CN110415240A - 样本图像生成方法及装置、电路板缺陷检测方法及装置 - Google Patents
样本图像生成方法及装置、电路板缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN110415240A CN110415240A CN201910708578.5A CN201910708578A CN110415240A CN 110415240 A CN110415240 A CN 110415240A CN 201910708578 A CN201910708578 A CN 201910708578A CN 110415240 A CN110415240 A CN 110415240A
- Authority
- CN
- China
- Prior art keywords
- circuit board
- sample image
- image
- sample
- board 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种样本图像生成方法及装置、电路板缺陷检测方法及装置,其中,该样本图像生成方法包括:获取原始电路板样本图像集,作为样本集;分别确定每个电路板样本图像类别中的电路板样本图像在样本集中的分布占比;针对分布占比小于第一占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行过采样处理;和/或,针对分布占比大于第二占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行欠采样处理;第一占比阈值小于第二占比阈值。采用上述方案,可以对多类样本图像进行平衡,这样训练得到的电路板缺陷检测模型能够学习到更为均衡的图像特征,从而提升了电路板缺陷检测的准确度。
Description
技术领域
本申请涉及电路板检测技术领域,具体而言,涉及一种样本图像生成方法及装置、电路板缺陷检测方法及装置。
背景技术
印刷电路板(Printed Circuit Board,PCB)作为电子元器件电气连接的载体,通过其上安装的多个元件,以及这些元件之间预设的逻辑电路连接关系来实现特定的电路功能。考虑到在PCB板生产加工或者装配过程中均可能由于出现各种情况而导致元件的漏装、多装等,这将造成PCB板无法正常工作或运行。而PCB板作为电子产品的承载体,这些无法正常工作或运行的PCB板只有被检测出来,才能确保电子产品的性能。
相关技术中提供了一种基于深度学习进行PCB板缺陷检测的方法,该方法需要使用大量的样本PCB板图像对神经网络模型进行训练,以根据训练好的神经网络模型对目标PCB板图像进行缺陷检测。
尽管上述样本PCB板图像的数据量特别大,但是,某类样本PCB板图像数量明显少于其他类样本PCB板图像数量,这种样本数据不平衡的现象往往难以避免。上述样本数据不平衡现象与数据获取方式以及实际的应用场景有着必然的联系,这将导致小类别信息(很可能是有用的信息)在样本结构和特征维度两个层面被大类别信息掩盖,使得模型训练往往难以学习到小类别信息而导致模型训练的准确度较差。
发明内容
有鉴于此,本申请的目的在于提供一种样本图像生成方法及装置、电路板缺陷检测方法及装置,以获取相对平衡的样本数据以及提高电路板缺陷检测的准确度。
主要包括以下几个方面:
第一方面,本申请实施例提供了一种样本图像生成方法,所述方法包括:
获取原始电路板样本图像集,作为样本集,所述样本集包括多个电路板样本图像类别;
分别确定每个电路板样本图像类别中的电路板样本图像在所述样本集中的分布占比;
针对分布占比小于第一占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行过采样处理,得到该电路板样本图像类别对应的第一目标电路板样本图像;和/或,
针对分布占比大于第二占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,得到该电路板样本图像类别对应的第二目标电路板样本图像;其中,第一占比阈值小于所述第二占比阈值。
结合第一方面,本申请提供了第一方面的第一种可能的实施方式,其中,对该电路板样本图像类别中的电路板样本图像进行过采样处理,得到该电路板样本图像类别对应的第一目标电路板样本图像,包括:
针对该电路板样本图像类别中的每张电路板样本图像,基于随机提取的至少一个图像变化参数,对该张电路板样本图像进行图像处理,得到该张电路板样本图像对应的候选电路板样本图像;
将各张电路板样本图像对应的候选电路板样本图像以及该电路板样本图像类别中的各张电路板样本图像,作为该电路板样本图像类别对应的第一目标电路板样本图像。
结合第一方面,本申请提供了第一方面的第二种可能的实施方式,其中,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,包括:
针对该电路板样本图像类别中的每张电路板样本图像,从该张电路板样本图像中提取电路元件,作为该张电路板样本图像对应的电路元件;
根据该电路板样本图像类别中的各张电路板样本图像对应的电路元件,对该电路板样本图像类别中的电路板样本图像进行欠采样处理。
结合第一方面的第二种可能的实施方式,本申请提供了第一方面的第三种可能的实施方式,其中,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,得到该电路板样本图像类别对应的第二目标电路板样本图像,包括:
将对应同一电路元件的电路板样本图像划分至同一分组;和/或,
将对应的电路元件属于同一元件类型的电路板样本图像划分至同一分组;
分别从每个所述分组中获取预设数目张电路板样本图像;
将获取的电路板样本图像,确定为该电路板样本图像类别对应的第二目标电路板样本图像。
第二方面,本申请还提供了一种电路板缺陷检测方法,所述方法包括:
获取待检测电路板图像;
将获取的待检测电路板图像分别输入至预先训练好的多个电路板缺陷检测模型中,得到各个电路板检测模型输出的检测结果;其中,所述电路板缺陷检测模型是根据第一方面任一所述样本图像生成方法生成的电路板样本图像训练得到的;
针对每个预设检测结果,统计与该预设检测结果匹配的所述输出的检测结果的个数;
将统计出个数最多的输出的检测结果所匹配的预设检测结果,作为最终检测结果。
结合第二方面,本申请提供了第二方面的第一种可能的实施方式,其中,按照如下步骤训练电路板缺陷检测模型:
根据第一方面任一所述样本图像生成方法生成的电路板样本图像,确定训练样本集;
将所述训练样本集拆分为多个训练样本子集,所述训练样本子集的个数与电路板缺陷检测模型的个数相同;
针对每个待训练电路板缺陷检测模型,根据该待训练电路板缺陷检测模型对应的至少一个训练样本子集以及所述至少一个训练样本子集中各训练样本的标注信息,对该待训练电路板缺陷检测模型进行训练。
第三方面,本申请还提供了一种样本图像生成装置,所述装置包括:
获取模块,用于获取原始电路板样本图像集,作为样本集,所述样本集包括多个电路板样本图像类别;
确定模块,用于分别确定每个电路板样本图像类别中的电路板样本图像在所述样本集中的分布占比;
生成模块,用于针对分布占比小于第一占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行过采样处理,得到该电路板样本图像类别对应的第一目标电路板样本图像;和/或,针对分布占比大于第二占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,得到该电路板样本图像类别对应的第二目标电路板样本图像;其中,第一占比阈值小于所述第二占比阈值。
第四方面,本申请还提供了一种电路板缺陷检测装置,所述装置包括:
获取模块,用于获取待检测电路板图像;
检测模块,用于将获取的待检测电路板图像分别输入至预先训练好的多个电路板缺陷检测模型中,得到各个电路板检测模型输出的检测结果;其中,所述电路板缺陷检测模型是根据第三方面所述的样本图像生成装置生成的电路板样本图像训练得到的;
针对每个预设检测结果,统计与该预设检测结果匹配的所述输出的检测结果的个数;
将统计出个数最多的输出的检测结果所匹配的预设检测结果,作为最终检测结果。
第五方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如第一方面以及第一方面的各种实施方式中任一所述样本图像生成方法的步骤或者如第二方面以及第二方面的各种实施方式所述电路板缺陷检测方法的步骤。
第六方面,本申请还提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令时实现如第一方面以及第一方面的各种实施方式中任一所述样本图像生成方法的步骤或者如第二方面以及第二方面的各种实施方式所述电路板缺陷检测方法的步骤。
采用上述方案,在确定样本集中包括的多个电路板样本图像类别中的每个电路板样本图像类别对应的分布占比之后,一方面可以针对样本集中分布占比小于第一占比阈值的电路板样本图像类别中的电路板样本图像(即小类别图像)进行过采样处理,以根据过采样处理得到的第一目标电路板样本图像增加小类别样本图像的张数,从而平衡多类样本图像,另一方面可以针对样本集中分布占比大于第二占比阈值的电路板样本图像类别中的电路板样本图像(大类别样本图像)进行欠采样处理,以根据欠采样处理得到的第二目标电路板样本图像减少大类别样本图像的张数,从而平衡多类样本图像。利用平衡后的多类样本图像进行电路板缺陷检测模型的训练,可以使得学习到的图像特征更为均衡(即可以学习到各类样本图像的图像特征),从而提升了电路板缺陷检测的准确度。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种样本图像生成方法的流程图;
图2示出了本申请实施例所提供的另一种样本图像生成方法的流程图;
图3示出了本申请实施例所提供的一种样本图像生成方法中,第一目标电路板样本图像生成的具体方法的流程图;
图4示出了本申请实施例所提供的另一种样本图像生成方法中,进行欠采样处理的具体方法的流程图;
图5示出了本申请实施例所提供的一种电路板缺陷检测方法的流程图;
图6示出了本申请实施例所提供的一种样本图像生成装置的结构示意图;
图7示出了本申请实施例所提供的一种电路板缺陷检测装置的结构示意图;
图8示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到相关技术中存在样本数据不平衡,小类别信息可能被大类别信息掩盖而导致后续利用不平衡的样本数据训练得到的电路板缺陷检测模型的准确度较差。基于此,本申请提供了一种样本图像生成方法及装置、电路板缺陷检测方法及装置,以在确保样本数据相对平衡的前提下,提升电路板缺陷检测的准确度。
本申请实施例提供的样本图像生成方法一是可以仅对小类别样本(对应分布占比小于第一占比阈值的电路板样本图像类别)进行过采样处理以根据处理后得到的第一目标电路板样本图像平衡多类别样本图像,二是还可以仅对大类别样本(对应分布占比大于第二占比阈值的电路板样本图像类别)进行欠采样处理以根据处理后得到的第二目标电路板样本图像平衡多类别样本图像,三是既对小类别样本进行过采样处理,又对大类别样本进行欠采样处理,以平衡多类别样本图像。接下来通过如下两个方面分别说明针对小类别样本图像进行类别平衡以及针对大类别样本图像进行类别平衡的具体实现过程。
第一方面:针对小类别样本图像进行类别平衡时,参见图1所示的样本图像生成方法的流程图,该样本图像生成方法的执行主体可以是电子设备,该电子设备可以是私有设备、运营商网络设备(例如,基站设备),也可以是一定行业组织、团体和个人部署的站点(Station)等,具体而言,可以包括但不限于移动台、移动终端、移动电话、用户设备、手机及便携设备(portable equipment)等,例如,终端设备可以是移动电话(或称为“蜂窝”电话)、具有无线通信功能的计算机等,终端设备还可以是便携式、袖珍式、手持式、计算机内置装置,本申请实施例对此不予限制。在实现小类别平衡时,上述样本图像生成方法可以具体包括如下步骤:
S101、获取原始电路板样本图像集,作为样本集;
S102、分别确定每个电路板样本图像类别中的电路板样本图像在样本集中的分布占比;
S103、针对分布占比小于第一占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行过采样处理,得到该电路板样本图像类别对应的第一目标电路板样本图像。
这里,可以将样本集中分布占比小于第一占比阈值的电路板样本图像类别中的电路板样本图像确定为小类别样本图像,为了实现类别平衡,本申请实施例可以针对该小类别样本图像进行过采样处理。需要说明的是,本申请实施例中的分布占比即为相应类别的电路板样本图像在原始电路板样图本图像集中所占的比例,比如类别A包括3张样本图像,原始电路板样本图像集包括10张样本图像,则该类别A在原始电路板样本图像集中的分部占比为30%。
其中,样本集中可以包含有至少两个电路板样本图像类别,本申请实施例可以基于图像完整性对样本集中包括的电路板样本图像进行分类,如将样本集划分为正常的电路板样本图像类别、有小部分缺陷的电路板样本图像类别、有大部分缺陷的电路板样本图像类别;本申请实施例还可以基于图像属性特征对样本集中包括的电路板样本图像进行分类,如将样本集划分为图像属性特征为彩色的电路板样本图像类别、图像属性特征为黑白的电路板样本图像类别、图像属性为灰度的电路板样本图像类别;除此之外,本申请实施例还可以按照其它类别划分方式进行类别划分。
考虑到本申请实施例提供的样本图像生成方法可以应用于电路板缺陷检测这一技术领域,接下来可以以样本集包括正常类电路板样本图像(正常的电路板样本图像)和缺陷类电路板样本图像(缺陷的电路板样本图像)这两个类别为例进行具体说明。
其中,上述缺陷类电路板样本图像中的电路板样本图像可以来自于人工收集的存在缺陷的电路板图像,还可以来自于相关技术中利用自动光学检测手段确定的存在缺陷的电路板图像,上述自动光学检测指的是通过各种图像处理方法(如灰度化、二值处理、特征提取、特征检测等)对获取的PCB板图像进行处理,并根据处理后的图像与模板之间的匹配结果来自动检测PCB板是否存在缺陷的检测方式,本申请实施例对上述缺陷的电路板样本图像的获取方式不做具体的限制。
本申请实施例中,上述小类别样本图像既可能是正常的电路板样本图像,也可能是缺陷的电路板样本图像,本申请实施例对此不做具体的限制,以适应更多应用场景的需求。
这里,以缺陷的电路板样本图像作为小类别样本图像为例,在确定样本集中包含缺陷的电路板样本图像在样本集中的占比小于第一占比阈值时,可以对样本集中缺陷的电路板样本图像进行过采样处理,也即,可以通过提高小类别样本图像的张数来平衡多类样本图像。
其中,本申请实施例中对于设置的第一占比阈值不宜过大也不易过小,过大的第一占比阈值相对包含了更多需要过采样处理的小类别电路板样本图像,这将导致图像处理的计算量较大,过小的第一占比阈值将可能无法很好的对小类别样本图像进行平衡。因此,本申请实施例可以按照具体的应用需求,将5%至15%这一占比范围内的任意值确定为第一占比阈值,如可以选取10%作为第一占比阈值。这样,如果在确定小类别样本图像在样本集中的分布占比为8%时,即可以对缺陷类电路板样本图像中的小类别样本图像进行过采样处理,以在确保类别平衡的前提下,降低图像处理的计算量。
第二方面:针对大类别样本图像进行类别平衡时,参见图2所示的样本图像生成方法的流程图,该样本生成方法的执行主体也可以是电子设备,在实现大类别平衡时,上述样本图像生成方法可以具体包括如下步骤:
S201、获取原始电路板样本图像集,作为样本集;
S202、分别确定每个电路板样本图像类别中的电路板样本图像在样本集中的分布占比;
S203、针对分布占比大于第二占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,得到该电路板样本图像类别对应的第二目标电路板样本图像。
这里,可以将样本集中分布占比大于第二占比阈值(该第二占比阈值大于上述第一占比阈值)的电路板样本图像类别中的电路板样本图像确定为大类别样本图像,为了实现类别平衡,本申请实施例可以针对该大类别样本图像进行欠采样处理。
这里仍以样本集包括正常类电路板样本图像和缺陷类电路板样本图像这两个类别为例进行具体说明。有关两个电路板样本图像类别的具体描述详见第一方面的说明,在此不再赘述。
本申请实施例中,上述大类别样本图像既可能是正常的电路板样本图像,也可能是缺陷的电路板样本图像,本申请实施例对此不做具体的限制,以适应更多应用场景的需求。
这里,以正常的电路板样本图像作为大类别电路板样本图像为例,在确定样本集中正常的电路板样本图像在样本集中的占比大于第二占比阈值时,可以对样本集中正常的电路板样本图像进行欠采样处理,也即,可以通过减少大类别样本图像的张数来平衡多类样本图像。
其中,本申请实施例中对于设置的第二占比阈值不宜过大也不易过小,过大的第二占比阈值将可能无法很好的对大类别样本图像进行平衡,过小的第二占比阈值则相对包含了更多需要欠采样处理的大类别电路板样本图像,这将导致图像处理的计算量较大。因此,本申请实施例可以按照具体的应用需求,将80%至90%这一占比范围内的任意值确定为第二占比阈值,如可以选取85%作为第二占比阈值。这样,如果在确定大类别样本图像在样本集中的分布占比为87%时,即可以对正常类电路板样本图像中的大类别样本图像进行图像处理,以在确保类别平衡的前提下,降低图像处理的计算量。
考虑到针对小类别样本图像进行过采样操作以及针对大类别样本图像进行欠采样操作是本申请实施例中所提供的样本图像生成方法的关键步骤,接下来可以通过如下两个方面进行具体说明。
第一方面:如图3所示,在确定某一个电路板样本图像类别的分布占比小于第一占比阈值时,针对该电路板样本图像类别中的每张电路板样本图像(即小类别样本图像)进行过采样处理得到第一目标电路板样本图像的步骤具体包括:
S301、针对该电路板样本图像类别中的每张电路板样本图像,基于随机提取的至少一个图像变化参数,对该张电路板样本图像进行图像处理,得到该张电路板样本图像对应的候选电路板样本图像;
S302、将各张电路板样本图像对应的候选电路板样本图像以及该电路板样本图像类别中的各张电路板样本图像,作为该电路板样本图像类别对应的第一目标电路板样本图像。
这里,针对每张小类别样本图像均可以基于提取的至少一个图像变换参数对该张小类别样本图像进行图像处理,得到对应的候选电路板样本图像,将所有处理得到的候选电路板样本图像以及处理之前的各张小类别样本图像作为第一目标电路板样本图像即可。
本申请实施例中,可以直接基于随机提取的至少一个图像变化参数,对每张小类别样本图像进行图像处理以得到对应的候选电路板样本图像,还可以针对每张小类别样本图像,将该张小类别样本图像输入至预先训练好的图像生成模型中,通过预先训练好的图像生成模型学习图像变化参数,以输出得到候选电路板样本图像。
其中,在对小类别样本图像进行图像处理时,本申请实施例可以基于至少一个图像变化参数中的每个图像变化参数单独对该小类别样本图像进行处理,还可以在图像变化参数为多个时,基于任一组合的图像变化参数对上述小类别样本图像进行处理,本申请实施例对此不做具体的限制。
其中,上述图像变化参数可以是与图像旋转对应的角度变化信息,如可以将小类别样本图像向左旋转20度以得到候选电路板样本图像,另外,上述图像变化参数还可以是与图像颜色变化信息,如可以将颜色的小类别样本图像转换为灰度的候选电路板样本图像,再者,上述图像变化参数还可以是添加的图像噪声信息,如可以对小类别样本图像添加高斯白噪声以得到候选电路板样本图像,除此之外,上述图像变化参数还可以是其它能够对图像进行相关处理的参数信息,本申请实施例对此不做具体的限制。由于上述图像变化参数可以涵盖更为丰富的图像信息,这样,利用上述图像变化参数处理得到的候选电路板样本图像进行模型训练,能够提升对小类别样本图像进行检测的鲁棒性。
值得注意的是,考虑到小类别样本图像中样本数量较少的特性,本申请实施例可以针对所有小类别样本图像进行过采样处理,但在实际的应用中,本申请可以根据实际需求只针对部分小类别样本图像进行过采样处理。
第二方面:如图4所示,在确定某一个电路板样本图像类别的分布占比大于第二占比阈值时,针对该电路板样本图像类别中的每张电路板样本图像(即大类别样本图像)进行欠采样处理的步骤具体包括:
S401、针对该电路板样本图像类别中的每张电路板样本图像,从该张电路板样本图像中提取电路元件,作为该张电路板样本图像对应的电路元件;
S402、根据该电路板样本图像类别中的各张电路板样本图像对应的电路元件,对该电路板样本图像类别中的电路板样本图像进行欠采样处理。
这里,为了减少大类别样本图像的数量,本申请实施例可以先对大类别样本图像中的电路元件进行识别,以根据识别出的电路元件本身或者电路元件所对应的电路元件类型对大类别样本图像进行欠采样处理,得到该电路板样本图像类别对应的第二目标电路板样本图像,具体包括如下步骤:
步骤一、将对应同一电路元件的电路板样本图像划分至同一分组;和/或,将对应的电路元件属于同一元件类型的电路板样本图像划分至同一分组;
步骤二、分别从每个分组中获取预设数目张电路板样本图像;
步骤三、将获取的电路板样本图像,确定为该电路板样本图像类别对应的第二目标电路板样本图像。
这里,一方面可以将对应同一电路元件的电路板样本图像划分至同一分组,这样,对于具有同一电路元件的各个电路板样本图像而言,可以通过随机抽取的方式分别从各个分组中获取第二目标电路板样本图像,其随机抽取的电路板样本图像不易过多(如抽取两张),甚至可以根据应用场景的需要。
其中,从电路板样本图像中提取出的电路元件可以为一个,也可以为多个,当提取出的电路元件有多个时,属于同一电路元件的各个电路板样本图像可以指的是包含的各个电路元件均相同的电路板样本图像。
另一方面可以将对应的电路元件属于同一元件类型的电路板样本图像划分至同一分组,同样也可以通过随机抽取的方式分别从各个分组中获取第二目标电路板样本图像,其随机抽取的电路板样本图像也不易过多。
基于本申请实施例提供的上述样本图像生成方法生成的电路板样本图像,可以训练得到电路板缺陷检测模型,这样,便可以基于该电路板缺陷检测模型对待检测电路板图像进行缺陷检测。
如图5所示,为本申请实施例提供的电路板缺陷检测方法的流程图,该检测方法具体包括如下步骤:
S501、获取待检测电路板图像;
S502、将获取的待检测电路板图像分别输入至预先训练好的多个电路板缺陷检测模型中,得到各个电路板检测模型输出的检测结果;
S503、针对每个预设检测结果,统计与该预设检测结果匹配的输出的检测结果的个数;
S504、将统计出个数最多的输出的检测结果所匹配的预设检测结果,作为最终检测结果。
这里,针对待检测电路板图像,可以将待检测电路板图像分别输入至预先训练好的多个电路板缺陷检测模型中,这样,针对每个电路板缺陷检测模型均可以确定模型输出的检测结果。在实际应用中,在确定各个输出的检测结果不一致时,可以利用投票法选取出最终检测结果。
如预先训练好的多个电路板缺陷检测模型为五个,预设检测结果为两个,一个是不存在缺陷,一个是存在缺陷,这样,在确定五个电路板缺陷检测模型的输出的检测结果分别为不存在缺陷、存在缺陷、不存在缺陷、不存在缺陷、存在缺陷,其中,预设检测结果中的不存在缺陷与输出的检测结果中的不存在缺陷匹配,预设检测结果中的存在缺陷与输出的检测结果中的存在缺陷匹配。其中,不存在缺陷这一输出的检测结果对应有三个,存在缺陷这一输出的检测结果对应有两个,此时,统计出的个数最多的输出的检测结果为不存在缺陷,与不存在缺陷所匹配的预设检测结果为不存在缺陷,因此,本申请实施例可以将不存在缺陷确定为最终检测结果。可见,利用投票法选取出的最终检测结果的准确度更高。
上述电路板缺陷检测模型可以是基于上述样本图像生成方法生成的电路板样本图像训练得到的。在实际应用中,可以将基于电路板样本图像确定的训练样本集划分为多个训练样本子集,这样,针对每个待训练电路板缺陷检测模型,均可以根据该待训练电路板缺陷检测模型对应的至少一个训练样本子集以及该至少一个训练样本子集中各训练样本的标注信息,对该待训练电路板缺陷检测模型进行训练。
针对每个待训练电路板缺陷检测模型进行训练的过程,即为根据训练样本子集中各训练样本的标注信息不断调整模型参数的过程,当模型输出的结果与标注信息一致时,得到电路板缺陷检测模型的模型参数即完成了模型训练。
为了确保能够学习到各个训练样本的图像特征,本申请实施例中,针对不同的电路板缺陷检测模型进行训练时,所采用的训练样本子集也不同。也即,本申请实施例可以将训练样本集随机划分为不存在交集的多个训练样本子集,如在确定电路板缺陷检测模型为五个时,划分五个训练样本子集,这时,针对待检测电路板图像将对应有五个检测结果,通过上述投票法即可确定对应的最终预测结果。
在针对每个电路板缺陷检测模型进行模型训练的过程中,还可以基于k折交叉验证的方式进行模型测试,这里,仍以确定的电路板缺陷检测模型为五个为例(对应五折交叉验证),此时,针对随机划分后的五个训练样本子集,可以将其中一个训练样本子集作为测试所用数据集,剩下的四个训练样本子集作为训练所有数据集,从而能够更为充分利用数据集对算法效果进行测试。
考虑到本申请实施例在确定训练样本集时可以是基于样本图像生成方法生成的第一目标电路板样本图像和/或第二目标电路板样本图像生成的,接下来具体描述三种确定训练样本集的方式。
第一种:若生成的样本图像中仅包括第一目标电路板样本图像,则将第一目标电路板样本图像以及原始电路板样本图像集中分布占比大于第二占比阈值的电路板样本图像类别中的电路板样本图像,确定为训练样本集。
为了综合考虑各类电路板样本图像之间的平衡性,在上述确定训练样本集的方法中,可以是从所有第一目标电路板样本图像中抽取出全部或部分第一目标电路板样本图像,除此之外,也可以从原始电路板样本图像集中分布占比大于第二占比阈值的电路板样本图像类别中抽取出全部或部分电路板样本图像来确定训练样本集。
第二种:若生成的样本图像中仅包括第二目标电路板样本图像,则将第二目标电路板样本图像以及原始电路板样本图像集中分布占比小于第一占比阈值的电路板样本图像类别中的电路板样本图像,确定为训练样本集。
同理,为了综合考虑各类电路板样本图像之间的平衡性,在上述确定训练样本集的方法中,可以是从所有第二目标电路板样本图像中抽取出全部或部分第二目标电路板样本图像,除此之外,也可以从原始电路板样本图像集中分布占比小于第一占比阈值的电路板样本图像类别中抽取出全部或部分电路板样本图像来确定训练样本集。
第三种:若生成的样本图像中包括第一目标电路板样本图像以及第二目标电路板样本图像,则将第一目标电路板样本图像以及第二目标电路板样本图像,确定为训练样本集。
同理,为了综合考虑各类电路板样本图像之间的平衡性,在上述确定训练样本集的方法中,可以是从所有第一目标电路板样本图像中抽取出全部或部分第一目标电路板样本图像,除此之外,也可以是从所有第二目标电路板样本图像中抽取出全部或部分第二目标电路板样本图像来确定训练样本集。
为了在确保模型训练的准确度的前提下,提升模型的泛化能力,在本申请实施例实际应用于两类样本图像的平衡时,可以使得两类电路板样本图像的个数比接近1:1。
基于同一申请构思,本申请实施例中还提供了与样本图像生成方法对应的样本图像生成装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述样本图像生成方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
如图6所示,为本申请实施例所提供的样本图像生成装置的结构示意图,该样本图像生成装置包括:
获取模块601,用于获取原始电路板样本图像集,作为样本集,样本集包括多个电路板样本图像类别;
确定模块602,用于分别确定每个电路板样本图像类别中的电路板样本图像在样本集中的分布占比;
生成模块603,用于针对分布占比小于第一占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行过采样处理,得到该电路板样本图像类别对应的第一目标电路板样本图像;和/或,针对分布占比大于第二占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,得到该电路板样本图像类别对应的第二目标电路板样本图像;其中,第一占比阈值小于第二占比阈值。
在一种实施方式中,上述生成模块603可以按照如下步骤得到第一目标电路板样本图像:
针对该电路板样本图像类别中的每张电路板样本图像,基于随机提取的至少一个图像变化参数,对该张电路板样本图像进行图像处理,得到该张电路板样本图像对应的候选电路板样本图像;
将各张电路板样本图像对应的候选电路板样本图像以及该电路板样本图像类别中的各张电路板样本图像,作为该电路板样本图像类别对应的第一目标电路板样本图像。
在一种实施方式中,上述生成模块603可以按照如下步骤对该电路板样本图像类别中的电路板样本图像进行欠采样处理:
针对该电路板样本图像类别中的每张电路板样本图像,从该张电路板样本图像中提取电路元件,作为该张电路板样本图像对应的电路元件;
根据该电路板样本图像类别中的各张电路板样本图像对应的电路元件,对该电路板样本图像类别中的电路板样本图像进行欠采样处理。
在一种实施方式中,上述生成模块603可以按照如下步骤得到第二目标电路板样本图像:
将对应同一电路元件的电路板样本图像划分至同一分组;和/或,
将对应的电路元件属于同一元件类型的电路板样本图像划分至同一分组;
分别从每个分组中获取预设数目张电路板样本图像;
将获取的电路板样本图像,确定为该电路板样本图像类别对应的第二目标电路板样本图像。
基于同一申请构思,本申请实施例中还提供了与电路板缺陷检测方法对应的电路板缺陷检测装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述电路板缺陷检测方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
如图7所示,为本申请实施例所提供的电路板缺陷检测装置的结构示意图,该电路板缺陷检测装置包括:
获取模块701,用于获取待检测电路板图像;
检测模块702,用于将获取的待检测电路板图像分别输入至预先训练好的多个电路板缺陷检测模型中,得到各个电路板检测模型输出的检测结果;其中,电路板缺陷检测模型是根据上述样本图像生成装置生成的电路板样本图像训练得到的;或者电路板缺陷检测模型是根据上述样本图像生成方法生成的电路板样本图像训练得到的;
针对每个预设检测结果,统计与该预设检测结果匹配的输出的检测结果的个数;
将统计出个数最多的输出的检测结果所匹配的预设检测结果,作为最终检测结果。
在一种实施方式中,上述检测模块702可以按照如下步骤训练电路板缺陷检测模型:
根据上述样本图像生成方法生成的电路板样本图像,确定训练样本集;或者,根据上述样本图像生成装置生成的电路板样本图像,确定训练样本集;
将训练样本集拆分为多个训练样本子集,训练样本子集的个数与电路板缺陷检测模型的个数相同;
针对每个待训练电路板缺陷检测模型,根据该待训练电路板缺陷检测模型对应的至少一个训练样本子集以及至少一个训练样本子集中各训练样本的标注信息,对该待训练电路板缺陷检测模型进行训练。
采用上述方案,在确定样本集中包括的多个电路板样本图像类别中的每个电路板样本图像类别对应的分布占比之后,一方面可以针对样本集中分布占比小于第一占比阈值的电路板样本图像类别中的电路板样本图像(即小类别图像)进行过采样处理,以根据过采样处理得到的第一目标电路板样本图像增加小类别样本图像的张数,从而平衡多类样本图像,另一方面可以针对样本集中分布占比大于第二占比阈值的电路板样本图像类别中的电路板样本图像(大类别样本图像)进行欠采样处理,以根据欠采样处理得到的第二目标电路板样本图像减少大类别样本图像的张数,从而平衡多类样本图像。利用平衡后的多类样本图像进行电路板缺陷检测模型的训练,可以使得学习到的图像特征更为均衡(即可以学习到各类样本图像的图像特征),从而提升了电路板缺陷检测的准确度。
如图8所示,为本申请一种实施例所提供的一种电子设备的结构示意图,该电子设备包括:处理器801、存储器802和总线803,存储器802存储有处理器801可执行的机器可读指令,当电子设备运行时,处理器801与存储器802之间通过总线803通信,机器可读指令被处理器801执行时执行上述样本图像生成方法的如下指令:
获取原始电路板样本图像集,作为样本集,样本集包括多个电路板样本图像类别;
分别确定每个电路板样本图像类别中的电路板样本图像在样本集中的分布占比;
针对分布占比小于第一占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行过采样处理,得到该电路板样本图像类别对应的第一目标电路板样本图像;和/或,
针对分布占比大于第二占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,得到该电路板样本图像类别对应的第二目标电路板样本图像;其中,第一占比阈值小于第二占比阈值。
在一种实施方式中,上述处理器801执行的指令中,对该电路板样本图像类别中的电路板样本图像进行过采样处理,得到该电路板样本图像类别对应的第一目标电路板样本图像,包括:
针对该电路板样本图像类别中的每张电路板样本图像,基于随机提取的至少一个图像变化参数,对该张电路板样本图像进行图像处理,得到该张电路板样本图像对应的候选电路板样本图像;
将各张电路板样本图像对应的候选电路板样本图像以及该电路板样本图像类别中的各张电路板样本图像,作为该电路板样本图像类别对应的第一目标电路板样本图像。
在一种实施方式中,上述处理器801执行的指令中,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,包括:
针对该电路板样本图像类别中的每张电路板样本图像,从该张电路板样本图像中提取电路元件,作为该张电路板样本图像对应的电路元件;
根据该电路板样本图像类别中的各张电路板样本图像对应的电路元件,对该电路板样本图像类别中的电路板样本图像进行欠采样处理。
在一种实施方式中,上述处理器801执行的处理中,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,得到该电路板样本图像类别对应的第二目标电路板样本图像,包括:
将对应同一电路元件的电路板样本图像划分至同一分组;和/或,
将对应的电路元件属于同一元件类型的电路板样本图像划分至同一分组;
分别从每个分组中获取预设数目张电路板样本图像;
将获取的电路板样本图像,确定为该电路板样本图像类别对应的第二目标电路板样本图像。
另外,本申请实施例提供的电子设备还可以执行上述电路板缺陷检测方法的如下指令:
获取待检测电路板图像;
将获取的待检测电路板图像分别输入至预先训练好的多个电路板缺陷检测模型中,得到各个电路板检测模型输出的检测结果;其中,电路板缺陷检测模型是根据上述样本图像生成方法生成的电路板样本图像训练得到的;
针对每个预设检测结果,统计与该预设检测结果匹配的输出的检测结果的个数;
将统计出个数最多的输出的检测结果所匹配的预设检测结果,作为最终检测结果。
在一种实施方式中,上述处理器801执行的指令中,按照如下步骤训练电路板缺陷检测模型:
根据上述样本图像生成方法生成的电路板样本图像,确定训练样本集;
将训练样本集拆分为多个训练样本子集,训练样本子集的个数与电路板缺陷检测模型的个数相同;
针对每个待训练电路板缺陷检测模型,根据该待训练电路板缺陷检测模型对应的至少一个训练样本子集以及至少一个训练样本子集中各训练样本的标注信息,对该待训练电路板缺陷检测模型进行训练。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器801运行时执行上述样本图像生成方法的步骤或者上述电路板缺陷检测方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述方法,从而解决目前缺陷检测所存在的检测准确度较低的问题,进而达到提高缺陷检测的准确度的效果。
本申请实施例所提供的样本图像生成方法/电路板缺陷检测方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种样本图像生成方法,其特征在于,所述方法包括:
获取原始电路板样本图像集,作为样本集,所述样本集包括多个电路板样本图像类别;
分别确定每个电路板样本图像类别中的电路板样本图像在所述样本集中的分布占比;
针对分布占比小于第一占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行过采样处理,得到该电路板样本图像类别对应的第一目标电路板样本图像;和/或,
针对分布占比大于第二占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,得到该电路板样本图像类别对应的第二目标电路板样本图像;其中,第一占比阈值小于所述第二占比阈值。
2.根据权利要求1所述的方法,其特征在于,对该电路板样本图像类别中的电路板样本图像进行过采样处理,得到该电路板样本图像类别对应的第一目标电路板样本图像,包括:
针对该电路板样本图像类别中的每张电路板样本图像,基于随机提取的至少一个图像变化参数,对该张电路板样本图像进行图像处理,得到该张电路板样本图像对应的候选电路板样本图像;
将各张电路板样本图像对应的候选电路板样本图像以及该电路板样本图像类别中的各张电路板样本图像,作为该电路板样本图像类别对应的第一目标电路板样本图像。
3.根据权利要求1所述的方法,其特征在于,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,包括:
针对该电路板样本图像类别中的每张电路板样本图像,从该张电路板样本图像中提取电路元件,作为该张电路板样本图像对应的电路元件;
根据该电路板样本图像类别中的各张电路板样本图像对应的电路元件,对该电路板样本图像类别中的电路板样本图像进行欠采样处理。
4.根据权利要求3所述的方法,其特征在于,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,得到该电路板样本图像类别对应的第二目标电路板样本图像,包括:
将对应同一电路元件的电路板样本图像划分至同一分组;和/或,
将对应的电路元件属于同一元件类型的电路板样本图像划分至同一分组;
分别从每个所述分组中获取预设数目张电路板样本图像;
将获取的电路板样本图像,确定为该电路板样本图像类别对应的第二目标电路板样本图像。
5.一种电路板缺陷检测方法,其特征在于,所述方法包括:
获取待检测电路板图像;
将获取的待检测电路板图像分别输入至预先训练好的多个电路板缺陷检测模型中,得到各个电路板检测模型输出的检测结果;其中,所述电路板缺陷检测模型是根据权利要求1至4任一所述样本图像生成方法生成的电路板样本图像训练得到的;
针对每个预设检测结果,统计与该预设检测结果匹配的所述输出的检测结果的个数;
将统计出个数最多的输出的检测结果所匹配的预设检测结果,作为最终检测结果。
6.根据权利要求5所述的方法,其特征在于,按照如下步骤训练电路板缺陷检测模型:
根据权利要求1至4任一所述样本图像生成方法生成的电路板样本图像,确定训练样本集;
将所述训练样本集拆分为多个训练样本子集,所述训练样本子集的个数与电路板缺陷检测模型的个数相同;
针对每个待训练电路板缺陷检测模型,根据该待训练电路板缺陷检测模型对应的至少一个训练样本子集以及所述至少一个训练样本子集中各训练样本的标注信息,对该待训练电路板缺陷检测模型进行训练。
7.一种样本图像生成装置,其特征在于,所述装置包括:
获取模块,用于获取原始电路板样本图像集,作为样本集,所述样本集包括多个电路板样本图像类别;
确定模块,用于分别确定每个电路板样本图像类别中的电路板样本图像在所述样本集中的分布占比;
生成模块,用于针对分布占比小于第一占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行过采样处理,得到该电路板样本图像类别对应的第一目标电路板样本图像;和/或,针对分布占比大于第二占比阈值的每个电路板样本图像类别,对该电路板样本图像类别中的电路板样本图像进行欠采样处理,得到该电路板样本图像类别对应的第二目标电路板样本图像;其中,第一占比阈值小于所述第二占比阈值。
8.一种电路板缺陷检测装置,其特征在于,所述装置包括:
获取模块,用于获取待检测电路板图像;
检测模块,用于将获取的待检测电路板图像分别输入至预先训练好的多个电路板缺陷检测模型中,得到各个电路板检测模型输出的检测结果;其中,所述电路板缺陷检测模型是根据权利要求7所述样本图像生成装置生成的电路板样本图像训练得到的;针对每个预设检测结果,统计与该预设检测结果匹配的所述输出的检测结果的个数;将统计出个数最多的输出的检测结果所匹配的预设检测结果,作为最终检测结果。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至4任一所述样本图像生成方法的步骤或者如权利要求5或6所述电路板缺陷检测方法的步骤。
10.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令时实现如权利要求1至4任一所述样本图像生成方法的步骤或者如权利要求5或6所述电路板缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708578.5A CN110415240A (zh) | 2019-08-01 | 2019-08-01 | 样本图像生成方法及装置、电路板缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708578.5A CN110415240A (zh) | 2019-08-01 | 2019-08-01 | 样本图像生成方法及装置、电路板缺陷检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110415240A true CN110415240A (zh) | 2019-11-05 |
Family
ID=68365288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910708578.5A Pending CN110415240A (zh) | 2019-08-01 | 2019-08-01 | 样本图像生成方法及装置、电路板缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415240A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832614A (zh) * | 2020-06-04 | 2020-10-27 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、装置、电子设备及存储介质 |
CN112215268A (zh) * | 2020-09-27 | 2021-01-12 | 浙江工业大学 | 一种灾害天气卫星云图分类方法和装置 |
CN112365443A (zh) * | 2020-10-16 | 2021-02-12 | 珠海市奥德维科技有限公司 | 基于深度学习的六面体缺陷检测方法及介质 |
CN113723467A (zh) * | 2021-08-05 | 2021-11-30 | 武汉精创电子技术有限公司 | 用于缺陷检测的样本收集方法、装置和设备 |
CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728551A (zh) * | 2013-01-30 | 2014-04-16 | 中国人民解放军海军航空工程学院 | 一种基于级联集成分类器的模拟电路故障诊断方法 |
CN104992183A (zh) * | 2015-06-25 | 2015-10-21 | 中国计量学院 | 自然场景中的显著目标的自动检测方法 |
CN105973595A (zh) * | 2016-04-27 | 2016-09-28 | 清华大学深圳研究生院 | 一种滚动轴承故障的诊断方法 |
CN106127746A (zh) * | 2016-06-16 | 2016-11-16 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和*** |
KR101688458B1 (ko) * | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
CN107341538A (zh) * | 2017-06-30 | 2017-11-10 | 上海上大海润信息***有限公司 | 一种基于视觉的统计数量方法 |
CN108509860A (zh) * | 2018-03-09 | 2018-09-07 | 西安电子科技大学 | 基于卷积神经网络的可可西里藏羚羊检测方法 |
CN109102014A (zh) * | 2018-08-01 | 2018-12-28 | 中国海洋大学 | 基于深度卷积神经网络的类别不平衡的图像分类方法 |
CN109239102A (zh) * | 2018-08-21 | 2019-01-18 | 南京理工大学 | 一种基于cnn的柔性电路板外观缺陷检测方法 |
CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
-
2019
- 2019-08-01 CN CN201910708578.5A patent/CN110415240A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728551A (zh) * | 2013-01-30 | 2014-04-16 | 中国人民解放军海军航空工程学院 | 一种基于级联集成分类器的模拟电路故障诊断方法 |
CN104992183A (zh) * | 2015-06-25 | 2015-10-21 | 中国计量学院 | 自然场景中的显著目标的自动检测方法 |
CN105973595A (zh) * | 2016-04-27 | 2016-09-28 | 清华大学深圳研究生院 | 一种滚动轴承故障的诊断方法 |
KR101688458B1 (ko) * | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
CN106127746A (zh) * | 2016-06-16 | 2016-11-16 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和*** |
CN107341538A (zh) * | 2017-06-30 | 2017-11-10 | 上海上大海润信息***有限公司 | 一种基于视觉的统计数量方法 |
CN108509860A (zh) * | 2018-03-09 | 2018-09-07 | 西安电子科技大学 | 基于卷积神经网络的可可西里藏羚羊检测方法 |
CN109102014A (zh) * | 2018-08-01 | 2018-12-28 | 中国海洋大学 | 基于深度卷积神经网络的类别不平衡的图像分类方法 |
CN109239102A (zh) * | 2018-08-21 | 2019-01-18 | 南京理工大学 | 一种基于cnn的柔性电路板外观缺陷检测方法 |
CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
Non-Patent Citations (4)
Title |
---|
毛学军: "《高频电子技术》", 30 October 2008, 北京邮电学院出版社 * |
郭丽娟等: "集成降采样不平衡数据分类方法研究", 《计算机科学与探索》 * |
郭小清等: "基于改进Multi-Scale AlexNet的番茄叶部病害图像识别", 《农业工程学报》 * |
陈洪科: "基于多分类支持向量机算法的PCB焊点检测研究", 《机电技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832614A (zh) * | 2020-06-04 | 2020-10-27 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、装置、电子设备及存储介质 |
CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
CN112215268A (zh) * | 2020-09-27 | 2021-01-12 | 浙江工业大学 | 一种灾害天气卫星云图分类方法和装置 |
CN112365443A (zh) * | 2020-10-16 | 2021-02-12 | 珠海市奥德维科技有限公司 | 基于深度学习的六面体缺陷检测方法及介质 |
CN113723467A (zh) * | 2021-08-05 | 2021-11-30 | 武汉精创电子技术有限公司 | 用于缺陷检测的样本收集方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415240A (zh) | 样本图像生成方法及装置、电路板缺陷检测方法及装置 | |
CN105184778B (zh) | 一种检测方法及装置 | |
CN105046277B (zh) | 特征显著性在图像质量评价中的鲁棒机理研究方法 | |
CN102682514B (zh) | 一种纸类识别方法及相关装置 | |
CN111257341B (zh) | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 | |
CN107835496A (zh) | 一种垃圾短信的识别方法、装置和服务器 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN110197208A (zh) | 一种纺织品瑕疵智能检测分类方法及装置 | |
CN107851195A (zh) | 利用神经网络进行目标检测 | |
CN104680144A (zh) | 基于投影极速学习机的唇语识别方法和装置 | |
CN106326802B (zh) | 二维码校正方法、装置及终端设备 | |
CN111339935B (zh) | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 | |
CN110738164A (zh) | 零件异常检测方法、模型训练方法及装置 | |
CN113822209A (zh) | 高光谱图像识别方法、装置、电子设备及可读存储介质 | |
CN109685104B (zh) | 一种识别模型的确定方法和装置 | |
CN107578438A (zh) | 圆识别方法、装置及电子设备 | |
CN107493469A (zh) | 一种确定sfr测试卡的感兴趣区域的方法及装置 | |
CN108921209A (zh) | 图片识别方法、装置及电子设备 | |
CN109993221A (zh) | 一种图像分类方法及装置 | |
CN110532314A (zh) | 高压电器质量检测的方法及终端设备 | |
CN109074663A (zh) | 物体体积测量方法、相关装置及计算机可读存储介质 | |
CN110414581A (zh) | 图片检测方法和装置、存储介质及电子装置 | |
CN110321892A (zh) | 一种图片筛选方法、装置及电子设备 | |
CN112132812A (zh) | 证件校验方法、装置、电子设备及介质 | |
CN109343019B (zh) | 一种地质雷达数据解释方法及装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100070, No. 101-8, building 1, 31, zone 188, South Fourth Ring Road, Beijing, Fengtai District Applicant after: Guoxin Youyi Data Co.,Ltd. Address before: 100070, No. 188, building 31, headquarters square, South Fourth Ring Road West, Fengtai District, Beijing Applicant before: SIC YOUE DATA Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |