CN111383209A - 一种基于全卷积自编码器网络的无监督瑕疵检测方法 - Google Patents
一种基于全卷积自编码器网络的无监督瑕疵检测方法 Download PDFInfo
- Publication number
- CN111383209A CN111383209A CN201911330016.8A CN201911330016A CN111383209A CN 111383209 A CN111383209 A CN 111383209A CN 201911330016 A CN201911330016 A CN 201911330016A CN 111383209 A CN111383209 A CN 111383209A
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- encoder
- self
- 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.)
- Granted
Links
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
-
- 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
-
- 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
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于全卷积自编码器网络的无监督瑕疵检测方法。所述方法包括以下步骤：构建用于自编码器模型训练与测试的瑕疵图像数据库，自编码器模型包括编码器和解码器；将图像输入编码器，经过多层的全卷积网络，映射到编码空间；将编码向量输入到解码器，经过的反卷积网络，得到与原图像相近的图像；计算图像的重构误差，进行平滑处理和孤立点消除后，检测出瑕疵区域。与传统方法相比，本发明无需瑕疵样本进行模型训练，准确性更高，同时具有较好的鲁棒性。本发明的检测方案满足实时性的要求，能有效对样本进行瑕疵检出。
Description
技术领域
本发明涉及计算机视觉，深度学习与异常检测领域，特别涉及一种基于全卷积自编码器网络的无监督瑕疵检测方法。
背景技术
如今，随着计算机技术与硬件的高速发展，工业生产自动化已经成为一个发展现代化国家的必然趋势。自动化生产过程中，对产品进行瑕疵检测，保证产品的生产质量，是不可或缺的一个环节。传统的人工检测过程效率十分低下，检测过程的单调性与重复性使得工人容易产生疲劳，劳动强度大，人工检测准确率较低。基于计算机视觉的瑕疵检测系统则有力地能够解决以上问题。
目前瑕疵检测方法有基于像素的统计特征来进行图像灰度对比来进行检测疵点的统计法，其主要利用形态学法(Chetverikov D,Hanbury A.Finding defects intexture using regularity and local orientation[J].Pattern Recognition,2002,35(10):2165-2180.)、共生矩阵法 (董蓉,李勃.基于最优参数非线性GLCM的织物瑕疵检测算法[J].计算机工程与设计)、分形法(Sari-Sarraf H,Goddard J S.Vision system foron-loom fabric inspection[J].IEEE Transactions on Industry Applications,2002,35(6):1252-1259.)等方法提取图像中灰度变化，纹理等特征，从而确定相关阈值，分割开瑕疵区域与正常区域。而频谱法主要利用傅里叶变换法(Chan C H,Pang G K H.Fabricdefect detection by Fourier analysis[J].IEEE Transactions on IndustryApplications,2000,36(5):1267-1276.)、小波变换法(Jasper W J,Garnier S J,Potlapalli H. Texture characterization and defect detection using adaptivewavelets[J].Optical Engineering,1996, 35(11):3140-3149.)、Gabor变换法(Kumar A,Pang G.Fabric defect segmentation using multichannel blob detectors[J].Optical Engineering,2000,39(12):3176-3190.)等方法，将图像信号从空域变换到频域，凸显出瑕疵区域的差异。以上方法缺点在于需要针对瑕疵特性进行特征提取分析，泛化性能较差。而利用机器学习的方法学得数据分布的方法，也需要进行特征提取以获得更好的性能。近年来，随着深度学习理论的发展，深度网络与卷积网络广泛地应用到特征提取，分类，检测等任务中，并且取得了良好的结果(Wang,Tian,Chen,Yang,Qiao, Meina.A fastand robust convolutional neural network-based defect detection model inproduct quality control[J].International Journal of Advanced ManufacturingTechnology.)。但深度学习需要大量的标记样本才能取得较好的效果，标注的成本往往相当昂贵。
本发明提出基于全卷积自编码器网络的无监督瑕疵检测方法，解决检测系统中检测准确率低下，瑕疵样本难以获得的问题。本发明具有良好的检测效果与实时性，具有良好的工业应用前景。
发明内容
本发明的主要目的在于解决瑕疵检测任务中，检测准确率低下的问题，同时对瑕疵样本难以获得的现状，设计出一种仅需要正常样本进行训练模型的方法。
本发明的目的至少通过如下技术方案之一实现。
一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，包括以下步骤：
S1、构建用于自编码器模型训练与测试的瑕疵图像数据库，自编码器模型包括编码器和解码器；
S2、将图像输入编码器，经过多层的全卷积网络，映射到编码空间；
S3、将编码向量输入到解码器，经过的反卷积网络，得到与原图像相近的图像；
S4、计算图像的重构误差，进行平滑处理和孤立点消除后，检测出瑕疵区域。
进一步地，步骤S1包括以下步骤：
S1.1、利用工业摄像机实时获取生产图像，摄像机拍摄的图像为灰度图像；
S1.2、由于正常工作下拍摄产生的图像均为正常无瑕疵样本，获取容易，实时拍摄足够的无瑕疵图像作为训练集；根据瑕疵产生原因，人为制造各类瑕疵图像，并进行拍摄，最终生成对应的瑕疵图像，与正常图像共同构成测试集，用于评价自编码器模型的性能。
进一步地，步骤S1.1中，根据生产实际条件，根据产品生产速度与摄像头拍摄到图像面积，确定工业摄像机拍摄的帧率，以保证能够完整清晰地拍摄下产品全貌。
进一步地，步骤S2具体包括以下步骤：
S2.1、将训练集中的灰度图像除以255使得输入分布在于0-1区间，便于模型处理；采用三个大小为1*1或3*3的小卷积核的卷积层直接连接构成一个卷积模块，在获得同等视野域的情况下，减少计算量与参数量；由于图像像素间有紧密的联系，采用池化层容易丢失图像细节，所以移除了池化层，在卷积模块最后一层采用卷积步长为2，进行对特征图的压缩；
S2.2、通过堆叠四个卷积模块实现对图像的特征提取，由于灰度图像信息维度少于彩色图像，因此，在选择卷积核深度时，无需过大，设计为常规彩色图像模型1/4大小即可取得较好效果，从而减少计算量，同时也避免模型产生过拟合现象；最后将特征图输入至一个卷积核为3*3，步长为2的卷积层，将图像压缩成编码向量，令其包含图像的深度信息，如纹理，结构等；编码器网络层数总共17层，图像经过编码网络处理后压缩形成三维的编码向量。
进一步地，步骤S3中，采用解码器将图像压缩后的编码向量还原成原来的图像，采用反卷积层对特征图进行上采样，在低层的部分，采用3个大小为1*1或3*3的小卷积核的反卷积层进行堆叠，获取纹理细节；随后分别连接两个大小为5*5和7*7的大卷积核的反卷积层，通过更大的视野域，更好地融合特征信息，从而更完整地还原出原始图像；因此，编码向量经过5个反卷积层，得到一张生成图，其分辨率与原图相同。
进一步地，步骤S4包括以下步骤：
S4.1、对原图与生成图进行比较，计算两者每一个像素的平方误差，得到重构误差，计算公式方式如下：
其中ex,y表示图像横纵坐标x、y处的重构误差，px,y表示原图中坐标x、y的像素值大小，
表示生成图中坐标x、y的像素值大小；如果输入图像为正常图，则图像能够很好的被还原，重构误差很小即每个像素点差异不超过10，整个图像的重构误差构成重构误差图；而针对瑕疵区域，经过编码器与解码器构成的自编码器网络后，生成图像会修复瑕疵区域，因而该瑕疵区域的重构误差会很大，从而对瑕疵进行检出；
S4.2、由于瑕疵区域在像素上的连续性，为了减少异常值产生的检测误差，采用一个中值滤波器对重构误差图进行处理，使得重构误差结合了周围区域的信息，提升了检测的鲁棒性；中值滤波器通过一个同等窗口大小的卷积层等效进行实现；
S4.3、将训练集中的正常无瑕疵图像输入模型进行还原，计算出正常图像的重构误差分布。根据实际检测需求对误判率进行设置，设置第一阈值为t1，重构误差大于t1的像素点标记为瑕疵像素；基于噪声的随机性，采用计算重构误差图上连通域区域的方法对孤立的噪点进行去除，此时设置第二阈值为t2，即瑕疵区域联通面积至少t2个像素点才能判断为瑕疵；第一阈值设定了像素差距多大判定为瑕疵像素，体现了瑕疵的偏离程度，第二阈值设定了瑕疵面积多大被判定为瑕疵，体现了瑕疵的范围。
进一步地，步骤S4.2中，所述中值滤波器的窗口大小根据实际需求进行调整。
相比于现有技术，本发明的有益效果在于：
1，本发明无需正负标签数据进行模型训练，仅利用能够轻松获取的正常样本进行模型训练，学到正常样本的模式，从而对瑕疵样本进行检出。
2，本发明不仅能获得图像的有无瑕疵的结果，还能对瑕疵区域进行像素级别的定位，增加了模型检测结果的鲁棒性。
3，本发明采用端到端的系统，输入图像后，经过上述步骤处理后，直接得到瑕疵区域，无需滑动窗口的小图进行检测，大大减少了计算量。
4，本发明中，整个自编码器网络全部由卷积模块构成，能够处理尺度不同的图像输入。
附图说明
图1为本发明实施例中一种基于全卷积自编码器网络的无监督瑕疵检测方法的流程示意图；
图2为本发明实施例中编码器卷积模块的结构图；
图3为本发明实施例中全卷积自编码器网络的结构图；
图4为本发明实施例中检测过程图；
图4a为原始图像；图4b为生成图像；图4c为瑕疵区域图。
具体实施方式
下面结合实施例及附图对本发明的具体实施作进一步详细的描述，但本发明的实施方式不限于此，。
实施例1
本实施例中，一种基于全卷积自编码器网络的无监督瑕疵检测方法，基于涤纶布料瑕疵检测实例实施过程，包括以下步骤：
S1、构建用于自编码器模型训练与测试的瑕疵图像数据库，自编码器模型包括编码器和解码器；包括以下步骤：
S1.1、利用工业摄像机实时获取生产图像；根据生产实际条件，根据产品生产速度与摄像头拍摄到图像面积，确定拍摄的帧率，保证视频流在要求检测速度下能够完整地拍摄下产品全貌，同时图像纹理清晰可见，本实施例中，摄像头分辨率采用640*480的分辨率，记录下8cm*6cm的区域。由于颜色对瑕疵判别影响不大，为了减少模型计算量，拍摄图像选取灰度图。因此，模型输入图像大小为640*480*1。
S1.2、由于正常工作下拍摄产生的图像均为正常无瑕疵样本，获取容易，本实施例中，实时拍摄5000张无瑕疵图像作为训练集；根据瑕疵产生原因，人为造成各类瑕疵图像，并进行拍摄，本实施例中，最终生成563张瑕疵图像，与1000张好图共同构成测试集，用于评价自编码器模型的性能。
S2、将图像输入编码器，经过多层的全卷积网络，映射到编码空间；包括以下步骤：
S2.1、将灰度图像除以255使得输入分布在于0-1区间，便于模型处理；采用三个大小为 3*3的小卷积核的卷积层直接连接构成一个卷积模块，在获得同等视野域的情况下，减少计算量与参数量。由于图像像素间有紧密的联系，采用池化层容易丢失图像细节，所以移除池化层，在卷积模块最后一层采用卷积步长为2，进行对特征图的压缩。编码器卷积模块的结构如图2所示，前两个卷积层采用卷积核大小为3*3，步长为1对特征进行融合分析，而第三层卷积层卷积核大小仍然为3*3，但步长改为2，实现对特征图尺度的压缩。
S2.2、通过堆叠四个卷积模块实现了对图像的特征提取，由于灰度图像信息维度少于彩色图像，因此在选择卷积核深度时，对卷积核深度进行压缩，从而减少计算量，本实施例中，卷积核深度为常规彩色图像模型1/4大小即可取得较好效果，同时也避免模型产生过拟合现象。本实施例中，最后将特征图输入至一个卷积核为3*3，步长为2的卷积层，将图像压缩成编码向量，令编码向量包含图像的纹理信息以及结构信息。编码器网络层数总共17层，本实施例中，编码器网络最后的形成编码向量维度为20*15*128。
S3、将编码向量输入到解码器，经过的反卷积网络，得到与原图像相近的图像；
采用解码器将图像压缩后的编码向量还原成原来的图像，采用反卷积层对特征图进行上采样，在低层的部分，本实施例中，采用3个3*的小卷积核的反卷积层进行堆叠，获取纹理细节。随后分别连接两个大小为5*5和7*7的大卷积核的反卷积层，由于卷积核具有更大的视野域，能够较好的结合信息，从而更好地还原出图像；最终经过5个反卷积层生成图为与原图分辨率相同，本实施例中，所述分辨率为640*480。
以上由编码器与解码器构成的自编码器网络的结构如图3所示，自编码器网络的编码器部分用4个卷积模块与一个卷积层构成，而解码器部分则由5层反卷积层构成。将该自编码器模型在训练集上进行模型训练。最终所得模型在正常样本上，其每个像素点的平均误差0.02，即255级数的灰度图中，像素差约为5。
S4、计算图像的重构误差，进行平滑处理和孤立点消除后，检测出瑕疵区域；包括以下步骤：
S4.1、对原图与生成图进行比较，计算两者每一个像素的平方误差，得到重构误差，计算公式方式如下：
其中ex,y表示图像横纵坐标x、y处的重构误差，px,y表示原图中坐标x、y的像素值大小，
表示生成图中坐标x、y的像素值大小；如果输入图像为正常图，则图像能够很好的被还原，重构误差很小即每个像素点差异不超过10，整个图像的重构误差构成重构误差图；而针对瑕疵区域，经过编码器与解码器构成的自编码器网络后，生成图像会修复瑕疵区域，因而该瑕疵区域的重构误差会很大，从而对瑕疵进行检出；
S4.2、由于瑕疵区域在像素上的连续性，为了减少异常值产生的检测误差，采用一个中值滤波器对重构误差图进行处理，使得重构误差结合了周围区域的信息，提升了检测的鲁棒性；中值滤波器通过一个同等窗口大小的卷积层等效进行实现；
所述中值滤波器的窗口大小根据实际需求进行调整。本实施例中，中值滤波器通过一个卷积核大小为5*5，权值均为1的卷积层等效进行实现。
S4.3、将训练集中的无瑕疵图像输入模型进行还原，计算出无瑕疵图像的重构误差分布。本实施例中，图像共有640*480＝307200个像素点，取十万分之一误判率，设置第一阈值为 1.5，重构误差大于1.5的像素点标记为瑕疵像素，这样每张图平均有3个像素点会被检测为瑕疵点。基于噪声的随机性，采用计算重构误差图上连通域区域的方法对孤立的噪点进行去除，此时设置第二阈值为30，即瑕疵区域联通面积至少30个像素点才能判断为瑕疵。可知，第一阈值设定了像素差距多大判定为瑕疵像素，体现了瑕疵的偏离程度，第二阈值设定了瑕疵面积多大被判定为瑕疵，体现了瑕疵的范围。
如图4a、图4b、图4c所示，图4a为实时拍摄图像，图4b为拍摄图像经过自编码器模型后还原所得图像，自编码器在训练过程中无需瑕疵图像，大大减轻了数据获取的难度。通过对比图4a，图4b直接的像素差异，得到重构误差图后，根据S4.3选取阈值后，瑕疵区域以白色在图4c中以显示。因此本发明不仅能够判断有无瑕疵，还能对瑕疵区域进行有效标出，
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (7)
1.一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，包括以下步骤：
S1、构建用于自编码器模型训练与测试的瑕疵图像数据库，自编码器模型包括编码器和解码器；
S2、将图像输入编码器，经过多层的全卷积网络，映射到编码空间；
S3、将编码向量输入到解码器，经过的反卷积网络，得到与原图像相近的图像；
S4、计算图像的重构误差，进行平滑处理和孤立点消除后，检测出瑕疵区域。
2.根据权利要求1所述的一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，步骤S1包括以下步骤：
S1.1、利用工业摄像机实时获取生产图像，摄像机拍摄的图像为灰度图像；
S1.2、由于正常工作下拍摄产生的图像均为正常无瑕疵样本，获取容易，实时拍摄足够的无瑕疵图像作为训练集；根据瑕疵产生原因，人为制造各类瑕疵图像，并进行拍摄，最终生成对应的瑕疵图像，与正常图像共同构成测试集，用于评价自编码器模型的性能。
3.根据权利要求2所述的一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，步骤S1.1中，根据生产实际条件，根据产品生产速度与摄像头拍摄到图像面积，确定工业摄像机拍摄的帧率，以保证能够完整清晰地拍摄下产品全貌。
4.根据权利要求1所述的一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，步骤S2具体包括以下步骤：
S2.1、将训练集中的灰度图像除以255使得输入分布在于0-1区间，便于模型处理；采用三个大小为1*1或3*3的小卷积核的卷积层直接连接构成一个卷积模块，在获得同等视野域的情况下，减少计算量与参数量；移除池化层，在卷积模块最后一层采用卷积步长为2，进行对特征图的压缩；
S2.2、通过堆叠四个卷积模块实现对图像的特征提取，由于灰度图像信息维度少于彩色图像，因此在选择卷积核深度时，对卷积核深度进行压缩，，从而减少计算量，同时也避免模型产生过拟合现象；最后将特征图输入至一个卷积核为3*3，步长为2的卷积层，将图像压缩成编码向量，令其包含图像的深度信息；编码器网络层数总共17层，图像经过编码网络处理后压缩形成三维的编码向量。
5.根据权利要求1所述的一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，步骤S3中，采用解码器将图像压缩后的编码向量还原成原来的图像，采用反卷积层对特征图进行上采样，在低层的部分，采用3个大小为1*1或3*3的小卷积核的反卷积层进行堆叠，获取纹理细节；随后分别连接两个大小为5*5和7*7的大卷积核的反卷积层，通过更大的视野域，更好地融合特征信息，从而更完整地还原出原始图像；因此，编码向量经过5个反卷积层，得到一张生成图，其分辨率与原图相同。
6.根据权利要求1所述的一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，步骤S4包括以下步骤：
S4.1、对原图与生成图进行比较，计算两者每一个像素的平方误差，得到重构误差，计算公式方式如下：
其中ex,y表示图像横纵坐标x、y处的重构误差，px,y表示原图中坐标x、y的像素值大小，
表示生成图中坐标x、y的像素值大小；如果输入图像为正常图，则图像能够很好的被还原，重构误差很小即每个像素点差异不超过10，整个图像的重构误差构成重构误差图；而针对瑕疵区域，经过编码器与解码器构成的自编码器网络后，生成图像会修复瑕疵区域，因而该瑕疵区域的重构误差会很大，从而对瑕疵进行检出；
S4.2、由于瑕疵区域在像素上的连续性，为了减少异常值产生的检测误差，采用一个中值滤波器对重构误差图进行处理，使得重构误差结合了周围区域的信息，提升了检测的鲁棒性；中值滤波器通过一个同等窗口大小的卷积层等效进行实现；
S4.3、将训练集中的正常无瑕疵图像输入模型进行还原，计算出正常图像的重构误差分布；根据实际检测需求对误判率进行设置，设置第一阈值为t1，重构误差大于t1的像素点标记为瑕疵像素；基于噪声的随机性，采用计算重构误差图上连通域区域的方法对孤立的噪点进行去除，此时设置第二阈值为t2，即瑕疵区域联通面积至少t2个像素点才能判断为瑕疵。
7.根据权利要求1所述的一种基于全卷积自编码器网络的无监督瑕疵检测方法，其特征在于，步骤S4.2中，所述中值滤波器的窗口大小根据实际需求进行调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911330016.8A CN111383209B (zh) | 2019-12-20 | 2019-12-20 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911330016.8A CN111383209B (zh) | 2019-12-20 | 2019-12-20 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111383209A true CN111383209A (zh) | 2020-07-07 |
| CN111383209B CN111383209B (zh) | 2023-07-07 |
Family
ID=71216913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911330016.8A Active CN111383209B (zh) | 2019-12-20 | 2019-12-20 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111383209B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986199A (zh) * | 2020-09-11 | 2020-11-24 | 征图新视(江苏)科技股份有限公司 | 一种基于无监督深度学习的木地板表面瑕疵检测方法 |
| CN112132784A (zh) * | 2020-08-22 | 2020-12-25 | 安徽大学 | 一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法 |
| CN112598636A (zh) * | 2020-12-18 | 2021-04-02 | 武汉大学 | 一种基于全卷积自编码器的高光谱影像异常探测方法 |
| CN112967239A (zh) * | 2021-02-23 | 2021-06-15 | 湖南大学 | 一种坡口缺陷检测方法、计算设备及可读存储介质 |
| CN113129272A (zh) * | 2021-03-30 | 2021-07-16 | 广东省科学院智能制造研究所 | 一种基于去噪卷积自编码器的缺陷检测方法及装置 |
| CN113269777A (zh) * | 2021-06-18 | 2021-08-17 | 常州信息职业技术学院 | 基于低秩矩阵重构和广义卷积的纺织品瑕疵检测方法 |
| CN113781449A (zh) * | 2021-09-14 | 2021-12-10 | 上海布眼人工智能科技有限公司 | 一种基于多尺度特征融合的纺织品瑕疵分类方法 |
| CN113808035A (zh) * | 2021-08-25 | 2021-12-17 | 厦门微图软件科技有限公司 | 一种基于半监督学习的瑕疵检测方法 |
| CN114511516A (zh) * | 2022-01-17 | 2022-05-17 | 利晶微电子技术(江苏)有限公司 | 一种基于无监督学习的MicroLED缺陷检测方法 |
| CN114581510A (zh) * | 2022-02-28 | 2022-06-03 | 扬州宝祥节能科技有限公司 | 基于模式识别的卷帘窗阻力点定位方法及人工智能系统 |
| TWI792134B (zh) * | 2020-12-30 | 2023-02-11 | 鴻海精密工業股份有限公司 | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 |
| TWI804798B (zh) * | 2021-01-18 | 2023-06-11 | 鴻海精密工業股份有限公司 | 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質 |
| CN116896645A (zh) * | 2023-09-11 | 2023-10-17 | 东莞市京品精密模具有限公司 | 基于云计算的锂电池极耳模具生产在线监测系统 |
| CN116939210A (zh) * | 2023-09-13 | 2023-10-24 | 瀚博半导体(上海)有限公司 | 基于自编码器的图像压缩方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619618B (zh) * | 2018-06-04 | 2023-04-07 | 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 |
| CN109064459A (zh) * | 2018-07-27 | 2018-12-21 | 江苏理工学院 | 一种基于深度学习的布匹瑕疵检测方法 |
-
2019
- 2019-12-20 CN CN201911330016.8A patent/CN111383209B/zh active Active
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132784A (zh) * | 2020-08-22 | 2020-12-25 | 安徽大学 | 一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法 |
| CN111986199B (zh) * | 2020-09-11 | 2024-04-16 | 征图新视(江苏)科技股份有限公司 | 一种基于无监督深度学习的木地板表面瑕疵检测方法 |
| CN111986199A (zh) * | 2020-09-11 | 2020-11-24 | 征图新视(江苏)科技股份有限公司 | 一种基于无监督深度学习的木地板表面瑕疵检测方法 |
| CN112598636B (zh) * | 2020-12-18 | 2022-04-29 | 武汉大学 | 一种基于全卷积自编码器的高光谱影像异常探测方法 |
| CN112598636A (zh) * | 2020-12-18 | 2021-04-02 | 武汉大学 | 一种基于全卷积自编码器的高光谱影像异常探测方法 |
| TWI792134B (zh) * | 2020-12-30 | 2023-02-11 | 鴻海精密工業股份有限公司 | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 |
| TWI804798B (zh) * | 2021-01-18 | 2023-06-11 | 鴻海精密工業股份有限公司 | 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質 |
| CN112967239A (zh) * | 2021-02-23 | 2021-06-15 | 湖南大学 | 一种坡口缺陷检测方法、计算设备及可读存储介质 |
| CN113129272A (zh) * | 2021-03-30 | 2021-07-16 | 广东省科学院智能制造研究所 | 一种基于去噪卷积自编码器的缺陷检测方法及装置 |
| CN113269777A (zh) * | 2021-06-18 | 2021-08-17 | 常州信息职业技术学院 | 基于低秩矩阵重构和广义卷积的纺织品瑕疵检测方法 |
| CN113269777B (zh) * | 2021-06-18 | 2023-10-27 | 常州信息职业技术学院 | 基于低秩矩阵重构和广义卷积的纺织品瑕疵检测方法 |
| CN113808035A (zh) * | 2021-08-25 | 2021-12-17 | 厦门微图软件科技有限公司 | 一种基于半监督学习的瑕疵检测方法 |
| CN113808035B (zh) * | 2021-08-25 | 2024-04-26 | 厦门微图软件科技有限公司 | 一种基于半监督学习的瑕疵检测方法 |
| CN113781449A (zh) * | 2021-09-14 | 2021-12-10 | 上海布眼人工智能科技有限公司 | 一种基于多尺度特征融合的纺织品瑕疵分类方法 |
| CN114511516A (zh) * | 2022-01-17 | 2022-05-17 | 利晶微电子技术(江苏)有限公司 | 一种基于无监督学习的MicroLED缺陷检测方法 |
| CN114511516B (zh) * | 2022-01-17 | 2023-04-07 | 利晶微电子技术(江苏)有限公司 | 一种基于无监督学习的MicroLED缺陷检测方法 |
| CN114581510A (zh) * | 2022-02-28 | 2022-06-03 | 扬州宝祥节能科技有限公司 | 基于模式识别的卷帘窗阻力点定位方法及人工智能系统 |
| CN116896645B (zh) * | 2023-09-11 | 2024-01-12 | 东莞市京品精密模具有限公司 | 基于云计算的锂电池极耳模具生产在线监测系统 |
| CN116896645A (zh) * | 2023-09-11 | 2023-10-17 | 东莞市京品精密模具有限公司 | 基于云计算的锂电池极耳模具生产在线监测系统 |
| CN116939210B (zh) * | 2023-09-13 | 2023-11-17 | 瀚博半导体(上海)有限公司 | 基于自编码器的图像压缩方法和装置 |
| CN116939210A (zh) * | 2023-09-13 | 2023-10-24 | 瀚博半导体(上海)有限公司 | 基于自编码器的图像压缩方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111383209B (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
| CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
| CN109870461B (zh) | 一种电子元器件质量检测系统 | |
| CN107578418B (zh) | 一种融合色彩和深度信息的室内场景轮廓检测方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
| CN110796637A (zh) | 图像缺陷检测模型的训练、测试方法、装置及存储介质 | |
| CN113989228A (zh) | 一种基于自注意力的彩色纹理织物缺陷区域的检测方法 | |
| CN111223093A (zh) | 一种aoi缺陷检测方法 | |
| CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
| CN106023185A (zh) | 一种输电设备故障诊断方法 | |
| CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
| CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
| CN114998314B (zh) | 一种基于计算机视觉的pcb电路板缺陷检测方法 | |
| CN113129272A (zh) | 一种基于去噪卷积自编码器的缺陷检测方法及装置 | |
| CN112258470B (zh) | 基于缺陷检测的工业图像临界压缩率智能分析系统及方法 | |
| CN107633272B (zh) | 一种基于小样本下压缩感知的dcnn纹理疵点识别方法 | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN116612106A (zh) | 一种基于yolox算法的光学元件表面缺陷检测方法 | |
| CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
| CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
| CN114428110A (zh) | 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统 | |
| CN117078608B (zh) | 一种基于双掩码引导的高反光皮革表面缺陷检测方法 | |
| CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220318 Address after: 510700 Room 601, building H6, No. 39, Ruihe Road, Huangpu District, Guangzhou, Guangdong Applicant after: Guangzhou Guangda Innovation Technology Co.,Ltd. Address before: 510640 No. five, 381 mountain road, Guangzhou, Guangdong, Tianhe District Applicant before: SOUTH CHINA University OF TECHNOLOGY |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |