CN111507945B - 一种使用无缺陷图训练深度学习缺陷检测模型的方法 - Google Patents

一种使用无缺陷图训练深度学习缺陷检测模型的方法 Download PDF

Info

Publication number
CN111507945B
CN111507945B CN202010243915.0A CN202010243915A CN111507945B CN 111507945 B CN111507945 B CN 111507945B CN 202010243915 A CN202010243915 A CN 202010243915A CN 111507945 B CN111507945 B CN 111507945B
Authority
CN
China
Prior art keywords
defect
defective
pictures
picture
training
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
CN202010243915.0A
Other languages
English (en)
Other versions
CN111507945A (zh
Inventor
不公告发明人
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 CN202010243915.0A priority Critical patent/CN111507945B/zh
Publication of CN111507945A publication Critical patent/CN111507945A/zh
Application granted granted Critical
Publication of CN111507945B publication Critical patent/CN111507945B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种使用无缺陷图训练深度学习缺陷检测模型的方法，在模型训练时，随机将无缺陷图片和有缺陷图片组成一个数据批，基于RPN网络提取的建议框在缺陷图片上生成指定正负样本后，在无缺陷图片上生成较少的指定负样本，并将两张图片的指定正负样本按照设置好的超参数再次采样后合并训练模型，即合并有缺陷图片的指定负样本和无缺陷图片的指定负样本，通过合理的处理深度学习模型，将不包含缺陷的图片也用于训练深度学习模型，使模型有效的学习到所有背板特征，防止缺陷的过检，提高缺陷检测***的准确率。

Description

一种使用无缺陷图训练深度学习缺陷检测模型的方法
技术领域
本发明涉及智能制造与人工智能技术领域，具体涉及一种使用无缺陷图训练深度学习缺陷检测模型的方法。
背景技术
现有面板缺陷自动检测***中，深度学习模型的使用日趋成为主流。基于深度学习的目标检测模型主要有一阶段模型和两阶段模型两种模型类型，这两种模型类型都使用基于卷积神经网络的骨干网络提取特征，然后分类前景和背景，并回归前景的检测框，从而检测面板缺陷。
目前面板缺陷自动检测***一般应用于AOI设备之后，检测AOI设备识别和拍照的包含缺陷的面板微观图片，模型的训练基于AOI设备输出图片进行。但是AOI设备检出的缺陷图片可能存在不包含缺陷的情况，这主要是由于AOI设备过检或缺陷定位不准导致的。对于无缺陷的AOI图片，传统的基于深度学习的目标检测模型不会使用其训练模型，因为这类图片中无法提取出用于训练的正样本(缺陷)。但是，这导致了一些包含新的背板信息的无缺陷图片无法参与模型训练，目标检测模型无法学习到这些独特的背板特征，在实际上线使用时，这类背板图片可能会被检测为某种缺陷，导致缺陷识别的准确率下降。
发明内容
本发明所要解决的技术问题是：传统的基于深度学习的目标检测模型不会使用无缺陷图片进行模型训练，因为这类图片中无法提取出用于训练的缺陷样本，这导致了部分包含新的背板信息的无缺陷图片无法参与模型的训练，目标检测模型无法学习到这些独特的背板特征，在实际上线使用时，这类背板图片可能会被检测为某种缺陷，导致缺陷识别的准确率下降。
为解决上述技术问题。
本发明通过下述技术方案实现：
本发明提供一种使用无缺陷图训练深度学习缺陷检测模型的方法，包括以下步骤：
T1.在训练深度学习的面板缺陷检测模型时，采集AOI设备输出的面板图片，用缺陷标注框进标注缺陷的面板图片的缺陷得到模型训练集；
T2.利用模型训练集训练模型，每次循环数据加载器从模型训练集中随机载入一张有缺陷图片和其标注信息；
T3.从无缺陷图片中随机选择一张图片载入和T2中载入的有缺陷图片组成一个数据批；
T4.获取数据批的指定正样本和指定负样本，根据设置的采样超参数采样有数据批的指定正样本和指定负样本；
T5.合并数据批中采样的有缺陷图片的指定负样本与无缺陷图片的指定负样本后再使数据批训练面板缺陷检测模型。
本方案工作原理：本发明提供一种使用无缺陷图训练深度学习缺陷检测模型的方法，在模型训练时，随机将无缺陷图片和有缺陷图片组成一个数据批，基于RPN网络提取的建议框在缺陷图片上生成指定正负样本后，在无缺陷图片上生成较少的指定负样本，并将两张图片的指定正负样本按照设置好的超参数再次采样后合并训练模型，即合并有缺陷图片的指定负样本和无缺陷图片的指定负样本，这里相当于用部分无缺陷图片的指定负样本替换了有缺陷图片的指定负样本，合成后的数据批就相当于一张新的有缺陷图片，然而它也包含部分无缺陷的指定负样本，这样合成后的数据批可以参与训练深度学习的面板缺陷检测模型，合成后的数据批所包含的无缺陷的指定负样本也参与了训练面板缺陷检测模型，解除了现有常用目标检测框架对于输入数据必须包含正类标注的限制，使模型可以学习到多种面板背板图片的特征，防止了实际应用中将一些特殊的背板样式误检为缺陷的情况，提高了检测模型的泛化能力和整体的判别准确率。
现有的常用目标检测框架限制输入数据必须包含正类标注，现有技术中为了使输入数据包含正类标注通常将部分无缺陷的图片进行缺陷化处理，但是对于背板图案复杂，或缺陷特征与背板的相关性较高的场景效果较差，因为在对无缺陷的图片进行缺陷化处理时改变了原有缺陷与背板的相对分布，这样就影响了检测模型的泛化能力和整体的判别准确率。本方案提供的方法在合并有缺陷图片和无缺陷图片的指定正负样本时，是合并经RPN网路提取并筛选出的建议框，合并建议框的好处就是不会改变缺陷与背板信息的相对部分，针对背板图案太过复杂，或缺陷特征与背板信息的相关性较高的场景能取得较好的效果，在面板生产的多个制程的AOI图片上均可以取得较好的泛化效果。
进一步优选方案为，所述缺陷标注按pascal VOC标准保存为xml格式。
进一步优选方案为，获得数据批的指定正样本和指定负样本的方法为：
S1.先将数据批中的有缺陷图片和无缺陷图片分别输入骨干网络提取特征图；
S2.先将数据批中有缺陷图片对RPN的权重梯度进行反向传播，再让有缺陷图片和无缺陷图片分别通过RPN网路提取各自的多个预选建议框；
S3.只保留每个图片上置信度最大的前M个建议框，对每个图片上保留的M个建议框通过非极大抑制方法去除重叠较大的建议框；
S4.对于有缺陷图片的建议框，其中与缺陷标注框的IOU大于阈值时设置为指定正样本，与缺陷标注框的IOU小于阈值时的设置为指定负样本；而对于无缺陷图片的所有建议框，都为指定负样本。
使用ROI pooling从原图的特征图上提取各建议框的ROI特征，使用正负样本的ROI特征计算分类和回归损失值，并对网路参数进行更新。
进一步优选方案为，M在训练过程中设置为2000。
进一步优选方案为，缺陷标注框的IOU的阈值经验值为0.5或0.7。
进一步优选方案为，所述采样的超参数包括：有缺陷图片采样总数N，正负样本采样比例r，无缺陷图片采样总数Nnormal。
进一步优选方案为，实际使用中设置关系：
Figure BDA0002433463630000031
保证无缺陷图片上采集的指定负样本总数为有缺陷图片上指定负样本上采集的一半。
无缺陷图片上采集的指定负样本总数为有缺陷图片上指定负样本的一半，保证了部分包含新的背板信息的无缺陷图片能够参与训练模型，目标检测模型能够学习到这些独特的背板特征，在实际上线使用时，这类背板图片可能会被检测为某种缺陷，提高了缺陷识别的准确率。
本发明与现有技术相比，具有如下的优点和有益效果：
1.本发明提供一种使用无缺陷图训练深度学习缺陷检测模型的方法，在合并有缺陷图片和无缺陷图片的指定正负样本时，是合并经RPN网路提取并筛选出的建议框，合并建议框的好处是不会改变缺陷与背板信息的相对部分，针对背板图案太过复杂，或缺陷特征与背板信息的相关性较高的场景能取得较好的效果，在面板生产的多个制程的AOI图片上均可以取得较好的泛化效果。
2.本发明提供一种使用无缺陷图训练深度学习缺陷检测模型的方法，合并有缺陷图片的指定负样本和无缺陷图片的指定负样本，合并后的数据批所包含的无缺陷的指定负样本也参与训练面板缺陷检测模型，解除了现有常用目标检测框架对于输入数据必须包含正类标注的限制，使模型可以学习到多种面板背板图片的特征，防止了实际应用中对特殊的一些背板样式误检为缺陷的情况，提高了检测模型的泛化能力和整体的判别准确率。
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为本发明的一种使用无缺陷图训练深度学习缺陷检测模型的方法流程图。
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，本发明提供的一种使用无缺陷图训练深度学习缺陷检测模型的方法：
步骤1，采集AOI设备输出的有缺陷的面板图片并标注缺陷得到模型训练集，将无缺陷图片单独放置在一处，标注按pascal VOC标准保存为xml格式。
步骤2，模型启动训练，每次循环中数据加载器(dataloader)从训练集中随机载入一张图片和对应的标注信息。
步骤3，从无缺陷图片中随机选择一张图片载入，和有缺陷图片组成一个数据批(batch)。
步骤4，将步骤3中生成的数据批中的有缺陷图片和无缺陷图片分别输入骨干网络提取特征。该过程中骨干网络的权值是共享的。
步骤5，仅使用有缺陷图片的正负样本对RPN的权重梯度进行反向传播，RPN网络部分不在无缺陷图片上训练。
步骤6，将有缺陷图片和无缺陷图片分别输入RPN网络提取建议框(proposal)，只保留每个图片上置信度最大的前M个建议框，M在训练过程中可设置为2000。对每个图片上提取的M个建议框通过非极大抑制(NMS)方法去除重叠较大的框。
步骤7，对有缺陷图片和无缺陷图片的建议框，分别使用标准信息指定正负样本。对于有缺陷图片中与缺陷标注框的IOU大于指定阈值的设置为指定正样本，小于指定阈值的设置为指定负样本，而对于无缺陷图片的所有建议框，都被设置为指定负样本。使用ROIpooling从原图的特征图上提取各建议框的ROI特征，使用正负样本的ROI特征计算分类和回归损失值，并更新网络参数。
步骤8，设置模型训练阶段在有缺陷图片和无缺陷图片采样的超参数，包括有缺陷图片采样总数N，正负样本采样比例r，无缺陷图片采样总数Nnormal，实际使用中一般设置
Figure BDA0002433463630000041
保证无缺陷图片上采集的负样本总数为有缺陷图片上采集的一半。根据设置的超参数，使用随机采样器(random sampler)或在线困难样本挖掘采样器(OHEM采样器)采样步骤7中指定的正负样本。
步骤9，合并步骤8中有缺陷图片采集的正负样本，无缺陷图片采集的负样本训练模型。
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 (4)

1.一种使用无缺陷图训练深度学习缺陷检测模型的方法，其特征在于，包括以下步骤：
T1.在训练深度学习的面板缺陷检测模型时，采集AOI设备输出的面板图片，用缺陷标注框进标注缺陷的面板图片的缺陷得到模型训练集；
T2.利用模型训练集训练模型，每次循环数据加载器从模型训练集中随机载入一张有缺陷图片和其标注信息；
T3.从无缺陷图片中随机选择一张图片载入和T2中载入的有缺陷图片组成一个数据批；
T4.获取数据批的指定正样本和指定负样本，根据设置的采样超参数采样有数据批的指定正样本和指定负样本；
T5.合并数据批中采样的有缺陷图片的指定负样本与无缺陷图片的指定负样本，再使用新的数据批训练面板缺陷检测模型；
所述新的数据批为新的有缺陷图片，所述新的有缺陷图片包含部分无缺陷的指定负样本；合并数据批中采样的有缺陷图片的指定负样本与无缺陷图片的指定负样本时，是合并经RPN网路提取并筛选出的建议框；
获得数据批的指定正样本和指定负样本的方法为：
S1.先将数据批中的有缺陷图片和无缺陷图片分别输入骨干网络提取特征图；
S2.先将数据批中有缺陷图片对RPN的权重梯度进行反向传播，再让有缺陷图片和无缺陷图片分别通过RPN网路提取各自的多个预选建议框；
S3.只保留每个图片上置信度最大的前M个建议框，对每个图片上保留的M个建议框通过非极大抑制方法去除重叠大的建议框；
S4.对于有缺陷图片的建议框，其中与缺陷标注框的IOU大于阈值时设置为指定正样本、与缺陷标注框的IOU小于阈值时的设置为指定负样本；而对于无缺陷图片的所有建议框，都为指定负样本；
所述采样的超参数包括：有缺陷图片采样总数N，正负样本采样比例r，无缺陷图片采样总数Nnormal；
实际使用中设置关系：
Figure FDA0003732354820000011
保证无缺陷图片上采集的负样本总数为有缺陷图片上采集的一半。
2.根据权利要求1所述的一种使用无缺陷图训练深度学习缺陷检测模型的方法，其特征在于，所述缺陷标注按pascal VOC标准保存为xml格式。
3.根据权利要求1所述的一种使用无缺陷图训练深度学习缺陷检测模型的方法，其特征在于，M在训练过程中设置为2000。
4.根据权利要求1所述的一种使用无缺陷图训练深度学习缺陷检测模型的方法，其特征在于，缺陷标注框的IOU的阈值经验值为0.5或0.7。
CN202010243915.0A 2020-03-31 2020-03-31 一种使用无缺陷图训练深度学习缺陷检测模型的方法 Active CN111507945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010243915.0A CN111507945B (zh) 2020-03-31 2020-03-31 一种使用无缺陷图训练深度学习缺陷检测模型的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010243915.0A CN111507945B (zh) 2020-03-31 2020-03-31 一种使用无缺陷图训练深度学习缺陷检测模型的方法

Publications (2)

Publication Number Publication Date
CN111507945A CN111507945A (zh) 2020-08-07
CN111507945B true CN111507945B (zh) 2022-08-16

Family

ID=71878294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010243915.0A Active CN111507945B (zh) 2020-03-31 2020-03-31 一种使用无缺陷图训练深度学习缺陷检测模型的方法

Country Status (1)

Country Link
CN (1) CN111507945B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862826B (zh) * 2021-04-26 2021-07-30 聚时科技(江苏)有限公司 一种表面缺陷检测任务的正常样本无损生成方法
CN113793333B (zh) * 2021-11-15 2022-02-18 常州微亿智造科技有限公司 应用于工业质检的缺陷图片生成方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503724A (zh) * 2015-09-04 2017-03-15 佳能株式会社 分类器生成装置、有缺陷/无缺陷确定装置和方法
CN109829895A (zh) * 2019-01-09 2019-05-31 武汉精立电子技术有限公司 一种基于gan的aoi缺陷检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2533245B2 (ja) * 1991-03-28 1996-09-11 株式会社東芝 パタ―ン欠陥検査装置
US7058197B1 (en) * 1999-11-04 2006-06-06 Board Of Trustees Of The University Of Illinois Multi-variable model for identifying crop response zones in a field
CN109064446A (zh) * 2018-07-02 2018-12-21 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
CN110569864A (zh) * 2018-09-04 2019-12-13 阿里巴巴集团控股有限公司 基于gan网络的车损图像生成方法和装置
CN110570410B (zh) * 2019-09-05 2022-03-22 河北工业大学 一种自动识别检测焊缝缺陷的检测方法
CN110705630A (zh) * 2019-09-27 2020-01-17 聚时科技(上海)有限公司 半监督学习式目标检测神经网络训练方法、装置及应用

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503724A (zh) * 2015-09-04 2017-03-15 佳能株式会社 分类器生成装置、有缺陷/无缺陷确定装置和方法
CN109829895A (zh) * 2019-01-09 2019-05-31 武汉精立电子技术有限公司 一种基于gan的aoi缺陷检测方法

Also Published As

Publication number Publication date
CN111507945A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111161243B (zh) 基于样本增强的工业产品表面缺陷检测方法
Pape et al. 3-D histogram-based segmentation and leaf detection for rosette plants
CN108562589A (zh) 一种对磁路材料表面缺陷进行检测的方法
CN111507945B (zh) 一种使用无缺陷图训练深度学习缺陷检测模型的方法
CN113706490B (zh) 一种晶片缺陷检测方法
CN114998220B (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
JP2022027473A5 (zh)
CN112651989B (zh) 基于Mask RCNN实例分割的SEM图像分子筛粒径统计方法和***
CN112001901A (zh) 基于卷积神经网络的苹果缺陷检测方法及***
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN114332084B (zh) 一种基于深度学习的pcb表面缺陷检测方法
CN115439456A (zh) 一种病理图像中对象检测识别方法及装置
CN113989794A (zh) 一种车牌检测和识别方法
CN113077438B (zh) 针对多细胞核彩色图像的细胞核区域提取方法及成像方法
CN111709936B (zh) 一种基于多级特征比对的令纸缺陷检测方法
CN110363198B (zh) 一种神经网络权重矩阵拆分与组合的方法
CN116645351A (zh) 一种复杂场景的缺陷在线检测方法及***
CN116542962A (zh) 一种基于改进Yolov5m模型光伏电池缺陷检测方法
CN116958073A (zh) 基于注意力特征金字塔机制的小样本钢材缺陷检测方法
CN116596891A (zh) 基于半监督多任务检测的木地板颜色分类及缺陷检测方法
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置
CN114550069B (zh) 一种基于深度学习的仔猪***计数方法
CN113610831B (zh) 基于计算机图像技术和迁移学习的木材缺陷检测方法
CN115564727A (zh) 一种爆光显影异常缺陷检测方法及***
CN113569835A (zh) 一种基于目标检测和分割识别的水表数值读取方法

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: 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.

GR01 Patent grant
GR01 Patent grant