CN117593301B - 基于机器视觉的内存条损伤快速检测方法及*** - Google Patents
基于机器视觉的内存条损伤快速检测方法及*** Download PDFInfo
- Publication number
- CN117593301B CN117593301B CN202410073849.5A CN202410073849A CN117593301B CN 117593301 B CN117593301 B CN 117593301B CN 202410073849 A CN202410073849 A CN 202410073849A CN 117593301 B CN117593301 B CN 117593301B
- Authority
- CN
- China
- Prior art keywords
- damage
- memory bank
- image
- detection
- feature
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 435
- 238000001514 detection method Methods 0.000 title claims abstract description 320
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims description 75
- 239000002245 particle Substances 0.000 claims description 67
- 238000004458 analytical method Methods 0.000 claims description 42
- 230000007613 environmental effect Effects 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000008713 feedback mechanism Effects 0.000 claims description 4
- 238000012031 short term test Methods 0.000 claims 2
- 230000003902 lesion Effects 0.000 description 40
- 230000008569 process Effects 0.000 description 23
- 238000005286 illumination Methods 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 6
- 230000007797 corrosion Effects 0.000 description 5
- 238000005260 corrosion Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 208000031074 Reinjury Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/82—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Robotics (AREA)
- Medical Informatics (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
本申请涉及机器视觉技术领域,公开了一种基于机器视觉的内存条损伤快速检测方法及***。所述方法包括:对目标内存条进行图像检测,得到第一存储区域特征图像;进行存储区域特征检测权重计算,得到第二存储区域特征图像;通过初始内存条损伤检测模型进行存储区域损伤检测,得到存储区域损伤检测框;进行损伤组件特征分解,得到S个第一损伤特征区域图以及K个第二损伤特征区域图并进行损伤区域特征增强和图像融合,生成目标损伤区域增强图像;进行损伤组件信息标注和结果输出,得到内存条损伤检测结果;进行网络参数更新和优化,得到目标内存条损伤检测模型,本申请提高了内存条损伤快速检测的准确率。
Description
技术领域
本申请涉及机器视觉技术领域,尤其涉及一种基于机器视觉的内存条损伤快速检测方法及***。
背景技术
随着计算机技术的不断发展和应用领域的扩展,内存条作为计算机硬件的关键组件之一,其性能和可靠性要求也越来越高。然而,由于内存条在使用过程中受到物理损伤或外部环境的影响,因此需要有效的检测方法来及时识别内存条的潜在问题。基于机器视觉的内存条损伤快速检测方法因其非接触性、高效性和自动化特点,成为研究和工业应用的热门领域。这种方法利用计算机视觉和深度学习技术,能够在保证内存条性能的同时,实现损伤的快速检测和分析,有望提高计算机***的可靠性和稳定性。
但是,现有技术仍然存在一些挑战和问题。内存条损伤类型多样化,包括物理损伤、电路故障等,因此如何有效地识别和分类不同类型的损伤仍然是一个复杂的问题。其次,内存条损伤的检测需要考虑环境因素的影响,如光照、角度等,这些因素导致检测结果的不稳定性。现有的研究中,如何实现对内存条损伤检测模型的网络参数调优和优化,以提高其性能和鲁棒性,也需要更多的深入研究和探索。因此,基于机器视觉的内存条损伤快速检测方法仍然需要进一步的研究和改进,以满足不断增长的计算机硬件检测需求。
发明内容
本申请提供了一种基于机器视觉的内存条损伤快速检测方法及***,用于提高了内存条损伤快速检测的准确率。
第一方面,本申请提供了一种基于机器视觉的内存条损伤快速检测方法,所述基于机器视觉的内存条损伤快速检测方法包括:
对目标内存条进行图像检测,得到初始内存条图像,并对所述初始内存条图像进行存储区域特征提取,得到第一存储区域特征图像;
对所述初始内存条图像进行检测环境分析,得到检测环境参数数据,并根据所述检测环境参数数据对所述第一存储区域特征图像进行存储区域特征检测权重计算,得到第二存储区域特征图像;
将所述第二存储区域特征图像输入预置的初始内存条损伤检测模型,并通过所述初始内存条损伤检测模型中的存储区域损伤检测网络进行存储区域损伤检测,得到存储区域损伤检测框;
通过所述初始内存条损伤检测模型中的损伤特征提取网络根据所述存储区域损伤检测框对所述第二存储区域特征图像进行损伤组件特征分解,得到S个第一损伤特征区域图以及K个第二损伤特征区域图,并对所述S个第一损伤特征区域图以及所述K个第二损伤特征区域图进行损伤区域特征增强和图像融合,生成目标损伤区域增强图像,其中,S和K均为正整数,S=3K;
通过所述初始内存条损伤检测模型中的损伤标注网络对所述目标损伤区域增强图像进行损伤组件信息标注和结果输出,得到内存条损伤检测结果;
采用粒子群优化算法,根据所述内存条损伤检测结果对所述初始内存条损伤检测模型进行网络参数调优,得到网络参数优化集合,并根据所述网络参数优化集合对所述初始内存条损伤检测模型进行网络参数更新和优化,得到目标内存条损伤检测模型。
第二方面,本申请提供了一种基于机器视觉的内存条损伤快速检测***,所述基于机器视觉的内存条损伤快速检测***包括:
检测模块,用于对目标内存条进行图像检测,得到初始内存条图像,并对所述初始内存条图像进行存储区域特征提取,得到第一存储区域特征图像;
计算模块,用于对所述初始内存条图像进行检测环境分析,得到检测环境参数数据,并根据所述检测环境参数数据对所述第一存储区域特征图像进行存储区域特征检测权重计算,得到第二存储区域特征图像;
输入模块,用于将所述第二存储区域特征图像输入预置的初始内存条损伤检测模型,并通过所述初始内存条损伤检测模型中的存储区域损伤检测网络进行存储区域损伤检测,得到存储区域损伤检测框;
分解模块,用于通过所述初始内存条损伤检测模型中的损伤特征提取网络根据所述存储区域损伤检测框对所述第二存储区域特征图像进行损伤组件特征分解,得到S个第一损伤特征区域图以及K个第二损伤特征区域图,并对所述S个第一损伤特征区域图以及所述K个第二损伤特征区域图进行损伤区域特征增强和图像融合,生成目标损伤区域增强图像,其中,S和K均为正整数,S=3K;
标注模块,用于通过所述初始内存条损伤检测模型中的损伤标注网络对所述目标损伤区域增强图像进行损伤组件信息标注和结果输出,得到内存条损伤检测结果;
优化模块,用于采用粒子群优化算法,根据所述内存条损伤检测结果对所述初始内存条损伤检测模型进行网络参数调优,得到网络参数优化集合,并根据所述网络参数优化集合对所述初始内存条损伤检测模型进行网络参数更新和优化,得到目标内存条损伤检测模型。
本申请提供的技术方案中,对内存条进行图像检测和存储区域特征提取,从而将损伤检测的焦点放在关键区域上。这种局部化的方法大大提高了检测的效率,减少了计算资源的浪费,从而更快速地完成内存条损伤检测。通过检测环境分析和存储区域特征检测权重计算,该方法可以适应不同的检测环境和条件。这使得内存条损伤检测更具鲁棒性,能够在各种光照、角度和环境下保持高效性,减少误报和漏报。采用损伤组件特征分解和图像融合,实现了对内存条损伤的多层次分析。这有助于更准确地识别和定位不同类型的损伤,使得检测结果更具细节,为后续维修或更换提供了更有针对性的信息。采用粒子群优化算法,能够实现对内存条损伤检测模型的网络参数的自动调优和优化,以适应不同损伤类型和环境条件,从而提高了检测模型的性能和泛化能力。通过损伤标注网络,不仅可以检测内存条的损伤,还可以对损伤组件进行详细的标注和分析,进而提高了内存条损伤快速检测的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中基于机器视觉的内存条损伤快速检测方法的一个实施例示意图;
图2为本申请实施例中基于机器视觉的内存条损伤快速检测***的一个实施例示意图。
具体实施方式
本申请实施例提供了一种基于机器视觉的内存条损伤快速检测方法及***。本申请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,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中基于机器视觉的内存条损伤快速检测方法的一个实施例包括:
步骤S101、对目标内存条进行图像检测,得到初始内存条图像,并对初始内存条图像进行存储区域特征提取,得到第一存储区域特征图像;
可以理解的是,本申请的执行主体可以为基于机器视觉的内存条损伤快速检测***,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,对目标内存条进行图像检测。通过合适的图像采集设备或摄像头,获取内存条的图像数据。这个初始内存条图像包含各种干扰因素,例如噪声。对初始内存条图像进行预处理,以提高后续分析的准确性。进行噪声去除操作,以消除图像中的干扰。这有助于清晰地捕捉内存条的特征。进行边缘增强,以突出内存条的边缘结构,使其更容易分析。在进行图像增强后,进行亮度参数校正。计算亮度校正参数数据,以确保图像的亮度水平一致。同时,进行颜色空间转换,以将图像的颜色表示转换为更适合分析的形式,并获取颜色转换参数数据。随后,进行感知权重分配,这有助于在后续分析中更好地权衡各个特征。感知权重参数数据的计算决定了不同特征在最终特征参数数据集中的重要性。根据亮度校正参数数据、颜色转换参数数据以及感知权重参数数据,计算得到内存条的特征参数数据集。这个数据集将包含各种特征,如亮度、颜色、边缘等,以描述内存条的图像特性。利用特征参数数据集,对第二内存条图像进行存储区域参数配置和存储区域特征提取。根据特征参数数据集的内容,配置合适的存储区域参数,以确保内存条的存储区域得到充分的分析。进行特征提取,以获取第一存储区域特征图像。
步骤S102、对初始内存条图像进行检测环境分析,得到检测环境参数数据,并根据检测环境参数数据对第一存储区域特征图像进行存储区域特征检测权重计算,得到第二存储区域特征图像;
具体的,对初始内存条图像进行检测环境分析。包括获取初始环境参数数据以及损失检测环境影响因素集合。这些环境参数包括光线条件、温度、湿度等,而损失检测环境影响因素集合则用于记录各种影响损伤检测的因素,例如光照变化、温度波动等。根据损失检测环境影响因素集合,对初始环境参数数据进行环境参数分析,理解环境因素如何影响内存条图像的质量和特征。例如,如果环境光线较弱,需要调整图像处理算法以适应低光照条件。采用预置的层次分析法对检测环境参数数据进行进一步的处理。这包括构建一个层次结构,通常包括目标层、准则层和因素层。在这个层次结构中,目标层是要解决的问题,即如何根据环境参数数据来调整存储区域特征检测权重。准则层包括用于评价不同因素的准则,而因素层包括各种影响因素,如光照、温度等。根据层次结构,构建判别矩阵,该矩阵用于比较各个因素的相对重要性。这个矩阵允许对不同因素进行两两比较,并根据比较结果得出权重。这些权重将反映出各个因素在损伤检测中的影响程度。通过对判别矩阵中的多个列向量进行均值运算,得到一个权重向量。这个向量包含了各个因素的权重信息,用于表示它们在整体环境参数中的相对重要性。对权重向量进行归一化处理,以确保它们的总和等于1,从而得到存储区域特征检测权重数据。这些权重数据将用于对第一存储区域特征图像进行存储区域特征检测权重计算,最终生成第二存储区域特征图像。
步骤S103、将第二存储区域特征图像输入预置的初始内存条损伤检测模型,并通过初始内存条损伤检测模型中的存储区域损伤检测网络进行存储区域损伤检测,得到存储区域损伤检测框;
具体的,将第二存储区域特征图像输入初始内存条损伤检测模型中的存储区域损伤检测网络。这个网络通常包括几个关键层,包括图像标准化层、存储区域损伤异常检测层以及锚框层。在图像标准化层中,对第二存储区域特征图像进行图像尺寸标准化处理,确保输入的图像在尺寸上与训练模型的要求相匹配,以便进行后续的处理。通过存储区域损伤异常检测层中的两层卷积网络对标准化后的存储区域特征图像进行存储区域损伤检测。这些卷积网络的目标是提取图像中的特征,并识别存储区域的损伤情况。通过多个卷积层和激活函数,网络可以学习到不同损伤特征的表示,并生成每个像素属于损伤异常区域的概率值。根据每个像素属于损伤异常区域的概率值,生成对应的存储区域损伤异常概率图。这个概率图可以用来表示图像中不同区域的损伤程度。根据预设的概率阈值,对存储区域损伤异常概率图进行损伤异常区域的判定。通常,像素概率值高于阈值的区域将被视为损伤异常区域。根据这些异常区域的位置和形状,生成相应的存储区域损伤检测框。生成的存储区域损伤检测框可以用于标识内存条上的损伤部分,提供了损伤检测结果。
步骤S104、通过初始内存条损伤检测模型中的损伤特征提取网络根据存储区域损伤检测框对第二存储区域特征图像进行损伤组件特征分解,得到S个第一损伤特征区域图以及K个第二损伤特征区域图,并对S个第一损伤特征区域图以及K个第二损伤特征区域图进行损伤区域特征增强和图像融合,生成目标损伤区域增强图像,其中,S和K均为正整数,S=3K;
具体的,将第二存储区域特征图像输入初始内存条损伤检测模型中的损伤特征提取网络。这个网络通常由几个关键层组成,包括损伤组件特征分解层、改进拉普拉斯算子以及图像融合层。在损伤组件特征分解层,第二存储区域特征图像将被分解成S个第一损伤特征区域图和K个第二损伤特征区域图。这个分解过程通过网络的卷积和池化层来实现,将图像中的不同损伤组件或特征区域分离出来。在改进拉普拉斯算子层中,对S个第一损伤特征区域图和K个第二损伤特征区域图进行处理,以捕捉损伤特征区域的细节信息。这一步骤有助于提取损伤区域的微小特征,从而更准确地识别和描述损伤。根据存储区域损伤检测框生成特征区域图融合规则。这个规则用于确定如何对S个第一损伤特征区域图和K个第二损伤特征区域图进行损伤区域特征增强。这可以根据不同损伤特征的相对重要性来进行权衡,以生成更加准确的损伤区域特征。在图像融合层中,将经过特征增强处理的S个第一损伤特征区域图和K个第二损伤特征区域图进行图像融合,生成多个目标特征增强图像,每个图像都包含了不同程度的损伤信息。这些目标特征增强图像的生成是为了更好地展示内存条损伤的各个方面和程度,从而帮助***更准确地判断损伤的类型和严重程度。
步骤S105、通过初始内存条损伤检测模型中的损伤标注网络对目标损伤区域增强图像进行损伤组件信息标注和结果输出,得到内存条损伤检测结果;
具体的,通过初始内存条损伤检测模型中的损伤标注网络,对目标损伤区域增强图像进行损伤组件信息标注。损伤标注网络通常是一个深度学习模型,可以识别和标注图像中的不同损伤组件,如裂纹、划痕、缺陷等。通过网络的训练,能够理解不同损伤组件的形状、位置和严重程度,并将这些信息反映在目标损伤组件掩模中。根据目标损伤组件掩模对目标损伤区域增强图像进行损伤局部优化。根据损伤组件的标注信息,对图像中的每个损伤部分进行进一步的处理,以提高损伤的可见性和识别性。包括对比度增强、边缘增强、噪声去除等图像处理操作。对经过损伤局部优化处理的目标局部优化图像进行结果输出,以生成内存条损伤检测结果。这个结果将包括每个损伤组件的位置、形状和严重程度等信息。根据这些信息,***可以准确地了解内存条上的损伤情况,并采取适当的措施,如维修或更换受损部分。
步骤S106、采用粒子群优化算法,根据内存条损伤检测结果对初始内存条损伤检测模型进行网络参数调优,得到网络参数优化集合,并根据网络参数优化集合对初始内存条损伤检测模型进行网络参数更新和优化,得到目标内存条损伤检测模型。
具体的,基于预置的智能反馈机制对内存条损伤检测结果进行结果反馈,以得到目标反馈信息。这个反馈信息通常包括对初始内存条损伤检测模型性能的评估和改进建议。通过不断收集和分析损伤检测结果,可以获得有关模型性能的关键信息。根据目标反馈信息对初始内存条损伤检测模型进行模型参数范围分析,以得到模型参数范围集合。这有助于确定模型参数的合理范围,避免参数搜索空间太过庞大,提高粒子群优化算法的效率。通过模型参数范围集合,对初始内存条损伤检测模型的多个模型参数进行随机初始值生成,得到对应的随机初始值集合。这个集合包含了多个模型参数的不同初始值组合,用于构建粒子群。利用预置的粒子群优化算法对随机初始值集合进行粒子种群构建。粒子群是一个由多个个体(粒子)组成的群体,每个粒子代表一组模型参数的值。这些粒子在搜索空间中移动,根据其适应度不断调整模型参数,以寻找最优解。对粒子种群进行粒子适应度计算,得到粒子种群对应的粒子适应度集合。适应度通常是根据损伤检测结果的性能指标来计算的,如准确度、召回率等。粒子群算法通过比较不同粒子的适应度来确定最优解。随后,对粒子适应度集合进行迭代计算和最优化求解,以找到最佳的模型参数组合。粒子群算法的迭代过程会不断更新模型参数,直到满足停止条件(如达到最大迭代次数或达到性能收敛要求)为止。根据网络参数优化集合,对初始内存条损伤检测模型进行网络参数更新和优化,得到目标内存条损伤检测模型。这个优化过程会显著提高模型的性能,使其能够更准确地检测内存条上的损伤,并提供更可靠的检测结果。
本申请实施例中,对内存条进行图像检测和存储区域特征提取,从而将损伤检测的焦点放在关键区域上。这种局部化的方法大大提高了检测的效率,减少了计算资源的浪费,从而更快速地完成内存条损伤检测。通过检测环境分析和存储区域特征检测权重计算,该方法可以适应不同的检测环境和条件。这使得内存条损伤检测更具鲁棒性,能够在各种光照、角度和环境下保持高效性,减少误报和漏报。采用损伤组件特征分解和图像融合,实现了对内存条损伤的多层次分析。这有助于更准确地识别和定位不同类型的损伤,使得检测结果更具细节,为后续维修或更换提供了更有针对性的信息。采用粒子群优化算法,能够实现对内存条损伤检测模型的网络参数的自动调优和优化,以适应不同损伤类型和环境条件,从而提高了检测模型的性能和泛化能力。通过损伤标注网络,不仅可以检测内存条的损伤,还可以对损伤组件进行详细的标注和分析,进而提高了内存条损伤快速检测的准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)对目标内存条进行图像检测,得到初始内存条图像,并对初始内存条图像进行噪声去除,得到第一内存条图像,以及对第一内存条图像进行边缘增强,得到第二内存条图像;
(2)对第二内存条图像进行亮度参数校正,得到亮度校正参数数据,并对第二内存条图像进行颜色空间转换,得到颜色转换参数数据,以及对第二内存条图像进行感知权重分配,得到感知权重参数数据;
(3)根据亮度校正参数数据、颜色转换参数数据以及感知权重参数数据得到内存条特征参数数据集;
(4)根据内存条特征参数数据集对第二内存条图像进行存储区域参数配置和存储区域特征提取,得到第一存储区域特征图像。
具体的,对目标内存条进行图像检测,以获得初始内存条图像。通过高分辨率的相机和适当的光照条件来捕捉内存条的清晰图像。捕捉到的图像含有各种噪声,如由于光照不均、相机传感器不完美等因素引入的噪声。为了提高后续处理的准确性,需要对这些噪声进行去除,这通常通过使用数字图像处理技术如中值滤波、高斯滤波等方法实现。去除噪声后,得到的第一内存条图像将更加清晰,适合进一步的分析。随后,对第一内存条图像进行边缘增强处理。边缘增强是通过突出图像中的边缘信息来提高图像的视觉效果和特征明显性的技术,常用的方法包括使用索贝尔滤波器、拉普拉斯算子等。边缘增强后的图像(第二内存条图像)将更利于识别和分析内存条的微小裂痕、划痕等潜在损伤。对第二内存条图像进行亮度参数校正。亮度校正是调整图像亮度,以便在不同的观看条件下保持图像的视觉一致性。这可以通过调整图像的直方图或使用特定的亮度校正算法来实现。通过这种校正,可以确保图像的亮度与实际内存条的视觉外观相符合。同时,进行颜色空间转换,将图像从一个颜色空间(如RGB)转换到另一个颜色空间(如HSV或YCbCr),以更好地分析和处理图像数据。颜色空间转换有助于突出内存条的特定颜色特征,使损伤检测更为准确。随后,对第二内存条图像进行感知权重分配。对图像中不同部分根据其在损伤检测中的重要性分配不同的权重。例如,内存条的连接点或微电路比其他部分更容易受损,因此在这些区域分配更高的权重。通过以上步骤,可以得到内存条特征参数数据集,这是一组包含亮度校正参数、颜色转换参数和感知权重参数的数据集,为后续的存储区域参数配置和特征提取提供依据。根据这些特征参数数据集对第二内存条图像进行存储区域参数配置和存储区域特征提取,从而得到第一存储区域特征图像。在这个过程中,可以使用机器学习算法,如卷积神经网络,来自动识别和提取内存条的关键特征,如焊点、芯片位置等。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)对初始内存条图像进行检测环境分析,得到初始环境参数数据,并获取损失检测环境影响因素集合;
(2)根据损失检测环境影响因素集合对初始环境参数数据进行环境参数分析,得到检测环境参数数据;
(3)通过预置的层次分析法对检测环境参数数据进行环境影响因素层次分析,并构建一个层次结构,层次结构包括目标层、准则层和因素层;
(4)根据层次结构,构建检测环境参数数据的判别矩阵,并对判别矩阵中的多个列向量进行均值运算,得到权重向量;
(5)对权重向量进行归一化处理,得到存储区域特征检测权重数据,并根据存储区域特征检测权重数据对第一存储区域特征图像进行存储区域特征检测权重计算,得到第二存储区域特征图像。
具体的,对初始内存条图像进行检测环境分析,得到初始环境参数数据。这些数据包括光照条件、相机参数(如曝光时间、ISO感光度)、背景噪声水平等。同时,收集损伤检测过程中影响结果的环境因素,例如温度、湿度、振动等,这些因素统称为损伤检测环境影响因素集合。根据这些影响因素集合对初始环境参数数据进行分析,以得到更精确的检测环境参数数据。例如,如果检测是在低光环境下进行的,那么需要考虑图像的亮度和对比度;如果环境中存在振动,需要考虑图像稳定性等。这一步骤需要使用数据分析技术,如统计分析或机器学***衡进行调整,以补偿由于温度变化导致的色彩偏差。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)将第二存储区域特征图像输入预置的初始内存条损伤检测模型中的存储区域损伤检测网络,存储区域损伤检测网络包括图像标准化层、存储区域损伤异常检测层以及锚框层;
(2)通过图像标准化层对第二存储区域特征图像进行图像尺寸标准化处理,得到标准存储区域特征图像;
(3)通过存储区域损伤异常检测层中的两层卷积网络对标准存储区域特征图像进行存储区域损伤检测,得到每个像素属于损伤异常区域的概率值;
(4)根据每个像素属于损伤异常区域的概率值生成对应的存储区域损伤异常概率图,并根据预设的概率阈值对存储区域损伤异常概率图进行损伤异常区域判定和检测框生成,得到存储区域损伤检测框。
具体的,将第二存储区域特征图像输入预置的初始内存条损伤检测模型。该模型中的存储区域损伤检测网络包含三个主要组成部分:图像标准化层、存储区域损伤异常检测层以及锚框层。这个网络的设计和操作顺序为整个损伤检测过程提供了结构化和自动化的框架,从而确保了高效和准确的检测结果。通过图像标准化层对第二存储区域特征图像进行处理。图像标准化是一个预处理步骤,将输入的图像转换为模型能够有效处理的格式和大小。这通常涉及调整图像的尺寸和比例,以确保它们符合模型输入的要求。标准化处理后的图像,即标准存储区域特征图像,有助于模型更好地理解和处理来自不同来源和条件的图像数据。通过存储区域损伤异常检测层对标准存储区域特征图像进行分析。这一层包含两层卷积网络,它们是深度学习中常用的结构,适合于处理图像数据。这两层卷积网络的主要功能是识别图像中的特定特征,如边缘、纹理和形状等,这些特征有助于损伤检测。通过这两层卷积网络的处理,可以得到每个像素属于损伤异常区域的概率值。例如,如果一个像素位于内存条的一个裂纹或划痕上,它属于损伤异常区域的概率将显著高于其他正常区域的像素。根据每个像素属于损伤异常区域的概率值,生成对应的存储区域损伤异常概率图。这张概率图为后续的损伤检测和定位提供了重要的视觉表示,每个像素的颜色或强度表示其被识别为损伤异常的性。进一步地,根据预设的概率阈值对这张损伤异常概率图进行分析,以判定和识别损伤异常区域。概率阈值的设定关乎损伤检测的灵敏度和特异性,过高的阈值导致漏检,而过低的阈值引起误检。基于损伤异常区域的判定结果,进一步生成存储区域损伤检测框。这些检测框是对内存条上存在损伤的区域的准确定位,为后续的损伤特征提取和分析提供了基础。例如,如果在内存条的某个角落检测到了高概率的损伤异常区域,那么检测框将围绕这一区域生成,突出显示该区域以供进一步分析。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)将第二存储区域特征图像输入初始内存条损伤检测模型中的损伤特征提取网络,损伤特征提取网络包括损伤组件特征分解层、改进拉普拉斯算子以及图像融合层;
(2)通过损伤组件特征分解层将第二存储区域特征图像分解为S个第一损伤特征区域图以及K个第二损伤特征区域图;
(3)通过改进拉普拉斯算子对S个第一损伤特征区域图以及K个第二损伤特征区域图进行损伤特征区域细节捕捉;
(4)根据存储区域损伤检测框生成特征区域图融合规则,并根据特征区域图融合规则对S个第一损伤特征区域图以及K个第二损伤特征区域图进行损伤区域特征增强,得到多个目标特征增强图像,其中,S和K均为正整数,S=3K;
(5)通过图像融合层对多个目标特征增强图像进行图像融合,生成目标损伤区域增强图像。
具体的,将第二存储区域特征图像输入初始内存条损伤检测模型中的损伤特征提取网络。损伤特征提取网络包括损伤组件特征分解层、改进的拉普拉斯算子以及图像融合层。通过损伤组件特征分解层,将第二存储区域特征图像分解为多个不同的损伤特征区域图。在这个过程中,损伤特征分解层识别并分离出图像中的不同损伤特征,比如裂纹、划痕或腐蚀区域。这一层的工作原理是通过分析图像的局部特征,将图像分解为S个第一损伤特征区域图和K个第二损伤特征区域图,其中S和K是预先定义的正整数,并且S是K的三倍。例如,如果正在检测一个具有微小裂纹和腐蚀点的内存条,第一损伤特征区域图会集中在裂纹上,而第二损伤特征区域图会集中在腐蚀点上。通过改进的拉普拉斯算子,对这些损伤特征区域图进行更细致的特征捕捉。拉普拉斯算子是一种常用于图像处理的边缘检测算子,能够突出图像的高频特征,即图像中的快速变化部分。这一步骤的目的是在损伤特征区域图中准确捕捉到更多细节,如裂纹的宽度、深度和方向,以及腐蚀点的大小和形状。随后,根据存储区域损伤检测框,生成特征区域图融合规则。这些规则基于损伤检测框中识别出的损伤区域的位置和大小,定义了如何将不同的损伤特征区域图组合在一起,以实现特征增强。例如,如果在内存条的一个角落发现了一个裂纹,而在另一个角落发现了腐蚀,那么融合规则将指导如何将这些不同的损伤特征区域图结合起来,以便在最终的图像中同时突出显示这两种类型的损伤。通过图像融合层对这些目标特征增强图像进行融合,生成最终的目标损伤区域增强图像。图像融合是一个将多个图像合成为一个单一图像的过程,目的是保留原始图像中的所有重要信息,同时去除冗余信息。在这个过程中,不同的损伤特征区域图被有效地结合在一起,生成一个包含所有关键损伤特征的综合图像。例如,裂纹和腐蚀点的特征在最终的增强图像中将同时清晰可见,为进一步的损伤评估和分析提供了全面的视觉信息。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)通过初始内存条损伤检测模型中的损伤标注网络对目标损伤区域增强图像进行损伤组件信息标注,得到目标损伤组件掩模;
(2)根据目标损伤组件掩模对目标损伤区域增强图像进行损伤局部优化,得到目标局部优化图像;
(3)对目标局部优化图像进行结果输出,得到内存条损伤检测结果。
具体的,通过损伤标注网络对目标损伤区域增强图像进行处理,识别图像中的各种损伤特征,如裂纹、划痕或磨损等。可以通过图像识别算法,如基于卷积神经网络的模式识别技术来实现。网络通过分析图像中的像素分布、颜色变化和纹理特征,准确地识别出损伤的位置、形状和大小。随后,网络将这些识别出的损伤区域进行标注,形成目标损伤组件掩模。这个掩模是一个覆盖在原始图像上的图层,直观地显示了损伤的具***置和范围。例如,如果在内存条的某个区域发现了裂纹,那么掩模将准确覆盖在这个区域上,突出显示裂纹的位置和形态。根据目标损伤组件掩模对目标损伤区域增强图像进行损伤局部优化,进一步提高损伤区域的可视化效果,使其更加清晰和明显。通过各种图像处理技术,如局部对比度增强、锐化处理或颜色校正等,以增强损伤区域的细节和辨识度。这种局部优化处理不仅使损伤特征更加醒目,还有助于后续的损伤评估和修复决策。例如,对于一条微小的裂纹,通过局部优化处理,可以使其更容易被检测和评估,从而为维修工作提供准确的参考。对目标局部优化图像进行结果输出,得到最终的内存条损伤检测结果。将处理后的图像和相关的损伤信息整合在一起,形成一个详细的检测报告。该报告不仅包含了损伤的视觉表示,还包括损伤的类型、大小、位置以及的成因等信息。例如,对于一个内存条上的裂纹,报告将显示裂纹的详细图像,标明裂纹的具***置,描述裂纹的长度和宽度,并提供关于裂纹形成原因的分析。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)基于预置的智能反馈机制对内存条损伤检测结果进行结果反馈,得到目标反馈信息;
(2)根据目标反馈信息对初始内存条损伤检测模型进行模型参数范围分析,得到模型参数范围集合;
(3)通过模型参数范围集合,对初始内存条损伤检测模型的多个模型参数进行随机初始值生成,得到对应的随机初始值集合,并通过预置的粒子群优化算法对随机初始值集合进行粒子种群构建,得到粒子种群;
(4)对粒子种群进行粒子适应度计算,得到粒子种群对应的粒子适应度集合,并对粒子适应度集合进行迭代计算和最优化求解,得到网络参数优化集合;
(5)根据网络参数优化集合对初始内存条损伤检测模型进行网络参数更新和优化,得到目标内存条损伤检测模型。
具体的,基于预置的智能反馈机制对内存条损伤检测结果进行结果反馈,以获取目标反馈信息。这个机制通过分析检测结果中的数据,如损伤的识别准确率、漏检率和误检率等,来评估当前模型的性能。反馈信息不仅包括模型在特定损伤类型上的表现,还包括环境因素对检测结果的影响,比如光照条件、图像质量等。例如,如果模型在低光照条件下的识别准确率较低,反馈信息将指出这一点,为后续的模型优化提供方向。根据目标反馈信息对初始内存条损伤检测模型进行模型参数范围分析,以得到模型参数范围集合。通过分析反馈信息来确定哪些模型参数需要调整,以及这些参数的合理调整范围。模型参数范围的确定是基于对模型性能影响因素的深入理解,包括参数对损伤识别的灵敏度、参数之间的相互作用等。例如,如果反馈信息显示模型对某些类型的裂纹识别不准确,那么需要调整与边缘检测相关的参数。通过模型参数范围集合,对初始内存条损伤检测模型的多个模型参数进行随机初始值生成,得到对应的随机初始值集合。在参数范围内随机选择参数值,以便为优化算法的应用提供初始的参数集合。随机初始值的生成确保了优化搜索的多样性和广度。例如,对于卷积神经网络中的卷积核大小或激活函数的选择,可以在一定范围内随机生成多组初始值。通过预置的粒子群优化算法对随机初始值集合进行粒子种群构建,得到粒子种群。粒子群优化算法是一种模拟鸟群或鱼群群体行为的优化算法,它通过模拟粒子(即候选解)在解空间中的搜索行为来寻找最优解。每个粒子代表一组的模型参数,粒子的位置和速度根据粒子的历史表现和种群中其他粒子的表现来动态调整。例如,如果某个粒子代表的参数组合在损伤检测中表现良好,那么这个粒子将被视为“领导者”,其他粒子将朝着这个方向移动。对粒子种群进行粒子适应度计算,得到粒子种群对应的粒子适应度集合,并对粒子适应度集合进行迭代计算和最优化求解。粒子适应度计算是根据粒子代表的参数组合在损伤检测任务中的表现来评估的,适应度越高意味着参数组合越好。通过迭代计算,粒子种群中的每个粒子根据自身和群体的表现不断更新其位置和速度,从而逐渐逼近最优解。根据网络参数优化集合对初始内存条损伤检测模型进行网络参数更新和优化,得到目标内存条损伤检测模型。将通过粒子群优化算法得到的最优参数组合应用到初始模型中,从而生成最终的优化模型。优化后的模型在参数设置上更加精细,能够更准确地识别和分析内存条上的损伤。
上面对本申请实施例中基于机器视觉的内存条损伤快速检测方法进行了描述,下面对本申请实施例中基于机器视觉的内存条损伤快速检测***进行描述,请参阅图2,本申请实施例中基于机器视觉的内存条损伤快速检测***一个实施例包括:
检测模块201,用于对目标内存条进行图像检测,得到初始内存条图像,并对所述初始内存条图像进行存储区域特征提取,得到第一存储区域特征图像;
计算模块202,用于对所述初始内存条图像进行检测环境分析,得到检测环境参数数据,并根据所述检测环境参数数据对所述第一存储区域特征图像进行存储区域特征检测权重计算,得到第二存储区域特征图像;
输入模块203,用于将所述第二存储区域特征图像输入预置的初始内存条损伤检测模型,并通过所述初始内存条损伤检测模型中的存储区域损伤检测网络进行存储区域损伤检测,得到存储区域损伤检测框;
分解模块204,用于通过所述初始内存条损伤检测模型中的损伤特征提取网络根据所述存储区域损伤检测框对所述第二存储区域特征图像进行损伤组件特征分解,得到S个第一损伤特征区域图以及K个第二损伤特征区域图,并对所述S个第一损伤特征区域图以及所述K个第二损伤特征区域图进行损伤区域特征增强和图像融合,生成目标损伤区域增强图像,其中,S和K均为正整数,S=3K;
标注模块205,用于通过所述初始内存条损伤检测模型中的损伤标注网络对所述目标损伤区域增强图像进行损伤组件信息标注和结果输出,得到内存条损伤检测结果;
优化模块206,用于采用粒子群优化算法,根据所述内存条损伤检测结果对所述初始内存条损伤检测模型进行网络参数调优,得到网络参数优化集合,并根据所述网络参数优化集合对所述初始内存条损伤检测模型进行网络参数更新和优化,得到目标内存条损伤检测模型。
通过上述各个组成部分的协同合作,对内存条进行图像检测和存储区域特征提取,从而将损伤检测的焦点放在关键区域上。这种局部化的方法大大提高了检测的效率,减少了计算资源的浪费,从而更快速地完成内存条损伤检测。通过检测环境分析和存储区域特征检测权重计算,该方法可以适应不同的检测环境和条件。这使得内存条损伤检测更具鲁棒性,能够在各种光照、角度和环境下保持高效性,减少误报和漏报。采用损伤组件特征分解和图像融合,实现了对内存条损伤的多层次分析。这有助于更准确地识别和定位不同类型的损伤,使得检测结果更具细节,为后续维修或更换提供了更有针对性的信息。采用粒子群优化算法,能够实现对内存条损伤检测模型的网络参数的自动调优和优化,以适应不同损伤类型和环境条件,从而提高了检测模型的性能和泛化能力。通过损伤标注网络,不仅可以检测内存条的损伤,还可以对损伤组件进行详细的标注和分析,进而提高了内存条损伤快速检测的准确率。
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***,***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)执行本申请各个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 acceS 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申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (7)
1.一种基于机器视觉的内存条损伤快速检测方法,其特征在于,所述基于机器视觉的内存条损伤快速检测方法包括:
对目标内存条进行图像检测,得到初始内存条图像,并对所述初始内存条图像进行存储区域特征提取,得到第一存储区域特征图像;
对所述初始内存条图像进行检测环境分析,得到检测环境参数数据,并根据所述检测环境参数数据对所述第一存储区域特征图像进行存储区域特征检测权重计算,得到第二存储区域特征图像;具体包括:对所述初始内存条图像进行检测环境分析,得到初始环境参数数据,并获取损失检测环境影响因素集合;根据所述损失检测环境影响因素集合对所述初始环境参数数据进行环境参数分析,得到检测环境参数数据;通过预置的层次分析法对所述检测环境参数数据进行环境影响因素层次分析,并构建一个层次结构,所述层次结构包括目标层、准则层和因素层;根据所述层次结构,构建所述检测环境参数数据的判别矩阵,并对所述判别矩阵中的多个列向量进行均值运算,得到权重向量;对所述权重向量进行归一化处理,得到存储区域特征检测权重数据,并根据所述存储区域特征检测权重数据对所述第一存储区域特征图像进行存储区域特征检测权重计算,得到第二存储区域特征图像;
将所述第二存储区域特征图像输入预置的初始内存条损伤检测模型,并通过所述初始内存条损伤检测模型中的存储区域损伤检测网络进行存储区域损伤检测,得到存储区域损伤检测框;
通过所述初始内存条损伤检测模型中的损伤特征提取网络根据所述存储区域损伤检测框对所述第二存储区域特征图像进行损伤组件特征分解,得到S个第一损伤特征区域图以及K个第二损伤特征区域图,并对所述S个第一损伤特征区域图以及所述K个第二损伤特征区域图进行损伤区域特征增强和图像融合,生成目标损伤区域增强图像,其中,S和K均为正整数,S=3K;
通过所述初始内存条损伤检测模型中的损伤标注网络对所述目标损伤区域增强图像进行损伤组件信息标注和结果输出,得到内存条损伤检测结果;
采用粒子群优化算法,根据所述内存条损伤检测结果对所述初始内存条损伤检测模型进行网络参数调优,得到网络参数优化集合,并根据所述网络参数优化集合对所述初始内存条损伤检测模型进行网络参数更新和优化,得到目标内存条损伤检测模型。
2.根据权利要求1所述的基于机器视觉的内存条损伤快速检测方法,其特征在于,所述对目标内存条进行图像检测,得到初始内存条图像,并对所述初始内存条图像进行存储区域特征提取,得到第一存储区域特征图像,包括:
对目标内存条进行图像检测,得到初始内存条图像,并对所述初始内存条图像进行噪声去除,得到第一内存条图像,以及对所述第一内存条图像进行边缘增强,得到第二内存条图像;
对所述第二内存条图像进行亮度参数校正,得到亮度校正参数数据,并对所述第二内存条图像进行颜色空间转换,得到颜色转换参数数据,以及对所述第二内存条图像进行感知权重分配,得到感知权重参数数据;
根据所述亮度校正参数数据、所述颜色转换参数数据以及所述感知权重参数数据得到内存条特征参数数据集;
根据所述内存条特征参数数据集对所述第二内存条图像进行存储区域参数配置和存储区域特征提取,得到第一存储区域特征图像。
3.根据权利要求1所述的基于机器视觉的内存条损伤快速检测方法,其特征在于,所述将所述第二存储区域特征图像输入预置的初始内存条损伤检测模型,并通过所述初始内存条损伤检测模型中的存储区域损伤检测网络进行存储区域损伤检测,得到存储区域损伤检测框,包括:
将所述第二存储区域特征图像输入预置的初始内存条损伤检测模型中的存储区域损伤检测网络,所述存储区域损伤检测网络包括图像标准化层、存储区域损伤异常检测层以及锚框层;
通过所述图像标准化层对所述第二存储区域特征图像进行图像尺寸标准化处理,得到标准存储区域特征图像;
通过所述存储区域损伤异常检测层中的两层卷积网络对所述标准存储区域特征图像进行存储区域损伤检测,得到每个像素属于损伤异常区域的概率值;
根据每个像素属于损伤异常区域的概率值生成对应的存储区域损伤异常概率图,并根据预设的概率阈值对所述存储区域损伤异常概率图进行损伤异常区域判定和检测框生成,得到存储区域损伤检测框。
4.根据权利要求3所述的基于机器视觉的内存条损伤快速检测方法,其特征在于,所述通过所述初始内存条损伤检测模型中的损伤特征提取网络根据所述存储区域损伤检测框对所述第二存储区域特征图像进行损伤组件特征分解,得到S个第一损伤特征区域图以及K个第二损伤特征区域图,并对所述S个第一损伤特征区域图以及所述K个第二损伤特征区域图进行损伤区域特征增强和图像融合,生成目标损伤区域增强图像,其中,S和K均为正整数,S=3K,包括:
将所述第二存储区域特征图像输入所述初始内存条损伤检测模型中的损伤特征提取网络,所述损伤特征提取网络包括损伤组件特征分解层、改进拉普拉斯算子以及图像融合层;
通过所述损伤组件特征分解层将所述第二存储区域特征图像分解为S个第一损伤特征区域图以及K个第二损伤特征区域图;
通过所述改进拉普拉斯算子对所述S个第一损伤特征区域图以及所述K个第二损伤特征区域图进行损伤特征区域细节捕捉;
根据所述存储区域损伤检测框生成特征区域图融合规则,并根据所述特征区域图融合规则对所述S个第一损伤特征区域图以及所述K个第二损伤特征区域图进行损伤区域特征增强,得到多个目标特征增强图像,其中,S和K均为正整数,S=3K;
通过所述图像融合层对所述多个目标特征增强图像进行图像融合,生成目标损伤区域增强图像。
5.根据权利要求4所述的基于机器视觉的内存条损伤快速检测方法,其特征在于,所述通过所述初始内存条损伤检测模型中的损伤标注网络对所述目标损伤区域增强图像进行损伤组件信息标注和结果输出,得到内存条损伤检测结果,包括:
通过所述初始内存条损伤检测模型中的损伤标注网络对所述目标损伤区域增强图像进行损伤组件信息标注,得到目标损伤组件掩模;
根据所述目标损伤组件掩模对所述目标损伤区域增强图像进行损伤局部优化,得到目标局部优化图像;
对所述目标局部优化图像进行结果输出,得到内存条损伤检测结果。
6.根据权利要求1所述的基于机器视觉的内存条损伤快速检测方法,其特征在于,所述采用粒子群优化算法,根据所述内存条损伤检测结果对所述初始内存条损伤检测模型进行网络参数调优,得到网络参数优化集合,并根据所述网络参数优化集合对所述初始内存条损伤检测模型进行网络参数更新和优化,得到目标内存条损伤检测模型,包括:
基于预置的智能反馈机制对所述内存条损伤检测结果进行结果反馈,得到目标反馈信息;
根据所述目标反馈信息对所述初始内存条损伤检测模型进行模型参数范围分析,得到模型参数范围集合;
通过所述模型参数范围集合,对所述初始内存条损伤检测模型的多个模型参数进行随机初始值生成,得到对应的随机初始值集合,并通过预置的粒子群优化算法对所述随机初始值集合进行粒子种群构建,得到粒子种群;
对所述粒子种群进行粒子适应度计算,得到所述粒子种群对应的粒子适应度集合,并对所述粒子适应度集合进行迭代计算和最优化求解,得到网络参数优化集合;
根据所述网络参数优化集合对所述初始内存条损伤检测模型进行网络参数更新和优化,得到目标内存条损伤检测模型。
7.一种基于机器视觉的内存条损伤快速检测***,其特征在于,所述基于机器视觉的内存条损伤快速检测***包括:
检测模块,用于对目标内存条进行图像检测,得到初始内存条图像,并对所述初始内存条图像进行存储区域特征提取,得到第一存储区域特征图像;
计算模块,用于对所述初始内存条图像进行检测环境分析,得到检测环境参数数据,并根据所述检测环境参数数据对所述第一存储区域特征图像进行存储区域特征检测权重计算,得到第二存储区域特征图像;具体包括:对所述初始内存条图像进行检测环境分析,得到初始环境参数数据,并获取损失检测环境影响因素集合;根据所述损失检测环境影响因素集合对所述初始环境参数数据进行环境参数分析,得到检测环境参数数据;通过预置的层次分析法对所述检测环境参数数据进行环境影响因素层次分析,并构建一个层次结构,所述层次结构包括目标层、准则层和因素层;根据所述层次结构,构建所述检测环境参数数据的判别矩阵,并对所述判别矩阵中的多个列向量进行均值运算,得到权重向量;对所述权重向量进行归一化处理,得到存储区域特征检测权重数据,并根据所述存储区域特征检测权重数据对所述第一存储区域特征图像进行存储区域特征检测权重计算,得到第二存储区域特征图像;
输入模块,用于将所述第二存储区域特征图像输入预置的初始内存条损伤检测模型,并通过所述初始内存条损伤检测模型中的存储区域损伤检测网络进行存储区域损伤检测,得到存储区域损伤检测框;
分解模块,用于通过所述初始内存条损伤检测模型中的损伤特征提取网络根据所述存储区域损伤检测框对所述第二存储区域特征图像进行损伤组件特征分解,得到S个第一损伤特征区域图以及K个第二损伤特征区域图,并对所述S个第一损伤特征区域图以及所述K个第二损伤特征区域图进行损伤区域特征增强和图像融合,生成目标损伤区域增强图像,其中,S和K均为正整数,S=3K;
标注模块,用于通过所述初始内存条损伤检测模型中的损伤标注网络对所述目标损伤区域增强图像进行损伤组件信息标注和结果输出,得到内存条损伤检测结果;
优化模块,用于采用粒子群优化算法,根据所述内存条损伤检测结果对所述初始内存条损伤检测模型进行网络参数调优,得到网络参数优化集合,并根据所述网络参数优化集合对所述初始内存条损伤检测模型进行网络参数更新和优化,得到目标内存条损伤检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410073849.5A CN117593301B (zh) | 2024-01-18 | 2024-01-18 | 基于机器视觉的内存条损伤快速检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410073849.5A CN117593301B (zh) | 2024-01-18 | 2024-01-18 | 基于机器视觉的内存条损伤快速检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117593301A CN117593301A (zh) | 2024-02-23 |
CN117593301B true CN117593301B (zh) | 2024-04-30 |
Family
ID=89918763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410073849.5A Active CN117593301B (zh) | 2024-01-18 | 2024-01-18 | 基于机器视觉的内存条损伤快速检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593301B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410208A (zh) * | 2018-11-14 | 2019-03-01 | 成都极致智造科技有限公司 | 砂带磨损的机器学习识别与工艺参数优化方法 |
CN110874594A (zh) * | 2019-09-23 | 2020-03-10 | 平安科技(深圳)有限公司 | 基于语义分割网络的人体外表损伤检测方法及相关设备 |
CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
WO2021114809A1 (zh) * | 2020-05-27 | 2021-06-17 | 平安科技(深圳)有限公司 | 车辆损伤特征检测方法、装置、计算机设备及存储介质 |
CN113538331A (zh) * | 2021-05-13 | 2021-10-22 | 中国地质大学(武汉) | 金属表面损伤目标检测识别方法、装置、设备及存储介质 |
CN114463283A (zh) * | 2022-01-14 | 2022-05-10 | 珠海格力电器股份有限公司 | 金属表面损伤检测方法、***、存储介质及电子设备 |
KR20220093492A (ko) * | 2020-12-28 | 2022-07-05 | 세종대학교산학협력단 | 이미지 스티칭을 이용한 구조물 외관 조사망도 구축 시스템 및 방법 |
US11516538B1 (en) * | 2020-09-29 | 2022-11-29 | Amazon Technologies, Inc. | Techniques for detecting low image quality |
CN116523893A (zh) * | 2023-05-16 | 2023-08-01 | 华院计算技术(上海)股份有限公司 | 一种基于机器视觉的飞钢检测***及方法 |
CN116664559A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
CN117197571A (zh) * | 2023-09-12 | 2023-12-08 | 阳光智维科技股份有限公司 | 一种光伏组件故障检测方法、装置、电子设备及存储介质 |
CN117315365A (zh) * | 2023-10-13 | 2023-12-29 | 桂林电子科技大学 | 一种基于视觉分析的凸轮轴表面损伤检测*** |
-
2024
- 2024-01-18 CN CN202410073849.5A patent/CN117593301B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410208A (zh) * | 2018-11-14 | 2019-03-01 | 成都极致智造科技有限公司 | 砂带磨损的机器学习识别与工艺参数优化方法 |
CN110874594A (zh) * | 2019-09-23 | 2020-03-10 | 平安科技(深圳)有限公司 | 基于语义分割网络的人体外表损伤检测方法及相关设备 |
WO2021114809A1 (zh) * | 2020-05-27 | 2021-06-17 | 平安科技(深圳)有限公司 | 车辆损伤特征检测方法、装置、计算机设备及存储介质 |
US11516538B1 (en) * | 2020-09-29 | 2022-11-29 | Amazon Technologies, Inc. | Techniques for detecting low image quality |
CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
KR20220093492A (ko) * | 2020-12-28 | 2022-07-05 | 세종대학교산학협력단 | 이미지 스티칭을 이용한 구조물 외관 조사망도 구축 시스템 및 방법 |
CN113538331A (zh) * | 2021-05-13 | 2021-10-22 | 中国地质大学(武汉) | 金属表面损伤目标检测识别方法、装置、设备及存储介质 |
CN114463283A (zh) * | 2022-01-14 | 2022-05-10 | 珠海格力电器股份有限公司 | 金属表面损伤检测方法、***、存储介质及电子设备 |
CN116523893A (zh) * | 2023-05-16 | 2023-08-01 | 华院计算技术(上海)股份有限公司 | 一种基于机器视觉的飞钢检测***及方法 |
CN116664559A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
CN117197571A (zh) * | 2023-09-12 | 2023-12-08 | 阳光智维科技股份有限公司 | 一种光伏组件故障检测方法、装置、电子设备及存储介质 |
CN117315365A (zh) * | 2023-10-13 | 2023-12-29 | 桂林电子科技大学 | 一种基于视觉分析的凸轮轴表面损伤检测*** |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的风电叶片风沙侵蚀程度检测方法研究;王雪平等;《太阳能学报》;20200528(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117593301A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
JP5546317B2 (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
JP2013167596A (ja) | 欠陥検査装置、欠陥検査方法及びプログラム | |
CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及*** | |
CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和*** | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN117593301B (zh) | 基于机器视觉的内存条损伤快速检测方法及*** | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
CN115797314B (zh) | 零件表面缺陷检测方法、***、设备及存储介质 | |
CN116258703A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN115082416A (zh) | 镜片瑕疵检测方法、装置、设备及存储介质 | |
CN115457323A (zh) | 基于视觉检测***的手机玻璃屏非均衡表面缺陷分类方法 | |
CN111191575B (zh) | 一种基于火苗跳动建模的明火检测方法及*** | |
CN112767365A (zh) | 一种探伤方法 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、***及介质 | |
CN117911409B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN117817211B (zh) | 基于机器视觉的焊接自动化控制方法及*** | |
CN111814852B (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN118096747B (zh) | 基于深度学习的pcba板自动检测方法及*** | |
CN113850749B (zh) | 训练缺陷侦测器的方法 |
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 |