CN116152191A - 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 - Google Patents
基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 Download PDFInfo
- Publication number
- CN116152191A CN116152191A CN202310095504.5A CN202310095504A CN116152191A CN 116152191 A CN116152191 A CN 116152191A CN 202310095504 A CN202310095504 A CN 202310095504A CN 116152191 A CN116152191 A CN 116152191A
- Authority
- CN
- China
- Prior art keywords
- crack
- defect
- image
- analysis
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/40—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
- G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于深度学习的显示屏裂纹缺陷检测方法、装置及设备,该方法包括:获取针对显示屏的待检测图像;通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域;通过预训练的第二检测模型,识别出所述待检测图像中的裂纹缺陷;根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷;对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果。通过本发明的方法,提供了一种处理过程简单、通用性好、图像采集要求低且识别效果好的裂纹缺陷识别方法。
Description
技术领域
本发明涉及人工智能、机器视觉、深度学习、图像处理和模式识别技术领域,具体而言,本发明涉及基于深度学习的显示屏裂纹缺陷检测方法、装置及设备。
背景技术
机器视觉是质量检测中非常常见的一项技术手段,主要通过相机对产品进行拍照,然后通过图像处理技术对产品图片进行分析,从而检测产品是否存在缺陷。目前,基于机器视觉的外观缺陷方法已广泛取代人工视觉检测,应用于各个工业领域。传统的基于机器视觉的外观缺陷检测方法通常使用传统的图像处理算法或人工设计的缺陷特征加分类器来对外观缺陷进行检测和识别。
基于传统的图像处理算法的外观缺陷检测通常包括直方图均衡化、滤波去噪、灰度二值化等,以得前景背景分离的简单化图像信息;随后利用数学形态学、傅里叶变换、Gabor变换等算法以及机器学习模型完成缺陷的标记与检测。
上述传统算法在某些特定的应用中已经取得了较好的效果,但仍然存在许多不足。例如:图像预处理步骤繁多且具有强烈的针对性,算法迭代速度慢,通用性差;需要专业性很强的算法研发人员对特定的缺陷进行人工特征提取,研发成本高;对采图条件要求高,例如:光线条件变化、图像尺寸和分辨率,图像是否存在旋转变形。
因此,现有技术中,亟需一种处理过程简单、通用性好、图像采集要求低且识别效果好的裂纹缺陷识别方法。
发明内容
本发明所要解决的技术问题是提供了基于深度学习的显示屏裂纹缺陷检测方法、装置及设备,旨在解决上述至少一个技术问题。
本发明解决上述技术问题的技术方案如下:基于深度学习的显示屏裂纹缺陷检测方法,该方法包括:
获取针对显示屏的待检测图像,所述待检测图像是在所述显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像;
通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域;
通过预训练的第二检测模型,识别出所述待检测图像中的裂纹缺陷;
根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷;
对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果。
本发明的有益效果是:对于需要检测裂纹缺陷的待检测图像,其中,对待检测图像的采集无特殊要求,可先通过第一检测模型,识别出所述待检测图像中的裂纹区域,再通过第二检测模型,识别出所述待检测图像中的裂纹缺陷,然后根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷,这样可以防止非感兴趣区域(非裂纹区域)内,裂纹缺陷误检的问题,另外,结合传统的图像处理方法,对裂纹区域内的裂纹缺陷进行缺陷特征分析,可以实现对图像特征的定量分析,得到一种处理过程简单、通用性好、图像采集要求低且识别效果好的裂纹缺陷识别方法。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,上述通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域之前,还包括:
对所述待检测图像进行对比度增强处理,得到处理后的图像;
上述通过预训练的第一检测模型识别出所述待检测图像中的裂纹区域,包括:
通过预训练的第一检测模型,识别出所述处理后的图像中的裂纹区域;
上述通过预训练的第二检测模型,识别出所述待检测图像中的裂纹缺陷,包括:
通过预训练的第二检测模型,识别出所述处理后的图像中的裂纹缺陷。
采用上述进一步方案的有益效果是,在通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域之前,对待检测图像进行对比度增强处理,可提升裂纹区域与周边背景区域的对比度,使得裂纹更容易识别。
进一步,上述根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷,包括:
在所述待检测图像中标注出所述裂纹区域,得到带第一标注框的第一图像;
在所述待检测图像中标注出所述裂纹缺陷,得到带第二标注框的第二图像;
取所述第一图像和所述第二图像的交集,得到所述裂纹区域内的裂纹缺陷。
采用上述进一步方案的有益效果是,本申请方案中采用深度学习双模型并行协作的工作模式,即第一检测模型和第二检测模型并行工作的模式,可提高处理速度。
进一步,上述缺陷特征分析包括裂纹对比度分析、裂纹长度分析、裂纹宽度分析和裂纹面积分析中的至少一项。
采用上述进一步方案的有益效果是,可对裂纹特征进行裂纹对比度分析、裂纹长度分析、裂纹宽度分析和裂纹面积分析中的至少一种分析,满足不同的分析需求。
进一步,若所述缺陷特征分析包括裂纹面积分析,上述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的像素点的数量;
根据所述裂纹区域内的裂纹缺陷对应的像素点的数量,确定所述裂纹缺陷对应的裂纹面积,所述分析结果包括所述裂纹面积;
若所述缺陷特征分析包括缺陷对比度分析,上述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的白色像素在所述待检测图像中对应的灰度平均值;
根据所述灰度平均值,确定所述裂纹缺陷对应的裂纹对比度,所述分析结果包括所述裂纹对比度;
若所述缺陷特征分析包括缺陷长度分析,上述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的连通域;
根据所述连通域的长轴长度,确定所述裂纹缺陷对应的缺陷长度,所述分析结果包括所述缺陷长度;
若所述缺陷特征分析包括缺陷宽度分析,上述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的连通域;
根据所述连通域的短轴长度,确定所述裂纹缺陷对应的缺陷宽度,所述分析结果包括所述缺陷宽度。
采用上述进一步方案的有益效果是,针对不同的缺陷特征分析需求,可采用不同的缺陷特征分析方式,实现对缺陷特征的不同分析。
第二方面,本发明为了解决上述技术问题还提供了基于深度学习的显示屏裂纹缺陷检测装置,该装置包括:
图像获取模块,用于获取针对显示屏的待检测图像,所述待检测图像是在所述显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像;
第一检测模块,用于通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域;
第二检测模块,用于通过预训练的第二检测模型,识别出所述待检测图像中的裂纹缺陷;
裂纹缺陷确定模块,用于根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷;
缺陷分析模块,用于对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果。
第三方面,本发明为了解决上述技术问题还提供了一种电子设备,该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行该计算机程序时实现本申请的基于深度学习的显示屏裂纹缺陷检测方法。
第四方面,本发明为了解决上述技术问题还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本申请的基于深度学习的显示屏裂纹缺陷检测方法。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍。
图1为本发明一个实施例提供的一种基于深度学习的显示屏裂纹缺陷检测方法的流程示意图;
图2为本发明一个实施例提供的一种待检测图像的示意图;
图3为本发明一个实施例提供的又一种基于深度学习的显示屏裂纹缺陷检测方法的流程示意图;
图4为本发明一个实施例提供的一种第一样本图像的示意图;
图5为本发明一个实施例提供的一种第一样本图像对应的检测区域标记图(标记图像)的示意图;
图6为本发明一个实施例提供的又一种第二样本图像的示意图;
图7为本发明一个实施例提供的一种第二样本图像对应的裂纹位置的标记图(标记图像)示意图;
图8为本发明一个实施例提供的一种第一检测模型和第二检测模型的训练过程示意图;
图9为本发明一个实施例提供的一种基于深度学习的显示屏裂纹缺陷检测装置的结构示意图;
图10为本发明一个实施例提供的一种电子设备的结构示意图。
具体实施方式
以下对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
下面以具体实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
本发明实施例所提供的方案可以适用于任何需要对显示屏上的裂纹进行识别的应用场景中。本发明实施例所提供的方案可以由任一电子设备执行,比如,可以是用户的终端设备,包括以下至少一项:智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能电视、智能车载设备。
深度学习是机器学习研究中的一个新领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,比如图像,声音和文本等。深度学习的实质,是通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。自从2012年AlexNet深度神经网络对ImageNet超大的数据集的分类效果率先达到70%以上的正确率的时候,深度学习技术正是迎来了人工智能技术上的革命。通过深度卷积神经网络可以训练出不同类型的模型,例如:分割,目标检测,分类等等。所以长期被算法鲁棒性困扰的图像处理可以在很大程度上被深度学习所替代。深度学习可以通过海量样本对标注的数据进行拟合,最终训练出来的模型具有非常良好的鲁棒性,对样本数据的光照差异,数据分辨率,旋转缩放等等都具有非常好的推广能力。利用深度学习进行图像的分割与目标检测可以非常好的对图像数据进行处理,无论在稳定性和鲁棒性都要远远优异与传统基于规则的图像处理技术,可以精准的定位缺陷位置,降低误报的概率。伴随着GPU技术的不断发展,利用深度学习技术处理图像数据的速度也完全可以适应工业要求的实时性。于是近年来,基于深度学习的缺陷检测方法也被广泛应用于各种工业场景中。深度学习对采图条件要求不高,且可以自动化的学习大数据中的普遍特征并自动更新模型参数,避免了人工设计复杂的算法流程,大大降低了研发困难度,并且有着极高的鲁棒性和精度。
因此,本申请方案中将采用深度卷积神经网络来对缺陷进行分割处理,结合传统的图像处理算法对深度学习模型分割后的结果进行后处理,这样做的好处是:整个算法***具备深度学习带来的强大的鲁棒性,同时兼具传统算法对特定结果的精确拟合。
由于长期对显示屏(比如,OLED)产品的缺陷数据(裂纹缺陷)的采集与积累,可以提供深度学***衡的衰减变化也具有很好的适应性,非常好的降低了开发算法***的难度。
深度学习虽然可以在很大程度上弥补或替代传统算法的应用,但是却无法替代传统算法对图像特征的定量分析,所以在对显示屏的裂纹缺陷检测任务中,可基于深度学习训练得到的检测模型先预测疑似缺陷的位置(下文所描述的裂纹区域内的裂纹缺陷),再用传统的图像处理分析疑似缺陷的对比度,亮度,长度,面积等特征,最终满足缺陷特征的疑似缺陷认为是真实缺陷。这种深度学习与传统算法相互结合对OLED微裂纹缺陷进行检测,就是本发明的目的。
基于上述原理,本发明实施例提供了一种可能的实现方式,如图1所示,提供了一种基于深度学习的显示屏裂纹缺陷检测方法的流程图,该方案可以由任一电子设备执行,例如,可以是终端设备,或者由终端设备和服务器共同执行。为描述方便,下面将以终端设备作为执行主体为例对本发明实施例提供的方法进行说明,如图1中所示的流程图,该方法可以包括以下步骤:
步骤S110,获取针对显示屏的待检测图像,所述待检测图像是在所述显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像;
步骤S120,通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域;
步骤S130,通过预训练的第二检测模型,识别出所述待检测图像中的裂纹缺陷;
步骤S140,根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷;
步骤S150,对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果。
通过本发明的方法,对于需要检测裂纹缺陷的待检测图像,其中,对待检测图像的采集无特殊要求,可先通过第一检测模型,识别出所述待检测图像中的裂纹区域,再通过第二检测模型,识别出所述待检测图像中的裂纹缺陷,然后根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷,这样可以防止非感兴趣区域(非裂纹区域)内,裂纹缺陷误检的问题,另外,结合传统的图像处理方法,对裂纹区域内的裂纹缺陷进行缺陷特征分析,可以实现对图像特征的定量分析,得到一种处理过程简单、通用性好、图像采集要求低且识别效果好的裂纹缺陷识别方法。
下面结合以下具体的实施例,对本发明的方案进行进一步的说明,在该实施例中,参见图3,基于深度学习的显示屏裂纹缺陷检测方法可以包括以下步骤:
步骤S110,获取针对显示屏的待检测图像,所述待检测图像是在所述显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像;
其中,本申请方案中,对于待检测图像的采集,并没有特殊的要求,只要是显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像即可,可选的,显示屏可以是OLED显示屏。
由于显示屏在黑画面情况时,显示屏上的裂纹呈现一定的亮度,因此,将在显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像作为待检测图像,更便于裂纹的检测。作为一个示例,可参见图2所示的待检测图像的示意图,图2中黑色部分为没有裂纹的区域,白色部分为可能有裂纹的区域。上述待检测图像即为图3中的输入图像。
在获取待检测图像之后,可先对所述待检测图像进行对比度增强处理,得到处理后的图像,对待检测图像进行对比度增强处理,可提升裂纹区域与周边背景区域的对比度,使得裂纹更容易识别。
考虑待检测图像中的裂纹检测区域(也即为裂纹区域)以外的区域有复杂纹理的干扰,并且复杂纹理区域有类似裂纹的高亮直线,所以可先识别出裂纹区域,然后在该裂纹区域内判断是否有裂纹缺陷出现。这样可避免裂纹以外的区域中的复杂纹理的干扰。具体可参见下文的步骤S120至步骤S140的方案。
步骤S120,通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域;此步骤对应图3中所示的深度学习预测检测区域,检测区域即裂纹区域。
其中,在得到处理后的图像后,上述S120具体可为:通过预训练的第一检测模型,识别出所述处理后的图像中的裂纹区域。该第一检测模型的训练过程与下文的第二检测模型的训练过程相同,均是基于深度学习模型训练得到的,具体将在下文描述,在此不再赘述。
步骤S130,通过预训练的第二检测模型,识别出所述待检测图像中的裂纹缺陷;此步骤对应图3中所示的深度学习预测裂纹缺陷。
其中,在得到处理后的图像后,上述S130具体可为:通过预训练的第二检测模型,识别出所述处理后的图像中的裂纹缺陷。
步骤S140,根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷;
可选的,上述步骤S140,具体包括:
在所述待检测图像中标注出所述裂纹区域,得到带第一标注框的第一图像,此步骤对应图3中所示的检测区域mask;
在所述待检测图像中标注出所述裂纹缺陷,得到带第二标注框的第二图像,此步骤对应图3中所示的裂纹缺陷mask;
取所述第一图像和所述第二图像的交集,得到所述裂纹区域内的裂纹缺陷。
其中,待检测图像中存在非感兴趣区域(非裂纹区域)和缺陷检测区域(裂纹区域),预测检测区域的目的是过滤掉非感兴趣区域,只保留缺陷检测区域,这样可以防止非感兴趣区域内,缺陷误检的问题。
步骤S150,对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果。
可选的,上述缺陷特征分析包括裂纹对比度分析、裂纹长度分析、裂纹宽度分析和裂纹面积分析中的至少一项,若所述缺陷特征分析包括裂纹面积分析,所述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的像素点的数量,也即待检测图像的裂纹区域内中白色像素的数量;
根据所述裂纹区域内的裂纹缺陷对应的像素点的数量,确定所述裂纹缺陷对应的裂纹面积,所述分析结果包括所述裂纹面积;
若所述缺陷特征分析包括缺陷对比度分析,所述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的白色像素在所述待检测图像中对应的灰度平均值;
根据所述灰度平均值,确定所述裂纹缺陷对应的裂纹对比度,所述分析结果包括所述裂纹对比度,一种具体实现方式为:将灰度平均值和缺陷位置(裂纹缺陷所在位置)向外扩展3个像素后,得到扩展区域,将该扩展区域的灰度平均值的差值作为裂纹对比度。
若所述缺陷特征分析包括缺陷长度分析,所述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的连通域,其中,连通域指的是通过深度学习预测的缺陷掩模图像(裂纹区域对应的图像)中,白色像素组成的独立的团状区域;
根据所述连通域的长轴长度,确定所述裂纹缺陷对应的缺陷长度,所述分析结果包括所述缺陷长度;
若所述缺陷特征分析包括缺陷宽度分析,所述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的连通域;
根据所述连通域的短轴长度,确定所述裂纹缺陷对应的缺陷宽度,所述分析结果包括所述缺陷宽度。
在得到上述的分析结果后,将可分析结果作为裂纹缺陷信息,还可通过卡控缺陷特征参数,确定裂纹缺陷是否检出,即根据上述各个分析结果和每个分析结果对应的设定值,确定裂纹缺陷是否检测出,比如,裂纹面积大于设定面积(裂纹面积对应的设定值)时,表示裂纹真实的检测出,否则,表示并未真实检测出裂纹,具体如何基于各个分析结果确定裂纹缺陷是否检测出,可基于实际需求配置条件,本申请方案中不做限定,作为一个示例,比如,四个分析结果中至少有三个分析结果满足真实检测出裂纹缺陷的条件,才确定是真实检测出了裂纹缺陷。
可选的,上述第一检测模型和第二检测模型的训练过程相同,均是基于深度学习模型训练得到的,下面以第一检测模型为例,对第一检测模型的训练过程进行描述,参见图8,先获取多张原始图像作为第一样本图像,对于每张原始图像,原始图像为包含裂纹的图像,然后对于每张原始图像,进行检测区域(裂纹区域)的标记,得到标记后的图像,即标记图像,作为一个示例,第一样本图像可参见图4所述,第一样本图像对应的标记图像可参见图5,在图5中,属于检测区域的像素标记为白色,不属于检测区域的像素标记为黑色。
然后基于各张原始图像和各张标记图像,对图8中的分割模型进行训练,得到每张原始图像对应的预测图,在每张预测图中,可对应有预测出的检测区域,接着根据各张标记图像和各张预测图,可得到分割模型的损失值,在损失值满足训练结束条件时,将满足训练结束条件时的分割模型作为第一检测模型,若损失值不满足训练结束条件,则可调整分割模型的模型参数,并基于调整后的模型参数重新训练分割模型,直到损失值满足训练结束条件。
上述第二检测模型的训练过程与第一检测模型的训练过程相同,仅是输入分割模型的标记图像不同,第二检测模型的第二样本图像也可以是原始图像,第二样本图像对应的标记图像是对第二样本图像中的裂纹位置标记出后的图像,作为一个示例,第二样本图像可参见图6所述,第二样本图像对应的标记图像可参见图7,在图7中,属于裂纹缺陷的像素标记为白色,不属于裂纹缺陷的像素标记为黑色。
上述第一检测模型和第二检测模型可训练设定轮数(比如,10轮),以提高模型的精度。
可选的,本申请方案中的检测模型也和其他方法进行了对比测试,共选择了3种其他方法,
第一个是在本发明的方法中去掉了传统算法提取缺陷特征的过程,深度学习的缺陷分割结果都算作检出缺陷;
第二个是在本发明的方法中去掉深度学习的过程,只利用对比度、面积、长度、宽度检测缺陷;
第三个是S IFT特征提取算法和人工神经网络分类的方法相结合;
四种方法的测试结果如下
由测试结果可知,本方案的过检率和检出率相对于其他三种方案,效果更好,过检率越低越好,检出率越高越高。
可选的,上述第一检测模型的训练,可采用开源的deep l abv3_p l us模型作为分割模型,输入图像的尺寸为768*768,前20轮为了加快模型损失收敛的速度,可采用0.001的学习率和4的batch s i ze,后80轮为了提升分割精度,可采用0.0001的学习率和1的batch s i ze。
上述第二检测模型的训练,可采用开源的deep l abv3_p l us模型作为分割模型,输入图像的尺寸为384*384,前20轮为了加快模型损失收敛的速度,可采用0.001的学习率和8的batch s i ze,后80轮为了提升分割精度,可采用0.0001的学习率和1的batch s ize。
传统算法阶段,本方案共设计了四个缺陷特征:缺陷面积、缺陷对比度、缺陷长度,缺陷宽度。
其中,各个分析结果对应的设定值可分别为:缺陷面积参数为50个像素,缺陷对比度为8个灰度级,缺陷长度为50个像素,缺陷宽度为3个像素,对深度学习的结果进行图像分析,计算以上四个特征并卡控参数,最终确定缺陷是否检出。
基于与图1中所示的方法相同的原理,本发明实施例还提供了一种基于深度学习的显示屏裂纹缺陷检测装置20,如图9中所示,该基于深度学习的显示屏裂纹缺陷检测装置20可以包括图像获取模块210、第一检测模块220、第二检测模块230、裂纹缺陷确定模块240和缺陷分析模块250,其中:
图像获取模块210,用于获取针对显示屏的待检测图像,所述待检测图像是在所述显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像;
第一检测模块220,用于通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域;
第二检测模块230,用于通过预训练的第二检测模型,识别出所述待检测图像中的裂纹缺陷;
裂纹缺陷确定模块240,用于根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷;
缺陷分析模块250,用于对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果。
可选的,上述通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域之前,该装置还包括:
预处理模块,用于对所述待检测图像进行对比度增强处理,得到处理后的图像;
上述第一检测模块220在通过预训练的第一检测模型识别出所述待检测图像中的裂纹区域时,具体用于:
通过预训练的第一检测模型,识别出所述处理后的图像中的裂纹区域;
上述第二检测模块230在通过预训练的第二检测模型,识别出所述待检测图像中的裂纹缺陷时,具体用于:
通过预训练的第二检测模型,识别出所述处理后的图像中的裂纹缺陷。
可选的,上述裂纹缺陷确定模块240在根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷时,具体用于:
在所述待检测图像中标注出所述裂纹区域,得到带第一标注框的第一图像;
在所述待检测图像中标注出所述裂纹缺陷,得到带第二标注框的第二图像;
取所述第一图像和所述第二图像的交集,得到所述裂纹区域内的裂纹缺陷。
可选的,上述缺陷特征分析包括裂纹对比度分析、裂纹长度分析、裂纹宽度分析和裂纹面积分析中的至少一项。
可选的,若所述缺陷特征分析包括裂纹面积分析,上述缺陷分析模块250在对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果时,具体用于:
确定所述裂纹区域内的裂纹缺陷对应的像素点的数量;
根据所述裂纹区域内的裂纹缺陷对应的像素点的数量,确定所述裂纹缺陷对应的裂纹面积,所述分析结果包括所述裂纹面积;
若所述缺陷特征分析包括缺陷对比度分析,上述缺陷分析模块250在对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果时,具体用于:
确定所述裂纹区域内的裂纹缺陷对应的白色像素在所述待检测图像中对应的灰度平均值;
根据所述灰度平均值,确定所述裂纹缺陷对应的裂纹对比度,所述分析结果包括所述裂纹对比度;
若所述缺陷特征分析包括缺陷长度分析,上述缺陷分析模块250在对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果时,具体用于:
确定所述裂纹区域内的裂纹缺陷对应的连通域;
根据所述连通域的长轴长度,确定所述裂纹缺陷对应的缺陷长度,所述分析结果包括所述缺陷长度;
若所述缺陷特征分析包括缺陷宽度分析,上述缺陷分析模块250在对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果时,具体用于:
确定所述裂纹区域内的裂纹缺陷对应的连通域;
根据所述连通域的短轴长度,确定所述裂纹缺陷对应的缺陷宽度,所述分析结果包括所述缺陷宽度。
本发明实施例的基于深度学习的显示屏裂纹缺陷检测装置可执行本发明实施例所提供的基于深度学习的显示屏裂纹缺陷检测方法,其实现原理相类似,本发明各实施例中的基于深度学习的显示屏裂纹缺陷检测装置中的各模块、单元所执行的动作是与本发明各实施例中的基于深度学习的显示屏裂纹缺陷检测方法中的步骤相对应的,对于基于深度学习的显示屏裂纹缺陷检测装置的各模块的详细功能描述具体可以参见前文中所示的对应的基于深度学习的显示屏裂纹缺陷检测方法中的描述,此处不再赘述。
其中,上述基于深度学习的显示屏裂纹缺陷检测装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该基于深度学习的显示屏裂纹缺陷检测装置为一个应用软件;该装置可以用于执行本发明实施例提供的方法中的相应步骤。
在一些实施例中,本发明实施例提供的基于深度学习的显示屏裂纹缺陷检测装置可以采用软硬件结合的方式实现,作为示例,本发明实施例提供的基于深度学习的显示屏裂纹缺陷检测装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本发明实施例提供的基于深度学习的显示屏裂纹缺陷检测方法,例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,Application Specific IntegratedCircuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
在另一些实施例中,本发明实施例提供的基于深度学习的显示屏裂纹缺陷检测装置可以采用软件方式实现,图9示出了存储在存储器中的基于深度学习的显示屏裂纹缺陷检测装置,其可以是程序和插件等形式的软件,并包括一系列的模块,包括图像获取模块210、第一检测模块220、第二检测模块230、裂纹缺陷确定模块240和缺陷分析模块250,用于实现本发明实施例提供的基于深度学习的显示屏裂纹缺陷检测方法。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定。
基于与本发明的实施例中所示的方法相同的原理,本发明的实施例中还提供了一种电子设备,该电子设备可以包括但不限于:处理器和存储器;存储器,用于存储计算机程序;处理器,用于通过调用计算机程序执行本发明任一实施例所示的方法。
在一个可选实施例中提供了一种电子设备,如图10所示,图10所示的电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004,收发器4004可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本发明实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器4003用于存储执行本发明方案的应用程序代码(计算机程序),并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备也可以是终端设备,图10示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
根据本发明的另一个方面,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种实施例实现方式中提供的基于深度学习的显示屏裂纹缺陷检测方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解的是,附图中的流程图和框图,图示了按照本发明各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例提供的计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例所示的方法。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.基于深度学习的显示屏裂纹缺陷检测方法,其特征在于,包括以下步骤:
获取针对显示屏的待检测图像,所述待检测图像是在所述显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像;
通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域;
通过预训练的第二检测模型,识别出所述待检测图像中的裂纹缺陷;
根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷;
对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果。
2.根据权利要求1所述的方法,其特征在于,所述通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域之前,还包括:
对所述待检测图像进行对比度增强处理,得到处理后的图像;
所述通过预训练的第一检测模型识别出所述待检测图像中的裂纹区域,包括:
通过预训练的第一检测模型,识别出所述处理后的图像中的裂纹区域;
所述通过预训练的第二检测模型,识别出所述待检测图像中的裂纹缺陷,包括:
通过预训练的第二检测模型,识别出所述处理后的图像中的裂纹缺陷。
3.根据权利要求1所述的方法,其特征在于,所述根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷,包括:
在所述待检测图像中标注出所述裂纹区域,得到带第一标注框的第一图像;
在所述待检测图像中标注出所述裂纹缺陷,得到带第二标注框的第二图像;
取所述第一图像和所述第二图像的交集,得到所述裂纹区域内的裂纹缺陷。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述缺陷特征分析包括裂纹对比度分析、裂纹长度分析、裂纹宽度分析和裂纹面积分析中的至少一项。
5.根据权利要求4任一项所述的方法,其特征在于,若所述缺陷特征分析包括裂纹面积分析,所述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的像素点的数量;
根据所述裂纹区域内的裂纹缺陷对应的像素点的数量,确定所述裂纹缺陷对应的裂纹面积,所述分析结果包括所述裂纹面积;
若所述缺陷特征分析包括缺陷对比度分析,所述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的白色像素在所述待检测图像中对应的灰度平均值;
根据所述灰度平均值,确定所述裂纹缺陷对应的裂纹对比度,所述分析结果包括所述裂纹对比度;
若所述缺陷特征分析包括缺陷长度分析,所述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的连通域;
根据所述连通域的长轴长度,确定所述裂纹缺陷对应的缺陷长度,所述分析结果包括所述缺陷长度;
若所述缺陷特征分析包括缺陷宽度分析,所述对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果,包括:
确定所述裂纹区域内的裂纹缺陷对应的连通域;
根据所述连通域的短轴长度,确定所述裂纹缺陷对应的缺陷宽度,所述分析结果包括所述缺陷宽度。
6.基于深度学习的显示屏裂纹缺陷检测装置,其特征在于,包括:
图像获取模块,用于获取针对显示屏的待检测图像,所述待检测图像是在所述显示屏的画面是黑画面的情况下所拍摄的包括裂纹图像;
第一检测模块,用于通过预训练的第一检测模型,识别出所述待检测图像中的裂纹区域;
第二检测模块,用于通过预训练的第二检测模型,识别出所述待检测图像中的裂纹缺陷;
裂纹缺陷确定模块,用于根据所述裂纹区域和所述裂纹缺陷,确定所述裂纹区域内的裂纹缺陷;
缺陷分析模块,用于对所述裂纹区域内的裂纹缺陷进行缺陷特征分析,得到分析结果。
7.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-5中任一项所述的方法。
8.一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上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310095504.5A CN116152191A (zh) | 2023-01-18 | 2023-01-18 | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310095504.5A CN116152191A (zh) | 2023-01-18 | 2023-01-18 | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116152191A true CN116152191A (zh) | 2023-05-23 |
Family
ID=86350275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310095504.5A Pending CN116152191A (zh) | 2023-01-18 | 2023-01-18 | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152191A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314826A (zh) * | 2023-08-28 | 2023-12-29 | 广州千筱母婴用品有限公司 | 一种显示屏的性能检测方法 |
-
2023
- 2023-01-18 CN CN202310095504.5A patent/CN116152191A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314826A (zh) * | 2023-08-28 | 2023-12-29 | 广州千筱母婴用品有限公司 | 一种显示屏的性能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553929B (zh) | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 | |
CN110852316B (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
CN110033040B (zh) | 一种火焰识别方法、***、介质和设备 | |
CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及*** | |
CN108318773B (zh) | 一种输电导线断股检测方法及*** | |
CN110929635B (zh) | 基于信任机制下面部交并比的假脸视频检测方法及*** | |
CN112417955B (zh) | 巡检视频流处理方法及装置 | |
CN113435407B (zh) | 一种输电***的小目标识别方法及装置 | |
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 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN112784835A (zh) | 圆形***的真实性识别方法、装置、电子设备及存储介质 | |
CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测***、方法及介质 | |
CN111611866B (zh) | 基于YCrCb和LAB颜色空间的火焰检测识别方法及*** | |
CN115797314B (zh) | 零件表面缺陷检测方法、***、设备及存储介质 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
CN116824135A (zh) | 基于机器视觉的大气自然环境试验工业产品识别分割方法 | |
CN114627113B (zh) | 一种印制电路板缺陷检测方法及***及装置及介质 | |
CN112488986A (zh) | 基于Yolo卷积神经网络的布匹表面瑕疵识别方法、装置及*** | |
CN116189037A (zh) | 一种火焰检测的识别方法、装置及终端设备 | |
CN116977249A (zh) | 缺陷检测的方法、模型训练的方法和装置 | |
CN111402185A (zh) | 一种图像检测方法及装置 | |
CN113034432A (zh) | 一种产品缺陷检测方法、***、装置及存储介质 | |
CN111935480A (zh) | 一种用于图像获取装置的检测方法及相关装置 |
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 |