CN111598863A - 缺陷检测方法、装置、设备及可读存储介质 - Google Patents
缺陷检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111598863A CN111598863A CN202010405374.7A CN202010405374A CN111598863A CN 111598863 A CN111598863 A CN 111598863A CN 202010405374 A CN202010405374 A CN 202010405374A CN 111598863 A CN111598863 A CN 111598863A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- network model
- defect
- detected
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 180
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000005520 cutting process Methods 0.000 claims abstract description 20
- 230000002950 deficient Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 58
- 230000008569 process Effects 0.000 description 24
- 230000000694 effects Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000007306 turnover 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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]
-
- 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]
-
- 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)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种缺陷检测方法、装置、设备和可读存储介质，该方法包括将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；根据自定义感兴趣区域框，对拼接多通道图像进行裁切，获取裁切图像；对裁切图像进行数据增强处理获取训练样本数据；根据训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型；对于待检测图像，利用训练后的神经网络模型输出检测结果。通过图像通道拼接、自定义感兴趣区域框以及数据增强方法对于图像处理后输入神经网络模型训练，使模型在面对缺陷检测问题时，能够捕获到充分的缺陷信息、补充信息以及批处理大小值，使神经网络模型对缺陷品检测准确率提高而良品被检测为缺陷品的概率降低。
Description
技术领域
本发明涉及工业制造技术领域，尤其涉及一种缺陷检测方法、装置、设备及可读存储介质。
背景技术
随着社会智能化的发展，汽车行业、手机行业、高端仪器仪表制造行业对集成电路的需求量越来越大，对PCB电路板的需求量也越来越大。在PCB生产制造过程中，大部分工艺都已经生产自动化，降低了生产成本，提高了效率。但在PCB的质量检测环节，存在着大量依赖质检员的手动进行缺陷检测、现有的缺陷检测技术不能达到企业生产的指标要求。这种现象产生的原因，一方面由于PCB电路板线路复杂，借助光学设备拍出来的图像复杂多变，给图像处理带来了挑战；另一方面，缺陷在图像中的表现形式不固定，形态多变，在复杂的背景中寻找形态变化的缺陷，不太容易。
目前PCB缺陷检测主要依赖于采集到的PCB图像与模板图像做差，然后利用传统图像处理算法来判断是否存在缺陷。这种方式既利用了模板图像的信息去除了图像中一部分无关信息，也利用了传统图像检测速度快，结果容易理解的优点，是一种综合了可行性和性能的方案。但对于缺陷面积不大的脏污识别效果不佳，对于细长条形状或者带状的脏污识别效果比较有限，对于不同工艺部位的微小位置差异、RGB颜色差异不能做到自适应，从而导致非常多的良品被检测为缺陷品。整体表现为缺陷检测的准确率不高，过检数量过多。这影响了PCB生产企业的质检性能，不得不增加更多的复检人员来保证良品不被过度浪费。此过程中存在着质检效果不佳和总成本不佳的现象。
发明内容
本申请的主要目的在于提供一种缺陷检测方法、装置、设备及可读存储介质，旨在解决现有的缺陷检测方法的检测效果不佳的问题。
为实现上述目的，本申请提供的一种缺陷检测方法，所述缺陷检测方法包括以下步骤：
将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；
根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像；
对所述裁切图像进行数据增强处理获取训练样本数据；
根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型；
对于待检测图像，利用所述训练后的神经网络模型输出检测结果。
可选地，所述根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像的步骤包括：
根据所述拼接多通道图像的缺陷区域确定所述自定义感兴趣区域框的区域尺寸；
从所述拼接多通道图像中选择预设数目的像素点；
以所述像素点为区域中心，以所述区域尺寸的自定义感兴趣区域框对所述拼接多通道图像进行裁切，获取裁切图像。
可选地，所述根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型的步骤包括：
设置神经网络模型的训练参数；
将所述样本数据输入所述数据网络模型，根据所述训练参数对所述神经网络模型训练，获取神经网络的网络参数；
根据所述网络参数设置并保存训练后的神经网络模型。
可选地，所述对于待检测图像，利用所述训练后的神经网络模型输出检测结果的步骤之前包括：
将待检测图像与模板图像进行图像通道拼接，获取待检测多通道输入图像。
可选地，所述对于待检测图像，利用所述训练后的神经网络模型输出检测结果的步骤包括：
按照预设分辨率对所述待检测多通道输入图像进行切分；
将所述切分后的待检测多通道输入图像输入所述训练后的神经网络模型，获取缺陷概率信息；
根据所述缺陷概率信息，输出检测结果。
可选地，所述按照预设分辨率对所述待检测多通道生成图像进行切分的步骤包括：
若所述待检测多通道输入图像存在可疑缺陷位置信息，则通过切分区域框对所述待检测多通道输入图像进行切分；
若所述待检测多通道输入图像不存在可疑缺陷位置信息，则通过等分或增加切分线切分所述待检测多通道输入图像。
可选地，所述根据所述缺陷概率信息，输出检测结果的步骤包括：
若所述切分后的待检测多通道输入图像的缺陷概率信息中存在缺陷概率大于预设阈值，则输出所述待检测图像为残次品；
当所述切分后的待检测多通道输入图像的缺陷概率信息中的各缺陷概率均小于预设阈值，则输出所述待检测图像为良品。
本申请还包括一种缺陷检测装置，所述缺陷检测装置包括：
拼接模块，用于将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；
裁切模块，用于根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像；
数据增强模块，用于对所述裁切图像进行数据增强处理获取训练样本数据；
训练模块，用于根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型；
检测模块，用于对于待检测图像，利用所述训练后的神经网络模型输出检测结果。
本申请还提供一种缺陷检测设备，所述缺陷检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序，所述缺陷检测程序被所述处理器执行时实现如上述的缺陷检测方法的步骤。
本申请还提供一种可读存储介质，所述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执行时实现如上述的缺陷检测方法的步骤。
本申请通过将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像；对所述裁切图像进行数据增强处理获取训练样本数据；根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型；对于待检测图像，利用所述训练后的神经网络模型输出检测结果。通过图像通道拼接、自定义感兴趣区域框以及数据增强方法对于图像处理后输入神经网络模型进行训练，使神经网络模型在面对缺陷检测问题时，能够捕获到充分且变化多样的缺陷信息、合适的背景补充信息以及合适的批处理大小值，使神经网络模型对缺陷品检测准确率提高而良品被检测为缺陷品的概率降低。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例方案涉及的硬件运行环境的装置结构示意图；
图2为本申请缺陷检测方法第一实施例的流程示意图；
图3为本申请缺陷检测方法第二实施例中对于图2步骤S20的细化流程图；
图4为本申请缺陷检测方法第三实施例中对于图2步骤S40的细化流程图；
图5为本申请缺陷检测方法第四实施例中对于图2步骤S50之前步骤以及步骤S50的流程示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
如图1所示，图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。
本申请实施例终端为缺陷检测设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在终端设备移动到耳边时，关闭显示屏和/或背光。当然，终端设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及缺陷检测程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的缺陷检测程序，并执行以下操作：
将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；
根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像；
对所述裁切图像进行数据增强处理获取训练样本数据；
根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型；
对于待检测图像，利用所述训练后的神经网络模型输出检测结果。
基于上述终端硬件结构，提出本申请各个实施例。
本申请提供一种缺陷检测方法。
参照图2，在缺陷检测方法第一实施例中，该方法包括：
步骤S10，将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；
对原图像与模板图像在图像通道上进行拼接，模板图像为标准的误缺陷的PCB图像，原图像为实际获取的可能存在缺陷区域的PCB图像。目前的PCB检测技术方案中，模板图像已经被理论和实际证实其具有丰富的信息量，将其引入能让算法看到更多的信息。相比于单一利用产品的原图像，二者结合具有更高的缺陷识别准确率的能力。现有技术中往往将二者做差，得到的差值图像作为新的图像进行处理。这种方式简洁直观，利用两幅图像间差异信息来进行图像处理操作，能识别到PCB中大面积块的缺陷类型。但这种差值图像，只保留了两幅图像的差异信息，任何相同的信息都被丢弃。但是，差值图像中的某些差异信息，如果没有此差异对应的原图像的信息的辅助，是非常难以确认究竟是缺陷还是微小扰动的正常产品。复杂缺陷的确认是是需要两张图像的相同信息进行辅助的。相同信息和差异信息都对缺陷识别具有帮助。通过将原图像与模板图像在颜色通道上进行拼接，传统的3通道图像经过拼接变成了6通道图像，同时保留了两张图片的相同信息和不同信息，且信息间的空间位置信息，即像素点所在的高度和宽度坐标值，也被准确保留，使网络既能提取到具有空间相对关系的抽象信息，也能提取到不同通道间的差异信息。可选地，可以采用将原图像与模板图像取差值图或在宽度上进行拼接，但是这样所得到的效果会有一定的折扣，如采用两幅图取差值图的技术路线，会丢失图像中相同部分的信息，会对依赖像素点周围背景的复杂缺陷或者扰动良品的识别效果不佳，降低识别性能，而在宽度上进行拼接，会使原图和模板图相同位置的像素点对变成两个不同宽度值的像素点，丢失准确的位置信息，会降低网络对缺陷的识别性能。
步骤S20，根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像；
一般地，产品的PCB图像画幅巨大。如果使用整幅图像输入到网络进行训练，存在着输入图像过大导致的显存不够限制批处理大小变得过小的问题。由于本发明将任务建模成分类任务，分类任务下的神经网络性能与批处理大小有密切关系。其过小会明显降低网络训练得到的网络的性能。而神经网络的显存占用大小接近线性正比于批处理大小，这一系列关系使得输入图片尺寸过大不利于网络性能。在PCB缺陷检测过程中，图像中大部分区域可能都是与缺陷无关的，如果将原图像中的所有图像信息都输入到网络中，会导致缺陷信息相比于非缺陷信息占比非常小，从而使缺陷信息以较高概率淹没在非缺陷信息中，网络误依赖非缺陷信息而做出分类判断。本申请中通过自定义感兴趣区域框对于原图像与模板图像进行通道拼接后生成的拼接多通道图像进行裁切，得到不同的裁切图像。同时，自定义感兴趣区域框的尺寸可以根据原图像中缺陷区域的大小进行相应的调整。优选地，在通过自定义感兴趣区域框对拼接多通道图像进行裁切时，可以控制裁切后的图像的包含缺陷区域的图像与非缺陷区域的图像的数目比接近于1比1.。通过自定义感兴趣区域框对拼接多通道图像进行裁切，保证了更优的批处理大小值，又平衡了缺陷信息在输入图像中合适的占比，此外还为神经网络共享更丰富的特征，实现网络在缺陷检测任务上性能的提升。可选地，可以逐渐采用等分切图，但是这样一方面会使得缺陷在所有图片中占比非常小从而导致网络对缺陷识别效果不佳，另一方面会存在着较多缺陷被一分为二、缺陷特征模式变得更为复杂从而增加缺陷识别的困难，从而使网络性能下降。
步骤S30，对所述裁切图像进行数据增强处理获取训练样本数据；
在深度学***移、旋转、翻转、光照增强、模糊共五种数据增强技术。平移和旋转是非常重要的提升神经网络性能的步骤。翻转操作能够丰富数据样本，光照增强能够衍生出更多不同光照强度的样本，从而增强网络对于光照变化一定的鲁棒性。模糊处理能让网络对于清晰对焦图片和模糊图片具有一定的适应性。对于这五种数据增强方式，可以同时全部使用，也可以只使用其中的一种或多种。对于裁切图像，进行数据增强处理后形成最终用于训练数据网络模型的训练样本数据。可选地，将图片增广至更大的数据集来代替数据增强，但是，虽然理论上将原数据集增广某个倍数组成的训练集其效果等价于数据增强技术，此倍数为训练迭代次数，但存在着数据占用的磁盘空间也被扩大为迭代次数对应的倍数，这在现实情况下是是非常不经济的，因此也不太适合在实际应用中使用。
步骤S40，根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型；
根据获取的训练样本数据，设置好神经网络模型的训练参数如迭代次数、学习率、批处理大小等，对神经网络模型进行训练，并保存训练后的数据网络模型，即根据训练得到的网络参数对于神经网络模型进行设置。对于训练过程，可以通过云服务器等后端设备完成，当训练完成后，将相应的神经网络模型保存在云端，当需要使用时从云端获取相应的神经网络模型。
步骤S50，对于待检测图像，利用所述训练后的神经网络模型输出检测结果；
对于神经网络训练完成后，根据保存的神经网络模型，输入待检测图像，其中，待检测图像也需要与模板图像进行图像通道拼接得到6通道的输入图像，之后对于输入图像进行切分，切分成一系列的输入图像输入到保存的神经网络模型中，神经网络模型进行推理输出相应的缺陷概率信息的推理结果，同时根据缺陷概率信息确定待检测图像对应的PCB的检测结果，即为残次品还是良品。对于实际使用本申请中方法的产品而言，其可以只包括与步骤S50中推理过程相关的装置，而对于神经网络模型的训练过程通过云端完成。即步骤S10至步骤S40为本申请中神经网络模型的训练过程，步骤S50为使用训练好的神经网络模型进行推理的步骤。对于实际产品而言，步骤S10至步骤S50可以通过同一个产品连续完成，也可以将步骤S10至步骤S40与步骤S50在两个不同的产品分别完成，如通过云服务器完成神经网络模型的训练过程，现场的检测装置只用于推理的过程，即直接从云端服务器中获取训练好的神经网络模型用于检测即可。
在本实施例中，将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像；对所述裁切图像进行数据增强处理获取训练样本数据；根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型；对于待检测图像，利用所述训练后的神经网络模型输出检测结果。通过图像通道拼接、自定义感兴趣区域框以及数据增强方法对于图像处理后输入神经网络模型经线训练，使神经网络模型在面对缺陷检测问题时，能够捕获到充分且变化多样的缺陷信息以及合适的背景补充信息以及合适的批处理大小值，使神经网络模型对缺陷品检测准确率提高而良品被检测为缺陷品的概率降低。
进一步地，参照图2和图3，在本申请缺陷检测方法上述各实施例的基础上，提供缺陷检测方法第二实施例，在第二实施例中，
步骤S20包括：
步骤S21，根据所述拼接多通道图像的缺陷区域确定所述自定义感兴趣区域框的区域尺寸；
根据拼接多通道图像中的缺陷区域的尺寸确定自定义感兴趣区域框的尺寸，即当缺陷区域的尺寸较大时，相应的，将自定义感兴趣区域框的尺寸也相应增大以能够覆盖缺陷区域的信息。
步骤S22，从所述拼接多通道图像中选择预设数目的像素点；
从拼接多通道图像中选择预设数目的像素点，如果存在多通道图像中缺陷区域的相关标注信息，则可以根据标注信息选择预设数目的像素点，如果不存在相关标注信息，则可以人工选择预设的像素点。像素点的选择可以是随机的，也可以人为控制。
步骤S23，以所述像素点为区域中心，以所述区域尺寸的自定义感兴趣区域框对所述拼接多通道图像进行裁切，获取裁切图像；
以选择的像素点为区域中心，根据自定义感兴趣区域框的尺寸对于拼接多通道图像进行裁切，得到多个不同的裁切图像，裁切图像可能包括缺陷区域，也可能只包括非缺陷区域，优选的，控制包含缺陷区域与不包含缺陷区域的裁切图像的数目比为1比1。
在本实施例中，根据缺陷区域的尺寸确定自定义感兴趣区域框的尺寸，并利用自定义感兴趣区域框对于多通道图像进行截取，以此控制神经网络模型的训练数据中缺陷区域的占比，提高训练效率以及训练的准确性。
进一步地，参照图2和图4，在本申请缺陷检测方法上述各实施例的基础上，提供缺陷检测方法第三实施例，在第三实施例中，
步骤S40包括：
步骤S41，设置神经网络模型的训练参数；
设置神经网络模型的训练参数如迭代次数、学习率、批处理大小等。学习率决定了参数移动到最优值的速度快慢。如果学习率过大，很可能会越过最优值；反而如果学习率过小，优化的效率可能过低，长时间算法无法收敛。一般的，对于神经网络模型训练过程中的学习率可以动态调整，即在训练初始阶段学习率较大而随着迭代次数的增加学习率逐渐减小。神经网络的显存占用大小接近线性正比于批处理大小，因此，受制于不同设备的硬件实力，需要选择合适的批处理大小，使硬件能够正常运行的同时保证获取尽可能多的图像信息。
步骤S42，将所述样本数据输入所述数据网络模型，根据所述训练参数对所述神经网络模型训练，获取神经网络的网络参数；
将获取的样本数据输入到神经网络模型中，同时根据设置好的训练参数如迭代次数、学习率、批处理大小等对神经网络模型进行训练，如达到指定的迭代次数后结束神经网络模型的训练过程，在迭代过程中碳钢设置好的学习率进行学习以接近最优解，根据批处理大小同时对于多个输入的图像进行批量处理。经过训练得到数据网络模型的网络参数。
步骤S43，根据所述网络参数设置并保存训练后的神经网络模型；
训练过程结束后，根据训练得到的网络参数设置好神经网络模型并保存神经网络模型，保存的数据网络模型可以在之后对待检测图像进行检测时使用。
在本实施例中，通过对神经网络模型的训练参数进行设置，并按照训练参数对神经网络模型进行训练，保证训练过程的准确性，同时对于训练后的神经网络模型进行保存，便于之后的使用。
进一步地，参照图2和图5，在本申请缺陷检测方法上述各实施例的基础上，提供缺陷检测方法第四实施例，在第四实施例中，
步骤S50之前包括：
步骤S51，将待检测图像与模板图像进行图像通道拼接，获取待检测多通道输入图像；
与神经网络模型的训练过程中类似，对于带检测图像，也需要将其与模板图像进行图像通道拼接，从3通道图像变为6通道图像，传统的3通道图像中像素点的宽度与高度对应有3个颜色信息，而通过图像通道拼接，6通道图像中像素点的宽度与高度对应有6个颜色信息。通过将带检测图像与模板图像进行图像通道拼接，得到带检测的多通道图像。
步骤S50包括：
步骤S52，按照预设分辨率对所述待检测多通道输入图像进行切分；
进行通道拼接后的待检测输入图像的图像较大，因此需要进行切分，如果不进行切分，可能导致神经网络模型的输入信息过大，硬件无法支持导致无法正常使用神经网络模型输出相应的处理结果。对于带检测多通道输入图像的切分可以根据待检测多通道图像中的可疑缺陷区域信息硬件感兴趣区域框用于切分，若没有相应的可疑缺陷区域信息，则可以选择等分待检测多通道图像。
步骤S53，将所述切分后的待检测多通道输入图像输入所述训练后的数据网络模型，获取缺陷概率信息；
将切分后的待检测多通道图像输入保存的训练后的神经网络。在本申请中，选用的神经网络模型为分类任务神经网络模型，将其建模为二分类任务。神经网络模型选择为ResNet50作为基础的网络，因此对于输入的待检测多通道图像，结果神经网络模型推理后，会输出相应的缺陷概率信息的推理结果。
步骤S54，根据所述缺陷概率信息，输出检测结果；
根据图像的缺陷概率信息与预设阈值进行对比，当缺陷概率大于预设阈值时，判断当前输入的待检测图像中存在缺陷区域，即待检测的PCB为残次品，若小于或等于预设阈值，则判断不存在缺陷区域，检测结果为良品。同时，对于有多张待检测图像输入到神经网络模型中的待检测对象，只有当所有的待检测图像的缺陷概率均小于或等于预设阈值，即都为良品时，才最终判断待检测对象为良品。对于预设阈值的设置应该对于漏检率与过检率做到较好的平衡。
在本实施例中，通过保存的训练后的数据网络模型对于待检测图像进行推理，输出相应的缺陷概率推理结果，根据缺陷概率判断待检测对象的类别，利用训练好的神经网络模型进行推理，能够提高缺陷检测的准确性。
进一步地，在本申请缺陷检测方法上述各实施例的基础上，提供缺陷检测方法第五实施例，在第五实施例中，
步骤S52包括：
步骤A1，若所述待检测多通道输入图像存在可疑缺陷位置信息，则通过切分区域框对所述待检测多通道输入图像进行切分；
步骤A2，若所述待检测多通道输入图像不存在可疑缺陷位置信息，则通过等分或增加切分线切分所述待检测多通道输入图像；
如果待检测多通道输入图像中包含可以缺陷位置信息，即存在可能存在缺陷区域的信息，则利用区域框对于可疑缺陷区域进行截取切分，保证对于可疑缺陷区域的检测，如果不存在可疑缺陷位置信息，则等分或者随机增加切分线切分待检测多通道图像，保证检测过程中的随机性，也有利于提高神经网络模型的检测准确性。
在本实施例中，在对于带检测多通道图像进行检测时，若存在可疑缺陷位置信息，则利用区域框对待检测多通道图像进行切分，不存在可疑缺陷位置信息，则随机进行切分。
进一步地，在本申请缺陷检测方法上述各实施例的基础上，提供缺陷检测方法第六实施例，在第六实施例中，
步骤S54包括：
步骤B1，若所述切分后的待检测图像的缺陷概率信息中存在缺陷概率大于预设阈值，则输出所述待检测图像为残次品；
步骤B2，当所述切分后的待检测图像的缺陷概率信息中的各缺陷概率均小于预设阈值，则输出所述待检测图像为良品；
将待检测多通道图像切分后输入到神经网络模型中得到缺陷概率的推理结果，如果切分后的图像的缺陷概率中存在概率大于预设阈值的图像，则说明存在缺陷区域，相应的，判断待检测图像为残次品，当切分后所有图像对应的缺陷概率均小于或等于预设阈值，即都被判断为良品时，才判断待检测图像对应的待检测对象为良品。
在本实施例中，根据缺陷概率获取待检测对象的检测结果，能够更加灵活准确地获取检测结果。
进一步地，在本申请缺陷检测方法上述各实施例的基础上，提供缺陷检测方法第七实施例，在第七实施例中，
缺陷检测方法应用于PCB的缺陷检测。即利用神经网络模型检测PCB的缺陷。获取PCB的原图像，将原图像与模板图像进行图像通道拼接获取6通道的拼接多通道图像，之后根据自定义感兴趣区域框对于拼接多通道图像进行裁切，同时对于裁切图像进行平移、旋转、翻转、模糊、光照增强等操作获取数据多样的训练样本数据，对于神经网络模型设置训练参数如迭代参数、学习率、批处理大小等，利用训练样本数据训练得到用于PCB缺陷检测的神经网络模型从而结束对于神经网络模型的训练阶段。获取待检测的PCB的待检测图像，将待检测图像与模板图像进行图像通道拼接得到6通道的待检测多通道输入图像，对待检测多通道输入图像，切分为预设分辨率大小的一系列输入图像数据输入到之前训练好的神经网络模型中，获取缺陷概率信息的推理结果，将缺陷概率与预设阈值进行比较，若缺陷概率大于预设阈值，则判断当前待检测的PCB为残次品，若缺陷概率小于预设阈值，则判断当前待检测的PCB为良品，同时对于有多幅待检测图像被输入到神经网络模型进行推理的PCB，只有当所有的待检测图像的缺陷概率均小于预设阈值时，才判断当前待检测的PCB为良品，否则为残次品。
此外，本申请实施例还提出一种缺陷检测装置，所述缺陷检测装置包括：
拼接模块，用于将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；
裁切模块，用于根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像；
数据增强模块，用于对所述裁切图像进行数据增强处理获取训练样本数据；
训练模块，用于根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型；
检测模块，用于对于待检测图像，利用所述训练后的神经网络模型输出检测结果。
可选地，裁切模块还用于：
根据所述拼接多通道图像的缺陷区域确定所述自定义感兴趣区域框的区域尺寸；
从所述拼接多通道图像中选择预设数目的像素点；
以所述像素点为区域中心，以所述区域尺寸的自定义感兴趣区域框对所述拼接多通道图像进行裁切，获取裁切图像。
可选地，训练模块还用于：
设置神经网络模型的训练参数；
将所述样本数据输入所述数据网络模型，根据所述训练参数对所述神经网络模型训练，获取神经网络的网络参数；
根据所述网络参数设置并保存训练后的神经网络模型。
可选地，拼接模块还用于：
将待检测图像与模板图像进行图像通道拼接，获取待检测多通道输入图像。
可选地，检测模块还用于：
按照预设分辨率对所述待检测多通道输入图像进行切分；
将所述切分后的待检测多通道输入图像输入所述训练后的神经网络模型，获取缺陷概率信息；
根据所述缺陷概率信息，输出检测结果。
可选地，裁切模块还用于：
若所述待检测多通道输入图像存在可疑缺陷位置信息，则通过切分区域框对所述待检测多通道输入图像进行切分；
若所述待检测多通道输入图像不存在可疑缺陷位置信息，则通过等分或增加切分线切分所述待检测多通道输入图像。
可选地，检测模块还用于：
若所述切分后的待检测多通道输入图像的缺陷概率信息中存在缺陷概率大于预设阈值，则输出所述待检测图像为残次品；
当所述切分后的待检测多通道输入图像的缺陷概率信息中的各缺陷概率均小于预设阈值，则输出所述待检测图像为良品。
额外需要说明的是，对于本申请中的缺陷检测装置，其现场的实体装置中可以只包括推理模块，即只执行与推理过程相关的方法步骤，而对于神经网络模型的训练过程通过云端完成，需要使用训练后的神经网络模型时只需要从云端获取相应的信息即可。
本申请设备和可读存储介质(即计算机可读存储介质)的具体实施方式的拓展内容与上述缺陷检测方法各实施例基本相同，在此不做赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种缺陷检测方法，其特征在于，所述缺陷检测方法包括以下步骤：
将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；
根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像；
对所述裁切图像进行数据增强处理获取训练样本数据；
根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型；
对于待检测图像，利用所述训练后的神经网络模型输出检测结果。
2.如权利要求1所述的缺陷检测方法，其特征在于，所述根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像的步骤包括：
根据所述拼接多通道图像的缺陷区域确定所述自定义感兴趣区域框的区域尺寸；
从所述拼接多通道图像中选择预设数目的像素点；
以所述像素点为区域中心，以所述区域尺寸的自定义感兴趣区域框对所述拼接多通道图像进行裁切，获取裁切图像。
3.如权利要求1所述的缺陷检测方法，其特征在于，所述根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型的步骤包括：
设置神经网络模型的训练参数；
将所述样本数据输入所述数据网络模型，根据所述训练参数对所述神经网络模型训练，获取神经网络的网络参数；
根据所述网络参数设置并保存训练后的神经网络模型。
4.如权利要求1所述的缺陷检测方法，其特征在于，所述对于待检测图像，利用所述训练后的神经网络模型输出检测结果的步骤之前包括：
将待检测图像与模板图像进行图像通道拼接，获取待检测多通道输入图像。
5.如权利要求4所述的缺陷检测方法，其特征在于，所述对于待检测图像，利用所述训练后的神经网络模型输出检测结果的步骤包括：
按照预设分辨率对所述待检测多通道输入图像进行切分；
将所述切分后的待检测多通道输入图像输入所述训练后的神经网络模型，获取缺陷概率信息；
根据所述缺陷概率信息，输出检测结果。
6.如权利要求5所述的缺陷检测方法，其特征在于，所述按照预设分辨率对所述待检测多通道生成图像进行切分的步骤包括：
若所述待检测多通道输入图像存在可疑缺陷位置信息，则通过切分区域框对所述待检测多通道输入图像进行切分；
若所述待检测多通道输入图像不存在可疑缺陷位置信息，则通过等分或增加切分线切分所述待检测多通道输入图像。
7.如权利要求5所述的缺陷检测方法，其特征在于，所述根据所述缺陷概率信息，输出检测结果的步骤包括：
若所述切分后的待检测多通道输入图像的缺陷概率信息中存在缺陷概率大于预设阈值，则输出所述待检测图像为残次品；
当所述切分后的待检测多通道输入图像的缺陷概率信息中的各缺陷概率均小于预设阈值，则输出所述待检测图像为良品。
8.一种缺陷检测装置，其特征在于，所述缺陷检测装置包括：
拼接模块，用于将原图像与模板图像进行图像通道拼接，获取拼接多通道图像；
裁切模块，用于根据自定义感兴趣区域框，对所述拼接多通道图像进行裁切，获取裁切图像；
数据增强模块，用于对所述裁切图像进行数据增强处理获取训练样本数据；
训练模块，用于根据所述训练样本数据对神经网络模型进行训练并保存训练后的神经网络模型；
检测模块，用于对于待检测图像，利用所述训练后的神经网络模型输出检测结果。
9.一种缺陷检测设备，其特征在于，所述缺陷检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序，所述缺陷检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的缺陷检测方法的步骤。
10.一种可读存储介质，其特征在于，所述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执行时实现如权利要求1至7中任一项所述的缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010405374.7A CN111598863B (zh) | 2020-05-13 | 2020-05-13 | 缺陷检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010405374.7A CN111598863B (zh) | 2020-05-13 | 2020-05-13 | 缺陷检测方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111598863A true CN111598863A (zh) | 2020-08-28 |
| CN111598863B CN111598863B (zh) | 2023-08-22 |
Family
ID=72182428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010405374.7A Active CN111598863B (zh) | 2020-05-13 | 2020-05-13 | 缺陷检测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598863B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112135048A (zh) * | 2020-09-23 | 2020-12-25 | 创新奇智(西安)科技有限公司 | 一种目标对象的自动对焦方法以及装置 |
| CN112461846A (zh) * | 2020-11-26 | 2021-03-09 | 常州微亿智造科技有限公司 | 工件缺陷检测方法及装置 |
| CN112967187A (zh) * | 2021-02-25 | 2021-06-15 | 深圳海翼智新科技有限公司 | 用于目标检测的方法和装置 |
| CN113256607A (zh) * | 2021-06-17 | 2021-08-13 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
| CN114596263A (zh) * | 2022-01-27 | 2022-06-07 | 阿丘机器人科技(苏州)有限公司 | 深度学习的主板外观检测方法、装置、设备及存储介质 |
| CN115031363A (zh) * | 2022-05-27 | 2022-09-09 | 约克广州空调冷冻设备有限公司 | 预测空调性能的方法和装置 |
| CN115661155A (zh) * | 2022-12-28 | 2023-01-31 | 北京阿丘机器人科技有限公司 | 缺陷检测模型的构建方法、装置、设备及存储介质 |
| CN117367023A (zh) * | 2023-10-25 | 2024-01-09 | 广东鑫焱智能设备科技有限公司 | 一种冷藏柜能耗控制方法、***、设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6317513B2 (en) * | 1996-12-19 | 2001-11-13 | Cognex Corporation | Method and apparatus for inspecting solder paste using geometric constraints |
| AU2001213525B2 (en) * | 2000-10-30 | 2008-04-10 | Landmark Graphics Corporation | System and method for analyzing and imaging three-dimensional volume data sets |
| CN206470220U (zh) * | 2016-12-24 | 2017-09-05 | 大连日佳电子有限公司 | 电路板检测*** |
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| US20180211373A1 (en) * | 2017-01-20 | 2018-07-26 | Aquifi, Inc. | Systems and methods for defect detection |
| CN109389599A (zh) * | 2018-10-25 | 2019-02-26 | 北京阿丘机器人科技有限公司 | 一种基于深度学习的缺陷检测方法及装置 |
| CN110136130A (zh) * | 2019-05-23 | 2019-08-16 | 北京阿丘机器人科技有限公司 | 一种检测产品缺陷的方法及装置 |
| CN110189336A (zh) * | 2019-05-30 | 2019-08-30 | 上海极链网络科技有限公司 | 图像生成方法、***、服务器及存储介质 |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN111091127A (zh) * | 2019-12-16 | 2020-05-01 | 腾讯科技（深圳）有限公司 | 一种图像检测方法、网络模型训练方法以及相关装置 |
-
2020
- 2020-05-13 CN CN202010405374.7A patent/CN111598863B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6317513B2 (en) * | 1996-12-19 | 2001-11-13 | Cognex Corporation | Method and apparatus for inspecting solder paste using geometric constraints |
| AU2001213525B2 (en) * | 2000-10-30 | 2008-04-10 | Landmark Graphics Corporation | System and method for analyzing and imaging three-dimensional volume data sets |
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN206470220U (zh) * | 2016-12-24 | 2017-09-05 | 大连日佳电子有限公司 | 电路板检测*** |
| US20180211373A1 (en) * | 2017-01-20 | 2018-07-26 | Aquifi, Inc. | Systems and methods for defect detection |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN109389599A (zh) * | 2018-10-25 | 2019-02-26 | 北京阿丘机器人科技有限公司 | 一种基于深度学习的缺陷检测方法及装置 |
| CN110136130A (zh) * | 2019-05-23 | 2019-08-16 | 北京阿丘机器人科技有限公司 | 一种检测产品缺陷的方法及装置 |
| CN110189336A (zh) * | 2019-05-30 | 2019-08-30 | 上海极链网络科技有限公司 | 图像生成方法、***、服务器及存储介质 |
| CN111091127A (zh) * | 2019-12-16 | 2020-05-01 | 腾讯科技（深圳）有限公司 | 一种图像检测方法、网络模型训练方法以及相关装置 |
Non-Patent Citations (1)
| Title |
|---|
| 李天宇: "基于机器视觉的PCB元器件在线检测" * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112135048B (zh) * | 2020-09-23 | 2022-02-15 | 创新奇智(西安)科技有限公司 | 一种目标对象的自动对焦方法以及装置 |
| CN112135048A (zh) * | 2020-09-23 | 2020-12-25 | 创新奇智(西安)科技有限公司 | 一种目标对象的自动对焦方法以及装置 |
| CN112461846B (zh) * | 2020-11-26 | 2024-02-23 | 常州微亿智造科技有限公司 | 工件缺陷检测方法及装置 |
| CN112461846A (zh) * | 2020-11-26 | 2021-03-09 | 常州微亿智造科技有限公司 | 工件缺陷检测方法及装置 |
| CN112967187A (zh) * | 2021-02-25 | 2021-06-15 | 深圳海翼智新科技有限公司 | 用于目标检测的方法和装置 |
| CN112967187B (zh) * | 2021-02-25 | 2024-05-31 | 深圳海翼智新科技有限公司 | 用于目标检测的方法和装置 |
| CN113256607A (zh) * | 2021-06-17 | 2021-08-13 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
| CN114596263A (zh) * | 2022-01-27 | 2022-06-07 | 阿丘机器人科技(苏州)有限公司 | 深度学习的主板外观检测方法、装置、设备及存储介质 |
| CN115031363A (zh) * | 2022-05-27 | 2022-09-09 | 约克广州空调冷冻设备有限公司 | 预测空调性能的方法和装置 |
| CN115031363B (zh) * | 2022-05-27 | 2023-11-28 | 约克广州空调冷冻设备有限公司 | 预测空调性能的方法和装置 |
| CN115661155A (zh) * | 2022-12-28 | 2023-01-31 | 北京阿丘机器人科技有限公司 | 缺陷检测模型的构建方法、装置、设备及存储介质 |
| CN117367023A (zh) * | 2023-10-25 | 2024-01-09 | 广东鑫焱智能设备科技有限公司 | 一种冷藏柜能耗控制方法、***、设备及存储介质 |
| CN117367023B (zh) * | 2023-10-25 | 2024-06-04 | 广东鑫焱智能设备科技有限公司 | 一种冷藏柜能耗控制方法、***、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111598863B (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598863A (zh) | 缺陷检测方法、装置、设备及可读存储介质 | |
| CN111179253B (zh) | 一种产品缺陷检测方法、装置与*** | |
| US7409081B2 (en) | Apparatus and computer-readable medium for assisting image classification | |
| CN114266773B (zh) | 显示面板缺陷定位方法、装置、设备及存储介质 | |
| CN111930622B (zh) | 基于深度学习的界面控件测试方法及*** | |
| CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
| CN111079638A (zh) | 基于卷积神经网络的目标检测模型训练方法、设备和介质 | |
| CN113538392B (zh) | 晶圆的检测方法、设备及存储介质 | |
| CN114170227B (zh) | 产品表面缺陷检测方法、装置、设备及存储介质 | |
| CN112767354A (zh) | 基于图像分割的缺陷检测方法、装置、设备及存储介质 | |
| CN113628179B (zh) | 一种pcb表面缺陷实时检测方法、装置及可读介质 | |
| US20190272627A1 (en) | Automatically generating image datasets for use in image recognition and detection | |
| CN114549390A (zh) | 电路板检测方法、电子装置及存储介质 | |
| CN111598084B (zh) | 缺陷分割网络训练方法、装置、设备及可读存储介质 | |
| CN115661160B (zh) | 一种面板缺陷检测方法及***及装置及介质 | |
| CN113222913A (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN113793323A (zh) | 一种元器件检测方法、***、设备及介质 | |
| CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
| CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
| CN114677567A (zh) | 模型训练方法、装置、存储介质及电子设备 | |
| CN113127349B (zh) | 软件测试方法和*** | |
| CN110310341B (zh) | 颜色算法中默认参数的生成方法、装置、设备和存储介质 | |
| CN115601341A (zh) | Pcba板缺陷检测方法、***、设备、介质及产品 | |
| CN117557786B (zh) | 物料质量检测方法、装置、计算机设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |