[go: up one dir, main page]

CN118799327B - 一种基于红外图像的缺陷检测方法、装置及设备 - Google Patents

一种基于红外图像的缺陷检测方法、装置及设备 Download PDF

Info

Publication number
CN118799327B
CN118799327B CN202411288704.3A CN202411288704A CN118799327B CN 118799327 B CN118799327 B CN 118799327B CN 202411288704 A CN202411288704 A CN 202411288704A CN 118799327 B CN118799327 B CN 118799327B
Authority
CN
China
Prior art keywords
infrared
temperature
infrared image
image
matrix
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
Application number
CN202411288704.3A
Other languages
English (en)
Other versions
CN118799327A (zh
Inventor
饶静
肖志菲
孙岩
段剑
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.)
Beihang University
Shandong Non Metallic Material Research Institute
Original Assignee
Beihang University
Shandong Non Metallic Material Research Institute
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 Beihang University, Shandong Non Metallic Material Research Institute filed Critical Beihang University
Priority to CN202411288704.3A priority Critical patent/CN118799327B/zh
Publication of CN118799327A publication Critical patent/CN118799327A/zh
Application granted granted Critical
Publication of CN118799327B publication Critical patent/CN118799327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Radiation Pyrometers (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种基于红外图像的缺陷检测方法、装置及设备，涉及缺陷检测技术领域，包括：获取待测物体的红外温度时间序列；对红外温度时间序列数据进行滤波处理，得到降噪后的红外温度时间序列数据；采用主成分分析法对降噪后的红外温度时间序列数据进行降维特征提取，得到初始PCA红外图像；去除初始PCA红外图像的背景，得到去背景后的红外图像；将去背景后的红外图像输入预先训练好的基于生成对抗神经网络的缺陷检测模型中，得到待测物体的缺陷检测结果；本申请可实现不同物体表面缺陷/近表面缺陷的无损检测，特别是蜂窝夹芯复合材料表面缺陷/近表面缺陷的无损检测，并有效提高了检测的效率以及检测的准确率。

Description

一种基于红外图像的缺陷检测方法、装置及设备
技术领域
本申请涉及缺陷检测技术领域，具体而言，涉及一种基于红外图像的缺陷检测方法、装置及设备。
背景技术
蜂窝夹芯复合材料的制备工艺相对复杂，服役环境较恶劣，易产生脱粘、蜂窝芯材褶皱等缺陷，可能导致复合结构失效。为了最大限度地降低结构失效的风险，须采用先进的无损检测技术及时发现潜在缺陷。红外热成像技术因其高效、快速、非接触、易检测等特点，被广泛应用于复合材料的无损检测。
然而，由于蜂窝夹芯复合材料的热导率不均匀以及其结构特性（如多层夹层），导致红外热成像的采集质量受到影响，例如分辨率低、均匀性差、对比度弱。故在基于图像处理的红外缺陷识别领域，由于分割结果高度依赖于图像的对比度，传统的阈值分割方法往往无法准确分割缺陷。在对比度较低的图像中，即目标与背景之间的灰度差异不明显时，阈值的选取变得困难，容易导致分割错误。此外，蜂窝夹芯复合材料的红外图像像素分布不均匀，且缺陷边缘与背景混杂，使得运用常规聚类方法进行缺陷提取时，容易出现边缘漏检或引入非目标信息的问题。
发明内容
本申请实施例的目的在于提供一种基于红外图像的缺陷检测方法、装置、及设备，用以解决了现有技术存在的上述问题，可实现不同物体表面缺陷/近表面缺陷的无损检测，并提高检测的效率以及准确率。
第一方面，提供了一种基于红外图像的缺陷检测方法，该方法可以包括：
获取待测物体在预设时间段内各时刻的红外温度数据，得到红外温度时间序列；
对所述红外温度时间序列数据进行滤波处理，得到降噪后的红外温度时间序列数据；
采用主成分分析法对所述降噪后的红外温度时间序列数据进行降维特征提取，得到初始PCA红外图像；
去除所述初始PCA红外图像的背景，得到去背景后的红外图像；
将所述去背景后的红外图像输入预先训练好的基于生成对抗神经网络的缺陷检测模型中，得到所述待测物体的缺陷检测结果；其中，所述基于生成对抗神经网络的缺陷检测模型是基于预先构建的缺陷数据集对基于生成对抗神经网络的缺陷检测模型进行训练得到的。
在一个可选的实现中，所述红外温度时间序列是由温度矩阵与对应的时间组成的；
获取待测物体在预设时间段内各时刻的红外温度数据，包括：
利用红外检测装置采集待测物体在预设时间段内各时刻的红外图像；
针对任一时刻的红外图像，基于所述红外图像各个像素点的温度值，构建所述时刻的温度矩阵；
基于构建的各时刻的温度矩阵，得到待测物体在预设时间段内各时刻的红外温度数据；
对所述红外温度时间序列数据进行滤波处理，得到降噪后的红外温度时间序列数据，包括：
对所述红外温度时间序列数据进行双边滤波处理，得到降噪后的红外温度时间序列数据。
在一个可选的实现中，所述温度矩阵包含至少一行元素；
采用主成分分析法对所述降噪后的红外温度时间序列数据进行降维特征提取，得到初始PCA红外图像，包括：
针对任一温度矩阵，若所述温度矩阵中包含多行元素，则将非第一行元素的其他行元素，按照行号从小到大，依次合并至第一行元素后，得到新的温度矩阵；
将得到的各新的温度矩阵，按照各新的温度矩阵对应的时间的先后顺序进行排序，得到排序后的多个新的温度矩阵；
基于排序后的多个新的温度矩阵，构建二维温度矩阵；
对所述二维温度矩阵去中心化，得到去中心后的二维温度矩阵；
采用主成分分析法对所述去中心后的二维温度矩阵进行降维特征提取，得到初始PCA红外图像。
在一个可选的实现中，对所述二维温度矩阵去中心化，得到去中心后的二维温度矩阵，包括：
计算所述二维温度矩阵每一列元素的平均值，得到二维温度矩阵各列的平均值；
针对所述二维温度矩阵的每一个元素，将所述元素的值减去所述元素所在列的平均值，得到所述元素的去中心后的值；
将二维温度矩阵的每一个元素的值替换为相应元素的去中心后的值，得到去中心后的二维温度矩阵。
在一个可选的实现中，采用主成分分析法对所述去中心后的二维温度矩阵进行降维特征提取，得到初始PCA红外图像，包括：
根据预设的多个特征值，对所述去中心后的二维温度矩阵进行分解，得到多个特征值对应的多个特征向量；
针对任一特征向量，将所述特征向量与所述去中心后的二维温度矩阵相乘，得到所述特征向量对应的特征图像；
将得到的多个特征图像进行融合，得到初始PCA红外图像。
在一个可选的实现中，所述方法还包括：
获取标准红外图像；其中，所述标准红外图像是利用主成分分析法对降噪后的标准红外温度时间序列进行特征提取得到的；所述降噪后的标准红外温度时间序列是对标准红外温度时间序列降噪得到的；所述标准红外温度时间序列是利用所述红外检测装置对标准物体进行采集得到的；所述标准物体是与所述待测物体的材质相同且几何尺寸相同的无缺陷样品；
去除所述初始PCA红外图像的背景，得到去背景后的红外图像，包括：
将所述初始PCA红外图像减去所述标准红外图像，得到去背景后的红外图像。
在一个可选的实现中，所述基于生成对抗神经网络的缺陷检测模型；
生成器，用于对所述去背景后的红外图像进行增强，得到待测物体的缺陷图像；
判别器，包括：3个卷积块、2个残差块和2个全连接层；用于基于所述待测物体的缺陷图像，生成所述待测物体的缺陷检测结果；
所述生成器，包括：编码器和解码器；
其中，所述编码器包含全局特征注意力模块和多尺度空洞卷积模块；所述编码器用于提取去背景后的红外图像中的目标特征；
所述解码器包含多尺度空洞卷积模块；所述解码器用于对目标特征进行还原，得到待测物体的缺陷图像；
任一多尺度空洞卷积模块均由一个空洞卷积层和一个映射层组成。
第二方面，提供了一种基于红外图像的缺陷检测装置，该装置可以包括：
采集单元，用于获取待测物体在预设时间段内各时刻的红外温度数据，得到红外温度时间序列；
处理单元，用于对所述红外温度时间序列数据进行滤波处理，得到降噪后的红外温度时间序列数据；
提取单元，用于采用主成分分析法对所述降噪后的红外温度时间序列数据进行降维特征提取，得到初始PCA红外图像；
去除单元，用于去除所述初始PCA红外图像的背景，得到去背景后的红外图像；
检测单元，用于将所述去背景后的红外图像输入预先训练好的基于生成对抗神经网络的缺陷检测模型中，得到所述待测物体的缺陷检测结果；其中，所述基于生成对抗神经网络的缺陷检测模型是基于预先构建的缺陷数据集对基于生成对抗神经网络的缺陷检测模型进行训练得到的。
第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
本申请实现了对蜂窝夹芯复合材料或其他材料制备得到的物体的表面缺陷和近表面缺陷的精确检测，并提高了检测的效率以及准确率。本申请通过在红外检测装置中设置阵列热源，使被检测工件受热更加均匀，降低红外采集误差；使用生成对抗神经网络构建缺陷检测模型，自动学习复杂的红外图像特征，对红外图像中的缺陷进行精准识别；同时采用基于全局特征注意力模块的生成器显著提升红外图像的分辨率和清晰度，进而提高了缺陷识别的精准度。
本申请通过将三维矩阵转换为二维矩阵，再进行特征提取，能够有效的提高计算效率；通过选取多个主成分得到多个特征图像，再进行特征图像的融合，能够得到包含更多特征细节且包含特征更全面的红外图像；将所有红外图像去除背景，能够有效的去处噪声与干扰，得到高质量的红外图像；基于高质量的红外图像进行缺陷检测，能够有效的提高缺陷检测的精度、准确度与可靠度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于红外图像的缺陷检测方法流程图；
图2为本申请实施例提供的一种红外采集装置结构示意图；
图3为本申请实施例提供的一种基于生成对抗神经网络的缺陷检测模型训练与测试过程示意图；
图4为本申请实施例提供的一种基于红外图像的缺陷检测装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，并不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供的基于红外图像的缺陷检测方法，可以应用在服务器中，也可以应用在具有较强计算能力的终端中。该服务器可以是物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（ContentDelivery Network，CDN），以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理（PDA）、平板电脑（PAD）等用户设备（User Equipment，UE）、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台（Mobile Station，MS）、移动终端（MobileTerminal）等。终端与服务器可以通过有线或无线的通信方式进行直接或间接的连接，本申请在此不做限定。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图1为本申请实施例提供的一种基于红外图像的缺陷检测方法的流程示意图。如图1所示，该方法可以包括：
步骤S110、获取待测物体在预设时间段内各时刻的红外温度数据，得到红外温度时间序列；对红外温度时间序列数据进行滤波处理，得到降噪后的红外温度时间序列数据。
在本申请实施例中，被测物体可为由蜂窝夹芯复合材料制备得到的物体。
在本申请实施例中，红外温度时间序列是基于红外检测装置对预设时间段内对待测物体进行持续采集得到的；具体的，红外温度时间序列是由温度矩阵与对应的时间组成的三维序列。
在本申请的实施例中，预设时间段为待测物体从开始加热至冷却结束的时间段；采集频率可为3秒，即每隔3秒对待测物体采集一次，得到红外温度时间序列。
在本申请实施例中，红外温度时间序列是通过对红外检测装置在各时刻采集的红外图像进行处理得到的；一个温度矩阵对应一帧热图像；温度矩阵中每一元素即为热图像各个像素点的温度值。
在本申请实施例中，获取待测物体在预设时间段内各时刻的红外温度数据，得到红外温度时间序列，包括：
利用红外检测装置采集待测物体在预设时间段内（包含升温过程与降温过程）各时刻的红外图像；针对任一时刻的红外图像，基于红外图像各个像素点的温度值，构建时刻的温度矩阵；基于构建的各时刻的温度矩阵，得到待测物体在预设时间段内各时刻的红外温度数据。
在本申请实施例中，红外检测装置具体为红外热成像检测装置；红外热成像检测装置设置有相控阵脉冲激光发射单元以及红外相机；工作时，使用相控阵脉冲激光器对被测物体进行加热，相控阵脉冲激光器均匀分布于检测件一侧，通过发射高能量的脉冲激光，使被测蜂窝夹芯板件表面瞬间吸收能量，产生热波扩散，形成温度梯度。在对待测物体采集温度时间序列之前，使用红外相机采集标准物体（与被测物体材质相同且几何尺寸相同的无缺陷样品）的表面温度，确定待测物体的表面温度，然后对每个脉冲激光发射单元进行针对性功率调整，实现待测物体表面温度均匀一致。
在实际应用中，由于不同的内部结构，导致表面场分布不均匀，缺陷信息可以通过峰值温度、峰值时间和单个时刻温度信息来检测，使得缺陷在红外热成像中同样能够被清晰地观测到。因此，本申请通过采集不同区域的温度变化速度来识别材料中的缺陷。为了利用这种差异来识别缺陷，使用红外热图像数据集，并将每个像素点的像素值序列在时间域上展开为温度-时间曲线。
在本申请实施例中，红外检测装置采用透射式主动红外热成像无损检测技术；如图2所示，红外检测装置包括：红外热像机、矩阵热激励源、信号采集器；红外检测装置的工作流程包括：利用加热源对被测物体进行加热，再利用热成像仪记录被测物体表面的温度场变化，从而对被测试的缺陷进行表征。
在本申请实施例中，为了令被测物体受热均匀，使用阵列热源能够发出均匀热源，从而提高红外相机采集精度。
在本申请实施例中，还需获取标准红外图像；标准红外图像是通过如下步骤获取得到的：预先利用红外检测装置对标准物体进行采集得到标准红外温度时间序列；再对标准红外温度时间序列进行降噪得到降噪后的标准红外温度时间序列；再利用主成分分析法对降噪后的标准红外温度时间序列进行降维特征提取处理得到标准红外图像；具体的，标准物体是与待测物体的材质相同且几何尺寸相同的无缺陷样品。
在本申请实施例中，对红外温度时间序列数据进行滤波处理，得到降噪后的红外温度时间序列数据，包括：
对红外温度时间序列数据进行双边滤波处理，得到降噪后的红外温度时间序列数据。
步骤S120、采用主成分分析法对降噪后的红外温度时间序列数据进行降维特征提取，得到初始PCA红外图像；去除初始PCA红外图像的背景，得到去背景后的红外图像。
在本申请实施例中，采用主成分分析法对降噪后的红外温度时间序列数据进行降维特征提取，得到初始PCA红外图像，包括：
针对任一温度矩阵，若温度矩阵中包含多行元素，则将非第一行元素的其他行元素，按照行号从小到大，依次合并至第一行元素后，得到新的温度矩阵；将得到的各新的温度矩阵，按照各新的温度矩阵对应的时间的先后顺序进行排序，得到排序后的多个新的温度矩阵；基于排序后的多个新的温度矩阵，构建二维温度矩阵；对二维温度矩阵去中心化，得到去中心后的二维温度矩阵；采用主成分分析法对去中心后的二维温度矩阵进行降维特征提取，得到初始PCA红外图像。
在本申请实施例中，对二维温度矩阵去中心化，得到去中心后的二维温度矩阵，包括：
计算二维温度矩阵每一列元素的平均值，得到二维温度矩阵各列的平均值；针对二维温度矩阵的每一个元素，将元素的值减去元素所在列的平均值，得到元素的去中心后的值；将二维温度矩阵的每一个元素的值替换为相应元素的去中心后的值，得到去中心后的二维温度矩阵。
在本申请实施例中，采用主成分分析法对去中心后的二维温度矩阵进行降维特征提取，得到初始PCA红外图像，包括：
根据预设的多个特征值，对去中心后的二维温度矩阵进行分解，得到多个特征值对应的多个特征向量；针对任一特征向量，将特征向量与去中心后的二维温度矩阵相乘，得到特征向量对应的特征图像；将得到的多个特征图像进行融合，得到初始PCA红外图像。
在本申请实施例中，温度矩阵是基于相应热图像各个像素点的温度值构建得到的，因此温度矩阵包含至少一行元素，而温度矩阵的大小即为以像素表示的热图像的大小；因此三维的红外温度时间序列可以表示为T×A×B，其中，T表示热图像帧数，A和B分别表示每一帧温度矩阵的长和宽。由于三维矩阵在特征提取以及处理上需要大量的资源，耗时久且提取效果不佳，因此，为提高计算效率，本申请将三维的温度时间序列转换为二维的温度矩阵进行特征提取。
举例说明，假设共计有2帧热图像，每帧热图像共计包含上下左右4个像素点，第一帧热图像每个像素点的温度值分别为1,2,3,4，第二帧热图像每个像素点的温度值分别为5,6,7,8；则得到的两个温度矩阵分别与；首先，将每个温度矩阵第二行的数据合并至第一行后，得到两帧热图像的新的温度矩阵[1,3,2,4]与[5,7,6,8]；其次，将两个新的温度矩阵进行排序，得到二维温度矩阵；计算该二维温度矩阵每一列的平均值分别为3,5,4,6；将每一个元素减去其所在列的平均值，即，得到去中心后的二维温度矩阵为[。去中心后的二维温度矩阵中，每一列的元素值即表征同一位置点在不同帧的热图像中的温度变化情况。通过对温度矩阵去中心后，可以提高缺陷与无缺陷之间的对比度，从而提高缺陷检测的精准度。
在本申请实施例中，对去中心后的二维温度矩阵中进行特征值分解，将矩阵分解为多个特征特征向量与特征值的组合；基于各个特征向量的特征值的大小，即可确定每个特征向量对应的权重或重要性；将特征向量与去中心后的二维温度矩阵相乘，得到对应的特征向量矩阵，将特征向量矩阵进行转换，得到该特征向量对应的特征图像；再基于每个特征向量对应的权重或重要性或预设比例，将多个特征图像进行融合，得到初始PCA红外图像。
在本申请实施例中，主成分可以为多种，而根据不同的主成分进行主成分分析得到的特征图像是不同的；而单一的主成分只能反映某一个特征，并不全面；因此，本申请通过多个不同特征值确定多个不同的特征向量，进而得到多个不同的特征图像，再将其融合，从而得到包含更多特征、更全面的初始PCA红外图像，有助于提高检测的精度与准确度。而选择主成分的过程即选择特征值的过程，将所有分解得到的特征值按照大小排序，选取前n个特征值对应的特征向量，从而得到相应的n幅特征图像；n为正整数。
在本申请的一个实施例中，可设置n为3。
在本申请的另一个实施例中，也可直接通过预设3个特定大小的特征值，从而得到相应的温度趋势特征图像、周期波动信息特征图像和局部的或细微的温度变化模式特征图像；并将温度趋势特征图像、周期波动信息特征图像和局部的或细微的温度变化模式特征图像融合得到初始PCA红外图像。
在本申请实施例中，温度趋势特征图像、周期波动信息特征图像和局部的或细微的温度变化模式特征图像融合或其他特征图像，可通过预设各特征图像的权重比例（例如分别设为5,3,2）进行融合；也可将特征值的大小作为权重比例进行融合；也可对特征值进行一定处理后的大小作为权重比例进行融合。
在本申请实施例中，去除初始PCA红外图像的背景，得到去背景后的红外图像，包括：将初始PCA红外图像减去标准红外图像，得到去背景后的红外图像。
步骤S130、将去背景后的红外图像输入预先训练好的基于生成对抗神经网络的缺陷检测模型中，得到待测物体的缺陷检测结果。
在本申请实施例中，基于生成对抗神经网络的缺陷检测模型是基于预先构建的缺陷数据集对基于生成对抗神经网络的缺陷检测模型进行训练得到的。
在本申请实施例中，基于生成对抗神经网络的缺陷检测模型，包括：
生成器，用于利用基于多尺度注意力模块的全卷积神经网络对去除背景后的红外图像进行增强，得到待测物体的缺陷图像；
判别器，用于基于待测物体的缺陷图像，生成待测物体的缺陷检测结果。
在本申请实施例中，生成器，包括编码器和解码器；编码器用于提取去背景后的红外图像中的目标特征,而解码器用于对编码后的目标特征进行还原以匹配增强图像。
在本申请实施例中，编码器包含全局特征注意力模块和多尺度空洞卷积模块；多尺度空洞卷积模块均由一个空洞卷积层和一个映射层；其中，全局特征注意力模块通过整合特征图像中的全局信息更好地捕获像素之间的长距离依赖关系,从而缓解红外图像中缺陷特征不连续的问题；多尺度空洞卷积模块利用不同膨胀率的空洞卷积学习不同形状缺陷的特征信息,以提高模型对于缺陷边缘识别的准确率；空洞卷积层通过级联三种不同尺寸的空洞卷积获 取多尺度的局部特征信息,映射层通过 1×1 卷积、批归一化处理和Sigmoid 函数生成空间权重图,突出关键区域和局部细节。
在本申请实施例中，解码器也包含多尺度空洞卷积模块；任一多尺度空洞卷积模块均由一个空洞卷积层和一个映射层组成；空洞卷积层通过级联三种不同尺寸的空洞卷积获 取多尺度的局部特征信息,映射层通过 1×1 卷积、批归一化处理和 Sigmoid 函数生成空间权重图,突出关键区域和局部细节。
在本申请的一个实施例中，全局注意力模块实在编码器的最后一层中，在残差连接中引入了多尺度空洞卷积模块。
在本申请实施例中，本申请通过给编码器增加全局特征注意力模块，并将编码器和解码器的所有卷积层替换为多尺度空洞卷积模块，从而改进了生成器；因此，本申请并不限定对编码器与解码器的卷积层数，编码器可仅具备一个全局特征注意力模块和一个多尺度空洞卷积模块，也可具备多个卷积层与多个全连接层。
在本申请的另一个实施例中，生成器中设置有残差通道注意力模块，残差通道注意力模块整合残差密集块（RCB）和通道注意力机制（CA）优化特征学习；RCB模块负责深层特征的学习与保留，而CA通过调整各通道的权重，专注于关键特征的提取，增强红外图像细节的还原能力；每个残差块中的残差通道注意力块可以自适应地学习图像特征之间的依赖关系。通道注意力机制首先全局平均池化，输出压缩通道，在通过两层卷积特征提取后使用sigmoid门控机制，将输出限制到[0，1]的范围内，最后将获得的结果与原特征相乘，从而给每一个通道赋予不同的权重。
残差通道注意力机制相较于超分辨率生成对抗网络的传统组成部分，提供更强大的特征提取与图像重构能力，特别是在处理红外图像的纹理和细节缺陷方面显示出显著优势。此外，残差通道注意力模块可有效缓解由网络深度增加导致的梯度问题，显著提升红外图像的分辨率和清晰度。
在本申请实施例中，判别器负责区分生成图像与真实图像之间的细微差别，促进图像质量的提升；具体的，判别器采用残差U-net网络，包括：3个卷积块、2个残差块和2个全连接层；每个卷积块由卷积核大小为3 × 3的二维卷积层、步长为2 × 2的最大池化层以及ReLU函数组成；用于基于待测物体的缺陷图像，生成待测物体的缺陷检测结果。
在本申请实施例中，初始PCA红外图像是生成对抗网络生成器的输入，所对应的真实缺陷图与增强后的PCA红外图像是判别器的输入。
如图3所示，在本申请实施例中，利用预先生成的对抗性数据集对基于生成对抗神经网络的缺陷检测模型进行训练；通过训练使每个去背景红外缺陷图像的像素点与真实缺陷图像实现非线性映射关系；再利用新测试的温度时间序列数据生成的红外图像对训练的基于生成对抗神经网络的缺陷检测模型进行测试。
具体的，对抗性数据集的生成包括：
首先，通过制作包含人工预制裂纹、孔洞等缺陷的标准试样并进行实验采集，得到生成对抗神经网络模型温度时间序列训练集；采集样本可为1000组；
其次，利用主成分分析法对温度时间序列训练集进行处理，得到处理后的对抗性温度序列集；
最后，将处理后的对抗性温度序列集按像素点在时间轴上展开得到温度时间序列，将缺陷图像按行拆分为一维序列，得到对抗性数据集。
与上述方法对应的，本申请实施例还提供一种基于红外图像的缺陷检测装置，如图4所示，该基于红外图像的缺陷检测装置包括：
采集单元410，用于获取待测物体在预设时间段内各时刻的红外温度数据，得到红外温度时间序列；
处理单元420，用于对红外温度时间序列数据进行滤波处理，得到降噪后的红外温度时间序列数据；
提取单元430，用于采用主成分分析法对降噪后的红外温度时间序列数据进行降维特征提取，得到初始PCA红外图像；
去除单元440，用于去除初始PCA红外图像的背景，得到去背景后的红外图像；
检测单元450，用于将去背景后的红外图像输入预先训练好的基于生成对抗神经网络的缺陷检测模型中，得到待测物体的缺陷检测结果；其中，基于生成对抗神经网络的缺陷检测模型是基于预先构建的缺陷数据集对基于生成对抗神经网络的缺陷检测模型进行训练得到的。
本申请上述实施例提供的基于红外图像的缺陷检测装置的各功能单元的功能，可以通过上述各方法步骤来实现，因此，本申请实施例提供的基于红外图像的缺陷检测装置中的各个单元的具体工作过程和有益效果，在此不复赘述。
本申请实施例还提供了一种电子设备，如图5所示，包括处理器510、通信接口520、存储器530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。
存储器530，用于存放计算机程序；
处理器510，用于执行存储器530上所存放的程序时，实现如下步骤：
获取待测物体在预设时间段内各时刻的红外温度数据，得到红外温度时间序列；
对红外温度时间序列数据进行双边滤波处理，得到降噪后的红外温度时间序列数据；
采用主成分分析法对降噪后的红外温度时间序列数据进行降维特征提取，得到初始PCA红外图像；
去除初始PCA红外图像的背景，得到去背景后的红外图像；
将去背景后的红外图像输入预先训练好的基于生成对抗神经网络的缺陷检测模型中，得到待测物体的缺陷检测结果；其中，基于生成对抗神经网络的缺陷检测模型是基于预先构建的缺陷数据集对基于生成对抗神经网络的缺陷检测模型进行训练得到的。
上述提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图1所示的实施例中的各步骤来实现，因此，本申请实施例提供的电子设备的具体工作过程和有益效果，在此不复赘述。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一的基于红外图像的缺陷检测方法。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一的基于红外图像的缺陷检测方法。
本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。

Claims (8)

1.一种基于红外图像的缺陷检测方法，其特征在于，所述方法包括：
获取待测物体在预设时间段内各时刻的红外温度数据，得到红外温度时间序列；所述预设时间段为所述待测物体从开始被加热至冷却结束涉及的升温过程的时间段与降温过程的时间段；
对所述红外温度时间序列数据进行滤波处理，得到降噪后的红外温度时间序列数据；
采用主成分分析法对所述降噪后的红外温度时间序列数据进行降维特征提取，得到初始PCA红外图像；
去除所述初始PCA红外图像的背景，得到去背景后的红外图像；
将所述去背景后的红外图像输入预先训练好的基于生成对抗神经网络的缺陷检测模型中，得到所述待测物体的缺陷检测结果；其中，所述基于生成对抗神经网络的缺陷检测模型是基于预先构建的缺陷数据集对基于生成对抗神经网络的缺陷检测模型进行训练得到的；
其中，所述红外温度时间序列是由温度矩阵与对应的时间组成的三维序列；
获取待测物体在预设时间段内各时刻的红外温度数据，包括：
利用红外检测装置采集待测物体在预设时间段内各时刻的红外图像；所述红外检测装置包括：红外热像机、矩阵热激励源和信号采集器；
针对任一时刻的红外图像，基于所述红外图像各个像素点的温度值，构建所述时刻的温度矩阵；
基于构建的各时刻的温度矩阵，得到待测物体在预设时间段内各时刻的红外温度数据；
其中，所述温度矩阵包含至少一行元素；
采用主成分分析法对所述降噪后的红外温度时间序列数据进行降维特征提取，得到初始PCA红外图像，包括：
针对任一温度矩阵，若所述温度矩阵中包含多行元素，则将非第一行元素的其他行元素，按照行号从小到大，依次合并至第一行元素后，得到新的温度矩阵；
将得到的各新的温度矩阵，按照各新的温度矩阵对应的时间的先后顺序进行排序，得到排序后的多个新的温度矩阵；
基于排序后的多个新的温度矩阵，构建二维温度矩阵；
对所述二维温度矩阵去中心化，得到去中心后的二维温度矩阵；
采用主成分分析法对所述去中心后的二维温度矩阵进行降维特征提取，得到初始PCA红外图像；
进一步的，所述基于生成对抗神经网络的缺陷检测模型；
生成器，用于利用基于多尺度注意力模块的全卷积神经网络对所述去背景后的红外图像进行增强，得到待测物体的缺陷图像；所述生成器包括：编码器和解码器；编码器用于提取去背景后的红外图像中的目标特征，解码器用于对编码后的目标特征进行还原以匹配增强图像；其中，编码器包含全局特征注意力模块和多尺度空洞卷积模块；多尺度空洞卷积模块均由一个空洞卷积层和一个映射层；其中，全局特征注意力模块通过整合特征图像中的全局信息更好地捕获像素之间的长距离依赖关系,从而缓解红外图像中缺陷特征不连续的问题；多尺度空洞卷积模块利用不同膨胀率的空洞卷积学习不同形状缺陷的特征信息,以提高模型对于缺陷边缘识别的准确率；空洞卷积层通过级联三种不同尺寸的空洞卷积获取多尺度的局部特征信息,映射层通过1×1卷积、批归一化处理和Sigmoid函数生成空间权重图,突出关键区域和局部细节；解码器也包含多尺度空洞卷积模块；任一多尺度空洞卷积模块均由一个空洞卷积层和一个映射层组成；空洞卷积层通过级联三种不同尺寸的空洞卷积获取多尺度的局部特征信息,映射层通过1×1卷积、批归一化处理和Sigmoid函数生成空间权重图,突出关键区域和局部细节；
判别器，用于基于待测物体的缺陷图像，生成待测物体的缺陷检测结果；所述判别器包括：3个卷积块、2个残差块和2个全连接层；每个卷积块由卷积核大小为3×3的二维卷积层、步长为2×2的最大池化层以及ReLU函数组成。
2.如权利要求1所述的方法，其特征在于，对所述红外温度时间序列数据进行滤波处理，得到降噪后的红外温度时间序列数据，包括：
对所述红外温度时间序列数据进行双边滤波处理，得到降噪后的红外温度时间序列数据。
3.如权利要求1所述的方法，其特征在于，对所述二维温度矩阵去中心化，得到去中心后的二维温度矩阵，包括：
计算所述二维温度矩阵每一列元素的平均值，得到二维温度矩阵各列的平均值；
针对所述二维温度矩阵的每一个元素，将所述元素的值减去所述元素所在列的平均值，得到所述元素的去中心后的值；
将二维温度矩阵的每一个元素的值替换为相应元素的去中心后的值，得到去中心后的二维温度矩阵。
4.如权利要求1所述的方法，其特征在于，采用主成分分析法对所述去中心后的二维温度矩阵进行降维特征提取，得到初始PCA红外图像，包括：
根据预设的多个特征值，对所述去中心后的二维温度矩阵进行分解，得到多个特征值对应的多个特征向量；
针对任一特征向量，将所述特征向量与所述去中心后的二维温度矩阵相乘，得到所述特征向量对应的特征图像；
将得到的多个特征图像进行融合，得到初始PCA红外图像。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取标准红外图像；其中，所述标准红外图像是利用主成分分析法对降噪后的标准红外温度时间序列进行特征提取得到的；所述降噪后的标准红外温度时间序列是对标准红外温度时间序列降噪得到的；所述标准红外温度时间序列是利用所述红外检测装置对标准物体进行采集得到的；所述标准物体是与所述待测物体的材质相同且几何尺寸相同的无缺陷样品；
去除所述初始PCA红外图像的背景，得到去背景后的红外图像，包括：
将所述初始PCA红外图像减去所述标准红外图像，得到去背景后的红外图像。
6.一种基于红外图像的缺陷检测装置，其特征在于，所述装置包括：
采集单元，用于获取待测物体在预设时间段内各时刻的红外温度数据，得到红外温度时间序列；所述预设时间段为所述待测物体从开始被加热至冷却结束涉及的升温过程的时间段与降温过程的时间段；
处理单元，用于对所述红外温度时间序列数据进行滤波处理，得到降噪后的红外温度时间序列数据；
提取单元，用于采用主成分分析法对所述降噪后的红外温度时间序列数据进行降维特征提取，得到初始PCA红外图像；
去除单元，用于去除所述初始PCA红外图像的背景，得到去背景后的红外图像；
检测单元，用于将所述去背景后的红外图像输入预先训练好的基于生成对抗神经网络的缺陷检测模型中，得到所述待测物体的缺陷检测结果；其中，所述基于生成对抗神经网络的缺陷检测模型是基于预先构建的缺陷数据集对基于生成对抗神经网络的缺陷检测模型进行训练得到的；
其中，所述红外温度时间序列是由温度矩阵与对应的时间组成的三维序列；所述采集单元，具体用于：利用红外检测装置采集待测物体在预设时间段内各时刻的红外图像；所述红外检测装置包括：红外热像机、矩阵热激励源和信号采集器；针对任一时刻的红外图像，基于所述红外图像各个像素点的温度值，构建所述时刻的温度矩阵；基于构建的各时刻的温度矩阵，得到待测物体在预设时间段内各时刻的红外温度数据；
其中，所述温度矩阵包含至少一行元素；所述提取单元，具体用于：针对任一温度矩阵，若所述温度矩阵中包含多行元素，则将非第一行元素的其他行元素，按照行号从小到大，依次合并至第一行元素后，得到新的温度矩阵；将得到的各新的温度矩阵，按照各新的温度矩阵对应的时间的先后顺序进行排序，得到排序后的多个新的温度矩阵；基于排序后的多个新的温度矩阵，构建二维温度矩阵；对所述二维温度矩阵去中心化，得到去中心后的二维温度矩阵；采用主成分分析法对所述去中心后的二维温度矩阵进行降维特征提取，得到初始PCA红外图像；
进一步的，所述基于生成对抗神经网络的缺陷检测模型；生成器，用于利用基于多尺度注意力模块的全卷积神经网络对所述去背景后的红外图像进行增强，得到待测物体的缺陷图像；所述生成器包括：编码器和解码器；编码器用于提取去背景后的红外图像中的目标特征，解码器用于对编码后的目标特征进行还原以匹配增强图像；其中，编码器包含全局特征注意力模块和多尺度空洞卷积模块；多尺度空洞卷积模块均由一个空洞卷积层和一个映射层；其中，全局特征注意力模块通过整合特征图像中的全局信息更好地捕获像素之间的长距离依赖关系,从而缓解红外图像中缺陷特征不连续的问题；多尺度空洞卷积模块利用不同膨胀率的空洞卷积学习不同形状缺陷的特征信息,以提高模型对于缺陷边缘识别的准确率；空洞卷积层通过级联三种不同尺寸的空洞卷积获取多尺度的局部特征信息,映射层通过1×1卷积、批归一化处理和Sigmoid函数生成空间权重图,突出关键区域和局部细节；解码器也包含多尺度空洞卷积模块；任一多尺度空洞卷积模块均由一个空洞卷积层和一个映射层组成；空洞卷积层通过级联三种不同尺寸的空洞卷积获取多尺度的局部特征信息,映射层通过1×1卷积、批归一化处理和Sigmoid函数生成空间权重图,突出关键区域和局部细节；
判别器，用于基于待测物体的缺陷图像，生成待测物体的缺陷检测结果；所述判别器包括：3个卷积块、2个残差块和2个全连接层；每个卷积块由卷积核大小为3×3的二维卷积层、步长为2×2的最大池化层以及ReLU函数组成。
7.一种电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存储的程序时，实现权利要求1-5任一所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法。
CN202411288704.3A 2024-09-14 2024-09-14 一种基于红外图像的缺陷检测方法、装置及设备 Active CN118799327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411288704.3A CN118799327B (zh) 2024-09-14 2024-09-14 一种基于红外图像的缺陷检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411288704.3A CN118799327B (zh) 2024-09-14 2024-09-14 一种基于红外图像的缺陷检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN118799327A CN118799327A (zh) 2024-10-18
CN118799327B true CN118799327B (zh) 2025-06-06

Family

ID=93020353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411288704.3A Active CN118799327B (zh) 2024-09-14 2024-09-14 一种基于红外图像的缺陷检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN118799327B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119086646B (zh) * 2024-11-07 2025-01-24 广东东软学院 基于机器视觉的焊缝质量检测方法
CN119399201B (zh) * 2025-01-02 2025-03-14 南京航空航天大学 基于生成对抗网络的电辅助渐进成形盲区温度预测方法及系统
CN120107067A (zh) * 2025-01-10 2025-06-06 东南大学 一种基于生成对抗网络的红外图像超分辨率方法
CN119470564B (zh) * 2025-01-14 2025-07-18 鸿舸半导体设备(上海)有限公司 一种半导体晶圆缺陷的检测方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658115A (zh) * 2021-07-30 2021-11-16 华南理工大学 一种基于深度卷积生成对抗网络的图像异常检测方法
CN114240914A (zh) * 2021-12-22 2022-03-25 浙江工业大学 基于数据扩增的复材红外热成像缺陷检测图像处理方法
CN115482201A (zh) * 2022-08-24 2022-12-16 首都师范大学 基于Bi-LSTM神经网络的双模型缺陷检测方法、训练方法、装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6040578A (en) * 1996-02-02 2000-03-21 Instrumentation Metrics, Inc. Method and apparatus for multi-spectral analysis of organic blood analytes in noninvasive infrared spectroscopy
US12332573B2 (en) * 2019-09-05 2025-06-17 Asml Netherlands B.V. Method for determining defectiveness of pattern based on after development image
CN114913130A (zh) * 2022-04-19 2022-08-16 浙江工业大学 基于数据重构的红外热成像缺陷检测图像处理方法
CN116310523A (zh) * 2023-03-02 2023-06-23 中国人民解放军战略支援部队信息工程大学 基于视觉Transformer的腰椎间盘突出与神经根压迫关系分级方法及系统
CN117636057B (zh) * 2023-12-13 2024-06-11 石家庄铁道大学 基于多分支跨空间注意力模型的列车轴承损伤分类识别方法
CN117994155B (zh) * 2024-01-31 2024-08-16 哈尔滨师范大学 一种基于Retinex理论的双分支低照度图像增强方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658115A (zh) * 2021-07-30 2021-11-16 华南理工大学 一种基于深度卷积生成对抗网络的图像异常检测方法
CN114240914A (zh) * 2021-12-22 2022-03-25 浙江工业大学 基于数据扩增的复材红外热成像缺陷检测图像处理方法
CN115482201A (zh) * 2022-08-24 2022-12-16 首都师范大学 基于Bi-LSTM神经网络的双模型缺陷检测方法、训练方法、装置

Also Published As

Publication number Publication date
CN118799327A (zh) 2024-10-18

Similar Documents

Publication Publication Date Title
CN118799327B (zh) 一种基于红外图像的缺陷检测方法、装置及设备
US11126862B2 (en) Dense crowd counting method and apparatus
CN109598287B (zh) 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法
CN119672031B (zh) 一种基于ppy-yolo的钢材表面缺陷检测方法及系统
EP4232944A1 (en) Method and apparatus for image enhancement
CN112508853A (zh) 一种时空特征提取的红外热图像缺陷检测及量化方法
Li et al. Few-Shot Learning with Generative Adversarial Networks Based on WOA13 Data.
CN111144425A (zh) 检测拍屏图片的方法、装置、电子设备及存储介质
CN113781164A (zh) 虚拟试衣模型训练方法、虚拟试衣方法和相关装置
Sun et al. Using minimum component and CNN for satellite remote sensing image cloud detection
CN111915552B (zh) 一种太阳能电池内部缺陷检测方法
CN117474898A (zh) 罐头异物检测方法及装置
CN110807428B (zh) 煤类样品的识别方法、装置、服务器及存储介质
CN115205686B (zh) 一种sar图像飞机检测方法及装置
CN112288714A (zh) 基于深度学习的硬件木马检测方法
CN114964628B (zh) 一种氨气泄漏混洗自注意力轻量化红外检测方法及系统
Zhang et al. Extremely efficient PM2. 5 estimator based on analysis of saliency and statistics
CN118015284B (zh) 基于生成对抗网络的点云分割方法及系统
CN119295942A (zh) 一种湖泊水体提取方法、系统、设备、介质及产品
CN118781093A (zh) 一种混凝土裂缝检测方法及装置
CN118261997A (zh) 模板图像生成模型建立方法、图像生成方法、装置和设备
CN112801908B (zh) 图像去噪方法、装置、计算机设备和存储介质
Srivatsa et al. Application of least square denoising to improve ADMM based hyperspectral image classification
CN120275789B (zh) 基于轻量化网络的红外-紫外双模态局部放电检测方法
Bian et al. Swin transformer UNet for very high resolution image dehazing

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