CN112669299B - 瑕疵检测方法及装置、计算机设备和存储介质 - Google Patents
瑕疵检测方法及装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112669299B CN112669299B CN202011639446.0A CN202011639446A CN112669299B CN 112669299 B CN112669299 B CN 112669299B CN 202011639446 A CN202011639446 A CN 202011639446A CN 112669299 B CN112669299 B CN 112669299B
- Authority
- CN
- China
- Prior art keywords
- picture
- feature
- target picture
- pictures
- target
- 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
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
一种瑕疵检测方法及装置、计算机设备和存储介质,其中,所述方法包括:获取目标图片;对目标图片进行特征识别,得到所述目标图片的特征信息;根据所述目标图片的特征信息,得到瑕疵检测结果;其中,所述对目标图片进行特征识别,得到所述目标图片的特征信息,包括:根据所述目标图片获取多张中间图片;对每一中间图片进行特征识别,得到每一中间图片的特征信息;对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数;结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息。通过该方法,能够在保证检测效果的同时,解决检测中断、信息丢失的问题。
Description
技术领域
本发明涉及计算机视觉技术领域,具体地涉及一种瑕疵检测方法及装置、计算机设备和存储介质。
背景技术
布匹瑕疵检测是纺织行业生产和质量管理的重要环节。目前主要采用人工检测来检测布匹表面的瑕疵,然而人工检测存在速度慢、劳动强度大、受主观因素影响、缺乏一致性等缺点。
随着机器学习技术的发展,这一技术也被应用到布匹的瑕疵检测中。传统的,检测布匹瑕疵的机器学习算法通常用来处理易提取、易量化的瑕疵特征,如颜色、面积、圆度、角度、长度等,其对于瑕疵检测的粒度较粗。传统地,对布料进行瑕疵检测的机器学习方法一般通过图像增强、分割、去噪等传统方配合神经网络提取布料的表面特征,筛选出包含特征(即瑕疵)的部分,以保证瑕疵检测的效果。
然而,由于对布匹进行图像采集得到的原始图片尺寸过大,一般会采用滑窗、切割的方法从原始图片中获取小图,再用小图进行训练和特征识别,并将这一方法称之为小图识别或小图分析方法。然而,小图识别方法可能导致原始图片中的特征识别被中断,造成信息丢失的现象。
类似地,在对其他物体(如金属、塑料,模具、机械零部件)进行瑕疵检测,也存在相似的问题。
由此,亟需一种瑕疵检测方法,在保证检测效果的同时,解决检测中断、信息丢失的问题。
发明内容
本发明解决的技术问题是如何在保证检测效果的同时,解决检测中断、信息丢失的问题。
为解决上述技术问题,本发明实施例提供一种瑕疵检测方法,所述方法包括:获取目标图片;对目标图片进行特征识别,得到所述目标图片的特征信息;根据所述目标图片的特征信息,得到瑕疵检测结果;其中,所述对目标图片进行特征识别,得到所述目标图片的特征信息,包括:根据所述目标图片获取多张中间图片;对每一中间图片进行特征识别,得到每一中间图片的特征信息;对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数;结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息。
可选的,所述结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息,包括:计算每一中间图片的特征信息和该中间图片的关联系数的乘积,并对所述目标图片的所有中间图片的乘积求和,所述和为所述目标图片的特征信息。
可选的,所述根据所述目标图片获取多张中间图片之后、所述对每一中间图片进行特征识别,得到每一中间图片的特征信息之前,所述方法还包括:将每一中间图片分别输入特征提取模型中,得到该中间图片不同特征维度的多个特征信息层,所述特征提取模型是根据样本图片中的特征提取进行分析得到的、用以提取输入的图片中的特征信息层的模型;对于每一中间图片,增加所述多个特征信息层的细节信息,得到该中间图片的一个或多个扩展层。
可选的,所述特征提取模型包括mobilenet_v3。
可选的,所述对每一中间图片进行特征识别,得到每一中间图片的特征信息,包括:获取每一中间图片的所述特征信息层和所述扩展层中的部分或全部输入特征识别网络,得到该中间图片的原始掩码特征。
可选的,所述对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数,包括:将每一中间图片的所述特征信息层和所述扩展层中的部分或全部输入系数网络,得到该中间图片的关联系数。
可选的,所述目标图片取自连续多帧图片,所述方法还包括:根据所述连续多帧图片中各帧图片之间的关系获取所述目标图片对应的场景系数;在所述目标图片的特征信息中标注所述场景系数。
本发明实施例还提供一种瑕疵检测装置,所述装置包括:目标图片获取模块,用于获取目标图片;第一特征识别模块,用于对目标图片进行特征识别,得到所述目标图片的特征信息;结果获取模块,用于根据所述目标图片的特征信息,得到瑕疵检测结果;其中,所述第一特征识别模块包括:中间图片获取单元,用于根据所述目标图片获取多张中间图片;第二特征识别单元,用于对每一中间图片进行特征识别,得到每一中间图片特征信息;关联分析单元,用于对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数;结果输出单元,用于结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息。
本发明实施例还提供一种计算机设备,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行所述方法的步骤。
本发明实施例还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时执行所述方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
本发明实施例提供了一种瑕疵检测方法,所述方法包括:获取目标图片;对目标图片进行特征识别,得到所述目标图片的特征信息;根据所述目标图片的特征信息,得到瑕疵检测结果;其中,所述对目标图片进行特征识别,得到所述目标图片的特征信息,包括:根据所述目标图片获取多张中间图片;对每一中间图片进行特征识别,得到每一中间图片包含的特征信息;对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数;结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息。较之现有技术,本发明实施例的方法中,将一目标图片拆分(或截取)为多张中间图片,对每张中间图片分别进行特征识别并得到瑕疵检测结果。由此,能够使用传统的小图分析技术,保证检测效果。在对各张中间图片进行特征识别时,计算其对应的关联系数,以反映各张中间图片之间的关联关系,以保留目标图片的全局信息,以解决小图分析技术中的检测中断、信息丢失的问题。
进一步地,由一训练好的特征识别模型执行所述方法,在训练特征识别模型时,把整张原图送入训练,并采取对图片再融合的思想,通过特征识别模型实现了对整图的特征识别预测,以减少了复杂的预处理过程,基于特征识别结果的分类和定位结果也更加准确。
进一步地,各个模型不需要直接对整张图进行计算,而是分了多个小图(即中间图片)进行计算,减少了计算量,提高效率,系数网络则学习了各个小图之间的关联信息以及各个小图在目标图片中所占的权值,保留了全局信息,以便后续融合。从而,考虑了目标图片的全局信息,不会出现切割方式导致的信息中断现象。
进一步,对于存在关联关系的多帧图片,能够考虑拍摄对象的全局特征,进而提高对拍摄对象进行瑕疵检测的效果。
附图说明
图1是本发明实施例的第一种瑕疵检测方法的流程示意图;
图2是本发明实施例的第二种瑕疵检测方法的流程示意图;
图3是本发明实施例的第三种瑕疵检测方法的流程示意图;
图4为布料的原图;
图5为通过局部分割融合技术对图4中布料进行瑕疵检测时的分割示意图;
图6为图5的检测效果图;
图7为通过本发明实施例对图4中布料进行瑕疵检测的效果图;
图8是本发明实施例的一种瑕疵检测装置的结构示意图。
具体实施方式
如背景技术所言,传统的瑕疵检测方法可能导致检测中断,信息丢失的现象。
为解决上述问题,本发明实施例提供一种瑕疵检测方法,包括:获取目标图片;对目标图片进行特征识别,得到所述目标图片的特征信息;根据所述目标图片的特征信息,得到瑕疵检测结果;其中,所述对目标图片进行特征识别,得到所述目标图片的特征信息,包括:根据所述目标图片获取多张中间图片;对每一中间图片进行特征识别,得到每一中间图片的特征信息;对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数;结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息。
通过该方法,能够在保证检测效果的同时,解决检测中断、信息丢失的问题。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
请参见图1,图1为本发明实施例的一种瑕疵检测方法的流程示意图,该瑕疵检测方法具体包括以下步骤:
步骤S101,获取目标图片;
步骤S102,对目标图片进行特征识别,得到所述目标图片的特征信息;
步骤S103,根据所述目标图片的特征信息,得到瑕疵检测结果。
其中,目标图片为要进行瑕疵检测的图片,可以为对物体进行拍摄得到的图片,如进行布匹瑕疵检测时,可以对要检测的布匹的表面进行拍摄得到目标图片。可选的,目标图片可以为真彩图片(也即,RGB图像)。
可通过卷积神经网络(Convolutional Neural Networks,CNN)深度学习的方法对每一中间图片进行图像处理,以获得目标图片上包含的特征信息。其中,特征是目标图片中可被识别的、符合特定识别规则的对象或者区域,特征信息用于表征特征的类别、位置等。作为一个非限制性的例子,在布料瑕疵识别中,特征为识别出的瑕疵。将目标图片的特征信息对应的瑕疵的类别和位置等信息作为瑕疵检测结果。
其中,特征信息可以包括特征的类别和位置等信息。特征类别根据对识别的特征进行分类得到,比如,是平坦的背景、背景上的小物体还是背景上大物体的边缘等,或者布料的瑕疵类别,如吊丝、花纹印错等等。特征的位置用于表示识别出类型信息的特征在目标图片中的位置。可基于每一中间图片建立坐标系,以识别出各个特征在坐标系中的坐标作为特征的位置。可选的,当目标图片为二维图片,以该图片的两条相邻的边缘线作为二维坐标系的两条坐标轴。若目标图片为三维图片,则可对应建立三维坐标系。
需要说明的是,本文的实施例以布料瑕疵检测为例进行说明,但本发明实施例的瑕疵检测方法包括但不限于布料瑕疵检测,还可以用于金属、塑料,模具、机械零部件等的瑕疵识别等瑕疵检测的相关方案中。
其中,步骤S102所述对目标图片进行特征识别,得到所述目标图片的特征信息,具体可以包括下述步骤S1021至S1024:
步骤S1021,根据所述目标图片获取多张中间图片;
为保证检测效果,可将每一目标图片拆分(或截取)为多张中间图片。在计算机技术领域中,图片通常以图像数据传输,所述目标图片的图像数据包含多张中间图片的图像数据。
可选的,每一目标图片包含的多张中间图片大小相等、尺寸固定。
可选的,记录各张中间图片与其对应的目标图片之间的位置关系。
可选的,可对目标图片进行预处理,如可切割掉图片边缘等,再将目标图片切割为多张中间图片。
步骤S1022,对每一中间图片进行特征识别,得到每一中间图片的特征信息。
每次对单张中间图片进行特征识别,特征识别以及得到的特征信息可以参见步骤S102的相关描述,这里不再赘述。
步骤S1023,对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数;
其中,关联度分析用于分析各张中间图片包含的特征之间的关联关系。可选的,可通过每一中间图片中包含的特征的轮廓、像素点等来获取各张中间图片是否关联,若关联,以关联系数表示二者之间的关联度。
可选的,关联系数还用于表示各张中间图片中特征在目标图片的特征中所占的权值。关联系数的取值大于等于零且小于等于1。
步骤S1024,结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息。
针对一目标图片,根据步骤S1022得到的该目标图片包含的各张中间图片的特征信息以及步骤S1023得到的该目标图片包含的各张中间图片的关联系数,得到该目标图片的特征信息,以作为对目标图片进行瑕疵检测的结果。
可选的,可根据各张中间图片的关联系数、以及各张中间图片与其对应的目标图片之间的位置关系对多张中间图片包含的特征进行拼接。
通过图1所述的方法,将一目标图片拆分(或截取)为多张中间图片,对每张中间图片分别进行特征识别并得到瑕疵检测结果,由此,能够使用传统的小图分析技术,保证检测效果。在对各张中间图片进行特征识别时,计算其对应的关联系数,以反映各张中间图片之间的关联关系,以保留目标图片的全局信息,以解决小图分析技术中的检测中断、信息丢失的问题。
在一个实施例中,将图1中的所述的方法由一训练好的特征识别模型执行。训练该特征识别模型的训练样本为收集或者利用程序生成的图片,其格式与目标图片的格式相同。所述特征识别模型通过与步骤S101相同的执行方案将训练样本的图片分为多张小图,并以多张小图为训练样本进行模型训练,使得该特征识别模型学习能够执行步骤S1022至步骤S1024的能力。
由此,在训练特征识别模型时,把整张原图送入训练,并采取对图片再融合的思想,通过特征识别模型实现了对整图的特征识别预测,以减少了复杂的预处理过程,基于特征识别结果的分类和定位结果也更加准确。
在一个实施例中,所述结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息,包括:计算每一中间图片的特征信息和该中间图片的关联系数的乘积,并对所述目标图片的所有中间图片的乘积求和,所述和为所述目标图片的特征信息。
将一目标图片的多张中间图片的特征信息和关联系数分别记作Character(i)和Coefficient(i),其中,i=1,2,…n,n为中间图片的数量。
可选的,每一目标图片包含四张尺寸相同的中间图片,该四张中间图片可以分别对应该目标图片的左上、左下、右上和右下区域,此时i=4。
在一个实施例中,请参见图1和图2,图1中步骤S1021所述根据所述目标图片获取多张中间图片之后、步骤S1022所述对每一中间图片进行特征识别,得到每一中间图片的特征信息之前,所述方法还包括以下步骤:
步骤S201,将每一中间图片分别输入特征提取模型中,得到该中间图片不同特征维度的多个特征信息层,所述特征提取模型是根据样本图片中的特征提取进行分析得到的、用以提取输入的图片中的特征信息层的模型;
具体地,特征提取模型是以样本图像中为训练样本、根据样本中的纹理分布特性,训练出用于获取输入的中间图片基于不同特征维度的特征信息层的模型。可选的,特征提取模型可以采用卷积神经网络模型,如MobileNet_v2、MobileNet_v3等,对每一中间图片通过多个不同卷积核进行卷积处理,得到每一中间图片对应的若干个特征信息层。
可选的,所述得到该中间图片不同特征维度的多个特征信息层之后,还可以包括:步骤S202,从得到的多个特征信息层中抽取部分特征信息层。
以MobileNet_v3网络为例,请参见图3,图3为本发明实施例的另一种瑕疵检测方法的流程示意图,每一目标图片包含四张中间图片,该四张中间图片可以分别对应该目标图片的左上(Top-left)、左下(Top-bottom)、右上(Right-left)和右下(Right-bottom)区域;每一中间图片经过MobileNet_v3网络可获取19层特征信息层,抽取第四层、第七层、第十三层特征信息层,并分别赋值给图3中C2、C3、C4,继续执行后续的步骤。
步骤S203,对于每一中间图片,增加所述多个特征信息层的细节信息,得到该中间图片的一个或多个扩展层。
具体地,在所述步骤S201得到该中间图片不同特征维度的多个特征信息层之后,或者,在步骤S202,从得到的多个特征信息层中抽取部分特征信息层之后,还可以包括:步骤S203,对于每一中间图片,增加所述多个特征信息层的细节信息,得到该中间图片的一个或多个扩展层。
可选的,可以采用上采样、两个或两个以上特征信息层融合、对特征信息层再卷积等方法增加多个特征信息层的细节信息。
在一个具体实施例中,请继续参见图3,在得到C2、C3、C4这些特征信息层之后,C4通过3×3卷积的过滤器得到特征信息层P4,P4通过上采样和C3进行特征融合得到特征信息层P3,P3通过上采样和C2融合得到特征信息层P2,将P4通过步长为2的3×3的卷积过滤器得到特征信息层P5,将P5通过步长为2的3×3的卷积过滤器得到特征信息层P6。此时,P2、P3、P4、P5和P6即为所述扩展层。由此,可结合多个特征信息层和扩展层进行特征识别。
可选的,请继续参见图1至图3,图1中步骤S1022所述对每一中间图片进行特征识别,得到每一中间图片的特征信息,可以包括图2中的步骤S204,获取每一中间图片的所述特征信息层和所述扩展层中的部分或全部输入特征识别网络,得到该中间图片的原始掩码特征。
其中,所述特征识别网络由多张样本图片的特征信息层作为训练样本、经由大数据训练得到。
可选的,特征识别网络用于对输入的特征信息层和扩展层进行特征融合,得到输入的特征信息层和扩展层对应的中间图片的掩膜图(Mask),记作该中间图片的初始掩膜图(initial mask),该初始掩膜图中包含该中间图片的原始掩码特征。可选的,可通过神经网络技术中的接触(concat)层实现对输入的特征信息层和扩展层进行特征融合。
请继续参见图3,将P2、P3、P4和C2四层输入特征识别网络,通过特征识别网络中的concat层对该四层进行特征融合,得到四张中间图片的初始掩膜图,分别记作左上初始掩膜图Top-left initial mask、左下初始掩膜图Top-bottom initial mask、右上初始掩膜图Right-left initial mask和右下初始掩膜图Right-bottom initial mask(如图中标示)。
在一个实施例中,图1的步骤S1023所述对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数,可以包括图3中的步骤S205,将每一中间图片的所述特征信息层和所述扩展层中的部分或全部输入系数网络,得到该中间图片的关联系数;
其中,所述系数网络由多张样本图片的特征信息层和/或扩展层作为训练样本、经大数据训练得到。具体地,可以通过多张样本图片的特征信息层和/或扩展层进行大数据训练,以使得系数网络学习获取中间图片对应的关联系数的能力。
请继续参见图3,将扩展层P3、P4、P5和P6输入系数网络(系数网络在图中以conv标示),得到四张中间图片对应的关联系数:Top-left Coefficient、Top-rightCoefficient、Bottom-left Coefficient和Bottom-right Coefficient。
可选的,图2所述的方法还可以包括:步骤S206,结合所述多张中间图片的原始掩码特征和关联系数,得到目标掩码特征。
可选的,对一目标图片的多张中间图片的初始掩膜图与各自关联系数的乘积求和,得到该目标图片的掩膜图(即图3中最后输出的Mask),该目标图片的掩膜图包含目标掩码特征。
通过图2和图3所述的方法,各个模型不需要直接对整张图进行计算,而是分了多个小图(即中间图片)进行计算,减少了计算量,提高效率,系数网络则学习了各个小图之间的关联信息以及各个小图在目标图片中所占的权值,保留了全局信息,以便后续融合。从而,考虑了目标图片的全局信息,不会出现切割方式导致的信息中断现象。
请参见图4至图7,在对布料进行瑕疵检测时,图4为一具体检测的布料原图。图5为通过局部分割融合技术对图4中布料进行瑕疵检测时的分割示意图,即将图4的布料分割为4个小图(对应图中的501、502、503和504)进行检测。图6为图5的检测效果图,虚线区域601为检测得到的瑕疵区域。图7为通过本发明实施例对图4中布料进行瑕疵检测的效果图,虚线区域701为检测得到的瑕疵区域。对比图6和图7的检测效果,可以看出,传统的局部分割融合技术由于丢失全局信息,无法识别出图7中底部的瑕疵。
在布料瑕疵类别上,吊丝和横路一起出现时被叫做断头
图6中传统方法的检测结果把瑕疵识别为吊丝(601区域),横路(602区域),且瑕疵类别也检测混乱,横路瑕疵检测范围也不完整。在图7所示的检测结果,吊丝(701区域)和横路(702区域)检测断开,而图7中横路瑕疵检测范围较为完整。
在一个实施例中,所述目标图片取自连续多帧图片,所述方法还包括:根据所述连续多帧图片中各帧图片之间的关系获取所述目标图片对应的场景系数;在所述目标图片的特征信息中标注所述场景系数。
在实际的图片采集过程中,通过会连续采集多张图片作为目标图片,例如在对布匹进行瑕疵检测时,需要多一匹长布进行连续拍摄以获取该匹步各区域的图片,将这些图片组合起来才能获取该匹布的总体图片。
其中,所述场景系数用于表示每一目标图片与连续采集的目标图片之间的关联关系。其表示方式和获取方式可参照上述关联系数。
可选的,可通过监控图片采集设备的拍摄间隔以及拍摄对象的特征等、提取每一目标图片的场景系数。
通过该实施例,对于存在关联关系的多帧图片,能够考虑拍摄对象的全局特征,进而提高对拍摄对象进行瑕疵检测的效果。
请参见图8,本发明实施例还提供一种瑕疵检测装置80,所述瑕疵检测装置80可以包括:
目标图片获取模块801,用于获取目标图片;
第一特征识别模块802,用于对目标图片进行特征识别,得到所述目标图片的特征信息;
结果获取模块803,用于根据所述目标图片的特征信息,得到瑕疵检测结果;
其中,所述第一特征识别模块802包括:
中间图片获取单元8021,用于根据所述目标图片获取多张中间图片;
第二特征识别单元8022,用于对每一中间图片进行特征识别,得到每一中间图片的特征信息;
关联分析单元8023,用于对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数;
结果输出单元8024,用于结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息。
在一个实施例中,所述结果输出单元8024还用于计算每一中间图片的特征信息和该中间图片的关联系数的乘积,并对所述目标图片的所有中间图片的乘积求和,所述和为所述目标图片的特征信息。
在一个实施例中,所述瑕疵检测装置80还可以包括:
特征提取模型分析模块,用于将每一中间图片分别输入特征提取模型中,得到该中间图片不同特征维度的多个特征信息层,所述特征提取模型是根据样本图片中的特征提取进行分析得到的、用以提取输入的图片中的特征信息层的模型;
扩展层获取模块,用于对于每一中间图片,增加所述多个特征信息层的细节信息,得到该中间图片的一个或多个扩展层。
可选的,所述特征提取模型包括mobilenet_v3。
在一个实施例中,所述第一特征识别模块802还可以用于获取每一中间图片的所述特征信息层和所述扩展层中的部分或全部输入特征识别网络,得到该中间图片的原始掩码特征。
在一个实施例中,所述关联分析单元8023,还可以用于将每一中间图片的所述特征信息层和所述扩展层中的部分或全部输入系数网络,得到该中间图片的关联系数。
在一个实施例中,所述目标图片取自连续多帧图片,所述瑕疵检测装置80还包括:
场景系数获取模块,用于根据所述连续多帧图片中各帧图片之间的关系获取所述目标图片对应的场景系数;
场景系数标注模块,用于在所述目标图片的特征信息中标注所述场景系数。
关于上述瑕疵检测装置80的工作原理、工作方式的更多内容,可以参照上述图1至图7中瑕疵检测方法的相关描述,这里不再赘述。
进一步地,本发明实施例还公开一种计算机设备,包括存储器和处理器,存储器上存储有能够在处理器上运行的计算机程序,处理器运行计算机程序时执行上述图1至图7所示实施例中的瑕疵检测方法的技术方案。
进一步地,本发明实施例还公开一种存储介质,其上存储有计算机程序,计算机程序被处理器运行时执行上述图1至图7所示实施例中的瑕疵检测方法的技术方案。优选地,存储介质可以包括诸如非挥发性(non-volatile)存储器或者非瞬态(non-transitory)存储器等计算机可读存储介质。存储介质可以包括ROM、RAM、磁盘或光盘等。
具体地,在本发明实施例中,所述处理器可以为中央处理单元(centralprocessing unit,简称CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor,简称DSP)、专用集成电路(application specificintegrated circuit,简称ASIC)、现成可编程门阵列(field programmable gate array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,简称ROM)、可编程只读存储器(programmable ROM,简称PROM)、可擦除可编程只读存储器(erasable PROM,简称EPROM)、电可擦除可编程只读存储器(electricallyEPROM,简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(random accessmemory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random access memory,简称RAM)可用,例如静态随机存取存储器(staticRAM,简称SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronousDRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,简称DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,简称ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,简称SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,简称DR RAM)。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,表示前后关联对象是一种“或”的关系。
本申请实施例中出现的“多个”是指两个或两个以上。
本申请实施例中出现的第一、第二等描述,仅作示意与区分描述对象之用,没有次序之分,也不表示本申请实施例中对设备个数的特别限定,不能构成对本申请实施例的任何限制。
本申请实施例中出现的“连接”是指直接连接或者间接连接等各种连接方式,以实现设备间的通信,本申请实施例对此不做任何限定。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种瑕疵检测方法,其特征在于,所述方法包括:
获取目标图片;
对目标图片进行特征识别,得到所述目标图片的特征信息;
根据所述目标图片的特征信息,得到瑕疵检测结果;
其中,所述对目标图片进行特征识别,得到所述目标图片的特征信息,包括:
根据所述目标图片获取多张中间图片;
对每一中间图片进行特征识别,得到每一中间图片的特征信息;
对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数;
结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息。
2.根据权利要求1所述的方法,其特征在于,所述结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息,包括:
计算每一中间图片的特征信息和该中间图片的关联系数的乘积,并对所述目标图片的所有中间图片的乘积求和,所述和为所述目标图片的特征信息。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述目标图片获取多张中间图片之后、所述对每一中间图片进行特征识别,得到每一中间图片的特征信息之前,所述方法还包括:
将每一中间图片分别输入特征提取模型中,得到该中间图片不同特征维度的多个特征信息层,所述特征提取模型是根据样本图片中的特征提取进行分析得到的、用以提取输入的图片中的特征信息层的模型;
对于每一中间图片,增加所述多个特征信息层的细节信息,得到该中间图片的一个或多个扩展层。
4.根据权利要求3所述的方法,其特征在于,所述特征提取模型包括mobilenet_v3。
5.根据权利要求3所述的方法,其特征在于,所述对每一中间图片进行特征识别,得到每一中间图片的特征信息,包括:
获取每一中间图片的所述特征信息层和所述扩展层中的部分或全部输入特征识别网络,得到该中间图片的原始掩码特征。
6.根据权利要求3所述的方法,其特征在于,所述对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数,包括:
将每一中间图片的所述特征信息层和所述扩展层中的部分或全部输入系数网络,得到该中间图片的关联系数。
7.根据权利要求1所述的方法,其特征在于,所述目标图片取自连续多帧图片,所述方法还包括:
根据所述连续多帧图片中各帧图片之间的关系获取所述目标图片对应的场景系数;所述场景系数用于表示每一目标图片与连续采集的目标图片之间的关联关系;
在所述目标图片的特征信息中标注所述场景系数。
8.一种瑕疵检测装置,其特征在于,所述装置包括:
目标图片获取模块,用于获取目标图片;
第一特征识别模块,用于对目标图片进行特征识别,得到所述目标图片的特征信息;
结果获取模块,用于根据所述目标图片的特征信息,得到瑕疵检测结果;
其中,所述第一特征识别模块包括:
中间图片获取单元,用于根据所述目标图片获取多张中间图片;
第二特征识别单元,用于对每一中间图片进行特征识别,得到每一中间图片特征信息;
关联分析单元,用于对每一中间图片进行关联度分析,得到该中间图片与所述目标图片的其他中间图片之间的关联系数;
结果输出单元,用于结合所述多张中间图片的特征信息和关联系数,得到所述目标图片的特征信息。
9.一种计算机设备,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行权利要求1至7任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639446.0A CN112669299B (zh) | 2020-12-31 | 2020-12-31 | 瑕疵检测方法及装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639446.0A CN112669299B (zh) | 2020-12-31 | 2020-12-31 | 瑕疵检测方法及装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669299A CN112669299A (zh) | 2021-04-16 |
CN112669299B true CN112669299B (zh) | 2023-04-07 |
Family
ID=75413851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011639446.0A Active CN112669299B (zh) | 2020-12-31 | 2020-12-31 | 瑕疵检测方法及装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669299B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767443A (zh) * | 2019-01-17 | 2019-05-17 | 深圳码隆科技有限公司 | 一种布料瑕疵数据收集方法及装置 |
CN110243937A (zh) * | 2019-06-17 | 2019-09-17 | 江南大学 | 一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法 |
CN110533046A (zh) * | 2019-08-30 | 2019-12-03 | 北京地平线机器人技术研发有限公司 | 一种图像实例分割方法和装置 |
CN110889437A (zh) * | 2019-11-06 | 2020-03-17 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN111199193A (zh) * | 2019-12-23 | 2020-05-26 | 平安国际智慧城市科技股份有限公司 | 基于数字切片的图片分类方法、装置和计算机设备 |
CN111310758A (zh) * | 2020-02-13 | 2020-06-19 | 上海眼控科技股份有限公司 | 文本检测方法、装置、计算机设备和存储介质 |
CN111444907A (zh) * | 2020-03-24 | 2020-07-24 | 上海东普信息科技有限公司 | 文字识别的方法、装置、设备及存储介质 |
CN111475680A (zh) * | 2020-03-27 | 2020-07-31 | 深圳壹账通智能科技有限公司 | 检测异常高密子图的方法、装置、设备及存储介质 |
CN111598827A (zh) * | 2019-02-19 | 2020-08-28 | 富泰华精密电子(郑州)有限公司 | 外观瑕疵检测方法、电子装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9185270B2 (en) * | 2014-02-28 | 2015-11-10 | Konia Minolta Laboratory U.S.A., Inc. | Ghost artifact detection and removal in HDR image creation using graph based selection of local reference |
-
2020
- 2020-12-31 CN CN202011639446.0A patent/CN112669299B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767443A (zh) * | 2019-01-17 | 2019-05-17 | 深圳码隆科技有限公司 | 一种布料瑕疵数据收集方法及装置 |
CN111598827A (zh) * | 2019-02-19 | 2020-08-28 | 富泰华精密电子(郑州)有限公司 | 外观瑕疵检测方法、电子装置及存储介质 |
CN110243937A (zh) * | 2019-06-17 | 2019-09-17 | 江南大学 | 一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法 |
CN110533046A (zh) * | 2019-08-30 | 2019-12-03 | 北京地平线机器人技术研发有限公司 | 一种图像实例分割方法和装置 |
CN110889437A (zh) * | 2019-11-06 | 2020-03-17 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN111199193A (zh) * | 2019-12-23 | 2020-05-26 | 平安国际智慧城市科技股份有限公司 | 基于数字切片的图片分类方法、装置和计算机设备 |
CN111310758A (zh) * | 2020-02-13 | 2020-06-19 | 上海眼控科技股份有限公司 | 文本检测方法、装置、计算机设备和存储介质 |
CN111444907A (zh) * | 2020-03-24 | 2020-07-24 | 上海东普信息科技有限公司 | 文字识别的方法、装置、设备及存储介质 |
CN111475680A (zh) * | 2020-03-27 | 2020-07-31 | 深圳壹账通智能科技有限公司 | 检测异常高密子图的方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
"PCB瑕疵识别算法研究";王南杰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111215(第S2期);全文 * |
一种基于加权图模型的手指静脉识别方法;叶子云等;《山东大学学报(工学版)》;20180519(第03期);全文 * |
基于深度可分离卷积的交通标志识别算法;杨晋生等;《液晶与显示》;20191215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112669299A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209952B (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
JP6660313B2 (ja) | 画像解析を用いた核のエッジの検出 | |
Liang et al. | An efficient forgery detection algorithm for object removal by exemplar-based image inpainting | |
CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN108446694B (zh) | 一种目标检测方法及装置 | |
CN113781402A (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN109671058B (zh) | 一种大分辨率图像的缺陷检测方法及*** | |
AU2020272936B2 (en) | Methods and systems for crack detection using a fully convolutional network | |
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 | |
WO2021057395A1 (zh) | 一种鞋跟型号识别方法、装置及存储介质 | |
Zhao et al. | Automatic blur region segmentation approach using image matting | |
CN112819796A (zh) | 烟丝异物识别方法及设备 | |
CN110782385A (zh) | 一种基于深度学习的图像水印的去除方法 | |
US20200234457A1 (en) | Image processing apparatus and method | |
CN104637060B (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN112669300A (zh) | 瑕疵检测方法及装置、计算机设备和存储介质 | |
CN112991159A (zh) | 人脸光照质量评估方法、***、服务器与计算机可读介质 | |
CN112669299B (zh) | 瑕疵检测方法及装置、计算机设备和存储介质 | |
CN117333440A (zh) | 输配电线路缺陷检测方法、装置、设备、介质和程序产品 | |
Cheng et al. | Power pole detection based on graph cut | |
CN116824624A (zh) | 一种奶牛身份识别方法、***、设备及存储介质 | |
RU2542876C2 (ru) | Устройство выделения высокодетализированных объектов на изображении сцены | |
CN115424181A (zh) | 目标对象的检测方法和装置 | |
CN111681229B (zh) | 深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置 |
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 |