CN111489332B - 一种用于目标检测的多尺度iof随机裁剪的数据增强方法 - Google Patents

一种用于目标检测的多尺度iof随机裁剪的数据增强方法 Download PDF

Info

Publication number
CN111489332B
CN111489332B CN202010245421.6A CN202010245421A CN111489332B CN 111489332 B CN111489332 B CN 111489332B CN 202010245421 A CN202010245421 A CN 202010245421A CN 111489332 B CN111489332 B CN 111489332B
Authority
CN
China
Prior art keywords
iof
target
cutting
original image
cutting frame
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.)
Active
Application number
CN202010245421.6A
Other languages
English (en)
Other versions
CN111489332A (zh
Inventor
请求不公布姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Shuzhilian Technology Co Ltd
Original Assignee
Chengdu Shuzhilian Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Shuzhilian Technology Co Ltd filed Critical Chengdu Shuzhilian Technology Co Ltd
Priority to CN202010245421.6A priority Critical patent/CN111489332B/zh
Publication of CN111489332A publication Critical patent/CN111489332A/zh
Application granted granted Critical
Publication of CN111489332B publication Critical patent/CN111489332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G01N2021/9513—Liquid crystal panels
    • 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
    • G06T2207/20081—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
    • G06T2207/30121—CRT, LCD or plasma display
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于目标检测的多尺度IOF随机裁剪的数据增强方法，首先概率化直接输出原图，保留所需要的图片缺陷背板信息同时利用IOF随机裁剪的方法裁剪目标图片，根据目标原图中目标缺陷的面积设定裁剪范围，然后基于候选裁剪框和目标原图的尺度计算IOF值，与预设IOF阈值比较判断是否保留候选裁剪框，以保留的候选框裁剪；修正裁剪后的图片数据后输出裁剪后的图片和相应数据。本发明概率化输出原图，不裁剪部分原图，裁剪目标原图的同时确保部分背板信息能够输入缺陷检测模型检测，提高了缺陷检测***的准确率，采用多尺度随机IOF裁剪的方式进行数据增强处理，提升模型对于超小尺度缺陷，尺度跨越巨大的缺陷及背景信息的识别的能力。

Description

一种用于目标检测的多尺度IOF随机裁剪的数据增强方法
技术领域
本发明涉及智能制造与人工智能技术领域，具体涉及一种用于目标检测的多尺度IOF随机裁剪的数据增强方法。
背景技术
随着社会信息化的普及，作为信息显示和传播媒介的显示终端已发展成为不可或缺的重要角色。液晶显示屏因其功耗低、体积小、清晰度高、失真度低等优点，成为智能手机，个人电脑，智能手表，数码相机，大屏电视等大部分显示终端设备。
近些年，由于机器视觉领域的快速发展，采用自动光学检测(AOI)技术辅助传统人工质检的方式进行面板缺陷检测与分类已是工厂生产中必不可少的一道环节；而在缺陷检测环节中又因为细节图的图片小且缺陷细微的问题，导致对细节图的分类准确率低；同时人工质检过程中因人眼结构差异、情绪状态、疲劳等造成的检测结果不稳定及判断标准难以统一和量化；使得细节图的检测存在准确率低、效率低的问题。
面板制造过程中，会产生大量尺度跨越巨大的缺陷；目前常用的深度学习目标检测框架中的数据增强方式(如普通裁剪、随机裁剪、随机IOU裁剪方式)很难适应尺度跨越巨大的缺陷，降低模型定位及分类的准确率。
发明内容
本发明所要解决的技术问题是：面板制造过程中，会产生大量尺度跨越巨大的缺陷；目前常用的深度学习目标检测框架中的数据增强方式(如普通裁剪、随机裁剪、随机IOU裁剪方式)很难适应尺度跨越巨大的缺陷，降低模型定位及分类的准确率。
为解决上述技术问题。
本发明通过下述技术方案实现：
本发明提供一种用于目标检测的多尺度IOF随机裁剪的数据增强方法，包括以下步骤：
S1、设定一个概率P1，不进行裁剪直接输出原图；
S2、根据需要裁剪的目标原图设定一个裁剪框的区域范围；
S3、在裁剪框的区域范围随机生成一个裁剪比例，基于裁剪比例确定候选裁剪框的尺度；
S4、基于候选裁剪框的尺度在目标原图上随机生成一个候选裁剪框；
S5、根据候选裁剪框和目标原图的尺度计算IOF值
S6、比较计算出的IOF值与预设IOF阈值，当IOF值低于预设IOF阈值时返回S4进行循环，IOF值高于预设IOF阈值时保留该候选裁剪框并跳出循环；
S7、根据保留的候选裁剪框裁剪目标原图，并修正裁剪后的图片数据；
S8、输出裁剪后的图片及修正后数据。
本方案工作原理：面板制造过程中，会产生大量尺度跨越巨大的缺陷；在生产线上摄像头拍摄照片后，经AOI检测，确定缺陷位置，需要将对应位置的缺陷图片放大、裁剪，用于人工识别和输入面板缺陷检测的模型。对于目前常用的深度学习目标检测框架中的数据增强方式(如普通裁剪、随机裁剪、随机IOU裁剪方式)很难适应尺度跨越巨大的缺陷，降低模型定位及分类的准确率。
本发明首先概率化直接输出原图，保留所需要的图片缺陷背板信息同时利用IOF随机裁剪的方法裁剪目标图片，根据目标原图中目标缺陷的面积设定裁剪范围，首先在目标原图中根据目标缺陷的位置设定好裁剪框的区域范围，随机生成一个裁剪比例；然后在裁剪框的范围内基于裁剪比例生成一个候选裁剪框，基于候选裁剪框和目标原图的尺度计算IOF值，与预设好的IOF阈值进行比较判断是否保留候选裁剪框，若不保留，就会重新在裁剪框的范围内对应裁剪比例生成另一个候选裁剪框，再重复以上判断如此循环至少50次，直到生成的候选框满足要求跳出循环保留该候选框，以保留的候选框进行裁剪。
设定裁剪框的区域范围让生成裁剪方式的选择增多，如果裁剪框的区域范围的下界设置过小，需要多次使用本发明方法剪切，计算量会增加，会增加模型训练时间；如果裁剪框的区域范围的下界设置过大，会影响超小尺度缺陷的识别；如果裁剪框的区域范围设置的过小，就会影响检测模型识别尺度跨越巨大的缺陷；因此需要根据目标原图的实际情况测试调整，设置最合适的裁剪框的区域范围。
经过多次循环本发明多尺度IOF随机裁剪的方法得到多个不同方式裁剪的图片，既可以生成多个IOF值的不同尺度的裁剪图片，且保证裁剪质量。传统方式通常是先设定一个固定的裁剪尺度进行裁剪，缺陷裁剪后会丢失部分尺度跨越巨大的缺陷或者是超小尺度的缺陷的缺陷信息或者使缺陷检测模型无法准确定位和识别这些缺陷；本方案提供的裁剪方法按照设定的裁剪框的某个区间随机裁剪，多次裁剪后得到适合裁剪框预设区间内的图片，可以容纳更多尺度的图片；通过多尺度IOF随机裁剪的数据增强方法，可以有效提升数据中超小尺度，尺度、跨越巨大目标及背景信息的识别和分类的能力。
进一步优选方案为，所述概率P1的默认值为1/5。
对于输入的缺陷原图都含有各自的背板信息，细节化裁剪输入原图中的缺陷后，部分背板信息也会被裁减掉，以1/5的概率输出原图，不裁剪这部分图片，可以让这些图片完整地进入深度学习的目标检测模型检测，提高缺陷检测***的准确率。
进一步优选方案为，裁剪框的区域范围设定方法为：
当原图中目标缺陷的面积大时，设定大的裁剪框区域下界；
当原图中目标缺陷的面积小时，设定小的裁剪框区域下界；
当原图中有多个目标缺陷，且目标缺陷的面积有大有小时，设定大的裁剪框的区域范围,即裁剪框的区域范围下界小的而裁剪框的区域范围上界大。
当原图中有多个目标缺陷，且目标缺陷的面积分布跨越较大时，设定大的裁剪框的区域范围。
进一步优选方案为，所述S6中循环至少50次。
进一步优选方案为，所述IOF阈值设置方式：当目标原图中缺陷的面积很小时，设置高的IOF阈值，当目标原图中缺陷的面积很大时，设置低的IOF阈值。
如果目标原图中缺陷很大，将IOF阈值设置很高会导致裁剪比例增大，相当于直接输出原图，因此当目标原图中缺陷很大时，须设置相对较低的IOF阈值。
进一步优选方案为，对裁剪后的图片进行数据修正包括：修正裁剪后图片中的目标缺陷bundingbox数值。
目标缺陷bundingbox数值是目标缺陷在图片中的定位标记，裁剪原图后，使用之前的目标缺陷bundingbox数值不能正确对应缺陷位置，因此需要重新设置裁剪后图片的目标缺陷bundingbox数值。
本发明与现有技术相比，具有如下的优点和有益效果：
1.本发明提供一种用于目标检测的多尺度IOF随机裁剪的数据增强方法，采用多尺度随机IOF裁剪的方式进行数据增强处理，提升模型对于超小尺度缺陷，尺度跨越巨大的缺陷，以及背景信息的识别能力。
2.本发明提供一种用于目标检测的多尺度IOF随机裁剪的数据增强方法，概率化输出原图，不裁剪部分原图，对目标原图进行裁剪的同时确保了部分背板信息能够进入缺陷检测模型检测，提高了缺陷检测***的准确率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。
在附图中：
图1为本发明用于目标检测的多尺度IOF随机裁剪的数据增强方法流程图。
图2为IOF值计算过程示意图。
图3为实施例随机裁剪结果示意图。
图4为实施例随机裁剪结果示意图。
1-候选裁剪框，2-目标原图，3-候选裁剪框与目标原图的交集，4-裁剪框A，5-裁剪框B，6-目标缺陷A，7-裁剪框C，8-裁剪框D，9-目标缺陷B。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图1所示，使用本发明提供的一种用于目标检测的多尺度IOF随机裁剪的数据增强方法，具体为以下步骤：
S1、设定一个概率P1，不进行裁剪直接输出原图；
S2、根据需要裁剪的目标原图设定一个裁剪框的区域范围；
S3、在裁剪框的区域范围随机生成一个裁剪比例，基于裁剪比例确定候选裁剪框的尺度；
S4、基于候选裁剪框的尺度在目标原图上随机生成一个候选裁剪框；
S5、根据候选裁剪框和目标原图的尺度计算IOF值
S6、比较计算出的IOF值与预设IOF阈值，当IOF值低于预设IOF阈值时返回S4进行循环，IOF值高于预设IOF阈值时保留该候选裁剪框并跳出循环；
S7、根据保留的候选裁剪框裁剪目标原图，并修正裁剪后的图片数据；
S8、输出裁剪后的图片及修正后数据。
所述概率P1的默认值为1/5。
裁剪框的区域范围设定方法为：
当原图中目标缺陷的面积较大时，设定大的裁剪框区域下界；
当原图中目标缺陷的面积较小时，设定小的裁剪框区域下界；
当原图中有多个目标缺陷，且目标缺陷的面积分布跨越度较大时，设定大的裁剪框的区域范围,即裁剪框的区域范围下界较小的而裁剪框的区域范围上界较大。
所述S6中循环至少50次。
所述IOF阈值是一个区间范围，当目标缺陷的跨越度较大时，设置大的IOF阈值区间，当目标缺陷的跨越度较小时，设置小的IOF阈值区间。
对裁剪后的图片进行数据修正包括：修正裁剪后图片中的目标缺陷bundingbox数值。
实施例2
如图3所示，某面板厂使用本发明提供的数据增强处理方式裁剪厂内缺陷面板的图片，经过两次裁剪得到随机裁剪框A4和随机裁剪框B5。
在一次裁剪过程中，裁剪框的区域范围随机生成的一个裁剪比例为0.8，相应的候选裁剪框的尺度即为：800x800，根据候选裁剪框和目标原图的尺度计算出IOF值为1，根据目标缺陷特点设置的IOF阈值为0.2，IOF值大于0.2满足要求，***会保留该候选裁剪框并跳出循环，接着按照保留的800x800裁剪框裁剪目标原图；重新设置裁剪后目标缺陷bundingbox数值进行输出，由图片可以看到随机裁剪框A4完全包含了目标缺陷6，这样经过本发明提供的一种用于目标检测的多尺度IOF随机裁剪的数据增强方法裁剪得到一组随机裁剪图片和相应的数据。
在第二次裁剪过程中，将目标原图输入裁剪***后，经过多次循环，在裁剪框的区域范围随机生成的一个裁剪比例0.5，相应的候选裁剪框的尺度即为：300x300，根据候选裁剪框和目标原图的尺度计算出IOF值为0.8，根据目标缺陷特点设置的IOF阈值为0.2，IOF值大于0.2满足要求，***会保留该候选裁剪框并跳出循环，接着按照保留的800x800裁剪框裁剪目标原图；重新设置裁剪后目标缺陷bundingbox数值进行输出，由图片可以看到随机裁剪框B5也完全包含了目标缺陷6，这样经过本发明提供的一种用于目标检测的多尺度IOF随机裁剪的数据增强方法裁剪得到另一组随机裁剪图片和相应的数据。
上述两次生成的随机裁剪框都满足要求，再经过多次多尺度IOF随机裁剪的数据增强方法随机裁剪目标原图最终可以生成多个IOF值的不同尺度的裁剪图片，且保证裁剪质量，可以有效提升数据中超小尺度，尺度跨越巨大目标及背景信息的识别和分类的能力。
目标原图B输入多尺度IOF随机裁剪***，得到的两种候选裁剪框如图4所示，其中裁剪框C7的IOF值为：0.5，裁剪框C7的IOF值小于阈值0.6，在目标原图上重新随机生成一个候选裁剪框进行循环得到裁剪框D8，其IOF值为：0.8满足阈值要求结束循环。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种用于目标检测的多尺度IOF随机裁剪的数据增强方法，其特征在于，包括以下步骤：
S1、设定一个概率P1，不进行裁剪直接输出原图；
S2、根据需要裁剪的目标原图设定一个裁剪框区域范围；
S3、在裁剪框的区域范围随机生成一个裁剪比例，基于裁剪比例确定候选裁剪框的尺度；
S4、基于候选裁剪框的尺度在目标原图上随机生成一个候选裁剪框；
S5、根据候选裁剪框和目标原图的尺度计算IOF值；
S6、比较计算出的IOF值与预设IOF阈值，当IOF值低于预设IOF阈值时返回S4进行循环，IOF值高于预设IOF阈值时保留该候选裁剪框并跳出循环；
S7、根据保留的候选裁剪框裁剪目标原图，并修正裁剪后的图片数据；
S8、输出裁剪后的图片及修正后数据；
IOF阈值设置方式：当目标原图中缺陷的面积小时，设置高的IOF阈值，当目标原图中缺陷的面积大时，设置低的IOF阈值；
修正裁剪后的图片数据包括：修正裁剪后图片中目标缺陷的bundingbox数值。
2.根据权利要求1所述的一种用于目标检测的多尺度IOF随机裁剪的数据增强方法，其特征在于，所述概率P1的默认值为1/5。
3.根据权利要求1所述的一种用于目标检测的多尺度IOF随机裁剪的数据增强方法，其特征在于，裁剪框区域范围设定方法为：
当原图中目标缺陷的面积大时，设定大的裁剪框区域下界；
当原图中目标缺陷的面积小时，设定小的裁剪框区域下界；
当原图中有多个目标缺陷，且目标缺陷的面积有大有小时，设定大的裁剪框的区域范围,即裁剪框的区域范围下界小的而裁剪框的区域范围上界大。
4.根据权利要求1所述的一种用于目标检测的多尺度IOF随机裁剪的数据增强方法，其特征在于，所述S6中循环至少50次。
5.根据权利要求1所述的一种用于目标检测的多尺度IOF随机裁剪的数据增强方法，其特征在于，IOF值计算方法为：候选裁剪框与目标原图交集部分面积除以目标原图面积。
CN202010245421.6A 2020-03-31 2020-03-31 一种用于目标检测的多尺度iof随机裁剪的数据增强方法 Active CN111489332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010245421.6A CN111489332B (zh) 2020-03-31 2020-03-31 一种用于目标检测的多尺度iof随机裁剪的数据增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010245421.6A CN111489332B (zh) 2020-03-31 2020-03-31 一种用于目标检测的多尺度iof随机裁剪的数据增强方法

Publications (2)

Publication Number Publication Date
CN111489332A CN111489332A (zh) 2020-08-04
CN111489332B true CN111489332B (zh) 2023-03-17

Family

ID=71812532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010245421.6A Active CN111489332B (zh) 2020-03-31 2020-03-31 一种用于目标检测的多尺度iof随机裁剪的数据增强方法

Country Status (1)

Country Link
CN (1) CN111489332B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781502B (zh) * 2021-09-30 2024-06-28 浪潮云信息技术股份公司 一种超大分辨率图像训练数据预处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN109117886A (zh) * 2018-08-17 2019-01-01 浙江捷尚视觉科技股份有限公司 一种图像帧中目标尺度与区域估计的方法
CN109948415A (zh) * 2018-12-30 2019-06-28 中国科学院软件研究所 基于背景过滤和尺度预测的光学遥感图像目标检测方法
CN110599463A (zh) * 2019-08-26 2019-12-20 依脉人工智能医疗科技(天津)有限公司 一种基于轻量级联神经网络的舌像检测及定位算法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9626584B2 (en) * 2014-10-09 2017-04-18 Adobe Systems Incorporated Image cropping suggestion using multiple saliency maps
CN106157307B (zh) * 2016-06-27 2018-09-11 浙江工商大学 一种基于多尺度cnn和连续crf的单目图像深度估计方法
US10657364B2 (en) * 2016-09-23 2020-05-19 Samsung Electronics Co., Ltd System and method for deep network fusion for fast and robust object detection
CN108828545B (zh) * 2018-04-28 2021-12-31 中国科学院电子学研究所 与静止目标成像关联的运动目标检测***及其检测方法
CN110197170A (zh) * 2019-06-05 2019-09-03 北京科技大学 基于目标检测的钢卷卷形缺陷检测识别方法
CN110263731B (zh) * 2019-06-24 2021-03-16 电子科技大学 一种单步人脸检测***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN109117886A (zh) * 2018-08-17 2019-01-01 浙江捷尚视觉科技股份有限公司 一种图像帧中目标尺度与区域估计的方法
CN109948415A (zh) * 2018-12-30 2019-06-28 中国科学院软件研究所 基于背景过滤和尺度预测的光学遥感图像目标检测方法
CN110599463A (zh) * 2019-08-26 2019-12-20 依脉人工智能医疗科技(天津)有限公司 一种基于轻量级联神经网络的舌像检测及定位算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘业鹏 等.基于特征金字塔算法的输电线路多尺度目标检测方法.(第01期),15-18. *
王国文."多尺度特征融合改进YOLOv3网络的行人和车辆检测".2020,(第2期),I138-1785. *
许必宵."基于多尺度特征融合与上下文分析的目标检测技术研究".2020,(第2期),I138-1800. *

Also Published As

Publication number Publication date
CN111489332A (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN110008806B (zh) 信息处理装置、学习处理方法、学习装置及物体识别装置
CN111598863B (zh) 缺陷检测方法、装置、设备及可读存储介质
CN111898668A (zh) 一种基于深度学习的小目标物体检测方法
CN110598698B (zh) 基于自适应区域建议网络的自然场景文本检测方法和***
US20240169476A1 (en) Image processing method and apparatus, and storage medium and device
CN109035147B (zh) 图像处理方法及装置、电子装置、存储介质和计算机设备
CN112634201B (zh) 目标检测方法、装置和电子设备
CN113538603B (zh) 一种基于阵列产品的光学检测方法、***和可读存储介质
CN116503414B (zh) 屏幕缺陷检测方法、装置、计算机设备和存储介质
US20240119584A1 (en) Detection method, electronic device and non-transitory computer-readable storage medium
CN113902641A (zh) 一种基于红外图像的数据中心热区判别方法及***
CN111489332B (zh) 一种用于目标检测的多尺度iof随机裁剪的数据增强方法
CN115578585A (zh) 工业图像异常检测方法、***、计算机设备和存储介质
CN116337412A (zh) 屏幕检测方法、设备及存储介质
CN114612418A (zh) 一种鼠标外壳表面缺陷检测方法及装置、***、电子设备
CN109726754A (zh) 一种lcd屏缺陷识别方法及装置
CN114255493A (zh) 图像检测方法、人脸检测方法及装置、设备及存储介质
CN112329522A (zh) 一种基于深度学习和图像处理的货架商品模糊检测方法
CN116309117A (zh) 二维码图像修复及识别方法和装置、电子设备及存储介质
CN116129417A (zh) 一种基于低质量图像的数字仪表读数检测方法
CN116993654A (zh) 摄像头模组缺陷检测方法、装置、设备、存储介质及产品
CN114677670A (zh) 一种身份证篡改自动识别与定位的方法
US10643312B2 (en) Smoothed image generating device, abnormality determining device, and smoothed image generating method
CN115984282B (zh) 一种氨纶产品检测方法、装置、设备及存储介质
CN107392205B (zh) 一种遥控器的码值表生成方法与装置

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

Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan

Applicant after: Chengdu shuzhilian Technology Co.,Ltd.

Address before: 610000 No.2, 4th floor, building 1, Jule Road intersection, West 1st section of 1st ring road, Wuhou District, Chengdu City, Sichuan Province

Applicant before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant