CN114092474A - 一种手机外壳复杂纹理背景的加工缺陷检测方法及*** - Google Patents
一种手机外壳复杂纹理背景的加工缺陷检测方法及*** Download PDFInfo
- Publication number
- CN114092474A CN114092474A CN202210060678.3A CN202210060678A CN114092474A CN 114092474 A CN114092474 A CN 114092474A CN 202210060678 A CN202210060678 A CN 202210060678A CN 114092474 A CN114092474 A CN 114092474A
- Authority
- CN
- China
- Prior art keywords
- mobile phone
- phone shell
- defect
- defect detection
- image information
- 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 320
- 238000012545 processing Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000011156 evaluation Methods 0.000 claims description 52
- 230000004927 fusion Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 13
- 230000008014 freezing Effects 0.000 claims description 12
- 238000007710 freezing Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012958 reprocessing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 38
- 238000012937 correction Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003672 processing 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种手机外壳复杂纹理背景的加工缺陷检测方法及***,涉及缺陷检测领域,包括:获取手机外壳图像信息,根据预处理后的手机外壳图像信息构建手机外壳三维模型;基于生成对抗网络及特征金字塔模块建立缺陷检测模型,对所述缺陷检测模型进行初始化训练,将预处理后的手机外壳图像信息导入缺陷检测模型;根据所述缺陷检测模型进行手机外壳图像信息中缺陷与背景的分类,根据分类结果提取手机外壳图像信息中的缺陷区域;通过所述缺陷区域获取缺陷位置信息,将缺陷位置信息在所述手机外壳三维模型中进行可视化标注,按照预设方式进行显示。本发明通过缺陷检测模型对手机外壳表面质量进行检测,实现了检测的高精度化与高智能化。
Description
技术领域
本发明涉及缺陷检测技术领域,更具体的,涉及一种手机外壳复杂纹理背景的加工缺陷检测方法及***。
背景技术
在移动互联网的高速发展下,智能手机逐渐走进人们的视野和生活,手机产品的消费需求的不断扩大,同时消费者对手机产品的外观提出了要求,而手机外壳的颜色及纹理复杂化对质量检验的精细化程度及效率提出了苛刻的要求,针对手机外壳表面纹理的复杂、缺陷多样和缺陷细小难以检测的特点,目前通过人工对手机外壳表面质量进行检测的方式有着低效与标准不一的问题,不符合高精度与高智能化的生产需求。而基于神经网络的图像处理方法在检测精度方面大幅超越了传统方法,在手机外壳的缺陷检测中表现出较强的鲁棒性。
为了能够对具备复杂纹理背景的手机外壳进行缺陷检测,需要开发一款***与之进行匹配,该***通过获取手机外壳图像信息,构建手机外壳三维模型,基于特征金字塔模块建立缺陷检测模型,将预处理后的图像信息导入缺陷检测模型;根据所述缺陷检测模型提取全局激活特征图,根据所述全局激活特征图提取局部特征,通过所述特征生成手机外壳图像信息中的感兴趣区域;通过感兴趣区域获取缺陷位置信息,在手机外壳三维模型中进行可视化标注。在该***的实现过程中,如何通过建立缺陷检测模型识别手机外壳复杂纹理中的缺陷是亟不可待需要解决的问题。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种手机外壳复杂纹理背景的加工缺陷检测方法及***。
本发明第一方面提供了一种手机外壳复杂纹理背景的加工缺陷检测方法,包括:
获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型;
基于生成对抗网络及特征金字塔模块建立缺陷检测模型,对所述缺陷检测模型进行初始化训练,将预处理后的手机外壳图像信息导入缺陷检测模型;
根据所述缺陷检测模型进行手机外壳图像信息中缺陷与背景的分类,根据分类结果提取手机外壳图像信息中的缺陷区域;
通过所述缺陷区域获取缺陷位置信息,将缺陷位置信息在所述手机外壳三维模型中进行可视化标注,按照预设方式进行显示。
本方案中,所述的获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型,具体为:
获取多角度手机外壳图像信息,将所述手机外壳图像信息进行去噪及图像增强处理,提取手机外壳图像信息的特征点,通过特征点匹配获取稀疏特征点;
根据所述特征点的坐标信息获取稀疏特征点的坐标信息,生成手机外壳的稀疏三维点云数据;
根据所述稀疏特征点进行稠密匹配获取得到密集三维点云数据,通过所述密集三维点云数据进行曲面重建;
根据手机外壳的颜色纹理特征进行贴图生成手机外壳三维模型。
本方案中,所述的基于生成对抗网络及特征金字塔模块建立缺陷检测模型,具体为:
构建基于辅助分类器优化的生成对抗网络结构及特征金字塔模块生成缺陷检测模型;
基于预获取的若干手机外壳缺陷图像信息生成训练数据集及验证数据集,运用所述训练数据集对所述缺陷检测模型进行初始化训练;
将生成对抗网络生成器的网络权重参数进行冻结,进行判别器的训练,然后将生成对抗网络判别器的网络权重参数进行冻结,进行生成器的训练;
交替训练后,使得所述生成对抗网络的损失函数的值达到预设阈值范围内,得到训练好的缺陷检测模型;
通过训练好的缺陷检测模型进行缺陷检测生成缺陷识别结果,根据所述缺陷识别结果进行精确性检验,计算所述缺陷识别结果与验证数据集中样本数据的偏差率;
判断所述偏差率是否小于预设偏差率阈值,若小于,则证明所述缺陷检测的精度符合预设标准,输出缺陷检测模型。
本方案中,所述的基于辅助分类器优化的生成对抗网络结构中引入辅助分类器,具体为:
从手机外壳三维模型中生成复杂纹理背景图像导入所述生成对抗网络中的生成器,同时将手机外壳缺陷图像信息、复杂纹理背景图像进行贴合生成贴合图像;根据贴合图像的语义分割标签区分复杂纹理背景图像与贴合图像的类别信息;设置背景调节参数调节损失函数计算中复杂纹理背景图像与贴合图像的动态平衡;当引入辅助分类器的生成对抗网络训练时,判别器的损失函数为训练数据损失函数与类别信息损失函数相加,生成器的损失函数为类别信息损失函数与训练数据损失函数相减。
本方案中,所述特征金字塔模块,具体为:
所述生成对抗网络的判别器包括特征金字塔模块和与其级联的SoftMax分类器,将所述训练数据集输入特征金字塔模块,所述特征金字塔模块共分为五层,第一层无输出,第二层到第五层分别输出不同维度的特征图;
将特征金字塔模块第二层到第五层输出的不同维度特征图分别经过最大池化层进行维度一致处理,生成第一图像特征;
将所述特征金字塔模块第五层输出特征图通过降维卷积层进行降维,生成第二图像特征;
将所述第一图像特征与所述第二图像特征进行同一维度下的特征点求和,将求和后的图像特征进行卷积融合,得到融合特征,将不同层的融合特征进行特征拼接,得到最终融合特征;
将所述最终融合特征与SoftMax分类器相连,进行手机外壳图像信息的分类。
本方案中,还包括:
构建手机外壳缺陷的评价指标体系,根据所述评价指标体系提取缺陷评价指标;
根据手机外壳图像信息中缺陷特征确定缺陷评价指标的指标得分信息,并根据层次分析法计算所述评价指标的权重信息;
根据所述指标得分信息及所述权重信息得到含有缺陷的手机外壳的评估得分,判断所述评估得分是否处于预设评估得分阈值范围内;
若处于预设评估得分阈值范围,则将该手机外壳进行再加工标记,进行二次加工处理,若不处于预设评估得分阈值范围,则将该手机外壳进行不合格标记。
本发明第二方面还提供了一种手机外壳复杂纹理背景的加工缺陷检测***,该***包括:存储器、处理器,所述存储器中包括一种手机外壳复杂纹理背景的加工缺陷检测方法程序,所述一种手机外壳复杂纹理背景的加工缺陷检测方法程序被所述处理器执行时实现如下步骤:
获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型;
基于生成对抗网络及特征金字塔模块建立缺陷检测模型,对所述缺陷检测模型进行初始化训练,将预处理后的手机外壳图像信息导入缺陷检测模型;
根据所述缺陷检测模型进行手机外壳图像信息中缺陷与背景的分类,根据分类结果提取手机外壳图像信息中的缺陷区域;
通过所述缺陷区域获取缺陷位置信息,将缺陷位置信息在所述手机外壳三维模型中进行可视化标注,按照预设方式进行显示。
本方案中,所述的获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型,具体为:
获取多角度手机外壳图像信息,将所述手机外壳图像信息进行去噪及图像增强处理,提取手机外壳图像信息的特征点,通过特征点匹配获取稀疏特征点;
根据所述特征点的坐标信息获取稀疏特征点的坐标信息,生成手机外壳的稀疏三维点云数据;
根据所述稀疏特征点进行稠密匹配获取得到密集三维点云数据,通过所述密集三维点云数据进行曲面重建;
根据手机外壳的颜色纹理特征进行贴图生成手机外壳三维模型。
本方案中,所述的基于生成对抗网络及特征金字塔模块建立缺陷检测模型,具体为:
构建基于辅助分类器优化的生成对抗网络结构及特征金字塔模块生成缺陷检测模型;
基于预获取的若干手机外壳缺陷图像信息生成训练数据集及验证数据集,运用所述训练数据集对所述缺陷检测模型进行初始化训练;
将生成对抗网络生成器的网络权重参数进行冻结,进行判别器的训练,然后将生成对抗网络判别器的网络权重参数进行冻结,进行生成器的训练;
交替训练后,使得所述生成对抗网络的损失函数的值达到预设阈值范围内,得到训练好的缺陷检测模型;
通过训练好的缺陷检测模型进行缺陷检测生成缺陷识别结果,根据所述缺陷识别结果进行精确性检验,计算所述缺陷识别结果与验证数据集中样本数据的偏差率;
判断所述偏差率是否小于预设偏差率阈值,若小于,则证明所述缺陷检测的精度符合预设标准,输出缺陷检测模型。
本方案中,所述的基于辅助分类器优化的生成对抗网络结构中引入辅助分类器,具体为:
从手机外壳三维模型中生成复杂纹理背景图像导入所述生成对抗网络中的生成器,同时将手机外壳缺陷图像信息、复杂纹理背景图像进行贴合生成贴合图像;根据贴合图像的语义分割标签区分复杂纹理背景图像与贴合图像的类别信息;设置背景调节参数调节损失函数计算中复杂纹理背景图像与贴合图像的动态平衡;当引入辅助分类器的生成对抗网络训练时,判别器的损失函数为训练数据损失函数与类别信息损失函数相加,生成器的损失函数为类别信息损失函数与训练数据损失函数相减。
本方案中,所述特征金字塔模块,具体为:
所述生成对抗网络的判别器包括特征金字塔模块和与其级联的SoftMax分类器,将所述训练数据集输入特征金字塔模块,所述特征金字塔模块共分为五层,第一层无输出,第二层到第五层分别输出不同维度的特征图;
将特征金字塔模块第二层到第五层输出的不同维度特征图分别经过最大池化层进行维度一致处理,生成第一图像特征;
将所述特征金字塔模块第五层输出特征图通过降维卷积层进行降维,生成第二图像特征;
将所述第一图像特征与所述第二图像特征进行同一维度下的特征点求和,将求和后的图像特征进行卷积融合,得到融合特征,将不同层的融合特征进行特征拼接,得到最终融合特征;
将所述最终融合特征与SoftMax分类器相连,进行手机外壳图像信息的分类。
本方案中,还包括:
构建手机外壳缺陷的评价指标体系,根据所述评价指标体系提取缺陷评价指标;
根据手机外壳图像信息中缺陷特征确定缺陷评价指标的指标得分信息,并根据层次分析法计算所述评价指标的权重信息;
根据所述指标得分信息及所述权重信息得到含有缺陷的手机外壳的评估得分,判断所述评估得分是否处于预设评估得分阈值范围内;
若处于预设评估得分阈值范围,则将该手机外壳进行再加工标记,进行二次加工处理,若不处于预设评估得分阈值范围,则将该手机外壳进行不合格标记。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种手机外壳复杂纹理背景的加工缺陷检测方法程序,所述一种手机外壳复杂纹理背景的加工缺陷检测方法程序被处理器执行时,实现如上述任一项所述的一种手机外壳复杂纹理背景的加工缺陷检测方法的步骤。
本发明公开了一种手机外壳复杂纹理背景的加工缺陷检测方法及***,涉及缺陷检测领域,包括:获取手机外壳图像信息,根据预处理后的手机外壳图像信息构建手机外壳三维模型;基于生成对抗网络及特征金字塔模块建立缺陷检测模型,对所述缺陷检测模型进行初始化训练,将预处理后的手机外壳图像信息导入缺陷检测模型;根据所述缺陷检测模型进行手机外壳图像信息中缺陷与背景的分类,根据分类结果提取手机外壳图像信息中的缺陷区域;通过所述缺陷区域获取缺陷位置信息,将缺陷位置信息在所述手机外壳三维模型中进行可视化标注,按照预设方式进行显示。本发明通过缺陷检测模型对手机外壳表面质量进行检测,实现了检测的高精度与高智能化。
附图说明
图1示出了本发明一种手机外壳复杂纹理背景的加工缺陷检测方法的流程图。
图2示出了本发明一种手机外壳复杂纹理背景的加工缺陷检测***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种手机外壳复杂纹理背景的加工缺陷检测方法的流程图。
如图1所示,本发明第一方面提供了一种手机外壳复杂纹理背景的加工缺陷检测方法,包括:
S102,获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型;
S104,基于生成对抗网络及特征金字塔模块建立缺陷检测模型,对所述缺陷检测模型进行初始化训练,将预处理后的手机外壳图像信息导入缺陷检测模型;
S106,根据所述缺陷检测模型进行手机外壳图像信息中缺陷与背景的分类,根据分类结果提取手机外壳图像信息中的缺陷区域;
S108,通过所述缺陷区域获取缺陷位置信息,将缺陷位置信息在所述手机外壳三维模型中进行可视化标注,按照预设方式进行显示。
需要说明的是,所述的获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型,具体为:
获取多角度手机外壳图像信息,将所述手机外壳图像信息进行去噪及图像增强处理,提取手机外壳图像信息的特征点,通过特征点匹配获取稀疏特征点;
根据所述特征点的坐标信息获取稀疏特征点的坐标信息,生成手机外壳的稀疏三维点云数据;
根据所述稀疏特征点进行稠密匹配获取得到密集三维点云数据,通过所述密集三维点云数据进行曲面重建;
根据手机外壳的颜色纹理特征进行贴图生成手机外壳三维模型。
需要说明的是,所述的基于生成对抗网络及特征金字塔模块建立缺陷检测模型,具体为:
构建基于辅助分类器优化的生成对抗网络结构及特征金字塔模块生成缺陷检测模型;
基于预获取的若干手机外壳缺陷图像信息生成训练数据集及验证数据集,运用所述训练数据集对所述缺陷检测模型进行初始化训练;
将生成对抗网络生成器的网络权重参数进行冻结,进行判别器的训练,然后将生成对抗网络判别器的网络权重参数进行冻结,进行生成器的训练;
交替训练后,使得所述生成对抗网络的损失函数的值达到预设阈值范围内,得到训练好的缺陷检测模型;
通过训练好的缺陷检测模型进行缺陷检测生成缺陷识别结果,根据所述缺陷识别结果进行精确性检验,计算所述缺陷识别结果与验证数据集中样本数据的偏差率;
判断所述偏差率是否小于预设偏差率阈值,若小于,则证明所述缺陷检测的精度符合预设标准,输出缺陷检测模型。
需要说明的是,所述的基于辅助分类器优化的生成对抗网络结构中引入辅助分类器,具体为:
从手机外壳三维模型中生成复杂纹理背景图像导入所述生成对抗网络中的生成器,同时将手机外壳缺陷图像信息、复杂纹理背景图像进行贴合生成贴合图像;根据贴合图像的语义分割标签区分复杂纹理背景图像与贴合图像的类别信息;设置背景调节参数调节损失函数计算中复杂纹理背景图像与贴合图像的动态平衡;当引入辅助分类器的生成对抗网络训练时,判别器的损失函数为训练数据损失函数与类别信息损失函数相加,生成器的损失函数为类别信息损失函数与训练数据损失函数相减。
其中,表示训练数据损失函数,m表示训练数据,表示类别信息损失函数,n表示类别信息,表示数据分布,表示背景调节参数,表示分布函数的期望值,表示手机外壳缺陷图像数据,表示复杂纹理背景图像,表示贴合图像数据,表示真实样本数据,表示虚假样本数据。
需要说明的是,所述特征金字塔模块,具体为:
所述生成对抗网络的判别器包括特征金字塔模块和与其级联的SoftMax分类器,将所述训练数据集输入特征金字塔模块,所述特征金字塔模块共分为五层,第一层无输出,第二层到第五层分别输出不同维度的特征图;
将特征金字塔模块第二层到第五层输出的不同维度特征图分别经过最大池化层进行维度一致处理,生成第一图像特征;
将所述特征金字塔模块第五层输出特征图通过降维卷积层进行降维,生成第二图像特征;
将所述第一图像特征与所述第二图像特征进行同一维度下的特征点求和,将求和后的图像特征进行卷积融合,得到融合特征,将不同层的融合特征进行特征拼接,得到最终融合特征;
将所述最终融合特征与SoftMax分类器相连,进行手机外壳图像信息的分类。
需要说明的是,运用融合特征输入SoftMax分类器进行手机外壳图像中缺陷信息的识别,同时识别缺陷目标位置并在手机外壳三维模型中进行定位,减少人工参与程度,提高缺陷识别的效率和准确率。
需要说明的是,本发明还包括对手机外壳缺陷进行评价,根据评价结果进行二次加工处理,具体为:
构建手机外壳缺陷的评价指标体系,根据所述评价指标体系提取缺陷评价指标;
根据手机外壳图像信息中缺陷特征确定缺陷评价指标的指标得分信息,并根据层次分析法计算所述评价指标的权重信息;
根据所述指标得分信息及所述权重信息得到含有缺陷的手机外壳的评估得分,判断所述评估得分是否处于预设评估得分阈值范围内;
若处于预设评估得分阈值范围,则将该手机外壳进行再加工标记,进行二次加工处理,若不处于预设评估得分阈值范围,则将该手机外壳进行不合格标记。
根据本发明实施例,本发明还包括通过缺陷特征进行缺陷溯源,调整手机外壳加工工艺中的参数信息,具体为:
获取手机外壳图像信息中的缺陷信息,根据所述缺陷信息获取缺陷特征,所述缺陷特征包括缺陷位置信息及缺陷形状信息;
获取手机外壳加工过程中正常工况参数,根据加工工艺流程将手机外壳加工过程拆分为若干加工工段;
根据所述缺陷特征判断手机外壳的缺陷种类信息,根据所述缺陷种类信息及缺陷位置信息构建检索信息,通过所述检索信息查询标记加工过程中可能会造成缺陷的加工工段;
提取标记后的加工工段的实际工况参数与所述正常工况参数进行对比分析,生成偏差率信息;
判断所述偏差率信息是否大于预设偏差率阈值,若大于则将生成修正信息,对该加工工段的工况参数进行修正。
需要说明的是,根据缺陷的种类信息及缺陷位置信息对缺陷进行溯源,确定手机外壳缺陷在加工工艺流程中的引入源头,及时调整加工工段的工况参数,防治缺陷大规模产生;同时将修正信息存储在控制单元中,可根据工艺参数的调整进行自动匹配。
根据本发明实施例,本发明还包括构建缺陷数据库,具体为:
获取手机外壳缺陷的缺陷特征,将所述缺陷特征与缺陷种类及历史缺陷溯源信息进行匹配生成数据序列,根据所述数据序列构建缺陷数据库;
将缺陷检测模型识别到的缺陷信息与所述缺陷数据库中缺陷数据进行相似度对比,将所述相似度进行排序,将识别到的缺陷信息与数据库中相似度最高的缺陷数据归为同一种类缺陷;
提取数据库中该种类缺陷的修正信息,通过提取的修正信息对手机外壳加工工艺流程进行调整。
需要说明的是,当新产品加工工艺进行调整时,若部分加工工艺工况参数相同,可以将其应用至新产品的设计过程中,根据产品的需求数据确定新产品正常工况参数,获取所述新产品正常工况参数与当前正常工况参数相同的加工工段,并提取所述加工工段在缺陷数据库中的数据序列,保留其修正数据,大大提高了新产品加工工艺设计效率,缩短了设计时长和设计成本,在工艺参数经常调整、出货量大、使用时间不确定的手机外壳的制造中,通过该方式,可以提高手机外壳的产品质量。
图2示出了本发明一种手机外壳复杂纹理背景的加工缺陷检测***的框图。
本发明第二方面还提供了一种手机外壳复杂纹理背景的加工缺陷检测***2,该***包括:存储器21、处理器22,所述存储器中包括一种手机外壳复杂纹理背景的加工缺陷检测方法程序,所述一种手机外壳复杂纹理背景的加工缺陷检测方法程序被所述处理器执行时实现如下步骤:
获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型;
基于生成对抗网络及特征金字塔模块建立缺陷检测模型,对所述缺陷检测模型进行初始化训练,将预处理后的手机外壳图像信息导入缺陷检测模型;
根据所述缺陷检测模型进行手机外壳图像信息中缺陷与背景的分类,根据分类结果提取手机外壳图像信息中的缺陷区域;
通过所述缺陷区域获取缺陷位置信息,将缺陷位置信息在所述手机外壳三维模型中进行可视化标注,按照预设方式进行显示。
需要说明的是,所述的获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型,具体为:
获取多角度手机外壳图像信息,将所述手机外壳图像信息进行去噪及图像增强处理,提取手机外壳图像信息的特征点,通过特征点匹配获取稀疏特征点;
根据所述特征点的坐标信息获取稀疏特征点的坐标信息,生成手机外壳的稀疏三维点云数据;
根据所述稀疏特征点进行稠密匹配获取得到密集三维点云数据,通过所述密集三维点云数据进行曲面重建;
根据手机外壳的颜色纹理特征进行贴图生成手机外壳三维模型。
需要说明的是,所述的基于生成对抗网络及特征金字塔模块建立缺陷检测模型,具体为:
构建基于辅助分类器优化的生成对抗网络结构及特征金字塔模块生成缺陷检测模型;
基于预获取的若干手机外壳缺陷图像信息生成训练数据集及验证数据集,运用所述训练数据集对所述缺陷检测模型进行初始化训练;
将生成对抗网络生成器的网络权重参数进行冻结,进行判别器的训练,然后将生成对抗网络判别器的网络权重参数进行冻结,进行生成器的训练;
交替训练后,使得所述生成对抗网络的损失函数的值达到预设阈值范围内,得到训练好的缺陷检测模型;
通过训练好的缺陷检测模型进行缺陷检测生成缺陷识别结果,根据所述缺陷识别结果进行精确性检验,计算所述缺陷识别结果与验证数据集中样本数据的偏差率;
判断所述偏差率是否小于预设偏差率阈值,若小于,则证明所述缺陷检测的精度符合预设标准,输出缺陷检测模型。
需要说明的是,所述的基于辅助分类器优化的生成对抗网络结构中引入辅助分类器,具体为:
从手机外壳三维模型中生成复杂纹理背景图像导入所述生成对抗网络中的生成器,同时将手机外壳缺陷图像信息、复杂纹理背景图像进行贴合生成贴合图像;根据贴合图像的语义分割标签区分复杂纹理背景图像与贴合图像的类别信息;设置背景调节参数调节损失函数计算中复杂纹理背景图像与贴合图像的动态平衡;当引入辅助分类器的生成对抗网络训练时,判别器的损失函数为训练数据损失函数与类别信息损失函数相加,生成器的损失函数为类别信息损失函数与训练数据损失函数相减。
其中,表示训练数据损失函数,m表示训练数据,表示类别信息损失函数,n表示类别信息,表示数据分布,表示背景调节参数,表示分布函数的期望值,表示手机外壳缺陷图像数据,表示复杂纹理背景图像,表示贴合图像数据,表示真实样本数据,表示虚假样本数据。
需要说明的是,所述特征金字塔模块,具体为:
所述生成对抗网络的判别器包括特征金字塔模块和与其级联的SoftMax分类器,将所述训练数据集输入特征金字塔模块,所述特征金字塔模块共分为五层,第一层无输出,第二层到第五层分别输出不同维度的特征图;
将特征金字塔模块第二层到第五层输出的不同维度特征图分别经过最大池化层进行维度一致处理,生成第一图像特征;
将所述特征金字塔模块第五层输出特征图通过降维卷积层进行降维,生成第二图像特征;
将所述第一图像特征与所述第二图像特征进行同一维度下的特征点求和,将求和后的图像特征进行卷积融合,得到融合特征,将不同层的融合特征进行特征拼接,得到最终融合特征;
将所述最终融合特征与SoftMax分类器相连,进行手机外壳图像信息的分类。
需要说明的是,运用融合特征输入SoftMax分类器进行手机外壳图像中缺陷信息的识别,同时识别缺陷目标位置并在手机外壳三维模型中进行定位,减少人工参与程度,提高缺陷识别的效率和准确率。
需要说明的是,本发明还包括对手机外壳缺陷进行评价,根据评价结果进行二次加工处理,具体为:
构建手机外壳缺陷的评价指标体系,根据所述评价指标体系提取缺陷评价指标;
根据手机外壳图像信息中缺陷特征确定缺陷评价指标的指标得分信息,并根据层次分析法计算所述评价指标的权重信息;
根据所述指标得分信息及所述权重信息得到含有缺陷的手机外壳的评估得分,判断所述评估得分是否处于预设评估得分阈值范围内;
若处于预设评估得分阈值范围,则将该手机外壳进行再加工标记,进行二次加工处理,若不处于预设评估得分阈值范围,则将该手机外壳进行不合格标记。
根据本发明实施例,本发明还包括通过缺陷特征进行缺陷溯源,调整手机外壳加工工艺中的参数信息,具体为:
获取手机外壳图像信息中的缺陷信息,根据所述缺陷信息获取缺陷特征,所述缺陷特征包括缺陷位置信息及缺陷形状信息;
获取手机外壳加工过程中正常工况参数,根据加工工艺流程将手机外壳加工过程拆分为若干加工工段;
根据所述缺陷特征判断手机外壳的缺陷种类信息,根据所述缺陷种类信息及缺陷位置信息构建检索信息,通过所述检索信息查询标记加工过程中可能会造成缺陷的加工工段;
提取标记后的加工工段的实际工况参数与所述正常工况参数进行对比分析,生成偏差率信息;
判断所述偏差率信息是否大于预设偏差率阈值,若大于则将生成修正信息,对该加工工段的工况参数进行修正。
需要说明的是,根据缺陷的种类信息及缺陷位置信息对缺陷进行溯源,确定手机外壳缺陷在加工工艺流程中的引入源头,及时调整加工工段的工况参数,防治缺陷大规模产生;同时将修正信息存储在控制单元中,可根据工艺参数的调整进行自动匹配。
根据本发明实施例,本发明还包括构建缺陷数据库,具体为:
获取手机外壳缺陷的缺陷特征,将所述缺陷特征与缺陷种类及历史缺陷溯源信息进行匹配生成数据序列,根据所述数据序列构建缺陷数据库;
将缺陷检测模型识别到的缺陷信息与所述缺陷数据库中缺陷数据进行相似度对比,将所述相似度进行排序,将识别到的缺陷信息与数据库中相似度最高的缺陷数据归为同一种类缺陷;
提取数据库中该种类缺陷的修正信息,通过提取的修正信息对手机外壳加工工艺流程进行调整。
需要说明的是,当新产品加工工艺进行调整时,若部分加工工艺工况参数相同,可以将其应用至新产品的设计过程中,根据产品的需求数据确定新产品正常工况参数,获取所述新产品正常工况参数与当前正常工况参数相同的加工工段,并提取所述加工工段在缺陷数据库中的数据序列,保留其修正数据,大大提高了新产品加工工艺设计效率,缩短了设计时长和设计成本,在工艺参数经常调整、出货量大、使用时间不确定的手机外壳的制造中,通过该方式,可以提高手机外壳的产品质量。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种手机外壳复杂纹理背景的加工缺陷检测方法程序,所述一种手机外壳复杂纹理背景的加工缺陷检测方法程序被处理器执行时,实现如上述任一项所述的一种手机外壳复杂纹理背景的加工缺陷检测方法的步骤。
本发明公开了一种手机外壳复杂纹理背景的加工缺陷检测方法及***,涉及缺陷检测领域,其中手机外壳复杂纹理背景的缺陷检测方法包括:获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型;基于生成对抗网络及特征金字塔模块建立缺陷检测模型,对所述缺陷检测模型进行初始化训练,将预处理后的手机外壳图像信息导入缺陷检测模型;根据所述缺陷检测模型进行手机外壳图像信息中缺陷与背景的分类,根据分类结果提取手机外壳图像信息中的缺陷区域;通过所述缺陷区域获取缺陷位置信息,将缺陷位置信息在所述手机外壳三维模型中进行可视化标注,按照预设方式进行显示。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例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中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种手机外壳复杂纹理背景的加工缺陷检测方法,其特征在于,包括如下步骤:
获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型;
基于生成对抗网络及特征金字塔模块建立缺陷检测模型,对所述缺陷检测模型进行初始化训练,将预处理后的手机外壳图像信息导入缺陷检测模型;
根据所述缺陷检测模型进行手机外壳图像信息中缺陷与背景的分类,根据分类结果提取手机外壳图像信息中的缺陷区域;
通过所述缺陷区域获取缺陷位置信息,将缺陷位置信息在所述手机外壳三维模型中进行可视化标注,按照预设方式进行显示。
2.根据权利要求1所述的一种手机外壳复杂纹理背景的加工缺陷检测方法,其特征在于,所述的获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型,具体为:
获取多角度手机外壳图像信息,将所述手机外壳图像信息进行去噪及图像增强处理,提取手机外壳图像信息的特征点,通过特征点匹配获取稀疏特征点;
根据所述特征点的坐标信息获取稀疏特征点的坐标信息,生成手机外壳的稀疏三维点云数据;
根据所述稀疏特征点进行稠密匹配获取得到密集三维点云数据,通过所述密集三维点云数据进行曲面重建;
根据手机外壳的颜色纹理特征进行贴图生成手机外壳三维模型。
3.根据权利要求1所述的一种手机外壳复杂纹理背景的加工缺陷检测方法,其特征在于,所述的基于生成对抗网络及特征金字塔模块建立缺陷检测模型,具体为:
构建基于辅助分类器优化的生成对抗网络结构及特征金字塔模块生成缺陷检测模型;
基于预获取的若干手机外壳缺陷图像信息生成训练数据集及验证数据集,运用所述训练数据集对所述缺陷检测模型进行初始化训练;
将生成对抗网络生成器的网络权重参数进行冻结,进行判别器的训练,然后将生成对抗网络判别器的网络权重参数进行冻结,进行生成器的训练;
交替训练后,使得所述生成对抗网络的损失函数的值达到预设阈值范围内,得到训练好的缺陷检测模型;
通过训练好的缺陷检测模型进行缺陷检测生成缺陷识别结果,根据所述缺陷识别结果进行精确性检验,计算所述缺陷识别结果与验证数据集中样本数据的偏差率;
判断所述偏差率是否小于预设偏差率阈值,若小于,则证明所述缺陷检测的精度符合预设标准,输出缺陷检测模型。
4.根据权利要求3所述的一种手机外壳复杂纹理背景的加工缺陷检测方法,其特征在于,所述的基于辅助分类器优化的生成对抗网络结构中引入辅助分类器,具体为:
从手机外壳三维模型中生成复杂纹理背景图像导入所述生成对抗网络中的生成器,同时将手机外壳缺陷图像信息、复杂纹理背景图像进行贴合生成贴合图像;根据贴合图像的语义分割标签区分复杂纹理背景图像与贴合图像的类别信息;设置背景调节参数调节损失函数计算中复杂纹理背景图像与贴合图像的动态平衡;当引入辅助分类器的生成对抗网络训练时,判别器的损失函数为训练数据损失函数与类别信息损失函数相加,生成器的损失函数为类别信息损失函数与训练数据损失函数相减。
5.根据权利要求3所述的一种手机外壳复杂纹理背景的加工缺陷检测方法,其特征在于,所述特征金字塔模块具体为:
所述生成对抗网络的判别器包括特征金字塔模块和与其级联的SoftMax分类器,将所述训练数据集输入特征金字塔模块,所述特征金字塔模块共分为五层,第一层无输出,第二层到第五层分别输出不同维度的特征图;
将特征金字塔模块第二层到第五层输出的不同维度特征图分别经过最大池化层进行维度一致处理,生成第一图像特征;
将所述特征金字塔模块第五层输出特征图通过降维卷积层进行降维,生成第二图像特征;
将所述第一图像特征与所述第二图像特征进行同一维度下的特征点求和,将求和后的图像特征进行卷积融合,得到融合特征,将不同层的融合特征进行特征拼接,得到最终融合特征;
将所述最终融合特征与SoftMax分类器相连,进行手机外壳图像信息的分类。
6.根据权利要求1所述的一种手机外壳复杂纹理背景的加工缺陷检测方法,其特征在于,还包括:
构建手机外壳缺陷的评价指标体系,根据所述评价指标体系提取缺陷评价指标;
根据手机外壳图像信息中缺陷特征确定缺陷评价指标的指标得分信息,并根据层次分析法计算所述评价指标的权重信息;
根据所述指标得分信息及所述权重信息得到含有缺陷的手机外壳的评估得分,判断所述评估得分是否处于预设评估得分阈值范围内;
若处于预设评估得分阈值范围,则将该手机外壳进行再加工标记,进行二次加工处理,若不处于预设评估得分阈值范围,则将该手机外壳进行不合格标记。
7.一种手机外壳复杂纹理背景的加工缺陷检测***,其特征在于,该***包括:存储器、处理器,所述存储器中包括一种手机外壳复杂纹理背景的加工缺陷检测方法程序,所述一种手机外壳复杂纹理背景的加工缺陷检测方法程序被所述处理器执行时实现如下步骤:
获取手机外壳图像信息,将所述手机外壳图像信息进行预处理,根据预处理后的手机外壳图像信息构建手机外壳三维模型;
基于生成对抗网络及特征金字塔模块建立缺陷检测模型,对所述缺陷检测模型进行初始化训练,将预处理后的手机外壳图像信息导入缺陷检测模型;
根据所述缺陷检测模型进行手机外壳图像信息中缺陷与背景的分类,根据分类结果提取手机外壳图像信息中的缺陷区域;
通过所述缺陷区域获取缺陷位置信息,将缺陷位置信息在所述手机外壳三维模型中进行可视化标注,按照预设方式进行显示。
8.根据权利要求7所述的一种手机外壳复杂纹理背景的加工缺陷检测***,其特征在于,所述的基于生成对抗网络及特征金字塔模块建立缺陷检测模型,具体为:
构建基于辅助分类器优化的生成对抗网络结构及特征金字塔模块生成缺陷检测模型;
基于预获取的若干手机外壳缺陷图像信息生成训练数据集及验证数据集,运用所述训练数据集对所述缺陷检测模型进行初始化训练;
将生成对抗网络生成器的网络权重参数进行冻结,进行判别器的训练,然后将生成对抗网络判别器的网络权重参数进行冻结,进行生成器的训练;
交替训练后,使得所述生成对抗网络的损失函数的值达到预设阈值范围内,得到训练好的缺陷检测模型;
通过训练好的缺陷检测模型进行缺陷检测生成缺陷识别结果,根据所述缺陷识别结果进行精确性检验,计算所述缺陷识别结果与验证数据集中样本数据的偏差率;
判断所述偏差率是否小于预设偏差率阈值,若小于,则证明所述缺陷检测的精度符合预设标准,输出缺陷检测模型。
9.根据权利要求8所述的一种手机外壳复杂纹理背景的加工缺陷检测***,其特征在于,所述特征金字塔模块具体为:
将所述训练数据集输入特征金字塔模块,所述特征金字塔模块共分为五层,第一层无输出,第二层到第五层分别输出不同维度的特征图;
将特征金字塔模块第二层到第五层输出的不同维度特征图分别经过最大池化层进行维度一致处理,生成第一图像特征;
将所述特征金字塔模块第五层输出特征图通过降维卷积层进行降维,生成第二图像特征;
将所述第一图像特征与所述第二图像特征进行同一维度下的特征点求和,将求和后的图像特征进行卷积融合,得到融合特征,将不同层的融合特征进行特征拼接,得到最终融合特征;
将所述最终融合特征与SoftMax分类器相连,进行手机外壳图像信息的分类。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括一种手机外壳复杂纹理背景的加工缺陷检测方法程序,所述一种手机外壳复杂纹理背景的加工缺陷检测方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种手机外壳复杂纹理背景的加工缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060678.3A CN114092474B (zh) | 2022-01-19 | 2022-01-19 | 一种手机外壳复杂纹理背景的加工缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060678.3A CN114092474B (zh) | 2022-01-19 | 2022-01-19 | 一种手机外壳复杂纹理背景的加工缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114092474A true CN114092474A (zh) | 2022-02-25 |
CN114092474B CN114092474B (zh) | 2022-05-13 |
Family
ID=80308608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210060678.3A Active CN114092474B (zh) | 2022-01-19 | 2022-01-19 | 一种手机外壳复杂纹理背景的加工缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092474B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419037A (zh) * | 2022-03-28 | 2022-04-29 | 江苏智云天工科技有限公司 | 工件缺陷检测方法和装置 |
CN114708268A (zh) * | 2022-06-08 | 2022-07-05 | 深圳市智宇精密五金塑胶有限公司 | 一种五金零件缺陷检测方法及*** |
CN116106331A (zh) * | 2023-02-17 | 2023-05-12 | 深圳市奥特迈智能装备有限公司 | 一种汽车电池外壳在线检测装置及其检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005056907A (ja) * | 2003-08-05 | 2005-03-03 | Hitachi Ltd | 画像データの管理方法および画像データのサービスシステム |
CN111524135A (zh) * | 2020-05-11 | 2020-08-11 | 安徽继远软件有限公司 | 基于图像增强的输电线路细小金具缺陷检测方法及*** |
CN112528975A (zh) * | 2021-02-08 | 2021-03-19 | 常州微亿智造科技有限公司 | 工业质检方法、装置和计算机可读存储介质 |
CN113506239A (zh) * | 2021-05-21 | 2021-10-15 | 冶金自动化研究设计院 | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 |
CN113578972A (zh) * | 2021-04-08 | 2021-11-02 | 华院计算技术(上海)股份有限公司 | 一种热轧产品质量追溯方法及装置 |
CN113686878A (zh) * | 2021-09-03 | 2021-11-23 | 太原理工大学 | 一种特钢棒材表面缺陷多级联合检测方法及*** |
US20210370993A1 (en) * | 2020-05-27 | 2021-12-02 | University Of South Carolina | Computer vision based real-time pixel-level railroad track components detection system |
CN113758932A (zh) * | 2021-09-07 | 2021-12-07 | 广东奥普特科技股份有限公司 | 一种基于深度学习的锂电池膈膜缺陷视觉*** |
CN113838044A (zh) * | 2021-09-30 | 2021-12-24 | 江西省通讯终端产业技术研究院有限公司 | 基于机器视觉的面板缺陷检测方法及*** |
-
2022
- 2022-01-19 CN CN202210060678.3A patent/CN114092474B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005056907A (ja) * | 2003-08-05 | 2005-03-03 | Hitachi Ltd | 画像データの管理方法および画像データのサービスシステム |
CN111524135A (zh) * | 2020-05-11 | 2020-08-11 | 安徽继远软件有限公司 | 基于图像增强的输电线路细小金具缺陷检测方法及*** |
US20210370993A1 (en) * | 2020-05-27 | 2021-12-02 | University Of South Carolina | Computer vision based real-time pixel-level railroad track components detection system |
CN112528975A (zh) * | 2021-02-08 | 2021-03-19 | 常州微亿智造科技有限公司 | 工业质检方法、装置和计算机可读存储介质 |
CN113578972A (zh) * | 2021-04-08 | 2021-11-02 | 华院计算技术(上海)股份有限公司 | 一种热轧产品质量追溯方法及装置 |
CN113506239A (zh) * | 2021-05-21 | 2021-10-15 | 冶金自动化研究设计院 | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 |
CN113686878A (zh) * | 2021-09-03 | 2021-11-23 | 太原理工大学 | 一种特钢棒材表面缺陷多级联合检测方法及*** |
CN113758932A (zh) * | 2021-09-07 | 2021-12-07 | 广东奥普特科技股份有限公司 | 一种基于深度学习的锂电池膈膜缺陷视觉*** |
CN113838044A (zh) * | 2021-09-30 | 2021-12-24 | 江西省通讯终端产业技术研究院有限公司 | 基于机器视觉的面板缺陷检测方法及*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419037A (zh) * | 2022-03-28 | 2022-04-29 | 江苏智云天工科技有限公司 | 工件缺陷检测方法和装置 |
CN114708268A (zh) * | 2022-06-08 | 2022-07-05 | 深圳市智宇精密五金塑胶有限公司 | 一种五金零件缺陷检测方法及*** |
CN116106331A (zh) * | 2023-02-17 | 2023-05-12 | 深圳市奥特迈智能装备有限公司 | 一种汽车电池外壳在线检测装置及其检测方法 |
CN116106331B (zh) * | 2023-02-17 | 2023-08-04 | 深圳市奥特迈智能装备有限公司 | 一种汽车电池外壳在线检测装置及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114092474B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114092474B (zh) | 一种手机外壳复杂纹理背景的加工缺陷检测方法及*** | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN112101165A (zh) | 兴趣点识别方法、装置、计算机设备和存储介质 | |
CN112785526B (zh) | 一种用于图形处理的三维点云修复方法 | |
CN107808358A (zh) | 图像水印自动检测方法 | |
CN111462120A (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN113095333B (zh) | 无监督特征点检测方法及装置 | |
CN115984662B (zh) | 一种多模态数据预训练及识别方法、装置、设备及介质 | |
CN114821229A (zh) | 基于条件生成对抗网络的水下声学数据集增广方法及*** | |
CN116226785A (zh) | 目标对象识别方法、多模态识别模型的训练方法和装置 | |
CN115239672A (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN114881998A (zh) | 一种基于深度学习的工件表面缺陷检测方法及*** | |
CN111382301A (zh) | 一种基于生成对抗网络的三维模型生成方法及*** | |
CN115588178A (zh) | 一种高精地图要素自动化提取的方法 | |
CN114494725A (zh) | 一种电力线模型的建立方法和建立装置 | |
CN115358981A (zh) | 胶水缺陷的确定方法、装置、设备及存储介质 | |
CN111914751B (zh) | 一种图像人群密度识别检测方法及*** | |
CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 | |
CN114120140A (zh) | 基于卫星影像自动提取建筑物高度的方法 | |
CN114332599A (zh) | 图像识别方法、装置、计算机设备、存储介质和产品 | |
CN112906629A (zh) | 人脸表情分类器的训练、人脸表情的识别方法和装置 | |
CN117475448B (zh) | 图像处理模型的训练方法、图像处理方法及装置 | |
CN116109627B (zh) | 基于迁移学习和小样本学习缺陷检测方法、装置及介质 | |
CN114266298B (zh) | 基于一致流形逼近与投影聚类集成的图像分割方法及*** |
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 |