为本申请一个实施例中多种电路外壳预设缺陷特征信息中擦伤缺陷特征示意图;
图5为本申请一个实施例中多种电路外壳预设缺陷特征信息中凹陷缺陷特征示意图;
图6为本申请一个实施例中多种电路外壳预设缺陷特征信息中污渍缺陷特征示意图;
图7为本申请一个实施例中多种电路外壳的目标图像数据的缺陷标注信息示意图;
图8为本申请另一个实施例中数据库构建方法的流程示意图;
图9为本申请另一个实施例中数据库构建方法的流程示意图;
图10为本申请另一个实施例中数据库构建方法的流程示意图;
图11为本申请一个实施例中基于预设缺陷检测模型的划痕缺陷检测图像结果示意图;
图12为本申请一个实施例中基于预设缺陷检测模型的擦伤缺陷检测图像结果示意图;
图13为本申请一个实施例中基于预设缺陷检测模型的污渍缺陷检测图像结果示意图;
图14为本申请一个实施例中基于预设缺陷检测模型的凹陷缺陷检测图像结果示意图;
图15为本申请一个实施例中提供的数据库构建方法的整体流程示意图一;
图16为本申请一个实施例中提供的数据库构建方法的整体流程示意图二;
图17为本申请一个实施例中数据库构建装置的结构示意图;
图18为本申请一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的数据库构建方法、装置、计算机设备和存储介质,可以应用于电路外壳的缺陷图像数据库构建的应用场景;当然还可以应用于其他场景,本申请实施例中对此并不作限定。
需要说明的是,以下实施例为了方便说明,以本申请实施例的数据库构建方法应用于电路外壳的缺陷图像数据库构建场景为例进行说明。应理解,当本申请实施例的数据库构建方法应用于其他场景时,其实现原理和技术效果类似。
相关技术中,绝大多数电路外壳缺陷图像数据库是根据个别研究室或研究机构的需要而建立,各单位间很少有资源整合,存在部分类别缺陷图像缺失、缺陷图像数据不充分、训练数据分布不均以及测试数据不标准等问题。因此,使得缺陷图像数据库的适用性较低,从而导致缺陷检测模型的检测准确性不高。
图1为本申请一个实施例中数据库构建方法的实施环境示意图,如图1所示,该实施环境可以包括:终端101和服务器102;其中,终端101通过网络可以与服务器102进行通信,终端101可以包括但不限于各种个人计算机、笔记本电脑、智能手机和平板电脑。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。数据存储系统可以存储服务器102需要处理的多种电路外壳的原始图像数据、多种电路外壳的目标图像数据和缺陷图像数据库等。数据存储系统可以集成在服务器102上,也可以放在云上或其他网络服务器上。
结合图1所示的实施环境,本申请实施例中,服务器102可以根据预设缺陷特征信息获取多种电路外壳的原始图像数据;服务器102可以对多种电路外壳的原始图像数据进行滤波处理和均衡处理,得到多种电路外壳的目标图像数据。进一步地,服务器102可以对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息;服务器102根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库,并将陷图像数据库发送给终端101。
本申请实施例提供的数据库构建方法、装置、计算机设备和存储介质,通过根据预设缺陷特征信息获取多种电路外壳的原始图像数据,可以准确地筛选出具有缺陷特征的图像数据,收集不同类型的电路外壳的原始图像数据,有利于提高图像数据库的准确性和可靠性。通过对多种电路外壳的原始图像数据进行滤波处理和均衡处理,可以得到优化后的目标图像数据,有利于提高缺陷标注和分析的效率。通过对多种电路外壳的目标图像数据进行缺陷标注处理,可以将图像中的缺陷区域准确地标记出来,有利于后续的算法能够更准确地定位和识别不同类型的缺陷。进一步地,通过根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库,由于缺陷图像数据库中包含多种电路外观缺陷图像,因此可以满足大多数研究机构的具体需求,通过基于该数据库对缺陷检测模型进行训练,可以提高电路外壳缺陷检测和分析的准确性。
在一个实施例中,图2为本申请一个实施例中数据库构建方法的流程示意图,本申请实施例中以该方法应用于图1中的服务器为例进行说明。如图2所示,本申请实施例的方法可以包括以下步骤。
步骤S201,根据预设缺陷特征信息获取多种电路外壳的原始图像数据。
示例性地,本申请实施例中涉及的预设缺陷特征信息用于指示多种预设缺陷特征。预设缺陷特征信息可以包括但不限于以下至少一项:划痕缺陷特征、擦伤缺陷特征、凹陷缺陷特征、污渍缺陷特征等。
示例性地,本申请实施例中涉及的多种电路外壳的原始图像数据是指多种不同尺寸、不同形状和/或不同制造工艺的电路外壳样品图像对应的图像数据。
图3为本申请一个实施例中多种电路外壳预设缺陷特征信息中划痕缺陷特征示意图,如图3所示,划痕缺陷特征是元器件在塑封过程中,由于中心基板和引脚表面材料硬度较低,在经过多道工艺加工后,与较尖锐的物体发生碰撞,导致元器面出现外形接近细长线段的缺陷;其特征信息为灰度值与壳体近似,形状接近条形。
图4为本申请一个实施例中多种电路外壳预设缺陷特征信息中擦伤缺陷特征示意图,如图4所示,擦伤缺陷特征与划痕缺陷特征产生过程相似,但该缺陷是与表面较为粗糙的金属物碰撞产生,多为面积较大且由多条细长线段所组成的缺陷;其特征信息为灰度值与壳体近似,面积大,形状无规律。
图5为本申请一个实施例中多种电路外壳预设缺陷特征信息中凹陷缺陷特征示意图,如图5所示,凹陷缺陷特征是在塑封过程中,由于速度、压力等原因导致元器件表面出现外形接近圆状的缺陷。其特征信息灰度值与壳体近似,形状接近圆形。
图6为本申请一个实施例中多种电路外壳预设缺陷特征信息中污渍缺陷特征示意图,如图6所示,污渍缺陷特征是元器件在生产或者运输过程中被污物粘上,其特征信息为颜色比壳体深,形状不固定。
本步骤中,服务器可以根据预设的缺陷特征信息获取多种类型电路外壳的原始图像数据。其中,预设缺陷特征信息可以包括多种缺陷特征类型,如划痕缺陷特征、擦伤缺陷特征、凹陷缺陷特征、污渍缺陷特征等。
本申请实施例中,通过根据预设缺陷特征信息,使得获取的原始图像数据具有多样性和全面性,涵盖了各种可能的缺陷情况,有利于准确地获取到各种不同类型的电路外壳缺陷。
步骤S202,对多种电路外壳的原始图像数据进行滤波处理和均衡处理,得到多种电路外壳的目标图像数据。
示例性地,本申请实施例中涉及的滤波处理是指使用预设的滤波算法去除图像中的噪声、干扰和不必要的细节。其中,滤波处理的方法可以包括但不限于高斯滤波、中值滤波,或者双边滤波器等。
示例性地,本申请实施例中涉及的均衡处理是指使用预设的均衡处理算法调整图像的亮度和对比度。其中,均衡处理的方法可以包括但不限于直方图均衡化、自适应均衡化、对比度增强等。
本步骤中,由于采集到的图像可能存在噪声、模糊等质量问题,服务器可以对多种电路外壳的原始图像数据进行滤波处理和均衡处理,从而可以得到多种电路外壳的目标图像数据。可见,本申请实施例中,通过对原始图像数据进行滤波处理,可以减少图像中的噪声以及其他不必要的干扰,提高图像的质量和清晰度。通过对原始图像数据进行均衡处理,可以增强图像的对比度和亮度,使得图像更易于观察和分析。
步骤S203,对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息。
示例性地,本申请实施例中涉及的缺陷标注处理用于指示使用专业的标注工具,如标注软件(LableImg)或平台,对电路外壳图像进行分析、处理和标记,以识别和记录图像中出现的任何缺陷或特定特征。
图7为本申请一个实施例中多种电路外壳的目标图像数据的缺陷标注信息示意图,示例性地,本申请实施例中涉及的缺陷标注信息用于指示使用专业标注工具对元器件外观图像中的缺陷部分进行标注后获得的信息;缺陷标注信息可以包括但不限于缺陷类型信息和缺陷图标信息。
其中,缺陷图标信息可以包括但不限于缺陷图标尺寸信息和缺陷图标位置信息。缺陷类型信息用于指示以下至少一项:划痕类型、凹陷类型、擦伤类型、污渍类型。
本步骤中,服务器可以通过对多种电路外壳的目标图像数据进行缺陷标注处理,从而可以得到多种电路外壳的目标图像数据的缺陷标注信息。可见,本申请实施例中,通过对多种电路外壳的目标图像数据进行缺陷标注处理,可以准确地识别电路外壳的目标图像数据中的缺陷。通过获取缺陷标注信息,可以更加直观地观察到不同电路外壳的缺陷,从而可以更准确地分析不同电路外壳的缺陷类型和位置。
步骤S204,根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库。
示例性地,本申请实施例中涉及的缺陷图像数据库用于指示将获取到的不同电路外壳的缺陷图像进行统一的组织和存储,使得数据管理更加有效,可以确保数据的完整性、可用性和一致性。
本步骤中,服务器可以根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库。由于缺陷图像数据库中包含多种类型的电路外观缺陷图像,因此可以满足大多数研究机构的具体需求,通过基于该数据库对缺陷检测模型进行训练,可以提高电路外壳缺陷检测和分析的准确性。
以下,对将多种电路外壳的目标图像数据以及对应的缺陷标注信息进行存储得到缺陷图像数据库作示例性地介绍说明。
一种可能的实现方式中,在获取到多种电路外壳的目标图像数据以及对应的缺陷标注信息之后,按照电路外壳的类型进行存储,得到缺陷图像数据库。
本实现方式中,服务器可以按照电路外壳的类型进行存储,从而得到缺陷图像数据库。通过按照不同电路外壳产品的型号或规格来存储缺陷图像,可以准确快速地检索和比较相同类型电路外壳的不同缺陷。
另一种可能的实现方式中,在获取到多种电路外壳的目标图像数据以及对应的缺陷标注信息之后,按照电路外壳缺陷的类型进行存储,得到缺陷图像数据库。
本实现方式中,服务器可以按照电路外壳缺陷的类型进行存储,从而得到缺陷图像数据库。通过将缺陷图像数据库按照缺陷的类型进行分类存储,有利于分析识别同一类型缺陷的特征信息。
另一种可能的实现方式中,在获取到多种电路外壳的目标图像数据以及对应的缺陷标注信息之后,将电路外壳的类型和电路外壳缺陷的类型二者进行结合,得到缺陷图像数据库。例如,一级分类按照电路外壳的类型进行存储,二级分类是按照电路外壳缺陷的类型进行存储,得到缺陷图像数据库。又例如,一级分类按照电路外壳缺陷的类型进行存储,二级分类是按照电路外壳的类型进行存储,得到缺陷图像数据库。
本实现方式中,服务器可以将电路外壳的类型和电路外壳缺陷的类型二者进行结合,从而得到缺陷图像数据库。通过结合电路外壳的类型和缺陷的类型,可以提供更详细的分类和检索,同时有利于分析电路外壳类型和缺陷类型的关联。
这样,通过上述任一实施方式,服务器可以通过预设的存储方式将多种电路外壳的目标图像数据以及对应的缺陷标注信息进行存储,得到缺陷图像数据库。
上述数据库构建方法中,通过根据预设缺陷特征信息获取多种电路外壳的原始图像数据,并对多种电路外壳的原始图像数据进行滤波处理和均衡处理,得到多种电路外壳的目标图像数据。进一步地,对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息,并根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库;本申请实施例通过根据预设缺陷特征信息获取多种电路外壳的原始图像数据,可以准确地筛选出具有缺陷特征的图像数据,收集不同类型的电路外壳的原始图像数据,有利于提高图像数据库的准确性和可靠性。通过对多种电路外壳的原始图像数据进行滤波处理和均衡处理,可以得到优化后的目标图像数据,有利于提高缺陷标注和分析的效率。通过对多种电路外壳的目标图像数据进行缺陷标注处理,可以将图像中的缺陷区域准确地标记出来,有利于后续的算法能够更准确地定位和识别不同类型的缺陷。进一步地,通过根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库,由于缺陷图像数据库中包含多种电路外观缺陷图像,因此可以满足大多数研究机构的具体需求,通过基于该数据库对缺陷检测模型进行训练,可以提高电路外壳缺陷检测和分析的准确性。
在一个实施例中,在上述实施例的基础上,图8为本申请另一个实施例中数据库构建方法的流程示意图,本申请实施例中对上述实施例中涉及的步骤S201中根据预设缺陷特征信息获取多种电路外壳的原始图像数据的一种可能实现方式作示例性地介绍说明。本申请实施例的方法可以包括以下步骤。
步骤S2011,获取至少一个图像采集设备采集的多种电路外壳的图像采集数据。
示例性地,本申请实施例中涉及的图像采集设备可以包括但不限于光学摄像头采集设备、光学显微镜采集设备等。光学摄像头采集设备可以调整光源、焦距等参数采集到高分辨率的清晰图像,光学显微镜采集设备可以通过调整放大倍数来观察微小元器件或元器件的微小缺陷。
其中,光学摄像头采集设备用于拍摄尺寸较大的样品,具备数据保存、传输以及管理功能;光学显微镜采集设备用于拍摄尺寸较小样品。拍摄要求和条件均按照按GJB548B-2005电子设备环境试验通则方法2009要求进行,并放大相应的倍数(例如1.5~100)进行拍摄并收集。
本步骤中,服务器可以通过至少一个图像采集设备,获取采集的多种电路外壳的图像采集数据。通过不同的图像采集设备,可以获得丰富的图像数据,涵盖了不同光照条件、焦距以及放大倍数下的电路外壳图像,从而能够更全面地了解电路外壳的特性和细节。
步骤S2012,根据预设缺陷特征信息从多种电路外壳的图像采集数据中筛选出具有预设缺陷特征的多种电路外壳的原始图像数据。
本步骤中,服务器可以根据预设的缺陷特征信息,从不同的图像采集设备中获取的多种电路外壳的图像采集数据中筛选出具有预设缺陷特征的多种电路外壳的原始图像数据。
可选的,服务器可以通过计算相似度的方式,根据预设的缺陷特征信息,从电路外壳的图像数据中筛选出具有预设缺陷特征的多种电路外壳的原始图像数据。
例如,假设要筛选出具有划痕缺陷特征的电路外壳图像,服务器可以使用边缘检测算法进行特征提取,以提取图像中的边缘信息,因为划痕通常会导致图像中边缘的不规则性。进一步地,服务器可以将边缘信息表示为特征向量,例如,可以考虑边缘的长度、密度等。进一步地,对于每个图像,服务器可以计算边缘特征与预设划痕缺陷特征的相似度,并将相似度高于预设相似度阈值的图像筛选出来,这些图像即具有预设划痕缺陷特征的电路外壳原始图像数据。例如,预设相似度阈值可以设置为0.8。
可见,本申请实施例中,通过预设的缺陷特征信息筛选出具有预设缺陷特征的多种电路外壳的原始图像数据,提高了筛选电路外壳的原始图像数据的缺陷类型的准确性,从而可以更准确地筛选和分析多种电路外壳图像数据。
本申请实施例中,服务器可以通过不同的图像采集设备,获取采集的多种电路外壳的图像采集数据,从而可以更全面地了解电路外壳的特性和细节。进一步地,通过预设的缺陷特征信息筛选出具有预设缺陷特征的多种电路外壳的原始图像数据,提高了筛选电路外壳的原始图像数据的缺陷类型的准确性,从而可以更有效地筛选和分析电路外壳图像数据。
在一个实施例中,在上述实施例的基础上,本申请实施例中对上述实施例中涉及的步骤S201中根据预设缺陷特征信息获取多种电路外壳的原始图像数据的另一种可能实现方式作示例性地介绍说明。本申请实施例的方法可以包括以下步骤。
根据预设缺陷特征信息从第三方获取具有预设缺陷特征的多种电路外壳的原始图像数据。
示例性地,本申请实施例中涉及的第三方用于指示网络或者其他预设的设备。
本步骤中,服务器可以根据预设缺陷特征信息从网络或者其他预设的设备中获取具有预设缺陷特征的多种电路外壳的原始图像数据。可见,本申请实施例中,服务器可以通过从网络或者其他预设的设备中获取具有预设缺陷特征的多种电路外壳的原始图像数据,可以快速有效地获取具有特定缺陷特征的电路外壳图像数据,而无需自己采集数据,从而可以提高电路外壳图像数据获取的效率和准确性。
在一个实施例中,在上述实施例的基础上,图9为本申请另一个实施例中数据库构建方法的流程示意图,本申请实施例中对上述实施例中涉及的步骤S203中对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息的相关内容作示例性地介绍说明。本申请实施例的方法可以包括以下步骤。
步骤S2031,对于各电路外壳的目标图像数据,基于图像标注页面显示目标图像数据对应的目标图像。
示例性地,本申请实施例中涉及的图像标注页面是指图像标注软件上的显示页面,用于显示目标图像数据对应的目标图像,并提供工具供标注人员进行缺陷标注。
本步骤中,对于各电路外壳的目标图像数据对应的目标图像,服务器可以基于图像标注页面显示目标图像数据对应的目标图像,以便于标注人员可以对各电路外壳的目标图像数据进行清晰地观察和缺陷标注。
一种可能的实现方式,服务器可以通过标注工具中的标注页面显示目标图像数据对应的目标图像,以便于标注人员可以在标注页面上输入缺陷标注指令,以对目标图像上标注缺陷或执行其他标注任务。
本实现方式中,服务器可以通过标注工具中的标注页面直接显示目标图像数据,以便于标注人员可以在标注页面上输入缺陷标注指令,以对目标图像上标注缺陷或执行其他标注任务。这种在服务器进行显示的方式有利于集中控制,可以确保标注人员在相同的环境中观察和标注图像,提高标注的一致性。
另一种可能的实现方式,服务器可以将目标图像数据传输到标注人员对应的终端,以便于标注人员在本地对目标图像数据对应的目标图像进行观察和输入缺陷标注指令。进一步地,服务器还可以接收标注人员在完成标注后通过终端上传的缺陷标注信息,以便于服务器进行集中管理和分析。
本实现方式中,服务器可以将目标图像数据传输到标注人员的终端,让标注人员在本地观察和输入缺陷标注指令。通过这种方式,标注人员可以在自己的终端上观察和标注图像,增加了标注操作的灵活性。
步骤S2032,接收缺陷标注指令。
示例性地,本申请实施例中涉及的缺陷标注指令是指标注人员在图像标注工具或平台上进行缺陷标注的指令;其中,缺陷标注指令中可以包括但不限于缺陷标注信息、缺陷标注日期等。
本步骤中,服务器可以接收到标注人员对各电路外壳的目标图像数据进行标注的缺陷标注指令。通过接收到相应的缺陷标注指令,服务器可以通过图像标注工具或平台上进行缺陷标注,有利于提高标注数据的质量和整体效率。
进一步地,缺陷标注处理完成后,服务器还可以接收到审核员对多种电路外壳的目标图像数据进行校对和统计后带有标注信息的图像数据。
本申请实施例中,通过显示目标图像数据对应的目标图像,可以使标注人员更加直观地观察电路外壳的图像,了解需要进行标注的对象。进一步地,服务器通过接收到相应的缺陷标注指令,可以在图像标注工具或平台上有效地进行执行缺陷标注任务,有利于提高标注数据的质量和整体效率。
在一个实施例中,在上述实施例的基础上,图10为本申请另一个实施例中数据库构建方法的流程示意图,本申请实施例中对上述实施例中涉及的步骤S204中得到缺陷图像数据库之后的适用性验证的相关内容作示例性地介绍说明。本申请实施例的方法可以包括以下步骤。
步骤S301,根据缺陷图像数据库对初始缺陷检测模型进行模型训练和模型测试,得到目标缺陷检测模型。
示例性地,本申请实施例中涉及的缺陷检测模型是基于多种深度学习网络构建的检测模型。其中,缺陷检测模型可以分为单阶段缺陷检测模型和二阶段缺陷检测模型;二阶段检测模型是生成候选区域后再通过分类、回归等方法对网络进行微调,算法精确度较高;单阶段检测模型通过骨干网络抽取输入图像特征,直接生成物体边界框,具有实时性高,端到端优化等优势。
如表1所示,主要介绍了多种目标缺陷检测模型的主干网络、框架和适用场景。其中,目标缺陷检测模型可以包括但不限于一下至少一种:更快区域卷积神经网络(FasterRegion Convolutional Neural Network,Faster R-CNN)、单次多边框检测(Single ShotMutiBox Detectior,SSD)、全卷积单阶段目标检测(Fully Convolutional One-StageObject Detection,FCOS)、只看一次模型(You Only Look Once,YOLO-v5)、YOLO-X,具体不作限定。
表1目标缺陷检测模型
本步骤中,服务器可以通过缺陷图像数据库,对预设的初始缺陷检测模型进行训练,将模型输出的结果与缺陷图像数据库中相应图像数据对应的缺陷信息进行比较,根据比较的结果,对模型进行初始的调整。进一步地,服务器可以对调整后的缺陷检测模型进行测试,并根据测试结果对调整后的缺陷检测模型进行调优和改进,可以包括但不限于调整超参数、增加训练数据、改进数据预处理等操作,从而可以提高缺陷检测模型性能。
步骤S302,根据目标缺陷检测模型对缺陷图像数据库进行数据准确性验证,得到验证结果。
示例性地,本申请实施例中涉及的验证结果用于指示缺陷图像数据库的数据准确性。例如,数据准确性可以采用精确度(Precision,P)、召回率(Recall,R)、各类别平均精度(Average Precision,AP)、平均精确度平均值(mean Average Precision,mAP)等评估指标进行验证。
例如,为了验证多种网络模型在缺陷图像数据库上的可用性,从众多集成电路外观图像中挑选423张具有缺陷的图像数据进行数据标注并生成缺陷图像数据库,图像分辨率为640×640,并将缺陷图像数据库拆分为三部分,分别用于训练(296张图片)、验证(85张图片)和测试(42张图片)。实验评估指标采用AP和mAP,其中,APhh表示划痕缺陷的平均检测精度,APax表示凹陷缺陷的平均检测精度,APcs表示擦伤缺陷的平均检测精度,APwz表示污渍缺陷的平均检测精度。
示例性地,本申请实施例中涉及的AP计算方程可以表示为:
其中,TP表示模型正确地预测为正类别且实际上是正类别的样本数量;FP表示模型错误地预测为正类别但实际上是负类别的样本数量;P表示实际上是正类别的样本总数;AP表示各类别的平均精度。
当然,AP计算方程还可以表示为上述公式(1)的其他变形或等效公式。
示例性地,本申请实施例中涉及的mAP计算的公式可以表示为:
其中,c表示总缺陷类别数,j表示缺陷类别。
当然,mAP计算的公式还可以表示为上述公式(2)的其他变形或等效公式。
示例性地,实验结果如表2、表3所示。
表2每一类缺陷的AP值
网络模型 | 主干网络 | APhh | APax | APcs | APwz |
Faster R-CNN | Resnet50 | 97.59% | 66.66% | 95.99% | 81.25% |
FCOS | Resnet50 | 98.09% | 98.19% | 78.75% | 89.81% |
SDD | VGG16 | 95.17% | 96.81% | 62.50% | 90.83% |
YOLO-v5 | CSPDarknet+Focus | 98.62% | 92.34% | 86.11% | 89.60% |
YOLO-X | CSPDarknet+Focus | 96.78% | 95.04% | 74.31% | 93.94% |
表3不同网络模型的mAP值
网络模型 | mAP |
Faster R-CNN | 85.37% |
FCOS | 91.21% |
SDD | 86.33% |
YOLO-v5 | 91.67% |
YOLO-X | 90.02% |
由实验结果可知,以上5个网络模型在缺陷图像数据库上都表现了一定的可用性,其中,基于CSPDarknet+Focus主干网络的YOLO-v5算法实现了最高的mAP值(91.67%),图11为本申请一个实施例中基于预设缺陷检测模型的划痕缺陷检测图像结果示意图,其中,预设缺陷检测模型可以包括但不限于YOLO-v5、YOLO-X、Faster R-CNN等。如图11所示,通过构建的缺陷图像数据库对缺陷检测模型进行训练,可以准确地标注出电路外壳的划痕缺陷。图12为本申请一个实施例中基于预设缺陷检测模型的擦伤缺陷检测图像结果示意图,如图12所示,通过构建的缺陷图像数据库对缺陷检测模型进行训练,可以准确地标注出电路外壳的擦伤缺陷。图13为本申请一个实施例中基于预设缺陷检测模型的污渍缺陷检测图像结果示意图,如图13所示,通过构建的缺陷图像数据库对缺陷检测模型进行训练,可以准确地标注出电路外壳的污渍缺陷。图14为本申请一个实施例中基于预设缺陷检测模型的凹陷缺陷检测图像结果示意图;如图14所示,通过构建的缺陷图像数据库对缺陷检测模型进行训练,可以准确地标注出电路外壳的凹陷缺陷。
本步骤中,服务器可以根据多种不同的目标缺陷检测模型对缺陷图像数据库进行数据准确性验证,根据多种评价指标从而得到验证结果。通过评价指标对缺陷图像数据库的准确性进行验证,制定了标准的数据库验证规则,可以更好地了解构建缺陷图像数据库的通用性。
本申请实施例中,服务器可以通过缺陷图像数据库,对预设的初始缺陷检测模型进行训练,将模型输出的结果与缺陷图像数据库中相应图像数据对应的缺陷信息进行比较,根据比较的结果,对模型进行初始的调整。进一步地,对调整后的缺陷检测模型进行测试,根据测试结果,对调整后的缺陷检测模型进行调优和改进,从而可以提高缺陷检测模型性能。进一步地,服务器可以通过评价指标对缺陷图像数据库的准确性进行验证,可以更好地了解构建缺陷图像数据库的通用性,从而可以提高基于该外观缺陷图像数据库训练得到的缺陷检测模型的检测准确性。
在一个实施例中,在上述实施例的基础上,本申请实施例中对上述实施例中涉及的步骤S203中对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息之前的步骤作示例性地介绍说明。本申请实施例的方法可以包括以下步骤。
对于各电路外壳的目标图像数据,根据目标图像数据的图像尺寸信息和预设图像尺寸信息,对目标图像数据进行图像归一化处理,得到处理后的目标图像数据。
示例性地,本申请实施例中涉及的图像尺寸信息可以包括但不限于图像的宽度、高度、像素等。
示例性地,服务器可以计算目标图像数据的图像尺寸信息,根据目标图像数据的图像尺寸信息和预设图像尺寸信息确定缩放比例,从而可以将目标图像的尺寸调整为预设图像尺寸信息。进一步地,由于调整图像尺寸后可能会导致图像不完全填充预设图像尺寸的情况,服务器可以通过在图像周围添加空白像素对图像进行填充以填满整个目标尺寸。例如,服务器可以将目标图像A的大小归一化为640X640像素,得到处理后的目标图像数据A。
本步骤中,服务器可以根据预设图像尺寸信息对每个目标图像数据进行归一化处理,得到图像尺寸大小相同的目标图像。通过图像尺寸归一化处理,可以确保缺陷检测模型接收一致尺寸的输入,有利于缺陷检测模型更好地学习特征并提高其泛化能力。进一步地,归一化后的图像也可以减少形变,保留图像的几何信息,避免图像拉伸或压缩,从而可以提高缺陷检测模型的性能。
在一个实施例中,在上述实施例的基础上,本申请实施例中提供了一种数据库构建方法的整体流程示意图。图15为本申请一个实施例中提供的数据库构建方法的整体流程示意图一,图16为本申请一个实施例中提供的数据库构建方法的整体流程示意图二,如图15和图16所示,该方法可以包括以下步骤。
步骤S401,服务器根据预设缺陷特征信息获取多种电路外壳的原始图像数据。
一种可能实现的方式,获取至少一个图像采集设备采集的多种电路外壳的图像采集数据;并根据预设缺陷特征信息从多种电路外壳的图像采集数据中筛选出具有预设缺陷特征的多种电路外壳的原始图像数据。其中,图像采集设备可以包括但不限于光学摄像头、显微镜等。
另一种可能实现的方式,根据预设缺陷特征信息从第三方设备获取具有预设缺陷特征的多种电路外壳的原始图像数据。
步骤S402,服务器对多种电路外壳的原始图像数据进行滤波处理和均衡处理,得到多种电路外壳的目标图像数据。
步骤S403,对于各电路外壳的目标图像数据,服务器根据目标图像数据的图像尺寸信息和预设图像尺寸信息,对目标图像数据进行图像归一化处理,得到处理后的目标图像数据。
步骤S404,对于各电路外壳处理后的目标图像数据,服务器基于图像标注页面显示目标图像数据对应的目标图像。
步骤S405,服务器接收缺陷标注指令。其中,缺陷标注指令中包括缺陷标注信息。
步骤S406,服务器根据多种电路外壳处理后的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库。
步骤S407,服务器根据缺陷图像数据库对初始缺陷检测模型进行模型训练和模型测试,得到目标缺陷检测模型。
步骤S408,服务器根据目标缺陷检测模型对缺陷图像数据库进行数据准确性验证,得到验证结果。
需要说明的是,本申请实施例中的各步骤的可实现方式和技术效果,可以参考上述实施例中的相关内容,此处不再赘述。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的数据库构建方法的数据库构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个数据库构建装置实施例中的具体限定可以参见上文中对于数据库构建方法的限定,在此不再赘述。
在一个实施例中,图17为本申请一个实施例中数据库构建装置的结构示意图,本申请实施例提供的数据库构建装置可以应用于服务器中。如图17所示,本申请实施例的数据库构建装置,可以包括:获取模块1701、处理模块1702、标注处理模块1703和第一确定模块1704,其中:
获取模块1701,用于根据预设缺陷特征信息获取多种电路外壳的原始图像数据;
处理模块1702,用于对多种电路外壳的原始图像数据进行滤波处理和均衡处理,得到多种电路外壳的目标图像数据;
标注处理模块1703,用于对多种电路外壳的目标图像数据进行缺陷标注处理,得到多种电路外壳的目标图像数据的缺陷标注信息;其中,缺陷标注信息包括:缺陷类型信息和缺陷图标信息;
第一确定模块1704,用于根据多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库。
本实施例提供的数据库构建装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,预设缺陷特征信息用于指示多种预设缺陷特征,上述获取模块1701具体用于:
获取至少一个图像采集设备采集的多种电路外壳的图像采集数据;
根据预设缺陷特征信息从多种电路外壳的图像采集数据中筛选出具有预设缺陷特征的多种电路外壳的原始图像数据。
本实施例提供的数据库构建装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,预设缺陷特征信息用于指示多种预设缺陷特征,上述获取模块1701具体用于:
根据预设缺陷特征信息从第三方获取具有预设缺陷特征的多种电路外壳的原始图像数据。
本实施例提供的数据库构建装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,上述标注处理模块1703具体用于:
对于各电路外壳的目标图像数据,基于图像标注页面显示目标图像数据对应的目标图像;
接收缺陷标注指令,其中,缺陷标注指令中包括缺陷标注信息。
本实施例提供的数据库构建装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,上述数据库构建装置,还可以包括第二确定模块,其中:
第二确定模块,用于根据缺陷图像数据库对初始缺陷检测模型进行模型训练和模型测试,得到目标缺陷检测模型。
本实施例提供的数据库构建装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,上述数据库构建装置,还可以包括验证模块,其中:
验证模块,用于根据目标缺陷检测模型对缺陷图像数据库进行数据准确性验证,得到验证结果;其中,验证结果用于指示缺陷图像数据库的数据准确性。
本实施例提供的数据库构建装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,上述标注处理模块1703之前,还可以包括归一化处理模块,其中:
归一化处理模块,用于对于各电路外壳的目标图像数据,根据目标图像数据的图像尺寸信息和预设图像尺寸信息,对目标图像数据进行图像归一化处理,得到处理后的目标图像数据。
本实施例提供的数据库构建装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
上述数据库构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图18所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储获取到的多种电路外壳的原始图像数据等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本申请上述实施例中提供的数据库构建方法。
本领域技术人员可以理解,图18中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请上述数据库构建方法实施例中关于服务器的技术方案,其实现原理和技术效果类似,此处不再赘述。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本申请上述数据库构建方法实施例中关于服务器的技术方案,其实现原理和技术效果类似,此处不再赘述。
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,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(FerroelectricRandom Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandom Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种数据库构建方法,其特征在于,所述方法包括:
根据预设缺陷特征信息获取多种电路外壳的原始图像数据;
对所述多种电路外壳的原始图像数据进行滤波处理和均衡处理,得到所述多种电路外壳的目标图像数据;
对所述多种电路外壳的目标图像数据进行缺陷标注处理,得到所述多种电路外壳的目标图像数据的缺陷标注信息;其中,所述缺陷标注信息包括:缺陷类型信息和缺陷图标信息;
根据所述多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库。
2.根据权利要求1所述的方法,其特征在于,所述预设缺陷特征信息用于指示多种预设缺陷特征,所述根据预设缺陷特征信息获取多种电路外壳的原始图像数据,包括:
获取至少一个图像采集设备采集的所述多种电路外壳的图像采集数据;
根据所述预设缺陷特征信息从所述多种电路外壳的图像采集数据中筛选出具有所述预设缺陷特征的所述多种电路外壳的原始图像数据。
3.根据权利要求1所述的方法,其特征在于,所述预设缺陷特征信息用于指示多种预设缺陷特征,所述根据预设缺陷特征信息获取多种电路外壳的原始图像数据,包括:
根据所述预设缺陷特征信息从第三方获取具有所述预设缺陷特征的所述多种电路外壳的原始图像数据。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述对所述多种电路外壳的目标图像数据进行缺陷标注处理,得到所述多种电路外壳的目标图像数据的缺陷标注信息,包括:
对于各所述电路外壳的目标图像数据,基于图像标注页面显示所述目标图像数据对应的目标图像;
接收缺陷标注指令,其中,所述缺陷标注指令中包括所述缺陷标注信息。
5.根据权利要求1-3中任一项所述的方法,其特征在于,所述方法还包括:
根据所述缺陷图像数据库对初始缺陷检测模型进行模型训练和模型测试,得到目标缺陷检测模型。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据所述目标缺陷检测模型对所述缺陷图像数据库进行数据准确性验证,得到验证结果;其中,所述验证结果用于指示所述缺陷图像数据库的数据准确性。
7.根据权利要求1-3中任一项所述的方法,其特征在于,所述对所述多种电路外壳的目标图像数据进行缺陷标注处理,得到所述多种电路外壳的目标图像数据的缺陷标注信息之前,所述方法还包括:
对于各所述电路外壳的目标图像数据,根据所述目标图像数据的图像尺寸信息和预设图像尺寸信息,对所述目标图像数据进行图像归一化处理,得到处理后的目标图像数据。
8.一种数据库构建装置,其特征在于,所述装置包括:
获取模块,用于根据预设缺陷特征信息获取多种电路外壳的原始图像数据;
处理模块,用于对所述多种电路外壳的原始图像数据进行滤波处理和均衡处理,得到所述多种电路外壳的目标图像数据;
标注处理模块,用于对所述多种电路外壳的目标图像数据进行缺陷标注处理,得到所述多种电路外壳的目标图像数据的缺陷标注信息;其中,所述缺陷标注信息包括:缺陷类型信息和缺陷图标信息;
确定模块,用于根据所述多种电路外壳的目标图像数据以及对应的缺陷标注信息,得到缺陷图像数据库。
9.一种计算机设备,包括存储器、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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任意一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311591582.0A CN117591691A (zh) | 2023-11-24 | 2023-11-24 | 数据库构建方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311591582.0A CN117591691A (zh) | 2023-11-24 | 2023-11-24 | 数据库构建方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117591691A true CN117591691A (zh) | 2024-02-23 |
Family
ID=89919615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311591582.0A Pending CN117591691A (zh) | 2023-11-24 | 2023-11-24 | 数据库构建方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117591691A (zh) |
-
2023
- 2023-11-24 CN CN202311591582.0A patent/CN117591691A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403424B (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN107392218B (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
CN111598825B (zh) | 数据处理方法、瑕疵的检测方法、计算设备及存储介质 | |
US20150287168A1 (en) | Duplicate check image resolution | |
CN112580668B (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、系统、设备及介质 | |
CN111680750B (zh) | 图像识别方法、装置和设备 | |
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 | |
CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
CN115526892B (zh) | 基于三维重建的图像缺陷去重检测方法和装置 | |
CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN112668462B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN111950566A (zh) | 一种旋转不变的hog红外图像电力设备识别方法 | |
CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN110766027A (zh) | 图像的区域定位方法和目标区域定位模型的训练方法 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN112597909A (zh) | 一种用于人脸图片质量评价的方法与设备 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN117011216A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN117591691A (zh) | 数据库构建方法、装置、计算机设备和存储介质 | |
CN115374517A (zh) | 布线软件的测试方法、装置、电子设备及存储介质 | |
CN114757941A (zh) | 变电站设备缺陷的识别方法、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 |