CN112037223B - 图像缺陷检测方法、装置及电子设备 - Google Patents

图像缺陷检测方法、装置及电子设备 Download PDF

Info

Publication number
CN112037223B
CN112037223B CN202011228510.6A CN202011228510A CN112037223B CN 112037223 B CN112037223 B CN 112037223B CN 202011228510 A CN202011228510 A CN 202011228510A CN 112037223 B CN112037223 B CN 112037223B
Authority
CN
China
Prior art keywords
image
feature vector
classification model
model
cnn classification
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
CN202011228510.6A
Other languages
English (en)
Other versions
CN112037223A (zh
Inventor
杨俊愉
杜松
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.)
Quarkdata Software Co ltd
Original Assignee
Quarkdata Software 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 Quarkdata Software Co ltd filed Critical Quarkdata Software Co ltd
Priority to CN202011228510.6A priority Critical patent/CN112037223B/zh
Publication of CN112037223A publication Critical patent/CN112037223A/zh
Application granted granted Critical
Publication of CN112037223B publication Critical patent/CN112037223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06T2207/20—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

Landscapes

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

Abstract

本发明实施例公开了一种图像缺陷检测方法、装置及电子设备，涉及数据处理技术领域。该方法包括：将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量；将所述第一特征向量输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像；将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量；基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷。通过本申请的方案，提高了图像缺陷检测的效率。

Description

图像缺陷检测方法、装置及电子设备
技术领域
本发明涉及数据处理技术领域，尤其涉及图像缺陷检测技术。
背景技术
少样本工业缺陷检测面临的问题如下：
1. 缺陷图片数据少，分布极度不均匀；
2. 缺陷尺度变化很多，同一种算法很难同时兼顾大型缺陷和微小缺陷；
3. 同一设备上缺陷图片背景单一，不同设备上，图片背景存在部分差别。
现有的技术中的方案包括直接将缺陷图像增广后，通过CNN系列目标检测网络对缩小的图像进行缺陷检测模型的训练及推理；或者，通过CNN卷积网络提取图像特征，计算图像特征与无缺陷图片特征集的相似度。
现有技术的方案中直接将缺陷图像增广，缺陷形态比较局限，对未出现过的缺陷无法有效检出，方案示例及存在的问题：将出现的A、B、C类缺陷图片做增广变换，训练模型后进行检测，但是对于前期未出现过的D类缺陷，模型基本不能检出；同时对于与训练使用的A、B、C类缺陷形态差异较大的A、B、C类缺陷，模型检出率也不好。
通过CNN网络提取图像特征，计算图像特征相似度的方案存在的问题：将大量无缺陷图片，通过一个CNN卷积网络，提取出所有图片的特征并保存为基础特征向量集；推理时，用CNN网络提取出推理图片的特征向量，再计算该特征向量与基础特征向量集中每一个向量的相似度，计算TOP5的平均相似度作为该图片与ok图片的相似度，相似度低于某一个阈值时，视为缺陷图片该方案如下问题：A、运行时间过长，图像的特征向量相似度计算会耗费大量时间；B、方案适配性低，依赖初始图片数据分布；若无缺陷图片特征分布不充分，以及后续因为工艺等原因造成图片背景变化时，需要重新收集数据集，生成新的特征集。
针对上述问题，亟需一种全新的图像缺陷检测技术。
发明内容
有鉴于此，本发明实施例提供一种图像缺陷检测方法、装置、电子设备、非暂态计算机可读存储介质及计算机程序，至少部分的解决现有技术中存在的问题。
第一方面，本发明实施例提供了一种图像缺陷检测方法，包括：
将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量；
将所述第一特征向量输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像；
将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量；
基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷。
根据本公开实施例的一种具体实现方式，所述将待进行缺陷检测的目标图像输入到预设的CNN分类模型中之前，所述方法还包括：
在获取到的无缺陷图像集合中的图像上随机生成异常区域，以得到异常图像集合；
将所述无缺陷图像集合和所述异常图像集合作为训练样本，对所述CNN分类模型进行模型训练。
根据本公开实施例的一种具体实现方式，所述对所述CNN分类模型进行模型训练，包括：
通过Softmax函数以及交叉熵计算所述CNN分类模型的损失函数，并根据梯度下降算法优化所述CNN分类模型中的参数。
根据本公开实施例的一种具体实现方式，所述根据梯度下降算法优化所述CNN分类模型中的参数之后，所述方法还包括：
利用训练好的CNN分类模型提取图像的特征向量；
将提取到的特征向量输入到GAN模型中，用于训练所述GAN模型；
基于GAN模型中的交叉熵，计算GAN模型中发生器和鉴别器的损失值，并分别按照梯度下降算法优化发生器和鉴别器中的参数值。
根据本公开实施例的一种具体实现方式，所述将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量，包括：
获取所述CNN分类模型中最后三个卷积层生成的特征向量；
基于最后三个卷积层生成的特征向量，确定所述第一特征向量。
根据本公开实施例的一种具体实现方式，所述将所述第一特征向量输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像，包括：
将所述第一特征向量及预设的噪音数据同时输入到所述GAN模型中，以便于基于所述第一特征向量和所述噪音数据生成所述模拟图像。
根据本公开实施例的一种具体实现方式，所述将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量，包括：
使用所述CNN分类模型的最后三层卷积层来提取所述模拟图像的特征向量；
将最后三层卷积层提取到所述模拟图像的特征向量拼接融合一维向量，以作为所述模拟图像的特征向量。
根据本公开实施例的一种具体实现方式，所述基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷，包括：
判断所述第一特征向量和所述第二特征向量之间的余弦相似度是否小于预设阈值；
若是，则认定所述目标图像存在缺陷。
第二方面，本发明实施例还提供了一种图像缺陷检测装置，包括：
获取模块，用于将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量；
生成模块，用于将所述第一特征向量输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像；
计算模块，用于将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量；
确定模块，用于基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式所述的图像缺陷检测方法。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行前述第一方面或第一方面的任一实现方式所述的图像缺陷检测方法。
第五方面，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行前述第一方面或第一方面的任一实现方式所述的图像缺陷检测方法。
本发明实施例提供的图像缺陷检测方法、装置、电子设备、非暂态计算机可读存储介质及计算机程序，包括将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量；将所述第一特征向量输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像；将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量；基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷。通过本公开的方案，先通过随机生成异常区域，制造缺陷异常图片，训练CNN分类网络，并通过此CNN分类模型提取图片特征；通过随机生成异常区域，充分生成各种异常，增加了模型对各种异常形态的泛化性；本发明训练时只需要无缺陷的图片，对缺陷图片数量不进行要求，有效解决了缺陷数据集收集困难的痛点；通过CNN网络模型, 提取出多维度的细化特征向量，对不同形态、大小的缺陷图片，都有一个比较好特征提取效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1为本发明实施例提供的一种图像缺陷检测流程示意图；
图2为本发明实施例提供的另一种图像缺陷检测流程示意图；
图3为本发明实施例提供的另一种图像缺陷检测流程示意图；
图4为本发明实施例提供的网络模型的结构示意图；
图5为本发明实施例提供的一种图像缺陷检测装置结构示意图；
图6为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种图像缺陷检测方法。本实施例提供的图像缺陷检测方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。
本发明涉及工件表面缺陷检测领域，具体涉及一种少样本工业图像的缺陷检测方法。该检测方法包括将某一分辨率图像通过CNN分类网络（分类模型）进行特征提取，再将提取得特征通过GAN进行图像生成，得到生成图像后，再将生成图像送入CNN分类网络，提取生成图像多维特征，将多维特征融合后， 计算生成图像特征与原始图像特征两者之间得余弦相似度，判断图像是否存在缺陷。
相关术语解释
CNN分类模型(Convolutional Neural Networks, CNN)：卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法。
GAN模型 (Generative Adversarial Network)：GAN网络是一种无监督的深度学习网络，此网络内部有两个模块：一个是 Generator（生成器），一个是 Discriminator（判别器）。通过使两个模块在训练中的互相对抗博弈，来优化各自模块参数，模拟图片的最好的生成效果
特征提取网络 (feature extractor)：是指卷积神经网络的特定卷积层，将图像送入神经网络后，计算在指定卷积层上的输出向量
余弦相似度 (Cosain Similarity)：也叫余弦距离，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小度量
参见图1、图2、图3及图4，本公开实施例提供的一种图像缺陷检测方法，包括如下步骤：
S101，将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量。
待进行缺陷检测的目标图像可以是任何需要进行缺陷检测的图片，例如，可以是工业产品图片，CNN分类模型可以是常规的卷积网络模型，或者是在卷积网络模型基础上修改而来的模型。通过CNN分类模型中设置的特征提取层（例如，卷积层），可以提取目标图像的第一特征向量。作为一种方式，可以使用CNN分类模型的最后三个卷积层来提取目标图像的特征，进而得到第一特征向量。
S102，将所述第一特征向量输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像。
GAN（Generative Adversarial Networks，生成式对抗网络）是一种深度学习模型，GAN模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相学习产生的输出。此处的GAN模型可以是常规的模型，也可以是在常规GAN模型修改参数之后得到的修改模型。
通过将第一特征向量输入到GAN模型中之后，便可以基于第一特征向量生成与目标图像对应的模拟图像，该模拟图像用于模拟存在缺陷的图像。为此，可以在GAN网络中输入第一特征向量的同时，一并输入噪音数据，从而使得生成的模拟图像具有噪音数据导致的缺陷。噪音数据可以通过随机生成器的方式模拟产生，也可以通过采集现有缺陷图像的噪音数据生成，在此不做限制。
S103，将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量。
采用与目标图像类似的处理方式，可以将模拟图像输入到CNN分类模型中，通过CNN分类模型中的特征提取层来进一步的提取模拟图像的第二特征向量。
作为一种方式，可以利用CNN分类模型中最后三个卷积层来提取目标图像的特征，进而得到第二特征向量，通过第二特征向量，能够描述模拟图像的特征。
S104，基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷。
第一特征向量和第二特征向量分别用来描述目标图像和存在缺陷的模拟图像之间的图像特征，由此便可以通过计算第一特征向量和第二特征向量之间相似度的方式，判断目标图像是否存在缺陷。例如，可以通过设置阈值（例如，80%），当第一特征向量和第二特征向量之间的相似度大于阈值时，便认定目标图像存在缺陷，当当第一特征向量和第二特征向量之间的相似度小于阈值时，便认定目标图像不在缺陷。
通过这种方式，能够快速的对图像是否存在缺陷进行判断。
根据本公开实施例的一种具体实现方式，所述将待进行缺陷检测的目标图像输入到预设的CNN分类模型中之前，所述方法还包括：
在获取到的无缺陷图像集合中的图像上随机生成异常区域，以得到异常图像集合；
将所述无缺陷图像集合和所述异常图像集合作为训练样本，对所述CNN分类模型进行模型训练。
根据本公开实施例的一种具体实现方式，所述对所述CNN分类模型进行模型训练，包括：
通过Softmax函数以及交叉熵计算所述CNN分类模型的损失函数，并根据梯度下降算法优化所述CNN分类模型中的参数。
根据本公开实施例的一种具体实现方式，所述根据梯度下降算法优化所述CNN分类模型中的参数之后，所述方法还包括：
利用训练好的CNN分类模型提取图像的特征向量；
将提取到的特征向量输入到GAN模型中，用于训练所述GAN模型；
基于GAN模型中的交叉熵，计算GAN模型中发生器和鉴别器的损失值，并分别按照梯度下降算法优化发生器和鉴别器中的参数值。
根据本公开实施例的一种具体实现方式，所述将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量，包括：
获取所述CNN分类模型中最后三个卷积层生成的特征向量；
基于最后三个卷积层生成的特征向量，确定所述第一特征向量。
根据本公开实施例的一种具体实现方式，所述将所述第一特征向量输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像，包括：
将所述第一特征向量及预设的噪音数据同时输入到所述GAN模型中，以便于基于所述第一特征向量和所述噪音数据生成所述模拟图像。
根据本公开实施例的一种具体实现方式，所述将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量，包括：
使用所述CNN分类模型的最后三层卷积层来提取所述模拟图像的特征向量；
将最后三层卷积层提取到所述模拟图像的特征向量拼接融合一维向量，以作为所述模拟图像的特征向量。
根据本公开实施例的一种具体实现方式，所述基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷，包括：
判断所述第一特征向量和所述第二特征向量之间的余弦相似度是否小于预设阈值；
若是，则认定所述目标图像存在缺陷。
与上面的方法实施例相对应，参见图5，本公开还提供了一种图像缺陷检测装置50，包括：
获取模块501，用于将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量；
生成模块502，用于将所述第一特征向量输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像；
计算模块503，用于将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量；
确定模块504，用于基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷。
图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中图像缺陷检测方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的图像缺陷检测方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
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公开的操作的计算机程序代码，上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）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种图像缺陷检测方法，其特征在于，包括：
将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量；
将所述第一特征向量和噪音数据一并输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像，所述模拟图像为模拟生成的存在缺陷的图像；
将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量；
基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷；
所述将待进行缺陷检测的目标图像输入到预设的CNN分类模型中之前，所述方法还包括：
在获取到的无缺陷图像集合中的图像上随机生成异常区域，以得到异常图像集合；
将所述无缺陷图像集合和所述异常图像集合作为训练样本，对所述CNN分类模型进行模型训练；所述对所述CNN分类模型进行模型训练，包括：
通过Softmax函数以及交叉熵计算所述CNN分类模型的损失函数，并根据梯度下降算法优化所述CNN分类模型中的参数；
所述根据梯度下降算法优化所述CNN分类模型中的参数之后，所述方法还包括：
利用训练好的CNN分类模型提取图像的特征向量；
将提取到的特征向量输入到GAN模型中，用于训练所述GAN模型；
基于GAN模型中的交叉熵，计算GAN模型中发生器和鉴别器的损失值，并分别按照梯度下降算法优化发生器和鉴别器中的参数值；
所述将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量，包括：
获取所述CNN分类模型中最后三个卷积层生成的特征向量；
基于最后三个卷积层生成的特征向量，确定所述第一特征向量；
所述将所述第一特征向量输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像，包括：
将所述第一特征向量及预设的噪音数据同时输入到所述GAN模型中，以便于基于所述第一特征向量和所述噪音数据生成所述模拟图像。
2.根据权利要求1所述的图像缺陷检测方法，其特征在于，所述将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量，包括：
使用所述CNN分类模型的最后三层卷积层来提取所述模拟图像的特征向量；
将最后三层卷积层提取到所述模拟图像的特征向量拼接融合一维向量，以作为所述模拟图像的特征向量。
3.根据权利要求1所述的图像缺陷检测方法，其特征在于，所述基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷，包括：
判断所述第一特征向量和所述第二特征向量之间的余弦相似度是否小于预设阈值；
若是，则认定所述目标图像存在缺陷。
4.一种图像缺陷检测装置，其特征在于，包括：
获取模块，用于将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量；
生成模块，用于将所述第一特征向量和噪音数据一并输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像，所述模拟图像为模拟生成的存在缺陷的图像；
计算模块，用于将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量；
确定模块，用于基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷；其中，
所述将待进行缺陷检测的目标图像输入到预设的CNN分类模型中之前，所述装置还用于：
在获取到的无缺陷图像集合中的图像上随机生成异常区域，以得到异常图像集合；
将所述无缺陷图像集合和所述异常图像集合作为训练样本，对所述CNN分类模型进行模型训练；所述对所述CNN分类模型进行模型训练，包括：
通过Softmax函数以及交叉熵计算所述CNN分类模型的损失函数，并根据梯度下降算法优化所述CNN分类模型中的参数；
所述根据梯度下降算法优化所述CNN分类模型中的参数之后，所述装置还用于：
利用训练好的CNN分类模型提取图像的特征向量；
将提取到的特征向量输入到GAN模型中，用于训练所述GAN模型；
基于GAN模型中的交叉熵，计算GAN模型中发生器和鉴别器的损失值，并分别按照梯度下降算法优化发生器和鉴别器中的参数值；
所述将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量，包括：
获取所述CNN分类模型中最后三个卷积层生成的特征向量；
基于最后三个卷积层生成的特征向量，确定所述第一特征向量；
所述将所述第一特征向量输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像，包括：
将所述第一特征向量及预设的噪音数据同时输入到所述GAN模型中，以便于基于所述第一特征向量和所述噪音数据生成所述模拟图像。
5.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-3任一项所述的图像缺陷检测方法。
CN202011228510.6A 2020-11-06 2020-11-06 图像缺陷检测方法、装置及电子设备 Active CN112037223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011228510.6A CN112037223B (zh) 2020-11-06 2020-11-06 图像缺陷检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011228510.6A CN112037223B (zh) 2020-11-06 2020-11-06 图像缺陷检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112037223A CN112037223A (zh) 2020-12-04
CN112037223B true CN112037223B (zh) 2021-03-26

Family

ID=73572788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011228510.6A Active CN112037223B (zh) 2020-11-06 2020-11-06 图像缺陷检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112037223B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113722524A (zh) * 2021-07-16 2021-11-30 上海通办信息服务有限公司 基于少量图像样本对大量图像进行归类的方法及装置
CN113780484B (zh) * 2021-11-12 2022-02-11 常州微亿智造科技有限公司 工业产品缺陷检测方法和装置
CN116593890B (zh) * 2023-05-18 2023-10-20 湖州越球电机有限公司 永磁同步电机转子及其成型检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728238A (zh) * 2019-10-12 2020-01-24 安徽工程大学 一种融合型神经网络的人员再检测方法
CN111127412A (zh) * 2019-12-18 2020-05-08 广东工业大学 一种基于生成对抗网络的病理图像识别装置
CN111429405A (zh) * 2020-03-04 2020-07-17 清华大学深圳国际研究生院 基于3d cnn的锡球缺陷检测方法及装置
GB2580629A (en) * 2019-01-17 2020-07-29 Smiths Heimann Sas Classifier using data generation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2580629A (en) * 2019-01-17 2020-07-29 Smiths Heimann Sas Classifier using data generation
CN110728238A (zh) * 2019-10-12 2020-01-24 安徽工程大学 一种融合型神经网络的人员再检测方法
CN111127412A (zh) * 2019-12-18 2020-05-08 广东工业大学 一种基于生成对抗网络的病理图像识别装置
CN111429405A (zh) * 2020-03-04 2020-07-17 清华大学深圳国际研究生院 基于3d cnn的锡球缺陷检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《应用GAN和Faster R-CNN的色织物缺陷识别》;李明等;《西安工程大学学报》;20181231;第32卷(第6期);正文第663-669页 *

Also Published As

Publication number Publication date
CN112037223A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN112037223B (zh) 图像缺陷检测方法、装置及电子设备
CN110189246B (zh) 图像风格化生成方法、装置及电子设备
CN110189394B (zh) 口型生成方法、装置及电子设备
CN110211121B (zh) 用于推送模型的方法和装置
CN111325096B (zh) 直播流采样方法、装置及电子设备
CN110209658B (zh) 数据清洗方法和装置
CN112232311B (zh) 人脸跟踪方法、装置及电子设备
CN110287816B (zh) 车门动作检测方法、装置和计算机可读存储介质
CN110070076B (zh) 用于选取训练用样本的方法和装置
CN111738316B (zh) 零样本学习的图像分类方法、装置及电子设备
CN111222509A (zh) 目标检测方法、装置及电子设备
CN114898177B (zh) 缺陷图像生成方法、模型训练方法、设备、介质及产品
CN108387757B (zh) 用于检测可移动设备的移动状态的方法和装置
CN110069997B (zh) 场景分类方法、装置及电子设备
CN111191556A (zh) 人脸识别方法、装置及电子设备
CN110826619A (zh) 电子卷宗的文件分类方法、装置及电子设备
CN115731341A (zh) 三维人头重建方法、装置、设备及介质
CN110378936B (zh) 光流计算方法、装置及电子设备
CN110197459B (zh) 图像风格化生成方法、装置及电子设备
CN110555861B (zh) 光流计算方法、装置及电子设备
CN109977925B (zh) 表情确定方法、装置及电子设备
CN111832354A (zh) 目标对象年龄识别方法、装置及电子设备
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN114972113A (zh) 图像处理方法、装置、电子设备及可读存储介质
CN111738311A (zh) 面向多任务的特征提取方法、装置及电子设备

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