CN112288676A - 检测产品缺陷的方法和装置 - Google Patents
检测产品缺陷的方法和装置 Download PDFInfo
- Publication number
- CN112288676A CN112288676A CN201910629293.2A CN201910629293A CN112288676A CN 112288676 A CN112288676 A CN 112288676A CN 201910629293 A CN201910629293 A CN 201910629293A CN 112288676 A CN112288676 A CN 112288676A
- Authority
- CN
- China
- Prior art keywords
- image
- product
- thermodynamic
- defect
- map
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 230000002950 deficient Effects 0.000 claims abstract description 16
- 230000001131 transforming effect Effects 0.000 claims abstract description 13
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004321 preservation Methods 0.000 claims description 7
- 230000010339 dilation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011426 transformation method Methods 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
公开了检测产品缺陷的方法和装置。一种在工业流水线上自动检测产品缺陷的方法,包括:获取待检测产品的第一图像,该第一图像包括产品的多个特征部;对第一图像进行变换以获得第二图像,在第二图像中多个特征部呈线性排列;利用卷积神经网络基于第二图像获得特征图,并且将特征图转换为热力图;从热力图中识别缺陷,并且在第二图像中多个特征部的线性排列中确定与所识别的缺陷对应的位置;以及基于该位置在第一图像中确定存在缺陷的特征部。
Description
技术领域
本发明涉及用于检测产品缺陷的方法和装置,更具体地,涉及在工业流水线上自动检测产品缺陷的方法和装置。
背景技术
传统的产品外观缺陷检测往往由人工完成,但人工检测效率低,漏检率高,并且成本不断上升,因此严重地制约产能。对此已经开发出一些自动化检测技术,例如基于机器视觉的检测技术。相比于人工检测,自动检测具有效率高、操作自动化、准确率高等优点。
现有的自动检测技术通常通过对产品外观的图像进行图像处理来检测缺陷。然而,存在着一些产品的外观比较复杂或特殊而导致无法使用常规的图像处理、模板匹配等方法的情况。
发明内容
本发明提供了一种产品外观缺陷自动检测方案,其具有效率高、准确率高、节省人力成本等优点。此外特别地,本发明能够应用于利用常规技术无法进行检测的特殊产品。
根据本发明的第一方面,提供了一种在工业流水线上自动检测产品缺陷的方法,包括:获取待检测的产品的第一图像,所述第一图像包括所述产品的多个特征部;对所述第一图像进行变换以获得第二图像,在所述第二图像中,所述多个特征部呈线性排列;利用卷积神经网络基于所述第二图像获得特征图,并且将所述特征图转换为热力图;从所述热力图中识别缺陷,并且在所述第二图像中所述多个特征部的线性排列中确定与所识别的缺陷对应的位置;以及基于所述位置在所述第一图像中确定存在缺陷的特征部。
根据本发明的第一方面,还提供了一种在工业流水线上自动检测产品缺陷的方法,包括:获取待检测的产品的图像,所述图像至少包括所述产品的一个表面;利用卷积神经网络基于所述图像获得特征图,并且将所述特征图转换为热力图;从所述热力图中识别缺陷,并且在所述图像中确定与所识别的缺陷对应的位置;确定在所述位置处所述产品的所述一个表面存在缺陷。
根据本发明的第二方面,提供了一种用于在工业流水线上自动检测产品缺陷的装置,包括:存储器,以及一个或多个处理器,所述处理器被配置为:获取待检测的产品的第一图像,所述第一图像包括所述产品的多个特征部;对所述第一图像进行变换以获得第二图像,在所述第二图像中,所述多个特征部呈线性排列;利用卷积神经网络基于所述第二图像获得特征图,并且将所述特征图转换为热力图;从所述热力图中识别缺陷,并且在所述第二图像中所述多个特征部的线性排列中确定与所识别的缺陷对应的位置;以及基于所述位置在所述第一图像中确定存在缺陷的特征部。
根据本发明的第二方面,还提供了一种用于在工业流水线上自动检测产品缺陷的装置,包括:存储器,以及一个或多个处理器,所述处理器被配置为:获取待检测的产品的图像,所述图像至少包括所述产品的一个表面;利用卷积神经网络基于所述图像获得特征图,并且将所述特征图转换为热力图;从所述热力图中识别缺陷,并且在所述图像中确定与所识别的缺陷对应的位置;确定在所述位置处所述产品的所述一个表面存在缺陷。
根据本发明的第三方面,提供了一种存储有程序的记录介质,所述程序在被计算机执行时,使得计算机实现如上所述的方法。
附图说明
图1A示出了作为产品的一个示例的转向器的立体图,图1B示出了转向器的顶视图。
图2示出了根据本发明第一实施例的产品缺陷检测方法的总体流程图。
图3A示出了对图1B中的图像进行变换后得到的图像,图3B是图3A的局部放大图。
图4示出了基于图3A中的图像而获得的热力图。
图5示出了根据本发明第一实施例的检测方法的一个具体流程图。
图6A-6E分别示出了转向器的拍摄图像以及经过各种预处理后获得的图像。
图7示出了根据本发明第一实施例的检测方法的另一具体流程图。
图8示出了多个变换后图像以及相对应的多个热力图。
图9示出了根据本发明第二实施例的产品缺陷检测方法的流程图。
图10示出了实现本发明的计算机硬件的示例性配置框图。
具体实施方式
下文中将以转向器作为产品的一个示例来描述本发明,但是本发明的方案并仅不限于检测转向器的缺陷。图1A示出了具有缺陷的转向器的立体图,图1B示出了该转向器的顶视图。如图所示,转向器具有圆柱状的主体部分以及从主体的顶部圆周弯曲向下延伸的多个锯齿。除了锯齿100之外,这些锯齿在圆周上以相等的间隔排列,并且以相同的角度弯曲向下。锯齿100在排列间隔和弯曲角度方面均不同于其它锯齿,因此锯齿100是转向器外观中的缺陷部分。
图2示意性地示出了根据本发明第一实施例的产品缺陷检测方法的总体流程图。如图2所示,首先在步骤S210获取产品的图像(以下称为“第一图像”),例如可以通过用相机拍摄产品而获得第一图像。所得到的第一图像例如可以如图1B所示。
在步骤S220对所拍摄的第一图像进行变换,以获得变换后的图像(以下称为“第二图像”)。在本实施例中,由于转向器的锯齿成环状排列,因此采用极坐标变换方法。然而,针对不同产品的外观特点,本领域技术人员可以采用其它的变换方式,本发明对此不做限制。图3A示出了经过极坐标变换后得到的第二图像。如图3A所示,经变换后,转向器的全部锯齿成直线状排列。图3B示出了图3A中的方框部分的放大图,该部分包含具有缺陷的锯齿100。
在步骤S230利用卷积神经网络对获得的第二图像进行处理以生成特征图,并且通过可视化处理将该特征图转换为热力图。由于利用卷积神经网络生成特征图以及特征图的可视化是本领域技术人员已知的技术,因此本文中省略其详细描述。本领域技术人员可以采用任何适当的技术来执行步骤S230。在本发明中,由于利用卷积神经网络提取特征不受图像内容的限制,因此根据本发明的方法能够适用于检测具有复杂或特殊外观的产品(例如具有多个锯齿的转向器),而传统的图像处理方法可能难以检测这些产品的外观。
然后如步骤S240所示,在得到的热力图中识别缺陷的存在。图4示意性地示出了基于图3A所示的第二图像获得的热力图,图4中的白点指示缺陷的存在。易于理解的是,如果转向器的外观没有缺陷,则所得到的热力图中将不存在白点。
在步骤S250将热力图与图3A所示的第二图像进行对照,在第二图像中确定在水平方向上与热力图中的白点相对应的锯齿,该锯齿就是有缺陷的锯齿100。
由于第二图像是极坐标变换后的变换图像,因此在第二图像中确定缺陷锯齿100还不能确定在实际产品上的缺陷锯齿的位置,因此流程进行至步骤S260。在步骤S260,对第二图像进行与步骤S220中的极坐标变换相反的逆变换,以恢复第一图像。通过逆变换,可以确定与第二图像中的缺陷位置对应的第一图像中的相应位置。由于第一图像(如图1B所示)示出实际产品,因此可以确定在实际转向器上的存在缺陷的锯齿,从而实现外观缺陷检测的效果。
以下结合图5来描述根据本发明第一实施例的检测方法的一个具体流程。如图5所示,在步骤S510拍摄产品(例如转向器)的图像(称为“第一图像”),然后在步骤S520对拍摄的第一图像进行预处理,预处理方法包括但不限于:图像二值化、膨胀与腐蚀、连通域分析、边缘保留等。
作为示例,图6A-6E依次示出了产品的拍摄图像以及经过每种预处理之后得到的图像。其中,图6A示出了拍摄的转向器的图像,图6B示出了对拍摄图像进行二值化后的图像,图6C示出了进一步执行膨胀处理之后的图像,图6D示出了通过执行连通域分析而在拍摄图像中提取的包含转向器的区域,该区域的边界尽可能地贴近转向器。图6E示出了对所提取的区域执行边缘保留之后的图像。边缘保留处理对所提取的区域进行扩展,使得最终得到的图像的边界与转向器之间具有一定区域(裕量)。可以基于转向器的尺寸来进行扩展。例如,如图6E所示,可以从转向器的边沿开始向上、下、左、右四个方向分别扩展0.2*D的距离,其中D表示转向器的直径。
需要说明的是,图6A-6E所示出的预处理仅是示意性的,本领域技术人员可以做出修改。例如,针对与转向器不同形状的产品,在边缘保留处理中可以基于产品的长度、宽度或高度来进行扩展。此外,本领域技术人员可以执行上述预处理中的一些或全部,还可以采用本文中未提到的其它预处理方法,本发明对此不做限制。
在预处理完成之后,对所得到的图像(例如图6E所示的图像)进行极坐标变换,以获得第二图像,如步骤S530所示。随后的步骤S540-S570与图2中的步骤S230-S260的处理相同,故不再赘述。
以下结合图7来描述根据本发明第一实施例的检测方法的另一个具体流程。如图7所示,在步骤S710拍摄产品的图像(称为“第一图像”),然后在步骤S720将拍摄的第一图像旋转预定角度,并获得旋转后的图像。特别地,可以将第一图像旋转不同的角度,以获得多个旋转图像。作为示例,可以将第一图像分别旋转45°和90°,从而获得两个旋转图像。在第一图像与各个旋转图像中,具有缺陷的锯齿100所处的位置不同。本领技术人员易于理解的是,可以任意设计旋转角度,并且可以生成任意数量的旋转图像。
然后在步骤S730对拍摄的第一图像进行极坐标变换以获得变换后的第二图像,并且对旋转图像进行极坐标变换以获得变换后的第三图像。在如上所述获得两个旋转图像的情况下,通过步骤S730产生第二图像和两个第三图像。
图8示意性地示出了对第一图像进行变换后得到的第二图像I2、对旋转45°的图像进行变换后得到的第三图像I3A,以及对旋转90°的图像进行变换后得到的第三图像I3B。如图8所示,在每个变换图像中,有缺陷的锯齿100在直线排列中所处的位置不同。
然后在步骤S740利用卷积神经网络,分别基于所获得的第二图像和第三图像生成特征图,进而生成热力图。图8还示意性地示出了分别基于第二图像I2、第三图像I3A和第三图像I3B生成的热力图H2、H3A、H3B。如图8所示,在热力图H2、H3A、H3B中,白点在水平方向上的位置彼此不同。例如,在与原始拍摄图像对应的热力图H2中,白点较为接近图像的边缘,这可能导致不利于准确地判定缺陷锯齿所在的位置。为了避免这种情况,本实施例的方法对原始拍摄图像进行旋转,并且针对拍摄图像和多个旋转图像生成热力图。以此方式,得到了多个候选热力图H2、H3A、H3B,在这些候选图中能够选出最有利于确定缺陷位置的最佳热力图。最佳热力图是指白点基本位于图像中部、由此便于准确地确定缺陷锯齿位置的热力图。例如,相比于热力图H2和H3B,热力图H3A是更优的。
因此,如步骤S750所示,在获得的多个热力图中选择最佳热力图,并且在该最佳热力图中识别缺陷的存在(由白点指示)。
然后在步骤S760根据在热力图中识别的缺陷,在第一图像中确定实际产品上的缺陷部分。该处理与图2中的步骤S250-S260的处理相同,故不再赘述。
此外可选地,在图7所示的流程中,例如在步骤S720之前,可以进一步增加对第一图像进行预处理的步骤。也就是说,可以将图5中的步骤S520的处理结合到图7的方法中。
以下结合图9来描述根据本发明第二实施例的产品缺陷检测方法的流程。如图9所示,在步骤S910获取(例如拍摄)待检测产品的图像。作为示例,在本实施例中,产品可以是具有多个平坦表面的多面体形状,并且所拍摄的图像中包括产品的至少一个表面。
在步骤S920利用卷积神经网络,基于拍摄的图像生成特征图,进而通过可视化处理将特征图转换为热力图,这与第一实施例中的处理类似。
然后,在生成的热力图中识别缺陷的存在,如步骤S930所示,并且在步骤S940将热力图与拍摄的图像进行对照,从而在拍摄图像中确定实际产品表面上的缺陷的位置。例如,该缺陷可以是产品表面上的划痕、污损等等。由此实现了检测产品外观缺陷的效果。
此外可选地,在图9所示的流程中,例如在步骤S920之前,可以进一步增加对拍摄的图像进行预处理的步骤。也就是说,可以将图5中的步骤S520的处理结合到图9的方法中。
在上文中描述的方法可以由软件、硬件或者软件和硬件的组合来实现。包括在软件中的程序可以事先存储在设备的内部或外部所设置的存储介质中。作为一个示例,在执行期间,这些程序被写入随机存取存储器(RAM)并且由处理器(例如CPU)来执行,从而实现在本文中描述的各种处理。
图10示出了根据程序来执行本发明的方法的计算机硬件的示例性框图,该计算机硬件是根据本发明的在工业流水线上自动检测产品缺陷的装置的一个示例。
如图10所示,在计算机1000中,中央处理单元(CPU)1001、只读存储器(ROM)1002以及随机存取存储器(RAM)1003通过总线1004彼此连接。
输入/输出接口1005进一步与总线1004连接。输入/输出接口1005连接有以下组件:以键盘、鼠标、麦克风等形成的输入单元1006;以显示器、扬声器等形成的输出单元1007;以硬盘、非易失性存储器等形成的存储单元1008;以网络接口卡(诸如局域网(LAN)卡、调制解调器等)形成的通信单元1009;以及驱动移动介质1011的驱动器1010,该移动介质1011例如是磁盘、光盘、磁光盘或半导体存储器。
在具有上述结构的计算机中,CPU 1001将存储在存储单元1008中的程序经由输入/输出接口1005和总线1004加载到RAM 1003中,并且执行该程序,以便执行上文中描述的方法。
要由计算机(CPU 1001)执行的程序可以被记录在作为封装介质的移动介质1011上,该封装介质以例如磁盘(包括软盘)、光盘(包括压缩光盘-只读存储器(CD-ROM))、数字多功能光盘(DVD)等)、磁光盘、或半导体存储器来形成。此外,要由计算机(CPU 1001)执行的程序也可以经由诸如局域网、因特网、或数字卫星广播的有线或无线传输介质来提供。
当移动介质1011安装在驱动器1010中时,可以将程序经由输入/输出接口1005安装在存储单元1008中。另外,可以经由有线或无线传输介质由通信单元1009来接收程序,并且将程序安装在存储单元1008中。可替选地,可以将程序预先安装在ROM 1002或存储单元1008中。
由计算机执行的程序可以是根据本说明书中描述的顺序来执行处理的程序,或者可以是并行地执行处理或当需要时(诸如,当调用时)执行处理的程序。
本文中所描述的单元或装置仅是逻辑意义上的,并不严格对应于物理设备或实体。例如,本文所描述的每个单元的功能可能由多个物理实体来实现,或者,本文所描述的多个单元的功能可能由单个物理实体来实现。此外,在一个实施例中描述的特征、部件、元素、步骤等并不局限于该实施例,而是也可以应用于其它实施例,例如替代其它实施例中的特定特征、部件、元素、步骤等,或者与其相结合。此外,本发明的方法的执行并不限于结合附图所描述的顺序。在不影响技术效果的情况下,可以按照与附图所示顺序不同的顺序来执行本发明的方法。
本发明的范围不限于在本文中描述的具体实施例。本领域普通技术人员应该理解的是,取决于设计要求和其他因素,在不偏离本发明的原理和精神的情况下,可以对本文中的实施例进行各种修改或变化。本发明的范围由所附权利要求及其等同方案来限定。
附记:
(1).一种在工业流水线上自动检测产品缺陷的方法,包括:
获取待检测的产品的第一图像,所述第一图像包括所述产品的多个特征部;
对所述第一图像进行变换以获得第二图像,在所述第二图像中,所述多个特征部呈线性排列;
利用卷积神经网络基于所述第二图像获得特征图,并且将所述特征图转换为热力图;
从所述热力图中识别缺陷,并且在所述第二图像中所述多个特征部的线性排列中确定与所识别的缺陷对应的位置;以及
基于所述位置在所述第一图像中确定存在缺陷的特征部。
(2).根据(1)所述的方法,其中,通过对所述第一图像进行极坐标变换而获得所述第二图像。
(3).根据(1)所述的方法,还包括:
将所述第二图像逆变换为所述第一图像,其中,所述位置被映射至所述第一图像中的相应位置;
将所述第一图像中的所述相应位置处的特征部确定为存在缺陷的特征部。
(4).根据(1)所述的方法,还包括:
将所述第一图像旋转预定角度,以获得一个或多个经旋转的图像;
分别对所述一个或多个经旋转的图像进行所述变换,以获得一个或多个第三图像;
利用卷积神经网络分别针对所述第二图像和所述一个或多个第三图像获得热力图;
选择所获得的热力图中的一个,并且在所选择的热力图中识别缺陷。
(5).根据(1)所述的方法,还包括:在对所述第一图像进行变换之前,对所述第一图像进行预处理,所述预处理包括二值化、膨胀、连通域分析、边缘保留中的至少一个。
(6).根据(5)所述的方法,还包括:
通过执行连通域分析在所述第一图像中提取包含所述产品的区域;
对所述区域的图像进行所述变换以获得所述第二图像。
(7).根据(1)所述的方法,其中,所述第二图像中的所述多个特征部中的至少一些彼此相同并且以相同的间隔排列。
(8).根据(7)所述的方法,其中,所述第二图像中与所识别的缺陷对应的位置处的特征部与其它特征部不同,或者与其它特征部之间的间隔不同。
(9).一种在工业流水线上自动检测产品缺陷的方法,包括:
获取待检测的产品的图像,所述图像至少包括所述产品的一个表面;
利用卷积神经网络基于所述图像获得特征图,并且将所述特征图转换为热力图;
从所述热力图中识别缺陷,并且在所述图像中确定与所识别的缺陷对应的位置;
确定在所述位置处所述产品的所述一个表面存在缺陷。
(10).根据(9)所述的方法,还包括:
对所述图像进行预处理,所述预处理包括二值化、膨胀、连通域分析、边缘保留中的至少一个;
利用所述卷积神经网络基于经预处理的图像获得热力图。
(11).一种用于在工业流水线上自动检测产品缺陷的装置,包括:存储器,以及一个或多个处理器,所述处理器被配置为执行根据(1)-(8)所述的方法。
(12).一种用于在工业流水线上自动检测产品缺陷的装置,包括:存储器,以及一个或多个处理器,所述处理器被配置为执行根据(9)-(10)所述的方法。
(13).一种存储有程序的记录介质,所述程序在被计算机执行时,使得计算机实现根据(1)-(10)所述的方法。
Claims (10)
1.一种在工业流水线上自动检测产品缺陷的方法,包括:
获取待检测的产品的第一图像,所述第一图像包括所述产品的多个特征部;
对所述第一图像进行变换以获得第二图像,在所述第二图像中,所述多个特征部呈线性排列;
利用卷积神经网络基于所述第二图像获得特征图,并且将所述特征图转换为热力图;
从所述热力图中识别缺陷,并且在所述第二图像中所述多个特征部的线性排列中确定与所识别的缺陷对应的位置;以及
基于所述位置在所述第一图像中确定存在缺陷的特征部。
2.根据权利要求1所述的方法,其中,通过对所述第一图像进行极坐标变换而获得所述第二图像。
3.根据权利要求1所述的方法,还包括:
将所述第二图像逆变换为所述第一图像,其中,所述位置被映射至所述第一图像中的相应位置;
将所述第一图像中的所述相应位置处的特征部确定为存在缺陷的特征部。
4.根据权利要求1所述的方法,还包括:
将所述第一图像旋转预定角度,以获得一个或多个经旋转的图像;
分别对所述一个或多个经旋转的图像进行所述变换,以获得一个或多个第三图像;
利用卷积神经网络分别针对所述第二图像和所述一个或多个第三图像获得热力图;
选择所获得的热力图中的一个,并且在所选择的热力图中识别缺陷。
5.根据权利要求1所述的方法,还包括:在对所述第一图像进行变换之前,对所述第一图像进行预处理,所述预处理包括二值化、膨胀、连通域分析、边缘保留中的至少一个。
6.根据权利要求5所述的方法,还包括:
通过执行连通域分析在所述第一图像中提取包含所述产品的区域;
对所述区域的图像进行所述变换以获得所述第二图像。
7.根据权利要求1所述的方法,其中,所述第二图像中的所述多个特征部中的至少一些彼此相同并且以相同的间隔排列。
8.根据权利要求7所述的方法,其中,所述第二图像中与所识别的缺陷对应的位置处的特征部与其它特征部不同,或者与其它特征部之间的间隔不同。
9.一种在工业流水线上自动检测产品缺陷的方法,包括:
获取待检测的产品的图像,所述图像至少包括所述产品的一个表面;
利用卷积神经网络基于所述图像获得特征图,并且将所述特征图转换为热力图;
从所述热力图中识别缺陷,并且在所述图像中确定与所识别的缺陷对应的位置;
确定在所述位置处所述产品的所述一个表面存在缺陷。
10.根据权利要求9所述的方法,还包括:
对所述图像进行预处理,所述预处理包括二值化、膨胀、连通域分析、边缘保留中的至少一个;
利用所述卷积神经网络基于经预处理的图像获得热力图。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910629293.2A CN112288676A (zh) | 2019-07-12 | 2019-07-12 | 检测产品缺陷的方法和装置 |
JP2020089056A JP2021015596A (ja) | 2019-07-12 | 2020-05-21 | 製品欠陥の検出方法及び装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910629293.2A CN112288676A (zh) | 2019-07-12 | 2019-07-12 | 检测产品缺陷的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288676A true CN112288676A (zh) | 2021-01-29 |
Family
ID=74418577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910629293.2A Pending CN112288676A (zh) | 2019-07-12 | 2019-07-12 | 检测产品缺陷的方法和装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2021015596A (zh) |
CN (1) | CN112288676A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114235759A (zh) * | 2022-02-25 | 2022-03-25 | 季华实验室 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10142179A (ja) * | 1996-10-30 | 1998-05-29 | United Technol Corp <Utc> | 対象物内のきずの検出方法及び位置決め装置並びにディスプレイ |
US20090290783A1 (en) * | 2008-05-23 | 2009-11-26 | Kaoru Sakai | Defect Inspection Method and Apparatus Therefor |
CN106650662A (zh) * | 2016-12-21 | 2017-05-10 | 北京旷视科技有限公司 | 目标对象遮挡检测方法及装置 |
CN109064454A (zh) * | 2018-07-12 | 2018-12-21 | 上海蝶鱼智能科技有限公司 | 产品缺陷检测方法及*** |
CN109598721A (zh) * | 2018-12-10 | 2019-04-09 | 广州市易鸿智能装备有限公司 | 电池极片的缺陷检测方法、装置、检测设备和存储介质 |
CN109685023A (zh) * | 2018-12-27 | 2019-04-26 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像的面部关键点检测方法及相关装置 |
CN109767431A (zh) * | 2018-12-29 | 2019-05-17 | 北京领邦智能装备股份公司 | 零件外观缺陷检测方法、装置、设备及可读存储介质 |
-
2019
- 2019-07-12 CN CN201910629293.2A patent/CN112288676A/zh active Pending
-
2020
- 2020-05-21 JP JP2020089056A patent/JP2021015596A/ja not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10142179A (ja) * | 1996-10-30 | 1998-05-29 | United Technol Corp <Utc> | 対象物内のきずの検出方法及び位置決め装置並びにディスプレイ |
US20090290783A1 (en) * | 2008-05-23 | 2009-11-26 | Kaoru Sakai | Defect Inspection Method and Apparatus Therefor |
CN106650662A (zh) * | 2016-12-21 | 2017-05-10 | 北京旷视科技有限公司 | 目标对象遮挡检测方法及装置 |
CN109064454A (zh) * | 2018-07-12 | 2018-12-21 | 上海蝶鱼智能科技有限公司 | 产品缺陷检测方法及*** |
CN109598721A (zh) * | 2018-12-10 | 2019-04-09 | 广州市易鸿智能装备有限公司 | 电池极片的缺陷检测方法、装置、检测设备和存储介质 |
CN109685023A (zh) * | 2018-12-27 | 2019-04-26 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像的面部关键点检测方法及相关装置 |
CN109767431A (zh) * | 2018-12-29 | 2019-05-17 | 北京领邦智能装备股份公司 | 零件外观缺陷检测方法、装置、设备及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114235759A (zh) * | 2022-02-25 | 2022-03-25 | 季华实验室 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2021015596A (ja) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100361385B1 (ko) | 2차원코드인식방법 | |
TW201447775A (zh) | 資訊識別方法、設備和系統 | |
CN112183038A (zh) | 一种表格识别套打方法、计算机设备及计算机可读存储介质 | |
JPH11328408A (ja) | データ処理装置および方法、情報記憶媒体 | |
JP6039413B2 (ja) | 文字切り出し装置、文字認識装置、文字切り出し方法、およびプログラム | |
US20150287168A1 (en) | Duplicate check image resolution | |
JP6171167B2 (ja) | 文字認識装置、文字認識方法、及び文字認識プログラム | |
JP6599672B2 (ja) | 文字切り出し装置、文字認識装置、および文字切り出し方法 | |
JP2013235581A (ja) | 画像処理方法及び装置 | |
CN115294099A (zh) | 一种钢板轧制过程发纹缺陷的检测方法及*** | |
CN111444964A (zh) | 一种基于自适应roi划分的多目标快速图像匹配方法 | |
KR101377910B1 (ko) | 화상 처리 방법 및 화상 처리 장치 | |
JP5111055B2 (ja) | 画像処理装置及び画像処理方法、コンピュータプログラム | |
JP3756507B1 (ja) | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 | |
JP2009151759A (ja) | 画像処理方法及び画像処理装置 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
JP6106808B2 (ja) | 文書内バーコード配置特定 | |
CN112288676A (zh) | 检测产品缺陷的方法和装置 | |
JP2017521011A (ja) | シンボルの光学的検出方法 | |
JP4565396B2 (ja) | 画像処理装置および画像処理プログラム | |
WO2017058252A1 (en) | Detecting document objects | |
CN110992299B (zh) | 一种检测浏览器兼容性的方法及装置 | |
CN113592761A (zh) | 存储介质、走线检测装置、走线检测模型训练装置及方法 | |
JP5993100B2 (ja) | 画像処理装置および特定図形検出方法 | |
CN113538418A (zh) | 基于形态学分析的轮胎x射线图像缺陷提取模型构建方法 |
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 |