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

CN110599453A - 一种基于图像融合的面板缺陷检测方法、装置及设备终端 - Google Patents

一种基于图像融合的面板缺陷检测方法、装置及设备终端 Download PDF

Info

Publication number
CN110599453A
CN110599453A CN201910731007.3A CN201910731007A CN110599453A CN 110599453 A CN110599453 A CN 110599453A CN 201910731007 A CN201910731007 A CN 201910731007A CN 110599453 A CN110599453 A CN 110599453A
Authority
CN
China
Prior art keywords
sample
image
panel
images
defect
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
CN201910731007.3A
Other languages
English (en)
Inventor
梁勇
张胜森
郑增强
吴川
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.)
Wuhan Jingce Electronic Group Co Ltd
Wuhan Jingli Electronic Technology Co Ltd
Original Assignee
Wuhan Jingce Electronic Group Co Ltd
Wuhan Jingli Electronic 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 Wuhan Jingce Electronic Group Co Ltd, Wuhan Jingli Electronic Technology Co Ltd filed Critical Wuhan Jingce Electronic Group Co Ltd
Priority to CN201910731007.3A priority Critical patent/CN110599453A/zh
Publication of CN110599453A publication Critical patent/CN110599453A/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像融合的面板缺陷检测方法、装置及设备终端，该方法包括：获取样本图像构成训练集合，对每张样本图像上的缺陷进行标注，得到样本标签；从训练集合中任意选取多个样本对，分别对每个样本对中的两张样本图像以及两者对应的样本标签进行融合，得到训练图像和训练标签并输入到深度学习模型中，以对所述深度学习模型进行训练；获取待检测的面板图像，任意选取两张所述面板图像进行融合，将得到的预测图像输入训练好的深度学习模型中进行缺陷检测；本发明通过图像融合将两张样本图像中的缺陷特征结合到一张融合图像中，采用该融合图像对模型进行训练后，模型可以一次检测两张面板图像，使推断速度加倍。

Description

一种基于图像融合的面板缺陷检测方法、装置及设备终端
技术领域
本发明属于自动化缺陷检测技术领域，更具体地，涉及一种基于图像融合的面板缺陷检测方法、装置及设备终端。
背景技术
近年来，基于深度学习的分类、检测、分割方法渐渐用于面板缺陷检测领域，也越来越受到厂商的青睐。深度神经网络应用与缺陷检测的一般过程是：首先获取样本图像并进行缺陷标注，然后用标注后的样本来训练神经网络，让神经网络学习到样本的特征，然后利用训练好的神经网络来预测待检图像。
在面板检测领域，用目标检测或者语义分割这些深度学习方法进行推断时，对实时性要示很高，比如处理一副分辨率3240*1920的图像时间要求在0.5s内，虽然使用高性能GPU可以达到这一实时性的要求，但同时设备成本也会提高；如何在降低成本的同时提高推断速率，是基于深度学习方法来进行面板缺陷检测时急需解决的问题。
发明内容
针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于图像融合的面板缺陷检测方法、装置及设备终端，通过图像融合将两张样本图像中的缺陷特征结合到一张融合图像中，采用该融合图像对深度学习模型进行训练，训练好的模型可以一次检测两张面板图像，使推断速度加倍；在硬件条件不变的情况下，使推断速度加倍；或者在同样的推断速度下降低对硬件性能的要求，以便节省成本；其目的在于解决现有的基于深度学习的缺陷检测方式无法兼顾推断效率与设备成本的问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于图像融合的面板缺陷检测方法，包括以下步骤：
S1：获取样本图像构成训练集合，对每张样本图像上的缺陷进行标注，得到样本标签；
S2：从训练集合中任意选取多个样本对，对每个样本对中的两张样本图像进行融合，得到训练图像；并对两张样本图像对应的样本标签进行融合，得到训练标签；将所述训练图像和训练标签输入到深度学习模型中，以对所述深度学习模型进行训练；
S3：获取待检测的面板图像，任意选取两张所述面板图像进行融合，将得到的预测图像输入训练好的深度学习模型中进行缺陷检测。
优选的，上述面板缺陷检测方法，其步骤S3中，当从预测图像中检测出缺陷时，分别将该预测图像对应的两张面板图像输入深度学习模型中进行检测。
优选的，上述面板缺陷检测方法，其步骤S2中，对每个样本对中的两张样本图像及其对应的样本标签进行融合时，各样本对中的任一张样本图像的权重值满足贝塔分布。
优选的，上述面板缺陷检测方法，其步骤S3中，对待检测的面板图像进行融合时，两张面板图像的权重值为0.5。
优选的，上述面板缺陷检测方法，其步骤S1之前还包括以下步骤：
S0：对获取的面板图像进行增强处理，将增强处理后的面板图像裁剪为预设像素大小的多个样本图像。
优选的，上述面板缺陷检测方法，其步骤S2中，所述样本标签包括缺陷位置和缺陷类型，不同缺陷类型采用不同颜色进行标记以便于区分。
按照本发明的第二个方面，还提供了一种基于图像融合的面板缺陷检测装置，包括标注单元和融合单元；
所述标注单元用于获取样本图像构成训练集合，对每张样本图像上的缺陷进行标注，得到样本标签；
所述融合单元用于从训练集合中任意选取多个样本对，对每个样本对中的两张样本图像进行融合，得到训练图像；并对两张样本图像对应的样本标签进行融合，得到训练标签；将所述训练图像和训练标签输入到深度学习模型中，以对所述深度学习模型进行训练；
还用于获取待检测的面板图像，任意选取两张所述面板图像进行融合，将得到的预测图像输入训练好的深度学习模型中进行缺陷检测。
优选的，上述基于图像融合的面板缺陷检测装置，其融合单元还用于从预测图像中检测出缺陷时分别将该预测图像对应的两张面板图像输入深度学习模型中进行检测。
优选的，上述基于图像融合的面板缺陷检测装置，对每个样本对中的两张样本图像及其对应的样本标签进行融合时，融合单元为各样本对中的任一张样本图像赋予的权重值满足贝塔分布。
优选的，上述基于图像融合的面板缺陷检测装置，对待检测的面板图像进行融合时，融合单元为两张面板图像赋予的权重值为0.5。
优选的，上述基于图像融合的面板缺陷检测装置，其样本标签包括缺陷位置和缺陷类型，不同缺陷类型采用不同颜色进行标记以便于区分。
优选的，上述基于图像融合的面板缺陷检测装置，还包括预处理单元和裁剪单元；
所述预处理单元用于获取面板图像并进行增强处理，提高对比度；
所述裁剪单元用于对增强处理后的面板图像裁剪为预设像素大小的多个样本图像。
按照本发明的第三个方面，还提供了一种设备终端，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行上述任一项所述方法的步骤。
按照本发明的第四个方面，还提供了一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当所述计算机程序在终端设备上运行时，使得所述终端设备执行上述任一项所述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明提供的一种基于图像融合的面板缺陷检测方法、装置及设备终端，通过图像融合将两张样本图像中的缺陷特征结合到一张融合图像中，采用该融合图像对深度学习模型进行训练，训练好的模型可以一次检测两张面板图像，使推断速度加倍；在硬件条件不变的情况下，使推断速度加倍；或者在同样的推断速度下降低对硬件性能的要求，以便节省成本。
(2)本发明提供的一种基于图像融合的面板缺陷检测方法、装置及设备终端，进行图像融合时，每个样本对中的任意一张样本图像的权重值是一个随机变量，但是各个样本对中的第一张样本图像的权重值服从贝塔分布，权重值随机设置可以防止深度学习模型过拟合，最重要的是可以增加深度学习模型的泛化能力，使训练后的模型能够适应各种具有不同缺陷特征、不同对比度的面板图像。
附图说明
图1是本发明实施例提供的基于图像融合的面板缺陷检测方法的流程图；
图2是本发明实施例提供的深度学习模型的结构图；
图3是本发明实施例提供的基于图像融合的面板缺陷检测装置的逻辑框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是本发明所提供的提供了一种基于图像融合的面板缺陷检测方法的流程图，如图1所述，该方法包括以下步骤：
S1：获取样本图像构成训练集合，对每张样本图像上的缺陷进行标注，得到样本标签；
本实施例中，首先需要获取通过相机采集的多张面板图像并对面板图像进行预处理，预处理的目的是为了增强图像特征，提高对比度，使图像中的缺陷特征更加明显和突出；增强处理的方式本实施例不作具体限制，可以采用高斯滤波、均值滤波、高通滤波或其他常用的滤波方法实现。
预处理之后，将每张面板图像裁剪为多张大小为K*K像素的样本图像；由于相机采集的面板图像分辨率较高，并且一张面板图像中仅有部分区域出现缺陷，因此本实施例选择将完整的面板图像裁剪为相对较小的多张样本图像；本实施例中，K的取值为512。
裁剪之后，采用标注工具labelme对每张样本图像中的缺陷特征进行像素级标注，生成样本标签；本实施例中，样本标签包括缺陷位置和缺陷类型，不同缺陷类型采用不同颜色进行标记以便于区分。
S2：从训练集合中任意选取多个样本对，分别对每个样本对中的两张样本图像及其对应的样本标签进行融合，得到训练图像和训练标签并输入到深度学习模型中，以对所述深度学习模型进行训练；
本实施例从训练集合中的大量样本图像中任意选取多个样本对，每个样本对包括两张样本图像；即从训练集合中随机选取两张样本图像组合为一个样本对，随机选取规则本实施例不作具体限制，例如可以采用randperm函数实现；然后对每个样本对中的两张样本图像按照一定的权重比例进行融合，得到训练图像；对于两张样本图像对应的样本标签按照相同的权重比例进行融合，得到训练标签；本实施例先对样本图像进行标记，得到各自的样本标签，然后分别对对每个样本对中的两张样本图像及其对应的样本标签进行融合；实际上也可以采用另一种方式：不单独对每一张样本图像进行标记，在得到训练图像后直接对该训练图像进行标记，这样可以节省样本标签融合的步骤；但是由于样本图像融合后图像的对比度会有所下降，导致缺陷特征不明显，可能影响缺陷标记的精确度，因此本实施例采用第一种方式有利于提高缺陷标记的精确度。
图像融合本来是一种数据增强方法，本实施例采用图像融合方法来构建新的训练样本和样本标签；融合时，每个样本对中的两张样本图像需要按照一定的权重比例进行融合，公式如下：
其中，表示融合图像；xi表示样本对中的第一张样本图像；xj表示样本对中的第二张样本图像；λ表示第一张样本图像的权重值；(1-λ)表示第二张样本图像的权重值；
本实施例中，第一张样本图像的权重值λ是一个随机变量，但是各个样本对中的第一张样本图像的权重值服从贝塔分布，贝塔分布的概率密度函数有两个参数α，β>0，本实施例中取α＝β。权重值λ随机设置可以防止深度学习模型过拟合，最重要的是可以增加深度学习模型的泛化能力，使训练后的模型能够适应各种具有不同缺陷特征、不同对比度的面板图像。在面板检测领域，不同相机拍摄的面板图像或同一相机在不同环境下拍摄的面板图像的灰度不同，因此缺陷特征的对比度也不同；显然深度学习模型对低对比度的缺陷特征的适应性相对较差，预测过程可能无法给出合适的输出；本实施例通过随机设置权重值λ，可以为任意一种缺陷特征随机赋予较低的对比度，使用这种方式生成的融合图像对模型进行训练以后，可以显著提高深度学习模型对低对比度的任意缺陷类型的适应能力。
将各样本对生成的训练图像及训练标签输入到构建的深度学习模型中，以对该深度学习模型进行训练；深度学习模型的类型本实施例不作具体限制，可以选用ResNet、R-CNN、Faster-RCNN、YOLO、Deeplab v3+等模型，本实施例中选用的是Deeplab v3+模型，参见图2，该模型包括编码器encoder和解码器decoder，其中，编码器用于提取图像的特征值，解码器用于把特征值映射到对应的分割图像；采用多个样本对的训练图像及训练标签对Deeplab v3+模型进行迭代训练，训练一定次数后，采用验证集对Deeplab v3+模型的推断准确度进行验证，直至Deeplab v3+模型在验证集上的平均交并比(Mean Intersectionover Union，mIOU)准确度不再提升，表明模型训练完成。
本实施例采用图像融合方法创造的更多的训练样本，在训练时使模型不容易过拟合，并且可以减少训练集合中面板图像的数量。对于面板检测这种负样本很少的应用场景，训练好的深度学习模型在推断阶段可以一次检测两张样本，使推断速率加倍；或者在推断速率不变的情况下，可以使用性能更差的GPU，以节省成本。
S3：获取待检测的面板图像，任意选取两张所述面板图像进行融合，将得到的预测图像输入训练好的深度学习模型中进行缺陷检测。
利用训练好的深度学习模型对面板图像进行检测时，首先任意选取两张待检测的面板图像并进行预处理，该预处理方式参见步骤S1，此处不再赘述；预处理完成后，对面板图像进行融合，两张面板图像的权重值优选设置为0.5，因为在不知道预测图像是否有缺陷以及缺陷的对比度的情况下，两张图片各设置0.5的权重最为合理。将融合后得到的预测图像输入训练好的深度学习模型中，进行缺陷检测。由于训练好的深度学习模型可以同时检测两张面板图像，使推断速度加倍。
当从预测图像中检测出缺陷时，则将该预测图像对应的两张面板图像输入深度学习模型中，分别对每张样本分别进行推断，以便确定到底缺陷到底在哪张样本上。在面板缺陷检测这一应用场景中，由于绝大部分样本是没有缺陷的，因此二次复判的次数很少，并不会对推断效率产生影响。
为了实现上述面板缺陷检测方法，本实施例还提供了一种基于图像融合的面板缺陷检测装置，图3是本实施例提供的面板缺陷检测装置的逻辑框图，如图2所示，该检测装置包括预处理单元、裁剪单元、标注单元和融合单元；
其中，预处理单元用于获取相机采集的面板图像并进行增强处理，提高对比度；增强处理的方式本实施例不作具体限制，可以采用高斯滤波、均值滤波、高通滤波或其他常用的滤波方法实现。
裁剪单元用于对增强处理后的面板图像裁剪为预设像素大小的多个样本图像；本实施例将一张完整的面板图像裁剪为512*512像素的多张样本图像，裁剪之后便于从样本图像中选择缺陷特征并降低深度学习模型的处理难度。
标注单元用于对每张样本图像上的缺陷进行标注，得到样本标签；本实施例采用标注工具labelme对每张样本图像中的缺陷特征进行像素级标注，生成样本标签；该样本标签包括缺陷位置和缺陷类型，不同缺陷类型采用不同颜色进行标记以便于区分。
融合单元用于从训练集合中任意选取多个样本对，分别对每个样本对中的两张样本图像及其对应的样本标签进行融合，得到训练图像和训练标签并输入到深度学习模型中，以对深度学习模型进行训练；
本实施例中，融合单元从训练集合中随机选取两张样本图像组合为一个样本对，随机选取规则不作具体限制，例如可以采用randperm函数实现；然后融合单元对每个样本对中的两张样本图像按照一定的权重比例进行融合，得到训练图像；对于两张样本图像对应的样本标签按照相同的权重比例进行融合，得到训练标签；融合过程中，每个样本对中的两张样本图像需要按照一定的权重比例进行融合，公式如下：
其中，表示融合图像；xi表示样本对中的第一张样本图像；xj表示样本对中的第二张样本图像；λ表示第一张样本图像的权重值；(1-λ)表示第二张样本图像的权重值；
本实施例中，第一张样本图像的权重值λ是一个随机变量，但是各个样本对中的第一张样本图像的权重值服从贝塔分布，贝塔分布的概率密度函数有两个参数α，β>0，本实施例中取α＝β。权重值λ随机设置可以防止深度学习模型过拟合，最重要的是可以增加深度学习模型的泛化能力，使训练后的模型能够适应各种具有不同缺陷特征、不同对比度的面板图像。
将各样本对生成的训练图像及训练标签输入到构建的深度学习模型中，以对该深度学习模型进行训练。
利用训练好的深度学习模型对面板图像进行检测时，预处理单元对任意选取两张待检测的面板图像并进行预处理；预处理完成后，融合单元对面板图像进行融合，两张面板图像的权重值优选设置为0.5，因为在不知道预测图像是否有缺陷以及缺陷的对比度的情况下，两张图片各设置0.5的权重最为合理。将融合后得到的预测图像输入训练好的深度学习模型中，进行缺陷检测。由于训练好的深度学习模型可以同时检测两张面板图像，使推断速度加倍。
当从预测图像中检测出缺陷时，融合单元还用于将预测图像对应的两张面板图像输入深度学习模型中，分别对每张样本分别进行推断，以便确定到底缺陷到底在哪张样本上。
本实施例还提供了一种设备终端，包括至少一个处理器、以及至少一个存储器，其中，存储器中存储有计算机程序，当该计算机程序被所述处理器执行时，使得该处理器执行上述方法的步骤。处理器和存储器的类型不作具体限制，例如：处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等；存储器可以是易失性存储器、非易失性存储器或者它们的组合等。
本实施例还提供了一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当该计算机程序在终端设备上运行时，使得所述终端设备执行上述方法的步骤。计算机可读介质的类型包括但不限于SD卡、U盘、固定硬盘、移动硬盘等存储介质。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于图像融合的面板缺陷检测方法，其特征在于，包括以下步骤：
S1：获取样本图像构成训练集合，对每张样本图像上的缺陷进行标注，得到对应的样本标签；
S2：从训练集合中任意选取多个样本对，分别对每个样本对中的两张样本图像以及两者对应的样本标签进行融合，得到训练图像和训练标签并输入到深度学习模型中，以对所述深度学习模型进行训练；
S3：获取待检测的面板图像，任意选取两张所述面板图像进行融合，将得到的预测图像输入训练好的深度学习模型中进行缺陷检测。
2.如权利要求1所述的面板缺陷检测方法，其特征在于，步骤S3中，当从预测图像中检测出缺陷时，分别将该预测图像对应的两张面板图像输入深度学习模型中进行检测。
3.如权利要求1或2所述的面板缺陷检测方法，其特征在于，步骤S2中，对每个样本对中的两张样本图像及其对应的样本标签进行融合时，各样本对中的任一张样本图像的权重值满足贝塔分布。
4.如权利要求3所述的面板缺陷检测方法，其特征在于，步骤S3中，对待检测的面板图像进行融合时，两张面板图像的权重值为0.5。
5.如权利要求1所述的面板缺陷检测方法，其特征在于，步骤S2中，所述样本标签包括缺陷位置和缺陷类型，不同缺陷类型采用不同颜色进行标记以便于区分。
6.一种基于图像融合的面板缺陷检测装置，其特征在于，包括标注单元和融合单元；
所述标注单元用于获取样本图像构成训练集合，对每张样本图像上的缺陷进行标注，得到对应的样本标签；
所述融合单元用于从训练集合中任意选取多个样本对，分别对每个样本对中的两张样本图像以及两者对应的样本标签进行融合，得到训练图像和训练标签并输入到深度学习模型中，以对所述深度学习模型进行训练；
还用于获取待检测的面板图像，任意选取两张所述面板图像进行融合，将得到的预测图像输入训练好的深度学习模型中进行缺陷检测。
7.如权利要求6所述的基于图像融合的面板缺陷检测装置，其特征在于，所述融合单元还用于从预测图像中检测出缺陷时分别将该预测图像对应的两张面板图像输入深度学习模型中进行检测。
8.如权利要求6或7所述的基于图像融合的面板缺陷检测装置，其特征在于，对每个样本对中的两张样本图像及其对应的样本标签进行融合时，融合单元为各样本对中的任一张样本图像赋予的权重值满足贝塔分布。
9.如权利要求8所述的基于图像融合的面板缺陷检测装置，其特征在于，对待检测的面板图像进行融合时，融合单元为两张面板图像赋予的权重值均为0.5。
10.一种设备终端，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行权利要求1～5任一项所述方法的步骤。
CN201910731007.3A 2019-08-08 2019-08-08 一种基于图像融合的面板缺陷检测方法、装置及设备终端 Pending CN110599453A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910731007.3A CN110599453A (zh) 2019-08-08 2019-08-08 一种基于图像融合的面板缺陷检测方法、装置及设备终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910731007.3A CN110599453A (zh) 2019-08-08 2019-08-08 一种基于图像融合的面板缺陷检测方法、装置及设备终端

Publications (1)

Publication Number Publication Date
CN110599453A true CN110599453A (zh) 2019-12-20

Family

ID=68853755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910731007.3A Pending CN110599453A (zh) 2019-08-08 2019-08-08 一种基于图像融合的面板缺陷检测方法、装置及设备终端

Country Status (1)

Country Link
CN (1) CN110599453A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199531A (zh) * 2019-12-27 2020-05-26 中国民航大学 基于泊松图像融合及图像风格化的交互式数据扩展方法
CN111681220A (zh) * 2020-06-04 2020-09-18 阿丘机器人科技(苏州)有限公司 缺陷检测模型的构建方法、装置、系统及存储介质
CN113095400A (zh) * 2021-04-09 2021-07-09 安徽芯纪元科技有限公司 一种用于机器视觉缺陷检测的深度学习模型训练方法
CN113268914A (zh) * 2020-02-14 2021-08-17 聚积科技股份有限公司 发光二极管调屏标准判定模型建立方法
CN113610739A (zh) * 2021-08-10 2021-11-05 平安国际智慧城市科技股份有限公司 图像数据增强方法、装置、设备及存储介质
CN114913110A (zh) * 2021-02-08 2022-08-16 深圳中科飞测科技股份有限公司 检测方法及系统、设备和存储介质
CN115345321A (zh) * 2022-10-19 2022-11-15 小米汽车科技有限公司 数据增广方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118482A (zh) * 2018-08-07 2019-01-01 腾讯科技（深圳）有限公司 一种面板缺陷分析方法、装置及存储介质
CN109840537A (zh) * 2017-11-29 2019-06-04 南京大学 一种基于交叉对比神经网络的图像多任务分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840537A (zh) * 2017-11-29 2019-06-04 南京大学 一种基于交叉对比神经网络的图像多任务分类方法
CN109118482A (zh) * 2018-08-07 2019-01-01 腾讯科技（深圳）有限公司 一种面板缺陷分析方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGYI ZHANG ET AL.: "mixup: BEYOND EMPIRICAL RISK MINIMIZATION", 《ARXIV:1710.09412V2》 *
ZHI ZHANG ET AL.: "Bag of Freebies for Training Object Detection Neural Network", 《ARXIV:1092.04103V3》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199531A (zh) * 2019-12-27 2020-05-26 中国民航大学 基于泊松图像融合及图像风格化的交互式数据扩展方法
CN111199531B (zh) * 2019-12-27 2023-05-12 中国民航大学 基于泊松图像融合及图像风格化的交互式数据扩展方法
CN113268914A (zh) * 2020-02-14 2021-08-17 聚积科技股份有限公司 发光二极管调屏标准判定模型建立方法
CN111681220A (zh) * 2020-06-04 2020-09-18 阿丘机器人科技(苏州)有限公司 缺陷检测模型的构建方法、装置、系统及存储介质
CN111681220B (zh) * 2020-06-04 2024-02-13 阿丘机器人科技(苏州)有限公司 缺陷检测模型的构建方法、装置、系统及存储介质
CN114913110A (zh) * 2021-02-08 2022-08-16 深圳中科飞测科技股份有限公司 检测方法及系统、设备和存储介质
CN113095400A (zh) * 2021-04-09 2021-07-09 安徽芯纪元科技有限公司 一种用于机器视觉缺陷检测的深度学习模型训练方法
CN113610739A (zh) * 2021-08-10 2021-11-05 平安国际智慧城市科技股份有限公司 图像数据增强方法、装置、设备及存储介质
CN115345321A (zh) * 2022-10-19 2022-11-15 小米汽车科技有限公司 数据增广方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111784685B (zh) 一种基于云边协同检测的输电线路缺陷图像识别方法
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
CN109460754B (zh) 一种水面异物检测方法、装置、设备及存储介质
CN114663346A (zh) 一种基于改进YOLOv5网络的带钢表面缺陷检测方法
CN115131283B (zh) 目标对象的缺陷检测、模型训练方法、装置、设备及介质
CN110516514B (zh) 一种目标检测模型的建模方法和装置
CN114399644A (zh) 一种基于小样本目标检测方法及装置
CN116310785B (zh) 基于YOLO v4的无人机影像路面病害检测方法
CN109726678B (zh) 一种车牌识别的方法及相关装置
CN107808126A (zh) 车辆检索方法及装置
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
CN114781514A (zh) 一种融合注意力机制的漂浮物目标检测方法及系统
CN113537037A (zh) 路面病害识别方法、系统、电子设备及存储介质
CN112784724A (zh) 一种车辆变道检测方法、装置、设备及存储介质
CN117011563B (zh) 基于半监督联邦学习的道路损害巡检跨域检测方法及系统
CN112784675B (zh) 目标检测方法及装置、存储介质、终端
CN112669300A (zh) 瑕疵检测方法及装置、计算机设备和存储介质
CN111191482B (zh) 一种刹车灯识别方法、装置及电子设备
CN111435445A (zh) 字符识别模型的训练方法及装置、字符识别方法及装置
CN111159150A (zh) 一种数据扩充方法及装置
CN113780287A (zh) 一种多深度学习模型的最优选取方法及系统
CN112396042A (zh) 实时更新的目标检测方法及系统、计算机可读存储介质
CN116977248A (zh) 图像处理方法、装置、智能设备、存储介质及产品
CN110555344B (zh) 车道线识别方法、装置、电子设备、存储介质
CN114494698B (zh) 一种基于边缘预测的传统文化图像语义分割方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220