CN117611529A - 一种移动计算机外壳检测方法、装置、设备及存储介质 - Google Patents
一种移动计算机外壳检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117611529A CN117611529A CN202311469082.XA CN202311469082A CN117611529A CN 117611529 A CN117611529 A CN 117611529A CN 202311469082 A CN202311469082 A CN 202311469082A CN 117611529 A CN117611529 A CN 117611529A
- Authority
- CN
- China
- Prior art keywords
- image
- computer
- shell
- sub
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 165
- 230000007547 defect Effects 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims description 80
- 238000000034 method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000025962 Crush injury Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/11—Region-based 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/10004—Still image; Photographic image
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
本发明公开了一种移动计算机外壳检测方法、装置、设备及存储介质,包括:获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像;将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果;根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果。本发明的技术方案可以解决现有技术中人工检测效率低、稳定性差、检测结果准确性低以及检测成本高等问题,可以加速移动计算机产业的自动化建设,提高移动计算机的检测效率以及检测结果的精度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种移动计算机外壳检测方法、装置、设备及存储介质。
背景技术
Macintosh(Mac)是Apple开发的个人移动计算机,使用独立的macOS系统,最新的macOS系列基于NeXT系统开发。
目前在生产Apple Mac时,需要对Apple Mac阳极前外壳进行缺陷检测。现有的检测方法主要依靠人工观察,即先通过对待测产品进行外部环境光照,再由测试人员观察产品外壳表面的刀纹、腐蚀点、刮伤、压伤、挂篮印等缺陷,然后按照缺陷类型和数量进行分类剔除。
但是,现有方法只能依靠人工检测,存在检测成本高、检测效率低、检测结果准确性低、稳定性差以及检测标准无法量化等问题。
发明内容
本发明提供了一种移动计算机外壳检测方法、装置、设备及存储介质,可以提高移动计算机的外壳检测效率以及检测结果的精度。
根据本发明的一方面,提供了一种移动计算机外壳检测方法,所述方法包括:
获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像;
将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果;
其中,所述外壳检测模型通过多个计算机外壳样本图像,对掩码卷积神经网络Mask RCNN模型训练得到;
根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果。
可选的,获取待测计算机对应的目标外壳图像,包括:
通过图像采集设备,获取待测计算机对应的原始外壳图像;
对所述原始外壳图像进行预处理,得到待测计算机对应的目标外壳图像。
可选的,所述预处理包括:滤波处理、二值化处理以及轮廓处理。
可选的,在获取待测计算机对应的目标外壳图像之前,还包括:
获取多个计算机外壳样本图像,并按照预设尺寸以及目标重叠区域对各所述样本图像进行切分,得到多个样本子图像;
获取与各所述样本子图像对应的缺陷标注结果,并根据所述多个样本子图像,以及各所述样本子图像对应的缺陷标注结果,生成训练集;
其中,所述训练集中包括多个训练样本;每个训练样本由一个样本子图像以及对应的缺陷标注结果构成;
使用所述训练集对Mask RCNN模型进行迭代训练,得到所述外壳检测模型。
可选的,使用所述训练集对Mask RCNN模型进行迭代训练,得到所述外壳检测模型,包括:
在所述训练集中依次获取一个训练样本,作为当前样本;
使用所述当前样本对Mask RCNN模型进行训练,得到训练结果,并根据所述训练结果的损失值,对Mask RCNN模型的模型参数进行调整;
返回执行在所述训练集中依次获取一个训练样本,作为当前样本的操作,直至完成对全部训练样本的处理。
可选的,根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果,包括:
根据各所述子图像在目标外壳图像中对应的位置,将各所述子图像对应的缺陷检测结果复原至目标外壳图像中,得到待测计算机对应的目标检测结果;
其中,所述缺陷检测结果包括缺陷类型,以及所述缺陷类型在子图像中对应的目标区域。
根据本发明的另一方面,提供了一种移动计算机外壳检测装置,所述装置包括:
图像获取模块,用于获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像;
模型检测模块,用于将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果;
其中,所述外壳检测模型通过多个计算机外壳样本图像,对掩码卷积神经网络Mask RCNN模型训练得到;
结果确定模块,用于根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果。
根据本发明的另一方面,提供了一种电子设备,所述设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的移动计算机外壳检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的移动计算机外壳检测方法。
根据本发明的另一方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现本发明任一实施例所述的移动计算机外壳检测方法。
本发明实施例提供的技术方案,通过获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像,将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果,根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果的技术手段,可以提高移动计算机的外壳检测效率以及检测结果的精度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的一种移动计算机外壳检测方法的流程图;
图2是根据本发明实施例提供的另一种移动计算机外壳检测方法的流程图;
图3是根据本发明实施例提供的另一种移动计算机外壳检测方法的流程图;
图4是根据本发明实施例提供的一种移动计算机外壳检测装置的结构示意图;
图5是实现本发明实施例的移动计算机外壳检测方法的电子设备结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例一提供的一种移动计算机外壳检测方法的流程图,本实施例可适用于对Apple Mac的外壳进行缺陷检测的情况,该方法可以由移动计算机外壳检测装置来执行,该移动计算机外壳检测装置可以采用硬件和/或软件的形式实现,该移动计算机外壳检测装置可配置于电子设备中。如图1所示,该方法包括:
步骤110、获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像。
在本实施例中,所述待测计算机可以为等待进行外壳缺陷检测的Apple Mac。具体的,可以通过图像采集设备对待测计算机阳极前外壳进行拍摄,得到待测计算机对应的目标外壳图像。
获取到所述目标外壳图像后,可以对目标外壳图像按照固定尺寸1024*1024进行切分,同时为了避免切分后的子图像中缺陷信息被断开,可以预先设定目标重叠区域,以使连续的两个子图像之间包含部分重叠区域。在这种情况下,即时缺陷信息在上一个子图像中被切分,但是在下一个子图像中依然是完整的。
步骤120、将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果。
在本实施例中,在获取待测计算机对应的目标外壳图像之前,还可以预先训练得到外壳检测模型。其中,所述外壳检测模型通过多个计算机外壳样本图像,对掩码卷积神经网络(Mask-Regions with Convolutional NeuralNetworks,Mask RCNN)模型训练得到。
在此步骤中,具体的,可以将上述切分后的各子图像依次输入至外壳检测模型,通过所述外壳检测模型提取各子图像对应的图像特征,然后根据预先训练的模型参数以及各子图像对应的图像特征,对各子图像中包括的缺陷信息进行预测,得到各子图像对应的缺陷检测结果。
在本实施例中,针对Apple Mac区别于其他移动计算机的外壳特点,预先训练了用于对Apple Mac外壳进行缺陷检测的Mask RCNN模型,可以准确对Apple Mac外壳上的缺陷信息进行识别,提高检测结果的精度。
步骤130、根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果。
在本实施例中,可选的,获取到每个子图像对应的缺陷检测结果之后,可以对全部子图像对应的缺陷检测结果进行组合,得到待测计算机对应的目标检测结果。
本发明实施例提供的技术方案,通过获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像,将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果,根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果的技术手段,可以解决现有技术中人工检测效率低、稳定性差、检测结果准确性低以及检测成本高等问题,可以加速移动计算机产业的自动化建设,提高移动计算机的检测效率以及检测结果的精度。
图2为本发明实施例二提供的一种移动计算机外壳检测方法的流程图,本实施例是对上述实施例的进一步细化。如图2所示,该方法包括:
步骤210、通过图像采集设备,获取待测计算机对应的原始外壳图像。
在本实施例中,可选的,可以通过工业线扫相机对待测计算机阳极前外壳进行扫描,得到待测计算机对应的原始外壳图像。具体的,所述工业线扫相机可以为接触式图像传感器(Contact Image Sensor,CIS)。
步骤220、对所述原始外壳图像进行预处理,得到待测计算机对应的目标外壳图像。
在此步骤中,可选的,可以对所述原始外壳图像进行去噪等预处理,得到目标外壳图像。在本实施例的一个实施方式中,所述预处理具体包括:滤波处理、二值化处理以及轮廓处理等。
这样设置的好处在于,可以提高待测计算机外壳缺陷检测结果的精度。
步骤230、按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像。
步骤240、将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果。
步骤250、根据各所述子图像在目标外壳图像中对应的位置,将各所述子图像对应的缺陷检测结果复原至目标外壳图像中,得到待测计算机对应的目标检测结果。
在本实施例的一个实施方式中,所述缺陷检测结果包括缺陷类型,以及所述缺陷类型在子图像中对应的目标区域。
本发明实施例提供的技术方案,通过图像采集设备,获取待测计算机对应的原始外壳图像,对所述原始外壳图像进行预处理,得到待测计算机对应的目标外壳图像,按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像,将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果,根据各所述子图像在目标外壳图像中对应的位置,将各所述子图像对应的缺陷检测结果复原至目标外壳图像中,得到待测计算机对应的目标检测结果的技术手段,可以提高移动计算机的外壳检测效率,以及检测结果的精度。
图3为本发明实施例三提供的另一种移动计算机外壳检测方法的流程图,本实施例是对上述实施例的进一步细化。如图3所示,该方法包括:
步骤310、获取多个计算机外壳样本图像,并按照预设尺寸以及目标重叠区域对各所述样本图像进行切分,得到多个样本子图像。
在本实施例中,可以获取多个移动计算机分别对应的多个外壳样本图像。其中,所述移动计算机可以为Apple Mac。具体的,可以通过工业线扫相机对各移动计算机阳极前外壳进行扫描,得到原始样本图像,然后对各所述原始样本图像进行预处理,得到用于对模型进行训练的外壳样本图像。
在获取到多个外壳样本图像后,可以按照固定尺寸1024*1024对各样本图像进行切分,同时为了避免缺陷信息被断开,可以预先设定目标重叠区域,以使连续的两个样本子图像之间包含部分重叠区域。
步骤320、获取与各所述样本子图像对应的缺陷标注结果,并根据所述多个样本子图像,以及各所述样本子图像对应的缺陷标注结果,生成训练集。
在本实施例中,获取到多个样本子图像后,可以使用图片标注工具labelme,对各样本子图像中的缺陷结果进行标注。具体的,可以通过labelme,采用不同标注颜色对样本子图像中不同的缺陷类型进行标注。例如,可以采用棕色区域对缺陷类型A进行标注,采用绿色区域对缺陷类型B进行标注。缺陷类型A可以具体表现为深色的刀纹、刮伤、划痕等;缺陷类型B可以具体表现为亮色的刀纹、刮伤、划痕等。每种缺陷类型下包括至少20个样本子图像。
在获取到各所述样本子图像对应的缺陷标注结果后,可以根据所述多个样本子图像,以及各所述样本子图像对应的缺陷标注结果,生成训练集。具体的,所述训练集中包括多个训练样本;每个训练样本由一个样本子图像以及对应的缺陷标注结果构成。
步骤330、使用所述训练集对Mask RCNN模型进行迭代训练,得到外壳检测模型。
在本实施例中,可以预先设定Mask RCNN模型的模型参数,然后通过图形处理器(Graphics Processing Unit,GPU),使用所述训练集根据模型参数,对Mask RCNN模型进行迭代训练,得到外壳检测模型。具体的,所述模型参数可以包括图像输入参数、学习率、epoch设置参数等,迭代轮次可以设置为50轮。
在本实施例的一个实施方式中,使用所述训练集对Mask RCNN模型进行迭代训练,得到所述外壳检测模型,包括:在所述训练集中依次获取一个训练样本,作为当前样本;使用所述当前样本对Mask RCNN模型进行训练,得到训练结果,并根据所述训练结果的损失值,对Mask RCNN模型的模型参数进行调整;返回执行在所述训练集中依次获取一个训练样本,作为当前样本的操作,直至完成对全部训练样本的处理。
在一个具体的实施例中,可以通过tensorboard查看训练结果的损失值,以判断训练模型是否欠拟合、过拟合等。
步骤340、获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像。
步骤350、将各所述子图像依次输入至所述外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果。
步骤360、根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果。
本发明实施例提供的技术方案,通过获取多个计算机外壳样本图像,并按照预设尺寸以及目标重叠区域对各所述样本图像进行切分,得到多个样本子图像,获取与各所述样本子图像对应的缺陷标注结果,并根据所述多个样本子图像,以及各所述样本子图像对应的缺陷标注结果,生成训练集,使用所述训练集对Mask RCNN模型进行迭代训练,得到外壳检测模型,获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像,将各所述子图像依次输入至所述外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果,根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果的技术手段,可以提高移动计算机的外壳检测效率,以及检测结果的精度。
图4为本发明实施例四提供的一种移动计算机外壳检测装置的结构示意图,该装置包括:图像获取模块410、模型检测模块420和结果确定模块430。
其中,图像获取模块410,用于获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像;
模型检测模块420,用于将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果;
其中,所述外壳检测模型通过多个计算机外壳样本图像,对掩码卷积神经网络Mask RCNN模型训练得到;
结果确定模块430,用于根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果。
本发明实施例提供的技术方案,通过获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像,将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果,根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果的技术手段,可以提高移动计算机的外壳检测效率以及检测结果的精度。
在上述实施例的基础上,所述图像获取模块410包括:
图像采集单元,用于通过图像采集设备,获取待测计算机对应的原始外壳图像;
图像预处理单元,用于对所述原始外壳图像进行预处理,得到待测计算机对应的目标外壳图像;所述预处理包括:滤波处理、二值化处理以及轮廓处理。
所述结果确定模块430包括:
缺陷复原单元,用于根据各所述子图像在目标外壳图像中对应的位置,将各所述子图像对应的缺陷检测结果复原至目标外壳图像中,得到待测计算机对应的目标检测结果;其中,所述缺陷检测结果包括缺陷类型,以及所述缺陷类型在子图像中对应的目标区域。
所述装置还包括:
样本图像获取模块,用于获取多个计算机外壳样本图像,并按照预设尺寸以及目标重叠区域对各所述样本图像进行切分,得到多个样本子图像;
训练集生成模块,用于获取与各所述样本子图像对应的缺陷标注结果,并根据所述多个样本子图像,以及各所述样本子图像对应的缺陷标注结果,生成训练集;所述训练集中包括多个训练样本;每个训练样本由一个样本子图像以及对应的缺陷标注结果构成;
迭代训练模块,用于使用所述训练集对Mask RCNN模型进行迭代训练,得到所述外壳检测模型。
其中,所述迭代训练模块包括:
训练样本获取单元,用于在所述训练集中依次获取一个训练样本,作为当前样本;
参数调整单元,用于使用所述当前样本对Mask RCNN模型进行训练,得到训练结果,并根据所述训练结果的损失值,对Mask RCNN模型的模型参数进行调整;
迭代执行单元,用于返回执行在所述训练集中依次获取一个训练样本,作为当前样本的操作,直至完成对全部训练样本的处理。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如移动计算机外壳检测方法。
在一些实施例中,移动计算机外壳检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的移动计算机外壳检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行移动计算机外壳检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种移动计算机外壳检测方法,其特征在于,包括:
获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像;
将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果;
其中,所述外壳检测模型通过多个计算机外壳样本图像,对掩码卷积神经网络MaskRCNN模型训练得到;
根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果。
2.根据权利要求1所述的方法,其特征在于,获取待测计算机对应的目标外壳图像,包括:
通过图像采集设备,获取待测计算机对应的原始外壳图像;
对所述原始外壳图像进行预处理,得到待测计算机对应的目标外壳图像。
3.根据权利要求2所述的方法,其特征在于,所述预处理包括:滤波处理、二值化处理以及轮廓处理。
4.根据权利要求1所述的方法,其特征在于,在获取待测计算机对应的目标外壳图像之前,还包括:
获取多个计算机外壳样本图像,并按照预设尺寸以及目标重叠区域对各所述样本图像进行切分,得到多个样本子图像;
获取与各所述样本子图像对应的缺陷标注结果,并根据所述多个样本子图像,以及各所述样本子图像对应的缺陷标注结果,生成训练集;
其中,所述训练集中包括多个训练样本;每个训练样本由一个样本子图像以及对应的缺陷标注结果构成;
使用所述训练集对Mask RCNN模型进行迭代训练,得到所述外壳检测模型。
5.根据权利要求4所述的方法,其特征在于,使用所述训练集对Mask RCNN模型进行迭代训练,得到所述外壳检测模型,包括:
在所述训练集中依次获取一个训练样本,作为当前样本;
使用所述当前样本对Mask RCNN模型进行训练,得到训练结果,并根据所述训练结果的损失值,对Mask RCNN模型的模型参数进行调整;
返回执行在所述训练集中依次获取一个训练样本,作为当前样本的操作,直至完成对全部训练样本的处理。
6.根据权利要求1所述的方法,其特征在于,根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果,包括:
根据各所述子图像在目标外壳图像中对应的位置,将各所述子图像对应的缺陷检测结果复原至目标外壳图像中,得到待测计算机对应的目标检测结果;
其中,所述缺陷检测结果包括缺陷类型,以及所述缺陷类型在子图像中对应的目标区域。
7.一种移动计算机外壳检测装置,其特征在于,所述装置包括:
图像获取模块,用于获取待测计算机对应的目标外壳图像,并按照预设尺寸以及目标重叠区域对所述目标外壳图像进行切分,得到待测计算机对应的多个子图像;
模型检测模块,用于将各所述子图像依次输入至预先训练的外壳检测模型中,通过所述外壳检测模型输出各所述子图像对应的缺陷检测结果;
其中,所述外壳检测模型通过多个计算机外壳样本图像,对掩码卷积神经网络MaskRCNN模型训练得到;
结果确定模块,用于根据各所述子图像对应的缺陷检测结果,确定待测计算机对应的目标检测结果。
8.一种电子设备,其特征在于,所述设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的移动计算机外壳检测方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的移动计算机外壳检测方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的移动计算机外壳检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311469082.XA CN117611529A (zh) | 2023-11-07 | 2023-11-07 | 一种移动计算机外壳检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311469082.XA CN117611529A (zh) | 2023-11-07 | 2023-11-07 | 一种移动计算机外壳检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117611529A true CN117611529A (zh) | 2024-02-27 |
Family
ID=89955257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311469082.XA Pending CN117611529A (zh) | 2023-11-07 | 2023-11-07 | 一种移动计算机外壳检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611529A (zh) |
-
2023
- 2023-11-07 CN CN202311469082.XA patent/CN117611529A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3937128A2 (en) | Image defect detection method and apparatus, electronic device, storage medium and product | |
CN111693534B (zh) | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 | |
CN114419035B (zh) | 产品识别方法、模型训练方法、装置和电子设备 | |
CN116952958B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN113409284B (zh) | 电路板故障检测方法、装置、设备以及存储介质 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
CN115205291A (zh) | 一种电路板检测方法、装置、设备和介质 | |
CN116559177A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
CN116051558B (zh) | 一种缺陷图像标注方法、装置、设备及介质 | |
CN116046790B (zh) | 缺陷检测方法、装置、系统、电子设备以及存储介质 | |
CN117611529A (zh) | 一种移动计算机外壳检测方法、装置、设备及存储介质 | |
CN115456996A (zh) | 一种核燃料芯块的离散性缺陷检测方法及相关组件 | |
CN115700758A (zh) | 一种精子活性的检测方法、装置、设备及存储介质 | |
CN114255540A (zh) | 一种污损纸币的识别方法、装置、设备和存储介质 | |
CN116952166B (zh) | 汽车门把手总成的零件检测方法、装置、设备及介质 | |
CN115542100B (zh) | 绝缘子故障检测方法、装置、设备及介质 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN117689660B (zh) | 基于机器视觉的保温杯温度质检方法 | |
CN114998906B (zh) | 文本检测方法、模型的训练方法、装置、电子设备及介质 | |
CN116309586A (zh) | 基于卷积神经网络的瑕疵检测方法、装置、设备及介质 | |
CN117218386A (zh) | 配电线路图像的处理方法、装置、电子设备及存储介质 | |
CN116977930A (zh) | 基于图像的油迹检测方法及装置 | |
CN118052877A (zh) | 电力线缆断股缺陷的定位方法、装置、设备及介质 |
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 |