CN114862845B - 手机触摸屏的缺陷检测方法、装置、设备及存储介质 - Google Patents
手机触摸屏的缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114862845B CN114862845B CN202210777760.8A CN202210777760A CN114862845B CN 114862845 B CN114862845 B CN 114862845B CN 202210777760 A CN202210777760 A CN 202210777760A CN 114862845 B CN114862845 B CN 114862845B
- Authority
- CN
- China
- Prior art keywords
- image
- mobile phone
- touch screen
- phone touch
- crease
- 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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Telephone Function (AREA)
Abstract
本发明涉及人工智能领域,公开了一种手机触摸屏的缺陷检测方法、装置、设备及存储介质,用于提高柔性手机触摸屏的缺陷检测准确率。所述方法包括:对多个训练图像进行缺陷信息标注,生成样本图像数据集;根据样本图像数据集生成增强图像数据集;根据增强图像数据集对训练模型进行模型训练,得到手机触摸屏缺陷检测模型;采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;将目标折叠图像和目标伸展图像输入手机触摸屏缺陷检测模型进行折痕检测,得到折痕检测结果。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种手机触摸屏的缺陷检测方法、装置、设备及存储介质。
背景技术
随着科学技术与工业水平的不断发展,人们对于手机屏幕等液晶屏类产品的品质要求也日益提高。柔性手机触摸屏是一种可弯折的手机屏,为了生产出高质量、高分辨率的柔性手机触摸屏,在生产过程中对柔性手机触摸屏进行质量检测是必不可少的一道工序,这包括判断柔性手机触摸屏是否存在折痕缺陷,以及对检测到缺陷的分类和分级。因此,如何快速、准确地实现柔性手机屏幕缺陷的检测是生产线上亟待解决的问题。
传统的人工检测方法是凭借人类的视觉功能对生产线上的屏幕逐一检测,但是人工检测的方式的检测效率不高,而且有些柔性手机触摸屏的折痕在折叠状态时无法显现出来,只要在伸展状态时才能检测出来,严重影响屏幕的生产效率;而且不同的人对柔性手机触摸屏的缺陷标准存在差异,即同一块屏幕存在不一样的检测结果,因此人工缺陷检测的准确率不高。
发明内容
本发明提供了一种手机触摸屏的缺陷检测方法、装置、设备及存储介质,用于提高柔性手机触摸屏的缺陷检测准确率。
本发明第一方面提供了一种手机触摸屏的缺陷检测方法,所述手机触摸屏的缺陷检测方法包括:获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对所述多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,所述多个训练图像包括:所述样本柔性手机触摸屏处于折叠状态的图像和所述样本柔性手机触摸屏处于伸展状态的图像;对所述样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照所述多个折痕缺陷种类对所述样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;将所述样本图像数据集中的多个训练图像和所述每个折痕种类的图像特征输入预置的图像生成网络,通过所述图像生成网络生成所述样本图像数据集对应的多个柔性手机触摸屏图像;调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像和所述样本图像数据集生成增强图像数据集;根据所述增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对所述初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;将所述目标折叠图像和所述目标伸展图像分别输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据所述第一检测结果和所述第二检测结果生成折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。
可选的,在本发明第一方面的第一种实现方式中,所述将所述样本图像数据集中的多个训练图像和所述每个折痕种类的图像特征输入预置的图像生成网络,通过所述图像生成网络生成所述样本图像数据集对应的多个柔性手机触摸屏图像,包括:将所述样本图像数据集中的多个训练图像输入预置的图像生成网络,其中,所述图像生成网络包括:四层全连接层;通过所述四层全连接层对每个训练图像进行图像特征提取,得到训练特征向量,并对所述训练特征向量和所述每个折痕种类的图像特征进行图像转换,得到多个柔性手机触摸屏图像。
可选的,在本发明第一方面的第二种实现方式中,所述调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像和所述样本图像数据集生成增强图像数据集,包括:将所述多个柔性手机触摸屏图像输入预置的图像判别网络,其中,所述图像判别网络包括:三层全连接层;通过所述三层全连接层计算每个柔性手机触摸屏图像的判别概率;根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像作为目标柔性手机触摸屏图像;对所述目标柔性手机触摸屏图像和所述样本图像数据集进行数据集合并,得到增强图像数据集。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层,包括:将所述增强图像数据集中的多个训练图像输入预置的训练模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;通过所述训练模型对所述多个训练图像进行图像像素点预测,得到多个预测结果;调用预置的损失函数计算每个预测结果的损失值,并根据每个预测结果的损失值对所述训练模型进行参数优化,并将参数优化后的训练模型作为手机触摸屏缺陷检测模型。
可选的,在本发明第一方面的第四种实现方式中,所述将所述目标折叠图像和所述目标伸展图像分别输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据所述第一检测结果和所述第二检测结果生成折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷,包括:将所述目标折叠图像输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果;将所述目标伸展图像输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第二检测结果;对所述第一检测结果和所述第二检测结果进行综合结果分析,得到折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。
可选的,在本发明第一方面的第五种实现方式中,所述手机触摸屏的缺陷检测方法还包括:对所述目标折叠图像进行折叠区域提取,得到目标区域图像;对所述目标区域图像进行图像校正,得到目标校正图像;将所述目标校正图像输入预置的色差分析模型进行图像色差分析,得到色差分析结果,其中,所述色差分析结果用于指示所述待检测柔性手机触摸屏的折叠区域是否有色差。
可选的,在本发明第一方面的第六种实现方式中,所述手机触摸屏的缺陷检测方法还包括:若所述待检测柔性手机触摸屏存在折痕缺陷,则根据所述目标折叠图像和所述目标伸展图像计算折痕长度;根据所述折痕长度对所述待检测柔性手机触摸屏进行缺陷分级,得到目标缺陷等级,其中,所述目标缺陷等级用于指示所述待检测柔性手机触摸屏的缺陷严重程度;根据所述目标缺陷等级对所述待检测柔性手机触摸屏进行后处理,并生成后处理方案。
本发明第二方面提供了一种手机触摸屏的缺陷检测装置,所述手机触摸屏的缺陷检测装置包括:获取模块,用于获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对所述多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,所述多个训练图像包括:所述样本柔性手机触摸屏处于折叠状态的图像和所述样本柔性手机触摸屏处于伸展状态的图像;提取模块,用于对所述样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照所述多个折痕缺陷种类对所述样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;输入模块,用于将所述样本图像数据集中的多个训练图像和所述每个折痕种类的图像特征输入预置的图像生成网络,通过所述图像生成网络生成所述样本图像数据集对应的多个柔性手机触摸屏图像;生成模块,用于调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像和所述样本图像数据集生成增强图像数据集;训练模块,用于根据所述增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;采集模块,用于基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对所述初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;检测模块,用于将所述目标折叠图像和所述目标伸展图像分别输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据所述第一检测结果和所述第二检测结果生成折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。
可选的,在本发明第二方面的第一种实现方式中,所述输入模块具体用于:将所述样本图像数据集中的多个训练图像输入预置的图像生成网络,其中,所述图像生成网络包括:四层全连接层;通过所述四层全连接层对每个训练图像进行图像特征提取,得到训练特征向量,并对所述训练特征向量和所述每个折痕种类的图像特征进行图像转换,得到多个柔性手机触摸屏图像。
可选的,在本发明第二方面的第二种实现方式中,所述生成模块具体用于:将所述多个柔性手机触摸屏图像输入预置的图像判别网络,其中,所述图像判别网络包括:三层全连接层;通过所述三层全连接层计算每个柔性手机触摸屏图像的判别概率;根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像作为目标柔性手机触摸屏图像;对所述目标柔性手机触摸屏图像和所述样本图像数据集进行数据集合并,得到增强图像数据集。
可选的,在本发明第二方面的第三种实现方式中,所述训练模块具体用于:将所述增强图像数据集中的多个训练图像输入预置的训练模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;通过所述训练模型对所述多个训练图像进行图像像素点预测,得到多个预测结果;调用预置的损失函数计算每个预测结果的损失值,并根据每个预测结果的损失值对所述训练模型进行参数优化,并将参数优化后的训练模型作为手机触摸屏缺陷检测模型。
可选的,在本发明第二方面的第四种实现方式中,所述检测模块具体用于:将所述目标折叠图像输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果;将所述目标伸展图像输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第二检测结果;对所述第一检测结果和所述第二检测结果进行综合结果分析,得到折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。
可选的,在本发明第二方面的第五种实现方式中,所述手机触摸屏的缺陷检测装置还包括:分析模块,用于对所述目标折叠图像进行折叠区域提取,得到目标区域图像;对所述目标区域图像进行图像校正,得到目标校正图像;将所述目标校正图像输入预置的色差分析模型进行图像色差分析,得到色差分析结果,其中,所述色差分析结果用于指示所述待检测柔性手机触摸屏的折叠区域是否有色差。
可选的,在本发明第二方面的第六种实现方式中,所述手机触摸屏的缺陷检测装置还包括:计算模块,用于若所述待检测柔性手机触摸屏存在折痕缺陷,则根据所述目标折叠图像和所述目标伸展图像计算折痕长度;根据所述折痕长度对所述待检测柔性手机触摸屏进行缺陷分级,得到目标缺陷等级,其中,所述目标缺陷等级用于指示所述待检测柔性手机触摸屏的缺陷严重程度;根据所述目标缺陷等级对所述待检测柔性手机触摸屏进行后处理,并生成后处理方案。
本发明第三方面提供了一种手机触摸屏的缺陷检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述手机触摸屏的缺陷检测设备执行上述的手机触摸屏的缺陷检测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的手机触摸屏的缺陷检测方法。
本发明提供的技术方案中,获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对所述多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,所述多个训练图像包括:所述样本柔性手机触摸屏处于折叠状态的图像和所述样本柔性手机触摸屏处于伸展状态的图像;对所述样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照所述多个折痕缺陷种类对所述样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;将所述样本图像数据集中的多个训练图像和所述每个折痕种类的图像特征输入预置的图像生成网络,通过所述图像生成网络生成所述样本图像数据集对应的多个柔性手机触摸屏图像;调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像和所述样本图像数据集生成增强图像数据集;根据所述增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对所述初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;将所述目标折叠图像和所述目标伸展图像分别输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据所述第一检测结果和所述第二检测结果生成折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。本发明通过对训练图像进行数据集增强处理,使得数据集更加丰富,进而促使训练得到的模型识别效果更好,此外通过对折叠图像和伸展图像进行识别,将两个图像的识别结果进行综合分析,提高柔性手机触摸屏的缺陷检测准确率。
附图说明
图1为本发明实施例中手机触摸屏的缺陷检测方法的一个实施例示意图;
图2为本发明实施例中手机触摸屏的缺陷检测方法的另一个实施例示意图;
图3为本发明实施例中手机触摸屏的缺陷检测装置的一个实施例示意图;
图4为本发明实施例中手机触摸屏的缺陷检测装置的另一个实施例示意图;
图5为本发明实施例中手机触摸屏的缺陷检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种手机触摸屏的缺陷检测方法、装置、设备及存储介质,用于提高柔性手机触摸屏的缺陷检测准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中手机触摸屏的缺陷检测方法的一个实施例包括:
101、获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,多个训练图像包括:样本柔性手机触摸屏处于折叠状态的图像和样本柔性手机触摸屏处于伸展状态的图像;
可以理解的是,本发明的执行主体可以为手机触摸屏的缺陷检测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器对训练场景柔性手机触摸屏进行人工标注,得到柔性手机触摸屏的标注文本,然后,根据标注文本获取标注文本打印体,将标注文本打印体粘贴至预定图像背景,得到多个训练图像,需要说明的是,基于一个训练场景文本图像的标注文本,就可以得到多个基准简化文本图像,相当于多组训练数据,从而可以通过较少的人工标注就可以获得较多训练数据,并且通过标注文本获取训练图像的方式,可执行性强,操作简单,效率和准确率都较高。
102、对样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照多个折痕缺陷种类对样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;
具体的,对样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,本实施例将折痕缺陷分为多个种类,折痕缺陷种类包括:长度缺陷、裂纹缺陷等,其中,长度缺陷又可以细分为不同长度对应于不同的长度缺陷,并按照多个折痕缺陷种类对样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征,其特征提取的过程可以采用k-means聚类算法对图像特征进行聚类,进而更好的提取出每个折痕种类的图像特征。
103、将样本图像数据集中的多个训练图像和每个折痕种类的图像特征输入预置的图像生成网络,通过图像生成网络生成样本图像数据集对应的多个柔性手机触摸屏图像;
本发明实施例提供的方法中,预先建立图像生成网络,该图像生成网络为需进行训练的主体,图像生成网络为多层结构,包括至少两级生成子网络。在对图像生成网络进行训练时,获取多个初始图像,作为训练所需的训练样本,初始图像可以为低清图像,初始图像的尺寸可以不做具体限定,图像生成网络的结构由初级生成子网络至末级生成子网络逐级连接而成,将需要作为训练样本的每个初始图像作为图像生成网络中首级生成子网络的输入,除末级生成子网络之外的各级生成子网络,每一级生成子网络输出的节点图像在经过预处理后,作为其下一级生成子网络进行训练时的输入。本发明实施例提供的方法中,图像生成网络以渐进式网络为主体,在训练过程中逐级对图像生成网络中的各级生成子网络进行训练,由初始子网络开始至末级子网络,逐级训练。本发明实施例提供的方法,在具体的训练过程中,每一级生成子网络输入的样本图像尺寸小于其下一级生成子网络的输入图像的尺寸,优选的,每一级生成子网络输入样本图像尺寸为其下一级生成子网络的输入图像尺寸的二分之一,进而生成样本图像数据集对应的多个柔性手机触摸屏图像,可以提升后续服务器进行缺陷检测时的鲁棒性,增加训练数据的样本容量。
104、调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据判别概率计算每个柔性手机触摸屏图像的特征相关度,并将特征相关度符合预设目标值的柔性手机触摸屏图像和样本图像数据集生成增强图像数据集;
具体的,服务器获取每个柔性手机触摸屏图像,并将其输入VGG16卷积神经网络,VGG16卷积神经网络包括五个卷积阶段,三个全连接层(fc6、fc7和fc8),每个卷积阶段的输出都是通过池化层输出。需要说明的是,本发明实施例中,上述VGG16卷积神经网络的构建过程如下:将数据库中的所有柔性手机触摸屏图像输入VGG16卷积神经网络,数据库内包括具有多个类别的图片,将每张图片的第三个卷积阶段的池化层的输出特征谱和第五个卷积阶段的池化层输出的特征谱一起输入至级联层进行特征级联,将级联层输出结果输入全连接层,并将全连接层的输出特征采用softmax回归得到图片在每一个类别上的判别概率,根据每张图片的类别和每张图片在每个类别上的概率,采用分类误差损失函数计算每张图片在每个类别的训练损失;并采用误差反向传播算法反传训练损失直至VGG16卷积神经网络的网络参数(卷积核参数)收敛,至此得到VGG16卷积神经网络,进而服务器调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率。
105、根据增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;
具体的,本发明实施例在获取源域的待训练模型、增强图像数据集和目标域的第二图像集合后,以各增强图像为输入,并以各增强图像对应的对象识别框和对象识别框的类别为训练目标对待训练模型进行训练,同时以各第二图像为输入,获取第二图像在待训练模型的不同层的输出,以对注意力判别模型和特征判别模型进行训练,从而响应于待训练模型的检测损失函数、注意力判别模型的注意力损失函数和特征判别模型的特征损失函数收敛,将训练后的待训练模型确定为上述手机触摸屏缺陷检测模型。本发明实施例无需对目标域图像标记就可以对待训练模型进行训练,提升了模型对于目标域的物体检测能力,并降低了标记成本。
106、基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;
具体的,将初始折叠图像和初始伸展图像转换成初始图像,对初始图像进行预处理以产生更清晰的画面图像,对预处理后的画面图像进行特征提取,对特征提取后的图像进行匹配和分类后进行输出判别,对图像平滑处理后的图像进行图像锐化处理,图像锐化处理后进行二值化处理,经过二值化处理的进行修饰处理,修饰处理过后的图像进行细化处理,经过细化处理的初始图像根据初始得到一般处理规律后进行加工处理,去掉无效的纹线搭桥和连接豁口,得到目标折叠图像和目标伸展图像。本发明的初始图像自动识别***预处理算法,采用此种算法,能够有效地提高效率,在初始图像预处理中能够对图像进行处理和分类,从而能够提高初始的识别率。
107、将目标折叠图像和目标伸展图像分别输入手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据第一检测结果和第二检测结果生成折痕检测结果,其中,检测结果用于指示待检测柔性手机触摸屏是否存在折痕缺陷。
具体的,将目标折叠图像和目标伸展图像进行图像切割和灰度处理后,将其分别与每一类提取后的已知缺陷类别的缺陷图像共同输入至训练完成的全卷积神经网络中,并从训练完成的孪生神经网络中,输出待测目标折叠图像与其他已知缺陷类型的缺陷图像是否属于同一缺陷类型的判断结果,从而确定出该待测目标折叠图像的缺陷类型以及该待测目标折叠图像的语义分割图像。
本发明实施例中,获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,多个训练图像包括:样本柔性手机触摸屏处于折叠状态的图像和样本柔性手机触摸屏处于伸展状态的图像;对样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照多个折痕缺陷种类对样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;将样本图像数据集中的多个训练图像和每个折痕种类的图像特征输入预置的图像生成网络,通过图像生成网络生成样本图像数据集对应的多个柔性手机触摸屏图像;调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据判别概率计算每个柔性手机触摸屏图像的特征相关度,并将特征相关度符合预设目标值的柔性手机触摸屏图像和样本图像数据集生成增强图像数据集;根据增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;将目标折叠图像和目标伸展图像分别输入手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据第一检测结果和第二检测结果生成折痕检测结果,其中,检测结果用于指示待检测柔性手机触摸屏是否存在折痕缺陷。本发明通过对训练图像进行数据集增强处理,使得数据集更加丰富,进而促使训练得到的模型识别效果更好,此外通过对折叠图像和伸展图像进行识别,将两个图像的识别结果进行综合分析,提高柔性手机触摸屏的缺陷检测准确率。
请参阅图2,本发明实施例中手机触摸屏的缺陷检测方法的另一个实施例包括:
201、获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,多个训练图像包括:样本柔性手机触摸屏处于折叠状态的图像和样本柔性手机触摸屏处于伸展状态的图像;
202、对样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照多个折痕缺陷种类对样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;
203、将样本图像数据集中的多个训练图像和每个折痕种类的图像特征输入预置的图像生成网络,通过图像生成网络生成样本图像数据集对应的多个柔性手机触摸屏图像;
具体的,将样本图像数据集中的多个训练图像输入预置的图像生成网络,其中,图像生成网络包括:四层全连接层;通过四层全连接层对每个训练图像进行图像特征提取,得到训练特征向量,并对训练特征向量和每个折痕种类的图像特征进行图像转换,得到多个柔性手机触摸屏图像。
其中,服务器将样本图像数据集中的多个训练图像输入预置的图像生成网络后,服务器合成候选模拟图像,图并对模拟图像进行渲染处理,然后在通过图像过滤后,并通过图像提取模块获得的特征数据合成目标模拟图像,然后通过图像特征标记工具对目标模拟图像上的图像特征进行逐个标记,再通过图像特征提取模块将标记后的图像特征进行提取,得到训练特征向量,并对训练特征向量进行图像转换,得到多个柔性手机触摸屏图像。本发明在对图像进行特征特征识别时,不会对原始图像造成损坏;提高对模拟图像的渲染处理效果,通过图像特征提取模块可准确提取特征数据。
204、调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据判别概率计算每个柔性手机触摸屏图像的特征相关度,并将特征相关度符合预设目标值的柔性手机触摸屏图像和样本图像数据集生成增强图像数据集;
具体的,将多个柔性手机触摸屏图像输入预置的图像判别网络,其中,图像判别网络包括:三层全连接层;通过三层全连接层计算每个柔性手机触摸屏图像的判别概率;根据判别概率计算每个柔性手机触摸屏图像的特征相关度,并将特征相关度符合预设目标值的柔性手机触摸屏图像作为目标柔性手机触摸屏图像;对目标柔性手机触摸屏图像和样本图像数据集进行数据集合并,得到增强图像数据集。
其中,服务器将多个柔性手机触摸屏图像输入预置的图像判别网络,然后通过光学模型和深度先验信息合成有雾图像,从而获取有雾和无雾图像对,并将获得的图像对分为训练集和测试集,进而服务器将训练集中的有雾图像输入到生成网络中先提取有雾图像浅层特征,然后经过若干个无BN层的残差块,最后通过卷积层来对残差学习后的特征进行特征融合并将特征通道数降维,得到生成的去雾图像,并通过三层全连接层计算每个柔性手机触摸屏图像对应的去雾图像的判别概率;根据判别概率生成目标柔性手机触摸屏图像,并对目标柔性手机触摸屏图像和样本图像数据集进行数据集合并,得到增强图像数据集。需要说明的是,有雾图像与清晰图像之间有相同的空间分布,可以能提升生成图像的质量同时减少网络参数计算量。
205、根据增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;
具体的,将增强图像数据集中的多个训练图像输入预置的训练模型,其中,训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;通过训练模型对多个训练图像进行图像像素点预测,得到多个预测结果;调用预置的损失函数计算每个预测结果的损失值,并根据每个预测结果的损失值对训练模型进行参数优化,并将参数优化后的训练模型作为手机触摸屏缺陷检测模型。
可选的,服务器从增强图像数据集中选取样本,将选取的样本的物品图像输入主干模型,得到图像特征向量,进而服务器将图像特征向量分别与选取的样本的目标类别对应的预定数目的子中心向量计算相似度,并将相似度最大值作为目标类别的相似度,需要说明的是,这里的目标类别指的是选取的样本中物品图像的类别。为每个类别设置K个子中心向量,对这K个子中心向量进行随机初始化和L2归一化通过矩阵乘法WTxi,可以得到物品图像特征向量和该类别的K个子中心向量的相似度得分然后对每个类别进行最大池化操作,得到该类别最终的相似度得分,进而服务器基于目标类别的相似度计算损失值,若损失值小于预定阈值,则确定出初始图像特征提取模型训练完成,过该实施方式能够提高特征提取模型的训练速度和准确度,减少对精标数据的依赖。
206、基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;
207、将目标折叠图像和目标伸展图像分别输入手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据第一检测结果和第二检测结果生成折痕检测结果,其中,检测结果用于指示待检测柔性手机触摸屏是否存在折痕缺陷;
具体的,将目标折叠图像输入手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果;将目标伸展图像输入手机触摸屏缺陷检测模型进行折痕检测,得到第二检测结果;对第一检测结果和第二检测结果进行综合结果分析,得到折痕检测结果,其中,检测结果用于指示待检测柔性手机触摸屏是否存在折痕缺陷。
可选的,服务器对目标折叠图像采用投影与角点分析相结合的方法确定手机屏幕区域,服务器根据手机屏幕区域和手机屏幕颜色提取手机屏幕区域图像数据,服务器对手机屏幕区域图像数据进行显著性分析得到综合显著图,服务器由综合显著图提取显著性区域,服务器对显著性区域进行二次投影标记出手机屏幕坏点区域,服务器由标记出的手机屏幕坏点区域提取坏点信息,进而服务器根据该坏点信息对第一检测结果和第二检测结果进行综合结果分析,得到折痕检测结果,本发明技术方案利用坏点的显著性特点,考虑多种尺度的坏点,采用遍历方式,得到的综合显著图中增强了坏点区域,同时有效抑制了背景噪声,有利于提高手机屏幕折痕的检测率。
208、对目标折叠图像进行折叠区域提取,得到目标区域图像;
209、对目标区域图像进行图像校正,得到目标校正图像;
210、将目标校正图像输入预置的色差分析模型进行图像色差分析,得到色差分析结果,其中,色差分析结果用于指示待检测柔性手机触摸屏的折叠区域是否有色差。
具体的,获取目标折叠图像,通过光场预测模型对目标折叠图像进行特征提取,以获取与目标折叠图像对应的三通道背景光场图像,三通道背景光场图像包括亮度信息和白平衡信息,根据三通道背景光场图像对目标折叠图像进行校正,以获取与目标折叠图像对应的校正图像;其中,光场预测模型是基于多个非标准模拟图像样本和与各非标准模拟图像样本对应的三通道背景光场图像样本训练而成的,进而服务器将目标校正图像输入预置的色差分析模型进行图像色差分析,得到色差分析结果,其中,色差分析结果用于指示待检测柔性手机触摸屏的折叠区域是否有色差,能够实现对单张图像进行同步地背景光场校正和色彩白平衡,提高了图像质量。
可选的,若待检测柔性手机触摸屏存在折痕缺陷,则根据目标折叠图像和目标伸展图像计算折痕长度;根据折痕长度对待检测柔性手机触摸屏进行缺陷分级,得到目标缺陷等级,其中,目标缺陷等级用于指示待检测柔性手机触摸屏的缺陷严重程度;根据目标缺陷等级对待检测柔性手机触摸屏进行后处理,并生成后处理方案。
其中,若待检测柔性手机触摸屏存在折痕缺陷,则根据目标折叠图像和目标伸展图像计算折痕长度,需要说明的是,在计算折痕长度时,服务器采用预置的OCR识别工具,对屏幕折痕进行端点确认,确认端点后进行折痕长度计算,进而服务器根据折痕长度对待检测柔性手机触摸屏进行缺陷分级,得到目标缺陷等级,其中,目标缺陷等级用于指示待检测柔性手机触摸屏的缺陷严重程度,根据目标缺陷等级对待检测柔性手机触摸屏进行后处理,并生成后处理方案,此得到可清晰呈现缺陷位置及缺陷量化等级的缺陷图像,实现直观精确的缺陷检测。
本发明实施例中,获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,多个训练图像包括:样本柔性手机触摸屏处于折叠状态的图像和样本柔性手机触摸屏处于伸展状态的图像;对样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照多个折痕缺陷种类对样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;将样本图像数据集中的多个训练图像和每个折痕种类的图像特征输入预置的图像生成网络,通过图像生成网络生成样本图像数据集对应的多个柔性手机触摸屏图像;调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据判别概率计算每个柔性手机触摸屏图像的特征相关度,并将特征相关度符合预设目标值的柔性手机触摸屏图像和样本图像数据集生成增强图像数据集;根据增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;将目标折叠图像和目标伸展图像分别输入手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据第一检测结果和第二检测结果生成折痕检测结果,其中,检测结果用于指示待检测柔性手机触摸屏是否存在折痕缺陷。本发明通过对训练图像进行数据集增强处理,使得数据集更加丰富,进而促使训练得到的模型识别效果更好,此外通过对折叠图像和伸展图像进行识别,将两个图像的识别结果进行综合分析,提高柔性手机触摸屏的缺陷检测准确率。
上面对本发明实施例中手机触摸屏的缺陷检测方法进行了描述,下面对本发明实施例中手机触摸屏的缺陷检测装置进行描述,请参阅图3,本发明实施例中手机触摸屏的缺陷检测装置一个实施例包括:
获取模块301,用于获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对所述多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,所述多个训练图像包括:所述样本柔性手机触摸屏处于折叠状态的图像和所述样本柔性手机触摸屏处于伸展状态的图像;
提取模块302,用于对所述样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照所述多个折痕缺陷种类对所述样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;
输入模块303,用于将所述样本图像数据集中的多个训练图像和所述每个折痕种类的图像特征输入预置的图像生成网络,通过所述图像生成网络生成所述样本图像数据集对应的多个柔性手机触摸屏图像;
生成模块304,用于调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像和所述样本图像数据集生成增强图像数据集;
训练模块305,用于根据所述增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;
采集模块306,用于基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对所述初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;
检测模块307,用于将所述目标折叠图像和所述目标伸展图像分别输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据所述第一检测结果和所述第二检测结果生成折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。
本发明实施例中,获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对所述多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,所述多个训练图像包括:所述样本柔性手机触摸屏处于折叠状态的图像和所述样本柔性手机触摸屏处于伸展状态的图像;对所述样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照所述多个折痕缺陷种类对所述样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;将所述样本图像数据集中的多个训练图像和所述每个折痕种类的图像特征输入预置的图像生成网络,通过所述图像生成网络生成所述样本图像数据集对应的多个柔性手机触摸屏图像;调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像和所述样本图像数据集生成增强图像数据集;根据所述增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对所述初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;将所述目标折叠图像和所述目标伸展图像分别输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据所述第一检测结果和所述第二检测结果生成折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。本发明通过对训练图像进行数据集增强处理,使得数据集更加丰富,进而促使训练得到的模型识别效果更好,此外通过对折叠图像和伸展图像进行识别,将两个图像的识别结果进行综合分析,提高柔性手机触摸屏的缺陷检测准确率。
请参阅图4,本发明实施例中手机触摸屏的缺陷检测装置另一个实施例包括:
获取模块301,用于获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对所述多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,所述多个训练图像包括:所述样本柔性手机触摸屏处于折叠状态的图像和所述样本柔性手机触摸屏处于伸展状态的图像;
提取模块302,用于对所述样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照所述多个折痕缺陷种类对所述样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;
输入模块303,用于将所述样本图像数据集中的多个训练图像和所述每个折痕种类的图像特征输入预置的图像生成网络,通过所述图像生成网络生成所述样本图像数据集对应的多个柔性手机触摸屏图像;
生成模块304,用于调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像和所述样本图像数据集生成增强图像数据集;
训练模块305,用于根据所述增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;
采集模块306,用于基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对所述初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;
检测模块307,用于将所述目标折叠图像和所述目标伸展图像分别输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据所述第一检测结果和所述第二检测结果生成折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。
可选的,所述输入模块303具体用于:将所述样本图像数据集中的多个训练图像输入预置的图像生成网络,其中,所述图像生成网络包括:四层全连接层;通过所述四层全连接层对每个训练图像进行图像特征提取,得到训练特征向量,并对所述训练特征向量和所述每个折痕种类的图像特征进行图像转换,得到多个柔性手机触摸屏图像。
可选的,所述生成模块304具体用于:将所述多个柔性手机触摸屏图像输入预置的图像判别网络,其中,所述图像判别网络包括:三层全连接层;通过所述三层全连接层计算每个柔性手机触摸屏图像的判别概率;根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像作为目标柔性手机触摸屏图像;对所述目标柔性手机触摸屏图像和所述样本图像数据集进行数据集合并,得到增强图像数据集。
可选的,所述训练模块305具体用于:将所述增强图像数据集中的多个训练图像输入预置的训练模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;通过所述训练模型对所述多个训练图像进行图像像素点预测,得到多个预测结果;调用预置的损失函数计算每个预测结果的损失值,并根据每个预测结果的损失值对所述训练模型进行参数优化,并将参数优化后的训练模型作为手机触摸屏缺陷检测模型。
可选的,所述检测模块307具体用于:将所述目标折叠图像输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果;将所述目标伸展图像输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第二检测结果;对所述第一检测结果和所述第二检测结果进行综合结果分析,得到折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。
可选的,所述手机触摸屏的缺陷检测装置还包括:分析模块308,用于对所述目标折叠图像进行折叠区域提取,得到目标区域图像;对所述目标区域图像进行图像校正,得到目标校正图像;将所述目标校正图像输入预置的色差分析模型进行图像色差分析,得到色差分析结果,其中,所述色差分析结果用于指示所述待检测柔性手机触摸屏的折叠区域是否有色差。
可选的,所述手机触摸屏的缺陷检测装置还包括:计算模块309,用于若所述待检测柔性手机触摸屏存在折痕缺陷,则根据所述目标折叠图像和所述目标伸展图像计算折痕长度;根据所述折痕长度对所述待检测柔性手机触摸屏进行缺陷分级,得到目标缺陷等级,其中,所述目标缺陷等级用于指示所述待检测柔性手机触摸屏的缺陷严重程度;根据所述目标缺陷等级对所述待检测柔性手机触摸屏进行后处理,并生成后处理方案。
本发明实施例中,获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对所述多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,所述多个训练图像包括:所述样本柔性手机触摸屏处于折叠状态的图像和所述样本柔性手机触摸屏处于伸展状态的图像;对所述样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照所述多个折痕缺陷种类对所述样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;将所述样本图像数据集中的多个训练图像和所述每个折痕种类的图像特征输入预置的图像生成网络,通过所述图像生成网络生成所述样本图像数据集对应的多个柔性手机触摸屏图像;调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像和所述样本图像数据集生成增强图像数据集;根据所述增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对所述初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;将所述目标折叠图像和所述目标伸展图像分别输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据所述第一检测结果和所述第二检测结果生成折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。本发明通过对训练图像进行数据集增强处理,使得数据集更加丰富,进而促使训练得到的模型识别效果更好,此外通过对折叠图像和伸展图像进行识别,将两个图像的识别结果进行综合分析,提高柔性手机触摸屏的缺陷检测准确率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的手机触摸屏的缺陷检测装置进行详细描述,下面从硬件处理的角度对本发明实施例中手机触摸屏的缺陷检测设备进行详细描述。
图5是本发明实施例提供的一种手机触摸屏的缺陷检测设备的结构示意图,该手机触摸屏的缺陷检测设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对手机触摸屏的缺陷检测设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在手机触摸屏的缺陷检测设备500上执行存储介质530中的一系列指令操作。
手机触摸屏的缺陷检测设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作***531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的手机触摸屏的缺陷检测设备结构并不构成对手机触摸屏的缺陷检测设备的限定,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。
本发明还提供一种手机触摸屏的缺陷检测设备,所述手机触摸屏的缺陷检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述手机触摸屏的缺陷检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述手机触摸屏的缺陷检测方法的步骤。
进一步地,计算机可读存储介质可主要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***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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)执行本发明实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,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,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种手机触摸屏的缺陷检测方法,其特征在于,所述手机触摸屏的缺陷检测方法包括:
获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对所述多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,所述多个训练图像包括:所述样本柔性手机触摸屏处于折叠状态的图像和所述样本柔性手机触摸屏处于伸展状态的图像;
对所述样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照所述多个折痕缺陷种类对所述样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;
将所述样本图像数据集中的多个训练图像和所述每个折痕种类的图像特征输入预置的图像生成网络,通过所述图像生成网络生成所述样本图像数据集对应的多个柔性手机触摸屏图像;
调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像和所述样本图像数据集生成增强图像数据集;
根据所述增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;
基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对所述初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;
将所述目标折叠图像和所述目标伸展图像分别输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据所述第一检测结果和所述第二检测结果生成折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。
2.根据权利要求1所述的手机触摸屏的缺陷检测方法,其特征在于,所述将所述样本图像数据集中的多个训练图像和所述每个折痕种类的图像特征输入预置的图像生成网络,通过所述图像生成网络生成所述样本图像数据集对应的多个柔性手机触摸屏图像,包括:
将所述样本图像数据集中的多个训练图像输入预置的图像生成网络,其中,所述图像生成网络包括:四层全连接层;
通过所述四层全连接层对每个训练图像进行图像特征提取,得到训练特征向量,并对所述训练特征向量和所述每个折痕种类的图像特征进行图像转换,得到多个柔性手机触摸屏图像。
3.根据权利要求1所述的手机触摸屏的缺陷检测方法,其特征在于,所述调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像和所述样本图像数据集生成增强图像数据集,包括:
将所述多个柔性手机触摸屏图像输入预置的图像判别网络,其中,所述图像判别网络包括:三层全连接层;
通过所述三层全连接层计算每个柔性手机触摸屏图像的判别概率;
根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像作为目标柔性手机触摸屏图像;
对所述目标柔性手机触摸屏图像和所述样本图像数据集进行数据集合并,得到增强图像数据集。
4.根据权利要求1所述的手机触摸屏的缺陷检测方法,其特征在于,所述根据所述增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层,包括:
将所述增强图像数据集中的多个训练图像输入预置的训练模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;
通过所述训练模型对所述多个训练图像进行图像像素点预测,得到多个预测结果;
调用预置的损失函数计算每个预测结果的损失值,并根据每个预测结果的损失值对所述训练模型进行参数优化,并将参数优化后的训练模型作为手机触摸屏缺陷检测模型。
5.根据权利要求1所述的手机触摸屏的缺陷检测方法,其特征在于,所述将所述目标折叠图像和所述目标伸展图像分别输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据所述第一检测结果和所述第二检测结果生成折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷,包括:
将所述目标折叠图像输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果;
将所述目标伸展图像输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第二检测结果;
对所述第一检测结果和所述第二检测结果进行综合结果分析,得到折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。
6.根据权利要求1-5中任一项所述的手机触摸屏的缺陷检测方法,其特征在于,所述手机触摸屏的缺陷检测方法还包括:
对所述目标折叠图像进行折叠区域提取,得到目标区域图像;
对所述目标区域图像进行图像校正,得到目标校正图像;
将所述目标校正图像输入预置的色差分析模型进行图像色差分析,得到色差分析结果,其中,所述色差分析结果用于指示所述待检测柔性手机触摸屏的折叠区域是否有色差。
7.根据权利要求1所述的手机触摸屏的缺陷检测方法,其特征在于,所述手机触摸屏的缺陷检测方法还包括:
若所述待检测柔性手机触摸屏存在折痕缺陷,则根据所述目标折叠图像和所述目标伸展图像计算折痕长度;
根据所述折痕长度对所述待检测柔性手机触摸屏进行缺陷分级,得到目标缺陷等级,其中,所述目标缺陷等级用于指示所述待检测柔性手机触摸屏的缺陷严重程度;
根据所述目标缺陷等级对所述待检测柔性手机触摸屏进行后处理,并生成后处理方案。
8.一种手机触摸屏的缺陷检测装置,其特征在于,所述手机触摸屏的缺陷检测装置包括:
获取模块,用于获取多个样本柔性手机触摸屏的训练图像,得到多个训练图像,并对所述多个训练图像进行缺陷信息标注,生成样本图像数据集,其中,所述多个训练图像包括:所述样本柔性手机触摸屏处于折叠状态的图像和所述样本柔性手机触摸屏处于伸展状态的图像;
提取模块,用于对所述样本图像数据集的折痕缺陷进行缺陷种类提取,得到多个折痕缺陷种类,并按照所述多个折痕缺陷种类对所述样本图像数据集进行图像特征提取,得到每个折痕种类的图像特征;
输入模块,用于将所述样本图像数据集中的多个训练图像和所述每个折痕种类的图像特征输入预置的图像生成网络,通过所述图像生成网络生成所述样本图像数据集对应的多个柔性手机触摸屏图像;
生成模块,用于调用预置的图像判别网络计算每个柔性手机触摸屏图像的判别概率,并根据所述判别概率计算每个柔性手机触摸屏图像的特征相关度,并将所述特征相关度符合预设目标值的柔性手机触摸屏图像和所述样本图像数据集生成增强图像数据集;
训练模块,用于根据所述增强图像数据集对预置的训练模型进行模型训练,得到手机触摸屏缺陷检测模型,其中,所述训练模型包括:四层卷积网络、池化层、两层残差网络、四层反卷积网络和激活函数层;
采集模块,用于基于预置的图像采集终端采集待检测柔性手机触摸屏的初始折叠图像和初始伸展图像,并对所述初始折叠图像和初始伸展图像进行图像预处理,得到目标折叠图像和目标伸展图像;
检测模块,用于将所述目标折叠图像和所述目标伸展图像分别输入所述手机触摸屏缺陷检测模型进行折痕检测,得到第一检测结果和第二检测结果,并根据所述第一检测结果和所述第二检测结果生成折痕检测结果,其中,所述折痕检测结果用于指示所述待检测柔性手机触摸屏是否存在折痕缺陷。
9.一种手机触摸屏的缺陷检测设备,其特征在于,所述手机触摸屏的缺陷检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述手机触摸屏的缺陷检测设备执行如权利要求1-7中任一项所述的手机触摸屏的缺陷检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的手机触摸屏的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210777760.8A CN114862845B (zh) | 2022-07-04 | 2022-07-04 | 手机触摸屏的缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210777760.8A CN114862845B (zh) | 2022-07-04 | 2022-07-04 | 手机触摸屏的缺陷检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114862845A CN114862845A (zh) | 2022-08-05 |
CN114862845B true CN114862845B (zh) | 2022-09-06 |
Family
ID=82626527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210777760.8A Active CN114862845B (zh) | 2022-07-04 | 2022-07-04 | 手机触摸屏的缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862845B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024113340A1 (zh) * | 2022-12-02 | 2024-06-06 | 上海成电福智科技有限公司 | 一种基于无监督迁移学习的零部件缺陷检测方法 |
CN116051551B (zh) * | 2023-03-29 | 2023-06-09 | 深圳市康凌源科技有限公司 | 基于图像处理的显示屏缺陷检测方法及相关装置 |
CN116453438B (zh) * | 2023-06-19 | 2023-08-18 | 深圳市瑞桔电子有限公司 | 一种显示屏参数检测方法、装置、设备及存储介质 |
CN117076283B (zh) * | 2023-10-17 | 2024-01-26 | 江苏纳帝电子科技有限公司 | 一种触摸屏性能质量检测分析方法 |
CN117238229B (zh) * | 2023-11-16 | 2024-02-09 | 深圳市诚电科技有限公司 | 一种基于立体液晶显示器的自动对正方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109239102A (zh) * | 2018-08-21 | 2019-01-18 | 南京理工大学 | 一种基于cnn的柔性电路板外观缺陷检测方法 |
CN109242829A (zh) * | 2018-08-16 | 2019-01-18 | 惠州学院 | 基于小样本深度学习的液晶屏缺陷检测方法、***及装置 |
CN109859207A (zh) * | 2019-03-06 | 2019-06-07 | 华南理工大学 | 一种高密度柔性基板的缺陷检测方法 |
CN111487316A (zh) * | 2020-05-26 | 2020-08-04 | 广州多浦乐电子科技股份有限公司 | 折叠屏折痕检测装置及方法 |
CN111986195A (zh) * | 2020-09-07 | 2020-11-24 | 北京凌云光技术集团有限责任公司 | 一种外观缺陷检测方法及*** |
CN113299213A (zh) * | 2021-06-17 | 2021-08-24 | 合肥维信诺科技有限公司 | 折痕检测方法及装置 |
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*** |
CN114608818A (zh) * | 2022-03-01 | 2022-06-10 | 深圳市华星光电半导体显示技术有限公司 | 折叠屏折痕检测装置及其方法 |
WO2022127919A1 (zh) * | 2020-12-17 | 2022-06-23 | 杭州海康威视数字技术股份有限公司 | 表面缺陷检测方法、装置、***、存储介质及程序产品 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10551970B2 (en) * | 2018-01-11 | 2020-02-04 | Esw Holdings, Inc. | System and method for detecting imperfections in a screen |
CN111179253B (zh) * | 2019-12-30 | 2023-11-24 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与*** |
-
2022
- 2022-07-04 CN CN202210777760.8A patent/CN114862845B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242829A (zh) * | 2018-08-16 | 2019-01-18 | 惠州学院 | 基于小样本深度学习的液晶屏缺陷检测方法、***及装置 |
CN109239102A (zh) * | 2018-08-21 | 2019-01-18 | 南京理工大学 | 一种基于cnn的柔性电路板外观缺陷检测方法 |
CN109859207A (zh) * | 2019-03-06 | 2019-06-07 | 华南理工大学 | 一种高密度柔性基板的缺陷检测方法 |
CN111487316A (zh) * | 2020-05-26 | 2020-08-04 | 广州多浦乐电子科技股份有限公司 | 折叠屏折痕检测装置及方法 |
CN111986195A (zh) * | 2020-09-07 | 2020-11-24 | 北京凌云光技术集团有限责任公司 | 一种外观缺陷检测方法及*** |
WO2022127919A1 (zh) * | 2020-12-17 | 2022-06-23 | 杭州海康威视数字技术股份有限公司 | 表面缺陷检测方法、装置、***、存储介质及程序产品 |
CN113299213A (zh) * | 2021-06-17 | 2021-08-24 | 合肥维信诺科技有限公司 | 折痕检测方法及装置 |
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*** |
CN114608818A (zh) * | 2022-03-01 | 2022-06-10 | 深圳市华星光电半导体显示技术有限公司 | 折叠屏折痕检测装置及其方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的FPC缺陷检测***;眭石军等;《仪表技术与传感器》;20200915(第09期);第64-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114862845A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114862845B (zh) | 手机触摸屏的缺陷检测方法、装置、设备及存储介质 | |
US11681418B2 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
CN109961421B (zh) | 数据生成装置、数据生成方法以及数据生成记录介质 | |
CN111401372B (zh) | 一种扫描文档图文信息提取与鉴别的方法 | |
CN112381775B (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
WO2018166116A1 (zh) | 车损识别方法、电子装置及计算机可读存储介质 | |
JP2024509411A (ja) | 欠陥検出方法、装置及びシステム | |
CN108960412B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN113449725B (zh) | 对象分类方法、装置、设备及存储介质 | |
CN111784665B (zh) | 基于傅里叶变换的oct图像质量评估方法、***及装置 | |
CN111461101A (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和*** | |
CN110674802A (zh) | 一种改进的平行四边形候选框的文本检测方法 | |
CN112508000B (zh) | 一种用于ocr图像识别模型训练数据生成的方法及设备 | |
WO2019045101A1 (ja) | 画像処理装置及びプログラム | |
CN117237736A (zh) | 一种基于机器视觉和深度学习的大曲质量检测方法 | |
CN111199199B (zh) | 一种基于自适应上下文区域选取的动作识别方法 | |
Cirujeda et al. | Medical Image Classification via 2D color feature based Covariance Descriptors. | |
CN111754491A (zh) | 一种图片清晰度判定方法及装置 | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
JP2018013887A (ja) | 特徴選択装置、タグ関連領域抽出装置、方法、及びプログラム | |
CN113177602A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN114387600A (zh) | 文本特征识别方法、装置、计算机设备和存储介质 | |
CN111932447A (zh) | 一种图片处理方法、装置、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 |