CN115661161A - 零件的缺陷检测方法、装置、存储介质、设备及程序产品 - Google Patents
零件的缺陷检测方法、装置、存储介质、设备及程序产品 Download PDFInfo
- Publication number
- CN115661161A CN115661161A CN202211702550.9A CN202211702550A CN115661161A CN 115661161 A CN115661161 A CN 115661161A CN 202211702550 A CN202211702550 A CN 202211702550A CN 115661161 A CN115661161 A CN 115661161A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- images
- target
- parts
- 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
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)
- Image Processing (AREA)
Abstract
本申请的实施例公开了一种零件的缺陷检测方法、装置、存储介质、设备及程序产品,涉及人工智能技术领域,包括:基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像;将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息。本申请通过以标准图像为基础,对零件的图像进行矫正变换,使实际拍摄中存在倾斜、位置偏移等问题的图像矫正,由于模型的训练样本来源于无缺陷零件,并将无缺陷零件的拍摄图像以对应的标准图像矫正变换得到,即便是面对未知的、没有学习过的缺陷类型,在学习到了无缺陷零件的图像数据分布状况后,也能够在推理测试中检测出图像上的缺陷信息,使得零件的缺陷检测方法能够适应更多工况需求。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种零件的缺陷检测方法、装置、存储介质、设备及程序产品。
背景技术
工业零件生产制造由多个工艺组成,一般需要在多台机床设备进行加工制造,在这复杂且繁琐的制造过程中容易引入各种各样的产品缺陷。这些缺陷大多对于生产厂家来说是不可接受的,因此如何识别工件的“健康”状态,完成高质量的质检就显得尤为重要。
在质检领域,传统方式采用人员检测的方式进行判别,但在面对巨大数量的待检零件时容易造成过检以及漏检,随着深度学习的发展,目标检测也开始逐步被应用到质检领域,但该方式的检测效果过度依赖于学习过的缺陷,无法覆盖未曾出现过的或很少出现的缺陷,因此导致缺陷检测方法无法适应更多工况需求。
发明内容
本申请的主要目的在于提供一种零件的缺陷检测方法、装置、存储介质、设备及程序产品,旨在解决现有技术中的零件的缺陷检测方法无法适应更多工况需求的问题。
为实现上述目的,本申请的实施例采用的技术方案如下:
第一方面,本申请实施例提供一种零件的缺陷检测方法,包括以下步骤:
基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像;
将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息;其中,缺陷检测模型基于样本数据集训练获得,样本数据集中包含若干无缺陷零件的矫正图像,无缺陷零件的矫正图像基于其对应的标准图像,对无缺陷零件的拍摄图像进行图像矫正变换获得。
通过以标准图像为基础,将需要检测缺陷的零件的图像进行矫正变换,将实际拍摄中存在倾斜、位置偏移以及其他零件干扰的图像进行处理,然后直接输入到缺陷检测模型当中进行推理测试,以得到图像上的缺陷信息,由于缺陷检测模型的训练样本来源于无缺陷零件,并且将无缺陷零件的拍摄图像以对应的标准图像矫正变换,能够从模型训练时的收敛速度与检测准确度两方面提升模型的质量,即便是面对未知的、没有学习过的缺陷类型,在学习到了无缺陷零件的图像数据分布状况后,也能够在推理测试中,将待检测的零件的图像与标准状态下的无缺陷零件的图像进行对比分析,以检测出图像上的缺陷信息,使得零件的缺陷检测方法能够适应更多工况需求,并具有良好的检测效果。
在第一方面的一种可能实现方式中,将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息之前,零件的缺陷检测方法还包括:
获取若干无缺陷零件的拍摄图像;
基于无缺陷零件对应的标准图像,对若干无缺陷零件的拍摄图像进行图像矫正变换,获得若干无缺陷零件的矫正图像;
基于若干无缺陷零件的矫正图像,训练获得缺陷检测模型。
提前训练缺陷检测模型以便于多次反复使用,其训练的手段与本申请对于目标图像的处理手段类似,由于是利用无缺陷产品进行的,不直接依赖产品上的缺陷,将拍摄图像同样变换到其对应的标准状态下获得的矫正图像,能够明显提升模型训练的收敛速度与利用模型进行检测的准确度,提升了模型的质量,使其能够广泛覆盖所有实际工况,有利于提升缺陷检测的效果。
在第一方面的一种可能实现方式中,基于无缺陷零件对应的标准图像,对若干无缺陷零件的拍摄图像进行图像矫正变换,获得若干无缺陷零件的矫正图像之后,零件的缺陷检测方法还包括:
基于无缺陷零件对应的标准图像,对若干无缺陷零件的矫正图像进行模板匹配,获得无缺陷零件的第一矫正图像;
基于若干无缺陷零件的矫正图像,训练获得缺陷检测模型,包括:
基于若干无缺陷零件的第一矫正图像,训练获得缺陷检测模型。
模板匹配是一种最原始、最基本的模式识别方法,研究某一特定对象物的图案位于图像的什么地方,进而识别对象物,这就是一个匹配问题,模板就是一副已知的小图像,而模板匹配就是在一副大图像中搜寻目标,已知该图中有要找的目标,且该目标同模板有相同的尺寸、方向和图像元素,通过一定的算法可以在图中找到目标,确定其坐标位置。本实施例中的大图像是指标准图像,而小图像是指矫正图像,由于实际拍摄的影响,不一定就能使所有的图像都与标准图像匹配,因此在模板匹配下进行调整,使得处理之后的图像中的零件在图像中都更加规整。
在第一方面的一种可能实现方式中,获取若干无缺陷零件的拍摄图像之后,零件的缺陷检测方法还包括:
根据目标缺陷类型,对无缺陷零件的拍摄图像进行预处理,获得预处理图像;
基于无缺陷零件对应的标准图像,对若干无缺陷零件的拍摄图像进行图像矫正变换,获得若干无缺陷零件的矫正图像,包括:
基于无缺陷零件对应的标准图像,对预处理图像进行图像矫正变换,获得若干无缺陷零件的矫正图像。
在实际的检测任务中,缺陷大致可以区分为明显缺陷与细小缺陷,在模型中进行推理测试时,由于模型是不具备明确缺陷大小的能力,而明显缺陷显然是可以根据它自身的突出性容易明确的,而在不同的场景下对细小缺陷又有着不同的检出要求,显然对训练数据进行预处理,迫使模型能够在训练时关注或者忽略细小缺陷,让模型与实际的检出要求相匹配,完成效果更好的检测。
在第一方面的一种可能实现方式中,根据目标缺陷类型,对无缺陷零件的拍摄图像进行预处理,获得预处理图像,包括:
根据目标缺陷类型,对无缺陷零件的拍摄图像采用随机生成高斯噪声的方法进行预处理,获得预处理图像。
采用随机生成高斯噪声的方法,以匹配不需要检出细小缺陷的工况,通过该方法处理后,图像上的细小缺陷被忽略,从图像形态上看,图像的清晰度会降低,变得模糊,但由于不需要检出细小缺陷,这种模糊是不会影响检测的。
在第一方面的一种可能实现方式中,根据目标缺陷类型,对无缺陷零件的拍摄图像采用随机生成高斯噪声的方法进行预处理,获得预处理图像,包括:
根据目标缺陷类型为非细小缺陷类型,生成高斯分布随机数序列;
根据高斯分布随机数序列,获得高斯噪声;
以无缺陷零件的拍摄图像为基础添加高斯噪声,获得预处理图像。
目标缺陷类型为非细小缺陷类型,意味着可以忽略细小缺陷,再按照随机生成高斯噪声的方法,先生成高斯分布随机数序列,而后得到高斯噪声,高斯噪声为加性噪声,在无缺陷零件的拍摄图像的基础上加上高斯噪声即为加噪后的图像,最终使得图像上的细小缺陷被忽略,模型训练中样本图像上的干扰进一步降低,有利于提升模型质量。
在第一方面的一种可能实现方式中,根据目标缺陷类型,对无缺陷零件的拍摄图像进行预处理,获得预处理图像,包括:
根据目标缺陷类型,对无缺陷零件的拍摄图像采用均值滤波的方法进行预处理,获得预处理图像。
采用均值滤波的方法,以匹配需要检出细小缺陷的工况,通过该方法处理后的图像,在模型训练时能够学习到更加规整的数据分布,模型在推理测试时就更容易发现细小缺陷。
在第一方面的一种可能实现方式中,根据目标缺陷类型,对无缺陷零件的拍摄图像采用均值滤波的方法进行预处理,获得预处理图像,包括:
根据目标缺陷类型为细小缺陷类型,分别获得无缺陷零件的拍摄图像上的各像素点;
以像素点为中心像素点,获得中心像素点周围的八个像素点的像素;
以八个像素点的像素与中心像素点的像素的平均值作为中心像素点的像素,获得中心像素点的目标像素值;
根据若干中心像素点的目标像素值,获得预处理图像。
在利用像素模板进行遍历下,图像上所有的像素都能够被处理,并且由于幅值近似相等且随机分布在不同位置上,这样的均值滤波处理可以平滑图像,并且处理的速度较快且算法简单,能够更容易关注到细小缺陷,完成精确的检测工作。
在第一方面的一种可能实现方式中,基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像之后,零件的缺陷检测方法还包括:
基于标准图像,对矫正图像进行模板匹配,获得第一矫正图像;
将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息,包括:
将第一矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息。
由于目标图像在实际情况下,存在自动化的传动影响以及采集图像过程中有调整等影响因素,目标图像可能无法与标准图像进行对应,因此采用模板匹配的方法将目标图像在标准图像的基础上进行规整,使得所有的目标图像都能够在同样的标准下进行后续的处理,有利于提升检测质量。
在第一方面的一种可能实现方式中,基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像之前,零件的缺陷检测方法还包括:
对目标零件的拍摄图像进行灰度化处理,获得目标图像。
由于拍摄图像为实际状态下的图,为多通道彩色图像,进行灰度化处理有利于降低数据维度,排除图像上其他噪声的干扰。
第二方面,本申请实施例提供一种零件的缺陷检测装置,包括:
矫正变换模块,矫正变换模块用于基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像;
推理测试模块,推理测试模块用于将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息;其中,缺陷检测模型基于样本数据集训练获得,样本数据集中包含若干无缺陷零件的矫正图像,无缺陷零件的矫正图像基于其对应的标准图像,对无缺陷零件的拍摄图像进行图像矫正变换获得。
第三方面,本申请实施例提供一种计算机可读存储介质,储存有计算机程序,计算机程序被处理器加载执行时,实现如上述第一方面中任一项提供的零件的缺陷检测方法。
第四方面,本申请实施例提供一种电子设备,包括处理器及存储器,其中,
存储器用于存储计算机程序;
处理器用于加载执行计算机程序,以使电子设备执行如上述第一方面中任一项提供的零件的缺陷检测方法。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序,当计算机程序被执行时,用于执行如上述第一方面中任一项提供的零件的缺陷检测方法。
与现有技术相比,本申请的有益效果是:
本申请实施例提出的一种零件的缺陷检测方法、装置、存储介质、设备及程序产品,该方法通过基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像;将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息;其中,缺陷检测模型基于样本数据集训练获得,样本数据集中包含若干无缺陷零件的矫正图像,无缺陷零件的矫正图像基于其对应的标准图像,对无缺陷零件的拍摄图像进行图像矫正变换获得。本申请的方法通过以标准图像为基础,将需要检测缺陷的零件的图像进行矫正变换,将实际拍摄中存在倾斜、位置偏移以及其他零件干扰的图像进行处理,然后直接输入到缺陷检测模型当中进行推理测试,以得到图像上的缺陷信息,由于缺陷检测模型的训练样本来源于无缺陷零件,并且将无缺陷零件的拍摄图像以对应的标准图像矫正变换,能够从模型训练时的收敛速度与检测准确度两方面提升模型的质量,即便是面对未知的、没有学习过的缺陷类型,在学习到了无缺陷零件的图像数据分布状况后,也能够在推理测试中,将待检测的零件的图像与标准状态下的无缺陷零件的图像进行对比分析,以检测出图像上的缺陷信息,使得零件的缺陷检测方法能够适应更多工况需求,并具有良好的检测效果。
附图说明
图1为本申请实施例涉及的硬件运行环境的电子设备结构示意图;
图2为本申请实施例提供的零件的缺陷检测方法的流程示意图;
图3为本申请实施例提供的零件的缺陷检测装置的模块示意图;
图4为本申请实施例提供的零件的缺陷检测方法中一种目标图像的示意图;
图5为图4所示的目标图像对应的矫正图像的示意图;
图中标记:101-处理器,102-通信总线,103-网络接口,104-用户接口,105-存储器。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例的主要解决方案是:提出一种零件的缺陷检测方法、装置、存储介质、设备及程序产品,该方法包括:基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像;将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息;其中,缺陷检测模型基于样本数据集训练获得,样本数据集中包含若干无缺陷零件的矫正图像,无缺陷零件的矫正图像基于其对应的标准图像,对无缺陷零件的拍摄图像进行图像矫正变换获得。
工业零件生产制造由多个工艺组成,一般需要在多台机床设备进行加工制造,在这复杂且繁琐的制造过程中容易引入各种各样的产品缺陷。这些缺陷大多对于生产厂家来说是不可接受的,因此如何将缺陷识别出来,并以此评判工件的“健康”状态就显得尤为重要。在面对巨大数量的待检零件时,传统的采用人员检测的方式容易造成过检以及漏检,检测效率也很难匹配实际需求,随着深度学习技术的发展,利用深度神经网络技术的方式开始普遍应用,该方式利用检测模型对学习过的缺陷进行准确定位并分类,但由于某些缺陷未曾出现或很少出现,训练模型的样本数量不足,导致无法训练出检测模型,或者训练出的模型的检测效果并不理想,使得检测方法受限于样本数据的情况,无法完全覆盖所有场景需求。
为此,本申请提供一种解决方案,通过以标准图像为基础,将需要检测缺陷的零件的图像进行矫正变换,将实际拍摄中存在倾斜、位置偏移以及其他零件干扰的图像进行处理,然后直接输入到缺陷检测模型当中进行推理测试,以得到图像上的缺陷信息,由于缺陷检测模型的训练样本来源于无缺陷零件,并且将无缺陷零件的拍摄图像以对应的标准图像矫正变换,能够从模型训练时的收敛速度与检测准确度两方面提升模型的质量,即便是面对未知的、没有学习过的缺陷类型,在学习到了无缺陷零件的图像数据分布状况后,也能够在推理测试中,将待检测的零件的图像与标准状态下的无缺陷零件的图像进行对比分析,以检测出图像上的缺陷信息,使得零件的缺陷检测方法能够适应更多工况需求,并具有良好的检测效果。
参照附图1,附图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图,该电子设备可以包括:处理器101,例如中央处理器(Central Processing Unit,CPU),通信总线102、用户接口104,网络接口103,存储器105。其中,通信总线102用于实现这些组件之间的连接通信。用户接口104可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口104还可以包括标准的有线接口、无线接口。网络接口103可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器105可选的可以是独立于前述处理器101的存储装置,存储器105可能是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可能是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器;处理器101可以是通用处理器,包括中央处理器、网络处理器等,还可以是数字信号处理器、专用集成电路、现场可编程门阵列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。
本领域技术人员可以理解,附图1中示出的结构并不构成对电子设备的限定,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。
如附图1所示,作为一种存储介质的存储器105中可以包括操作***、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在附图1所示的电子设备中,网络接口103主要用于与网络服务器进行数据通信;用户接口104主要用于与用户进行数据交互;本申请中的处理器101、存储器105可以设置在电子设备中,电子设备通过处理器101调用存储器105中存储的零件的缺陷检测装置,并执行本申请实施例提供的零件的缺陷检测方法。
参照附图2,基于前述实施例的硬件设备,本申请的实施例提供一种零件的缺陷检测方法,包括以下步骤:
S10:对目标零件的拍摄图像进行灰度化处理,获得目标图像。
在具体实施过程中,目标零件为待检测的零件,其拍摄图像为其实际状态下通过相机等图像采集设备拍摄的图像,如工业相机,自动光学检测设备等,灰度化,在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。由于拍摄图像为实际状态下的图,为多通道彩色图像,进行灰度化处理有利于降低数据维度,排除图像上其他噪声的干扰,灰度化处理后即获得目标图像,在实际采集图像时,如果采用的是AOI自动光学检测设备,该设备能够直接输出灰度化的图像,因此利用AOI设备进行图像获取时,就不需要再进行灰度化处理了。
S20:基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像。
在具体实施过程中,标准图像为与目标零件同类型产品的图像,其获取方式可以根据实际情况进行选择,如检测精度要求非常高,那么可以利用零件的标准设计图当做标准图像;检测精度要求一般,就可以通过采集标准零件的图像获得,标准零件为已制造出来的合格产品,其中需要说明的是,标准图像应当是与目标图像基于同样的视角获取的,在标准设计图当中,由于可以利用图像处理软件进行操作,可以便捷地调整获取图像,而在拍摄获取时就需要注意,拍摄不同的对象时应当是利用如相机定点拍摄相同部位来获取图像。而后的矫正变换才能够以标准图像为基础,将实际工况拍摄下,存在一定程度倾斜、位置偏移以及其他零件干扰问题的目标图像进行矫正,使目标图像中的零件能够变换到标准状态,有利于与标准图像进行比对,如附图4所示即为一种目标图像,存在有一定的倾斜,在矫正变换后则获得如附图5所示的矫正图像。
S30:将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息;其中,缺陷检测模型基于样本数据集训练获得,样本数据集中包含若干无缺陷零件的矫正图像,无缺陷零件的矫正图像基于其对应的标准图像,对无缺陷零件的拍摄图像进行图像矫正变换获得。
在具体实施过程中,已训练的缺陷检测模型,是指基于已有的深度学习模型,利用样本数据集训练获得的,由于样本数据集中包含了无缺陷零件的矫正图像,而该矫正图像又是来源于对无缺陷零件的拍摄图像在基于标准图像的情况下,进行矫正变换获得,需要注意的是,此处的标准图像应当是与该步骤中所采集的无缺陷零件所对应的标准图像,也就是说,如果无缺陷零件是A零件,那么标准图像应当是A零件对应的。零件可以是与步骤S20中的零件相同,也可以不同,因为本步骤中是需要利用这些样本数据,在无监督学习下使模型能够自主学习到将输入的对象与其标准图像进行比对的能力,从而进行推理测试,输出结果并由专业人员判断该结果与标准图像分布存在差异的地方,即可以获得缺陷信息。推理测试的结果可以采用输出图像结果的方式,该图像结果类似于机械设计中的有限元分析,能够从图像上的色彩以及色彩分布情况来获得缺陷信息。
本实施例中,通过以标准图像为基础,将需要检测缺陷的零件的图像进行矫正变换,将实际拍摄中存在倾斜、位置偏移以及其他零件干扰的图像进行处理,然后直接输入到缺陷检测模型当中进行推理测试,以得到图像上的缺陷信息,由于缺陷检测模型的训练样本来源于无缺陷零件,并且将无缺陷零件的拍摄图像以对应的标准图像矫正变换,能够从模型训练时的收敛速度与检测准确度两方面提升模型的质量,即便是面对未知的、没有学习过的缺陷类型,在学习到了无缺陷零件的图像数据分布状况后,也能够在推理测试中,将待检测的零件的图像与标准状态下的无缺陷零件的图像进行对比分析,以检测出图像上的缺陷信息,使得零件的缺陷检测方法能够适应更多工况需求,并具有良好的检测效果。
在一种实施例中,将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息之前,零件的缺陷检测方法还包括:
获取若干无缺陷零件的拍摄图像;
基于无缺陷零件对应的标准图像,对若干无缺陷零件的拍摄图像进行图像矫正变换,获得若干无缺陷零件的矫正图像;
基于若干无缺陷零件的矫正图像,训练获得缺陷检测模型。
在具体实施过程中,提前训练缺陷检测模型以便于多次反复使用,其训练的手段与本申请对于目标图像的处理手段类似,由于是利用无缺陷产品进行的,不直接依赖产品上的缺陷,将拍摄图像同样变换到其对应的标准状态下获得的矫正图像,能够明显提升模型训练的收敛速度与利用模型进行检测的准确度,提升了模型的质量,使其能够广泛覆盖所有实际工况,有利于提升缺陷检测的效果。
在一种实施例中,基于无缺陷零件对应的标准图像,对若干无缺陷零件的拍摄图像进行图像矫正变换,获得若干无缺陷零件的矫正图像之后,零件的缺陷检测方法还包括:
基于无缺陷零件对应的标准图像,对若干无缺陷零件的矫正图像进行模板匹配,获得无缺陷零件的第一矫正图像。
在具体实施过程中,模板匹配是一种最原始、最基本的模式识别方法,研究某一特定对象物的图案位于图像的什么地方,进而识别对象物,这就是一个匹配问题,模板就是一副已知的小图像,而模板匹配就是在一副大图像中搜寻目标,已知该图中有要找的目标,且该目标同模板有相同的尺寸、方向和图像元素,通过一定的算法可以在图中找到目标,确定其坐标位置。本实施例中的大图像是指标准图像,而小图像是指矫正图像,由于实际拍摄的影响,不一定就能使所有的图像都与标准图像匹配,因此在模板匹配下进行调整,使得处理之后的图像中的零件在图像中都更加规整,此时的图像也即第一矫正图像。
基于前述步骤中对图像进行模板匹配获得第一矫正图像的操作,基于若干无缺陷零件的矫正图像,训练获得缺陷检测模型,包括:
基于若干无缺陷零件的第一矫正图像,训练获得缺陷检测模型。
在一种实施例中,获取若干无缺陷零件的拍摄图像之后,零件的缺陷检测方法还包括:
根据目标缺陷类型,对无缺陷零件的拍摄图像进行预处理,获得预处理图像。
在具体实施过程中,在实际的检测任务中,缺陷大致可以区分为明显缺陷与细小缺陷,在模型中进行推理测试时,由于模型是不具备明确缺陷大小的能力,而明显缺陷显然是可以根据它自身的突出性容易明确的,而在不同的场景下对细小缺陷又有着不同的检出要求,显然对训练数据进行预处理,迫使模型能够在训练时关注或者忽略细小缺陷,让模型与实际的检出要求相匹配,完成效果更好的检测。
基于前述步骤中对拍摄图像进行预处理的操作,基于无缺陷零件对应的标准图像,对若干无缺陷零件的拍摄图像进行图像矫正变换,获得若干无缺陷零件的矫正图像,包括:
基于无缺陷零件对应的标准图像,对预处理图像进行图像矫正变换,获得若干无缺陷零件的矫正图像。
在一种实施例中,根据目标缺陷类型,对无缺陷零件的拍摄图像进行预处理,获得预处理图像,包括:
根据目标缺陷类型,对无缺陷零件的拍摄图像采用随机生成高斯噪声的方法进行预处理,获得预处理图像。
在具体实施过程中,提供一种预处理的手段,即采用随机生成高斯噪声的方法,以匹配不需要检出细小缺陷的工况,通过该方法处理后,图像上的细小缺陷被忽略,从图像形态上看,图像的清晰度会降低,变得模糊,但由于不需要检出细小缺陷,这种模糊是不会影响检测的。具体的:
根据目标缺陷类型,对无缺陷零件的拍摄图像采用随机生成高斯噪声的方法进行预处理,获得预处理图像,包括:
根据目标缺陷类型为非细小缺陷类型,生成高斯分布随机数序列;
根据高斯分布随机数序列,获得高斯噪声;
以无缺陷零件的拍摄图像为基础添加高斯噪声,获得预处理图像。
在具体实施过程中,目标缺陷类型为非细小缺陷类型,意味着可以忽略细小缺陷,再按照随机生成高斯噪声的方法,先生成高斯分布随机数序列,而后得到高斯噪声,高斯噪声为加性噪声,在无缺陷零件的拍摄图像的基础上加上高斯噪声即为加噪后的图像,最终使得图像上的细小缺陷被忽略,模型训练中样本图像上的干扰进一步降低,有利于提升模型质量。根据加噪的公式可知,高斯噪声的系数越大,高斯噪声越强,反映出来为图像越模糊,而由于噪声服从高斯分布,所以方差越大,数据越分散,噪声也就越多,上述两种都表现为图像的模糊程度,而均值决定图像的明亮程度,均值绝对值越大,表明图像越暗或越亮,而图像的亮与暗分别由正负号决定。
在一种实施例中,根据目标缺陷类型,对无缺陷零件的拍摄图像进行预处理,获得预处理图像,包括:
根据目标缺陷类型,对无缺陷零件的拍摄图像采用均值滤波的方法进行预处理,获得预处理图像。
在具体实施过程中,提供另一种预处理的手段,即采用均值滤波的方法,以匹配需要检出细小缺陷的工况,通过该方法处理后的图像,在模型训练时能够学***均值来代替原来像素值。具体的:根据目标缺陷类型,对无缺陷零件的拍摄图像采用均值滤波的方法进行预处理,获得预处理图像,包括:
根据目标缺陷类型为细小缺陷类型,分别获得无缺陷零件的拍摄图像上的各像素点;
以像素点为中心像素点,获得中心像素点周围的八个像素点的像素;
以八个像素点的像素与中心像素点的像素的平均值作为中心像素点的像素,获得中心像素点的目标像素值;
根据若干中心像素点的目标像素值,获得预处理图像。
在具体实施过程中,在利用像素模板进行遍历下,图像上所有的像素都能够被处理,并且由于幅值近似相等且随机分布在不同位置上,这样的均值滤波处理可以平滑图像,并且处理的速度较快且算法简单,能够更容易关注到细小缺陷,完成精确的检测工作。
在一种实施例中,基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像之后,零件的缺陷检测方法还包括:
基于标准图像,对矫正图像进行模板匹配,获得第一矫正图像;
在具体实施过程中,与前述实施例中进行模板匹配的原理类似的,由于目标图像在实际情况下,存在自动化的传动影响以及采集图像过程中有调整等影响因素,目标图像可能无法与标准图像进行对应,因此采用模板匹配的方法将目标图像在标准图像的基础上进行规整,使得所有的目标图像都能够在同样的标准下进行后续的处理,有利于提升检测质量。
基于前述模板匹配的操作,将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息,包括:
将第一矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息。
参照附图3,基于与前述实施例中同样的发明构思,本申请实施例还提供一种零件的缺陷检测装置,该装置包括:
矫正变换模块,矫正变换模块用于基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像;
推理测试模块,推理测试模块用于将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息;其中,缺陷检测模型基于样本数据集训练获得,样本数据集中包含若干无缺陷零件的矫正图像,无缺陷零件的矫正图像基于其对应的标准图像,对无缺陷零件的拍摄图像进行图像矫正变换获得。
本领域技术人员应当理解,实施例中的各个模块的划分仅仅是一种逻辑功能的划分,实际应用时可以全部或部分集成到一个或多个实际载体上,且这些模块可以全部以软件通过处理单元调用的形式实现,也可以全部以硬件的形式实现,或是以软件、硬件结合的形式实现,需要说明的是,本实施例中零件的缺陷检测装置中各模块是与前述实施例中的零件的缺陷检测方法中的各步骤一一对应,因此,本实施例的具体实施方式可参照前述零件的缺陷检测方法的实施方式,这里不再赘述。
基于与前述实施例中同样的发明构思,本申请的实施例还提供一种计算机可读存储介质,储存有计算机程序,计算机程序被处理器加载执行时,实现如本申请实施例提供的零件的缺陷检测方法。
基于与前述实施例中同样的发明构思,本申请的实施例还提供一种电子设备,包括处理器及存储器,其中,
存储器用于存储计算机程序;
处理器用于加载执行计算机程序,以使电子设备执行如本申请实施例提供的零件的缺陷检测方法。
此外,基于与前述实施例中同样的发明构思,本申请的实施例还提供一种计算机程序产品,包括计算机程序,当计算机程序被执行时,用于执行如本申请实施例提供的零件的缺陷检测方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件***中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的 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(如只读存储器/随机存取存储器、磁碟、光 盘)中,包括若干指令用以使得一台多媒体终端设备(可以是手机,计算机,电视接收机,或者网络设备等)执行本申请各个实施例所述的方法。
综上,本申请提供的一种零件的缺陷检测方法、装置、存储介质、设备及程序产品,包括:基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像;将矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息;其中,缺陷检测模型基于样本数据集训练获得,样本数据集中包含若干无缺陷零件的矫正图像,无缺陷零件的矫正图像基于其对应的标准图像,对无缺陷零件的拍摄图像进行图像矫正变换获得。本申请通过以标准图像为基础,将需要检测缺陷的零件的图像进行矫正变换,将实际拍摄中存在倾斜、位置偏移以及其他零件干扰的图像进行处理,然后直接输入到缺陷检测模型当中进行推理测试,以得到图像上的缺陷信息,由于缺陷检测模型的训练样本来源于无缺陷零件,并且将无缺陷零件的拍摄图像以对应的标准图像矫正变换,能够从模型训练时的收敛速度与检测准确度两方面提升模型的质量,即便是面对未知的、没有学习过的缺陷类型,在学习到了无缺陷零件的图像数据分布状况后,也能够在推理测试中,将待检测的零件的图像与标准状态下的无缺陷零件的图像进行对比分析,以检测出图像上的缺陷信息,使得零件的缺陷检测方法能够适应更多工况需求,并具有良好的检测效果。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种零件的缺陷检测方法,其特征在于,包括以下步骤:
基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像;
将所述矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息;其中,所述缺陷检测模型基于样本数据集训练获得,所述样本数据集中包含若干无缺陷零件的矫正图像,所述无缺陷零件的矫正图像基于其对应的标准图像,对所述无缺陷零件的拍摄图像进行图像矫正变换获得。
2.根据权利要求1所述的零件的缺陷检测方法,其特征在于,所述将所述矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息之前,所述零件的缺陷检测方法还包括:
获取若干所述无缺陷零件的拍摄图像;
基于所述无缺陷零件对应的标准图像,对若干所述无缺陷零件的拍摄图像进行图像矫正变换,获得若干所述无缺陷零件的矫正图像;
基于若干所述无缺陷零件的矫正图像,训练获得所述缺陷检测模型。
3.根据权利要求2所述的零件的缺陷检测方法,其特征在于,所述基于所述无缺陷零件对应的标准图像,对若干所述无缺陷零件的拍摄图像进行图像矫正变换,获得若干所述无缺陷零件的矫正图像之后,所述零件的缺陷检测方法还包括:
基于所述无缺陷零件对应的标准图像,对若干所述无缺陷零件的矫正图像进行模板匹配,获得所述无缺陷零件的第一矫正图像;
所述基于若干所述无缺陷零件的矫正图像,训练获得所述缺陷检测模型,包括:
基于若干所述无缺陷零件的第一矫正图像,训练获得所述缺陷检测模型。
4.根据权利要求2所述的零件的缺陷检测方法,其特征在于,所述获取若干所述无缺陷零件的拍摄图像之后,所述零件的缺陷检测方法还包括:
根据目标缺陷类型,对所述无缺陷零件的拍摄图像进行预处理,获得预处理图像;
所述基于所述无缺陷零件对应的标准图像,对若干所述无缺陷零件的拍摄图像进行图像矫正变换,获得若干所述无缺陷零件的矫正图像,包括:
基于所述无缺陷零件对应的标准图像,对所述预处理图像进行图像矫正变换,获得若干所述无缺陷零件的矫正图像。
5.根据权利要求4所述的零件的缺陷检测方法,其特征在于,所述根据目标缺陷类型,对所述无缺陷零件的拍摄图像进行预处理,获得预处理图像,包括:
根据目标缺陷类型,对所述无缺陷零件的拍摄图像采用随机生成高斯噪声的方法进行预处理,获得预处理图像。
6.根据权利要求5所述的零件的缺陷检测方法,其特征在于,所述根据目标缺陷类型,对所述无缺陷零件的拍摄图像采用随机生成高斯噪声的方法进行预处理,获得预处理图像,包括:
根据目标缺陷类型为非细小缺陷类型,生成高斯分布随机数序列;
根据所述高斯分布随机数序列,获得高斯噪声;
以所述无缺陷零件的拍摄图像为基础添加所述高斯噪声,获得预处理图像。
7.根据权利要求4所述的零件的缺陷检测方法,其特征在于,所述根据目标缺陷类型,对所述无缺陷零件的拍摄图像进行预处理,获得预处理图像,包括:
根据目标缺陷类型,对所述无缺陷零件的拍摄图像采用均值滤波的方法进行预处理,获得预处理图像。
8.根据权利要求7所述的零件的缺陷检测方法,其特征在于,所述根据目标缺陷类型,对所述无缺陷零件的拍摄图像采用均值滤波的方法进行预处理,获得预处理图像,包括:
根据目标缺陷类型为细小缺陷类型,分别获得所述无缺陷零件的拍摄图像上的各像素点;
以所述像素点为中心像素点,获得所述中心像素点周围的八个像素点的像素;
以所述八个像素点的像素与所述中心像素点的像素的平均值作为所述中心像素点的像素,获得所述中心像素点的目标像素值;
根据若干所述中心像素点的目标像素值,获得预处理图像。
9.根据权利要求1所述的零件的缺陷检测方法,其特征在于,所述基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像之后,所述零件的缺陷检测方法还包括:
基于所述标准图像,对所述矫正图像进行模板匹配,获得第一矫正图像;
所述将所述矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息,包括:
将所述第一矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息。
10.根据权利要求1所述的零件的缺陷检测方法,其特征在于,所述基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像之前,所述零件的缺陷检测方法还包括:
对所述目标零件的拍摄图像进行灰度化处理,获得所述目标图像。
11.一种零件的缺陷检测装置,其特征在于,包括:
矫正变换模块,所述矫正变换模块用于基于标准图像,对目标零件对应的目标图像进行图像矫正变换,获得矫正图像;
推理测试模块,所述推理测试模块用于将所述矫正图像输入已训练的缺陷检测模型进行推理测试,获得缺陷信息;其中,所述缺陷检测模型基于样本数据集训练获得,所述样本数据集中包含若干无缺陷零件的矫正图像,所述无缺陷零件的矫正图像基于其对应的标准图像,对所述无缺陷零件的拍摄图像进行图像矫正变换获得。
12.一种计算机可读存储介质,储存有计算机程序,其特征在于,所述计算机程序被处理器加载执行时,实现如权利要求1-10中任一项所述的零件的缺陷检测方法。
13.一种电子设备,其特征在于,包括处理器及存储器,其中,
所述存储器用于存储计算机程序;
所述处理器用于加载执行所述计算机程序,以使所述电子设备执行如权利要求1-10中任一项所述的零件的缺陷检测方法。
14.一种计算机程序产品,其特征在于,包括计算机程序,当所述计算机程序被执行时,用于执行如权利要求1-10中任一项所述的零件的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211702550.9A CN115661161B (zh) | 2022-12-29 | 2022-12-29 | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211702550.9A CN115661161B (zh) | 2022-12-29 | 2022-12-29 | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661161A true CN115661161A (zh) | 2023-01-31 |
CN115661161B CN115661161B (zh) | 2023-06-02 |
Family
ID=85023096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211702550.9A Active CN115661161B (zh) | 2022-12-29 | 2022-12-29 | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661161B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433664A (zh) * | 2023-06-13 | 2023-07-14 | 成都数之联科技股份有限公司 | 面板缺陷检测方法、装置、存储介质、设备及程序产品 |
CN117036351A (zh) * | 2023-10-09 | 2023-11-10 | 合肥安迅精密技术有限公司 | 元件缺陷检测方法及***、存储介质 |
CN117036335A (zh) * | 2023-08-29 | 2023-11-10 | 广州番禺职业技术学院 | 一种图像传感器缺陷检测方法、***、装置及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109946304A (zh) * | 2019-03-11 | 2019-06-28 | 中国科学院上海技术物理研究所 | 基于特征匹配的零件表面缺陷在线检测***及检测方法 |
WO2019176614A1 (ja) * | 2018-03-16 | 2019-09-19 | 日本電産株式会社 | 画像処理装置、画像処理方法、およびコンピュータプログラム |
CN111242902A (zh) * | 2020-01-02 | 2020-06-05 | 天津瑟威兰斯科技有限公司 | 基于卷积神经网络的零件识别与检测方法、***及设备 |
CN111640091A (zh) * | 2020-05-14 | 2020-09-08 | 阿丘机器人科技(苏州)有限公司 | 产品缺陷的检测方法及计算机存储介质 |
CN111986178A (zh) * | 2020-08-21 | 2020-11-24 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、电子设备和存储介质 |
CN114862776A (zh) * | 2022-04-22 | 2022-08-05 | 深圳职业技术学院 | 一种产品表面缺陷检测方法、装置、计算机设备及介质 |
CN115294024A (zh) * | 2022-07-06 | 2022-11-04 | 珠海信易为科技有限公司 | 硒鼓缺陷检测方法、装置、电子设备及存储介质 |
CN115471466A (zh) * | 2022-08-30 | 2022-12-13 | 长春理工大学 | 一种基于人工智能的钢材表面缺陷检测方法及*** |
-
2022
- 2022-12-29 CN CN202211702550.9A patent/CN115661161B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019176614A1 (ja) * | 2018-03-16 | 2019-09-19 | 日本電産株式会社 | 画像処理装置、画像処理方法、およびコンピュータプログラム |
CN109946304A (zh) * | 2019-03-11 | 2019-06-28 | 中国科学院上海技术物理研究所 | 基于特征匹配的零件表面缺陷在线检测***及检测方法 |
CN111242902A (zh) * | 2020-01-02 | 2020-06-05 | 天津瑟威兰斯科技有限公司 | 基于卷积神经网络的零件识别与检测方法、***及设备 |
CN111640091A (zh) * | 2020-05-14 | 2020-09-08 | 阿丘机器人科技(苏州)有限公司 | 产品缺陷的检测方法及计算机存储介质 |
CN111986178A (zh) * | 2020-08-21 | 2020-11-24 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、电子设备和存储介质 |
CN114862776A (zh) * | 2022-04-22 | 2022-08-05 | 深圳职业技术学院 | 一种产品表面缺陷检测方法、装置、计算机设备及介质 |
CN115294024A (zh) * | 2022-07-06 | 2022-11-04 | 珠海信易为科技有限公司 | 硒鼓缺陷检测方法、装置、电子设备及存储介质 |
CN115471466A (zh) * | 2022-08-30 | 2022-12-13 | 长春理工大学 | 一种基于人工智能的钢材表面缺陷检测方法及*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433664A (zh) * | 2023-06-13 | 2023-07-14 | 成都数之联科技股份有限公司 | 面板缺陷检测方法、装置、存储介质、设备及程序产品 |
CN116433664B (zh) * | 2023-06-13 | 2023-09-01 | 成都数之联科技股份有限公司 | 面板缺陷检测方法、装置、存储介质、设备及程序产品 |
CN117036335A (zh) * | 2023-08-29 | 2023-11-10 | 广州番禺职业技术学院 | 一种图像传感器缺陷检测方法、***、装置及介质 |
CN117036351A (zh) * | 2023-10-09 | 2023-11-10 | 合肥安迅精密技术有限公司 | 元件缺陷检测方法及***、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115661161B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115661161B (zh) | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 | |
JP7004145B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
US11830174B2 (en) | Defect inspecting device, defect inspecting method, and storage medium | |
US6381366B1 (en) | Machine vision methods and system for boundary point-based comparison of patterns and images | |
CN114240939B (zh) | 一种主板元器件外观缺陷检测方法、***、设备及介质 | |
US6687402B1 (en) | Machine vision methods and systems for boundary feature comparison of patterns and images | |
CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN107909554B (zh) | 图像降噪方法、装置、终端设备及介质 | |
CN114677567B (zh) | 模型训练方法、装置、存储介质及电子设备 | |
CN115619787A (zh) | 一种uv胶缺陷检测方法、***、设备及介质 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN117078677B (zh) | 一种用于始极片的缺陷检测方法及*** | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN112150375A (zh) | 带检查***、带检查方法和带检查程序的存储介质 | |
CN115479891A (zh) | 基于图像识别的电路板载元器件自动检测***和方法 | |
CN113012121B (zh) | 裸片扫描结果的处理方法、装置、电子设备与存储介质 | |
CN112686851B (zh) | 一种图像检测方法、装置及存储介质 | |
CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 | |
CN115239690A (zh) | 一种基于图像识别的pcb线序检测方法及*** | |
JP2021189239A (ja) | ベルト検査システムおよびベルト検査プログラム | |
Golodov et al. | Weld segmentation and defect detection in radiographic images of pipe welds | |
US10958899B2 (en) | Evaluation of dynamic ranges of imaging devices | |
JP2021006854A (ja) | ベルト検査システムおよびベルト検査プログラム | |
CN118037715B (zh) | 用于pcba板的智能焊点分析优化方法及*** | |
CN114627114B (zh) | 产品缺陷严重程度测量方法及***及装置及介质 |
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 |