CN117934462A - 用于调整检测参数的方法、电子设备及存储介质 - Google Patents
用于调整检测参数的方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117934462A CN117934462A CN202410324522.0A CN202410324522A CN117934462A CN 117934462 A CN117934462 A CN 117934462A CN 202410324522 A CN202410324522 A CN 202410324522A CN 117934462 A CN117934462 A CN 117934462A
- Authority
- CN
- China
- Prior art keywords
- detection
- attribute
- detection result
- parameters
- sample
- 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 314
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 78
- 238000012216 screening Methods 0.000 claims abstract description 20
- 230000007547 defect Effects 0.000 claims description 104
- 230000004044 response Effects 0.000 claims description 16
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 description 40
- 238000007726 management method Methods 0.000 description 23
- 238000007689 inspection Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000013500 data storage Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000002950 deficient Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000000470 constituent Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004886 process control Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本披露公开了一种用于调整检测参数的方法、电子设备及存储介质。该方法包括:使用基于固定算法参数的检测算法对当前型号产品进行检测,以获得第一检测结果;利用初始属性参数对第一检测结果进行筛选,以获得第二检测结果;以及响应于第二检测结果和实际检测结果之间的检测偏差不满足要求,在更新初始属性参数后,返回利用初始属性参数对第一检测结果进行筛选的步骤,直至检测偏差满足要求时,将更新后的初始属性参数确定为当前型号产品对应的目标属性参数。通过本披露实施例的方案,能够利用第二检测结果与实际检测结果的检测偏差作为调参结果的评估指标,无需反复运行检测算法即可指导进行针对性调参,从而提高了属性参数的调整精度和效率。
Description
技术领域
本披露一般涉及图像处理技术领域。更具体地,本披露涉及一种用于调整检测参数的方法、电子设备及存储介质。
背景技术
随着机器视觉技术的发展,机器视觉技术在工业、医疗、军事、安防、智能交通等领域得到了广泛应用,并实现了提高工业生产效率、降低生产成本、提高产品质量、增强产线安全等效果。以工业生产场景为例,机器视觉技术可以应用于工业生产线上的自动化检测和质量控制,例如用于产品缺陷检测、尺寸测量、颜色检测等等。
目前,在工业质检领域,基于机器视觉技术的光学检测系统已大范围地替代了人工检测。基于机器视觉技术的光学检测系统的检测效果在一定程度上依赖于所使用的检测参数,因此参数调节是保障光学检测系统性能的一个重要环节。
然而,现有的调参方法通常是操作者凭借个人经验完成参数调整后,对系统的运行结果进行分析,从而评估调参效果。该调参方法一则无法提供直观的评估指标,容易导致参数的反复调整,二则反复运行系统会浪费大量的时间,调参效率较低。
有鉴于此,亟需提供一种用于调整检测参数的方案,以便为操作者提供直观的指标来确定参数调整结果,从而方便操作者作出参数调整的决策,实现高效准确的参数调整。
发明内容
为了至少解决如上所提到的一个或多个技术问题,本披露在多个方面中提出了用于调整检测参数的方案。
在第一方面中,本披露提供一种用于调整检测参数的方法包括:使用基于固定算法参数的检测算法对当前型号产品进行检测,以获得第一检测结果;利用初始属性参数对第一检测结果进行筛选,以获得第二检测结果;以及响应于第二检测结果和实际检测结果之间的检测偏差不满足要求,在更新初始属性参数后,返回利用初始属性参数对第一检测结果进行筛选的步骤,直至检测偏差满足要求时,将更新后的初始属性参数确定为当前型号产品对应的目标属性参数。
在一些实施例中,其中使用基于固定算法参数的检测算法对当前型号产品进行检测之前,该方法还包括:使用基于初始算法参数的检测算法对样本缺陷图像组进行检测,以获得样本缺陷图像组的样本检测结果;判断样本检测结果与样本缺陷图像组标注的缺陷信息是否匹配;以及响应于样本检测结果与缺陷信息匹配,将当前的初始算法参数确定为固定算法参数。
在一些实施例中,其中在判断样本检测结果与样本缺陷图像组标注的缺陷信息是否匹配之后,该方法还包括:响应于样本检测结果与缺陷信息不匹配,更新初始算法参数后返回使用基于初始算法参数的检测算法对样本缺陷图像组进行检测的步骤,直至样本检测结果与样本缺陷图像组标注的缺陷信息匹配。
在一些实施例中,其中算法参数为检测算法的参数,属性参数包括若干个属性阈值或属性值范围,若干个属性阈值或属性值范围与当前型号产品所需管控的若干个管控属性一一对应。
在一些实施例中,其中在判断样本检测结果与样本缺陷图像组标注的缺陷信息是否匹配之后,该方法还包括:响应于样本检测结果与缺陷信息匹配,根据样本检测结果筛选出每一管控属性的最小属性值,以形成初始属性参数。
在一些实施例中,其中在根据样本检测结果筛选出每一管控属性的最小属性值之前,该方法还包括:确定缺陷信息中的每一缺陷类型所对应的管控属性。
在一些实施例中,其中检测偏差包括过检率和/或漏检率,在获得第二检测结果之后,该方法还包括:基于当前型号产品中的偏差产品数与总产品数计算过检率和/或漏检率,其中偏差产品数为第二检测结果与实际检测结果不一致的产品的数量;响应于过检率和/或漏检率小于预设偏差阈值,确定第二检测结果和实际检测结果之间的检测偏差满足要求;以及响应于过检率和/或漏检率大于或等于预设偏差阈值,确定第二检测结果和实际检测结果之间的检测偏差不满足要求。
在一些实施例中,其中属性参数包括若干个属性阈值或属性值范围,更新初始属性参数包括:响应于过检率大于或等于预设偏差阈值,将属性阈值调大或将属性值范围调小;以及响应于漏检率大于或等于预设偏差阈值,将属性阈值调小或将属性值范围调大。
在第二方面中,本披露提供一种电子设备包括:处理器;以及存储器,其存储有可执行的程序指令,当程序指令由处理器执行时,使得设备实现根据第一方面任意一项的方法。
在第三方面中,本披露提供一种计算机可读存储介质,其上存储有计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现如第一方面任意一项的方法。
通过如上所提供的用于调整检测参数的方法,本披露实施例利用基于固定算法参数的检测算法检测出当前型号产品的第一检测结果,并利用初始属性参数对检测算法的检测结果进行二次筛选,得到第二检测结果。操作者利用第二检测结果与实际检测结果之间的检测偏差可以判断当前使用的检测参数是否有利于光学检测系统得到稳定可靠的检测结果,进而通过直观的对比结果即可完成属性参数的调整决策。由于调参时仅需重新执行二次筛选的步骤,无需反复运行光学检测系统,且计算出的检测偏差可以指导操作者进行针对性调参,本披露实施例所示方法的调参效率得以大幅提升。
附图说明
通过参考附图阅读下文的详细描述,本披露示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本披露的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1示出了本披露一些实施例的用于调整检测参数的方法的示例性流程图;
图2示出了本披露一些实施例的属性参数调整方法的示例性流程图;
图3示出了本披露另一些实施例的属性参数调整方法的示例性流程图;
图4示出了本披露一些实施例的用于调整算法参数的方法的示例性流程图;
图5示出了本披露一些实施例的初始属性参数的确定方法的示例性流程图;
图6示出了本披露实施例的光学检测系统的示例性结构框图;
图7示出了本披露实施例的电子设备的示例性结构框图。
具体实施方式
下面将结合本披露实施例中的附图,对本披露实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本披露一部分实施例,而不是全部的实施例。基于本披露中的实施例,本领域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,都属于本披露保护的范围。
应当理解,本披露的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本披露说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本披露。如在本披露说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本披露说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当... 时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合附图来详细描述本披露的具体实施方式。
示例性应用场景
由于人工检测存在以下诸多弊端:检测效率低,检测引起的眼睛疲劳导致漏检率过高,人眼难以清楚辨识细微的缺陷以及人工成本高等,因此,目前在工业质检领域,基于机器视觉技术的光学检测算法已大范围地替代了人工检测。
然而,基于机器视觉技术的光学检测系统主要由其所使用的检测参数决定检测效果,因此精准、可靠的参数调节是保障光学检测系统性能的关键。
现有的调参方法通常是操作者凭借个人经验完成参数调整后,对系统的运行结果进行分析,从而评估调参效果。该调参方法一则无法提供直观的评估指标,容易导致参数的反复调整,不利于操作者对参数调整的方式作出决策;二则反复运行系统会导致调参时间过长,浪费大量的时间在等待系统运行完毕,调参效率较低。
示例性应用方案
有鉴于此,本披露实施例提供了一种用于调整检测参数的方案,其在基于算法参数获取到第一检测结果后,利用属性参数对其进行二次筛选得到第二检测结果,并通过第二检测结果与实际检测结果之间的检测偏差判断当前使用的检测参数是否有利于光学检测系统得到稳定可靠的检测结果,从而通过直观的对比结果即可完成属性参数的调整决策,无需反复运行系统,仅需重新执行二次筛选即可完成针对性调参,提高了调参操作的精准度和效率。
图1示出了本披露一些实施例的用于调整检测参数的方法100的示例性流程图,如图1所示,在步骤S101中,使用检测算法对当前型号产品进行检测,以获得第一检测结果。在此步骤中,检测算法采用基于固定算法参数的检测模型。
在本披露实施例中,算法参数指的是检测算法的参数,准确可靠的算法参数能够保障检测算法的性能和效果。
需要说明的是,在本披露实施例中,第一检测结果可以理解为自动光学检测单元使用检测算法所输出的初步机检结果。
在步骤S102中,利用初始属性参数对第一检测结果进行筛选,以获得第二检测结果。在本披露实施例中,第二检测结果可以理解为属性管控单元基于各缺陷类型所需管控的管控属性,对第一检测结果进行二次筛选后的最终机检结果。
需要说明的是,在产品检测时,可能会发现存在多种类型的缺陷,例如暗点、划痕、凹陷及脏污等等,对于每一种类型的缺陷而言,其所需关注或管控的属性有所差异。以暗点这一缺陷类型为例,根据工艺管控的规则,暗点只需要管控与大小相关的属性,则可以确定暗点这一缺陷类型的管控属性包括尺寸、面积、长宽比等属性。再以凹陷这一缺陷类型为例,根据工艺管控的规则,其还需要管控与位置相关的属性,因此凹陷这一缺陷类型的管控属性还包括坐标等属性。
因此在一些实施例中,属性参数包括若干个属性阈值或属性值范围,且若干个属性阈值或属性值范围与当前型号产品所需管控的若干个管控属性一一对应。
需要进一步说明的是,上述对于暗点和凹陷等缺陷类型的管控属性的内容仅是为了便于本领域技术人员理解所作出的说明,即对暗点和凹陷等缺陷类型的管控属性的描述仅为本实施例提供的一种示例。
在本披露实施例中,步骤S101能够对输入的产品图像进行一次检测,从图像特征中检测出缺陷特征,从而得到第一检测结果。步骤S102能够利用属性参数对步骤S101检测出的缺陷特征进行二次筛选,筛选出从属性特征上符合缺陷属性信息/不符合缺陷属性信息的缺陷特征,从而得到第二检测结果。
也即是说,在实际应用时,由于检测算法存在的检测误差,通过属性管控可以将检测算法误判为不良品的产品筛出,达到对初始机检结果进行修正的效果。例如,在缺陷层面,可能出现某一图像特征在第一检测结果中被判定为缺陷而在第二检测结果中被判定为非缺陷的情况。在产品层面,可能出现某一产品的第一检测结果为不良品而第二检测结果为良品的情况。
在步骤S103中,计算第二检测结果和实际检测结果之间的检测偏差。根据上文的描述,在实际应用时,第一检测结果经过属性管控处理后得以修正,形成第二检测结果。此时将第二检测结果与实际检测结果进行比对,可以判断属性管控能否使输出的检测结果的准确度得到优化,即属性管控的效果是否满足检测要求,若不一致说明当前检测参数下的光学检测系统无法稳定输出可靠的检测结果,说明光学检测系统当前使用的检测参数仍需进一步优化。
在本实施例中,实际检测结果可以为当前型号产品经人工复检的结果,实际检测结果可以为存储在数据存储单元中的历史检测记录,在执行检测参数调整时,通过产品的身份信息从数据存储单元中调取并使用。
在本实施例中,可以使用检测偏差来表征二者不一致的程度,通过观察调参后的检测偏差来判断当前作出的调参决策是否有利于光学检测系统无法稳定输出可靠的检测结果,即检测参数是否得到优化,从而为调参提供直观的指标以指导调参决策。
在步骤S104中,判断检测偏差是否满足要求。若是,则执行步骤S106,若否,则执行步骤S105后返回步骤S102。对于光学检测系统而言,检测偏差的数值越小,说明检测结果越稳定可靠。因此,在一些实施例中,可以设置一个检测偏差阈值作为检测偏差的上限,当检测偏差小于该检测偏差阈值时,即可认为此时的检测偏差已满足光学检测系统稳定输出可靠的检测结果的要求。
在步骤S105中,更新初始属性参数。若检测偏差还未满足光学检测系统稳定输出可靠的检测结果的要求,则认为当前所使用的属性参数管控过严/过松,因此需要调整当前所使用的属性参数。初始属性参数更新后会影响二次筛选的结果,即第二检测结果,进而影响检测偏差,此时可以根据更新后的检测偏差评估调参决策的正确性以及光学检测系统的性能。
在步骤S106中,确定当前型号产品对应的目标属性参数。在此步骤中,若光学检测系统未经属性参数的调整即可输出可靠的检测结果,则可以认为初始属性参数为与当前型号产品相适配的目标属性参数。若光学检测系统经过属性参数的调整,则将更新后的初始属性参数作为与当前型号产品相适配的目标属性参数。
需要说明的是,由于不同型号的产品存在不同的形态特征、不同的潜在缺陷类型以及不同缺陷类型对不同型号产品的影响程度也不尽相同,因此对于不同型号产品而言,其所适配的光学检测系统的最优检测参数也是不同的。在针对某一型号产品完成调参后,可以将调整后的检测参数与该型号产品关联,以便后续光学检测系统切换检测产品时直接调用相应的检测参数,节省后续检测时的调参时间。
示例性地,光学检测系统的数据存储单元可以存储有各型号产品在线生产的检测信息,包括但不限于:诸如二维码、型号编码等可以代表产品唯一性的身份信息。进一步地,光学检测系统的数据存储单元还可以存储每一产品的第一检测结果、第二检测结果、实际检测结果、所具有的缺陷类型、各缺陷类型的管控属性及其属性值。
在一些实施例中,检测偏差需要根据多个当前型号的产品的第一检测结果、第二检测结果和实际检测结果来计算,以确保检测偏差的可靠性,避免特殊个体导致检测偏差产生较大的误差。因此,在每个产品在线生产的过程中,即可将第一检测结果、第二检测结果、实际检测结果、所具有的缺陷类型、各缺陷类型的管控属性及其属性值存储至数据存储单元并与产品的身份信息相关联,从而方便后续调参时进行提取并使用。
进一步地,在一些实施例中,提取的途径可为在线生产的日志记录、生产制造智能管理系统或其它信息载体的反馈。首先以二维码或其它唯一性信息确定产品身份,接着筛选出第二检测结果和实际检测结果不一致的产品,然后查看存储的管控属性及其属性值,调参后则基于第一检测结果重新筛选得到更新的第二检测结果,并以更新后的第二检测结果与实际检测结果之间的检测偏差作为指标继续执行调参。
下面结合图2和图3对以检测偏差作为指标执行调参的过程进行说明,图2示出了本披露一些实施例的属性参数调整方法200的示例性流程图,图3示出了本披露另一些实施例的属性参数调整方法300的示例性流程图。
在图2和图3示出的方法中,检测偏差可以基于当前型号产品中的偏差产品数与总产品数来计算,其中偏差产品数为第二检测结果与实际检测结果不一致的产品的数量。进一步地,检测偏差可以包括过检率和/或漏检率。过检率可以根据第一偏差产品数与总产品数来计算,第一偏差产品指的是实际检测结果为良品而第二检测结果为不良品的产品。漏检率可以根据第二偏差产品数与总产品数来计算,第二偏差产品指的是实际检测结果为不良品而第二检测结果为良品的产品。
如图2所示,在步骤S201中,确定第一偏差产品数。在本实施例中,可以先通过身份信息找到同一型号的产品,接着通过身份信息提取出与之关联的实际检测结果和第二检测结果,若实际检测结果为良品而第二检测结果为不良品,则记录该产品,最终通过记录确定第一偏差产品数。
在步骤S202中,将第一偏差产品数与总产品数的比值作为过检率。在本实施例中,示例性地,过检率的计算公式如下:P=a1/S×100%,其中P表示过检率,S表示检测的总产品数,a1表示第一偏差产品数。
在步骤S203中,判断过检率是否小于预设偏差阈值。若是,则执行步骤S205,若否,则执行步骤S204后返回步骤S201。
过检率反映了当前的属性参数是否存在设置过严的情况,属性参数设置过严会导致属性管控单元导致部分缺陷特征不明显或不影响产品质量的缺陷特征影响产品的质检结果,将部分良品被误检为不良品。因此,当过检率大于或等于预设偏差阈值时,说明实际检测结果和第二检测结果之间的检测偏差不满足要求,需要对属性参数进行调整。
在步骤S204中,将属性阈值调大或将属性值范围调小。由于过检率大于或等于预设偏差阈值说明属性参数设置过严,因此,为了优化光学检测系统的性能,在针对过检的情况时,需要将属性阈值调大或将属性值范围调小。
以暗点这一缺陷类型为例,假定其面积属性的属性阈值设置为80,某一产品的实际检测结果为良品,第二检测结果因其面积属性的属性值为90,因超过了设置的属性阈值而被认定为不良品。此时认为面积属性的属性阈值设置不合理,容易发生过检现象,因此需将面积属性的属性阈值调大,例如调整至100,从而消除过检现象。
属性值范围与属性阈值同理,假定某一产品的实际检测结果为良品,第二检测结果因其面积属性的属性值落入设置的属性值范围而被认定为不良品。此时认为面积属性的属性值范围设置不合理,容易发生过检现象,因此需将面积属性的属性值范围调小,从而消除过检现象。
需要说明的是,每次完成属性参数的调整后,二次筛选的结果会发生变化,即第二检测结果会更新,进而可以重新确定第一偏差产品数,从而再次计算过检率。
在步骤S205中,确定目标属性阈值或目标属性值范围。通过步骤S201至步骤S204可以将第一偏差产品的各缺陷类型的管控属性的属性阈值或属性值范围调整至合适的数值或范围,从而得到当前型号产品的若干目标属性阈值或目标属性值范围。在当前型号产品中,当所有偏差产品的管控属性的属性阈值或属性值范围均调整至合适的数值或范围后,则可以得到适配当前型号产品的目标属性参数。
与图2所示方法相类似地,第二偏差产品的属性参数的调整过程如图3所示,在步骤S301中,确定第二偏差产品数。与第一偏差产品相类似地,第二偏差产品的信息也可以从数据存储单元中提取得到。
在步骤S302中,将第二偏差产品数与总产品数的比值作为漏检率。示例性地,漏检率的计算公式如下:M=a2/S×100%,其中M表示漏检率,S表示检测的总产品数,a2表示第二偏差产品数。
在步骤S303中,判断漏检率是否小于预设偏差阈值。若是,则执行步骤S305,若否,则执行步骤S304后返回步骤S301。
在步骤S304中,将属性阈值调小或将属性值范围调大。仍以暗点这一缺陷类型为例,假定其面积属性的属性阈值设置为100,某一产品的实际检测结果为不良品,第二检测结果因其面积属性的属性值为90,因未达到设置的属性阈值而被认定为良品。此时认为面积属性的属性阈值设置不合理,容易发生漏检现象,因此需将面积属性的属性阈值调小,例如调整至80,从而消除漏检现象。
在步骤S305中,确定目标属性阈值或目标属性值范围。在本实施例中,步骤S305的内容与前文实施例中的步骤S205一致,此处不再赘述。
需要说明的是,前文结合图2和图3描述的方法可以择一执行或组合执行,在组合执行时,二者可以以任意顺序先后执行或并行。
由于属性参数包括若干个属性阈值或属性值范围,且若干个属性阈值或属性值范围与当前型号产品所需管控的若干个管控属性一一对应,因此在完成各属性阈值或属性值范围的调整后,即可生成与当前型号产品相适配的目标属性参数。
在本披露实施例中,光学检测系统的检测参数除属性参数以外,还可以包括算法参数。在调整属性参数之前,需要先将自动光学检测单元所使用的算法参数固定,以便检测算法能够准确输出第一检测结果。在将算法参数的取值固定的过程中,也存在相应的调参方法。
图4示出了本披露一些实施例的用于调整算法参数的方法400的示例性流程图,如图4所示,在步骤S401中,获取样本缺陷图像组。在本实施例中,样本缺陷图像组来自预先标注有缺陷信息的样本图像集,其中缺陷信息可以包括但不限于:缺陷类型和坐标位置。
在步骤S402中,使用检测算法对样本缺陷图像组进行检测,以获得样本检测结果。在本实施例中,步骤S402所使用的检测算法采用的是基于初始算法参数的检测模型。
进一步地,样本图像集中的图像可以按照缺陷类型分类成若干个样本缺陷图像组,以便后续调整不同缺陷类型所使用的初始算法参数,使得检测算法在针对不同类型的缺陷时可以切换与之适配的算法参数。
在步骤S403中,判断样本检测结果与标注的缺陷信息是否匹配。若是,则执行步骤S405,若否,则执行步骤S404后返回步骤S402。在此步骤中,需要确定自动光学检测单元所使用的检测算法能否将样本缺陷图像组中标注的所有缺陷正确地识别出来,从而判定当前所使用的初始算法参数是否合格。
在步骤S404中,更新初始算法参数。若检测算法无法检测出样本缺陷图像组中标注的所有缺陷,则需要对使用的初始算法参数进行调整,直至样本缺陷图像组中标注的所有缺陷被检出。
在步骤S405中,确定固定算法参数。当样本缺陷图像组中标注的所有缺陷均能够被检出时,将当前的初始算法参数确定为与当前样本缺陷图像组对应缺陷类型相适配的固定算法参数。
在一些实施例中,在调整完固定算法参数之后,可以进一步根据样本缺陷图像组的样本检测结果来确定初始属性参数。
图5示出了本披露一些实施例的初始属性参数的确定方法500的示例性流程图,如图5所示,在步骤S501中,获取样本缺陷图像组。
在步骤S502中,使用检测算法对样本缺陷图像组进行检测,以获得样本检测结果。
在步骤S503中,判断样本检测结果与标注的缺陷信息是否匹配。若是,则执行步骤S505至步骤S507,若否,则执行步骤S504后返回步骤S502。
在步骤S504中,更新初始算法参数。
在步骤S505中,确定固定算法参数。
在本实施例中,步骤S501至步骤S505与前文实施例中的步骤S401至步骤S405一致,此处不再赘述。
在步骤S506中,确定缺陷信息中的每一缺陷类型所对应的管控属性。在实际应用时,对于每一种类型的缺陷而言,其所需关注或管控的属性有所差异。以暗点这一缺陷类型为例,根据工艺管控的规则,暗点只需要管控与大小相关的属性,则可以确定暗点这一缺陷类型的管控属性包括尺寸、面积、长宽比等属性。再以凹陷这一缺陷类型为例,根据工艺管控的规则,其还需要管控与位置相关的属性,因此凹陷这一缺陷类型的管控属性还包括坐标等属性。
在本实施例中,在设置每一种缺陷类型所适配的属性参数之前,需要先根据工艺管控的规则确定出每一缺陷类型所对应的管控属性。
需要说明的是,步骤S506也可以在步骤S502至步骤S505中的任一步骤之前执行,此处不作过多的限制。
在步骤S507中,根据固定算法参数下的样本检测结果筛选出每一管控属性的最小属性值,以形成初始属性参数。仍以暗点这一缺陷类型为例,假设步骤S506确定其管控属性为面积和长宽比。当判断样本检测结果与标注的缺陷信息匹配时,获取匹配的样本检测结果并读取其中所有产品的暗点面积和暗点长宽比的属性值。接着,将读取到的暗点面积的属性值中的最小值作为暗点这一缺陷特征的面积属性的初始属性阈值。同理,将读取到的暗点长宽比的属性值中的最小值作为暗点这一缺陷特征的长宽比属性的初始属性阈值。结合面积属性的初始属性阈值和长宽比属性的初始属性阈值即可得到暗点这一缺陷特征的初始属性参数。
综上,本披露实施例提供了一种用于调整检测参数的方法,其利用基于固定算法参数的检测算法获取产品的第一检测结果,利用初始属性参数对其二次筛选,从而获取第二检测结果。根据第二检测结果与实际检测结果的对比来反映光学检测系统的检测性能,根据能够反映检测性能的检测偏差对初始属性参数实现针对性的调整,从而指导操作者对调参作出更加精准可靠的决策,提高调参的精度和速度。
基于本披露前文结合附图所描述的调参方法,本披露实施例还提供了一种如图6所示的光学检测系统,图6示出了本披露实施例的光学检测系统600的示例性结构框图。该光学检测系统包括自动光学检测单元601、属性管控单元602、数据存储单元603和数据处理单元604。
在该光学检测系统中,自动光学检测单元601利用检测算法对输入的图像数据进行检测,从而输出第一检测结果。进一步地,自动光学检测单元可以根据输入的图像数据所需检测的缺陷类型调用相适配的固定算法参数,从而使用基于该固定算法参数的检测算法进行检测。
属性管控单元602则用于依据属性参数对自动光学检测单元输出的第一检测结果进行二次筛选,从而输出第二检测结果。进一步地,属性管控单元还可以根据缺陷类型调用相适配的目标属性参数,从而使用基于该目标属性参数的检测算法进行检测。
数据存储单元603分别与自动光学检测单元601、属性管控单元602和数据处理单元604连接,用于存储自动光学检测单元601输出的第一检测结果以及属性管控单元602输出的第二检测结果等信息。
数据处理单元604用于对数据存储单元603中存储的有效信息进行计算,例如根据第二检测结果和实际检测结果计算过检率和漏检率。
为了在软硬件层面实现本披露前文结合附图所描述的方法步骤,本披露实施例还提供了如图7所示的电子设备。具体来说,图7示出了本披露实施例的电子设备700的示例性结构框图。
如图7所示,本披露的电子设备700可以包括处理器710和存储器720。具体地,该存储器720上存储有可执行的程序指令。当所述程序指令由所述处理器710来执行时,使得所述电子设备实现如前文结合图1-图5所述的方法步骤。
可以理解的是,为了清楚地示出本披露的方案并避免与现有技术产生混淆,图7的电子设备700仅示出了与本披露实施例有关的组成元素,而省略那些对于实施本披露实施例可能必需但属于现有技术范畴的组成元素。因此,基于本披露公开的内容,本领域普通技术人员可以清楚地理解本披露的电子设备700还可以包括与图7中所示的组成元素不同的常见组成元素。
在示例性的实施场景中,上述的处理器710可以控制电子设备700的整体操作。例如,处理器710可以通过执行存储器720中存储的程序来控制电子设备700的操作。就实现方式而言,本披露的处理器710可以是电子设备700中提供的中央处理单元(CPU)、应用处理器(Application Processor, AP)、人工智能处理器芯片(Intelligent Processing Unit,IPU)等来实现。进一步,本披露的处理器710还可以按任何适当的方式来实现。例如,处理器710可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
就存储内容而言,存储器720可以用于存储电子设备700中处理的各种数据、指令的硬件。例如,存储器720可以存储电子设备700中的处理过的数据和待处理的数据。存储器720可存储处理器710已处理或要处理的数据集。此外,存储器720可以存储要由电子设备700驱动的应用、驱动程序等。例如:存储器720可以存储与将由处理器710执行的检测算法和数值计算的各种程序。存储器720可以是DRAM,但是本披露不限于此。就类型而言,存储器720可以包括易失性存储器或非易失性存储器中的至少一种。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、相变RAM(PRAM)、磁性RAM(MRAM)、电阻RAM(RRAM)、铁电RAM (FRAM)等。易失性存储器可以包括动态RAM(DRAM)、静态RAM(SRAM)、同步DRAM(SDRAM)、 PRAM、MRAM、RRAM、铁电RAM(FeRAM)等。在实施例中,存储器720可以包括硬盘驱动器(HDD)、固态驱动器(SSD)、高密度闪存(CF)、安全数字(SD)卡、微安全数字(Micro-SD)卡、迷你安全数字(Mini-SD)卡、极限数字(xD)卡、高速缓存(caches)或记忆棒中的至少一项。
综上,本说明书实施方式提供的电子设备700的存储器720和处理器710实现的具体功能,可以与本说明书中的前述实施方式相对照解释,并能够达到前述实施方式的技术效果,此处将不再赘述。
附加地或可选地,本披露还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有计算机程序指令(或计算机程序、或计算机指令代码),当所述计算机程序指令(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时,使所述处理器执行根据本披露的上述方法的各个步骤的部分或全部。
虽然本文已经示出和描述了本披露的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本披露思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本披露的过程中,可以采用对本文所描述的本披露实施例的各种替代方案。所附权利要求书旨在限定本披露的保护范围,并因此覆盖这些权利要求范围内的等同或替代方案。
Claims (10)
1.一种用于调整检测参数的方法,其特征在于,包括:
使用基于固定算法参数的检测算法对当前型号产品进行检测,以获得第一检测结果;
利用初始属性参数对所述第一检测结果进行筛选,以获得第二检测结果;以及
响应于所述第二检测结果与实际检测结果之间的检测偏差不满足要求,在更新所述初始属性参数后,返回利用初始属性参数对所述第一检测结果进行筛选的步骤,直至所述检测偏差满足要求时,将更新后的初始属性参数确定为当前型号产品对应的目标属性参数。
2.根据权利要求1所述的方法,其特征在于,其中使用基于固定算法参数的检测算法对当前型号产品进行检测之前,所述方法还包括:
使用基于初始算法参数的检测算法对样本缺陷图像组进行检测,以获得所述样本缺陷图像组的样本检测结果;
判断所述样本检测结果与所述样本缺陷图像组标注的缺陷信息是否匹配;以及
响应于所述样本检测结果与所述缺陷信息匹配,将当前的初始算法参数确定为所述固定算法参数。
3.根据权利要求2所述的方法,其特征在于,其中在判断所述样本检测结果与所述样本缺陷图像组标注的缺陷信息是否匹配之后,所述方法还包括:
响应于所述样本检测结果与所述缺陷信息不匹配,更新所述初始算法参数后返回使用基于初始算法参数的检测算法对样本缺陷图像组进行检测的步骤,直至所述样本检测结果与所述样本缺陷图像组标注的缺陷信息匹配。
4.根据权利要求2所述的方法,其特征在于,其中算法参数为所述检测算法的参数,属性参数包括若干个属性阈值或属性值范围,所述若干个属性阈值或属性值范围与当前型号产品所需管控的若干个管控属性一一对应。
5.根据权利要求4所述的方法,其特征在于,其中在判断所述样本检测结果与所述样本缺陷图像组标注的缺陷信息是否匹配之后,所述方法还包括:
响应于所述样本检测结果与所述缺陷信息匹配,根据所述样本检测结果筛选出每一管控属性的最小属性值,以形成所述初始属性参数。
6.根据权利要求5所述的方法,其特征在于,其中在根据所述样本检测结果筛选出每一管控属性的最小属性值之前,所述方法还包括:
确定所述缺陷信息中的每一缺陷类型所对应的管控属性。
7.根据权利要求1所述的方法,其特征在于,其中所述检测偏差包括过检率和/或漏检率,在获得第二检测结果之后,所述方法还包括:
基于当前型号产品中的偏差产品数与总产品数计算所述过检率和/或漏检率,其中所述偏差产品数为第二检测结果与实际检测结果不一致的产品的数量;
响应于所述过检率和/或漏检率小于预设偏差阈值,确定所述第二检测结果和所述实际检测结果之间的检测偏差满足要求;以及
响应于所述过检率和/或漏检率大于或等于预设偏差阈值,确定所述第二检测结果和所述实际检测结果之间的检测偏差不满足要求。
8. 根据权利要求7所述的方法,其特征在于,其中属性参数包括若干个属性阈值或属性值范围,更新所述初始属性参数包括:
响应于所述过检率大于或等于所述预设偏差阈值,将所述属性阈值调大或将所述属性值范围调小;以及
响应于所述漏检率大于或等于所述预设偏差阈值,将所述属性阈值调小或将所述属性值范围调大。
9. 一种电子设备,其特征在于,包括:
处理器;以及
存储器,其存储有可执行的程序指令,当所述程序指令由所述处理器执行时,使得所述设备实现根据权利要求1-8任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现如权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410324522.0A CN117934462A (zh) | 2024-03-21 | 2024-03-21 | 用于调整检测参数的方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410324522.0A CN117934462A (zh) | 2024-03-21 | 2024-03-21 | 用于调整检测参数的方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117934462A true CN117934462A (zh) | 2024-04-26 |
Family
ID=90757852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410324522.0A Pending CN117934462A (zh) | 2024-03-21 | 2024-03-21 | 用于调整检测参数的方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934462A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512428A (zh) * | 2015-12-30 | 2016-04-20 | 苏州优纳科技有限公司 | 一种自动光学检测设备的检测模板生成方法及装置 |
CN106525861A (zh) * | 2016-10-13 | 2017-03-22 | 广州视源电子科技股份有限公司 | Aoi的测试参数的调整方法和装置 |
CN107992900A (zh) * | 2017-12-18 | 2018-05-04 | 深圳市盛波光电科技有限公司 | 缺陷检测的样本获取方法、训练方法、装置、介质和设备 |
WO2022036953A1 (zh) * | 2020-08-19 | 2022-02-24 | 上海商汤智能科技有限公司 | 缺陷检测方法和相关装置、设备、存储介质、计算机程序产品 |
CN114240882A (zh) * | 2021-12-16 | 2022-03-25 | 深圳市商汤科技有限公司 | 缺陷检测方法及装置、电子设备和存储介质 |
WO2022241784A1 (zh) * | 2021-05-21 | 2022-11-24 | 京东方科技集团股份有限公司 | 缺陷检测方法及装置、存储介质及电子设备 |
US20220405909A1 (en) * | 2020-12-03 | 2022-12-22 | Boe Technology Group Co., Ltd. | Computer-implemented method for defect analysis, apparatus for defect analysis, computer-program product, and intelligent defect analysis system |
CN117636077A (zh) * | 2024-01-25 | 2024-03-01 | 高视科技(苏州)股份有限公司 | 缺陷检测参数调整方法、电子设备和储存介质 |
-
2024
- 2024-03-21 CN CN202410324522.0A patent/CN117934462A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512428A (zh) * | 2015-12-30 | 2016-04-20 | 苏州优纳科技有限公司 | 一种自动光学检测设备的检测模板生成方法及装置 |
CN106525861A (zh) * | 2016-10-13 | 2017-03-22 | 广州视源电子科技股份有限公司 | Aoi的测试参数的调整方法和装置 |
CN107992900A (zh) * | 2017-12-18 | 2018-05-04 | 深圳市盛波光电科技有限公司 | 缺陷检测的样本获取方法、训练方法、装置、介质和设备 |
WO2022036953A1 (zh) * | 2020-08-19 | 2022-02-24 | 上海商汤智能科技有限公司 | 缺陷检测方法和相关装置、设备、存储介质、计算机程序产品 |
US20220405909A1 (en) * | 2020-12-03 | 2022-12-22 | Boe Technology Group Co., Ltd. | Computer-implemented method for defect analysis, apparatus for defect analysis, computer-program product, and intelligent defect analysis system |
WO2022241784A1 (zh) * | 2021-05-21 | 2022-11-24 | 京东方科技集团股份有限公司 | 缺陷检测方法及装置、存储介质及电子设备 |
CN114240882A (zh) * | 2021-12-16 | 2022-03-25 | 深圳市商汤科技有限公司 | 缺陷检测方法及装置、电子设备和存储介质 |
CN117636077A (zh) * | 2024-01-25 | 2024-03-01 | 高视科技(苏州)股份有限公司 | 缺陷检测参数调整方法、电子设备和储存介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230419472A1 (en) | Defect detection method, device and system | |
CN109300127B (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
US11189019B2 (en) | Method for detecting defects, electronic device, and computer readable medium | |
TW201724017A (zh) | 物品缺陷檢測方法、影像處理系統與電腦可讀取記錄媒體 | |
CN112528975A (zh) | 工业质检方法、装置和计算机可读存储介质 | |
JP2021532459A (ja) | 標的細胞標識方法、装置、記憶媒体及び端末デバイス | |
CN110599484B (zh) | 缺陷检测方法、装置及存储介质 | |
CN108492327B (zh) | Aoi图像匹配方法、系统、可读存储介质及智能设备 | |
CN111598827A (zh) | 外观瑕疵检测方法、电子装置及存储介质 | |
US20160321792A1 (en) | System and a method for automatic recipe validation and selection | |
CN111178446A (zh) | 一种基于神经网络的目标分类模型的优化方法、装置 | |
CN110599479A (zh) | 一种监测区域变化检测方法、装置及存储介质 | |
US11132790B2 (en) | Wafer map identification method and computer-readable recording medium | |
CN115060725A (zh) | 一种双圆盘外观检测方法及装置 | |
US20200082225A1 (en) | Inspection device and machine learning method | |
CN114596309A (zh) | 焊缝缺陷的检测、模型训练方法、系统、设备和存储介质 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN113554645A (zh) | 基于wgan的工业异常检测方法和装置 | |
CN117934462A (zh) | 用于调整检测参数的方法、电子设备及存储介质 | |
CN110866484A (zh) | 驾驶员人脸检测方法、计算机装置及计算机可读存储介质 | |
CN113870754B (zh) | 一种面板检测电子信号缺陷判定的方法和系统 | |
CN115880481A (zh) | 一种基于边缘轮廓的曲线定位算法及系统 | |
CN115861161A (zh) | 机器学习系统、学习数据收集方法以及存储介质 | |
US11250349B2 (en) | System for generating learning data | |
CN114636827A (zh) | 反应曲线的异常点剔除方法、装置、设备和介质 |
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 |