CN112581463A - 图像缺陷的检测方法、装置、电子设备、存储介质及产品 - Google Patents

图像缺陷的检测方法、装置、电子设备、存储介质及产品 Download PDF

Info

Publication number
CN112581463A
CN112581463A CN202011563435.9A CN202011563435A CN112581463A CN 112581463 A CN112581463 A CN 112581463A CN 202011563435 A CN202011563435 A CN 202011563435A CN 112581463 A CN112581463 A CN 112581463A
Authority
CN
China
Prior art keywords
image
detected
repair
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.)
Granted
Application number
CN202011563435.9A
Other languages
English (en)
Other versions
CN112581463B (zh
Inventor
肖慧慧
聂磊
邹建法
黄锋
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 CN202011563435.9A priority Critical patent/CN112581463B/zh
Publication of CN112581463A publication Critical patent/CN112581463A/zh
Priority to US17/444,883 priority patent/US20220036533A1/en
Priority to EP21193658.8A priority patent/EP3937128A3/en
Priority to JP2021144390A priority patent/JP7138753B2/ja
Application granted granted Critical
Publication of CN112581463B publication Critical patent/CN112581463B/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
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06T2207/20084—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
    • G06T2207/30164—Workpiece; Machine component

Abstract

本公开公开了一种图像缺陷的检测方法、装置、电子设备、存储介质及产品，涉及图像处理技术领域，尤其涉及缺陷检测技术领域。具体实现方案为：获取待检测图像；根据待检测图像、至少一个掩码图像组以及多张无缺陷的正样本图像，得到与待检测图像对应的修复图像；其中，每个掩码图像组中包括至少两张具有互补关系的二值图像，不同掩码图像组具有不同的图像尺度；根据待检测图像以及各修复图像，对待检测图像进行缺陷定位。本公开的方案，解决了现有的缺陷检测方法，需要人工完成大量操作，并且由于工作人员的主观因素，检测精度低的问题，可以实现对图像中的缺陷进行像素级定位，检测精度较高，并且可以节省大量的人力成本。

Description

图像缺陷的检测方法、装置、电子设备、存储介质及产品
技术领域
本公开涉及图像处理技术领域，尤其涉及但不限于应用在缺陷检测技术领域，具体涉及一种图像缺陷的检测方法、装置、电子设备、存储介质及产品。
背景技术
在传统工业制造业生产场景中，如计算机类、通信类和消费类等电子产品的零部件制造、钢铁生产、汽车制造、电池制造、太阳能板制造等领域中，产品外表的缺陷检测是生产流程中的关键环节。
如何对采集到的产品图像中的缺陷进行检测是业内关注的重点问题。
发明内容
本公开提供了一种图像缺陷的检测方法、装置、电子设备、存储介质及产品。
根据本公开的一方面，提供了一种图像缺陷的检测方法，包括：
获取待检测图像；
根据所述待检测图像、至少一个掩码图像组以及多张无缺陷的正样本图像，得到与待检测图像对应的修复图像；
其中，每个掩码图像组中包括至少两张具有互补关系的二值图像，不同掩码图像组具有不同的图像尺度；
根据所述待检测图像以及各所述修复图像，对所述待检测图像进行缺陷定位。
根据本公开的另一方面，提供了一种图像缺陷的检测装置，包括：
待检测图像获取模块，用于获取待检测图像；
修复图像生成模块，用于根据所述待检测图像、至少一个掩码图像组以及多张无缺陷的正样本图像，得到与待检测图像对应的修复图像；
其中，每个掩码图像组中包括至少两张具有互补关系的二值图像，不同掩码图像组具有不同的图像尺度；
缺陷定位模块，用于根据所述待检测图像以及各所述修复图像，对所述待检测图像进行缺陷定位。
根据本公开的另一方面，提供了一种电子设备，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本公开中任一实施例所述的图像缺陷的检测方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一实施例所述的图像缺陷的检测方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开中任一实施例所述的图像缺陷的检测方法。
本公开的方案，可以提升对图像中的缺陷区域的定位精度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的一种图像缺陷的检测方法的示意图；
图2是根据本公开实施例的另一种图像缺陷的检测方法的示意图；
图3是根据本公开实施例的再一种图像缺陷的检测方法的示意图；
图4是根据本公开实施例的又一种图像缺陷的检测方法的示意图；
图5是根据本公开实施例的一种图像缺陷检测方法的流程图；
图6是根据本公开实施例的一种图像补全模型的网络结构示意图；
图7是根据本公开实施例的一种对待检测图像进行缺陷定位的架构图；
图8是根据本公开实施例的一种图像缺陷的检测装置的结构示意图；
图9是用来实现本公开实施例的图像缺陷的检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开实施例的一种图像缺陷的检测方法的示意图，本实施例可适用于对待检测图像中的缺陷进行检测并定位的情况，该方法可以通过图像缺陷的检测装置执行，该装置可以通过软件和/或硬件的方式实现，并集成在电子设备中；本实施例中涉及到的电子设备可以为服务器、计算机、智能手机或者平板电脑等。具体的，参考图1，该方法具体包括如下：
S110、获取待检测图像。
其中，待检测图像可以为在工业制造业生产场景中采集到的任一产品的图像，例如，白车身图像、洗衣机外观图像、齿轮的外表面图像或者电子产品的包装图像等，本实施例中对其不加以限定。
需要说明的是，本实施例中涉及到的待检测图像中可以包括缺陷，也可以不包括缺陷，本实施例中对其不加以限定。其中，待检测图像中包括的缺陷可以为：划痕、脏污或者油漆涂抹不均匀等，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，可以通过图像采集设备实时采集待检测图像，也可以在图像数据库中获取待检测图像，本实施例中对其不加以限定。
示例性的，在本实施例中可以通过摄像头实时采集汽车的白车身图像，并对实时采集到的白车身图像进行后续缺陷检测，以确定采集到的白车身中是否包含缺陷；进一步的，如果采集到的白车身图像中包含缺陷，还可以在图像中对缺陷区域进行定位。
S120、根据待检测图像、至少一个掩码图像组以及多张无缺陷的正样本图像，得到与待检测图像对应的修复图像。
其中，每个掩码图像组中包括至少两张具有互补关系的二值图像，不同掩码图像组具有不同的图像尺度。
示例性的，在本实施例中的一个掩码图像组中可以包括四张具有互补关系的二值图像；需要说明的是，在本实施例中，四张具有互补关系的二值图像对应像素相加得到的图像的所有像素的灰度值可以为255、也可以为128或者96等数值，本实施例中对其不加以限定。需要说明的是，本实施例中多张具有互补关系的二值图像对应像素相加得到的图像的所有像素的灰度值与二值图像中的其中一个灰度值相同；示例性的，若二值图像中的灰度值分别为0和255，那么多张具有互补关系的二值图像对应像素相加得到的图像的所有像素的灰度值可以为255。
还需要说明的是，在本实施例中不同掩码图像组具有不同的图像尺度，即不同的掩码图像组中的二值图像所包含的掩码块的大小不同，其中，掩码块为二值图像中由一个或者多个灰度值为255的像素组成；示例性的，第一掩码图像组中每个掩码块由4*4＝16个灰度值为255的像素组成，第二掩码图像组中每个掩码块由3*3＝9个灰度值为255的像素组成，第三掩码图像组中每个掩码块由2*2＝4个灰度值为255的像素组成。
其中，掩码图像组的数量可以为3个、4个或者10个等，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，在获取到待检测图像之后，可以进一步的根据待检测图像、至少一个掩码图像组以及多张无缺陷的正样本图像，得到与待检测图像对应的修复图像；其中，正样本图像即为与获取到的待检测图像相关的，且不包含缺陷的图像；示例性的，若待检测图像为包含划痕缺陷的白车身图像(也可以为不包含缺陷的白车身图像)，则正样本图像即为不包含缺陷的良品白车身图像。
在本实施例的一个可选实现方式中，可以对多张无缺陷的正样本进行无监督训练，训练得到图像补全模型；进一步的，可以依次将待检测图像与掩码图像组中的二值图像输入至图像补全模型中，从而得到与待检测图像对应的修复图像。
示例性的，在本实施例中可以对100张无缺陷的正样本图像进行无监督训练，从而得到与待检测图像相关的图像补全模型，进一步的，可以依次将待检测图像与掩码图像组中的各二值图像依次输入至图像补全模型中，从而得到与待检测图像对应的修复图像。
需要说明的是，在本实施例中与待检测图像对应的修复图像为与待检测图像对应的不包含缺陷的良品图像；示例性的，若待检测图像为包含划痕的洗衣机外观图像，则与待检测图像对应的修复图像为不包含划痕的洗衣机外观图像；若待检测图像为不包含划痕的洗衣机外观图像，则与待检测图像对应的修复图像与待检测图像相同。
S130、根据待检测图像以及各修复图像，对待检测图像进行缺陷定位。
在本实施例的一个可选实现方式中，在得到与待检测图像对应的修复图像之后，可以进一步的根据待检测图像以及与待检测图像对应的修复图像，对待检测图像进行缺陷定位，从而获取到待检测图像中的缺陷位置信息。
在本实施例的一个可选实现方式中，在得到与待检测图像对应的修复图像之后，可以进一步的计算待检测缺陷图像与修复图像之间的差值，并根据计算结果对待检测图像中的缺陷进行定位。
示例性的，若待检测图像为图像A，与图像A对应的修复图像为图像B，将图像A减去图像B得到图像C，其中，图像C中仅包含图像A中所包含的缺陷(例如，划痕缺陷)，进一步的，对图像C进行二值化分割(例如，可以先对图像C进行二值化，并对二值化后的图像C进行分割)，即可定位到图像C中包含的缺陷，即实现了对图像A中的缺陷进行定位。可以理解的是，如果图像A中不包含缺陷，那么图像C即为一个全黑的图像(各像素的灰度值均为0)。
本实施例的方案，通过获取待检测图像；根据待检测图像、至少一个掩码图像组以及多张无缺陷的正样本图像，得到与待检测图像对应的修复图像；其中，每个掩码图像组中包括至少两张具有互补关系的二值图像，不同掩码图像组具有不同的图像尺度；根据待检测图像以及修复图像，对待检测图像进行缺陷定位，解决了现有的缺陷检测方法，需要人工完成大量操作，并且由于工作人员的主观因素，检测精度低的问题，可以实现对图像中的缺陷进行像素级定位，检测精度较高，并且可以节省大量的人力成本。
图2是根据本公开实施例的另一种图像缺陷的检测方法的示意图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施例中的各个可选方案结合。如图2所示，图像缺陷的检测方法包括如下：
S210、获取待检测图像。
S220、获取当前处理的目标掩码图像组，并将待检测图像与目标掩码图像组中的各二值图像分别组合得到多个修复数据对。
其中，目标掩码图像组为至少一个掩码图像组中的任意一个掩码图像组，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，可以获取当前处理的目标掩码图像组，并将待检测图像与目标掩码图像中的每个二值图像分别进行组合，从而得到多个修复数据对。
示例性的，若目标掩码图像组中包含4张具有互补关系的二值图像，例如，具有互补关系的二值图像A、二值图像B、二值图像C以及二值图像D，则可以将待检测图像与二值图像A进行组合，得到第一修复数据对；将待检测图像与二值图像B进行组合，得到第二修复数据对；将待检测图像与二值图像C进行组合，得到第三修复数据对；以及将待检测图像与二值图像D进行组合，得到第四修复数据对。
S230、分别将每个修复数据对输入至预先训练的图像补全模型中，形成与目标掩码图像组对应的多张修复图。
其中，图像补全模型通过多张正样本图像训练得到。
在本实施例的一个可选实现方式中，可以对多张正样本图像进行无监督训练，进而得到图像补全模型。
在本实施例的一个可选实现方式中，在将待检测图像与目标掩码图像组中的各二值图像分别组合得到多个修复数据对之后，可以进一步的将组合得到的多个数据对分别输入至预先训练的图像补全模型中，从而生成与目标掩码图像对应的多张修复图。
示例性的，在上述例子中，在得到第一修复数据对、第二修复数据对、第三修复数据对以及第四修复数据对之后，可以分别将四个修复数据对输入至预先根据多张正样本图像训练得到的图像补全模型中，进而生成与第一修复数据对对应的第一修复图、与第二修复数据对对应的第二修复图、与第三修复数据对对应的第三修复图以及与第四修复数据对对应的第四修复图。
S240、将多张修复图进行合并，得到与目标掩码图像组对应的修复图像。
在本实施例的一个可选实现方式中，在得到与目标掩码图像组对应的多张修复图之后，可以进一步的将得到的多张修复图进行合并，进而得到与目标掩码图像组对应的修复图像。
示例性的，在上述例子中，在得到第一修复图、第二修复图、第三修复图以及第四修复图之后，可以进一步的将四张修复图进行合并处理，从而得到与目标掩码图像组对应的修复图像。
在本实施例的一个可选实现方式中，将多张修复图进行合并，得到与目标掩码图像组对应的修复图像，可以包括：分别将各修复图与其对应的目标掩码图像组中的二值图像进行相乘计算，得到各参考图像；将各参考图像进行相加计算，得到与目标掩码图像组对应的修复图像。
示例性的，在上述例子中，可以分别将第一修复图与二值图像A相乘，得到参考图像A、将第二修复图与二值图像B相乘，得到参考图像B、将第三修复图与二值图像C相乘，得到参考图像C以及将第四修复图与二值图像D相乘，得到参考图像D。
进一步的，可以将参考图像A、参考图像B、参考图像C以及参考图像D进行相加处理，从而得到与目标掩码图像组对应的修复图像。
可以理解的是，目标掩码图像组中的至少两张二值图像具有互补关系，即将各二值图像进行相加计算得到的图像的所有像素的灰度值均为255，那么本实施例中将各修复图分别与二值图像相乘之后再相加，得到的图像还为与待检测图像对应的修复图像。
这样设置的好处在于，可以提升修复图像的清晰度，为后对待检测图像中的缺陷区域进行精确定位提供依据。
S250、根据待检测图像以及各修复图像，对待检测图像进行缺陷定位。
在本实施例的一个可选实现方式中，在得到与各掩码图像组对应的修复图像之后，可以分别计算每个修复图像与待检测图像的偏差，根据得到的所有偏差，对待检测图像中的缺陷区域进行精确定位。
本实施例的方案，获取当前处理的目标掩码图像组，并将待检测图像与目标掩码图像组中的各二值图像分别组合得到多个修复数据对；分别将每个修复数据对输入至预先训练的图像补全模型中，形成与目标掩码图像组对应的多张修复图；将多张修复图进行合并，得到与目标掩码图像组对应的修复图像，进一步的，可以根据待检测图像与各修复图像，对待检测图像进行缺陷定位，在无需工作人员操作的前提下，可以提升对待检测图像中的缺陷区域的精确定位。
图3是根据本公开实施例的再一种图像缺陷的检测方法的示意图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施例中的各个可选方案结合。如图3所示，图像缺陷的检测方法包括如下：
S310、获取待检测图像。
S320、随机生成多张二值图像；使用各正样本图像以及各二值图像，对设定的机器学习模型进行无监督训练，生成图像补全模型。
在本实施例的一个可选实现方式中，在分别将每个数据对输入至预先训练的图像补全模型之前，还可以随机生成多张二值图像；其中，二值图像的数量可以等于也可以大于正样本图像的数量。需要说明的是，在本实施例中，各二值图像的尺寸大小与各正样本图像的尺寸大小相同；示例性的，若各正样本图像的尺寸大小为512*512，那么随机生成的各二值图像的大小也为512*512；这样设置的好处在于，可以便于后续生成图像补全模型。
进一步的，可以根据各正样本图像以及各二值图像，对设定的机器学习模型进行无监督训练，从而生成图像补全模型。其中，设定的机器学习模型可以为：编码器-解码器(Encoder-Decoder)模型，也可以为其他机器学习模型，本实施例中对其不加以限定。
在本实施例的一个可选实现方式中，使用各正样本图像以及各二值图像，对设定的机器学习模型进行无监督训练，生成图像补全模型，可以包括：选取一张正样本图像，以及一张二值图像，并将两张图像的各像素点对应相乘，得到一张缺陷图像；将缺陷图像与选取的二值图像进行合并，得到一个四通道的目标图像；将目标图输入至机器学习模型中，对机器学习模型进行模型训练；返回执行选取一张正样本图像，以及一张二值图像的操作，直至满足结束训练条件，得到图像补全模型。
这样设置的好处在于，可以提升图像补全模型的精度，为后续生成与待检测图像对应的更清晰的修复图像提供依据。
在本实施例的一个可选实现方式中，可以随机在多张正样本图像中选取一张正样本图像，以及在多张随机生成的二值图像中随机选取一张二值图像；进一步的，可以将选取的正样本图像以及选取的二值图像相乘，即将选取的正样本图像以及选取的二值图像的各像素点对应相乘，从而得到一张缺陷图；可以理解的是，二值图像的灰度值仅为0或者1，将正样本图像与二值图像相乘得到的缺陷图像中，仅剩余正样本图像中与二值图像中灰度值为1的像素点对应的像素点。
进一步的，可以将生成的缺陷图像与选取的二值图像合并成一个四通道的目标图像；示例性的，针对缺陷图中位置为(128,128)的像素点，其RGB三通道分别为(128.251,96)，则与选取的二值图像合并成的目标图像中，位置为(128,128)的像素点的四个通道可以为(128.251,96,0)。
进一步的，可以将生成的目标图像输入至机器学习模型中，对机器学习模型进行训练；并可以继续返回执行选取一张正样本图像，以及一张二值图像的操作，直至满足结束训练条件，得到图像补全模型；其中，结束训练条件可以为损失函数的值小于设定阈值，或者迭代次数满足设定阈值，本实施例中对其不加以限定。
在本实施例的另一个可选实现方式中，在选取一张正样本图像，以及一张二值图像，并将两张图像的各像素点对应相乘，得到一张缺陷图像之后，也可以无需生成目标图像，直接将缺陷图像以及选取的二值图像输入至机器学习模型中，对机器学习模型进行训练。
S330、获取当前处理的目标掩码图像组，并将待检测图像与目标掩码图像组中的各二值图像分别组合得到多个修复数据对。
S340、分别将每个修复数据对输入至预先训练的图像补全模型中，形成与目标掩码图像组对应的多张修复图。
其中，图像补全模型可以通过步骤S320得到。
S350、将多张修复图进行合并，得到与目标掩码图像组对应的修复图像。
S360、根据待检测图像以及各修复图像，对待检测图像进行缺陷定位。
本实施例的方案，在分别将每个修复数据对输入至预先训练的图像补全模型中之前，还可以包括：随机生成多张二值图像；使用各正样本图像以及各二值图像，对设定的机器学习模型进行无监督训练，生成图像补全模型，无需对缺陷图像进行标注，通过正样本图像以及随机生成的二值图像即可生成图像补全模型，为后续定位待检测图像中的缺陷区域提供依据，并且可以节省大量的人力成本。
图4是根据本公开实施例的又一种图像缺陷的检测方法的示意图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施例中的各个可选方案结合。如图4所示，图像缺陷的检测方法包括如下：
S410、获取待检测图像。
S420、根据待检测图像、至少一个掩码图像组以及多张无缺陷的正样本图像，得到与待检测图像对应的修复图像。
S430、分别将各修复图像与待检测图像进行差异比较，得到多张差异热力图。
在本实施例的一个可选实现方式中，在得到针对与待检测图像的与各掩码图像组对应的多张修复图像之后，可以进一步的将各修复图像与待检测图像进行差异比较，从而得到多张差异热力图。
示例性的，若得到针对待检测图像的与三个掩码图像组分别对应的三张修复图像(修复图像A、修复图像B以及修复图像C)，则可以将修复图像A与待检测图像进程差异比较，得到差异热力图A、将修复图像B与待检测图像进程差异比较，得到差异热力图B，以及将修复图像C与待检测图像进程差异比较，得到差异热力图C。
在本实施例的一个可选实现方式中，可以分别确定各修复图像与待检测图像之间的梯度幅度相似性偏差，并根据相似性偏差确定结果，得到多张差异热力图。
示例性的，可以通过确定修复图像A与待检测图像之间的梯度幅度相似性偏差，并根据计算结果得到差异热力图A；可以通过确定修复图像B与待检测图像之间的梯度幅度相似性偏差，并根据计算结果得到差异热力图B；也可以通过确定修复图像C与待检测图像之间的梯度幅度相似性偏差，并根据计算结果得到差异热力图C。
这样设置的好处在于，可以快速地对各修复图像与待检测图像进行差异比较，为后续对待检测图像中的缺陷区域进行定位提供依据。
需要说明的是，在本实施例的另一个可选实现方式中，还可以通过其他差异度量算法(例如，L1差异度量算法)确定各修复图像与待检测图像之间的差异，进而得到多张差异热力图。
S440、选择各差异热力图中的每个热力点中的最大值，构造目标热力图。
在本实施例的一个可选实现方式中，在得到多张差异热力图之后，可以进一步的选择各差异热力图中的每个热力点的最大值，构建目标热力图。
示例性的，若通过步骤S430得到三张差异热力图，则可以依次确定这三张差异热力图中的每个热力点的最大值；例如，针对三张差异热力图中的第一热力点，可以确定第一热力点在三张差异热力图中的最大值，并将确定的最大值作为目标热力图中的第一热力点的热力值。
S450、对目标热力图进行二值化分割，得到待检测图像中的缺陷区域。
在本实施例的一个可选实现方式中，在构造得到目标热力图召回，可以进一步的对目标热力图进行二值化分割，从而得到待检测图像中的缺陷区域。
本实施例的方案，根据不同的掩码图像组得到与待检测图像对应的多张修复图像之后，可以分别将各修复图像与待检测图像进行差异比较，得到多张差异热力图；选择各差异热力图中的每个热力点中的最大值，构造目标热力图；对目标热力图进行二值化分割，得到待检测图像中的缺陷区域，可以精确地对待检测图像中的缺陷区域进行定位。
为了使本领域技术人员更好地理解本公开涉及到的图像缺陷的检测方法，图5是根据本公开实施例的一种图像缺陷检测方法的流程图；如图5所示，该方法主要包括如下步骤：
S510、从产线收集多张良品图像，建立良品图像数据库。
其中，良品图像即为本公开实施例中涉及到的正样本图像。
S520、随机生成多张二值图像，建立mask库。
S530、使用良品图像数据库以及mask库训练得到图像补全模型。
其中，训练得到的图像补全模型可以对mask图中的未知区域进行自动的图像补全。可以理解的是，在本实施例中，训练图像数据集都是良品图像，因此图像补全模型补全的结果图皆是良品图像。
图6是根据本公开实施例的一种图像补全模型的网络结构示意图；如图6所示，图像补全模型的网络结构包括Encoder-Decoder网络610，以及判别器620；其中，Encoder-Decoder网络610用于重建图像，判别器620用于提高重建出来的结果图的清晰度。
可选的，在训练过程中，可以在在良品图像数据库中随机选取一张良品图像，在mask库中随机选取一张mask图像；将两张图像相乘，得到一张mask缺陷图；进一步的，将得到的缺陷图与选取的mask图像合成一个四通道的目标图像作为网络模型的输入；其中，在本实施例中良品图像可以作为模型的真值(ground truth)。
S540、对于待检测图像，生成多组互补的mask图像，并对每组mask图像经过图像补全模型生成多组缺陷修复的良品图；根据修复缺陷的良品图以及待检测图像对待检测图像中的缺陷区域进行定位。
图7是根据本公开实施例的一种对待检测图像进行缺陷定位的架构图；如图7所示，710为待检测图像，720为随机生成的三个掩码图像组，每个掩码图像组中包含四张具有互补关系的二值图像，且每个掩码图像组中的二值图像具有不同的图像尺度；730为将每个掩码图像组中的多张mask图与待检测图像输入上述训练的图像补全模型中进行预测，得到的多张补全结果图。
进一步的，可以将每组重建的修复图像与原始测试图进行比较，评价两幅图像的差异，例如，可以求两幅图像之间的梯度幅度相似性偏差，得到多张异常的热力图(图7中未示出)，对多张异常热力图的每个位置求最大值得到最终的异常热力图740，对异常热力图740进行二值化，并进行分割，得到缺陷区域。
现有的质检系统在缺陷应用发现中主要有三种方式：第一种方式为纯人工质检方式，即依赖于行业专家肉眼观察生产环境中的照片给出判断；第二种方式为机器辅助的人工质检方式，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，由行业专家对疑似存在缺陷的照片进行检测判断。其中，第二种方式多为专家系统和特征工程系统发展而来，专家将经验固化在质检系统中，具有一定的自动化能力。第三种方式为基于深度学习的缺陷发现技术，即通过大量的缺陷数据采集、标注、模型训练、预测等进行缺陷检测的技术，在某些场景中可有效提高检测效率，保证检测质量。
对于上述第一种方式，在人工质检的情况下，需要业务专家在生产现场进行检查，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，对人员的健康和安全会造成不利影响。对于上述第二种方式的特征和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，系统的检测精度越来越低，甚至降低到完全不可用的状态。对于上述第三种方式为目前工业制造智能升级的主要方法，该方法通过大量的采集缺陷数据，进行数据标注，模型训练，预测等流程；模型的效果多依赖于缺陷数据的量级，标注员标注的质量。且新形态未知缺陷层出不穷，同时项目初期缺陷数据收集困难，模型效果往往很快达到一个瓶颈。深度学习要求大量的缺陷数据，而真实产线很可能缺乏足够缺陷样本；并且基于人工标注的缺陷数据，多为人工目视检测或半自动化光学仪器辅助质检，高强度的标注节奏很容易导致质检员因疲劳产生误判，不同质检员的判别标准也无法完全对齐，标注成本高且标注质量难以保证。
本公开可以通过图像采集设备在生产线上采集的产品正常样本图像建模，对产品的表面质量进行检测判断，如果检测到当前经过图像采集设备的产品存在质量问题，则像素级定位缺陷位置。本公开可以应用于任何场景图像的缺陷检测场景，可以解决现有的缺陷检测方法，需要人工完成大量操作，并且由于工作人员的主观因素，检测精度低的问题，可以实现对图像中的缺陷进行像素级定位，检测精度较高，并且可以节省大量的人力成本。
图8是根据本公开实施例的一种图像缺陷的检测装置的结构示意图，该装置可以执行本公开任一实施例中涉及到的图像缺陷的检测方法；参考图8，图像缺陷的检测装置800，包括：待检测图像获取模块810、修复图像生成模块820以及缺陷定位模块830。
其中，待检测图像获取模块810，用于获取待检测图像；
修复图像生成模块820，用于根据所述待检测图像、至少一个掩码图像组以及多张无缺陷的正样本图像，得到与待检测图像对应的修复图像；
其中，每个所述掩码图像组中包括至少两张具有互补关系的二值图像，不同掩码图像组具有不同的图像尺度；
缺陷定位模块830，用于根据所述待检测图像以及各所述修复图像，对所述待检测图像进行缺陷定位。
本实施例的方案，图像缺陷的检测装置可以通过待检测图像获取模块获取待检测图像；通过修复图像生成模块得到与待检测图像对应的修复图像；如果缺陷定位模块对所述待检测图像进行缺陷定位，解决了现有的缺陷检测方法，需要人工完成大量操作，并且由于工作人员的主观因素，检测精度低的问题，可以实现对图像中的缺陷进行像素级定位，检测精度较高，并且可以节省大量的人力成本。
在本实施例的一个可选实现方式中，所述修复图像生成模块820，包括：修复数据对生成子模块、多张修复图生成子模块，以及修复图像生成子模块；
所述修复数据对生成子模块，用于获取当前处理的目标掩码图像组，并将所述待检测图像与所述目标掩码图像组中的各二值图像分别组合得到多个修复数据对；
所述多张修复图生成子模块，用于分别将每个修复数据对输入至预先训练的图像补全模型中，形成与所述目标掩码图像组对应的多张修复图；
其中，所述图像补全模型通过多张所述正样本图像训练得到；
所述修复图像生成子模块，用于将多张所述修复图进行合并，得到与所述目标掩码图像组对应的修复图像。
在本实施例的一个可选实现方式中，所述修复图像生成子模块，具体用于：
分别将各所述修复图与其对应的目标掩码图像组中的二值图像进行相乘计算，得到各参考图像；
将各所述参考图像进行相加计算，得到与所述目标掩码图像组对应的修复图像。
在本实施例的一个可选实现方式中，所述修复图像生成模块820，还包括：图像补全模型生成子模块，用于：
随机生成多张二值图像；
使用各所述正样本图像以及各所述二值图像，对设定的机器学习模型进行无监督训练，生成所述图像补全模型。
在本实施例的一个可选实现方式中，所述图像补全模型生成子模块，具体用于：
选取一张正样本图像，以及一张二值图像，并将两张图像的各像素点对应相乘，得到一张缺陷图像；
将所述缺陷图像与选取的二值图像进行合并，得到一个四通道的目标图像；
将所述目标图输入至所述机器学习模型中，对所述机器学习模型进行模型训练；
返回执行选取一张正样本图像，以及一张二值图像的操作，直至满足结束训练条件，得到所述图像补全模型。
在本实施例的一个可选实现方式中，所述缺陷定位模块830包括：多张差异热力图生成子模块、目标热力图构建模块，以及缺陷区域确定子模块；
所述多张差异热力图生成子模块，用于分别将各所述修复图像与所述待检测图像进行差异比较，得到多张差异热力图；
所述目标热力图构建模块，用于选择各所述差异热力图中的每个热力点中的最大值，构造目标热力图；
所述缺陷区域确定子模块，用于对所述目标热力图进行二值化分割，得到所述待检测图像中的缺陷区域。
在本实施例的一个可选实现方式中，所述多张差异热力图生成子模块，具体用于：
分别确定各所述修复图像与所述待检测图像之间的梯度幅度相似性偏差，并根据相似性偏差确定结果，得到多张差异热力图。
上述图像缺陷的检测装置可执行本公开任意实施例所提供的图像缺陷的检测方法，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，可参见本公开任意实施例提供的图像缺陷的检测方法。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元909加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元909，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如图像缺陷的检测。例如，在一些实施例中，图像缺陷的检测可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元909。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的图像缺陷的检测的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像缺陷的检测。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种图像缺陷的检测方法，包括：
获取待检测图像；
根据所述待检测图像、至少一个掩码图像组以及多张无缺陷的正样本图像，得到与待检测图像对应的修复图像；
其中，每个所述掩码图像组中包括至少两张具有互补关系的二值图像，不同掩码图像组具有不同的图像尺度；
根据所述待检测图像以及各所述修复图像，对所述待检测图像进行缺陷定位。
2.根据权利要求1所述的方法，其中，所述根据所述待检测图像、至少一个掩码图像组以及多张无缺陷的正样本图像，得到与待检测图像对应的修复图像，包括：
获取当前处理的目标掩码图像组，并将所述待检测图像与所述目标掩码图像组中的各二值图像分别组合得到多个修复数据对；
分别将每个所述修复数据对输入至预先训练的图像补全模型中，形成与所述目标掩码图像组对应的多张修复图；
其中，所述图像补全模型通过多张所述正样本图像训练得到；
将多张所述修复图进行合并，得到与所述目标掩码图像组对应的修复图像。
3.根据权利要求2所述的方法，其中，所述将多张所述修复图进行合并，得到与所述目标掩码图像组对应的修复图像，包括：
分别将各所述修复图与其对应的目标掩码图像组中的二值图像进行相乘计算，得到各参考图像；
将各所述参考图像进行相加计算，得到与所述目标掩码图像组对应的修复图像。
4.根据权利要求2所述的方法，其中，在分别将每个修复数据对输入至预先训练的图像补全模型中之前，还包括：
随机生成多张二值图像；
使用各所述正样本图像以及各所述二值图像，对设定的机器学习模型进行无监督训练，生成所述图像补全模型。
5.根据权利要求4所述的方法，其中，使用各所述正样本图像以及各所述二值图像，对设定的机器学习模型进行无监督训练，生成所述图像补全模型，包括：
选取一张正样本图像，以及一张二值图像，并将两张图像的各像素点对应相乘，得到一张缺陷图像；
将所述缺陷图像与选取的所述二值图像进行合并，得到一个四通道的目标图像；
将所述目标图输入至所述机器学习模型中，对所述机器学习模型进行模型训练；
返回执行选取一张正样本图像，以及一张二值图像的操作，直至满足结束训练条件，得到所述图像补全模型。
6.根据权利要求1所述的方法，其中，所述根据所述待检测图像以及各所述修复图像，对所述待检测图像进行缺陷定位包括：
分别将各所述修复图像与所述待检测图像进行差异比较，得到多张差异热力图；
选择各所述差异热力图中的每个热力点中的最大值，构造目标热力图；
对所述目标热力图进行二值化分割，得到所述待检测图像中的缺陷区域。
7.根据权利要求6所述的方法，其中，所述分别将各所述修复图像与所述待检测图像进行差异比较，得到多张差异热力图包括：
分别确定各所述修复图像与所述待检测图像之间的梯度幅度相似性偏差，并根据相似性偏差确定结果，得到多张差异热力图。
8.一种图像缺陷的检测装置，包括：
待检测图像获取模块，用于获取待检测图像；
修复图像生成模块，用于根据所述待检测图像、至少一个掩码图像组以及多张无缺陷的正样本图像，得到与待检测图像对应的修复图像；
其中，每个所述掩码图像组中包括至少两张具有互补关系的二值图像，不同掩码图像组具有不同的图像尺度；
缺陷定位模块，用于根据所述待检测图像以及各所述修复图像，对所述待检测图像进行缺陷定位。
9.根据权利要求8所述的装置，其中，所述修复图像生成模块，包括：修复数据对生成子模块、多张修复图生成子模块，以及修复图像生成子模块；
所述修复数据对生成子模块，用于获取当前处理的目标掩码图像组，并将所述待检测图像与所述目标掩码图像组中的各二值图像分别组合得到多个修复数据对；
所述多张修复图生成子模块，用于分别将每个修复数据对输入至预先训练的图像补全模型中，形成与所述目标掩码图像组对应的多张修复图；
其中，所述图像补全模型通过多张所述正样本图像训练得到；
所述修复图像生成子模块，用于将多张所述修复图进行合并，得到与所述目标掩码图像组对应的修复图像。
10.根据权利要求9所述的装置，其中，所述修复图像生成子模块，具体用于：
分别将各所述修复图与其对应的目标掩码图像组中的二值图像进行相乘计算，得到各参考图像；
将各所述参考图像进行相加计算，得到与所述目标掩码图像组对应的修复图像。
11.根据权利要求9所述的装置，其中，所述修复图像生成模块，还包括：图像补全模型生成子模块，用于：
随机生成多张二值图像；
使用各所述正样本图像以及各所述二值图像，对设定的机器学习模型进行无监督训练，生成所述图像补全模型。
12.根据权利要求11所述的装置，其中，所述图像补全模型生成子模块，具体用于：
选取一张正样本图像，以及一张二值图像，并将两张图像的各像素点对应相乘，得到一张缺陷图像；
将所述缺陷图像与选取的二值图像进行合并，得到一个四通道的目标图像；
将所述目标图输入至所述机器学习模型中，对所述机器学习模型进行模型训练；
返回执行选取一张正样本图像，以及一张二值图像的操作，直至满足结束训练条件，得到所述图像补全模型。
13.根据权利要求8所述的装置，其中，所述缺陷定位模块包括：多张差异热力图生成子模块、目标热力图构建模块，以及缺陷区域确定子模块；
所述多张差异热力图生成子模块，用于分别将各所述修复图像与所述待检测图像进行差异比较，得到多张差异热力图；
所述目标热力图构建模块，用于选择各所述差异热力图中的每个热力点中的最大值，构造目标热力图；
所述缺陷区域确定子模块，用于对所述目标热力图进行二值化分割，得到所述待检测图像中的缺陷区域。
14.根据权利要求13所述的装置，其中，所述多张差异热力图生成子模块，具体用于：
分别确定各所述修复图像与所述待检测图像之间的梯度幅度相似性偏差，并根据相似性偏差确定结果，得到多张差异热力图。
15.一种电子设备，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权利要求1-7中任一项所述的图像缺陷的检测方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的图像缺陷的检测方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的图像缺陷的检测方法。
CN202011563435.9A 2020-12-25 2020-12-25 图像缺陷的检测方法、装置、电子设备、存储介质及产品 Active CN112581463B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202011563435.9A CN112581463B (zh) 2020-12-25 2020-12-25 图像缺陷的检测方法、装置、电子设备、存储介质及产品
US17/444,883 US20220036533A1 (en) 2020-12-25 2021-08-11 Image defect detection method and apparatus, electronic device, storage medium and product
EP21193658.8A EP3937128A3 (en) 2020-12-25 2021-08-27 Image defect detection method and apparatus, electronic device, storage medium and product
JP2021144390A JP7138753B2 (ja) 2020-12-25 2021-09-06 画像欠陥検出方法、装置、電子機器、記憶媒体および製品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011563435.9A CN112581463B (zh) 2020-12-25 2020-12-25 图像缺陷的检测方法、装置、电子设备、存储介质及产品

Publications (2)

Publication Number Publication Date
CN112581463A true CN112581463A (zh) 2021-03-30
CN112581463B CN112581463B (zh) 2024-02-27

Family

ID=75140539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011563435.9A Active CN112581463B (zh) 2020-12-25 2020-12-25 图像缺陷的检测方法、装置、电子设备、存储介质及产品

Country Status (4)

Country Link
US (1) US20220036533A1 (zh)
EP (1) EP3937128A3 (zh)
JP (1) JP7138753B2 (zh)
CN (1) CN112581463B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094440A (zh) * 2021-04-28 2021-07-09 永旗(北京)科技有限公司 一种基于区块链的数据处理方法
CN114005514A (zh) * 2021-11-26 2022-02-01 杭州涿溪脑与智能研究所 医学影像诊断方法、系统及装置
CN114240913A (zh) * 2021-12-21 2022-03-25 歌尔股份有限公司 半导体的异常分析方法、装置、终端设备以及存储介质
CN114419035A (zh) * 2022-03-25 2022-04-29 北京百度网讯科技有限公司 产品识别方法、模型训练方法、装置和电子设备
CN115861293A (zh) * 2023-02-08 2023-03-28 成都数联云算科技有限公司 缺陷轮廓提取方法、装置、存储介质、设备及程序产品
CN115984244A (zh) * 2023-02-08 2023-04-18 成都数之联科技股份有限公司 面板缺陷标注方法、装置、存储介质、设备及程序产品
CN116664839A (zh) * 2023-05-31 2023-08-29 博衍科技(珠海)有限公司 一种弱监督半监督缺陷感知分割方法、装置及电子设备
CN117372720A (zh) * 2023-10-12 2024-01-09 南京航空航天大学 一种基于多特征交叉掩码修复的无监督异常检测方法
CN117372720B (zh) * 2023-10-12 2024-04-26 南京航空航天大学 一种基于多特征交叉掩码修复的无监督异常检测方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201505578D0 (en) 2015-03-31 2015-05-13 Spts Technologies Ltd Method and apparatus for depositing a material
CN114943672A (zh) * 2021-02-09 2022-08-26 富泰华工业（深圳）有限公司 图像瑕疵检测方法、装置、电子设备及存储介质
CN114466183A (zh) * 2022-02-21 2022-05-10 江东电子材料有限公司 基于特征光谱的铜箔瑕疵检测方法、装置和电子设备
CN115065708B (zh) 2022-08-17 2022-11-18 成都秦川物联网科技股份有限公司 基于机器视觉检测的工业物联网系统及其控制方法
CN115578797B (zh) * 2022-09-30 2023-08-29 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备
CN115937184A (zh) * 2022-12-28 2023-04-07 中轻长泰(长沙)智能科技股份有限公司 一种物品装配检测方法、装置及终端设备
CN115908988B (zh) * 2023-03-09 2023-05-30 苏州苏映视图像软件科技有限公司 一种缺陷检测模型生成方法、装置、设备以及存储介质
CN117041531B (zh) * 2023-09-04 2024-03-15 无锡维凯科技有限公司 一种基于图像质量评估的手机摄像头聚焦检测方法和系统
CN117351010B (zh) * 2023-12-04 2024-03-01 中科慧远视觉技术（洛阳）有限公司 一种基于深度学习的金属凹陷结构缺陷检测方法及装置
CN117726627B (zh) * 2024-02-18 2024-04-16 深圳龙芯半导体科技有限公司 芯片表面缺陷检测方法及设备
CN117745246B (zh) * 2024-02-19 2024-04-19 宜宾丰源盐业有限公司 基于视频图像处理的日化盐生产流程智能化管理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6578188B1 (en) * 1997-09-17 2003-06-10 Numerical Technologies, Inc. Method and apparatus for a network-based mask defect printability analysis system
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
CN111768381A (zh) * 2020-06-29 2020-10-13 北京百度网讯科技有限公司 零部件缺陷检测方法、装置及电子设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4844784B2 (ja) * 2001-09-27 2011-12-28 大日本印刷株式会社 印刷版検査装置
US8463016B2 (en) * 2010-02-05 2013-06-11 Luminescent Technologies, Inc. Extending the field of view of a mask-inspection image
US8977035B2 (en) * 2012-06-13 2015-03-10 Applied Materials Israel, Ltd. System, method and computer program product for detection of defects within inspection images
US8900777B2 (en) * 2012-10-23 2014-12-02 Taiwan Semiconductor Manufacturing Company, Ltd. Apparatus and method for lithography patterning
JP6546826B2 (ja) * 2015-10-08 2019-07-17 株式会社日立パワーソリューションズ 欠陥検査方法、及びその装置
JP6938992B2 (ja) * 2017-03-16 2021-09-22 株式会社リコー 検査装置、検査システム、検査方法及びプログラム
JP7298176B2 (ja) * 2019-02-13 2023-06-27 東レ株式会社 欠点検査装置および学習済みモデル
JP2020139905A (ja) * 2019-03-01 2020-09-03 セイコーエプソン株式会社 検査装置、検査方法、およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6578188B1 (en) * 1997-09-17 2003-06-10 Numerical Technologies, Inc. Method and apparatus for a network-based mask defect printability analysis system
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
CN111768381A (zh) * 2020-06-29 2020-10-13 北京百度网讯科技有限公司 零部件缺陷检测方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭艺;郭强;冯小虎;韩琦;: "气象卫星云图缺失区域的自动修复方法", 小型微型计算机系统, no. 04 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094440A (zh) * 2021-04-28 2021-07-09 永旗(北京)科技有限公司 一种基于区块链的数据处理方法
CN114005514A (zh) * 2021-11-26 2022-02-01 杭州涿溪脑与智能研究所 医学影像诊断方法、系统及装置
CN114240913A (zh) * 2021-12-21 2022-03-25 歌尔股份有限公司 半导体的异常分析方法、装置、终端设备以及存储介质
CN114419035A (zh) * 2022-03-25 2022-04-29 北京百度网讯科技有限公司 产品识别方法、模型训练方法、装置和电子设备
CN114419035B (zh) * 2022-03-25 2022-06-17 北京百度网讯科技有限公司 产品识别方法、模型训练方法、装置和电子设备
CN115861293A (zh) * 2023-02-08 2023-03-28 成都数联云算科技有限公司 缺陷轮廓提取方法、装置、存储介质、设备及程序产品
CN115984244A (zh) * 2023-02-08 2023-04-18 成都数之联科技股份有限公司 面板缺陷标注方法、装置、存储介质、设备及程序产品
CN116664839A (zh) * 2023-05-31 2023-08-29 博衍科技(珠海)有限公司 一种弱监督半监督缺陷感知分割方法、装置及电子设备
CN116664839B (zh) * 2023-05-31 2024-02-13 博衍科技(珠海)有限公司 一种弱监督半监督缺陷感知分割方法、装置及电子设备
CN117372720A (zh) * 2023-10-12 2024-01-09 南京航空航天大学 一种基于多特征交叉掩码修复的无监督异常检测方法
CN117372720B (zh) * 2023-10-12 2024-04-26 南京航空航天大学 一种基于多特征交叉掩码修复的无监督异常检测方法

Also Published As

Publication number Publication date
JP7138753B2 (ja) 2022-09-16
EP3937128A3 (en) 2022-04-13
JP2022103040A (ja) 2022-07-07
US20220036533A1 (en) 2022-02-03
CN112581463B (zh) 2024-02-27
EP3937128A2 (en) 2022-01-12

Similar Documents

Publication Publication Date Title
CN112581463B (zh) 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN111833306B (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN111353983B (zh) 缺陷检测识别方法、装置、计算机可读介质及电子设备
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN115131283A (zh) 目标对象的缺陷检测、模型训练方法、装置、设备及介质
CN114419035B (zh) 产品识别方法、模型训练方法、装置和电子设备
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN115331132A (zh) 一种汽车零件的检测方法、装置、电子设备和存储介质
CN113780484B (zh) 工业产品缺陷检测方法和装置
CN109102486B (zh) 基于机器学习的表面缺陷检测方法及装置
CN116952958B (zh) 缺陷检测方法、装置、电子设备及存储介质
CN115908988B (zh) 一种缺陷检测模型生成方法、装置、设备以及存储介质
CN115239733B (zh) 裂缝检测方法、装置、终端设备以及存储介质
CN117078585A (zh) 一种管道的缺陷损伤检测方法、装置、设备及介质
CN115546108A (zh) 基于边云协同和ar的汽车轮胎外观质量智能检测方法
Yuan et al. Salient Object Detection Based on Improved PoolNet.
CN114565889B (zh) 车辆压线状态的确定方法、装置、电子设备和介质
CN114004963B (zh) 目标类别识别方法、装置及可读存储介质
CN115542100B (zh) 绝缘子故障检测方法、装置、设备及介质
CN116186549B (zh) 模型的训练方法、装置、设备和介质
CN113409288B (zh) 一种图像清晰度的检测方法、装置、设备和存储介质
CN116797579A (zh) 一种缺陷级别的确定方法、装置、电子设备以及存储介质
CN117576077A (zh) 一种缺陷检测方法、装置、设备和存储介质
CN115909007A (zh) 一种图像扩充方法、装置、设备及存储介质
CN117611529A (zh) 一种移动计算机外壳检测方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant