CN111986178B - 产品缺陷检测方法、装置、电子设备和存储介质 - Google Patents
产品缺陷检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111986178B CN111986178B CN202010849926.3A CN202010849926A CN111986178B CN 111986178 B CN111986178 B CN 111986178B CN 202010849926 A CN202010849926 A CN 202010849926A CN 111986178 B CN111986178 B CN 111986178B
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- information
- channel
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 143
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 13
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种产品缺陷检测方法、装置、电子设备和存储介质,涉及计算机视觉、图像处理、深度学习等领域。具体实现方案为:获取目标产品的待检测图像;根据待检测图像的色彩特征值和预存的模板图像的色彩特征值,确定待检测图像和模板图像之间的色彩特征差值;将色彩特征差值作为第一通道的特征值,得到包括第一通道的输入图像;根据输入图像和目标检测模型,得到目标产品的缺陷信息。本申请实施例可以提升对工业场景下尺寸小、纹理特征弱的产品的缺陷检测效果。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及计算机视觉、图像处理、深度学习等领域。
背景技术
在工业制造业场景例如消费类电子产品的零部件制造场景中,产品外观的缺陷检测是产品出货前的重要环节。传统的外观缺陷检测是通过人工目视检测实现,但存在用工成本高、质检标准难以统一、检测数据不易存储和二次挖掘利用等问题。基于计算机视觉的自动检测方案相较于人工目视检测方案,具有性能稳定、可持续迭代优化等特点,因此,在缺陷检测领域受到广泛的关注。
发明内容
本申请提供了一种产品缺陷检测方法、装置、电子设备和存储介质。
根据本申请的一方面,提供了一种产品缺陷检测方法,包括:
获取目标产品的待检测图像;
根据待检测图像的色彩特征值和预存的模板图像的色彩特征值,确定待检测图像和模板图像之间的色彩特征差值;
将色彩特征差值作为第一通道的特征值,得到包括第一通道的输入图像;
根据输入图像和目标检测模型,得到目标产品的缺陷信息。
根据本申请的另一方面,提供了一种产品缺陷检测装置,包括:
图像获取模块,用于获取目标产品的待检测图像;
差值确定模块,用于根据待检测图像的色彩特征值和预存的模板图像的色彩特征值,确定待检测图像和模板图像之间的色彩特征差值;
第一通道处理模块,用于将色彩特征差值作为第一通道的特征值,得到包括第一通道的输入图像;
缺陷检测模块,用于根据输入图像和目标检测模型,得到目标产品的缺陷信息。
根据本申请的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请任意实施例提供的方法。
根据本申请的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行本申请任意实施例提供的方法。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
根据本申请的技术方案,输入图像所包括的第一通道的特征值为目标产品的待检测图像和模板图像之间的色彩特征差值,因此,在根据输入图像和目标检测模型得到目标产品的缺陷信息的过程中,可以针对待检测图像和模板图像之间的差异进行深度特征提取,通过将模型的注意力放在待检测图像和模板图像之间的差异,提升对工业场景下尺寸小、纹理特征弱的产品的缺陷检测效果。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请一个实施例提供的产品缺陷检测方法的示意图;
图2是本申请另一个实施例提供的产品缺陷检测方法的示意图;
图3是本申请实施例中HRNet模型的示意图;
图4是本申请实施例的产品缺陷检测方法的应用示例的示意图;
图5是本申请一个实施例提供的产品缺陷检测装置的示意图;
图6是本申请另一个实施例提供的产品缺陷检测装置的示意图;
图7是用来实现本申请实施例的产品缺陷检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出了本申请一个实施例提供的产品缺陷检测方法的示意图,如图1所示,该方法包括:
步骤S11,获取目标产品的待检测图像;
示例性地,目标产品可以包括工业制造业中待检测缺陷的产品例如消费类电子产品、家电等的零部件。目标产品的待检测图像可以包括生产线上的图像采集装置如相机、摄像机等对目标产品进行拍摄得到的原始图像或者对原始图像进行处理后的图像。
步骤S12,根据待检测图像的色彩特征值和预存的模板图像的色彩特征值,确定待检测图像和模板图像之间的色彩特征差值;
示例性地,模板图像可以包括预先拍摄的与目标产品同类型或同型号的合格产品或良品的图像,也可以包括产品的仿真设计图等。
图像的色彩特征值可以包括图像中各像素在一个或多个色彩通道中的特征值。例如,对于RGB(Red-Green-Blue,红绿蓝)彩色图像,色彩特征值可以包括各像素的R通道特征值、G通道特征值和/或B通道特征值。对于灰度图像,色彩特征值可以包括灰度通道的特征值,即灰度值。
上述色彩特征差值,可以包括待检测图像的每个像素的色彩特征值和模板图像中对应像素的色彩特征值之间的差值。如果待检测图像和模板图像为RGB彩色图像,则可以针对R通道、G通道、B通道分别计算色彩特征差值。如果待检测图像和模板图像为灰度图像,则色彩特征值包括每个像素的灰度差值。
示例性地,如果待检测图像和模板图像是相同分辨率的图像例如是同一图像采集装置采集的图像,则可以逐个像素计算色彩特征值之间的差值,得到色彩特征差值。如果待检测图像和模板图像不是相同分辨率的图像,则可以先调整待检测图像或模板图像的分辨率使两者分辨率相同,再确定色彩特征差值。
步骤S13,将色彩特征差值作为第一通道的特征值,得到包括第一通道的输入图像;
基于步骤S13得到的输入图像可以是单通道图像或多通道图像,其中包括第一通道,第一通道的特征值为色彩特征值。示例性地,输入图像可以包括一个或多个第一通道,例如,输入图像可以包括分别对应于待检测图像的R通道、G通道和B通道的3个第一通道;输入图像也可以包括对应于灰度通道的1个第一通道。
示例性地,输入图像中还可以包括第二通道、第三通道等其他通道。输入图像中的其他通道的特征值可以包括待检测图像的色彩特征值、模板图像的色彩特征值或目标产品的其他特征信息例如基于对待检测图像进行识别得到的目标产品的深度和表面倾斜度等。
步骤S14,根据输入图像和目标检测模型,得到目标产品的缺陷信息。
示例性地,目标检测模型可以用于针对输入的图像,得到输入图像相关的产品的缺陷信息。目标检测模型可以基于深度卷积神经网络(Deep Convolutional NeuralNetworks,Deep CNNs)训练得到,深度卷积神经网络包括例如U-net(U型网络)、FCN(FullyConvolutional Networks,全卷积网络)、Mask R-CNN(Regions with Deep ConvolutionalNeural Networks features,掩膜实例分割)网络等。将输入图像输入至目标检测模型后,目标检测模型可以输出目标产品的缺陷信息。
示例性地,目标产品的缺陷信息可以包括缺陷位置、缺陷大小、缺陷类型等。
本申请实施例中,输入图像所包括的第一通道的特征值为目标产品的待检测图像和模板图像之间的色彩特征差值,因此,在根据输入图像和目标检测模型得到目标产品的缺陷信息的过程中,可以针对待检测图像和模板图像之间的差异进行深度特征提取,通过将模型的注意力放在待检测图像和模板图像之间的差异,从而提升对工业场景下尺寸小、纹理特征弱的产品的缺陷检测效果,具有检测准确、稳定、鲁棒性强的优点。
在一种可选的示例性实施方式中,输入图像还包括第二通道和/或第三通道。产品缺陷检测方法还可以包括:
将待检测图像的色彩特征值作为第二通道的特征值,和/或,
将模板图像的色彩特征值作为第三通道的特征值。
例如,输入图像可以为9通道图像,包括3个第一通道、3个第二通道和3个第三通道。其中,3个第一通道包括与RGB三通道分别对应的色彩特征差值;3个第二通道包括待检测图像的RGB三通道的特征值;3个第三通道包括模板图像的RGB三通道的特征值。目标检测模型可以针对每种通道,分别进行特征提取,然后对提取到的各通道的特征信息进行融合,输出待检测图像上的目标产品的缺陷信息。
又如,输入图像可以为3通道图像,包括1个第一通道、1个第二通道和1个第三通道。其中,第一通道包括待检测图像和模板图像之间的灰度值差值;第二通道包括待检测图像的灰度值;第三通道包括模板图像的灰度值。
根据该示例性实施方式,目标检测模型在训练过程中可以同时学习缺陷图像、模板图像以及两者之间的差异,基于模型的Attention(注意力)机制,模型自动将注意力放在更重要的通道或者图像的空间位置上,从而大幅提升对工业场景下尺寸小、纹理特征弱的产品的缺陷检测效果。
示例性地,如图2所示,在上述步骤S11的一种可选实施方式中,获取目标产品的待检测图像,可以包括:
步骤S121,获取目标产品的原始图像;
步骤S122,确定目标产品的识别点在原始图像中的位置信息;
步骤S123,根据识别点在原始图像中的位置信息以及识别点在模板图像中的位置信息,对原始图像进行矫正,得到与模板图像对齐的待检测图像。
示例性地,识别点可以包括目标产品中具有高辨识度的固定的标志物,例如螺丝、零件角点等。识别点在原始图像中的位置信息可以通过图像识别的方式得到。例如,利用关键点检测模型,检测识别点在图像中的位置信息。识别点在模板图像中的位置信息可以通过人工标注确定,也可以通过图像识别确定。
举例而言,可以先利用生产线上的图像采集装置对目标产品进行拍摄,得到原始图像。然后,利用关键点检测模型确定识别点在原始图像中的位置信息。再根据识别点在原始图像中的位置信息和在模板图像中的位置信息,确定原始图像和模板图像中产品的旋转角度、位置、大小等各种信息的差异,根据这些差异对原始图像进行矫正例如根据产品旋转角度的差异对原始图像进行旋转矫正,使矫正后的图像与模板图像对齐,可以作为待检测图像。其中,关键点检测模型可以基于深度卷积神经网络训练得到,深度卷积神经网络包括例如FCN、HRNet(High-Resolution Net,高分辨率网络)等。矫正后的图像与模板图像对齐,可以是矫正后的图像和模板图像中产品的旋转角度、位置和大小中的一种或多种信息保持一致。
根据该实施方式,可以使待检测图像和模板图像对齐,从而待检测图像中的各像素和模板图像中的各像素一一对应,提高色彩特征差值的准确性,从而提高产品缺陷检测的准确性。
可选地,上述步骤S122,确定目标产品的识别点在原始图像中的位置信息,可以包括:
将原始图像输入至高分辨率网络HRNet模型,得到HRNet模型输出的识别点在原始图像中的位置信息。
该实施方式利用HRNet网络模型在原始图像中检测识别点。HRNet模型对原始图像的处理可以参考图3所示的示意图。如图3所示,HRNet模型的网络结构包括卷积(Convolution)层、跨步卷积(Strided Convolution)层和上采样(Upsample)层。将原始图像输入模型后,利用模型中的卷积层、跨步卷积层和上采样层对原始图像进行处理,输出特征图(Feature Map),根据特征图计算损失函数,在达到预设条件时对特征图进行拼接、反卷积等操作,最终输出对识别点进行了增强的特征图。
其中,卷积层利用权重不同的卷积核对原始图像或特征图进行卷积扫描,从中提取具有意义的图像特征,并输出到下一个特征图中。跨步卷积层,在不增加参数个数的情况下扩大卷积核的感受野,提升模型的表现。上采样层对原始图像或特征图进行上采样,例如宽为w,高为h的特征图经过上采样层后可以变为宽为2w,高为2h的特征图,从而保留了更多细节信息。
HRNet模型是一种具有卷积层和上采样层的深度神经网络模型,对于不同亮度、倾斜角度的原始图像,具有较高的鲁棒性,用于识别点检测任务中,具有更高的泛化性能。
可选地,上述步骤S123,根据识别点在原始图像中的位置信息以及识别点在模板图像中的位置信息,对原始图像进行矫正,得到与模板图像对齐的待检测图像,可以包括:
根据识别点在原始图像中的位置信息以及识别点在模板图像中的位置信息,确定仿射变换矩阵;
根据仿射变换矩阵,对原始图像进行矫正,得到与模板图像对齐的待检测图像。
例如,采用矩阵表示原始图像,矩阵中的各元素表示原始图像中各像素的特征值,将原始图像与仿射变换矩阵相乘,可以得到与待检测图像对应的矩阵从而得到待检测图像。
由于仿射变换矩阵可以表征原始图像中的识别点和模板图像中的识别点之间的旋转、平移、缩放等变换操作。因此,基于仿射变换矩阵对原始图像进行矫正,可以使原始图像中的目标产品经过准确的变换操作,与模板图像中的产品在倾斜角度、位置和大小等各方面都保持一致。提高了色彩特征差值的准确性,从而提高产品缺陷检测的准确性。
示例性地,在上述步骤S14的一种可选的实施方式中,根据输入图像和目标检测模型,得到目标产品的缺陷信息,可以包括:
将输入图像输入至目标检测模型,得到目标检测模型输出的缺陷位置以及与缺陷位置对应的掩膜信息;
根据掩膜信息与缺陷类型的对应关系,确定缺陷位置对应的缺陷类型。
该实施方式中,可以采用输出信息包括缺陷位置和掩膜信息的模型确定目标产品的缺陷信息。基于模型输出的掩膜信息,可以得到缺陷类型。有助于针对不同类型的缺陷产品做出适应的处理。
例如,采用Mask R-CNN模型作为上述目标检测模型。Mask R-CNN模型的网络结构包括卷积层、池化(Pooling)层、全连接层等。卷积层利用权重不同的卷积核对原始图像或特征图进行卷积扫描,从中提取具有意义的图像特征,并输出到下一个特征图中。池化层用于对特征图进行降维操作,保留图像中的主要特征。具体而言,Mask R-CNN模型会利用分类模型的卷积操作,得到对应的特征图,然后利用候选区域网络(Region Proposal Network)计算原图的某个感兴趣区域(Region of Interest,ROI)是否包含缺陷,如果包含缺陷则利用卷积神经网络进行特征提取,然后预测产品的缺陷边界、边界框(bounding box)和掩膜信息(mask);如果不包含缺陷则不进行相关计算。在训练过程中,可结合预测的各种信息的损失做组合训练,优化模型参数,当模型的输出与真实值之间的误差小于一定阈值时,停止训练。
由于Mask R-CNN模型采用具有卷积、池化操作的深度神经网络结构,对于不同亮度、倾斜角度的原始图像,具有较高的鲁棒性,在缺陷位置的检测任务中,具有更高的泛化性能。并且,模型的输出信息包括缺陷位置、掩膜信息、置信度等,其中,掩膜信息对应于缺陷类型。在模型训练时预测的掩膜信息的损失会与其他信息的损失进行结合,用以优化模型参数,因此,根据模型输出的掩膜信息确定缺陷类型,也具有识别准确、鲁棒性强的优点。
示例性地,产品缺陷检测方法还可以包括:
根据目标产品的缺陷信息,确定对目标产品的处理方式。
例如,根据目标产品的缺陷类型、位置或大小以及生产线的质量要求、安全要求,确定是否要操作机械臂将目标产品从生产线上取走,或者确定是否要发出警报信息。
根据该示例性实施方式,可以基于检测出的缺陷信息确定对目标产品的处理方式,自动作出相应的业务决策,提高生产线的自动化水平,节省人工成本。
示例性地,产品缺陷检测方法还可以包括:
将目标产品的缺陷信息以及与缺陷信息对应的标注信息存储在训练数据库中;
从训练数据库中调用缺陷信息以及与缺陷信息对应的标注信息,更新目标检测模型。
例如,对各产品进行检测后,会将缺陷信息存储在训练库中。在产品缺陷检测方法运行一段时间后,可以人工复查例如人工标注缺陷信息和检测准确率,将人工复查过程标注的信息存储在训练数据库中,然后,在收到更新指令时,从训练数据库中调用缺陷信息和标注信息,重新训练目标检测模型。根据该实施方式,可以达到模型随业务动态扩展泛化的目的,提高缺陷检测的准确率。
图4是本申请实施例的产品缺陷检测方法的一个应用示例的示意图。如图4所示,实际应用时,可以利用图像采集***,控制台,矫正模块,检测模块,训练引擎,控制模块,数据库和业务相关***等几个主要模块,实现产品缺陷检测方法。
其中,图像采集***利用生产线上的图像采集装置对待检测零部件产品做全方位的图像采集工作。
控制台将图像采集***采集到的图像转化为检测请求(query),并根据线上预测模型的部署情况实时进行负载均衡和调度,将检测请求发送至最佳的搭载着预测模型的服务器上。
服务器上运行着矫正模块和检测模块,这两个模块由训练引擎训练得到。服务器对接收到的检测请求进行预设的图像预处理后,利用矫正模块进行图像矫正,把采集到的待处理的图像矫正到和模版图像一致的视场。矫正模块输出矫正后的图像至检测模块,利用检测模块进行目标检测计算,给出缺陷的位置、置信度等信息,然后将结果返回控制模块。
控制模块与业务场景结合设计,能够根据业务需求,对模型给出的预测结果作出符合生产环境场景要求的处理方式,如报警、储存日志等,输出响应信息。控制模块还会将预测结果及对应的处理方式储存到数据库中。
业务相关***用于根据控制模块输出的响应信息作出相应的业务操作,例如操作机械臂把检测模块检测到缺陷的零件从生产线上取走。
数据库用于储存产品图像的预测结果、对应的模板图像和控制模块产生的处理方式。在***运行一段时间后,可以人工复查缺陷检测和定位的准确率,然后更新数据库。
训练引擎用于矫正模块和检测模块中的深度学习模型的训练过程,最终的模型产出将被部署到生产环境中。训练引擎可以利用数据库中的数据作为训练数据,重新训练目标检测模型,以提高缺陷检测准确率。对于每一次训练的模型可通过小流量上线的方式逐步取代正在线上运行的旧模型,以达到模型随业务动态扩展泛化的目的。
根据本申请实施例的产品缺陷检测方法,输入图像所包括的第一通道的特征值为目标产品的待检测图像和模板图像之间的色彩特征差值,因此,在根据输入图像和目标检测模型得到目标产品的缺陷信息的过程中,可以针对待检测图像和模板图像之间的差异进行深度特征提取,通过将模型的注意力放在待检测图像和模板图像之间的差异,提升对工业场景下尺寸小、纹理特征弱的产品的缺陷检测效果。
图5是本申请一个实施例提供的产品缺陷检测装置的示意图。如图5所示,该装置包括:
图像获取模块510,用于获取目标产品的待检测图像;
差值确定模块520,用于根据待检测图像的色彩特征值和预存的模板图像的色彩特征值,确定待检测图像和模板图像之间的色彩特征差值;
第一通道处理模块530,用于将色彩特征差值作为第一通道的特征值,得到包括第一通道的输入图像;
缺陷检测模块540,用于根据输入图像和目标检测模型,得到目标产品的缺陷信息。
示例性地,如图6所示,图像获取模块510包括:
获取单元511,用于获取目标产品的原始图像;
第一确定单元512,用于确定目标产品的识别点在原始图像中的位置信息;
矫正单元513,用于根据识别点在原始图像中的位置信息以及识别点在模板图像中的位置信息,对原始图像进行矫正,得到与模板图像对齐的待检测图像。
示例性地,矫正单元513包括:
确定子单元,用于根据识别点在原始图像中的位置信息以及识别点在模板图像中的位置信息,确定仿射变换矩阵;
对齐子单元,用于根据仿射变换矩阵,对原始图像进行矫正,得到与模板图像对齐的待检测图像。
示例性地,第一确定单元用于将原始图像输入至高分辨率网络HRNet模型,得到HRNet模型输出的识别点在原始图像中的位置信息。
示例性地,如图6所示,缺陷检测模块540包括:
输入单元541,用于将输入图像输入至目标检测模型,得到目标检测模型输出的缺陷位置以及与缺陷位置对应的掩膜信息;
第二确定单元542,用于根据掩膜信息与缺陷类型的对应关系,确定缺陷位置对应的缺陷类型。
示例性地,如图6所示,输入图像还包括第二通道和/或第三通道;
该装置还包括:
第二通道处理模块550,用于将待检测图像的色彩特征值作为第二通道的特征值,和/或,
第三通道处理模块560,用于将模板图像的色彩特征值作为第三通道的特征值。
示例性地,如图6所示,该装置还包括:
第三确定单元570,用于根据目标产品的缺陷信息,确定对目标产品的处理方式。
示例性地,如图6所示,该装置还包括:
存储模块580,用于将目标产品的缺陷信息以及与缺陷信息对应的标注信息存储在训练数据库中;
更新模块590,用于从训练数据库中调用缺陷信息以及与缺陷信息对应的标注信息,更新目标检测模型。
本申请实施例提供的装置,能够实现本申请实施例的方法,具备相应的有益效果。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图7所示,是根据本申请实施例的产品缺陷检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的产品缺陷检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的产品缺陷检测方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的产品缺陷检测方法对应的程序指令/模块(例如,附图5所示的图像获取模块510、差值确定模块520、第一通道处理模块530和缺陷检测模块540)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的产品缺陷检测方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据产品缺陷检测的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至产品缺陷检测的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
产品缺陷检测方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与产品缺陷检测的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与虚拟专用服务器(VPS)服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请的技术方案,输入图像所包括的第一通道的特征值为目标产品的待检测图像和模板图像之间的色彩特征差值,因此,在根据输入图像和目标检测模型得到目标产品的缺陷信息的过程中,可以针对待检测图像和模板图像之间的差异进行深度特征提取,通过将模型的注意力放在待检测图像和模板图像之间的差异,提升对工业场景下尺寸小、纹理特征弱的产品的缺陷检测效果。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (15)
1.一种产品缺陷检测方法,包括:
获取目标产品的待检测图像;
根据所述待检测图像的色彩特征值和预存的模板图像的色彩特征值,确定所述待检测图像和所述模板图像之间的色彩特征差值;
将所述色彩特征差值作为第一通道的特征值,得到包括所述第一通道的输入图像;其中,所述输入图像还包括第二通道和/或第三通道;所述方法还包括:将所述待检测图像的色彩特征值作为所述第二通道的特征值,和/或,将所述模板图像的色彩特征值作为第三通道的特征值;
根据所述输入图像和目标检测模型,得到所述目标产品的缺陷信息;所述目标检测模型针对每种通道,分别进行特征提取,并对提取到的各通道的特征信息进行融合,输出所述待检测图像上的目标产品的缺陷信息;
其中,所述根据所述输入图像和目标检测模型,得到所述目标产品的缺陷信息,包括:
将所述输入图像输入至所述目标检测模型,得到所述目标检测模型输出的缺陷位置以及与所述缺陷位置对应的掩膜信息;
根据所述掩膜信息与缺陷类型的对应关系,确定所述缺陷位置对应的缺陷类型;
所述目标检测模型为Mask R-CNN模型,用于利用分类模型的卷积操作,得到对应的特征图,然后利用候选区域网络计算输入图像的某个感兴趣区域是否包含缺陷,如果包含缺陷则利用卷积神经网络进行特征提取,然后预测目标产品的缺陷边界、边界框和掩膜信息;如果不包含缺陷则不进行相关计算。
2.根据权利要求1所述的方法,其中,所述获取目标产品的待检测图像,包括:
获取所述目标产品的原始图像;
确定所述目标产品的识别点在所述原始图像中的位置信息;
根据所述识别点在所述原始图像中的位置信息以及所述识别点在所述模板图像中的位置信息,对所述原始图像进行矫正,得到与所述模板图像对齐的所述待检测图像。
3.根据权利要求2所述的方法,其中,所述根据所述识别点在所述原始图像中的位置信息以及所述识别点在所述模板图像中的位置信息,对所述原始图像进行矫正,得到与所述模板图像对齐的所述待检测图像,包括:
根据所述识别点在所述原始图像中的位置信息以及所述识别点在所述模板图像中的位置信息,确定仿射变换矩阵;
根据所述仿射变换矩阵,对所述原始图像进行矫正,得到与所述模板图像对齐的所述待检测图像。
4.根据权利要求2所述的方法,其中,所述确定所述目标产品的识别点在所述原始图像中的位置信息,包括:
将所述原始图像输入至高分辨率网络HRNet模型,得到所述HRNet模型输出的所述识别点在所述原始图像中的位置信息。
5.根据权利要求1至4中任一项所述的方法,还包括:
根据所述目标产品的缺陷信息,确定对所述目标产品的处理方式。
6.根据权利要求1至4中任一项所述的方法,还包括:
将所述目标产品的缺陷信息以及与所述缺陷信息对应的标注信息存储在训练数据库中;
从所述训练数据库中调用所述缺陷信息以及与所述缺陷信息对应的标注信息,更新所述目标检测模型。
7.一种产品缺陷检测装置,包括:
图像获取模块,用于获取目标产品的待检测图像;
差值确定模块,用于根据所述待检测图像的色彩特征值和预存的模板图像的色彩特征值,确定所述待检测图像和所述模板图像之间的色彩特征差值;
第一通道处理模块,用于将所述色彩特征差值作为第一通道的特征值,得到包括所述第一通道的输入图像;其中,所述输入图像还包括第二通道和/或第三通道;所述装置还包括:第二通道处理模块,用于将所述待检测图像的色彩特征值作为所述第二通道的特征值,和/或,第三通道处理模块,用于将所述模板图像的色彩特征值作为第三通道的特征值;
缺陷检测模块,用于根据所述输入图像和目标检测模型,得到所述目标产品的缺陷信息;所述目标检测模型针对每种通道,分别进行特征提取,并对提取到的各通道的特征信息进行融合,输出所述待检测图像上的目标产品的缺陷信息;
其中,所述缺陷检测模块包括:
输入单元,用于将所述输入图像输入至所述目标检测模型,得到所述目标检测模型输出的缺陷位置以及与所述缺陷位置对应的掩膜信息;
第二确定单元,用于根据所述掩膜信息与缺陷类型的对应关系,确定所述缺陷位置对应的缺陷类型;
所述目标检测模型为Mask R-CNN模型,用于利用分类模型的卷积操作,得到对应的特征图,然后利用候选区域网络计算输入图像的某个感兴趣区域是否包含缺陷,如果包含缺陷则利用卷积神经网络进行特征提取,然后预测目标产品的缺陷边界、边界框和掩膜信息;如果不包含缺陷则不进行相关计算。
8.根据权利要求7所述的装置,其中,所述图像获取模块包括:
获取单元,用于获取所述目标产品的原始图像;
第一确定单元,用于确定所述目标产品的识别点在所述原始图像中的位置信息;
矫正单元,用于根据所述识别点在所述原始图像中的位置信息以及所述识别点在所述模板图像中的位置信息,对所述原始图像进行矫正,得到与所述模板图像对齐的所述待检测图像。
9.根据权利要求8所述的装置,其中,所述矫正单元包括:
确定子单元,用于根据所述识别点在所述原始图像中的位置信息以及所述识别点在所述模板图像中的位置信息,确定仿射变换矩阵;
对齐子单元,用于根据所述仿射变换矩阵,对所述原始图像进行矫正,得到与所述模板图像对齐的所述待检测图像。
10.根据权利要求8所述的装置,其中,所述第一确定单元用于将所述原始图像输入至高分辨率网络HRNet模型,得到所述HRNet模型输出的所述识别点在所述原始图像中的位置信息。
11.根据权利要求7至10中任一项所述的装置,还包括:
第三确定单元,用于根据所述目标产品的缺陷信息,确定对所述目标产品的处理方式。
12.根据权利要求7至10中任一项所述的装置,还包括:
存储模块,用于将所述目标产品的缺陷信息以及与所述缺陷信息对应的标注信息存储在训练数据库中;
更新模块,用于从所述训练数据库中调用所述缺陷信息以及与所述缺陷信息对应的标注信息,更新所述目标检测模型。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010849926.3A CN111986178B (zh) | 2020-08-21 | 2020-08-21 | 产品缺陷检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010849926.3A CN111986178B (zh) | 2020-08-21 | 2020-08-21 | 产品缺陷检测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986178A CN111986178A (zh) | 2020-11-24 |
CN111986178B true CN111986178B (zh) | 2024-06-18 |
Family
ID=73442796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010849926.3A Active CN111986178B (zh) | 2020-08-21 | 2020-08-21 | 产品缺陷检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986178B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446865A (zh) * | 2020-11-25 | 2021-03-05 | 创新奇智(广州)科技有限公司 | 瑕疵识别方法、装置、设备和存储介质 |
CN112365491A (zh) * | 2020-11-27 | 2021-02-12 | 上海市计算技术研究所 | 容器焊缝检测的方法、电子设备及存储介质 |
CN112598627A (zh) * | 2020-12-10 | 2021-04-02 | 广东省大湾区集成电路与***应用研究院 | 检测图像缺陷的方法、***、电子设备及介质 |
CN112613498B (zh) * | 2020-12-16 | 2024-07-02 | 浙江大华技术股份有限公司 | 一种指针识别方法、装置、电子设备及存储介质 |
CN112669384A (zh) * | 2020-12-31 | 2021-04-16 | 苏州江奥光电科技有限公司 | 一种工业相机与深度相机结合的三维定位方法、装置和*** |
CN112884743B (zh) * | 2021-02-22 | 2024-03-05 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN113252678A (zh) * | 2021-03-24 | 2021-08-13 | 上海万物新生环保科技集团有限公司 | 一种移动终端的外观质检方法及设备 |
CN113240642A (zh) * | 2021-05-13 | 2021-08-10 | 创新奇智(北京)科技有限公司 | 图像缺陷检测方法及装置、电子设备、存储介质 |
CN113344094A (zh) * | 2021-06-21 | 2021-09-03 | 梅卡曼德(北京)机器人科技有限公司 | 图像掩膜生成方法、装置、电子设备和存储介质 |
CN113609897A (zh) * | 2021-06-23 | 2021-11-05 | 阿里巴巴新加坡控股有限公司 | 缺陷的检测方法和缺陷的检测*** |
CN113591569A (zh) * | 2021-06-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 障碍物检测方法、装置、电子设备以及存储介质 |
CN113689397A (zh) * | 2021-08-23 | 2021-11-23 | 湖南视比特机器人有限公司 | 工件圆孔特征检测方法和工件圆孔特征检测装置 |
CN113870225B (zh) * | 2021-09-28 | 2022-07-19 | 广州市华颉电子科技有限公司 | 一种汽车域控制器的人工智能标签内容与粘贴质量检测方法 |
CN113933294B (zh) * | 2021-11-08 | 2023-07-18 | 中国联合网络通信集团有限公司 | 浓度检测方法及装置 |
CN114354623A (zh) * | 2021-12-30 | 2022-04-15 | 苏州凌云视界智能设备有限责任公司 | 弱印痕提取算法、装置、设备和介质 |
CN114419035B (zh) * | 2022-03-25 | 2022-06-17 | 北京百度网讯科技有限公司 | 产品识别方法、模型训练方法、装置和电子设备 |
CN114612469B (zh) * | 2022-05-09 | 2022-08-12 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
CN114782445B (zh) * | 2022-06-22 | 2022-10-11 | 深圳思谋信息科技有限公司 | 对象缺陷检测方法、装置、计算机设备和存储介质 |
CN114998097A (zh) * | 2022-07-21 | 2022-09-02 | 深圳思谋信息科技有限公司 | 图像对齐方法、装置、计算机设备和存储介质 |
CN117011214A (zh) * | 2022-08-30 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 一种物体检测方法、装置、设备及存储介质 |
CN115937629B (zh) * | 2022-12-02 | 2023-08-29 | 北京小米移动软件有限公司 | 模板图像的更新方法、更新装置、可读存储介质及芯片 |
CN115661161B (zh) * | 2022-12-29 | 2023-06-02 | 成都数联云算科技有限公司 | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 |
CN115690102B (zh) * | 2022-12-29 | 2023-04-18 | 摩尔线程智能科技(北京)有限责任公司 | 缺陷检测方法、装置、电子设备、存储介质和程序产品 |
CN115690101A (zh) * | 2022-12-29 | 2023-02-03 | 摩尔线程智能科技(北京)有限责任公司 | 缺陷检测方法、装置、电子设备、存储介质和程序产品 |
CN116046790B (zh) * | 2023-01-31 | 2023-10-27 | 北京百度网讯科技有限公司 | 缺陷检测方法、装置、***、电子设备以及存储介质 |
CN116883416B (zh) * | 2023-09-08 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 工业产品缺陷的检测方法、装置、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871895A (zh) * | 2019-02-22 | 2019-06-11 | 北京百度网讯科技有限公司 | 电路板的缺陷检测方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11010888B2 (en) * | 2018-10-29 | 2021-05-18 | International Business Machines Corporation | Precision defect detection based on image difference with respect to templates |
CN109916921A (zh) * | 2019-03-29 | 2019-06-21 | 北京百度网讯科技有限公司 | 电路板缺陷处理方法、装置及设备 |
CN110763700A (zh) * | 2019-10-22 | 2020-02-07 | 深选智能科技(南京)有限公司 | 一种半导体元器件缺陷检测方法和设备 |
CN111369545B (zh) * | 2020-03-10 | 2023-04-25 | 创新奇智(重庆)科技有限公司 | 边缘缺陷检测方法、装置、模型、设备及可读存储介质 |
-
2020
- 2020-08-21 CN CN202010849926.3A patent/CN111986178B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871895A (zh) * | 2019-02-22 | 2019-06-11 | 北京百度网讯科技有限公司 | 电路板的缺陷检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111986178A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986178B (zh) | 产品缺陷检测方法、装置、电子设备和存储介质 | |
CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
CN111693534B (zh) | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 | |
JP7051267B2 (ja) | 画像検出方法、装置、電子設備、記憶媒体、及びプログラム | |
CN112149636B (zh) | 用于检测目标物体的方法、装置、电子设备及存储介质 | |
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
CN112330730B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112597837B (zh) | 图像检测方法、装置、设备、存储介质和计算机程序产品 | |
CN111833303A (zh) | 产品的检测方法、装置、电子设备及存储介质 | |
CN110264444B (zh) | 基于弱分割的损伤检测方法及装置 | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN113537374B (zh) | 一种对抗样本生成方法 | |
CN113408662B (zh) | 图像识别、图像识别模型的训练方法和装置 | |
US20210374977A1 (en) | Method for indoor localization and electronic device | |
CN115908988B (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN112749701B (zh) | 车牌污损分类模型的生成方法和车牌污损分类方法 | |
CN111191619A (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
CN112509058B (zh) | 外参的计算方法、装置、电子设备和存储介质 | |
CN114120086A (zh) | 路面病害识别、图像处理模型训练方法、装置及电子设备 | |
KR20210032374A (ko) | 비전 시스템을 이용하여 이미지에서 라인들을 찾고 분류하기 위한 시스템 및 방법 | |
CN111079059A (zh) | 页面检查方法、装置、设备及计算机可读存储介质 | |
CN111862196A (zh) | 检测平板物体的通孔的方法、装置和计算机可读存储介质 | |
CN113947771B (zh) | 图像识别方法、装置、设备、存储介质以及程序产品 |
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 |