CN111583223A - 缺陷检测方法、装置、计算机设备及计算机可读存储介质 - Google Patents
缺陷检测方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111583223A CN111583223A CN202010377497.4A CN202010377497A CN111583223A CN 111583223 A CN111583223 A CN 111583223A CN 202010377497 A CN202010377497 A CN 202010377497A CN 111583223 A CN111583223 A CN 111583223A
- Authority
- CN
- China
- Prior art keywords
- detection result
- product
- image
- deep learning
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 323
- 230000007547 defect Effects 0.000 title claims abstract description 142
- 238000013135 deep learning Methods 0.000 claims abstract description 134
- 230000002950 deficient Effects 0.000 claims abstract description 78
- 238000010191 image analysis Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 17
- 238000013136 deep learning model Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 abstract description 31
- 238000010586 diagram Methods 0.000 description 11
- 230000003042 antagnostic effect Effects 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了缺陷检测方法、装置、计算机设备及计算机可读存储介质。该方法包括：获取待检测产品的图像信息，图像信息包括图片信息和轮廓信息；利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果；利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果；根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果。本发明提供的方案能够将图像分析算法和图像深度学习算法相结合，提高了缺陷的检出率，解决了良品与不良品的判断争议，降低了对待检测产品的误判率。
Description
技术领域
本发明实施例涉及产品检测技术领域，尤其涉及一种缺陷检测方法、装置、计算机设备及计算机可读存储介质。
背景技术
表面缺陷是指在产品表面存在斑点、凹坑、色差、划痕、缺损等缺陷。在工业领域，表面缺陷直接影响着产品的美观、性能等属性，因此，产品的表面质量至关重要。
为了保证产品的表面质量，需要对产品的表面缺陷进行检测。表面缺陷的检测方法主要分为人工检测方法和机器检测方法。其中，人工检测方法需要耗费大量的人力，并且人工检测往往无法保障每个人的检测标准一致；而机器检测方法又分为图像分析算法和图像深度学习算法两大类，且这两类算法均无法避免误判情况的发生，导致缺陷的检出率不高。
发明内容
本发明实施例提供了一种缺陷检测方法、装置、计算机设备及计算机可读存储介质，能够将图像分析算法和图像深度学习算法相结合，提高了缺陷的检出率，解决了良品与不良品的判断争议，降低了对待检测产品的误判率。
在一实施例中，本发明实施例提供了一种缺陷检测方法，缺陷检测方法包括：
获取待检测产品的图像信息，图像信息包括图片信息和轮廓信息；
利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果；
利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果；
根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果。
可选的，获取待检测产品的图像信息，包括：
获取图片信息；
对图片信息进行预处理，得到轮廓信息，预处理包括图像灰度化处理、二值化处理、膨胀处理、腐蚀处理中的至少一种。
可选的，利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果，包括：
利用图像分析算法将轮廓信息划分为缺陷区域和正常区域；
分别计算缺陷区域的面积和正常区域的面积；
若缺陷区域的面积和正常区域的面积的比值大于或者等于预设阈值，则第一检测结果为不良品；
若缺陷区域的面积和正常区域的面积的比值小于预设阈值，则第一检测结果为良品。
可选的，图像深度学习算法包括图像深度学习严格模型和图像深度学习宽松模型，图像深度学习严格模型对缺陷的容忍度低于图像深度学习宽松模型对缺陷的容忍度。
可选的，当第一检测结果为不良品时，利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果，包括：
将图片信息输入图像深度学习严格模型，得到第二检测结果；
相应的，根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果，包括：
若第一检测结果为不良品、且第二检测结果为不良品，则最终检测结果为不良品；
若第一检测结果为不良品、且第二检测结果为良品，则最终检测结果为良品。
可选的，当第一检测结果为良品时，利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果，包括：
将图片信息输入图像深度学习宽松模型，得到第二检测结果；
相应的，根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果，包括：
若第一检测结果为良品、且第二检测结果为良品，则最终检测结果为良品；
若第一检测结果为良品、且第二检测结果为不良品，则最终检测结果为不良品。
可选的，缺陷检测方法还包括：
获取历史图像信息；
根据历史图像信息，训练得到图像深度学习严格模型和图像深度学习宽松模型。
在一实施例中，本发明实施例还提供了一种缺陷检测装置，缺陷检测装置包括图像处理模块、第一分析模块、第二分析模块和结果分析模块；
图像处理模块，用于获取待检测产品的图像信息，图像信息包括图片信息和轮廓信息；
第一分析模块，用于利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果；
第二分析模块，用于利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果；
结果分析模块，用于根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果。
在一实施例中，本发明实施例还提供了一种计算机设备，包括：处理器，处理器用于在执行计算机程序时实现上述任一实施例的方法。
在一实施例中，本发明实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例的方法。
在一实施例中，本发明实施例还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现本申请任意实施例所提供的缺陷检测方法的步骤。
在一实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请任意实施例所提供的缺陷检测方法的步骤。
本发明实施例提供了一种缺陷检测方法、装置、计算机设备及计算机可读存储介质。通过上述方法，首先采用图像分析算法对待检测产品进行检测，得到第一检测结果；随后采用图像深度学习算法对待检测产品进行检测，得到第二检测结果；最后结合第一检测结果和第二检测结果，综合分析得到待检测产品的最终检测结果。将图像分析算法和图像深度学习算法相结合，图像分析算法和图像深度学习算法形成互补且对抗的关系，提高了缺陷的检出率，在一定程度上解决了良品与不良品的判断争议，从而降低了对待检测产品的误判率。
附图说明
图1是一实施例提供的一种缺陷检测方法的流程示意图；
图2是一实施例提供的另一种缺陷检测方法的流程示意图；
图3是一实施例提供的一种待检测产品的图片信息和轮廓信息的示意图；
图4是一实施例提供的另一种待检测产品的图片信息和轮廓信息的示意图；
图5是一实施例提供的又一种缺陷检测方法的流程示意图；
图6是一实施例提供的一种缺陷检测装置的结构示意图；
图7是一实施例提供的另一种缺陷检测装置的结构示意图；
图8是一实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在工业产品缺陷检测领域，对表面缺陷的检测方法主要分为人工检测方法和机器检测方法。针对机器检测方法，主要分为图像分析算法和图像深度学习算法两大类，这两类算法各有优缺点：图像分析算法可以精确地计算出缺陷的位置和面积大小，对缺陷程度的判断比较准确，但是图像分析算法只对比较明显的缺陷有效，对一些比较特殊、不明显的缺陷(如细小的异物等)则效果较差，有可能检测不出来；图像深度学习算法对缺陷的检出率较高，但对缺陷程度的判断(如缺陷面积大小等)则不如图像分析算法简单直接。如此，导致图像分析算法和图像深度学习算法在对良品与不良品的判断上存在争议。
为此，本发明提供一种缺陷检测方法、装置、计算机设备及计算机可读存储介质。首先采用图像分析算法对待检测产品进行检测，得到第一检测结果；随后采用图像深度学习算法对待检测产品进行检测，得到第二检测结果；最后结合第一检测结果和第二检测结果，综合分析得到待检测产品的最终检测结果。将图像分析算法和图像深度学习算法相结合，图像分析算法和图像深度学习算法形成互补且对抗的关系，提高了缺陷的检出率，在一定程度上解决了良品与不良品的判断争议，从而降低了对待检测产品的误判率。
本发明下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本发明实施例对此不作具体限制。本发明实施例中用“第一”、“第二”等来描述各种组件，但是这些组件不应该受这些术语限制。这些术语仅用来将一个组件与另一组件区分开。
下面，对缺陷检测方法、装置及其技术效果进行描述。
图1为一实施例提供的一种缺陷检测方法的流程示意图，如图1所示，本实施例提供的方法适用于缺陷检测装置，该方法包括如下步骤。
S101、获取待检测产品的图像信息，图像信息包括图片信息和轮廓信息。
具体的，获取待检测产品的图像信息的方法可以包括如下两个步骤：
步骤1、获取图片信息。
图片信息可以是缺陷检测装置自身采集的，也可以是缺陷检测装置从其他设备处获取到的。
缺陷检测装置可以是终端设备、计算机等任意具有缺陷检测功能的装置。可选的，缺陷检测装置可以包括图像采集设备(如照相机或者摄像头)，用于采集待检测产品的图片信息。当然，当缺陷检测装置不包括图像采集设备时，缺陷检测装置可以与图像采集设备电连接，以接收图像采集设备拍摄的待检测产品的图片信息。
步骤2、对图片信息进行预处理，得到轮廓信息，预处理包括图像灰度化处理、二值化处理、膨胀处理、腐蚀处理中的至少一种。
对图片信息进行预处理是指通过图像灰度化处理、二值化处理、膨胀处理、腐蚀处理中的至少一种处理方法对图片信息进行处理，以得到待检测产品的轮廓。
R(red)G(green)B(blue)色彩模式是使用RGB模型为图像中每个像素的RGB分量分配一个0-255范围内的强度值。RGB图像仅仅使用三种颜色就能够使它们依照不同的比例混合，在屏幕上呈现16777216(256*256*256)种颜色。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。例如，0％的灰度RGB数值是255,255,255；1％灰度的RGB数值是253,253,253；2％灰度RGB值为250,250,250。
灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑白两种颜色，灰度图像在黑色与白色之间还有许多级的颜色深度。本实施例中提供的图像灰度化处理可以选择分量法(将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像)、最大值法(将彩色图像中的三分量亮度的最大值作为灰度图的灰度值)、平均值法(将彩色图像中的三分量亮度求平均得到一个灰度图)和加权平均法(根据重要性及其它指标，将三个分量以不同的权值进行加权平均)中的任意一种方法。
二值化处理(Thresholding)是图像分割的一种简单的方法。二值化处理可以把灰度图像转换成二值图像。把大于某个临界灰度值的像素灰度设为灰度极大值，把小于这个值的像素灰度设为灰度极小值，从而实现二值化。根据阈值选取的不同，二值化的算法可以分为固定阈值和自适应阈值。比较常用的二值化方法有：双峰法、P参数法、迭代法和OTSU法等。
膨胀处理(Dilation)和腐蚀处理(Erosion)均属于形态学操作，是基于形状的一系列图像处理操作。膨胀处理和腐蚀处理常用于消除噪声、分割(isolate)独立的图像元素、连接(join)相邻的图像元素、寻找图像中的明显的极大值区域或极小值区域。
S102、利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果。
利用图像分析算法对轮廓信息进行分析，可以得到一些比较明显的缺陷的轮廓和位置，并且可以准确计算出缺陷的面积。通过分析缺陷的轮廓、位置和面积，可以得到待检测产品的第一检测结果，即利用图像分析算法判断得出待检测产品是良品还是不良品。
S103、利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果。
图像深度学习算法包括图像深度学习严格模型和图像深度学习宽松模型，图像深度学习严格模型对缺陷的容忍度低于图像深度学习宽松模型对缺陷的容忍度。通过选择合适的模型对图片信息进行分析，可以得到待检测产品的第二检测结果，即利用图像深度学习算法判断得出待检测产品是良品还是不良品。
图像深度学习严格模型(High)：对缺陷的容忍度较低，比较严格，因此可以近似认为，凡是图像深度学习严格模型判断为良品的，则一定是良品；但图像深度学习严格模型判断为不良品的，则不一定是不良品。即图像深度学习严格模型对良品的判断可信度高。
图像深度学习宽松模型(Low)：对缺陷的容忍度较高，比较宽松，因此可以近似认为，凡是图像深度学习宽松模型判断为不良品的，则一定是不良品；但图像深度学习宽松模型判断为良品的，则不一定是良品。即图像深度学习宽松模型对不良品的判断可信度高。
S104、根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果。
综合上述步骤S102和S103的检测结果，将图像分析算法和图像深度学习算法相结合，可以得到待检测产品的最终检测结果。即待检测产品最终是良品还是不良品。
图2为一实施例提供的另一种缺陷检测方法的流程示意图，如图2所示，本实施例提供的方法适用于缺陷检测装置，与图1所示的实施例不同的是，图2所示的实施例中详细解释了图像分析算法和图像深度学习算法互补且对抗的关系。该方法包括如下步骤。
S201、获取待检测产品的图像信息，图像信息包括图片信息和轮廓信息。
具体的，获取待检测产品的图像信息的方法可以包括如下两个步骤：
步骤1、获取图片信息。
步骤2、对图片信息进行预处理，得到轮廓信息，预处理包括图像灰度化处理、二值化处理、膨胀处理、腐蚀处理中的至少一种。
S202、利用图像分析算法将轮廓信息划分为缺陷区域和正常区域。
图3为一实施例提供的一种待检测产品的图片信息和轮廓信息的示意图，如图3所示，图3(a)为待检测产品的图片信息，图3(b)为图3(a)中待检测产品的轮廓信息。利用图像分析算法对轮廓信息进行分析，可以将轮廓信息划分为缺陷区域和正常区域。参考图3(b)，白色区域为正常区域(也可称为良区)，黑色区域为背景区，灰色区域为缺陷区域。
S203、分别计算缺陷区域的面积和正常区域的面积。
通过对缺陷区域的面积和正常区域的面积进行准确的量化，可以明确缺陷区域的大小和位置。
S204、判断缺陷区域的面积和正常区域的面积的比值与预设阈值的关系。
判断缺陷区域的面积和正常区域的面积的比值与预设阈值的关系，可以得出采用图像分析算法对待检测产品进行检测的检测结果。
即：若缺陷区域的面积和正常区域的面积的比值大于或者等于预设阈值，则第一检测结果为不良品；若缺陷区域的面积和正常区域的面积的比值小于预设阈值，则第一检测结果为良品。
预设阈值的取值可以根据实际产品的需求进行设定。
然而，图像分析算法对一些比较特殊、不明显的缺陷(如毛发状异物、细而长的明显缺陷、漏光亮点等)的检测效果较差。图4为一实施例提供的另一种待检测产品的图片信息和轮廓信息的示意图，图4(a)为待检测产品的图片信息(具有毛发状异物)，图4(b)为图4(a)中待检测产品的轮廓信息；图4(c)为待检测产品的图片信息(具有细而长的划痕)，图4(d)为图4(c)中待检测产品的轮廓信息；图4(e)为待检测产品的图片信息(具有漏光亮点)，图4(f)为图4(e)中待检测产品的轮廓信息。参考图4(b)、图4(d)和图4(f)可知，待检测产品的轮廓信息并不能发现上述缺陷。因此，需要采用图像深度学习算法对采用图像分析算法得到的第一检测结果进行验证。
S205、若缺陷区域的面积和正常区域的面积的比值大于或者等于预设阈值，则第一检测结果为不良品。
S206、将图片信息输入图像深度学习严格模型，得到第二检测结果。
对于第一检测结果为不良品的待检测产品，选择图像深度学习严格模型进行验证。具体的，将图片信息输入图像深度学习严格模型，得到第二检测结果。
图像深度学习严格模型(High)：对缺陷的容忍度较低，比较严格，因此可以近似认为，凡是图像深度学习严格模型判断为良品的，则一定是良品；但图像深度学习严格模型判断为不良品的，则不一定是不良品。即图像深度学习严格模型对良品的判断可信度高。
S207、若第一检测结果为不良品、且第二检测结果为不良品，则最终检测结果为不良品。
S208、若第一检测结果为不良品、且第二检测结果为良品，则最终检测结果为良品。
S209、若缺陷区域的面积和正常区域的面积的比值小于预设阈值，则第一检测结果为良品。
S210、将图片信息输入图像深度学习宽松模型，得到第二检测结果。
对于第一检测结果为良品的待检测产品，选择图像深度学习宽松模型进行验证。具体的，将图片信息输入图像深度学习宽松模型，得到第二检测结果。
图像深度学习宽松模型(Low)：对缺陷的容忍度较高，比较宽松，因此可以近似认为，凡是图像深度学习宽松模型判断为不良品的，则一定是不良品；但图像深度学习宽松模型判断为良品的，则不一定是良品。即图像深度学习宽松模型对不良品的判断可信度高。
S211、若第一检测结果为良品、且第二检测结果为良品，则最终检测结果为良品。
S212、若第一检测结果为良品、且第二检测结果为不良品，则最终检测结果为不良品。
从上述步骤可以看出，首先采用图像分析算法对待检测产品进行检测，得到第一检测结果；随后采用图像深度学习算法对待检测产品进行检测，得到第二检测结果；最后结合第一检测结果和第二检测结果，综合分析得到待检测产品的最终检测结果。图像分析算法和图像深度学习算法互相辅助，对缺陷进行全覆盖，提高了缺陷的检出率。
但同时，图像分析算法和图像深度学习算法又互相“质疑”。即图像分析算法判断为良品的，图像深度学习算法就要“尽可能有说服力”地将其判断为不良品(即图像分析算法判断为良品的，再用图像深度学习宽松模型进行验证，由于图像深度学习宽松模型对不良品的判断可信度高，只要用图像深度学习宽松模型重新检测一遍，如果图像深度学习宽松模型判断其为不良品，则以图像深度学习算法的判断结果为准，改判为不良品)；图像分析算法判断为不良品的，图像深度学习算法就要“尽可能有说服力”地将其判断为良品(即图像分析算法判断为不良品的，再用图像深度学习严格模型进行验证，由于图像深度学习严格模型对良品的判断可信度高，只要用图像深度学习严格模型重新检测一遍，如果图像深度学习严格模型判断其为良品，则以图像深度学习算法的判断结果为准，改判为良品)。
图5为一实施例提供的又一种缺陷检测方法的流程示意图，如图5所示，本实施例提供的方法适用于缺陷检测装置，与图1所示的实施例不同的是，图5所示的实施例中涉及模型的训练。该方法包括如下步骤。
S301、获取历史图像信息。
历史图像信息可以是历史检测过的待检测产品的图像信息，也可以是选定好的用于模型训练的图像信息。
S302、根据历史图像信息，训练得到图像深度学习严格模型和图像深度学习宽松模型。
在训练图像深度学习严格模型和图像深度学习宽松模型时，可以针对检测的宽严要求，根据缺陷的类型和大小，进行有针对性的训练。
示例性的，在训练模型时，同一组训练产品(假设包括产品1，产品2和产品3)对于图像深度学习严格模型和图像深度学习宽松模型来说，其对应的训练数据是不同的。这是因为图像深度学习严格模型对缺陷的容忍度较低，而图像深度学习宽松模型对缺陷的容忍度较高，例如产品1在图像深度学习严格模型的检测下是不良品，而在图像深度学习宽松模型的检测下是良品；产品2在图像深度学习严格模型的检测下是不良品，在图像深度学习宽松模型的检测下是不良品；产品3在图像深度学习严格模型的检测下是良品，在图像深度学习宽松模型的检测下也是良品。由此可见，可以选择性地设置图像深度学习严格模型的训练数据和图像深度学习宽松模型的训练数据，并分别输入到深度学习(Deep Learning，DL)模型中进行训练，得到图像深度学习严格模型和图像深度学习宽松模型。
深度学习(Deep Learning，DL)算法属于机器学习(Machine Learning，ML)领域，是学习样本数据的内在规律和表示层次的过程，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。深度学习算法可以通过深度学习模型实现，本申请中可以采用诸如卷积神经网络(convolutional neural network)模型、深度信任网络(DBN)模型和堆栈自编码网络(stacked auto-encoder network)模型进行图像深度学习严格模型和图像深度学习宽松模型的训练。
S303、获取待检测产品的图像信息，图像信息包括图片信息和轮廓信息。
S304、利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果。
S305、利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果。
S306、根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果。
本发明实施例提供了一种缺陷检测方法，包括：获取待检测产品的图像信息，图像信息包括图片信息和轮廓信息；利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果；利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果；根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果。通过上述方法，首先采用图像分析算法对待检测产品进行检测，得到第一检测结果；随后采用图像深度学习算法对待检测产品进行检测，得到第二检测结果；最后结合第一检测结果和第二检测结果，综合分析得到待检测产品的最终检测结果。将图像分析算法和图像深度学习算法相结合，图像分析算法和图像深度学习算法形成互补且对抗的关系，提高了缺陷的检出率，在一定程度上解决了良品与不良品的判断争议，从而降低了对待检测产品的误判率。
图6为一实施例提供的一种缺陷检测装置的结构示意图，如图6所示，缺陷检测装置包括图像处理模块10、第一分析模块11、第二分析模块12和结果分析模块13；
图像处理模块10，用于获取待检测产品的图像信息，图像信息包括图片信息和轮廓信息；
第一分析模块11，用于利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果；
第二分析模块12，用于利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果；
结果分析模块13，用于根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果。
本实施例提供的缺陷检测装置为实现上述实施例的缺陷检测方法，本实施例提供的缺陷检测装置实现原理和技术效果与上述实施例类似，此处不再赘述。
可选的，图像处理模块10，具体用于获取图片信息；对图片信息进行预处理，得到轮廓信息，预处理包括图像灰度化处理、二值化处理、膨胀处理、腐蚀处理中的至少一种。
可选的，第一分析模块11，具体用于利用图像分析算法将轮廓信息划分为缺陷区域和正常区域；分别计算缺陷区域的面积和正常区域的面积；若缺陷区域的面积和正常区域的面积的比值大于或者等于预设阈值，则第一检测结果为不良品；若缺陷区域的面积和正常区域的面积的比值小于预设阈值，则第一检测结果为良品。
可选的，图像深度学习算法包括图像深度学习严格模型和图像深度学习宽松模型，图像深度学习严格模型对缺陷的容忍度低于图像深度学习宽松模型对缺陷的容忍度。
可选的，当第一检测结果为不良品时，第二分析模块12，具体用于将图片信息输入图像深度学习严格模型，得到第二检测结果；
相应的，结果分析模块13，具体用于若第一检测结果为不良品、且第二检测结果为不良品，则最终检测结果为不良品；若第一检测结果为不良品、且第二检测结果为良品，则最终检测结果为良品。
可选的，当第一检测结果为良品时，第二分析模块12，具体用于将图片信息输入图像深度学习宽松模型，得到第二检测结果；
相应的，结果分析模块13，具体用于若第一检测结果为良品、且第二检测结果为良品，则最终检测结果为良品；若第一检测结果为良品、且第二检测结果为不良品，则最终检测结果为不良品。
可选的，结合图6，图7为一实施例提供的另一种缺陷检测装置的结构示意图，如图7所示，还包括：训练模块14；
训练模块14，用于获取历史图像信息；根据历史图像信息，训练得到图像深度学习严格模型和图像深度学习宽松模型。
本发明实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现本申请任意实施例所提供的缺陷检测方法的步骤：
获取待检测产品的图像信息，图像信息包括图片信息和轮廓信息；
利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果；
利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果；
根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果。
在一实施例中，处理器执行计算机程序时还实现以下步骤：
获取待检测产品的图像信息，包括：
获取图片信息；
对图片信息进行预处理，得到轮廓信息，预处理包括图像灰度化处理、二值化处理、膨胀处理、腐蚀处理中的至少一种。
在一实施例中，处理器执行计算机程序时还实现以下步骤：
利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果，包括：
利用图像分析算法将轮廓信息划分为缺陷区域和正常区域；
分别计算缺陷区域的面积和正常区域的面积；
若缺陷区域的面积和正常区域的面积的比值大于或者等于预设阈值，则第一检测结果为不良品；
若缺陷区域的面积和正常区域的面积的比值小于预设阈值，则第一检测结果为良品。
在一实施例中，处理器执行计算机程序时还实现以下步骤：
图像深度学习算法包括图像深度学习严格模型和图像深度学习宽松模型，图像深度学习严格模型对缺陷的容忍度低于图像深度学习宽松模型对缺陷的容忍度。
在一实施例中，处理器执行计算机程序时还实现以下步骤：
当第一检测结果为不良品时，利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果，包括：
将图片信息输入图像深度学习严格模型，得到第二检测结果；
相应的，根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果，包括：
若第一检测结果为不良品、且第二检测结果为不良品，则最终检测结果为不良品；
若第一检测结果为不良品、且第二检测结果为良品，则最终检测结果为良品。
在一实施例中，处理器执行计算机程序时还实现以下步骤：
当第一检测结果为良品时，利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果，包括：
将图片信息输入图像深度学习宽松模型，得到第二检测结果；
相应的，根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果，包括：
若第一检测结果为良品、且第二检测结果为良品，则最终检测结果为良品；
若第一检测结果为良品、且第二检测结果为不良品，则最终检测结果为不良品。
在一实施例中，处理器执行计算机程序时还实现以下步骤：
缺陷检测方法还包括：
获取历史图像信息；
根据历史图像信息，训练得到图像深度学习严格模型和图像深度学习宽松模型。
图8为一实施例提供的一种计算机设备的结构示意图，如图8所示，该计算机设备包括处理器30、存储器31和通信接口32；计算机设备中处理器30的数量可以是一个或多个，图8中以一个处理器30为例；计算机设备中的处理器30、存储器31、通信接口32可以通过总线或其他方式连接，图8中以通过总线连接为例。总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器31作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序以及模块，如本发明实施例中的方法对应的程序指令/模块。处理器30通过运行存储在存储器31中的软件程序、指令以及模块，从而执行计算机设备的至少一种功能应用以及数据处理，即实现上述缺陷检测方法的步骤。
存储器31可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系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器31可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器31可包括相对于处理器30远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信接口32可设置为数据的接收与发送。
在一实施例中，本发明实施例还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现本申请任意实施例所提供的缺陷检测方法的步骤。
在一实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请任意实施例所提供的缺陷检测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，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任意实施例所提供的音频处理方法的步骤，该方法包括如下步骤：
获取待检测产品的图像信息，图像信息包括图片信息和轮廓信息；
利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果；
利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果；
根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果。
在一实施例中，计算机程序被处理器执行时还实现以下步骤：
获取待检测产品的图像信息，包括：
获取图片信息；
对图片信息进行预处理，得到轮廓信息，预处理包括图像灰度化处理、二值化处理、膨胀处理、腐蚀处理中的至少一种。
在一实施例中，计算机程序被处理器执行时还实现以下步骤：
利用图像分析算法对轮廓信息进行分析，得到待检测产品的第一检测结果，包括：
利用图像分析算法将轮廓信息划分为缺陷区域和正常区域；
分别计算缺陷区域的面积和正常区域的面积；
若缺陷区域的面积和正常区域的面积的比值大于或者等于预设阈值，则第一检测结果为不良品；
若缺陷区域的面积和正常区域的面积的比值小于预设阈值，则第一检测结果为良品。
在一实施例中，计算机程序被处理器执行时还实现以下步骤：
图像深度学习算法包括图像深度学习严格模型和图像深度学习宽松模型，图像深度学习严格模型对缺陷的容忍度低于图像深度学习宽松模型对缺陷的容忍度。
在一实施例中，计算机程序被处理器执行时还实现以下步骤：
当第一检测结果为不良品时，利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果，包括：
将图片信息输入图像深度学习严格模型，得到第二检测结果；
相应的，根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果，包括：
若第一检测结果为不良品、且第二检测结果为不良品，则最终检测结果为不良品；
若第一检测结果为不良品、且第二检测结果为良品，则最终检测结果为良品。
在一实施例中，计算机程序被处理器执行时还实现以下步骤：
当第一检测结果为良品时，利用图像深度学习算法对图片信息进行分析，得到待检测产品的第二检测结果，包括：
将图片信息输入图像深度学习宽松模型，得到第二检测结果；
相应的，根据第一检测结果和第二检测结果，得到待检测产品的最终检测结果，包括：
若第一检测结果为良品、且第二检测结果为良品，则最终检测结果为良品；
若第一检测结果为良品、且第二检测结果为不良品，则最终检测结果为不良品。
在一实施例中，计算机程序被处理器执行时还实现以下步骤：
缺陷检测方法还包括：
获取历史图像信息；
根据历史图像信息，训练得到图像深度学习严格模型和图像深度学习宽松模型。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质包括(非穷举的列表)：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(electrically erasable,programmable Read-Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，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系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，数据信号中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或多种程序设计语言组合来编写用于执行本公开操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言(诸如Java、Smalltalk、C++、Ruby、Go)，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(Local Area Network，LAN)或广域网(Wide Area Network，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)。
本领域内的技术人员应明白，术语用户终端涵盖任何适合类型的无线用户设备，例如移动电话、便携数据处理装置、便携网络浏览器或车载移动台。
一般来说，本发明的多种实施例可以在硬件或专用电路、软件、逻辑或其任何组合中实现。例如，一些方面可以被实现在硬件中，而其它方面可以被实现在可以被控制器、微处理器或其它计算装置执行的固件或软件中，尽管本发明不限于此。
本发明的实施例可以通过移动装置的数据处理器执行计算机程序指令来实现，例如在处理器实体中，或者通过硬件，或者通过软件和硬件的组合。计算机程序指令可以是汇编指令、指令集架构(Instruction Set Architecture，ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码。
本发明附图中的任何逻辑流程的框图可以表示程序步骤，或者可以表示相互连接的逻辑电路、模块和功能，或者可以表示程序步骤与逻辑电路、模块和功能的组合。计算机程序可以存储在存储器上。存储器可以具有任何适合于本地技术环境的类型并且可以使用任何适合的数据存储技术实现，例如但不限于只读存储器(ROM)、随机访问存储器(RAM)、光存储器装置和系统(数码多功能光碟DVD或CD光盘)等。计算机可读介质可以包括非瞬时性存储介质。数据处理器可以是任何适合于本地技术环境的类型，例如但不限于通用计算机、专用计算机、微处理器、数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑器件(Field－Programmable Gate Array，FGPA)以及基于多核处理器架构的处理器。
Claims (10)
1.一种缺陷检测方法，其特征在于，所述缺陷检测方法包括：
获取待检测产品的图像信息，所述图像信息包括图片信息和轮廓信息；
利用图像分析算法对所述轮廓信息进行分析，得到所述待检测产品的第一检测结果；
利用图像深度学习算法对所述图片信息进行分析，得到所述待检测产品的第二检测结果；
根据所述第一检测结果和所述第二检测结果，得到所述待检测产品的最终检测结果。
2.根据权利要求1所述的缺陷检测方法，其特征在于，所述获取待检测产品的图像信息，包括：
获取所述图片信息；
对所述图片信息进行预处理，得到所述轮廓信息，所述预处理包括图像灰度化处理、二值化处理、膨胀处理、腐蚀处理中的至少一种。
3.根据权利要求1所述的缺陷检测方法，其特征在于，所述利用图像分析算法对所述轮廓信息进行分析，得到所述待检测产品的第一检测结果，包括：
利用图像分析算法将所述轮廓信息划分为缺陷区域和正常区域；
分别计算所述缺陷区域的面积和所述正常区域的面积；
若所述缺陷区域的面积和所述正常区域的面积的比值大于或者等于预设阈值，则所述第一检测结果为不良品；
若所述缺陷区域的面积和所述正常区域的面积的比值小于所述预设阈值，则所述第一检测结果为良品。
4.根据权利要求1所述的缺陷检测方法，其特征在于，所述图像深度学习算法包括图像深度学习严格模型和图像深度学习宽松模型，所述图像深度学习严格模型对缺陷的容忍度低于所述图像深度学习宽松模型对缺陷的容忍度。
5.根据权利要求4所述的缺陷检测方法，其特征在于，当所述第一检测结果为不良品时，所述利用图像深度学习算法对所述图片信息进行分析，得到所述待检测产品的第二检测结果，包括：
将所述图片信息输入所述图像深度学习严格模型，得到所述第二检测结果；
相应的，所述根据所述第一检测结果和所述第二检测结果，得到所述待检测产品的最终检测结果，包括：
若所述第一检测结果为不良品、且所述第二检测结果为不良品，则所述最终检测结果为不良品；
若所述第一检测结果为不良品、且所述第二检测结果为良品，则所述最终检测结果为良品。
6.根据权利要求4所述的缺陷检测方法，其特征在于，当所述第一检测结果为良品时，所述利用图像深度学习算法对所述图片信息进行分析，得到所述待检测产品的第二检测结果，包括：
将所述图片信息输入所述图像深度学习宽松模型，得到所述第二检测结果；
相应的，所述根据所述第一检测结果和所述第二检测结果，得到所述待检测产品的最终检测结果，包括：
若所述第一检测结果为良品、且所述第二检测结果为良品，则所述最终检测结果为良品；
若所述第一检测结果为良品、且所述第二检测结果为不良品，则所述最终检测结果为不良品。
7.根据权利要求4所述的缺陷检测方法，其特征在于，所述缺陷检测方法还包括：
获取历史图像信息；
根据所述历史图像信息，训练得到所述图像深度学习严格模型和所述图像深度学习宽松模型。
8.一种缺陷检测装置，其特征在于，所述缺陷检测装置包括图像处理模块、第一分析模块、第二分析模块和结果分析模块；
所述图像处理模块，用于获取待检测产品的图像信息，所述图像信息包括图片信息和轮廓信息；
所述第一分析模块，用于利用图像分析算法对所述轮廓信息进行分析，得到所述待检测产品的第一检测结果；
所述第二分析模块，用于利用图像深度学习算法对所述图片信息进行分析，得到所述待检测产品的第二检测结果；
所述结果分析模块，用于根据所述第一检测结果和所述第二检测结果，得到所述待检测产品的最终检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述缺陷检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010377497.4A CN111583223B (zh) | 2020-05-07 | 2020-05-07 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010377497.4A CN111583223B (zh) | 2020-05-07 | 2020-05-07 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111583223A true CN111583223A (zh) | 2020-08-25 |
| CN111583223B CN111583223B (zh) | 2023-12-19 |
Family
ID=72112559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010377497.4A Active CN111583223B (zh) | 2020-05-07 | 2020-05-07 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111583223B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505049A (zh) * | 2020-10-14 | 2021-03-16 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
| CN112611757A (zh) * | 2020-12-23 | 2021-04-06 | 深兰人工智能芯片研究院（江苏）有限公司 | Ai辅助检测方法、装置、电子设备及计算机可读存储介质 |
| CN112669271A (zh) * | 2020-12-22 | 2021-04-16 | 深圳酷派技术有限公司 | 物体表面缺陷检测方法、相关装置及计算机存储介质 |
| CN112785556A (zh) * | 2020-12-31 | 2021-05-11 | 深兰人工智能芯片研究院（江苏）有限公司 | 复检方法、装置、电子设备及计算机可读存储介质 |
| CN113066079A (zh) * | 2021-04-19 | 2021-07-02 | 北京滴普科技有限公司 | 木材缺陷自动检测方法、系统及其存储介质 |
| CN113379728A (zh) * | 2021-07-02 | 2021-09-10 | 上海电气集团股份有限公司 | 铁轨表面的缺陷检测方法、系统、设备及可读存储介质 |
| CN113706465A (zh) * | 2021-07-22 | 2021-11-26 | 杭州深想科技有限公司 | 基于深度学习的笔类缺陷检测方法、计算设备和存储介质 |
| CN114782451A (zh) * | 2022-06-23 | 2022-07-22 | 季华实验室 | 工件缺陷检测方法、装置、电子设备及可读存储介质 |
| CN114841915A (zh) * | 2022-03-14 | 2022-08-02 | 阿里巴巴（中国）有限公司 | 基于人工智能的瓷砖瑕疵检测方法、系统及存储介质 |
| CN114998192A (zh) * | 2022-04-19 | 2022-09-02 | 深圳格芯集成电路装备有限公司 | 基于深度学习的缺陷检测方法、装置、设备和存储介质 |
| WO2023226706A1 (zh) * | 2022-05-25 | 2023-11-30 | 京东方科技集团股份有限公司 | 缺陷检测方法及装置 |
| CN118408607A (zh) * | 2024-07-03 | 2024-07-30 | 南昌佛吉亚排气控制技术有限公司 | 汽车零部件检测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180293721A1 (en) * | 2017-04-07 | 2018-10-11 | Kla-Tencor Corporation | Contour based defect detection |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN110992329A (zh) * | 2019-11-28 | 2020-04-10 | 上海微创医疗器械（集团）有限公司 | 一种产品表面缺陷检测方法、电子设备及可读存储介质 |
| CN111044522A (zh) * | 2019-12-14 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 缺陷检测方法、装置及终端设备 |
-
2020
- 2020-05-07 CN CN202010377497.4A patent/CN111583223B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180293721A1 (en) * | 2017-04-07 | 2018-10-11 | Kla-Tencor Corporation | Contour based defect detection |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN110992329A (zh) * | 2019-11-28 | 2020-04-10 | 上海微创医疗器械（集团）有限公司 | 一种产品表面缺陷检测方法、电子设备及可读存储介质 |
| CN111044522A (zh) * | 2019-12-14 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 缺陷检测方法、装置及终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 苗永菲;游洋;李赵松;黎红军;宋康;侯朝云;: "基于机器视觉的玻璃缺陷检测技术" * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505049A (zh) * | 2020-10-14 | 2021-03-16 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
| CN112505049B (zh) * | 2020-10-14 | 2021-08-03 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
| CN112669271A (zh) * | 2020-12-22 | 2021-04-16 | 深圳酷派技术有限公司 | 物体表面缺陷检测方法、相关装置及计算机存储介质 |
| CN112611757A (zh) * | 2020-12-23 | 2021-04-06 | 深兰人工智能芯片研究院（江苏）有限公司 | Ai辅助检测方法、装置、电子设备及计算机可读存储介质 |
| CN112785556A (zh) * | 2020-12-31 | 2021-05-11 | 深兰人工智能芯片研究院（江苏）有限公司 | 复检方法、装置、电子设备及计算机可读存储介质 |
| CN113066079A (zh) * | 2021-04-19 | 2021-07-02 | 北京滴普科技有限公司 | 木材缺陷自动检测方法、系统及其存储介质 |
| CN113379728A (zh) * | 2021-07-02 | 2021-09-10 | 上海电气集团股份有限公司 | 铁轨表面的缺陷检测方法、系统、设备及可读存储介质 |
| CN113706465A (zh) * | 2021-07-22 | 2021-11-26 | 杭州深想科技有限公司 | 基于深度学习的笔类缺陷检测方法、计算设备和存储介质 |
| CN113706465B (zh) * | 2021-07-22 | 2022-11-15 | 杭州深想科技有限公司 | 基于深度学习的笔类缺陷检测方法、计算设备和存储介质 |
| CN114841915A (zh) * | 2022-03-14 | 2022-08-02 | 阿里巴巴（中国）有限公司 | 基于人工智能的瓷砖瑕疵检测方法、系统及存储介质 |
| CN114998192A (zh) * | 2022-04-19 | 2022-09-02 | 深圳格芯集成电路装备有限公司 | 基于深度学习的缺陷检测方法、装置、设备和存储介质 |
| WO2023226706A1 (zh) * | 2022-05-25 | 2023-11-30 | 京东方科技集团股份有限公司 | 缺陷检测方法及装置 |
| CN114782451A (zh) * | 2022-06-23 | 2022-07-22 | 季华实验室 | 工件缺陷检测方法、装置、电子设备及可读存储介质 |
| CN118408607A (zh) * | 2024-07-03 | 2024-07-30 | 南昌佛吉亚排气控制技术有限公司 | 汽车零部件检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111583223B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111583223B (zh) | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 | |
| CN109142366B (zh) | 球形外壳缺陷检测方法、装置及计算机可读存储介质 | |
| WO2021027135A1 (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
| US10740912B2 (en) | Detection of humans in images using depth information | |
| US10169655B2 (en) | Detection of logos in a sequence of video frames | |
| CN107273838B (zh) | 交通信号灯抓拍图片的处理方法及装置 | |
| CN110288566B (zh) | 一种目标缺陷提取方法 | |
| CN111862195A (zh) | 光斑检测方法和装置、终端和存储介质 | |
| CN111612757B (zh) | 一种屏幕裂纹的检测方法、装置、设备及存储介质 | |
| CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
| CN117635590B (zh) | 一种笔记本电脑外壳的缺陷检测方法及装置 | |
| CN112312001B (zh) | 一种图像检测的方法、装置、设备和计算机存储介质 | |
| CN115880520A (zh) | 一种基于模板匹配和缺陷分割的缺陷等级分类方法及系统 | |
| CN112116542A (zh) | 图像对比度增强方法、装置、电子设备和存储介质 | |
| CN112784835A (zh) | 圆形印章的真实性识别方法、装置、电子设备及存储介质 | |
| CN113785181A (zh) | Oled屏幕点缺陷判定方法、装置、存储介质及电子设备 | |
| CN114862817A (zh) | 一种电路板金手指区域缺陷检测方法及系统及装置及介质 | |
| CN110310341B (zh) | 颜色算法中默认参数的生成方法、装置、设备和存储介质 | |
| CN114937003A (zh) | 一种针对玻璃面板的多类型缺陷检测系统和方法 | |
| CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN113039577A (zh) | 产品测试方法、装置、计算机可读存储介质及电子设备 | |
| CN117274211A (zh) | 一种屏幕缺陷检测方法、装置、终端设备及存储介质 | |
| CN110631475B (zh) | 现场目标尺寸检测方法 | |
| CN116665146A (zh) | 车辆苫盖检测方法、装置、电子设备及存储介质 | |
| CN115222653B (zh) | 测试方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |