CN112598627A - 检测图像缺陷的方法、系统、电子设备及介质 - Google Patents

Abstract

本申请公开了一种检测图像缺陷的方法、系统、电子设备及介质。本申请中，可以获取待检测图像以及模板图像，待检测图像中包含待检测物体，模板图像中包含待检测物体对应的标准图像；将待检测图像与模板图像进行图像融合，得到待检测融合图像；将待检测融合图像输入至预设的图像检测网络模型，得到图像检测结果；基于图像检测结果，确定待检测图像是否存在缺陷。本申请的技术方案通过利用模板图像与缺陷图像相融合的方式来增强缺陷特征，再将融合结果图像直接应用于深度学习缺陷检测方法。

Description

检测图像缺陷的方法、系统、电子设备及介质

技术领域

本申请中涉及图像处理技术，尤其是一种检测图像缺陷的方法、系统、电子设备及介质。

背景技术

在传统的工业视觉缺陷检测中，针对如PCB、印刷品、包装盒等含有不规律图案的产品，进行缺陷检测时通常会使用一张合格的产品图像或者多张合格产品图像合成的图像作为模板图像，对被检测产品图像配准对齐后，再进行产品中的缺陷识别定位。一般情况下产品的图案内容具有丰富的多样性，比如有字符、图标、彩色纹理等更为复杂的特征，涉及到的缺陷有污点、色偏、残缺、涂抹、划痕等各种类型的缺陷，使用传统视觉检测缺陷方法一般需要使用正常产品图像作为先验信息，被检产品图像与合格产品图像进行比对，才能检测出诸如污点、色偏、残缺等缺陷。

但由于依赖于标准模板图像，在面对产品图案印刷精度较差、材质涨缩、图案线条正常宽细变化、可变信息、材质反光变色等造成产品图像灰度出现正常变化的情况时，传统视觉检测方法容易出现误检情况，且当缺陷附着在字符、图案附近时，由于缺陷背景较为复杂多变，表征描述印刷品缺陷的难度更大，导致传统的机器学习分类方法准确率较差，而且传统视觉方法检测过程中包含缺陷分割、分类判断步骤，涉及到的参数设置较为复杂，不够简单方便。而另外一类方法则结合了深度学习方法分类识别性能较强的特性，但仍然使用传统视觉方法进行缺陷候选区域分割，再使用深度学习方法对分割区域进行分类识别确定缺陷，使用过程中仍然涉及到分割算法的参数设置，一般在不同型号产品检测场景下参数设置不同，使用过程仍然繁琐，需要专业人员操作维护。

在针对如PCB、印刷品、包装盒等含有不规律图案的产品缺陷检测场景中，产品型号较多，使用含有传统视觉方法的检测方法适应性较差，因为导致检测产品缺陷的精度不准。

发明内容

本申请实施例提供一种检测图像缺陷的方法、系统、电子设备及介质，

其中，根据本申请实施例的一个方面，提供的一种检测图像缺陷的方法，其特征在于，包括：

获取待检测图像以及模板图像，所述待检测图像中包含待检测物体，所述模板图像中包含所述待检测物体对应的标准图像；

将所述待检测图像与所述模板图像进行图像融合，得到待检测融合图像；

将所述待检测融合图像输入至预设的图像检测网络模型，得到图像检测结果；

基于所述图像检测结果，确定所述待检测图像是否存在缺陷。

可选地，在基于本申请上述方法的另一个实施例中，所述将所述待检测图像与所述模板图像进行图像融合，得到待检测融合图像，包括：

定位所述待检测物体在所述待检测图像中的第一坐标区域，以及所述标准图像在所述模板图像中的第二坐标区域；

将所述第一坐标区域对应的图像与所述第二坐标区域对应的图像进行图像融合，得到所述待检测融合图像。

可选地，在基于本申请上述方法的另一个实施例中，所述基于所述图像检测结果，确定所述待检测图像是否存在缺陷，包括：

获取所述图像检测结果，所述图像检测结果中包括所述待检测图像对应的类别、置信度、横坐标，纵坐标、宽高信息的至少一种；

基于所述图像检测结果，确定所述待检测图像的置信度值；

确定所述置信度值大于预设阈值的待检测图像是否存在缺陷。

可选地，在基于本申请上述方法的另一个实施例中，所述获取待检测图像以及模板图像之前，还包括：

获取第一数量的样本缺陷图像以及样本合格图像，所述样本缺陷图像包含目标物体的缺陷图像，所述样本合格图像包含所述目标物体的合格图像；

基于所述样本缺陷图像以及所述样本合格图像，生成所述图像检测网络模型。

可选地，在基于本申请上述方法的另一个实施例中，所述基于所述样本缺陷图像以及所述样本合格图像，生成所述图像检测网络模型，包括：

定位所述样本缺陷图像中的目标物体所在的第三坐标区域，以及所述样本合格图像中的目标物体所在的第四坐标区域；

将所述第三坐标区域对应的第一样本图像与所述第四坐标区域对应的第二样本图像进行图像融合，得到所述样本融合图像。

可选地，在基于本申请上述方法的另一个实施例中，所述将所述第三坐标区域对应的第一样本图像与所述第四坐标区域对应的第二样本图像进行图像融合，得到所述样本融合图像，包括：

将所述第一样本图像进行灰度转换，得到第一灰度图像，以及，将所述第二样本图像进行灰度转换，得到第二灰度图像；

利用图像融合技术，采用所述第一灰度图像的G通道，以及，所述第二灰度图像的R通道和B通道，拼接得到所述样本融合图像。

可选地，在基于本申请上述方法的另一个实施例中，所述得到所述样本融合图像之后，还包括：

利用所述第一数量的样本融合图像对空白的卷积神经网络模型进行训练，得到满足预设条件的所述图像检测网络模型；以及，

利用第三数量的样本融合图像作为对待检测图像的验证以及测试。

其中，根据本申请实施例的一个方面，提供的一种检测图像缺陷的装置，其特征在于，包括：

获取模块，被配置为获取待检测图像以及模板图像，所述待检测图像中包含待检测物体，所述模板图像中包含所述待检测物体对应的标准图像；

融合模块，被配置为将所述待检测图像与所述模板图像进行图像融合，得到待检测融合图像；

生成模块，被配置为将所述待检测融合图像输入至预设的图像检测网络模型，得到图像检测结果；

确定模块，被配置为基于所述图像检测结果，确定所述待检测图像是否存在缺陷。

根据本申请实施例的又一个方面，提供的一种电子设备，包括：

存储器，用于存储可执行指令；以及

显示器，用于与所述存储器显示以执行所述可执行指令从而完成上述任一所述检测图像缺陷的方法的操作。

根据本申请实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述检测图像缺陷的方法的操作。

本申请中，可以获取待检测图像以及模板图像，待检测图像中包含待检测物体，模板图像中包含待检测物体对应的标准图像；将待检测图像与模板图像进行图像融合，得到待检测融合图像；将待检测融合图像输入至预设的图像检测网络模型，得到图像检测结果；基于图像检测结果，确定待检测图像是否存在缺陷。本申请的技术方案通过利用模板图像与缺陷图像相融合的方式来增强缺陷特征，再将融合结果图像直接应用于深度学习缺陷检测方法，从而实现缺陷检测不需要对缺陷区域进行初始分割再分类识别的目的。

下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。

附图说明

构成说明书的一部分的附图描述了本申请的实施例，并且连同描述一起用于解释本申请的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本申请，其中：

图1为本申请提出的一种应用于检测图像缺陷的方法示意图；

图2为本申请提出的一种安全认证系统的流程示意图；

图3为本申请显示电子设备结构示意图。

具体实施方式

现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，不作为对本申请及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

另外，本申请各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

需要说明的是，本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

下面结合图1来描述根据本申请示例性实施方式的用于进行检测图像缺陷的方法。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。

本申请提出一种检测图像缺陷的方法、系统、设备及介质。其中，图1示意性地示出了根据本申请实施方式的一种检测图像缺陷的方法的流程示意图。如图1所示，该方法包括：

S101，获取待检测图像以及模板图像，待检测图像中包含待检测物体，模板图像中包含待检测物体对应的标准图像。

本申请中，在想要对包含待检测物体的待检测图像进行检测，以确定该待检测物体是否对应于缺陷物体图像的过程中，可以通过将该待检测图像输入至预先训练生成的图像检测模型中，并根据该检测模型的输出结果来确定是否为缺陷图像。

需要说明的是，本申请不对待检测图像以及模板图像的数量进行具体限定，例如可以为一个，也可以为多个。

S102，将待检测图像与模板图像进行图像融合，得到待检测融合图像。

进一步的，区别于现有技术中直接将待检测图像输入至图像检测模型，本申请实施例中为了更好的确定待检测图像的缺陷部分，可以选择将待检测图像与模板图像进行图像融合，从而得到待检测融合图像。

具体的，可以使用特征点匹配定位确定待检测图像与模板图像之间的位姿差异，再进行旋转缩放校正。进一步的，还可以对被检测彩色图像与模板彩色图像分别转换为被检灰度图像、模板灰度图像，再以模板灰度图像填充R、B两个通道，以被检灰度图像填充G通道，拼接得到融合后的图像(即待检测融合图像)。

需要说明的是，本申请不对待检测图像与模板图像的数量进行具体限定，例如可以为一个，也可以为多个等等。

S103，将待检测融合图像输入至预设的图像检测网络模型，得到图像检测结果。

需要说明的是，本申请不对图像检测网络模型做具体限定，例如其可以为卷积神经网络(Convolutional Neural Networks,CNN)。其中，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(Feedforward Neural Networks)，是深度学习的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类。得益于CNN(卷积神经网络)对图像的强大特征表征能力，其在图像分类、目标检测、语义分割等领域都取得了令人瞩目的效果。

进一步的，本申请可以使用CNN神经网络模型来检测待检测图像中待检测融合图像的特征信息，进而对待检测融合图像进行特征识别，确定待检测融合图像对应的图像检测结果。其中，需要将该待检测融合图像输入至预设的卷积神经网络模型中，并将卷积神经网络模型最后一层全连接层(FC，fully connected layer)的输出结果作为对该待检测融合图像对应的特征数据的识别结果。

可选的，本申请中的待检测融合图像中，待检测物体的特征可以包含有多个维度，例如可以包含待检测物体的色彩特征，形状特征，大小特征，语义特征等等。进一步的，本申请可以利用神经网络模型，来对待检测物体的其中至少一个特征进行检测并分析。

进一步的，本申请可以通过图像检测网络模型，来识别待检测融合图像中的待检测物体所对应图像中包括的至少一个对象(例如色彩特征，形状特征，大小特征，语义特征中的任意一个)。可选的，对于所使用的图像检测网络模型，一种实施方式中，可以通过样本图像对图像检测网络模型进行训练。具体地，可以获取样本图像，并利用样本图像对空白的图像检测网络模型进行训练，得到满足预设条件的图像检测网络模型。

其中，该样本图像中包括至少一个目标物体，该目标物体可以与本申请实施例中的待检测物体相同。例如，样本图像中的目标物体特征可以包括目标物体的色彩特征，形状特征，大小特征，语义特征中的任意一个。

另外，图像检测网络模型对样本图像进行语义分割处理时，对样本图像中的像素点分类越准确，则识别样本图像中的标记对象的准确率越高。其中需要说明的是，预设条件可以是自定义设定的。例如，可以设定预设条件为：对像素点的分类准确率达到70％以上，那么，样本图像对图像检测网络模型进行反复训练，在图像检测网络模型对像素点的分类准确率达到70％以上时，则此时该图像检测网络模型可以应用在本发明实施例中，对目标物体所对应的图像进行语义分割处理。

S104，基于图像检测结果，确定待检测图像是否存在缺陷。

进一步的，本申请可以根据获取到的图像检测结果，确定图像检测结果中包括的，待检测图像对应的类别、置信度、横坐标，纵坐标、宽高信息的至少一种；并基于图像检测结果，确定待检测图像的置信度值；其中，需要确定该多个置信度结果中，置信度值大于预设阈值的待检测图像是否存在缺陷。例如该预设阈值可以为0.5。

本申请中，可以获取待检测图像以及模板图像，待检测图像中包含待检测物体，模板图像中包含待检测物体对应的标准图像；将待检测图像与模板图像进行图像融合，得到待检测融合图像；将待检测融合图像输入至预设的图像检测网络模型，得到图像检测结果；基于图像检测结果，确定待检测图像是否存在缺陷。本申请的技术方案通过利用模板图像与缺陷图像相融合的方式来增强缺陷特征，再将融合结果图像直接应用于深度学习缺陷检测方法，从而实现缺陷检测不需要对缺陷区域进行初始分割再分类识别的目的

可选的，在本申请一种可能的实施方式中，在S102(将待检测图像与模板图像进行图像融合，得到待检测融合图像)的过程中，可以通过下述方式得到：

定位待检测物体在待检测图像中的第一坐标区域，以及标准图像在模板图像中的第二坐标区域；

将第一坐标区域对应的图像与第二坐标区域对应的图像进行图像融合，得到待检测融合图像。

可选的，本申请在基于图像检测结果，确定待检测图像是否存在缺陷，包括：

获取图像检测结果，图像检测结果中包括待检测图像对应的类别、置信度、横坐标，纵坐标、宽高信息的至少一种；

基于图像检测结果，确定待检测图像的置信度值；

确定置信度值大于预设阈值的待检测图像是否存在缺陷。

进一步的，一种方式中，本申请中可以在融合待检测图像与模板图像的过程中，只需对待检测物体在待检测图像中的第一坐标区域对应的图像与标准图像在模板图像中的第二坐标区域所对应的图像进行融合。从而得到待检测融合图像。

其中，本申请不对第一坐标区域以及第二坐标区域进行具体限定，也即该坐标区域可以为在图像中的任意坐标区域。

另外，本申请可以根据获取到的图像检测结果，确定图像检测结果中包括的，待检测图像对应的类别、置信度、横坐标，纵坐标、宽高信息的至少一种；并基于图像检测结果，确定待检测图像的置信度值；其中，需要确定该多个置信度结果中，置信度值大于预设阈值的待检测图像是否存在缺陷。例如该预设阈值可以为0.5或0.3等等。

进一步可选的，在本申请一种可能的实施方式中，在S101(获取待检测图像以及模板图像)之前，可以通过下述步骤得到：

获取第一数量的样本缺陷图像以及样本合格图像，样本缺陷图像包含目标物体的缺陷图像，样本合格图像包含目标物体的合格图像；

基于样本缺陷图像以及样本合格图像，生成图像检测网络模型。

可选的，本申请在基于样本缺陷图像以及样本合格图像，生成图像检测网络模型，包括下述步骤：

定位样本缺陷图像中的目标物体所在的第三坐标区域，以及样本合格图像中的目标物体所在的第四坐标区域；

将第三坐标区域对应的第一样本图像与第四坐标区域对应的第二样本图像进行图像融合，得到样本融合图像。

可选的，本申请在将第三坐标区域对应的第一样本图像与第四坐标区域对应的第二样本图像进行图像融合，得到样本融合图像，包括：

将第一样本图像进行灰度转换，得到第一灰度图像，以及，将第二样本图像进行灰度转换，得到第二灰度图像；

利用图像融合技术，采用第一灰度图像的G通道，以及，第二灰度图像的R通道和B通道，拼接得到样本融合图像。

进一步的，区别于现有技术中直接利用缺陷样本图像训练得到图像检测模型，本申请实施例中为了更好的确定缺陷样本图像中的缺陷物体部分，可以选择将第三坐标区域对应的第一样本图像与第四坐标区域对应的第二样本图像进行图像融合，从而得到该样本融合图像。

具体的，本申请在对样本图像进行融合的过程中，还可以使用特征点匹配定位确定样本缺陷图像与样本图像之间的位姿差异，再进行旋转缩放校正。进一步的，还可以对被样本缺陷图像与样本图像分别转换为被检灰度图像、模板灰度图像，再以模板灰度图像填充R、B两个通道，以被检灰度图像填充G通道，拼接得到融合后的图像(即样本融合图像)。

可选的，本申请实施例在得到样本融合图像之后，还包括：

利用第二数量的样本融合图像对空白的卷积神经网络模型进行训练，得到满足预设条件的图像检测网络模型；以及，

利用第三数量的样本融合图像作为对待检测图像的验证以及测试。

需要说明的是，本申请不对第二数量以及第三数量进行具体限定，一种方式中，第二数量以及第三数量的总和等于第一数量。

一种方式中，本申请在对空白的卷积神经网络模型进行训练的过程中，可以首先在网络初始化阶段，使用公开数据集预训练得到卷积神经网络来初始化Faster R CNN网络中特征提取卷积层参数，其中特征提取卷积神经网络包括VGG16、Resnet18等，Faster RCNN网络中的连接层则进行随机初始化；再使用训练集训练Faster R CNN网络模型，最终训练结果使用测试集来评价确定。

在本申请的另外一种实施方式中，如图2所示，本申请还提供一种检测图像缺陷的装置，该装置包括获取模块201，融合模块202，生成模块203，确定模块204，其中，

获取模块201，被配置为获取待检测图像以及模板图像，所述待检测图像中包含待检测物体，所述模板图像中包含所述待检测物体对应的标准图像；

融合模块202，被配置为将所述待检测图像与所述模板图像进行图像融合，得到待检测融合图像；

生成模块203，被配置为将所述待检测融合图像输入至预设的图像检测网络模型，得到图像检测结果；

确定模块204，被配置为基于所述图像检测结果，确定所述待检测图像是否存在缺陷。

本申请中，可以获取待检测图像以及模板图像，待检测图像中包含待检测物体，模板图像中包含待检测物体对应的标准图像；将待检测图像与模板图像进行图像融合，得到待检测融合图像；将待检测融合图像输入至预设的图像检测网络模型，得到图像检测结果；基于图像检测结果，确定待检测图像是否存在缺陷。本申请的技术方案通过利用模板图像与缺陷图像相融合的方式来增强缺陷特征，再将融合结果图像直接应用于深度学习缺陷检测方法，从而实现缺陷检测不需要对缺陷区域进行初始分割再分类识别的目的。

可选的，在本申请的另一种实施方式中，获取模块201，还包括：

获取模块201，被配置为定位所述待检测物体在所述待检测图像中的第一坐标区域，以及所述标准图像在所述模板图像中的第二坐标区域；

获取模块201，被配置为将所述第一坐标区域对应的图像与所述第二坐标区域对应的图像进行图像融合，得到所述待检测融合图像。

可选的，在本申请的另一种实施方式中，获取模块201，还包括：

获取模块201，被配置为获取所述图像检测结果，所述图像检测结果中包括所述待检测图像对应的类别、置信度、横坐标，纵坐标、宽高信息的至少一种；

获取模块201，被配置为基于所述图像检测结果，确定所述待检测图像的置信度值；

获取模块201，被配置为确定所述置信度值大于预设阈值的待检测图像是否存在缺陷。

可选的，在本申请的另一种实施方式中，获取模块201，还包括：

获取模块201，被配置为获取第一数量的样本缺陷图像以及样本合格图像，所述样本缺陷图像包含目标物体的缺陷图像，所述样本合格图像包含所述目标物体的合格图像；

获取模块201，被配置为基于所述样本缺陷图像以及所述样本合格图像，生成所述图像检测网络模型。

可选的，在本申请的另一种实施方式中，获取模块201，还包括：

获取模块201，被配置为定位所述样本缺陷图像中的目标物体所在的第三坐标区域，以及所述样本合格图像中的目标物体所在的第四坐标区域；

获取模块201，被配置为将所述第三坐标区域对应的第一样本图像与所述第四坐标区域对应的第二样本图像进行图像融合，得到所述样本融合图像。

可选的，在本申请的另一种实施方式中，获取模块201，还包括：

获取模块201，被配置为将所述第一样本图像进行灰度转换，得到第一灰度图像，以及，将所述第二样本图像进行灰度转换，得到第二灰度图像；

获取模块201，被配置为利用图像融合技术，采用所述第一灰度图像的G通道，以及，所述第二灰度图像的R通道和B通道，拼接得到所述样本融合图像。

可选的，在本申请的另一种实施方式中，获取模块201，还包括：

获取模块201，被配置为利用所述第二数量的样本融合图像对空白的卷积神经网络模型进行训练，得到满足预设条件的所述图像检测网络模型。

图3是根据一示例性实施例示出的一种电子设备的逻辑结构框图。例如，电子设备300可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由电子设备处理器执行以完成上述检测图像缺陷的方法，该方法包括：接收到客户端发送的加密的第一业务报文，检测所述第一业务报文中是否包含Cookie；确定包含所述Cookie，解密所述Cookie，得到所述客户端对应的地址参数以及权限参数；基于所述地址参数以及权限参数，确定所述客户端合法，并将所述第一业务报文转发至对应的业务对象处。

可选地，上述指令还可以由电子设备的处理器执行以完成上述示例性实施例中所涉及的其他步骤。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种应用程序/计算机程序产品，包括一条或多条指令，该一条或多条指令可以由电子设备的处理器执行，以完成上述检测图像缺陷的方法，该方法包括：获取待检测图像以及模板图像，所述待检测图像中包含待检测物体，所述模板图像中包含所述待检测物体对应的标准图像；将所述待检测图像与所述模板图像进行图像融合，得到待检测融合图像；将所述待检测融合图像输入至预设的图像检测网络模型，得到图像检测结果；基于所述图像检测结果，确定所述待检测图像是否存在缺陷。

可选地，上述指令还可以由电子设备的处理器执行以完成上述示例性实施例中所涉及的其他步骤。

图3为计算机设备30的示例图。本领域技术人员可以理解，示意图3仅仅是计算机设备30的示例，并不构成对计算机设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备30还可以包括输入输出设备、网络接入设备、总线等。

所称处理器302可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，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、分立硬件组件等。通用处理器可以是微处理器或者该处理器302也可以是任何常规的处理器等，处理器302是计算机设备30的控制中心，利用各种接口和线路连接整个计算机设备30的各个部分。

存储器301可用于存储计算机可读指令303，处理器302通过运行或执行存储在存储器301内的计算机可读指令或模块，以及调用存储在存储器301内的数据，实现计算机设备30的各种功能。存储器301可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备30的使用所创建的数据等。此外，存储器301可以包括硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)或其他非易失性/易失性存储器件。

计算机设备30集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种检测图像缺陷的方法，其特征在于，包括：

获取待检测图像以及模板图像，所述待检测图像中包含待检测物体，所述模板图像中包含所述待检测物体对应的标准图像；

将所述待检测图像与所述模板图像进行图像融合，得到待检测融合图像；

将所述待检测融合图像输入至预设的图像检测网络模型，得到图像检测结果；

基于所述图像检测结果，确定所述待检测图像是否存在缺陷。

2.如权利要求1所述的方法，其特征在于，所述将所述待检测图像与所述模板图像进行图像融合，得到待检测融合图像，包括：

定位所述待检测物体在所述待检测图像中的第一坐标区域，以及所述标准图像在所述模板图像中的第二坐标区域；

将所述第一坐标区域对应的图像与所述第二坐标区域对应的图像进行图像融合，得到所述待检测融合图像。

3.如权利要求2所述的方法，其特征在于，所述基于所述图像检测结果，确定所述待检测图像是否存在缺陷，包括：

获取所述图像检测结果，所述图像检测结果中包括所述待检测图像对应的类别、置信度、横坐标，纵坐标、宽高信息的至少一种；

基于所述图像检测结果，确定所述待检测图像的置信度值；

确定所述置信度值大于预设阈值的待检测图像是否存在缺陷。

4.如权利要求1所述的方法，其特征在于，所述获取待检测图像以及模板图像之前，还包括：

获取第一数量的样本缺陷图像以及样本合格图像，所述样本缺陷图像包含目标物体的缺陷图像，所述样本合格图像包含所述目标物体的合格图像；

基于所述样本缺陷图像以及所述样本合格图像，生成所述图像检测网络模型。

5.如权利要求4所述的方法，其特征在于，所述基于所述样本缺陷图像以及所述样本合格图像，生成所述图像检测网络模型，包括：

定位所述样本缺陷图像中的目标物体所在的第三坐标区域，以及所述样本合格图像中的目标物体所在的第四坐标区域；

将所述第三坐标区域对应的第一样本图像与所述第四坐标区域对应的第二样本图像进行图像融合，得到样本融合图像。

6.如权利要求5所述的方法，其特征在于，所述将所述第三坐标区域对应的第一样本图像与所述第四坐标区域对应的第二样本图像进行图像融合，得到所述样本融合图像，包括：

将所述第一样本图像进行灰度转换，得到第一灰度图像，以及，将所述第二样本图像进行灰度转换，得到第二灰度图像；

利用图像融合技术，采用所述第一灰度图像的G通道，以及，所述第二灰度图像的R通道和B通道，拼接得到所述样本融合图像。

7.如权利要求6所述的方法，其特征在于，所述得到所述样本融合图像之后，还包括：

利用所述第二数量的样本融合图像对空白的卷积神经网络模型进行训练，得到满足预设条件的所述图像检测网络模型。

8.一种检测图像缺陷的装置，其特征在于，包括：

获取模块，被配置为获取待检测图像以及模板图像，所述待检测图像中包含待检测物体，所述模板图像中包含所述待检测物体对应的标准图像；

融合模块，被配置为将所述待检测图像与所述模板图像进行图像融合，得到待检测融合图像；

生成模块，被配置为将所述待检测融合图像输入至预设的图像检测网络模型，得到图像检测结果；

确定模块，被配置为基于所述图像检测结果，确定所述待检测图像是否存在缺陷。

9.一种电子设备，其特征在于，包括：

存储器，用于存储可执行指令；以及，

处理器，用于与所述存储器显示以执行所述可执行指令从而完成权利要求1-7中任一项所述检测图像缺陷的方法的操作。

10.一种电子设备，其特征在于，包括：

存储器，用于存储可执行指令；以及，

处理器，用于与所述存储器显示以执行所述可执行指令从而完成权利要求1-7中任一项所述检测图像缺陷的方法的操作。

Images