JP2022539909A - Electronic device frame appearance defect inspection method and apparatus - Google Patents
Electronic device frame appearance defect inspection method and apparatus Download PDFInfo
- Publication number
- JP2022539909A JP2022539909A JP2022502023A JP2022502023A JP2022539909A JP 2022539909 A JP2022539909 A JP 2022539909A JP 2022502023 A JP2022502023 A JP 2022502023A JP 2022502023 A JP2022502023 A JP 2022502023A JP 2022539909 A JP2022539909 A JP 2022539909A
- Authority
- JP
- Japan
- Prior art keywords
- electronic device
- frame
- defect
- network
- image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 165
- 238000007689 inspection Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000015654 memory Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000032544 Cicatrix Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
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
- 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
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
【課題】携帯電話の中古電子デバイスのような電子デバイスのフレーム外観の瑕疵差異を正確に識別することができる装置とその方法を提供する。【解決手段】電子デバイスの外観画像を取得することと、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整することと、調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力することと、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果が受信され、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含むこととを含むことを特徴とする。【選択図】図１Kind Code: A1 A device and method for accurately identifying defects in the frame appearance of an electronic device such as a used electronic device of a mobile phone. An appearance image of an electronic device is obtained, a frame appearance area image of the electronic device is extracted from the appearance image of the electronic device, and the frame appearance area image is adjusted to an image having the same length and width. inputting the frame appearance area image after adjustment into a trained FPN network-backbone network combined model; and outputting the defect inspection result of the frame appearance area of the electronic device from the FPN network-backbone network combined model. is received, and the defect inspection result includes the defect type of the electronic device frame, the defect position in the electronic device frame, and the reliability of the defect inspection result. [Selection drawing] Fig. 1
Description
本発明は、コンピューター分野に関し、特に、電子デバイスフレーム外観瑕疵検査方法及び装置に関する。 The present invention relates to the computer field, and more particularly to an electronic device frame appearance defect inspection method and apparatus.
現在、例えば、携帯電話等のような中古の電子デバイスのフレーム外観の欠陥検査において、伝統的な画像アルゴリズムに基づき、色空間変換、ろ波、特徴点抽出、パターンマッチングにより検査を行い、伝統的な検査方法によれば、あるエリアに欠陥を検査することができるが、欠陥の定義に対して区別することができない。 Currently, for example, in the frame appearance defect inspection of second-hand electronic devices such as mobile phones, based on traditional image algorithms, inspection is performed by color space conversion, filtering, feature point extraction, and pattern matching. Some inspection methods can inspect defects in certain areas, but cannot distinguish against the definition of defects.
本発明が解決しようとする課題は、上述したように例えば、携帯電話等のような中古の電子デバイスのフレーム外観の欠陥検査において、伝統的な画像アルゴリズムに基づき、色空間変換、ろ波、特徴点抽出、パターンマッチングにより検査を行い、伝統的な検査方法によれば、あるエリアに欠陥を検査することができるが、欠陥の定義に対して区別することができない。これを解消することを提供することである。 As described above, the problem to be solved by the present invention is, for example, in the defect inspection of the frame appearance of second-hand electronic devices such as mobile phones, based on traditional image algorithms, color space conversion, filtering, and characterization. Inspection is performed by point extraction and pattern matching. According to the traditional inspection method, defects can be inspected in a certain area, but they cannot be distinguished according to the definition of defects. It is to provide a solution to this problem.
本発明の一目的は、電子デバイスフレーム外観瑕疵検査方法及び装置を提供することにある。
本発明の一方によれば、電子デバイスフレーム外観瑕疵検査方法を提供する。
この方法は、
An object of the present invention is to provide an electronic device frame appearance defect inspection method and apparatus.
According to one aspect of the present invention, an electronic device frame appearance defect inspection method is provided.
This method
電子デバイスの外観画像を取得するステップと、
前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整するステップと、
調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力するステップと、
前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果が受信され、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含むステップと、を含む。
obtaining an exterior image of the electronic device;
extracting a frame appearance area image of the electronic device from the appearance image of the electronic device and adjusting the frame appearance area image to an image having the same length and width;
inputting the adjusted frame appearance area image into a joint model of a trained FPN network and a backbone network;
A defect inspection result of the electronic device frame appearance area output from the combined model of the FPN network and the backbone network is received, and the defect inspection result includes the defect type of the electronic device frame, the defect position in the electronic device frame, and the defect inspection. including the confidence of the result.
さらに、上述した方法において、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出するステップは、
Ｕｎｅｔ実例分割の方式で、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出することを含む。
Further, in the above method, the step of extracting a frame appearance area image of the electronic device from the appearance image of the electronic device comprises:
Extracting a frame exterior area image of the electronic device from the exterior image of the electronic device in a manner of Unet instance segmentation.
さらに、上述した方法において、前記ｂａｃｋｂｏｎｅネットワークの前２層はｒｅｓ構造を用い、ネットワークの後２層はｉｎｃｅｐｔｉｏｎ構造を用いる。 Further, in the above method, the front two layers of the backbone network use the res structure and the back two layers of the network use the inception structure.
さらに、上述した方法において、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果が受信された後、さらに、
前記瑕疵検査結果の信頼度は第１の予め設定された閾値より大きいかを識別することと、
前記第１の予め設定された閾値より大きい場合、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置を含む結果情報を出力することとを含む。
Further, in the above method, after receiving the defect inspection result of the frame appearance area of the electronic device output from the combined model of the FPN network and the backbone network,
identifying whether the reliability of the defect inspection result is greater than a first preset threshold;
if greater than the first preset threshold, outputting result information including the defect type of the electronic device frame and the defect location in the electronic device frame.
さらに、上述した方法において、前記フレーム外観エリア画像をＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力する前、さらに、
ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデル及びその初期のモデルパラメータを予め設定するステップ１と、
Further, in the above method, before inputting the frame exterior area image into the joint model of the FPN network and the backbone network,
step 1 of presetting a joint model of the FPN network and the backbone network and its initial model parameters;
サンプル電子デバイスのフレーム外観エリア画像を現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力し、サンプル電子デバイスのフレームの瑕疵予測結果を取得し、前記瑕疵予測結果は、サンプル電子デバイスのフレームの瑕疵種類、サンプル電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含むステップ２と、
Inputting the frame appearance area image of the sample electronic device into the combined model of the FPN network and the backbone network with current model parameters, obtaining the defect prediction result of the frame of the sample electronic device, wherein the defect prediction result is the frame of the sample electronic device.
予め設定された目的関数に基づき、前記瑕疵予測結果とサンプル電子デバイスの真実瑕疵結果の間の差を算出し、前記差は第２の予め設定された閾値より大きいかを識別するステップ３と、 Step 3: calculating the difference between the defect prediction result and the true defect result of the sample electronic device based on a preset objective function, and identifying if the difference is greater than a second preset threshold;
前記差は第２の予め設定された閾値より大きい場合、前記差に基づき、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルパラメータを更新した後、改めてステップ２から実行するステップ４と、
step 4, if the difference is greater than a second preset threshold, performing
前記差は第２の予め設定された閾値の以下である場合、トレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルとして、現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルを用いるステップ５と、を含む。 if the difference is less than or equal to a second preset threshold, using the joint model of the FPN network and the backbone network with the current model parameters as the joint model of the trained FPN network and the backbone network; include.
さらに、上述した方法において、前記フレーム外観エリア画像を長さと幅が同じの画像に調整するステップは、
前記フレーム外観エリア画像の長さ方向を拡大縮小し、前記フレーム外観エリア画像の幅方向を充填することを含む。
Further, in the above method, the step of adjusting the frame exterior area image to an image having the same length and width includes:
Scaling the frame exterior area image lengthwise and filling the frame exterior area image widthwise.
本発明の他方によれば、電子デバイスフレーム外観瑕疵検査装置がさらに提供される。この装置は、
電子デバイスの外観画像を取得することに用いられる第１の装置と、
前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整する第２の装置と、
調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力する第３の装置と、
Another aspect of the present invention further provides an electronic device frame visual defect inspection apparatus. This device
a first device used to acquire an appearance image of an electronic device;
a second apparatus for extracting a frame appearance area image of the electronic device from the appearance image of the electronic device and adjusting the frame appearance area image to an image having the same length and width;
a third device for inputting the adjusted frame appearance area image into a joint model of the trained FPN network and the backbone network;
前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果を受信することに用いられ、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む第４の装置と、を含む。
さらに、上述した装置において、前記第２の装置は、Ｕｎｅｔ実例分割の方式で、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出することに用いられる。
It is used to receive the defect inspection result of the electronic device frame appearance area output from the combined model of the FPN network and the backbone network, and the defect inspection result includes the defect type of the electronic device frame and the defect in the electronic device frame. and a fourth device that includes the reliability of the position and defect inspection results.
Further, in the above apparatus, the second device is used to extract the frame exterior area image of the electronic device from the exterior image of the electronic device in a manner of Unet instance segmentation.
さらに、上述した装置において、前記ｂａｃｋｂｏｎｅネットワークの前２層はｒｅｓ構造を用い、ネットワークの後２層はｉｎｃｅｐｔｉｏｎ構造を用いる。
さらに、上述した装置において、前記第４の装置はさらに、前記瑕疵検査結果の信頼度は第１の予め設定された閾値より大きいかを識別し、前記第１の予め設定された閾値より大きい場合、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置を含む結果情報を出力することに用いられる。
Further, in the apparatus described above, the front two layers of the backbone network use the res structure and the back two layers of the network use the inception structure.
Further, in the apparatus described above, the fourth device further identifies whether the reliability of the defect inspection result is greater than a first preset threshold, and if it is greater than the first preset threshold , the type of defect in the frame of the electronic device, and the position of the defect in the frame of the electronic device.
さらに、上述した装置において、さらに第５の装置を含み、前記第５の装置は、
ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデル及びその初期のモデルパラメータを予め設定することに用いられる第５１の装置と、
サンプル電子デバイスのフレーム外観エリア画像を現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力し、サンプル電子デバイスのフレームの瑕疵予測結果を取得することに用いられ、前記瑕疵予測結果は、サンプル電子デバイスのフレームの瑕疵種類、サンプル電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む第５２の装置と、
予め設定された目的関数に基づき、前記瑕疵予測結果とサンプル電子デバイスの真実瑕疵結果との間の差を算出し、前記差は第２の予め設定された閾値より大きいかを識別し、前記差は第２の予め設定された閾値より大きい場合、第５４の装置を起動させ、前記差は第２の予め設定された閾値の以下である場合、第５５の装置を起動させることに用いられる第５３の装置と、
第５４の装置であって、前記差に基づき、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルパラメータを更新した後、改め第５２の装置から実行することに用いられる第５４の装置と、
第５５の装置であって、トレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルとして、現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルを用いることに用いられる第５５の装置と、を含む。
さらに、上述した装置において、前記第２の装置は、前記フレーム外観エリア画像の長さ方向を拡大縮小し、前記フレーム外観エリア画像の幅方向を充填することに用いられる。
Further, the apparatus as described above further includes a fifth apparatus, the fifth apparatus comprising:
a fifty-first device used to preset a joint model of the FPN network and the backbone network and its initial model parameters;
The frame appearance area image of the sample electronic device is input into the combined model of the FPN network and the backbone network with the current model parameters, and is used to obtain the defect prediction result of the frame of the sample electronic device. a fifty-second device including the defect type of the electronic device frame, the defect location in the sample electronic device frame, and the reliability of the defect inspection result;
calculating a difference between the defect prediction result and the true defect result of the sample electronic device based on a preset objective function; identifying whether the difference is greater than a second preset threshold; used to activate a 54th device if is greater than a second preset threshold and activate a 55th device if said difference is less than or equal to a second preset threshold. 53 devices;
a fifty-fourth device, which is used to update the joint model parameters of the FPN network and the backbone network based on the difference, and then execute again from the fifty-second device;
a fifty-fifth apparatus used for using the joint model of the FPN network and the backbone network having the current model parameters as the joint model of the FPN network and the backbone network that has been trained.
Further, in the apparatus described above, the second device is used to scale the length direction of the frame appearance area image and to fill the width direction of the frame appearance area image.
本発明により、算出に基づく装置がさらに提供される。前記装置は、
プロセッサーと、
コンピューターが実行できるコマンドを格納できるように配置されるメモリとを含み、前記実行できるコマンドが実行されるとき、前記プロセッサーは、
電子デバイスの外観画像を取得し、
前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整し、
調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力し、
前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果を受信し、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む。
The present invention further provides a computation-based apparatus. The device comprises:
a processor;
a memory arranged to store computer-executable commands, wherein when the executable commands are executed, the processor:
Acquire appearance images of electronic devices,
extracting a frame appearance area image of the electronic device from the appearance image of the electronic device, adjusting the frame appearance area image to an image having the same length and width;
inputting the adjusted frame appearance area image into the joint model of the trained FPN network and the backbone network;
receiving the defect inspection result of the electronic device frame appearance area output from the combined model of the FPN network and the backbone network, the defect inspection result including the defect type of the electronic device frame, the defect position in the electronic device frame, and the defect inspection; Contains the confidence level of the result.
本発明により、コンピューターが実行できるコマンドを格納するコンピューター可読記憶媒体がさらに提供される。このコンピューターが実行できるコマンドがプロセッサーにより実行されるとき、このプロセッサーは、
電子デバイスの外観画像を取得し、
前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整し、
調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力し、
前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果を受信し、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む。
The present invention further provides a computer-readable storage medium storing computer-executable commands. When a command that this computer can execute is executed by the processor, this processor:
Acquire appearance images of electronic devices,
extracting a frame appearance area image of the electronic device from the appearance image of the electronic device, adjusting the frame appearance area image to an image having the same length and width;
inputting the adjusted frame appearance area image into the joint model of the trained FPN network and the backbone network;
receiving the defect inspection result of the electronic device frame appearance area output from the combined model of the FPN network and the backbone network, the defect inspection result including the defect type of the electronic device frame, the defect position in the electronic device frame, and the defect inspection; Contains the confidence level of the result.
従来の技術に比べて、本発明は、電子デバイスの外観画像を取得し、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整し、調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力し、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果を受信し、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含むことにより、例えば携帯電話である中古電子デバイスのような電子デバイスのフレーム外観の瑕疵差異を正確に識別することができる。 Compared with the prior art, the present invention obtains an appearance image of an electronic device, extracts a frame appearance area image of the electronic device from the appearance image of the electronic device, extracts the frame appearance area image of the same length and width. image, input the adjusted frame appearance area image to the combined model of the trained FPN network and the backbone network, and output the frame appearance area image of the electronic device from the combined model of the FPN network and the backbone network. The result is received, and the defect inspection result includes the defect type of the electronic device frame, the position of the defect in the electronic device frame, and the reliability of the defect inspection result. Defect differences in the frame appearance of the device can be accurately identified.
以下の図面を参照して作成した非制限的実施例に対する詳細な記述を閲読することにより、本発明のその他の特徴、目的及びメリットは明らかになる。
以下、図面を参照しながら、本発明を詳細に説明する。 The present invention will be described in detail below with reference to the drawings.
本願の典型的な機器構成において、端末、サーバー及び信頼できる第３の者機関はいずれも１つまたは複数のプロセッサー（ＣＰＵ）、入力／出力インターフェース、ネットワークインターフェース及びメモリを含む。
メモリは、コンピューター可読媒体における揮発性メモリ、ランダムアクセスメモリ（ＲＡＭ）及び／又は例えば、リードオンリメモリ（ＲＯＭ）またはフラッシュメモリ（ｆｌａｓｈ ＲＡＭ）のような不揮発性メモリ等を含む。メモリはコンピューター可読媒体の一例である。
コンピューター可読媒体は不揮発性と揮発性、可搬型と据え置き型媒体を含み、あらゆる方法や技術により情報格納を実現することができる。情報は、コンピューター可読コマンド、データ構造、プログラムのモジュールまたはその他のデータである。コンピューターの記憶媒体の例として、相変化メモリ（ＰＲＡＭ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、その他のタイプのランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、フラッシュメモリまたはその他のメモリ技術、コンパクトディスクリードオンリメモリ（ＣＤ－ＲＯＭ）、デジタルビデオディスク（ＤＶＤ）またはその他の光学記憶装置、カセットテープ、磁気ディスクまたはその他の磁気記憶装置または、演算装置がアクセスする情報を格納することに用いられるあらゆるその他の非伝送媒体を含むが、これらに限られない。本明細書の限定によれば、例えば、変調のデータ信号及び搬送波のようなコンピューター可読媒体は一時的記憶コンピューター可読媒体（ｔｒａｎｓｉｔｏｒｙ ｍｅｄｉａ）を含まない。
本発明により提供される電子デバイスフレーム外観瑕疵検査方法は下記のステップＳ１～Ｓ４を含む。
In a typical configuration of this application, the terminal, server and trusted third party all include one or more processors (CPUs), input/output interfaces, network interfaces and memory.
The memory includes volatile memory, random access memory (RAM), and/or non-volatile memory, such as read only memory (ROM) or flash RAM, and the like, in a computer readable medium. Memory is an example of a computer-readable medium.
Computer-readable media, including non-volatile and volatile, portable and stationary media, can implement information storage by any method or technology. Information can be computer-readable commands, data structures, program modules, or other data. Examples of computer storage media include phase change memory (PRAM), static random access memory (SRAM), dynamic random access memory (DRAM), other types of random access memory (RAM), read only memory (ROM), electronic erasable programmable read-only memory (EEPROM), flash memory or other memory technology, compact disc read-only memory (CD-ROM), digital video disc (DVD) or other optical storage device, cassette tape, magnetic disc or other or any other non-transmission medium used to store information accessed by a computing device. According to the limitations herein, computer-readable media, such as modulated data signals and carrier waves, do not include transitory media.
The electronic device frame appearance defect inspection method provided by the present invention includes the following steps S1 to S4.
ステップＳ１において、電子デバイスの外観画像を取得する。
ステップＳ２において、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整する。
ここで、電子デバイスのフレーム外観エリアは、電子デバイスにおける前面スクリーンエリアと背面エリアを除いた側面エリアを含む。この側面エリアは、一般的には、イヤホンジャック、スピーカー、充電差込口などの部品が取り付けられる。
フレーム外観エリア画像にはアスペクト比が異なっている場合が存在する。後続のモデル識別において、画像損失を回避するために、フレーム外観エリア画像のアスペクト比を１：１に調整する。
In step S1, an appearance image of the electronic device is acquired.
In step S2, a frame appearance area image of the electronic device is extracted from the appearance image of the electronic device, and the frame appearance area image is adjusted to have the same length and width.
Here, the frame appearance area of the electronic device includes the side areas of the electronic device excluding the front screen area and the rear area. This side area is typically where components such as earphone jacks, speakers, charging receptacles, etc. are attached.
Frame appearance area images may have different aspect ratios. In subsequent model identification, the aspect ratio of the frame appearance area image is adjusted to 1:1 to avoid image loss.
ステップＳ３において、調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力する。
ステップＳ４において、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果が受信され、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む。
前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルは図３に示す。
ここで、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果が受信され、図２に示すように、それぞれの瑕疵検査結果はｃｌｓ、ｘ１、ｙ１、ｘ２、ｙ２、ｓｃｏｒｅを含む。ｃｌｓは欠陥タイプである。ｘ１、ｙ１、ｘ２、ｙ２はフレーム外観エリア画像における瑕疵位置の４つの座標である。ｓｃｏｒｅはこの瑕疵の信頼度である。
In step S3, the adjusted frame appearance area image is input to the joint model of the trained FPN network and the backbone network.
In step S4, the defect inspection result of the electronic device frame appearance area output from the combined model of the FPN network and the backbone network is received. Includes position and reliability of defect inspection results.
A combined model of the FPN network and the backbone network is shown in FIG.
Here, the defect inspection results of the frame appearance area of the electronic device output from the combined model of the FPN network and the backbone network are received, and as shown in FIG. y2, including score. cls is the defect type. x1, y1, x2, y2 are the four coordinates of the defect position in the frame appearance area image. score is the reliability of this defect.
本発明は主に、改進した特徴ピラミッド（ＦＰＮ）ネットワーク結合ｂａｃｋｂｏｎｅネットワークのディープラーニングモデルを利用し、例えば、携帯電話のような中古電子デバイスのフレーム外観の瑕疵差異を正確に識別でき、瑕疵種類を正確に区別できる。
本発明の電子デバイスフレーム外観瑕疵検査方法による一実施例において、ステップＳ２では、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、
Ｕｎｅｔ実例分割の方式で、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出する。
The present invention mainly utilizes the deep learning model of the improved feature pyramid (FPN) network-connected backbone network, which can accurately identify the defect difference of the frame appearance of second-hand electronic devices, such as mobile phones, and identify the defect type. can be distinguished accurately.
In one embodiment of the electronic device frame appearance defect inspection method of the present invention, in step S2, a frame appearance area image of the electronic device is extracted from the appearance image of the electronic device,
A frame appearance area image of the electronic device is extracted from the appearance image of the electronic device in the manner of Unet instance segmentation.
ここで、Ｕｎｅｔ実例分割により、フレーム外観エリア画像を素早く取得できる。
本発明の電子デバイスフレーム外観瑕疵検査方法による一実施例において、前記ｂａｃｋｂｏｎｅネットワークの前２層はｒｅｓ構造を用い、ネットワークの後２層はｉｎｃｅｐｔｉｏｎ構造を用いる。
本発明の電子デバイスフレーム外観瑕疵検査方法による一実施例において、ステップＳ４では、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果を受信した後、さらに、
前記瑕疵検査結果の信頼度は第１の予め設定された閾値より大きいかを識別し、
前記第１の予め設定された閾値より大きい場合、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置を含む結果情報を出力する。
ここで、電子デバイスフレームの瑕疵種類は、割れ目、フレームとスクリーン分離、変形、断裂欠落、大面積ペンキ剥がれ、小面積ペンキ剥がれ（変形、凹みに色が露出）、凹んで色が不変、傷跡が深くて色が周りと異なること、小点であって色が周りと異なること、断裂などを含む。
本実施例は前記瑕疵検査結果の信頼度を識別することにより、瑕疵検査結果から信頼できる結果を選別して出力することができる。
Here, the Unet instance segmentation can quickly obtain the frame appearance area image.
In one embodiment according to the electronic device frame appearance defect inspection method of the present invention, the front two layers of the backbone network use the res structure, and the back two layers of the network use the inception structure.
In one embodiment of the electronic device frame appearance defect inspection method of the present invention, in step S4, after receiving the defect inspection result of the frame appearance area of the electronic device output from the combined model of the FPN network and the backbone network,
identifying whether the reliability of the defect inspection result is greater than a first preset threshold;
If it is greater than the first preset threshold, output result information including the defect type of the electronic device frame and the defect location in the electronic device frame.
Here, the types of defects in the electronic device frame are cracks, separation of the frame and the screen, deformation, tearing and missing, large-area paint peeling, small-area paint peeling (deformation, color exposed in dents), dents that do not change color, and scars. Including deep and different colors, small dots and different colors, and ruptures.
In this embodiment, by identifying the reliability of the defect inspection results, it is possible to select and output reliable results from the defect inspection results.
本発明の電子デバイスフレーム外観瑕疵検査方法による一実施例において、ステップＳ３では、前記フレーム外観エリア画像をＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力する前、さらに、以下のステップ１～５を含む。
ステップ１において、ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデル及びその初期のモデルパラメータを予め設定する。
ステップ２において、サンプル電子デバイスのフレーム外観エリア画像を現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力し、サンプル電子デバイスのフレームの瑕疵予測結果を取得し、前記瑕疵予測結果は、サンプル電子デバイスのフレームの瑕疵種類、サンプル電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む。
In one embodiment of the electronic device frame appearance defect inspection method of the present invention, step S3 includes the following steps 1 to 5 before inputting the frame appearance area image to the combined model of the FPN network and the backbone network.
In step 1, a joint model of the FPN network and the backbone network and its initial model parameters are preset.
In
ステップ３において、予め設定された目的関数に基づき、前記瑕疵予測結果とサンプル電子デバイスの真実瑕疵結果との間の差を算出し、前記差は第２の予め設定された閾値より大きいかを識別する。
前記差は第２の予め設定された閾値より大きい場合、ステップ４において、前記差に基づき、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルパラメータを更新した後、改めてステップ２から実行する。
前記差は第２の予め設定された閾値の以下である場合、ステップ５において、トレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルとして、現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルを用いる。
In
If the difference is greater than a second preset threshold, in step 4, update the joint model parameters of the FPN network and the backbone network according to the difference, and then repeat
If the difference is less than or equal to a second preset threshold, in step 5, use the joint model of the FPN network and the backbone network with the current model parameters as the joint model of the trained FPN network and the backbone network.
ここで、前記差は第２の予め設定された閾値より大きいかを識別することにより、ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルを循環してトレーニングし、信頼できるモデルを取得することができる。
本発明の電子デバイスフレーム外観瑕疵検査方法による一実施例において、前記フレーム外観エリア画像を長さと幅が同じ画像に調整し、
前記フレーム外観エリア画像の長さ方向を拡大縮小し、そして、前記フレーム外観エリア画像の幅方向を充填する。
Now, by identifying if the difference is greater than a second preset threshold, the joint model of the FPN network and the backbone network can be trained in a circular fashion to obtain a reliable model.
In one embodiment according to the electronic device frame appearance defect inspection method of the present invention, the frame appearance area image is adjusted to have the same length and width,
The length direction of the frame appearance area image is scaled and the width direction of the frame appearance area image is filled.
ここで、処理するとき、前記フレーム外観エリア画像の長辺を拡大縮小し、短辺を充填する方式により処理を行い、前記フレーム外観エリア画像を長さと幅が同じの画像にする。
本発明により提供される電子デバイスフレーム外観瑕疵検査装置は、以下の第１～第４の装置を含む。
Here, when processing, the long sides of the frame appearance area image are scaled and the short sides are filled in, so that the frame appearance area image has the same length and width.
An electronic device frame visual defect inspection apparatus provided by the present invention includes the following first to fourth apparatuses.
第１の装置は、電子デバイスの外観画像を取得することに用いられる。
第２の装置は、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整することに用いられる。
ここで、電子デバイスのフレーム外観エリアは、電子デバイスにおける前面スクリーンエリアと背面エリアを除いた側面エリアを含む。この側面エリアは、一般的には、イヤホンジャック、スピーカー、充電差込口などの部品が取り付けられる。
フレーム外観エリア画像にはアスペクト比が異なっている場合が存在する。後続のモデル識別において、画像損失を回避するために、フレーム外観エリア画像のアスペクト比を１：１に調整する。
第３の装置は、調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力することに用いられる。
第４の装置は、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果を受信することに用いられる。前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む。
A first device is used to acquire an appearance image of an electronic device.
A second device is used to extract a frame appearance area image of the electronic device from the appearance image of the electronic device and adjust the frame appearance area image to an image having the same length and width.
Here, the frame appearance area of the electronic device includes the side areas of the electronic device excluding the front screen area and the rear area. This side area is typically where components such as earphone jacks, speakers, charging receptacles, etc. are attached.
Frame appearance area images may have different aspect ratios. In subsequent model identification, the aspect ratio of the frame appearance area image is adjusted to 1:1 to avoid image loss.
The third device is used to input the adjusted frame appearance area image to the joint model of the trained FPN network and the backbone network.
A fourth device is used to receive the defect inspection result of the frame appearance area of the electronic device output from the combined model of the FPN network and the backbone network. The defect inspection result includes the defect type of the electronic device frame, the position of the defect in the electronic device frame, and the reliability of the defect inspection result.
ここで、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果が受信され、それぞれの瑕疵検査結果はｃｌｓ、ｘ１、ｙ１、ｘ２、ｙ２、ｓｃｏｒｅを含む。ｃｌｓは欠陥タイプである。ｘ１、ｙ１、ｘ２、ｙ２はフレーム外観エリア画像における瑕疵位置の４つの座標である。ｓｃｏｒｅはこの瑕疵の信頼度である。 Here, the defect inspection result of the frame appearance area of the electronic device output from the combined model of the FPN network and the backbone network is received, each defect inspection result including cls, x1, y1, x2, y2, score. cls is the defect type. x1, y1, x2, y2 are the four coordinates of the defect position in the frame appearance area image. score is the reliability of this defect.
本発明は主に、改進した特徴ピラミッド（ＦＰＮ）ネットワーク結合ｂａｃｋｂｏｎｅネットワークのディープラーニングモデルを利用し、例えば、携帯電話のような中古電子デバイスのフレーム外観差異を正確に識別できる。
本発明の電子デバイスフレーム外観瑕疵検査方法による一実施例において、前記第２の装置は、Ｕｎｅｔ実例分割の方式で、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出することに用いられる。
ここで、Ｕｎｅｔ実例分割により、フレーム外観エリア画像を素早く取得できる。
本発明の電子デバイスフレーム外観瑕疵検査方法による一実施例において、前記ｂａｃｋｂｏｎｅネットワークの前２層はｒｅｓ構造を用い、ネットワークの後２層はｉｎｃｅｐｔｉｏｎ構造を用いる。
本発明の電子デバイスフレーム外観瑕疵検査方法による一実施例において、前記第４の装置はさらに、前記瑕疵検査結果の信頼度は第１の予め設定された閾値より大きいかを識別することに用いられる。前記第１の予め設定された閾値より大きい場合、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置を含む結果情報を出力する。
ここで、電子デバイスフレームの瑕疵種類はレベルが上がる浅い傷、深い傷及び断裂を含む。
The present invention mainly utilizes the deep learning model of the enhanced feature pyramid (FPN) network-connected backbone network, which can accurately identify the frame appearance differences of second-hand electronic devices, such as mobile phones.
In one embodiment according to the electronic device frame appearance defect inspection method of the present invention, the second device extracts the frame appearance area image of the electronic device from the appearance image of the electronic device in the manner of Unet instance division. Used.
Here, the Unet instance segmentation can quickly obtain the frame appearance area image.
In one embodiment according to the electronic device frame appearance defect inspection method of the present invention, the front two layers of the backbone network use the res structure, and the back two layers of the network use the inception structure.
In one embodiment according to the electronic device frame appearance defect inspection method of the present invention, the fourth device is further used to identify whether the reliability of the defect inspection result is greater than a first preset threshold. . If it is greater than the first preset threshold, output result information including the defect type of the electronic device frame and the defect location in the electronic device frame.
Here, the defect types of the electronic device frame include shallow scratches, deep scratches and fractures of increasing levels.
本実施例は、前記瑕疵検査結果の信頼度を識別することにより、瑕疵検査結果から信頼できる結果を選別して出力することができる。
本発明の電子デバイスフレーム外観瑕疵検査方法による一実施例において、さらに第５の装置を含む。前記第５の装置は以下の第５１～５５の装置を含む。
第５１の装置は、ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデル及びその初期のモデルパラメータを予め設定することに用いられる。
第５２の装置は、サンプル電子デバイスのフレーム外観エリア画像を現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力し、サンプル電子デバイスのフレームの瑕疵予測結果を取得し、前記瑕疵予測結果は、サンプル電子デバイスのフレームの瑕疵種類、サンプル電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む。
第５３の装置は、予め設定された目的関数に基づき、前記瑕疵予測結果とサンプル電子デバイスの真実瑕疵結果との間の差を算出し、前記差は第２の予め設定された閾値より大きいかを識別し、前記差は第２の予め設定された閾値より大きい場合、第５４の装置を起動させ、前記差は第２の予め設定された閾値の以下である場合、第５５の装置を起動させることに用いられる。
第５４の装置は、前記差に基づき、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルパラメータを更新した後、改めて第５２の装置から実行する。
第５５の装置は、トレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルとして、現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルを用いる。
This embodiment can select and output reliable results from the defect inspection results by identifying the reliability of the defect inspection results.
An embodiment according to the electronic device frame appearance defect inspection method of the present invention further includes a fifth device. The fifth device includes the following fifty-first to fifty-fifth devices.
The fifty-first unit is used to preset the joint model of the FPN network and the backbone network and its initial model parameters.
A fifty-second apparatus inputs the frame exterior area image of the sample electronic device into the combined model of the FPN network and the backbone network having the current model parameters, and obtains the defect prediction result of the frame of the sample electronic device, wherein the defect prediction result is , the defect type of the frame of the sample electronic device, the location of the defect in the frame of the sample electronic device, and the reliability of the defect inspection result.
A fifty-third device calculates a difference between the defect prediction result and the true defect result of the sample electronic device based on a preset objective function, and determines whether the difference is greater than a second preset threshold. and if the difference is greater than a second preset threshold, activate a 54th device, and if the difference is less than or equal to a second preset threshold, activate a 55th device. used to make
The fifty-fourth device updates the joint model parameters of the FPN network and the backbone network based on the difference, and then executes again from the fifty-second device.
The fifty-fifth apparatus uses the joint model of the FPN network and the backbone network with the current model parameters as the joint model of the trained FPN network and the backbone network.
ここで、前記差は第２の予め設定された閾値より大きいかを識別することにより、ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルを循環してトレーニングし、信頼できるモデルを取得することができる。
本発明の電子デバイスフレーム外観瑕疵検査方法による一実施例において、前記第２の装置は、前記フレーム外観エリア画像の長さ方向を拡大縮小し、そして、前記フレーム外観エリア画像の幅方向を充填することに用いられる。
ここで、処理するとき、前記フレーム外観エリア画像の長辺を拡大縮小し、短辺を充填する方式により処理を行い、前記フレーム外観エリア画像を長さと幅が同じの画像にする。
本発明は算出に基づく装置をさらに提供する。
Now, by identifying if the difference is greater than a second preset threshold, the joint model of the FPN network and the backbone network can be trained in a circular fashion to obtain a reliable model.
In one embodiment according to the electronic device frame appearance defect inspection method of the present invention, the second device scales the length direction of the frame appearance area image and fills the width direction of the frame appearance area image. used for
Here, when processing, the long sides of the frame appearance area image are scaled and the short sides are filled in, so that the frame appearance area image has the same length and width.
The present invention further provides a computation-based apparatus.
この装置は、
プロセッサーと、
コンピューターが実行できるコマンドを格納できるように配置されるメモリとを含む。前記実行できるコマンドが実行されるとき、前記プロセッサーは以下のステップＳ１～Ｓ４を実行する。
ステップＳ１において、電子デバイスの外観画像を取得する。
ステップＳ２において、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整する。
ステップＳ３において、調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力する。
ステップＳ４において、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果が受信され、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む。
This device
a processor;
A memory arranged to store commands that a computer can execute. When the executable command is executed, the processor performs the following steps S1-S4.
In step S1, an appearance image of the electronic device is acquired.
In step S2, a frame appearance area image of the electronic device is extracted from the appearance image of the electronic device, and the frame appearance area image is adjusted to have the same length and width.
In step S3, the adjusted frame appearance area image is input to the joint model of the trained FPN network and the backbone network.
In step S4, the defect inspection result of the electronic device frame appearance area output from the combined model of the FPN network and the backbone network is received. Includes position and reliability of defect inspection results.
本発明はコンピューターが実行できるコマンドを格納するコンピューター可読記憶媒体をさらに提供する。このコンピューターが実行できるコマンドがプロセッサーにより実行されるとき、このプロセッサーは、以下のステップＳ１～Ｓ４を実行する。 The invention further provides a computer-readable storage medium storing computer-executable commands. When the computer-executable command is executed by the processor, the processor performs the following steps S1-S4.
ステップＳ１において、電子デバイスの外観画像を取得する。
ステップＳ２において、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整する。
ステップＳ３において、調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力する。
ステップＳ４において、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果が受信され、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む。
In step S1, an appearance image of the electronic device is acquired.
In step S2, a frame appearance area image of the electronic device is extracted from the appearance image of the electronic device, and the frame appearance area image is adjusted to have the same length and width.
In step S3, the adjusted frame appearance area image is input to the joint model of the trained FPN network and the backbone network.
In step S4, the defect inspection result of the electronic device frame appearance area output from the combined model of the FPN network and the backbone network is received. Includes position and reliability of defect inspection results.
去本発明の各装置及び記憶媒体実施例の詳細内容は、具体的には、各方法実施例の対応部分を参照し、ここで、重複の記述は不要である。
明らかに、当業者は、本願の精神及び範囲から逸脱しない限り、本願に対して様々な変更や変形を行うことができる。このため、本願のこれらの変更や変形は本願の特許請求の範囲及びその同等技術の範囲内に属し、本願はこれらの変更や変形を含む。
For detailed contents of each device and storage medium embodiment of the present invention, refer specifically to the corresponding part of each method embodiment, and duplicate description is unnecessary here.
Obviously, those skilled in the art can make various modifications and variations to this application without departing from the spirit and scope of this application. Therefore, these modifications and variations of this application fall within the scope of the claims of this application and their equivalents, and this application includes these modifications and variations.
本発明はソフトウェア及び／又はソフトウェアとハードウェアの組み合わせで実施され、例えば、特定用途向け集積回路（ＡＳＩＣ）、汎用コンピューターまたはあらゆるその他の類似ハードウェア装置により実現されてもよい。一実施例において、本発明のソフトウェアプログラムはプロセッサーにより実行され、前記ステップまたは機能を実現する。同様に、本発明のソフトウェアプログラム（関連するデータ構造を含む）は、例えば、ＲＡＭメモリ、磁気または光学ドライバまたはフロッピーディスク及び類似装置のようなコンピューター可読記録媒体に格納される。また、本発明のあるステップまたは機能は、例えば、プロセッサーと組み合わせてそれぞれのステップまたは機能を実現する回路のようなハードウェアにより実現されてもよい。 The present invention may be implemented in software and/or a combination of software and hardware, and may be implemented, for example, in an application specific integrated circuit (ASIC), general purpose computer or any other similar hardware device. In one embodiment, the software program of the present invention is executed by a processor to implement the steps or functions described above. Similarly, the software programs of the present invention (including associated data structures) are stored on computer readable recording media such as, for example, RAM memory, magnetic or optical drivers or floppy disks and similar devices. Also, certain steps or functions of the present invention may be implemented by hardware, eg, circuitry in combination with a processor to implement the respective steps or functions.
また、本発明の一部は、例えばコンピュータープログラムコマンドのようなコンピュータープログラム製品として応用されることができる。コンピューターにより実行されるとき、このコンピューターの操作により、本発明による方法及び／又は技術的方案を呼出または提供してもよい。本発明の方法によるプログラムを呼出するコマンドは、据え置き型または可搬型の記録媒体に格納され、及び／又は放送またはその他の信号搬送媒体におけるデータフローにより伝送され、及び／又は前記プログラムコマンドにより実行されるコンピューター装置の作業メモリに格納されてもよい。ここで、本発明による実施例は、装置を含む。この装置は、コンピュータープログラムコマンドを格納するためのメモリ及びプログラムコマンドを実行するためのプロセッサーを含む。このコンピュータープログラムコマンドがこのプロセッサーにより実行されるとき、この装置に本発明による複数の実施例の方法及び／又は技術的方案を実行させる。 Also, portions of the present invention may be applied as computer program products, such as computer program commands. When executed by a computer, the operation of this computer may call or provide the method and/or technical solution according to the present invention. Commands for invoking programs according to the method of the invention may be stored in a stationary or portable recording medium and/or transmitted by data flow in broadcast or other signal-bearing media and/or executed by said program commands. may be stored in the working memory of a computer device that Here, an embodiment according to the invention includes an apparatus. The apparatus includes a memory for storing computer program commands and a processor for executing the program commands. The computer program commands, when executed by the processor, cause the apparatus to implement the methods and/or technical solutions of multiple embodiments according to the present invention.
当業者にとって、本発明は例示的実施例の細部に限られなく、本発明の精神または基本特徴から逸脱しない限り、その他の具体的な形態により本発明を実現する。このため、いずれかの点から見ても、実施例を例示的なものと見なし、非制限的なものと見なす。本発明の範囲は特許請求の範囲により制限されるが、上記記述により制限されるものではないので、特許請求の範囲の同等要素の定義及び範囲内に落ちるすべての変化は本発明内に含まれる。特許請求の範囲におけるいずれかの図面符号は特許請求の範囲を制限するものではない。また、「含む」はその他のユニットまたはステップを排除しなく、単数は複数を排除しない。装置の特許請求の範囲に記述される複数のユニットまたは装置は１つのユニットまたは装置で、ソフトウェアまたはハードウェアにより実現される。「第１の」、「第２の」などの用語は、名称を示すが、特定の順序を示すものではない。 It will be appreciated by those skilled in the art that the invention is not limited to the details of the illustrative embodiments, and that the invention may be embodied in other specific forms without departing from the spirit or essential characteristics of the invention. As such, the examples are to be considered illustrative and non-limiting in all respects. The scope of the invention is limited by the claims, but not by the above description, and all changes that fall within the definition and scope of equivalents of the claims are included within the invention. . Any drawing reference numbers in the claims shall not be construed as limiting the scope of the claims. Also, "including" does not exclude other units or steps, and the singular does not exclude the plural. A plurality of units or devices recited in device claims may be a single unit or device and may be implemented in software or hardware. The terms "first", "second", etc. are descriptive and do not imply a particular order.
Claims (14)
前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整することと、
調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力することと、
前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果が受信され、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含むことと、
を含むことを特徴とする電子デバイスフレーム外観瑕疵検査方法。 obtaining an appearance image of an electronic device;
extracting a frame appearance area image of the electronic device from the appearance image of the electronic device, and adjusting the frame appearance area image to an image having the same length and width;
inputting the adjusted frame appearance area image into a joint model of a trained FPN network and a backbone network;
A defect inspection result of the electronic device frame appearance area output from the combined model of the FPN network and the backbone network is received, and the defect inspection result includes the defect type of the electronic device frame, the defect position in the electronic device frame, and the defect inspection. including confidence in the result;
An electronic device frame appearance defect inspection method comprising:
Ｕｎｅｔ実例分割の方式で、前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出することを含むことを特徴とする請求項１に記載の方法。 Extracting a frame exterior area image of the electronic device from the exterior image of the electronic device includes:
2. The method of claim 1, comprising extracting a frame appearance area image of the electronic device from the appearance image of the electronic device in a manner of Unet instance segmentation.
前記瑕疵検査結果の信頼度は第１の予め設定された閾値より大きいかを識別することと、
前記第１の予め設定された閾値より大きい場合、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置を含む結果情報を出力することと、
を含むことを特徴とする請求項１に記載の方法。 After receiving the defect inspection result of the frame appearance area of the electronic device output from the combined model of the FPN network and the backbone network,
identifying whether the reliability of the defect inspection result is greater than a first preset threshold;
outputting result information including the defect type of the electronic device frame and the defect location in the electronic device frame if it is greater than the first preset threshold;
2. The method of claim 1, comprising:
ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデル及びその初期のモデルパラメータを予め設定するステップ１と、
サンプル電子デバイスのフレーム外観エリア画像を現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力し、サンプル電子デバイスのフレームの瑕疵予測結果を取得し、前記瑕疵予測結果は、サンプル電子デバイスのフレームの瑕疵種類、サンプル電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含むステップ２と、
予め設定された目的関数に基づき、前記瑕疵予測結果とサンプル電子デバイスの真実瑕疵結果の間の差を算出し、前記差は第２の予め設定された閾値より大きいかを識別するステップ３と、
前記差は第２の予め設定された閾値より大きい場合、前記差に基づき、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルパラメータを更新した後、改めてステップ２から実行するステップ４と、
前記差は第２の予め設定された閾値の以下である場合、トレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルとして、現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルを用いるステップ５と、
を含むことを特徴とする請求項１に記載の方法。 Before inputting the frame appearance area image into the combined model of the FPN network and the backbone network, further
step 1 of presetting a joint model of the FPN network and the backbone network and its initial model parameters;
Inputting the frame appearance area image of the sample electronic device into the combined model of the FPN network and the backbone network with current model parameters, obtaining the defect prediction result of the frame of the sample electronic device, wherein the defect prediction result is the frame of the sample electronic device. step 2, including the defect type of the sample electronic device, the defect location in the frame of the sample electronic device, and the reliability of the defect inspection result;
Step 3: calculating the difference between the defect prediction result and the true defect result of the sample electronic device based on a preset objective function, and identifying if the difference is greater than a second preset threshold;
step 4, if the difference is greater than a second preset threshold, performing step 2 again after updating the joint model parameters of the FPN network and the backbone network according to the difference;
if the difference is less than or equal to a second preset threshold, step 5 using the joint model of the FPN network and the backbone network with the current model parameters as the joint model of the trained FPN network and the backbone network;
2. The method of claim 1, comprising:
前記フレーム外観エリア画像の長さ方向を拡大縮小し、前記フレーム外観エリア画像の幅方向を充填することを含むことを特徴とする請求項１に記載の方法。 Adjusting the frame appearance area image to an image having the same length and width includes:
2. The method of claim 1, comprising scaling the length of the frame exterior area image and padding the width of the frame exterior area image.
前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整する第２の装置と、
調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力する第３の装置と、
前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果を受信することに用いられ、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む第４の装置と、
を含むことを特徴とする電子デバイスフレーム外観瑕疵検査装置。 a first device used to acquire an appearance image of an electronic device;
a second apparatus for extracting a frame appearance area image of the electronic device from the appearance image of the electronic device and adjusting the frame appearance area image to an image having the same length and width;
a third device for inputting the adjusted frame appearance area image into a joint model of the trained FPN network and the backbone network;
It is used to receive the defect inspection result of the electronic device frame appearance area output from the combined model of the FPN network and the backbone network, and the defect inspection result includes the defect type of the electronic device frame and the defect in the electronic device frame. a fourth device including position and reliability of defect inspection results;
An electronic device frame appearance defect inspection apparatus comprising:
ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデル及びその初期のモデルパラメータを予め設定することに用いられる第５１の装置と、
サンプル電子デバイスのフレーム外観エリア画像を現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力し、サンプル電子デバイスのフレームの瑕疵予測結果を取得することに用いられ、前記瑕疵予測結果は、サンプル電子デバイスのフレームの瑕疵種類、サンプル電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む第５２の装置と、
予め設定された目的関数に基づき、前記瑕疵予測結果とサンプル電子デバイスの真実瑕疵結果との間の差を算出し、前記差は第２の予め設定された閾値より大きいかを識別し、前記差は第２の予め設定された閾値より大きい場合、第５４の装置を起動させ、前記差は第２の予め設定された閾値の以下である場合、第５５の装置を起動させることに用いられる第５３の装置と、
第５４の装置であって、前記差に基づき、前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルパラメータを更新した後、改め第５２の装置から実行することに用いられる第５４の装置と、
第５５の装置であって、トレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルとして、現在モデルパラメータを有するＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルを用いることに用いられる第５５の装置と、
を含むことを特徴とする請求項７に記載の装置。 Further comprising a fifth device, said fifth device comprising:
a fifty-first device used to preset a joint model of the FPN network and the backbone network and its initial model parameters;
The frame appearance area image of the sample electronic device is input into the combined model of the FPN network and the backbone network with the current model parameters, and is used to obtain the defect prediction result of the frame of the sample electronic device. a fifty-second device including the defect type of the electronic device frame, the defect location in the sample electronic device frame, and the reliability of the defect inspection result;
calculating a difference between the defect prediction result and the true defect result of the sample electronic device based on a preset objective function; identifying whether the difference is greater than a second preset threshold; used to activate a 54th device if is greater than a second preset threshold and activate a 55th device if said difference is less than or equal to a second preset threshold. 53 devices;
a fifty-fourth device, which is used to update the joint model parameters of the FPN network and the backbone network based on the difference, and then execute again from the fifty-second device;
a fifty-fifth apparatus, wherein the fifty-fifth apparatus is used for using the joint model of the FPN network and the backbone network having the current model parameters as the joint model of the trained FPN network and the backbone network;
8. The device of claim 7, comprising:
プロセッサーと、
コンピューターが実行できるコマンドを格納できるように配置されるメモリとを含み、前記実行できるコマンドが実行されるとき、前記プロセッサーは、
電子デバイスの外観画像を取得し、
前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整し、
調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力し、
前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果を受信し、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む
ことを特徴とする装置。 A calculation-based device comprising:
a processor;
a memory arranged to store computer-executable commands, wherein when the executable commands are executed, the processor:
Acquire appearance images of electronic devices,
extracting a frame appearance area image of the electronic device from the appearance image of the electronic device, adjusting the frame appearance area image to an image having the same length and width;
inputting the adjusted frame appearance area image into the joint model of the trained FPN network and the backbone network;
receiving the defect inspection result of the electronic device frame appearance area output from the combined model of the FPN network and the backbone network, the defect inspection result including the defect type of the electronic device frame, the defect position in the electronic device frame, and the defect inspection; An apparatus, characterized in that it includes a measure of confidence in the result.
電子デバイスの外観画像を取得し、
前記電子デバイスの外観画像からこの電子デバイスのフレーム外観エリア画像を抽出し、前記フレーム外観エリア画像を長さと幅が同じの画像に調整し、
調整後のフレーム外観エリア画像をトレーニング済みのＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルに入力し、
前記ＦＰＮネットワークとｂａｃｋｂｏｎｅネットワークの結合モデルから出力する電子デバイスのフレーム外観エリアの瑕疵検査結果を受信し、前記瑕疵検査結果は、電子デバイスのフレームの瑕疵種類、電子デバイスのフレームにおける瑕疵位置及び瑕疵検査結果の信頼度を含む
ことを特徴とするコンピューター可読記憶媒体。 A computer-readable storage medium storing computer-executable commands which, when executed by a processor, causes the processor to:
Acquire appearance images of electronic devices,
extracting a frame appearance area image of the electronic device from the appearance image of the electronic device, adjusting the frame appearance area image to an image having the same length and width;
inputting the adjusted frame appearance area image into the joint model of the trained FPN network and the backbone network;
receiving the defect inspection result of the electronic device frame appearance area output from the combined model of the FPN network and the backbone network, the defect inspection result including the defect type of the electronic device frame, the defect position in the electronic device frame, and the defect inspection; A computer-readable storage medium comprising a confidence of a result.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911032912.6 | 2019-10-28 | ||
| CN201911032912.6A CN110827246A (en) | 2019-10-28 | 2019-10-28 | Electronic equipment frame appearance flaw detection method and equipment |
| PCT/CN2020/120876 WO2021082920A1 (en) | 2019-10-28 | 2020-10-14 | Method and device for detecting border appearance defects of electronic device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022539909A true JP2022539909A (en) | 2022-09-13 |
Family
ID=69551291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022502023A Pending JP2022539909A (en) | 2019-10-28 | 2020-10-14 | Electronic device frame appearance defect inspection method and apparatus |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP2022539909A (en) |
| CN (1) | CN110827246A (en) |
| WO (1) | WO2021082920A1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11922467B2 (en) | 2020-08-17 | 2024-03-05 | ecoATM, Inc. | Evaluating an electronic device using optical character recognition |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020167849A1 (en) | 2019-02-12 | 2020-08-20 | Ecoatm, Llc | Connector carrier for electronic device kiosk |
| JP2021530793A (en) | 2019-02-18 | 2021-11-11 | エコエーティーエム， エルエルシー | Neural networks based on physical state assessment of electronic devices, and associated systems and methods |
| CN110827246A (en) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | Electronic equipment frame appearance flaw detection method and equipment |
| CN110675399A (en) * | 2019-10-28 | 2020-01-10 | 上海悦易网络信息技术有限公司 | Screen appearance flaw detection method and equipment |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875381A (en) * | 2017-01-17 | 2017-06-20 | 同济大学 | A kind of phone housing defect inspection method based on deep learning |
| US20180342050A1 (en) * | 2016-04-28 | 2018-11-29 | Yougetitback Limited | System and method for detection of mobile device fault conditions |
| CN109711474A (en) * | 2018-12-24 | 2019-05-03 | 中山大学 | A kind of aluminium material surface defects detection algorithm based on deep learning |
| CN109859163A (en) * | 2018-12-19 | 2019-06-07 | 重庆邮电大学 | A kind of LCD defect inspection method based on feature pyramid convolutional neural networks |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9928874B2 (en) * | 2014-02-05 | 2018-03-27 | Snap Inc. | Method for real-time video processing involving changing features of an object in the video |
| CN108918528B (en) * | 2018-06-01 | 2023-08-01 | 深圳回收宝科技有限公司 | Terminal detection method, device and storage medium |
| CN109886077B (en) * | 2018-12-28 | 2021-07-09 | 北京旷视科技有限公司 | Image recognition method and device, computer equipment and storage medium |
| CN109800709A (en) * | 2019-01-18 | 2019-05-24 | 张琪培 | A kind of automatic rotary cabinet automatic recognition system and method based on deep learning |
| CN109859190B (en) * | 2019-01-31 | 2021-09-17 | 北京工业大学 | Target area detection method based on deep learning |
| CN110378420A (en) * | 2019-07-19 | 2019-10-25 | Oppo广东移动通信有限公司 | A kind of image detecting method, device and computer readable storage medium |
| CN110827246A (en) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | Electronic equipment frame appearance flaw detection method and equipment |
-
2019
- 2019-10-28 CN CN201911032912.6A patent/CN110827246A/en active Pending
-
2020
- 2020-10-14 WO PCT/CN2020/120876 patent/WO2021082920A1/en active Application Filing
- 2020-10-14 JP JP2022502023A patent/JP2022539909A/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180342050A1 (en) * | 2016-04-28 | 2018-11-29 | Yougetitback Limited | System and method for detection of mobile device fault conditions |
| CN106875381A (en) * | 2017-01-17 | 2017-06-20 | 同济大学 | A kind of phone housing defect inspection method based on deep learning |
| CN109859163A (en) * | 2018-12-19 | 2019-06-07 | 重庆邮电大学 | A kind of LCD defect inspection method based on feature pyramid convolutional neural networks |
| CN109711474A (en) * | 2018-12-24 | 2019-05-03 | 中山大学 | A kind of aluminium material surface defects detection algorithm based on deep learning |
Non-Patent Citations (1)
| Title |
|---|
| 大石 涼火，外２名: "セマンティックセグメンテーションにおけるハイパーパラメータの自動選択と室内画像からの床領域抽出への適", 情報処理学会 研究報告 デジタルコンテンツクリエーション（ＤＣＣ） ［ＯＮＬＩＮＥ］, vol. Vol. 2018-DCC-20 No. 4, JPN6023003051, 31 October 2018 (2018-10-31), pages 1 - 8, ISSN: 0004996736 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11922467B2 (en) | 2020-08-17 | 2024-03-05 | ecoATM, Inc. | Evaluating an electronic device using optical character recognition |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110827246A (en) | 2020-02-21 |
| WO2021082920A1 (en) | 2021-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2022539909A (en) | Electronic device frame appearance defect inspection method and apparatus | |
| JP2022539912A (en) | Electronic device backplane appearance defect inspection method and apparatus | |
| WO2021082918A1 (en) | Screen appearance defect detection method and device | |
| US9697416B2 (en) | Object detection using cascaded convolutional neural networks | |
| KR102175286B1 (en) | Apparatus and method for inspecting for defects | |
| WO2021082923A1 (en) | Electronic device screen area defect detection method and device | |
| CN110827244A (en) | Method and equipment for detecting appearance flaws of electronic equipment | |
| WO2021082919A1 (en) | Defect detecting method and equipment for screen region of electronic equipment | |
| CN106920245B (en) | Boundary detection method and device | |
| CN109977952B (en) | Candidate target detection method based on local maximum | |
| US20240127590A1 (en) | Image analysis and processing pipeline with real-time feedback and autocapture capabilities, and visualization and configuration system | |
| CN114511041B (en) | Model training method, image processing method, device, equipment and storage medium | |
| US20180047182A1 (en) | System and Method for Processing Depth Images which Capture an Interaction of an Object Relative to an Interaction Plane | |
| CN114937050A (en) | Green curtain matting method and device and electronic equipment | |
| CN111179245A (en) | Image quality detection method, device, electronic equipment and storage medium | |
| WO2021189460A1 (en) | Image processing method and apparatus, and movable platform | |
| CN111292374A (en) | Method and equipment for automatically plugging and unplugging USB interface | |
| CN113706429B (en) | Image processing method, device, electronic equipment and storage medium | |
| CN116523803B (en) | Image processing method, shadow removing device, apparatus, and storage medium | |
| CN117274863A (en) | Image drawing quality detection method, device, computer equipment, medium and product | |
| CN110580444A (en) | human body detection method and device | |
| WO2022243912A1 (en) | Reverse image search based on deep neural network (dnn) model and image-feature detection model | |
| CN117011124A (en) | Gain map generation method and device, electronic equipment and medium | |
| CN117408934A (en) | Image detection method and related equipment | |
| CN117593802A (en) | Biological attack detection method and device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220110 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230124 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230221 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231010 |