CN111583183A - 一种用于pcb板图像缺陷检测的数据增强方法和*** - Google Patents

一种用于pcb板图像缺陷检测的数据增强方法和*** Download PDF

Info

Publication number
CN111583183A
CN111583183A CN202010285649.8A CN202010285649A CN111583183A CN 111583183 A CN111583183 A CN 111583183A CN 202010285649 A CN202010285649 A CN 202010285649A CN 111583183 A CN111583183 A CN 111583183A
Authority
CN
China
Prior art keywords
size
image
crop
defect
pcb
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.)
Granted
Application number
CN202010285649.8A
Other languages
English (en)
Other versions
CN111583183B (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 CN202010285649.8A priority Critical patent/CN111583183B/zh
Publication of CN111583183A publication Critical patent/CN111583183A/zh
Application granted granted Critical
Publication of CN111583183B publication Critical patent/CN111583183B/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
    • G01N21/95—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
    • 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
    • G06T2207/10—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于PCB板图像缺陷检测的数据增强方法，包括步骤：设定图像缺陷尺寸阈值，设定标准尺寸；将PCB板图像信息列表中图像缺陷尺寸大于图像缺陷尺寸阈值的图像缺陷的尺寸变换为标准尺寸，将图像缺陷尺寸小于图像缺陷尺寸阈值的图像缺陷进行随机裁剪；更新PCB板图像信息列表。采用本发明方法多次处理PCB板图像缺陷后，丰富了小尺寸缺陷图像的样本数量，增强了小尺寸缺陷图像的训练数据，增强了PCB板图像缺陷检测深度学习模型的泛化能力，更容易检测出PCB板图像的小缺陷。

Description

一种用于PCB板图像缺陷检测的数据增强方法和***
技术领域
本发明涉及图像识别领域，具体涉及一种用于PCB板图像缺陷检测的数据增强方法和系 统。
背景技术
工业制造面板行业领域的图像缺陷检测中训练深度学习模型时，数据集中存在两个极端 code尺寸的图片，极小code尺寸是非常小的小黑点，极大的code尺寸是非常大的code，接 近整个图片大小，此外区分小code尺寸图片时还需要依据是否有晕、晕是否是彩色等。在现 有的硬件设备下训练模型需要的图片尺寸是需要resize或crop的，采用resize的方法处理 上述极端情况以及区分是否有晕或是否是彩晕效果很差，所以对于小code尺寸图片的最佳办 法是crop。
目前的操作一般是在制作数据集时采用crop方法增强数据或采用固定crop，没有随着 训练进行而改变。
发明内容
本发明所要解决的技术问题是PCB板图像缺陷检测中小尺寸缺馅图像样本少且样本不精 确导致的PCB板图像缺陷不准确，目的在于提供一种PCB板图像缺陷检测的数据增强方法和 ***，解决了PCB板图像缺陷检测中小尺寸缺馅图像样本数据增强的问题。
本发明通过下述技术方案实现：
一种用于PCB板图像缺陷检测的数据增强方法，包括以下步骤：S1：设定图像缺陷尺寸 阈值，设定标准尺寸；S2：将PCB板图像信息列表中图像缺陷尺寸大于图像缺陷尺寸阈值的 图像缺陷定义为大尺寸缺陷图像，将图像缺陷尺寸小于图像缺陷尺寸阈值的图像缺陷定义为 小尺寸缺陷图像；S3：将大尺寸缺陷图像的尺寸变换为标准尺寸，随机裁剪小尺寸缺陷图像； S4：更新PCB板图像信息列表。
通过设定图像缺陷尺寸阈值，将PCB板图像信息列表中图像缺陷按尺寸大小分为大尺寸 缺陷图像和小尺寸缺陷图像。分别对大尺寸缺陷图像和小尺寸缺陷图像做相对应的处理。将 大尺寸缺陷图像的尺寸变换为标准尺寸，随机裁剪小尺寸缺陷图像，然后更新PCB板图像信 息列表。
采用上述方法多次处理PCB板图像缺陷后，由于大尺寸缺陷图像每次处理后都是标准尺 寸，保障了大尺寸缺陷图像的清晰度不变；由于小尺寸缺陷图像每次均随机裁剪，每次得到 的子图都不同，每次都将随机裁剪得到的子图存入所述PCB板图像信息列表中，丰富了小尺 寸缺陷图像的样本数量，增强了小尺寸缺陷图像的训练数据，增强了PCB板图像缺陷检测深 度学习模型的泛化能力，更容易检测出PCB板图像的小缺陷。
进一步的，所述PCB板图像信息列表包括PCB板图像矩阵、PCB板图像尺寸和PCB板缺 陷bbox。
进一步的，所述随机裁剪处理如下：
定义PCB板图像的宽为w，高为h；
定义PCB板缺陷bbox坐标为(x1,y1,x2,y2)；
设定裁剪图片尺寸crop_size＝(w_crop_size,h_crop_size)；
随机裁剪后子图的坐标为(crop_x1,crop_y2,crop_x2,crop_y2)；
满足以下关系：
crop_x1＝random.randint(0,min(x1,int(w-w_crop_size)))，
crop_y1＝random.randint(0,min(y1,int(h-h_crop_size)))，
crop_x2＝crop_x1+w_crop_size，
crop_y2＝crop_y1+h_crop_size，
其中，random.randint(a,b)用于生成a和b之间的一个随机整数；int(c)用于将c向下 舍入到最接近的整数，即用于选取小于c的最大整数。
进一步的，将多次更新后PCB板图像信息列表中的数据用于后续模型训练。
一种用于PCB板图像缺陷检测的数据增强***，包括：PCB板图像信息数据模块：用于存 储和更新PCB板图像信息列表；初始模块：用于设定图像缺陷尺寸阈值，用于设定标准尺寸； 缺陷图像定义模块：用于将PCB板图像信息列表中图像缺陷尺寸大于图像缺陷尺寸阈值的图 像缺陷定义为大尺寸缺陷图像，将图像缺陷尺寸小于图像缺陷尺寸阈值的图像缺陷定义为小 尺寸缺陷图像；处理模块：用于将大尺寸缺陷图像的尺寸变换为标准尺寸，随机裁剪小尺寸 缺陷图像。
进一步的，所述PCB板图像信息列表包括PCB板图像矩阵、PCB板图像尺寸和PCB板缺 陷bbox。
所述随机裁剪处理如下：
定义PCB板图像的宽为w，高为h；
定义PCB板缺陷bbox坐标为(x1,y1,x2,y2)；
设定裁剪图片尺寸crop_size＝(w_crop_size,h_crop_size)；
随机裁剪后子图的坐标为(crop_x1,crop_y2,crop_x2,crop_y2)；
满足以下关系：
crop_x1＝random.randint(0,min(x1,int(w-w_crop_size)))，
crop_y1＝random.randint(0,min(y1,int(h-h_crop_size)))，
crop_x2＝crop_x1+w_crop_size，
crop_y2＝crop_y1+h_crop_size，
其中，random.randint(a,b)用于生成a和b之间的一个随机整数；int(c)用于将c向下 舍入到最接近的整数。
进一步的，将多次更新后PCB板图像信息列表中的数据用于后续模型训练。
本发明与现有技术相比，具有如下的优点和有益效果：
使PCB板图像缺陷中的大小缺陷图像都得到合适的处理，增强PCB板图像缺陷检测深度 学习模型的训练数据，扩大了训练集；增强PCB板图像缺陷检测深度学习模型的泛化能力， 更容易检测出PCB板图像小缺陷。
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为实施例方法示意图；
图2为resize图片缩放处理示意图；
图3为crop图片裁剪处理示意图；
图4为使用本发明方法的图片处理示意图。
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
本实施例提出一种PCB板图像缺陷随机裁剪crop的方法，将这个方法应用在深度学习模 型训练过程中，增强数据，更容易检测出图像中的小缺陷。如图1所示。
本实施例实现的步骤如下：
步骤1：设定缺陷尺寸的阈值threshold，根据PCB板存储图像信息的列表results中的 缺陷bbox信息判断图像中缺陷是否是大尺寸缺陷，大于threshold是大尺寸缺陷，反之，是 小尺寸缺陷；
步骤2：若步骤1中判断缺陷是大尺寸缺陷，直接将图片resize到crop_size大小，同 时更新results列表中图像矩阵，图像尺寸，缺陷bbox等信息；
步骤3：若步骤1中判断缺陷是小尺寸缺陷，需要随机裁剪crop处理，生成crop后的子图用于后续模型训练。
随机裁剪crop方法具体计算如下：
假设图像img宽高分别是w,h，缺陷bbox＝(x1,y1,x2,y2),裁剪图片尺寸crop_size＝(w_crop_size,h_crop_size)。其中w_crop_size和h_crop_size由人工设定，为 模型训练超参数。
那么裁剪图片起点的确定如下：
crop_x1＝random.randint(0,min(x1,int(w-w_crop_size)))
crop_y1＝random.randint(0,min(y1,int(h-h_crop_size)))
crop_x2＝crop_x1+w_crop_size
crop_y2＝crop_y1+h_crop_size
其中crop_x1，crop_y1为子图左上角坐标，crop_x2，crop_y2为子图右下角坐标。那么 新生成的子图如下
img_new＝img[crop_x1,crop_y2,crop_x2,crop_y2]
更新results列表中图像矩阵，图像尺寸，缺陷bbox等信息，
其中，random.randint(a,b)用于生成a和b之间的一个随机整数；int(c)用于将c向下 舍入到最接近的整数。
步骤4：将处理后图片及标注信息，输入模型进行训练。
本实施例将采用crop方法应用在深度学习模型训练的过程中，随着训练进行，crop的 区域会随机改变，使得每一轮每批次输入模型的图片有差异，这样做一方面间接增强数据， 提升模型性能，能更好的处理数据集中面对的两个极端缺陷大小情况；另一方面，由于每次 图片有差异，随机增加背景信息，图片中缺陷位置随机等信息，更新参数会有差异，可以增 强模型的泛化能力，更容易检测出小缺陷。
实施例2
本实施适用场景是PCB面板行业的缺陷检测。为了找到PCB图片中的异物的位置，并分 类是异物还是其他的缺陷类型。常常采用的方式就是resize(图片缩放)和crop(裁剪)。 下面分别讲解resize和crop具体操作与测试结果对比：
1、resize方法
由于受硬件设备以及计算速度的要求，我们一般都要将实际图片做缩放处理。如图2所 示，无论怎样的缩放比例，对于大尺寸缺陷，缩放对它的检测影响不大；对于小缺陷，随着 缩放比例越来越大，图片中小缺陷检测越来越困难，所以对于图片中存在小缺陷的情况，不 能resize，需要采取crop的方法。
2、crop方法
从图3的随机裁剪来看，对于大尺寸缺陷，随机裁剪对它的检测影响很大，都只能做局 部的特征学习，检测很困难；对于小缺陷，随机裁剪效果很好，不管是多小缺陷，都能很好 检测。
综上分析，若缺陷图片数据集中同时存在这两种极端缺陷尺寸时，如图4所示，本实施 例对于大尺寸缺陷作resize处理，对于小缺陷作随机裁剪处理。使得大尺寸缺陷和小尺寸缺 陷均能方便的检测到。
本实施例发明在模型训练之前数据预处理阶段将这两种方法融合在一起使用，兼容处理 图像中两种极端尺寸缺陷检测增强模型鲁棒性。同时，在包含缺陷的前提下随机选取裁剪区 域，实现随机裁剪的方法，一方面增加背景信息的丰富性，另一方面增加小缺陷在图像中位 置信息，这样操作提升了模型的泛化性，抑制模型过拟合，最终提升模型检测性能。
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 (8)

1.一种用于PCB板图像缺陷检测的数据增强方法，其特征在于，包括以下步骤：
S1：设定图像缺陷尺寸阈值，设定标准尺寸；
S2：将PCB板图像信息列表中图像缺陷尺寸大于图像缺陷尺寸阈值的图像缺陷定义为大尺寸缺陷图像，将图像缺陷尺寸小于图像缺陷尺寸阈值的图像缺陷定义为小尺寸缺陷图像；
S3：将大尺寸缺陷图像的尺寸变换为标准尺寸，随机裁剪小尺寸缺陷图像；
S4：更新PCB板图像信息列表。
2.根据权利要求1所述的用于PCB板图像缺陷检测的数据增强方法，其特征在于，所述PCB板图像信息列表包括PCB板图像矩阵、PCB板图像尺寸和PCB板缺陷bbox。
3.根据权利要求2所述的用于PCB板图像缺陷检测的数据增强方法，其特征在于，所述随机裁剪处理如下：
定义PCB板图像的宽为w，高为h；
定义PCB板缺陷bbox坐标为(x1,y1,x2,y2)；
设定裁剪图片尺寸crop_size＝(w_crop_size,h_crop_size)；
随机裁剪后子图的坐标为(crop_x1,crop_y2,crop_x2,crop_y2)；
满足以下关系：
crop_x1＝random.randint(0,min(x1,int(w-w_crop_size)))，
crop_y1＝random.randint(0,min(y1,int(h-h_crop_size)))，
crop_x2＝crop_x1+w_crop_size，
crop_y2＝crop_y1+h_crop_size，
其中，random.randint(a,b)用于生成a和b之间的一个随机整数；int(c)用于将c向下舍入到最接近的整数。
4.根据权利要求1-3任一所述的用于PCB板图像缺陷检测的数据增强方法，其特征在于，将多次更新后PCB板图像信息列表中的数据用于后续模型训练。
5.一种用于PCB板图像缺陷检测数据增强的***，其特征在于，包括：
PCB板图像信息数据模块：用于存储和更新PCB板图像信息列表；
初始模块：用于设定图像缺陷尺寸阈值，用于设定标准尺寸；
缺陷图像定义模块：用于将PCB板图像信息列表中图像缺陷尺寸大于图像缺陷尺寸阈值的图像缺陷定义为大尺寸缺陷图像，用于将图像缺陷尺寸小于图像缺陷尺寸阈值的图像缺陷定义为小尺寸缺陷图像；
处理模块：用于将大尺寸缺陷图像的尺寸变换为标准尺寸，随机裁剪小尺寸缺陷图像。
6.根据权利要求5所述的用于PCB板图像缺陷检测数据增强的***，其特征在于，所述PCB板图像信息列表包括PCB板图像矩阵、PCB板图像尺寸和PCB板缺陷bbox。
7.根据权利要求6所述的用于PCB板图像缺陷检测数据增强的***，其特征在于，所述随机裁剪处理如下：
定义PCB板图像的宽为w，高为h；
定义PCB板缺陷bbox坐标为(x1,y1,x2,y2)；
设定裁剪图片尺寸crop_size＝(w_crop_size,h_crop_size)；
随机裁剪后子图的坐标为(crop_x1,crop_y2,crop_x2,crop_y2)；
满足以下关系：
crop_x1＝random.randint(0,min(x1,int(w-w_crop_size)))，
crop_y1＝random.randint(0,min(y1,int(h-h_crop_size)))，
crop_x2＝crop_x1+w_crop_size，
crop_y2＝crop_y1+h_crop_size，
其中，random.randint(a,b)用于生成a和b之间的一个随机整数；int(c)用于将c向下舍入到最接近的整数。
8.根据权利要求5-7任一所述的用于PCB板图像缺陷检测数据增强的***，其特征在于，将多次更新后PCB板图像信息列表中的数据用于后续模型训练。
CN202010285649.8A 2020-04-13 2020-04-13 一种用于pcb板图像缺陷检测的数据增强方法和*** Active CN111583183B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010285649.8A CN111583183B (zh) 2020-04-13 2020-04-13 一种用于pcb板图像缺陷检测的数据增强方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010285649.8A CN111583183B (zh) 2020-04-13 2020-04-13 一种用于pcb板图像缺陷检测的数据增强方法和***

Publications (2)

Publication Number Publication Date
CN111583183A true CN111583183A (zh) 2020-08-25
CN111583183B CN111583183B (zh) 2022-12-06

Family

ID=72111512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010285649.8A Active CN111583183B (zh) 2020-04-13 2020-04-13 一种用于pcb板图像缺陷检测的数据增强方法和***

Country Status (1)

Country Link
CN (1) CN111583183B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085722A (zh) * 2020-09-07 2020-12-15 凌云光技术股份有限公司 一种训练样本图像获取方法及装置
CN112784844A (zh) * 2020-12-31 2021-05-11 上海微亿智造科技有限公司 一种制作语义分割网训练样本的方法、***及介质
CN112950618A (zh) * 2021-03-25 2021-06-11 深圳市华汉伟业科技有限公司 一种外观缺陷检测方法与***
CN116091500A (zh) * 2023-04-07 2023-05-09 成都数之联科技股份有限公司 扩散板缺陷检测方法、模型训练方法、装置、设备和介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015146586A1 (ja) * 2014-03-28 2015-10-01 株式会社メガチップス 画像復号化装置および画像復号化方法
CN106651831A (zh) * 2016-09-30 2017-05-10 广西师范大学 一种竹块缺陷检测方法和***
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及***
CN109166095A (zh) * 2018-07-11 2019-01-08 广东技术师范学院 一种基于生成对抗机制的眼底影像杯盘分割方法
CN109636772A (zh) * 2018-10-25 2019-04-16 同济大学 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN109800650A (zh) * 2018-12-21 2019-05-24 河海大学 一种增强和识别交通标志的方法
CN110097534A (zh) * 2019-03-04 2019-08-06 华北电力大学 一种基于深度学习的核燃料棒外观缺陷检测方法
CN110175982A (zh) * 2019-04-16 2019-08-27 浙江大学城市学院 一种基于目标检测的缺陷检测方法
CN110288586A (zh) * 2019-06-28 2019-09-27 昆明能讯科技有限责任公司 一种基于可见光图像数据的多尺度输电线路缺陷检测方法
CN110335238A (zh) * 2019-05-08 2019-10-15 吉林大学 一种深度学习的汽车漆膜缺陷识别***构建方法
CN110399915A (zh) * 2019-07-23 2019-11-01 王英伟 一种基于深度学习的超声图像识别方法及其***
CN110458798A (zh) * 2019-06-20 2019-11-15 长沙理工大学 基于关键点检测的防振锤缺陷视觉检测方法、***及介质
CN110570410A (zh) * 2019-09-05 2019-12-13 河北工业大学 一种自动识别检测焊缝缺陷的检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015146586A1 (ja) * 2014-03-28 2015-10-01 株式会社メガチップス 画像復号化装置および画像復号化方法
CN106651831A (zh) * 2016-09-30 2017-05-10 广西师范大学 一种竹块缺陷检测方法和***
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及***
CN109166095A (zh) * 2018-07-11 2019-01-08 广东技术师范学院 一种基于生成对抗机制的眼底影像杯盘分割方法
CN109636772A (zh) * 2018-10-25 2019-04-16 同济大学 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN109800650A (zh) * 2018-12-21 2019-05-24 河海大学 一种增强和识别交通标志的方法
CN110097534A (zh) * 2019-03-04 2019-08-06 华北电力大学 一种基于深度学习的核燃料棒外观缺陷检测方法
CN110175982A (zh) * 2019-04-16 2019-08-27 浙江大学城市学院 一种基于目标检测的缺陷检测方法
CN110335238A (zh) * 2019-05-08 2019-10-15 吉林大学 一种深度学习的汽车漆膜缺陷识别***构建方法
CN110458798A (zh) * 2019-06-20 2019-11-15 长沙理工大学 基于关键点检测的防振锤缺陷视觉检测方法、***及介质
CN110288586A (zh) * 2019-06-28 2019-09-27 昆明能讯科技有限责任公司 一种基于可见光图像数据的多尺度输电线路缺陷检测方法
CN110399915A (zh) * 2019-07-23 2019-11-01 王英伟 一种基于深度学习的超声图像识别方法及其***
CN110570410A (zh) * 2019-09-05 2019-12-13 河北工业大学 一种自动识别检测焊缝缺陷的检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BAHRAM SALEHI 等: "A pixel- and object-based image analysis framework for automatic well site extraction at regional scales using Landsat data", 《2014 IEEE GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
吴雪 等: "基于数据增强的卷积神经网络火灾识别", 《科学技术与工程》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085722A (zh) * 2020-09-07 2020-12-15 凌云光技术股份有限公司 一种训练样本图像获取方法及装置
CN112085722B (zh) * 2020-09-07 2024-04-09 凌云光技术股份有限公司 一种训练样本图像获取方法及装置
CN112784844A (zh) * 2020-12-31 2021-05-11 上海微亿智造科技有限公司 一种制作语义分割网训练样本的方法、***及介质
CN112784844B (zh) * 2020-12-31 2022-08-12 上海微亿智造科技有限公司 一种制作语义分割网训练样本的方法、***及介质
CN112950618A (zh) * 2021-03-25 2021-06-11 深圳市华汉伟业科技有限公司 一种外观缺陷检测方法与***
CN116091500A (zh) * 2023-04-07 2023-05-09 成都数之联科技股份有限公司 扩散板缺陷检测方法、模型训练方法、装置、设备和介质

Also Published As

Publication number Publication date
CN111583183B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN111583183B (zh) 一种用于pcb板图像缺陷检测的数据增强方法和***
WO2020140698A1 (zh) 表格数据的获取方法、装置和服务器
CN110942074A (zh) 字符切分识别方法、装置、电子设备、存储介质
CN110942004A (zh) 基于神经网络模型的手写识别方法、装置及电子设备
CN114549993B (zh) 实验中线段图像的评分方法、***、设备及可读存储介质
CN113256623B (zh) 一种基于改进mask rcnn的fpc缺陷检测方法
CN110705630A (zh) 半监督学习式目标检测神经网络训练方法、装置及应用
CN108520263B (zh) 一种全景图像的识别方法、***及计算机存储介质
CN114255212A (zh) 一种基于cnn的fpc表面缺陷检测方法及其***
CN114255223A (zh) 基于深度学习的双阶段卫浴陶瓷表面缺陷检测方法和设备
CN111754502A (zh) 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法
CN115019310B (zh) 图文识别方法及设备
CN115345895A (zh) 用于视觉检测的图像分割方法、装置、计算机设备及介质
CN115311237A (zh) 一种图像检测方法、装置及电子设备
CN113887394A (zh) 一种图像处理方法、装置、设备及存储介质
EP4099264A1 (en) Learning device and learning method
CN113902890A (zh) 用于视觉概念检测的自监督数据增强方法、***、设备
WO2021192024A1 (ja) 作業管理装置及び作業状態判定方法
CN115082944A (zh) 表格的智能识别切分方法、***和终端
CN113657230B (zh) 训练新闻视频识别模型的方法、检测视频的方法及其装置
CN111783794B (zh) 一种基于深度可分离卷积残差块和改进nms的多尺度目标检测方法
CN113011225A (zh) 对象检测方法以及电子装置
CN115393337A (zh) 工业缺陷检测方法、装置、设备及计算机可读存储介质
CN116012644A (zh) 一种适用于目标检测算法小样本学习任务的数据增强方法及***
CN114241502A (zh) 报告单的检测方法、装置、电子设备及计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
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