CN117671071A - 一种机器视觉方案智能生成方法 - Google Patents
一种机器视觉方案智能生成方法 Download PDFInfo
- Publication number
- CN117671071A CN117671071A CN202410013923.4A CN202410013923A CN117671071A CN 117671071 A CN117671071 A CN 117671071A CN 202410013923 A CN202410013923 A CN 202410013923A CN 117671071 A CN117671071 A CN 117671071A
- Authority
- CN
- China
- Prior art keywords
- machine vision
- scheme
- imaging
- algorithm
- generation method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000003384 imaging method Methods 0.000 claims description 37
- 238000005498 polishing Methods 0.000 claims description 28
- 230000009191 jumping Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种机器视觉方案智能生成方法,涉及机器视觉方案智能生成技术领域。该机器视觉方案智能生成方法,包括以下步骤,S1.设定初始配置,通过引导式配置,基于包括但不限于任务和样品类型等属性,利用行业知识库进行初步推荐,确定相机、镜头和光源等选型,选择任务类型。软件控制装置实现对打光配置的批量自动化执行,并完成采图及数据的存储,使用多个衡量标准对所有图像集合进行定量评估,基于具体任务实现算法推荐,若推荐为深度学习算法,则考虑进行初始模型的训练,可以高效采集不同打光方案下样品图像的方法,将打光测试和后续算法构建结合的机制,从而使得整个视觉方案的实施更有保障。
Description
技术领域
本发明涉及机器视觉方案智能生成技术领域,具体为一种机器视觉方案智能生成方法。
背景技术
在工业领域,打光是机器视觉方案中的核心内容,其目的是对目标物进行能够满足需求的成像。除了相机和镜头的选型外,还有光源的不同类型以及其在空间中的不同分布可以选择,因此打光过程通常较为繁琐。
在构建机器视觉方案时,首要进行的就是打光测试。通常由工程师在打光测试台上对样品进行打光、采集图像并根据个人经验输出打光配置,而后续具体的算法开发都将依赖于该打光配置。对于一个具体机器视觉任务的算法构建,成像是核心先决条件。因此更好的选择是使用足够多的打光配置来进行打光测试,从而能够尽可能的挑选出更优的打光方案,避免人为因素导致的次优选择。此外,打光测试的目的实际上是为了最终的算法开发而服务,因此在打光测试阶段给出一些初始算法的推荐能够进一步增强打光方案的质量,从而使得整个视觉方案的实施更有保障。
目前打光方案一般都由工程师通过有限的尝试和个人经验来得出,这个阶段对后续使用的算法几乎没有关注。算法工程师在预先确定好的成像方案上采图做算法开发,可能会导致算法复杂度偏高,或者根本无法有效解决问题而不得不重新去构建打光方案。这样会导致整个方案实施周期变长,成本变高。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种机器视觉方案智能生成方法,解决了现有的方法大多在预先确定好的成像方案上采图做算法开发,导致算法复杂度偏高,或者根本无法有效解决问题而不得不重新去构建打光方案,进而导致整个方案实施周期变长,成本变高的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种机器视觉方案智能生成方法,具体包括以下步骤:
S1.设定初始配置,通过引导式配置,基于包括但不限于任务和样品类型等属性,利用行业知识库进行初步推荐,确定相机、镜头和光源等选型,选择任务类型;
S2.选型完毕后,放入样品进行成像,然后标注RO I区域;
S3.在空间中调整光源的位置角度,批量自动化执行对同一样品的打光,完成多种打光配置下的成像,将所有成像结果和其对应打光配置做统一存储,并将打光配置和成像进行关联存储;
S4.重复S2,S3的过程,对多个样品进行打光测试,验证打光测试的完整和有效性;
S5.遍历数据集合,在所有成像上计算预定义的图像评估指标,通过加权统计的方式计算并推荐最合适的打光方案;
S6.判断是否需要进行算法推荐,如果需要推荐算法,跳转到S7,如果不需要推荐算法,跳转到S9;
S7.基于初始配置,样品成像和任务类型生成算法推荐,判断是否需要生成深度学习算法,如果生成算法为深度学习算法,则跳转到S8,如果生成算法非深度学习算法,则跳转到S9;
S8.判断是否需要生成初始模型,如果需要生成初始模型,则基于已选打光方案的成像构建数据集并进行模型训练,如果不需要生成初始模型,则跳转到S9;
S9.生成机器视觉方案;
S10.结束该机器视觉方案智能生成方法。
优选的,所述S1中,选型既可以人工指定,也可以基于任务类型和样品类型进行算法推荐。
优选的,所述S2中,在固定好相机,镜头并确认RO I区域后,对光源部分可以做多种类,多光谱,多位置的批量自动化打光,从而得到不同光场下的成像集合。
优选的,所述S5中,可以通过计算对比度,清晰度等一些可以计算的图像属性来评估成像的效果,对RO I区域内外要分别有相关计算。对于某些任务,例如缺陷检测等,也可以直接在成像上跑一批预置算法,通过算法结果选择最优成像。
优选的,所述S7中,基于任务类型和成像效果,可生成可用的算子集合或者深度学习模型结构。
优选的,所述S8中,对于深度学习算法,可以筛选出对应最优打光方案的图像,在图像数量足够的情况下,基于预训练模型进行微调,得到用于后续模型迭代的种子模型。
(三)有益效果
本发明提供了一种机器视觉方案智能生成方法。具备以下有益效果:
1、本发明提供了一种机器视觉方案智能生成方法,相较于现有的机器视觉方案智能生成方法,该机器视觉方案智能生成方法通过软件控制装置(例如模组或者机械手)实现对打光配置的批量自动化执行,并完成采图及数据的存储,使用多个衡量标准对所有图像集合进行定量评估,基于具体任务实现算法推荐,若推荐为深度学习算法,则考虑进行初始模型的训练,可以高效采集不同打光方案下样品图像的方法,同时可以基于成像选择最优打光配置的方法,并且可以将打光测试和后续算法构建结合的机制,给出一些初始算法的推荐能够进一步增强打光方案的质量,从而使得整个视觉方案的实施更有保障。
附图说明
图1为本发明提出的一种机器视觉方案智能生成方法的工作流程示意图。
具体实施方式
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,都属于本发明保护的范围。
实施例:
如图1所示,本发明实施例提供一种机器视觉方案智能生成方法,具体包括以下步骤:
S1.设定初始配置,通过引导式配置,基于包括但不限于任务和样品类型等属性,利用行业知识库进行初步推荐,确定相机、镜头和光源等选型,选择任务类型,通过结合行业知识库的形式,可减少前期调节的时间,加快该方法的工作效率;
S2.选型完毕后,放入样品进行成像,然后标注RO I区域,便于后续进行批量数据处理及检测;
S3.在空间中调整光源的位置角度,批量自动化执行对同一样品的打光,完成多种打光配置下的成像,将所有成像结果和其对应打光配置做统一存储,并将打光配置和成像进行关联存储,便于后续调用数据继续进行使用;
S4.重复S2,S3的过程,对多个样品进行打光测试,验证打光测试的完整和有效性,确保该方法生成方案整体的准确效果;
S5.遍历数据集合,在所有成像上计算预定义的图像评估指标,通过加权统计的方式计算并推荐最合适的打光方案,有利于为后续使用打光方案提供支撑;
S6.判断是否需要进行算法推荐,如果需要推荐算法,跳转到S7,如果不需要推荐算法,跳转到S9,有利于根据不同的使用情况,缩短方法的过程,加快方法的执行速度;
S7.基于初始配置,样品成像和任务类型生成算法推荐,判断是否需要生成深度学习算法,如果生成算法为深度学习算法,则跳转到S8,如果生成算法非深度学习算法,则跳转到S9,有利于根据h i手机的使用情况缩短方案生成过程,确保方案具有针对性;
S8.判断是否需要生成初始模型,如果需要生成初始模型,则基于已选打光方案的成像构建数据集并进行模型训练,如果不需要生成初始模型,则跳转到S9,有利于在特定使用情况下可保证方案整体的完整性,提升方法的使用效果;
S9.生成机器视觉方案;
S10.结束该机器视觉方案智能生成方法。
S1中,选型既可以人工指定,也可以基于任务类型和样品类型进行算法推荐,有利于提升该方法整体的适用范围,提升该方法整体进行使用时的实用性,S2中,在固定好相机,镜头并确认RO I区域后,对光源部分可以做多种类,多光谱,多位置的批量自动化打光,从而得到不同光场下的成像集合,有利于提升方案整体采集数据的范围,提升方法整体的有效性和完整性,S5中,可以通过计算对比度,清晰度等一些可以计算的图像属性来评估成像的效果,对RO I区域内外要分别有相关计算。对于某些任务,例如缺陷检测等,也可以直接在成像上跑一批预置算法,通过算法结果选择最优成像,有利于确保输出算法的实用性,S7中,基于任务类型和成像效果,可生成可用的算子集合或者深度学习模型结构,有利于提升生成方案的完成性,S8中,对于深度学习算法,可以筛选出对应最优打光方案的图像,在图像数量足够的情况下,基于预训练模型进行微调,得到用于后续模型迭代的种子模型,有利于将打光测试和后续算法构建结合的机制,便于为后续进行方案实施提供保证。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种机器视觉方案智能生成方法,其特征在于,具体包括以下步骤:
S1.设定初始配置,通过引导式配置,基于包括但不限于任务和样品类型等属性,利用行业知识库进行初步推荐,确定相机、镜头和光源等选型,选择任务类型;
S2.选型完毕后,放入样品进行成像,然后标注ROI区域;
S3.在空间中调整光源的位置角度,批量自动化执行对同一样品的打光,完成多种打光配置下的成像,将所有成像结果和其对应打光配置做统一存储,并将打光配置和成像进行关联存储;
S4.重复S2,S3的过程,对多个样品进行打光测试,验证打光测试的完整和有效性;
S5.遍历数据集合,在所有成像上计算预定义的图像评估指标,通过加权统计的方式计算并推荐最合适的打光方案;
S6.判断是否需要进行算法推荐,如果需要推荐算法,跳转到S7,如果不需要推荐算法,跳转到S9;
S7.基于初始配置,样品成像和任务类型生成算法推荐,判断是否需要生成深度学习算法,如果生成算法为深度学习算法,则跳转到S8,如果生成算法非深度学习算法,则跳转到S9;
S8.判断是否需要生成初始模型,如果需要生成初始模型,则基于已选打光方案的成像构建数据集并进行模型训练,如果不需要生成初始模型,则跳转到S9;
S9.生成机器视觉方案;
S10.结束该机器视觉方案智能生成方法。
2.根据权利要求1所述的一种机器视觉方案智能生成方法,其特征在于:所述S1中,选型既可以人工指定,也可以基于任务类型和样品类型进行算法推荐。
3.根据权利要求1所述的一种机器视觉方案智能生成方法,其特征在于:所述S2中,在固定好相机,镜头并确认ROI区域后,对光源部分可以做多种类,多光谱,多位置的批量自动化打光,从而得到不同光场下的成像集合。
4.根据权利要求1所述的一种机器视觉方案智能生成方法,其特征在于:所述S5中,可以通过计算对比度,清晰度等一些可以计算的图像属性来评估成像的效果,对ROI区域内外要分别有相关计算。对于某些任务,例如缺陷检测等,也可以直接在成像上跑一批预置算法,通过算法结果选择最优成像。
5.根据权利要求1所述的一种机器视觉方案智能生成方法,其特征在于:所述S7中,基于任务类型和成像效果,可生成可用的算子集合或者深度学习模型结构。
6.根据权利要求1所述的一种机器视觉方案智能生成方法,其特征在于:所述S8中,对于深度学习算法,可以筛选出对应最优打光方案的图像,在图像数量足够的情况下,基于预训练模型进行微调,得到用于后续模型迭代的种子模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410013923.4A CN117671071A (zh) | 2024-01-02 | 2024-01-02 | 一种机器视觉方案智能生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410013923.4A CN117671071A (zh) | 2024-01-02 | 2024-01-02 | 一种机器视觉方案智能生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117671071A true CN117671071A (zh) | 2024-03-08 |
Family
ID=90066273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410013923.4A Pending CN117671071A (zh) | 2024-01-02 | 2024-01-02 | 一种机器视觉方案智能生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671071A (zh) |
-
2024
- 2024-01-02 CN CN202410013923.4A patent/CN117671071A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10101572B2 (en) | Variable focal length lens system with multi-level extended depth of field image processing | |
US10178321B2 (en) | Machine vision inspection system and method for obtaining an image with an extended depth of field | |
US7636478B2 (en) | Fast multiple template matching using a shared correlation map | |
CN1374509A (zh) | 自动检验眼镜片的方法和系统 | |
CN103688537A (zh) | 自动自适应图像锐化 | |
CN106501917A (zh) | 一种镜头辅助调焦方法和装置 | |
CN112200887B (zh) | 一种基于梯度感知的多聚焦图像融合方法 | |
CN111666979B (zh) | 一种可用于标签生成的水下场景目标检测集成方法及系统 | |
CN115661161B (zh) | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 | |
CN113012174A (zh) | 一种图像融合方法、系统及设备 | |
EP3811047B1 (en) | Method for detecting a defect in a zone of interest of an optical lens | |
CN117671071A (zh) | 一种机器视觉方案智能生成方法 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN116405775A (zh) | 自动聚焦方法和装置、电子设备及拍摄系统 | |
CN110334657B (zh) | 一种鱼眼畸变图像的训练样本生成方法、系统及电子设备 | |
CN110006795B (zh) | 颗粒检测装置、方法及fpga | |
CN112165616A (zh) | 一种摄像头模组的测试方法、装置、电子设备及存储介质 | |
CN114689604A (zh) | 具有光滑表面的待测物于光学检测上的影像处理方法及其检测系统 | |
CN110838107A (zh) | 变角度光学视频智能检测3c透明构件缺陷的方法及装置 | |
CN116452581B (zh) | 一种基于机器视觉的电压源状态智能检测系统及方法 | |
CN113658183B (zh) | 工件质检方法、装置及计算机设备 | |
CN117831028B (zh) | 食材加工数据的处理方法、装置、设备以及存储介质 | |
CN111638583B (zh) | 一种自动对焦方法和装置 | |
US20230345115A1 (en) | Method and system of developing an imaging configuration to optimize performance of a microscopy system | |
CN115631159A (zh) | 数字切片重扫描方法、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 |