[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN109598712A - 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 - Google Patents

塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN109598712A
CN109598712A CN201811456293.9A CN201811456293A CN109598712A CN 109598712 A CN109598712 A CN 109598712A CN 201811456293 A CN201811456293 A CN 201811456293A CN 109598712 A CN109598712 A CN 109598712A
Authority
CN
China
Prior art keywords
detection
classification
quality
server
lunch box
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
Application number
CN201811456293.9A
Other languages
English (en)
Inventor
文亚伟
冷家冰
刘明浩
徐玉林
郭江亮
李旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201811456293.9A priority Critical patent/CN109598712A/zh
Publication of CN109598712A publication Critical patent/CN109598712A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质。所述方法包括：获取待检测的塑料泡沫餐盒的图像数据；将所述待检测的泡沫餐盒的图像数据转换为所述待检测的塑料泡沫餐盒的质量检测请求；将所述质量检测请求发送至部署有基于物体检测的分类检测模型的服务器；接收所述服务器通过所述基于物体检测的分类检测模型输出的所述质量检测分类请求对应的质量检测结果。不仅可以减少塑料泡沫餐盒的检测效率，而且还可以提高塑料泡沫餐盒的检测准确性。

Description

塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质
技术领域
本发明实施例涉及人工智能技术领域，尤其涉及一种塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质。
背景技术
在传统制造业的生产过程中，质检是生产流程中的关键环节。具体地，在塑料泡沫餐盒的生产过程中，对塑料泡沫餐盒的质量进行检测的一种重要手段是对塑料泡沫餐盒的表面状态进行检测，以判断塑料泡沫餐盒是否存在瑕疵和缺陷，并根据检测结果对塑料泡沫餐盒做相应的处理。现有的塑料泡沫餐盒的检测方法包括以下两种：第一方式为纯人工质检方式，依赖于质检人员的经验，质检人员肉眼观察产品的外观照片进而依经验给出判断；第二方式为机器辅助的半自动质检方式，主要由具有一定判断能力的质检系统过滤掉没有缺陷的照片，然后再由质检人员对疑似存在缺陷的照片进行检测判断。
但是，对于第一种质检方式和第二种质检方式，均涉及人工质检的流程，需要质检人员在生产现场进行巡视检查，发现缺陷之后人工记录下来再做后续处理。这种方法不仅效率低，容易漏判误判，数据很难进行二次利用挖掘，而且工业生产环境往往比较恶劣，对质检人员或生产人员的健康和安全会造成不利影响。对于第二种质检测方式，由于其质检测系统是在基于传统专家系统或特征工程的质检系统发展而来，其检测判定规则都是基于经验固化到机器中的，难以随业务的发展迭代，导致随着生产工艺的发展质检系统的检测精度越来越低，甚至降低到完全不可用的状态。此外，传统质检系统的检测判定规则都由第三方供应商预先固化在硬件中，升级时不仅需要对生产线进行重大改造，而且价格昂贵。传统质检系统在安全性、规范化、可扩展性等方面都存在着明显不足，不利于传统工业生产线的优化升级。
发明内容
有鉴于此，本发明实施例提供一种塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质，不仅可以减少塑料泡沫餐盒的检测效率，而且还可以提高塑料泡沫餐盒的检测准确性。
第一方面，本发明实施例提供了一种塑料泡沫餐盒的质量检测方法，所述方法包括：
获取待检测的塑料泡沫餐盒的图像数据；
将所述待检测的泡沫餐盒的图像数据转换为所述待检测的塑料泡沫餐盒的质量检测请求；
将所述质量检测请求发送至部署有基于物体检测的分类检测模型的服务器；
接收所述服务器通过所述基于物体检测的分类检测模型输出的所述质量检测分类请求对应的质量检测结果。
在上述实施例中，所述将所述质量检测请求发送至部署有基于物体检测的分类检测模型的服务器，包括：
在预先设置的服务器配置表中获取部署有所述基于物体检测的分类检测模型的各个服务器的负载状态；
根据部署有所述分类检测模型的各个服务器的负载状态，将所述质量检测请求发送至部署有所述基于物体检测的分类检测模型的负载最小的服务器。
在上述实施例中，所述方法还包括：
根据预先设置的质量检测结果与缺陷处理操作的对应关系，做出所述质量检测结果对应的缺陷处理操作；其中，所述缺陷处理操作包括：报警、停机、存储日志或者控制机械臂。
第二方面，本发明实施例提供了另一种塑料泡沫餐盒的质量检测方法，所述方法包括：
接收待检测的塑料泡沫餐盒的质量检测请求；
通过预先训练的基于物体检测的分类检测模型计算所述质量检测请求对应的质量检测结果。
在上述实施例中，所述基于物体检测的分类检测模型包括：深度卷积神经网络和缺陷定位分类网络；其中，所述深度卷积神经网络用于提取钢板图片的特征，并将所述特征输入至所述缺陷定位分类网络中；所述缺陷定位分类网络用于基于物体检测的分类检测算法判断深度卷积神经网络所提取的特征是否存在缺陷，并获得该缺陷的类别。
在上述实施例中，所述深度卷积神经网络包括：卷积层、池化层和全连接层；其中，所述卷积层，用于利用权值不同的卷积核对所述质量检测请求中的所述待检测的塑料泡沫餐盒的图像进行扫描卷积，从中提取各种意义的特征，并输出至特征图中；所述池化层，用于对特征图进行降维操作；所述全连接层，用于将提取出的特征映射到所述缺陷定位分类网络中。
第三方面，本发明实施例提供了一种塑料泡沫餐盒的质量检测装置，所述装置包括：图像获取模块、图像转换模块、请求发送模块和结果接收模块；其中，
所述图像获取模块，用于获取待检测的塑料泡沫餐盒的图像数据；
所述图像转换模块，用于将所述待检测的泡沫餐盒的图像数据转换为所述待检测的塑料泡沫餐盒的质量检测请求；
所述请求发送模块，用于将所述质量检测请求发送至部署有基于物体检测的分类检测模型的服务器；
所述结果接收模块，用于接收所述服务器通过所述基于物体检测的分类检测模型输出的所述质量检测分类请求对应的质量检测结果。
在上述实施例中，所述请求发送模块，具体用于在预先设置的服务器配置表中获取部署有所述基于物体检测的分类检测模型的各个服务器的负载状态；根据部署有所述分类检测模型的各个服务器的负载状态，将所述质量检测请求发送至部署有所述基于物体检测的分类检测模型的负载最小的服务器。
在上述实施例中，所述装置还包括：操作处理模块，用于根据预先设置的质量检测结果与缺陷处理操作的对应关系，做出所述质量检测结果对应的缺陷处理操作；其中，所述缺陷处理操作包括：报警、停机、存储日志或者控制机械臂。
第四方面，本发明实施例提供了另一种塑料泡沫餐盒的质量检测装置，所述装置包括：请求接收模块和结果计算模块；其中，
所述请求接收模块，用于接收待检测的塑料泡沫餐盒的质量检测请求；
所述结果计算模块，用于通过预先训练的基于物体检测的分类检测模型计算所述质量检测请求对应的质量检测结果。
在上述实施例中，所述基于物体检测的分类检测模型包括：深度卷积神经网络和缺陷定位分类网络；其中，所述深度卷积神经网络用于提取钢板图片的特征，并将所述特征输入至所述缺陷定位分类网络中；所述缺陷定位分类网络用于基于物体检测的分类检测算法判断深度卷积神经网络所提取的特征是否存在缺陷，并获得该缺陷的类别。
在上述实施例中，所述深度卷积神经网络包括：卷积层、池化层和全连接层；其中，所述卷积层，用于利用权值不同的卷积核对所述质量检测请求中的所述待检测的塑料泡沫餐盒的图像进行扫描卷积，从中提取各种意义的特征，并输出至特征图中；所述池化层，用于对特征图进行降维操作；所述全连接层，用于将提取出的特征映射到所述缺陷定位分类网络中。
第五方面，本发明实施例提供了一种服务器，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的塑料泡沫餐盒的质量检测方法。
第六方面，本发明实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的塑料泡沫餐盒的质量检测方法。
本发明实施例提出的塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质，先获取待检测的塑料泡沫餐盒的图像数据；然后将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求；再将质量检测请求发送至部署有基于物体检测的分类检测模型的服务器；该服务器通过预先训练的基于物体检测的分类检测模型计算质量检测请求对应的质量检测结果。也就是说，在本发明的技术方案中，服务器通过预先训练的基于物体检测的分类检测模型对待检测的塑料泡沫餐盒进行质量检测。而在现有的两种塑料泡沫餐盒的质量检测方法中，第一方式为纯人工质检方式，依赖于质检人员的经验，质检人员肉眼观察产品的外观照片进而依经验给出判断；第二方式为机器辅助的半自动质检方式，主要由具有一定判断能力的质检系统过滤掉没有缺陷的照片，然后再由质检人员对疑似存在缺陷的照片进行检测判断。因此，和现有技术相比，本发明实施例提出的塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质，不仅可以减少塑料泡沫餐盒的检测效率，而且还可以提高塑料泡沫餐盒的检测准确性；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
附图说明
图1为本发明实施例一提供的塑料泡沫餐盒的质量检测方法的流程示意图；
图2为本发明实施例二提供的塑料泡沫餐盒的质量检测方法的流程示意图；
图3为本发明实施例三提供的塑料泡沫餐盒的质量检测方法的流程示意图；
图4为本发明实施例三提供的基于物体检测的分类检测模型的原理示意图；
图5为本发明实施例三提供的深度卷积神经网络的原理示意图；
图6为本发明实施例三提供的检测系统的结构示意图；
图7为本发明实施例四提供的塑料泡沫餐盒的质量检测装置的结构示意图；
图8为本发明实施例五提供的塑料泡沫餐盒的质量检测装置的结构示意图；
图9为本发明实施例六提供的服务器的结构示意图。
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内容。
在现有技术中，一次性快餐盒已由泡沫饭盒逐渐转向环保饭盒，原来的纸质泡沫饭盒由于不耐高温，且制作过程对环境造成破坏被淘汰，取而待之的有塑料饭盒，纸制饭盒，木制饭盒，降解饭盒等。其中，塑料具有毒性较低、熔点较高、可塑性强、生产简便及相对成本较低等特点，因而成了制造一次性快餐盒的主流材料。本发明实施例提出了一种塑料泡沫餐盒的质量检测方法，基于物体检测的分类检测模型对塑料泡沫餐盒的表面状态进行质量检测。下面详细介绍基于物体检测的塑料泡沫餐盒的质量检测方法。
实施例一
图1为本发明实施例一提供的塑料泡沫餐盒的质量检测方法的流程示意图，该方法可以由塑料泡沫餐盒的质量检测装置或者服务器来执行，该装置或者服务器可以由软件和/或硬件的方式实现，该装置或者服务器可以集成在任何具有网络通信功能的智能设备中。如图1所示，塑料泡沫餐盒的质量检测方法可以包括以下步骤：
S101、获取待检测的塑料泡沫餐盒的图像数据。
在本发明的具体实施例中，在对塑料泡沫餐盒的表面状态进行质量检测时，可以通过摄像机等该设备获取待检测的塑料泡沫餐盒的图像数据。由于塑料泡沫餐盒在生产过程中的产量较大，成本较低，可复制性较强，因此，在获取待检测的塑料泡沫餐盒的图像数据时，可以按照预先设定的采集周期获取待检测的塑料泡沫餐盒的图像数据。这样可以降低基于物体检测的分类检测模型的服务器的计算工作量。
S102、将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求。
在本发明的具体实施例中，在对塑料泡沫餐盒的表面状态进行质量检测时，通过摄像机等该设备获取到待检测的塑料泡沫餐盒的图像数据之后，可以将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求。具体地，可以按照预先确定的转换格式将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求。例如，待检测的塑料泡沫餐盒的质量检测请求可以包括：质量检测命令和待检测的泡沫餐盒的图像数据。
S103、将质量检测请求发送至部署有基于物体检测的分类检测模型的服务器。
在本发明的具体实施例中，在将质量检测请求发送前，可以先对检测模型的部署情况进行监控，根据检测模型部署的情况，将质量检测请求发送至部署有基于物体检测的分类检测模型的服务器。
S104、接收服务器通过基于物体检测的分类检测模型输出的质量检测分类请求对应的质量检测结果。
在本发明的具体实施例中，部署有基于物体检测的分类检测模型的服务器可以通过预先训练的基于物体检测的分类检测模型计算质量检测请求对应的质量检测结果。因此，在本步骤中，可以接收服务器通过基于物体检测的分类检测模型输出的质量检测分类请求对应的质量检测结果。
本发明实施例提出的塑料泡沫餐盒的质量检测方法，先获取待检测的塑料泡沫餐盒的图像数据；然后将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求；再将质量检测请求发送至部署有基于物体检测的分类检测模型的服务器；该服务器通过预先训练的基于物体检测的分类检测模型计算质量检测请求对应的质量检测结果。也就是说，在本发明的技术方案中，服务器通过预先训练的基于物体检测的分类检测模型对待检测的塑料泡沫餐盒进行质量检测。而在现有的两种塑料泡沫餐盒的质量检测方法中，第一方式为纯人工质检方式，依赖于质检人员的经验，质检人员肉眼观察产品的外观照片进而依经验给出判断；第二方式为机器辅助的半自动质检方式，主要由具有一定判断能力的质检系统过滤掉没有缺陷的照片，然后再由质检人员对疑似存在缺陷的照片进行检测判断。因此，和现有技术相比，本发明实施例提出的塑料泡沫餐盒的质量检测方法，不仅可以减少塑料泡沫餐盒的检测效率，而且还可以提高塑料泡沫餐盒的检测准确性；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2为本发明实施例二提供的塑料泡沫餐盒的质量检测方法的流程示意图。如图2所示，塑料泡沫餐盒的质量检测方法可以包括以下步骤：
S201、获取待检测的塑料泡沫餐盒的图像数据。
在本发明的具体实施例中，在对塑料泡沫餐盒的表面状态进行质量检测时，可以通过摄像机等该设备获取待检测的塑料泡沫餐盒的图像数据。
S202、将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求。
在本发明的具体实施例中，在对塑料泡沫餐盒的表面状态进行质量检测时，通过摄像机等该设备获取到待检测的塑料泡沫餐盒的图像数据之后，可以将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求。具体地，可以按照预先确定的转换格式将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求。例如，待检测的塑料泡沫餐盒的质量检测请求可以包括：质量检测命令和待检测的泡沫餐盒的图像数据。
S203、在预先设置的服务器配置表中获取部署有基于物体检测的分类检测模型的各个服务器的负载状态。
在本发明的具体实施例中，在将质量检测请求发送前，可以先对检测模型的部署情况进行监控，将各个服务器中检测模型的部署情况记录在预先设置的服务器配置表中，因此，在本步骤中，可以在预先设置的服务器配置表中获取部署有基于物体检测的分类检测模型的各个服务器的负载状态。
S204、根据部署有分类检测模型的各个服务器的负载状态，将质量检测请求发送至部署有基于物体检测的分类检测模型的负载最小的服务器。
在本发明的具体实施例中，在预先设置的服务器配置表中获取到部署有基于物体检测的分类检测模型的各个服务器的负载状态之后，根据部署有分类检测模型的各个服务器的负载状态，将质量检测请求发送至部署有基于物体检测的分类检测模型的负载最小的服务器，以实现均衡调度，提高系统运行速度。
S205、接收服务器通过基于物体检测的分类检测模型输出的质量检测分类请求对应的质量检测结果。
在本发明的具体实施例中，部署有基于物体检测的分类检测模型的服务器可以通过预先训练的基于物体检测的分类检测模型计算质量检测请求对应的质量检测结果。因此，在本步骤中，可以接收服务器通过基于物体检测的分类检测模型输出的质量检测分类请求对应的质量检测结果。
较佳地，在本发明的具体实施例中，还可以根据预先设置的质量检测结果与缺陷处理操作的对应关系，做出质量检测结果对应的缺陷处理操作；其中，缺陷处理操作包括：报警、停机、存储日志或者控制机械臂。
本发明实施例提出的塑料泡沫餐盒的质量检测方法，先获取待检测的塑料泡沫餐盒的图像数据；然后将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求；再将质量检测请求发送至部署有基于物体检测的分类检测模型的服务器；该服务器通过预先训练的基于物体检测的分类检测模型计算质量检测请求对应的质量检测结果。也就是说，在本发明的技术方案中，服务器通过预先训练的基于物体检测的分类检测模型对待检测的塑料泡沫餐盒进行质量检测。而在现有的两种塑料泡沫餐盒的质量检测方法中，第一方式为纯人工质检方式，依赖于质检人员的经验，质检人员肉眼观察产品的外观照片进而依经验给出判断；第二方式为机器辅助的半自动质检方式，主要由具有一定判断能力的质检系统过滤掉没有缺陷的照片，然后再由质检人员对疑似存在缺陷的照片进行检测判断。因此，和现有技术相比，本发明实施例提出的塑料泡沫餐盒的质量检测方法，不仅可以减少塑料泡沫餐盒的检测效率，而且还可以提高塑料泡沫餐盒的检测准确性；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图3为本发明实施例三提供的塑料泡沫餐盒的质量检测方法的流程示意图。如图3所示，塑料泡沫餐盒的质量检测方法可以包括以下步骤：
S301、接收待检测的塑料泡沫餐盒的质量检测请求。
在本发明的具体实施例中，在对塑料泡沫餐盒的表面状态进行质量检测时，通过摄像机等该设备获取到待检测的塑料泡沫餐盒的图像数据之后，可以将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求。具体地，可以按照预先确定的转换格式将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求。例如，待检测的塑料泡沫餐盒的质量检测请求可以包括：质量检测命令和待检测的泡沫餐盒的图像数据。因此，在本步骤中，可以接收待检测的塑料泡沫餐盒的质量检测请求。
S302、通过预先训练的基于物体检测的分类检测模型计算质量检测请求对应的质量检测结果。
在本发明的具体实施例中，部署有基于物体检测的分类检测模型的服务器可以通过预先训练的基于物体检测的分类检测模型计算质量检测请求对应的质量检测结果。
图4为本发明实施例三提供的基于物体检测的分类检测模型的原理示意图。如图4所示，基于物体检测的分类检测模型包括：深度卷积神经网络和缺陷定位分类网络；其中，深度卷积神经网络用于提取钢板图片的特征，并将特征输入至缺陷定位分类网络中；缺陷定位分类网络用于基于物体检测的分类检测算法判断深度卷积神经网络所提取的特征是否存在缺陷，并获得该缺陷的类别。
检测算法里面通常包含三个部分，第一是检测窗口的选择，第二是特征的设计，第三是分类器的设计。一、检测窗口的选择：拿人脸检测举例，当给出一张图片时，需要框出人脸的位置以及人脸的大小，最简单的方法就是暴力搜索候选框，把图像中所有可能出现框的位置从左往右、从上往下遍历一次。并且通过缩放一组图片尺寸，得到图像金字塔来进行多尺度搜索。但是这种方法往往计算量很大并且效率不高，在实际应用中并不可取。人脸具有很强的先验知识，比如人脸肤色空间呈现很紧凑的高斯分布，通过肤色检测可以去除很大一部分候选区域，仅留下极小部分的区域作为人脸检测搜索范围。由于肤色的提取非常快，只是利用一些颜色分布的信息，把每个像素判断一下，整体速度提升很多。但肤色提取只是用到简单的颜色先验，如果遇到和肤色很像的，比如黄色的桌子，很有可能被误判成人脸的候选检测区域。二、特征的设计：在传统的检测中，Haar由于提取速度快，能够表达物体多种边缘变化信息，并且可以利用积分图快速计算，得到广泛的应用；LBP更多的表达物体的纹理信息，对均匀变化的光照有很好的地适应性；HOG通过对物体边缘使用直方图统计来进行编码，特征表达能力更强，在物体检测、跟踪、识别都有广泛的应用。传统特征设计往往需要研究人员经验驱动，更新周期往往较长，通过对不同的特征进行组合调优，从不同维度描述物体可以进一步提升检测精度，如ACF检测，组合了20种不同的特征表达。三、分类器的设计：传统的分类器包含Adaboost、SVM、Decision Tree等。(1)Adaboost：一个弱分类器往往判断精度不高，通过Adaboost自适应地挑选分类精度高的弱分类器并将它们加权起来，从而提升检测性能。比如说，人脸检测中一个候选窗口需要判断是否为人脸，其中一些弱分类器为颜色直方图分量，如果黄色分量大于100，那就可以认为这块可能是人脸的候选区域，这就是个非常简单的弱分类器。可是，单个这么弱的分类器判断是很不准的，那么就需要引入另外一些分量做辅助。比如再引入红色分量大于150，将几个条件叠加起来，就组成了一个比较强的分类器。(2)SVM分类器：SVM通过最大化分类间隔得到分类平面的支持向量，在线性可分的小数据集上有不错的分类精度，另外通过引入核函数将低维映射到高维，从而线性可分，在检测场景被广泛使用。(3)决策树：决策树(Decision Tree)是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶子节点代表一种类别。以二叉树为例，假如从树根进来有个二分类，我们需要区分它是人脸或者是非人脸，左边是非人脸，右边是人脸。当我进入第一个二叉树分类器节点判断，如果是非人脸的话直接输出结果，如果是人脸候选的话进入下一层再做进一步的分类。通过学习每个节点的分类器来构造决策树，最终形成一个强分类器。(4)随机森林：通过对决策树进行Ensemble，组合成随机森林更好的提高分类或者回归精度。
图5为本发明实施例三提供的深度卷积神经网络的原理示意图。如图5所示，深度卷积神经网络包括：卷积层、池化层和全连接层；其中，卷积层，用于利用权值不同的卷积核对质量检测请求中的待检测的塑料泡沫餐盒的图像进行扫描卷积，从中提取各种意义的特征，并输出至特征图中；池化层，用于对特征图进行降维操作；全连接层，用于将提取出的特征映射到缺陷定位分类网络中。这种利用具有卷积、池化操作的深度神经网络模型，可以对生产线上图像的变形、模糊、光照变化等具有较高的鲁棒性，对于分类任务具有更高的可泛化性。全连接层则将提取的特征映射到缺陷定位分类网络。对于不同的生产场景和数据的特点，可以通过设计不同深度、不同数量神经元、不用的卷积池化组织方式构成的深度神经网络模型，然后采用标注好的历史数据，采用信号前向传播，误差反向传播的方式对模型进行训练。当模型的输出与标签之间的误差值小于预先设定的符合业务要求的阈值时，停止训练。
图6为本发明实施例三提供的检测系统的结构示意图。如图6所示，在实施运用中可以采用摄像头对待检测的塑料泡沫餐盒的图像数据进行采集，并发送至控制台和生产数据库；控制台接收到待检测的塑料泡沫餐盒的图像数据之后，根据部署有基于物体检测的分类检测模型的各个服务器的负载状态，将质量检测请求发送至部署有基于物体检测的分类检测模型的负载最小的服务器上。经过部署有基于物体检测的分类检测模型的服务器计算后，输出质量检测结果，并发送至控制器。控制器根据质量检测结果，控制报警器进行报警，同时将质量检测日志存储至生产数据库中。然后，再针对检测模型进行更新操作，可以通过将生产数据库中的数据更新到训练数据库中，然后由训练引擎执行本发明实施例提供的方法对检测模型进行训练，更新检测模型。
本发明实施例提出的塑料泡沫餐盒的质量检测方法，先获取待检测的塑料泡沫餐盒的图像数据；然后将待检测的泡沫餐盒的图像数据转换为待检测的塑料泡沫餐盒的质量检测请求；再将质量检测请求发送至部署有基于物体检测的分类检测模型的服务器；该服务器通过预先训练的基于物体检测的分类检测模型计算质量检测请求对应的质量检测结果。也就是说，在本发明的技术方案中，服务器通过预先训练的基于物体检测的分类检测模型对待检测的塑料泡沫餐盒进行质量检测。而在现有的两种塑料泡沫餐盒的质量检测方法中，第一方式为纯人工质检方式，依赖于质检人员的经验，质检人员肉眼观察产品的外观照片进而依经验给出判断；第二方式为机器辅助的半自动质检方式，主要由具有一定判断能力的质检系统过滤掉没有缺陷的照片，然后再由质检人员对疑似存在缺陷的照片进行检测判断。因此，和现有技术相比，本发明实施例提出的塑料泡沫餐盒的质量检测方法，不仅可以减少塑料泡沫餐盒的检测效率，而且还可以提高塑料泡沫餐盒的检测准确性；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图7为本发明实施例四提供的塑料泡沫餐盒的质量检测装置的结构示意图。如图7所示，本发明实施例所述的塑料泡沫餐盒的质量检测装置可以包括：图像获取模块701、图像转换模块702、请求发送模块703和结果接收模块704；其中，
所述图像获取模块701，用于获取待检测的塑料泡沫餐盒的图像数据；
所述图像转换模块702，用于将所述待检测的泡沫餐盒的图像数据转换为所述待检测的塑料泡沫餐盒的质量检测请求；
所述请求发送模块703，用于将所述质量检测请求发送至部署有基于物体检测的分类检测模型的服务器；
所述结果接收模块704，用于接收所述服务器通过所述基于物体检测的分类检测模型输出的所述质量检测分类请求对应的质量检测结果。
进一步的，所述请求发送模块703，具体用于在预先设置的服务器配置表中获取部署有所述基于物体检测的分类检测模型的各个服务器的负载状态；根据部署有所述分类检测模型的各个服务器的负载状态，将所述质量检测请求发送至部署有所述基于物体检测的分类检测模型的负载最小的服务器。
进一步的，所述装置还包括：操作处理模块705(图中未示出)，用于根据预先设置的质量检测结果与缺陷处理操作的对应关系，做出所述质量检测结果对应的缺陷处理操作；其中，所述缺陷处理操作包括：报警、停机、存储日志或者控制机械臂。
上述塑料泡沫餐盒的质量检测装置可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的塑料泡沫餐盒的质量检测方法。
实施例五
图8为本发明实施例五提供的塑料泡沫餐盒的质量检测装置的结构示意图。如图8所示，本发明实施例所述的塑料泡沫餐盒的质量检测装置可以包括：请求接收模块801和结果计算模块802；其中，
所述请求接收模块801，用于接收待检测的塑料泡沫餐盒的质量检测请求；
所述结果计算模块802，用于通过预先训练的基于物体检测的分类检测模型计算所述质量检测请求对应的质量检测结果。
进一步的，所述基于物体检测的分类检测模型包括：深度卷积神经网络和缺陷定位分类网络；其中，所述深度卷积神经网络用于提取钢板图片的特征，并将所述特征输入至所述缺陷定位分类网络中；所述缺陷定位分类网络用于基于物体检测的分类检测算法判断深度卷积神经网络所提取的特征是否存在缺陷，并获得该缺陷的类别。
进一步的，所述深度卷积神经网络包括：卷积层、池化层和全连接层；其中，所述卷积层，用于利用权值不同的卷积核对所述质量检测请求中的所述待检测的塑料泡沫餐盒的图像进行扫描卷积，从中提取各种意义的特征，并输出至特征图中；所述池化层，用于对特征图进行降维操作；所述全连接层，用于将提取出的特征映射到所述缺陷定位分类网络中。
上述塑料泡沫餐盒的质量检测装置可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的塑料泡沫餐盒的质量检测方法。
实施例六
图9为本发明实施例六提供的服务器的结构示意图。图9示出了适于用来实现本发明实施方式的示例性服务器的框图。图9显示的服务器12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。
如图9所示，服务器12以通用计算设备的形式表现。服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18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。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该服务器12交互的设备通信，和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的塑料泡沫餐盒的质量检测方法。
实施例七
本发明实施例七提供了一种计算机存储介质。
本发明实施例的计算机可读存储介质，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是——但不限于——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的更具体的例子(非穷举的列表)包括：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(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。在本文件中，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，其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、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其组合来编写用于执行本发明操作的计算机程序代码，所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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (14)

1.一种塑料泡沫餐盒的质量检测方法，其特征在于，所述方法包括：
获取待检测的塑料泡沫餐盒的图像数据；
将所述待检测的泡沫餐盒的图像数据转换为所述待检测的塑料泡沫餐盒的质量检测请求；
将所述质量检测请求发送至部署有基于物体检测的分类检测模型的服务器；
接收所述服务器通过所述基于物体检测的分类检测模型输出的所述质量检测分类请求对应的质量检测结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述质量检测请求发送至部署有基于物体检测的分类检测模型的服务器，包括：
在预先设置的服务器配置表中获取部署有所述基于物体检测的分类检测模型的各个服务器的负载状态；
根据部署有所述分类检测模型的各个服务器的负载状态，将所述质量检测请求发送至部署有所述基于物体检测的分类检测模型的负载最小的服务器。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据预先设置的质量检测结果与缺陷处理操作的对应关系，做出所述质量检测结果对应的缺陷处理操作；其中，所述缺陷处理操作包括：报警、停机、存储日志或者控制机械臂。
4.一种塑料泡沫餐盒的质量检测方法，其特征在于，所述方法包括：
接收待检测的塑料泡沫餐盒的质量检测请求；
通过预先训练的基于物体检测的分类检测模型计算所述质量检测请求对应的质量检测结果。
5.根据权利要求4所述的方法，其特征在于，所述基于物体检测的分类检测模型包括：深度卷积神经网络和缺陷定位分类网络；其中，所述深度卷积神经网络用于提取钢板图片的特征，并将所述特征输入至所述缺陷定位分类网络中；所述缺陷定位分类网络用于基于物体检测的分类检测算法判断深度卷积神经网络所提取的特征是否存在缺陷，并获得该缺陷的类别。
6.根据权利要求5所述的方法，其特征在于，所述深度卷积神经网络包括：卷积层、池化层和全连接层；其中，所述卷积层，用于利用权值不同的卷积核对所述质量检测请求中的所述待检测的塑料泡沫餐盒的图像进行扫描卷积，从中提取各种意义的特征，并输出至特征图中；所述池化层，用于对特征图进行降维操作；所述全连接层，用于将提取出的特征映射到所述缺陷定位分类网络中。
7.一种塑料泡沫餐盒的质量检测装置，其特征在于，所述装置包括：图像获取模块、图像转换模块、请求发送模块和结果接收模块；其中，
所述图像获取模块，用于获取待检测的塑料泡沫餐盒的图像数据；
所述图像转换模块，用于将所述待检测的泡沫餐盒的图像数据转换为所述待检测的塑料泡沫餐盒的质量检测请求；
所述请求发送模块，用于将所述质量检测请求发送至部署有基于物体检测的分类检测模型的服务器；
所述结果接收模块，用于接收所述服务器通过所述基于物体检测的分类检测模型输出的所述质量检测分类请求对应的质量检测结果。
8.根据权利要求7所述的装置，其特征在于：
所述请求发送模块，具体用于在预先设置的服务器配置表中获取部署有所述基于物体检测的分类检测模型的各个服务器的负载状态；根据部署有所述分类检测模型的各个服务器的负载状态，将所述质量检测请求发送至部署有所述基于物体检测的分类检测模型的负载最小的服务器。
9.根据权利要求7所述的装置，其特征在于，所述装置还包括：操作处理模块，用于根据预先设置的质量检测结果与缺陷处理操作的对应关系，做出所述质量检测结果对应的缺陷处理操作；其中，所述缺陷处理操作包括：报警、停机、存储日志或者控制机械臂。
10.一种塑料泡沫餐盒的质量检测装置，其特征在于，所述装置包括：请求接收模块和结果计算模块；其中，
所述请求接收模块，用于接收待检测的塑料泡沫餐盒的质量检测请求；
所述结果计算模块，用于通过预先训练的基于物体检测的分类检测模型计算所述质量检测请求对应的质量检测结果。
11.根据权利要求10所述的装置，其特征在于，所述基于物体检测的分类检测模型包括：深度卷积神经网络和缺陷定位分类网络；其中，所述深度卷积神经网络用于提取钢板图片的特征，并将所述特征输入至所述缺陷定位分类网络中；所述缺陷定位分类网络用于基于物体检测的分类检测算法判断深度卷积神经网络所提取的特征是否存在缺陷，并获得该缺陷的类别。
12.根据权利要求11所述的装置，其特征在于，所述深度卷积神经网络包括：卷积层、池化层和全连接层；其中，所述卷积层，用于利用权值不同的卷积核对所述质量检测请求中的所述待检测的塑料泡沫餐盒的图像进行扫描卷积，从中提取各种意义的特征，并输出至特征图中；所述池化层，用于对特征图进行降维操作；所述全连接层，用于将提取出的特征映射到所述缺陷定位分类网络中。
13.一种服务器，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至3或者4至6中任一项所述的塑料泡沫餐盒的质量检测方法。
14.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至3或者4至6中任一项所述的塑料泡沫餐盒的质量检测方法。
CN201811456293.9A 2018-11-30 2018-11-30 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 Pending CN109598712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811456293.9A CN109598712A (zh) 2018-11-30 2018-11-30 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811456293.9A CN109598712A (zh) 2018-11-30 2018-11-30 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN109598712A true CN109598712A (zh) 2019-04-09

Family

ID=65959394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811456293.9A Pending CN109598712A (zh) 2018-11-30 2018-11-30 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN109598712A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260669A (zh) * 2020-02-17 2020-06-09 北京推想科技有限公司 基于ct图像的肺叶分割方法和装置
CN112634194A (zh) * 2020-10-20 2021-04-09 天津大学 一种经编织造过程中的织物疵点自学习检测方法
CN113159448A (zh) * 2021-05-12 2021-07-23 烟台应辉智能科技有限公司 基于环保大数据的自动分析判别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154508A (zh) * 2018-01-09 2018-06-12 北京百度网讯科技有限公司 产品缺陷检测定位的方法、装置、存储介质及终端设备
CN108230318A (zh) * 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢包缺陷检测分类方法、装置、设备及计算机可读介质
CN108230317A (zh) * 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢板缺陷检测分类方法、装置、设备及计算机可读介质
CN108320278A (zh) * 2018-01-09 2018-07-24 北京百度网讯科技有限公司 产品缺陷检测定位方法、装置、设备及计算机可读介质
CN108564104A (zh) * 2018-01-09 2018-09-21 北京百度网讯科技有限公司 产品缺陷检测方法、装置、系统、服务器及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154508A (zh) * 2018-01-09 2018-06-12 北京百度网讯科技有限公司 产品缺陷检测定位的方法、装置、存储介质及终端设备
CN108230318A (zh) * 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢包缺陷检测分类方法、装置、设备及计算机可读介质
CN108230317A (zh) * 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢板缺陷检测分类方法、装置、设备及计算机可读介质
CN108320278A (zh) * 2018-01-09 2018-07-24 北京百度网讯科技有限公司 产品缺陷检测定位方法、装置、设备及计算机可读介质
CN108564104A (zh) * 2018-01-09 2018-09-21 北京百度网讯科技有限公司 产品缺陷检测方法、装置、系统、服务器及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260669A (zh) * 2020-02-17 2020-06-09 北京推想科技有限公司 基于ct图像的肺叶分割方法和装置
CN112634194A (zh) * 2020-10-20 2021-04-09 天津大学 一种经编织造过程中的织物疵点自学习检测方法
CN113159448A (zh) * 2021-05-12 2021-07-23 烟台应辉智能科技有限公司 基于环保大数据的自动分析判别方法

Similar Documents

Publication Publication Date Title
WO2018108129A1 (zh) 用于识别物体类别的方法及装置、电子设备
CN111080693A (zh) 一种基于YOLOv3的机器人自主分类抓取方法
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
CN109086811B (zh) 多标签图像分类方法、装置及电子设备
CN112861575A (zh) 一种行人结构化方法、装置、设备和存储介质
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN111553950A (zh) 一种钢卷对中判断方法、系统、介质及电子终端
Geng et al. An improved helmet detection method for YOLOv3 on an unbalanced dataset
CN116579616A (zh) 一种基于深度学习的风险识别方法
CN112749673A (zh) 一种基于遥感影像智能提取储油罐库存的方法及装置
CN109598712A (zh) 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
CN114565780A (zh) 一种目标识别方法、装置、电子设备及存储介质
CN114429577B (zh) 一种基于高置信标注策略的旗帜检测方法及系统及设备
CN112232288B (zh) 一种基于深度学习的卫星图目标识别方法及系统
CN109470708A (zh) 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质
CN112529836A (zh) 高压线路缺陷检测方法、装置、存储介质及电子设备
Shishkin et al. Implementation of yolov5 for detection and classification of microplastics and microorganisms in marine environment
CN111861916A (zh) 病理图片的处理方法
KR20130013462A (ko) 정사각 코드북과 다중 경계 값이 적용된 텍스쳐 특징을 이용한 전경 검출 장치 및 방법
CN117197653A (zh) 基于深度学习的滑坡灾害识别方法及系统
CN116486239A (zh) 一种基于增量学习和开集识别算法的图像异常检测平台
Chen et al. Underwater target detection and embedded deployment based on lightweight YOLO_GN
CN113139077B (zh) 一种识别船舶身份的方法、装置、终端及存储介质
CN115565072A (zh) 一种道路垃圾识别和定位方法、装置、电子设备及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190409

RJ01 Rejection of invention patent application after publication